如何用統(tǒng)計(jì)學(xué)方法尋找量表的截?cái)嘀?？——潛在剖面分?/h1>
2023年鄭老師多門(mén)科研統(tǒng)計(jì)課程：多次直播，含孟德?tīng)栯S機(jī)化方法?
量表是一種常用的心理測(cè)量工具，它可以幫助我們?cè)u(píng)估個(gè)體的心理特征、狀態(tài)或癥狀。量表的結(jié)果往往是連續(xù)的數(shù)值，而我們需要的是對(duì)個(gè)體進(jìn)行分類(lèi)，比如是否有某種心理問(wèn)題或風(fēng)險(xiǎn)。因此有時(shí)候如果想要使用某個(gè)量表來(lái)對(duì)群體進(jìn)行分類(lèi)（如分為“是”，“否”兩類(lèi)），以便于探討陽(yáng)性事件的影響因素，但是卻發(fā)現(xiàn)這個(gè)量表在開(kāi)發(fā)的時(shí)候沒(méi)有官方明確的截?cái)嘀?，此時(shí)我們就需要自己來(lái)確定一個(gè)將個(gè)體分為不同類(lèi)別的臨界分?jǐn)?shù)。本文將以一篇關(guān)于新冠病毒康復(fù)者感知污名的研究為例，介紹一種有效的方法——潛在剖面分析。
這是一篇于2023年3月發(fā)表在Frontiers in Public Health(IF=5.2, Q1)上的一項(xiàng)關(guān)于新冠病毒康復(fù)者感知污名的橫斷面研究，題名為Perceived stigma among discharged patients of COVID-19 in Wuhan, China: A latent profile analysis，該研究共收集了1,297名武漢第一波新冠康復(fù)者的數(shù)據(jù)，使用了12項(xiàng)新冠感知污名量表（CSS-S）來(lái)評(píng)估他們?cè)谶^(guò)去兩周內(nèi)感受到的污名。該量表的總分范圍為12-48，分?jǐn)?shù)越高表示感受到的污名越大。該研究的目的是通過(guò)LPA來(lái)識(shí)別康復(fù)者感知污名的特征，并探索其心理社會(huì)影響因素，以及確定量表的截?cái)嘀怠?br>潛在剖面分析（latent profile analysis，LPA）是一種基于潛在剖面模型（latent profile model，LPM）的統(tǒng)計(jì)方法，它可以根據(jù)一組連續(xù)變量（比如量表的各個(gè)題目或維度）將總體劃分為多個(gè)亞群體（profile），并評(píng)估每個(gè)個(gè)體屬于不同亞群體的概率。
LPA的步驟大致如下：
1. 確定要用于分類(lèi)的變量。這些變量應(yīng)該是連續(xù)的，如果是分類(lèi)變量，則稱(chēng)為“潛在類(lèi)別分析”（LCA），原理都是一樣的。如果你使用的量表的各條目不是連續(xù)尺度，而是分類(lèi)尺度（如“是”，“否”），則使用LCA。
2. 建立不同類(lèi)別數(shù)目（k）的LPM模型，并比較它們的擬合優(yōu)度。常用的擬合優(yōu)度指標(biāo)有赤池信息準(zhǔn)則（Akaike Information Criterion，AIC）、貝葉斯信息準(zhǔn)則（Bayesian Information Criterion，BIC）、調(diào)整后的貝葉斯信息準(zhǔn)則（adjusted Bayesian Information Criterion，aBIC）、熵（entropy）、LMR檢驗(yàn)和BLRT檢驗(yàn)等。一般來(lái)說(shuō)，AIC、BIC和aBIC越小、熵越大、LMR檢驗(yàn)和BLRT檢驗(yàn)越顯著，說(shuō)明模型擬合越好。此外，還要考慮模型的簡(jiǎn)潔性和可解釋性，避免過(guò)度擬合或欠擬合。
3.?選擇最優(yōu)的LPM模型，并根據(jù)變量在不同類(lèi)別上的條件均值來(lái)定義和解釋每個(gè)類(lèi)別的特征。此外，還要考慮每個(gè)類(lèi)別的成員數(shù)量和比例，以及模型的可解釋性，避免出現(xiàn)過(guò)小或不確定的類(lèi)別。
4. 探究影響因素。根據(jù)LPM模型的分類(lèi)結(jié)果，并將其作為因變量或自變量與其他變量進(jìn)行關(guān)聯(lián)分析，比如卡方檢驗(yàn)、方差分析、邏輯回歸等，以探索不同類(lèi)別之間的差異或影響因素。
如何用潛在剖面分析尋找量表的截?cái)嘀担?/strong>
在沒(méi)有準(zhǔn)確和精確的參考標(biāo)準(zhǔn)的情況下，LPA可以用來(lái)確定量表的截?cái)嘀担椒ㄈ缦拢?br>1. 將量表的各個(gè)題目或維度進(jìn)行LPA，得到最優(yōu)的LPM模型和類(lèi)別劃分。
2. 將條件均值最低的類(lèi)別定義為“非病例”（即沒(méi)有心理問(wèn)題或風(fēng)險(xiǎn)），將其他類(lèi)別定義為“病例”（即陽(yáng)性事件組）。
3. 以“病例”和“非病例”的二元結(jié)果為標(biāo)準(zhǔn)，繪制量表總分的ROC曲線，并計(jì)算曲線下面積（AUC）、敏感度、特異度和Youden指數(shù)等評(píng)價(jià)指標(biāo)。
4. 根據(jù)Youden指數(shù)的最大值確定量表總分的最佳截?cái)嘀?，使得敏感度和特異度達(dá)到最優(yōu)平衡。
這篇研究進(jìn)行了LPA，比較了一至五類(lèi)的LPM模型，結(jié)果發(fā)現(xiàn)三類(lèi)模型擬合最好，將康復(fù)者分為了三個(gè)亞群體：低感知污名組（12.8%）、中等感知污名組（51.1%）和高感知污名組（36.1%）。
然后該研究還進(jìn)行了邏輯回歸分析，探索了不同感知污名組的影響因素。
最后，該研究將低感知污名組定義為“非病例”，將中等和高感知污名組定義為“病例”，并繪制了CSS-S總分的ROC曲線。結(jié)果顯示，ROC曲線下面積為99.96%，說(shuō)明CSS-S可以良好區(qū)分無(wú)感知污名化和有感知污名化的群體。通過(guò)計(jì)算Youden指數(shù)，確定了CSS-S總分的最佳截?cái)嘀禐椤?20，此時(shí)敏感度為0.996，特異度為0.982。
詳情請(qǐng)點(diǎn)擊下方：
https://mp.weixin.qq.com/s?__biz=MzAwOTYyMDY3OQ==&mid=2650407943&idx=1&sn=8d6a37d36557ec1fbe8158f6c71100e6&chksm=835279afb425f0b9b4bdc0ee890ff3272658e33fdf7a624293d78e3b10536b1f4deede053bc0&token=2058433398&lang=zh_CN#rd
