Abstract: Background　Older adults are at high risk of depressive symptoms，which can cause a heavy disease burden. The prevalence of depressive symptoms in this population has been reported in many studies，but its temporal trend has been rarely studied by large-sample studies. Objective　To investigate the temporal trend of prevalence of depressive symptoms and associated factors among Chinese older adults. Methods　From September to October 2020，from participants（≥ 60 years old） of 2011（n=6 609），2013（n=7 158），2015（n=8 231） CHARLS with complete data，including prevalence of depressive symptoms，demographics （gender，age，education level，self-rated health），individual behaviors （smoking，alcohol consumption，sleep duration），social support （marital status），socioeconomic characteristics （hukou type，employment status），and other factors （ medical insurance，pension insurance）. Panel data matching was performed based on the above-mentioned cross-sectional data，and 11 055 cases with fully recorded follow-up data were obtained for three period，constituting a balanced short panel data set with n=3 685 and T=3. The prevalence and temporal trend of depressive symptoms were calculated by the cross-sectional data and follow-up data. A random-effects Logit model with a panel dichotomous choice model was used to explore the factors influencing depressive symptoms prevalence. Results　In 2011，2013，and 2015，the prevalence of depressive symptoms in older adults calculated based on cross-sectional data was 41.6% （2 747/6 609），32.6% （2 333/7 158），and 35.5% （2 919/8 231），respectively，showing no statistically significant trend of change （APC=-3.890，P=0.557）. The prevalence of depressive symptoms in older adults calculated based on the panel data was 38.4%
（1 414/3 685），30.2%（1 114/3 685），and 35.3% （1 301/3 685），respectively，demonstrating no statistically significant trend of change （APC=-2.080，P=0.776）. The results of the random effects Logit model showed that male 〔OR=0.463，95%CI（0.377，0.569）〕，having a spouse 〔OR=0.659，95%CI（0.549，0.792）〕，higher level of education 〔OR=0.756，95%CI（0.661，0.867）〕，having pension insurance 〔OR=0.862，95%CI（0.767，0.969）〕 were associated with decreased prevalence of depressive symptoms，while poor self-rated health 〔OR=2.564，95%CI（2.276，2.890）〕，smoking 〔OR=1.249，95%CI（1.032，1.513）〕，abnormal sleep duration 〔OR=2.069，95%CI（1.838，2.332）〕，and rural hukou 〔OR=2.047，95%CI（1.658，2.529）〕 were associated with increased prevalence of depressive symptoms. Conclusion　The prevalence of depressive symptoms in Chinese older adults was high in general. To reduce the prevalence to ensure healthy aging，more efforts should be made to deliver interventions for the prevention and control of depressive symptoms to women，individuals with poor self-rated health，smoking，abnormal sleep duration，no spouse，low education level，rural hukou，or no pension insurance.

Key words: Depression；Aged；Level &, trend；Root cause analysis；Panel data

摘要： 背景　老年人出现抑郁症状的风险较高，而且会造成沉重的疾病负担。虽然许多研究描述了老年人抑郁症状的流行情况，但目前尚缺乏利用大样本分析老年人抑郁症状变化趋势的研究。目的　了解我国老年人抑郁症状的变动情况及其影响因素。方法　2020年9—10月，利用中国健康与养老追踪调查数据，选取年龄在60岁及以上且关键变量值〔抑郁情况、个体特征（性别、年龄、受教育程度、自评健康）、个体行为（吸烟、饮酒、睡眠时长）、社会支持（婚姻状况）、社会经济（户口类型、工作状态）、其他社会结构（医疗保险、养老保险）〕完整的调查对象，筛选出其2011、2013、2015年的截面数据，其中2011年6 609份，2013年7 158份，2015年8 231份；根据截面数据进行面板数据匹配，得到2011、2013、2015年3期记录完整的追踪数据11 055份，构成n=3 685，T=3的平衡短面板数据集。根据截面数据及追踪数据测算老年人抑郁症状检出率及变动情况，采用面板二值选择模型的随机效应Logit模型探究老年人抑郁症状的影响因素。结果　2011年、2013年和2015年，截面数据中老年人抑郁症状检出率分别为41.6%（2 747/6 609）、32.6%（2 333/7 158）、35.5%（2 919/8 231），检出率的变化趋势不具有统计学意义（APC=-3.890，P=0.557）；面板数据中老年人抑郁症状检出率分别为38.4%（1 414/3 685）、30.2%（1 114/3 685）、35.3%（1 301
/3 685），检出率的变化趋势不具有统计学意义（APC=-2.080，P=0.776）。随机效应Logit模型结果显示，男性〔OR=0.463，95%CI（0.377，0.569）〕、有配偶〔 OR=0.659，95%CI（0.549，0.792）〕、受教育程度高〔 OR=0.756，95%CI（0.661，0.867）〕、有养老保险〔 OR=0.862，95%CI（0.767，0.969）〕是老年人抑郁症状的保护因素，自评健康差〔OR= 2.564，95%CI（2.276，2.890）〕、吸烟〔 OR=1.249，95%CI（1.032，1.513）〕、睡眠时长不正常〔OR=2.069，95%CI（1.838，2.332）〕、农业户口〔OR=2.047，95%CI（1.658，2.529）〕是老年人抑郁症状的危险因素。结论　我国老年人抑郁症状检出率处于较高水平，应加大对女性、自评健康差、有吸烟行为、睡眠时长不正常、无配偶、受教育程度低、农村户口、无养老保险等人群的心理健康预防和控制措施，以保障健康老龄化。

关键词: 抑郁, 老年人, 水平和趋势, 影响因素分析, 面板数据