[系统转发] 管理研究理论和贡献探讨 2

kenny您好，您回复了那么多的内容，我特别感动。我还没入门，问题比较多，请您帮助回答一下。感激不尽。

（1）二手数据在进行研究的时候，一般来说探讨中介变量的比较少吧，就象您前面问题中提及的为什么女性企业家更容易采取多元化的战略，如果是采取上市公司的数据的话，探讨这种为什么的机制，您可以提一点建议吗？

（2）tobit模型回归中，目前使用什么什么软件处理比较方便一点？

（3）关于数据上面的问题，国内发表的实证文章中，很多其实是没有相关系数表的。是否确实没有必要这个相关系数表？这个相关系数表到底起了什么作用？

（4）通常异方差、共线性以及自相关，是回归之前必须要解决的问题，我看您在以前的讨论中也特别提及过，这是必要的，但是很多的文章（包括一些比较好的期刊）好像也没有提及这些，这是不是一种不规范的现象，或者是有的时候只要得到了自己想要的结果，就行了？我是想，如果一旦规范起来的话，即按照严格步骤来的话，也许就会得不出自己想要的结论，这种情况您怎么看待？

（5）自然科学的重复性，使得这种结果一旦做出来的话，就必然能为第三者所重复，但是问卷可以吗，虽然各种有关问卷的设计等等许多手段都在保证实现这一切，但是若一旦出现不一致的，作者好像还是有很多的理由，并且看起来也还成立，比如归咎为文化因素。大多能够发表的文章，基本上都得到了p<o.05。实际上，在呈现的最后文章中，我们得到的也只是作者的一个结果而已，这种结果有时候可信吗？虽然要秉持学术道德，但这个结果如何体现了学术道德呢？

（6）在我们所看得到的实证文章中，即使作者将各种系数表、统计的结论都放在了文中，就像企业的三张财务报表，其实内在的关系挺严谨和统一一样，作者所放的的数据之间事前有什么钩稽关系吗？也就是说，是否暗含按照他给出的数据从事理上，就可以得出文章的结论。

（7）就像有一本期刊上发表的一篇文章，采取回归，最终回归的系数高达0.95，但是仍然发出来了，对于一些比较反常的数据，大体上您觉得可能的原因是什么？

（8）管理里面在验证假设的时候，虽然也进行回归，但是好像并不是非常关注所使用的回归方程的有效性，比方说，常数项是不是显著，某些控制变量不显著好像也没什么问题；在经济里面好像不是这个样子，他们好像回归出来之后，基本上每个变量都很有效，不显著的变量基本上要排除。是不是管理里面回归的时候只求验证一个显著就万事大吉了？

（9）增加一个变量回归之后，这个变量的系数显著性与增加的R2的显著性是一致的吗?就是说，是不是这个变量的系数显著，那么增加的R2肯定也是显著的？有没有这种可能，增加的变量其系数不显著，但R2增加了很多，甚至超过了那些显著的变量所带来的增加的R2？

（10）您能否简单介绍一些抑制变量的情况，我在一篇文章中就看到这种情况，但是作者对这种情况没有进一步讨论的了。他的文章是：单独时，第一个自变量对因变量回归不显著，而第二个自变量对因变量显著；放在一起的时候，两者对因变量都是显著的。这种情况现实意义是什么呢?

林林散散写的比较多，多谢kenny。劳累您了。真诚祝福您一切都好。

（6）在我们所看得到的实证文章中，即使作者将各种系数表、统计的结论都放在了文中，就像企业的三张财务报表，其实内在的关系挺严谨和统一一样，作者所放的的数据之间事前有什么钩稽关系吗？也就是说，是否暗含按照他给出的数据从事理上，就可以得出文章的结论。 
回应：不太明白你讲什么。请试试讲浅白一点。你是说数据工整漂亮到不真实吗？

