enero-junio 2025

DOI: 10.22235/cp.v19i1.4257

Artículos Originales

Estructura factorial, invarianza, sensibilidad y especificidad de la DASS-13 en población peruana

Factor structure, invariance, sensitivity and specificity of the DASS-13 in the Peruvian population

Estrutura fatorial, invariância, sensibilidade e especificidade da DASS-13 na população peruana

Betty Giovanna Peña-Tomas¹, ORCID 0000-0002-5631-432X

Antonio Serpa Barrientos², ORCID 0000-0002-7997-2464

Aaron Caycho-Caja³, ORCID 0000-0003-1478-8954

Juan Carlos Escudero-Nolasco⁴, ORCID 0000-0003-3271-2937

¹Universidad Nacional Mayor de San Marcos, Perú, [email protected]

²Universidad Nacional Mayor de San Marcos, Perú

³Universidad de San Martín de Porres, Perú

⁴Universidad Nacional Mayor de San Marcos, Perú

Resumen:

La Depression, Anxiety and Stress Scale (DASS-21) es un instrumento muy utilizado en el ámbito de la salud, aunque aún se discute si su estructura factorial corresponde a un modelo unidimensional o trifactorial, lo cual puede ser relevante con relación a la tamización de ansiedad, depresión y estrés como factores únicos o al empleo de una medida general de emociones negativas. En tal sentido, se estudió una muestra de 1010 peruanos provenientes de diversas partes del país, se aplicó un análisis de redes psicológicas de tipo exploratorio y se realizó un análisis factorial confirmatorio y semiconfirmatorio de un modelo bifactorial breve de la DASS-21 que se complementó con las curvas ROC. Dentro de los hallazgos más relevantes se señala la equivalencia de la versión breve DASS-13 con la DASS-21. Asimismo, el modelo bifactorial confirmatorio y semiconfirmatorio apoyan su uso como medida unidimensional, aunque comparte varianza con factores específicos. Además, se brindó evidencia de la invarianza de la DASS-13 según el género de los participantes, de igual manera se halló una especificidad y sensibilidad de 78.45 % y 52.25 %, que sugieren que la DASS-13 es una herramienta más útil para descarte que para detección. Se concluye en apoyo al uso de la DASS-13 como medida esencialmente unidimensional de afecto negativo.

Palabras clave: depresión; ansiedad; estrés; emociones negativas; DASS-21.

Abstract:

The Depression, Anxiety and Stress Scale (DASS-21) is a widely used instrument in the health field, although it is still debated whether its factorial structure corresponds to a one-dimensional or three-factor model, which may be relevant in relation to screening of anxiety, depression and stress as unique factors or to the use of a general measure of negative emotions. In this sense, a sample of 1010 Peruvians from various parts of the country was studied, an exploratory analysis of psychological networks was applied and a confirmatory and semi-confirmatory factor analysis of a brief bifactorial model of the DASS-21 was performed, which was complemented with the ROC curves. Among the most relevant findings is the equivalence of the short version DASS-13 with the DASS-21. Likewise, both the confirmatory and semi-confirmatory bifactorial model support its use as a unidimensional measure, although it shares variance with specific factors. In addition, evidence of the invariance of the DASS-13 was provided according to the gender of the participants, in the same way a specificity and sensitivity of 78.45 % and 52.25 % was found that suggest that the DASS-13 is a more useful tool to discard than for detection. It concludes by supporting the use of the DASS-13 as an essentially one-dimensional measure of negative affect.

Keywords: depression; anxiety; stress; negative emotions; DASS-21.

Resumo:

A Depression, Anxiety and Stress Scale (DASS-21) é um instrumento amplamente utilizado na área da saúde, embora ainda se discuta se sua estrutura fatorial corresponde a um modelo unidimensional ou trifatorial, o que pode ser relevante em relação à triagem de ansiedade, depressão e estresse como fatores únicos ou para o uso de uma medida geral de emoções negativas. Nesse sentido, foi estudada uma amostra de 1010 peruanos provenientes de diversas partes do país, aplicou-se uma análise de redes psicológicas de tipo exploratória, e realizou-se uma análise fatorial confirmatória e semiconfirmatória de um modelo bifatorial breve da DASS-21, complementada com as curvas ROC. Entre os achados mais relevantes, destaca-se a equivalência da versão breve DASS-13 com a DASS-21. Da mesma forma, tanto o modelo bifatorial confirmatório quanto o semiconfirmatório apoiam seu uso como medida unidimensional, embora compartilhe variância com fatores específicos. Além disso, foi apresentada evidência da invariância da DASS-13 de acordo com o gênero dos participantes, e foi encontrada uma especificidade e sensibilidade de 78,45% e 52,25%, o que sugere que a DASS-13 é uma ferramenta mais útil para exclusão do que para detecção. Conclui-se apoiando o uso da DASS-13 como uma medida essencialmente unidimensional de afeto negativo.

Palavras-chave: depressão; ansiedade; estresse; emoções negativas; DASS-21.

Recibido: 09/09/2024

Aceptado: 31/03/2025

La depresión, ansiedad y estrés son los problemas más frecuentes de salud mental en la población (Organización Mundial de la Salud (OMS), 2023). A su vez, en el Perú las problemáticas más prevalentes en la atención en los servicios de salud son: depresión, ansiedad, reacción al estrés agudo, entre otros, lo que indica la importancia de que sean detectados y tratados a tiempo (Ministerio de Salud del Perú, 2023). Según Ipsos (2023), el 34 % de las personas afirma que el estrés ha afectado varias veces su vida en los últimos 12 meses, siendo las mujeres más propensas a padecerlo. En relación con los trastornos depresivos, la prevalencia anual es de 9.2 %; y de los trastornos de ansiedad en general es 2.5 %, siendo más frecuentes en mujeres (Saavedra Castillo et al., 2018).

La ansiedad y depresión se han considerado clásicamente como categorías diagnósticas diferentes. Sin embargo, a lo largo del tiempo se ha producido un complejo debate con respecto a la diferenciación de los síntomas, debido a que ambas presentan una elevada tasa de comorbilidad (Alonso et al., 2004; Wu & Fang, 2014). Asimismo, los instrumentos que miden los síntomas de depresión y ansiedad suelen mostrar correlaciones muy fuertes entre sí (Agudelo et al., 2014; Iani et al., 2014). Estos dos hechos complican la evaluación diferencial de los trastornos de depresión y ansiedad (Cosci & Fava, 2021; Marey et al., 2024; Minea et al., 2022).

Frente a esta situación, Lovibond y Lovibond (1995) diseñaron la Escala de Depresión, Ansiedad y Estrés (DASS), con 42 ítems, en cuyo análisis se obtuvo un tercer factor que se denominó Estrés. La DASS consta de tres factores: la depresión, definida como bajo nivel de afectividad, tristeza, desesperanza y dificultad para el disfrute; la ansiedad, entendida como la tensión y agitación fisiológica; y el estrés, como el estado persistente de sobreactivación que expresa la dificultad para hacer frente a las demandas diarias. Esta escala se basó en el modelo tripartito de ansiedad y depresión propuesto por Clark y Watson (1991), que busca explicar y diferenciar los componentes comunes y específicos de estos dos trastornos psicológicos. Adicionalmente, identifica a la angustia general como un componente común, y la hiperactivación fisiológica (ansiedad) y la anhedonia (depresión) como factores específicos. Se añade que el modelo proporciona una base para un diagnóstico más preciso y tratamientos más efectivos.

Posteriormente, Antony et al. (1998) desarrollaron la versión reducida de 21 ítems de la DASS (DASS-21), en sus análisis se confirmaron la estructura de tres factores de la DASS y de la DASS-21 en grupos clínicos y no clínicos. Esta versión breve se hizo muy conocida y fue utilizada en diversas investigaciones asumiendo la propuesta de la medición de los factores mencionados (Yeung et al., 2020). Aunque la escala cuenta con tres dimensiones teóricas, las investigaciones de las propiedades psicométricas del instrumento han revelado ciertas peculiaridades asociadas a su estructura multifactorial o unifactorial en diferentes países (Yeung et al., 2020).

La DASS-21 ha sido extensamente analizada en diversos contextos, evaluando su estructura factorial y fiabilidad. En Asia, Chen et al. (2023) realizaron un análisis factorial confirmatorio (AFC) en estudiantes chinos, donde identificaron estructuras de tres y cuatro dimensiones con índices de ajuste aceptables (CFI > .90, RMSEA < .05 SRMR < .05). Cao et al. (2023) aplicaron la DASS-21 a docentes chinos y confirmaron modelos de respaldo para dos y tres dimensiones. En Corea del Sur, Lee, Moon et al. (2019) validaron versiones de 12 (DASS-12) y 21 ítems (DASS-21) con ajuste aceptable, aunque añadieron modelos jerárquicos y unidimensionales alternativos. En India, se utilizó la DASS-21 con pacientes con cáncer y mediante un análisis factorial exploratorio (AFE), Kumar et al. (2019) encontraron cuatro factores. Kakemam et al. (2022), en Irán, confirmaron la versión de factores correlacionados de la DASS-21. En África, Ali y Green (2019), en pacientes egipcios, mediante un AFE, encontraron cinco factores, pero el uso del análisis paralelo sugirió una estructura unidimensional (DASS-17) aunque con reespecificaciones. En Arabia, Ali et al. (2021) realizaron un AFE con tres factores; mientras que con el AFC (DASS-8) identificaron modelos con uno, dos o tres dimensiones, pero con problemas de ajuste. Bibi et al. (2020), con un AFC, validaron la estructura de tres factores de la DASS-21 en muestra de Pakistán y Europa; mientras que en España, Malas y Tolsá (2022) dieron respaldo a un modelo bifactorial de la DASS-21.

En América, Ali et al. (2022) analizaron la DASS-21 en estudiantes de Estados Unidos, Australia y Ghana, y encontraron una versión breve (DASS-8) de factores correlacionados, aunque también pusieron a prueba modelos de primer, segundo orden y bifactoriales. Gonzalez et al. (2019), en Brasil, apoyaron un modelo de segundo orden (DASS-21); mientras que, en Puerto Rico, González-Rivera et al. (2020) propuso un AFE con un modelo unidimensional (DASS-10).

En Perú, Valencia (2019) probó modelos de uno, dos y tres factores, y modelos bifactoriales de la DASS-21 en universitarios, encontró un ajuste aceptable para el modelo bifactorial, pero concluyó la presencia de un único factor. Contreras-Mendoza et al. (2021) evaluaron modelos de uno y tres factores y un modelo jerárquico en escolares de la DASS-21, encontraron un ajuste aceptable para el modelo de segundo orden y de factores correlacionados, aunque sugirieron analizar cada escala de manera independiente.

Según el análisis que se sigue, los estudios respecto a la DASS-21 han mostrado resultados diversos, los cuales han tentado modelos breves con una cantidad variable de ítems (DASS-8, DASS-10, DASS-12, DASS-17). Llama la atención encontrar que, en los modelos de AFE, se ha encontrado soluciones de cuatro (Ali et al., 2021; Kumar et al., 2019) o cinco factores (Ali & Green, 2019). De igual manera, en el AFC de la DASS-21, es frecuente la propuesta de considerar escalas unidimensionales (Valencia, 2019), de dos (Cao et al., 2023) o cuatro factores (Chen et al. 2023), además de ítems con saturaciones factoriales en factores distintos al respectivo. Además, las elevadas intercorrelaciones entre las dimensiones han llevado a poner a prueba modelos bifactoriales que al parecer son los que han tenido mayor éxito (Ali et al., 2021; Ali et al., 2022; Valencia, 2019). Asimismo, un metaanálisis de la DASS-21 (Yeung et al., 2020) en el periodo 1993-2018 encontró que los AFE han propuesto principalmente modelos de uno, tres o cuatro factores, con métodos cuestionables como análisis de componentes principales y rotación ortogonal. Desde el AFC, se han propuesto modelos de uno o dos factores, pero los modelos bifactoriales con tres factores han mostrado un mejor ajuste que los de tres factores correlacionados (Lee, Lee et al., 2019; Yeung et al., 2020).

Conforme se ha observado, los modelos bifactoriales se están empleando con más frecuencia para identificar la compleja naturaleza de la DASS-21 (Yeung et al., 2020). Estos permiten identificar la varianza de los factores específicos de depresión (D), ansiedad (A) y estrés (S), y también la varianza del factor general (afecto negativo). Esta técnica también se ha implementado desde el modelamiento exploratorio de ecuaciones estructurales (ESEM), con un enfoque menos restrictivo que el tradicional (Marsh et al., 2014) y sitúa el análisis en una posición semiconfirmatoria intermedia entre el AFC y el AFE, lo cual permite mayor flexibilidad de análisis. Además, este enfoque ya ha sido utilizado en la DASS‑21(Malas & Tolsá, 2022) y puede permitir integrar el enfoque tripartito de Clark y Watson (1991), que asume un componente de afecto negativo común a la depresión y la ansiedad.

