基于倾向得分匹配分析的互联网和智能手机成瘾对抑郁和焦虑的影响（2018）

Int J Environ Res Public Health。 2018 Apr 25; 15（5）。 pii：E859。 doi：10.3390 / ijerph15050859。

金YJ1, 张HM2, 李Y.3, 李D.4, 金DJ5.

抽象

网络成瘾（IA）和智能手机成瘾（SA）与心理健康问题的关联已被广泛研究。 我们调查了IA和SA对抑郁和焦虑的影响，同时调整了社会人口学变量。 在这项研究中，4854参与者完成了一项基于网络的横断面调查，包括社会人口统计项目，韩国网络成瘾量表，智能手机成瘾易感性量表，以及症状检查表90项目修订的分量表。 参与者分为IA，SA和正常使用（NU）组。 为了减少采样偏差，我们应用了基于遗传匹配的倾向得分匹配方法。 IA组显示抑郁风险增加（相对风险1.207; p <0.001）和焦虑症（相对风险1.264； p <0.001）。 SA组也显示出抑郁的风险增加（相对风险1.337； p <0.001）和焦虑症（相对风险1.402； p <0.001）。 这些发现表明，IA和SA对抑郁症和焦虑症都有重要作用。 此外，我们的研究结果表明，SA与抑郁症和焦虑症之间的关系更强，比IA更为强烈，并强调了针对过度使用智能手机的预防和管理政策的必要性。

关键词：  网络成瘾; 焦虑; 萧条; 倾向得分; 智能手机上瘾

结论：29693641

作者： 10.3390 / ijerph15050859

 

1. 简介

随着互联网和智能手机在日常生活中的使用和便利性的增加，积累的研究表明，过度的互联网和智能手机在心理健康领域的负面影响[1].
韩国人口智能手机用户率约为85％，全球最高[2]。 然而，智能手机的过度使用与许多心理健康问题密切相关，包括压力和异常焦虑的风险增加[3,4]。 智能手机成瘾（SA）已经成为一种新的成瘾形式以及网络成瘾（IA），近年来SA的临床特征受到关注[5]。 例如，设备的性质存在一些差异，例如便携性，实时互联网接入和智能手机的直接通信功能[6]。 已经报道了IA和SA之间在人口统计学变量和媒体使用的动机方面的异同[1,6].
从环境方面来看，缺乏替代活动与IA有关[7]。 此外，据报道，单身与社交网络和在线游戏密切相关[8]。 关于教育水平和月收入方面，最近对SA患者的一项研究发现，健康方面存在显着差异，有利于那些收入较低，受教育程度较低的人[9]。 与这一发现一致，系统评价报告了学业成绩与IA严重程度之间的显着相关性[10]。 关于年龄，最近的一项审查发现，有问题的互联网使用与青少年和新兴成人（19岁及以上）最相关[10虽然智能手机成瘾在年轻青少年中比新兴成人（19岁及以上）更为普遍[11]。 最近的一项研究表明，与男性相比，女性的智能手机日常使用时间和依赖性评分平均值更高[4]。 崔等人。 （2015）报道男性性别与IA有相关的危险因素，SA的女性性别[1]。 关于使用目的，与其他与移动电话相关的功能相比，社交网络与高智能手机依赖性的关系更为密切[11]。 对于IA患者，Anderson等。 （2016）报道，男性性别与在线PC游戏显着相关[10].
关于心理方面，IA和SA与抑郁和焦虑的积极关联已被广泛报道[12,13]。 最近的研究表明，互联网和智能手机上瘾可能是由用户的个人认知 - 情感和行为特征而不是媒体本身引起的[14,15,16]。 最近的一项研究观察了IA和SA中移情和生活满意度的作用[17]。 关于精神病理学，一些研究报告IA，抑郁和焦虑之间存在正相关关系[18,19,20虽然最近的一项研究报告了智能手机使用与严重程度，抑郁和焦虑之间的关系[]13]。 因此，需要精确描述IA，SA与心理健康问题之间的相互关系。 此外，考虑到IA和SA之间的重叠和差异[16那么，出现的问题是，在调整混杂的人口统计和社会经济因素后，IA和SA在多大程度上与抑郁和焦虑水平的增加有关？
目前尚不清楚精神健康问题是否是过度依赖互联网和智能手机的原因或后果。 横断面研究采用多元回归分析来研究人们心理健康问题，IA和SA之间的关系[21]。 然而，在缺乏随机化的观察性研究中，多重回归分析具有局限性，例如，当存在多个协变量时，高估的可能性和标准误差较差，以及选择偏差[22]。 因此，通过简单地检查特定结果（例如抑郁和焦虑）来估计成瘾的影响，将会因与IA和SA相关的人口统计和社会经济因素的不平衡而产生偏差。 此外，还没有研究根据互联网和智能手机用户的特征，包括环境背景和用户的心理特征，研究IA和SA对抑郁和焦虑的不同影响。 倾向评分匹配（PSM）已成为减少观察性研究中选择偏倚的常用方法[23,24]。 在本文中，我们应用PSM分析来研究IA和SA对抑郁和焦虑的影响，以减少我们数据中的选择偏倚。 考虑到这些社会人口学变量与IA和SA在我们的研究中的关联，我们选择性别，年龄，教育，婚姻状况和收入作为混淆变量[9,25].
本研究的主要目的是使用倾向评分匹配分析来检查IA，SA和情绪状态之间的相互关系，即抑郁和焦虑。 其次，我们试图发现IA和SA之间抑郁和焦虑的影响是如何不同的。

