《Epidemiology》：Novel Psychometric Indicator Assessments: The Relative Excess Correlation and Associated Matrices
编辑推荐：
本文介绍了一项创新的心理测量学方法研究。为解决在评估心理社会构念时，传统相关矩阵和因子分析难以细致揭示指标间相对关联强度的问题，Tyler J. VanderWeele等人提出了观察残差相关(ORC)矩阵和相对超额相关(REC)矩阵。通过计算个体内指标得分与自身平均值的差值（观察残差）及其相关性，ORC矩阵可揭示某一指标高于个体平均分时，其他指标是否也可能更高。REC矩阵则量化了任意一对指标间的实际相关性与基于二者各自平均相关水平预期值的差异。该研究通过“生活满意度量表(SWLS)”和“主观社区幸福感(SCWB)”评估等实例，展示了ORC和REC矩阵在描述指标关系、识别强关联指标簇、以及评估预设指标分区的经验支持方面的应用。这些方法不依赖于模型，避免了因子分析在因子数量和旋转选择上的主观性，为量表开发、评估和心理社会测量提供了新的、更深入的分析工具，具有重要的方法论价值。
在日常的心理、社会及医学研究中，我们常常依赖各种量表来评估个体的状态，比如生活满意度、抑郁程度或社区归属感。这些量表通常包含一系列彼此相关的“指标”或“题项”。为了理解这些指标之间的关系，研究人员传统上会计算一个“相关矩阵”——一张展示所有两两指标间相关性强弱的表格。更进一步，他们可能会使用“因子分析”这样的统计技术，试图找出隐藏在众多指标背后、数量更少的几个核心“因子”或“维度”，以此来简化数据结构并理解其潜在构造。
然而，这些传统方法存在一些局限。首先，当所有原始指标都呈现正相关时（这在评估同一构念的量表中很常见），相关矩阵本身可能难以凸显出哪些指标对之间的关系是“异常”紧密的。其次，因子分析虽然功能强大，但它是一个模型依赖的过程，需要研究者做出诸如因子数量、旋转方法等主观决策，并且其基于的线性潜变量假设有时难以验证。这就好比用一套固定的模具去套用各种形状的黏土，可能无法完全捕捉到数据本身独特而细微的结构。
那么，有没有一种方法能够更直接、更“模型自由”地深入探究指标间的相对关联模式，特别是识别出那些超出整体平均关联水平的、特别“有默契”的指标组合呢？这正是Tyler J. VanderWeele及其合作者在发表于《Epidemiology》杂志上的研究“Novel Psychometric Indicator Assessments: The Relative Excess Correlation and Associated Matrices”中所要解决的核心问题。他们开发并引入了一套全新的矩阵工具——观察残差相关矩阵(Observed Residual Correlation, ORC)和相对超额相关矩阵(Relative Excess Correlation, REC)，旨在为心理测量学、流行病学和社会科学领域的研究者提供更锐利的“透镜”，以洞察量表内部指标间复杂而精妙的关系网络。
为了回答上述问题，研究人员提出并系统定义了两类新矩阵。首先，对于每个受访者，计算每个指标得分与其自身在所有指标上平均得分的差值，定义为“观察残差”。所有指标两两间的观察残差相关系数构成的矩阵，即为观察残差相关(ORC)矩阵。其次，他们定义了相对超额相关(REC)矩阵，其每个元素衡量了一对指标的实际相关系数，在多大程度上超过了基于这两个指标各自与所有其他指标的平均相关系数所预期的水平。具体公式为 Rij*= (ρij- ρ..*) - {(ρ·i*- ρ..*) + (ρ·j*- ρ..*)}，其中ρij是原始相关系数，ρ..*是所有非对角线（即不同指标间）相关系数的总平均值，ρ·i*是指标i与其他所有（非自身）指标的平均相关系数。这个计算类似于流行病学中评估交互作用的“相对超额危险度”，但应用于相关系数。REC矩阵的平均值总为零，正值表示这对指标的相关性“意外地强”，负值则表示“意外地弱”。
为开展研究，作者运用了来自“健康与退休研究(Health and Retirement Study)”的4,531名受访者数据，分析了经典的“生活满意度量表(SWLS)”；以及来自一项关于哥伦布市居民研究的2,127名受访者数据，分析了包含5个领域、共20个条目的“主观社区幸福感(SCWB)”评估工具。研究通过计算并对比这些工具的原始相关矩阵、ORC矩阵和REC矩阵，来展示新方法的描述性应用。更重要的是，他们提出了基于REC矩阵来量化评估预设理论分区的经验支持的方法，包括计算每个领域内部的平均REC、领域之间（跨领域）的平均REC，以及每个指标在其所属领域内与在其他领域内的平均REC。
OBSERVED RESIDUAL CORRELATION AND RELATIVE EXCESS CORRELATION MATRICES
