Identifying nonlinear relations among random variables: A network analytic approach

Stellen Sie sich den menschlichen Geist als eine geschäftige Stadt vor, in der jeder Gedanke, jedes Gefühl und jedes Verhalten ein Gebäude ist. Seit über einem Jahrhundert versuchen Wissenschaftler, die Verbindungen zwischen diesen Gebäuden mit einem sehr einfachen Werkzeug zu kartieren: einem Lineal, das nur gerade Linien misst. Sie gehen davon aus, dass, wenn ein Gebäude (wie „traurig fühlen“) höher wird, ein anderes Gebäude (wie „Schlafprobleme“) auf eine perfekt gerade, vorhersehbare Weise entweder höher oder niedriger wird. Dieses „Gerade-Linien-Denken“ war der Goldstandard für das Verständnis der Psychologie, von der Untersuchung von Depressionen bis hin zur Analyse sozialer Interaktionen. Aber was, wenn die wahren Verbindungen nicht gerade sind? Was, wenn die Beziehung zwischen zwei Gefühlen eher einer Achterbahn, einer U-Form oder einem komplexen Tanz gleicht, bei dem sich die Schritte je nach Musik ändern? Lange Zeit hatten Wissenschaftler Schwierigkeiten, diese wackeligen, gekrümmten oder verdrehten Verbindungen zu finden, weil ihre Standard-Lineale sich einfach nicht biegen lassen. Wenn sie diese Kurven übersehen, könnten sie die Stadt des Geistes falsch verstehen und zu falschen Schlussfolgerungen darüber gelangen, warum Menschen sich so fühlen, wie sie es tun.

In diesem Papier geht es um ein Team von Forschern, das beschlossen hat, einen neuen Art von Kartografen zu bauen, der diese kniffligen, nicht-geraden Verbindungen erkennen kann, ohne vorher raten zu müssen, welche Form sie annehmen könnten. Sie nennen ihr neues Werkzeug eine „Distanzkorrelation“-Methode und haben sie durch die Erstellung fiktiver psychologischer Netzwerke in einer Computersimulation getestet. Denken Sie an einen Detektiv, der zuerst alle offensichtlichen, geraden Hinweise von einem Tatort entfernt, um sich ganz auf die seltsamen, verborgenen Muster zu konzentrieren, die übrig bleiben. Die Forscher fanden heraus, dass ihre neue Methode unglaublich gut darin ist, diese verborgenen, gekrümmten Beziehungen aufzuspüren, und oft besser abschneidet als die alten Lineale (wie Pearson- oder Spearman-Korrelationen) oder andere komplexe Werkzeuge. Sie zeigten, dass herkömmliche Methoden die Kurve oft übersehen oder von ihr verwirrt werden, während ihr neuer Ansatz sagen kann: „Hey, da ist definitiv eine Verbindung, und sie ist keine gerade Linie!“ Sie fanden jedoch auch heraus, dass dieses Werkzeug zwar großartig darin ist, die verborgenen Kurven zu finden, aber nicht sagt, welche Form die Kurve genau hat. Es ist wie ein Metalldetektor, der piept, wenn er Schätze findet, aber nicht sagt, ob es eine Goldmünze oder ein Silberring ist. Die Forscher schlagen vor, dieses neue Verfahren als ersten Schritt zu verwenden, um interessante Verbindungen zu markieren, und dann andere, spezifischere Werkzeuge zu nutzen, um die exakte Form der Beziehung zu bestimmen.

Die Geschichte der gekrümmten Verbindung

In der Welt der Psychologie verwenden Forscher oft „Netzwerkmodelle“, um die psychische Gesundheit zu verstehen. Anstatt eine Störung als Ursache durch eine einzige verborgene „Krankheit“ in einer Person zu betrachten, sehen sie sie als ein Geflecht von Symptomen, die miteinander kommunizieren. Beispielsweise kann bei Depressionen Schlaflosigkeit zu Energiemangel führen, was wiederum Reizbarkeit verursacht, was wiederum das Einschlafen erschwert. Um dieses Geflecht zu zeichnen, verwenden Wissenschaftler üblicherweise eine Methode namens „Gaußsches Graphisches Modell“. Diese Methode ist großartig, hat aber einen großen blinden Fleck: Sie sieht nur gerade Linien. Sie geht davon aus, dass, wenn ein Symptom steigt, ein anderes auf eine gerade, vorhersehbare Weise steigt oder sinkt.

