Síndromes, dimensiones y redes: diferentes formas de representar la psicopatología

432.1. La representación organiza la pregunta

Un mismo conjunto de observaciones sobre ánimo, sueño y actividad admite varias organizaciones. Puede tratarse como pertenencia a una categoría, como posición a lo largo de dimensiones o como un sistema de relaciones entre componentes. Cada representación conserva ciertas propiedades de los datos y facilita determinadas operaciones, de modo que la elección depende de la pregunta que se quiere responder y de los compromisos que se está dispuesto a asumir.

La categoría agrupa casos según reglas compartidas. La dimensión registra diferencias de grado, mientras la red hace explícitas las relaciones entre componentes. Estas funciones se combinan con frecuencia. Una categoría puede definirse mediante puntos de corte sobre dimensiones; a su vez, una dinámica de interacción entre componentes puede producir variación dimensional. Tratarlas como alternativas necesariamente excluyentes empobrece el problema.

La dificultad aparece cuando una representación descriptiva recibe una interpretación causal sin que se añada evidencia. Que varios indicadores covaríen basta para construir un resumen estadístico. Sostener que una causa común los produce, o que se influyen directamente entre sí, exige especificar un mecanismo generador y señalar qué observaciones podrían contradecirlo.

Borsboom (2017) propuso articular la aproximación de redes como una teoría de los trastornos mentales en la que los síntomas están conectados causalmente y en la que conexiones suficientemente fuertes pueden mantener un estado de trastorno aun después de retirado su desencadenante. Van Bork y colaboradores (2021) examinaron las equivalencias matemáticas entre modelos de variables latentes y modelos de red. Su conclusión es que la existencia de un modelo equivalente en la otra clase no convierte a ambos en explicaciones igualmente plausibles del mecanismo que generó los datos. Leídos en conjunto, estos trabajos permiten separar una propuesta explicativa de las propiedades del modelo estadístico con que se la estudia.

El ejemplo central del capítulo construye dos mecanismos gaussianos que producen exactamente la misma distribución observacional y luego describe una intervención idealizada que los separa. La equivalencia se plantea con precisión deliberada para delimitar lo que puede aprenderse de una distribución y lo que requiere, además, una afirmación sobre causas.

432.2. Categorías y reglas de pertenencia

Una categoría diagnóstica establece las condiciones para incluir una presentación dentro de una clase. Esas condiciones suelen combinar tipos de síntomas, duración, repercusión funcional y criterios de exclusión. La pertenencia resume el cumplimiento de una regla, por lo que su significado depende del contenido de la regla y de la calidad de las observaciones que la alimentan.

Un umbral puede trazar una frontera operacional sobre una distribución continua. Esa frontera resulta útil para decidir elegibilidad o comunicar una formulación aunque no coincida con una discontinuidad natural del fenómeno. La existencia de una decisión binaria no demuestra por sí sola que la población esté formada por dos entidades separadas.

Kendell y Jablensky (2003) distinguieron entre validez y utilidad de los diagnósticos psiquiátricos. En su propuesta, una categoría definida por su síndrome solo debería considerarse válida si se ha mostrado que corresponde a una entidad discreta, separada de otros trastornos y de la normalidad por fronteras naturales o zonas de rareza. Los autores sostuvieron que esa evidencia falta para la mayoría de los trastornos reconocidos, aunque muchos diagnósticos tienen gran utilidad por la información que aportan sobre evolución, respuesta al tratamiento y etiología. La distinción obliga a precisar la tarea para la cual se declara útil una clasificación y deja abiertas, en paralelo, las preguntas sobre su estructura.

Las reglas politéticas permiten que combinaciones distintas de criterios satisfagan una misma categoría. Esa flexibilidad acoge la diversidad de presentaciones, aunque también implica que compartir un diagnóstico no garantiza compartir los síntomas ni las relaciones entre ellos. Una investigación orientada a mecanismos debe examinar qué heterogeneidad reúne la regla utilizada.

La categoría puede conservarse como variable de análisis sin suponer que sea la causa de sus indicadores. Si se la emplea como explicación, hay que aclarar qué entidad o proceso designa y qué predicciones adicionales introduce. Dar nombre a un conjunto de observaciones no explica por qué aparecen juntas.

432.3. Dimensiones observadas y variables latentes

Una dimensión puede construirse sumando indicadores o estimarse mediante un modelo latente. En el primer caso el índice queda definido por una operación sobre los datos. En el segundo se postula una variable no observada que participa en la generación de su distribución. Ambos procedimientos pueden entregar puntuaciones parecidas sin que tengan el mismo significado.

