Identifying nonlinear relations among random variables: A network analytic approach

Stel je de menselijke geest voor als een bruisende stad waar elke gedachte, elk gevoel en elk gedrag een gebouw is. Al meer dan een eeuw proberen wetenschappers in kaart te brengen hoe deze gebouwen met elkaar verbonden zijn met behulp van een zeer eenvoudig hulpmiddel: een liniaal die alleen rechte lijnen meet. Ze gaan ervan uit dat als één gebouw (zoals "je verdrietig voelen") hoger wordt, een ander gebouw (zoals "moeite hebben met slapen") ofwel hoger of juist lager wordt op een perfect rechte, voorspelbare manier. Dit "rechte-lijn-denken" is de gouden standaard geweest voor het begrijpen van de psychologie, van het bestuderen van depressie tot het analyseren van sociale interacties. Maar wat als de echte verbindingen niet recht zijn? Wat als de relatie tussen twee gevoelens meer lijkt op een achtbaan, een U-vorm, of een complexe dans waarbij de passen veranderen afhankelijk van de muziek? Een lange tijd hebben wetenschappers gestreden om deze kronkelige, gebogen of draaiende verbindingen te vinden, omdat hun standaard linialen simpelweg niet kunnen buigen. Als ze deze krommingen missen, kunnen ze de manier waarop de stad van de geest werkelijk functioneert verkeerd begrijpen, wat leidt tot onjuiste conclusies over waarom mensen zich op een bepaalde manier voelen.

Dit artikel gaat over een team van onderzoekers die besloten een nieuw soort kaartmaker te bouwen die deze lastige, niet-rechte verbindingen kan opsporen zonder eerst te hoeven raden welke vorm ze zouden aannemen. Ze noemen hun nieuwe instrument een "afstandscorrelatie"-methode, en ze testten dit door computergestuurde simulaties van nep-psychologische netwerken te maken. Denk aan een detective die eerst alle voor de hand liggende, rechte aanwijzingen van een plaats delict verwijdert, zodat hij zich volledig kan concentreren op de vreemde, verborgen patronen die overblijven. De onderzoekers ontdekten dat hun nieuwe methode ongelooflijk goed is in het opsporen van deze verborgen, gebogen relaties, en vaak veel beter presteert dan de oude linialen (zoals Pearson's of Spearman's correlaties) of andere complexe instrumenten. Ze lieten zien dat terwijl de oude methoden de curve vaak missen of erdoor in de war raken, hun nieuwe benadering kan zeggen: "Hé, er is hier zeker een verbinding, en het is geen rechte lijn!" Ze ontdekten echter ook dat hoewel dit instrument uitstekend is in het vinden van de verborgen curves, het je niet precies vertelt welke vorm de curve heeft. Het is als een metaaldetector die piept wanneer hij schatten vindt, maar je niet vertelt of het een gouden munt of een zilveren ring is. De onderzoekers stellen voor om deze nieuwe methode te gebruiken als een eerste stap om interessante verbindingen te signaleren, om vervolgens andere, specifiekere instrumenten te gebruiken om de exacte vorm van de relatie te achterhalen.

Het Verhaal van de Gebogen Verbinding

In de wereld van de psychologie gebruiken onderzoekers vaak "netwerkmodellen" om de mentale gezondheid te begrijpen. In plaats van een stoornis te zien als het gevolg van één verborgen "ziekte" in een persoon, beschouwen ze het als een web van symptomen die met elkaar communiceren. Bijvoorbeeld, bij depressie kan niet kunnen slapen leiden tot een laag energieniveau, wat weer leidt tot prikkelbaarheid, wat op zijn beurt het slapen weer moeilijker maakt. Om dit web te tekenen, gebruiken wetenschappers meestal een methode genaamd het "Gaussiaans Grafisch Model". Deze methode is goed, maar heeft een grote blinde vlek: het ziet alleen rechte lijnen. Het gaat ervan uit dat als één symptoom stijgt, een ander op een rechte, voorspelbare manier stijgt of daalt.

Maar het leven — en de menselijke geest — is zelden zo eenvoudig. Soms is de relatie tussen twee zaken een curve. Misschien helpt een beetje stress je om goed te presteren, maar zorgt te veel stress ervoor dat je instort (een U-vorm). Misschien zijn sociale interacties geweldig tot een bepa kind punt, maar daarna beginnen ze je uit te putten (een curve die omhoog gaat en dan afvlakt). Het probleem is dat de standaardinstrumenten die worden gebruikt om deze webben te tekenen, deze curves niet kunnen zien. Ze kunnen naar een U-vormige relatie kijken en zeggen: "Er is hier geen verbinding," omdat de lijn eerst omhoog gaat en dan weer omlaag, waardoor het effect elkaar opheft.

Het Nieuwe Detectieve Instrument

De auteurs van dit artikel wilden deze blinde vlek oplossen. Ze vroegen zich af: "Hoe kunnen we deze gebogen, niet-lineaire verbindingen vinden zonder vooraf te hoeven raden hoe de curve eruitziet?" Om dit te doen, ontwikkelden ze een slim tweestaps-proces.

