基于結構方程模型的cesd-10量表因子結構檢驗

基于結構方程模型的cesd-10量表因子結構檢驗

1關于ets-d、etis、pa和網(wǎng)絡結構的研究抑郁是老年人最常見的精神疾病和自殺的促進因素，嚴重影響著老年人的生活質(zhì)量，給家人和社會帶來了沉重的負擔。研究發(fā)現(xiàn)抑郁癥的發(fā)病率隨著年齡的增長而增加。目前,用于抑郁癥篩查的量表有很多,其中Radloff(1977)開發(fā)的流調(diào)中心抑郁量表(theCenterforEpidemiologicalStudiesDepressionScale,CES-D)是廣泛用于評估抑郁癥狀的篩查工具,研究證實CES-D量表具有良好的心理測量學特性,并且與臨床診斷高度相關。Radloff(1977)年運用主成分分析法(PrincipalComponentAnalysis,PCA),經(jīng)方差極大正交旋轉(zhuǎn)后首次得出20個項目的CES-D是四因子結構,分別是抑郁情緒(DepressedAffect,DA),積極情緒(PositiveAffect,PA),軀體癥狀與運動遲滯(SomaticandRetardedActivity,SR),以及人際關系(InterpersonalProblems,IP)。Radloff所提出的四因子結構模型在大多數(shù)的驗證性因子分析(ConfirmatoryFactorAnalysis,CFA)研究中得到了驗證。盡管具有較高的信度和效度,這個量表仍然存在一些明顯的不足。首先,該量表占用受訪者過多的時間。例如,Kohout等的研究表明,完成一份20個條目的CES-D量表平均需要12分鐘的時間,并且有10%的受訪者拒絕完成整個量表。此外,在進行大型調(diào)查時,問卷常常涉及很多問題,這時簡短的量表非常重要。為了解決這一問題,許多學者努力改善CES-D量表,其中Andresen(1994)運用條目總分相關(ItemTotalCorrelation)和刪除冗余項(EliminationofRedundantItem)方法開發(fā)出了10個條目的量表,即CESD-10。簡版量表使受訪者更容易接受,并且能在較短的時間內(nèi)完成,因此增加了應答率。然而,很多研究表明簡版CESD-10并不符合上述的四因子結構,他們提出了其他的結論。一項針對中國老年人的調(diào)查發(fā)現(xiàn)它是三因子的結構,即DA(包括第1、3、6、9項)、PA(包括第5、8項)和SR(包括第2、4、7、10項)。而有些研究發(fā)現(xiàn),CESD-10是兩因子結構(DA/SR和PA)。以上結果表明,關于CESD-10量表的因子結構研究還存在爭議,而且不同的社會文化背景也會引起量表結構的差異。本次研究目的是利用全國大樣本數(shù)據(jù),研究并驗證CESD-10量表在中國中老年人群中的因子結構。2學習方法2.1charns基本特征本研究所用數(shù)據(jù)來源于中國健康與養(yǎng)老追蹤調(diào)查(ChinaHealthandRetirementLongitudinalSurvey,CHARLS)。CHARLS是對中國45歲及以上中老年家庭和個人進行的一項調(diào)查。數(shù)據(jù)包括從廣泛的社會經(jīng)濟狀況到個人健康狀況方面的信息,是一個高質(zhì)量的、具有全國代表性的微觀數(shù)據(jù)庫。為了保證樣本的代表性,CHARLS基線調(diào)查覆蓋了全國150個縣級單位,450個村級單位,共10257戶家庭的17708個個人。訪問對象是年齡在45歲以上(包括45歲)的中國居民及其配偶。在450個基本抽樣單位中,52.67%是農(nóng)村地區(qū),47.33%是城市地區(qū)。表1說明了CHARLS樣本的年齡與性別構成。在17708份個人數(shù)據(jù)中,52.1%為女性。大部分樣本為低齡老年人,40%的調(diào)查對象在60歲及以上,總體上代表中國中老年人群(表1)。此表刪除了年齡、性別和戶口信息缺失的個體。2.2探索性因子分析一般來說,若研究缺少堅實的理論基礎支撐,有關觀測變量的內(nèi)部結構一般先用探索性因子分析(ExploratoryFactorAnalysis,EFA),產(chǎn)生一個關于內(nèi)部結構的理論,再在此基礎上用驗證性因子分析。因此,本文首先利用SPSS17.0對數(shù)據(jù)進行探索性因子分析,主要目的在于尋找公共因子。在探索性因子分析已經(jīng)得到因子結構的前提下,再利用AMOS7.0軟件對因子結構的合理性進行驗證。