欧洲成年人时间框架的三维结构：过去、未来和现在时间视角中的平衡性

《Frontiers in Psychology》：The three-dimensional structure of temporal framing in European adults: balancedness in past, future, and present time perspective

　　摘要
目的：本研究旨在提供关于如何在时间框架中最好地捕捉平衡性的证据。平衡性被认为是适应性的，能够预测幸福感和其他心理健康指标。此外，时间感知对人类功能至关重要，它指导人们将时间视角（TP）朝向过去、现在和未来的方向。目前有多种测量时间感知的方法，这些方法在构建维度和操作化方面存在差异。分析是在更广泛的幸福感和生活质量的背景下进行的，旨在为生命周期心理学提供实际应用意义。本研究将平衡时间视角量表（BTPS）与修改后的BTPS进行了比较，探讨了两个或三个维度是否足以捕捉时间视角的方法论问题，并量化了使用两种复合测量方法所解释的模型方差及其增量收益：偏离平衡时间视角（DBTP）和结构方程模型系数（SEM）。

方法：这是一项采用横断面设计的观察性研究。没有对受试者进行盲法处理或随机分配。观察结果在6个组别中均匀分布，年龄和性别各异（18岁至71岁以上）。在平衡性方面，观察结果也均匀分布。通过五折交叉验证来验证模型的准确性，使用训练集和测试集。确保符合分析模型的要求。应用线性判别分析来推断证据。

结果：时间框架中的平衡性具有三因素结构：包含当前的模型解释的方差超过包含过去和未来的方差；因此，三个时间视角优于两个时间视角，即mBTPS的表现优于BTPS。DBTP和SEM这两个综合指标进一步增强了解释能力，超越了使用三个时间视角的效果。该模型的整体预测能力非常出色，处于正确估计的上百分位。具体而言，证据表明DBTP更能预测平衡性的缺失，而SEM则更能捕捉平衡性的存在。总体而言，具有平衡性的个体的主观幸福感更高。平衡性与年龄或性别无关。

结论：时间平衡性具有三因素结构，最好通过过去、未来和现在时间视角的复合估计来衡量。在主观幸福感（SWB）评分的上四分位数中建立的阈值具有临床意义。

引言
时间视角
当前心理学研究中理解的时间视角（TP）概念基于Lewin（1942年）的工作（Stolarski等人，2018年）。Lewin将TP描述为“个体在某一时刻对其心理过去和心理未来的整体看法”（Lewin，1951年，第75页）。虽然这个定义有用，但它使得TP难以与其他心理概念（如心理时间旅行或跨时间选择）区分开来（Stolarski等人，2018年）。Zimbardo和Boyd（1999年）提供了更具体的定义，将TP描述为一种将个人和社会经验组织成时间类别或背景的潜意识过程。这一过程使个体能够为他们的生活经验带来秩序、意义和连贯性。人类可以在生活的过去、现在和未来之间切换时间视角。一些研究将TP概念化为对过去和未来的取向（Webster，2011年），而其他模型也包括现在（Vowinckel等人，2017年；Zimbardo和Boyd，1999年）。过去的时间视角指的是个体如何看待他们的过去以及他们赋予过去经验的意义（Webster，2011年；Zimbardo和Boyd，1999年）。例如，他们是否会回忆过去作为一种资源，还是沉湎于损失——即救赎性的或破坏性的框架（Cappeliez和O’Rourke，2006年；McAdams等人，2001年；Vowinckel等人，2017年；Webster，2011年）。现在的时间视角描述了对当前时刻的关注以及此时此地的体验（Burzynska和Stolarski，2020年；Prezpiorka和Sobol-Kwapinska，2021年；Vowinckel等人，2017年）。最后，未来的时间视角代表了对未来的时间取向和预期目标（Simons等人，2004年；Webster，2011年；Zimbardo和Boyd，1999年）。它还涵盖了动机、期望和目标设定以及实现目标（Stolarski等人，2018年；Zimbardo和Boyd，1999年）。在这个概念框架中，Zimbardo时间视角指数（ZTPI）的一些条目从时间管理的角度测量未来视角，而Webster（2011年）提出的平衡时间视角量表（BTPS）则每个条目都包含了情感和认知方面（Vowinckel等人，2017年）。

时间视角与幸福感
在心理学研究中，时间视角是一个重要的变量，因为它与许多不同的心理概念相关，其中许多概念与生活质量、健康和幸福感有关。对过去时间视角的积极取向与幸福感增加相关（Diaconu-Gherasim等人，2021年）和积极情绪相关，而对过去的消极取向则与幸福感下降相关（Boniwell等人，2010年；Desmyter和De Raedt，2012年）。此外，自传记忆中的积极过去取向与资源（Ely和Mercurio，2011年）、情商（Stolarski等人，2011年）和自尊（Anagnostopoulos和Griva，2012年）有关。对现在时间视角的强烈关注与活在当下、追求即时愉悦和屈服于诱惑有关（Burzynska和Stolarski，2020年）。然而，这些发现与使用Zimbardo时间视角量表（ZTPI；Zimbardo和Boyd，1999年）的研究相关，该量表专注于此时此地的体验（Fieulaine和Martinez，2010年；Keough等人，1999年）。在修改后的平衡时间视角量表（mBTPS；Vowinckel等人，2017年）中，发现与正念、流畅体验和改善的心理健康有积极关联。此外，研究还强调了与幸福感的积极相关性（Przepiorka和Sobol-Kwapinska，2021年；Stolarski等人，2018年；Vowinckel等人，2017年）、情绪提升（Stolarski等人，2014年）、情商（Stolarski等人，2011年）、外向性和对新体验的开放性（Stolarski等人，2018年）。积极的前瞻性时间视角与更健康的行为相关，例如减少物质使用（酒精和烟草）或增加安全带使用（Daugherty和Brase，2010年）、参加预防性癌症筛查（Roncancio等人，2014年）以及戒烟（Kova?和Rise，2007年）。其他相关还包括创伤事件后的痛苦减少（Holman和Silver，1998年，2005年）、拖延减少（Ferrari和Díaz-Morales，2007年）、更高的收入和教育成就（Shores和Scott，2007年）以及更大的延迟满足能力（Daugherty和Brase，2010年）和幸福感（Vowinckel等人，2017年）。总体而言，研究表明个体的时间视角与健康意识行为（Daugherty和Brase，2010年）和增强韧性（Indirasari等人，2019年）等积极概念相关。然而，过度关注某一时间视角而忽略其他时间视角可能会导致负面后果（Boniwell等人，2010年）。特定时间视角的积极作用似乎也取决于情境背景。例如，在目标实现的背景下，未来时间视角特别有用，可能是因为它与拖延的消极关联（Boniwell等人，2010年；Ferrari和Díaz-Morales，2007年）。因此，Zimbardo和Boyd（1999年）超越了个体时间视角的概念，提出了平衡时间视角（BTP）的概念。

