![]()
● 认知神经科学前沿文献分享
论文信息:Covariation among higher-order psychopathology dimensions is driven by nomorbidity and not comorbidity
发表时间:2026-10-01
发表期刊:Nature Mental Health
![]()
![]()
01 相关很强,真的是共病很多吗
精神病理学常把不同维度之间的协变理解为共病(comorbidity):一个人出现一种精神障碍,也更容易出现另一种。外化(externalizing)和内化(internalizing)是被反复研究的两个高阶维度,前者包括行为和情绪控制困难,后者包括强烈的负性情绪。它们之间的相关,后来也被用来支持更一般的 p 因子(p-factor)。
这套解释有一个容易被忽略的前提:样本里要有足够多的人同时出现两类症状。可在一般人群里,多数人并没有达到诊断水平。论文把这种状态称为 nomorbidity,指一个人在评估期内没有被诊断出任何一种精神障碍。作者提出,低症状者大量进入协方差分析之后,两类症状“共同缺少”也会制造很强的正相关,看起来像是共病。如果一个总分或潜变量主要由许多低分个体塑造,模型里的高阶因子就未必代表症状在同一个人身上共同出现。
Watts 等人用美国 Adolescent Brain Cognitive Development Study(ABCD)前四波数据检验这个替代解释。样本包括11,868名9—10岁儿童,48%为女性;第一波里,81.4%的儿童在内化和外化上都处于非临床水平,两者都达到临床水平的只有2.2%。研究者关心的不是全样本的平均相关有多大,而是这个关联会不会随症状严重程度改变:它是在整个分布里保持不变,还是只在接近无症状的区间特别强?
![]()
02 为什么要把一条斜率拆成两段
症状数据来自照护者填写的 Child Behavior Checklist(CBCL),共113个条目,汇总为外化、内化、注意问题和思维问题四个总分。四个维度的分布都明显右偏,双变量正态性也不成立,所以作者比较了高斯链接和负二项链接,后者把预测变量每增加1分的影响,写成结果变量期望计数的乘法变化。
关键是贝叶斯变点模型(Bayesian change point model)。普通模型假定整段分布只有一条斜率;一变点模型则在预测维度上估计一个位置,位置之前用斜率 B1,之后用斜率 B2。把斜率取指数后,exp(B) 就是预测变量增加1分时,结果变量期望值增加多少百分比。模型因此可以同时回答两个问题:关系在哪个症状水平上发生改变,改变前后的强度各是多少。
变点不是按临床阈值把数据硬切成两组,位置本身是模型要估计的参数。作者用模拟说明,没有非线性时,变点模型的结果接近单斜率模型,所以允许变点并不会自动制造两种关系。研究者让模型最多有两个变点,比较高斯和负二项链接,共288个候选模型,留一法信息准则(leave-one-out information criterion,LOOIC)支持一变点负二项模型。以第一波“内化预测外化”为例,零变点模型解释了21%的方差,一变点模型56%,两变点模型55%,第二个变点没有带来额外的解释力。模型还纳入了年龄固定效应,以及“站点内的家庭”这一层随机效应。
![]()
Fig. 2 中,作者展示了零、一、两变点模型在第一波数据上的拟合、斜率与四波结果;结果显示,一变点模型把低症状区间的强关联与之后的弱关联分开。
![]()
03 变点模型让作者多看到了什么
第一波里,内化分数到4.85左右时,外化与内化的关系发生改变,这个位置大致对应报告两到三个内化症状。变点之前,内化每增加1分,外化的期望计数增加32%(B1=0.28);变点之后,同样的1分只对应7%(B2=0.07),前一段约为后一段的4.6倍。把方向反过来,让内化做结果变量,也是同样的模式:外化在2.5处出现变点,前后分别对应43%和6%的增加。
如果只用一条跨全分布的斜率,得到的是把低症状和较高症状混在一起的平均关联。第一波里,这条单斜率(零变点)线给出 B=0.12(约12%),R²仅21%。作者把这样的单斜率看作两段斜率的近似平均。它比变点前的 0.28 小,又比变点后的 0.07 大;零变点模型对关联的高估在各严重程度上都有,在症状和临床严重水平尤其明显。用了变点模型,才看到强关联主要落在几乎没有症状的区间,症状增加之后关联减弱。