Asimismo, los aspectos señalados relacionados a la inestabilidad estructural de la DASS-21 han llevado a considerar nuevas técnicas de análisis. El análisis de redes psicológicas permite identificar los constructos hipotetizados, ya sea como factores específicos o factor general, mediante la diferenciación de las comunidades presentes evaluadas a partir de redes ponderadas no dirigidas identificadas según la asociación entre los ítems (edges) (Fonseca-Pedrero, 2017). El análisis exploratorio de redes se ha comparado incluso con el AFE y se ha hallado que este suele ser más preciso para determinar el número de factores (Christensen, 2020; Golino & Epskamp, 2017; Ouyang et al., 2020), lo cual es muy útil dada la inestabilidad de la DASS-21. No obstante, si bien es una herramienta versátil, solo se ha hallado un único estudio que se aplique al DASS-21 (van den Bergh et al., 2021).

También se encontraron estudios que identifican que la DASS-21 es invariante según el sexo (Malas & Tolsá, 2022; Martins et al., 2019; Vaughan et al., 2020). No obstante, la prevalencia de depresión, ansiedad y estrés suele ser más elevada en mujeres (Fentahun et al., 2023; OMS, 2023), lo cual dirige al presente estudio a analizar la invarianza factorial de la DASS-21.

Otro aspecto importante a considerar es la utilidad práctica que presenta la escala, esto implica su capacidad para identificar personas que presentan indicadores relevantes de depresión, ansiedad y estrés. El análisis de las curvas ROC busca determinar la exactitud de pruebas que utilizan escalas continuas a partir de la determinación del punto de corte en el que se alcanza la sensibilidad y especificidad más alta, así como la evaluación de la capacidad discriminativa del test (Cerda & Cifuentes, 2012).

De acuerdo a lo señalado, la justificación del presente estudio radica en que no se han realizado estudios en población latina que evalúen la DASS-21 desde el análisis de redes psicológicas a pesar de su superioridad sobre otras técnicas (Christensen, 2020; Golino & Epskamp, 2017; Ouyang et al., 2020). Asimismo, el análisis de una versión breve de la DASS-21 permite develar la naturaleza de los síntomas de depresión y ansiedad, dado el solapamiento referido, lo cual en contextos clínicos podría aportar al diagnóstico diferencial de los anteriores mediante instrumentos breves y rápidos de aplicar. Asimismo, el análisis de invarianza puede proveer un instrumento útil para varones y mujeres.

A partir de la revisión realizada, se espera encontrar elevadas correlaciones entre los factores de la DASS-21, además de problemas asociados a la identificación de la estructura uni o multidimensional. En ese contexto, los análisis realizados buscan: a) identificar una versión breve de la DASS-21 mediante el análisis de redes, b) poner a prueba la unidimensionalidad o multidimensionalidad del modelo, c) evaluar los modelos bifactoriales confirmatorios o semiconfirmatorios, d) analizar la invarianza de la versión breve y e) identificar los puntos de corte de sensibilidad y especificidad de la versión breve final.

Método

Participantes

Los 1110 participantes son en su mayoría mujeres (64.4 %) y el restante varones, que proceden de la costa (71.2 %), sierra (18.4 %) y selva (10.5 %) del Perú, que no señalan tener síntomas de depresión (81.2 %), mientras que los demás refieren que sí (9.3 %) o tal vez (9.5 %). La edad promedio de los participantes fue de 30.3 (DE = 10.8, mín. = 15, máx. = 74). También se indica que una proporción importante de ellos son solteros (69.8 %), y en menor medida se encuentran los casados (14.6 %), convivientes (11.1 %), separados (3.3 %) y viudos (1.2 %). Un 50 % de la muestra señala tener estudios universitarios de pregrado, 19.2 % son estudiantes de posgrado, 17.7 % estudios técnicos, 12 % secundaria completa y un 0.4 % primaria.

Instrumentos

El instrumento empleado es la DASS-21 (Lovibond y Lovibond, 1995), que es una versión breve de la DASS, elaborada en formato de escala Likert de cuatro categorías de respuesta. La DASS-21 tiene tres subescalas que miden ansiedad, depresión y estrés, cada una de estas con siete dimensiones respectivas. La DASS fue diseñada originalmente como un instrumento de tres factores, aunque estudios posteriores han encontrado más parsimonia en modelos bifactoriales en los cuales se asume un factor general de emociones negativas y los factores específicos depresión, ansiedad y estrés (Yeung et al., 2020). En el Perú, Valencia (2019) ha hallado un modelo bifactorial y el estudio de Contreras-Mendoza et al. (2021) ha preferido considerar a cada factor como dimensión independiente, de acuerdo a su finalidad original.

Procedimiento

El proyecto fue revisado y aprobado por el Comité de Ética e Investigación del Hospital San Juan de Lurigancho, perteneciente al Ministerio de Salud de Perú, se siguió los lineamientos de la Declaración de Helsinki y el Código de Ética del Colegio de Psicólogos del Perú. Luego, se procedió a recolectar la información a través de formularios virtuales que fueron difundidos por diferentes redes sociales durante el año anterior. Asimismo, se solicitó a los participantes el consentimiento informado para la aplicación del instrumento. Posteriormente, se procedió a realizar los análisis con el software estadístico R Studio (RStudio Team, 2022) y FACTOR (Ferrando & Lorenzo-Seva, 2017).

Análisis de datos

Inicialmente se exploró la dimensionalidad de la DASS-21 utilizando el análisis gráfico exploratorio con bootstrap (bootEGA), un enfoque avanzado y robusto en la psicometría de redes que permite estimar la estabilidad de las comunidades e ítems en datos multivariados (Christensen & Golino, 2021) y que ha mostrado ser más preciso incluso que el AFE (Christensen, 2020; Golino & Epskamp, 2017; Ouyang et al., 2020). Se implementó un procedimiento paramétrico para generar 500 muestras de réplica inicial, aplicando el método de estimación de red GLASSO (Operador Gráfico de Selección y Contracción Mínima Absoluta) para estimar el Modelo Gráfico Gaussiano (GGM), en combinación con el algoritmo de detección de comunidades Walktrap (Christensen & Golino, 2021).

Se calcularon estadísticas descriptivas para las dimensiones de la DASS-21, incluyendo la mediana, desviación estándar, intervalos de confianza y cuartiles, que proporcionaron una visión integral de la estabilidad de estas dimensiones (Christensen & Golino, 2021). La consistencia estructural se utilizó como una medida clave para evaluar la estabilidad de las dimensiones, definida como el grado de interrelación y homogeneidad entre los ítems dentro de la estructura multidimensional del cuestionario. Esta consistencia se manifiesta en la agrupación coherente de comunidades dentro de una red psicológica (Christensen et al., 2020). De esta manera, la consistencia estructural se presenta como una alternativa a los coeficientes de confiabilidad tradicionales (por ejemplo, α, ω) comúnmente utilizados en el análisis factorial (Christensen et al., 2020; Christensen & Golino, 2021). Se consideraron aceptables aquellos ítems con una estabilidad igual o superior a .75, así como aquellos que presentaron cargas de red promedio significativas para un tamaño del efecto pequeño (≥ 0.15) (Christensen & Golino, 2021).

Con los ítems inestables eliminados y con la intención del contraste con los estudios previos, se empleó un AFC. Se planteó un modelo de primer orden de tres factores correlacionados considerando el estimador WLSMV con los ítems elegidos del paso anterior. Luego, considerando el solapamiento entre los factores de la DASS-21, la presencia del factor general de afecto negativo fue puesto a prueba en modelos anteriores y los hallazgos más relevantes de una revisión anterior (Yeung et al., 2020), se planteó un modelo bifactorial con un factor general de afecto negativo y los factores específicos (D, A, S), también con el mismo estimador y considerando los índices de ajuste sugeridos (RMSEA ≤ .07, SRMR ≤ .08, CFI ≥ .92, TLI ≥ .92) (Hair et al., 2014; Hu & Bentler, 1998). El modelo bifactorial incluye un factor general que influye en todos los ítems de la DASS-13, mientras que los factores específicos (ansiedad, estrés y depresión) afectan directamente a sus ítems correspondientes (Figura 4).

Dado que los modelos confirmatorios son más restrictivos, se puso a prueba modelos intermedios entre AFC y AFE y que a la vez capturen su compleja estructura, ya sea como medida unidimensional o multifactorial. En tal sentido, se añadió un análisis bifactorial semiconfirmatorio (Lloret-Segura et al., 2014). En el modelo semiconfirmatorio, cada factor específico tiene un efecto directo sobre la totalidad de los ítems de la DASS-13. Es decir, depresión influye a sus ítems, pero también a los correspondientes a ansiedad y estrés; de igual manera para estrés y ansiedad. El factor general mantiene su efecto sobre la totalidad de ítems. Con tal fin se elaboró una matriz objetivo, elaborada con tres columnas: depresión, ansiedad y estrés. En esta matriz cada ítem se ubica en una fila en orden y carga .90 sobre el factor principal y .15 sobre el factor restante. Este enfoque permite asumir algún grado de asociación en los ítems que no corresponden al factor principal a diferencia de la estructura simple de Thurstone (1947), en la cual las cargas cruzadas deben ser cercanas a cero. A esto se le añadió una rotación procusteana que guía los datos empíricos, según la teoría establecida. El programa FACTOR (Ferrando & Lorenzo-Seva, 2017) permite incorporar esta matriz y la elección de la rotación para el análisis señalado. El análisis del modelo bifactorial también consideró la varianza común explicada (ECV), el porcentaje de correlaciones no contaminadas (PUC), la confiabilidad de constructo o coeficiente H, además del cálculo del coeficiente omega total, especifico y jerárquico, como índices complementarios de los modelos bifactoriales (Domínguez-Lara & Rodríguez, 2017), ya que estos muestran mejores índices de ajuste a comparación de los modelos de primer orden. Se consideraron valores PUC >.70 y ECV >.70 (Rodriguez et al., 2016) para considerar al modelo como esencialmente unidimensional, de igual manera si se halla un Omega jerárquico elevado (ꙍh >.70) (Reise et al., 2013). Posteriormente, se contrastó la invarianza de la DASS-13 a partir de un enfoque de análisis factorial multigrupo (MGCFA) según el sexo de los participantes. Este modelo implica ir restringiendo umbrales (thresholds), interceptos, cargas factoriales y residuos de manera progresiva. Si la diferencia entre los modelos consecutivos no es significativa (ΔRMSEA <.015, ΔSRMR <.01, Δ CFI <.01), se puede concluir que el modelo se mantiene invariante para ambos grupos. Finalmente, se utilizaron las Curvas ROC, método utilizado para determinar la exactitud diagnóstica de los tests, al establecer el punto de corte en el cual se alcanza la sensibilidad y especificidad más altas, así como su capacidad discriminativa (Cerda & Cifuentes, 2012). De esta manera, se definió una regular capacidad discriminativa del test a partir del valor .6 en el área bajo la curva (AUC) (Martínez Pérez & Pérez Martin, 2023). Además, los puntos de corte óptimos se eligieron en función al índice de Youden, cuya función es identificar el punto de corte que determina la sensibilidad y especificidad más alta de manera conjunta (Cerda & Cifuentes, 2012).

Resultados

Sintomatología afectiva

La Figura 1 grafica la composición dinámica del bootEGA de la escala DASS21, en donde la parte izquierda se aprecia una representación de cuatro posibles dimensiones, los nodos de color rojo agrupan a los siguientes ítems: “de3”, “de5”, “es8”, “an9”, “de13”, “es14”, “an15” y “an20”; del mismo modo las otras tres dimensiones también agrupan ítems pero de manera más precisa acorde a los dominios de la teoría, es así que la dimensión del estrés (nodos de color naranja: es1, es6, es11, es12 y es18), ansiedad (nodos de color celeste: an2, an4, an7 y an19) y depresión (nodos de color verde: de10, de16, de21 y de17) son representados por los ítems que han sido redactados y designados a conformar dicho dominio, asimismo estas tres dimensiones se muestran en la figura “a” más periféricos al grupo de ítems constituidos topográficamente más céntricos.

Sin embargo, el análisis visual acompañado del análisis sintáctico de cada uno de los ítems que supuestamente formarían una dimensión distinta a lo que la DASS-21 conglomera sólo tres dimensiones sugirió que se realice un nuevo análisis. Por lo tanto, se procedió a retirar todos los ítems circunscritos de color rojo para el análisis correspondiente, es decir, que presentaron baja centralidad, conexiones débiles o redundantes dentro de sus respectivas comunidades sintomáticas. La red parsimoniosa resultante de su exclusión mostró una organización más clara y coherente, manteniendo la diferenciación entre los dominios de depresión, ansiedad y estrés, sin comprometer la estructura conceptual del instrumento.

Además del criterio estructural, se consideraron aspectos sintácticos y semánticos que refuerzan la decisión de exclusión. Por ejemplo, el ítem “de3” (“No podía sentir ningún sentimiento positivo”) resulta ambiguo y difícil de interpretar, pudiendo solaparse con constructos como anhedonia o alexitimia. El ítem “an9” (“Estaba preocupado por situaciones en las cuales podía tener pánico o en las que podría hacer el ridículo”) es extenso y combina elementos de ansiedad social y pánico, lo que dificulta su especificidad diagnóstica. Asimismo, “es14” (“No toleré nada que no me permitiera continuar con lo que estaba haciendo”) presenta una redacción compleja y rebuscada, poco accesible para la población general. Estas observaciones apoyan empírica y conceptualmente la eliminación de los ítems mencionados al fortalecer la validez estructural y la economía del instrumento.

