構念的測量疑問

jkliang

請問Kenny，您提到Jeff Edwards在psychological bulletin的文章，文章的topic是？或是出版年份？我在psychological bulletin最新出版的一期內找不到這篇，請您幫忙！

xinting.J

回复 11楼 jkliang 的帖子
jkliang, Kenny说的可能是这篇文章：
Edwards, J.R. (2010). The Fallacy of Formative Measurement. Organizational Research Methods, 14:2, 370-388.

   

jkliang

xinting.J謝謝！

zhmseven

回复 9楼 Kenneth 的帖子

Kenneth，你举的例子将社会身份修改为reflective类型的，我同意。之前我也这么考虑过，不过关于很多文献上多维构念的设计，我始终有一些不认同。
; `; L& j6 U& t/ x: F
Lawler将Job satisfaction分解为5个维度，每个维度都可以用reflective model来测量，这一点没有疑问。但是Job satisfaction和5个维度之间应该采用reflective还是formative类型的呢？我认为应该是formative的，即一级潜变量采用reflective model，二级潜变量采用formative model。
( m: V& w5 K  y+ I. M  N/ O
昨天晚上学习了一点你在同济大学的讲座，提到台湾企业的“家长式管理”分解为两个维度，一个维度是“爱护下属”，另一个维度是“权威式领导”。这两个维度和“家长式管理”这个构念之间采用reflective的模型。我想借用这个构念设计，与job satisfaction的构念设计作比较，讨论formative model和reflective model之间的区别。
9 t& B! L3 F+ E+ ^0 m7 s) ?/ o5 _  h
3 D: }  f- I1 k0 `2 J我比较了“家长式管理”这个构念和“Job satisfaction“构念之间的区别。
从“家长式管理”这个构念来看，“爱护下属”和“权威式领导”两个维度是不相关的。按照一般的观点，“家长式管理”构念和“爱护下属”、“权威式领导”两个维度之间应该是formative型的。但是，普遍研究采用的是reflective的。我的理解，必须两个维度的测量分值都很高，才意味着“家长式管理”的分值很高。或者更准确地说，如果我们认同一个企业采取的是“家长式管理”，那么必然有“爱护下属”和“权威式领导”。也就是说，虽然“爱护下属”和“权威式领导”两者之间没有必然的相关性,但如果“家长式管理”构念的分值高，“爱护下属”和“权威式领导”的分值必然高。只有一个维度的分值高，这个企业的管理不能称之为“家长式管理”。因而，家长式管理”构念和“爱护下属”、“权威式领导”两个维度之间采用reflectivee型是合理的。
; c7 ^- m# T$ c1 w“Job satisfaction”与“家长式管理”这个构念有一个类似的地方，就是其5个维度同样是不相关的。但不同之处在于，我们不能认为“Job satisfaction”的分值高，就一定有5个维度的分值也一定高。一个人对工作感到满意，可能只是因为他对工资很满意，不代表其对主管一定感到很满意。这是“Job satisfaction”构念的维度与“家长式管理”构念的维度的一个显著区别，或者说是两个构念的定义的显著区别。采用不恰当的数学作比喻，前者是5个维度的“或”的关系，后者是两个维度的“与”的关系。因此，即便作为多维构念，Job satisfaction与5个维度之间也应该采用formative方式，而不应该采用reflective方式。但是其5个维度各自的指标可以使reflective的。

1 O6 s0 {, w* t* z. u6 `7 R/ W0 P( I+ Z这个问题的讨论就涉及到应该如何评判一个构念采用formative还是reflective的准则了。按照Jarvis等的观点，当各个测量指标之间不具有替代性或者说相关性的时候，就应该采用formative model。我的观点，重要的不是考察各个测量指标之间是否共变相关，而应该考察构念和测量指标之间是否具有共变关系。如果说构念分值变化，必然有所有的测量指标都发生变化，就应该采用reflective model，但这是各个indicator之间不一定具有共变关系，例如“爱护下属”和“权威式领导”两个子维度。
+ E; `; g) p. Q% n0 p0 r4 |

zhmseven

回复 6楼 Kenneth 的帖子

Kenneth，
$ K9 C$ ^3 ]# a  M! D( a/ S
另外，我想到一个内部一致性可以高，但是项目相关不一定高的情形。就是每两个项目的相关都是0.3左右（很低），但是只要项目的数很多（比如二十道题），那么 Cronbach Alpha 还是可能蛮高的。因为根据定义，Cronbach Alpha 是所有的 split half reliability 的平均，但是要用 KR-20 修正（也就是说项目越多，Cronbach Alpha 就越大）。

