결론부터: 중심성은 추정된 네트워크 안에서 각 증상이 얼마나 연결되어 있는지를 수량화한다. 문헌을 지배하는 지표는 넷 — 강도(strength), 기대영향(expected influence), 근접성(closeness), 매개성(betweenness) — 이며, 서로 호환되지 않는다. 강도와 기대영향이 실질적 주력이고, 근접성과 매개성은 심리학 데이터에서 빈번히 불안정하므로 해석의 근거로 삼는 일은 드물어야 한다. 그리고 어떤 중심성 지표도, 그 자체로 “원인”이나 “개입 표적”을 식별하지 못한다.
이 글은 증상 네트워크 읽는 법 시리즈의 첫 편이다. 지난주에는 우울과 불안이 왜 함께 오는지를 잠재변수 관점과 네트워크 관점에서 살펴보았다. 네트워크 관점이 장애를 상호작용하는 증상들의 시스템으로 본다면, 자연스러운 다음 질문은 이것이다: 시스템에서 어떤 증상이 가장 중요한가? 중심성은 그에 대한 표준적인 첫 대답이며 — 동시에 가장 흔히 오독되는 대답이기도 하다.
중심성 값이 실제로 의미하는 것
네트워크를 추정하고 나면(전형적으로 EBICglasso를 통한 정규화 편상관 네트워크; Epskamp, Borsboom, & Fried, 2018), 각 노드 — 각 증상 — 는 가중치가 부여된 엣지들의 그물망 속에 놓인다. 중심성은 그 국소적 그물망을 노드당 하나의 숫자로 압축한다.
강도(strength) 가 가장 단순하다: 한 노드에 연결된 모든 엣지 가중치의 절댓값 합. 강도 1.2인 증상은 강도 0.6인 증상보다, 총합으로 볼 때, 다른 증상들과의 고유 연관이 더 강하다. 횡단 정신병리 네트워크에서 안정성 검증을 가장 잘 견뎌온 지표가 강도다(Epskamp et al., 2018).
기대영향(expected influence, EI) 은 강도의 미묘한 문제를 교정한다. 강도는 절댓값을 쓰기 때문에, 강한 음의 엣지로 연결된 증상이 강한 양의 엣지로 연결된 증상과 같은 점수를 받는다 — 증상 확산에서의 역할은 정반대인데도. EI는 대신 부호가 있는 엣지 가중치를 합산한다(Robinaugh, Millner, & McNally, 2016). 역채점 문항이나 보호 요인이 들어와 음의 엣지가 존재하는 네트워크라면, EI가 더 나은 기본값이다.
근접성(closeness) 은 한 노드에서 다른 모든 노드까지의 평균 최단 경로 거리의 역수 — 증상이 네트워크의 나머지에 얼마나 “가까이” 있는가다. 매개성(betweenness) 은 한 노드가 다른 노드 쌍들 사이의 최단 경로 위에 얼마나 자주 놓이는가 — 다리 또는 병목으로서의 역할이다.
공개 NHANES 파이프라인 실제 산출값: strength·EI·closeness는 CS 기준 통과(0.75), betweenness는 미달(0.36)로 순서 해석 보류.
넷 중 둘을 회의해야 하는 이유
근접성과 매개성은 사회연결망 분석에서 수입된 지표다. 그곳에서 경로는 구체적인 무언가를 의미한다: 정보, 질병, 자원이 실제로 사람 사이의 연결을 따라 이동한다. 증상들의 편상관 네트워크에서 “최단 경로”가 어떤 실재하는 과정에 대응하는지는 훨씬 불분명하다(Bringmann et al., 2019). 개념적 문제 위에 경험적 문제가 얹힌다: 전형적인 심리학 데이터셋에서 근접성·매개성 추정치는 불안정하다. 사례 제거(case-dropping) 부트스트랩 분석에서 두 지표의 순위는 강도보다 훨씬 먼저 무너지는 것이 일상적으로 관찰된다 — 이를 수량화한 것이 상관 안정성(CS) 계수로, 최소 기준 0.25, 권장 기준 0.5다(Epskamp et al., 2018). 매개성의 CS 계수가 0.13이라면, 정직한 결론은 매개성 순서를 전혀 해석할 수 없다는 것이다.
