基于PLS-SEM的互联网人群生存质量量表的信度效度评价*

林丽萍 刘伟霞 林中燕△

【提 要】 目的 对微调后的世界卫生组织生存质量量表的信度、聚合效度和区分效度进行评价，分析其在互联网人群中的适用性。方法 利用网络调查方法对我国八省(市)互联网人群进行抽样，基于收回的2400份有效问卷，采用偏最小二乘法结构方程模型构建互联网人群的生存质量评估模型，据此评价量表的信度、聚合效度和区分效度。结果 微调后的世界卫生组织生存质量量表各领域的Cronbach′s α值都大于0.6，量表聚合效度的评估指标中载荷超过0.6、组合信度超过0.7、平均提取方差值超过0.5，量表所有维度的AVE平方根都高于维度间相关值的平方根。结论 微调后的世界卫生组织生存质量量表具有良好的信度、聚合效度和区分效度，适用于评价互联网情境下的互联网用户的生存质量。通过偏最小二乘法结构方程模型评估模型得出四个分类维度对生存质量都有正向影响，其中心理维度影响最大，社会关系维度影响最小，在心理维度、精神支柱的影响最强。

由世界卫生组织根据生存质量主要内容设计的世界卫生组织生存质量测定量表简表(The World Health Organization′s quality of life Questionnaire-Brief Version，WHOQOL-BREF)包含个体的生理维度、心理维度、环境维度和社会关系维度等四个维度，是评价群体生存质量的主要工具。WHOQOL-BREF量表的测定效果受到量表信度和效度的影响，不同人群应用量表评价生存质量时其信效度可能会发生变化。因此将量表用于测定特定人群生存质量时，先验证量表在特定人群中的信效度是极其重要的[1]。目前用于测定多个国家和地区不同群体生存质量的WHOQOL-BREF量表被验证具有良好的信度和效度[2-5]。

互联网的发展与普及使得人们的社会生活发生了深刻的变化，个体的体验也存在差异，互联网用户的生存质量也随之发生变化。在新的互联网情境下，WHOQOL-BREF量表是否仍适用于评估和判断用户的生存质量，是研究互联网人群生存质量的关键。已有的与互联网相关的生存质量研究中，应用WHOQOL-BREF量表作为测定工具的文献相对较少，对量表的信度和效度研究更少，主要是将互联网作为影响因素来判定其对生存质量的影响[6-10]。本文将互联网人群作为研究对象，通过实证分析验证微调后WHOQOL-BREF量表的信度和效度，用以评估和判断量表是否适用于评估互联网人群的生存质量。采用偏最小二乘法结构方程模型构建评估模型来验证量表的信效度，原理同已有文献的实证方法相似[11-15]。但因偏最小二乘法结构方程模型是集多元线性回归法和主成分回归法为一体，融合因素分析和路径分析两种统计技术，所以利用该方法来评估量表的信度和效度更加简单直观，同时将变量的测量误差考虑在内从而提高了检验的准确性[16-18]，最后还能进一步通过评估模型判断四个领域对生存质量的影响强弱。

资料与方法

1.数据来源

本次问卷调查方法采用网络调查方法[19]。已有研究表明，利用互联网从地理上分散样本中收集数据，可以减少转录需要和出错可能性，从而有可能提高此类研究的质量，在具有测量不变性的基础上，网络调查对于概念的测量均值更加精确，同时网络调查还有利于减少数据缺失率和保护个人隐私[20-23]。具体的调查抽样是由网络问卷机构按照项目要求，通过向北京、上海、福建、广东、江苏、浙江、安徽和江西等八省(市)的实体社区样本单位进行随机抽样网络调查，抽样方法符合ESOMAR国际商会与欧洲民意和市场研究协会《全球调研准则和指导原则》(2017年9月发布)网络抽样28条规范，样本取自网络人群，因此符合该规范网络调查手段与互联网人群的调查要求。为保护受访者隐私，调查问卷通过互联网进行匿名投放和回收，每个地区平均收回300份，样本不重复计数，每个样本均为独立IP样本，所有样本调查对象均为互联网人群，总采样数2400份。

2.问卷设计

本文所发放的调查问卷基于WHOQOL-BREF量表设计，结合互联网情境在条目的设计上做了微小增删，主要包含受访者基本信息和28个核心条目，用于研究调查对象在近两周的生存质量情况。量表中的28个核心条目是在WHOQOL-BREF量表的26个核心条目基础上，新增“家庭摩擦”、“食欲”“生存质量分值”三个条目，同时删去“交通条件”条目。每个条目采用Likert五分计分，分别用1～5表示很差、差、不好也不差、好、很好，正向条目直接按1～5计分，逆向条目则采取正向化处理。

本文在原WHOQOL-BREF量表结构中的分类维度基础上，结合新增删的条目做了微调，将原量表结构中的“总体健康状况”及新增的“食欲”归为生理维度；“家庭摩擦”归为社会关系维度；新增的“生存质量分值”归入总的生存质量，微调后的分类量表结构详见表1。

表1 基于WHOQOL-BREF微调后的分类量表结构

3.统计方法

偏最小二乘法结构方程模型(partial least squares structural equation modeling，PLS-SEM)，属于结构方程模型的“软模型”，用以有效处理、检验测量模型和结构模型之间关系的多元统计方法，其允许由多个独立的潜变量和指标同时建模来描述测量模型和结构模型的关系。测量模型指(潜)变量与测量指标之间的关系，结构模型指(潜)变量间的关系。其核心思想在于引入潜变量，并为潜变量设置观测指标，使得原本相对抽象且难以直接观测的潜变量可以通过可直接观测的指标来测量和反映。

