投稿前，用这份清单检查你的网络分析

一篇症状网络分析的论文写完，投稿前往往会有一种不踏实的感觉：样本量报了，图也画了，中心性指标也列了，但审稿人会不会问"稳定性分析做了没有""边代表什么""缺失值怎么处理的"，作者自己也说不准。方法学教程讲的是怎么算，很少讲一篇报告里应当写清哪些内容。于是不同论文各写各的，有的只给一张网络图和一张中心性排序表，有的把 bootstrap 结果放进附录却不解释，审稿人和读者都难以判断结果是否可靠。

这种情况在心理学领域早已出现过。网络分析在心理学中的应用比护理早了大约十年，同样经历过论文数量激增、报告内容参差不齐的阶段。2022 年，阿姆斯特丹大学 Burger 等九位研究者在《Psychological Methods》上发表了《横断面数据心理网络分析的报告规范》，正式出版信息为 2023 年第 28 卷第 4 期。作者在文中指出，缺乏报告规范会给研究者留下过多的自由裁量空间，进而滋生可疑的报告行为；制定规范的目的，是让作者、审稿人和期刊编辑对"一篇网络分析论文应当交代什么"有共同的标准。这份规范已被 EQUATOR 网络收录，与 CONSORT、STROBE 一样，属于可供期刊引用的正式报告指南。

护理领域的症状网络分析绝大多数使用横断面数据，估计方法、稳定性检验、中心性指标也都沿用心理学的工具，因此这份规范可以直接套用。不过我在 2026 年 9 月检索时，没有找到它的中文解读。这就意味着，同一篇投稿，作者按自己的理解写，审稿人按自己的经验审，双方对"该报告什么"的预期并不一致。

这份规范的结构并不复杂。它把需要报告的内容分成两层：一层是所有网络分析都必须交代的通用内容，包括样本来源与最终样本量、变量选择依据、变量之间是否存在确定性关系或跳答结构、估计方法、边的准确性与稳定性检验、所用软件及版本；另一层是随研究目的而定的专项内容，例如做了中心性分析就要报告中心性的稳定性，做了组间比较就要说明比较方法。方法部分和结果部分各有对应的条目，文末的表 2 可直接作为投稿前的自查清单使用。

下面按这个结构，把清单逐条译成中文，并对护理研究中最容易遗漏的几项加以说明。

方法部分：每篇都要写的通用内容

1. 样本来源。 说明从什么人群、以什么方式招募，收集到多少人的数据，最终多少人进入网络分析。如果只纳入了某个亚组，无论是招募阶段限定的（如仅纳入住院患者），还是收集后按某个标准筛选的（如仅纳入量表总分高于界值者），都要写明。规范特别提醒，若按网络中各症状的总分筛选亚组，网络中会出现许多本不存在的负相关，这是筛选本身造成的统计假象。护理研究常见的写法是"便利抽样纳入 232 例"，收集时的人数和剔除标准往往省略了。

2. 变量选择。 写清所用量表及版本，收集了多少个变量，最终多少个进入网络。若做了预处理，例如合并条目、把 Likert 评分二分化、数据变换、剔除或填补缺失值，每一步都要交代。进入网络的变量，其分布应与估计方法的假设核对，例如偏态是否严重。若因稳定性分析而删减了变量，同样要报告。

3. 跳答结构与确定性关系。 若量表中某些条目是根据前面的回答决定是否作答（例如只有报告体重变化的人才回答是增是减），或者某些条目只对部分人施测，就属于跳答结构。规范认为目前没有经过验证的处理方法，不建议用这类量表做网络分析。此外，把总分和构成总分的条目同时放进网络，会人为制造确定性关系，同样应避免。若量表没有这些问题，写一句"不适用"即可。

4. 估计方法。 说明数据按什么类型建模（连续、有序还是二分），用了哪种估计方法（如 EBICglasso、IsingFit、mgm），以及相应的参数设置：是否设了阈值，正则化的调节参数取多少。即使全部采用软件默认值，也要写出来，因为软件更新后默认值可能变化，不写就无法复现。

5. 边的准确性与稳定性检验方法。 写明用了哪种 bootstrap（通常是非参数 bootstrap）以及抽样次数。

6. 软件与版本。 R 的版本、各程序包的名称与版本；若用到随机种子（如网络比较检验、交叉验证），也一并写明。规范指出，只有同时公开代码和数据，才能保证完全复现。

方法部分：做了什么就写什么的专项内容

7. 组间比较。 若比较了不同人群的网络，写明用的是哪种方法：网络比较检验、加权邻接矩阵相关、有调节网络模型，还是多组网络模型。用了多种方法就全部报告，并说明结果是否一致。规范提醒，这些方法对样本量敏感，没有发现差异有时只是检验效能不足。

8. 中心性指标。 选哪几个指标要与研究问题对应：想找连接最强的节点，用强度中心性；想找连接不同症状群的节点，用桥中心性。算了哪些指标就报告哪些，同时说明用 case-drop bootstrap 检验了其稳定性。如果节点之间的中心性差异不稳定，规范的建议是：只报告计算了该指标，但不再解释节点之间的差异。