该部分正式定义了两个核心矩阵。假设有d个指标(X1, …, Xd)，对每个受访者，其第i个指标的观察残差Ei= Xi- X?，其中X?是该受访者所有指标的平均分。ORC矩阵就是Corr(E1, …, Ed)。即使所有原始相关系数为正，ORC矩阵也常有许多负值，因为它捕捉的是指标相对于个人均值的“相对高低”模式。REC矩阵（校正版，排除了指标与自身的相关性）R*，其元素Rij*如上定义，它衡量了一对指标的相关性超出“预期”的部分。研究发现，观察残差协方差矩阵等同于“未校正”的相对超额协方差矩阵。此外，在tau等价(tau-equivalent)经典测验理论(CTT)模型下，校正后的相对超额协方差矩阵Q*的期望值为零。这意味着当REC或相对超额协方差矩阵的条目显著偏离零时，就暗示了数据与简单的tau等价模型不一致，可能存在更复杂的关联结构。
EXAMPLE 1—DESCRIPTIVE REPORTING: THE SATISFACTION WITH LIFE SCALE
通过对SWLS量表（5个条目）的分析，研究展示了ORC和REC矩阵的描述性价值。尽管所有原始相关系数都为正，但ORC矩阵中仅在指标1（“生活接近理想”）和指标2（“生活条件极好”）之间呈现正相关(0.10)，表明当一个人的这两个评价之一高于其自身平均生活满意度时，另一个也倾向于更高。REC矩阵则进一步显示，不仅指标1和2的REC值较高(0.09)，指标对(1,3)、(3,4)和(4,5)也显示出轻微的正REC值（分别为0.02, 0.05, 0.04），表明它们的相关性也略高于基于各自平均相关水平的预期。
EXAMPLE 2—EVALUATING THEORETICAL DOMAINS: COMMUNITY SUBJECTIVE WELL-BEING
对SCWB评估工具的分析，重点展示了REC矩阵在验证理论分区（领域）方面的强大功能。SCWB包含五个预设领域：良好关系(D1)、熟练领导(D2)、健康实践(D3)、满意社区(D4)和强烈使命(D5)。研究计算了全部20个条目的REC矩阵。结果显示，几乎所有的域内REC条目都为正值，而多数的域间REC条目为负值。通过计算，每个领域内部的平均REC（D1: 0.17, D2: 0.16, D3: 0.11, D4: 0.08, D5: 0.14）都显著高于其与外部领域的平均REC（均为负值，在-0.01到-0.03之间）。这表明预设的领域划分得到了数据的强力支持，同一领域内的指标确实表现出“超额”的相关性。研究还计算了每个指标在其所属领域内与在其他每个领域内的平均REC，生成了一份类似因子载荷矩阵的“模式矩阵”，清晰地显示绝大多数指标与其理论归属领域的关联最强，为量表的构念效度提供了新颖的证据。
USING THE RELATIVE EXCESS CORRELATION MATRIX TO ASSESS EMPIRICAL SUPPORT FOR PROPOSED DOMAINS
这部分系统阐述了如何利用REC矩阵来量化评估对指标的任何预设分区（如理论域）的经验支持。提出的核心指标包括：1) 计算每个分区（域）内部的平均REC；2) 计算该分区内指标与所有其他分区指标间的平均REC（跨域平均REC）；3) 为每个指标，计算其与所属分区内其他指标的平均REC，以及其与其他每个分区的平均REC。通过比较这些数值，可以客观地判断分区是否合理，以及特定指标是否可能更适合被划分到其他分区。这为量表开发者和使用者提供了一个不依赖于因子分析模型假定的、直接基于相关性强弱模式的验证工具。
综合研究结论与讨论，本文提出的观察残差相关(ORC)矩阵和相对超额相关(REC)矩阵，为心理社会构念的测量评估开辟了新的分析视角。这些矩阵具有双重解释：ORC矩阵揭示了当某个指标高于个体平均水平时，其他指标的预期相对位置；REC矩阵则揭示了一对指标的相关性是否超出或低于基于其整体关联模式的预期。它们既可以作为纯粹的描述性工具，提供比原始相关矩阵更深入的洞察，也可以用于更正式地评估指标集的内部结构，特别是验证理论驱动的领域划分。
与传统的因子分析相比，REC矩阵方法具有多重优势：它不依赖于模型和线性潜变量假设，无需决定因子数量或进行因子旋转，从而避免了相关的主观决策。它能够更灵活地评估多个可能存在重叠的理论分区，并且其解释（相关性是否超出预期）直观易懂。此外，REC矩阵与tau等价经典测验理论模型的关联（其期望值为零）提供了一个自然的基准，偏离此基准即指示了更复杂的共变结构。
这项研究的方法学贡献在于，它将流行病学中用于评估交互作用的“相对超额风险”思想创造性地迁移到了心理测量学的相关分析中，定义了一套严谨且可操作的新指标。通过在实际量表中的应用示例，研究证明了ORC和REC矩阵能够有效识别出指标中特别紧密关联的“子集群”，为理解量表的内在心理计量属性、优化量表设计、以及验证其理论结构提供了强大的新工具。未来，这些矩阵有望成为心理测量学、流行病学和公共卫生研究者在报告和评估多指标量表时的一个有价值的补充，甚至可能成为标准报告的一部分，从而深化我们对所测量构念本身的理解。
