信度检验

信度检验（精选3篇）

信度检验 篇1

可靠性是武器装备研制与使用过程中需要重点考虑的因素。随着武器装备复杂化、信息化、集成化程度的提高,其可靠性验证试验具有试验成本高、毁伤大、试验周期长、样本量小等特点,不利于采用经典统计理论进行试验分析[1]。由于能够综合利用多源验前信息,Bayesian方法为武器装备的小子样试验提供了非常重要的理论支撑,极大地提高了小子样试验的科学性及合理性[2]。

在Bayesian方法中,验前信息对于装备战技指标的评估分析具有一定的补充作用。然而,该信息的获取及应用比较理想化,没有考虑信息失真可能造成与真实推断结果偏差较大,导致决策风险加大的情况[3]。因此,需要对Bayesian统计推断过程中使用的验前信息进行研究,完善Bayesian统计推断过程。

基于验前信息在Bayesian统计推断中的重要性,国内外专家均对其进行了深入地研究,主要包括信息融合及可信度研究两方面。信息融合技术研究已经比较成熟[4,5,6],进行了深入的讨论。对于验前信息可信度研究,Qi Liu[7]基于验前信息与现场试验信息的一致性,采用信仰分布的思路,给出了验前信息可信度的计算方法。A. Zonnenshain & M. Haim[8]采用专家打分法确定了Bayesian试验分析中验前信息的权重问题,这其实也是对验前信息可信度的一种认识与计算。段晓君等[9]采用信息散度的思想,分析了验前分布与实际试验样本服从分布的差异,并确定了验前样本的权重以进行Bayesian估计。马溧梅等[10]基于专家信息的一致性定义,验证了专家信息的有效性。张金槐等[11]采用秩和检验方法得到了验前信息可信度,其中需要采用Bootstrap和Monte-Carlo方法用以确定β值。

从大量文献来看,对于验前信息的可信度问题,虽然已有大量研究,但仍存在以下问题:1)目前尚未有关于现场试验信息为样本数据,验前信息为分布形式的可信度研究;2)目前对于验前信息可信度的获取,缺乏客观的解析方法;3)仅从弃真风险的角度考虑验前信息可信度的计算,但从工程意义上来讲,需要从两类风险的角度来考虑可信度的计算;4)目前关于验前信息可信度的研究,其处理的现场试验样本量比较大,没有涉及到现场试验小子样或特小子样的情况。

基于上述四点不足,本文以正态分布为例,提出一种基于异常值的验前信息可信度仿真实现方法,完善了Bayesian理论,提高了验前信息使用的科学性及合理性。

1 可信度定义及计算

Gilbert A. Churchill等[12]从统计学角度上给出了可信度的定义,即测量数据和结论的可靠性程度,也就是说测量工具能否准确地测量到它要测量的事项的程度。将上述概念应用到验前信息的可信度分析中,针对本文所讨论的验前信息为参数分布形式,现场试验信息为样本数据的情况,将验前信息可信度定义为:由参数验前分布生成的总体分布对现场试验信息描述的准确程度,可进一步表示如图1所示。

其中,f(x|θ)表示由验前分布生成的参数值拟合而成的总体分布密度曲线,f(x) 表示现场试验数据服从的真实分布,这两个曲线重合的面积越大,表明两种分布的一致性越高,进一步则表明验前信息的可信度越高。

目前的对于可信度计算的主要思路是利用现场试验信息检验验前信息的可信度情况,采用的主要方法是验前信息与现场试验信息一致性检验[13]。该方法对于现场试验样本量较大的情况比较适用,但对于小子样或特小子样的情况,也很难得出较好的结果。这是因为即便采用bootstrap方法生成再生样本,也要求其原始现场试验样本足够多。

因此,本文提出一种基于异常值检验的验前信息可信度计算方法。之所以使用异常值检验,而放弃使用检验均值异常的原因,是由于对于小子样或特小子样的情况,均值计算会导致有限的信息互消,不能充分挖掘数据信息。

基于异常值检验的验前信息可信度的计算思路是:利用验前信息得到相应的参数信息,并由此得到对应的总体分布密度函数,进而对现场试验数据进行异常值检验。由于假定现场试验数据完全可信,若存在异常值,则表明由验前信息生成的参数信息不能很好地描述现场试验信息,即参数信息异常,进而反映出验前信息的可信度值。

