はじめに

注意欠陥/多動性障害（ADHD）は、最も一般的な小児心理学的障害の一つである（精神障害の診断および統計マニュアル;DSM-5;アメリカ精神医学会、2013）。 アメリカ児童アカデミーのそれのようなADHDのための主要な練習の指針、および青年精神医学(2007)は、ADHDの子供の臨床評価のための知性のテストを推薦しました。, これの主な理由は、ADHDの子供の70％が併存性学習障害を有することである（Mayes et al.、2000;メイズとカルフーン、2006）、および個人の知的レベルでの知識は、学習障害のより良い理解を促進することができます。, さらに、Wechsler Intelligence Scale for Children-Fourth Edition（WISC-IV;Wechsler、2003）は、最も頻繁に使用される知能テスト（Gresham and Witt、1997）であるため、ADHDの子供におけるその要因構造の包括的な理解は、このグループの知的、認知、および学習能力に関するより良い理解とより有効な情報につながる可能性があるため、貴重である。 現在の研究では、ADHDを有する小児および青年（以下、小児と呼ぶ）のグループにおけるWISC-IVに対して提案されたいくつかの構造モデルを検討した。,

WISC-IVは、6歳から16歳までの子供の知的能力を測定します。 これは、一般的な認知能力の全体的な尺度を提供するために開発され、また、言語理解（VC）、知覚推論（PR）、ワーキングメモリ（WM）および処理速度（PS）における知的 ＶＣ、ＰＲ、ＷＭ、およびＰＳサブスケールは、それぞれ、言語理解インデックス（ＶＣＩ）、知覚推論インデックス（ＰＲＩ）、ワーキングメモリインデックス（ＷＭＩ）、および処理速度インデック, VCI、PRI、WMI、およびPSIは、全体的なレベルのインテリジェンス、つまりフルスケールIQ（FSIQ）を提供します。 WISC-IVのフルバージョンには15のサブテストがありますが、コアとみなされ、インテリジェンスをテストするときにより頻繁に使用されます（Wechsler、2003）。 VCのためのコアサブテストは、語彙、類似点、および理解です。 PRのコアサブテストは、ブロックデザイン、画像概念、および行列推論です。 WMのコアサブテストは数字スパンと文字番号シーケンスであり、PRのコアサブテストはコーディングとシンボルサーチです。, 補助サブテストと呼ばれる残りの五つのサブテストは、情報と単語推論（VCの一部）、画像補完（PRの一部）、算術（WMの一部）、およびキャンセル（PSの一部）です。ＷＩＳＣ-ＩＶのコアサブテストのための因子構造は、学習障害を有するものを含む一般的なコミュニティおよび診療所で紹介された子供を含む多くの研究において調べられている（例えば、Wechsler,2003;Keith,2005;Watkins et al.,2006;Sattler,2008;Bodin et al.,2009;Watkins,2010;Devena et al.,2013;Nakano and Watkins,2013;Watkins et al.,,2013;Canivez,2014;Styck and Watkins,2016)。 これらの研究では、斜め四因子モデル、高次因子モデル、およびバイファクターモデルのサポートが報告されています。 斜め四因子モデルは、VC、PR、WM、およびPSのサブスケールに対応するVC、PR、WM、およびPSの因子を持ちます。 高次因子モデルには、VC、PR、WM、およびPSに対する一次因子と、単一の高次一般因子があります。, このモデルでは、一般因子はすべての一次因子の共通分散をキャプチャし、一次因子は因子を構成する部分検定全体の共分散をキャプチャします。 バイファクタモデルは五つの主要因子を持つ直交モデルである。 このモデルでは、すべてのサブテストは一般的な因子にロードされ、各サブテストはそれ自身の特定の因子（VC、PR、WM、またはPS）にロードされます。, 一般因子はすべてのサブテストの共分散をキャプチャし、VC、PR、WM、およびPS固有因子は、一般因子によってキャプチャされた共分散を削除した後、それらのサブテスト内のサブテストの一意の共分散をキャプチャします。 従って特定の要因は独特な分散を捕獲する。 斜め四因子、高次因子、およびバイファクタモデルを図図11に示します。, Nakano and Watkins(2013)による研究を除いて、斜め四因子モデル、高次因子モデル、およびbifactorモデルを比較した他の研究は、四因子斜めモデルおよび高次因子モデル（Watkins、2010;Devena et al.,2013;Watkins et al.,2013;Canivez,2014;Styck and Watkins,2016)。 NakanoとWatkinsは、高次因子モデルのほとんどのサポートを報告しましたが、bifactorモデルとは最小限に異なりました。,ＷＩＳＣ-ＩＶバイファクターモデルについては、説明された共通分散に関する多くの過去の研究が報告されている（ＥＣＶ；Ｒｅｉｓｅ ｅｔ ａｌ．、2013a）、ならびにオメガ階層（wh）およびオメガサブテスト（ws;McDonald,1999;Zinbarg et al.,2005)一般的および特定の要因の,それぞれ. 一般的な因子のECVは、一般的な因子を総共通分散で割ったもので説明される共通の分散です。 特定の因子のECVは、特定の因子を総共通分散で割ったもので説明される共通分散です。, 一般的な要因のECVは、一般的な要因のそれを超える共通の分散がほとんどないときはいつでも高くなります。 したがって、高い値は、バイファクターモデルにおける一般的な次元の存在を示す（Ｒｅｉｓｅ ｅｔ ａｌ．、2013a）。 一般因子のｗｈ値は、総スケールの内部整合信頼性のモデルベースの指標として解釈することができる（Brunner et al., 2012). Whは、合計された（標準化された）スコアの分散が単一の一般的な要因に起因する可能性があるかの推定量として解釈することもできます（McDonald、1999）。, これは、スケール内の一般因子によって説明される分散の量を、スケール内のすべての項目によって説明される分散の総量で割ることによって得られ 特定の因子のws値は、特定のスケールの内部整合性の信頼性のモデルベースの指標として解釈することができ、合計された（標準化された）スコアの分散, 2012)., これは、特定の要因によって説明される分散の量を、スケール内のすべての項目によって説明される分散の合計量で割ることによって計算されます。 Whおよびwsの値の範囲は0から1で、0は信頼性がないことを示し、1は完全な信頼性を反映しています。 Ｒｅｉｓｅらによる。 (2013a)、少なくとも0.75のwhおよびws値は、スケールの意味のある解釈のために好ましい。,WISC-IV bifactorモデルの既存のデータは、一般的な要因のECVが特定の要因の組み合わせたECVよりも2-3倍多いことを示しており、サブテストの実質的にすべての分散は、それぞれの特定の要因よりも一般的な要因によってはるかに説明されている（Watkins、2010;Devena et al.,2013;Watkins et al.,2013;Canivez,2014;Styck and Watkins,2016)。 また、一般的な因子のwhは、四つの特定の因子のws値（0.67から0.87の範囲）よりもはるかに高い（0.10から0.53の範囲;Watkins,2010;Devena et al.,,2013;Watkins et al.,2013;Canivez,2014;Styck and Watkins,2016)、指数スコアに対するFSIQスコアの利用のサポートを追加しました。 これらの知見は，バイファクタモデルにおける一般的な次元の存在を支持し，一般的な因子のみが意味を持って解釈できることを示している。 彼らは、WISC-IVのインデックススコアではなく、合計スコアの利用を支持する。

