第二节　研究方法

一　被试

采用整群抽样的方法，利用学生的副修课在课堂上进行集体施测。以上海师范大学、东华大学、上海立信会计学院、安徽师范大学、安徽阜阳师范学院等五所大学的本科生为研究对象，共发放问卷620份，回收问卷614份，剔除无效问卷22份，得到有效样本592份，样本有效率为95.48％。其中，男生217人，女生375人。研究还以上海市被试为经济发达地区样本，共计283人；以安徽省被试为经济欠发达地区样本，共计309人。被试平均年龄20.3±1.2岁。

二　研究工具

上一章编制的大学生网络利他行为量表（Internet Altruistic Behavior Scale of Undergraduates，IABSU），共30个项目，包括网络支持（11个项目）、网络指导（7个项目）、网络分享（7个项目）和网络提醒（5个项目）四个维度。量表采用4点记分，要求被试对所陈述的网络行为在自己身上发生的频数进行判断：①表示“从不”，②表示“偶尔”，③表示“有时”，④表示“通常”。被试在量表上的得分越高，表明其网络利他行为的程度越高。

三　DIF检测方法

采用Oort （1998）提出的MACS模型的迭代程序，运用Lisrel 8.80对数据进行DIF检测，具体程序如下：

第一，建立完全限制模型（fully constrained model），即各组所有相应的项目截距和因素负荷均限定为等同，然后考察模型与观测数据是否拟合。判断项目是否有DIF，主要看与每一项目参数相关联的修正指数（MI）。MI表示让受限制的参数自由估计时，整个模型的卡方减少的数值。取消一个参数的限制，让其自由估计，相应地就会减少一个自由度，因此就能够对某一MI值和某α水平的临界值进行比较，以确定其是否具有统计显著性。

第二，侦察一致性DIF和非一致性DIF。侦察一致性DIF主要检验与项目截距相关联的MI值。与项目截距相关联的最大的MI值若有统计显著性，则表明对应的项目具有跨组的一致性DIF。然后，取消该项目的截距等同限制，让其自由估计，再进行拟合检验，继续侦察剩余项目中与项目截距相关联的最大MI值，看其是否达到统计显著性。这样的迭代程序一直进行下去，直到最大的MI不再具有统计显著性为止。侦察非一致性DIF主要检验与因素负荷相关联的MI值，其方法与检验一致性DIF相同。需要注意的是，由于迭代程序需要多次检验量表各项目的MI值的统计显著性，因此迭代程序中每一步选择的α值不是传统的显著性水平0.05，而是需要用Bonferonni校正。例如，某一步中有12个MI值，那么决定12个MI值中最大值的显著性水平是0.05/12，而不是0.05。

第三，对存在DIF的项目进行验证。为了验证由显著性MI值标记的那些项目是否具有DIF，设定两个嵌套模型进行比较。一个是不完全限制模型，即让有DIF的项目参数（截距和/或因素负荷）自由估计而剩余项目参数限制为等同；另一个是完全限制模型，即在各组上所有项目参数都设为等同。若这两模型的模型拟合存在显著性差异，则证实这些项目具有DIF。

若与截距和因素负荷相关联的最大MI值不具有统计显著性，则表明可能不存在DIF。但还需通过两个嵌套模型比较来证实不存在DIF，即通过比较“完全限制模型”（所有项目参数在各组都限定为等同）和“完全不限制模型”（除了模型识别和潜变量单位设定的原因而加以限制外，其他所有项目参数在各组自由估计）的x2差值，模型拟合没有显著差异，则证实不存在DIF。