青少年的注意力缺陷多動障礙症狀、社交媒體使用強度和社交媒體使用問題:調查方向性
Maartje Boer (D)、Gonneke Stevens、Catrin Finkenauer 和 Regina van den Eijnden 烏特勒支大學
摘要
横断面研究表明,青少年的社交媒体使用(SMU)和注意缺陷多动障碍(ADHD)症状相关,但目前还不清楚这种关系是由SMU强度还是由类似成瘾的SMU问题解释的。此外,由於缺乏縱向研究,這種關係的方向仍然未知。本研究的目的是利用一項針對 11-15 歲荷蘭青少年(
n
=
543
n
=
543
n=543 n=543 )的三波縱向研究,闡明哪種類型的 SMU 與 ADHD 症狀相關,以及相關的方向。研究結果顯示這是一種單向關係:隨著時間的推移,SMU問題會增加ADHD症狀,但SMU強度不會。這意味著有問題的使用,而不是使用的強度,會對青少年的 ADHD 症狀造成傷害。
社交媒體使用(SMU),例如 Instagram 和 Snapchat 的使用在過去幾年有所增加,特別是在青少年中(Anderson & Jiang, 2018; Kloosterman & Van Beuningen, 2015)。2018 年,
45
%
45
%
45% 45 \% 在美國 13-17 歲的青少年中,
45
%
45
%
45% 45 \% 報稱幾乎一直在上網,而在 2015 年,這個比例是 24%(Anderson & Jiang,2018)。雖然SMU能讓青少年與同齡人保持聯繫,並促進他們參與線上社交活動(Kuss & Griffiths, 2011; Ryan & Xenos, 2011),但學者也提出了SMU可能會增加青少年注意力缺陷多動症(ADHD)症狀的擔憂(Cabral, 2011; Levine, Waite, & Bowman, 2007, 2012)。然而,目前仍不清楚 SMU 的哪個方面會導致這種關聯。為了加強我們對SMU和ADHD症狀是否以及如何相關的理解,本研究區分了SMU強度和SMU問題。SMU強度指的是使用的頻率,而SMU問題的特點是類似上癮的行為,如為了SMU而取代其他活動,或因SMU而與他人發生衝突(Griffiths, Kuss, & Demetrovics, 2014; Van den Eijnden, Lemmens, & Valkenburg, 2016)。雖然有SMU問題的青少年通常報告高SMU強度(Van den Eijnden, Koning, Doornwaard, Van Gurp, & Ter Bogt, 2018; Van den Eijnden et al.
不一定會像 SMU 問題一樣損害重要的生活領域。
横断面研究表明,报告SMU强度高的青少年也报告了更多的ADHD症状(Barry, Sidoti, Briggs, Reiter, & Lindsey, 2017; Levine等人,2007)。其他研究發現SMU問題與ADHD症狀之間存在關聯(Andreassen等人,2016;Mérelle, Kleiboer, Schotanus, Cluitmans, & Waardenburg, 2017;Van den Eijnden等人,2016;Wu, Cheung, Ku, & Hung, 2013)。這些發現提出了兩個問題。首先,SMU強度、SMU問題或兩者是否都與ADHD症狀有關仍不清楚,因為現有的研究分別研究了SMU強度和SMU問題。然而,這兩種類型的SMU是相關的(Van den Eijnden等人,2018年,2016年)。雖然理論上這兩種類型的SMU都可能與ADHD-症狀有關,但研究表明,SMU強度和SMU問題可能隨著時間的推移產生不同的結果(Van den Eijnden等人,2018)。因此,本研究的第一個目的是探索這兩種類型的SMU是否與ADHD症狀有關。其次,鑒於先前研究的橫斷性質,社交媒體行為與 ADHD-
症狀仍然是未知的。本研究利用一項縱向研究的資料,解決了這些知識上的缺口。
最近,有學者提醒不要過度病理化標準行為,質疑按照物質成癮標準定義的問題互聯網相關行為是否會造成重大傷害(Kardefelt-Winther等人,2017;Van Rooij等人,2018)。然而,最近的縱向研究表明,隨著時間的推移,SMU問題會損害生活滿意度,而SMU強度不會(Van den Eijnden等人,2018)。本研究通過探討SMU強度和SMU問題是否會獨立或共同增加ADHD症狀來擴展這一研究。
ADHD症狀對SMU強度和SMU問題的影響
ADHD 有三種行為特徵:注意力缺陷、過度活躍和衝動。注意力不足的青少年通常在完成需要長時間專注的工作時會遇到困難,因為他們很容易分心。行為過度活躍的青少年通常會表現出身體不安。衝動的青少年傾向於強烈偏好即時的獎勵而非延遲的獎勵,並且經常在沒有經過深思熟慮的情況下行事(美國精神病學協會,2013年)。
社交媒體的幾個特點可能對有多動症症狀的青少年特別有吸引力。首先,他們可以隨時隨地透過智慧型手機使用,而且智慧型手機上的社交媒體應用程式會主動通知使用者收到的訊息和更新的內容 (Pielot, Church, & de Oliveira, 2014)。因此,在日常生活中,社交媒體可能會成為誘人的外部分心因素,有 ADHD 症狀的青少年比沒有症狀的青少年對這些外部分心因素更加敏感(美國精神病學協會,2013)。其次,社交媒體允許青少年快速瀏覽個人資料,並同時參與多個對話,有助於快速滿足即時的資訊和社交需求。因此,我們預期隨著時間的推移,
A
D
H
D
A
D
H
D
ADHD A D H D 症狀會增加 SMU 的強度(H1)。此外,ADHD-症狀構成成癮的風險因素,例如藥物依賴(Cyders & Smith, 2009; Ohlmeier et al.)由於SMU問題的特點是類似上癮的行為,因此有ADHD症狀的青少年也可能對發展SMU問題很敏感。因此,我們預期隨著時間的推移,ADHD症狀會增加SMU問題(H2)。
SMU強度和SMU問題對ADHD症狀的影響
大量使用社交媒體的青少年可能習慣於在媒體活動和其他(離線或線上)活動之間進行任務轉換(Karpinski, Kirschner, Ozer, Mellott, & Ochwo, 2013; Rosen, Whaling, Carrier, Cheever, & Rokkum, 2013)。這可能會損害他們從無關資訊中過濾相關資訊的能力,進而導致注意力缺陷的發展(Baumgartner, Van der Schuur, Lemmens, & Te Poel, 2017)。此外,密集的社交媒體使用者可能會習慣於社交媒體提供的娛樂。因此,他們可能會認為不需要長時間注意力的媒體活動是無娛樂性或無聊的,從而導致注意力缺陷的經驗(Nikkelen, Valkenburg, Huizinga, & Bushman, 2014)。此外,密集的SMU可能會因為密集接觸明亮的螢幕而破壞睡眠(Van der Schuur, Baumgartner, & Sumter, 2018),反過來,這可能會導致更多的注意力缺陷或在白天放棄即時衝動的能力受損(Fallone, Acebo, Arnedt, Seiger, & Carskadon, 2001)。因此,我們預期SMU的強度會隨著時間的推移而增加ADHD症狀(H3)。此外,有SMU問題的青少年可能會因為專注於社交媒體而出現注意力缺陷。他們不斷上網的衝動可能會讓他們在無法立即檢查和回覆收到的訊息時感到坐立不安,例如在學校。因此,我們預期 SMU 問題會隨著時間的推移而增加 ADHD 症狀 (H4)。
