绘制一篇18分文章的交叉滞后网络分析图

应粉丝要求，复现一篇18分文章的交叉滞后网络分析图，文章是下面这篇

复现这篇文章的图三，也是文章的亮点

作者复现了5个数据库，我就charls这个来说下，怎么看下面这个图

这张图是一个交叉滞后网络分析图，主要用于展示不同变量（如疾病、身体功能、日常生活能力）在时间维度上的相互预测关系。结合图中的节点、颜色和连线，可以从以下四个维度来解读：

1. 识别节点类型（看颜色）
图中的圆圈代表不同的变量，颜色区分了它们的属性：
粉色节点 (CVD)：代表心血管疾病结局。
CVD1：心脏问题
CVD2：中风
绿色节点 (Highlight)：代表关键风险因素/亮点。这些通常是研究者重点关注的慢性病或特定健康行为（如高血压、糖尿病、吸烟等）。
浅蓝色节点 (Function)：代表功能指标。涵盖了身体机能（如视力、听力）、日常生活能力（如穿衣、洗澡、上下床）以及认知功能。
2. 理解连线含义（看箭头）
图中的蓝色线条带有箭头，这是解读的核心：
方向性：箭头从 A 指向 B，意味着在统计上，A 是 B 的预测因子。也就是说，前一个时间点的 A 状态，能显著预测后一个时间点 B 的发生或变化。
格兰杰因果关系：这种网络通常基于格兰杰因果检验，暗示了一种时间上的先后影响逻辑。例如，如果有一条线从 FI11（高血压）指向 CVD1（心脏问题），说明高血压病史增加了后续患心脏问题的风险。
线的粗细/深浅：虽然图中看起来比较均匀，但通常在更精细的分析中，线条越粗或颜色越深，代表这种预测关系的强度越大（即统计学上的系数越高）。
3. 分析网络结构（看位置与连接数）
中心度：观察哪些节点发出的箭头最多（出度），或者接收的箭头最多（入度）。
核心驱动因素：如果某个绿色节点（如 FI11 高血压）发出了很多箭头指向其他蓝色节点或粉色节点，说明它是一个核心的驱动因素，控制着网络中的多个下游结果。
核心后果：如果粉色节点 CVD1/CVD2 接收了大量箭头，说明它们是多种前期因素共同作用的最终结果。
4.聚类：可以看到节点大致分成了几个区域。右侧主要是慢病和心血管结局，左侧和下方主要是身体功能和日常生活能力指标。

总的来说：这张图实际上是一张“健康风险地图”。它告诉你：为了预防粉色的心血管疾病（终点），你应该优先关注哪些绿色的关键指标（起点），以及这些指标是如何通过影响蓝色的身体功能（中间过程）最终导致疾病发生的。

下面我来介绍一下怎么制作这张图，我打算分成两章来介绍，本次先介绍怎么制作这样的图，我先模拟一个数据，下期介绍怎么生成这种图的数据。
绘图主要是通过igraph包或者qgraph包，本章这里我使用igraph包

library(igraph)
library(RColorBrewer)

先生成一个节点数据

nodes <- data.frame(
  id = c("CVD1", "CVD2", 
         "FI11", "FI12", "FI10", "FI13", "FI20", "FI22",
         "FI1", "FI2", "FI3", "FI4", "FI5", "FI6", "FI7", "FI8", "FI9",
         "FI14", "FI15", "FI16", "FI17", "FI18", "FI19", "FI21", 
         "FI23", "FI24", "FI25", "FI26", "FI27"),
  label = c("CVD1", "CVD2",
            "FI11", "FI12", "FI10", "FI13", "FI20", "FI22",
            "FI1", "FI2", "FI3", "FI4", "FI5", "FI6", "FI7", "FI8", "FI9",
            "FI14", "FI15", "FI16", "FI17", "FI18", "FI19", "FI21",
            "FI23", "FI24", "FI25", "FI26", "FI27"),
  group = c("CVD", "CVD",
            "Highlight", "Highlight", "Highlight", "Highlight", "Highlight", "Highlight",
            "Function", "Function", "Function", "Function", "Function", 
            "Function", "Function", "Function", "Function",
            "Function", "Function", "Function", "Function", "Function",
            "Function", "Function", "Function", "Function", "Function",
            "Function", "Function"),
  stringsAsFactors = FALSE
)

定义节点颜色

# 定义节点颜色
node_colors <- c(
  "CVD" = "#F4A6B5",        # 粉红 - 心血管疾病
  "Highlight" = "#8FBC8F",   # 绿色 - 关键指标
  "Function" = "#B0E0E6"    # 浅蓝 - 功能指标
)

定义一个方向数据

set.seed(42)
n_edges <- 80
edges <- data.frame(
  from = sample(nodes$id, n_edges, replace = TRUE),
  to = sample(nodes$id, n_edges, replace = TRUE),
  stringsAsFactors = FALSE
)
# 去掉自环
edges <- edges[edges$from != edges$to, ]
# 去重
edges <- unique(edges)

创建 igraph 对象

g <- graph_from_data_frame(d = edges, vertices = nodes, directed = TRUE)

#使用圆形布局，节点均匀分布在圆周上

layout_circle <- layout_in_circle(g, order = order(V(g)$name))

绘图

par(mar = c(2, 2, 4, 10), family = "serif")  # 右边留出图例空间

plot(g,
     
     # 节点样式
     vertex.size = 28,
     vertex.color = node_colors[V(g)$group],
     vertex.frame.color = "gray40",
     vertex.frame.width = 1.2,
     vertex.label = V(g)$name,
     vertex.label.color = "black",
     vertex.label.cex = 0.75,
     vertex.label.font = 1,
     
     # 边样式
     edge.color = "#6495ED",           # 矢车菊蓝
     edge.width = 0.8,
     edge.arrow.size = 0.4,
     edge.arrow.width = 0.8,
     edge.curved = 0.15,               # 边略微弯曲，避免重叠
     edge.alpha = 0.6,                 # 透明度（igraph 不直接支持，可用 rgb）
     
     # 整体
     main = "交叉滞后网络分析图",
     cex.main = 1.5
)

legend("right", 
       inset = c(-0.3, 0),            # 放在图外右侧
       legend = c("心血管疾病", "亮点", "功能指标"),
       fill = c("#F4A6B5", "#8FBC8F", "#B0E0E6"),
       border = "gray40",
       title = "节点类型",
       title.font = 2,
       bty = "n",
       cex = 0.9,
       xpd = TRUE)

也可以使用ggraph包和tidygraph包来绘图。这个图比较大时间需要久一点

library(ggraph)
library(tidygraph)

tg <- as_tbl_graph(g)

p<-ggraph(tg) +
  geom_edge_link(aes(alpha = after_stat(index)), 
                 arrow = arrow(length = unit(2, "mm")), 
                 colour = "#6495ED") +
  geom_node_point(aes(colour = group), size = 8) +
  geom_node_text(aes(label = name), repel = FALSE, size= 3) +
  scale_colour_manual(values = node_colors) +
  theme_void() +
  labs(title = "交叉滞后网络分析图") +
  theme(legend.position = "right")

还可以进一步修饰，我这里就不弄了。