Eerst gebruikten ze een techniek genaamd residulisatie. Stel je voor dat je een warrige bal wol hebt waarbij sommige draden recht zijn en andere gekruld. De eerste stap is om alle rechte draden eruit te trekken en weg te gooien. In hun wiskunde gebruikten ze een speciaal model (een Generalized Additive Model genoemd) om alle rechte-lijnrelaties tussen de variabelen te verwijderen. Dit laat alleen de "overgebleven" delen achter — de rommelige, gekrulde, niet-lineaire stukjes.

Ten tweede pasten ze een nieuwe meetlat toe genaamd afstandscorrelatie. In tegenstelling tot traditionele linialen die meten hoeveel twee dingen in een rechte lijn samen bewegen, meet afstandscorrelatie hoe vergelijkbaar de afstanden tussen datapunten zijn. Als twee variabelen op welke manier dan ook gerelateerd zijn — of het nu een rechte lijn, een U-vorm of een spiraal is — zullen de afstanden tussen hun punten de neiging hebben om samen te bewegen. Het is alsoal opmerken dat wanneer twee vrienden ver uit elkaar staan in een kamer, ze er allebei de neiging hebben richting de deur te bewegen, zelfs als ze niet in een rechte lijn lopen.

Wat de Simulatiesen lieten zien

Om te zien of hun nieuwe instrument werkte, bouwden de onderzoekers een computersimulatie. Ze creëerden nep-netwerken met drie en vier "nodes" (of variabelen) en programmeerden deze om specifieke relaties te hebben: sommige recht, sommige gebogen (zoals kwadraten of logaritmen) en sommige complexe interacties. Vervolgens testten ze hun nieuwe methode tegen de oude standaarden (Pearson's en Spearman's correlaties) en een ander geavanceerd instrument genaamd "conditionele wederzijdse informatie".

De resultaten waren duidelijk: Afstandscorrelatie was de kampioen in het vinden van curves.

• Het zag wat anderen misten: Wanneer de onderzoekers een gebogen relatie in de data verborgen, faalden de oude rechte-lijn-instrumenten vaak en rapporteerden ze een verbinding van nul. De afstandscorrelatie-methode slaagde er echter bijna elke keer in om de verbinding te signaleren, vooral wanneer zij de "residulisatie"-stap gebruikten om de rechte lijnen eerst te verwijderen.
• Het kon de chaos aan: De simulaties bevatten "confounders" — extra variabelen die de resultaten kunnen verstoren. Zelfs toen er andere variabelen tussenbeide kwamen, bleef de afstandscorrelatie-methode erg goed in het opsporen van de ware niet-lineaire link.
• De "Interactie"-uitdaging: Er was één lastig geval. Wanneer de relatie een specif kind type complexe interactie was (waarbij één variabele bepaalt hoe twee anderen met elkaar samenhangen), was de afstandscorrelatie-methode iets minder gevoelig dan de "conditionele wederzijdse informatie"-tool, indien er vanaf het begin geen rechte-lijnrelatie aanwezig was. De auteurs merkten echter op dat pure interacties zonder enig recht-lijncomponent in het echte leven zeldzaam zijn. Wanneer rechte lijnen wel aanwezig waren, presteerde afstandscorrelatie beter.

De onderzoekers keken ook naar een echte dataset over stemming (vijandigheid, eenzaamheid, nervositeit, slaperigheid en depressie). Ze ontdekten dat hun methode een significante verbinding vond tussen "vijandig" en "eenzaam" die de vorige beste methode (een gemodereerd netwerk-benadering) had gemist. Dit suggereert dat hun instrument relaties kan vinden die andere methoden over het hoofd zien.

De Conclusie: Een Kaart voor de Curves

De belangrijkste bevinding van dit artikel is dat afstandscorrelatie, wanneer gecombineerd met een residulisatie-stap, een krachtige, flexibele manier is om niet-lineaire relaties in psychologische data te vinden. Het vereist niet dat de onderzoeker vooraf de vorm van de curve raadt; het vertelt je simpelweg: "Er is een verbinding, en het is geen rechte lijn."

De auteurs zijn echter voorzichtig om niet te veel belovend te zijn. Ze benadrukken dat deze methode een exploratief instrument is. Het is als een metaaldetector die piept om te zeggen dat je moet graven, maar niet vertelt wat je zult vinden. Zodra de methode een relatie als "niet-lineair" signaleert, moeten onderzoekers nog steeds andere, specifiekere instrumenten gebruiken om precies te achterhalen hoe die curve eruitziet (is het een U-vorm? een spiraal? een moderatie-effect?).

Het artikel vermeldt ook enkele beperkingen. De simulaties werden uitgevoerd op kleine netwerken (3 tot 4 variabelen), en de auteurs geven toe dat naarmate netwerken groter worden, de wiskunde veel moeilijker wordt en de "vloek van de dimensionaliteit" (waarbij data te schaars wordt om afstanden nauwkeurig te meten) een probleem kan worden. Ze richtten zich ook op data die op één enkel moment zijn verzameld, terwijl de echte mentale gezondheid dynamisch is en in de loop van de tijd verandert.

Kortom, dit artikel biedt een nieuwe, zeer gevoelige manier om het psychologische landschap te scannen op verborgen, gebogen verbindingen. Het suggereert dat door deze methode te gebruiken, onderzoekers kunnen stoppen met het missen van de complexe, kronkelende relaties die de menselijke geest zo fascinerend maken, wat de weg vrijmaakt voor nauwkeurigere en meer genuanceerde kaarten van ons mentale leven.