（7）就像有一本期刊上发表的一篇文章，采取回归，最终回归的系数高达0.95，但是仍然发出来了，对于一些比较反常的数据，大体上您觉得可能的原因是什么？ 
回应：
（1） 我想我在（6）里猜中了你的意思吧！我不知道你讲的是什么期刊。我没有见过这么高的回归系数的（当然是标准化的系数来讲，你要小心一点）。标准化的回归系数是.95，就代表相关几乎等如1.0了。评审不会接受的。我亲眼见过几次，当相关大于.80，评审已经开始怀疑了。
（2） 数据不好有很多因素。不到场收问卷，随便乱抓人的问题，东拉西拼，填的人乱填，学生为了交功课来提供数据…….很多原因，数之不尽。
（3） 反常的数据，如果是经过认真的设计和操作的，有可能是发展新的理论的一个大好机会。

（8）管理里面在验证假设的时候，虽然也进行回归，但是好像并不是非常关注所使用的回归方程的有效性，比方说，常数项是不是显著，某些控制变量不 显著好像也没什么问题；在经济里面好像不是这个样子，他们好像回归出来之后，基本上每个变量都很有效，不显著的变量基本上要排除。是不是管理里面回归的时 候只求验证一个显著就万事大吉了？ 
回应：你越问我越明你在想什么、为什么这样问了。：-）
经济学的背景假设、面对的问题跟管理学很不一样。管理更像心理学（OBHR）和社会学（Strategy）。在我们的系统里，理论发展是最重要的。大部分的情形下，我们没有兴趣去“预测”什么。我们希望了解世界。怎么了解呢？利用建构模型、理论，在验证它。所以在验证的部分里，跟理论没关系的东西（比如截距），我们根本不感兴趣。另外一个原因是我们用的测量都不是等比量表，截距其实没有什么意义的。至于控制变量，顾名思义，它们是用来控制的，也就是我们没有兴趣研究的东西了。

（9）增加一个变量回归之后，这个变量的系数显著性与增加的R2的显著性是一致的吗?就是说，是不是这个变量的系数显著，那么增加的R2肯定也是显著的？有没有这种可能，增加的变量其系数不显著，但R2增加了很多，甚至超过了那些显著的变量所带来的增加的R2？ 
回应：有可能的。在共线性的情形下，很多以前显著的变量都会突然变成不显著。所以回归系数的显著性就与R2不成比例了。相反的情形也一样，如果多加了一个变量，他的回归系数非常显著，但是可能过去显著的变量就变成不显著了。这说明了新变量与y的协方差已经把就变量与y的协方差完全包括在内了。如果样本数不大，增加的协方差不一定统计上显著的。简单一句总结，如果个自变量是不相关的话，你讲的情形是不可能的。相反，如果他们相关接近1.0，你讲的情形是有可能发生的（不过机会不大）。

（10）您能否简单介绍一些抑制变量的情况，我在一篇文章中就看到这种情况，但是作者对这种情况没有进一步讨论的了。他的文章是：单独时，第一个自变量对因变量回归不显著，而第二个自变量对因变量显著；放在一起的时候，两者对因变量都是显著的。这种情况现实意义是什么呢? 
回应：我没有统计书在家，就凭我的勉强记忆这样分析吧：
如果 y = c x1 的话 c = ry1
如果 y = a x1 + b x2 的话
a = y(1.2) = (ry1 – ry2 r12)/(1-r12^2)
b = y(2.1) = (ry2 – ry1 r12)/(1-r12^2)
y(1.2) 是y与x1对x2的半偏相关
ry1 是y与x1的相关
你要的是当c 也就是ry1 很小（不显著）时, (ry1 – ry2 r12)/(1-r12^2) 会大一点（显著）。这时，x2就是抑制变量。

方方，谢谢你建立了一个好的榜样，因为很少人有勇气一次过问这么多问题。：-）
你的问题有些不是我的领域的，不过我还是尝试回应一下，看你是否满意。

（1）二手数据在进行研究的时候，一般来说探讨中介变量的比较少吧。
回应：这一点我不太同意（可能我不了解吧）。一手与二手数据，都一样可以探究中介变量的。问题是你要发展一个「预测性」的模型，还是一个「解释性」的模型（predictive model vs. explanatory model）。如果是解释性的，就很大可能要中介变量了。就以你的例子，我看明显不是「预测性」的。因为你最后不是要知道“什么东西导致多元化的战略”（这个问题知道有真么样呢？），而是“为什么他们导致多元化的战略”。如果是采取上市公司的数据的话，很多数据库的资料是蛮丰富的。