El resultado (Figura 1, derecha) proporciona una red dinámica más parsimoniosa y próximo al dominio conceptual de la DASS-21, que consta de tres dimensiones (estrés, ansiedad y depresión) con 13 ítems.

Figura 1: Análisis gráfico exploratoria: dimensionalidad por bootEGA del DASS-21

Por otro lado, la descripción de las dimensiones de la DASS-21 en todos los inicios de arranque (con 500 réplicas) precisan que estaría siendo representado también como un modelo unidimensional y no un enfoque multidimensional, es decir, que según los resultados obtenidos en las muestras de réplicas de inicio del Modelo DASS-21, todas las dimensiones presentan una mediana de 1, lo que sugiere que la mayoría de las respuestas se encuentran en el nivel mínimo de intensidad de los síntomas evaluados (Tabla 1). El error estándar de las dimensiones es de 0, lo que indica una baja variabilidad en los puntajes de las dimensiones en las réplicas analizadas. Además, el intervalo de confianza de las dimensiones es de 0, lo que sugiere que no se encontraron diferencias significativas en los puntajes de las dimensiones en las réplicas de inicio analizadas. Los límites inferiores y superiores del intervalo de confianza también son 1, lo que indica que la estimación puntual de las dimensiones es consistente en todas las réplicas. Por último, tanto el cuartil inferior como el cuartil superior tienen un valor de 1, lo que confirma la concentración de los puntajes en el nivel mínimo de intensidad de los síntomas. En suma, los resultados de las muestras de réplicas de inicio del modelo indican que las dimensiones de la DASS-21 presentan puntajes consistentes y concentrados en el nivel mínimo de intensidad de los síntomas evaluados.

Por su parte, también se analizó los inicios de arranque del segundo modelo que agrupa 13 ítems. Los resultados obtenidos de ambas muestras de réplicas de inicio indican que los modelos DASS-21 y DASS-13 presentan valores idénticos en todos los aspectos estadísticos analizados (Tabla 1). Estos resultados sugieren que la convergencia en tres dimensiones no es óptima, por el contrario, el análisis descriptivo de red satura en una sola dimensión y para tener una mejor comprensión de estabilidad unidimensional se calculó la consistencia estructural (Tabla 2 y Figura 2).

Tabla 1: Estadística descriptiva de las dimensiones en todas las muestras de réplicas de inicio

Figura 2: Estabilidad de los ítems del cuestionario

En cuanto al análisis de la estabilidad unidimensional de los ítems para el modelo DASS-21, los valores de carga de red promedio están comprendidos desde el valor más bajo para el ítem “an2” (λ = 0.163) al parámetro con mayor valor el ítem “de13” (λ = 0.258). Por su parte, la DASS-13 comprende parámetros relativamente mayores en comparación a la DASS-21 producto de haber retirado ocho ítems, por ejemplo, el ítem “an2” ha experimentado un incremento de carga, en donde el nuevo valor de λ es igual a .198 y por su parte el ítem “de21” incrementó de .254 a .332 de carga promedio. En suma, el retiro de aquellos ítems que intentaron agruparse para formar una nueva dimensión contribuyó a la consistencia estructural unidimensional de la escala con un total de 13 ítems (Tabla 2).

Tabla 2: Estabilidad unidimensional de los ítems en todas las muestras replicadas de arranque

El análisis del bootEGA describen que la DASS-21, al parecer, no se sustentaría únicamente como un modelo multidimensional compuesto por tres dimensiones (ansiedad, estrés y depresión), sino que también puede justificarse por una dimensión general denominado síntoma afectivo. Cabe precisar que ambos modelos analizados (DASS-21 y DASS-13) confirman la unidimensionalidad, aunque el segundo modelo (DASS-13) presenta parámetros más consistentes y parsimoniosas que el primer modelo (DASS-21). Esto implica que no se encontraron diferencias significativas en las dimensiones evaluadas entre los dos modelos. Sin embargo, es importante tener en cuenta que estos resultados se basan en un conjunto específico de réplicas por lo tanto para afianzar estos resultados se analizaron mediante las técnicas factoriales (AFC y Bifactor).

Análisis factorial

La interpretación de los parámetros de ajuste de los modelos evaluados revela información relevante sobre la calidad del ajuste de cada modelo. En el caso del modelo DASS-21, se observa un X²/gl = 5.427 que indica un ajuste razonablemente poco aceptable. Los índices de ajuste comparativo CFI y TLI superan el umbral de .90, lo que implica que el modelo se ajusta mejor que el modelo nulo. Además, el SRMR tiene un valor bajo de .034, lo que sugiere un buen ajuste en relación con los residuos estandarizados. Sin embargo, el RMSEA = .079 indica un ajuste moderado (IC90 % .074-.084) (Tabla 3).

Por otro lado, el modelo DASS-13 (Figura 3) muestra un X²/gl = 4.843, lo que indica un ajuste aceptable del modelo. Los índices CFI y TLI superan el umbral de .90. Además, el SRMR presenta un valor bajo de .028. Sin embargo, el RMSEA = .076 indica un ajuste moderado (IC90 %.067-.085). Estos resultados en comparación con el DASS-21 fueron relativamente superiores, lo que indica que el modelo oblicuo de tres dimensiones estaría siendo más preciso en cuanto a su validez basada en la estructura interna.

En consecuencia, se procedió a analizar un tercer modelo que permita visibilizar y precisar la consistencia de un factor general. Los resultados del modelo bifactorial (DASS-13) muestran un X²/gl igual a 2.670, lo que indica un ajuste óptimo. Los índices CFI y TLI además de superar el umbral de .90 fueron los más precisos en comparación a los otros dos modelos. El SRMR presenta un valor bajo de .026 y el RMSEA = .059 indica un ajuste moderado (IC90 % .053-.066). En resumen, los tres modelos evaluados presentan un ajuste aceptable en general, pero con diferencias en los valores de los parámetros, en tanto el modelo que mejor representa al constructo en el bifactor del DASS-13.

Tabla 3: Parámetros de ajuste de los modelos evaluados

Figura 3: Representación gráfica del modelo de medición DASS-13

Diagrama

Descripción generada automáticamente

Nota: F1: estrés; F2: ansiedad; F3: depresión.

Para tener una mayor precisión de la lectura del modelo bifactorial, las estimaciones de los índices proporcionan información valiosa sobre la estructura y calidad de las medidas utilizadas en el modelo (síntomas afectivos). De acuerdo con los resultados obtenidos, se puede concluir que el monto de varianza común extraída (ECV) muestra que aproximadamente el 83.2 % de la varianza en las variables observadas es explicada por la varianza común del modelo bifactorial. El porcentaje de correlaciones no contaminadas (PUC) revela que alrededor del 71.8 % de las correlaciones entre las variables observadas no están influenciadas por los factores específicos. Esto sugiere que el modelo bifactorial es capaz de aislar efectivamente la varianza única de cada variable. Así también, la omega jerárquica (ω_h) tiene un valor de .899, lo que indica que una proporción significativa de la varianza total en las variables observadas es explicada por el factor general del modelo bifactorial. Esto sugiere que el factor general es una influencia importante en las medidas utilizadas (Tabla 4). Por otra parte, las estimaciones de la omega jerárquica específica (ω_h.S1, ω_h.S2, ω_h.S3) muestran que los factores específicos contribuyen de manera diferente a la varianza explicada. En particular, el factor específico ω_h.S1 tiene un valor bajo, mientras que ω_h.S2 y ω_h.S3 presentan valores más altos. Los coeficientes de fiabilidad HH indican la confiabilidad de los factores del modelo bifactorial. El coeficiente HH.G muestra una alta confiabilidad en el factor general, con un valor de .940. Sin embargo, los coeficientes HH.S1, HH.S2 y HH.S3 tienen valores más bajos, lo que sugiere una menor confiabilidad en los factores específicos. En resumen, los resultados de las estimaciones de los índices de modelo bifactorial indican que el modelo tiene una buena capacidad para explicar la varianza común y las correlaciones no contaminadas en las variables observadas. Sin embargo, es importante tener en cuenta que la confiabilidad de los factores específicos puede ser más limitada. Estos hallazgos proporcionan información valiosa para la interpretación y aplicación del modelo bifactorial en el contexto de estudio correspondiente (Figura 4).

Asimismo, se añadió un modelo bifactorial semiconfirmatorio (DASS-13) menos restrictivo que el modelo bifactorial confirmatorio. Este modelo se realizó a través de una matriz objetivo que sirve de pauta para el modelo. Los hallazgos encontrados muestran que las cargas factoriales del factor específico de ansiedad de los ítems an19 y an2 son bajas (λ < .30) y solo se mantuvieron los ítems an4 y an7. Respecto a los factores específicos de depresión y estrés, estos se mantuvieron con los ítems es1, es6, es11, es12 y es18, para estrés y los restantes de10, de16, de17 y de21 para depresión, con cargas factoriales entre .34 y .55, con una carga factorial de .68 en el ítem de21. Asimismo, las cargas factoriales del factor general se encuentran entre .55 y .79. De acuerdo con lo anterior, y considerando que PUC >.60 y ω_h >.70 (Reise et al., 2013), se encontraría respaldo para considerar a la DASS-13 como principalmente unidimensional, más aún notando las cargas factoriales bajas en los factores específico y su consistencia interna.

Tabla 4: Estimaciones de los índices de modelo bifactorial exploratorio y confirmatorio

Nota: ECV: monto de varianza común; PUC: porcentaje de correlaciones no contaminadas; ω_h: omega jerárquica total; ω_h.S: omega del factor específico; HH.S: coeficiente H de factor específico; HHG: coeficiente H general; λ.S: carga factorial promedio del factor especifico; λp.G: carga factorial promedio del factor general; S: estrés; D: depresión; A: ansiedad; CFA: bifactor confirmatorio; EFA: bifactor exploratorio.

Figura 4: Representación gráfica del modelo de medición DASS-13 bifactorial confirmatorio (izquierda) y semicomfirmatorio (derecha)

Invarianza de medición según sexo

Este informe presenta los resultados de las pruebas de invarianza de medición según el sexo en un modelo bifactor confirmatorio (DASS-13) (Tabla 5). Se evaluaron diferentes niveles de invarianza, desde la configuración básica hasta la invarianza estricta, para determinar si existen diferencias significativas en los modelos de medición entre hombres y mujeres. En el nivel de invarianza configural, el modelo bifactor mostró un buen ajuste lo que indica que la estructura básica del modelo es similar entre hombres y mujeres. A medida que se avanzó hacia niveles más restrictivos de invarianza (threshold, métrica, escalar y estricta), se observó una mejora general en los índices de ajuste. El RMSEA disminuyó gradualmente, lo que indica una mayor precisión del ajuste del modelo, mientras que el CFI se mantuvo alto, lo que sugiere que los modelos de medición son comparables entre hombres y mujeres en términos de ajuste comparativo. Por su parte el SRMR se mantuvo constante en .033 en todos los niveles de invarianza mostrando un buen ajuste en relación con los residuos estandarizados para ambos grupos. Los hallazgos sugieren que el modelo bifactor de medición es invariante según el sexo en los niveles threshold, métrica, escalar y estricta. Estos resultados son importantes para asegurar que las comparaciones y conclusiones basadas en este modelo sean válidas y equitativas para ambos grupos.

Tabla 5: Invarianza de medición según sexo

Nota: Δ: diferencia entre modelos.

Curvas ROC

Dado que la escala resultó ser invariante con respecto al sexo y ante la presencia de un modelo bifactor, es que se estimó conveniente plantear puntos de corte para el estado afectivo disfórico global y para las dimensiones de estrés, ansiedad y depresión de forma general para toda la muestra. Esto se realizó mediante las curvas ROC, utilizando como estándar de oro el autoinforme dado por los evaluados sobre la presencia de algún diagnóstico de trastorno afectivo, siendo un 8.7 % quienes indicaron presentarlo. Estos resultados se observan en la Figura 5.

Figura 5: Curvas ROC, DASS-13

Gráfico, Gráfico de líneas

Descripción generada automáticamente

En la Tabla 6 se evidencia que el área bajo la curva (AUC) se encuentra alrededor de .70, en todos los casos, lo que muestra en la escala una regular capacidad global de discriminación del estado afectivo disfórico y las tres dimensiones. En cuanto al estado afectivo disfórico, el índice de Youden establece el punto de corte en el puntaje 17, el cual presenta una capacidad para detectar verdaderos positivos de un 52.25 % (sensibilidad), mientras que una capacidad de detectar verdaderos negativos de 78.45 % (especificidad). Resultados cercanos a estos valores se observaron en las dimensiones de estrés, ansiedad y depresión, siendo los puntos de corte de 8, 5 y 7 respectivamente.

Tabla 6: Desempeño del DASS-13

Nota: AUC: área bajo la curva; EAD: estado afectivo disfórico.

