introduktion
Attention deficit/hyperactivity disorder (ADHD) är en av de vanligaste barnpsykologiska störningarna (diagnostisk och statistisk handbok för psykiska störningar; DSM-5; American Psychiatric Association , 2013). Major practice guidelines for ADHD, som American Academy of Child och Adolescent Psychiatry (2007), har rekommenderat intelligenstest för klinisk utvärdering av barn med ADHD., Den främsta orsaken till detta är att så mycket som 70% av barn med ADHD har comorbid inlärningsstörningar (Mayes et al., 2000; Mayes och Calhoun, 2006), och kunskap på individens intellektuella nivå kan underlätta en bättre förståelse av inlärningsstörningar., Dessutom, som Wechsler Intelligence Scale for Children-Fourth Edition (WISC-IV; Wechsler, 2003) är det vanligaste testet av intelligens (Gresham och Witt, 1997), skulle en omfattande förståelse av dess faktorstruktur hos barn med ADHD vara värdefull eftersom det kan leda till en bättre förståelse och mer giltig information om denna grupps intellektuella, kognitiva och inlärningsförmåga. Den nuvarande studien undersökte flera strukturella modeller som föreslagits för WISC-IV i en grupp barn och ungdomar (hädanefter kallad barn) med ADHD.,
WISC-IV mäter barns intellektuella förmåga från 6 till 16 år. Det utvecklades för att ge ett övergripande mått på allmän kognitiv förmåga och även åtgärder för intellektuell funktion i Verbal förståelse (VC), Perceptuell resonemang (PR), arbetsminne (WM) och bearbetningshastighet (PS). VC, PR, WM och PS-abonnemang ger poäng för Verbal Comprehension Index (VCI), Perceptual Reasoning Index (PRI), Working Memory Index (WMI) respektive Processing Speed Index (PSI)., Tillsammans ger VCI, PRI, WMI och PSI den övergripande intelligensnivån eller fullskalig IQ (FSIQ). Även om den fullständiga versionen av WISC-IV har 15 deltester, anses endast tio vara kärna och används oftare vid testning av intelligens (Wechsler, 2003). Kärnunderlagen för VC är ordförråd, likheter och förståelse. Kärnunderlagen för PR är blockdesign, bildkoncept och matris resonemang. Kärnunderlagen för WM är Sifferomfång och Letter-Number Sequencing, och kärnunderlagen för PR är kodning och Symbolsökning., De återstående fem deltesterna, som kallas kompletterande deltester, är Information och ord resonemang (del av VC), Bildkomplettering (del av PR), aritmetik (del av WM) och avbokning (del av PS).
faktorstrukturen för kärnunderlagen i WISC-IV har undersökts i ett antal studier som involverar allmänna samhälls-och klinikhänvisade barn, inklusive de med inlärningsstörningar (t.ex. Wechsler, 2003; Keith, 2005; Watkins et al., 2006; Sattler, 2008; Bodin et al., 2009; Watkins, 2010; Devena m.fl., 2013; Nakano och Watkins, 2013; Watkins et al., 2013; för Canivez, och med 2014. Styck och Watkins, 2016). Över dessa studier har stöd rapporterats för en sned fyrfaktormodell, en högre orderfaktormodell och en bifaktormodell. Den sneda fyrfaktormodellen har faktorer för VC, PR, WM och PS, som motsvarar prenumerationerna för VC, PR, WM och PS. Den högre orderfaktormodellen har första ordningsfaktorer för VC, PR, WM och PS och en enda högre orderfaktor., I denna modell fångar den allmänna faktorn de gemensamma varianterna av alla första ordningsfaktorer, och de första ordningsfaktorerna fångar kovariansen över de deltester som innefattar faktorerna. Bifaktormodellen är en ortogonal modell, med fem primära faktorer. I denna modell, alla deltester belastning på en allmän faktor, och varje deltest laster på sin egen specifika faktor (VC, PR, WM, eller PS)., Den allmänna faktorn fångar kovariansen av alla subtester, och VC, PR, WM och PS-specifika faktorer fångar den unika kovariansen av subtesterna inom dem efter att ha tagit bort kovariansen som fångats av den allmänna faktorn. Således fångar de specifika faktorerna sin unika varians. Den sneda fyrfaktorn, den högre orderfaktorn och bifaktormodellerna visas i Figur11., Med undantag för studien av Nakano och Watkins (2013) har de andra studierna som har jämfört den sneda fyrfaktormodellen, den högre orderfaktormodellen och bifaktormodellen rapporterat mer stöd för bifaktormodellen än den fyrfaktorsklivade modellen och den högre orderfaktormodellen (Watkins, 2010; Devena et al., 2013; Watkins m.fl. 2013; för Canivez, och med 2014. Styck och Watkins, 2016). Nakano och Watkins rapporterade mest stöd för den högre orderfaktormodellen, även om den skilde sig minimalt från bifaktormodellen.,