由于通过验前分布能够仿真随机生成多个参数值,通过异常值检验能够判断其中有多少参数值异常,并由此计算出非异常参数在总体参数中所占的比例,将该值作为验前信息可信度。

2 基于异常值检验的可信度计算

2.1 方法基本思想

利用验前分布π(θ),随机生成N个参数值θ1,…,θN,进而得到总体分布f(x|θ1),…,f(x|θN)。基于不同的分布f(x|θi)(1,…,N),利用异常值检验方法,检验现场试验数据x1,…,xn能否通过检验,进而得到验前信息可信度值。其中,异常值检验过程如图2所示。

针对具体的参数θi,其异常值检验的结果赋值如下

$\begin{array}{l}{\rm O}{}_i={\rm O}(x{}_1,\cdots ,x{}_n|f(x|\theta {}_i))=\\ \{\begin{array}{l}1,\text{通}\text{过}\text{异}\text{常}\text{值}\text{检}\text{验}\\ 0,\text{未}\text{通}\text{过}\text{异}\text{常}\text{值}\text{检}\text{验}\end{array}(1)\end{array}$

通过上述异常值检验,得到当进行N次仿真循环时,其对应的验前信息可信度的计算公式为

$C{}_{{\rm N}}=\frac{{\displaystyle \sum _{i=1}^{{\rm N}}{\rm O}}{}_i}{{\rm N}}(2)$

由此可知,通过异常值检验的次数越多,C值越大,验前信息对现场试验信息的描述越准确,验前信息可信度越高。本文通过仿真方法随机生成参数值,进而计算得到验前信息可信度值。当仿真次数足够大时,验前信息的可信度值将趋近于一个常数,即存在如下关系:

$\underset{{\rm N}\to \infty }{{\displaystyle \lim }}C{}_{{\rm N}}=C(3)$

然而,在实际操作中无法取得N值为无穷大的情况。因此,可设定一定的仿真截止条件,当CN值满足一定截尾要求时,停止仿真,得到验前信息可信度值。一般而言,对于仿真规则有两种精度要求可供选择。

1) 绝对精度要求

$|C{}_{{\rm N}}-C{}_{{\rm N}-1}|\le \epsilon (4)$

2) 相对精度要求

$\left|\frac{C{}_{{\rm N}}-C{}_{{\rm N}-1}}{C{}_{{\rm N}}}\right|\le \epsilon (5)$

其中ε为仿真的截尾条件,且ε>0。当达到规定精度要求时,即可得到验前信息可信度值为CN=C。

2.2 异常值检验的基础理论

对于异常值[14]的定义为:当样本中有个别的值,其数值明显偏离其所在的样本的其余观测值,这种个别值称为异常值。在本文中,由于假定现场试验信息完全可信,当检验出现异常值时,只有可能是验前信息出现了异常。

同时,对于异常值的检验,需要设定一定的为显著性水平α,一般取1%,5%,10%。基于验前信息对于统计推断全过程的重要性,应尽可能取比较高的显著性水平,这样才能保证统计推断全过程的两类风险尽可能小,本文取5%的显著性水平来检验验前信息。

然而,针对具体的统计推断分析过程,需要分析的参数分布类型不同,其异常值检验方法也有所不同。如正态分布[14]采用Nair检验及Grubbs检验,Weibull分布[15]采用F-型检验或G-型检验,均匀分布[16]采用Dixon检验等。

2.3 可信度公式描述

在上文中,推导得到验前信息可信度值的计算公式为

$C{}_{{\rm N}}=\frac{{\displaystyle \sum _{i=1}^{{\rm N}}{\rm O}}{}_i}{{\rm N}}(2)$

对于该公式,我们可以通过图3进行图形化描述,并得到如下分析

图3 a(1)表示验前分布π0(θ)的期望接近“真实”期望,且方差较小。图3 a(2)表示,当采用π0(θ)生成随机参数θi,进而得到总体分布密度函数f0(x|θi)时,现场试验数据x1,…,xn落在分布族f0(x|θi)置信区间的概率较大。采用同一组现场试验数据进行异常值检验,针对随机生成的不同参数θi,通过异常值检验的次数较多。该结果表明验前分布能够较好地描述现场试验数据,可信度较高。

