社区社会经济环境测量不变性评估：城乡连续统视角下的NSES指标构建与验证

《Journal of Urban Health》：Assessing Measurement Invariance in Neighborhood Socioeconomic Environment Across Levels of Urbanicity

本刊推荐：为探究社区社会经济地位(NSES)测量是否在城乡连续统中具有一致性，研究团队通过探索性/验证性因子分析(EFA/CFA)构建五变量NSES指标，并首次开展多组测量不变性分析。结果发现NSES因子结构虽一致，但因子载荷存在显著城乡差异（如无车家庭指标在高密度城市区敏感性较低），提示需针对不同社区类型定制化NSES测量框架，对减少健康差异研究的暴露错分具有重要意义。

　　

当我们谈论社区对健康的影响时，社区社会经济地位(Neighborhood Socioeconomic Status, NSES)始终是一个核心议题。已有大量研究表明，社区的收入水平、教育程度、就业状况等社会经济因素会显著影响居民的健康结局。然而，一个长期被忽视的问题是：我们通常用来衡量NSES的指标，是否在不同类型的社区——从繁华的都市中心到偏远的乡村地带——都具有相同的意义和重要性？现有的主流NSES综合指标，如区域剥夺指数(Area Deprivation Index, ADI)和社会剥夺指数(Social Deprivation Index, SDI)，大多隐含地假设构成这些指标的社会经济机制在广阔的地理空间或城乡连续统(urban-rural continuum)上是同质运作的。但现实可能远非如此。例如，在公共交通发达的都市，家庭是否拥有汽车可能对生活影响不大；但在缺乏公共交通的乡村，无车可能意味着与就业、医疗等关键资源的隔绝。这种差异性暗示，若不加区分地使用同一把NSES“尺子”去衡量所有社区，可能会在健康差异研究中导致暴露错分，进而影响公共健康干预政策的精准性和有效性。

由美国疾病控制与预防中心(CDC)资助的糖尿病地理位置、环境属性与差异网络(Diabetes Location, Environmental Attributes, and Disparities (LEAD) Network)研究，旨在深入探讨社区层面风险因素如何影响NSES与糖尿病之间的关系。为了更精确地开展LEAD网络的分析，一个首要任务就是构建一个能够敏感捕捉城乡差异的NSES测量工具。发表在《Journal of Urban Health》上的这项研究，正是为了回应这一需求。研究团队的目标非常明确：第一，基于美国大陆71,908个普查区(census tract)的数据，利用因子分析开发一个普查区水平的NSES测量指标；第二，通过测量不变性(measurement invariance)分析，严谨地检验这个NSES指标在不同城乡社区类型中的测量特性是否一致。

研究人员开展此项研究主要依赖于几个关键技术方法。他们利用2000年美国人口普查数据，获取了九个候选的社区社会经济变量。为了对社区进行分类，他们采用了糖尿病LEAD网络定义的社区类型分类，该分类基于美国农业部 rural-urban commuting area (RUCA) 编码并结合了土地面积信息，将普查区划分为高密度城市、低密度城市、郊区/小镇和农村四类。核心的分析方法包括探索性因子分析(Exploratory Factor Analysis, EFA)用于降维和识别潜在因子结构，验证性因子分析(Confirmatory Factor Analysis, CFA)用于构建和验证单因子NSES测量模型，以及多组验证性因子分析(Multigroup Confirmatory Factor Analysis)用于检验测量不变性。模型拟合优度的判断主要依据比较根均方误差近似(Root Mean Square Error of Approximation, RMSEA)和贝叶斯信息准则(Bayesian Information Criterion, BIC)。

研究结果

NSES指标构建与基线模型选择

研究人员首先对九个标准化后的普查变量进行了探索性因子分析(EFA)。平行分析(parallel analysis)建议提取三个因子。如表2所示，第一个因子在五个变量上具有高载荷(>0.60)：生活在贫困线以下的人口百分比(% below poverty line)、接受公共援助的家庭百分比(% households receiving public assistance)、失业人口百分比(% unemployed)、无车家庭百分比(% households with no car)以及受教育程度低于高中的人口百分比(% with less than a high school education)。这五个变量被保留用于后续的验证性因子分析(CFA)，以构建一个单因子的NSES潜变量(latent variable)。

研究团队接着拟合了多个允许残差相关(residual correlation)的单因子CFA模型，并根据RMSEA和BIC选择最优模型。结果显示，允许“贫困线以下人口百分比”与“接受公共援助家庭百分比”之间以及“失业人口百分比”与“接受公共援助家庭百分比”之间存在残差相关的模型，具有最低的BIC(677,060)和可接受的RMSEA(0.062)，因此被选为后续测量不变性分析的基线模型。

