测量非等值性（DIF）可解释族群间心理健康均数差异：基于随机实验的SF-12基线版与认知适应版比较研究

《Sage Open》：Differential Item Functioning Can Explain Mean Differences in Mental Health Between Ethnic Groups

　　

摘要专业翻译 本文考察测量非等值性（measurement non-invariance）是否会在跨语言群体的均数比较中引入偏倚，从而导致虚假的研究发现。研究从德国一个联邦州的三个大城市中抽取概率样本（N = 542），以德语和阿拉伯语两种语言发送网络调查的邮件邀请。采用简短健康调查量表（Short-Form Health Survey, SF-12）评估心理与躯体健康。参与者被随机分配到基线版SF-12或经认知预测试（cognitive pretesting）开发的适应版量表。采用结构方程模型（Structural Equation Models, SEM）评估信度与效度，以确保nomological效度（nomological validity）和效标效度（criterion validity），并确认SF-12各版本为平行版本。研究实施了多指标多原因（Multiple Indicators Multiple Causes, MIMIC）模型。在基线版量表的心理健康子量表中识别出显著的测量非等值性，导致族群潜在均数差异被高估。测量非等值性可能导致族群健康差异被高估。除确保构念效度（construct validity）和信度外，在解释群体间均数差异之前，应建立或控制统一测量等值性（uniform measurement invariance）。

论文解读文章

一、研究背景与问题提出

在公共健康研究与移民研究中，跨族群的心理与躯体健康自我报告比较是核心数据来源之一。许多国家的难民和移民群体被认为面临更差的健康结局，尤其是心理健康方面。然而，此类差异结论的有效性取决于测量工具是否在不同语言和文化群体间以等价方式评估健康。测量非等值性或项目功能差异（Differential Item Functioning, DIF）是可比性的关键问题——当具有相同潜在健康状况的个体因其群体归属不同而对特定调查项目做出不同反应时，即产生DIF。例如，A组和B组疼痛水平相同，但A组报告更高的疼痛程度。若测量等值性不成立，观察到的群体差异可能反映测量伪影而非实质性差异。

现有研究存在一个核心争议：一派观点认为DIF缺失或建立测量等值性是有效比较的前提，违反时结果不反映真实群体差异；另一派则认为DIF的存在不一定使群体比较失效，工具可能支持nomological效度，或实质性发现在不满足等值性标准时仍然稳健。尽管模拟研究已显示非等值性会扭曲统计结果，但极少有实证研究在真实而非模拟的群体数据中评估非等值性对实质性结论的改变程度。此外，在nomological效度已充分支持的数据中，非等值性的后果也鲜有考量。本研究旨在填补这些空白。

二、研究设计与核心结论

研究人员在德国一个联邦州的三个大城市中，对德语居民和阿拉伯语难民群体进行了概率抽样（N = 542），通过邮寄邀请参与网络调查。参与者被随机分配到基线版SF-12（SF-12B，源自德国社会经济面板研究GSOEP）或经认知预测试改进的适应版SF-12（SF-12A）。认知预测试由GESIS认知预测试实验室对12名叙利亚和伊拉克难民实施，发现受访者对项目涉及躯体、心理还是一般健康存在困惑，时间参照不清晰，反应类别不一致，以及对描述悲伤或抑郁的形容词理解存在文化差异等问题。适应版采用TRAPD（Translation, Review, Adjudication, Pretesting, and Documentation）方法进行阿拉伯语翻译。

研究得出两个核心结论：第一，含不同量DIF的工具在族群间特质均数差异上产生不同结果（支持假设H1）；第二，控制DIF后，含DIF与不含DIF的工具版本提供相似的比较结果（支持假设H2）。具体而言，基线版SF-12B的心理健康子量表（MCS）存在显著的DIF，导致德语居民与阿拉伯语难民之间的心理健康差异被高估；控制DIF后，该差异变为不显著。适应版SF-12A未显示显著的DIF，两群体间在心理和躯体健康方面均无显著差异。这一发现表明，先前研究中报告的族群心理健康差异可能部分源于测量伪影而非真实差异。