Un modelo de factor común atribuye la covariación a una fuente compartida más residuos específicos de cada indicador. La lectura causal de ese factor añade que las variaciones de una propiedad producen cambios en los indicadores. Un buen ajuste factorial es compatible con esa hipótesis, pero otras estructuras pueden generar la misma covariación.

La independencia local es uno de los compromisos centrales del modelo simple. Una vez condicionado el factor, los indicadores dejan de estar asociados entre sí. Si dos ítems comparten redacción o mantienen una relación específica, el supuesto puede fallar. Permitir correlaciones residuales cambia el modelo y puede mejorar la descripción, a costa de modificar lo que se atribuye al factor.

Una puntuación factorial estima la posición de una persona bajo ciertos parámetros y supuestos. Su precisión depende de las cargas, de los errores y del número de indicadores, además de la adecuación del modelo a esa persona o población. Tratarla como observación directa de una sustancia clínica confunde el resultado de una estimación con el objeto que se pretende medir.

Las dimensiones conservan su utilidad descriptiva y predictiva aunque no se interpreten como causas comunes. Esa función debe mantenerse separada de cualquier hipótesis sobre organización causal.

432.4. Qué representa una arista en una red

Una red representa variables como nodos y relaciones como aristas. Lo que significa una arista depende del modelo que la produjo. Una correlación parcial, un coeficiente temporal y una influencia causal son objetos diferentes, aunque los tres se dibujen como líneas entre círculos.

En una red gaussiana transversal, la arista suele expresar dependencia condicional entre dos variables después de considerar todas las demás incluidas. Bajo normalidad multivariada, una correlación parcial nula equivale a independencia condicional. La relación es simétrica y no contiene por sí misma una dirección de influencia.

Una red temporal puede expresar la capacidad de una variable para predecir otra en el intervalo siguiente, condicionada a la historia incluida en el modelo. El orden temporal restringe las interpretaciones posibles, aunque no elimina factores comunes omitidos ni errores de observación. Que una variable preceda a otra y la prediga no basta para identificar el efecto de intervenir sobre ella.

La teoría de Borsboom (2017) postula relaciones causales directas entre síntomas y reúne bajo el nombre de campo externo las condiciones que actúan sobre la red desde fuera del conjunto de síntomas. El propio autor aclara que esas condiciones pueden estar dentro de la persona. Su ejemplo es un proceso inflamatorio cuyos efectos llegan a la red desde fuera de ella. La propuesta es bastante más exigente que la estimación de correlaciones parciales.

La correspondencia entre síntoma y componente también merece examen. Un ítem amplio puede mezclar varios procesos y dos ítems distintos pueden medir casi la misma experiencia. La topología estimada depende de esa selección, de modo que antes de leer una arista como interacción clínica conviene revisar qué objetos se conectaron y cómo se observaron.

432.5. Un generador con factor común

Definamos tres variables continuas centradas. Cada una recibe la contribución de un factor gaussiano de varianza unitaria más un residuo independiente. Las cargas son iguales y la varianza residual se fija de manera que cada variable observada tenga varianza total igual a uno.

Como los residuos son independientes, la covarianza entre cualquier par de indicadores es el producto de sus cargas, es decir, 0,49. La matriz resultante, con valores propios 1,98, 0,51 y 0,51, es definida positiva y describe una distribución gaussiana conjunta.

Con solo tres indicadores, el modelo de un factor tiene tantos parámetros libres (tres cargas y tres varianzas residuales) como momentos distintos tiene la matriz de covarianzas. No impone, por tanto, ninguna restricción de igualdad sobre las covarianzas observadas; solo exige condiciones de signo y magnitud que esta matriz cumple. Esta circunstancia explica en parte la equivalencia que se mostrará a continuación y anticipa por qué la sección 432.10 necesita un cuarto indicador.

El factor podría recibir una interpretación sustantiva si existiera una hipótesis que la justificara. En el ejercicio se mantiene como variable generadora abstracta. No se lo llama depresión ni vulnerabilidad biológica porque los números no provienen de observaciones que permitan establecer esa correspondencia.

El modelo predice que observar un valor alto en un indicador eleva la expectativa sobre los otros, ya que informa de manera indirecta sobre el factor. Observar un indicador y modificarlo mediante una intervención son, sin embargo, operaciones distintas. Esa diferencia será central en el contraste posterior.