 

 

2。 材料和方法

 

 

2.1。 研究参与者

该数据包括由韩国天主教大学首尔进行的5003韩国成年人（19-49岁）的在线匿名自我诊断调查回复; 12月2014和圣玛丽医院[26]。 该研究是根据赫尔辛基宣言进行的。 韩国天主教大学的机构审查委员会，首尔; 和圣玛丽医院批准了这项研究。 所有参与者都被告知该研究并提供了书面知情同意书。 调查参与者由一家研究公司的小组招募，自我报告问卷通过互联网进行管理，没有任何补偿。 只有不使用智能手机的149受访者被排除在外。 最后，我们分析了4854参与者的数据。 在最终样品中，年龄分为三类：30（33.19％），30-39（43.94％）和40-49（22.87％）。 有2573男性（53.01％）和2281女性（46.99％）。 考虑的参与者的其他人口变量是教育，婚姻状况和收入。

 

 

2.2。 措施

 

 

2.2.1。 网络成瘾的测量

韩国网络成瘾量表（K-scale）是在韩国开发的，用于评估IA，并已在韩国人群中得到验证，内部一致性具有高可靠性[27]。 K-Scale的Cronbach的α系数是0.91 [28]。 它有七个分量表和40项目，测量日常生活干扰，现实测试干扰，自动上瘾思维，虚拟人际关系，离经叛道，退出和宽容。 此Likert类型比例已从1（根本不是）设置为4（始终）。 根据之前使用此量表的报告，参与者分为三组：正常，潜在风险和高风险[29]。 高风险组被定义为70或更高的标准化分数，日常生活障碍，自动上瘾思维，耐受因素，或总共至少70。 潜在风险组被定义为日常生活障碍，自动上瘾思维，容忍因子或总计至少62的63或更高分数。 正常使用组包含低于这些数字的那些分数。 在这项研究中，IA组由潜在风险和高风险群体组成。

 

 

2.2.2。 智能手机成瘾的测量

智能手机成瘾易感性量表（K-SAS）已经过验证，并被广泛用于筛选SA [30]。 它由15项目组成，从1（完全没有）到4（总是）的四点Likert类型的遇险等级。 问题考察了三个因素：日常生活障碍，自动上瘾思想和宽容。 Cronbach的K-SAS alpha系数是0.880 [5].
根据之前使用此量表的报告，我们使用分数将参与者分为三组：正常，潜在风险和高风险[30]。 高风险组被定义为总分为44或更高，或者在自动成瘾思维和耐受性方面，在日常生活障碍中具有15或更多的子分数以及13或更多的子分数。 潜在风险组被定义为在总分中具有41或更多，或在日常生活干扰因子中具有15或更多。 正常使用组包含低于这些数字的分数[30]。 在这项研究中，智能手机上瘾的群体由高风险和潜在风险群体组成。