2.3探索性因子分析根據(jù)CESD-10中文版的使用規(guī)則,評分為4級評分,選項包括“(1)很少或者根本沒有(﹤1天)”、“(2)不太多(1-2天)”、“(3)有時或者說有一半的時間(3-4天)”、“(4)大多數(shù)的時間(5-7天)”,分別將上述4個選項編碼為0、1、2、3。條目5、8為反向條目,均采用反向計分。CHARLS數(shù)據(jù)在抑郁量表的10個條目上有缺失值,考慮到樣本量足夠大,本文采取個案刪除法(ListwiseDeletion)處理缺失值。處理后,樣本量還有15273人。經(jīng)檢驗,剩余樣本與缺失值的人口資料沒有顯著性差異,說明刪除掉的缺失值具有隨機性。隨后將樣本數(shù)據(jù)隨機分成兩半,先用一半數(shù)據(jù)(共7656人)做探索性因子分析,然后把分析取得的因子用在剩下的一半數(shù)據(jù)(共7617人)中做驗證性因子分析。在進行探索性因子分析之前,需要進行KMO測度和Bartlett球形檢驗。KMO值越大表示變量間的共同因素越多,越適合進行因子分析。當KMO值小于0.5時,不適合進行因子分析。探索性因子分析將獲得每個測量條目與因子之間的因子載荷(FactorLoading),因子載荷越高,表明測量條目與因子之間的關聯(lián)性越強。本研究中因子提取方法為主成分分析法,旋轉(zhuǎn)方法為方差最大法(Varimax),因子載荷截取點位0.5。本文采用結構方程模型(StructuralEquationModeling,SEM)進行驗證性因子分析,擬合指標選擇卡方值χ2(Chisquare)、賦范擬合指數(shù)(NFI)、擬合優(yōu)度指數(shù)(GFI)、相對擬合指數(shù)(CFI)、近似誤差均方根(RMSEA)等來判斷模型的擬合程度。一般認為,NFI、GFI和CFI在0.9以上,RM-SEA小于0.08時,可認為模型擬合良好,RMSEA小于0.05時可認為模型高度擬合。3結構方程模型的建立本文使用SPSS17.0統(tǒng)計軟件對數(shù)據(jù)進行分析,變量相關性檢驗結果顯示KMO值為0.882,且相關系數(shù)矩陣中存在大量顯著相關關系(p<0.0001),(由于篇幅原因,相關系數(shù)矩陣表略去)因此該樣本適合做因子分析。經(jīng)過主成分分析后,保留了前兩個主因子,累積可解釋49.820%方差,碎石圖見圖1。對因子載荷矩陣進行方差最大正交旋轉(zhuǎn)后的結果(表2)表明,條目5(felthopefulaboutthefuture)和條目8(happy)在第二主因子上的載荷較高,分別為0.878、0.745,其他條目在第一主因子上的載荷較高(均大于0.5),表明樣本結構的有效性較強。最后,因子得分的協(xié)方差矩陣是一個單位矩陣,說明提取的兩個公因子是不相關的。根據(jù)探索性因子分析的結果,假設CESD-10是兩因子結構,下面通過驗證性因子分析來檢驗因子結構的合理性。通過AMOS7.0軟件構建結構方程模型(圖2),得到以下結果:統(tǒng)計指標χ2值為949.460(P﹤0.000),自由度df為34,賦范擬合指數(shù)(NFI)為0.948,擬合優(yōu)度指數(shù)(GFI)為0.973,比較擬合指數(shù)(CFI)為0.950,近似誤差均方根(RM-SEA)為0.059。由于NFI、GFI、CFI都大于0.9,且RM-SEA,小于0.08,總的來說,因子模型和樣本數(shù)據(jù)擬合較好。但CFA中χ2/df數(shù)值未達到測量學要求,考慮到其他指標均較好,這一情況主要與樣本量過大有關。4情緒/態(tài)度變化從旋轉(zhuǎn)后的因子載荷矩陣(表1)可以看出,第一主因子在條目1、2、3、4、6、7、9、10上的載荷較高,該因子反映的是消極情緒,可命名為抑郁情緒/軀體癥狀;第二主因子在條目5、8上的載荷較高,該因子可命名為積極情緒。這與大多數(shù)學者的研究結果一致。此外,本文進一步發(fā)現(xiàn),抑郁情緒/軀體癥狀在條目3(feltdepressed)上的載荷最高,為0.749,也就是說帶來消極情緒的最主要因素是情緒低落,這與人們的經(jīng)驗是一致的;影響積極情緒的主要因素是條目5(felthopefullaboutthefuture)和條目8(happy),而其中對未來充滿希望比愉快更重要。需要指出的是,盡管本研究結果進一步證實了積極情緒和消極情緒是兩個獨立的結構,但是他們?nèi)匀徊荒軓腃ESD-10量表中分離出來單獨用于抑郁癥的篩查。況且因