平衡时间视角
Zimbardo和Boyd（1999年）将BTP概念化为在特定情境中灵活切换过去、现在和未来时间视角并适当使用的适应能力。Boniwell和Zimbardo（2004年）也强调了灵活使用和情境适宜性作为BTP的核心方面。在最佳平衡的时间视角中，过去、现在和未来的个体时间视角可以灵活协同运作（Zimbardo，2002年）。高水平的BTP允许适应性和功能性行为，而不会僵化或固定在一个时间视角上（Boniwell和Zimbardo，2004年；Zimbardo和Boyd，1999年）。在对不同时间视角特征（平衡 vs. 不平衡）进行初步实证研究之后（Drake等人，2008年；Zhang等人，2013年），开展了多项关于BTP的研究，主要是因为其广泛的信息价值（Stolarski等人，2018年，2020年）。高水平的BTP与多种幸福感和生理心理健康指标相关（Boniwell和Zimbardo，2004年；Oyanadel和Buela-Casal，2014年）。例如，研究发现其与睡眠质量（R?nnlund和Carelli，2018年）、与健康相关的生活质量（Oyanadel和Buela-Casal，2014年）以及焦虑、强迫症、抑郁、压力和物质滥用的症状（Stolarski等人，2020年）有关。此外，高水平BTP与潜在创伤经历后的更好适应相关（Tomich和Tolich，2021年），这可以解释高BTP与降低PTSD风险之间的关联（Stolarski和Cyniak-Cieciura，2016年）。研究表明，BTP与幸福感指标的相关性比单独的时间视角更强（Diaconu-Gherasim等人，2021年）。在一些研究中，BTP解释了高达40%的幸福感变异（Stolarski等人，2020年；Zhang等人，2013年）。因此，平衡程度似乎是生理和心理疾病风险因素的解释变量。

时间视角对幸福感和健康的影响可能通过决策和选择的行为来中介（Boniwell，2005年；Lennings，1996年）。已经构建了一个两路径模型来解释BTP对幸福感的影响（Chen等人，2021年），包括间接路径和直接路径（Cunningham等人，2015年）。间接路径也称为自下而上的路径，解释了个体时间视角对个体行为的影响，从而改善了他们的生活状况，进而改善了幸福感（Cunningham等人，2015年）。时间视角与经验、对过去和现在事件的评估以及对未来目标的偏好有关；因此，它会影响行为结果（Cummins等人，2019年）。由于选择和整体生活质量的递归性质，生活条件、习惯和幸福感之间的相互影响是双向的；因此，影响可以是双向的，既有自上而下的路径也有自下而上的路径（Burzynska和Stolarski，2020年；Schimmack等人，2002年）。前者描述了特定情境的心理表征对生活质量和幸福感的直接影响，而后者则涉及行为选择形成习惯，从而塑造生活质量的间接效应。然而，适应可以是限制性的或灵活的，可以是支持性的或功能失调的。证据将时间视角与广泛的心理和健康相关结果联系起来，包括风险行为或促进健康的行为、成瘾、饮食、感恩、正念、流畅体验以及快乐或品味体验（Benowitz，1992年；Boniwell等人，2010年；Burzynska和Stolarski，2020年；Cunningham等人，2015年；Roglic，2016年；Rothspan和Read，1996年；Schimmack等人，2002年；Swan和Lessov-Schlaggar，2007年）。此外，对自己未来的心理预期对幸福感有直接影响（Holman和Silver，2005年），而现在的时间视角与积极情绪和快乐相关，这也可能直接影响幸福感（Stolarski等人，2014年）。总体而言，过去的时间视角主要通过直接解释过去事件的方式影响幸福感。相比之下，现在和未来的时间视角通过两种路径都有更明显的影响（Cunningham等人，2015年）。尽管BTP的显著效应有很强的实证支持，但对其评估仍存在争议。

此外，时间框架中的未来导向遵循通常趋势，根据社会情绪选择性（Carstensen，1995年，2006年；Carstensen等人，1999年），描述了衰老过程中的积极效应，即个体对选择性目标设定施加执行控制，并主动减少负面的情绪状态（Reed和Carstensen，2012年）。

（平衡）时间视角的测量
需要可靠和有效的心理测量工具来充分评估BTP对幸福感以及身心健康问题的影响（Vowinckel等人，2017年；Webster，2011年；Zimbardo和Boyd，1999年）。此外，过去的研究使用了不同的方法将子量表汇总为整体BTP得分，这影响了测量的可靠性（Jankowski等人，2020年；Zhang等人，2013年）。在之前的研究中，ZTPI（Zimbardo和Boyd，1999年）已成为评估时间视角和BTP最广泛研究和使用的问卷（Laureiro-Martinez等人，2017年；Stolarski等人，2018年）。ZTPI包含56个项目，可以分为五个子量表：过去消极（PN）、过去积极（PP）、现在宿命论（PF）、现在享乐主义（PH）和未来（F）。这些量表将时间取向视为时间的认知-情感表征（Boniwell等人，2010年）。然而，关于该工具的讨论表明，并非所有量表的评价成分都是明确的，且未来量表的一些项目更多地关注时间管理而非情感问题（Vowinckel等人，2017年）。尽管如此，该工具在4周的时间跨度内显示出良好的重测信度，信度系数r在0.70到0.80之间（Zimbardo和Boyd，1999年）。此外，它还具备良好的有效性（Boniwell等人，2010年；Zimbardo和Boyd，1999年），这一点通过其与心理健康指标（r在-0.41到0.38之间；Vowinckel等人，2017年）以及心理强度（如活力、韧性、希望等）的显著相关性得到证明（r在-0.47到0.37之间；Davis和Cernas Ortiz，2017年）。最近，mBTPS（Vowinckel等人，2017年）作为平衡时间视角量表（BTPS；Webster，2011年）的扩展版本被开发出来，增加了对当前时间视角（present TP）的评估。这两个量表都包含持续具有情感成分的项目（Vowinckel等人，2017年；Webster，2011年）。mBTPS由38个项目组成，分为三个子量表或因素：过去和未来的子量表各包含14个项目，而当前时间视角的子量表包含10个项目。所有三个量表的信度系数α在0.88到0.92之间（Vowinckel等人，2017年；Webster，2011年），这属于良好到优秀的范围（Cronbach，1951年；Zinbarg等人，2005年，2006年）。在有效性方面，mBTPS与多个心理健康指标之间存在不同程度的相关性（r在0.30到0.56之间；Vowinckel等人，2017年）。与原始BTPS相比，加入当前时间视角子量表后，心理健康指标的解释方差增加了近11%（Vowinckel等人，2017年）。此外，当前时间视角子量表与过去和未来时间视角因素之间的相关性仅为弱到中等。然而，过去和未来的时间视角因素之间具有中等到强的相关性（Vowinckel等人，2017年）。