本文将量表结构中的生理维度、心理维度、环境维度及社会关系维度设为潜变量(分类变量)，其对应的每个条目设为相应的观测指标，进行偏最小二乘法结构方程模型的构建来评估微调后量表的信度和效度。本文采用Smart PLS 3.0软件工具，在统一数据测试环境中，实现量表的信度、聚合效度和区分效度的评估。

结果与分析

1.受访者的人口学特征

统计2400份有效问卷的受访者信息，其中男性略多，占53%，达1273人，女性1127人；受访者年龄呈正偏态分布，其中20～30岁516人，占比最大，达21.5%，其次是30～40岁占比20.5%，接下来依次是40～50岁15.6%、50～60岁12.6%、20岁以下12.5%、60～70岁10%、70～80岁5.7%、80岁以上1.6%；在受教育程度上，达高等教育以上文化程度的受访者占65.8%；婚姻状况已婚为主，占比68.4%；职业在私企的占36.3%，在体制内工作的占23.4%。

2.量表的信度分析

通过偏最小二乘法结构方程模型对收集的问卷数据构建评估模型，可得出量表的信度和聚合效度、区分效度。量表的信度分析是考察量表中观测指标与分类变量间的内部一致性程度，具体指同一组的观测指标是否指向同一个分类变量，目前Cronbach′s α值是应用最广泛的信度指标。通常情况下，Cranbach′s α系数在0.6以上，被认为信度较高。表2中信度检验结果显示：所有的Cranbach′s α值都大于0.6，由此可知，量表各个维度与其观测指标的内在一致性程度较高，说明量表的信度较高。

表2 量表的信度分析

3.量表的聚合效度(convergent validity)

聚合效度又称收敛效度，指测量相同分类变量的观测指标会落在同一个共同因素上，用于检验观测指标对于其测量的分类变量实际测量的程度。通常由载荷(loading)、组合信度(composite reliability，CR)、平均提取方差值(average variance extracted，AVE)三者结合来评估。

表3 量表的聚合效度

载荷表示观测指标在分类变量公共因子上的负荷，载荷的大小表示观测指标是否能有效反映出它所要测量的分类变量，表2结果显示，所有观测指标的载荷均超过推荐值0.6[24]。组合信度(CR)表示由多于一个观测指标组成的分类变量的信度，即所有测量指标分享该分类变量的程度，其值越高说明观测指标间内在关联越强，评估模型的CR值范围为0.825～0.884，超过推荐值0.7[25]，说明五个分类变量的组合信度较高，其内部观测变量间的关联程度强。平均提取方差值(AVE)表示观测指标对分类变量的差异解释力，其值越高表示分类变量的收敛程度越大，模型的 AVE值范围在0.512到0.762，超过推荐值0.5[25]。综上说明量表中分类维度和观测指标间有较强的交联度、相关性，说明生存质量的四个分类维度与其对应的指标之间的聚合效度较好。

4.量表的区分效度(discriminant validity)

区分效度用于说明观测指标与其所属分类变量相关性较强而与其他分类变量相关较弱或不存在相关性，通常通过比较分类变量间相关系数的平方根和AVE平方根的大小来检验[26]。如表4所示，量表分类变量的所有AVE平方根都高于表中所在行的相关值，说明各个观测指标与其对应的分类维度之间相关性较强，与其他四个分类变量的相关性较弱，例如生理维度的观测指标PF1～PF7与生理维度的相关性较强，与心理维度、环境维度等其他维度的相关性较弱。综上证明了量表分类变量间有区分效度。

表4 量表分类变量间的区分效度

5.量表评估模型：偏最小二乘法结构方程模型

通过构建量表的偏最小二乘法结构方程模型(图1)来评估测量模型的信效度，得出量表的信度、效度良好，通过模型可进一步分析分类变量间的关系，可以得出四个领域对生存质量的影响大小。利用重采样5000个样本自举法对结构模型的路径显著性进行检验。结果如表5所示，其中各个路径的P值都<0.001，表明模型中的分类变量对生存质量都有正向影响。R2是度量回归直线对观测值的拟合程度的可决系数，其值越接近1，说明模型回归效果越显著。由图1可知，模型的R2为0.658，说明模型效果较为显著，表明量表的准确性和可靠性都较高。

表5 结构模型输出结果

图1 量表评估模型

结 论

通过实证分析结果显示，互联网情境下使用修改后的WHOQOL-BREF量表建构互联网人群生存质量的评估模型，得出该量表具有良好的信度、聚合效度和区分效度，所以基于WHOQOL-BREF微调后的量表适用于评价新环境下的互联网人群的生存质量。

进一步分析量表评估模型，可得出四个分类维度对生存质量有正向影响且有强弱之别，心理维度对该群体的生存质量影响最大(β=0.326)，社会关系维度影响最小(β=0.117)，生理维度和环境维度的影响次之。这与往期文献研究具体病症群体的生存质量时，对患者生存质量影响最大的是生理维度而非心理维度不同。产生差异的原因一方面由于受访者当前的健康问题集中在隐性慢性病或亚健康方面，短期内对生理维度的影响有限；另一方面是随着互联网对人们生活消费等的深刻影响，个体增强了对自身心理的关注而弱化了其他维度的影响。这和社会关系维度影响最弱的结果一致，表明在互联网环境下，人们之间的亲疏互助关系模式发生了改变，因此对人际关系及所需社会支持依赖性减弱。

有趣的是，在生存质量影响最强的心理维度，观测指标“精神支柱”(Q14：您觉得生活有意义吗？)是载荷最大的指标，说明精神支柱与心理维度关系最为密切。这表明在互联网环境下，精神支柱依旧是一种理想信念和信仰寄托，有明确的精神支柱有助于人们以更积极、充满正能量的心态来面对生活，提升整个心理维度的效应，从而助推人们生存质量的提升。