[系统转发] 管理研究理论和贡献探讨 2

谢谢kenny老师的及时回复。
可能是我的问题没问清楚，我想问的是在lisrel的输出的路径图中，在路径上的路径系数是否就是外在潜变量和内在潜变量的相关系数？是否就是lisrel的输入结果里的Beta和gamma的相关系数，然后使用T检验就可以检验路径系数是否显著？
还有在做nested model时，变化不同的路径会产生不同的卡方值和自由度，但是我的lisrel的输入结果p值一直都是在0.0水平，而我看相关的文献，P值在不同的模型时应该呈现出不同的结果，这才能找出最优的模型，我不知道我的问题出在哪里？

Kenneth

对不起，我猜你是在用LISREL的图来看结果，我从来不会这样做的，我看的是LISrel 的文字output。
第二个问题我不明白。"变化不同的路径会产生不同的卡方值和自由度，但是我的lisrel的输入结果p值一直都是在0.0水平" 这是什么意思呢？

我想问的是在lisrel的输出的路径图中，在路径图上的路径系数是否是否就是lisrel的output里的 LISREL Estimates (Maximum Likelihood)里的Beta和gamma矩阵的值？然后使用T检验就可以检验路径系数是否显著？ 
lisrel output中
gamma矩阵表示的就是X与X之间的关系？
而表示x与Y的关系的是ETA还是beta矩阵？
把你弄糊涂了不好意思。

比如说，我想研究从组织承诺->工作满意度->离职意图三者之间的关系。
满意度有5个维度。我想做的事看满意度在其中是否起中介效应？满意度的几个维度对于离职意图的不同程度的影响。所以我的做法是确定一个null模型，然后增加或减少变量之间的路径查看模型的拟合度的变化，看卡方值是否显著来决定是否保留路径，直到挑选出合适的模型。从而检验满意度的中介效应
再次，我想做挑选例如 年龄，作为控制变量加入到模型中，看不同年龄段人群的满意度和离职意图的高低，这个过程如何实现呢？

Kenneth

问：我想问的是在lisrel的输出的路径图中，在路径图上的路径系数是否是否就是lisrel的output里的 ​LISREL ​Estimates  ​(Maximum ​Likelihood)里的Beta和gamma矩阵的值？
回应：是的，路径图中的路径系数就是Beta和gamma矩阵的值。

Kenneth

问：但是我的lisrel的输入结果p值一直都是在0.0水平。
回应：LISREL的卡方是越小越好的。p值=0就代表你的卡方很大，也就是模型的拟合度（fit）很低。如果本来模式就不好的话（拟合度很低），那讲什么嵌套测验呢？所以要么是很数据有问题，要么是模型有问题了。

HI，Kenny:

您好！
我们有幸听到了您在中大的精彩授课。有个营销学科的问题，那天下午没来得及问您。
情况是这样的，我们目前在做一个课题，

       互动行为对服务品牌关系的影响研究

其中有企业（管理者） — 消费者互动、员工—消费者互动、企业（管理者）—员工互动等三个维度。根据文献回顾，建构了如下模型并做出了相关假设：
                    H3
 顾客与企业互动 -------------
                             |
                    H1       V
 企业与员工互动  -------> 品牌关系
                             ^
                    H2       |
 员工与顾客互动 --------------

采用Likert 7分量表，每个维度及“品牌关系”均有三个观测变量表征。（问题3再请教您关于SCALE 的问题）

采取方便抽样的方式，同时对若干不同类型服务企业的管理者（有效87份）、员工（有效331份）和顾客（有效327份）进行了实地调研。

我们想要测量的是，管理者、员工、顾客三方对互动行为的看法，以及这些行为对服务品牌关系的影响，我们的问题是：

1.能否将管理者、员工、顾客对各个题项的评分合并使用（总数为87+331+327=745个CASES），导入MODEL？

2.如果不可以，是我们的样本选的不对吗？因为是三个主体的相互作用，我们又该如何进行测量（或进行样本选取）呢？重新审视THEORY 和 MODEL 的构建？

3. 知道您可能要问量表的可靠性，那么，如果从发展量表的角度，我们经过了文献比较研究-内容分析-问题小组访谈-题项汇总-预试问卷-数据分析-重复测试、分析、修正-正式量表，这样发展的量表是否能采用呢？针对某些没有成熟量表的选题，您所认同的SCALE DEVELEPMENT 是怎样的呢？