ZTPI和mBTPS在将心理时间分解为认知和情感方面存在一些显著差异。mBTPS仅评估过去时间视角的积极倾向，而ZTPI还包括消极倾向。正如预期的那样，评估积极过去时间视角的问卷子量表之间存在很强的重叠，但ZTPI的消极过去子量表与mBTPS的过去子量表之间的重叠较少（Vowinckel等人，2017年）。因此，ZTPI和mBTPS在时间框架中对认知和情感的概念化方式有所不同。ZTPI通过不同的量表来评估这两个维度，而mBTPS中的每个项目同时测量相应时间视角的认知和情感成分。为了验证这些方面的外部效度，本研究使用了两个指标：生活满意度量表（SWLS），用于评估整体生活质量的认知相关因素，以及简短的一般生活满意度量表（L-1），该量表能够捕捉到认知和情感评价（Beierlein等人，2015年；Cummins等人，2019年；Diener等人，1985年；Janke和Gl?ckner-Rist，2014年）。此外，有证据表明，选择性目标关注（通过积极效应或社会情感选择性来概念化，Carstensen，2006年；Reed和Carstensen，2012年）对幸福感有积极作用。

另一个关键差异是当前时间视角的概念化不同。mBTPS的子量表来源于当前幸福量表（Vowinckel等人，2017年）的10个项目，并基于幸福的概念，而ZTPI的子量表基于享乐主义的概念（Huta和Waterman，2014年）。这种差异影响了与幸福感的相关性，因为幸福感通常分为两个方面：主观（享乐）幸福和幸福（Eid，2021年；Martela和Sheldon，2019年）。正如享乐主义反映主观幸福感一样，幸福也是幸福感的一个重要方面（Eid，2021年；Vowinckel等人，2017年）。幸福包括个人成长、生活意义、自我实现和真实性等方面（Ryan和Deci，2001年；Huta和Waterman，2014年）。享乐主义则反映快乐、愉悦和痛苦的缺失等方面（Huta和Waterman，2014年）。在BTP研究中，主观幸福感通常作为标准变量（Diaconu-Gherasim等人，2021年）。主观幸福感包括生活满意度和正面/负面情感（Eid，2021年；Martela和Sheldon，2019年）。生活满意度通常被认为是一个相对稳定的特质，而情感则被视为一种可变的状态（DeNeve和Cooper，1998年）。生活满意度反映了对个人经历和整体生活质量的认知评价（Cummins等人，2019年；DeNeve和Cooper，1998年；Veenhoven，2015年）。

ZTPI包含更多的项目和因素，允许更详细的评估，但由于其长度的原因，相比mBTPS来说效率较低（Vowinckel等人，2017年；Webster，2011年；Zimbardo和Boyd，1999年）。此外，ZTPI评估过去和当前时间视角的消极和积极倾向，而mBTPS仅捕捉积极倾向（Vowinckel等人，2017年；Zimbardo和Boyd，1999年）。尽管两个量表的因子之间存在相关性，但mBTPS与心理健康之间的关联更强，特别是其当前时间视角的子量表（Vowinckel等人，2017年）。最后，mBTPS是专门为评估BTP而设计的，而ZTPI则不是（Vowinckel等人，2017年）。

如何平衡时间视角？除了问卷之间的差异外，过去的研究还提出了几种计算BTP的方法（Stolarski等人，2011年；Jankowski等人，2020年；Vowinckel等人，2017年）。关于ZTPI的研究表明，用于将各个时间视角汇总成总BTP分数的方法会影响结果的解释性（Zhang等人，2013年）。中位数分割方法已应用于ZTPI和mBTPS（Webster，2011年）。通过将样本沿中位数分割，每个参与者可以被分配到低分组或高分组。由于可以对每个单独的时间视角进行这种分割，因此可以区分出不同的特征组合。例如，对于具有两个子量表的mBTPS，已经描述了四种不同的组合：时间限制型（低过去和未来时间视角）、回忆型（高过去和低未来时间视角）、未来主义者（低过去和高未来时间视角）以及时间扩展型（高过去和高未来时间视角）（Webster，2011年）。时间扩展型特征与较高的幸福感和快乐感相关（Webster，2011年），以及更好的心理健康（Webster和Ma，2013年）。然而，测量BTP的方法共存，这两种工具都有相关证据，但哪种方法更优尚未确定。

聚类分析是一种描述性方法，它将大量数据分成同质的子组（Wirtz，2022a）。层次聚类分析（HCA）通过逐步过程将数据组合成越来越大的组，直到所有案例被归为一个大的群组。过去的研究提供了HCA的详细描述（Frades和Matthiesen，2010年；K?hn和Hubert，2015年）。先前的研究确定了四到五个群组（Boniwell等人，2010年）或两个群组的解决方案（Zhang等人，2013年）。不同群组中的个体在各自的时间视角和幸福感测量上存在差异。这些群组可以根据其与BTP的接近程度进一步评估。然而，与中位数分割一样，HCA也依赖于分析的样本（Boniwell等人，2010年）。

为了解决这一限制，一种独立于分析样本的聚合方法被引入（Wiberg等人，2012年）。根据特定的ZTPI特征，将时间视角分类为预定义的、与样本无关的参考值（Boniwell和Zimbardo，2004年）。计算每个时间视角子量的平均值，然后与参考值进行比较。在第二步中，通过计算有多少平均值落在相应的最佳范围内来评估总体BTP。最佳范围内的零分表示完全不平衡的特征，而所有分数都在最佳范围内则表示完全平衡的BTP。

另一种与样本无关的聚合方法是距离度量（Stolarski等人，2020年），即偏离平衡时间视角（DBTP），它量化了观察到的时间视角的推荐值和实际值之间的欧几里得距离。参考值基于某个被认为是最佳的时间视角特征（Boniwell和Zimbardo，2004年）。需要注意的是，这一属性尚未得到证据支持，但被认为应该是平衡的（Stolarski等人，2020年）。

过去的研究考察了三个可能与BTP和幸福感相关的社会人口统计变量：年龄、性别和文化背景（Diaconu-Gherasim等人，2021年；Stolarski等人，2020年）。关于年龄的影响，研究结果各不相同。2017年的一项元分析报告了年龄与ZTPI的积极过去子量表之间的正相关，但与未来时间视角无关（Laureiro-Martinez等人，2017年），或者发现未来时间视角与年龄之间存在负相关（Henry等人，2017年）。最近的一项元分析揭示了年龄对幸福感测量的不同影响（Diaconu-Gherasim等人，2021年）。具体来说，BTP似乎与年轻人的生活满意度相关，而在老年人中则更多地与整体幸福感相关。我们自己的BTP研究支持这一发现，因为所有年龄组的幸福感水平都足够高（Lenz等人，2025年）。文献并不支持性别对BTP的影响（Stolarski等人，2020年）。此外，尽管文化调节多种心理结果，但没有发现性别对未来时间视角或BTP的影响（Diaconu-Gherasim等人，2021年）。

