解析多变量间的网络依赖

当两个变量依赖于相同或相似的底层网络时，其共享的网络依赖结构可能导致虚假关联。尽管对从相互关联的受试者中抽样的两个变量之间的统计关联进行推断是各个领域常见的推断目标，但很少有研究关注如何解析共享依赖以进行有效的统计推断。我们重新审视了来自不同领域的两种可能解决共享网络依赖的方法：常用于时间序列分析以消除共享时间依赖的预白化方法，以及广泛用于网络分析以检验或解释结果变量自相关的网络自相关模型。我们论证了每种方法如何隐含地包含了关于在给定网络结构下，感兴趣的变量如何通过网络连接在节点间传播的假设。我们进一步通过明确反映引发网络依赖的“交互水平”的底层假设，同时对网络独特的复杂性进行了解释，提出了将现有预白化方法适配于网络环境的方案。我们的模拟研究表明，在各自假设成立时，这两种方法在减少由共享网络依赖引起的虚假关联方面是有效的。然而，结果也显示了对假设违背的敏感性，强调了基于可用的网络信息和关于驱动依赖的交互的先验知识来正确指定共享依赖结构的重要性。