一种因果机器学习方法用于解析抑郁症中压力-满足感通路

目的：先前研究已确立感知压力和人生满意度为抑郁症的重要相关因素，但它们的因果相互作用仍未被充分识别。本研究旨在解析满足感是作为独立的保护因素运作，还是通过缓冲压力来发挥作用，并识别学生和劳动者群体中特定的风险特征。方法：我们对一个包含印度、中国和马来西亚的协调数据集（总N=28,243）应用因果机器学习框架。我们将随机森林和逻辑回归与因果中介分析和因果森林相结合。为解决关于方向性的理论模糊性，我们使用数值模拟基准验证了压力与满足感之间的因果通路。结果：压力在所有队列中均为主导预测因子。模拟验证分析确认了一条从人生满意度→压力→抑郁症的因果通路，拒绝了反向假设。满足感通过降低压力部分缓解抑郁症（中介比例约为15.1%），而非完全作为直接机制发挥作用。观察到了显著的发展逆转：年轻年龄预测学生的脆弱性，而年长年龄预测劳动者的风险。因果森林进一步揭示，高焦虑学生的压力致抑郁效应显著增强。结论：压力是抑郁症风险的近端瓶颈，而人生满意度充当前因缓冲因素。这些发现通过强调年龄相关的情境依赖性挑战了统一风险模型，并表明针对压力减轻和高焦虑亚群的精准干预是打破抑郁症因果循环的最有效途径。