全球繁荣研究的协调性结果广泛分析方法的多次波分析

《BMC Global and Public Health》：Coordinated outcome-wide analytic methodology for multi-wave analyses of the global flourishing study

　　

本文中，研究人员描述了用于协调性结果广泛分析集的分析设计，该分析利用全球繁荣研究（Global Flourishing Study，GFS）的数据检验纵向关联，涉及一个跨国和多学科的研究群体。研究人员讨论了结果广泛分析的优势，并提供了以下细节：使用主成分控制高维混杂因素、考虑复杂抽样设计、插补缺失数据、对未测量混杂进行敏感性分析、对来自各国的关联估计进行元分析以及报告结果。研究人员通过估计波1掌握感与波2多种结局的关联，提供了一个简单的示例性结果广泛分析操作。该示例说明了结果如何对分析决策敏感，例如预测变量的不同编码策略和所包含主成分的数量。研究人员最后概述了所采用方法的主要优势和局限性。

**论文解读：全球繁荣研究的协调性结果广泛分析方法**

**研究背景与现存问题**

全球繁荣研究（Global Flourishing Study，GFS）是一项综合性跨国面板研究项目，旨在探究人类繁荣与福祉的多维度模式、影响因素及其关联。该项目涵盖来自22个国家和1个地区的超过20万名参与者，地理与文化背景多样。尽管繁荣概念在心理学、经济学和公共卫生领域日益受到关注，但现有文献大多反映西方观点，全球范围内的福祉研究仍不充分。GFS的跨国设计为通过多文化视角审视繁荣提供了独特机会，但需要合适的方法学框架来挖掘其纵向数据潜力。当前，GFS已有波1和波2数据，可开展多种纵向分析路径。其中，结果广泛分析（outcome-wide analytic design）可一次聚焦单个暴露变量，同时检验其与多个后续结局的关联，从而更全面地评估暴露对繁荣的多方面影响。然而，分析中面临高维混杂控制、复杂抽样设计、缺失数据处理、跨国家异质性以及测量误差等挑战。为此，研究人员开发了一套协调性的定量分析方法，以系统、透明地处理上述问题。

**研究内容与结论**

研究人员利用GFS波1和波2数据，设计并实施了一套标准化的结果广泛分析方案。该方案由跨国和多学科团队协作完成，所有分析按国家分别进行，使用国家代表性样本，再通过随机效应元分析汇总各国结果。以波1掌握感（sense of mastery）预测波2多种结局为例，研究人员展示了该方法的执行流程和结果解读。主要结论包括：掌握感与后续的复合繁荣指数及心理福祉结局的汇总关联较强，与品格/亲社会特质及社会福祉/困扰指标的关联较中等，与身体健康、健康行为及大多数社会经济指标的关联较小但方向有利，而与社会参与因子、某些健康行为及缓慢变化的结构性状态（如教育程度、当前就业）的关联基本为零。通过敏感性分析发现，若对单条目测量的平均信度设定为中等水平（λ=0.55），部分原本无关联的结局可能显现非零关联。未测量混杂敏感性分析显示，主效应模型（模型1）的E值多在1.0至1.70之间，表明需要中等强度的未测量混杂才能解释观察到的关联。该研究发表在《BMC Global and Public Health》。

**主要关键技术方法**

主要关键技术方法包括：① 使用主成分分析（Principal Components，PCs）降低高维潜在混杂变量的维度，选取前7个主成分（解释约41%~58%的变异）纳入回归模型；② 采用国家特异性多重插补（Multiple Imputation，MI），通过链式方程预测均值匹配（Predictive Mean Matching）处理缺失数据，并使用逆概率加权（Inverse Probability Weighting）进行保留权重分析；③ 应用加权线性回归（近似连续结局）和加权修正泊松回归（二元结局）估计关联，同时纳入抽样设计变量（初级抽样单元、分层、抽样权重）；④ 采用随机效应元分析（Paule-Mandel估计量）汇总国家特异性结果，并报告异质性τ和全局p值；⑤ 计算E值评估结果对未测量混杂的敏感性，并使用校准法（以性别为基准）辅助解读；⑥ 探索单条目测量的差分项目功能（Differential Item Functioning，DIF），采用惩罚异质有序Probit模型（Penalized Heteroskedastic Ordered Probit，HETOP）进行初步评估。样本队列来源为GFS，包含22个国家和1个地区（N=207,919），数据通过盖洛普（Gallup）收集，波1于2022年3月至2024年1月间收集，波2于2024年1月至2024年12月间收集。