目前的研究
本研究使用三波 11-15 歲荷蘭中學青少年(Van den Eijnden,2018 年)的縱向資料,調查 ADHD 症狀與 SMU 強度和 SMU 問題之間關聯的方向性。為了解決方向性問題,我們應用了「隨機截距交叉滯後面板模型」(RI-CLPM;Hamaker, Kuiper, & Grasman, 2015)。這項嶄新的模型技術讓我們可以檢視社交媒體行為與 ADHD 症狀之間隨時間變化的關係,同時控制所有可能混淆的穩定特徵,例如人格特徵。該技術借鑒了多層次方法,將人內方差和人際方差分開,允許對方向性進行更準確的估計(Hamaker 等人,2015 年)。
方法
為了檢驗我們的假設,我們使用了「數位青年計劃」(Digital Youth-project)的前三個波次;這是一項基於自我報告措施的中學生網路行為和心理健康縱向研究(Van den Eijnden 等人,2018)。該研究分別在 2015 年、2016 年和 2017 年的 2 月和 3 月進行。在第一波中,來自兩所中學高一和高二的 543 名青少年參與了研究。兩所學校都位於荷蘭:一所位於中型城市,另一所位於大型城市。參與者的年齡介於 11 到 15 歲之間
(
M
age
=
12.91
M
age
=
12.91
(M_("age ")=12.91:} \left(M_{\text {age }}=12.91\right. ,
S
D
age
=
.73
)
S
D
age
=
.73
{:SD_("age ")=.73) \left.S D_{\text {age }}=.73\right) 。在此樣本中,293名青少年(54%)參加了全部三個波次,198名(36%)參加了兩個波次,52名(10%)參加了一個波次。沒有回應的原因主要是整個學校班級的學生中途退學,而不是因為個人選擇、老師缺席或老師無法安排時間完成調查。在第一波調查中,學年與性別的分佈是平均的 (51% 的一年級學生,52% 的女生)。相較於中學前 2 年的荷蘭青少年人口組成(分別為
26
%
26
%
26% 26 \% 和 73%;Statistics Netherlands, 2018),接受大學前教育的青少年(
48
%
48
%
48% 48 \% )和父母雙方均為荷蘭人的青少年(
84
%
84
%
84% 84 \% )所佔比例略高。
調查問卷的參與是在上課時間透過數位方式自行填寫,並且是自願和匿名的。參與者不會獲得任何獎勵。必要時,研究助理會在評估過程中提供協助。參與者被告知他們可以在評估過程中隨時退出調查。家長在參與調查前會收到資訊信函,讓他們有機會拒絕自己的孩子參與調查。研究程序依照赫爾辛基宣言進行,並經烏特勒支大學社會科學學院倫理委員會 (FETC16-076 Eijnden) 核准。
措施
SMU 強度
四個關於使用社交網站和即時通訊工具的項目被用來測量 SMU 的強度(Van den Eijnden 等人,2018)。受訪者被問到 "您每天使用多少次 "、"您每週「讚好」社交網站上他人的訊息、照片或電影幾次?"、「您每週對社交網站上他人的訊息、照片或電影發出回應(或分享)幾次?」。問卷中提供了社交網站的範例(Facebook、Twitter、Instagram、Google+ 或 Pinterest)。第四項是關於即時通訊工具的使用:"您每天會透過智慧型手機(例如 WhatsApp、Chat、SnapChat 或 SMS)傳送多少次訊息、照片或影片?受訪者以 7 點量表作答,高值表示 SMU 強度高,
(
0
=
(
0
=
(0= (0= 每天或每週不到一次,
7
=
7
=
7= 7= 每天或每週超過 40 次。)在所有三波調查中,所有題目的因子載荷都介於 0.68 和 0.82 之間。Cronbach的
α
α
alpha \alpha 值為0.86 (T1)、85 (T2)和0.84 (T3)。原始量表包含六個項目。其中 「您每週在社交網站發佈訊息、照片或電影多少次?」和 「您每天透過 WhatsApp、Chat、SnapChat 或 SMS 檢查智慧型手機上的訊息、照片或影片多少次?」這兩個項目分別因為因子負載低於 0.5 和與另一個項目有高度的相互關係(
r
=
.70
r
=
.70
r=.70 r=.70 )而被剔除。
SMU 問題
社交媒體失調量表用於測量SMU問題(Van den Eijnden等人,2016)。該量表包括九個項目,與《精神失調診斷與統計手冊》第五版附錄中的九個網路遊戲失調診斷標準相對應。這些標準包括專注(preoccupation)、持續(persistence)、容忍(tolerance)、退縮(withdrawing)、移位(displacement)、逃避(exit)、問題(problem)、欺騙(deception)和衝突(conflict)(Lemmens, Valkenburg, & Gentile, 2015),與藥物依賴的標準一致。青少年被問到「在過去一年中,您是否(......)」,接著例如「經常對興趣或其他活動不感興趣,因為您寧願使用社交媒體?受訪者以二分法 (
1
=
1
=
1= 1= 是和
0
=
n
o
0
=
n
o
0=no 0=n o ) 作答。量表上的高值表示 SMU 問題的程度很高。三次調查的因子載荷在 0.52 到 0.85 之間。之前的驗證研究(Van den Eijnden等人,2016)顯示,SMD量表與強迫性互聯網使用和自我宣稱的社交媒體上癮有中等到較大的正相關,確認了充分的收斂效度。該量表還 發現其與心理健康問題和 SMU 的頻率有小到中等程度的正相關,證明標準效度令人滿意。鑑於題目的二分性質,內部一致性是使用基於四元關係矩陣(Gadermann, Guhn, Zumbo, & Columbia, 2012)的序數α來計算的。順序α值分別為 0.83 (T1)、90 (T2) 及 0.89 (T3)。
ADHD-症狀
ADHD 問卷被選用於本研究,因為它已被證明是一種可靠且有效的青少年 ADHD 症狀測量方法 (Scholte & Van der Ploeg, 1999)。為了深入瞭解哪些 ADHD 症狀與社交媒體行為有關,我們分別測量了三種 ADHD 症狀。注意力缺陷使用九個項目進行測量,例如「我避免需要長時間努力的任務」。因子載荷介於 0.60 和 0.79 之間;Cronbach's
α
α
alpha \alpha 值為 .89 (T1)、.90 (T2) 和 .87 (T3)。衝動由六個項目表示,例如「我發現很難輪到我」。因子載重介於 0.55 和 0.77 之間;Cronbach's
α
α
alpha \alpha 值為 .79(T1)、83(T2)和 .81(T3)。六個項目被用來測量過度活躍,例如「我感到坐立不安」。因子載荷介於 0.47 和 0.85 之間;Cronbach's
α
α
alpha \alpha 值為 .85 (T1)、.88 (T2) 和 .82 (T3)。受訪者以 5 點回應量表作答,高值表示 ADHD 症狀的程度較高(
1
=
1
=
1= 1= 從不和
5
=
5
=
5= 5= 非常頻繁)。
隨時間變化的測量不變性