计算总体BTP的最佳方法仍然是一个特别重要的研究课题。虽然一些研究关注使用ZTPI来聚合BTP，但其他工具（如mBTPS）几乎没有受到关注。因此，尚不清楚通过不同的聚合方法是否可以改善使用mBTPS测量的BTP分数的可解释性和预测价值。本研究的目的是比较mBTPS的作者提出的BTP计算方法与其他潜在计算方法在标准有效性方面的差异。其他测量工具的聚合方法（例如，Jankowski等人，2020年；Stolarski等人，2015年；Zhang等人，2013年）也被考虑并纳入当前研究，以推导mBTPS的新潜在计算方法。此外，还包含了一种基于结构方程模型（SEM）的数据驱动计算方法进行比较。在处理BTP的先验分布时需要谨慎，因为这些分布根据不同的测量方法而有所不同。分类方案对普遍性敏感（Kuhn和Johnson，2020年），因此组间平衡性的经验比例可能会影响统计模型的经验结果。尽管平衡性是幸福感的稳健指标，但关于时间框架对年龄影响的证据并不一致。积极效应描述了老年人主动缩小负面情绪状态的能力。本研究的证据旨在澄清平衡性是否调节这一执行功能。由于平衡性预期能增强适应性，主观幸福感的水平也可以作为一个临床相关的临界值。所提出的特征工程程序优化了候选预测因子的组合，同时防止分析模型过拟合数据。除了讨论量表属性之外，更重要的是，良好的模型准确性在很大程度上取决于样本的普遍性，防止先验知识作为偏差传播到估计中。

本研究的样本包括N=302人。招募通过外部服务提供商进行。考虑到现有文献报告的中等效应大小（例如，Diaconu-Gherasim等人，2021年；Vowinckel等人，2017年），样本大小被认为是足够的。由于研究的探索性质，没有进行功效分析。参与的唯一资格标准是至少18岁的年龄。此外，性别和年龄的限制将样本分为了六个均匀分布的类别。招募由服务提供商负责，他们邀请了符合条件的个人参与在线研究，并确保满足纳入标准和平等分布。数据收集时间为2022年3月20日至2022年3月28日（2022年3月16日开始进行小规模测试，n=30人）。样本由来自西欧不同文化背景的德国成年人组成，涵盖了广泛的社会经济状况；例如，56.00%的人有工作，36.50%的人是退休人员。在教育水平方面，13.20%的人完成了中学教育（8年），28.50%的人完成了中学教育（10年），14.90%的人上了文法学校，12.90%的人上了高等教育学院，15.60%的人完成了高中教育。缺失值通过列表删除方式处理，数据缺失的模式符合完全随机缺失（MCAR）的特征。共有N=80名参与者未能通过质量检查，这些检查通过调查中的三个项目来确保回答的可靠性，这些项目需要按照说明填写。最终样本量为N=302人。对于主观幸福感（SWB），二元逻辑回归分析结果不显著[χ2(1) = 0.122, p = 0.727]，因此该指标的缺失值被替换为平均值。使用Cook’s D指标控制异常值（统计分析；补充材料）。此外，还检查了26个具有极端处理时间值的案例（±3 × IQR）。由于解释性分析未显示结果的系统性差异，这些观察值被保留在数据集中。最终样本（N=302）包括151名女性（50.0%）、150名男性（49.7%）以及1名自认为是多元文化背景的个体。参与者的平均年龄为M=50.54岁（SD=17.49岁）。在较低年龄组中，女性占多数，而在较高年龄组中这一趋势则相反[χ2(5) = 19.18, p = 0.002]（补充材料）。由于性别不是平衡性的协变量，因此在这一点上可以忽略这种不平衡分布（Stolarski等人，2020年）。尽管文化背景会影响幸福感体验，但目前没有证据表明文化背景与BTP（平衡时间视角）有关（Diaconu-Gherasim等人，2021年），因此这一协变量在分析中被省略。

研究程序和设计
该研究获得了锡根大学伦理委员会的批准。这项横断面相关队列研究着眼于平衡性的预测因素，受试者没有被随机分配到不同的组别，也没有进行盲法处理；年龄和性别在6个年龄组中均匀分布[18岁；71岁以上]。为五折交叉验证准备了随机抽样，训练和测试模型分别使用了80:20的比例的子集。在整个过程中，BTP（平衡时间视角）的普遍性是基于相同的概率条件。

参与者通过链接访问研究，并在提供知情同意后，在一个时间点收集数据，问卷按固定顺序呈现。平均处理时间为M=23.93分钟（补充材料）。所有问卷完成后，参与者被引导回外部支付平台进行结算。

特征选择程序按照统计分析中的详细说明进行，最初选定的特征包括文献中已证明与幸福感相关的变量，如沉思、积极情绪以及执行功能（选择性注意力和目标设定）。首先通过内部一致性验证确保了整个量表的准确性。随后，将选定的候选特征在分析模型（线性判别分析，LDA）中进行资格检查，以确保每个特征同时满足两个标准：它必须是选择性的（F统计量）和预测性的（逻辑回归）平衡性。

研究问题和一般假设
研究目标与该项目的主要分析相一致。由于当前科学文献的知识水平，以下大部分假设都是探索性的。方法上，线性判别分析（LDA）将检验哪种模型最适合估计平衡性，无论是分类还是预测。预计指标变量在效率和准确性上都将优于分类变量。将收集证据，探讨平衡性和时间框架的心理协变量的测量是否需要评估两个或三个时间维度；因此，哪种预测因子集合最适合充分分类和预测BTP？在根据重要性排序时间框架（过去、现在、未来）时，它们对捕捉BTP的相对贡献是什么？当加入现在的时间框架时，与仅包含过去和未来的时间框架相比，解释方差的增量增益是多少，即mBTPS与BTPS相比如何？指标变量DBTP和SEM在分类或预测平衡性方面是否优于使用时间框架尺度？预期DBTP和SEM都能提供更准确的预测结果。

预期在平衡和不平衡的观察对象之间，主观幸福感（SWB）存在差异，平衡子样本的报告SWB得分位于平均评分的上四分位数（即L-1 ≥ Q75；Cummins等人，2019年）；同样，时间框架的适应性也表明SWLS能够预测平衡性。不同平衡状态的观察对象之间的幸福感体验是否存在差异？生活质量是否能预测平衡性的水平？

材料
**修改后的平衡时间视角量表（mBTPS）**
mBTPS（Vowinckel等人，2017年）基于BTPS（Webster，2011年）的两个子量表（过去和未来），并增加了第三个关于当前时间视角的子量表。该工具包含总共38个项目，可以在六点刻度上回答（1=从不，6=总是）。作者建议使用DBTP系数来计算总BTP得分（Vowinckel等人，2017年）。各子量表的内部一致性范围为α=0.88（过去和现在）至α=0.92（未来）。

**生活满意度量表（SWLS）**
本研究中使用的是Janke和Gl?ckner-Rist（2012年）制定的生活满意度量表德国版本来评估生活质量。SWLS测量幸福感的认知-评价成分，包含五个项目，可以在七点刻度上回答（1=强烈不同意，7=强烈同意）。所有项目的总和构成总量表得分。其内部一致性为α=0.92。