**研究结果**

1. **测量不变性检验**：通过对12条目安全繁荣指数（Secure Flourishing Index）进行调节非线性因子分析和多组验证性因子分析，发现在国家、年龄和性别上存在部分度量和标量不变性，其中年龄对某些因子载荷有显著调节作用。对PHQ-4（4条目患者健康问卷）的两因子模型（抑郁和焦虑）进行分国家CFA和多组CFA，发现各因子载荷近似跨国相等（度量不变性），RMSEA<0.06（以色列除外），CFI=0.997，TLI=0.997，SRMR=0.009。对单条目测量的DIF分析显示，印度、肯尼亚和坦桑尼亚可能存在低区分度（非均匀DIF），日本和波兰可能存在反应倾向（均匀DIF），但总体上多数国家项目功能相似。

2. **缺失数据、插补与保留权重**：波1至波2的总体保留率为62%（香港23%至中国90%）。通过FMI计算，最大需17个插补数据集，实际使用20个。插补模型包含抽样权重、年龄、性别、教育、收入、就业、婚姻、种族（如可能）、城乡状况及童年期回顾性特征。保留权重通过逻辑回归估计保留概率，并纳入波1的诸多福祉指标作为预测因子。

3. **回归分析**：采用两种模型：模型1仅控制人口学和童年期变量；模型2额外加入7个主成分（代表波1所有其他结局指标的基线值）。主成分分析显示，7个主成分平均解释51.0%的变异。二元结局使用修正泊松回归估计风险比（Risk Ratio，RR），避免Logistic回归带来的比值比误解。

4. **元分析**：对22个国家和1个地区的标准化回归系数进行随机效应元分析，使用Paule-Mandel估计量。报告汇总估计值、95%置信区间、异质性τ和全局p值。当暴露与协变量高度共线时，可能严重低估异质性（τ²<0.01），此时通过森林图和Q统计量提供额外信息。同时报告留一国家汇总估计、学生化残差和Cook‘s D类统计量。

5. **敏感性分析**：信度敏感性分析假设平均信度λ分别为0.40、0.55、0.70，对标准化效应进行纠正。示例中，掌握感对安全繁荣指数的效应在λ=0.40时可达0.502（95% CI: 0.466, 0.539）。未测量混杂敏感性分析计算E值，并采用性别校准（性别与暴露的RR=1.1，与结局的RR=1.20）辅助解读。对于连续结局，同时使用Cinelli和Hazlett的R²方法绘制等高线图。

6. **分析决策敏感性**：以掌握感为例，比较不同二分法编码（如“从不”对比“任何正面频率”、“一贯”对比“其他”）及将四分类视为近似连续方式，结果发现效应估计的方向和显著性基本一致，但强度有所变化。主成分数量敏感性显示，使用1个、2个、固定7个或按国家达到最小方差解释比例，结果高度一致。

**讨论与结论总结**

讨论部分指出该协调性分析的主要优势：① GFS涵盖22个多样国家，代表约三分之二世界人口，提供独特的跨文化比较机会；② 结果广泛分析提供暴露与多结局的整体关联视图，标准化分析计划减少研究者自由度和发表偏倚；③ 数据和分析代码完全公开，每篇实质论文均预注册，增强透明度和可重复性。局限性包括：① 观察性数据无法完全排除未测量混杂；② 仅有两个波次的数据无法进行因果推断；③ 单条目测量存在较低信度和可能的跨国家测量不等性；④ 保留率差异大可能导致偏倚，尽管多重插补和保留权重部分缓解；⑤ 分析忽略结局间相关性；⑥ 纵向测量不变性随时间可能漂移。未来波3数据发布后，可采用暴露在波2、结局在波3、协变量在波1的三波设计，更好地控制时间顺序，避免控制中介变量或碰撞偏倚。

**结论（翻译）**：本文描述了用于利用GFS波1和波2数据报告纵向结果广泛分析稿的方法，这些文稿构成一组协调性的文集，提供了跨越广泛焦点暴露的详细结果。基于早期利用波1数据记录繁荣各指标分布、社会人口学相关因素及童年期预测因子的协调分析（https://www.nature.com/collections/eaeicjffaf），本组计划的分析提供了独特机会，探索在代表约三分之二全球人口的23个地理和文化多样背景中预测众多繁荣指标的因素。尽管存在局限性和注意事项，但这一协调性努力所产生的集体发现，可在国家和国际层面塑造以促进繁荣为导向的政策和实践。