Los residuos representan aquí variación específica. Pueden reunir causas particulares no representadas además del error de medición, de modo que reducirlos a error instrumental sería una interpretación añadida. Su significado depende del modelo de observación que se adopte y de la información disponible para separar esas contribuciones.

432.6. Un generador de interacciones con la misma distribución

Puede construirse otra estructura en la que la primera variable influye sobre la segunda y ambas influyen sobre la tercera. Las innovaciones son gaussianas e independientes, con varianzas elegidas para reproducir la misma matriz. Este segundo generador es una red dirigida acíclica; la red de correlaciones parciales, que se tratará en la sección 432.9, es un objeto diferente.

La primera innovación tiene varianza uno. La segunda tiene varianza igual a uno menos el cuadrado de 0,49. La varianza de la tercera se obtiene restando de uno la varianza que explican sus dos predictores correlacionados, $b^2\operatorname{Var}(X_1+X_2)=2(0.49)^2/1.49$, con lo que resulta aproximadamente 0,678.

Al sustituir las ecuaciones se recuperan las mismas varianzas y covarianzas del modelo factorial. Como ambos generadores son gaussianos y tienen la misma media, comparten la distribución observacional completa. Ningún aumento del tamaño muestral de observaciones transversales de estas tres variables permitirá distinguir las dos construcciones a partir de su distribución.

La equivalencia tiene un alcance acotado. El grafo dirigido utilizado es completo, porque cada par de variables está unido por una flecha, de modo que puede reproducir cualquier matriz de covarianzas de tres variables; el factor con tres indicadores, como se vio, tampoco impone restricciones de igualdad. Ambos modelos están saturados respecto de la matriz observada. Si se añaden restricciones sobre el número de factores, la ausencia de aristas o la estructura de los residuos, los modelos resultantes pueden hacer predicciones observacionales distintas.

Coincidir en la distribución tampoco convierte las ecuaciones en dos descripciones de un mismo mecanismo causal. Las variables exógenas difieren entre un modelo y otro, al igual que sus efectos bajo intervención. La coincidencia observacional deja abierta esa parte de la explicación y permite preguntar qué dato nuevo podría resolverla.

432.7. Comprobación matricial y simulación

El código calcula la covarianza implicada por la red dirigida a partir de su matriz estructural y la compara con la del factor. Luego genera muestras de ambos modelos para mostrar la aproximación empírica a la igualdad teórica. El contraste algebraico es exacto dentro de la precisión numérica, mientras las covarianzas muestrales conservan variación aleatoria. Las líneas finales verifican las cantidades que se usan en las secciones 432.8 a 432.11.

import numpy as np

rho = 0.49
Sigma = np.full((3,3), rho)
np.fill_diagonal(Sigma, 1.0)
b = rho/(1+rho)
B = np.array([[0.,0.,0.], [rho,0.,0.], [b,b,0.]])
D = np.diag([1., 1-rho**2, 1-2*rho**2/(1+rho)])
M = np.linalg.solve(np.eye(3)-B, np.eye(3))
Sigma_red = M @ D @ M.T
assert np.allclose(Sigma, Sigma_red)

rng = np.random.default_rng(432)
n = 100000
factor = rng.normal(size=(n,1))
x_factor = 0.7*factor + np.sqrt(0.51)*rng.normal(size=(n,3))
innovaciones = rng.normal(size=(n,3))*np.sqrt(np.diag(D))
x_red = innovaciones @ M.T
assert np.max(np.abs(np.cov(x_factor,rowvar=False)-Sigma)) < 0.02
assert np.max(np.abs(np.cov(x_red,rowvar=False)-Sigma)) < 0.02
print("Covarianza exacta", Sigma_red)

precision = np.linalg.inv(Sigma)
parcial = -precision[0,1]/np.sqrt(precision[0,0]*precision[1,1])
assert np.isclose(parcial, rho/(1+rho))
assert 0 < parcial < rho
print("Correlación parcial", parcial)

condicional = 2*Sigma[1:,0]/Sigma[0,0]
assert np.allclose(condicional, [0.98,0.98])
intervencion_factor = np.array([2.,0.,0.])
intervencion_red = np.array([2.,2*rho,b*(2+2*rho)])
assert np.allclose(intervencion_red, [2.,0.98,0.98])
print("Medias condicionales", condicional)
print("Medias bajo intervención", intervencion_factor, intervencion_red)