**简短的生活满意度量表（L-1）**
L-1（Beierlein等人，2015年）包含一个项目，用于测量整体生活满意度。这个问题是“你对你的生活总体上满意吗？”（改编自Cummins等人，2019年的原始表述）。评分范围从1（不满意）到100（满意）。测试-重测信度（6周）为rtt=0.67。此外，L-1与SWLS之间的相关性值为r=0.70–0.73（Beierlein等人，2015年）。

**患者健康问卷-15（PHQ15）**
PHQ15（Kroenke等人，2002年）可用于维度评估躯体症状的严重程度。项目1-13涉及各种躯体不适。在症状列表之前有一个筛选问题：“在过去4周内，你有多频繁地受到以下躯体不适的困扰？”项目14和15补充了与抑郁障碍相关的躯体综合征症状，同样以“在过去2周内，你有多频繁地受到以下症状的困扰？”开头。前13个项目在三点刻度上回答（0=完全不困扰，2=非常困扰），而项目14和15在四点刻度上回答（0=完全不，3=几乎每天）。两个子量表的项目总和产生两个总分。其内部一致性为α=0.83。

**自我控制量表（SCS-K-D）**
SCS的德语简版（Bertrams和Dickh?user，2009年）用于测量个体的习惯性自我控制能力。该简版包含13个项目，可以在五点刻度上回答（0=完全不，5=非常）。其内部一致性为α=0.80。

**享受信念清单（SBI）**
SBI（Bryant，2003年）包含24个项目，这些项目均匀分布在三个因素上。这三个因素（预期、享受当下、回忆）各自包含四个正面和四个负面极化的项目。项目在七点刻度上回答（1=强烈不同意，7=强烈同意）。可以计算所有项目的总分以及每个因素的得分。负面极化的项目需要反转。其内部一致性范围为α=0.68至0.94。

**优先考虑积极情绪（PPQ）**
PPQ测量表达选择性目标注意力的认知-情绪过程，“[...]人们寻求积极情绪体验的程度...”（Catalino等人，2014年，第4页）。问卷包含6个项目，可以在九点刻度上回答（1=强烈不同意，9=强烈同意）。其内部一致性为α=0.81。

**回忆功能量表（RFS）**
RFS测量服务于不同心理功能的回忆，包含43个项目，可以在六点刻度上回答（1=从不，6=非常频繁）。RFS的原始版本（Webster，1993年、1997年、2002年、2003年）包含八个回忆方面（身份认同、问题解决、死亡准备、教导与告知、对话、痛苦再现、减少无聊和维持亲密关系）。将前两个方面合并为一个维度（身份认同/问题解决），支持七个子量表的因子结构（Robitaille等人，2010年；Washington，2009年；Webster，1997年）。总体而言，证据表明存在八个功能，分为三个潜在的二阶因素：亲社会、自我积极和自我消极回忆（Cappeliez和O’Rourke，2006年；O’Rourke等人，2016年）。为了关注适应性使用，本研究使用三个量表（身份认同、问题解决、死亡准备）来测量这一构念，这三个量表对应于自我积极功能。其内部一致性范围为α=0.76至0.87。

**平衡性的普遍性和先验选择**
在LDA中，等比例原则是基础，因为偏斜的类别会改变概率并引入模型偏差。等概率为任一组提供最少的数据可能性，非常适合确定后验概率。根据先验更新后验概率的表达式为X～U(π) ∝ X～B(p, q)。

首先进行一系列随机抽样，将平衡性样本X～U(150, 150)均衡化，然后将观察结果分为n≈240和n≈60的子集。因此，0.80的观察结果用于训练样本，剩余的0.20用于测试样本。交叉验证基于测试数据，评估模型对算法未先前训练过的观察结果的正确分类能力（Backhaus等人，2023年；Wirtz，2021年；Rudolf和Buse，2020年）。除了中位数分割外，层次聚类分析（HCA）也被用于捕捉平衡性（Stolarski等人，2020年；Wiberg等人，2012年；Zhang等人，2013年）。使用HCA分类平衡性时，生成的平衡观察结果比例为189:133，分别占样本N（302）的f(62.6)和f(37.4)。受这些初始比例的限制，后续的随机抽样产生了较小的训练子集n（70, 70）和测试子集n（20, 20）。

此外，还有其他预测因子，如HCA 4、中位数分割和Wiberg，但这些方法难以解释，因为它们涉及标准的多项式区分。这种情景在LDA中会产生多个方程，其中判别函数的数量由min[g?1, k]决定，g[1; k]表示组数，k[1; k]表示预测因子数量（见表1）。

**系数**
表1展示了不同操作化方法下的平衡性先验概率和系数值。根据不同的目的，分析模型可以对案例进行分类，或者预测分类标准后的概率。线性判别函数（LDF）表示为BjXi → Yig，其中Yig映射到各个判别值；j [1; k]为预测变量，i [1; n]为观测值，g [1, g]为组别。该统计模型能够进行复杂的分类。LDA在某些方面类似于主成分分析（PCA），因为它分解了多元变异，并递归地最大化由线性方程描述的向量中的特征值。与PCA不同，在PCA中协变是数据中的一个新兴属性，而LDA保留了组别成员身份，并将分类器整合到模型中。因此，解向量也捕获了心理测量属性（Dunn和Everitt，2004年，第129-198页；Rudolf和Buse，2020年，第182页；Wirtz，2022b年）。

推断决策标准、探索性分析：判别分析的用例主要是探索性的，假设错误水平为α=0.05，功效为0.80。等级相关性说明了特征变量之间的双变量关联。它们的效应大小根据个别差异指南进行评估：低，|r| ≤ 0.1；中等，|r| ≤ 0.2；强，|r| ≥ 0.3（Cohen，1988年，1992年；Gignac和Szodorai，2016年；Leonhart，2022年）。

统计推断方法包括：使用χ2来评估模型正确分类和预测观测值的能力，F检验和Wilks Lambda来评估模型的特征值并判断判别系数的显著性，以及z检验来推断逻辑估计的显著性（Yig，组别成员身份）。交叉验证程序将样本分割成训练集和测试集，比例为p=0.80，0.20。解释的模型方差越大越好；Akeke信息准则（AIC）和贝叶斯信息准则（BIC）的较低值表明拟合度更好。

分析模型的前提条件：LDA通过一个度量判别值来最大化解释的模型变异，该值作为LDF的特征值出现。这个度量的中心估计值指定了用于分类的阈值。大于或小于零的分类标准值被分配到不同的、同质的组中。值得注意的是，在多项式标准的情况下，可以使用多个LDF。为了确保估计的质量，特征变量必须满足以下要求：然而，对于k≤5个预测变量且每组n≥20个观测值的模型，LDA被证明是稳健的（Backhaus等人，2023年，第258页；Rudolf和Buse，2020年，第181页）。