실용적 독해 규칙: 네 지표를 모두 보고하는 것은 자유이나, 해석은 강도 또는 EI로 하고, 그것도 bootnet으로 안정성을 확인한 뒤에 한다.
해석의 함정: 중심적 ≠ 인과적
유혹적인 비약은 이것이다: “가장 중심적인 증상이 최선의 개입 표적이다.” 두 가지 이유로 저항해야 한다.
첫째, 중심성은 무방향·횡단 연관 위에서 계산된다. 한 증상이 높은 중심성을 갖는 이유는 다른 증상들을 추동하기 때문일 수도, 다른 증상들에 의해 추동되기 때문일 수도, 측정 중복 때문일 수도, 모형에 없는 변수가 그들을 연결하기 때문일 수도 있다. 통계량은 이들을 구별하지 못한다.
둘째, 분석 수준의 문제가 있다. 발표된 증상 네트워크 대부분은 개인 간(between-person) 구조다: 증상들이 개인들 사이에서 어떻게 공변하는지를 기술한다. 한 사람 안에서 시간에 걸쳐 작동하는 네트워크가 같은 구조일 필요는 없으며 — 강한 정상성·동질성 가정이 성립하지 않는 한 일반적으로 같지 않다(Bringmann et al., 2019). 3만 명 응답자에서 추정한 중심성 순서는 표본의 속성이지, 어느 한 내담자의 역동 지도가 아니다.
이 중 무엇도 중심성을 무용하게 만들지 않는다. 다만 중심성을 있는 그대로의 것으로 만든다: 추정된 구조 안에서 한 증상의 연결됨에 대한 기술적(descriptive) 요약 — 가설의 출발점이지, 판결이 아니다.
중심성 플롯 30초 독해법
논문에서 중심성 그림(보통 qgraph::centralityPlot의 z-표준화 값)을 만났을 때의 빠른 프로토콜:
- 안정성 증거부터 찾는다. bootnet 사례 제거 결과와 CS 계수를 확인한다. 안정성 분석이 없으면 → 순서는 잠정적인 것으로 취급.
- 강도/EI를 읽고, 나머지는 훑는다. 근접성이나 매개성이 극적으로 다른 이야기를 한다면, 그것은 대개 흥분이 아니라 주의의 사유다.
- 음의 엣지를 확인한다. 존재하는데 강도만 보고되었다면, EI로 상위 노드 순서가 바뀔지 물어야 한다.
- 표본과 설계를 본다. 횡단·개인 간 데이터가 지지하는 것은 개인 간 기술까지 — 그 이상은 아니다.
다음 글
중심성은 개별 노드를 기술한다. 다음 글은 추정 자체로 물러선다: 네트워크 심리측정은 왜 편상관과 정규화에 정착했는가 — EBICglasso가 실제로 무엇을 하며, 무엇을 희생하는가.
출처
- Epskamp, S., Borsboom, D., & Fried, E. I. (2018). Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 50(1), 195–212.
- Robinaugh, D. J., Millner, A. J., & McNally, R. J. (2016). Identifying highly influential nodes in the complicated grief network. Journal of Abnormal Psychology, 125(6), 747–757.
- Bringmann, L. F., Elmer, T., Epskamp, S., Krause, R. W., Schoch, D., Wichers, M., Snippe, E., & Fried, E. I. (2019). What do centrality measures measure in psychological networks? Journal of Abnormal Psychology, 128(8), 892–903.
- Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251.
이 글은 네트워크 구조를 기술(description)하는 것이며, 진단 안내나 치료 권고가 아닙니다.