[系统转发] 管理研究理论和贡献探讨 2

Kenneth

Caspian，我觉得这个很明显了。你明明是讲「调解中介」（我不理他是前面调节还是后面调节），为什么要分为两个分析呢？

謝謝Kenny與Chien-Hsin！
有小小心得如下：
(1)若想使用MTMM來驗證construct的區分效度和聚斂效度，是否須在此construct已被發展成熟的狀態之下呢？尤其是聚斂效度更須如此。但如果此construct 是研究者所自行建構或是無相同類似的量測工具，此時就可使用structural validity來說明效度。另外，如果在同一研究中包含不同的construct，應可利用MTMM的精神，檢驗不同construct之間的相關係數，只是聚斂效度就須靠structural validity了！這麼認為的原因是，因為往往一份問卷如果已經包含多個construct，在設計問卷時應該已經包含不少的indicator，若再加入各construct類似的量測工具，那問卷的內容就會大量增加，對於填答者的意願將會降低，所以採行以上的折衷方法。當然，MTMM才是最好的驗證方法，亦較為嚴謹。

(2)在台灣的管理學界，近期正在檢討過去的一系列研究，尤其台灣在一窩蜂追求SSCI之後，我們發現台灣研究的國際影響力有待提升，所以已經開始自我反省，並思考該如何提升管理學術研究的影響力，並在頂尖期刊中發表研究。但您說的也是事實，台灣教授的低工資確實造成教師的壓力，使得他們不能專心在產出高水準的研究，而是必須不斷的進行實務型計畫，老實說，有些計畫的確只是用來賺錢的；而年輕教師則需面對升等制度，台灣的升等制度仍以SCI/SSCI paper數目為導向，所以年輕教師只求發表在任一SCI/SSCI上，研究品質往往不佳。在接觸您的文章及理念後，我自己覺得您的理念是台灣需要的，也是目前少部分台灣學者在推廣的。只可惜我只是個小小博士生，猶在畢業中掙扎，尚無法為台灣學術界多貢獻什麼，只能從自己做起，時時提醒自己做研究該有的精神。

Kenneth

jkliang,可能我比较守旧吧，不过我对于时下很多流行的做法、术语等的接受能力都很低。所谓“structural validity”就是一例。效度(validity)本来问的问题是一个测量工具是后有效地测量它被设计测量的构念。如果我有七道题用来量上司与下属的关系(LMX)，另外有三道题用来测量员工的工作表现。我的理论是上司与下属的关系越好，员工的工作表现越高。然后我做一个因子分析，把这十道题分成两个因子，因子一有7个项目，因子二有3个项目，结果拟合度非常好。那我到底证明了「什么效度」呢？证明了这7道题真的在测量上司与下属的关系吗？这两个构念风马牛不相及，发现两个因子是必然的。所以，我也会做CFA，但是我绝对不会叫它做 xxx validity。
我的建议是如果是“新”的构念，找不到过去的测量工具，起码要找一些在理论上是跟你要研究效度的构念「密切相关」的，而不是这个构念的前因或是结果。

@回复 Chien-Hsin 893楼 (Kenneth)

Kenny，

謝謝。

我再說明清楚一點我的疑問。

依照Cohen and Cohen, suppression可以分三種，
容我多一點描述，也期待其他人可以加入討論：

1. classical suppression: 這情形是抑制變量(x2)，與y無相關，但他壓抑了(解釋了)另一個變量(x1)對y的無效衡量(i.e., error variance)，所以x1, x2一起預測y時，x2提升了x1對y的解釋力。

2. net suppression: x1, x2, y兩兩正相關，但x2對y卻有"負"的迴歸係數。

3. cooperative suppression: x1, x2負相關，但x1, x2各自與y正相關。

我的問題出在第二點net suppression(雖然我也很難想像有第三點的實務例子)。

我的疑惑如下：
net suppression迴歸係數符號改變的「症狀」與x1, x2有高度相關造成的共線性影響可能是一樣的。
我說「症狀」是因為「係數符號改變」這是表現出來的，但原因可能是x2為抑制變量，也可能是x1,x2高度相關造成的。