特征变量应满足的条件包括：
- 正态分布
- 平衡性的均匀普遍性
- 组间协方差矩阵相等
- 预测变量中没有有影响力的案例
- 特征变量之间没有多重共线性

在数据转换后（最好使用R中的 Normalize包；D’Agostino和Belanger，1990年；Peterson，2021年；Peterson和Cavanaugh，2020年），各项指标均呈正态分布。排除了14个对所有预测变量都有影响力的案例，包括过去的TP（过去：W=0.9904，p=0.0617；现在：W=0.9935，p=0.264；未来：W=0.9941，p=0.347；SWB：W=0.9974，p=0.9316；SWLS：W=0.9951，p=0.5104；DBTP：W=0.9907，p=0.0712；SEM：W=0.9911，p=0.0888；年龄：W=0.9983，p=0.9951）。

对于健康指标（PHQ4、PHQ15、ADNM），由于这些量表的心理测量缺陷，需要注意，因为它们的响应选项有限，这表明它们更适合顺序尺度。所有这些指标都无法很好地接近正态分布。

为了在不平衡和平衡的观测值子集中建立均匀的普遍性，应用了中位数分割程序。继续抽样，将案例分配到训练集（p=0.8）和测试集（p=0.2），以确保平衡性的机会相等。

这一假设通过Box的M检验来评估。非显著的统计量[χ2(3) = 2.098，p=0.552]表明平衡和不平衡观测值的方差是同质的。

通过Cook的D方法识别了14个有影响力的案例，使用的是DBTP或SEM指标；排除这些案例后，所有预测变量的正态性得到了确认。这一发现支持了结构有效性，因为这两个系数都选择性地影响所有TP的平衡性。注意：由于异常值在BTP中均匀分布，因此消除后比例得到了保留，即X ~ U(143, 143)。

预测变量的相对重要性是通过特征变量进入分析模型的顺序来推断的，即逐步加入模型。为此，预测变量的线性（不）依赖性对于获得无偏和稳定的估计是必要的。因此，方差膨胀（VIF）和容忍度（1/VIF）是重要的指标。标准化转换通过居中数据并应用独特的缩放来减少共线性，表明已经建立了对冗余的鲁棒性和抑制效应。正如预期的那样，DBTP和SEM之间存在多重共线性；在模型中包含TP会排除两者。即使在存在TP的情况下，也可以分别分析SWB和SWLS。遵守这些限制，任何模型的VIF范围都在[1.147; 2.904]之间（补充材料）。

**结果**

**预测变量之间的双变量关联**：
首先，从探索性角度概述特征变量之间的相互关系（图1），时间框架的指标与幸福感和生活质量的指标广泛相关。它们还与平衡性的其他协变量（如执行功能、积极性和体验）共享方差，而健康问题则呈负相关。测量三个时间视角（mBTPS）和平衡性的复合指数（DBTP和SEM）提供了最高的共变量。它们的关联方向相反；DBTP和SEM的含义不同，前者表示距离，后者表示接近度。年龄与未来的TP呈负相关，但与其他指标无关。当代研究已经验证性别不能预测平衡性（Stolarski等人，2020年），因此在这里没有考虑（见表2、图2、图3）。

**图1** 特征变量之间的双变量关联。
**表2** 过去 现在 未来
SWBS WLSPHQ15 SCSKD PPQ SBIRFS DBTP SEM 年龄
过去 1 0.65*** 1 未来 0.57*** 0.65***
SWB 0.36*** 0.43*** 0.38***
SWLS 0.42*** 0.46*** 0.44***
PHQ15 ?0.11 ?0.19* ?0.19* ?0.42***
SCSKD 0.18* 0.29*** 0.23***
PPQ 0.50*** 0.48***
RFS 0.39*** 0.30***
SBI 0.44*** 0.40***
SWB 0.43*** 0.46***
SWLS 0.39*** 0.30***
RFS 0.42*** 0.40*** 0.25*
**表2** 的双变量等级相关性。*p < 0.05，**p < 0.01，***p < 0.001（效应大小：Gignac和Szodorai，2016年）。

**图2** 使用DBTP的正确模型预测准确性。
**图3** 使用SEM的正确模型预测准确性。

进行等级相关性分析是为了充分报告协变量并获得一致的估计结果，因为这些指标既有量纲水平也有分类水平（表3）。总体而言，显著的系数具有中等到强的效应大小。年龄与未来的TP呈负相关（r = ?0.25，p ≤ 0.001），但与其他指标无关。

**表3** ?Wilks λ, χ2(df) F统计量 AIC ?Wilks λ, χ2 (df) F统计量 AIC
中位数分割 DBTP SEM
分析模型 DBTP 0.6015 λ = 0.3985 F(5, 225) = 68.2210 2.07 NANANANA χ2 (5) = 208.39 p < 0.0001 p < 0.0001
分析模型 SEM NANANANA 0.6234 λ = 0.3766 F(5, 225) = 74.8287.24 χ2 (5) = 221.19 p < 0.0001 p < 0.0001

**LDF方程的多元统计量**：
**中位数分割的普遍性，与二元聚类（HCA2）相比**。Gamma：LDF的标准化特征值，表示解释的方差。
除了年龄和健康指标（PHQ15）外，时间框架通过三个TP量表评估，在中等水平上与所有构念显著相关。它在DBTP（过去：r = ?0.85；现在：r = ?0.84；未来：r = ?0.85，所有：p ≤ 0.001）和SEM（过去：r = 0.81；现在：r = 0.88；未来：r = 0.84，所有：p ≤ 0.001）中的作用最强，其次是优先考虑积极性（过去：r = 0.50；现在：r = 0.48；未来：r = 0.40，所有：p ≤ 0.001）、体验信念（过去：r = 0.44；现在：r = 0.40；未来：r = 0.43，所有：p ≤ 0.001），以及两种幸福感指标，SWLS的效果略大（过去：r = 0.42；现在：r = 0.46；未来：r = 0.44，所有：p ≤ 0.001），而主观幸福感（过去：r = 0.36；现在：r = 0.43；未来：r = 0.38，所有：p ≤ 0.001）的效果较低。用DBTP或SEM替换原始的TP量表可以得到与这些指标相同大小的一致相关性。

**RFS与幸福感（通过SWLS、SWB评估）无关**，也与执行功能（SCSKD）或体验信念（SBI）无关。与TP量表不同，回忆在平均中等水平上呈正相关（过去：r = 0.39，p ≤ 0.001；现在：r = 0.30，p ≤ 0.001；未来：r = 0.21，p < 0.05），以及PHQ15（r = 0.21，p ≤ 0.05）和优先考虑积极性（r = 0.25，p ≤ 0.001）也有正相关。

**分析模型**：
LDA旨在评估三个TP在平衡性方面的选择性，并比较DBTP和SEM的两个复合系数。数据似然性提供了关于分类器解释属性的见解，这些属性在模型拟合中得到体现。将为一组特征变量收集证据，并在测试数据上进行交叉验证，以评估模型的预测能力。简洁性和组大小符合统计模型的形式约束，同时确保子集之间保持平衡的均匀普遍性。应用中位数分割来预设先验，X ~ U (0.494, 0.506)。