Discusión

La DASS-21 es una escala ampliamente utilizada en diversos contextos; sin embargo, aún es necesario el estudio de su estructura compleja. En el presente estudio se han identificado ciertas peculiaridades que guardan relación con los hallazgos previos que señalan a la DASS-21 como medida acorde a modelos bifactoriales (Yeung et al., 2020).

A través del análisis de redes, el bootEGA refleja inicialmente un modelo con una cuarta dimensión que no está delimitada claramente en la DASS-21. Si bien se hallaron modelos de cuatro dimensiones (Chen et al., 2023; Kumar et al., 2019), estos han empleado técnicas desaconsejadas como la regla del codo del diagrama de sedimentación de Kaiser y el análisis de componentes principales. Además, lo que refleja el análisis de redes es un solapamiento de ítems inestables más que una dimensión adicional al modelo planteado. Un modelo de cuatro factores tampoco se sostiene desde el modelo tripartito (Clark & Watson, 1991).

Al eliminar ocho ítems de esta, se pudo reflejar un modelo de tres dimensiones más consistente con la teoría y con otros estudios que emplean un AFE o AFC (Ali et al., 2021; Chen et al., 2023; Lee, Lee et al., 2019; Yeung et al., 2020). No obstante, también se mantuvieron plausibles la hipótesis de unidimensionalidad de la DASS-21 y DASS-13, aunque la estabilidad del modelo mejora con la versión de un factor general (DASS-13). Se señala que los ítems retirados (es8, es14, an9, an15, an20, de3, de5, de13) son similares a los que se omitieron en las dimensiones de ansiedad (an15, an9, an20), depresión (de3, de5, de13) y estrés del estudio peruano de Valencia (2019) a excepción de dos ítems (de13, an20). Además, otros estudios también han señalado las irregularidades en la composición de las dimensiones de la DASS-21 (Ali et al., 2021; Cao et al., 2023; Gonzalez et al. 2019; Yeung et al., 2020).

Se destaca que la propuesta unidimensional tiene sentido de acuerdo a lo planteado teóricamente como afecto negativo por Clark y Watson (1991) y va de acuerdo con la evidencia empírica señalada por diversos estudios (Yeung et al., 2020) que reflejan modelos de elevadas correlaciones interfactoriales (φ>.80), además de la comorbilidad frecuente de los síntomas de ansiedad, estrés y depresión comentados (Alonso et al., 2004; Wu & Fang, 2014). En tal sentido, la propuesta unidimensional y de tres factores correlacionados reflejarían la naturaleza bifactorial de la DASS-21, lo cual se ha hecho evidente en el análisis de redes observado y de igual manera en los modelos bifactoriales revisados (Ali et al., 2021; Ali et al., 2022; Malas & Tolsá, 2022; Valencia, 2019; Yeung et al., 2020).

En relación a los estudios bifactoriales, en el contexto peruano, Valencia (2019), halló que su modelo bifactorial se muestra como más parsimonioso en comparación con el modelo de tres factores asociados, aunque concluye que el instrumento es básicamente unidimensional. En el presente, los índices complementarios del AFC del modelo bifactorial exploratorio o semiconfirmatorio (ECV, PUC, ωH) señalan a este como básicamente unidimensional, de igual manera que la conclusión a la que llega Valencia (2019) (ECV, PUC >.70), pero existe una proporción de varianza que corresponde a los factores específicos de ansiedad, estrés y depresión que no pueden omitirse, a pesar de la inestabilidad de estos ítems, lo cual se ha hecho evidente en la presente y otras investigaciones (Ali et al., 2021; Ali et al., 2022; Malas & Tolsá, 2022; Valencia, 2019; Yeung et al., 2020). Aún se mantiene polémica la decisión de asumir un instrumento unidimensional, lo cual implica considerar depresión, ansiedad y estrés bajo una misma categoría nosológica indiferenciada, a pesar de que los manuales como el DSM-V o CIE hacen referencia a un diagnóstico diferencial entre estos. Este no solo es problema de la DASS-21, sino también el de otras escalas como la Escala de Ansiedad y Depresión Hospitalaria (HADS) (Iani et al., 2014). No obstante, en el contexto de los modelos bifactoriales, lo más prudente sería integrar a estos en la categoría más amplia de afecto negativo.

Respecto a los modelos bifactoriales confirmatorio y semiconfirmatorio considerados en la DASS-13, no se ha encontrado diferencias notables entre sus índices (ECV, PUC, ωH) para indicar la superioridad de un enfoque sobre otro, a pesar de las menores restricciones impuestas en el segundo. Sin embargo, el modelo bifactorial semiconfirmatorio realizado mantuvo con mayor estabilidad la escala de depresión; mientras que las restantes tuvieron problemas, lo cual también se ha hallado en otros estudios bifactoriales (Chen et al., 2023; Chin et al., 2019; Gomez et al., 2020). En tal sentido, la DASS-13 sería una medida algo más favorable para la identificación de depresión, pero no de las restantes dimensiones.

Asimismo, en el modelo de primer orden con tres factores correlacionados, la consistencia interna de la DASS-13 muestra valores elevados en los factores específicos (ꙍ>.85), lo cual favorecería a la precisión de la medida de primer orden. La consistencia también fue elevada en el modelo bifactorial confirmatorio y semiconfirmatorio (ꙍ > .85) incluyendo su escala general. Se remarca que la confiabilidad de constructo de los factores específicos de depresión, ansiedad y estrés son bajos (H < .41), mientras que en el factor general es elevado (H > .80) en el modelo confirmatorio y semiconfirmatorio, lo cual volvería a dar apoyo a la precisión de la medida unidimensional cuando están presentes los factores específicos. Como se ha señalado, la consistencia interna no apoyaría el uso de los factores específicos de la DASS-21, aunque sí del factor general. En el caso de la escala de depresión, el semiconfirmatorio muestra algún grado de mayor precisión que las anteriores, aunque no es satisfactorio (H > .63).

Las implicancias de la investigación son diversas. A nivel clínico, se enfatiza que el uso de la DASS-21 debe estar restringido para la tamización de los síntomas de afecto negativo, mas no de los factores específicos. Además, las decisiones clínicas referentes a los trastornos de ansiedad y depresión deben seguir una evaluación rigurosa que considere el diagnóstico diferencial entre estos y no únicamente las medidas de autoinforme. Asimismo, debe tomarse en cuenta que toda evaluación de depresión debe evaluar la presencia de síntomas ansiosos y viceversa, por lo cual lo más prudente es explorar el afecto negativo presente en la clínica. A nivel teórico, tendría que asumirse que la DASS-21 evidencia modelos de mayor complejidad, por lo cual lo más coherente sería asumir una posición integrativa. Respecto a la metodología empleada, el análisis de redes ha permitido capturar la distinción entre las dimensiones señaladas; además, dada la complejidad de la DASS-21, se recomienda dejar de analizarla como medida de factores correlacionados y continuar su estudio desde modelos híbridos como los estudios bifactoriales.

Otro aspecto importante es que la versión final de la DASS-13 con un modelo bifactorial mantiene la invarianza de umbrales, cargas factoriales, interceptos y residuos, lo cual favorece su uso en varones y mujeres con las características de la muestra empleada. Se destaca que otros estudios que han considerado el género de los participantes han encontrado la invarianza escalar de una versión breve o DASS-13 (Ali et al., 2021) o invarianza residual (Gonzalez et al., 2019; Malas & Tolsá, 2022), aunque no se logró comparar con la versión peruana de Valencia (2019), ya que no llegó a brindar evidencia de esta. Lo anteriormente señalado brinda aporte de la DASS-21 y otras versiones, ya que este se ha mostrado invariante en estudios longitudinales (Ali et al., 2022; Chen et al., 2023) y en poblaciones diferentes (Chen et al., 2023), aunque con algunas excepciones (Bibi et al., 2020).

Un aspecto final a mencionar es que se puede asumir que esta versión del DASS funciona mejor como una prueba de descarte que de detección, pues su mayor efectividad se encuentra en la identificación de verdaderos negativos. Dado que la especificidad (78.45 %) o proporción de verdaderos negativos correctamente identificados por la escala es más alta que la sensibilidad (52.25 %) o proporción de verdaderos positivos correctamente identificados (Bravo-Grau & Cruz, 2015), y esta última se encuentra cercana al 50 %.

Como limitación del estudio se destaca que, si bien se ha utilizado el análisis de redes, su implementación en modelos bifactoriales o jerárquicos aún se encuentra en desarrollo. Estudios posteriores permitirán comparar ambas metodologías para considerar cuál de estas se adapta en mejor medida para identificar la naturaleza de modelos complejos como el estudiado. Otra limitación importante a mencionar es la elección del estándar de oro en el caso de las curvas ROC, pues la determinación de la presencia de un diagnóstico de trastorno afectivo está basada en el autoinforme del evaluado con las dificultades que esto conlleva, principalmente relacionadas con la exactitud y veracidad de dicho reporte. Sin embargo, el uso de algún otro criterio que implique la acreditación documental de algún diagnóstico se vuelve altamente complejo, en especial cuando se trabaja con una cantidad amplia de evaluados, sin mencionar los aspectos éticos a considerar para dicho fin. En ese sentido, queda para futuros estudios la recomendación de evaluar la elección de otro criterio para el estándar de oro en función a consideraciones éticas y de recursos pertinentes.

Finalmente, se logra concluir con las propiedades psicométricas favorables de la DASS-13 observadas en el modelo bifactorial exploratorio y confirmatorio, pero como medida esencialmente unidimensional de afecto negativo. Asimismo, esta es invariante según el sexo de los participantes y puede ser un instrumento más aplicativo para el descarte dada su elevada especificidad.

Referencias

Agudelo, L. Z., Femenía, T., Orhan, F., Porsmyr-Palmertz, M., Goiny, M., Martinez-Redondo, V., Correia, J. C., Izadi, M., Bhat, M., Schuppe-Koistinen, I., Pettersson, A. T., Ferreira, D. M. S., Krook, A., Barres, R., Zierath, J. R., Erhardt, S., Lindskog, M., & Ruas, J. L. (2014). Skeletal muscle PGC-1α1 modulates kynurenine metabolism and mediates resilience to stress-induced depression. Cell, 159(1), 33-45. https://doi.org/10.1016/j.cell.2014.07.051

Ali, A. M., & Green, J. (2019). Factor structure of the Depression Anxiety Stress Scale-21 (DASS-21): Unidimensionality of the Arabic version among Egyptian drug users. Substance Abuse: Treatment, Prevention, and Policy, 14(1). https://doi.org/10.1186/s13011-019-0226-1

Ali, A. M., Alkhamees, A. A., Hori, H., Kim, Y., & Kunugi, H. (2021). The Depression Anxiety Stress Scale 21: Development and validation of the depression anxiety stress scale 8-item in psychiatric patients and the general public for easier mental health measurement in a post COVID-19 world. International Journal of Environmental Research and Public Health, 18(19). https://doi.org/10.3390/ijerph181910142

Ali, A. M., Hori, H., Kim, Y., & Kunugi, H. (2022). The Depression Anxiety Stress Scale 8-Items expresses robust psychometric properties as an ideal shorter version of the Depression Anxiety Stress Scale 21 among healthy respondents from three continents. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.799769

Alonso, J., Angermeyer, M.C., Bernert, S., Bruffaerts, R., Brugha, T.S., Bryson, H., de Girolamo, G., de Graaf, R., Demyttenaere, K., Gasquet, I., Haro, J.M., Katz, S.J., Kessler, R.C., Kovess, V., Lépine, J.P., Ormel, J., Polidori, G., Russo, L.J., Vilagut, G., … Vollebergh, W.A.M. (2004). Prevalence of mental disorders in Europe: Results from the European Study of the Epidemiology of Mental Disorders (ESEMeD) project. Acta Psychiatrica Scandinavica, 109(s420), 21-27. https://doi.org/10.1111/j.1600-0047.2004.00327.x

Antony, M. M., Bieling, P. J., Cox, B. J., Enns, M. W., & Swinson, R. P. (1998). Psychometric properties of the 42-item and 21-item versions of the Depression Anxiety Stress Scales in clinical groups and a community sample. Psychological Assessment, 10(2), 176-181. https://doi.org/10.1037/1040-3590.10.2.176

Bibi, A., Lin, M., Zhang, X. C., & Margraf, J. (2020). Psychometric properties and measurement invariance of Depression, Anxiety and Stress Scales (DASS-21) across cultures. International Journal of Psychology, 55(6), 916-925. https://doi.org/10.1002/ijop.12671

Bravo-Grau, S., & Cruz, J. P. (2015). Estudios de exactitud diagnóstica: Herramientas para su interpretación. Revista Chilena de Radiología, 21(4), 158-164. https://doi.org/10.4067/s0717-93082015000400007

Cao, C. H., Liao, X. L., Jiang, X. Y., Li, X. D., Chen, I. H., &; Lin, C. Y. (2023). Psychometric evaluation of the Depression Anxiety and Stress Scale-21 (DASS-21) among Chinese primary and middle school teachers. BMC Psychology, 11(1). https://doi.org/10.1186/s40359-023-01242-y

Cerda, J., & Cifuentes, L. (2012). Uso de curvas ROC en investigación clínica: Aspectos teórico-prácticos. Revista Chilena de Infectología, 29(2), 138-141. https://doi.org/10.4067/S0716-10182012000200003