在我的测量数据中，测量项并不多。总共只有5个测量项，其中4个测量项我设计为formative indicator，1个设计为reflective indicator。构念是perceived benefit，4个formative indicator分别是有用性收益（反映消费带来的效率提升等）、享受性收益（反映消费带来的享受）、社会收益（反映带来的社会身份认同感）和情感收益（反映对个性、情绪的一种展示），1个reflective indicator反映总的感知收益。这里的感知收益有点类似于感知价值，只是没有考虑各方面的成本付出等。
9 e+ w9 D7 ^+ {所以，这个现象应该不是由问题项很多导致的。
+ n4 Q) E  ~6 C9 q# Z- }
我在想，这个问题会不会和数学的假设有关系？信度检验和共线性诊断的方法和判断值，有没有基于什么样的分布函数的假设，比如说联合正态分布？之前没有研究过这个问题，这段时间论文的压力比较大，也没心思考虑这个问题。
* S, ]6 Z# C6 t) p5 \/ \

& H  x, K# {$ n3 k) M

Kenneth

回复 15楼 zhmseven 的帖子
1 e  n% ^8 j/ {, n: L$ O, F3 P% uzhmseven，
怪不得你有这么多古怪的结果，原来你不是依据正规的途径自己发展出来的量表。
1. 一个構念，不可以“同时”用reflective与formative indicators 来测的。
2. Formative indicators 不可以讲 内部一致性，Coefficient Alpha 是不适用的。
所以你说的item correlation 与 internal consistency的问题根本不存在。关于formative indicator，请看帖子上面的讨论。
   

zhmseven

1. 一个構念，不可以“同时”用reflective与formative indicators 来测的。
2. Formative indicators 不可以讲 内部一致性，Coefficient Alpha 是不适用的。5 u; w0 R: V# f0 b5 ?( K- q
所以你说的item correlation 与 internal consistency的问题根本不存在。关于formative indicator，请看帖子上面的讨论。
# |5 T, {$ W! V2 E$ u& ^9 @  B% QKenneth，我想主要的问题不在于构念的测量采用的是reflective还是formative indicators。应该说，同时做两种类型的测量是可以的，MIMIC方法就是同时做两种类型的测量。关键的要求是，不能把两种类型的测量指标混淆了。事实上，我并没有将reflective与formative混合起来做内部一致性分析和共线性诊断，更没有将两种指标混用做SEM分析。
在做内部一致性分析和共线性诊断的时候，我用的是benefit1-benefit4四个formative indicators。我知道formative indicators是不可以讲内部一致性的，我之前做的就是共线性诊断，只是一时兴起做了个内部一致性分析，看看formative indicators做共线性分析的结果会是什么样子。
# F# j6 y0 I$ P- {" @% a我之前的概念是，不管是什么样的数据，哪怕是我随手自己编的一些数据，在问题项比较少的条件下，如果说内部一致性强的话，那么共线性就应该弱；共线性弱的话，内部一致性就应该比较强。这个和采用formative indicators还是reflective indicators没有关系，是由待分析数据的数学特征决定的。因为内部一致性强，表明问题项之间的相关性强，那么共线性必然会弱，反之亦然。内部一致性和共线性之间有一个反向的关系。
& T* [3 E4 p+ b2 V2 Q1 e但我一时兴起所作的分析让我很是吃惊，同样的数据，做内部一致性分析表明相关性强，做共线性分析表明相关性弱。这是什么原因呢，是我对内部一致性分析和共线性诊断的理解完全错误？内部一致性强和共线性程度之间并没有反向关系？抑或是其他可能的原因？
" ^2 H) K+ B# v4 t% i/ \
$ \1 e4 a5 M1 j, ]. P6 Q0 ?
& m0 ]- t  y, a" m( y