Aber das Leben – und der menschliche Geist – ist selten so einfach. Manchmal ist die Beziehung zwischen zwei Dingen eine Kurve. Vielleicht hilft ein wenig Stress dabei, gut zu leisten, aber zu viel Stress führt zum Zusammenbruch (eine U-Form). Vielleicht sind soziale Interaktionen bis zu einem gewissen Punkt großartig, aber danach beginnen sie, einen zu erschöpfen (eine Kurve, die nach oben geht und dann abflacht). Das Problem ist, dass die Standardwerkzeuge, die diese Geflechte zeichnen, diese Kurven nicht sehen können. Sie könnten auf eine U-förmige Beziehung blicken und sagen: „Es gibt hier keine Verbindung“, weil die Linie erst nach oben und dann nach unten geht und sich dadurch selbst aufhebt.

Das neue Detektiv-Werkzeug

Die Autoren dieses Papiers wollten diesen blinden Fleck beheben. Sie fragten: „Wie können wir diese gekrümmten, nicht-linearen Verbindungen finden, ohne vorher raten zu müssen, wie die Kurve aussieht?“ Um dies zu erreichen, entwickelten sie einen klugen zweistufigen Prozess.

Zuerst verwendeten sie eine Technik namens Residualisierung. Stellen Sie sich vor, Sie haben einen verhedderten Wollknäuel, bei dem einige Fäden gerade und andere gekräuselt sind. Der erste Schritt besteht darin, alle geraden Fäden herauszuziehen und wegzuwerfen. In ihrer Mathematik verwendeten sie ein spezielles Modell (ein sogenanntes „Generalisiertes Additives Modell“), um alle geradlinigen Beziehungen zwischen den Variablen zu entfernen. Dies lässt nur die „übrig gebliebenen“ Teile zurück – die unordentlichen, gekräuselten, nicht-linearen Teile.

Zweitens wandten sie ein neues Messinstrument an, die Distanzkorrelation. Im Gegensatz zu traditionellen Linealen, die messen, wie sehr zwei Dinge sich in einer geraden Linie gemeinsam bewegen, misst die Distanzkorrelation, wie ähnlich sich die Distanzen zwischen den Datenpunkten sind. Wenn zwei Variablen in irgendeiner Weise verwandt sind – sei es durch eine gerade Linie, eine U-Form oder eine Spirale – neigen die Distanzen zwischen ihren Punkten dazu, sich gemeinsam zu bewegen. Es ist, als würde man bemerken, dass immer dann, wenn zwei Freunde weit voneinander entfernt im Raum stehen, beide sich in Richtung der Tür bewegen, selbst wenn sie nicht in einer geraden Linie laufen.

Was die Simulationen zeigten

Um zu sehen, ob ihr neues Werkzeug funktionierte, bauten die Forscher eine Computersimulation. Sie erstellten fiktive Netzwerke mit drei und vier „Knoten“ (oder Variablen) und programmierten sie so, dass sie spezifische Beziehungen aufwiesen: einige gerade, einige gekrümmt (wie Quadrate oder Logarithmen) und einige komplexe Interaktionen. Sie testeten dann ihre neue Methode gegen die alten Standards (Pearson- und Spearman-Korrelationen) und ein anderes fortgeschrittenes Werkzeug namens „bedingte gegenseitige Information“.

Die Ergebnisse waren eindeutig: Die Distanzkorrelation war der Champion beim Finden von Kurven.