跨社区类型的测量不变性分析

测量不变性分析是通过一系列嵌套的、限制性逐渐增强的多组CFA模型来进行的。首先检验的是形态不变性(configural invariance)，该模型假设所有四类社区（高密度城市、低密度城市、郊区/小镇、农村）具有相同的因子结构（即由上述五个指标测量同一个NSES潜变量）。结果表明形态不变性成立，这意味着NSES的基本概念在不同社区类型中是相同的。

接下来检验的是度量不变性(metric invariance)，该模型在形态不变性的基础上，进一步限制五个指标在潜变量上的因子载荷(factor loadings)在不同社区类型中相等。结果发现，度量不变性模型与形态不变性模型之间存在显著的卡方差异(χ2(12) = 1603.1, p < 2.2e-16)，且度量不变性模型的RMSEA升高至0.133，表明模型拟合变差。这意味着因子载荷在不同社区类型间存在显著差异，即度量不变性不成立。由于度量不变性被拒绝，更严格的标量不变性(scalar invariance)和严格不变性(strict invariance)便无需再检验。

因子载荷的城乡差异

表5详细展示了不同社区类型下各指标的因子载荷。尽管“贫困线以下人口百分比”在所有四类社区中都是反映NSES最强的指标（载荷均>0.90），但其他指标的相对重要性则呈现出明显的城乡差异。

• ••
  无车家庭百分比(% households with no car)：此指标在低密度城市社区中载荷最高(0.80)，但在高密度城市社区中载荷最低(0.65)。这印证了研究背景中的推测，即在公共交通便利的高密度城市，汽车拥有率对衡量整体社会经济地位的重要性相对较低。
• ••
  失业人口百分比(% unemployed)：该指标在高密度城市社区载荷相对较高(0.77)，但在农村社区载荷最低(0.68)，表明失业率在农村地区对NSES的表征力较弱。
• ••
  低于高中教育程度百分比(% with less than a high school education)：在郊区/小镇社区中，此指标的载荷相对最低(0.73)。
  此外，残差协方差(residual covariance)的估计值也在不同社区类型间波动，例如农村社区在“贫困线以下人口百分比”与“接受公共援助家庭百分比”之间的残差协方差最大(-0.42)，进一步说明了指标间关系的地域特异性。

研究结论与意义

本研究成功地构建了一个基于五个核心指标的、适用于美国普查区水平的NSES单因子测量模型。然而，其最重要的发现在于，通过严谨的测量不变性分析，首次揭示了该NSES指标的测量属性在城乡连续统上并非恒定不变。尽管NSES的基本概念结构（形态不变性）在不同社区类型中是一致的，但各个具体指标与NSES潜变量之间的关联强度（因子载荷）却存在显著差异。这意味着，例如，一个给定的“无车家庭”比例值，在低密度城市社区所暗示的NSES水平，与在高密度城市社区所暗示的水平是不同的。

这一发现具有重要的理论和方法学意义。它挑战了现有许多NSES综合指标（如ADI, SDI）默认的“一刀切”假设，强调了在健康差异研究中考虑地理背景(context)的必要性。如果忽视这种测量上的非不变性，在比较不同社区类型的NSES与健康结局（如糖尿病）的关系时，可能会导致暴露错分(exposure misclassification)和有偏的估计，从而影响研究结论的可靠性。

在实践层面，这项研究为公共卫生政策制定者提供了更精细的视角。它提示，针对不同社区类型定制化的NSES测量方法，或至少在解释NSES与健康关系时充分考虑社区类型的影响，将有助于设计出更精准、更有效的公共卫生干预措施。例如，在资源分配或政策规划时，对于高密度城市社区，可能需要更关注失业问题；而对于低密度城市和农村社区，交通可达性（如汽车拥有率）可能是一个更关键的社会经济维度。

本研究也存在一些局限性，例如所选变量可能未能完全涵盖社区社会经济环境的全貌，且普查区的边界未必完全符合居民对“社区”的感知。未来的研究可以探索纳入更多环境、安全和社会资本等指标，以构建更全面的NSES测量框架，并进一步验证这些发现在其他地理尺度或不同人口群体中的普适性。总之，这项研究为推动NSES测量的精细化、情境化迈出了关键一步，为更公平、更有效的健康差异研究和公共卫生实践奠定了基础。