 

 

2.2.3。 心理健康问题的测量：抑郁和焦虑

SCL-90-R是一个多维问卷，用于筛查9分量表的一系列心理和精神病理特征：躯体化，强迫症，人际关系敏感，抑郁，焦虑，敌意，恐惧焦虑，偏执思维和精神病[31]。 SCL-90包含从90（无）到5（极端）的0点遇险等级评定的4项目。 韩语中SCL-90-R的重测信度为抑郁症的0.76和焦虑症的0.77。 内部一致性为抑郁症0.89和焦虑症0.86 [31]。 据报道，抑郁和焦虑是与IA和SA密切相关的精神症状[12,13]。 本研究中筛选的特定维度包括抑郁和焦虑的SCL-90-R分量表。

 

 

2.3。 数据分析

 

 

2.3.1。 统计定义

让 Zi

 

是第i个主题的二元成瘾指标; 那是， Zi=1 如果第i个主题上瘾（IA或SA），和 Zi=0 除此以外。 心理问题（抑郁或焦虑）的潜在结果定义为 Yi(Zi。 注意，对于每个受试者，同时仅观察到一种潜在结果，因此直接计算 Yi(1) - Yi 是不可能的。 感兴趣的主要参数不是个体效应，而是对成瘾人群的预期成瘾效应

τ=E(Yi(1) - Yi(0)|
 
但是，估计 τ

还是有问题因为 E(Yi(0)|Zi 不能直接估计。 当然，在随机实验中， E(Yi(0)|Zi 很满意，所以 τ 很容易估计。 然而，在一项观察研究中，天真的估计 τ 可能有偏见因为 E(Yi(0)|Zi。 为了调整这种选择偏差，我们假设我们可以观察到协变量 Xi 不受任何成瘾影响，也不影响给定的协变量 Xi, 潜在的结果 Yi(1), Yi 有条件地独立于成瘾指标 Zi. 此外，如果潜在的结果独立于以协变量为条件的成瘾 Xi，它们也与倾向得分中的成瘾条件无关 P(Xi)= P(Zi=1|Xi[19]。 PSM估算器 τ 成为

τPSM=EP(X)|Z=1

 

 

 

 

 

2.3.2。 估计倾向得分

使用逻辑回归计算倾向得分，逻辑回归是用于预测成瘾发生概率的模型 

日志P(Zi=1|Xi)

 

 

 
在本文中，作为协变量 Xi

 

 

，我们考虑五个分类协变量：性别（1 =男性和2 =女性），年龄（1 = 20-29，2 = 30-39，3 = 40-49），教育（1 =中学，2 =高学校，3 =大学或以上），婚姻状况（1 =单身，2 =同居，3 =已婚，4 =离婚，5 =丧失亲人）和收入（1 =低，2 =中低，3 =中，4 =中高，5 =高）。 在 第1，这些协变量可能同时影响结果（抑郁或焦虑）和成瘾。 因此，对于每个受试者，我们估计了倾向得分; 也就是说，根据观察到的协变量，上瘾的条件概率[32].

 

 

2.3.3。 基于估计倾向得分的匹配方法

一旦估计了倾向得分，在调整到两组之间的差异后，可以使用匹配来估计治疗效果[33]。 匹配的目标是产生匹配的样本，该样本平衡研究患者的分布并匹配观察到的对照组的协变量。 这种调整方法允许我们控制混杂变量。 在这项研究中，我们采用了两种广泛使用的匹配方法，即最优和遗传匹配[34].

