Response Style Characterization for Repeated Measures Using the Visual Analogue Scale

自我报告量表（如Likert量表）被广泛用于评估主观健康感知。最近，基于滑块的视觉模拟量表（VAS）因其准确和易于评估人们感受的能力而变得流行。这些数据可能会受到响应风格（RS）的影响，即用户独立的系统倾向，而不受问卷说明的影响。尽管在个体间分析中尤为重要，但对于处理VAS中的RS（称为响应剖面（RP）），人们很少关注，因为它主要用于个体内监测，受RP影响较小。然而，VAS测量通常需要重复自我报告相同的问卷项目，这使得在Likert量表上应用传统方法变得困难。在本研究中，我们针对各种类型的重复测量VAS数据开发了一种新的RP表征方法。该方法通过RS类分布的混合来将RP建模为分布参数${\theta}$，并通过bootstrap抽样来处理不平衡数据的问题。我们使用模拟伪数据和来自实证研究的实际数据集评估了所提出的方法的有效性。参数恢复的评估表明，我们的方法准确地估计了RP参数${\theta}$，证明了其稳健性。此外，将我们的方法应用于实际的VAS数据集中，发现即使在重复的VAS测量中，也存在个体RP异质性，类似于Likert量表的发现。我们提出的方法使RP异质性感知的VAS数据分析类似于Likert量表数据分析。

本论文旨在解决在使用VAS（视觉模拟量表）进行重复自我报告时，如何处理用户的反应风格（response style）（即反应剖面（RP））的问题。该问题在当前研究中尚未得到充分关注，因为VAS主要用于内部个体监测，而且受RP影响较小。

该论文提出了一种新的RP表征方法，通过RS类分布的混合来将RP建模为分布参数${ heta}$，并通过bootstrap采样来处理不平衡数据，以处理VAS数据中的RP异质性，使得VAS数据的分析可以像Likert量表数据一样进行。

该论文通过模拟伪数据和实际数据集的评估，证明了该方法的准确性和鲁棒性。该方法还揭示了即使在重复的VAS测量中，个体RP的异质性也存在，类似于Likert量表的发现。

在这个领域中，最近的相关研究包括使用VAS进行情感识别和情感分析等。