コアサブテストについては、少なくとも三つの研究は、ADHDを有する子供のグループのためのWISC-IVの因子構造を検討している（Yang et al.,2013;Styck and Watkins,2014;Thaler et al., 2015)., これらすべての研究にわたって、四因子斜めモデルの支持が見つかった。 高次因子モデルのサポートも見つかりました（Styck and Watkins、2014）。 Styck and Watkins(2014)による研究では、bifactorモデルに対して良好な適合が報告されていましたが、このモデルは許容できない解を持っていたため拒否されました（残差分散は負でした）。 Ｔｈａｌｅｒらによる研究。 (2015)は、Cattell-Horn–Carroll(CHC)理論モデルの知性に基づく二つの五要素斜めモデルのサポートを発見した(McGrew,2005)。, これらのモデルの一つは、ここでは斜め五因子SSモデルと呼ばれ、結晶化知性（Gc;語彙、類似性、理解を含む）、流体推論（Gf;画像概念と行列推論を含む）、視覚処理（Gv;ブロック設計とシンボル検索を含む）、短期記憶（Gsm;数字スパンと文字番号シーケンシングを含む）、およびPS（Gs;シンボル検索とコーディングを含む）のための要因からなる。 このモデルは、図図11にも示されています。, ここでは斜め五因子ＭＲ-ＳＳモデルと呼ばれる第二のモデルは，Ｇｖ因子に交差負荷する行列推論サブテストを指定することによって，他の斜め五因子ＳＳモデルとは異なった。 明らかなように、CHCモデルの両方は、WISC-IVに触発された斜め四要素、高次または二ファクターモデルと類似していません。

