响应面分析在护理一致性研究中的应用

1. 一句话告诉你这是什么

响应面分析（RSA）研究两个配对变量的一致性和差异如何影响结局。在护理中典型应用：患者对护理的期望与实际感知的一致程度如何影响满意度——期望与感知越接近，满意度越高。

2. 什么时候用，什么时候别用

适合用

• 两个同维度配对测量（如期望 vs 实际、员工 vs 管理者评分）
• 假设”一致性”（两个值接近）和”方向偏倚”（谁比谁高）影响不同
• 想超越简单差值分数（$X-Y$）的线性假设

不适合用

• 两个变量不是同一维度或无可比性
• 样本量太小（$n < 150$，RSA 需要足够样本估计 5 个回归项）
• 两变量之间几乎没有变异或完全共线

3. 数据准备清单

• 两个配对变量 $X$ 和 $Y$ 在同一量尺上（如均为 1-5 Likert）
• $X$ 和 $Y$ 已中心化（通常以量表中点或均值中心）
• 结局变量为连续（或二分类，但检测力更低）
• 样本量 $\ge 150$
• $X$ 和 $Y$ 之间有一定程度的错配（完全一致的样本缺乏信息量）

4. 方法直觉

RSA 不是用简单差值 $X-Y$ 预测结局，而是同时纳入 $X$、$Y$、$X^2$、$Y^2$、$XY$ 五个项来拟合一个三维曲面。

$Z = b_0 + b_1 X + b_2 Y + b_3 X^2 + b_4 XY + b_5 Y^2 + \varepsilon$

从这个模型可以推算出两条关键线：一致性线（$X = Y$）和 不一致性线（$X = -Y$），分别描述”一致时如何影响结局”和”偏离一致时如何影响结局”。

5. R 代码（复制即可跑）

library(RSA)

# 模拟数据：护理期望 vs 实际感知对满意度的影响
set.seed(2026)
n <- 300
df <- data.frame(
  expect = sample(1:5, n, replace = TRUE),             # 期望评分 1-5
  actual = sample(1:5, n, replace = TRUE),              # 实际感知 1-5
  sat    = NA                                             # 满意度（结局）
)

# 中心化
df$exp_c <- scale(df$expect, scale = FALSE)
df$act_c <- scale(df$actual, scale = FALSE)

# 构造曲面：一致性效应（一致时满意度最高）
df$sat <- with(df, 3.5 + 0.3 * (exp_c + act_c) -
                0.5 * (exp_c - act_c)^2 + rnorm(n, 0, 0.5))

# RSA
fit <- RSA(sat ~ exp_c * act_c, data = df,                # ⬅ 自动计算 5 项
           center = "none")
summary(fit)
plot(fit)                                                   # ⬅ 三维曲面图

# 查看一致性/不一致性线的参数检验
# 关注 a4：负数且显著 → 一致假设成立

6. 结果怎么读

$^{**} p < 0.01, ^{***} p < 0.001$

7. 论文里怎么写

中文： 采用响应面分析检验护理服务期望与实际感知的一致性对满意度的影响。不一致性线的曲率参数显著为负（$a_4 = -0.50, p < 0.001$），支持一致性假设——期望与实际越接近，护理满意度越高。方向偏倚不显著（$a_3 = 0.05, p = 0.48$），说明无论期望高于实际还是反之，偏离程度本身才是关键。

English: Response surface analysis was used to examine the effect of congruence between expected and actual nursing care on patient satisfaction. The curvature along the line of incongruence was significantly negative ($a_4 = -0.50, p < 0.001$), supporting the congruence hypothesis — the closer the match between expectation and experience, the higher the satisfaction. No significant directional effect was found ($a_3 = 0.05, p = 0.48$), indicating that the degree of discrepancy, rather than its direction, was the key driver.

8. 三个最常见的坑

1. 跳过曲面检验直接解读系数。 RSA 的单个回归系数（$b_1$ 到 $b_5$）很难直接解释，必须通过一致性/不一致性线的 $a_1$ 到 $a_4$ 参数来解读。
2. 量尺中心点选错。 $X$ 和 $Y$ 的中心化基准决定了”一致”的含义——应基于量表的中点和理论意义，而非样本均值。
3. 数据缺乏不一致性变异。 如果大多数样本的期望和实际评分都非常接近，数据就无法支持曲率的可靠估计——检查 $X-Y$ 差值的标准差，$\ge 0.8$ 才适合 RSA。