这份量表数据，能不能做症状网络分析

准备做症状网络分析的研究者拿到数据后，提出的问题大致相同：量表维度作为节点时，用维度总分还是维度均分；4 级李克特评分能否用高斯图模型估计；几个量表能否放进同一个网络。这些问题分属不同步骤，但回答的是同一件事，即数据在进入网络之前需要满足哪些条件。

第一个问题有确定的答案。维度总分与维度均分只相差一个常数倍数，相关系数不受影响，二者估计出的网络完全相同，无需取舍。需要决定的是用条目还是维度作为节点。Burger 等 2023 年在《Psychological Methods》发表的《横断面数据心理网络分析报告规范》（Reporting standards for psychological network analyses in cross-sectional data，以下简称报告规范）给出的原则是，节点的层级应与研究想要下结论的层级一致。

4 级李克特评分可以做网络分析，需要决定的是用哪一种相关系数作为输入。常用的 R 包 bootnet 默认使用 Pearson 相关，不少研究者并不清楚自己的网络是按哪种相关估计的。针对有序数据的模拟研究表明，这一选择会改变网络中边的数量和强度：评分只有 3 级或 4 级时，多分格相关容易估出过于稠密的网络；Spearman 相关在各类数据上表现都较好。

几个量表可以放进同一个网络，前提是量表之间没有内容重复的条目，且节点总数与样本量相匹配。

下面按节点层级、评分类型、量表组合三个方面依次说明。

一、节点用条目还是维度

先说总分与均分。均分等于总分除以条目数，对每个变量乘以一个正的常数，Pearson 相关、Spearman 相关和偏相关都不会改变。多分格相关按取值个数判断变量是否有序，总分与均分的取值个数相同，结果也相同。笔者用一份 400 例、15 个条目的模拟数据，把条目合成 5 个维度，分别以总分和均分估计网络，两个网络的边权重差值为 0。论文中写总分或均分均可，只需在方法部分写明。

真正需要选择的是节点层级。报告规范在"条目分还是总分"一节中写道，二者各有适用的研究问题：几类问题之间的共病关系可以在总分层面呈现，而连接这几类问题的具体症状只能在条目层面识别。报告规范引用 Deserno 等 2017 年的研究作为例证，该研究在条目、分量表和总分三个层面分析自闭症特征与幸福感的关系，不同层面得到的信息各不相同。报告规范给出的原则是，纳入变量的层级应与研究想要得出结论的精细程度一致。

对护理研究而言，这一原则可以直接转化为选择标准。研究目的若是找出干预应从哪个症状入手，节点应为条目，因为护理措施针对的是疲乏、失眠这样的具体症状，而不是某个维度。研究目的若是考察焦虑、抑郁、睡眠质量等几个构念之间的整体关系，以维度或量表总分为节点即可。以维度为节点时，节点数往往只有五六个。Ávalos-Tejeda 与 Calderón 2025 年的模拟研究发现，节点少于 10 个的网络估计不稳定、灵敏度低，作者建议尽量避免这样小的网络。

条目与总分不能同时放入一个网络。报告规范指出，把总分和构成它的条目一起放进网络，会产生确定性关系，使网络结构出现偏倚，应当避免。同样的问题也出现在跳答结构的量表中，即部分条目是否作答取决于前面的回答，报告规范建议这类量表不做网络分析。

二、4 级李克特用哪种相关

偏相关网络以相关矩阵为输入。对于 0 到 3 分或 1 到 4 分的有序条目，常用的相关系数有三种：Pearson 相关，把评分当作连续变量；多分格相关，假定每个条目背后有一个连续的正态变量，4 个选项是对它的切分；Spearman 相关，只使用评分的秩次。

三者在 R 中的来源不同。bootnet 的 estimateNetwork 函数在输入原始数据时自动计算相关，报告规范指出，1.4 版之后默认使用 Pearson 相关。多分格相关要写 corMethod = "cor_auto"，该函数默认把取值不超过 7 个的变量当作有序变量处理。Spearman 相关写 corMethod = "spearman"。Epskamp 等 2018 年的 bootnet 教程建议有序数据使用多分格相关，此后不少论文沿用了这一做法。