Chen, I. H., Chen, C. Y., Liao, X. ling, Chen, X. mei, Zheng, X., Tsai, Y. C., Lin, C. Y., Griffiths, M. D., & Pakpour, A. H. (2023). Psychometric properties of the Depression, Anxiety, and Stress Scale (DASS-21) among different Chinese populations: A cross-sectional and longitudinal analysis. Acta Psychologica, 240. https://doi.org/10.1016/j.actpsy.2023.104042

Chin, E. G., Buchanan, E. M., Ebesutani, C., & Young, J. (2019). Depression, anxiety, and stress: How should clinicians interpret the total and subscale scores of the 21-item Depression, Anxiety and Stress Scales? Psychological Reports, 122(4), 1550-1575. https://doi.org/10.1177/0033294118783508

Christensen, A. P. (2020). Towards a network psychometrics approach to assessment: Simulations for redundancy, dimensionality, and loadings (Tesis doctoral inédita). University of North Carolina at Greensboro. https://doi.org/10.31234/osf.io/84kgd

Christensen, A. P., & Golino. H. (2021). Estimating the stability of psychological dimensions via Bootstrap Exploratory Graph Analysis: A Monte Carlo simulation and tutorial. Psych, 3(3), 479-500. https://doi.org/10.3390/psych3030032

Christensen, A. P., Golino, H., & Silvia, P. J. (2020). A psychometric network perspective on the validity and validation of personality trait questionnaires. European Journal of Personality, 34(6), 1095-1108. https://doi.org/10.1002/per.2265

Clark, L. A., & Watson, D. (1991). Tripartite model of anxiety and depression: Psychometric evidence and taxonomic implications. Journal of Abnormal Psychology, 100(3), 316-336. https://doi.org/10.1037/0021-843X.100.3.316

Contreras-Mendoza, I., Olivas-Ugarte, L. O., & De La Cruz-Valdiviano, C. (2021). Escalas abreviadas de Depresión, Ansiedad y Estrés (DASS-21): validez, fiabilidad y equidad en adolescentes peruanos. Revista de Psicología Clínica con Niños y Adolescentes, 8(1), 24-30. https://doi.org/10.21134/rpcna.2021.08.1.3

Cosci, F., & Fava, G. A. (2021). When anxiety and depression coexist: The role of differential diagnosis using clinimetric criteria. Psychotherapy And Psychosomatics, 90(5), 308-317. https://doi.org/10.1159/000517518

Domínguez-Lara, S., & Rodríguez, A. (2017). Índices estadísticos de modelos bifactor. Interacciones, 3(2), 59-65. https://doi.org/10.24016/2017.v3n2.51

Fentahun, S., Takelle, G. M., Rtbey, G., Andualem, F., Tinsae, T., Nakie, G., Melkam, M., & Tadesse, G. (2024). Prevalence of depression and its associated factors among Ethiopian students: a systematic review and meta-analysis. BMJ Open, 14(6). https://doi.org/10.1136/bmjopen-2023-076580

Ferrando, P. J., & Lorenzo-Seva, U. (2017). Program FACTOR at 10: development and future directions. Psicothema, 29(2), 236-240. https://doi.org/10.7334/psicothema2016.304

Fonseca-Pedrero, E. (2017). Análisis de redes: ¿una nueva forma de comprender la psicopatología? Revista de Psiquiatría y Salud Mental, 10(4), 206-215. https://doi.org/10.1016/j.rpsm.2017.06.004

Golino, H. F., & Epskamp, S. (2017). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. PloS One, 12(6), e0174035. https://doi.org/10.1371/journal.pone.0174035

Gomez, R., Stavropoulos, V., & Griffiths, M. D. (2020). Confirmatory factor analysis and exploratory structural equation modelling of the factor structure of the Depression Anxiety and Stress Scales-21. PLoS ONE, 15(6), e0233998. https://doi.org/10.1371/journal.pone.0233998

Gonzalez, B., da Silva, W. R., Maroco, J., & Campos, J. A. D. B. (2019). Depression, Anxiety, and Stress Scale: Psychometric properties and affectivity prevalence. Jornal Brasileiro de Psiquiatria, 68(1), 32-41. https://doi.org/10.1590/0047-2085000000222

González-Rivera, J. A., Pagán-Torres, O. M., & Pérez-Torres, E. M. (2020). Depression, Anxiety and Stress Scales (DASS-21): Construct validity problem in Hispanics. European Journal of Investigation in Health, Psychology and Education, 10(1), 375-389. https://doi.org/10.3390/ejihpe10010028

Hair, J., Black, W., Babin, B., & Anderson, R. (2014). Multivariate data analysis. Pearson.

Hu, L., & Bentler, P. M. (1998). Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification. Psychological Methods, 3, 424-453. https://doi.org/10.1037/1082-989X.3.4.424

Iani, L., Lauriola, M., & Costantini, M. (2014). A confirmatory bifactor analysis of the hospital anxiety and depression scale in an Italian community sample. Health and Quality of Life Outcomes, 12(1). https://doi.org/10.1186/1477-7525-12-84

Ipsos. (2023). Día Mundial de la Salud Mental 2023: Una encuesta Global Advisor. https://acortar.link/b49kCt

Kakemam, E., Navvabi, E., Albelbeisi, A. H., Saeedikia, F., Rouhi, A., & Majidi, S. (2022). Psychometric properties of the Persian version of Depression Anxiety Stress Scale-21 Items (DASS-21) in a sample of health professionals: a cross-sectional study. BMC Health Services Research, 22(1). https://doi.org/10.1186/s12913-022-07514-4

Kumar, K., Kumar, S., Mehrotra, D., Tiwari, S., Kumar, V., & Dwivedi, R. (2019). Reliability and psychometric validity of Hindi version of Depression, Anxiety and Stress Scale-21 (DASS-21) for Hindi speaking head neck cancer and oral potentially malignant disorders patients. Journal of Cancer Research and Therapeutics, 15(3), 653-658. https://doi.org/10.4103/jcrt.JCRT_281_17

Lee, E. H., Moon, S. H., Cho, M. S., Park, E. S., Kim, S. Y., Han, J. S., & Cheio, J. H. (2019). The 21-item and 12-item versions of the Depression Anxiety Stress Scales: Psychometric evaluation in a Korean population. Asian Nursing Research, 13(1), 30-37. https://doi.org/10.1016/j.anr.2018.11.006

Lee, J., Lee, E. H., & Moon, S. H. (2019). Systematic review of the measurement properties of the Depression Anxiety Stress Scales–21 by applying updated COSMIN methodology. Quality of Life Research, 28(9) 2325-2339. https://doi.org/10.1007/s11136-019-02177-x

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: Una guía práctica, revisada y actualizada. Anales de Psicologia, 30(3), 1151-1169. https://doi.org/10.6018/analesps.30.3.199361

Lovibond, P. F., & Lovibond, S. H. (1995). The structure of negative emotional states: Comparison of the Depression Anxiety Stress Scales (DASS) with the Beck Depression and Anxiety Inventories. Behaviour Research and Therapy, 33(3), 335-343. https://doi.org/10.1016/0005-7967(94)00075-u

Malas, O., & Tolsá, M. D. (2022) Depression, Anxiety and Stress Scales (DASS21): Factor structure, reliability, invariance and validity of the Catalan. Anuario de Psicología, 52(3), 228-240. https://doi.org/10.1344/ANPSIC2022.52/3.37406

Marey, M., Salem, D., Rashidy, N. E., & ELBakry, H. (2024). Enhancing the diagnosis of depression and anxiety through explainable machine learning methods. International Journal of Advanced Computer Science and Applications, 15(4). https://doi.org/10.14569/ijacsa.2024.0150481

Marsh, H. W., Morin, A. J. S., Parker, P. D., & Kaur, G. (2014). Exploratory structural equation modeling: An integration of the best features of exploratory and confirmatory factor analysis. Annual Review of Clinical Psychology, 10, 85-110. https://doi.org/10.1146/annurev-clinpsy-032813-153700

Martínez Pérez, J. A., & Pérez Martin, P. S. (2023). La curva ROC (ROC curve). Semergen, 49(1), 101821. https://doi.org/10.1016/j.semerg.2022.101821

Martins, B. G., Da Silva, W. R., Maroco, J., & Campos, J. A. D. B. (2019). Escala de Depressão, Ansiedade e Estresse: propriedades psicométricas e prevalência das afetividades. Jornal Brasileiro de Psiquiatria, 68(1), 32-41. https://doi.org/10.1590/0047-2085000000222

Minea, G., Mititelu-Ionuș, O., Gyasi-Agyei, Y., Ciobotaru, N., & Rodrigo-Comino, J. (2022). Impacts of grazing by small ruminants on hillslope hydrological processes: A review of European current understanding. Water Resources Research, 58(3), e2021WR030716. https://doi.org/10.1029/2021WR030716

Ministerio de Salud del Perú. (2023, 10 de octubre). La depresión es uno de los trastornos de salud mental más frecuentes en el país. https://www.gob.pe/institucion/minsa/noticias/892900-la-depresion-es-uno-de-los-trastornos-de-salud-mental-mas-frecuentes-en-el-pais

Organización Mundial de la Salud. (2023, 27 de septiembre). Trastornos de ansiedad. https://www.who.int/es/news-room/fact-sheets/detail/anxiety-disorders

Ouyang, X., Cai, Y., & Tu, D. (2020). Psychometric properties of the short forms of the Social Interaction Anxiety Scale and the Social Phobia Scale in a Chinese college sample. Frontiers in Psychology, 11, 2214. https://doi.org/10.3389/fpsyg.2020.02214

Reise, S. P., Scheines, R., Widaman, K. F., & Haviland, M. G. (2013). Multidimensionality and structural coefficient bias in Structural Equation Modeling: A bifactor perspective. Educational and Psychological Measurement, 73(1), 5-26. https://doi.org/10.1177/0013164412449831

Rodriguez, A., Reise, S. P., & Haviland, M. G. (2016). Applying bifactor statistical indices in the evaluation of psychological measures. Journal of Personality Assessment, 98(3), 223-237. https://doi.org/10.1080/00223891.2015.1089249

RStudio Team. (2022). RStudio: Integrated Development for R. RStudio. PBC.

Saavedra Castillo, J. E., Paz Schaeffer, V., Robles Arana, Y., Luna Solís, Y., Zevallos Bustamante, S., Cruz Campos, V., & Huamán Pineda, J. (2018). Estudio epidemiológico de salud mental en hospitales generales y centros de salud de Lima Metropolitana 2015. Anales de Salud Mental, 34(1).

Thurstone, L. L. (1947). Multiple factor analysis. University of Chicago Press.

Valencia, P. (2019). Las Escalas de Depresión, Ansiedad y Estrés (DASS-21): ¿miden algo más que un factor general? Avances en Psicología, 27(2), 177-189. https://doi.org/10.33539/avpsicol.2019.v27n2.1796

van den Bergh, N., Marchetti, I., & Koster, E. H. W. (2021). Bridges over troubled waters: Mapping the interplay between anxiety, depression and stress through network analysis of the DASS‑21. Cognitive Therapy and Research, 45(1), 46-60. https://doi.org/10.1007/s10608-020-10153-w

Vaughan, R., S., Edwards, E., J., & MacIntyre, T., E. (2020). Mental health measurement in a Post Covid-19 world: Psychometric properties and invariance of the DASS-21 in athletes and non-athletes. Frontiers in Psychology, 11. https://doi.org/10.3389/fpsyg.2020.590559

Wu, Z., & Fang, Y. (2014). Comorbidity of depressive and anxiety disorders: challenges in diagnosis and assessment. Shanghai Archives of Psychiatry, 26(4), 227-231. https://doi.org/10.3969/j.issn.1002-0829.2014.04.006

Yeung, A. Y., Yuliawati, L., & Cheung, S. H. (2020). A systematic review and meta-analytic factor analysis of the Depression Anxiety Stress Scales. Clinical Psychology: Science and Practice, 27(4). https://doi.org/10.1037/h0101782

Disponibilidad de datos: El conjunto de datos que apoya los resultados de este estudio se encuentra disponible en Mendeley Data, doi: 10.17632/ybdn42693y.1.

Financiamiento: Este estudio no recibió ninguna financiación externa ni apoyo financiero.

Conflicto de interés: Los autores declaran no tener ningún conflicto de interés.

Cómo citar: Peña-Tomas, B. G., Serpa Barrientos, A., Caycho-Caja, A., & Escudero-Nolasco, J. C. (2025). Estructura factorial, invarianza, sensibilidad y especificidad de la DASS-13 en población peruana. Ciencias Psicológicas, 19(1), e-4257. https://doi.org/10.22235/cp.v19i1.4257

Contribución de los autores (Taxonomía CRediT): 1. Conceptualización; 2. Curación de datos; 3. Análisis formal; 4. Adquisición de fondos; 5. Investigación; 6. Metodología; 7. Administración de proyecto; 8. Recursos; 9. Software; 10. Supervisión; 11. Validación; 12. Visualización; 13. Redacción: borrador original; 14. Redacción: revisión y edición.