要得出隨時間變化的效果結論,應在所有三個波次中測量相同的構造。因此,在分析之前,我們使用 Mplus 8.1 (Muthén & Muthén, 2017) 進行了測量不變性分析。對於每項測量,都是透過對以長格式(
n
=
1
,
629
n
=
1
,
629
n=1,629 n=1,629 )結構的資料進行多組確認因素分析(CFA)來完成,其中各組是以波次來表示。透過限制所有波次的項目負載和截距相等來強制測量不變,然後評估模型的合適性。對於SMU問題,由於此量表包含二元項目,因此閾值而非截距被限制為相等。我們使用最大似然法(Maximum Likelihood estimation)對SMU強度、專注力缺失、衝動和過度活躍進行測量不變性分析。 對於 SMU 問題,使用了加權最小平方均值和方差調整 (WLSMV) 估計,建議用於分類項目 (Muthén & Muthén,2017)。對於 SMU 問題,使用了加權最小平方均值和方差調整(WLSMV)-估計,建議用於分類項目(Muthén & Muthén,2017)。對於每個多組 CFA,我們使用比較適合指數(CFI;> .
9
=
9
=
9= 9= 可接受;> .
95
=
95
=
95= 95= 優異)、TuckerLewis 指數(TLI;> .
9
=
9
=
9= 9= 可接受;
>
.95
=
>
.95
=
> .95= >.95= 優異)和均方根近似誤差(RMSEA;
<
.08
=
<
.08
=
< .08= <.08= 可接受;
<
.05
=
<
.05
=
< .05= <.05= 優異;Van de Schoot, Lugtig, & Hox, 2012)來評估整體模型的適合性。我們隨後根據 CFI 的變化(
≥
.010
≥
.010
>= .010 \geq .010 增加)和 RMSEA 的變化(
≥
.015
≥
.015
>= .015 \geq .015 減少;Chen,2007)評估了移除載荷和截距/閾值上的相等約束是否會顯著改善模型的合適性。在量測不變性分析中,使用
△
C
F
I
△
C
F
I
/_\CFI \triangle C F I 和
△
△
/_\ \triangle RMSEA評估模型的合適性比使用秩方差測試更為可取,因為後者對大樣本數量很敏感(Chen,2007;Cheung & Rensvold,2002)。
表 1 顯示,當施加隨時間變化的測量不變性時,多組 CFA 模型對 SMU 強度、SMU 問題、專注力缺失和衝動的整體模型擬合都是可以接受到極佳的。當解除對項目載荷、截距或臨界值的相等限制時,模型的擬合沒有顯著改善。這表示這四個量測項目的量測不變性已經建立,我們可以對它們的縱向關係做出有意義的結論(Van de Schoot 等人,2012)。過度活躍的整體模型契合度相對較低 (
CFI
=
.874
,
TLI
=
.879
CFI
=
.874
,
TLI
=
.879
CFI=.874,TLI=.879 \mathrm{CFI}=.874, \mathrm{TLI}=.879 , and RMSEA = .122),而且測量不變性並沒有建立。
表一 測量不變分析:多組 CFA (
n
=
1
,
629
n
=
1
,
629
n=1,629 \mathrm{n}=1,629 )
Overall model fit con-
受限模型
Overall model fit con-
strained model | Overall model fit con- |
| :---: |
| strained model |
模型擬合的變化
b
b
^(b) ^{\mathrm{b}}
Change in model
fit ^(b) | Change in model |
| :---: |
| fit $^{\mathrm{b}}$ |
CFI
TLI
RMSEA
Δ
Δ
Delta \Delta CFI
DRMSEA
SMU 強度
.989
.989
.047
.009
-.010
SMU 問題
.963
.957
.034
-.007
.006
注意力缺陷
.932
.935
.073
.009
.007
衝動
.987
.987
.031
.004
.002
過度活躍
.874
.879
.122
.019
.026
"Overall model fit con-
strained model"
"Change in model
fit ^(b)"
CFI TLI RMSEA Delta CFI DRMSEA
SMU intensity .989 .989 .047 .009 -.010
SMU problems .963 .957 .034 -.007 .006
Attention deficits .932 .935 .073 .009 .007
Impulsivity .987 .987 .031 .004 .002
Hyperactivity .874 .879 .122 .019 .026 | | Overall model fit con- <br> strained model | | | | | |
| :--- | :---: | :---: | :---: | :---: | :---: | :---: |
| | | | Change in model <br> fit $^{\mathrm{b}}$ | | | |
| | CFI | TLI | RMSEA | | $\Delta$ CFI | DRMSEA |
| SMU intensity | .989 | .989 | .047 | | .009 | -.010 |
| SMU problems | .963 | .957 | .034 | | -.007 | .006 |
| Attention deficits | .932 | .935 | .073 | | .009 | .007 |
| Impulsivity | .987 | .987 | .031 | | .004 | .002 |
| Hyperactivity | .874 | .879 | .122 | | .019 | .026 |
(
Δ
CFI
=
.019
)
(
Δ
CFI
=
.019
)
(DeltaCFI=.019) (\Delta \mathrm{CFI}=.019) 。然而,額外的分析(結果未顯示)顯示測量不變性只與過度活躍量表中兩個項目的截距有關。因此,就我們的分析而言,過度活躍在不同時期有足夠的不變性(Van de Schoot 等人,2012)。
產生因子分數
由於我們的模型與大量潛在變數有關,因此使用潛在變數為我們的量測建立 RI-CLPM 模型並不可行。因此,我們考慮使用觀察項目的和分,這是 RI-CLPM 應用中最常見的做法(Hamaker 等人,2015)。然而,SMU 問題的總和分數的分佈是嚴重偏斜的(Van den Eijnden 等人,2016),這通常會導致統計分析的結果出現偏差(Hox, Maas, & Brinkhuis, 2010)。此外,總和得分並沒有考慮到項目對其潛在量測有不同的貢獻,就像它們不同的因子負載所反映的一樣,這可能會導致潛在量測的不準確表示(Distefano, Zhu, & Mîndrilă,2009)。我們使用因子分數而非總和分數來解決這些缺點,總和分數是根據 CFA 模型反映潛在量測的可信值(Distefano 等人,2009)。