モデルの比較に関して、Styck and Watkins(2014)は、斜め四因子モデルよりも高次因子モデルに適していることを発見しました。 Thaler et al. (2015)は、両方の五因子モデルが斜め四因子モデルよりも良好に適合することを見出した。, 斜め五因子ＭＲ-ＳＳモデルは斜め五因子ＳＳモデルよりわずかに良好なフィット感を示したが，斜め五因子ＭＲ-ＳＳモデルにおける行列推論サブテストがＧｖ因子に有意に負荷されなかったため，斜め五因子ＳＳモデルがより良いモデルとして採用された。 Styck and Watkins(2014)によってテストされた高次因子モデル、およびThaler et alによって報告された高次斜め五因子SSモデルについて。, (2015)一般的な要因は、コーディングとシンボル検索（両方のPSサブテスト）を除いて、すべてのサブテストの特定の要因よりも多くの分散を説明しました。 Styck and Watkins(2014)による研究では、コーディングとシンボル検索の両方が、一般的な要因とPS特有の要因にほぼ等しかった。 Ｔｈａｌｅｒらによる研究において。 (2015)シンボルサーチは、一般的な因子とそれ自身の（PS）特定の因子に等しくロードされ、コーディングはそれ自身の特定の因子（PS）に対するより高いロードを有し およびStyckおよびWatkins(2014)およびThaler et al., （2015）の研究では、一般的な要因のECVは、一緒にすべての特定の要因の約二倍の総ECVでした。 Styck and Watkins(2014)はまた、一般的な因子（0.78）のwh値は、四つの特定の因子（0.09から0.34の範囲）のws値よりもはるかに高いことを報告し、それによってFSIQのみが健全な信頼性を持っていたことを示している。,したがって、全体的に、ADHDの小児におけるコアWISC-IVサブテストの因子構造に関する知見のほとんどは、学習障害を有するものを含む一般コミュニティおよ,2006,2013;Watkins,2010;Devena et al.,2013;Nakano and Watkins,2013;Canivez,2014;Styck and Watkins,2016). これらの研究にわたって、斜め四因子モデルと高次因子モデルの支持が報告されている。, CHCベースの五因子斜めモデルとこのモデルの高次構造は、すべての15（コアおよび補足）WISC-IVサブテストを調べたときにもサポートされています（Keith et al.,2006;Chen et al.,2009;Golay et al., 2013).

ADHDの小児および一般コミュニティおよび診療所の小児に関する知見の類似点にもかかわらず、我々は、ADHDの小児におけるWISC-IVの因子構造に関する既 第一に、ADHDの子供を含む三つの研究しかなかった（Yang et al.,,2013;Styck and Watkins,2014;Thaler et al.,2015)、高次因子モデル(Styck and Watkins,2014)、および斜め五因子モデル(Thaler et al., 2015). 第二に、STYCK and Watkins（2014）による研究は、ADHDの子供のためのbifactorモデルの適用性をテストした唯一の研究であり、このモデルの許容可能な解決策を見つけられませ この研究では小さなサンプル（N=233）を使用していたため、bifactorモデルで推定される30のパラメータでは、これが許容できない解決策に寄与している可能性が, コミュニティおよびクリニック参照のサンプルにおけるbifactorモデルの一般的に堅牢なサポートを考えると、より大きなサンプルサイズでは、BIFACTORモデルもADHDの子供に対してサポートされることが考えられる。 第三に、Styck and Watkins（2014）によって指摘されているように、ADHDの子供に対するすべての調査結果の関連性は不明です。, これは、学校の学際的な評価チームが障害者教育改善法（2004）を遵守しなければならなかった適格性の決定を行う責任があったため、ADHDを有すると特定された子どもたちは、従来の子どもの精神保健クリニックで診断されたADHDを有する子どもたちのサンプルに匹敵しない可能性があるためです。, 第四に、Styck and Watkins(2014)による研究では、参加者の投薬状況を考慮していなかったため、投薬の長期使用がADHDの子供のIQに影響を与えることが示されているため、彼らの調査結果が投薬効果によって混乱していないことを否定することはできない(Gillberg et al.,1997;Gimpel et al., 2005).,