för WISC-IV-bifaktormodellen har ett antal tidigare studier rapporterat om den förklarade gemensamma variansen (ECV; Reise et al., 2013a), samt omega hierarkiska (wh) och omega kontroller (ws; McDonald, 1999; Zinbarg et al., 2005) av de allmänna och specifika faktorerna. ECV av en allmän faktor är den gemensamma variansen som förklaras av den allmänna faktorn dividerad med den totala gemensamma variansen. ECV för en specifik faktor är den gemensamma variansen som förklaras av den specifika faktorn dividerad med den totala gemensamma variansen., ECV av den allmänna faktorn kommer att vara hög när det finns liten gemensam varians utöver den allmänna faktorn. Höga värden indikerar sålunda närvaron av en allmän dimension i bifaktormodellen (Reise et al., 2013a). Wh-värdet för den allmänna faktorn kan tolkas som ett modellbaserat index för den interna konsekvensens tillförlitlighet för den totala skalan (Brunner et al., 2012). Wh kan också tolkas som en skattning av hur mycket varians i summerade (standardiserade) poäng kan hänföras till den enda allmänna faktorn (McDonald, 1999)., Det erhålls genom att dividera mängden varians som förklaras av den allmänna faktorn i en skala med den totala variansmängden som förklaras av alla objekt i skalan. Ws-värdet för en specifik faktor kan tolkas som ett modellbaserat index för den specifika skalans interna konsistenssäkerhet, och en skattning av hur mycket varians i summerade (standardiserade) poäng kan hänföras till den specifika faktorn (McDonald, 1999; Brunner et al., 2012)., Det beräknas genom att dividera mängden varians som förklaras av den specifika faktorn med den totala variansmängden som förklaras av alla objekt i skalan. Värdena för wh och ws varierar från 0 till 1, med 0 indikerar ingen tillförlitlighet och 1 återspeglar perfekt tillförlitlighet. Enligt Reise et al. (2013a), WH och ws-värden på minst 0,75 föredras för meningsfull tolkning av en skala.,
befintliga data för WISC-IV bifaktormodellen visar att ECV för den allmänna faktorn är mellan 2 och 3 gånger mer än den kombinerade ECV av de specifika faktorerna, med praktiskt taget all varians i deltesterna förklaras mycket mer av den allmänna faktorn än de respektive specifika faktorerna (Watkins, 2010; Devena et al., 2013; Watkins m.fl. 2013; för Canivez, och med 2014. Styck och Watkins, 2016). Wh av den allmänna faktorn är också mycket högre (från 0,67 till 0,87) än ws-värdena för de fyra specifika faktorerna (från 0,10 till 0,53; Watkins, 2010; Devena et al.,, 2013; Watkins m.fl., 2013; Canivez, 2014; Styck och Watkins, 2016), lägga till stöd för utnyttjandet av fsiq poäng över indexpoäng. Dessa fynd indikerar stöd för närvaron av en allmän dimension i bifaktormodellen, och att endast den allmänna faktorn kan tolkas meningsfullt. De stöder utnyttjandet av den totala poängen och inte indexpoäng för WISC-IV.
för kärnundertesterna har minst tre studier undersökt faktorstrukturen hos WISC-IV för grupper av barn med ADHD (Yang et al. 2013; för Styck och Watkins, 2014; Thaler et al., 2015)., I alla dessa studier hittades stöd för den fyrfaktorsklickiga modellen. Stöd hittades också för den högre orderfaktormodellen (Styck och Watkins, 2014). Även om studien av Styck och Watkins (2014) rapporterade bra passform för bifaktormodellen, avvisades denna modell eftersom den hade en otillåten lösning (en återstående varians var negativ). Studien av Thaler et al. (2015) hittade stöd för två femfaktors sneda modeller, baserat på Cattell-Horn–Carroll (CHC) teoretisk modell av intelligens (McGrew, 2005)., En av dessa modeller, som kallas här den sneda FEMFAKTORSMODELLEN SS, består av faktorer för kristalliserad intelligens (Gc; innefattande ordförråd, likheter och förståelse), vätskans resonemang (Gf; innefattande bildkoncept och matris resonemang), visuell bearbetning (Gv; innefattande blockdesign och Symbolsökning), korttidsminne (Gsm; innefattande Sifferspan och Bokstavsnummer sekvensering) och PS (GS; innefattande Symbolsökning och kodning). Denna modell visas också i Figur11., Den andra modellen, kallad här den sneda FEMFAKTORSMODELLEN MR-SS, skilde sig från den andra sneda FEMFAKTORSMODELLEN SS genom att ange Matrisresonemanget subtest för korsbelastning på GV-faktorn. Som framgår är båda CHC-modellerna inte lika med WISC-IV-inspirerade sneda fyrfaktormodeller, högre ordning eller bifaktormodeller.
