Die Anwendbarkeit des BDI-II in klinischen und nichtklinischen Populationen aus psychometrischer Sicht. Eine vergleichende Analyse mit dem Rasch-Modell

Zusammenfassung

Hintergrund

Die revidierte deutsche Fassung des Beck Depressions-Inventars (BDI-II) ist ein verbreitetes Instrument zur Erfassung des Schweregrads einer Depression für Jugendliche ab 13 Jahren und Erwachsene. Der Selbstbeurteilungsfragebogen mit 21 Items und polytomem Antwortformat orientiert sich an den diagnostischen Kriterien des DSM-IV. Die psychometrischen Eigenschaften wurden für klinische Populationen bereits eingehend unter Verwendung v. a. faktorenanalytischer Verfahren ermittelt. Die vorliegende Studie untersucht die psychometrischen Eigenschaften des Instruments in einer nicht-klinischen Population. Dabei wird auf der Basis von Item-Response-Modellen vor allem der Frage nachgegangen, ob das Instrument in beiden Populationen gleichermaßen gute Messeigenschaften aufweist.

Methode

Das BDI-II wurde einer klinischen sowie einer studentischen Stichprobe vorgegeben. Die Antworten wurden mit dem Partial Credit Model ausgewertet und die Parameter sowie der Modell-Fit verglichen.

Ergebnisse

Es zeigen sich teilweise gut übereinstimmende Schwellenparameter in den beiden Stichproben, bei manchen Schwellen hingegen sind charakteristische Unterschiede zwischen der klinischen und der studentischen Stichprobe auszumachen. Dennoch erhalten Personen aus beiden Gruppen in hohem Maße übereinstimmende Personenparameter pro Gesamtwert zugeordnet.

Schlussfolgerungen

Die vorliegenden Ergebnisse lassen erkennen, dass das BDI-II in klinischen und nicht-klinischen Populationen ähnlich gut misst, wobei bestimmte Items in der nicht-klinischen Stichprobe charakteristische Abweichungen aufweisen.

Summary

Background

The revised version of the Beck Depression Inventory (BDI-II) is a broadly used instrument for assessing the severity of depression of adolescents of at least 13 years of age and adults. The self-assessment questionnaire contains 21 polytomous items and follows the criteria for a major depression specified in the DSM-IV. Clinical samples have often been used to analyze the psychometric properties of the instrument primarily with factor analytic methods.

Methods

The present study performs a psychometric analysis in a non-clinical sample in order to ascertain, whether the instrument performs equally well with the different kinds of samples. A clinical sample and a sample of students filled in the questionnaire. A partial credit model was applied and parameter estimates and model fit of the two samples were compared.

Results

Threshold parameters and model fit largely agreed, however some items exhibited characteristic deviations. Nevertheless, person parameter estimates notably agreed in both samples.

Conclusions

These results indicate that the BDI-II performs in clinical and non-clinical samples comparably well, only some items show characteristic deviations in the non-clinical sample.

Appendix

Rasch Modelle:

Eine nach dem dänischen Mathematiker Georg Rasch (1901–1980) benannte „Familie“ mathematischer Modelle, die die Häufigkeiten kategorialer Items durch eine latente kontinuierliche Dimension erklären. Rasch-Modelle unterscheiden sich hinsichtlich ihrer Detailannahmen, z. B.: dichotome oder mehrkategorielle Daten; Antwortkategorien äquidistant oder nicht; Items oder Kategorien folgen einer theoretisch begründeten Struktur. Da Rasch-Modelle Kategorienwahrscheinlichkeiten schätzen, wird keine Normalverteilungsannahme benötigt.

Item Response Modelle/Item Response Theorie:

Sammelbegriff für Rasch-Modelle; weitgehend synonym, im anglo-amerikansichen Sprachraum allerdings etwas weiter gefasst als im europäischen.

Spezifische Objektivität:

Kennzeichnendes Merkmal von Rasch-Modellen, das in deren mathematischen Struktur begründet ist. Praktischer Gewinn: 1) Itemparameter können aus nicht-repräsentativen Stichproben geschätzt werden. Diese Konsequenz wird auch sample independence genannt. 2) Personen können auch dann miteinander verglichen werden, wenn sie nicht dieselben Fragen vorgelegt bekommen haben („Testlet“-Design). 3) Die Modellgültigkeit kann einer strengen Überprüfung unterzogen werden.

Eindimensionalität:

Wenn ein Rasch-Modell gilt, dann ist zur „Lösung“ (bei Leistungstests) oder positiven Beantwortung (wie etwa einer hier untersuchten klinischen Skala) aller Items dieselbe latente Dimension oder dasselbe Konglomerat von Fähigkeiten erforderlich. Kein Item „misst“ darüber hinausgehende Aspekte.

Personenparameter:

Jede Person erhält einen Wert zugewiesen, der auf der latenten gemessenen Dimension ausdrückt, wie sehr sie über die gemessene Eigenschaft verfügt.

Itemparameter:

Jedes Item erhält einen Wert zugewiesen, der auf der latenten gemessenen Dimension ausdrückt, wieviel von der gemessenen Eigenschaft erforderlich ist, um eine Aufgabe zu lösen bzw. positiv zu antworten. Der Begriff wird vor allem bei dichotomem Antwortformat verwendet.

Schwellenparameter:

Spezielle Form von Itemparametern, die bei mehrkategoriellem Antwortformat verwendet wird: Zwischen den einzelnen Kategorien werden Grenzen gesetzt, die angeben, ab welchem Ausmaß der latenten Dimension eine Person wahrscheinlich die nächsthöhere Schwelle wählen wird.

PCM (Partial Credit Model):

Ein Rasch-Modell für mehrkategorielles Antwortformat, bei dem die Items unterschiedlich viele Antwortkategorien aufweisen können und das das Desiderat der Spezifischen Objektivität erfüllt.

LRT (Likelihood Ratio Test):

Ein statistischer Test, der die Überprüfung der Modellgültigkeit von Rasch-Modellen erlaubt. Die Nullhypothese postuliert die Modellgültigkeit, ein nicht-signifikantes Ergebnis ist daher substanzwissenschaftlich von Interesse.

MLT (Martin-Löf Test):

Nach dem schwedischen Mathematiker Per Martin-Löf benannter Test, der eine explizite Überprüfung der Eindimensionalitätsannahme erlaubt. Auch bei diesem Test ist ein nicht signifikantes Ergebnis substanzwissenschaftlich interessant.

Infit/Outfit:

Kennzahlen, die für jedes Item und für jede Person angeben, ob gehäuft unerwartete Antwortmuster des Items/der Person beobachtet wurden. Auffällige Werte erlauben eine zielgerichtete Detailanalyse.

Residuum:

Mit einem Rasch-Modell kann die Wahrscheinlichkeit („p“) berechnet werden, mit der eine bestimmte Person eine bestimmte Itemkategorie wählt. Im Datensatz liegt die Information vor, welche Kategorie sie tatsächlich gewählt hat („x“). Die Differenz p–x ist die Grundlage für ein Maß, das ausdrückt, wie gut die beobachteten Antworten mit den vom Modell vorhergesagten übereinstimmen. Es eignet sich daher zur Kontrolle, ob ein Rasch-Modell gut geeignet ist, das beobachtete Antwortverhalten zu beschreiben.