大学生希望感的发展轨迹研究：平均趋势与个体差异

本文链接：https://blog.csdn.net/qq_42872324/article/details/134903275

大学生希望感的发展轨迹研究：平均趋势与个体差异

【研究设计和研究目的】拟对大学的希望感进行持续一年多，共四个时段的追踪，考察大学生希望感的发展轨迹，以及相关变量对大学生希望感发展轨迹的影响。本研究拟从平均发展趋势和个体差异性两个角度来分析大学生希望感的发展轨迹。由此本研究将有两个子研究：子研究一釆用潜变量增长模型（把大学生作为一个整体考察希望感的发展趋势；子研究二釆用潜变量混合增长模型探索大学生希望感的发展轨迹是否存在内在的不同质的群体差异。

【研究问题】本研究拟从平均发展趋势和个体差异性两个角度来分析大学生希望感的发展轨迹。由此，我们将开展两个子研究，第一个子研究采用潜变量增长模型 (LGM)把大学生作为一个整体考察希望感的发展趋势; 第二个子研究采用潜变量混合增长模型(LGMM)探索大学生希望感的发展轨迹是否存在内在的不同质的群体差异。为了完整的呈现大学生希望感的发展轨迹，本研究中我们将把两个子研究结合起来。

潜变量增长模型

在心理学领域对个体心理发展进程的研究常是研究者关注的焦点，例如发展心理学家对某一心理特质随年龄增长或时间变化而变化的趋势的研究。由此，研究者基于结构方程模型框架的基础上发展出潜变量增长模型来研究描述 相关心理特质发展和变化的趋势。潜变量增长模型主要是通过假设的潜在发展轨迹来刻画重复测量间的变化类型（Muthen, 2010。潜变量增长模型主要的优点就是能将模型灵活的扩展，能够灵活的加入协变量对所研究的问题进行考察，也可以包含前因和后果变量；甚至还可以包含类别潜变量分析群体异质性（即增长混合模型）（刘红云，2007）。

混合增长模型

1潜在类别分析

以往关于希望感的研究都是以变量为中心的分析方法，诸如因子分析和回归等，这些方法往往假定研究的变量是连续的变量，并根据相关的指标来分析相关的样本。实际上，并不是每-一个变量都是连续的， 个体心理特征之间的差异也有可能是质的差异 (邱皓政，2008; 张洁婷，焦璨，张敏强，2010)，所以这些研究方法可能会遗漏个体在回答测量条目上的一些信息，甚至导致一些相互矛盾的结论。近年来，在心理学、精神病学等诸多领域中开始采用的 潜在类别分析(latent class analysis, LCA)的方法使得研究者们可以从个体为中心的视角来审视所研究的对象，更好的揭示问题的本质(邱皓政，2008; 张洁婷等，2010) 。潜类别分析的处理对象是人。

2潜变量混合增长模型(LGMM)

在潜变量增长模型(LGM)分析中，群体也可能存在异质性，因此可以将潜在类别分析(LCM)和潜变量增长模型（LGM）两者结合用以解释不同潜在类别组个体增长变化的差异和特点，这种模型称作潜变量增长混合模型(Latent Growth Mixture Modeling, LGMM; Muthen et al, 2002; 刘红云，2007)。与潜变量增长模型（LGM）不同，潜变量混合增长模型（LGMM）并不假设群体同质而是允许群体内存在异质性。因此，在潜变量混合增长模型（LGMM）中同时存在两种潜变量:

(1)连续潜变量，用于描述初始差异和发展趋势的随机截距和随机斜率因子。

(2)类别潜变量，通过将群体分成互斥的潜类别亚组来描述群体的异质性。

研究1a 大学生希望感发展轨迹的平均趋势

1.1研究目的

(1)了解大学生希望感发展的一般趋势。

(2)分析性别(时间不变性的因素)对大学生希望感发展的影响。

1.2研究方法

1.2.1被试和研究程序

本研究的被试来自湖南长沙两所大学的学生，以班级为单位进行团体施测，由受过专门训练的心理学研究生担任主试指导施测，统一施测，统一回收问卷,每次施测的时间大约10分钟。四次测量分别为第一次，第4个月，第8个月和第12个月时点的测量。

第一次测查发放问卷426份，回收有效问卷408份，有效回收率为95.8%。随后的三次测量共流失样本27人(因为实习或者休学等原因流失),其中有4份不完整问卷也被作为流失样本处理，共获得无缺省值样本381人进入本研究的数据分析，其中男生176名，女生205名;年龄17-23岁，平均年龄19.69+1.12岁; 农村生源168名，城市生源213名。独立样本双边t检验的结果表明: 流失的被试与继续参加研究的被试在希望感水平和积极情感以及消极情感等几个变量上均不存在显著的差异，这说明样本的流失是随机的。

1.2.2研究工具

(1) Snyder成人希望状态问卷(SHS)