而且考慮x2必須抑制x1對y的error variance，x2與x1的相關程度應該也不小。

因為書上都說共線性要「處理」，但抑制變量要「說明」即可，所以我才會有些困惑。

以實務而言，我可不可以說VIF < 10，沒有嚴重共線性的影響，所以我出現的「症狀」是抑制變量造成的，接著再加以說明這抑制變量對我研究的實際意義？
   
再補充一下，書上討論共線性時，提出的影響有「係數符號與相關係數相反」、「相關係數不顯著，但迴歸係數顯著」，但…這不就是抑制變量也可能出現的症狀嗎？

再次謝謝Kenny解惑。

jkliang:

Kenny說的台南場(應該是高雄義守大學)，台中場(在南投暨南大學)我都有出席。

我自己是受益良多，不僅他的研究水準，更重要的是提攜後輩的胸襟與耐心，我絕不會忘記！

如果jkliang你需要我手中「珍藏」的Kenny講義(說珍藏不為過，因為只有紙本)，我很樂意寄給你。

Kenny你同意嗎？

@Chien-Hsin
Dear Chien-Hsin
      這真是太好了！我的聯絡email為jklstw@gmail.com，若Kenny同意，我們再進一步連絡寄送或甚至我過去拜訪您！謝謝！

Kenneth

我的讲义是公开的，只要不是拿来卖钱或图利，请随便分享。其实，我在等上海同济大学把我讲学的视频放在网上，公开让有需要的同学观看。 那我就可以省点时间到处跑，可以用心写书了。：-）

kenny您好：
第一个问题：
如何判断收集数据是否存在同源方差？
将所有测量条目做efa，设定析出一个因子，通过该因子共同解释百分比来判断，如果共同解释大于30%，说明有明显的同源方差。这样，对吗？
另外一个问题是:收集回来的数据有明显同源方差存在，有没有统计方法来处理呢？
谢谢

bbs你好：

1. 我記得Harman's one factor model標準是單一因子解釋超過70%的variance，才是有common method variance的威脅。

2. 不久前我才問過類似的問題，Kenny的建議是將這個同源方差的影響給排除掉(partialled out)。例如：

原始問題內的迴歸模式：Y=aX+bZ
X,Z有同源方差C存在，因此要partial out X,Z 存在的C variance. 再做以下二個模式：

X = b0 + b1C
Z = b0 + b1C

計算residual，這就是未被C解釋到的variance，
也是partial out C variance的X and Z:

Ex = Xi - predicted Xi
Ez = Zi - predicted Zi

最後估計：

Y = aEx + bEz

就是Kenny當初建議的：那就partial out一个method factor后，再研究X与Z对Y的影响。

3. 補充一點，討論同源方差的paper都說：最好的方法是在研究設計時，「事前」就要排除同源方差的可能性，例如讓不同的人填達問卷內不同的題目。

我也想問Kenny，在測驗的問卷內，我曾經看過paper提過，他的問卷題項是隨機排列以減低同源方差的可能性，例如a1, b3, c5, a2, d5隨機排。我自己曾經試過，不僅消除了同源方差，但更糟，連我預期的因素結構也不存在！
所以我還是回到標準的排列法，a1, a2, a2,問完，
再問b1, b2, b3，因素結構回來了，但common method variance又出現了。請問Kenny，你的研究題項都是如何排列的？

這是與上一題不相關的問題，因此我重新提問。

一般paper裡面標準作法都會提供相關係數表，但鮮少提及這個correlation是如何算的。

是將每個construct題項單純算出平均數，再計算與其他construct的Pearson correlation，或是這些相關係數是Z複雜點的CFA所估計出來的。

請問Kenny你的看法是提供哪一種的correlation是符合預期的或是必要的？

謝謝Kenny。