因子得分使用 Mplus 8.1 計算。對於所有五個單獨的量測,我們指定了有三個潛在量測的 CFA 模型,以寬廣的格式(
n
=
543
n
=
543
n=543 n=543 )參考三個重複量測。在這些模型中,隨時間變化的測量不變性被強加,潛在測量的平均值被自由估計。根據這些 CFA 模型計算因子得分並儲存。儲存的因子分數隨後被用作 RI-CLPM 的觀察變項。SMU 強度、專注力缺失、衝動和過度活躍的因子分數是使用 MLR-estimation 計算出來的。WLSMV-estimation 用於計算 SMU 問題的因子分數。參與和退出個案的因子分數是根據前一波次的所有可用資料計算出來的。例如,對於在第二輪調查中退出的受訪者,我們使用迴歸方法,利用受訪者在第一輪和第三輪調查中的可用分數以及估計的模型參數來估計第二輪調查的因子分數(Muthén,2004)。因此,所有 543 位被訪者都被保留在分析中。表 2 顯示所有五個量表的因子分數的描述性統計資料,以長格式顯示(
n
=
1
,
629
n
=
1
,
629
n=1,629 n=1,629 )。
表二 描述性統計,因子分數
(
n
=
1
,
629
)
(
n
=
1
,
629
)
(n=1,629) (\mathrm{n}=1,629)
M
[
95
%
CI
]
M
[
95
%
CI
]
M[95%CI] M[95 \% \mathrm{CI}]
S
D
S
D
SD S D
最小值
最大值
SMU 強度
.22
[
.16
,
.28
]
.22
[
.16
,
.28
]
.22[.16,.28] .22[.16, .28]
1.22
-2.62
2.53
SMU 問題
.14
[
.12
,
.17
]
.14
[
.12
,
.17
]
.14[.12,.17] .14[.12, .17]
0.49
-0.44
2.14
注意力缺陷
.12
[
.09
,
.16
]
.12
[
.09
,
.16
]
.12[.09,.16] .12[.09, .16]
0.76
-1.37
2.95
衝動
.01
[
−
.01
,
.04
]
.01
[
−
.01
,
.04
]
.01[-.01,.04] .01[-.01, .04]
0.54
-0.87
2.52
過度活躍
02
[
−
.02
,
.06
]
02
[
−
.02
,
.06
]
02[-.02,.06] 02[-.02, .06]
0.81
-1.17
2.89
M[95%CI] SD Minimum Maximum
SMU intensity .22[.16,.28] 1.22 -2.62 2.53
SMU problems .14[.12,.17] 0.49 -0.44 2.14
Attention deficits .12[.09,.16] 0.76 -1.37 2.95
Impulsivity .01[-.01,.04] 0.54 -0.87 2.52
Hyperactivity 02[-.02,.06] 0.81 -1.17 2.89 | | $M[95 \% \mathrm{CI}]$ | $S D$ | Minimum | Maximum |
| :--- | :---: | :---: | :---: | :---: |
| SMU intensity | $.22[.16, .28]$ | 1.22 | -2.62 | 2.53 |
| SMU problems | $.14[.12, .17]$ | 0.49 | -0.44 | 2.14 |
| Attention deficits | $.12[.09, .16]$ | 0.76 | -1.37 | 2.95 |
| Impulsivity | $.01[-.01, .04]$ | 0.54 | -0.87 | 2.52 |
| Hyperactivity | $02[-.02, .06]$ | 0.81 | -1.17 | 2.89 |
註。SMU = 社交媒體使用。
參與者和退出者之間的差異是通過使用前一波的計算因子分數預測T2和T3的退出情況來分析的。多變式邏輯迴歸(結果未顯示)顯示,在T1報告SMU強度高的青少年在
T
3
(
OR
=
1.34
,
p
<
.05
)
T
3
(
OR
=
1.34
,
p
<
.05
)
T3(OR=1.34,p < .05) \mathrm{T} 3(\mathrm{OR}=1.34, p<.05) 中更有可能退學,儘管這只能解釋T3退學的一小部分變異(Nagelkerke
R
2
=
.010
R
2
=
.010
R^(2)=.010 R^{2}=.010 )。SMU問題、專注力不足、衝動和過度活躍在任何波次中都與退學無關。
建模策略
透過檢視 ADHD 症狀的變化是否會引起社交媒體行為的變化,可以建立方向性,反之亦然,這指的是青少年內部發生的動態過程。要研究這些青少年內部的動態過程,人與人之間的變異應該與人與人之間的變異分開,因為人與人之間的時間不變特徵可能會混淆人與人之間的動態過程。RICLPM 藉由為每個量測加入一個 RI,將所有可能混淆的時間不變特質分離出來,這個 RI 可以捕捉到各個量測在人與人之間層級的穩定性。因此,RI-CLPM 中的交叉滯後關係只反映人內動態,而不會受到人與人之間層級的時變特徵的混淆(Hamaker 等人,2015 年),例如穩定的個人性情差異。
在建立測量不變性並產生因子分數後,依照 Hamaker (2018) 的建模策略,使用 Mplus 8.1 與 MLR-estimation 擬合 RI-CLPM。雙變數 RI-CLPM 如圖 1 所示。在本研究中,這個模型被擴展為五個變量的RI-CLPM,包括SMU強度、SMU問題、注意力缺陷、衝動和過度活躍(見圖S1)。人與人之間的部分
圖 1.雙變數隨機截距 (RI) 交叉滯後小組模型。正方形代表計算出的因子得分 (FS)。圓代表 RI 和各因子分數的人內值 (W)。在人內層面上,交叉滯後路徑以對角線箭頭表示,自回歸路徑以水平箭頭表示,波內(殘餘)相關則以雙端箭頭表示。自回歸路徑、交叉滯後路徑和波內(殘餘)相關係均可自由估計。在人與人之間的層面上,RIs 是相關的。在最後的分析中,此模型已延伸至社交媒體使用(SMU)強度、衝動性和過度活躍性。 RI-CLPM 以 RIs 表示。RIs 是從計算出的因子分數中萃取出來的潛在變數,這些因子分數會隨著時間的推移反映出相同的構成,其負載固定為 1。每個 RI 代表該測量的特定個人時間不變穩定性。所有 RI 之間的相關性都是特定的。舉例來說,RI之間的正相關表示注意力缺陷平均值高的青少年在SMU問題上的平均值也高。RI-CLPM的人內部分用人內值來表示,人內值是從各自計算出的因子分數中提取出來的額外潛在變數,載荷同樣固定為1。計算出的因子分數的殘差被限制為零。人內值表示青少年與預期分數的偏差。
T
x
T
x
T_(x) T_{x} 時的預期分數由各波的總平均值和青少年的 RI 組成。人內值之間的交叉滯後路徑、自迴歸路徑和波內(殘餘)相關性被指定(圖 1)。例如,正的交叉滯後路徑表明,在
T
x
T
x
T_(x) T_{x} 中注意力缺陷相對於其預期分數增加的青少年也報告了更多的SMU問題。 相對於他們在
T
x
+
1
T
x
+
1
T_(x+1) T_{x+1} 時的預期分數。透過加入自回歸路徑,模型控制了之前的增加或減少(例如,
T
x
T
x
T_(x) T_{x} 時的SMU問題對
T
