Changes in frailty and depressive symptoms among middle-aged and older Chinese people: a nationwide cohort study

统计分析方法总结（基于中国中老年人衰弱与抑郁症状的全国性队列研究）

一、数据来源与研究对象
数据来自中国健康与养老追踪调查（CHARLS），共纳入四波重复测量数据（2011、2013、2015、2018年）。研究对象为45岁及以上的中国中老年人。研究旨在探究衰弱与抑郁症状的发展轨迹及其相互作用。

二、研究设计
该研究为纵向队列研究，利用重复测量数据构建动态变化模型。关键变量为衰弱指数和抑郁症状评分，两者均为随时间变化的连续变量。

三、统计分析方法
1.潜在增长模型（Latent Growth Model, LGM）
采用平行潜在增长模型（Parallel LGM） 同时拟合两个变量的变化轨迹。
模型估计两个核心参数：初始水平（截距） 和变化速率（斜率）。
通过回归路径分析检验：
抑郁症状的初始水平 → 衰弱的初始水平（正性预测）
抑郁症状的变化速率 → 衰弱的变化速率（正性预测）
衰弱的初始水平 → 抑郁症状的初始水平（正性预测）
衰弱的初始水平 → 抑郁症状的变化速率（负性预测）
衰弱的变化速率 → 抑郁症状的变化速率（正性预测）
2.交叉滞后模型（Cross-Lagged Model）
用于检验双向因果关联，即控制自身前后相关性后，前一时刻的衰弱是否预测后一时刻的抑郁症状，反之亦然。
结果显示总样本中两者存在双向因果关系。
3.分组分析
按年龄和性别进行亚组分析，采用多组比较验证模型的一致性。
各亚组结果与总样本一致，表明结论稳健。
4.模型拟合与估计方法
摘要未明确列出具体拟合指数（如CFI、RMSEA），但典型做法中使用最大似然估计处理缺失数据，并报告标准化系数及显著性水平（P值）。
利用四波纵向数据构建模型，充分捕捉变化趋势。

四、结论依据
通过LGM揭示初始水平与变化速率间的预测关系，再通过交叉滞后模型确认因果关系方向，为“衰弱与抑郁症状相互影响”提供了纵向证据。分组分析增强了结论的外推性。该案例展示了纵向数据分析中联合使用潜在增长模型与交叉滞后模型的典型范式。