您如何评估使用模型搜索算法的饱和网络模型的稳定性？

Question

背景和问题

bootnet

包中有多个函数用于评估心理网络模型参数的稳定性和准确性，例如边权重置信区间的bootstraps、中心性度量的case-drop boostraps、边权重的bootstrap差异检验。这些方法从

estimateNetwork()

函数中获取网络对象。但是，在某些情况下，当您使用

psychonetrics

包估算模型时，它会生成看似无法输入到 bootnet 包函数中的对象。这包括您使用模型搜索算法（修剪、升级）估计饱和网络模型的情况。

您如何评估这些网络模型的稳定性？还是评估同一种稳定措施在概念上没有意义？

具体案例

我正在估计一个基于二进制编码的横截面数据的网络模型。我的样本量相对较大，约为 3000，因此我遵循 Isvoranu & Epskamp (2021) 的建议使用非正则化估计量。我还想优先考虑特异性，所以我应用修剪。我的模特：

model <- Ising(binaryDF) %>% 
  runmodel() %>% 
  prune(alpha = 0.01, adjust = "bonferroni") %>% 
  stepup(alpha = 0.01, criterion = "bic")

在评估了我的模型的拟合度之后，我现在想评估稳定性和准确性，但是我不能为此使用 bootnet 包。教材《Network Psychometrics with R》提到饱和模型中边的置信区间可以用心理测量学中的CIplot函数绘制。但是，这些 CI 仅在未使用模型搜索算法（例如本例中的修剪和升级）时才有效。

您还可以使用

psychonetrics::parameters(model)

检查心理模型的参数，在这里您将找到每个边缘权重系数的 p 值和 SE。我猜你可以为每个系数计算 CI，但这有效吗？