B. G. P.-T. ha contribuido en 7, 12, 13, 14; A. S. B. en 5, 6, 7, 8; A. C.-C. en 1, 2, 3, 6; J. C. E.-N. en 9, 10, 11, 12.

Editora científica responsable: Dra. Cecilia Cracco.

Ciencias Psicológicas, 19(1)

January-June 2025

DOI: 10.22235/cp.v19i1.4257

Original Articles

Factor structure, invariance, sensitivity and specificity of the DASS-13 in the Peruvian population

Estructura factorial, invarianza, sensibilidad y especificidad de la DASS-13 en población peruana

Estrutura fatorial, invariância, sensibilidade e especificidade da DASS-13 na população peruana

Betty Giovanna Peña-Tomas¹, ORCID 0000-0002-5631-432X

Antonio Serpa Barrientos², ORCID 0000-0002-7997-2464

Aaron Caycho-Caja³, ORCID 0000-0003-1478-8954

Juan Carlos Escudero-Nolasco⁴, ORCID 0000-0003-3271-2937

¹Universidad Nacional Mayor de San Marcos, Peru, [email protected]

²Universidad Nacional Mayor de San Marcos, Peru

³Universidad de San Martín de Porres, Peru

⁴Universidad Nacional Mayor de San Marcos, Peru

Abstract:

Keywords: depression; anxiety; stress; negative emotions; DASS-21.

Resumen:

Palabras clave: depresión; ansiedad; estrés; emociones negativas; DASS-21.

Resumo:

Palavras-chave: depressão; ansiedade; estresse; emoções negativas; DASS-21.

Received: 09/09/2024

Accepted: 31/03/2025

Depression, anxiety and stress are the most frequent mental health problems in the population (World Health Organization (WHO), 2023); In turn, in Peru, the most prevalent problems in health services are: depression, anxiety, reaction to acute stress, among others, which indicates the importance of being detected and treated in time (Ministry of Health of Peru, 2023). According to Ipsos (2023), 34% of people affirm that stress has affected their lives several times in the last 12 months, with women being more likely to suffer from it. In relation to depressive disorders, the annual prevalence is 9.2%; and of anxiety disorders in general it is 2.5%, being more frequent in women (Saavedra Castillo et al., 2018).

Anxiety and depression have been classically considered as different diagnostic categories. However, over time there has been a complex debate regarding the differentiation of symptoms, since both present a high rate of comorbidity (Alonso et al., 2004; Wu & Fang, 2014). Likewise, the instruments that measure the symptoms of depression and anxiety usually show very strong correlations with each other (Agudelo et al., 2014; Iani et al., 2014). These two facts complicate the differential evaluation of depression and anxiety disorders (Cosci & Fava, 2021; Marey et al., 2024; Minea et al., 2022).

Faced with this situation, Lovibond and Lovibond (1995) designed the Depression, Anxiety and Stress Scale (DASS), with 42 items, in whose analysis a third factor called Stress was obtained. The DASS consists of three factors: depression defined as a low level of affectivity, sadness, hopelessness and difficulty in enjoyment; anxiety understood as physiological tension and agitation; and stress as the persistent state of over-activation that expresses the difficulty in coping with daily demands. This scale was based on the tripartite model of anxiety and depression proposed by Clark and Watson, (1991), which seeks to explain and differentiate the common and specific components of these two psychological disorders. Additionally, it identifies general distress as a common component and physiological hyperarousal (anxiety) and anhedonia (depression) as specific factors. It is added that the model provides a basis for a more precise diagnosis and more effective treatments.

Later, Antony et al. (1998) developed the reduced version of 21 items of the DASS (DASS-21). Their analyzes confirmed the three-factor structure of the DASS and the DASS-21 in clinical and non-clinical groups. This short version became well known and was used in various investigations assuming the proposal of measuring the aforementioned factors (Yeung et al., 2020). Although the scale has three theoretical dimensions, investigations of the instrument's psychometric properties have revealed certain peculiarities associated with its multifactorial or univariate structure in different countries (Yeung et al., 2020).

The DASS-21 has been extensively analyzed in various contexts, evaluating its factorial structure and reliability. In Asia, Chen et al. (2023) performed a confirmatory factor analysis (CFA) in Chinese students, identifying three- and four-dimensional structures with acceptable fit indices (CFI> .90, RMSEA < .05 SRMR < .05). Cao et al. (2023) applied the DASS-21 to Chinese teachers and confirmed support models for two and three dimensions. In South Korea, Lee, Moon et al. (2019) validated versions of 12 (DASS-12) and 21 items (DASS-21) with acceptable fit, although they added alternative hierarchical and one-dimensional models. In India, the DASS-21 was used with cancer patients and by exploratory factor analysis (EFA), Kumar et al. (2019) found four factors. Kakemam et al. (2022), in Iran, confirmed the version of correlated factors of the DASS-21. In Africa, Ali and Green (2019), in Egyptian patients, through an EFA, found five factors, but the use of parallel analysis suggested a one-dimensional structure (DASS-17) although with respecifications. In Arabia, Ali et al. (2021) performed an EFA with three factors; while, with the CFA (DASS-8), they identified models with one, two or three dimensions, but with fit problems. Bibi et al. (2020), with a CFA, validated the three-factor structure of the DASS-21 in a sample from Pakistan and Europe; while in Spain, Malas and Tolsá (2022) supported a two-factor model of the DASS-21.

In America, Ali et al. (2022) analyzed the DASS-21 in students from the United States, Australia and Ghana, finding a short version (DASS-8) of correlated factors, although they also tested first, second order and bifactorial models. Gonzalez et al. (2019), in Brazil, supported a second-order model (DASS-21), while, in Puerto Rico, González-Rivera et al. (2020) proposed an EFA with a one-dimensional model (DASS-10).

In Peru, Valencia (2019) tested models of one, two and three factors, and bifactorial models of the DASS-21 in university students, finding an acceptable fit for the bifactorial model, but concluding the presence of a single factor. Contreras-Mendoza et al. (2021) evaluated one- and three-factor models and a hierarchical model in schoolchildren of the DASS-21, finding an acceptable fit for the second-order model and correlated factors, although they suggested analyzing each scale independently.

According to the following analysis, the studies regarding the DASS-21 have shown diverse results, which have tempted brief models with a variable number of items (DASS-8, DASS-10, DASS-12, DASS-17). It is striking to find that, in the EFA models, solutions of four (Ali et al., 2021; Kumar et al., 2019) or five factors (Ali & Green, 2019) have been found. Similarly, in the CFA of the DASS-21, it is frequent to consider one-dimensional scales (Valencia, 2019), two (Cao et al., 2023) or four factors (Chen et al. 2023), in addition to Items with factor loadings in factors other than the respective one. In addition, the high intercorrelations between the dimensions have led to the testing of bifactorial models that appear to have been the most successful (Ali et al., 2021; Ali et al., 2022; Valencia, 2019). Likewise, a meta-analysis of the DASS-21 (Yeung et al., 2020) in the period 1993-2018 found that EFAs have mainly proposed models of one, three or four factors, with questionable methods such as principal component analysis and orthogonal rotation. Since the CFA, one or two factor models have been proposed, but bifactorial models with three factors have shown a better fit than those with three correlated factors (Lee, Lee et al., 2019; Yeung et al., 2020).

As has been observed, bifactorial models are being used more frequently to identify the complex nature of DASS-21 (Yeung et al., 2020). These allow us to identify the variance of the specific factors of depression (D), anxiety (A) and stress (S) and also the variance of the general factor (negative affect). This technique has also been implemented from the exploratory modeling of structural equations (ESEM), with a less restrictive approach than the traditional one (Marsh et al., 2014) and places the analysis in an intermediate semi-confirmatory position between the CFA and the EFA, which which allows greater flexibility of analysis. In addition, this approach has already been used in DASS-21 (Malas & Tolsá, 2022) and may allow integrating the tripartite approach of Clark and Watson (1991) that assumes a component of negative affect common to depression and anxiety.

Likewise, the aspects mentioned related to the structural instability of the DASS-21 have led to the consideration of new analysis techniques. The analysis of psychological networks allows to identify the hypothesized constructs either as specific factors or a general factor by differentiating the present communities evaluated from weighted undirected networks identified considering the association between the items (edges) (Fonseca-Pedrero, 2017). The exploratory analysis of networks has even been compared with the EFA and it has been found that it is usually more precise to determine the number of factors (Christensen, 2020; Golino & Epskamp, 2017; Ouyang et al., 2020), which is very useful given the instability of the DASS-21. However, although it is a versatile tool, only one study has been found that applies to DASS-21 (Van den Bergh et al., 2021).

Studies have also been found that have identified that DASS-21 is invariant according to sex (Malas & Tolsá, 2022; Martins et al., 2019; Vaughan et al., 2020). However, the prevalence of depression, anxiety and stress is usually higher in women (Fentahun et al., 2023; WHO, 2023), which leads the present study to analyze the factorial invariance of the DASS-21.

Another important aspect to consider is the practical utility of the scale, this implies its ability to identify people who present relevant indicators of depression, anxiety and stress. The analysis of the ROC curves seeks to determine the accuracy of tests that use continuous scales from the determination of the cut-off point at which the highest sensitivity and specificity is reached, as well as the evaluation of the discriminative capacity of the test (Cerda & Cifuentes, 2012).

According to the above, the justification for this study is that there have been no studies in the Latino population that evaluate the DASS-21 from the analysis of psychological networks despite its superiority over other techniques (Christensen, 2020; Golino & Epskamp, 2017; Ouyang et al., 2020). Likewise, the analysis of a brief version of the DASS-21 allows to reveal the nature of the symptoms of depression and anxiety, given the referred overlap, which in clinical contexts could contribute to the differential diagnosis of the previous ones by means of brief and quick instruments to apply. Likewise, the invariance analysis can provide a useful instrument for both men and women.

From the review carried out, it is expected to find high correlations between the factors of the DASS-21, in addition to problems associated with the identification of the one-dimensional or multidimensional structure. In this context, the analyzes carried out seek to: a) identify a brief version of the DASS-21 through network analysis, b) test the unidimensionality or multidimensionality of the model, c) evaluate the confirmatory or semi-confirmatory bifactorial models, d) analyze the invariance of the short version and e) identify the cut-off points of sensitivity and specificity of the final short version.

Method

Participants

The 1110 participants are mostly women (64.4 %) and the remaining men, who come from the coast (71.2 %), sierra (18.4 %) and jungle (10.5 %) of Peru who do not report having symptoms of depression (81.2 %), while the others say yes (9.3 %) or maybe (9.5 %). The average age of the participants was 30.3 (SD = 10.8, min = 15, max = 74). It is also indicated that a significant proportion of them are single (69.8 %), and to a lesser extent are married (14.6 %), cohabiting (11.1 %), separated (3.3 %) and widowed (1.2 %). 50% of the sample indicates that they have undergraduate university studies, 19.2 % are graduate students, 17.7 % are technical studies, 12 % complete secondary and 0.4 % elementary.

Instruments

The instrument used is the DASS-21 (Lovibond and Lovibond, 1995), which is a short version of the DASS, prepared in a Likert response format with four response categories. The DASS-21 has three subscales that measure Anxiety, Depression and Stress, each of these with seven respective dimensions. The DASS was originally designed as a three-factor instrument, although later studies have found more parsimony in bifactorial models in which a general factor of negative emotions and the specific factors Depression, Anxiety and Stress are assumed (Yeung et al., 2020). In Peru, Valencia (2019) has found a bifactorial model and the study by Contreras-Mendoza et al. (2021) has preferred to consider each factor as an independent dimension, according to its original purpose.

Procedure

The project was reviewed and approved by the Ethics and Research Committee of the San Juan de Lurigancho Hospital belonging to the Ministry of Health of Peru, following the guidelines of the Declaration of Helsinki and the Code of Ethics of the College of Psychologists of Peru. Then, the information was collected through virtual forms that were disseminated by different social networks during the previous year. Likewise, the participants were asked to give their informed consent for the application of the instrument. Subsequently, the analyzes were carried out with the statistical software R Studio (RStudio Team, 2022) and FACTOR (Ferrando & Lorenzo-Seva, 2017).

Data analysis

Initially, the dimensionality of the DASS-21 was explored using bootstrap exploratory graph analysis (bootEGA), an advanced and robust approach in network psychometry that allows estimating the stability of communities and items in multivariate data (Christensen & Golino, 2021 ) and that it has been shown to be even more accurate than the EFA (Christensen, 2020; Golino & Epskamp, 2017; Ouyang et al., 2020). A parametric procedure was implemented to generate 500 initial replication samples, applying the GLASSO network estimation method (Graphical Selection Operator and Absolute Minimum Contraction) to estimate the Gaussian Graphical Model (GGM), in combination with the community detection algorithm. Walktrap (Christensen & Golino, 2021).

