中人网

标题: 请教罗老师关于因素权重的问题 [打印本页]
作者: minan1314    时间: 2013-3-20 19:05
标题: 请教罗老师关于因素权重的问题
罗老师，您好，麻烦想请教您：" I' z0 ]% C0 F1 r! a5 w: _
          最近在看文献的过程中，经常接触到综合评价法。以评价企业的技术创新能力为例，企业的技术创新可以分为如下三个因素——创新投入能力（研发费用率，研发费用增长率，研发人员拥有率）、研发能力（技术预测能力，自主研发能力，先进技术利用率）、创新管理能力（知识产权拥有率，技术领先水平，创新机制有效性）。在综合评价中，确定三个维度对企业技术创新的隶属度（关联程度）时，通常通过专家评分和层次分析法来确定各因素的权重，我想问的是，这个权重和我们因素分析中这些维度对构念（企业创新能力）的解释量 有区别吗？解释量不就是代表这个维度对构念可以解释的程度，为什么还要那么复杂的用专家评分或者层次分析来确定因素对构念的隶属度呢？1 G1 W; Z1 R% {0 L8 h8 I6 F7 G
       谢谢罗老师！                                             * b8 N+ l- g8 s2 c: @# U# H- g
作者: Kenneth    时间: 2013-3-21 13:09
minan1314，从方法的角度来说，主观地加权是有一定的危险的。因为，你加上不同的权数，得到的结果会完全不同。如果要加权的是自变量的话，你的想法是完全正确的。回归系数其实就是 empirically 找来的权数，所以根本没有这个必要（除非你有绝对的理论根基）。. f& |8 F! ]7 }; Z0 z6 g1 R4 K
如果要加权的是因变量的话，那就危险了。因为自变量影响y1,y2,y3的能力，会因y=w1y1+w2y2+w3y3 的w改变而改变。如果y1,y2,y3是维度，而y是构念的话，我还是建议用 empirical 的方法，把w猜出来。我们有一篇 JOB 的文章就是这样做的。不然的话，可以考虑用 multivariate regression。
作者: minan1314    时间: 2013-3-21 20:00
罗老师，您好，不好意思，我似乎没把问题表述清楚。回归系数和multivariate regression是针对因变量和自变量的关系，但是这里只是研究单一变量，即技术创新能力。只是通过技术创新能力的问卷，想更准确的了解某企业技术创新能力的强弱，或者说对不同企业的技术创新能力进行比较。因此，一方面我需要了解企业技术创新能力四个维度（资金投入、研发能力、生产能力、业务流程）方面的得分，另一方面，我要了解这四个维度的权重，因为可能这四个维度在技术创新中占的重要性是不同的。这四个维度的权重和应该要等于1.而因素对构念的解释量是不是应该不一定等于1.   我把类似的论文放一篇在附件中，就是指标权重的确定部分，感觉不理解，SPSS中也有类似功能吗？   罗老师有没有相关文章，可提供学习。
作者: Kenneth    时间: 2013-3-21 23:23
如果我没有理解错的话，你这个是一个多维构念，而且是一个 aggregate model。我们在 JOB 发表过一篇文章，介绍如何估计权数的。' s1 P! L/ Q; f0 {5 R  p' E: u, A
1 I/ f$ g) B- S% N" s( I
Law, K.S. & Wong, C. (1999).  Multidimensional constructs in structural equation analysis: " U) m) o3 k2 U% {! X8 a
An illustration using the job perception and job satisfaction constructs.  Journal of Management. 25(2), 143-160.( v" o2 M& I) ~" `
作者: minan1314    时间: 2013-3-22 19:48
Kenneth 发表于 2013-3-21 23:23 ' p# o3 \- `* ~% y# n. m3 @; q; C
如果我没有理解错的话，你这个是一个多维构念，而且是一个 aggregate model。我们在 JOB 发表过一篇文章， ...

7 z+ ?8 [. i; A' _+ q& Z4 v谢谢罗老师，我已经下载了您的论文呢，英文不大好，等我慢慢研读完您的论文后，再向老师请教，非常感激老师能抽出宝贵时间给我解答。
作者: rwxld    时间: 2013-3-22 22:23
kenny好:: |4 \3 }) }( |, P( ~
看了您的文章,不明白为何factor model得到的结果更显著,而composite model得到的结果不显著(比如liking).统计上是什么原理呢?
作者: Kenneth    时间: 2013-3-27 12:19
rwxld 发表于 2013-3-22 22:23
8 @6 m! q3 N! H& o, F! n/ nkenny好:
& C$ z! N' [+ R0 A6 N; g6 ~看了您的文章,不明白为何factor model得到的结果更显著,而composite model得到的结果不显著(比如l ...

4 k# L/ T+ }/ B& C我不明白你的意思。显著就是显著，没有理由什么理由为什么一个显著、一个不显著的。如果有理由的话，就是它们本身是显著的。
作者: rwxld    时间: 2013-3-27 19:07
本帖最后由 rwxld 于 2013-3-27 19:09 编辑 ' r6 X! O* j; t$ i
Kenneth 发表于 2013-3-27 12:19   u1 Q3 V2 v+ Q5 W2 Z
我不明白你的意思。显著就是显著，没有理由什么理由为什么一个显著、一个不显著的。如果有理由的话，就是 ...

" r4 l' [! {$ {谢谢kenny，可能是我没有表达清楚。我看了你的文章，自己觉得大致明白了文章的道理，但却不懂统计上的道理。你的文章里说对于一个理论上应该基于composite view去估计的模型，研究者如果误将其基于factor view 去估计，就会高估error variance。根据你文章中的模型，你分别基于factor view和composite view去估计了同一个模型，结果基于factor view，模型中的liking这个变量是显著的，而基于composite view去估计，模型中的liking这个变量是不显著的。我想问的是为什么高估了error variance，结果反而显著呢？
作者: Kenneth    时间: 2013-3-27 23:56
rwxld 发表于 2013-3-27 19:07 2 B& o$ M9 w" |  X1 L
谢谢kenny，可能是我没有表达清楚。我看了你的文章，自己觉得大致明白了文章的道理，但却不懂统计上的道理 ...

  `. h9 o2 C0 o6 G7 J9 u8 j多加了一大堆垃圾（随机误差），什么结果都可能的。问题是正确与否，不是显著不显著。



欢迎光临 中人网 (http://bbs.chinahrd.net/) Powered by Discuz! X2.5