x
+
1
T
x
+
1
T_(x+1) T_{x+1} 時的SMU問題)。通過包括波內(殘差)關係,模型也控制了同一年內同時發生的增加或減少(例如,
T
x
T
x
T_(x) T_{x} 的注意力缺陷與
T
x
T
x
T_(x) T_{x} 的SMU問題)。此外,所有的交叉滯後路徑、自回歸路徑、波內(殘留)相關性和平均值都沒有時間限制。RI-CLPM 的結果已標準化 (STD
Yx
Yx
_(Yx) { }_{\mathrm{Yx}} ),以便詮釋效應大小。
在 Mplus 8.1 中進行 Monte Carlo 模擬,以確定剔除無效假設的統計功率 (Muthén & Muthén, 2002)。使用 1,000 個模擬樣本、
n
=
543
n
=
543
n=543 n=543 的樣本大小和 0.05 的 I 類錯誤率進行幂等分析。功率分析是基於我們的 RI-CLPM,包括所有交叉滯後效應、自回歸效應和所有(殘留)關係的自由估計。對於中度效應(
β
=
.3
β
=
.3
beta=.3 \beta=.3 )的檢測,所有估計的權限介於 0.94 和 1 之間。對於檢測小影響 (
β
=
.2
β
=
.2
beta=.2 \beta=.2 ),所有估計值的權限介於 0.68 和 0.94 之間。我們無法從文獻中得出最小相關效應大小,因為沒有專門針對社交媒體行為和 ADHD 症狀的縱向研究。使用多元模型檢視(有問題的)SMU 和 ADHD 症狀之間關係的橫截面研究顯示平均
β
=
.24
β
=
.24
beta=.24 \beta=.24 的中小型效應大小(Andreassen 等人,2016;Barry 等人,2017;Levine 等人,2007;Mérelle 等人,2017;Wu 等人,2013)。對於這個效應大小,我們模型中所有估計的功率介於 0.80 和 0.99 之間。因此,分析結果顯示,我們的
n
=
543
n
=
543
n=543 n=543 樣本大小能夠偵測到與先前的橫截面研究相對應的效應大小。
結果
初步結果
在進行主要分析之前,我們對長格式 (
n
=
1
,
629
n
=
1
,
629
n=1,629 n=1,629 ) 的資料進行了初步分析,以研究我們的量測項目 (即所計算的因子分數) 的類內關聯 (ICC)。ICC 表示在人與人之間的層面上,相對於總變異量所能解釋的變異比例,這可以讓我們深入了解我們的量測項目在一段時間內的穩定性。表 3 顯示,在我們的研究中,大部分的量測項目主要在青少年之間有差異,特別是 表三 初步結果,標準化 (
n
=
1
,
629
n
=
1
,
629
n=1,629 \mathrm{n}=1,629 )
SMU 強度
SMU 問題
注意力缺陷
衝動
過度活躍
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
p
p p
第二波
a
a
^("a ") { }^{\text {a }}
. 39
. 06
<.001
. 84
. 05
<
.001
<
.001
< .001 <.001
. 27
. 06
<.001
-. 05
. 07
. 476
. 09
. 06
. 117
波形
3
a
3
a
3^("a ") 3^{\text {a }}
. 84
. 06
<
.001
<
.001
< .001 <.001
. 35
. 06
<.001
. 67
. 07
<.001
. 20
. 06
. 001
. 09
. 07
. 163
女孩
b
b
^("b ") { }^{\text {b }}
. 42
. 09
<.001
. 22
. 08
. 007
-. 07
. 09
. 445
-. 18
. 09
. 046
-. 02
. 09
. 842
職前教育
c
c
^(c) { }^{\mathrm{c}}
. 26
. 09
. 003
. 45
. 09
<.001
. 25
. 10
. 010
. 28
. 09
. 003
. 26
. 10
. 007
原住民族背景
d
d
^("d ") { }^{\text {d }}
. 25
. 12
. 034
-. 03
. 012
. 831
. 19
. 13
. 150
. 02
. 14
. 871
. 26
. 11
. 021
ICC
e
e
^("e ") { }^{\text {e }}
. 803
. 899
. 715
. 771
. 756
SMU intensity SMU problems Attention deficits Impulsivity Hyperactivity
beta SE p beta SE p beta SE p beta SE p beta SE p
Wave 2 ^("a ") . 39 . 06 <. 001 . 84 . 05 < .001 . 27 . 06 <. 001 -. 05 . 07 . 476 . 09 . 06 . 117
Wave 3^("a ") . 84 . 06 < .001 . 35 . 06 <. 001 . 67 . 07 <. 001 . 20 . 06 . 001 . 09 . 07 . 163
Girls ^("b ") . 42 . 09 <. 001 . 22 . 08 . 007 -. 07 . 09 . 445 -. 18 . 09 . 046 -. 02 . 09 . 842
Prevocational education ^(c) . 26 . 09 . 003 . 45 . 09 <. 001 . 25 . 10 . 010 . 28 . 09 . 003 . 26 . 10 . 007
Native ethnic background ^("d ") . 25 . 12 . 034 -. 03 . 012 . 831 . 19 . 13 . 150 . 02 . 14 . 871 . 26 . 11 . 021
ICC ^("e ") . 803 . 899 . 715 . 771 . 756 | | SMU intensity | | | SMU problems | | | Attention deficits | | | Impulsivity | | | Hyperactivity | | |
| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | $p$ |
| Wave 2 ${ }^{\text {a }}$ | . 39 | . 06 | <. 001 | . 84 | . 05 | $<.001$ | . 27 | . 06 | <. 001 | -. 05 | . 07 | . 476 | . 09 | . 06 | . 117 |
| Wave $3^{\text {a }}$ | . 84 | . 06 | $<.001$ | . 35 | . 06 | <. 001 | . 67 | . 07 | <. 001 | . 20 | . 06 | . 001 | . 09 | . 07 | . 163 |
| Girls ${ }^{\text {b }}$ | . 42 | . 09 | <. 001 | . 22 | . 08 | . 007 | -. 07 | . 09 | . 445 | -. 18 | . 09 | . 046 | -. 02 | . 09 | . 842 |