もう一つの制限は、IQが一貫して学業成績と関連していることが示されているが（Naglieri and Bornstein、2003）、現在、一般的な要因と指数スケール（VC、PR、WM、およびPS）を表す, WISC-IV FSIQ、VCI、PRI、WMI、およびPSIの観測されたスコアの重回帰分析を使用して、非ADHDサンプルを含む研究は、指数スコアが読み取りおよび算術を含む学業成績スコ,2006;Canivez et al., 2014). 最近の研究（Ｂａｕｊｅａｎ ｅｔ ａｌ．,、2014）、また、Cattell-Horn-Carroll（CHC;Schneider and McGrew、2012）の観点からWISC–IVのすべてのコアテストおよび補助テストをモデル化した非ADHDサンプルでは、認知能力の理論は、一般的な要因が特定の要因のいずれよりも読み取りおよび算術と強い関連を有することを示した。 Wechsler Adult Intelligence Scale-Fourth Edition（WAIS-IV;Wechsler、2008）bifactorモデルについても同様の知見が報告されており、一般的な因子および指数尺度の要因がある（Kranzler et al., 2015)., これらの知見から，一般的な知能因子はＡＤＨＤ小児の学力とも関連していると推測できる。 しかし、読み取り能力が低いほど（Gathercole et al.,2006;Alloway et al.、2009;AllowayおよびAlloway、2010）および算術能力（BullおよびScerif、2001;SwansonおよびSachse-Lee、2001）は、貧しいWMに関連しており、WM欠陥はADHDと強く関連している（Martinussen et al.,2005;Willcutt et al.,2005;Walshaw et al.,、2010）、WM固有の要因（一般的な知性とは独立したWM能力を捉える）も学業成績能力と関連している可能性があります。

既存の制限を考えると、現在の研究の最初の目的は、ADHDを持つ子供の大規模なグループ（N=812）におけるTEN WISC–IVコアサブテストの因子構造を調べることでした。dsm-IV TR（アメリカ精神医学会、2000）ADHD基準を使用して直接診断された。, 彼らは精神保健サービスに新しかったので、彼らのどれも投薬を受けておらず、検査前または検査中のいつでも投薬を受けていませんでした。 これまでサポートされていたモデルと一致して，斜め一次四因子モデル，ＣＨＣベースの斜め五因子ＳＳモデル，四因子モデルに基づく高次および二因子モデル，および五因子ＳＳモデルに基づく高次因子モデルを検討した。, クロスファクターパターン係数はCFAバイファクターモデルでは許可されていないため(パラメーター推定を歪めるため;Rios and Wells,2014)、five-factor SSモデルの同等のバイファクターバージョンは、シンボル検索のためのクロスローディングがあるため、テストされませんでした。, 混乱を減らすために，斜め四因子モデルと五因子モデルをそれぞれＷＩＳＣ／四因子モデルとＣＨＣ／五因子モデルと呼び，四次因子モデルと五次因子モデルをそれぞれＷＩＳＣ／高次因子モデルとＣＨＣ／高次因子モデルと呼び，四つの特定因子を持つバイファクタモデルをＷＩＳＣ／バイファクタモデルと呼ぶ。 テストされた五つのモデルは、図Figure11に示されています。, 研究の第二の目的は、最適モデルとして選択されたモデル内の要因に対するECV、およびモデルベースの内部整合信頼性を調べることでした。 第三の目的は、bifactorモデルの一般的および特定の要因が読み取りと算術をどのように予測するかを調べることでした。 ADHDの子供と一般的な子供を含む以前の知見に基づいて、我々はWISC/bifactorモデルが最良のフィッティングモデルであることで、テストされたすべてのモデルのサポートを予測した。, このモデルでは，符号化及び記号探索を除いて，一般因子に関するサブテストの因子パターン係数は特定因子よりも比較的高くなることが予想された。 また、一般的な要因のECVおよびwh値は、特定の要因のECVおよびws値よりも比較的高くなると予想しました。 また、一般的な要因とWM特定の要因が読み取りと算術能力を予測することを期待しました。