网络分析（示例：自我控制 × 短视频成瘾）

生成时间 2026-10-18 12:13:45

方法说明

数据来源

数据文件：/home/tester/nurse_student/data/data_ready.csv（用同份数据 + 上述方法可复现结果）

模型设定

下表为本次分析实际使用的设定（由分析程序自动原样列出，非 AI 转述）。解读数字前请先核对设定与你的研究假设一致——尤其路径方向与变量角色；质量门控只检查统计前提，发现不了「设定对不对」。

网络摘要

节点中心性

strength 为与该节点相连的边权绝对值和（节点重要性）；expected_influence 保留正负号（正=激活网络，负=抑制网络）。predictability(R²) 为 GGM 中该节点能被其余节点解释的方差比例（1 − 1/(Θ_ii·S_ii)，条件方差口径，Haslbeck & Waldorp 2018）；平均 R² = 0.524。

桥中心性（跨社区连接强度）

网络概览（合并图）

📌 以下为上方合并图各面板的单图版本（内容与合并图对应面板一致，便于单独放大与引用）。

网络图

节点名称对照表

网络图节点标签为结构化短码（外置中文标签与放不下的长名按 qgraph 短码惯例统一显示），全称见下表与 network_node_labels.csv；其余图表仍用全称。

可预测性与影响估计（合并图）

以下为上方合并图各面板的单图版本（内容与合并图对应面板一致，便于单独放大与引用）。

边稳定性（bootstrap，n_boot=20）

稳定性检验与仅稳定边图的 bootstrap 口径为 EBICglasso 正则化偏相关（EBIC γ=0.5，spearman 相关）（随主分析估计方法，每次重抽样按该口径重新估计，与图自洽）；点估计网络 30 条边中 16 条稳定。本报告主图亦为 glasso 口径。

中心性稳定性（case-dropping bootstrap，n_boot=100）

逐步丢弃 10%~70% 样本重估网络，考察中心性排序保持程度。CS 系数（相关性>0.7 的最大丢弃比例）：strength=0.7、expected_influence=0.7、bridge_strength=0.0。判读标准（Epskamp et al. 2018）：CS>0.5 为佳，0.25~0.5 可接受，<0.25 时中心性排名仅最高/最低者可信。bootstrap 口径为 EBICglasso 正则化偏相关（EBIC γ=0.5，spearman 相关）（随主分析估计方法）。文献惯例只解读 strength/期望影响/桥指标的 CS；betweenness/closeness 已知不稳定、不作解读，亦不计入质量检查判定。

准确性与稳定性（合并图）

以下为上方合并图各面板的单图版本（内容与合并图对应面板一致，便于单独放大与引用）。

边权重两两差异检验（n_boot=100）

论文 Fig.6 惯例：行/列为边（按平均权重降序），黑格 = 两边权重差异显著（bootstrap 95% CI 不含 0），灰格 = 不显著；对角线为各边平均权重（蓝渐变 + 数值）。黑色行/列多的边在网络中与其他边区分度高，权重估计更可信。

strength 两两差异检验（n_boot=100）

bootnet difference test 惯例：黑格 = 两节点该指标差异显著（bootstrap 95% CI 不含 0），灰格 = 不显著——被灰格连片的相邻排名不可区分，不宜过度解读；对角线为各节点指标值（蓝渐变 + 数值），先行看清大小再看黑格判断哪些差异立得住。

bridge_strength 两两差异检验（n_boot=100）

bootnet difference test 惯例：黑格 = 两节点该指标差异显著（bootstrap 95% CI 不含 0），灰格 = 不显著——被灰格连片的相邻排名不可区分，不宜过度解读；对角线为各节点指标值（蓝渐变 + 数值），先行看清大小再看黑格判断哪些差异立得住。