rwxld

1、内部一致性强,共线性也应该严重啊。
4 a8 q  y8 c8 L/ `9 z9 ~- L! }
2、另外，对几个项目做内部一致性分析可以理解，但同时又如何对它们进行共线性诊断呢，是将这些项目作为自变量回归吗？根据经典测量模型，这些项目是结果变量呀，应该不能做共线性诊断啊。除非把他们当自变量，但这样一来就成了formative indicator了，就不能做内部一致性分析了。那么，根据上述理解，要么做内部一致性分析，当成reflective indicator；要么做共线性诊断，当成formative indicator，不能两者同时做。这意味着既把它们当成reflective indicator，又把它们当成formative indicator。
9 E& A7 v( _0 J: d* Y6 ?, k
+ Z. x: W$ T. x" f8 s# ?  T; a! g* }我是初学者，说的可能不对，请zhmseven朋友指点。

' B) G* Y* L: Q  O  H+ c

* l" S0 E9 \8 J, l* L

Kenneth

回复 18楼 rwxld 的帖子
rwxld，你没有说错。我的疑惑也是一样。Alpha （一致性）是长度修正后平均项目间的相关，一致性高，项目相关就高，共线性也强。
另外，我不知道“共线性”在这里到底扮演什么角色。理论上来说，项目相关应该越高越好（当然不可以等于1.0）。在量表的发展中，一致性是信度的重要标准。共线性是回归分析的问题，在测量模型根本没有地位，为什么会在这个考虑呢？除非你讲的是formative indicators。但是你又说两个分析是独立的，那我就完全迷失了。
/ M% ?, x& V! J8 n0 s最后，就算你要分开来分析，同一个構念也不准同时有reflective，也有formative indicators的。起码我没有见过这样的东西。
& s! O1 S, @. \2 c# o2 j& I* r% y
' Y3 K& P5 U0 r( O' ?% q& r- h   

zhmseven

呵呵，看来大家都迷惑了。但有一点共识，那就是内部一致性强，则共线性也应该强。不知道这一点有没有形成共识，那就是共线性弱，则内部一致性也应该弱（似乎是逆否命题，答应应该同意）。

重申一下，我同意在reflective model中应该做内部一致性分析，共线性诊断是回归分析中的内容。
2 M* t; ~6 D* O* b+ `* v( T! F" k, F6 |我只是随意测试了一下，发现我所说的奇怪问题：同样的数据，做共线性分析的时候发现共线性较弱，但做内部一致性分析的时候发现内部一致性很强。这个和是否“应该”做共线性诊断或者内部一致性分析无关，而是违反了我们达成的共识：内部一致性强，则共线性也应该强。

我昨晚上后来回顾了一下所看过的文献，怀疑这个问题可能不只是我碰到了（当然仅仅只是猜测，没有证据）。在Javis et al.(2003)的论文中讲到，在四大市场营销类期刊上，有相当多的论文在应该采用formative model时错误的使用了reflective model，在应该使用reflective model时又错误地使用了formative model，前者更甚(P206, table 2)。既然模型错误，那么所采用的数据分析方法（也就是说，应该采用共线性诊断还是内部一致性分析）也错了。这里问题就来了：使用了错误的数据分析方法，为什么还能够通过数据分析检验呢？我猜测（仅限猜测），对这些作者来说，其收集到的数据有可能存在和我收集到的数据同样的现象，只是没有人像我这样“一时兴起”。
* Q3 q7 V6 A( j4 A. O' E我再举一篇文章说明，谢赞和赵刚（2005）认为应该将用户满意度的测量模型由reflective model修改为formative model。在此之前，多属的paper在研究这个问题时采用的都是reflective model，他们能够发表出来，说明在其论文中数据的内部一致性还是很强的。谢赞和赵刚（2005）基于他们自己收集的数据，采用formative model，所做的共线性诊断结果表明共线性程度很低(p6 column 2, line 1)。遗憾的是，作者没有提供内部一致性的分析结果。这里的问题也同样存在：为什么同样的问卷调查表，所收集到的数据既可以完美通过内部一致性分析，又可以完美通过共线性诊断呢？
+ d1 t% k& r) K* H0 U我将论文附上供参考。

8 x+ Y( U% J. d* L! H6 E要是哪位恰好手上保存有收集的历史数据，或者是刚好收集完数据，建议可以试试并把结果公布一下。近些天我看看能否从数学上做一次推导，找找原因在哪儿。
& K3 H8 R. v* r4 n) a8 F3 L