从心理测量数据中构建主客体网络的社区检测

识别心理测量数据中受访者的子群传统上采用潜在类分析（Latent Class Analysis）方法，该方法需要预先指定类别数量，当强项间相关性违反局部独立假设时，可能效果不佳。我们提出了一种基于社区检测于主客体相似网络的网络理论替代方案。为抑制项目结构引起的系统性偏置，相似度计算在低维因子得分空间中进行，通过移除相似矩阵的主要（全局）模态来获得模块化最大化的空模型，而非采用标准的 Newman--Girvan 模型。检测到的分割显著性随通过四个互补可观测量进行列向抽样空模型评估：模块性、差分熵（在两个邻域尺度上的特征向量云的熵），以及在社区内外相似直方图之间的重叠度。在一个控制混合信号的合成基准测试中，所有四项指标都正确识别了均匀情况作为空兼容的情形——包括被单一因子主导的数据集情形——并随着聚类分离度的增大表现出对空的渐进性差异。应用于 14 个广泛使用的心理测量尺度时，此管道隔离出支持真实且可直接解释的模块结构的少数数据集，而其余尺度要么处于混合信号情形，要么与单一均匀社区兼容。显著性分析独立于特定的社区检测算法，提供了一种检验问卷数据中主客体水平模块结构的操作方法。