纵向数据做症状网络，有三种做法

同一批患者随访两次及以上，要构建症状网络，现有文献大致有三种做法。

第一种做法最常见：在每个时间点分别构建一个横断面网络，再用网络比较检验（NCT）判断两个网络是否存在差异，两次测量即可完成。例如，《中华护理杂志》2025 年一项研究在肝癌患者术后第 2 天和第 7 天各构建了一个包含 18 个症状的网络，比较后发现，两个网络的整体强度无差异（P＝0.46），但边权重存在差异（P＝0.01），强度最高的症状也由感到紧张变为感到悲伤。这种做法比较的是两个时间点上的人群网络，网络中的边没有方向。

第二种做法是交叉滞后网络，同样只需两次测量。它用前一次随访的全部症状预测后一次随访的每个症状，由此得到带箭头的网络，箭头代表时间上的预测关系。不过，这些箭头中还混有患者之间的稳定差异。病情较重的患者每次随访时各个症状都偏高，因此前一次的某个症状也能预测后一次的另一个症状。

第三种做法是面板向量自回归模型（panel VAR），它能把这部分差异分离出来，但至少需要三次测量，可用 R 的 psychonetrics 包估计。模型会同时输出三个网络：个体间网络反映不同患者平均水平之间的关联，患者之间的稳定差异归入这里；时间网络反映某位患者某次测量偏离自身平均水平后，下一次测量中其他症状是否随之偏离；同期网络反映同一次测量内症状之间的关联。这样，时间网络中就不再混有患者之间的差异。

一、各时间点分别构建网络，再做比较

这种做法的前几步与横断面网络完全相同，区别只在最后的比较。

由于两次测量来自同一批患者，两组数据并不独立。NetworkComparisonTest 包的 NCT 函数为此设有 paired 参数，默认值为 FALSE。设为 TRUE 时，置换在每位患者自己的两次观测之间进行；设为 FALSE 时，置换不受配对限制，相当于把两次测量当作两组不同的患者。同一批患者测量两次，应当设为 TRUE，并在方法部分写明。需要注意的是，配对检验只纳入两次都有数据的患者，失访者不会进入比较。

两个网络还应使用相同的症状条目和估计方法。如果一个时间点剔除了某个发生率低的症状，另一个时间点却保留了它，两个网络的节点就不一致，比较结果也就无法解释。同样，两个网络要分别报告稳定性，CS 系数都达标后，才能比较中心性排序。

此外，边权重的差异并不全部来自症状关联的变化。Terluin 等 2016 年重新分析一组精神症状数据时发现，症状得分的方差不同，也会造成连接强度不同。以疼痛为例，术后第 2 天多数患者疼痛都较重，疼痛得分的方差较小；到第 7 天，部分患者已经缓解，部分仍未缓解，方差随之增大，与疼痛相连的边也会发生变化，而疼痛与其他症状的关系本身未必改变。因此，报告网络差异的同时，应一并报告两个时间点各症状的均值和标准差。

最后，这种做法的结果只能在人群层面解读。第 2 天强度最高的症状是紧张，第 7 天是悲伤，说明的是这两个时间点上人群症状关联的结构不同，既不表示患者个人的核心症状由紧张转为悲伤，也不表示紧张引起了悲伤。

二、交叉滞后网络

这里只说与纵向设计有关的几点。

两次测量得到一个网络。测量多于两次时，常见做法是每相邻两次各构建一个网络，例如肝癌术后随访五次，就构建了四个网络。由于各网络的随访间隔不同，它们的边权重不能直接相互比较。

方法原文规定了四个步骤：先合并语义重叠的条目，再用 LASSO 回归初步筛选路径，然后用结构方程模型重新估计，最后计算节点指标并检验稳定性。如果只做了 LASSO 这一步，保留下来的路径中假阳性会比较多。疾病分期、治疗方式等会同时影响多个症状的变量，应作为协变量纳入模型。

箭头表示的是预测关系，而不是因果关系。而且，正因为患者之间的稳定差异会混入箭头，受共同因素影响最大的症状，最容易成为出预期影响最高的症状。

三、面板向量自回归模型

这一模型由阿姆斯特丹大学的 Epskamp 于 2020 年提出，可在 psychonetrics 包中用 panelgvar 函数估计。

使用前提。至少需要三次测量，且每次使用相同的量表条目。模型假定所有患者的时间网络和同期网络都相同，只允许各患者的平均水平不同；同时假定每次随访间隔内的时间效应相同，因此各次随访的间隔应大致相等。Epskamp 团队的教材建议，测量次数不超过 10 次，节点不超过 10～20 个，因为模型的计算量会随测量次数和节点数迅速增加。缺失数据可以用 psychonetrics 自带的全信息最大似然法处理。