S4 = np.full((4,4), rho)
np.fill_diagonal(S4, 1.)
tetradas = lambda S: np.array([S[0,1]*S[2,3]-S[0,2]*S[1,3],
                               S[0,2]*S[1,3]-S[0,3]*S[1,2],
                               S[0,3]*S[1,2]-S[0,1]*S[2,3]])
assert np.allclose(tetradas(S4), 0.)
S4[0,1] += 0.15
S4[1,0] += 0.15
assert np.linalg.eigvalsh(S4).min() > 0
assert np.allclose(tetradas(S4), [0.0735, 0., -0.0735])
print("Tétradas del modelo híbrido", tetradas(S4))

La muestra grande ilustra la convergencia de las covarianzas y no pretende representar una base clínica. La comprobación principal es la igualdad entre las matrices calculadas. Con una muestra más pequeña las diferencias empíricas crecerían, sin que por ello los generadores dejaran de ser equivalentes.

432.8. Condicionar una observación y realizar una intervención

En ambos modelos, saber que la primera variable vale 2 lleva a esperar un valor de 0,98 en cada una de las otras dos, que corresponde al producto de 2 por la covarianza 0,49. En el factor común esa observación informa sobre la variable latente. En la red dirigida informa sobre una causa de las variables posteriores. La misma predicción observacional se apoya, entonces, en razonamientos generadores distintos.

Una intervención idealizada fija la primera variable en 2 y reemplaza su ecuación original. En el modelo factorial esa operación no altera la distribución del factor ni las ecuaciones de los otros indicadores, cuyas medias permanecen en cero. En la red dirigida, en cambio, la entrada se propaga y eleva ambas medias a 0,98.

El contraste depende de que la intervención afecte exclusivamente la primera ecuación. Una intervención clínica sobre el sueño, por ejemplo, podría modificar también causas comunes o el contexto. Si eso ocurre, el resultado ya no corresponde a la operación idealizada y requiere otro modelo de la intervención.

La demostración sirve para identificar lo que habría que conocer antes de interpretar un experimento. Hace falta especificar el blanco, los efectos directos adicionales y la ventana temporal en que se espera la respuesta. Una intervención inespecífica puede mejorar varios indicadores bajo cualquiera de los dos mecanismos y dejar intacta la ambigüedad causal.

432.9. La red de correlaciones parciales es una tercera representación

La inversa de la matriz de covarianzas es la matriz de precisión. Sus elementos permiten calcular la correlación parcial de cada par condicionada al resto de las variables. En la distribución del ejemplo, todas las correlaciones parciales son positivas e iguales a $0.49/1.49\approx0{,}329$.

Esa red es completa y simétrica. Se obtiene igual a partir de datos generados por el factor o por la red dirigida, de modo que sus aristas no permiten saber cuál de los dos mecanismos produjo las observaciones.

La red dirigida tiene flechas y ecuaciones de intervención. La red parcial contiene relaciones condicionales sin dirección. Confundirlas llevaría a atribuir un efecto causal a una cantidad que describe dependencia estadística, por lo que todo diagrama debe indicar qué tipo de relación representan sus líneas.

Van Bork y colaboradores (2021) mostraron que la equivalencia entre clases generales de modelos no impide contrastar modelos específicos. Compararon redes dispersas con modelos de un factor y derivaron tres implicaciones divergentes. Bajo un factor unidimensional con cargas no nulas y varianzas residuales positivas e independientes, ninguna correlación parcial puede ser nula, ninguna puede tener signo distinto del de la correlación simple correspondiente y ninguna puede superar a esta en valor absoluto. Una red dispersa admite las tres situaciones. En el ejemplo, la correlación parcial de 0,329 es positiva y menor que la correlación simple de 0,49, lo que es compatible con el factor. La red dirigida produce el mismo patrón, de modo que estas implicaciones no discriminan entre los dos generadores del capítulo; sí lo harían frente a una red que impusiera aristas ausentes.

En muestras finitas, una arista estimada como cero puede ser efecto de la regularización o de la incertidumbre y no equivale automáticamente a una independencia exacta en la población. La inferencia debe considerar cómo el procedimiento de estimación traduce evidencia limitada en una topología.

432.10. Restricciones que permiten contrastar un factor

Con cuatro indicadores, un factor unidimensional con residuos independientes sí impone restricciones de igualdad sobre las covarianzas. Ciertos productos de covarianzas deben coincidir y la diferencia entre ellos se denomina tétrada. Existen tres tétradas de este tipo, de las cuales dos son independientes porque las tres suman cero.