 

 

2.3.4。 倾向评分匹配后心理健康问题成瘾相对风险的估算

通过使用观察到的协变量（年龄，性别，婚姻，收入和教育）进行倾向评分匹配后，我们得到了更加平衡的数据集。 为了模拟心理健康问题（抑郁或焦虑），我们将广义线性模型（GLM）应用于匹配的样本。 由于心理健康评分是积极的和有偏见的，因此适合具有日志链接的伽玛分布。 让 Yi

 

是平均值的兴趣结果（抑郁或焦虑得分） μi，我们可以使用Gamma GLM框架和协变量 Xi:

 

日志μi=γT
 
 
通过建模，我们估计 eγ

 

 

作为每个协变量的IA和SA的相对风险（作为组之间的预期平均差异）。

 

 

3。 结果

除4854参与者外，126（2.60％）包含在IA组中，652（13.43％）包含在SA组中。 表1 显示抑郁和焦虑评分的描述性统计。 IA组和SA组的抑郁和焦虑的平均得分大于正常使用组（NU）。
表1。 抑郁和焦虑评分的描述性统计。
表

 

 

3.1。 倾向得分匹配方法的匹配质量

虽然我们只调查了本研究调查问卷中的一些协变量，但通过倾向得分，我们发现匹配程序足以平衡每个协变量的分布， 表2 和 表3。 我们评估了边缘分布的距离 Xi

 

 

 

。 对于每个协变量，我们计算了偏差; 也就是说，上瘾和正常样本的样本平均值的差异。 在应用倾向得分匹配之前，不会忽略偏差。 然而，在倾向得分匹配之后，成瘾和正常子样本对于所有协变量具有非常相似的边际分布。
表2。 使用遗传和最佳匹配比较原始样本和倾向评分匹配样本中IA和正常使用组之间基线特征的平均百分比。
表
表3。 使用遗传和最佳匹配比较原始样本和倾向得分匹配样本中SA和正常组之间基线特征的平均百分比。
表

 

 

3.2。 网络成瘾对抑郁和焦虑的影响

使用倾向评分匹配获得IA对抑郁和焦虑的影响 表4。 通过遗传匹配，选择了3846个样本。 IA与抑郁症的较高风险（相对风险1.207，95％置信区间1.128–1.292，p <0.001）和焦虑（相对风险1.264，95％置信区间1.173–1.362，p <0.001）有关。 所有这些相对风险比率都很重要，因为置信区间不包含1。通过最佳匹配，选择了252个样本。 IA与抑郁症（相对风险1.243，95％置信区间1.145–1.348，p <0.001）和焦虑症（相对风险1.308，95％置信区间1.192–1.435，p <0.001）有关。 与遗传匹配类似，抑郁和焦虑的相对风险比均明显大于1。
表4。 基于倾向得分匹配的互联网和智能手机成瘾对抑郁和焦虑的影响。
表

 

 

3.3。 智能手机成瘾对抑郁和焦虑的影响

使用倾向评分匹配评估SA对抑郁和焦虑的影响 表4。 通过遗传匹配，选择了4516个样本。 SA与抑郁症的较高风险（相对风险1.337，95％置信区间1.296–1.378，p <0.001）和焦虑症（相对风险1.402，95％置信区间1.355–1.450，p <0.001）。 通过最佳匹配，选择了1304个样本。 SA与抑郁症的较高风险（相对风险1.386，95％置信区间1.334–1.440，p <0.001）和焦虑（相对风险1.440，95％置信区间1.380–1.503，p <0.001）。 所有这些相对风险比率都是显着的。

 

 

3.4。 互联网和智能手机成瘾对抑郁和焦虑的影响差异

抑制和焦虑的相对风险比，来自遗传和最佳匹配，SA的10％高于IA。 这意味着SA比IA具有更大的抑郁和焦虑风险。 这些置信区间不包含1，因此我们可以说SA更可能导致精神障碍的34-44％。

 

 

