Regularized cross-sectional network modeling with missing data: A comparison of methods
Notice bibliographique
Résumé
Network modeling has emerged as a popular way to explore relationships among self-report items in psychology. Many applications of this approach involve cross-sectional data of symptom prevalence for one or more psychological disorders, and analyses are often conducted using a regularized Gaussian graphical model (GGM). Despite the close relationship between the GGM and structural equation modeling (SEM), methodology for appropriate handling of missing data is underdeveloped for the regularized GGM. Use of listwise deletion is suboptimal and precludes the possibility of a planned missing data design to reduce participant fatigue. In this research, we compare three approaches to handling missing data for the regularized GGM. The first resembles a two-stage estimation approach whereby a saturated covariance matrix among the items is estimated (e.g., using the expectation-maximization algorithm) prior to estimating the desired regularized GGM with EBIC to select the tuning parameter. The second and third approaches estimate a regularized GGM using the expectation-maximization algorithm in a single stage and either use EBIC or cross-validation. We compared these approaches in a simulation study that presumed a planned missing data design with a variety of sample sizes, proportions of missing data, and network saturation. Results suggest that the EM algorithm with cross-validation performed better, but all methods appeared to be viable strategies under larger samples and with less missing data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,111 | 0,223 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».