![]()
Fig. 3 中,作者把零变点与一变点负二项模型(外化为结果变量、内化为预测变量)的拟合线叠在一起,用阴影标出两者的差距;结果显示,零变点模型在不同严重程度上都有明显的预测误差,整体倾向于高估外化与内化的关联,在症状和临床严重水平尤其明显。
四个波次里,内化预测外化的变点位置分别为4.85、4.61、3.57和3.53,变点前斜率为0.28、0.28、0.38和0.38,变点后斜率均为0.07。外化、内化与注意问题、思维问题的其他配对,也都是变点前斜率大于变点后的斜率:外化回归到注意问题,B1=0.76、B2=0.15;内化回归到思维问题,B1=0.47、B2=0.13。更细的 CBCL 下位量表和成人自评数据的敏感性分析,整体方向与上面的结果相近。
作者原本预期,两变点模型会在内化较高处发现斜率重新变强,那才符合共病随严重程度增加的设想。结果相反:第一波内化预测外化的两变点模型里,第二个变点在5.09,约对应三四个内化症状,三段斜率为 B1=0.17、B2=0.27、B3=0.07,第二个变点之后的斜率比前一段更低。所有两变点负二项模型里,第二个变点之后的斜率都没有超过前一段。成人自评数据的一个外化回归到内化的模型也出现了第二个变点,位于30分,三段斜率为0.29、0.12、0.04,仍然逐段减弱。替代的广义加性多层模型也没有支持“严重程度越高,共病关联越强”。
![]()
Fig. 4 中,作者把一变点负二项模型扩展到注意问题和思维问题的配对;结果显示,四种配对中变点前斜率均高于变点后。
作者据此认为,高阶维度之间的协变更接近 nomorbidity 的统计结果:大量低症状者共同缺少两类症状,抬高了全样本的协变;在症状更高的参与者里,维度反而更分化。这个结论针对的是协变的统计解释,不能读成症状维度之间有没有共享病因的因果证明。
ABCD 是美国儿童的便利样本,并非全国代表性样本,低症状者占多数,两者都达到临床水平的只占2.2%(n=257);作者认为这部分样本数量可观,但整体仍以低症状者为主。CBCL 总分是照护者报告的症状指标,本文没有用诊断访谈,也没有直接做因子分析;论文所讨论的“共病”,指的是对统计协变的既有解释。变点位置和两段斜率依赖测量方式和样本分布,不能直接推广到临床样本或其他年龄段。强弱两段的形状是在负二项链接的尺度上得到的。以外化回归到内化为例,高斯链接的一变点模型里前后两段斜率几乎相同,作者依据 LOOIC、正态性检验和线性回归诊断,判定高斯模型不适用。
![]()
04 我的数据也能这样分析吗
这套分析针对的是右偏的计数或量表总分:多数人集中在低分端,高分端稀疏,所以论文用负二项链接,让预测变量每增加1分,结果的期望计数按百分比变化。它回答的问题是,两个维度的相关会不会随严重程度改变,一个全样本相关系数是否把低分段和高分段的不同关系混在了一起。
变点模型本身是广义线性模型的一种,可以往里加层级结构,ABCD 的分析就纳入了年龄固定效应和“站点内的家庭”随机效应。论文还提到,这类模型在生态学里常用来识别行为转变和环境阈值,横断面数据和时间序列都有应用。作者说明,贝叶斯变点模型目前还没有因子分析的实现,所以论文分析的是观测的总分,而不是潜变量。
迁移时至少要核对三件事。第一,结果变量的分布和链接函数是否匹配。论文的负二项模型针对的是右偏、过度离散的症状总分,并用分布检查和模型比较确认过;如果你的结果变量接近对称的连续分布,这一步需要重做,不能直接沿用。第二,样本有没有覆盖你想解释的严重程度。论文把 ABCD 是否足以代表临床严重水平列为可能的批评,用强制拟合的两变点模型和广义加性多层模型作答,并欢迎在临床样本或社区—临床混合样本里检验。第三,变点位置和两段斜率能不能在不同波次、链接函数和量表层级上保持稳定,而不是只报一个全分布的相关系数。论文在四个波次、更细的 CBCL 下位量表、成人自评数据和替代模型里重复了这些比较。
分享人:天天
审核:PsyBrain 脑心前沿编辑部
● 原文信息与获取方式
DOI:10.1038/s44220-026-00727-0
获取原文:
1. 三连后添加小助手:PSY-Brain-Frontier 获取
版权归属作者团队和出版社,本文仅做分享
![]()
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.