Руководство по моделированию причинно-следственных сетей с помощью пакета causalnet в R

Введение в сетевое моделирование

Сетевая перспектива в психологии кардинально изменила подходы к изучению структуры психических расстройств, когнитивных процессов и аффективных состояний. В рамках этого подхода такие переменные, как симптомы или модели поведения, рассматриваются как узлы динамической системы, а ребра (связи) между ними отражают статистические зависимости или причинное влияние (Borsboom & Cramer, 2013).

Пакет causalnet (от англ. causal network — причинно-следственная сеть) для языка программирования R позволяет исследователям систематически перечислять возможные варианты направленных сетей, ориентируя заданный пользователем шаблон связей. Это особенно важно, когда данные не позволяют однозначно определить направление влияния.

Основные функциональные возможности пакета

• Перечисление кандидатных направленных сетей на основе шаблона (скелета).
• Ввод содержательных ограничений (например, обязательные или запрещенные связи).
• Количественная оценка архитектуры обратных связей с помощью структурных метрик.
• Симуляция системной динамики с использованием нелинейных моделей (Park et al., 2025) или линейных альтернатив.

Важное примечание: пакет causalnet не предназначен для поиска единственной «истинной» причинной структуры на основе данных. Его цель — поддержка теории и проверка того, как различные гипотетические структуры влияют на предсказываемую динамику системы.

Определение каркаса сети и генерация вариантов

Каркас сети (скелет) определяет, какие пары переменных связаны между собой, но оставляет направление этих связей неопределенным. В прикладных психологических исследованиях скелет часто является обоснованным резюме того, какие процессы связаны друг с другом. Скелеты обычно извлекаются из сетей частичных корреляций (partial correlation networks), полученных на основе кросс-секционных данных.

Функция generate_directed_networks() в пакете causalnet создает ансамбль всех допустимых сетей, соответствующих заданному скелету. Пользователи могут накладывать жесткие ограничения с помощью матрицы fixed_edges, чтобы исключить неправдоподобные с точки зрения теории конфигурации.

Характеристика причинной архитектуры

Для исследователей ключевым вопросом является не только допустимость структуры, но и ее психологическая значимость. Пакет предоставляет метрики для анализа:

• Количество циклов обратной связи (num_loops): Общее число уникальных направленных циклов в сети.
• Вариативность степеней узлов (sigma_total): Отражает наличие «хабов» — узлов с высокой связностью.
• Показатель перекрытия узлов (node_overlap_score): Квантифицирует, насколько циклы обратной связи сконцентрированы вокруг определенных узлов.
• Средний размер цикла (avg_loop_size): Показывает, являются ли обратные связи локальными или затрагивают всю систему целиком.

Симуляция системной динамики

В causalnet реализована нелинейная стохастическая дифференциальная модель (SDE — Stochastic Differential Equation), которая учитывает самовозбуждение, усиление обратной связи и ограниченную активацию узлов. Это критически важно для моделирования систем, где симптомы имеют естественные пределы (от 0 до 1).

Математическое описание модели

Состояние узла i меняется во времени согласно уравнению:

dS_i(t) = S_i(1-S_i) * [beta_i + alpha_self,i * S_i(t) + Σ A_ij * S_j(t) * (1 + delta_i * S_i(t))] dt + sigma_i * dW_i(t)

Где:

• beta_i: Базовый уровень активации.
• alpha_self,i: Самовозбуждение узла.
• delta_i: Коэффициент нелинейного усиления входного влияния.
• sigma_i: Интенсивность случайного шума (Винеровский процесс dW_i(t)).

Практический пример: Моделирование симптомов депрессии

В работе рассматривается набор данных по хронической депрессии (Schramm et al., 2017). Исследователи используют метод IsingFit для создания каркаса сети, где узлы представляют собой 9 критериев депрессии согласно DSM-5 (Diagnostic and Statistical Manual of Mental Disorders, 5th edition). После наложения ограничений (например, двусторонняя связь между «грустью» и «ангедонией») генерируется ансамбль из 6561 возможной структуры.

Сравнительный анализ показывает, что сети с большим количеством петель обратной связи (loop-rich) склонны демонстрировать более высокую и длительную активацию симптомов после стрессового воздействия по сравнению с ациклическими (loop-free) сетями. Это подтверждает клинические гипотезы о том, что архитектура сети является важным фактором устойчивости психических состояний.

Заключение

Пакет causalnet предоставляет «песочницу» для проверки психологических теорий. Вместо попыток угадать одну идеальную структуру, исследователи могут изучать распределение динамических исходов в рамках всех допустимых с точки зрения теории конфигураций. Этот подход способствует развитию более проверяемых и динамически обоснованных моделей психики.