Status og prediktorer for psykiske helsesymptomer blant migranter og flyktninger under covid-19-pandemien

Forskningsspørsmål Hva er nivået av psykiske helsesymptomer (dvs. depresjon, generell angst og helseangst) blant innvandrere og flyktninger i Norge under COVID-19-pandemien? Resultatene skal sammenlignes med nivåene av psykiske symptomer i nasjonale og internasjonale undersøkelser.

Hypotese:

H1: Det vil være en betydelig reduksjon i nivåene av helseangst, depresjon og generelle angstsymptomer i måleperioden tre måneder inn i pandemien (T2) sammenlignet med grunnlinjeperioden (T1) med de strengeste avbøtende protokollene på plass under de første ukene av pandemien.

H2: Høyere nivå ved T1 og mindre reduksjon fra T1 til T2 i positive metakognisjoner, negative metakognisjoner, lite hjelpsomme mestringsstrategier, ensomhet vil være assosiert med mindre reduksjon i angst, depresjon og helseangst fra T1 til T2 over, og utover alder, kjønn, og utdanning. Høyere nivå ved T1 og mindre reduksjon fra T1 til T2 i emosjonell støtte vil være assosiert med mer reduksjon i angst, depresjon og helseangst fra T1 til T2.

Statistisk analyse:

Gjentatte undersøkelser som den nåværende har vanligvis mye frafall og manglende data. Derfor vil vi bruke blandede modeller i stedet for parede t-tester, gjentatte mål ANOVAer og vanlig lineær regresjon for å analysere dataene. Blandede modeller bruker maksimal sannsynlighetsestimering, som er den nyeste tilnærmingen for å håndtere manglende data (Schafer & Graham, 2002). Spesielt hvis data mangler tilfeldig, noe som er sannsynlig i vår undersøkelse, gir blandede modeller mer objektive resultater enn de andre analysemetodene (O'Connel et al., 2017).

I foreløpige analyser, og for hver av de avhengige variablene (GAD-7, PHQ-9) HAI, kombinasjonen av tilfeldige effekter og kovariansstruktur av residualer som gir best tilpasning for den "tomme" modellen (modellen uten faste prediktorer unntatt avskjæringen) vil bli valgt. Akaikes informasjonskriterium (AIC) vil brukes til å sammenligne passformen til forskjellige modeller. Modeller som gir en reduksjon i AIC større enn 2 vil bli vurdert som bedre (Burnham & Anderson, 2004). Programmet SPSS 25.0 vil bli brukt (IBM Corp, 2018).

Først vil H1 om reduksjon i GAD-7, PHQ-9 og HAI testes ved å bruke angst eller depresjon som avhengig variabel i en modell som bruker tid (T1 periode = 0, T2 periode = 1) som prediktor. For det andre vil demografiske gruppevariabler bli lagt til som prediktorer. For det tredje vil de innledende (T1) nivåene av positive metakognisjoner, negative metakognisjoner og uhjelpsomme mestringsstrategier målt med CAS-1, målt ensomhet og emosjonell støtte bli lagt til, sammen med interaksjonene til disse konstante kovariatene over tid. Disse interaksjonene representerer tester av H2 om kovariatene som forutsier endring i angst, depresjon og helseangst. Til slutt vil T2-nivåene av positive metakognisjoner, negative metakognisjoner og uhjelpsomme mestringsstrategier målt med CAS-1, ensomhet og emosjonell støtte som konstante kovariater bli lagt til, sammen med interaksjonene til disse konstante kovariatene over tid. Disse interaksjonene representerer tester av H2 om endringen i kovariatene fra T1 til T2 som forutsier endring i angst, depresjon og helseangst fra T1 til T2s.

Inferenskriterier Vi forhåndsdefinerer signifikansnivået: p < 0,05 for å bestemme signifikans.

Eksempelstørrelse:

Utvalgsstørrelsen på T1 inkluderte 574 deltakere. For denne studien ved T2 vil alle deltakere bli invitert til å delta i henhold til studieplanen. Datainnsamlingsperioden vil fortsette i opptil tre uker til så mange av deltakerne ved baseline har svart.

Målinger:

Positive metakognisjoner, negative metakognisjoner og lite hjelpsomme mestringsstrategier vil bli målt med CAS 1 (Wells, 2009): Emosjonell støtte vil bli målt med to elementer og ensomhet måles med The UCLA Loneliness Scale-8 (ULS-8; Hays & DiMatteo) , 1987) som måler frekvensen og intensiteten av aspekter ved den ensomme opplevelsen.

Mulige transformasjoner:

Alle variabler vil bli vurdert i sitt opprinnelige og validerte format som anbefalt praksis, så lenge dette er mulig med hensyn til statistiske forutsetninger som ligger til grunn for de forhåndsdefinerte analysene. Men hvis dette ikke er mulig med hensyn til de statistiske forutsetningene bak analysene, kan transformasjon (f.eks. kvadratrot eller log-transformasjoner) være nødvendig for å anvende intervallbaserte metoder, alternativt bruk av ikke-parametriske tester.

Manglende data:

Maksimal sannsynlighet

Utforskende:

Spørsmål behandlet i det fremtidige papiret som ikke er forhåndsspesifisert vil bli definert som utforskende.