4。 讨论

我们的研究结果表明，即使在使用倾向评分匹配控制混杂因素之后，IA和SA也对抑郁和焦虑产生显着影响。 流行病学研究估计IA患抑郁症的患病率较高[35,36]。 许多横断面研究报道，IA或SA患者的抑郁和焦虑水平高于正常使用者[13,37]。 在本研究中，我们的研究结果显示了IA和SA在抑郁和焦虑中的作用。 目前的研究结果有一些可能的解释。 首先，互联网和智能手机的上瘾可能会增加人际关系问题，这与抑郁和焦虑有关，例如家庭冲突，缺乏离线关系以及网络空间审批的需求增加。 其次，提出戒断症状是IA和SA的精神病理学模式，与药物滥用障碍相当[5]。 当他们无法访问PC或智能手机时，IA或SA的个人可能会变得焦虑，然后希望使用互联网或智能手机来逃避这种负面情绪[38]。 另一种可能的解释是，与其他成瘾物质（如酒精和尼古丁）不同，互联网和智能手机过度用户可能对其在日常生活中的过度使用缺乏洞察力，因为可以自由灵活地访问设备[3]，让他们过度使用它作为烦恼，而不是作为有问题的行为的标志[39]。 另一个有趣的发现是，SA对抑郁和焦虑的影响比IA更强。 这使我们推测IA和SA对心理健康问题有不同的影响。 这个发现可能有几种可能的解释。 首先，考虑到媒体特性，通过设备的习惯形成性来发展过度智能手机更容易，因为它对无线网络和24 h的频繁通知具有更高的可访问性[39]。 其次，就环境因素而言，这一发现可能反映了目前从个人电脑到智能手机的日常生活平均变化。 人们可能会使用PC互联网进行复杂的工作，并使用智能手机执行其他日常任务，从而导致劳动生产率下降和更高的压力[40]。 最后，SA的个人可以使用智能手机维持关系和与在线社交网络的联系感[41]导致人们越来越害怕丢失和担心失去联系，同时引发更高的智能手机使用[42].
这项研究有一些限制，可以将结果推广到整个人群，例如数据限制的横截面性质以及互联网与智能手机成瘾，抑郁和焦虑之间的因果推断的解释。 倾向匹配也有局限性和要求。 主要限制是倾向得分只能通过观察到的混杂因素来控制[43]。 未观察到的混杂因素的可能性可能仍然存在，限制了研究发现的概括。 此外，由于本研究中所有观察到的混杂因素都被收集为分类变量，因此在构建PSM模型时可能会出现信息丢失。 因此，我们的研究结果应谨慎解释。 然而，为了获得稳健的匹配结果，我们考虑了两种匹配方法，即遗传匹配和最优匹配。 特别是，遗传匹配使用遗传搜索算法，因此其过程可以找到一个良好的匹配解决方案，减少信息损失[44]。 最后，使用SCL-90-R通过自我报告心理症状测量来评估抑郁和焦虑症状。 更准确，更一致地评估心理健康问题。 临床医生应进行结构化访谈，以便进一步研究。

 

 

5。 结论

在这项研究中，我们调查了IA和SA如何影响心理健康问题，抑郁和焦虑。 据我们所知，这是首次使用倾向性匹配评分法从横断面数据中估计IA，SA与精神病理学之间的关联，并研究IA与SA之间精神病理学的差异效应。 总之，我们的研究结果表明IA和SA都会增加抑郁和焦虑的风险。 此外，与IA相比，SA与抑郁和焦虑的关系更为密切。
这些研究结果的一个含义是，应密切监测智能手机使用有问题的个人的心理健康问题，强调需要制定针对SA临床前水平的预防和管理政策。 进一步的前瞻性研究应该调查IA，SA和心理健康问题之间关系的因果关系，并应确定IA和SA的判别因素。

 

 

作者贡献

D.-JK和DL构思并设计了实验; HMJ分析了数据; Y.-JK写了这篇论文。 YL监督数据收集。 所有作者都对稿件的开发做出了贡献，对其进行了批判性修改，并批准了最终的手稿。

 

 

致谢

这项工作得到了韩国国家研究基金会（Grant No. 2014M3C7A1062894，2014M3C7A1062896）的资助。

 

