Identifying nonlinear relations among random variables: A network analytic approach

Immaginate la mente umana come una città frenetica dove ogni pensiero, sentimento e comportamento è un edificio. Per oltre un secolo, gli scienziati hanno cercato di mappare come questi edifici si connettono usando uno strumento molto semplice: un righello che misura solo linee rette. Presuppongono che se un edificio (come "sentirsi tristi") diventa più alto, un altro edificio (come "problemi nel dormire") diventerà più alto o più basso in modo perfettamente rettilineo e prevedibile. Questo pensiero "a linea retta" è stato il gold standard per comprendere la psicologia, dallo studio della depressione all'analisi delle interazioni sociali. Ma cosa succederebbe se le vere connessioni non fossero rette? E se la relazione tra due sentimenti fosse più simile a una montagna russa, a una forma a U o a una danza complessa dove i passi cambiano a seconda della musica? Per molto tempo, gli scienziati hanno lottato per trovare queste connessioni sinuose, curve o tortuose perché i loro righelli standard semplicemente non possono curvarsi. Se perdono queste curve, potrebbero fraintendere come funziona realmente la città della mente, portando a conclusioni errate sul perché le persone si sentano in un certo modo.

Questo articolo parla di un team di ricercatori che ha deciso di costruire un nuovo tipo di mappatore capace di individuare queste complicate connessioni non rettilinee senza dover prima indovinare quale forma possano avere. Chiamano questo nuovo strumento un metodo di "correlazione di distanza" (distance correlation), e lo hanno testato creando reti psicologiche finte in una simulazione al computer. Pensatelo come un detective che prima rimuove tutti gli indizi ovvi e rettilinei da una scena del crimine per potersi concentrare interamente sui modelli strani e nascosti che rimangono. I ricercatori hanno scoperto che il loro nuovo metodo è incredibilmente bravo a individuare queste relazioni curve e nascoste, spesso facendo un lavoro molto migliore dei vecchi righelli (come la correlazione di Pearson o di Spearman) o di altri strumenti complessi. Hanno dimostrato che, mentre i vecchi metodi spesso perdono la curva o ne vengono confusi, il loro approccio può dire: "Ehi, c'è sicuramente una connessione qui, e non è una linea retta!". Tuttavia, hanno anche scoperto che, sebbene questo strumento sia eccellente nel trovare le curve nascoste, non dice esattamente quale sia la forma della curva. È come un metal detector che emette un segnale quando trova un tesoro, ma non ti dice se si tratti di una moneta d'oro o di un anello d'argento. I ricercatori suggeriscono di usare questo nuovo metodo come primo passo per segnalare connessioni interessanti, e poi utilizzare altri strumenti più specifici per capire la forma esatta della relazione.

La storia della connessione curva

Nel mondo della psicologia, i ricercatori usano spesso i "modelli di rete" per comprendere la salute mentale. Invezione di pensare a un disturbo come causato da una "malattia" nascosta dentro una persona, lo vedono come una rete di sintomi che dialogano tra loro. Ad esempio, nella depressione, non dormire può causare bassa energia, che causa irritabilità, che rende più difficile dormire di nuovo. Per disegnare questa rete, gli scienziati usano solitamente un metodo chiamato "Modello Grafico Gaussiano" (Gaussian Graphical Model). Questo metodo è ottimo, ma ha un grande punto cieco: vede solo linee rette. Presuppone che se un sintomo aumenta, un altro aumenti o diminuisca in modo rettilineo e prevedibile.

Ma la vita — e la mente umana — raramente è così semplice. A volte, la relazione tra due cose è una curva. Forse un po' di stress aiuta a rendere bene, ma troppo stress ti fa crollare (una forma a U). Forse le interazioni sociali sono ottime fino a un certo punto, ma dopo quel punto iniziano a prosciugarti (una curva che sale e poi si appiattisce). Il problema è che gli strumenti standard usati per disegnare queste reti non riescono a vedere queste curve. Potrebbero guardare una relazione a forma di U e dire: "Non c'è alcuna connessione qui", perché la linea sale e poi scende, annullandosi a vicenda.

Il nuovo strumento da detective

Gli autori di questo articolo volevano correggere questo punto cieco. Si sono chiesti: "Come possiamo trovare queste connessioni curve e non lineari senza dover indovinare in anticipo che forma abbia la curva?". Per farlo, hanno sviluppato un processo intelligente in due fasi.

Per prima cosa, hanno utilizzato una tecnica chiamata residualizzazione. Immaginate di avere un gomitolo di lana aggrovigliato dove alcuni fili sono dritti e altri sono riccioli. Il primo passo è estrarre tutti i fili dritti e scartarli. Nella loro matematica, hanno usato un modello speciale (chiamato Modello Additivo Generalizzato) per eliminare qualsiasi relazione a linea retta tra le variabili. Questo lascia dietro di sé solo le parti "residue": quelle parti disordinate e ricciolute, non lineari.

