开题时被问为什么用网络分析、不用回归，怎么回答

症状网络可以看作把一组多元回归合并在一起的结果。多元回归一次只设一个因变量；症状网络让每个症状轮流充当因变量、其余症状作为自变量，再把这些回归的结果合并成一张图，图上每条边的数值与对应的回归系数直接对应。两者的差别在于回答的问题：研究问题是哪些因素与某一个结局有关，用回归；研究问题是多个症状彼此之间如何关联、哪个症状处于中心位置，用网络分析。开题时可以照这个思路回答。两种方法并不互相替代，国内护理期刊上已有研究先用网络分析找出核心症状，再用 Logistic 回归分析核心症状的影响因素。

以疲乏、疼痛、失眠、焦虑和抑郁五个症状为例。以疲乏为因变量做多元回归，得到的是另外四个症状在相互控制后各自与疲乏的关联，失眠与焦虑之间、疼痛与抑郁之间的关系不在结果里。网络分析对五个症状各做一次这样的回归，五组结果合并后，任意两个症状之间的关联都能看到。Epskamp 和 Fried 2018 年在《Psychological Methods》上发表的偏相关网络教程写道：

The edges connected to a single node therefore show the researcher the expected result of a multiple regression analysis. Unlike what can be seen from a multiple regression analysis of a single dependent variable, however, the network also shows which variables would predict the independent variables.

（连到某一个节点上的边，就是以该节点为因变量做多元回归预期得到的结果；与只有一个因变量的多元回归不同，网络还显示了哪些变量能预测那些自变量。）

下文分四部分：网络的边和回归系数是什么关系；与相关分析相比，网络去掉了哪一类关联；什么时候应当用回归，网络与回归合用的论文怎么设计；论文里作者是怎样写选用网络分析的理由的。

一、网络的边和回归系数是什么关系

护理研究中最常用的症状网络是高斯图模型，边是偏相关系数，即两个症状在控制网络中其余全部症状之后的关联。偏相关有两种算法：一种是对相关矩阵求逆后标准化；另一种是让每个症状轮流做因变量、其余症状做自变量，逐个做多元回归。Epskamp 和 Fried 的教程写明，两种算法得到的估计完全相同，两个症状之间的偏相关与两个方向的回归斜率均成正比。

由此可以读出边的含义。疼痛与失眠之间有一条边，表示以疼痛为因变量的回归里失眠的系数不为零，以失眠为因变量的回归里疼痛的系数也不为零；两个症状之间没有边，表示控制其余症状后，二者都预测不了对方。教程的原话是，自变量预测不了因变量时，网络里就不应出现这条边，偏相关的大小也与回归系数的大小直接相关。

实际估计时还有一步正则化，EBICglasso 会把可能是假阳性的弱边压成零，得到的网络更稀疏、更容易解读，边的含义不变。症状只记录了有或无时用 Ising 模型，它的边直接取自逐个症状做的逻辑回归（两个方向的系数取平均）。

同一条边对应两个方向的回归，所以边没有方向，网络本身回答不了哪个症状影响哪个症状。教程还专门提醒，偏相关网络不能当作去掉箭头的因果模型，因为控制了两个变量的共同结果，也可能在二者之间引出一条边。所以开题时不要说网络分析能揭示症状之间的因果关系。

二、与相关分析相比，网络去掉了间接关联

与回归相近的另一个问题是，为什么不直接做相关分析。相关系数不控制任何其他变量，两个症状之间只要有间接的联系，相关系数就不为零。

用一组模拟数据可以看清这一点。模拟 500 名患者的五个症状，预先设定的真实结构是：疼痛仅与失眠直接相关，失眠再与疲乏、焦虑直接相关，疲乏与抑郁、抑郁与焦虑直接相关，疼痛与疲乏之间没有直接联系。用这份数据算相关系数，十对症状两两均相关，疼痛与疲乏为 0.28，疼痛与焦虑为 0.22，疼痛与抑郁为 0.18。用 EBICglasso 估计偏相关网络，疼痛仅剩与失眠的一条边（0.45），疼痛与疲乏之间为 0。再以疲乏为因变量、其余四个症状为自变量做多元回归，疼痛的标准化系数为 −0.04，与网络的结果一致。

疼痛与疲乏的相关全部经由失眠传递。教程把这种情形称为预测上的中介：A 与 B 相连、B 与 C 相连而 A 与 C 不直接相连时，A 与 C 可能相关，但 A 对 C 的预测作用经 B 传递。只看相关系数，会以为疼痛与疲乏、焦虑、抑郁各有联系；看偏相关网络，可以知道这三条联系都要经过失眠。

三种方法相比，相关分析不控制任何变量，看到的是两两之间直接和间接关联的总和；多元回归控制了其他变量，但只针对一个因变量；偏相关网络对每一对症状都控制其余全部症状，既去掉了间接关联，又覆盖了所有成对的关系。

三、什么时候用回归，两者怎样合用

研究问题有一个明确的结局时，应当用回归。生活质量受哪些因素影响、哪些患者更容易出现疲乏、核心症状能解释多少功能状态的差异，这类问题都有一个因变量，网络分析回答不了。