La igualdad se debe a que cada covarianza es el producto de dos cargas por la varianza del factor. Al multiplicar dos covarianzas que involucran a los cuatro indicadores se obtienen los mismos cuatro factores en distinto orden. Una violación poblacional de la igualdad cuestiona esa estructura concreta, aunque no descarta otros modelos latentes.

En una muestra, la tétrada no será exactamente cero aunque el generador cumpla la restricción. Su incertidumbre debe evaluarse con un procedimiento apropiado. Declarar una violación a partir de una diferencia numérica pequeña sin considerar el muestreo confunde una igualdad teórica con una estimación finita.

La interpretación depende también de la medición. Transformaciones no lineales, categorías ordinales o la selección de participantes pueden alterar las covarianzas observadas. Un contraste del modelo necesita representar esas operaciones o justificar por qué su efecto es despreciable para la pregunta planteada.

El ejemplo muestra cómo una propuesta general se convierte en una hipótesis refutable. Que exista algún modelo factorial capaz de reproducir los datos dice poco. Lo informativo es afirmar que una estructura delimitada, con cargas y residuos determinados, satisface restricciones comprobables. Cuanta más flexibilidad se introduce en el modelo, menos exigente se vuelve esa prueba.

432.11. Un modelo híbrido con relación local

Añadamos, a cuatro indicadores del factor, una covarianza residual entre los dos primeros. Esa relación puede corresponder a un proceso local, a una fuente compartida de medición o a contenido redundante entre ítems. El modelo combina influencia común y asociación específica, sin exigir que toda la covariación tenga el mismo origen.

En el código, la covarianza del primer par aumenta en 0,15 y las demás se mantienen. La matriz sigue siendo definida positiva, con un valor propio mínimo de 0,36. Las dos tétradas que contienen la covarianza modificada pasan a valer 0,0735 en valor absoluto, mientras la tercera, que no la contiene, sigue siendo cero. El patrón señala qué par de indicadores concentra el desajuste. El factor simple queda cuestionado y la estructura híbrida reproduce la modificación.

El resultado no identifica el origen de la covarianza residual. Puede deberse a una interacción entre experiencias, a una causa omitida que afecta solo a ese par o a un procedimiento de observación compartido. Añadir una línea residual mejora la representación estadística sin resolver por sí mismo esa ambigüedad.

Un diseño discriminante podría variar el contexto que actúa sobre el par, modificar la forma de medir uno de sus componentes o examinar secuencias temporales. La elección depende de las explicaciones candidatas. Si todas predicen el mismo cambio bajo una manipulación, esta aportará poco para separarlas.

Los modelos híbridos son útiles cuando la teoría no exige una única forma de organización. Su flexibilidad, sin embargo, puede dificultar la identificación y favorecer ajustes retrospectivos. Conviene especificar de antemano qué relaciones locales se consideran plausibles y reservar observaciones para evaluar si la estructura mejora la predicción o la explicación.

432.12. Una categoría construida sobre las mismas variables

Las tres variables del ejemplo podrían convertirse en indicadores de presencia mediante umbrales y combinarse luego en una regla categorial, por ejemplo la que asigna pertenencia cuando dos de ellas superan su límite. La operación produciría grupos sin modificar el mecanismo que generó las variables continuas.

Dentro del ejercicio, esa categoría tendría utilidad descriptiva siempre que se declare su regla. No demostraría la existencia de una clase natural separada ni permitiría elegir entre factor y red, porque ambos generan la misma distribución continua y, en consecuencia, la misma distribución de cualquier transformación determinista de ella.

Lo mismo vale para una puntuación total. Si dos modelos producen exactamente la misma distribución de los datos observables, producen también la misma distribución de su suma. Resumir los datos de otra manera no crea la información causal que faltaba. Para discriminar mecanismos se requiere una observación adicional o una restricción sustantiva.

La selección por categoría puede alterar las asociaciones dentro de la muestra. Condicionar la inclusión a un total alto restringe las combinaciones posibles y puede inducir relaciones ausentes en la población completa, típicamente asociaciones negativas entre componentes que fuera de la muestra seleccionada son independientes. Una red estimada solo entre personas seleccionadas por una regla debe interpretarse en ese marco.