Descriptive statistics were calculated for the DASS-21 dimensions, including the median, standard deviation, confidence intervals, and quartiles, providing a comprehensive view of the stability of these dimensions (Christensen & Golino, 2021). Structural consistency was used as a key measure to evaluate the stability of the dimensions, defined as the degree of interrelation and homogeneity between the items within the multidimensional structure of the questionnaire. This consistency is manifested in the coherent grouping of communities within a psychological network (Christensen et al., 2020). In this way, structural consistency is presented as an alternative to the traditional reliability coefficients (for example, α, ω) commonly used in factor analysis (Christensen et al., 2020; Christensen & Golino, 2021). Those items with a stability equal to or greater than .75 were considered acceptable, as well as those that presented significant average network loads for a small effect size (≥ 0.15) (Christensen & Golino, 2021).

With the unstable items eliminated and with the intention of contrasting with previous studies, a CFA was used. A first order model of three correlated factors was proposed considering the WLSMV estimator with the items chosen from the previous step. Then, considering the overlap between the factors of the DASS-21, the presence of the general factor of negative affect tested in previous models and the most relevant findings of a previous review (Yeung et al., 2020), a model was proposed bifactorial with a general negative affect factor and the specific factors (D, A, S), also with the same estimator and considering the suggested adjustment indices (RMSEA ≤ .07, SRMR ≤ .08, CFI ≥ .92, TLI ≥ .92) (Hair et al., 2014; Hu & Bentler, 1998). The bifactorial model includes a general factor that influences all the items of the DASS-13, while the specific factors (anxiety, stress and depression) directly affect their corresponding items (Figure 4).

Given that the confirmatory models are more restrictive, intermediate models between CFA and AFE were tested and that at the same time capture their complex structure either as a unidimensional or multifactorial measure. In this sense, a semi-confirmatory bifactorial analysis was added (Lloret-Segura et al., 2014). In the semi-confirmatory model, each specific factor has a direct effect on all the items of the DASS-13. That is, depression influences its items, but also those corresponding to anxiety and stress; in the same way for stress and anxiety. The general factor maintains its effect on all items. For this purpose, an objective matrix was elaborated with three columns corresponding to depression, anxiety and stress. In this matrix, each item is placed in a row in order and loads .90 on the main factor and .15 on the remaining factor. This approach allows us to assume some degree of association in the items that do not correspond to the main factor, unlike the simple structure of Thurstone (1947) in which the cross loads must be close to zero. To this was added a procustean rotation that guides the empirical data, according to the established theory. The FACTOR program (Ferrando & Lorenzo-Seva, 2017) allows incorporating this matrix and the choice of rotation for the indicated analysis. The analysis of the bifactorial model also considered the explained common variance (ECV), the percentage of uncontaminated correlations (PUC), the reliability of the construct or coefficient H, in addition to the calculation of the total, specific and hierarchical omega coefficient, as complementary indices of the bifactorial models (Dominguez-Lara & Rodríguez, 2017) since they show better fit indices compared to first-order models. PUC values> .70 and ECV> .70 (Rodriguez et al., 2016) were considered to consider the model as essentially one-dimensional, in the same way if a high hierarchical Omega is found (ω_h > .70) (Reise et al., 2013). Subsequently, the invariance of the DASS-13 was contrasted from a multigroup factor analysis approach (MGCFA) according to the sex of the participants. This model implies gradually restricting thresholds, intercepts, factor loads and residuals. If the difference between the consecutive models is not significant (ΔRMSEA <.015, ΔSRMR <.01, Δ CFI <.01), it can be concluded that the model remains invariant for both groups. Finally, the ROC curves were used, a method used to determine the diagnostic accuracy of the tests, by establishing the cut-off point at which the highest sensitivity and specificity are reached, as well as their discriminative capacity (Cerda & Cifuentes, 2012). In this way, a regular discriminative capacity of the test was defined starting from the value .6 in the area under the curve (AUC) (Martínez Pérez & Pérez Martin, 2023). In addition, the optimal cut-off points were chosen based on the Youden index, whose function is to identify the cut-off point that jointly determines the highest sensitivity and specificity (Cerda & Cifuentes, 2012).

Results

Affective symptoms

Figure 1 shows the dynamic composition of the bootEGA of the DASS21 scale, where the left part shows a representation of four possible dimensions, the red nodes group the following items: "de3", "de5", "es8", “An9”, “de13”, “es14”, “an15” and “an20”. In the same way, the other three dimensions also group items but more precisely according to the domains of the theory, so the dimensions of stress (orange nodes: es1, es6, es11, es12 and es18), anxiety (nodes light blue: an2, an4, an7 and an19) and depression (green nodes: de10, de16, de21 and de17) are represented by the items that have been drawn up and designated to make up the said domain; these three dimensions are also shown in the figure “a” more peripheral to the group of items constituted topographically more centric.

However, the visual analysis accompanied by the syntactic analysis of each of the items that supposedly would form a dimension other than what the DASS-21 consists of only three dimensions suggested that a new analysis be carried out; therefore, it was withdrawn. All the items are circumscribed in red for the corresponding analysis. That is, they presented low centrality and weak or redundant connections within their respective symptomatic communities. The parsimonious network, resulting from its exclusion, showed a clearer and more coherent organization, maintaining the differentiation between the domains of depression, anxiety and stress without compromising the conceptual structure of the instrument.

In addition to the structural criterion, syntactic and semantic aspects that reinforce the exclusion decision were considered. For example, item "de3" ("I could not feel any positive feelings") is ambiguous and difficult to interpret and may overlap with constructs such as anhedonia or alexithymia. The item “an9” (“I was worried about situations in which I could panic or in which I could make a fool of myself”) is extensive and combines elements of social anxiety and panic, which hinders its diagnostic specificity. Likewise, “es14” (“I did not tolerate anything that would not allow me to continue with what I was doing”) presents complex and elaborate wording that is not very accessible to the general population. These observations empirically and conceptually support the elimination of the items mentioned above, strengthening the structural validity and economy of the instrument.

The results (Figure 1, right) provide a more parsimonious dynamic network close to the conceptual domain of the DASS-21, which consists of three dimensions (stress, anxiety and depression) with 13 items.

Figure 1: Exploratory graphical analysis: dimensionality by bootEGA of the DASS-21

On the other hand, the description of the dimensions of the DASS-21 in all the start-ups (with 500 replications) specifies that it would also be represented as a one-dimensional model and not a multidimensional approach; that is, according to the results obtained in the starting replica samples of the DASS-21 model, all dimensions have a median of 1, which suggests that most of the responses are at the minimum level of intensity of the symptoms evaluated (Table 1). The standard error of the dimensions is 0, which indicates low variability in the scores of the dimensions in the replicates analyzed. Furthermore, the confidence interval of the dimensions is 0, which suggests that no significant differences were found in the scores of the dimensions in the starting replicates analyzed. The lower and upper limits of the confidence interval are also 1, indicating that the point estimate of the dimensions is consistent across all the replicates. Finally, both the lower quartile and the upper quartile have a value of 1, which confirms the concentration of the scores at the minimum level of intensity of the symptoms. In summary, the results of the initial replicate samples of the model indicate that the dimensions of the DASS-21 present consistent and concentrated scores at the minimum level of intensity of the symptoms evaluated.

On the other hand, the start-up samples of the second model that groups groups 13 items was also analyzed. The results obtained from both initial replicate samples indicate that the DASS-21 and DASS-13 models yield identical values in all the statistical aspects analyzed (Table 1). These results suggest that the convergence in three dimensions is not optimal, on the contrary, the descriptive analysis of the network saturates in one dimension and to have a better understanding of one-dimensional stability, the structural consistency was calculated (see Table 2 and Figure 2).

Table 1: Descriptive statistics for the dimensions in across all samples of initial replicates

Figure 2: Stability of the questionnaire ítems

Regarding the analysis of the unidimensional stability of the items in the DASS-21 model, the average network load values ranged from λ = .163 for the item “an2” to λ = .258 for the item "De13". For its part, the DASS-13, comprises relatively higher parameters compared to the DASS-21 of having removed eight more items. For example, the item “an2” shows an increased load, with a revise λ value of .198 and for its part for item “de21” increased from .254 to .332 of average load. In sum, the removal of items that tried to be grouped to form a new dimension contributed to the unidimensional structural consistency of the scale with a total of 13 items (Table 2).

Table 2: One-dimensional stability for the items in all the initial replicate samples

The analysis of the bootEGA revealed that the DASS-21, apparently, would not be supported solely as a multidimensional model composed of three dimensions (anxiety, stress and depression) but that it can also be justified by a general dimension called "affective symptoms". Notably, both models analyzed (DASS-21 and DASS-13) confirm unidimensionality, although the second model (DASS-13) presents more consistent and parsimonious parameters than the first model (DASS-21). This implies that no significant differences were found in the dimensions evaluated between the two models. However, it is important to consider that these results are based on a specific set of replications; therefore, to strengthen these results, they were analyzed via factorial techniques (CFA and bifactor).

Factor analysis

The interpretation of the fit parameters of the evaluated models reveals relevant information about the quality of the fit of each model. In the case of the DASS-21 model, X²/df = 5.427 is observed, which indicates a reasonably unacceptable fit. The comparative fit indices CFI and TLI exceed the threshold of .90, which implies that the model fits better than the null model does. Furthermore, the SRMR has a low value of .034, which suggests a good fit in relation to the standardized residuals. However, the RMSEA = .079 indicates a moderate fit (CI 90% .074-.084) (Table 3).

On the other hand, the DASS-13 model (Figure 3) has X²df = 4.843, indicating an acceptable fit of the model. The CFI and TLI indices exceed the threshold of .90. In addition, the SRMR has a low value of .028. However, the RMSEA = .076 indicates a moderate fit (CI 90% .067-.085). These results, in comparison with those of the DASS-21, were relatively superior, which indicates that the oblique model of three dimensions would be more precise in terms of its validity on the basis of the internal structure.

Consequently, we proceed to analyze a third model that allows us to make visible and specify the consistency of a general factor. The results of the bifactorial model (DASS-13) show X²/df equal to 2,670, indicating an optimal fit. Compared with the other two models, the CFI and TLI indices, in addition to exceeding the threshold of .90, were the most accurate. The SRMR presents a low value of .026, and the RMSEA = .059 indicates a moderate adjustment (CI 90% .053-.066). In summary, the three models evaluated present an acceptable fit in general, but with differences in the values of the parameters, as the model that best represents the construct in the DASS-13 bifactor.

Table 3: Fit parameters of the evaluated models

Figure 3: Graphic representation of the DASS-13 measurement model

Diagrama

Descripción generada automáticamente

Note: F1: stress; F2: anxiety; F3: depression.

In order to have a greater precision in the reading of the bifactorial model, the estimates of the indices provide valuable information on the structure and quality of the measures used in the model (affective symptoms). Based on the results obtained, it can be concluded that the amount of common variance extracted (CVD) shows that approximately 83.2% of the variance in the observed variables is explained by the common variance of the bifactorial model. The percentage of uncontaminated correlations (PUC) reveals that around 71.8% of the correlations between the observed variables are not influenced by the specific factors. This suggests that the bifactorial model is able to effectively isolate the unique variance of each variable. Likewise, the hierarchical omega (ω_h) has a value of .899, which indicates that a significant proportion of the total variance in the observed variables is explained by the general factor of the bifactorial model. This suggests that the general factor is an important influence on the measures used (Table 4). On the other hand, the estimates of the specific hierarchical omega (ω_h .S1, ω_h .S2, ω_h .S3) show that the specific factors contribute differently to the explained variance. In particular, the specific factor ω_h .S1 has a low value, while ω_h .S2 and ω_h .S3 have higher values. The HH reliability coefficients indicate the reliability of the factors of the bifactorial model. The HH.G coefficient shows high reliability in the general factor, with a value of .940. However, the coefficients HH.S1, HH.S2 and HH.S3 have lower values, which suggests a lower reliability in the specific factors. In summary, the results of the estimates of the bifactorial model indices indicate that the model has a good capacity to explain the common variance and the uncontaminated correlations in the observed variables. However, it is important to note that the reliability of the specific factors may be more limited. These findings provide valuable information for the interpretation and application of the bifactorial model in the corresponding study context (Figure 4).

Likewise, a semi-confirmatory bifactorial model (DASS-13) was added less restrictive than the confirmatory bifactorial model. This model was made through an objective matrix that serves as a guideline for the model. The findings show that the factor loadings of the specific Anxiety factor of items an19 and an2 are low (λ <.30) and only items an4 and an7 were maintained. Regarding the specific factors of Depression and Stress, these were maintained with the items es1, es6, es11, es12 and es18, for Stress and the remaining de10, de16, de17 and de21 for Depression, with factorial loads between .34 and .55, with a factorial load of .68 in item 21. Likewise, the factorial loads of the general factor are between .55 and .79. According to the above, and considering that PUC > .60 and ω_h > .70 (Reise et al., 2013), support would be found to consider the DASS-13 as mainly one-dimensional, even more so noting the low factorial loads in the specific factors and their internal consistency.

Table 4: Estimates of the two-factor exploratory and confirmatory model índices

Note: ECV: amount of common variance; PUC: percentage of uncontaminated correlations; ω _h: total hierarchical omega; ω_h.S: omega of the specific factor; HH.S: coefficient H of specific factor; HHG: general H coefficient; λ.S: average factorial load of the specific factor; λp.G: average factorial load of the general factor; S: stress; D: depression; A: anxiety; CFA: confirmatory bifactor; EFA: exploratory bifactor.

