SCL-9-NR VS K10

Методика Р. Кесслера базируется на двух основных симптоматических измерениях – депрессия (5 индикаторов) и тревожность (4 индикатора). Еще один индикатор представляет симптоматическое измерение соматизации. Таким образом, в содержательном смысле К10 значительно отличается от SCL-9-NR (9 симптоматических измерений, по одному индикатору на каждый). И поскольку К10 является общепризнанным измерительным инструментом, возникает вопрос о целесообразности еще одной шкалы, решающей аналогичные задачи и при этом использующей отличный концептуальный подход.
Stacks Image 13985
По этой причине я включил обе методики в онлайн опрос обычных респондентов, а также в опрос среди пациентов Черниговской областной психоневрологической больницы. Не имея возможности провести такую же многостороннюю валидизацию для К10, как и для SCL-9-NR я использовал подход, известный под названием ROC-curve [заключается в построении кривой, демонстрирующей результаты бинарной классификации; в данном случае классифицировались респонденты с психиатрическим диагнозом и без него]. Такое решение было обусловлено тем, что сам Р. Кесслер в рамках обоснования валидности своих шкал использовал именно его, получив при этом значение AUC (площадь под кривой) равное 0,87 – 0,88. В своем же исследовании я получил для К10 показатель на порядок ниже – всего 0,73. В то время как AUC для SCL-9-NR равен 0,80:
Stacks Image 13992

ROC-кривая для К10

Stacks Image 13994

ROC-кривая для SCL-9-NR

При использовании бинарной логистической регрессии для прогнозирования наличия у респондента психиатрического диагноза как SCL-9-NR (log odds ratio = 0,27; z = 7,4; p < 0,001), так и К10 (log odds ratio = –0,11; z = –5,7; p < 0,001) показывают статистически значимые результаты. Вместе с тем, значение AIC говорит в пользу более высокого качества модели, построенной на базе SCL-9-NR (AIC для SCL-9-NR = 280,9; AIC для К10 = 318,0). Аналогичный вывод можно сделать на основании анализа чувствительности, специфичности и общей эффективности моделей [в данном случае чувствительность модели демонстрирует эффективность предсказания наблюдений с психиатрическим диагнозом, специфичность – обычных наблюдений, а под общей эффективностью имеется ввиду общее количество правильно предсказанных случаев]:

Чувствительность, специфичность и эффективность модели для SCL-9-NR и К10, %

Вероятность наличия диагноза на основании модели Чувствительность Специфичность Эффективность
SCL-9-NR К10 SCL-9-NR К10 SCL-9-NR К10
0,9 7 0 100 100 73 71
0,8 14 5 99 99 74 71
0,7 27 5 97 98 76 71
0,6 37 14 96 97 79 72
0,5 50 23 92 93 79 72
0,4 54 50 89 87 79 76
0,3 71 64 78 73 76 70
0,2 80 80 61 42 67 54
0,1 93 99 24 7 45 34
Краткие выводы: в общем и целом наши побеждают =)
Data science (3)
Europe (2)
Geopolitics (2)
Infographics (1)
R (26)
Russia (2)
SPSS (2)
Ukraine (2)
Акционализм (1)
Анализ данных (27)
Аномия (1)
Выборка (1)
Выступления (3)
Геополитика (12)
Гражданское общество (2)
Демократизация (1)
Европа (4)
Интернет ресурсы (1)
Инфографика (8)
Исследовательские дизайны (1)
Историческая социология (10)
История социологии (5)
Киберспорт (1)
Книги (7)
Массивы (3)
Методология социальных исследований (1)
Методология социологических исследований (2)
Научная жизнь (3)
Новости (6)
Обратная связь (1)
Персоналии (3)
Православные конфессии в Украине (1)
Президентская власть (1)
Психологический дистресс (18)
Психология (5)
Публицистика (2)
Революция (1)
Результаты исследований (28)
Религия (3)
Россия (2)
Согласование концептов (4)
Социальная гетерогенность (1)
Социальная работа (1)
Социологическая теория (6)
Социологические тесты (1)
Социологическое образование (5)
Теория конфликта (2)
Теория социального измерения (8)
Украина (9)
Учебные планы (2)
Философия (1)
Шкалирование (36)
Экономика (1)
Эмпирическая социология (46)

free counters
Яндекс.Метрика