图3 b(1)表示验前分布π1(θ)的期望远离“真实”期望,且方差较大。图3 b(2)表示,当采用π1(θ)生成随机参数θi,进而得到总体分布密度函数f1(x|θi)时,现场试验数据x1,…,xn落在分布族f1(x|θi)置信区间的概率较大。采用同一组现场试验数据进行异常值检验,针对随机生成的不同参数θi,通过异常值检验的次数较少。该结果表明验前信息不能很好地描述现场试验数据,可信度较低。

3 验前信息可信度的仿真实现

采用公式(4)提到的绝对精度要求作为仿真规则实现验前信息可信度的求解,该求解过程的实施步骤为:

Step 1:设置仿真的初始条件,包括验前分布的超参数、现场试验信息、初始仿真循环次数N、仿真有效次数n(验前信息可以描述现场试验信息的仿真次数,n初始值为0)、可信度初始值C=0、仿真试验初始值i=1及仿真精度ε的取值。

Step 2:开始仿真,若i≤N,以π(θ)为种子,随机生成均值参数θi,进而得到分布f(x|θi),转Step 3;若i>N,转Step 4。

Step 3: 引入分布f(x|θi),进行异常值检验:若不存在异常值,则令n=n+1,i=i+1,转Step 4;若存在异常值,则令i=i+1,转Step 4。

Step 4: 取CN=n/N,判断:

若满足公式(4),结束仿真,验前信息可信度C=CN,仿真截尾次数为N;

若不满足公式(4),令N=N+1,转Step 3。

接下来,以正态分布为例,对上述过程进行算例说明。

4 算例分析

针对某雷达探测距离的试验,从历史资料中得到相关距离数据,通过不同的处理方式,分别得到均值θ的三个验前分布:

πA(θ)～N(97.6808,0.9);

πB(θ)～N(97.6808,0.2);

πC(θ)～N(98.6808,0.9)。

已知该雷达探测距离的方差σ2=1,给定置信水平要求为α=0.05,仿真精度为ε=0.000 01。在该雷达的实际探测距离试验中共获得6组数据,即:

x1=99.50; x2=100.11; x3=99.29;

x4=100.06; x5=100.24; x6=99.66。

其中$\overline{x}={\displaystyle \sum _{i=1}^{n}x}{}_i=99.81$。由于总体服从正态分布,且方差σ2已知,故采用Nair检验方法[14]对现场试验数据进行异常值检验,得到验前信息可信度值。通过Nair临界值表知,R1-0.05/2(6)=2.408。

通过图4可知,πA(θ)的期望离现场试验均值较远,且方差较大,故其仿真生成的总体分布密度函数仍能描述现场试验数据。以πA(θ)为标准,πB(θ)相当于减小了πA(θ)分布的方差,其仿真生成的总体分布密度函数对现场试验数据的描述变差。πC(θ)相当于增大了πA(θ)分布的期望,其仿真生成的总体密度函数能够更好地描述现场试验数据。因此,从理论上推知三种验前分布的可信度为:CB<CA<CC。

在ε=0.00001的条件下,利用Matlab软件进行仿真计算,分别得到三种分布所对应的可信度CA,CB,Cc随着仿真循环次数的变化情况如图5所示:

(1)对于分布πA(θ),当N=42 650时,满足仿真截止条件,此时得到验前信息可信度值为C=0.432 7;

(2)对于分布πB(θ),当N=44 750时,满足仿真截止条件,此时得到验前信息可信度值为C=0.222 9;

(3)对于分布πC(θ),当N=72 550时,满足仿真截止条件,此时得到验前信息可信度值为C=0.825 9。

通过上述计算可知,解析解与理论推导相一致,即分布πC(θ)仿真生成的总体分布能够更准确地描述现场试验信息,其可信度最高。同时,通过分析得知:对于正态分布,验前分布中的均值和方差超参数对于验前信息可信度均有影响,故选取验前信息进行Bayesian统计推断时,需要格外谨慎。

5 结论

本文基于异常值检验,通过仿真方法实现了对Bayesian验前信息可信度的计算。同时,采用MATLAB软件实现了算法的求解,通过实例分析证明了算法的有效性及合理性。该方法在一定程度上保证了验前信息使用的科学性及严谨性,很大程度上避免了对验前信息的滥用所导致的不良试验评估结果。

