R語(yǔ)言混合圖形模型MGM的網(wǎng)絡(luò)可預(yù)測(cè)性分析|附代碼數(shù)據(jù)
原文鏈接：http://tecdat.cn/?p=18279
?最近我們被客戶要求撰寫(xiě)關(guān)于混合圖形模型MGM的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。
網(wǎng)絡(luò)模型已經(jīng)成為抽象復(fù)雜系統(tǒng)，是深入了解許多科學(xué)領(lǐng)域中觀測(cè)變量之間的關(guān)系模式的流行方法。這些應(yīng)用程序大多數(shù)集中于分析網(wǎng)絡(luò)的結(jié)構(gòu)。但是，如果不是直接觀察網(wǎng)絡(luò)，而是根據(jù)數(shù)據(jù)進(jìn)行估算（如：吸煙與癌癥之間存在關(guān)聯(lián)），則除了網(wǎng)絡(luò)結(jié)構(gòu)外，我們還可以分析網(wǎng)絡(luò)中節(jié)點(diǎn)的可預(yù)測(cè)性。也就是說(shuō)：網(wǎng)絡(luò)中的所有其余節(jié)點(diǎn)如何預(yù)測(cè)網(wǎng)絡(luò)中的給定節(jié)點(diǎn)？
可預(yù)測(cè)性有趣，有幾個(gè)原因：
它給我們提供了一個(gè)關(guān)于邊的實(shí)用性的想法：如果節(jié)點(diǎn)A連接到許多其他節(jié)點(diǎn)，但是這些僅說(shuō)明（假設(shè)）其方差的1％，那么邊的連接會(huì)是怎樣的？
它告訴我們網(wǎng)絡(luò)的不同部分在多大程度上是由網(wǎng)絡(luò)中的其他因素決定的
在此博文中，我們使用R-估計(jì)網(wǎng)絡(luò)模型并計(jì)算地震災(zāi)民數(shù)據(jù)集上的創(chuàng)傷后應(yīng)激障礙（PTSD）癥狀。我們對(duì)網(wǎng)絡(luò)模型和可預(yù)測(cè)性進(jìn)行可視化，并討論如何將網(wǎng)絡(luò)模型和節(jié)點(diǎn)的可預(yù)測(cè)性相結(jié)合來(lái)設(shè)計(jì)癥狀網(wǎng)絡(luò)的有效干預(yù)措施。
載入資料
我們加載提供的數(shù)據(jù)：
data <- as.matrix(data)p <- ncol(data)dim(data)
## [1] 312 ?17
數(shù)據(jù)集包含對(duì)344人的17種PTSD癥狀的完整反應(yīng)。癥狀強(qiáng)度的答案類(lèi)別范圍從1“沒(méi)有”到5“非常強(qiáng)”。?
估計(jì)網(wǎng)絡(luò)模型
我們估計(jì)了混合圖形模型，其中我們將所有變量都視為連續(xù)高斯變量。因此，我們將所有變量的類(lèi)型設(shè)置為，type = 'g'并將每個(gè)變量的類(lèi)別數(shù)設(shè)置為1：
fit_obj <- (data = data, ? ? ? ? ? ? ? type = rep('g', p), ? ? ? ? ? ? ? level = rep(1, p), ? ? ? ? ? ? ? lambdaSel = 'CV', ? ? ? ? ? ? ? ruleReg = 'OR', ? ? ? ? ? ? ? pbar = FALSE)
計(jì)算節(jié)點(diǎn)的可預(yù)測(cè)性
估計(jì)網(wǎng)絡(luò)模型后，我們準(zhǔn)備計(jì)算每個(gè)節(jié)點(diǎn)的可預(yù)測(cè)性。由于可以通過(guò)依次獲取每個(gè)節(jié)點(diǎn)并對(duì)其上的所有其他節(jié)點(diǎn)進(jìn)行回歸來(lái)估計(jì)該圖，因此可以輕松地計(jì)算節(jié)點(diǎn)的可預(yù)測(cè)性）。作為可預(yù)測(cè)性的度量，我們選擇解釋的方差的比例：0表示當(dāng)前節(jié)點(diǎn)根本沒(méi)有被節(jié)點(diǎn)中的其他節(jié)點(diǎn)解釋?zhuān)?表示完美的預(yù)測(cè)。我們?cè)诠浪阒皩⑺凶兞恐行幕?，以消除截距的影響?/p>
有關(guān)如何計(jì)算預(yù)測(cè)和選擇可預(yù)測(cè)性度量的詳細(xì)說(shuō)明，請(qǐng)查看本文。如果網(wǎng)絡(luò)中還有其他變量類(lèi)型（例如分類(lèi)），我們可以為這些變量選擇適當(dāng)?shù)亩攘俊?/p>
pred_obj <- predict(object = fit_obj, ? ? ? ? ? ? ? ? ? ?data = datapred_obj$error
## ? ? Variable ? ?R2## 1 ?intrusion 0.639## 2 ? ? dreams 0.661## 3 ? ? ?flash 0.601## 4 ? ? ?upset 0.636## 5 ? ?physior 0.627## 6 ? ?avoidth 0.686## 7 ? avoidact 0.681## 8 ? ?amnesia 0.410## 9 ? ?lossint 0.520## 10 ? distant 0.498## 11 ? ? ?numb 0.451## 12 ? ?future 0.540## 13 ? ? sleep 0.565## 14 ? ? anger 0.562## 15 ? ?concen 0.638## 16 ? ? hyper 0.676## 17 ? startle 0.626
我們計(jì)算了網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的解釋方差（R2）的百分比。接下來(lái)，我們將估計(jì)的網(wǎng)絡(luò)可視化，并討論與解釋方差有關(guān)的結(jié)構(gòu)。
可視化網(wǎng)絡(luò)和可預(yù)測(cè)性
我們根據(jù)估計(jì)的加權(quán)鄰接矩陣和節(jié)點(diǎn)的可預(yù)測(cè)性度量作為參數(shù)，進(jìn)行網(wǎng)絡(luò)可視化：
graph(fit_obj$pairwise$wadj, # 加權(quán)鄰接矩陣作為輸入 ? ? ? layout = 'spring', ? ? ? pie = pred_obj$error[,2], # 誤差作為餅圖的輸入 ?
?
有關(guān)早期研究不同心理障礙癥狀可預(yù)測(cè)性的文章，請(qǐng)參見(jiàn)本文。
?
最受歡迎的見(jiàn)解
1.采用spss-modeler的web復(fù)雜網(wǎng)絡(luò)對(duì)所有腧穴進(jìn)行分析
2.用R語(yǔ)言和python進(jìn)行社交網(wǎng)絡(luò)中的社區(qū)檢測(cè)
3.R語(yǔ)言文本挖掘NASA數(shù)據(jù)網(wǎng)絡(luò)分析，tf-idf和主題建模
4.在R語(yǔ)言中使用航空公司復(fù)雜網(wǎng)絡(luò)對(duì)疫情進(jìn)行建模
5.python隸屬關(guān)系圖模型 基于模型的網(wǎng)絡(luò)中密集重疊社區(qū)檢測(cè)
6.使用Python和SAS Viya分析社交網(wǎng)絡(luò)
7.關(guān)聯(lián)網(wǎng)絡(luò)分析：已遷離北京外來(lái)人口的數(shù)據(jù)畫(huà)像
8.情感語(yǔ)義網(wǎng)絡(luò)：游記數(shù)據(jù)感知旅游目的地形象
9.用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘探索藥物配伍中的規(guī)律
