STORY TIMELINE
在横截面网络分析中，缺失值的处理主要与正则化技术结合进行研究。然而，非正则化的替代方案，如基于节点级多元回归通过BIC进行邻域选择，已被证明是心理网络分析的可行替代方法。此外，其在模型选择中的局部化方法使邻域选择特别适用于包含缺失值的数据集。在本研究中，我们提出了两种基于多重插补的方法，即堆叠多重插补和分组多重插补，以及直接EM程序和两步EM程序，用于处理缺失值。此外，还讨论和评估了用于计算对数似然和BIC的各种样本量计算方法。进行了一项模拟研究，涵盖网络规模、观测数量和缺失水平的变化，以考察缺失数据处理方法的性能以及确定样本量的方式。评估标准包括边集的恢复，以及偏相关和估计节点强度的偏差。研究结果表明，两步EM方法是最快的方法，在观测数量非常大时能够充分处理缺失性。当观测数量与节点数量的比率较小且缺失性较高时，堆叠多重插补成为更优选择。关于样本量计算，特别是在高缺失性的情况下，使用每个节点的局部观测数量在估计强度中产生的偏差最小。
最高精选质量 62 · 1 个独立来源 · 最新 2026/11/03
2026/11/03 · 心理学方法 · 精选 62
在使用邻域选择进行网络分析时处理缺失值。在横截面网络分析中，缺失值的处理主要与正则化技术结合进行研究。然而，非正则化的替代方案，如基于节点级多元回归通过BIC进行邻域选择，已被证明是心理网络分析的可行替代方法。此外，其在模型选择中的局部化方法使邻域选择特别适用于包含缺失值的数据集。在本研究中，我们提出了两种基于多重插补的方法，即堆叠多重插补和分组多重插补，以及直接EM程序和两步EM程序，用于处理缺失值。此外，还讨论和评估了用于计算对数似然和BIC的各种样本量计算方法。进行了一项模拟研究，涵盖网络规模、观测数量和缺失水平的变化，以考察缺失数据处理方法的性能以及确定样本量的方式。评估标准包括边集的恢复，以及偏相关和估计节点强度的偏差。研究结果表明，两步EM方法是最快的方法，在观测数量非常大时能够充分处理缺失性。当观测数量与节点数量的比率较小且缺失性较高时，堆叠多重插补成为更优选择。关于样本量计算，特别是在高缺失性的情况下，使用每个节点的局部观测数量在估计强度中产生的偏差最小。