När det gäller jämförelse av modeller, fann Styck och Watkins (2014) bättre passform för den högre orderfaktormodellen än den sneda fyrfaktormodellen. Thaler et al. (2015) fann att båda deras femfaktormodeller hade bättre passform än den sneda fyrfaktormodellen., Även om den sneda FEMFAKTORSMODELLEN MR-SS visade marginellt bättre passform än den sneda FEMFAKTORSMODELLEN, antogs den sneda FEMFAKTORSMODELLEN som den bättre modellen, eftersom Matrisresonemanget subtest i den sneda FEMFAKTORSMODELLEN MR-SS inte laddade signifikant på GV-faktorn. För den högre orderfaktormodellen testad av Styck och Watkins (2014), och för den högre orderns sneda FEMFAKTORSMODELL rapporterad av Thaler et al., (2015) den allmänna faktorn förklarade mer varians än de specifika faktorerna för alla deltester, med undantag för kodning och Symbolsökning (båda PS-deltesterna). I studien av Styck och Watkins (2014) hade både kodning och Symbolsökning ungefär lika på de allmänna och PS-specifika faktorerna. I studien av Thaler et al. (2015) Symbolsökning laddad lika på den allmänna faktorn och sin egen (PS) specifika faktor, och kodning hade en högre belastning på sin egen specifika faktor (PS). För högre faktor modeller i och Styck och Watkins (2014) och Thaler et al., (2015) studier, ECV av den allmänna faktorn var ungefär dubbelt så stor som den totala ECV av alla specifika faktorer tillsammans. Styck och Watkins (2014) rapporterade också att wh-värdet för den allmänna faktorn (0,78) var mycket högre än ws-värdena för de fyra specifika faktorerna (från 0,09 till 0,34), vilket indikerar att endast FSIQ hade god tillförlitlighet.,
generellt sett är de flesta resultaten för faktorstrukturen hos de centrala WISC-IV-deltesterna hos barn med ADHD jämförbara med befintliga data som involverar det allmänna samhället och klinikhänvisade barn, inklusive de med inlärningsstörningar (Watkins et al., 2006, 2013; Watkins, 2010; Devena m.fl., 2013; Nakano och Watkins, 2013; Canivez, och med 2014. Styck och Watkins, 2016). Över dessa studier har stöd rapporterats för den sneda fyrfaktormodellen och den högre orderfaktormodellen., Den CHC-baserade femfaktorsklickmodellen och en högre orderstruktur för denna modell har också stödts när alla 15 (core och supplementary) WISC-IV-deltesterna undersöktes (Keith et al., 2006; Chen et al., 2009; Golay et al., 2013).
trots likheterna i resultaten på barn med ADHD och barn från det allmänna samhället och klinikerna vill vi hävda att det finns begränsningar i befintliga fynd om WISC-IV-faktorstrukturen hos barn med ADHD. För det första har det bara funnits tre studier som involverar barn med ADHD (Yang et al., 2013; för Styck och Watkins, 2014; Thaler et al., 2015), med endast en studie som rapporterar om tillämpligheten av den högre orderfaktormodellen (Styck och Watkins, 2014) och den sneda femfaktormodellen (Thaler et al., 2015). För det andra fann studien av Styck och Watkins (2014), den enda studien som har testat tillämpligheten av bifaktormodellen för barn med ADHD, inte en tillåtlig lösning för denna modell. Eftersom denna studie använde ett litet prov (N = 233) är det möjligt att med 30 parametrar som ska uppskattas i bifaktormodellen kunde detta ha bidragit till den otillåtna lösningen., Med tanke på det generellt robusta stödet för bifaktormodellen i gemenskaps-och klinikhänvisade prover är det tänkbart att bifaktormodellen med större provstorlekar också kommer att stödjas för barn med ADHD. För det tredje, som påpekats av Styck och Watkins (2014), är relevansen av alla sina resultat för barn med ADHD osäker., Detta beror på att som skolans tvärvetenskapliga utvärderingsteam var ansvariga för att fatta beslut som var tvungna att följa individerna med funktionshinder Education Improvement Act (2004), kan de barn som identifierats som ADHD inte vara jämförbara med prover av barn med ADHD diagnostiserad i konventionella barnpsykologiska kliniker., För det fjärde, eftersom studien av Styck och Watkins (2014) inte ansåg deltagarnas medicineringsstatus, kan det inte uteslutas att deras resultat inte var förvirrade av medicineringseffekter, eftersom långvarig användning av medicinering har visat sig påverka IQ hos barn med ADHD (Gillberg et al., 1997; Gimpel et al., 2005).,
