Generating random partial correlation matrices with an application to redundant variables and bridge centrality
Notice bibliographique
Résumé
The Gaussian graphical model (GGM) estimates partial correlations among variables and is a popular network model for psychological symptom data. Centrality indices are functions of partial correlations and are commonly used to interpret the importance of variables in fitted networks. For instance, bridge centrality quantifies the extent to which a variable (or symptom) has connections with variables in other communities (or symptom clusters) and may aid in understanding comorbidity of mental disorders. While critiques have emerged concerning the stability of centrality indices under changes to network composition, methods to simulate and study networks under some conditions of interest are underdeveloped. For example, extant approaches do not easily accommodate custom range restrictions on individual matrix elements or constraints on the pattern of partial correlations across the matrix, which limits researcher control over the data space and makes bridge centrality difficult to study. We adapted a Markov Chain Monte Carlo (MCMC) approach to generate random partial correlation matrices from a space constrained based on user-imposed specifications. We examined our MCMC method with two clusters of variables in which one variable had high bridge centrality but was highly correlated with another variable. We fit GGMs to the random partial correlation matrices and evaluated changes in bridge strength under removal of one of these variables. MCMC had similar coverage of the intended data space compared to a uniform sampling approach, but was faster to generate acceptable matrices. Bridge strength showed good stability and generally changed in an interpretable direction when one variable was removed.
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 | 0,010 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».