In secondo luogo, hanno applicato un nuovo righello chiamato correlazione di distanza. A differenza dei righelli tradizionali che misurano quanto due cose si muovano insieme in linea retta, la correlazione di distanza misura quanto siano simili le distanze tra i punti dati. Se due variabili sono correlate in qualsiasi modo — che sia una linea retta, una forma a U o una spirale — le distanze tra i loro punti tenderanno a muoversi insieme. È come notare che ogni volta che due amici sono lontani tra loro in una stanza, entrambi tendono a spostarsi verso la porta, anche se non stanno camminando in linea retta.

Cosa hanno mostrato le simulazioni

Per vedere se il loro nuovo strumento funzionasse, i ricercatori hanno costruito una simulazione al computer. Hanno creato reti finte con tre e quattro "nodi" (o variabili) e le hanno programmate per avere relazioni specifiche: alcune rette, alcune curve (come quadrati o logaritmi) e alcune interazioni complesse. Hanno poi testato il loro nuovo metodo contro gli standard precedenti (le correlazioni di Pearson e Spearman) e un altro strumento avanzato chiamato "informazione mutua condizionata".

I risultati sono stati chiari: la correlazione di distanza è stata la campionessa nel trovare le curve.

• Ha visto ciò che altri hanno mancato: Quando i ricercatori hanno nascosto una relazione curva nei dati, i vecchi strumenti a linea retta spesso non riuscivano a vederla, riportando una connessione pari a zero. Il metodo della correlazione di distanza, invece, ha segnalato con successo la connessione quasi ogni volta, specialmente quando hanno usato il passaggio di "residualizzazione" per rimuovere prima le linee rette.
• Ha gestito il caos: Le simulazioni includevano "confonditori" — variabili extra che possono sballare i risultati. Anche quando c'erano altre variabili interferenti, il metodo della correlazione di distanza è rimasto molto bravo a individuare il vero legame non lineare.
• La sfida dell' "Interazione": C'è stato un caso particolare. Quando la relazione era un tipo specifico di interazione complessa (dove una variabile cambia il modo in cui altre due si relazionano), il metodo della correlazione di distanza è stato un po' meno sensibile rispetto allo strumento dell' "informazione mutua condizionata", qualora non vi fosse una relazione a linea retta iniziale. Tuttavia, gli autori hanno osservato che, nella vita reale, le pure interazioni prive di una componente a linea retta sono rare. Quando le linee rette erano presenti, la correlazione di distanza ha performato meglio.

I ricercatori hanno anche esaminato un dataset reale riguardante l'umore (ostilità, solitudine, nervosismo, sonnolenza e depressione). Hanno scoperto che il loro metodo ha individuato una connessione significativa tra "ostile" e "solitario" che il precedente miglior metodo (un approccio di rete moderata) aveva mancato. Ciò suggerisce che il loro strumento potrebbe trovare relazioni che altri metodi trascurano.

Il punto di arrivo: Una mappa per le curve

Il risultato principale di questo articolo è che la correlazione di distanza, se combinata con un passaggio di residualizzazione, è un modo potente e flessibile per trovare relazioni non lineari nei dati psicologici. Non richiede al ricercatore di indovinare in anticipo la forma della curva; dice semplicemente: "C'è una connessione qui, e non è una linea retta".

Tuttamente, gli autori non vogliono promettere troppo. Sottolineano che questo è un strumento esplorativo. È come un metal detector che emette un segnale per dirti di scavare, ma non ti dice cosa troverai. Una volta che il metodo ha segnalato una relazione come "non lineare", i ricercatori devono comunque utilizzare altri strumenti più specifici per capire esattamente che forma ha quella curva (è una forma a U? Una spirale? Un effetto di moderazione?).

L'articolo nota anche alcune limitazioni. Le simulazioni sono state condotte su piccole reti (3 a 4 variabili) e gli autori ammettono che man mano che le reti diventano enormi, la matematica diventa molto più difficile e la "maledizione della dimensionalità" (dove i dati diventano troppo sparsi per misurare accuratamente le distanze) potrebbe diventare un problema. Inoltre, si sono concentrati su dati raccolti in un singolo momento temporale, mentre la salute mentale reale è dinamica e cambia nel tempo.

In breve, questo articolo offre un nuovo modo altamente sensibile per scansionare il panorama psicologico alla ricerca di connessioni curve e nascoste. Suggerisce che, utilizzando questo metodo, i ricercatori possono smettere di perdere di vista le relazioni complesse e sinuose che rendono la mente umana così affascinante, aprendo la strada a mappe più accurate e sfumate delle nostre vite mentali.