比较三个TP与两个TP时，BTPS的标准化特征值为0.5040（F(2, 228) = 116.38，p < 0.001；Wilks λ = 0.4959，χ2(2) = 159.92，p < 0.001；AIC 130.86），mBTPS的标准化特征值为0.5751（F(3, 227) = 102.85，p < 0.001；Wilks λ = 0.4249，χ2(3) = 194.72，p < 0.001；AIC 73.35）。因此，mBTPS的解释模型方差比BTPS增加0.08。因此，三个TP的模型比两个TP的模型具有更高的数据似然性。用平衡性的复合指标替换原始的TP量表后，解释的模型方差额外增加了0.02。DBTP的特征值为0.5952 [F(1, 229) = 338.10，p < 0.001；Wilks λ = 0.4048，χ2(1) = 206.65，p < 0.001；AIC 97.56]，SEM的特征值收敛为0.5845 [F(1, 229) = 323.60，p < 0.001；Wilks λ = 0.4155，χ2(1) = 200.69，p < 0.0001；AIC 107.90]。当最初通过HCA对普遍性进行聚类时，模型拟合进一步改善：DBTP系数的值高达0.6397 [F(1, 134) = 239.64，p < 0.0001；Wilks λ = 0.3603，χ2(1) = 134.24，p < 0.0001；AIC 42.45]，SEM系数的值高达0.6131 [F(1, 134) = 252.90，p < 0.001；Wilks λ = 0.3869，χ2(1) = 124.87，p < 0.0001；AIC 36.35]。这种方法的缺点是它产生了明显偏斜的先验n = 189个平衡观测值。为了保持均匀的普遍性，也会产生较小的子集。此外，这种类型的模型有过度拟合的风险。因此，仍然使用中位数分割来分配普遍性。然而，依赖单个特征变量进行建模可能过于稀疏，表明LDF将从额外的预测变量中受益，以提高其选择性。

**中间结果的全面评估**：
到目前为止，特征工程的目标是选择合适的预测变量，以量化DBTP或SEM的使用在多大程度上优于时间视角量表BTPS和mBTPS，并评估平衡性的其他协变量。初步发现表明，DBTP和SEM的估计提供了相似的数据似然性（补充材料）。所有适当的指标都将被纳入一个全面的最终模型中，以评估选择性和预测准确性。因此，首先将使用DBTP指标进行分析，然后与使用SEM的结构等效模型进行比较。

训练模型以适应数据可以证明这些指标在描述平衡性方面表现如何。一个合适的分类器能够明确区分案例并分配组别成员身份。要进入最终的分析模型，一个指标必须同时具有选择性和预测性。在LDA中，多元方差分析（MANOVA）和Wilks Lambda用于评估模型拟合；单变量方差分析（ANOVA）用于评估判别系数的显著性，逻辑回归用于评估预测因子的预测能力。未能满足这些标准中的任何一个都将排除一个特征变量。因此，年龄不足以一致地捕捉所有时间视角下的平衡状态[F(1, 229) = 0.029，ns；b = ?0.023，ns]，PHQ15 [F(1, 229) = 3.020，ns；b = ?0.240，ns]，SWB [F(1, 229) = 19.66，p < 0.0001；b = 0.01453，ns]，以及SCSKD [F(1, 229) = 3.075，ns；b = ?0.057，p = 0.045]的表现也不足以（补充材料）。剩余的指标指定了目标模型。由于mBTPS已经在模型拟合方面优于BTPS，因此DBTP和SEM的系数在所有三个TP上均已操作化。因此，正在比较两个模型：Balancedness~SWLS+PPQ+SBI+RFS+DBTP和Balancedness~SWLS+PPQ+SBI+RFS+SEM。

总体而言，这两个模型都能够分类案例并区分不平衡和平衡的观测值。多元模型测试显示DBTP的标准化特征值为0.6015 [F(5, 225) = 68.22，p < 0.0001；Wilks λ = 0.3985，χ2(5) = 208.39，p < 0.0001；AIC 102.07]，而SEM的解释方差份额为0.6234 [F(5, 225) = 74.82，p < 0.001；Wilks λ = 0.3766，χ2(5) = 221.19，p < 0.0001；AIC 87.42]（见表4）。

**表4** 中心值平衡 [0; 1] LDF系数 F统计量 F(1, 229) 对数系数 beta相应地，判别系数（表5）通过LDF的判别值（以零为中心）来表达相关性。较高的值表示优先性。根据优先性指标对预测因子进行排序在两个模型中都具有重要意义，其次是幸福感。总体而言，这些指标可能有助于提高模型的整体拟合度（显著的F统计量），但在预测方面效果不佳（非显著的逻辑估计值）。结果表明，DBTP [?1.628; F (1, 229) = 338.14, p < 0.001; b = ?6.097, p < 0.001] 和 SEM [1.910; F (1, 229) = 323.56, p < 0.001; b = 9.103, p < 0.001] 是与平衡性相关的分类器和重要预测因子；SWLS也是如此。更具体地说，SWLS既有选择性也有预测性，而SEM [?0.5107; F (1, 229) = 34.87, p < 0.001; b = ?2.665, p < 0.001] 只有选择性，而DBTP [?0.1684; F (1, 229) = 35.65, p < 0.001; b = ?0.274, ns] 既没有选择性也没有预测性。

表5 预测值与观察值对比
DBTP SEM 边缘概率 阳性预测值 阴性预测值
0 0 0 0.1 0.1
1 0 1 0.1 0.1
1 0 2 0.1 0.1
4 9.40 0.904 1.8 0.895
1 1 1 1.7 0.932
1 0 1 1.1 0.476
1 1 2 1.5 0.524
1 0 3 1.0 0.468
1 1 3 1.2 0.532
2 1 1 1 0.1 1.000

敏感性 0.936 0.944
特异性 0.901 0.902

交叉验证的预测准确性。平衡性 [0; 1]；阳性预测值（ppv），阴性预测值（npv）。

单因素方差分析对比显示，SWB的平均评分在平衡性不同水平上存在差异 [F (1, 229) = 19.86, p < 0.001]（不平衡：?0.2981；平衡：0.2610）。这种效应不受年龄的影响（b = 0.085，ns），但与时间框架有关（b = 0.624，p < 0.001）。生活质量的体验水平可以预测平衡性（b = 0.822，p < 0.0001）。

两个模型都被评估了它们正确分类和预测平衡性的能力。通过使用测试子集对训练得到的估计进行交叉验证可以证明模型的准确性。选择性可以进一步分解为敏感性和特异性。通过比较错误发现（I型错误）和错误遗漏（II型错误）来评估DBTP和SEM在各自阳性预测值和阴性预测值方面的表现。预测准确性在很大程度上取决于受欢迎程度（Cohen等人，2016年；Murad等人，2023年）。

通过对测试样本进行五折交叉验证，使用训练数据中的估计值对平衡性进行预测。两个指标的表现都非常好：DBTP的预测正确率为0.918 [χ2 (1) = 158，p < 0.0001]，SEM的精确度为0.922 [χ2 (1) = 161.63，p < 0.0001]。