| Prevocational education ${ }^{\mathrm{c}}$ | . 26 | . 09 | . 003 | . 45 | . 09 | <. 001 | . 25 | . 10 | . 010 | . 28 | . 09 | . 003 | . 26 | . 10 | . 007 |
| Native ethnic background ${ }^{\text {d }}$ | . 25 | . 12 | . 034 | -. 03 | . 012 | . 831 | . 19 | . 13 | . 150 | . 02 | . 14 | . 871 | . 26 | . 11 | . 021 |
| ICC ${ }^{\text {e }}$ | . 803 | | | . 899 | | | . 715 | | | . 771 | | | . 756 | | |
為 SMU 問題 (89.9%)。這表示我們的大部分量測項目在一段時間內相對穩定。然而,我們的量測項目中有很大一部分的變異與青少年內部隨時間的變化有關(
10.1
%
−
28.5
%
10.1
%
−
28.5
%
10.1%-28.5% 10.1 \%-28.5 \% )。
我們還通過多層次多元迴歸
(
n
=
1
,
629
)
(
n
=
1
,
629
)
(n=1,629) (n=1,629) 研究了我們的量度隨著時間的推移是如何發展的,以及這些量度是否與人口特徵有關。表 3 顯示,平均來說,SMU 強度、SMU 問題和注意力缺陷在第二波和第三波相對於第一波有所增加。相對於第一波,衝動只在第三波增加。過度活躍並沒有隨時間增加,雖然 ICC 顯示過度活躍在不同波次有所不同。女孩比男孩報告了更高的 SMU 強度和更多的 SMU 問題。女孩的衝動程度也比男孩低。接受職前教育的青少年比接受中級或大學前教育的青少年報告了更高的SMU強度、更多的SMU問題和更多的ADHD症狀。父母雙方均為荷蘭人的青少年比父母至少有一方來自其他國家的青少年報告了更高的SMU強度和更多的多動性。這些觀察到的因子分數平均差異不會影響我們的縱向結果,因為 RICLPM 控制了所有可能的時間變異混淆因素,這使得加入人與人之間的特徵作為輔變量是多餘的(Hamaker 等人,2015 年)。
ADHD-症狀、SMU 強度和 SMU 問題 RI-CLPM 的整體模型擬合良好
(
CFI
=
.998
;
TLI
=
.984
;
RMSEA
=
.042
;
χ
2
(
10
)
=
CFI
=
.998
;
TLI
=
.984
;
RMSEA
=
.042
;
χ
2
(
10
)
=
(CFI=.998;quadTLI=.984;quadRMSEA=.042;quadchi^(2)(10)=:} \left(\mathrm{CFI}=.998 ; \quad \mathrm{TLI}=.984 ; \quad \mathrm{RMSEA}=.042 ; \quad \chi^{2}(10)=\right.
19.472
,
p
=
.035
19.472
,
p
=
.035
19.472,p=.035 19.472, p=.035 ,結果未顯示)。表 4 顯示了 RIs 之間的相關性。SMU強度平均值高和SMU問題平均值高的青少年也報告了注意力缺陷、衝動和過度活躍的高平均值(相關性從
r
=
.23
−
.29
,
p
=<
.001
−
r
=
.23
−
.29
,
p
=<
.001
−
r=.23-.29,p=<.001- r=.23-.29, p=<.001- .032不等)。報告SMU強度平均值高的青少年也報告SMU問題平均值高(
r
=
.40
,
p
<
.001
r
=
.40
,
p
<
.001
r=.40,p < .001 r=.40, p<.001 )。
表 5 描述了人內層級的自回歸和交叉滯後效應。表中淺灰色單元格表示假設 1 和假設 2 的結果,這些結果均不顯著。具體來說,ADHD症狀增加的青少年在1年後沒有報告SMU強度的增加,也沒有報告1年後SMU問題的增加。這些發現推翻了假設1和2。
表四 RI-CLPM,人與人之間的相關性 (
n
=
543
n
=
543
n=543 \mathrm{n}=543 )
SMU 強度
SMU 問題
注意力不足
衝動
r
SE
p
r
SE
p
r
SE
p
r
SE
p
SMU 強度
1.00
SMU 問題
. 40
. 08
<
.001
<
.001
< .001 <.001
1.00
注意力不足
. 23
. 06
<
.001
<
.001
< .001 <.001
. 24
. 11
. 032
1.00
衝動
. 23
. 06
<
.001
<
.001
< .001 <.001
. 23
. 11
. 031
. 67
. 05
<
.001
<
.001
< .001 <.001
1.00
過度活躍
. 29
. 06
<
.001
<
.001
< .001 <.001
. 29
. 10
. 003
. 63
. 07
<
.001
<
.001
< .001 <.001
. 64
. 05
<
.001
<
.001
< .001 <.001
SMU intensity SMU problems Attention deficit Impulsivity
r SE p r SE p r SE p r SE p
SMU intensity 1.00
SMU problems . 40 . 08 < .001 1.00
Attention deficit . 23 . 06 < .001 . 24 . 11 . 032 1.00
Impulsivity . 23 . 06 < .001 . 23 . 11 . 031 . 67 . 05 < .001 1.00
Hyperactivity . 29 . 06 < .001 . 29 . 10 . 003 . 63 . 07 < .001 . 64 . 05 < .001 | | SMU intensity | | | SMU problems | | | Attention deficit | | | Impulsivity | | |
| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| | r | SE | p | r | SE | p | r | SE | p | r | SE | p |
| SMU intensity | 1.00 | | | | | | | | | | | |
| SMU problems | . 40 | . 08 | $<.001$ | 1.00 | | | | | | | | |
| Attention deficit | . 23 | . 06 | $<.001$ | . 24 | . 11 | . 032 | 1.00 | | | | | |
| Impulsivity | . 23 | . 06 | $<.001$ | . 23 | . 11 | . 031 | . 67 | . 05 | $<.001$ | 1.00 | | |
| Hyperactivity | . 29 | . 06 | $<.001$ | . 29 | . 10 | . 003 | . 63 | . 07 | $<.001$ | . 64 | . 05 | $<.001$ |