补充图（深入检查视图）

以下为参考论文未包含的补充视图：强边/桥边聚焦、边权重热图与分布、显示阈值对比、非正则对照网络、可预测性排序、数据驱动社区校验等，供深入检查与附录使用。

聚焦视图

全图边数多，以下每张图只回答一个分析问题：强边网络看核心连接、桥边网络找桥接点、热图览尽全部边权。均为显示层过滤，统计量与全图完全一致。

桥边网络（全部 17 条跨社区边中最强的 17 条，节点大小 ∝ bridge_strength）

社区内边与较弱桥边为显示层隐藏（跨社区偏相关普遍弱于社区内，绝对阈值会滤空），桥接节点（大小+跨簇连线）一眼可辨；桥中心性数值见下方排序图与桥中心性表。

边权重热图（按社区分块排序）

对角块 = 社区内连接，离块亮格 = 跨社区桥边；红正/蓝负，饱和度 ∝ |权重|，与网络图互补（无线条交叉，适合论文补充材料）。

边权重分布

仅稳定边网络（bootstrap 95% CI 不含 0，n_boot=20）

数据驱动社区 vs 理论社区（网络效度校验）

Louvain 检出 2 个社区（模块度 0.27），与理论量表归属的调整兰德指数 ARI = 1.00（1=完全一致，>0.6 通常视为结构得到较好复现）。两图共享同一布局：第一张为理论社区着色，第二张为 Louvain 数据驱动着色；节点位置完全一致，颜色差异即两种口径的分歧点。

质量检查

# 网络分析（示例：自我控制 × 短视频成瘾）
# 数据来源: /home/tester/nurse_student/data/data_ready.csv
# 节点变量: SC健康习惯条目均分, SC抵制诱惑条目均分, SC冲动抑制条目均分, SC节制娱乐条目均分, SC专注工作条目均分, SVA戒断性条目均分, SVA逃避性条目均分, SVA失控性条目均分, SVA低效性条目均分
# 估计方法: glasso

library(readr)
library(qgraph)

# 读取数据
data <- read_csv("/home/tester/nurse_student/data/data_ready.csv")

# 选择节点变量
node_vars <- c("SC健康习惯条目均分", "SC抵制诱惑条目均分", "SC冲动抑制条目均分", "SC节制娱乐条目均分", "SC专注工作条目均分", "SVA戒断性条目均分", "SVA逃避性条目均分", "SVA失控性条目均分", "SVA低效性条目均分")
data_subset <- data[, node_vars]

# 估计网络
cat("\n=== 网络分析 ===\n\n")

if ("glasso" == "glasso") {
    # 使用 EBICglasso（推荐）
    net <- EBICglasso(cor(data_subset, method = "spearman"), 
                      nrow(data_subset), gamma = 0.5)
} else {
    # 非正则化：偏相关 + Bonferroni 阈值化（与 Python threshold_network 同口径：
    # Pearson 相关（_partial_correlation_core 同款）+ t 检验 df = n - p +
    # 双尾 alpha/n_tests 校正；此前误用相关矩阵，非偏相关网络）
    S <- cor(data_subset)
    Theta <- solve(S)
    d <- sqrt(diag(Theta))
    net <- -Theta / outer(d, d)
    diag(net) <- 0
    nn <- nrow(data_subset)
    pv <- ncol(data_subset)
    n_tests <- pv * (pv - 1) / 2
    df_t <- nn - pv
    t_crit <- qt(1 - 0.05 / n_tests / 2, df_t)
    t_stat <- net * sqrt(df_t / (1 - net^2))
    net[abs(t_stat) <= t_crit] <- 0
}

# 绘制网络图（出图参数与平台报告对齐可发文参考论文：spring 布局、
# minimum=0.1 仅显示 |权重|>0.1 的边、弱边向白褪色、正边 darkgreen/负边红
# ——edge.color 顺序经 qgraph 实渲染验证为 c(正色, 负色)）
cat("\n=== 网络图 ===\n")
qgraph(net, labels = node_vars, layout = "spring",
       cut = 0, minimum = 0.1, fade = TRUE,
       edge.color = c("#006400", "#CC0000"),
       border.width = 1.2,
       title = "网络分析")

# 中心性指标
cat("\n=== 中心性指标 ===\n")
centrality_net <- centrality(net)
print(centrality_net)

# 绘制中心性图（qgraph ≥1.9 用 centralityPlot 且需传网络矩阵而非 centrality 对象，plot.centrality 已移除）
centralityPlot(net)

# 节点可预测性 R²（Haslbeck & Waldorp 2018；base R 非正则化口径：
# R²_i = 1 - 1/Θ_ii，Θ 为相关矩阵逆。正则化网络可用
# networktools::predictability(net)，需另行安装 networktools 包）
cat("\n=== 节点可预测性 R² ===\n")
tryCatch({
    S <- cor(data_subset, method = "spearman")
    Theta <- solve(S)
    R2 <- 1 - 1 / diag(Theta)
    R2[R2 < 0] <- 0
    print(round(sort(R2, decreasing = TRUE), 4))
}, error = function(e) {
    cat("可预测性计算失败（相关矩阵可能奇异）:", conditionMessage(e), "\n")
})

AI 建议