Youden指数指定了使曲线下面积（AUC）最大化的临界值 [∫敏感性 × (1 ? 特异性) → 最大值！]。DBTP的临界值为0.8363，SEM为0.8548。对于二元标准，Youden估计值与1之间的距离量化了分类标准误分类的范围。总体而言，两个模型在精确估计的上百分位数范围内表现出非常好的性能。具体来说，SEM在预测平衡性的存在方面略好，而DBTP在指示其不存在方面更为准确（补充材料）。

讨论
研究结果在很大程度上支持这样一个观点：时间框架中的平衡性是适应性的，并且对幸福感及相关的协变量（如积极性和选择性目标关注的指标）有影响。回忆在所有三个时间方向上都具有重要性，但与任何幸福感指标都没有相关性；相反，它与健康指标和优先考虑积极性有关。根据回忆功能的三分模型，结果表明回忆对生活质量和健康的影响似乎是间接的，这与选择性目标关注有关（McLean等人，2020年；O’Rourke等人，2010年；O’Rourke等人，2016年）。此外，与公认的幸福感协变量相关的聚合指标（如DBTP）比基于量表的操作化指标更能准确预测平衡性（Stolarski等人，2020年）。因此，用时间视角的复合指数替换TP量表可以提高解释模型方差的总体拟合度，但在量表层面，DBTP和SEM与其他指标的协方差大小相当。

研究比较了特征变量捕捉时间视角和时间框架中的平衡性的能力。最初，特征变量的选择基于平衡性的协变量（Stolarski等人，2020年），随后的质量选择是由数据驱动的，并通过LDA进行建模。相应的分析模型解决了研究中的开放性问题：(a) 时间框架中平衡性的构建维度，以及是否需要两个或三个时间视角来评估与幸福感和生活质量相关的心理过程；(b) 指标的充分性，这已经针对分类指标（中位数分割）、序数测量（Wiberg系数）和DBTP等指标进行了广泛讨论（Webster，2011年；Wiberg等人，2012年；Zhang等人，2013年；Zimbardo等人，2019年）。SEM系数之前已在我们的研究项目中引入，现在将其与DBTP的绩效进行对比。

假设基于量表的指标通常优于分类或序数测量，认为必须在受欢迎程度的限制下评估不同的方法以获得精确的估计（D?ring，2022年；Kuhn和Johnson，2020年）。使用敏感性和特异性或两者的复合测量（AUC）来量化模型预测平衡性的准确性（Goldhammer和Hartig，2020年，第179-183页）。应用五折交叉验证来推断模型预测的准确性。

比较三个与两个时间视角时，mBTPS比BTPS多解释了0.08的方差（Vowinckel等人，2017年）。用DBTP或SEM替换TP量表可以略微提高模型拟合度。然而，最初的假设（平衡性是由执行功能决定的）并未得到研究结果的支持，因为在特征工程过程中排除了SCSKD，因此没有在分析模型中考虑。尽管认知能力通常是适应性的，但为了评估自我调节对平衡性的影响，必须控制储备能力（Chuderski等人，2012年；Stolarski等人，2020年）。年龄与未来的时间感知呈负相关，但在6个年龄组[18岁；71岁以上]中都没有变化，也没有系统地影响其他指标。

根据现有知识，时间框架中的平衡性与幸福感和生活质量有关（Burzynska和Stolarski，2020年；Przepiorka和Sobol-Kwapinska，2021年）。在两个分析模型中，幸福感在整体模型拟合度中具有较高的预测优先性。然而，虽然SWLS除了SEM之外既有选择性也有预测性，但它只有在DBTP之外才具有选择性。主观幸福感的平均体验在平衡性方面有所不同。在平衡的观察中，SWB位于较高的四分位数范围内，否则则较低。相应的阈值被提出作为具有临床意义的临界点（Cummins等人，2019年）。

尽管所有特征变量都对模型拟合有显著贡献，但幸福感在捕捉平衡性方面表现得尤为出色，而DBTP和SEM则不然。对逻辑估计的检查表明PPQ、SBI和RFS是冗余的，因此可以在简约模型中省略这些指标。尽管幸福感在积极心理学中是基础性的，但这一概念显然包含的内容不仅仅是幸福感（Webster和Vowinckel，2021年），因为结果强调积极性和平衡性是不同的概念。因此，一个简洁的模型可以通过幸福感结合DBTP或SEM来充分描述。最佳情况下，可以通过量纲指数来捕捉平衡的时间感知，这与现有证据一致（Zhang等人，2013年）。

结果表明，SEM系数在检测平衡性的存在方面略为准确，相比之下DBTP在指示其不存在方面略好。这两个系数在语义上有所不同；前者基于接近性，而后者表示距离。

局限性
这些结果可能特定于一个主要由参与者组成的科学样本。然而，参与者的年龄范围和社会经济地位差异较大，尽管证据仅限于西欧成年人。此外，自我报告测量容易受到动机或信息来源的偏见影响。尽管如此，由于收益独立于答案授予，且质量项目确保了响应的准确性，因此不预期会出现系统效应。由于横断面设计不允许区分因果关系的预测因子和标准，因此不能得出关于因果关系的结论。尽管这种方法学考虑通常是适用的，但外部交叉验证确实表明模型准确性很高。选择性、特异性和预测值的幅度都非常出色。协变量表明平衡性与选择性目标关注的过程有关。然而，传记记忆在生命周期中的递归性质留下了一个开放性问题：是平衡性还是幸福感自下而上或自上而下地形成的（Cunningham等人，2015年）。更具体地说，要么生活条件改善了幸福感，要么特质培养了适应性习惯；这两种方向都积累了资源并促进了心理相关性（Boniwell等人，2010年；Roglic，2016年；Stolarski等人，2014年）。这表明对幸福感的影响是间接的，应该使用中介分析进行研究。在相互依赖的情况下，跨滞后模型和实验设计可以提供关于因果关系和调节作用的见解（Burzynska和Stolarski，2020年）。最后，关于平衡性是状态还是特质的问题仍然是一个未解决的问题（Stolarski等人，2018年，2020年）。

结论
证据表明三种时间视角（过去、现在和未来的时间感知）具有心理相关性。一个简洁的模型最好使用复合指标DBTP或SEM来评估平衡性。因此，mBTPS的表现优于BTPS。就解释的模型方差而言，后两个指数能逐步提高参数估计，相比之下使用TP量表效果较差。由于这两个指数相互多线性，模型中只能包含其中一个。然而，建议使用互补的指示，因为DBTP在预测平衡性缺失方面的价值略高，而SEM在捕捉其存在方面略好。幸福感和生活质量这两个概念都提供了高质量的平衡性估计。在分析模型中，这是DBTP或SEM，除了SWLS。

其他发现支持这样一个观点：主观幸福感的平均评分的上四分位数具有临床相关性。年龄并不调节这种效应；它更多地取决于时间框架中使用的时间视角。首先应考虑先验信息，而不是关注测量和指标的量表水平。强烈建议对模型进行交叉验证以评估其准确性。在本研究中，真实分配的百分比在分类和预测的精确估计的上百分位数范围内。