信度检验 篇2

1 量表的编制

1.1 IT企业员工工作特征分析

IT企业是以信息技术为核心, 提供与信息技术相关的产品和服务的企业。IT企业的员工也有着与其他企业不同的特点:①IT技术更新与学习。IT企业的产品生命周期日趋缩短。行业的知识更新迅速, 需要他们不断进行自身的“充电”、“增殖”, 以免落伍被淘汰。如Hitel公司的产品更新周期由过去3个月一次变为每个月更新。微软总裁比尔盖茨说:“微软永远离破产只有18个月。”这种情况下, 企业必须快速占领新的市场。这就要求每个IT员工成为学习型的人才, 只有不断地更新知识和技能, 才能适应IT企业的需要[4]。②IT企业员工面临更高的工作负荷。工作时间无规律、加班加点;工作量太大, 精神总处于紧张状态:员工们要面对沉重的工作任务、紧迫的完成时间、同行之间激烈的竞争;并且要面对每天超长时间的电脑操作, 工作比较枯燥单调。③IT员工一般年龄较轻, 受教育水平高, 工作能力强, 收入水平高[5]。因此在工作中彰显个性的趋势比较明显, 人际关系比较容易紧张。④IT员工具有更强的自我意识, 更具独立性。他们要求给予自主权, 使之能够以自己认为有效的方式进行工作, 获得领导的支持以及较好的职业发展。IT员工对知识、对个体的成长和事业的发展有着持续不断的追求。

因此, 针对IT企业员工的特点设计相应的工作应激量表, 以提高对IT企业员工的工作应激现状、工作应激源与工作应激反应测量的准确性。

本量表的预试量表衡量指标体系与题目的拟定以文献分析法及访谈法2种方式实施。本研究将国内外有关期刊、论文、学术会议及报告、研讨会资料、专著及统计报告等搜集汇总分析, 作为自制量表的理论基础及设计量表时的理论依据, 并参考国内外现有的相关量表工具的内容, 设计量表的题目。通过访问咨询国内人力资源管理领域的学者专家, 并且对IT企业内部分有工作经验的管理人员进行访谈和开放式问卷调查来进一步发现IT企业的工作压力源和压力反应情况, 最后汇总整理他们的意见, 对本研究经文献分析得出的量表初稿进行修改完善, 删除了一些有歧义的题目以提高本研究量表的内容效度。在设计预试问题时尽量涵盖中外研究文献中提及的因素, 参照研究对象的特性和访谈意见加以取舍, 最后拟定出待测量表。

1.2 量表的构成

根据研究目的和研究要求, 问卷内容包括员工基本资料、压力源、压力反应3个部分。因为本文主要从管理学角度进行研究, 没有设计关于个性特征测量的变量, 所以剔除心理学研究的一些项目。

1.2.1 基本资料

内容包括员工个人基本情况 (如性别、年龄、学历等) 及所在组织的基本情况 (如企业性质、组织规模等) , 以及每天使用计算机的时间等这些项目的设计主要是统计分类的需要。

1.2.2 应激源

该部分问卷的设计是结合有关文献资料和企业访谈所得信息, 从不同压力源角度收集压力调查项目, 并参考了由Dail.L.Field编制的“工作评价、组织诊断与研究实用量表”以及石林等人编制的企业员工工作压力量表[6,7]。删除对IT员工不适用的项目, 同时根据IT员工的工作特征和访谈结果增加了一些项目。如增加了IT比较明显的由技术更新带来的压力, 以及工作单调枯燥等IT企业比较突出的工作负荷压力。工作压力量表考虑了IT企业工作中重要且常见的各种可能压力来源, 共包含19道题目, 采用五级李克特量表 (LIKERT) 进行压力计分。

1.2.3 应激反应结果

其中的满意感是根据OSI (2000版) 和访谈结果编制的, 员工身心健康状况是结合IT企业员工的特点部分采用OSI中的项目。由于OSI的压力结果仅仅涉及了工作满意感、生理健康状况和心理健康状况3个量表, 不能涵盖工作压力的所有结果。在工作压力反应的结果是正面的还是负面的判定上, 工作效率也是一个主要的评价标准。同时离职情况也是IT企业员工的工作压力的一个很显著的反应。因此, 为了更全面地衡量工作压力的影响, 自制的压力量表中增加编制工作绩效、离职倾向。其中离职倾向的3个问题参考了Mobley有关离职研究中采用的问卷以及辛蕾等编制的离职倾向问卷中的问题。采用五级李克特量表 (LIKERT) 进行计分。具体表格见表1。