9. 边的差异检验。 若比较了同一网络中不同边的强弱，写明所用方法，通常是 bootstrap 差异检验。

10. 聚类。 若分析了症状群，写明聚类方法（如探索性图分析）、选择该方法的理由，以及是否检验了聚类结果的稳定性。

结果部分：通用内容

11. 最终样本量。 经过剔除离群值、处理缺失值、数据变换等全部操作之后，实际进入分析的人数。

12. 准确性与稳定性检验结果。 通常以图的形式给出边权重的 bootstrap 置信区间和 case-drop bootstrap 的结果。规范在这里有两条重要提醒。第一，对于正则化估计的网络，边的 bootstrap 置信区间不能用来判断边是否"显著"，区间包含 0 也不代表估计不稳定，因为正则化本身已经在做变量筛选，再用置信区间筛一遍属于双重阈值；区间的宽窄反映的是估计精度，越宽越要谨慎解释。第二，网络不稳定不一定意味着分析失败，也可能是各条边本来就差不多强、不存在排序；但不管原因是什么，不稳定都应如实说明，相应的结论都应谨慎。

结果部分：专项内容

13. 网络图。 说明边代表什么（高斯图模型中是偏相关，Ising 模型中是平均后的逻辑回归系数），最小和最大的边权重各是多少，绘图时是否设置了 minimum、maximum、cut 等参数，节点布局是手动指定还是用算法生成。规范建议使用色盲友好的配色，并提醒常用的 Fruchterman-Reingold 布局对微小变化敏感，节点的位置远近不应过度解读。

14. 网络密度与平均绝对边权。 若关心网络的整体结构，报告实际估计出的边数占全部可能边数的比例，以及边权重绝对值的平均数。规范强调，这两个数从图上看不出来，必须写出。

15. 中心性结果。 除了中心性图，还应以附表形式给出原始中心性得分，因为图上读不出精确数值。规范特别指出，qgraph 早期版本默认输出的是 z 分数，这会夸大指标之间的差异，建议报告原始分。同时报告 case-drop bootstrap 图和相关稳定性系数（CS 系数）；若关心两个节点之间的中心性差异，还应报告 bootstrap 差异检验的结果。

16. 可预测性。 若报告了可预测性，说明对每类变量用的是哪个指标（如 R²），把可预测性画进网络图，并在附表中给出原始数值。

17. 特定节点与边。 若研究关注某一条边或某一个节点，应报告这条边的稳定性、这个节点与相邻节点之间各边的稳定性，以及该节点中心性的稳定性；比较两条边的强弱时，报告差异检验结果。若做了聚类，报告聚类的数量和稳定性。

18. 组间比较结果。 报告预处理后各组的样本量；所用统计检验的 p 值或贝叶斯因子，以及是否做了多重比较校正；各组网络各自的稳定性。若把两个网络画在一起比较，应使用相同的布局，把两张图的最大边权设为同一值，并给出两个加权邻接矩阵的相关系数。规范提醒，仅凭肉眼比较两张图并不可靠，即使布局相同，也可能让人误以为两个网络比实际更相似。

护理论文最容易漏掉的几项

清单中的十八项并非同等重要。规范作者在正文和"注意事项"框中反复提醒的，集中在下面几项，也是我阅读护理类论文时感到最容易被忽略的。以下不针对任何一篇具体文章。

一是中心性只给图不给表，且图上是 z 分数而不是原始分。读者看到某个症状的强度中心性"明显高于其他症状"，实际差距可能很小。二是把 bootstrap 置信区间当作显著性检验来用，把包含 0 的边说成"不显著"，或反过来把置信区间不含 0 当作结果稳定的证据。三是稳定性系数偏低，但正文仍然按中心性排序解释哪个症状是核心症状。规范对这种情况的态度很明确：差异不稳定就不解释差异。四是方法部分只写"采用 R 软件 qgraph 包"，不写版本，不写正则化参数，也不写是否采用默认值，这样的分析无法复现。五是样本筛选过程交代不全，尤其是按症状总分筛选亚组这一做法，会直接改变网络结构，却很少在讨论中被提及。

这些问题大多不是分析做错了，而是该写的没写。补上通常只需要几句话或一张附表，投稿前对照清单过一遍即可。审稿人如果拿到一篇明确引用了这份规范、逐项报告的稿件，方法学上的顾虑会少很多。

参考文献

1. Burger J, Isvoranu AM, Lunansky G, Haslbeck JMB, Epskamp S, Hoekstra RHA, Fried EI, Borsboom D, Blanken TF. Reporting standards for psychological network analyses in cross-sectional data. Psychological Methods, 2023, 28(4): 806–824. doi:10.1037/met0000471（2022 年 4 月 11 日在线优先发表）

2. EQUATOR Network. Reporting standards for psychological network analyses in cross-sectional data. https://www.equator-network.org/reporting-guidelines/reporting-standards-for-psychological-network-analyses-in-cross-sectional-data/

3. Epskamp S, Borsboom D, Fried EI. Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 2018, 50(1): 195–212. doi:10.3758/s13428-017-0862-1