en annan begränsning är att även om IQ konsekvent har visat sig vara associerad med akademisk prestation (Naglieri och Bornstein, 2003), har ingen studie för närvarande undersökt den prediktiva giltigheten av faktorerna i BIFAKTORMODELLEN för WISC-IV, modellerad i form av en allmän faktor och de specifika faktorer som representerar indexskalorna (VC, PR, WM och PS)., Med hjälp av flera regressionsanalys av observerade poäng för WISC-IV FSIQ, VCI, PRI, WMI och PSI har studier som involverar icke-ADHD-prover rapporterat att indexpoängen endast ger en liten ytterligare varians i förutsägelsen av akademiska prestationspoäng, inklusive läsning och aritmetik (Glutting et al., 2006; Canivez et al., 2014). En nyligen genomförd studie (Beaujean et al.,, 2014), också med en icke-ADHD prov som modelleras alla grundläggande och kompletterande tester av WISC-IV i termer av Cattell–Horn–Carroll (CHC; Schneider och McGrew, 2012) teori om kognitiva förmågor visade att den allmänna faktor hade ett starkare samband med läsning och matematik än någon av de specifika faktorer. Liknande resultat har rapporterats för Wechsler Adult Intelligence Scale-Fourth Edition (WAIS-IV; Wechsler, 2008) bifaktormodell med en allmän faktor och faktorerna för indexskalorna (Kranzler et al., 2015)., Baserat på dessa fynd kan det spekuleras om att den allmänna intelligensfaktorn också skulle associeras med barnens akademiska förmågor med ADHD. Men som låg läsförmåga (Gathercole et al., 2006; Alloway et al., 2009; Alloway och Alloway, 2010) och aritmetisk förmåga (Bull och Scerif, 2001; Swanson och Sachse-Lee, 2001) har varit kopplade till dålig WM, och som WM defekter har varit starkt förknippat med ADHD (Martinussen et al., 2005; Willcutt et al., 2005; Walshaw m.fl.,, 2010), den WM-specifika faktorn (som fångar WM-förmåga som är oberoende av den allmänna intelligensen) kan också associeras med akademiska prestationsförmåga.
Med tanke på befintliga begränsningar var det första syftet med den nuvarande studien att undersöka faktorstrukturen hos de tio WISC-IV-kärnundertesterna i en stor grupp (N = 812) av barn med ADHD, alla direkt diagnostiserade med DSM-IV TR (American Psychiatric Association , 2000) ADHD-kriterier., Eftersom de var nya för mental hälsovård, ingen av dem hade inte varit på medicinering, och var inte på medicinering när som helst före eller under testning. I överensstämmelse med modeller som tidigare stöddes undersökte studien följande modeller: en sned första ordningens fyrfaktorsmodell, CHC-baserade sneda FEMFAKTORSMODELL, högre ordning och bifaktormodeller baserade på fyrfaktorsmodellen och en högre ordningsfaktormodell baserad på FEMFAKTORSMODELLEN SS., Eftersom korsfaktormönstringskoefficienter inte är tillåtna i en CFA-bifaktormodell (eftersom det snedvrider parameteruppskattningar; Rios och Wells, 2014), testades inte den likvärdiga bifaktorversionen av FEMFAKTORSMODELLEN eftersom den har korsbelastningar för Symbolsökning., För att minska förvirringen kommer de sneda fyrfaktormodellerna och femfaktormodellerna att kallas WISC / four-factor model respektive CHC/five-factor model; de högre orderfaktormodellerna med fyra och fem primära faktorer kommer att kallas WISC / higher order factor model respektive CHC/higher order factor model; och bifaktormodellerna med fyra specifika faktorer kommer att kallas WISC/bifactor model. De fem testade modellerna visas i Figur11., Det andra syftet med studien var att undersöka ECV och modellbaserad intern konsistenssäkerhet för faktorer i den modell som valts som den optimala modellen. Det tredje syftet var att undersöka hur de allmänna och specifika faktorerna i bifaktormodellen förutspådde läsning och aritmetik. Baserat på tidigare resultat som involverar barn med ADHD och barn i allmänhet förutspådde vi stöd för alla testade modeller, med WISC/bifactor-modellen som den bästa passande modellen., För denna modell förväntade vi oss att med undantag för kodning och Symbolsökning skulle faktormönstringskoefficienterna för deltesterna på de allmänna faktorerna vara relativt högre än på de specifika faktorerna. Vi förväntade oss också att ECV-och wh-värdena för den allmänna faktorn skulle vara relativt högre än ECV-och ws-värdena för de specifika faktorerna. Vi förväntade oss också den allmänna faktorn och WM – specifika faktorer för att förutsäga läsning och aritmetiska förmågor.