 

利益冲突

作者宣称没有利益冲突。

 

 

参考资料

  1. Choi，S.-W。; Kim，D.-J。; Choi，J。-S。; 安，H。; Choi，E.-J。; Song，W.-Y。; Kim，S。; Youn，H。与智能手机成瘾和网络成瘾相关的风险和保护因素的比较。 J. Behav。 冰火。 2015，4，308-314。 [Google Scholar[交叉引用[考研]
  2. 2016对互联网过度依赖的调查; 科学，ICT和未来规划部：韩国首尔，2017。
  3. Lee，Y.-K。; Chang，C.-T。; 林，Y。; Cheng，Z.-H。 智能手机使用的黑暗面：心理特征，强迫行为和技术压力。 COMPUT。 哼。 Behav。 2014，31，373-383。 [Google Scholar[交叉引用]
  4. 李，KE; Kim，S.-H。; 哈，T.-Y。; Yoo，Y.-M。; Han，J.-J。; Jung，J.-H。; Jang，J.-Y。 对韩国智能手机使用的依赖及其与焦虑的关系。 公共卫生代表 2016，131，411-419。 [Google Scholar[交叉引用[考研]
  5. Kim，D。; Chung，Y。; Lee，J。; Kim，M。; 李，Y。; Kang，E。; Keum，C。; Nam，J。成人智能手机成瘾倾向量表的开发：自我报告。 韩国人J. Couns。 2012，13，629-644。 [Google Scholar]
  6. Kwon，M。; Lee，J.-Y。; 赢了，W。-Y。; Park，J.-W。; Min，J.-A。; 哈恩，C。; 顾，X。; Choi，J.-H。; 金，D.-J。 开发和验证智能手机成瘾量表（SAS）。 PLoS ONE 2013，8，e56936。 [Google Scholar[交叉引用[考研]
  7. Kuss，DJ; Griffiths，MD; Karila，L。; Billieux，J。网络成瘾：过去十年流行病学研究的系统评价。 CURR。 医药。 德。 2014，20，4026-4052。 [Google Scholar[交叉引用[考研]
  8. 安德烈亚森，CS; Billieux，J。; Griffiths，MD; Kuss，DJ; Demetrovics，Z。; Mazzoni，E。; Pallesen，S。社交媒体和视频游戏的成瘾使用与精神疾病症状之间的关系：一项大规模的横断面研究。 心理学。 冰火。 Behav。 2016，30，252。 [Google Scholar[交叉引用[考研]
  9. Aljomaa，SS; Qudah，MFA; Albursan，IS; Bakhiet，SF; Abduljabbar，AS根据一些变量在大学生中成瘾。 COMPUT。 哼。 Behav。 2016，61，155-164。 [Google Scholar[交叉引用]
  10. 安德森，EL; 斯蒂恩，E。; Stavropoulos，V。互联网使用和有问题的互联网使用：系统回顾青春期和新生儿的纵向研究趋势。 诠释。 J. Adolesc。 青年 2017，22，430-454。 [Google Scholar[交叉引用]
  11. Haug，S。; 卡斯特罗，RP; Kwon，M。; Filler，A。; Kowatsch，T。; Schaub，MP智能手机使用和瑞士年轻人的智能手机成瘾。 J. Behav。 冰火。 2015，4，299-307。 [Google Scholar[交叉引用[考研]
  12. Ko，C.-H。; Yen，J.-Y。; Yen，C.-F。; Chen，C.-S。; 陈，C.-C。 网络成瘾与精神疾病之间的关联：文献综述。 欧元。 精神病学 2012，27，1-8。 [Google Scholar[交叉引用[考研]
  13. Demirci，K。; Akgönül，M。; Akpinar，A。智能手机使用严重程度与大学生睡眠质量，抑郁和焦虑的关系。 J. Behav。 冰火。 2015，4，85-92。 [Google Scholar[交叉引用[考研]
  14. 品牌，M。; Young，KS; Laier，C。; Wölfling，K。; 明尼苏达州波坦察整合关于特定互联网使用障碍的发展和维持的心理和神经生物学考虑因素：人 - 情感 - 认知 - 执行（I-PACE）模型的相互作用。 神经科学。 Biobehav。 启示录 2016，71，252-266。 [Google Scholar[交叉引用[考研]