1.3 量表的信度和效度检验

量表的2个重要指标是信度和效度, 一个好的量表应该既是可信的又是有效的。

信度又叫可靠性, 是指测验的可信程度。a信度系数是目前最常用的信度系数, 取值范围从0到1, 它表明量表中每一题目得分间的一致性。信度系数可以用来解释由量表测试所得分数的变异中, 有多大比例是由真分数所决定的, 从而反映量表受随机误差影响的程度, 反映出测试的可靠程度[8]。

效度指的是一个测验真正确实地测量到它所欲测量的东西的程度, 是说明量表有效性的重要指标。常用的效度检验方法包括内容效度检验和结构效度检验2种。内容效度的确定一般没有可用的数量化指标, 只能依靠推理和判断来进行评估[9]。本研究通过文献研究、专家咨询等方式就所使用问卷的内容效度进行了分析, 经过修订才真正用于施测的。因此, 本研究的量表题目应该说具备了良好的内容效度。结构效度是指测验能够测量到理论上的构想或者特质的程度[9]。因子分析是分析行为资料内部关系、结构特性的一种统计技术, 比较适用于对结构效度的研究。通过因子分析可以考察问卷是否能够测量出研究者设计问卷时假设的某种结构[10]。

本研究将采用克朗巴哈a信度分析和因子分析方法分别对施测量表的信度和结构效度进行检验。

1.3.1 工作应激源量表的信度、效度分析

以开放式调查问卷的方式, 主要采取将问卷委托给样本企业人力资源部门相关人员, 再通过网络方式转发给该企业员工填答的方式。抽取我市几所IT企业各种工作性质的员工, 其中尽量涵盖了各种职务、工作性质、年龄、性别的人群, 共计320人, 回收301份, 剔除无效问卷17份后, 有效问卷达284份。

1.3.1.1 工作应激源量表的因子分析

研究运用SPSS 12.0统计分析软件就工作压力量表的24个项目进行因子分析, 试图检验量表设计维度的合理性, 并就此总结分析出引发工作压力的主要压力类型。运用探索性因子分析, KMO值为0.737, Bartlett’s球状检验结果为3081.457, 显著性为0.00, 表明适合进行因子分析。因子的陡阶检验表明取 5个因子是比较合理的, 所以取5个因子, 并运用最大方差旋转法进行正交旋转, 在删除了5个归类不正确的项目后 (分别是工作压力问卷第9题任务或责任不明;第11题责任过大;第20题工作遇到困难得不到领导的帮助, 第21题工作缺乏稳定性和安全感, 有失业危险;第24题升迁慢或没有升迁机会, 得到一个清晰的5个因子 (维度) 结构, 因子矩阵见表2。

结果表明, 问卷共包含5个维度, 依据各项目的含义及其共同特点, 分别命名为技术更新压力、工作负荷压力、人际关系、上级支持、职业发展, 共可以解释总变异的71.375%, 表明提取出的5类主要工作压力可以概括被调查企业员工工作压力原始变量所包含信息的超过70%。因子分析说明此问卷具有良好的结构效度。

1.3.1.2 工作应激源量表的信度分析

运用统计分析软件得出工作压力量表5个维度各自及总体的内部一致性检验结果-克朗巴哈a信度系数, 见表3。

从以上信度系数看出, 5个维度的信度系数均超过0.7的建议值, 且有3个应激维度的信度系数都高达0.8以上, 只有上级支持维度的信度系数稍低 (此维度项目数仅为3个) , 但也达到了0.7789, 而总量表的信度系数也接近于0.8, 这表明研究中的工作压力施测量表具有很高的信度。