• Sie sah, was andere übersahen: Wenn die Forscher eine gekrümmte Beziehung in den Daten versteckten, versagten die alten geradlinigen Werkzeuge oft dabei, die Verbindung zu erkennen, und meldeten eine Korrelation von Null. Die Distanzkorrelation hingegen konnte die Verbindung fast jedes Mal erfolgreich markieren, insbesondere wenn sie den Schritt der „Residualisierung“ nutzten, um die geraden Linien zuerst zu entfernen.
• Sie bewältigte das Chaos: Die Simulationen enthielten „Konfounder“ – zusätzliche Variablen, die die Ergebnisse verfälschen könnten. Selbst wenn andere Variablen intervenierten, blieb die Distanzkorrelation sehr gut darin, die wahre nicht-lineare Verbindung aufzuspüren.
• Die „Interaktions“-Herausforderung: Es gab einen kniffligen Fall. Wenn die Beziehung eine spezifische Art von komplexer Interaktion war (bei der eine Variable beeinflusst, wie sich zwei andere zueinander verhalten), war die Distanzkorrelation etwas weniger sensitiv als das Werkzeug der „bedingten gegenseitigen Information“, falls von vornherein keine geradlinige Beziehung bestand. Die Autoren merkten jedoch an, dass reine Interaktionen ohne eine geradlinige Komponente im echten Leben selten sind. Wenn gerade Linien vorhanden waren, schnitt die Distanzkorrelation besser ab.

Die Forscher untersuchten auch einen realen Datensatz über Stimmung (Feindseligkeit, Einsamkeit, Nervosität, Schläfrigkeit und Depression). Sie fanden heraus, dass ihre Methode eine signifikante Verbindung zwischen „feindselig“ und „einsam“ entdeckte, die die bisher beste Methode (ein moderiertes Netzwerk-Verfahren) übersehen hatte. Dies deutet darauf hin, dass ihr Werkzeug Beziehungen finden könnte, die andere Methoden übersehen.

Das Fazit: Eine Karte für die Kurven

Die Hauptaussage dieses Papiers ist, dass die Distanzkorrelation in Kombination mit einem Residualisierungsschritt eine leistungsstarke, flexible Methode ist, um nicht-lineare Beziehungen in psychologischen Daten zu finden. Sie erfordert nicht, dass der Forscher die Form der Kurve im Voraus errät; sie sagt lediglich: „Es gibt hier eine Verbindung, und sie ist keine gerade Linie.“

Die Autoren sind jedoch vorsichtig, nicht zu viel zu versprechen. Sie betonen, dass diese Methode ein exploratives Werkzeug ist. Es ist wie ein Metalldetektor, der piept, um zu sagen, dass man graben soll, aber nicht verrät, was man finden wird. Sob visionierte die Methode eine Beziehung als „nicht-linear“ markiert, müssen Forscher dennoch andere, spezifischere Werkzeuge verwenden, um genau herauszufinden, wie diese Kurve aussieht (ist es eine U-Form? eine Spirale? ein Moderationseffekt?).

Das Papier weist auch auf einige Einschränkungen hin. Die Simulationen wurden an kleinen Netzwerken (3 bis 4 Variablen) durchgeführt, und die Autoren geben zu, dass die Mathematik bei riesigen Netzwerken viel schwieriger wird und der „Fluch der Dimensionalität“ (bei dem die Daten zu spärlich werden, um Distanzen genau zu messen) ein Problem werden könnte. Zudem konzentrierten sie sich auf Daten, die zu einem einzigen Zeitpunkt erhoben wurden, während die psychische Gesundheit in der Realität dynamisch ist und sich über die Zeit verändert.

Kurz gesagt bietet dieses Papier einen neuen, hochempfindlichen Weg, um die psychologische Landschaft nach verborgenen, gekrümmten Verbindungen abzusuchen. Es legt nahe, dass Forscher durch die Verwendung dieser Methode aufhören können, die komplexen, wackeligen Beziehungen zu übersehen, die den menschlichen Geist so faszinierend machen, und so den Weg für präzisere und nuanciertere Karten unseres geistigen Lebens ebnen.