Identifying nonlinear relations among random variables: A network analytic approach

想象一下，人类的心智是一座繁忙的城市，每一个想法、感受和行为都是一座建筑。一个多世纪以来，科学家们一直试图绘制这些建筑是如何连接的，但他们使用的工具非常简单：一把只能测量直线的一把尺子。他们假设如果一座建筑（比如“感到悲伤”）变高了，另一座建筑（比如“睡眠问题”）也会随之变高或变矮，且遵循一种完美的、直线的、可预测的规律。这种“直线思维”一直是理解心理学的金标准，从研究抑郁症到分析社交互动皆是如此。但如果真实的连接并不是直的呢？如果两种感受之间的关系更像是一个过山车、一个 U 形，或者是一场取决于音乐而改变舞步的复杂舞蹈呢？长期以来，科学家们一直难以找到这些弯曲、弧形或扭曲的连接，因为他们的标准尺子无法弯曲。如果他们忽略了这些曲线，他们可能会误解心智这座城市是如何运作的，从而导致对人们为何产生特定感受的错误结论。

这篇论文讲述了一组研究人员决定建造一种新型的绘图工具，这种工具可以识别这些棘手的、非直线的连接，而无需预先猜测它们可能呈现的形状。他们称这种新工具为“距离相关”（distance correlation）法，并通过在计算机模拟中创建虚构的心理网络对其进行了测试。这就像一位侦探，首先移除犯罪现场所有显而易见的、直线型的线索，以便全身心地专注于剩余的那些奇特的、隐藏的模式。研究人员发现，他们的新方法在捕捉这些隐藏的、曲线型的关系方面表现得极其出色，其表现往往优于旧有的尺子（如皮尔逊相关或斯皮尔曼相关）或其他复杂的工具。他们证明了，虽然旧方法往往会忽略曲线或被曲线所迷惑，但他们的新方法却能明确指出：“嘿，这里确实存在某种联系，而且它不是一条直线！”然而，他们也发现，虽然这个工具擅长“发现”隐藏的曲线，但它并不能告诉你曲线的具体形状。这就像是一个金属探测器，它会在发现宝藏时发出鸣叫，但不会告诉你找到的是金币还是银戒指。研究人员建议将这种新方法作为第一步，用于标记出有趣的连接，然后再使用其他更具体的工具来确定关系的精确形状。

曲线连接的故事

在心理学领域，研究人员经常使用“网络模型”来理解心理健康。他们并不认为某种障碍是由人内在的一种隐藏“疾病”引起的，而是将其视为一组相互作用的症状网络。例如，在抑郁症中，睡眠不足可能会导致精力下降，进而导致易怒，而易怒又会使睡眠变得更加困难。为了绘制这张网，科学家通常使用一种叫做“高斯图形模型”（Gaussian Graphical Model）的方法。这种方法很出色，但它有一个巨大的盲点：它只能看到直线。它假设如果一个症状上升，另一个症状也会以一种直线、可预测的方式上升或下降。

但生活——以及人类的心智——很少如此简单。有时，两件事物之间的关系是曲线形的。也许适度的压力有助于你表现出色，但压力过大会导致崩溃（U 形关系）。也许社交互动在一定程度上是有益的，但超过某个点后，就会开始消耗你的精力（先上升后趋于平缓的曲线）。问题在于，用于绘制这些网络的标准工具无法识别这些曲线。它们可能会观察到一个 U 形的关系，然后判定“这里没有连接”，因为线条先上升后下降，彼此抵消了。

新型侦探工具

本文作者想要修复这个盲点。他们问道：“如何能在不预先猜测曲线形状的情况下，找到这些弯曲的、非线性的连接？”为此，他们开发了一个聪明的两步走过程。

首先，他们使用了一种称为残差化（residualization）的技术。想象你有一个缠绕在一起的毛线球，其中一些线是直的，而另一些是卷曲的。第一步是把所有的直线部分拉出来并扔掉。在数学处理上，他们使用了一个特殊的模型（称为广义加性模型，Generalized Additive Model）来剥离变量之间任何直线关系的成分。这留下了剩下的部分——那些杂乱的、卷曲的、非线性的部分。

其次，他们应用了一种新的测量工具，称为距离相关。与传统测量两个事物如何沿直线同步移动的尺子不同，距离相关测量的是数据点之间的“距离”有多相似。如果两个变量以任何方式相关——无论是直线、U 形还是螺旋形——它们之间点的距离往往会同步变化。这就像是注意到，每当两个朋友在房间里距离较远时，他们都会倾向于同时向门口移动，即使他们并不是在走直线。

模拟实验的结果

为了验证这个新工具是否有效，研究人员构建了一个计算机模拟。他们创建了具有三个和四个“节点”（或变量）的虚构网络，并设定了特定的关系：有些是直线的，有些是曲线的（如平方或对数关系），还有一些是复杂的交互作用。然后，他们将这种新方法与旧的标准（皮尔逊和斯皮尔曼相关）以及另一种高级工具（条件互信息）进行了对比测试。

结果非常明确：距离相关法是寻找曲线的冠军。

• 它看到了他人错过的细节： 当研究人员在数据中隐藏了一个曲线关系时，旧的直线型工具往往无法识别它，报告显示连接为零。然而，距离相关法几乎每次都能成功标记出该连接，尤其是在他们先通过“残差化”步骤移除直线关系之后。
• 它能处理混乱情况： 模拟实验中包含了“混杂因素”——即可能干扰结果的额外变量。即使存在其他变量的干扰，距离相关法依然能够非常出色地识别出真实的非线性联系。
• “交互作用”的挑战： 有一种特殊情况比较棘手。当关系属于一种特定的复杂交互类型时（即一个变量如何改变另外两个变量之间的关系），如果原本不存在直线关系，距离相关法的敏感度会略低于“条件互信息”工具。不过，作者指出，在现实生活中，完全没有直线成分的纯粹交互作用是非常罕见的。当直线关系存在时，距离相关法的表现更好。

研究人员还查看了一个关于情绪（敌意、孤独感、紧张感、困倦感和抑郁程度）的真实世界数据集。他们发现，该方法识别出了“敌意”与“孤独感”之间的一个显著联系，而之前的最佳方法（调节网络法）却忽略了这个联系。这表明该工具可能会发现其他方法遗漏的关系。

总结：绘制曲线的地图

本文的核心发现是：距离相关法结合残差化步骤，是寻找心理学数据中非线性关系的一种强大且灵活的方法。 它不需要研究人员预先猜测曲线的形状；它只会告诉你：“这里存在某种连接，而且它不是一条直线。”

然而，作者也谨慎地指出，这是一种探索性工具。它就像一个金属探测器，发出鸣叫提醒你去挖掘，但它不会告诉你挖出来的究竟是什么。一旦该方法标记出一段关系为“非线性”，研究人员仍需使用其他更具体的工具来确定那条曲线的具体形状（它是 U 形？螺旋形？还是调节效应？）。

论文还提到了一些局限性。模拟实验是在规模较小的网络（3 到 4 个变量）上进行的，作者承认，随着网络规模变得巨大，数学计算会变得非常复杂，且“维度灾难”（即数据过于稀疏以至于无法准确测量距离）可能会成为一个问题。此外，他们关注的是单时间点的截面数据，而真实的心理健康是动态变化的。

简而言之，这篇论文提供了一种全新的、高度敏感的方法，用于扫描心理景观中的隐藏曲线连接。它表明，通过使用这种方法，研究人员可以不再错过那些让大脑变得如此迷人的、复杂且扭曲的关系，从而为绘制更准确、更细致的心智地图铺平道路。