1.3.2 工作应激反应量表的信度、效度分析

对工作应激反应量表进行了探索性因子分析, KMO值为0.725, Bartlett’s检验的χ2值为5800.215 (P<0.01) 。分析结果表明, 量表包含6个维度, 可解释总变异的70.579%, 表明可以概括被调查企业员工作应激反应变量所包含信息的近73%, 因子矩阵见表4。信度分析结果表明, 工作应激反应量表克朗巴哈a信度为0.8080, 见表5。所以, 此量表具有较高的信、效度。

2 结论

综上所述, 本研究初步完成了IT企业员工工作应激测量量表的编制, 本量表有较好的内在一致性信度和效度, 初步证明可能够全面、准确地测评IT企业员工的工作应激情况。由于量表研究工作是一个长期的需要不断完善的过程。因此, 我们将不断对量表进行测试和修订, 综合实际调查中员工反馈的信息及专家意见对量表进行完善;对修改后的量表进行重测信度分析, 即对同一被调查者重复测验并进行相关分析, 用相关系数的大小反映测量结果的稳定程度;在更大范围内进行更大样本量的实际调查, 进一步考核量表性能, 在实际研究中检验性能, 不断完善。

摘要：目的编制出适用于IT企业员工的工作应激量表。方法本研究以IT企业员工为研究对象, 根据IT企业员工的特点, 针对其工作过程中可能出现的工作应激问题, 在文献研究、理论探讨、开放式问卷调查基础上, 编制工作应激量表。结果将工作应激分为工作应激源、工作应激反应2个层次, 形成2个分量表。结论2个分量表具有良好的信、效度。编制出的IT企业员工工作应激量表, 可适用于IT企业员工工作应激发展情况的测查。

关键词：工作应激,IT企业员工,信度,效度

参考文献

[1]Amick BC, Smith MJ.Stress computer-based work monitoring and meas-urement systems:a conceptual overview.Appl Ergonom, 1992, 23:6-16.

[2]Kumashiro M, Kamada T, Miyake S.Mental stress with newtechnology at the workplace.Proceedings of the Third Conference on Human-Com-puter Interaction, 1989:270-277.

[3]李春苗, 李开云, 王晓慧, 等.中国IT行业人才现状调查报告.国务院发展研究中心企业研究所, 2005-03-14.

[4]Benson H, Stuart EM.The wellness book:The comprehensive guide to maintaining health and treating stress-related illness.New York:Birch Lane Predd, 1992.

[5]Ametz BB, Wiholm C.Technological stress:psychophysiological symp-toms in modern offices.J Psychos Res, 1997, 43:35-42.

[6]王蕊.大连汀企业员工工作压力问题研究.沈阳:东北财经大学, 2007.

[7]石林.职业压力与应对.北京:社会科学文献出版社, 2005:120-132.

[8]卢纹岱.SPSS for Windows统计分析.北京:电子工业出版社, 2002:400-402.

[9]汪京.企业员工工作压力与工作态度的关系研究.北京:首都经贸大学, 2006.

信度检验 篇3

1 材料与方法

1.1 材料

1.1.1 实验动物

Wistar大鼠,雌性,150~180 g,7只。SPF级,由北京维通利华实验动物技术有限公司提供(许可证编号为SCXK11-00-0008)。室温(20±2)℃,实行昼夜颠倒,光照12 h(18:00~6:00)和黑暗环境12 h(6:00~18:00),自由食、水饲养;适应环境1周后正式实验(实验均于9:00~12:00进行)。实验前大鼠单笼放置,任其自由探索5 min,后迅速置于高架十字迷宫的平台区,使其头部正对其中一个开放臂,在红光下观察5 min。

1.1.2 高架十字迷宫[7]

有两个开放臂(open arm,长×宽为50 cm×10 cm)、两个相对的封闭臂(close arm,长×宽×高为50 cm×10 cm×40 cm)、一个连接四只臂的中央平台(central platform,10 cm×10 cm),开放臂、封闭臂和平台区底部均为黑色,且前两者互相垂直成十字状;十字迷宫固定于与其双臂等长的十字支架上,支架高为50 cm。