国内护理期刊上，网络分析与回归合用的研究有两种方向。第一种以核心症状为因变量。浙江省肿瘤医院 2025 年的一篇调查了 269 名胃癌根治术后患者，先用网络分析识别出呕吐、疲乏和苦恼三个核心症状，再对每个核心症状分别做单因素和多因素 Logistic 回归，找出各自的影响因素。湖南省肿瘤医院 2024 年的一篇调查了 478 名化疗后居家的乳腺癌患者，网络分析得出核心症状为疲乏，再以是否发生疲乏为因变量做二元 Logistic 回归，手术、当前居住地和化疗周期为独立影响因素。

第二种以核心症状为自变量。郭秀芳等 2024 年在 400 名化疗期血液系统肿瘤患者中，网络分析得出核心症状为苦恼，疲劳处于网络的中心位置，再以苦恼和疲劳为自变量、生活质量量表的生理和心理领域总分为因变量做分层回归，控制婚姻状况、工作状况等一般资料后，二者对两个领域总分各解释 31.5% 的变异。

这类设计是两步回答两个问题，网络回答哪个症状处于中心，回归回答这个症状受什么影响、又影响什么结局。开题报告的研究目的也按两条写，被问到为什么不用回归时，可以直接指出回归用在了第二步。

四、论文里怎样写选用网络分析的理由

已发表的护理论文写这个理由，常见三种角度。

第一种从分析层面入手：以往研究在量表总分层面用回归分析几个心理状态之间的关系，网络分析深入到单个症状。一项 2026 年在 1849 名传染科护士中开展的研究写道：

Previous research has generally explored the interactions between burnout, anxiety and depression at the syndrome level using traditional correlational methods like path analysis and multiple regression analysis.

（以往研究多在综合征层面，用路径分析和多元回归等传统相关方法探讨职业倦怠、焦虑和抑郁之间的相互作用。）

第二种强调网络同时估计所有变量之间的关联。一项 2022 年在 128 名美国护士中开展的研究写道：

Compared to correlation and regression analysis, network analysis shows interactions among variables through a network and centrality indices (Epskamp et al., 2018).

（与相关和回归分析相比，网络分析通过网络和中心性指标呈现变量之间的相互作用。）

2025 年一项在 1878 名护生中开展的研究回归和网络分析都做了，它写的是：

Therefore, in addition to employing traditional regression analysis, we utilized network analysis to conduct a more in-depth analysis of the intricate interconnections between the dimensions of the original scale for rest intolerance and the associated factors. …… Unlike classical regression modeling, which simplifies the structure of variables into shared information, network analysis directly evaluates the interconnections among all variables.

（因此，在传统回归分析之外，本研究还用网络分析进一步分析休息不耐受原量表各维度与相关因素之间的相互联系。……经典回归模型把变量的结构简化为共享信息，网络分析则直接评估所有变量之间的相互联系。）

第三种从理论出发：症状网络理论认为症状之间直接相互作用，而不是同一个潜在疾病的共同表现。一项 2026 年在 317 名慢性阻塞性肺疾病急性加重期老年患者中开展的研究写道：

This theory posits that disease manifestations arise from a network system of direct interactions between symptoms and resource nodes rather than a linear causal chain from a single latent variable.

（该理论认为，疾病表现产生于症状与资源节点之间直接相互作用构成的网络系统，而非源自单一潜变量的线性因果链。）

三种角度可以合用，落脚点是本研究要回答的问题。研究目的是找出症状之间的关联结构和核心症状，理由就写到这里为止；高斯图模型估计的是线性的、没有方向的条件关联，理由里不写网络能揭示非线性关系或因果关系。

结语

开题时被问为什么不用回归，回答的重点不在网络分析比回归先进。网络的每条边都与一组回归的系数对应，它是把每个症状轮流当作因变量，再看全部症状之间的关联结构；回归针对一个明确的结局。研究问题是症状之间怎样关联、哪个症状处于中心，用网络分析；研究问题是某个结局受什么影响，用回归；两个问题都要回答，就两步都做。

参考文献

1. Epskamp S, Fried EI. A tutorial on regularized partial correlation networks. Psychological Methods, 2018, 23(4): 617-634.

2. 葛娇宇，王锦毓，梁冠冕，等. 胃癌病人术后核心症状的识别及影响因素分析. 护理研究，2025，39(15)：2504-2513.

3. 雷静，李金花，肖羽乔，等. 居家乳腺癌化疗病人核心症状及影响因素. 护理研究，2024，38(15)：2655-2661.

4. 郭秀芳，孟利敏，李婷，等. 成人血液系统肿瘤患者化疗期核心症状及对生活质量的影响. 护理学杂志，2024，39(12)：25-30.

5. Huang Y, Luo X, Xu R, et al. Relationship between depression, anxiety and emotional exhaustion among infectious disease nurses: a network analysis. BMC Psychiatry, 2026, 26: 369.

6. Li F, Tokac U, Werner K, et al. Determination of key inflection points for maladaptive responses in US nurses during the pandemic: a network analysis. SAGE Open Nursing, 2022, 8: 23779608221140719.

7. Zhao J, Wu Y, Xu J, et al. Rest intolerance and associated factors among Chinese nursing students: a cross-sectional network analysis. BMC Nursing, 2025, 24: 793.

8. Yang Y, Zhang Y, Wu Q, et al. Network structure of dyspnea-related fear in older adults with acute exacerbation of COPD: a biopsychosocial network model. International Journal of Chronic Obstructive Pulmonary Disease, 2026, 21: 1-16.