Adaptive Regularization via Extreme Value Distributions for Gaussian Graphical Models

Preprint que presenta un método de regularización adaptativa para la selección de aristas en modelos gráficos gaussianos en redes psicológicas. Los autores desarrollan un conjunto de penalizaciones basadas en teoría de valores extremos (distribuciones de Weibull, Gumbel y Exponencial) que calibran automáticamente sus hiperparámetros según el ruido de cada conjunto de datos. Tras demostrar que las correlaciones parciales absolutas en 290 bases de datos psicológicas empíricas siguen distribución de Weibull, los autores evalúan sus métodos adaptativos en simulaciones a gran escala con distintos tamaños de muestra (N = 100-10.000) y topologías de red. Los resultados muestran que las penalizaciones propuestas mantienen alta especificidad mientras aumentan sensibilidad con el tamaño muestral, reducen sesgo de parámetros y logran congruencia de centralidad superior a métodos estándar. Los hallazgos indican que la elección del método determina rankings de centralidad en tamaños muestrales típicos de psicología.

Puntos clave

• La regularización adaptativa basada en distribuciones de valores extremos calibra automáticamente penalizaciones a partir del piso de ruido específico de cada conjunto de datos psicológicos.
• Las correlaciones parciales absolutas en redes psicológicas empíricas se distribuyen según Weibull, lo que fundamenta teóricamente el desarrollo de penalizaciones Weibull, Gumbel y Exponencial.
• La penalización de Weibull adaptativos mantiene alta especificidad y acumula sensibilidad al aumentar el tamaño muestral con bajo sesgo de parámetros y alta congruencia de rankings de centralidad.

Para quién: Investigadores y estudiantes de posgrado en psicología que estimen redes psicológicas y necesiten métodos más robustos que regularización L1 para seleccionar aristas e identificar variables centrales en muestras típicas de psicología.