Al comparar grupos clínicos y no clínicos, una diferencia de topología puede reflejar mecanismos distintos o bien diferencias en el rango de variación, en la selección o en la medición. Esas alternativas deben examinarse antes de atribuir la diferencia al funcionamiento de un trastorno.

432.13. Escala temporal y dirección de influencia

Una observación transversal describe cómo varían personas o unidades en un momento o en un periodo agregado. Una hipótesis de interacción entre síntomas suele referirse a cambios dentro de una persona a lo largo del tiempo. Pasar de un nivel al otro requiere justificación.

Una relación entre dormir poco y sentirse fatigado puede deberse a diferencias estables entre personas, a cambios diarios dentro de cada una o a ambos procesos. Un coeficiente transversal mezcla esas posibilidades y no indica cuánto cambiará la fatiga de una persona si modifica su sueño un día determinado.

Los datos longitudinales permiten formular modelos temporales, siempre que la frecuencia de muestreo corresponda a la dinámica estudiada. Si los efectos se producen en el curso de horas y la medición es mensual, una arista puede resumir procesos que el registro no alcanza a resolver. Cambiar el intervalo de medición puede alterar el coeficiente aunque el mecanismo subyacente permanezca igual.

El orden temporal observado tampoco descarta causas comunes. Una condición contextual persistente puede influir primero sobre un indicador y más tarde sobre otro, lo que produce una relación rezagada aparente. Medir el contexto o diseñar una perturbación pertinente ayuda a distinguir esa explicación de una interacción directa.

Un contraste entre representaciones debe precisar el nivel temporal que pretende explicar. Un modelo puede describir diferencias entre personas y otro las fluctuaciones de un individuo, sin que ambos respondan a la misma pregunta. Compararlos como si fueran alternativas completas puede generar una controversia sobre objetos distintos.

432.14. Qué añade una teoría de redes

Una teoría de redes asume compromisos sobre cómo se producen y se mantienen conjuntos de problemas. Puede proponer que un componente modifica a otro, que ciertas relaciones generan persistencia o que una entrada externa activa varios nodos a la vez. Esos compromisos permiten construir simulaciones y anticipar respuestas ante cambios definidos.

Borsboom (2017) organiza su propuesta en un conjunto limitado de principios sobre la estructura y la dinámica de las redes de síntomas. Uno de ellos supone que los síntomas consignados en los manuales diagnósticos corresponden a los componentes relevantes de la red y están descritos con la granularidad adecuada. Otro afirma que las conexiones entre síntomas son causales, aunque el autor reconoce que las asociaciones estadísticas solo aportan evidencia indirecta de ello. En la parte dinámica, la teoría sostiene que en redes fuertemente conectadas los síntomas pueden seguir activándose entre sí después de desaparecido el desencadenante, de modo que el trastorno se entiende como un estado estable alternativo. El mismo artículo reconoce que el alcance de la teoría es incierto y que algunos cuadros, en especial los de desarrollo lento, podrían acomodarse con dificultad. Cada uno de estos puntos es una afirmación empírica que debe examinarse por separado.

El marco puede orientar una hipótesis clínica antes de que se disponga de parámetros precisos. Esa función heurística ayuda a formular preguntas sobre secuencia y mantenimiento. Conviene recordar, con todo, que un diagrama plausible no equivale a una red estimada y que una red estimada tampoco equivale a un mecanismo validado.

Una teoría útil debe admitir resultados que la pongan en dificultades. Si se propone una influencia directa específica, corresponde indicar qué respuesta se espera al modificar el componente y qué condiciones podrían bloquearla. Una formulación capaz de explicar cualquier resultado recurriendo a conexiones no observadas pierde capacidad de contraste.

La comparación con modelos de factor común resulta productiva cuando se centra en predicciones. Un mecanismo compartido tiende a producir cambios proporcionales en varios indicadores, mientras una interacción local puede producir un patrón diferente. El diseño debe contemplar que ambos procesos coexistan y que las intervenciones actúen por más de una vía.

432.15. Centralidad y relevancia clínica

Una medida de centralidad resume una propiedad de la topología o de los pesos de una red. Su significado depende del proceso que se supone circula por ella. Un nodo con muchas conexiones puede ocupar un lugar destacado en el dibujo sin ser el mejor blanco de intervención.