（2）tobit模型回归中，目前使用什么什么软件处理比较方便一点？ 
回应：我没有用过这样的模型，如果是跟probit, logit 一类的模型的话，大部分的统计软件， 如SPSS，SAS 都会有的。

（3）关于数据上面的问题，国内发表的实证文章中，很多其实是没有相关系数表的。是否确实没有必要这个相关系数表？这个相关系数表到底起了什么作用？ 
回应：（1）分析数据的“第一步”就是看相关系数，它告诉了你大部分你要的信息。如果经验够的话，看完相关矩阵，（无论你做的是任何分析）大概你得到什么结果都会知道了。（2）没有相关矩阵，就不可以做“元分析”（meta analysis）了。现在西方期刊是一定要报告相关矩阵的。

（4）通常异方差、共线性以及自相关，是回归之前必须要解决的问题，我看您在以前的讨论中也特别提及过，这是必要的，但是很多的文章（包括一些比 较好的期刊）好像也没有提及这些，这是不是一种不规范的现象，或者是有的时候只要得到了自己想要的结果，就行了？我是想，如果一旦规范起来的话，即按照严 格步骤来的话，也许就会得不出自己想要的结论，这种情况您怎么看待？ 
回应：（1）我不知道什么叫“异方差”，可以解释一下吗？
（2）共线性在一般情形下不会形象结果（除非共线性很严重），不过这也看不同的领域。在宏观分析中，VIF等验证好像是必要的。
（3）我的经验是” 自相关” 在OB、HR里，评审会看成是一个设计的问题，而不会看成是统计测验的问题。意思是如果设计不会明显引起自相关，大家就假设没有自相关了。宏观分析可能不一样，这我不太清楚。

（5）自然科学的重复性，使得这种结果一旦做出来的话，就必然能为第三者所重复，但是问卷可以吗，虽然各种有关问卷的设计等等许多手段都在保证实 现这一切，但是若一旦出现不一致的，作者好像还是有很多的理由，并且看起来也还成立，比如归咎为文化因素。大多能够发表的文章，基本上都得到了 p<o.05。实际上，在呈现的最后文章中，我们得到的也只是作者的一个结果而已，这种结果有时候可信吗？虽然要秉持学术道德，但这个结果如何体现 了学术道德呢？ 
回应：这是个好问题。我的回应是：
（1） 这正正代表了理论→假设→验证的科学方法的重要。我们不会接受看见结果，在post hoc去解释结果的研究的。
（2） 既然错的机会只有5%，为什么不信呢？能够重复是科学研究的一个重要部分。我们不会但看一个研究的结果的。
（3） 学术道德是在读研究院的时候培训出来的。我痛恨的在中国里，是「老师」带头来做没有道德的事，所以我不怪你们，但是没人做事都要承担责任的。外国不像中国。中国是“很多人这样错”，所以错也不见得大不了。外国是“小部分的人错”，做错就是大问题了。慢慢你就知道，学术的圈子是很小的（尤其是华人的学术圈子），只要你一次给人发现作弊，一生的前途就没有了。其实，不要讲作弊，所有的“坏话”（如果是真的），很快就会在学术圈传开了。

kenny您好，真的非常感谢您。耽误了您宝贵的时间，凌晨还在给我解答疑惑。在这样浮躁的年代，您真的是我遇到最好的老师，借用海子的话说我真的是“默默的祝福您”。由于刚入门，您在上面的许多回答我正在思考中，仔细揣摩并学习您的意思。
真诚的感谢您！

To:方方

2）tobit模型回归中，目前使用什么什么软件处理比较方便一点？ ​

回應：我的知識範圍是Limdep 與 Shanzam 是專門用來處理這類迴歸模型，尤其是Limdep (limited depedent variable)。


（3）关于数据上面的问题，国内发表的实证文章中，很多其实是没有相关系数表的。

回應：我想可以和共線性問題一起說，如果提供相關係數表，我們至少可以判斷共線性是不是會危害到結論。共線性產生的幾個問題包含係數變得不穩定，符號改變等，例如相關係數顯示相關很小，但迴歸分析係數卻顯示影響程度非常大(一般情況，加入更多自變數只會讓原變數的影響變小)；或者相關係數顯示兩變數是正相關，但迴歸係數卻顯示負相關。

想到幾個一直放在心上的問題與方方提出的有關，一起提出來討論。

1.有些文章提出一些假說，例如：

   H1: X1 positively influences Y.
   H2: X2 positively influences Y.