註。
SMU
=
SMU
=
SMU= \mathrm{SMU}= 社交媒體使用;RI-CLPM = 隨機截距交叉滯後面板模型。
表 5 中的深灰色單元格描述了假設 3 和假設 4 的結果。SMU強度增加的青少年1年後沒有報告ADHD症狀的增加,因為我們沒有發現SMU強度和ADHD症狀之間的交叉滯後影響。然而,SMU問題增加的青少年在1年後也經歷了注意力缺陷的增加,從T1到T2(
β
=
.31
,
p
=
.004
β
=
.31
,
p
=
.004
beta=.31,p=.004 \beta=.31, p=.004 )和從T2到T3(
β
=
.50
β
=
.50
beta=.50 \beta=.50 ,
p
=
.016
p
=
.016
p=.016 p=.016 )。使用 Wald 檢驗比較未標準化的效應大小,發現這些關係的強度並無顯著差異
(
χ
2
(
1
)
=
0.03
,
p
=
.870
)
χ
2
(
1
)
=
0.03
,
p
=
.870
(chi^(2)(1)=0.03,p=.870) \left(\chi^{2}(1)=0.03, p=.870\right) 。此外,在T2經歷了更多SMU問題的青少年,在T3報告了更多的衝動(
β
=
.51
,
p
<
.001
β
=
.51
,
p
<
.001
beta=.51,p < .001 \beta=.51, p<.001 )。這種關係的強度與T2時的SMU問題和T3時的注意力缺陷之間的關係相等
(
χ
2
(
1
)
=
0.41
,
p
=
.522
)
χ
2
(
1
)
=
0.41
,
p
=
.522
(chi^(2)(1)=0.41,p=.522) \left(\chi^{2}(1)=0.41, p=.522\right) 。然而,T1時SMU問題的增加並沒有增加T2時的衝動性。我們也沒有發現SMU問題的增加會隨著時間的推移而增加多動。考慮到這些結果,假設 4 得到了部分證實。
其他結果
雖然報告SMU強度高的青少年在人與人之間的層面上也報告了更多的SMU問題(表4),但表5的結果顯示,在人與人之間的層面上,SMU強度增加的青少年在1年後沒有報告SMU問題增加。SMU問題增加的青少年一年後也沒有報告SMU強度增加。此外,SMU問題增加的青少年也報告了1年後SMU問題的增加,在所有波次中都有相對較大的效應量(從T1到T2
β
=
.79
,
p
<
.001
β
=
.79
,
p
<
.001
beta=.79,p < .001 \beta=.79, p<.001 ;從T2到T3
β
=
.99
,
p
<
.001
β
=
.99
,
p
<
.001
beta=.99,p < .001 \beta=.99, p<.001 )。這表明SMU問題的增加 問題是長期存在的。在SMU強度方面則沒有觀察到這種模式。此外,在 T1 時注意力缺損增加的青少年,在 T2 時注意力缺損也會增加(
β
=
.42
β
=
.42
beta=.42 \beta=.42 ,
p
=
.001
p
=
.001
p=.001 p=.001 );在 T1 時多動增加的青少年,在 T2 時多動也會增加(
β
=
.53
β
=
.53
beta=.53 \beta=.53 ,
p
<
.001
p
<
.001
p < .001 p<.001 );在 T2 時衝動增加的青少年,在 T3 時衝動也會增加(
β
=
.38
β
=
.38
beta=.38 \beta=.38 ,
p
=
.008
p
=
.008
p=.008 p=.008 )。
此外,在
T
1
T
1
T1 \mathrm{T1} 內,人內水平的所有測量都呈正相關(表 6)。這意味著在這一波中,SMU強度、SMU問題、注意力缺陷、衝動和多動的增加是同時發生的。在T2中也發現了這些關聯,但SMU強度的增加與注意力缺陷或衝動的增加沒有關聯。在T3期間,SMU強度的增加與同一波ADHD症狀的增加無關,但SMU問題與衝動同時增加。
討論
本研究使用縱向數據調查了青少年中ADHD症狀與SMU強度和SMU問題之間的關係方向。隨著時間的推移,SMU問題(而非SMU強度)會增加ADHD症狀。具體來說,我們一致發現,SMU問題增加的青少年在一年後也會出現更多的注意力缺陷。青少年在 T2 時 SMU 問題增加,也會在 T3 時增加他們的衝動性。然而,ADHD症狀增加的青少年既沒有報告一年後SMU強度增加,也沒有報告一年後SMU問題增加。
發現青少年的 SMU 問題會增加一年後的 ADHD 症狀,而 表五 RI-CLPM,標準化的人內交叉滯後效應(
n
=
543
n
=
543
n=543 \mathrm{n}=543 )
(T2
→
→
rarr \rightarrow )
SMU 強度
SMU 問題
注意力不足
衝動
過度活躍
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
(T1
↓
↓
darr \downarrow )
SMU 強度
. 10
. 15
. 506
. 02
. 05
. 758
. 05
. 08
. 508
. 03
. 10
. 739
. 10
. 08
. 221
SMU 問題
. 31
. 21
. 140
. 79
. 04
<
.001
<
.001
< .001 <.001
. 31
. 11
. 004
. 19
. 13
. 150
. 07
. 09
. 409
注意力不足
-. 03
. 18
. 857
-. 04
. 05
. 421
. 42
. 12
. 001
. 05
. 13
. 721
-. 08
. 09
. 391
衝動
-. 06
. 18
. 735
. 13
. 08
. 090
-. 08
. 17
. 623
. 07
. 17
. 671
. 03
. 14
. 857
過度活躍
. 14
. 16
. 380
-. 04
. 04
. 413
-. 06
. 12
. 611
. 19
. 11
. 094
. 53
. 10
<
.001
<
.001
< .001 <.001
SMU 強度
SMU 問題
注意力不足
衝動
過度活躍
(T3
→
→
rarr \rightarrow )
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
β
β
beta \beta
SE
p
(T2 ฟ)
SMU 強度
. 29
. 29
. 311
-. 05
. 06
. 447
-. 13
. 20
. 511
-. 08
. 16
. 602
-. 04
. 19
. 831
SMU 問題
. 33
. 24
. 163
. 99
. 04
<.001
. 50
. 21
. 016
. 51
. 14
<
.001
<
.001
< .001 <.001
. 28
. 20
. 158
注意力不足
−
.26
−
.26
-.26 -.26
. 22
. 248
-. 01
. 05
. 910
. 19
. 24
. 431
-. 19
. 18
. 281
-. 26
. 22
. 241
衝動
. 13
. 17
. 450
-. 05
. 04
. 294
. 19
. 15
. 191
. 38
. 14
. 008
. 14
. 16
. 382
過度活躍
. 08