三、主要技术方法

本研究采用以下关键技术方法：使用结构方程模型（SEM）评估信度（组合信度rho）与效度（nomological效度、效标效度）；采用多组验证性因子分析（MGCFA）框架下的多指标多原因（MIMIC）模型评估群体间潜在均数差异；进一步采用DIF-MIMIC模型，在测量部分引入群体变量对项目的直接路径以识别和控制统一DIF；使用M-PA方法（multiple indicator multiple cause model with a pure anchor）选择无DIF的纯锚定项目；模型拟合采用稳健最大似然估计（MLR），以卡方检验（CMIN）、RMSEA和CFI作为拟合指标。样本来源为德国一个联邦州三个大城市的登记处概率样本，德语居民N = 296，阿拉伯语难民N = 247。

四、研究结果

信度与效度评估。 通过单因子CFA模型计算组合信度，躯体健康（PCS）在两个版本中均较高（rho > .85），心理健康（MCS）在适应版中显著更高（SF-12A rho = .87 vs. SF-12B rho = .79）。nomological效度方面，两个版本的PCS与躯体症状、医生就诊和总体健康呈显著中高相关；MCS与PHQ-4抑郁和焦虑子量表呈高负相关，支持聚合效度。区分效度方面，两个版本与权威主义、信任、宗教重要性等非相关构念的相关性均较低。效标效度方面，MCS与孤独感和生活质量的回归系数在两个版本中均显著且为中高效应量。总体而言，两个版本在信度和效度上均获得支持，可视为平行版本。

CFA模型。 对两个版本分别估计双因子CFA模型，SF-12B拟合可接受（CMIN = 120.56, df = 51, RMSEA = .07, CFI = .93），因子载荷充分，因子相关r = .47；SF-12A拟合同样可接受（CMIN = 125.49, df = 51, RMSEA = .07, CFI = .95），因子载荷均大于λ > .50，因子相关r = .52。两个版本获得可比的CFA结果。

MIMIC模型。 在CFA基础上加入语言群体变量对潜在均数的结构路径后，SF-12B版本的模型拟合显著下降至不可接受（RMSEA = .09, CFI = .88）。PCS无显著群体均数差异，但MCS显示德语群体心理健康功能显著更高（γ = .18, p < .05）。SF-12A版本的MIMIC模型拟合可接受（RMSEA = .07, CFI = .95），PCS和MCS的群体回归路径均不显著。两个随机分配的平行版本在族群心理健康差异上产生了不同结果，支持假设H1。

DIF-MIMIC模型。 在测量部分引入语言群体对项目的直接路径后，SF-12B版本的模型拟合显著改善至可接受（RMSEA = .06, CFI = .95）。PCS中仅"疼痛"项目存在显著DIF；MCS中除锚定项目外所有项目均存在显著DIF。控制DIF后，MCS的群体均数差异（γ）改变符号并变为不显著（γ = -.12）。SF-12A版本的DIF-MIMIC模型结果与MIMIC模型一致，所有参数基本不变，群体均数差异仍接近零且不显著，仅"低落"项目存在轻微DIF。控制DIF后两个版本的结果不再有差异，支持假设H2。

五、讨论与结论

研究发现，尽管两个版本均获得充分的nomological效度支持，DIF仍导致群体均数差异被高估，表明nomological效度无法补偿潜在的系统性偏倚。这一结果反驳了非等值性不影响有效工具比较结论的立场，支持了标量测量等值性（scalar measurement invariance）应作为群体比较前提的观点。研究在德国复现了Fleishman和Lawrence（2003）在美国样本中的发现，表明GSOEP SF-12工具的MCS子量表不宜用于族群和语言群体比较，推荐使用适应版SF-12A。研究结论指出，测量等值性 violations——在项目层面操作化为DIF——可以系统性地偏倚跨族群心理健康比较。研究建议，研究者应优先评估和消除DIF，严格的翻译程序、认知预测试和显式DIF检验应被视为有效群体比较的前提条件。未来研究应将此方法应用于更多工具、城乡人群和更多文化情境，以阐明测量偏倚在既有跨族群健康比较发现中的范围和幅度。