Bringmann y colaboradores (2019) revisaron críticamente los índices de grado, intermediación y cercanía, desarrollados originalmente para redes sociales. Señalaron que algunos de ellos suponen la existencia de un flujo que recorre la red por caminos mínimos, un supuesto que no se corresponde con ninguna teoría general sobre cómo se relacionan las variables psicológicas. Cuestionaron además que los nodos de una red psicológica sean siempre distintos entre sí e intercambiables en el sentido que esos índices requieren. Concluyeron que la intermediación y la cercanía resultan especialmente inadecuadas como medidas de importancia y que quien declara central un nodo debe explicitar qué entiende por ello y qué supuestos asume la medida elegida.

En el ejemplo gaussiano, los tres nodos ocupan la misma posición en la red parcial simétrica. En el generador dirigido, en cambio, intervenir sobre el primero afecta a los posteriores, mientras actuar sobre el último no modifica a sus antecesores. La centralidad calculada sobre la red parcial no recupera esa asimetría causal.

La elección de un blanco terapéutico depende también de la posibilidad de modificarlo, del costo, de los efectos adversos y de los resultados que importan al paciente. Incluso una influencia causal bien establecida puede no justificar la intervención sobre ese nodo si existen alternativas más eficaces o menos costosas. La topología es solo una parte del problema de decisión.

La relevancia clínica puede evaluarse mediante predicciones sobre intervenciones y con comparadores pertinentes. Rodebaugh y colaboradores (2018) estimaron una red transversal en pacientes con trastorno de ansiedad social y examinaron, en una muestra tratada independiente, si el cambio en los síntomas centrales se asociaba más al cambio global. La centralidad predijo esa asociación solo en la escala con que se había construido la red, sin generalizar a otras tres medidas de severidad. Una propiedad simple de los ítems, su baja frecuencia de respaldo, mostró en cambio asociaciones en todas ellas. Si una medida de centralidad no mejora las predicciones frente a información más sencilla, su atractivo visual no constituye utilidad demostrada.

432.16. Comparar modelos sin premiar solamente flexibilidad

Un modelo con más parámetros reproduce mejor, por lo general, los datos con que fue estimado. Esa ventaja no garantiza que describa mejor observaciones nuevas. La comparación debe considerar la complejidad, evaluar predicciones sobre datos reservados y revisar qué características del conjunto original quedan sin explicar.

La forma de reservar datos depende de la pregunta. Separar personas pone a prueba la generalización a la población, mientras separar periodos dentro de una misma persona examina la estabilidad temporal. Reservar una condición perturbada evalúa si el modelo se transfiere a un sistema modificado. Se trata de pruebas distintas cuyos resultados no son intercambiables.

Los estudios de recuperación de modelos averiguan si el procedimiento de comparación distingue generadores conocidos, en simulaciones que reproduzcan el tamaño muestral, la medición y las restricciones del estudio. Si datos producidos por un factor se clasifican con frecuencia como red, o a la inversa, una elección hecha sobre datos reales tendrá un valor interpretativo limitado.

La adecuación absoluta también importa. Dos modelos pueden ajustarse mal y uno resultar relativamente mejor que el otro. El examen de residuos, distribuciones y patrones temporales permite detectar esa situación. Elegir el modelo menos inadecuado no convierte sus parámetros en una explicación suficiente.

Cuando existe equivalencia exacta, ningún criterio de ajuste observacional resolverá por sí solo la disputa causal. Puede preferirse una representación por simplicidad o por utilidad, pero esa preferencia debe distinguirse de la identificación del mecanismo. Un contraste honesto declara qué parte de la pregunta pueden responder los datos disponibles.

432.17. Un diseño para separar compromisos explicativos

Una investigación podría partir de dos modelos que describen adecuadamente las observaciones basales y que difieren en el efecto esperado de una perturbación. Antes de intervenir habría que especificar qué componente cambia, qué variables se medirán y en qué intervalo se espera la respuesta.

En el ejercicio, la intervención sobre el primer indicador separa las predicciones porque en un modelo deja intacto el factor común y en el otro transmite la entrada hacia las variables posteriores. Para aproximar ese contraste en la práctica habría que justificar que la intervención no modifica directamente los otros indicadores ni la causa compartida postulada.

Si esa exclusividad no puede sostenerse, cabe representar una intervención con varios efectos directos y examinar si todavía existen predicciones diferentes. El diseño no pierde valor por alejarse del ideal, aunque su interpretación exige conservar las rutas adicionales en las ecuaciones.