研究实例。2026 年《Depression and Anxiety》发表了一项利用中国健康与养老追踪调查（CHARLS）数据完成的研究。研究纳入 1393 名 60 岁以上的老年人，使用 2013、2015、2018、2020 年四次调查中的 CES-D 10 个条目。建模时先估计完整模型，再按 α＝0.05 剪枝并逐步加边，最后以 BIC 选出最终模型。

三个网络给出的结果各不相同。时间网络中，最强的交叉路径是睡眠不安指向提不起劲，边权重为 0.0144；自回归路径中最强的是对未来没有希望，为 0.2879。同期网络中最强的边是孤独与提不起劲，为 0.2746；个体间网络中最强的边是对未来没有希望与不愉快，为 0.4017。在同期网络和个体间网络中，预期影响最高的症状都是情绪低落。

结果解读。以时间网络中睡眠不安指向提不起劲这条边为例，它的含义是：某位老人某次调查时睡眠不安高于自己的平均水平，下一次调查时提不起劲也会高于自己的平均水平。它描述的是患者自身症状的先后关系，这正是交叉滞后网络无法提供的信息。不过教材也指出，时间网络的边可以称为格兰杰因果，但并不等于因果关系。

时间网络的交叉路径通常很弱。上述研究中最强的交叉路径只有 0.0144，而同期网络和个体间网络的最强边在 0.27～0.40 之间。原因之一在于测量间隔：如果症状之间的相互影响在几天内就已完成，间隔两三年的调查根本捕捉不到这一过程，这部分关联就会进入同期网络。该研究在局限性中也提到，相邻两次调查至少间隔 2 年，2 年内的症状波动无法体现。因此，三个网络都应报告，不能只报告时间网络。

个体间网络的含义与横断面网络相近，反映的是长期平均水平较高的患者，哪些症状会同时偏高。同一对症状，在个体间网络中可能关联很强，在时间网络中却可能没有关联；前者说明的是患者之间的差异，后者说明的是患者自身的变化。

稳定性检验目前还没有统一的方法。横断面网络可以用 bootnet 的个案删除自助法，panel VAR 则尚无公认的对应做法，上述研究在局限性中也说明了这一点。

三种做法如何选择

如果只有两次测量，可以在第一种和第二种中选择：研究问题是两个时间点的症状结构有何不同，用第一种；研究问题是哪个症状在前、哪个在后，用第二种。

如果有三次及以上测量，间隔大致相等，症状又不超过 20 个，就可以使用 panel VAR。在三种做法中，只有它能把患者之间的差异和患者自身的变化分开。

需要说明的是，三种做法都不能回答干预哪个症状最有效。第一种说明的是人群症状结构的变化，第二种说明的是时间上的预测关系，第三种说明的是患者自身症状的先后关系。

参考文献

1. 孙诚鑫, 王钰莹, 杨庆红, 等. 肝癌患者术后核心症状的动态网络分析及护理启示. 中华护理杂志, 2025, 60(15).

2. van Borkulo CD, van Bork R, Boschloo L, et al. Comparing network structures on three aspects: A permutation test. Psychological Methods, 2023, 28(6): 1273-1285.

3. van Borkulo CD, et al. NetworkComparisonTest: Statistical comparison of two networks based on several invariance measures. R package version 2.2.4, 2026.

4. Terluin B, de Boer MR, de Vet HCW. Differences in connection strength between mental symptoms might be explained by differences in variance: Reanalysis of network data did not confirm staging. PLoS One, 2016, 11(5): e0155205. doi:10.1371/journal.pone.0155205

5. Wysocki A, McCarthy I, van Bork R, Cramer AOJ, Rhemtulla M. Cross-lagged panel networks. Advances in Psychology, 2025, 2: e739621. doi:10.56296/aip00037

6. Epskamp S. Psychometric network models from time-series and panel data. Psychometrika, 2020, 85(1): 206-231. doi:10.1007/s11336-020-09697-3

7. Burger J, Hoekstra RHA, Mansueto AC, Epskamp S. Network estimation from time series and panel data. In: Isvoranu AM, Epskamp S, Waldorp LJ, Borsboom D, eds. Network Psychometrics with R. Routledge, 2022: 169-192. doi:10.4324/9781003111238-13

8. Chen MY, Sun HL, Feng Y, et al. A longitudinal network analysis of depressive symptoms among older adults: Findings from an 8-year prospective China national survey. Depression and Anxiety, 2026: 3846758. doi:10.1155/da/3846758