采用Snyder等( 1996)编制的希望状态问卷(State Hope Scale, SHS)，量表包括6个条目，其中测量路径因子和动力因子分别3个条目，采用8点计分，从1=完全不同意到8=完全同意。研究表明,该量表具有非常好的信度和效度( Snyderet al,1996)，在本研究中4次测量的Cronbach a系数分别为: 0.87、 0.83、 0.85、 0.88。

1.2.3模型建构

本研究共建构三个理论模型考察希望感的发展轨迹的平均趋势,以及相关因素对希望感发展轨迹的影响: M1，无条件模型，单纯的描述大学生希望感随着时间变化的发展轨迹; M2，在M1的基础上增加性别作为协变量的不变协变量的潜变量增长模型，考察性别因素对希望感发展轨迹的影响; M3，在M2的基础上增加以情绪状态为协变量的时间变化协变量的潜变量增长模型,考察个体的情绪状态对大学生希望感发展和变化的影响。

1.2.4模型评价及数据分析策略

用spss15.0进行样本的描述性统计，用Mplus 6.0软件,采用极大似然估计方法对测量数据和M1-M3几个潜变量增长模型进行拟合。同时还可以获得每个潜变量增长模型的的截距(a )和斜率(B )的均值和方差，由此反应大学生希望感的发展轨迹。

模型评价: 本研究选取常用的拟合指标评价模型拟合(Kline,2011): CFI(comparative ft index)、TLI(Tucker Lewis)、RMSEA (Root Mean Square Error of a Approximation)以及信息指数AIC(Akaike's information criterion)。CFI 和TLI的建议参考值为大于0.9，其值越大越好，本研究采用0.9的标准; RMSEA的建议参考值为0.08 McDonald & Ho, 2002)或0.05(Hu & Bentler, 1999)，越小越好，本研究采用0.05的标准。AIC可用于评价多个嵌套和非嵌套竞争模型的优劣，其值越小越好。模型之间的AIC差值在10以上时，说明模型之间有实质性的差异(Buranham & Anderson, 2002)。

1.3结果

1.3.1描述统计及相关系数矩阵

希望感、积极情感、消极情感在每个测量时间点的均值、标准差和相关系数矩阵见表5-1。结果显示4次测量的希望感均值变化很小; 希望感和积极情感在不同的测试时间都有非常显著的正相关，而和消极情感均呈显著的负相关，而消极情感和积极情感的相关却非常的微弱(接近零); 同时，希望感和积极情感以及消极情感都表现出中等程度的稳定性。

1.3.2各潜变量增长模型的拟合指标

几个假设的潜变量增长模型的拟合结果见表5-2，表5-2的各项拟合指标可见，几个嵌套模型的拟合结果都非常的好，由此我们可以在潜变量增长模型的基础上根据每个模型的相关指标分析希望感的发展轨迹。

1.3.3希望感的发展轨迹:无条件模型

为了考察希望感的平均发展趋势,本研究的第一- 步就是 构建了希望感无条件潜变量增长模型。结果表明，无条件模型各项拟合指标都非常的良好。线性无条件潜变量增长模型只需要估计截距(a)和斜率(B),其中截距代表希望感发展变化的起始水平，所有的因素载荷固定为1.0. 斜率代表希望感发展的变化速度,根据测试的时间间隔，将因素载荷分别设为0、1.0、2.0和3.0。第- -层水平模型的方程为: Y:=a+βhr+ζho其中Yi为被试i在时间t的希望感得分; a; 为被试i的截距; βr为被试i的斜率,在本研究中代表四次测试期间希望感的平均变化分数;入为时间分数，品为被试i在时间t的残差。第二层水平的方程为:a;=pa +品;β:=μp+ζpi°其中Pa和p4p分别为截距和斜率的均值: a、 ζpu 分别为被试i截距、斜率的残差。希望感无条件模型的截距均值为32.23 (p <0.001)，变异为21.89 (p<0.001) 。斜率均值为0.032，变异为0.16，斜率的均值和变异值都不显著。这结果说明 大学生希望感的起始水平呈现明显的个体差异，而发展变化的速度不显著(图5-5) ;此外截距和斜率之间的相关系数为r=-0.36 (p<0.01),即 大学生希望感的变化速度和希望感水平之间存在显著的负相关,说明希望感的水平越高，其发展变化的速度越小;同时，这结果 还揭示了大学生希望感的发展轨迹可能存在群体的异质性差异。

