共同方法偏差（common method bias）2011-10-02 15:27
共同方法偏差研究的背景：
共同方法偏差（common method biases，CMB）,是指由于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的人为的共变性。它是源于测量方法而不是研究构念的一种变异，这里的方法包括不同的抽象水平，如特定条目内容、问卷类型、反应形式、一般测试环境等。在最抽象水平上，方法效应可以解释为诸如光环效应（Halo effect）、社会赞许性、熟悉-宽容效应或是-否一致性反应等。共同方法偏差在心理学、行为科学研究尤其是在问卷法中广泛存在。早在40年前美国心理学家Campbell,D.T.& Fiske（1959）就对CMB进行探讨，近年来已成为一个新的热点话题。国内学者对于这个问题的严重性已开始有所觉察，但无论在理论和实践上都还缺乏有力的探讨。
共同方法偏差之所以值得关注，在于它是测量误差的主要来源之一，属于系统误差的范畴。共同方法偏差效应可以独立于研究假设之外对研究变量之间的关系提供另外一种解释，但在经典心理测量中通常并未对此进行单独的分离和处理。如果共同方法偏差比较严重的话,可能会影响到研究结论的有效性甚至误解。人们对于共同方法偏差的效应的关注，大多源于人们对多质多法（Multitrait-Multimethods，MTMM）研究文献的元分析。其中最有代表性的是Cote 和Buckley（1987）对70项采用MTMM方法进行的研究的共同方法偏差的元分析。这些研究领域包括教育学、社会学、管理科学等，分析结果发现：在通常的工作绩效测评中大约1/3（26.3%）的变异是由CMB等系统误差造成的，在教育学领域中的变异比例最大，达到30.5%。另外，在工作成就测量中CMB的平均效应为40.7％，而态度测量中的CMB效应达到40.7%。William等（1987）对应用心理学文献的元研究中也发现同样的模式。
避免共同方法偏差的措施：
通过研究程序的设计来控制和减少共同方法偏差的关键是确定预测变量和反应变量的测量,从而减少和消除这种偏差。一般而言，预测变量与反应变量的关联从三个方面体现出来：1）反应者；2）测量环境和问卷本身所提供的背景线索；3）问卷题目中的特定表述和形式。为此，研究者在研究设计与测量过程中所采取的控制措施有：
1）从不同来源测量预测与效标变量，
2）对预测变量和反应变量在测量的时间上（测量间距）、空间上（不同环境）、心理上（插入故事）与方法学上（纸笔、电脑、网络、访谈、量表形式的）适当分离，
3）保护反应者的匿名性、减小对测量目的的猜测度，
4）平衡项目的顺序效应
5）改进量表项目等。
Harman的单因素检验：
基本假设是:如果存在方法变异，那么对包含所有研究构念的全部条目进行探索性因素分析时会析出一个未旋转因子，并且该公共因子解释了大部分变异。目前比较普遍的做法是采用验证性因素分析，设定公因子数为1，对“单一因子解释了所有变异”的假设进行精确的检验。
示例:Harris S G, Mossholder K W. et al.(1996)对组织文化特征（4个变量）和工作结果特征（5个变量）的CMB进行考察。采用EQS软件分别对九因素模型和一因素模型进行验证性因素分析，结果发现九因素模型拟合良好（CFI=.95，NFI=.94），而一因素模型拟合不好（CFI=.46，NFI=.41）。模型X2比较发现，△X2=1040，△df=60，表明九因素模型对数据的拟合优于单因素模型。作者认为，“CMB对研究结果的解释并不会有严重的威胁”。[the affective implications of perceived congruence with culture dimensions during organizational transformation. Journal of Management, 1996, 22(4): 527-547]
评价:就目前而言，Harman的单因素方法并不是最好的但却最常用的方法．该方法的特点在于共同方法偏差来源不明确的情况下，对ＣＭＢ的效应进行检测．如果ＣＭＢ效应显著则可以采取另外的方法进行统计控制．正如本例的结论，模型卡方不显著，可以认为包括共同方法偏差在内的测量误差的效应并不显著，对研究结论不会造成严重的影响．
值得注意的是，如果检测ＣＭＢ效应显著且解释较大的变异量时，是否就意味着共同方法偏差显著呢？回答是否定的．或许研究变量本身就包含一个有意义的共同结构．这需要研究者进行科学的判断。
加微信，拉你入群
全部版块
我的主页
收藏