  15. Kim，Y.-J。; Kim，D.-J。; Choi，J。网络成瘾的认知失调及其神经生物学相关性。 面前。 Biosci（精英编辑） 2017，9，307-320。 [Google Scholar]
  16. Lachmann，B。; Duke，É。; Sariyska，R。; Montag，C。谁沉迷于智能手机和/或互联网？ 心理学。 流行。 媒体崇拜。 2017。 [Google Scholar[交叉引用]
  17. Lachmann，B。; Sindermann，C。; Sariyska，RY; 罗，R。; Melchers，MC; Becker，B。; 库珀，AJ; Montag，C。移情和生活满意度在互联网和智能手机使用障碍中的作用。 面前。 心理学。 2018，9，398。 [Google Scholar[交叉引用[考研]
  18. Banjanin，N。; Banjanin，N。; 迪米特里耶维奇，我。 Pantic，I。互联网使用与抑郁之间的关系：关注生理情绪振荡，社交网络和在线成瘾行为。 COMPUT。 哼。 Behav。 2015，43，308-312。 [Google Scholar[交叉引用]
  19. Akin，A。; Iskender，M。网络成瘾和抑郁，焦虑和压力。 诠释。 在线J. Educ。 科学。 2011，3，138-148。 [Google Scholar]
  20. Ostovar，S。; Allahyar，N。; Aminpoor，H。; Moafian，F。; 也不是，MBM; Griffiths，MD网络成瘾及其在伊朗青少年和年轻人中的心理社会风险（抑郁，焦虑，压力和孤独）：横断面研究中的结构方程模型。 诠释。 J. Ment。 健康瘾君子。 2016，14，257-267。 [Google Scholar[交叉引用]
  21. 张，LM; Wong，WS失眠和网络成瘾对香港华人青少年抑郁症的影响：探索性横断面分析。 J. Sleep Res。 2011，20，311-317。 [Google Scholar[交叉引用[考研]
  22. Cepeda，MS; 波士顿，R。; Farrar，JT; Strom，BL当事件数量较少且存在多个混淆因素时，逻辑回归与倾向得分的比较。 上午。 J. Epidemiol。 2003，158，280-287。 [Google Scholar[交叉引用[考研]
  23. Austin，PC对1996和2003之间医学文献中倾向得分匹配的重要评价。 统计。 医学。 2008，27，2037-2049。 [Google Scholar[交叉引用[考研]
  24. 奥斯汀，PC; Grootendorst，P。; Anderson，GM比较不同倾向评分模型在治疗和未治疗受试者之间平衡测量变量的能力：蒙特卡罗研究。 统计。 医学。 2007，26，734-753。 [Google Scholar[交叉引用[考研]
  25. Müller，KW; Glaesmer，H。; Brähler，E。; Woelfling，K。; Beutel，ME普通人群中网络成瘾的普遍程度：来自德国人口调查的结果。 Behav。 天道酬勤。 TECHNOL。 2014，33，757-766。 [Google Scholar[交叉引用]
  26. Rho，MJ; Lee，H。; Lee，T。-H。; Cho，H。; Jung，D。; Kim，D.-J。; 网络游戏障碍的Choi，IY风险因素：心理因素和网络游戏特征。 诠释。 J. Environ。 RES。 公共卫生 2018，15，40。 [Google Scholar[交叉引用[考研]
  27. 国家信息服务局。 成人网络成瘾倾向量表的研究; 国家信息服务局：韩国首尔，2005。 [Google Scholar]
  28. Kim，D。对网络成瘾倾向量表的跟进研究; 韩国数字机遇与促进局：韩国首尔，2008; 在线提供： http://www.nia.or.kr/site/nia_kor/ex/bbs/View.do?cbIdx=39485&bcIdx=277&parentSeq=277 （在8 May 2008上访问）。
