样本变少时，症状网络和中心性排名会怎么变

人数少时，为什么边会变少

EBICglasso 会把证据不足的边压成 0。人越少，证据越少，被压掉的边就越多。这份数据的 500 人网络有 24 条边，抽 300 人时平均留下 12.4 条，约为一半；抽 400 人时平均留下 19.9 条。所以样本小时看到的稀疏网络，不一定说明症状之间的关系少，也可能是证据不够。

CS 系数达标，第一名也可能换人

CS 系数看的是全部症状的强度和原网络的相关，不看某一名是否换人。抽 300 人时，200 次里有 199 次相关系数达到 0.7，但排第一的症状有 133 次是端坐呼吸，63 次是呼吸困难，而 500 人的网络里排第一的是呼吸困难。这两个症状的强度只差 0.010，名次本来就容易互换。因此 CS 系数达标后，还要看排在前面的症状原始强度差多少，再看差异检验，才能判断第一名是否真的领先。CS 系数达标也不等于边留得住：这份数据的 CS 系数对应保留约 242 人，而抽 200 人和抽 300 人时，500 人网络的边平均只留下 24% 和 52%。

同一份数据，CS 系数也可能不一样

同一份数据、同样的设置，只换随机种子连续跑 8 次，有 5 次是 0.516，3 次是 0.438，一边高于 0.5，一边低于 0.5。原因是 bootnet 默认只检查 10 档人数，1000 次抽样分到每一档只有约 100 次，把握接近 95% 的那一档就可能这次过、下次不过。所以 CS 系数刚好高于或低于 0.5 时，不宜看成两种性质不同的结果，论文里应写明 bootstrap 次数。上面那张图来自另外一次运行，读数也是 0.516。

这里的人数不能直接用到你的研究上

这是模拟数据，网络的强弱和症状多少不同，结果也会不同。每批人都从同一份 500 人的数据里抽取，人数越接近 500，和完整样本重叠越多，所以 400 人留下的边会偏多。500 人的网络也只是一次估计，并不等于真实网络。要估计自己的研究需要多少人，应当根据预期网络做样本量模拟。

接着读

• CS 系数不到 0.5，这个网络还能用吗：讲三种常见原因和论文里的报告方式。
• 症状网络的四张稳定性图，每张该看哪里：讲 bootnet 输出的图怎么读。
• 症状网络分析的样本量，到底要多少？：讲样本量怎么判断。
• 稳定性检验：排第一的症状与后面四个没有显著差别，论文里能写到哪一步：付费合集的一篇，附 R 脚本，用自己的数据跑。
• 样本量怎么算：同样是 14 个症状，200 例只能找回一成多的边，400 例能找回八成：付费合集的一篇，附 R 脚本，讲收数据前后怎么估计样本量。

算法：EBICglasso，相关矩阵用 cor_auto，gamma 取 0.5，每种人数不放回抽 200 次，页面可翻其中 20 批；CS 系数用 bootnet 1.9.1 个案剔除 1000 次。数据是模拟的，不来自真实患者。
CS 系数的定义和 0.25、0.5 两个参考值出自 Epskamp S, Borsboom D, Fried EI. Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 2018, 50(1): 195-212。原文说明这两个参考值有一定随意性。