[系统转发] 管理研究理论和贡献探讨 2

各位朋友，请教相关系数的问题：
我的样本数据首先进行了验证性因子分析和信度检验，因子负荷都在0.5以上，信度alpha系数在0.7以上，因为研究是团队层次的研究，所以做ICC和Rwg检验，ICC（1）在0.1到0.3之间，ICC（2）在0.6以上。Rwg均值在0.841.但是，做控制变量、自变量、调节变量和因变量之间的相关分析时，发现自变量、调节变量、因变量之间相关系数很高，都达到0.6以上，部分超过了0.75.但是控制变量与其他变量不相关。请问，这样是不是表示数据质量太差，不适合进一步做回归分析了？碰到这样的问题，有哪些处理的办法呢？

hello,kenny! 
这两天都在看文献，呵呵！也想多往自己书包里装点东东。今天又看到一篇文献“construction of job in  general scale...”。里面说facet scales Vs general scales, composite  scales Vs global scales.后两个您给我讲了，我觉得也基本明白了，那么现在我想问问，后面的两个与前面的两个有什么关系 呀？
kenny, 我还有个词不懂，percept－percept inflation，是啥意思呀？

Kenneth

我有点怀疑facet scale与general scale是不是专有名词。不过，进我的能力猜猜吧。
     1. 对于一个多维构念，每一个维度（dimension）又可以叫做facet。如我以前提过的，“工作满足感这个多为构念，可能有五个维度。量维度的量表就可以叫做facet scale， 直接测量“工作满足感”的量表就可以叫general scale吧。
     2. 如果我们分别有“工作满足感”的五个维度的量表， 我们就可以测到“五种不同的工作满足感”了。由这五个测出来的工作满足感，去估计一个人的“整体满足感”（比如，总满足感等如五类工作满足感的平均数），这个估计的测量工具叫做composite scale。如果不经过“工作满足感”的五个维度，而直接去测量“工作满足感”的话，这个估计的测量工具叫做global scale。从这个角度来看，如果我的估计没错的话，general scale就等同global scale了。
     3. percept-percept inflation 的意思是自变量是作答者的感觉（perception），因变量也是作答者的感觉（perception），那么计算自变量与因变量的相关自然就会很大（inflation 就是高估了的意思）。比如，我问你工作开心吗？（自变量），让后马上问你有没有想过要离职（因变量），两者自然会有很大的相关了。在方法学上，这个问题一般就做common method variance 或common method biases.

@《管理学研究方法》课程培训公告 邬老师，听说听课名单已经报满了，是吗？太可惜了，近在咫尺却不能参加。。。。

Kenneth

邬老师说第一天“每学校三个名额”都已经满了。至于个人名额，就不知道了。听邬老师说他们在考虑视像同步在另外一个房间播放，如果可行的话，就可以多一点名额了。    Kenny

Kenny,多谢您的留言。因为我真的很想去听课。但是我所在学校的名额都没有公开就已经满了。但愿可以去听课。

Kenny，我最近做的是团队层面的研究，向团队个人发问卷，需要把个人数据聚合到群组层面分析。
但是存在以下问题，向您请教：
（1）分组后的数据相关系数太高。相当部分变量（包括自变量与调节变量、因变量）之间的相关系数超过0.75了。请问我可否据此去删除相关系数大的题项？各个量表的题项在分组前相关系数不高（0.3~0.6之间），但是分组后检查题项的相关系数，就增高了（0.5以上，相当部分超过0.7，有些甚至达到0.8）。
第二个问题是，请问对于团队层面的研究，因子分析在ICC、Rwg检验之前进行吗？我是借用别人的量表测量构念的。我发现分组前数据的因子分析结果，能够和构念原有的维度一致，但是用分组后的数据进行因子分析，结果所区分的维度与原来开发问卷的人很不一致了，准确来说，是面目全非。
第三，我看到吴明隆（2003）的SPSS统计应用实务一书中提到，相关系数超过0.75，变量之间共线性可能性很高。那么，是不是可以说，相关系数超过0.75，就不能进行回归分析，更不能使用结构方程的进行分析了？

Twotwo, 尝试提供一些我的看法，看对你有没有用吧。

关于你的第一个问题，我理解的是，成熟的量表都是研究者经过很多步骤开发的，我们不可以随便删掉题目的，至少不能以因素分析的结果为理由删题目。

第二个问题有一点点不明白，你说的“分组前”“分组后”是指在团队内部分别做吗？还是把团队层面的变量做了合并以后？

关于问题3，相关系数确实过高了，如果理论上这两个变量不是同一个构念，那会不会是因为它们是同源数据呢？如果是同源造成的高相关，也许你可以试试找另一个和它们都不相干的变量做控制变量，也就是在回归中用它除去同源效应，看看会不会好些。如果还不行，可能就是答题者无法在概念上分出两个变量的区别了哦。

@to twotwo 264 (xinxin).Xinxin，您好！非常感谢您的回复。
关于第二个问题，您的归纳对，是团队层面的变量在合并前后，因子分析的结果差异很大。合并前，变量下的题项能够聚合到原来量表设定的维度，但是合并后，差异就很大了。
第三个问题，数据的确有同源变量的问题。而且我估计是问卷较长，有些应答者没有耐心认真填完问卷有关。您提议放控制变量的提议很好，我试过放控制变量进去，控制变量与自变量、调节变量、因变量都不相关，检查容忍度、VIF和CI值等指标，都没有超出共线性限定（BTW，这是不是与自变量和调节变量的交互项做了中心化有关？）。但是不好的情况是，层级回归的结果表明，回归系数Beta只有交互项是t检验显著的，其他都不显著了。这样应该能证明调节变量的作用，问题是beta系数是负数，和我估计调节变量只是影响自变量和因变量原有关系的强度有很大出入。对此，我又有两个问题：（1）我可以以应答不认真为由，删除部分应答者的问卷，保持数据质量吗？因为我做的是团队层面的分析，我恐怕是删除一个成员的问卷，整个团队的数据都要相应删除了？（2）相关系数很高，但是回归时共线性没有问题，这样的研究结果可以接受吗？

Twotwo，您好。

噢，原来您是先把每个题合并以后才做因子分析的。我觉得因子分析应该在个人层面做，如果结果可以接受，就计算出个人层面变量，再用其合并为团队层面的变量。这样是不是更符合测量的原理呢？因为我们设计一些相似的题目是为了多次测量同一个对象，以估计出那个真实值。而这里不同的题项的测量对象都是这个个人层面的变量，而不是团队层面变量的，所以不应该合并后在做因子分析吧。

你的控制变量是用的态度变量吗（如果用个人统计特征控制同源效应是没用的）？如果这样做还发现控制变量与其他变量都不相关，而自变量因变量关系过高，那可能是这两个构念测量时真的很难分出来。可不可以做一下验证性因子分析看把它们视为一个变量模型更好还是视为两个变量模型更好？如果是一个变量模型更好的话，我担心你的结果就很难接受了。相反，如果两变量模型更好，而且共线性检验没问题（注：共线性检验只能检查自变量和调节变量之间的共线性程度是否可以接受），而且在理论上自变量因变量应该有很大关系，那应该就没问题吧。

Beta系数是如果是负，意思是调节变量减弱了原来自变量因变量之间的正向关系，或者是加强了自变量因变量之间的负向关系，所以要看原来的关系。你假设的是它们的关系受怎样的调节呢？

关于后面的问题（1）分析数据之前是应该剔除那些无效问卷的，包括明显全部都选同一个数字的那些。不过我觉得最好在报告时说明剔除的具体原因会好些。

如果有错误，请其他朋友帮忙指正。谢谢！