Las medidas de proceso ayudan a comprobar esas rutas. Una intervención que modifica a la vez el contexto y la experiencia necesita registros de ambos, porque sin ellos quedan abiertas explicaciones que el análisis de los resultados finales no puede descartar.

El resultado más informativo puede ser una divergencia localizada. Si los modelos coinciden en el cambio global y difieren en el orden temporal o en la respuesta de un indicador concreto, conviene medir esa propiedad con precisión. Multiplicar el número de escalas puede aumentar la carga de los participantes sin mejorar la discriminación del mecanismo que interesa.

432.18. Conservar varias representaciones con funciones explícitas

Una formulación clínica puede usar una categoría para comunicar un patrón, dimensiones para describir intensidad y una hipótesis de red para ordenar posibles relaciones de mantenimiento. La combinación es coherente si se declara qué función cumple cada componente y qué evidencia lo respalda.

El problema surge cuando una función se usa para justificar otra. La utilidad comunicativa de una categoría no demuestra una causa común, del mismo modo que la capacidad predictiva de una dimensión no la convierte en una entidad independiente. La claridad visual de una red tampoco confirma el sentido causal de sus flechas.

Las representaciones también pueden discrepar de manera útil. Un puntaje total puede mantenerse estable mientras cambia el perfil de síntomas. Del mismo modo, una categoría puede conservarse aunque se haya modificado una relación de mantenimiento. Registrar esas discrepancias permite estudiar una evolución que un único resumen ocultaría.

La elección no tiene por qué resolverse con una preferencia general por categorías, dimensiones o redes. Puede resolverse preguntando qué representación permite formular la afirmación pertinente con menor pérdida de información y con supuestos susceptibles de examen. La respuesta puede variar entre la investigación, la descripción clínica y la evaluación de una intervención.

432.19. Alcance de la comparación construida

El ejemplo muestra que una distribución gaussiana puede ser producida por dos mecanismos causales distintos que comparten, además, la misma red de correlaciones parciales. Muestra también que restricciones específicas, como la independencia residual y las tétradas que de ella se derivan, permiten contrastar ciertas formulaciones. Ambos resultados son compatibles, porque la equivalencia entre clases amplias de modelos deja abierta la contrastación de modelos delimitados.

La extrapolación clínica requiere establecer una correspondencia entre variables matemáticas y fenómenos observados. Las ecuaciones no implican que un síntoma real tenga distribución gaussiana, que las relaciones entre síntomas sean lineales o que una intervención actúe sobre una sola variable. Son preguntas empíricas que deben incorporarse al desarrollo de cualquier modelo aplicado.

Para el análisis psicopatológico, la comparación deja una tarea concreta. Consiste en conservar el significado, el nivel temporal y la procedencia de cada observación mientras se exploran estructuras alternativas. De ese modo puede distinguirse qué parte de una representación organiza los datos, qué parte anticipa resultados nuevos y qué parte sigue siendo una hipótesis sobre mecanismos.

Referencias

Borsboom, D. (2017). A network theory of mental disorders. World Psychiatry, 16(1), 5–13. https://doi.org/10.1002/wps.20375

Bringmann, L. F., Elmer, T., Epskamp, S., Krause, R. W., Schoch, D., Wichers, M., Wigman, J. T. W. y Snippe, E. (2019). What do centrality measures measure in psychological networks? Journal of Abnormal Psychology, 128(8), 892–903. https://doi.org/10.1037/abn0000446

Kendell, R. y Jablensky, A. (2003). Distinguishing between the validity and utility of psychiatric diagnoses. American Journal of Psychiatry, 160(1), 4–12. https://doi.org/10.1176/appi.ajp.160.1.4

Rodebaugh, T. L., Tonge, N. A., Piccirillo, M. L., Fried, E., Horenstein, A., Morrison, A. S., Goldin, P., Gross, J. J., Lim, M. H., Fernandez, K. C., Blanco, C., Schneier, F. R., Bogdan, R., Thompson, R. J. y Heimberg, R. G. (2018). Does centrality in a cross-sectional network suggest intervention targets for social anxiety disorder? Journal of Consulting and Clinical Psychology, 86(10), 831–844. https://doi.org/10.1037/ccp0000336

van Bork, R., Rhemtulla, M., Waldorp, L. J., Kruis, J., Rezvanifar, S. y Borsboom, D. (2021). Latent variable models and networks: Statistical equivalence and testability. Multivariate Behavioral Research, 56(2), 175–198. https://doi.org/10.1080/00273171.2019.1672515