|
作者：菜菜 审核：X 封面：自己想吧 首先，我们来看一下共同方法偏差的定义：共同方法偏差指的是因为同样的数据来源或评分者、同样的测量环境、项目语境以及项目本身特征所造成的预测变量与效标变量之间人为的共变。 （1）同一数据来源或评分者。由于数据从相同被试中获取而导致预测源和效标变量之间的人为共变。比如采取自我报告法测量带来的偏差。造成这种差异的机制主要有：一致性动机；内隐相关偏差；社会称许性；宽大效应；默认倾向；心境状态；短暂情绪的影响。 （2）问卷题目特征所造成的偏差。由于项目所具有的特性影响受测者对项目的理解和反应而导致的，具体机制如下：题目的社会称许性；题目的暗示性；题目的不明确性；量表格式造成的偏差；量表的锚定；正反向编码项目导致的偏差。 （3）问卷内容偏差。问卷内容偏差主要是语境效应导致，语境效应是指由于某个题目与构成该测量工具的其他项目之间的上下文联系所造成的被试对该题目独特的理解和解释。具体分为：项目启动效应；项目嵌套；语境诱发情绪；量表长度；不同构念项目的混合。 （4）测量环境导致的偏差。主要有：测量时间和地点带来的误差；使用相同的测量方法导致的偏差。 （1）程序控制方法：这种方法主要是从偏差的来源进行控制的，所以研究者应该首先考虑程序控制，在问卷设计和测量上尽量减少共同方法偏差来源，降低共同方法偏差的产生。程序控制的方法主要有以下几种：从不同来源测量预测与效标变量。对测量进行时间、空间、心理、方法上的分离。采用匿名测评，保护反应者的匿名性、减小对测量目的的猜度。合理设置问题的顺序。合理设置问卷长度。 （2）统计检验和控制方法：程序控制虽然能从根源上减少共同方法偏差的产生，但是在实际的实验设计和测量操作过程中，由于现实的环境和条件限制，程序控制也只能是减少共同方法偏差的来源，而无法完全消除共同方法偏差，这时就需要在数据分析时采用统计的方法来进行检验和控制，进一步降低共同方法偏差对研究的影响。具体检验和控制方法有6种：Harman单因素检验；偏相关法；潜在误差变量控制法；多质多法模型；相关独特性模型；直接乘积模型。关于这方面的文字内容这里不再赘述，感兴趣的同学可以自行参考文献内容（参考文献附在文后）。 下面我们来介绍操作部分，这里主要介绍Harman单因素检验SPSS操作和Amos潜在误差变量控制法操作。 （1）Harman单因素检验SPSS操作：Harman单因素检验法的优点是简单易用，但是没有任何控制方法效应的作用。一般不建议用这种方法做共同方法偏差检验。但是论文中使用的较多，所以存在就有其合理性。具体操作如下： 首先打开数据，流程是“分析——降维——因子分析”，其实这个操作和探索性因子分析很相似。但是，请注意，敲黑板啊：共同方法偏差的操作是，把所有量表题目均放入“变量”窗口，然后，变量右侧的按钮全部是默认状态，不需要进行任何操作，直接点击“OK”键输出结果。 结果解读：直接查看“解释的总方差”表格，读取第一公因子的方差解释百分比，一般只要第一个公因子的方差解释百分比小于40%，就可以认为不存在严重的共同方法偏差。也有的研究规定是小于30%，常用的临界标准是40%。如图所示,此量表提取了3个公因子，第一个公因子的方差解释百分比为37.015%，小于40%，可以认为此量表不存在严重的共同方法偏差。再次敲黑板：同学们在表述时一定要注意措辞，在实际研究和操作中，方法变异基本是无法完全消除的，所以，不管检验结果中的第一个公因子的方差解释百分比多小，请不要表述为“本量表不存在共同方法偏差”，除非你是在绝对理想的实验设计和真空中进行的操作。 （2）潜在误差变量控制法的Amos操作：这种方法是在结构方程模型中，将共同方法偏差作为一个潜变量加入模型，如果在包含方法偏差潜变量情况下模型的显著拟合度优于不包含共同方法偏差潜变量的情况，那么共同方法偏差效应就得到了检验，而包含共同方法偏差潜在变量的模型，对于预测与效标变量关系的估计则控制了共同方法偏差。具体操作如下： 因为这个过程也是基于因子分析的基础上进行的，关于绘制模型以及运行等过程不再介绍，请参考前面关于“合成信度”的相关内容 现在我们直接来比较两个模型：没加入共同方法偏差的因子分析模型（上图）和加入共同方法偏差为潜变量的模型（下图）。加入共同方法偏差潜变量的模型，在设定模型时，需要注意两点：因为共同方法偏差对每个观察变量的影响是相同的，所以从共同方法偏差潜变量到观察变量的路径系数（图中椭圆形内是路径）是相同的，要设定为相同的字母；其次，为了正常拟合模型，需要为共同方法偏差潜变量设置限定条件，我们设定共同方法偏差潜变量的方差为1（图中小方形内）。 然后导入数据，运行查看拟合结果。将两个模型的各相关拟合指标进行对比，如下表所示。对结果的解释，加入共同方法偏差潜变量后，拟合指标变好，比如说CFI 和 TLI 提高幅度超过0.1 ，RMSEA和RMR的降低幅度超过了0.05，就表明存在显著的共同方法偏差。拟合指标有很多，并不需要都进行汇报，根据自己需要选择汇报就行，但是卡方值和RMSEA是必须要汇报的。我们看表格中的输出数据：加入共同方法偏差后，卡方值提高0.095，RMSEA值提高0.006，CFI和TLI的值没有提高，反而降低，说明加入共同方法偏差潜变量后，模型的拟合指标并没有变好，说明不错在显著的共同方法偏差。 a) χ²：卡方值，检验选定的模型协方差矩阵与观察数据协方差矩阵相匹配的假设。原假设是模型协方差阵等于样本协方差阵。如果模型拟合的好，卡方值应该不显著。在这种情况下，数据拟合不好的模型被拒绝。 b) RMR:残差均方根，RMR 是样本方差和协方差减去对应估计的方差和协方差的平方和，再取平均值的平方根。RMR应该小于0.08，RMR越小，拟合越好。 c) RMSEA：近似误差均方根，RMSEA应该小于0.06，越小越好。 d) GFI：拟合优度指数，范围在0和1间，但理论上能产生没有意义的负数。按照约定，要接受模型，GFI 应该等于或大于0.90。 e) PGFI：简效拟合优度指数。它是简效比率(PRATIO，独立模式的自由度与内定模式的自由度的比率)乘以GFI。PGFI 应该等于或大于0.90，越接近1越好。 f) PNFI：简效拟合优度指数，等于PRATIO乘以 NFI。PNFI应该等于或大于0.90，越接近1越好。 g) NFI ：规范拟合指数，变化范围在0和1间， 1 = 完全拟合。按照约定，NFI 小于0.90 表示需要重新设置模型。越接近1越好。 h) TLI：Tucker-Lewis 系数，也叫做Bentler-Bonett 非规范拟合指数 (NNFI)。TLI接近1表示拟合良好。 i) CFI：比较拟合指数，其值位于0和1之间。CFI 接近1表示拟合非常好，其值大于0.90表示模型可接受,越接近1越好。
|
|
|