Figure 4: Graphic representation of the confirmatory bifactorial (left) and semi-confirmatory (right) DASS-13 measurement model

Diagrama

El contenido generado por IA puede ser incorrecto.

Measurement invariance according to sex

This report presents the results of the measurement invariance tests according to sex in a confirmatory bifactor model (DASS-13) (Table 5). Different levels of invariance were evaluated, from the basic configuration to the strict invariance, to determine if there are significant differences in the measurement models between men and women. At the level of configural invariance, the bifactor model showed a good fit, which indicates that the basic structure of the model is similar between men and women. As we moved towards more restrictive levels of invariance (threshold, metric, scalar and strict), a general improvement in the fit indices was observed. The RMSEA gradually decreased, indicating greater precision of the model fit, while the CFI remained high, suggesting that the measurement models are comparable between men and women in terms of comparative fit. For its part, the SRMR remained constant at .033 at all levels of invariance, showing a good fit in relation to the standardized residuals for both groups. The findings suggest that the bifactor model of measurement is invariant according to gender at the threshold, metric, scalar and strict levels. These results are important to ensure that the comparisons and conclusions based on this model are valid and fair for both groups.

Table 5: Measurement invariance according to sex

Note: Δ: difference between models.

ROC curves

Given that the scale turned out to be invariant with respect to sex and in the presence of a bifactor model, it was considered convenient to propose cutoff points for the global dysphoric affective state and for the dimensions of stress, anxiety and depression in general for all the sample. This was done using the ROC curves, using as a gold standard the self-report given by those evaluated on the presence of a diagnosis of affective disorder, being 8.7% who indicated they presented it. These results are observed in Figure 5.

Figure 5: ROC curves, DASS-13

Gráfico, Gráfico de líneas

El contenido generado por IA puede ser incorrecto.

Table 6 shows that the area under the curve (AUC) is around .70, in all cases, the scale showing a regular global capacity for discrimination of the dysphoric affective state and the three dimensions. Regarding the dysphoric affective state, the Youden index establishes the cut-off point at score 17, which presents a capacity to detect true positives of 52.25 % (sensitivity), while a capacity to detect true negatives of 78.45 % (specificity). Results close to these values were observed in the dimensions of stress, anxiety and depression, with cut-off points of 8, 5 and 7 respectively.

Table 6: Performance of the DASS-13

Note: AUC: area under the curve; EAD: dysphoric affective state.

Discussion

The DASS-21 is a widely used scale in various contexts; however, the study of its complex structure is still necessary. In the present study, certain peculiarities have been identified that are related to the previous findings that indicate the DASS-21 as a measure according to bifactorial models (Yeung et al., 2020).

Through network analysis, the bootEGA initially reflects a model with a fourth dimension that is not clearly delimited in the DASS-21. Although four-dimensional models were found (Chen et al., 2023; Kumar et al., 2019), they have used discouraged techniques such as the elbow rule of the Kaiser sedimentation diagram and the analysis of principal components. In addition, what the network analysis reflects is an overlap of unstable items rather than an additional dimension to the proposed model. A four-factor model is also not supported by the tripartite model (Clark & Watson, 1991).

By eliminating eight items from this, it was possible to reflect a three-dimensional model more consistent with theory and with other studies that use an EFA or CFA (Ali et al., 2021; Chen et al., 2023; Lee, Moon et al., 2019; Yeung et al., 2020). However, the unidimensionality hypothesis of the DASS-21 and DASS-13 was also plausible, although the stability of the model improves with the version of a general factor (DASS-13). It is noted that the items removed (es8, es14, an9, an15, an20, de3, de5, de13) are similar to those that were omitted in the dimensions of anxiety (an15, an9, an20), depression (de3, de5, de13 ) and stress from the Peruvian study of Valencia (2019) except for two items (de13, an20); Furthermore, other studies have also pointed out the irregularities in the composition of the dimensions of the DASS-21 (Ali et al., 2021; Cao et al., 2023; Gonzalez et al. 2019; Yeung et al., 2020).

It is highlighted that the one-dimensional proposal makes sense according to what is theoretically proposed as negative affect by Clark and Watson (1991) and goes according to the empirical evidence indicated by various studies (Yeung et al., 2020) that reflect models of high correlations interfactorial (φ> .80), in addition to the frequent comorbidity of the symptoms of anxiety, stress and depression mentioned (Alonso et al., 2004; Wu & Fang, 2014). In this sense, both the unidimensional proposal and the three correlated factors would reflect the bifactorial nature of the DASS-21, which has become evident in the network analysis observed and in the same way in the bifactorial models reviewed (Ali et al., 2021; Ali et al., 2022; Malas & Tolsá, 2022; Valencia, 2019; Yeung et al., 2020).

In relation to the bifactorial studies, in the Peruvian context, Valencia (2019), found that its bifactorial model is shown as more parsimonious compared to the model of three associated factors, although it concludes that the instrument is basically one-dimensional. At present, the complementary indices of the CFA of the exploratory or semi-confirmatory model (ECV, PUC, ωH) indicate it as basically one-dimensional, in the same way as the conclusion reached by Valencia (2019) (ECV, PUC> .70 ), but there is a proportion of variance that corresponds to the specific factors of anxiety, stress and depression that cannot be omitted, despite the instability of these items, which has become evident in the present and other investigations (Ali et al., 2021; Ali et al., 2022; Malas & Tolsá, 2022; Valencia, 2019; Yeung et al., 2020). The decision to assume a one-dimensional instrument is still controversial, which implies considering depression, anxiety and stress under the same undifferentiated nosological category, despite the fact that manuals such as the DSM-V or CIE refer to a differential diagnosis between them. This is not only a problem with the DASS-21, but also that of other scales such as the Hospital Anxiety and Depression Scale (HADS) (Iani et al., 2014). However, in the context of bifactorial models, the most prudent thing to do would be to integrate them into the broader category of negative affect.

Regarding the confirmatory and semi-confirmatory bifactorial models considered in the DASS-13, no notable differences have been found between their indices (ECV, PUC, ωH) to indicate the superiority of one approach over another, despite the lesser restrictions imposed on the second. However, the semi-confirmatory bifactorial model carried out maintained the depression scale with greater stability; while the rest had problems, which was also found in other bifactorial studies (Chen et al., 2023; Chin et al., 2019; Gomez et al., 2020). In this sense, the DASS-13 would be a somewhat more favorable measure for the identification of depression, but not of the other dimensions.

Likewise, in the first order model with three correlated factors, the internal consistency of the DASS-13 shows high values in the specific factors (ꙍ > .85), which would favor the precision of the first order measurement. Consistency was also high in the confirmatory and semi-confirmatory bifactorial model (ꙍ > .85) including its general scale. It is noted that the construct reliability of the specific factors of depression, anxiety and stress are low (H <.41), while in the general factor it is high (H> .80) both in the confirmatory and semi-confirmatory model, which It would again support the precision of the one-dimensional measurement when the specific factors are present. As has been pointed out, internal consistency would not support the use of the specific factors of the DASS-21, although it does support the general factor. In the case of the depression scale, the semi-confirmatory scale shows some degree of greater precision than the previous ones, although it is not satisfactory (H> .63).

The implications of the research are diverse. At the clinical level, it is emphasized that the use of the DASS-21 should be restricted for the screening of the symptoms of negative affect, but not of the specific factors. In addition, clinical decisions regarding anxiety and depression disorders must follow a rigorous evaluation that considers the differential diagnosis between them and not only self-report measures. Likewise, it should be taken into account that any evaluation of depression must evaluate the presence of anxious symptoms and vice versa, for which the most prudent thing is to explore the negative affect present in the clinic. At a theoretical level, it would have to be assumed that the DASS-21 shows more complex models, for which the most coherent thing would be to assume an integrative position. Regarding the methodology used, the network analysis has made it possible to capture the distinction between the indicated dimensions; Furthermore, given the complexity of the DASS-21, it would be recommended to stop analyzing it as a measure of correlated factors and to continue its study from hybrid models such as bifactorial studies.

Another important aspect is that the final version of the DASS-13 with a bifactorial model maintains the invariance of thresholds, factor loadings, intercepts and residuals, which favors its use in men and women with the characteristics of the sample used. It is highlighted that other studies that have considered the gender of the participants have found the scalar invariance of a short version or DASS-13 (Ali et al., 2021) or residual invariance (Gonzalez et al., 2019; Malas & Tolsá, 2022 ), although it was not possible to compare with the Peruvian version of Valencia (2019) since it did not provide evidence of it. The aforementioned provides input from the DASS-21 and other versions since it has been shown to be invariant in longitudinal studies (Ali et al., 2022; Chen et al., 2023) and in different populations (Chen et al., 2023), although with some exceptions (Bibi et al., 2020).

A final aspect to mention is that, since the specificity (78.45%) or proportion of true negatives correctly identified by the scale is higher than the sensitivity (52.25%) or proportion of true positives correctly identified (Bravo-Grau & Cruz, 2015), and the latter is close to 50%, is that it can be assumed that this version of the DASS works better as a discard test than a detection test, since its greater effectiveness is found in the identification of true negatives.

As a limitation of the study, it is noted that, although network analysis has been used, its implementation in bifactorial or hierarchical models is still under development. Later studies will allow us to compare both methodologies to consider which of these is best adapted to identify the nature of complex models such as the one studied. Another important limitation to mention is the choice of the gold standard in the case of ROC curves, since the determination of the presence of a diagnosis of affective disorder is based on the self-report of the evaluated person with the difficulties that this entails, mainly related to the accuracy and veracity of said report. However, the use of some other criterion that implies the documentary accreditation of a diagnosis becomes highly complex, especially when working with a large number of evaluated, without mentioning the ethical aspects to be considered for this purpose. In this sense, the recommendation to evaluate the choice of another criterion for the gold standard remains for future studies, based on ethical considerations and pertinent resources.

Finally, it is possible to conclude with the favorable psychometric properties of the DASS-13 observed both in the exploratory and confirmatory bifactorial model, but as an essentially one-dimensional measure of negative affect. Likewise, this is invariant according to the sex of the participants and can be a more applicable instrument for discarding given its high specificity.

References

Christensen, A. P. (2020). Towards a network psychometrics approach to assessment: Simulations for redundancy, dimensionality, and loadings (Unpublished doctoral dissertation). University of North Carolina at Greensboro. https://doi.org/10.31234/osf.io/84kgd

Cosci, F., & Fava, G. A. (2021). When anxiety and depression coexist: The role of differential diagnosis using clinimetric criteria. Psychotherapy and Psychosomatics, 90(5), 308-317. https://doi.org/10.1159/000517518

Domínguez-Lara, S., & Rodríguez, A. (2017). Índices estadísticos de modelos bifactor. Interacciones, 3(2), 59-65. https://doi.org/10.24016/2017.v3n2.51

Ferrando, P. J., & Lorenzo-Seva, U. (2017). Program FACTOR at 10: development and future directions. Psicothema, 29(2), 236-240. https://doi.org/10.7334/psicothema2016.304

Hair, J., Black, W., Babin, B., & Anderson, R. (2014). Multivariate data analysis. Pearson.

Ipsos. (2023). Día Mundial de la Salud Mental 2023: Una encuesta Global Advisor. https://acortar.link/b49kCt

Martínez Pérez, J. A., & Pérez Martin, P. S. (2023). La curva ROC (ROC curve). Semergen, 49(1), 101821. https://doi.org/10.1016/j.semerg.2022.101821

RStudio Team. (2022). RStudio: Integrated Development for R. RStudio. PBC.

Thurstone, L. L. (1947). Multiple factor analysis. University of Chicago Press.

World Health Organization. (2023, 27 de septiembre). Trastornos de ansiedad. https://www.who.int/es/news-room/fact-sheets/detail/anxiety-disorders

Data availability: The dataset supporting the results of this study is available at Mendeley Data, doi: 10.17632/ybdn42693y.1.

Funding: This study did not receive any external funding or financial support.

Conflict of interest: The authors declare that they have no conflicts of interest.

How to cite: Peña-Tomas, B. G., Serpa Barrientos, A., Caycho-Caja, A., & Escudero-Nolasco, J. C. (2025). Factor structure, invariance, sensitivity and specificity of the DASS-13 in the Peruvian population. Ciencias Psicológicas, 19(1), e-4257. https://doi.org/10.22235/cp.v19i1.4257

Authors’ contribution (CRediT Taxonomy): 1. Conceptualization; 2. Data curation; 3. Formal Analysis; 4. Funding acquisition; 5. Investigation; 6. Methodology; 7. Project administration; 8. Resources; 9. Software; 10. Supervision; 11. Validation; 12. Visualization; 13. Writing: original draft; 14. Writing: review & editing.

B. G. P.-T. has contributed in 7, 12, 13, 14; A. S. B. in 5, 6, 7, 8; A. C.-C. in 1, 2, 3, 6; J. C. E.-N. in 9, 10, 11, 12.

Scientific editor in-charge: Dr. Cecilia Cracco.

Ciencias Psicológicas, 19(1)

enero-junio 2025

DOI: 10.22235/cp.v19i1.4257

Artículos Originales