1.3.4希望感发展轨迹的性别差异

为了考察性别对大学生希望感发展轨迹的影响，本研究进--步 构建以性别作为协变量的条件模型。我们在条件模型中把性别(男=1,女=0)做自变量，分别用截距(a)以及斜率(β)作为因变量，进行Logistic回归，考察性别的效应。结果显示性别对截距的偏回归系数B值为0.58 (SE=0.65, p=0.37) ;性别对斜率的偏回归系数B值为-0.76 (SE=0.25, p=0.002)。结果表明，男生组和女生组之间的截距不存在显著差异，而两组间的斜率存在显著差异。为了进-步考察每个组的效应，把性别(男=1,女=0)作为分组变量分别考察不同性别的截距(a)以及斜率(B)的均值和变异。结果显示，女生组的截距均值为32.00(p <0.001) ,变异为17.40(p <0.001) ; 斜率均值为0.37 (p <0.05)，变异为-0.49 p>0.05)。男生组的截距均值为32.60 (p<0.001) ,变异为28.54 (p<0.001) ; 斜率均值为-0.40(p<0.05)，变异为0.45 (p>0.05) 。结果表明，男生组组内和女生组组内的希望感起始水平存在非常显著差异，且发展变化的速度也存在显著的差异;同时女生组的希望感水平呈显著上升趋势,而男生组的希望感水平则呈显著的下降趋势(图5-6)。

研究1b 大学生希望感发展轨迹的 个体差异

2.1研究目的

(1)探究大学生希望感的发展轨迹是否存在异质性的潜在类别差异。

(2)了解性别对大学生希望感发展轨迹异质性的影响。

2.2研究方法

2.2.1被试和研究程序

同研究三a。

2.2.2研究工具

同研究三a.

2.3.3数据分析策略

本研究中采用Mplus 6.0(Muthen & Muthen, 2010)进行潜变量增长混合模型(LGMM)的分析。数据分析主要包括两个步骤:首先分析大学生的发展轨迹是否存在异质性的潜类别差异，从初始模型开始(假定所有样本只存在-一个类别)，逐步增加模型中的类别数目，直到找到拟合数据最好的模型。第二个步骤是用第一个步骤所获得的潜在类别分类结果作为因变量, 性别作为自变量，建立多元的logistic回归模型。目的是为了了解大学生希望感发展轨迹的潜在类别差异性的性别效应。

2.3.4模型评价

模型的适配的检验指标主要有似然比Log likelihood检验，以及信息评价指标Akaike information criterion(AIC) 和样本校正的Bayesian informnation criterion(aBIC)， 这几个数值越小表示模型拟合得越好(Muthen & Muthen, 2010)。在潜在类别分析中还经常使用Entropy指数来评估分类的精确程度，Entropy的取值范围在0~1之间，当Entropy-0.6时，表明约有20%的个体存在分类的错误，Entropy约等于0.8时表明分类的准确率超过了90%(Carragher, Adamson, Bunting et al,2009)。此外Mplus还提供了似然比检验指标Lo-Mendell-Rubin(LMR)和基于Bootstrap的似然比检验(BLRT)两个指标来比较潜在类别模型的拟合差异，如果这两个值的p值达到显著水平，则表明k个类别的模型显著的优于k-1个类别的模型(Muthen,& Muthen, 2010)。

2.3结果

2.3.1大学生希望感潜变量混合增长模型(LGMM)的拟合信息研究分别抽取了1-5个潜在类别的潜变量混合增长模型(LGMM)，拟合指数汇总在表5-6中。

2.3.2希望感在各潜在类别的发展轨迹

对LGMM模型的拟合信息指数进行分析后发现分为3个潜在类别是最合适的，我们进一步考察每个潜在类别的发展轨迹。在LGMM中可以获得每个潜在类别的截距(a )和斜率(B )的均值。每个潜在类别的截距的均值分别为C1:29.25(SE=0.63, t 46.21, p<0.01); C2: 36.84(SE=0.82, t 45.15, p<0.01); C3:21.13(SE=1.40, t 46.21, 15.08, p<0.01)。每个潜在类别的截距均值都和其它类别差异非常的显著，由此,我们可以根据其截距的均值分别定义3个潜在类别的名称: C1定义为中等水平希望组，占所有被试样本比例的52%; C2 定义为高水平希望组，占总体样本比例的40.4%; C3定义为低水平希望组，占总体样本比例的7.6%(图5-7,图5-8)。我们继续通过每个潜在类别斜率的均值考察每个类别的发展速度，每个潜在类别的斜率均值分别为:中等水平希望组(C1): 0.11(SE-0.22, f= 0.51, p=0.61) ;高水平希望组(C2): 0.12 (SE =0.24, f 0.51, p=0.61);低水平希望组: -1.85 (SE=0.66, t-=-2.82, p<0.01)。结果表明， 中等水平希望组和高水平希望组在4个时间段的发展相对稳定,没有发生显著的变化，而低水平希望组却随着时间的变化，其希望水平更加显著地下降。我们能在图5-8中也看到同样的趋势，从图5-8我们还可以看到， 中等水平希望组的希望感水平在第三个时间点和第四个时间点这个时段内得到了- -定程度的提升。