  29. Kim，D.-I。; Chung，Y.-J。; Lee，E.-A。; Kim，D.-M。; Cho，Y.-M。 网络成瘾倾向量表 - 短期形式（KS量表）的发展。 韩国人J. Couns。 2008，9，1703-1722。 [Google Scholar]
  30. 国家信息服务局。 为青少年和成人开发韩国智能手机成瘾标准量表; 国家信息服务局：韩国首尔，2011; pp.85-86。 [Google Scholar]
  31. Kim，KI。; 金，JW。 韩国症状检查表-90-R的标​​准化研究III。 换货。 健康资源 1984，2，278-311。 [Google Scholar]
  32. Heckman，J。; 史密斯，J。评估社会实验案例。 J. Econ。 Perspect。 1995，9，85-110。 [Google Scholar[交叉引用]
  33. Caliendo，M。; Kopeinig，S。实施倾向得分匹配的一些实用指南。 J. Econ。 监测网。 2008，22，31-72。 [Google Scholar[交叉引用]
  34. Sekhon，JS; Diamond，A。遗传匹配估计因果效应，未发表的手稿。 于7月2005在美国佛罗里达州塔拉哈西举行的政治方法学年会上发表。 [Google Scholar]
  35. Ghassemzadeh，L。; Shahraray，M。; Moradi，A。伊朗高中网络成瘾的流行和网络成瘾者与非成瘾者的比较。 Cyber​​psychol。 Behav。 2008，11，731-733。 [Google Scholar[交叉引用[考研]
  36. Yen，J.-Y。; Ko，C.-H。; Yen，C.-F。; 吴，H.-Y。; 杨，M.-J。 网络成瘾的共病精神症状：注意力缺陷和多动障碍（ADHD），抑郁，社交恐惧症和敌意。 J. Adolesc。 健康 2007，41，93-98。 [Google Scholar[交叉引用[考研]
  37. Tonioni，F。; Mazza，M。; Autullo，G。; Cappelluti，R。; Catalano，V。; Marano，G。; Fiumana，V。; Moschetti，C。; Alimonti，F。; Luciani，M。网络成瘾是一种与病态赌博截然不同的精神病理状态吗？ J. Addict。 Behav。 2014，39，1052-1056。 [Google Scholar[交叉引用[考研]
  38. Kuss，DJ; Griffiths，MD在线社交网络和成瘾 - 心理学文献综述。 诠释。 J. Environ。 RES。 公共卫生 2011，8，3528-3552。 [Google Scholar[交叉引用[考研]
  39. Oulasvirta，A。; Rattenbury，T。; Ma，L。; Raita，E。Habits使智能手机的使用更加普遍。 个人。 无所不在的计算机。 2012，16，105-114。 [Google Scholar[交叉引用]
  40. Duke，É。; Montag，C。智能手机成瘾，每日中断和自我报告的生产力。 冰火。 Behav。 众议员。 2017，6，90-95。 [Google Scholar[交叉引用[考研]
  41. Kuss，DJ; Griffiths，MD社交网站和成瘾：十大经验教训。 诠释。 J. Environ。 RES。 公共卫生 2017，14，311。 [Google Scholar[交叉引用[考研]
  42. 美国奥伯斯特; Wegmann，E。; Stodt，B。; 品牌，M。; Chamarro，A。青少年沉重的社交网络带来的负面影响：害怕失踪的中介作用。 J. Adolesc。 2017，55，51-60。 [Google Scholar[交叉引用[考研]
  43. Joffe，MM; Rosenbaum，PR邀请评论：倾向得分。 上午。 J. Epidemiol。 1999，150，327-333。 [Google Scholar[交叉引用[考研]
  44. Diamond，A。; Sekon，J。用于估计因果效应的遗传匹配：一种在观察研究中实现平衡的新方法。 Rev. Econ。 统计。 2013，95，932-945。 [Google Scholar[交叉引用]