驗證時，作者卻分成兩個模型分開驗證，結論說
H1 and H2皆獲得支持。

一般在AMJ這類文章，我看到的是先放X1--> Y，
再放(X1, X2)-->Y，或至少是一起放。
我想這樣應該比較合理，可以驗證rival theory之間的解釋能力。

2.有時候期刊評審會提出一個問題：你怎麼沒有考慮「以前」有影響的變數在文章內？

我也知道要控制這些rival theory可能產生的影響，才可以證明我提出新理論的解釋性比較好。
但問題是，顧一漏百，可能包山包海，永遠包含不完，這該怎麼解決？

3.我也遇到過評審問：你的R-square才0.1，好低！
與Kenny回應方方的類似，我說我的研究是「解釋性的」，重點在找出新變數解釋某個現象，如果是「預測性」目的，自然R-square應該高點。對於我的回應，有評審贊同、也有不同意的，不知道Kenny的建議是什麼。

Kenny,问一个中介变量的问题。两个变量M和N，有没有可能都是X和Y关系中的完全中介变量。我的考虑是，通过不同的理论视角，发现X对Y的影响是通过M和N起作用的。Thanks.

Kenneth

Chien-Hsin,首先谢谢你的分享。你对方方的回应正是我开这个博客一个很重要的目的-- 一同分享知识。谢谢你的支持。
（1）除非是“理论先导”，不然的话我们会两个一起放的。没有理论的指引，我看不见有什么原因要分开两次来做。这就等如回归的时候，先放一个变量，再放另一个进回归方程一样。
（2）对于“考慮「以前」有影響的變數在文章內”的问题，我“非常个人”的意见是：如果你的理论是全新的（没人讲过），那我是可以接受暂时不考虑其他的变量的。原因有二。第一、你的理论刚刚发展，可以稍微要求低一点，让你可以有空间发展你的新理论。第二、你的目的是“发展”和“证明”你的理论，不是比较哪一个理论好。但是，如果你用的理论是陈旧不堪的，那不控制以前的变量就很危险了。所以，“人所共知的重要变量”（也不会说“所有”的变量吧！）是应该控制的。如果做自己的领域，连什么是“人所共知的重要变量”都不知道，我怎样相信你呢？
（3）我猜你讲的是ΔR-sq吧，如果是R-sq,我也不可以接受。过低的ΔR-sq，要看你到底控制了什么来定。如果所有重要的变量都控制了，低一点还可以接受。相反就有问题了。其实，你问的是“practical significance”的问题，本来就是一个主观的判断，很难有什么绝对的准则的。

Kenneth

Tomson,你说：『两个变量M和N，有没有可能都是X和Y关系中的完全中介变量。』这要看M和N的关系是什么。如果M和N有因果关系，那当然完全可以接受并合理的。
但是，如果M和N是两个“平行的”变量，没有因果关系的话，我就很难理解了。如果X-Y的相关可以用两个相叠的椭圆来代表。你现在是说，这个X与Y相叠的部分，既与M完全重叠，又与N完全重叠。统计（数学）上这是当然可能的，但是理论上是什么意义呢？M与N肯定不是两个完全不同的中介机制了。

谢谢Kenny.我的另外一个问题是检验中介变量。
假设X对Y的影响为c(c'为加入中介后)，X对中介变量的影响为a,中介变量对Y的影响为b。如果在路径分析中发现a或b不显著，也就是说因果链不存在X-->M-->Y，按道理可以不再检验M的中介作用。但温忠麟和侯杰泰等（2004）推荐的检验方法说，这时候还应该做Sobel检验，如果显著仍能说明M具有中介作用。你怎么看？