四项 EMA 数据集分析：跨症状连接大多未能改善未来症状预测

症状网络已成为刻画精神症状间相互作用的一种流行框架。基于纵向生态瞬时评估（EMA）记录估计的症状网络，有望为精神病理学及其治疗提供个体化洞见。然而，这些网络能否从EMA研究中典型的短、噪声大且采样不规则的时间序列中被稳健地估计出来，仍是一个悬而未决的问题。我们通过预测效度的视角来探讨这一问题：估计出的跨症状连接能否改善对未来症状状态的预测？在一项涵盖四个公开EMA数据集的系统分析中（这些数据集涉及不同症状和采样方案），我们发现它们基本上不能改善预测。在313名参与者中的273名中，症状网络的表现不如仅使用每个个体症状的过去来预测其未来的网络，这表明估计出的跨症状连接往往会恶化样本外预测，而非改善预测。这一模式在从无正则化的普通最小二乘（OLS）到多层层次模型和非线性状态空间模型等各种估计策略中均成立，提示鉴于真实EMA数据的特征，跨症状连接难以被识别。模拟研究支持这一解释，表明即使真实数据是由反映现实EMA条件的网络模型生成的，跨症状结构也往往无法以足够的精度被恢复，从而无法产生预测优势。这些发现对建立在个体化症状网络之上的解释框架提出了质疑，并提示若要取得进展，可能需要使跨症状影响更具可识别性的测量设计，或者采用推断目标不如恢复有向跨症状效应那么宏大的模型。

中文由 AI 翻译，仅供参考，以原文为准。