. 20
. 678
. 00
. 05
. 999
-. 26
. 16
. 112
. 04
. 13
. 763
. 34
. 18
. 054
(T2 rarr ) SMU intensity SMU problems Attention deficit Impulsivity Hyperactivity
beta SE p beta SE p beta SE p beta SE p beta SE p
(T1 darr )
SMU intensity . 10 . 15 . 506 . 02 . 05 . 758 . 05 . 08 . 508 . 03 . 10 . 739 . 10 . 08 . 221
SMU problems . 31 . 21 . 140 . 79 . 04 < .001 . 31 . 11 . 004 . 19 . 13 . 150 . 07 . 09 . 409
Attention deficit -. 03 . 18 . 857 -. 04 . 05 . 421 . 42 . 12 . 001 . 05 . 13 . 721 -. 08 . 09 . 391
Impulsivity -. 06 . 18 . 735 . 13 . 08 . 090 -. 08 . 17 . 623 . 07 . 17 . 671 . 03 . 14 . 857
Hyperactivity . 14 . 16 . 380 -. 04 . 04 . 413 -. 06 . 12 . 611 . 19 . 11 . 094 . 53 . 10 < .001
SMU intensity SMU problems Attention deficit Impulsivity Hyperactivity
(T3 rarr ) beta SE p beta SE p beta SE p beta SE p beta SE p
(T2 ฟ)
SMU intensity . 29 . 29 . 311 -. 05 . 06 . 447 -. 13 . 20 . 511 -. 08 . 16 . 602 -. 04 . 19 . 831
SMU problems . 33 . 24 . 163 . 99 . 04 <. 001 . 50 . 21 . 016 . 51 . 14 < .001 . 28 . 20 . 158
Attention deficit -.26 . 22 . 248 -. 01 . 05 . 910 . 19 . 24 . 431 -. 19 . 18 . 281 -. 26 . 22 . 241
Impulsivity . 13 . 17 . 450 -. 05 . 04 . 294 . 19 . 15 . 191 . 38 . 14 . 008 . 14 . 16 . 382
Hyperactivity . 08 . 20 . 678 . 00 . 05 . 999 -. 26 . 16 . 112 . 04 . 13 . 763 . 34 . 18 . 054 | (T2 $\rightarrow$ ) | SMU intensity | | | SMU problems | | | Attention deficit | | | Impulsivity | | | Hyperactivity | | |
| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p |
| (T1 $\downarrow$ ) | | | | | | | | | | | | | | | |
| SMU intensity | . 10 | . 15 | . 506 | . 02 | . 05 | . 758 | . 05 | . 08 | . 508 | . 03 | . 10 | . 739 | . 10 | . 08 | . 221 |
| SMU problems | . 31 | . 21 | . 140 | . 79 | . 04 | $<.001$ | . 31 | . 11 | . 004 | . 19 | . 13 | . 150 | . 07 | . 09 | . 409 |
| Attention deficit | -. 03 | . 18 | . 857 | -. 04 | . 05 | . 421 | . 42 | . 12 | . 001 | . 05 | . 13 | . 721 | -. 08 | . 09 | . 391 |
| Impulsivity | -. 06 | . 18 | . 735 | . 13 | . 08 | . 090 | -. 08 | . 17 | . 623 | . 07 | . 17 | . 671 | . 03 | . 14 | . 857 |
| Hyperactivity | . 14 | . 16 | . 380 | -. 04 | . 04 | . 413 | -. 06 | . 12 | . 611 | . 19 | . 11 | . 094 | . 53 | . 10 | $<.001$ |
| | SMU intensity | | | SMU problems | | | Attention deficit | | | Impulsivity | | | Hyperactivity | | |
| (T3 $\rightarrow$ ) | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p | $\beta$ | SE | p |
| (T2 ฟ) | | | | | | | | | | | | | | | |
| SMU intensity | . 29 | . 29 | . 311 | -. 05 | . 06 | . 447 | -. 13 | . 20 | . 511 | -. 08 | . 16 | . 602 | -. 04 | . 19 | . 831 |
| SMU problems | . 33 | . 24 | . 163 | . 99 | . 04 | <. 001 | . 50 | . 21 | . 016 | . 51 | . 14 | $<.001$ | . 28 | . 20 | . 158 |
| Attention deficit | $-.26$ | . 22 | . 248 | -. 01 | . 05 | . 910 | . 19 | . 24 | . 431 | -. 19 | . 18 | . 281 | -. 26 | . 22 | . 241 |
| Impulsivity | . 13 | . 17 | . 450 | -. 05 | . 04 | . 294 | . 19 | . 15 | . 191 | . 38 | . 14 | . 008 | . 14 | . 16 | . 382 |
| Hyperactivity | . 08 | . 20 | . 678 | . 00 | . 05 | . 999 | -. 26 | . 16 | . 112 | . 04 | . 13 | . 763 | . 34 | . 18 | . 054 |
註。淺灰色單元格顯示假設 1 和 2 的結果;深灰色單元格顯示假設 3 和 4 的結果。所有係數都經過 STD
y
x
y
x
_(yx) _{y x}