感谢您对各地学子的无私奉献！
当然，也期盼着您的回复和指点！ 

Kenneth

其实在中山大学已经有一位同学提过类似你这的问题。这个问题不好回答，主要原因不是因为它难，而是它不清楚。只要讲清楚后就很好回答了。我觉得要认清的是：
「什么是顾客与企业互动？」、
「什么是企业与员工互动？」、
「什么是员工与顾客互动？」，而
「什么是三者的互动？」

只要我们想像你的数据库是怎么样的话，你就知道我为什么这样问了。你之所以混乱是因为顾客是嵌套在员工以内（一个员工服务很多个顾客），但是员工也是嵌套在企业以内（一个企业会有很多个员工）。所以它们的关系是三层的。顾客嵌套在员工、再嵌套在企业内。企业是第三阶层的、员工是第二阶层的、顾客是第一阶层的。
对于企业1其中的一个员工甲来说，他们的互动我们暂时叫做「1甲」互动。对于企业1其中的一个顾客A来说，他们的互动我们暂时叫做「1A」互动。对于员工甲与其中的一个顾客A来说，他们的互动我们暂时叫做「甲A」互动。我的问题是：
到底你的理论讲的是不是「1甲」互动、「1A」互动、与「甲A」互动这三个互动关系有「交互作用」？如果是的话，你的数据库就应该是：

企业-员工           员工-顾客   企业-顾客   品牌（无论你讲的是品牌什么）
-------------           -------------          -------------          ------
    1甲                甲A           1A         3.5
    1甲                甲B          1B         3.2
    1甲                甲C          1C         2.9
    1乙                乙D          1D         1.3
    1乙                乙E          1E         2.4
    2丙                丙F          2F         4.1
    3丁                丁G          3G         3.7
如此类推 。。。。。。（「1甲」代表企业1跟它的第一个员工的互动）。所以你的样本量不是87+331+327，而是大概87*327。因为当「企业-员工互动」与「企业-顾客互动」定下来（比如是「企业3对员工丁」、「企业3对顾客G」），那「员工-顾客互动」就一定是「员工丁对顾客G」了。我选了327而不是331因为327比331小。

这个做法最大的问题是数据点不完全独立（independent）的，违反了回归的假设。除非你在每一个企业只选一个员工和一个顾客，不过这不太现实吧。

另外一个可能就是不研究「互动」，而研究「特征」。比如每个企业可能有某些特征（brand name, prestige, social image etc.）这可以作为第三阶层变量。然后每一个员工可能有员工特征（personality, altruism, helping etc.）这可以作为第二阶层变量。顾客可能有个人的特征（self esteem, self identity etc.）这可以作为第一阶层变量来影响因变量「品牌」。那你就可以用HLM来研究它们三者的「交互作用」了。

Kenny, 您好！我记得您在广州中大岭南学院讲课的时候，有一节课列出了各个专题参考的经典书籍。可以再展示一下吗？多谢！

Kenneth

1. Kerlinger, F.N. (1986) Foundations of behavioral research. Third Edition, Fort Worth:Harcourt Brace Jovanovich College Publishers.

2. Hair, J.F., Anderson, R.E., Tatham, R.L., & Black, W.C. (1998). Multivariate data analysis. Fifth Edition, New Jersey: Prentice Hall.
   
3. Johnson, R.A., & Wichern, D.W. (1982).  Applied Multivariate Statistical Analysis.  NJ:Prentice Hall Inc.
   
4. Neter, J., Kutner, M.H., Nachtsheim, C.J. & Wasserman, W. (1996). Applied linear statistical models. Chicago:Irwin.

5. Bollen, K.A. (1989). Structural Equations with Latent Variables.  NY:John Wiley & Sons.
   
6. Bryk, A.S. & Raudenbush, S.W. (1992). Hierarchical linear models – Applications and data anlaysis methods. Newbury Park:Sage Publications.

7. Hedges, L.V. & Olkin, I (1985). Statistical methods for meta-analysis.  San Diego:Harcourt Brace Jovanovich, Publishers.

8. Nunnally, J.C., & Bernstein, I.H. (1994).  Psychometric theory.  NY:McGraw-Hill Series in Psychology.

9. Cohen, J. & Cohen, P. (1983). Applied multiple regression/correlation analysis for the behavioral sciences.  NJ:Erlbaum.

10. SAGE University series: Quantitative Applications in the Social Sciences