之后的两项模拟研究对这一做法提出了修正。Johal 与 Rhemtulla 2023 年在《Psychological Methods》发表的研究比较了 3、4、5、7 级评分下多分格相关与 Pearson 相关的表现。结果显示，评分只有 3 级或 4 级时，多分格相关与 EBICglasso 结合，能找出更多真实存在的边，但同时会选出过于稠密的网络，假阳性率接近或超过 30%；评分达到 5 级或 7 级时，两种相关的表现相近。若某些选项几乎无人选择，或潜在分布偏离正态，所有方法的边权重估计都存在明显偏倚。

Isvoranu 与 Epskamp 2023 年的模拟研究共生成 56.4 万个数据集，数据类型包括正态和偏态的连续数据，以及均匀分布和偏态的 4 级有序数据。作者发现，对 4 级有序数据而言，专门针对有序数据的多分格处理并没有表现得更好，在不少情形下反而更差；是否对数据做秩变换（即使用 Spearman 相关），结果差别不大。对偏态的连续数据，秩变换能改善多数估计方法的表现。作者的结论是，Spearman 相关在各类数据上表现均较好，偏态数据建议以 Spearman 相关作为输入。

报告规范自己的示范分析也采用了这一做法。示范数据来自流调中心抑郁量表的 12 个变量，每个条目 4 个选项，作者写明，由于数据是有序且非正态的，网络使用 Spearman 等级相关估计。

综合两项研究，4 级评分下多分格相关没有表现出优势，并且容易估出过于稠密的网络；Spearman 相关在各类数据上表现均较好，对 4 级有序数据与不做变换差别不大，对偏态的连续数据还能改善估计。据此，4 级评分的症状条目以 Spearman 相关作为输入。判断偏态的做法是列出每个条目各选项的人数，若多数条目集中在最低的一两个选项，即属于这种情况。方法部分应写明使用的相关系数及对应的函数设置。若沿用了多分格相关，应在局限性中说明 3 至 4 级评分下该方法可能高估边的数量，并报告以 Spearman 相关重新估计的结果作为敏感性分析。

三、几个量表放进一个网络

几个量表可以合并成一个网络，前提有两个。

第一个前提是条目内容不重复。不同量表常有问法相近的条目，例如 PHQ-9 与 GAD-7 都有询问坐立不安的条目，PHQ-9 的睡眠条目与睡眠量表的条目也存在重叠。内容相近的两个条目之间会出现一条很强的边，这条边反映的是两道题测的是同一件事，而不是两个症状之间的关系。报告规范的示范分析在建网之前逐对检查了条目，把内容相近且相关系数不低于 0.50 的条目合并，12 个变量就是合并后的结果。

第二个前提是节点总数与样本量相匹配。两个 20 条目左右的量表合并后，节点数达到 40 个上下，待估参数随节点数的平方增长。Ávalos-Tejeda 与 Calderón 的模拟研究给出的参考是，样本量与节点数之比达到 10 是得到满意中心性估计的起点，桥中心性则建议样本量在 250 以上且比值达到 20。以 42 个节点计算，报告桥中心性需要 840 例以上。样本量达不到时，应减少节点，可以保留一个量表的条目、另一个量表只取总分，也可以只纳入与研究问题直接相关的条目。节点的取舍应在方法部分说明理由，因为报告规范指出，网络结构取决于纳入了哪些变量，增减变量会改变网络结构。

结语

一份量表数据能否做症状网络分析，取决于三项事先可以检查的条件：节点层级与研究问题一致，相关系数与评分类型和分布相符，条目不重复且节点数与样本量匹配。三项条件满足时，4 级评分的量表数据可以用于症状网络分析；若有不满足的，应先调整节点或估计方法，并在论文中写明调整的依据。

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

2. Johal SK, Rhemtulla M. Comparing estimation methods for psychometric networks with ordinal data. Psychological Methods, 2023, 28(6): 1251-1272. doi:10.1037/met0000449

3. Isvoranu AM, Epskamp S. Which estimation method to choose in network psychometrics? Deriving guidelines for applied researchers. Psychological Methods, 2023, 28(4): 925-946. doi:10.1037/met0000439

4. 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

5. Ávalos-Tejeda M, Calderón C. Psychometric network model recovery: the effect of sample size, number of items, and number of nodes. European Journal of Investigation in Health, Psychology and Education, 2025, 15(11): 235. doi:10.3390/ejihpe15110235