1.2 方法

1.2.1 高架十字迷宫实验

如上所述,7只大鼠进行高架十字迷宫实验,5 min内需要记录的指标:(1)进入开放臂次数(open arm entry,OE):进入到任一开放臂的次数以大鼠四个爪子均进入到臂内为准,一个爪子从该臂中完全退出则为该次进入活动完成;(2)进入开放臂时间(open arm time,OT):进人开放臂的时间,单位为s;(3)进入封闭臂次数(close arm entry,CE):标准同(1);(4)进入封闭臂时间(close arm time,CT):进人封闭臂的时间,单位为s;(5)向下探究次数(headdipping):大鼠处于中央平台或开放臂时,前爪握住迷宫边缘,同时头部和肩部伸出臂的边缘向迷宫下面探究的行为次数;(6)封闭臂后腿直立次数(rearing):大鼠在封闭臂前腿抬起以后腿支持使身体竖立的次数。

第一次实验结束后,将大鼠放回鼠笼正常饲养,直到下次实验;每只大鼠实验结束后,清除粪便,并用75%乙醇清理迷宫,以掩盖气味。

1.2.2 数据分析

进行数据分析的实验参数:开放臂停留时间百分比(the percentage of time spend in the open arms,OT%):开放臂停留时间/总时间×100%;进入开放臂次数百分比(OE%):进入开放臂次数/(OE+CE)×100%;进臂的总次数(total number of entries,TNE):进入开放臂和封闭臂的总次数;向下探究次数;封闭臂后腿直立次数。

1.3 统计学方法

采用SPSS 17.0软件进行统计分析,采用Graph Pad Prism5.0软件进行统计作图。评价参数:ICC用于评价连续变量或等级变量的可信度大小[8,9];Kappa是可信度研究的一种非参数统计检验[10],用于评价分类变量的可信度大小[11,12]。分析前首先根据旷场试验数据分位数进行高分组(>75%分位数,计为3分)、中分组(25%~75%分位数,计为2分)、低分组(<25%分位数,计为1分)分类;当参数ICC和Kappa>0.75认为可信度很好(good),当参数ICC和Kappa为0.50~0.75则认为可信度一般(fair),当参数ICC和Kappa<0.50则认为可信度很差(poor)[13];为考察EPM初测与复测的差异性,对其各参数进行配对t检验。

2 结果

2.1 复测信度

实验参数一致性检验(ICC):进入开放壁次数百分比、进入开放臂时间百分比和进入开放臂和封闭臂总次数的结果均显示两次实验具有较好的一致性和较高的可信度(ICC>0.5),其他参数的一致性较差(ICC<0.5)。见表1、图1。

注:与初测比较,aP<0.05,bP<0.01

实验参数分组一致性检验(Kappa):封闭臂内直立的次数具有很好的一致性和可信度;其他参数均具有较好的一致性,Kappa值均>0.5。见表2。

注:与初测比较aP<0.05,bP<0.01

2.2 EPM参数初测与复测的差异性

进入开放臂次数百分比(t=4.137,P<0.01)、封闭臂内后腿直立次数(t=0.437,P<0.01)初测与复测比较,差异有高度统计学意义。

3 讨论

高架十字迷宫利用动物对新异环境的探究特性相对高悬敞开臂的恐惧心理,形成动物的矛盾行为,即EPM试验具有较好的复测信度(表1),且具有较好的相关性(图1)。Kappa结果提示,参数均示EPM具有较好的复测信度。从以上表述可以得出,大鼠面对新环境(开放臂)会产生好奇心去探究,因大鼠有嗜暗的天性(封闭臂),两者之间发生“探究-回避”的冲突的行为,产生焦虑心理[14]。进入开放臂时间百分比和进入开放臂次数百分比反映了动物的焦虑状态;进入开放臂和封闭臂总次数反映动物的运动能力,向下探究次数反映了动物在非保护区内的探索行为,与焦虑程度有一定相关性。高架十字迷宫实验在行为学以及抗焦虑药物研究中应用也越来越多,但就其参数相关性及其本身方法的复测信度的报道较少。

本研究ICC结果提示,进入开放壁次数百分比、总进臂次数和进入开放壁时间百分比结果均显示EPM有较好的可信度和可靠性,同时也证实,进入开放臂时间百分比和进入开放臂次数百分比作为大鼠EPM一个稳定的实验参数,具有较好的复测信度;总进臂次数也显示EPM具有较好的复测信度。而其他参数在初测与复测结果中未见较好的复测信度,可能因为大鼠对EPM的适应和记忆效应[13],使其对新环境的探索性下降,表明这些参数易受外界因素影响。