分析)当作定距变量,而在另外一些分析中(如方差分析)可通过分组作为定类 变量处理。另外,较髙尺度的变量包含了较低尺度变量的性质。定序变量包含了 定类变量的所有特征,定距变量同时包含了定序变量和定类变量的特征。这种性 质允许在分析数据时把一些较高尺度变量作为较低尺度变量处理。例如,定距变 量可当作定类变量或定序变量看待,而定序变量可作为定序变量分析。 以上通过三种不同方法对变量进行分类,在数据的统计分析中非常重要,在 不同的情况下,需要对变量做不同的分类。实际上上述分类方法是可以交叉的, 个变量可能是离散型变量、自变量、定类变量(如“最高学历”),也可能是连 续型变量、因变量、定距变量(如“血压”)。按间隙分类和按测量尺度分类的重 叠如图43所示。 离散变 定类变量 定序变量 连续变 定距变量 图4.3各类变量之间的关系 因为自变量与因变量是根据分析目的而不是按变量本身性质来划分的,所以 图2-3中没有包括这种分类。由图2-3中可以看出,定类变量必须是离散变量, 而定距变量和定序变量可以是离散变量或连续变量;连续变量必须是定序变量或 定距变量。例如,变量“性别”是离散变量又是定类变量;变量“年龄”可当作 定距变量、连续变量,也可以作为定类变量、离散变量, 以上四种变量对事物的度量层次是由低级到髙级、由粗略到精确逐步递进的 高层次计量尺度的变量可以转化成低层次计量尺度的变量:反之不行,即低层次 计量尺度的变量不能转化成高层次计量尺度的变量。低层次计量尺度的变量适用 的统计方法高层次计量尺度的变量也适用;反之,高层次计量尺度的变量适 用的统计方法低层次计量尺度的变量并不适用,如表4.3所示。 表43数据的四种计量尺度及其适用统计方法的比较 ①米红,张文璋实用现代统计分析方法与SPSS应用M]北京:当代中国出版社,2000:10
- 11 - 分析）当作定距变量，而在另外一些分析中（如方差分析）可通过分组作为定类 变量处理。另外，较高尺度的变量包含了较低尺度变量的性质。定序变量包含了 定类变量的所有特征，定距变量同时包含了定序变量和定类变量的特征。这种性 质允许在分析数据时把一些较高尺度变量作为较低尺度变量处理。例如，定距变 量可当作定类变量或定序变量看待，而定序变量可作为定序变量分析。 以上通过三种不同方法对变量进行分类，在数据的统计分析中非常重要，在 不同的情况下，需要对变量做不同的分类。实际上上述分类方法是可以交叉的， 一个变量可能是离散型变量、自变量、定类变量（如“最高学历”），也可能是连 续型变量、因变量、定距变量（如“血压”）。按间隙分类和按测量尺度分类的重 叠如图4.3所示。 图 4.3 各类变量之间的关系① 因为自变量与因变量是根据分析目的而不是按变量本身性质来划分的，所以 图 2-3 中没有包括这种分类。由图 2-3 中可以看出，定类变量必须是离散变量， 而定距变量和定序变量可以是离散变量或连续变量；连续变量必须是定序变量或 定距变量。例如，变量“性别”是离散变量又是定类变量；变量“年龄”可当作 定距变量、连续变量，也可以作为定类变量、离散变量。 以上四种变量对事物的度量层次是由低级到高级、由粗略到精确逐步递进的。 高层次计量尺度的变量可以转化成低层次计量尺度的变量；反之不行，即低层次 计量尺度的变量不能转化成高层次计量尺度的变量。低层次计量尺度的变量适用 的统计方法高层次计量尺度的变量也适用；反之，高层次计量尺度的变量适 用的统计方法低层次计量尺度的变量并不适用，如表 4.3 所示。 表 4.3 数据的四种计量尺度及其适用统计方法的比较 ① 米红，张文璋.实用现代统计分析方法与 SPSS 应用[M]. 北京：当代中国出版社，2000：10. 定类变量 定序变量 定距变量 连续变量 离散变量
适用统计分析方法 尺度 基本性质 举例 描述统计方法 推断统计方法 定类尺度明对象或其类别的数性别,品牌,商比例,众数 x2检验,二项式检验 表示对象的相对位置,但偏好排序,在市场 序相关系数, Friedman 定序尺度下能表示差异大小的数中的位次,社会层比例,众数,中位数 ANOVA 以比较对象间的差异 中位数,全距,均值,相关系数,t检验 定距尺度 态度,意见 ANOVA,回归分析,因子 不存在绝对零点 标准差 析 存在绝对零点,可以计算年龄,收入,成本,佺距,均值,标准差, 相关系数,t检验, 定比尺度 NOVA,回归分析,因子 寸象间的比率 售量,市场份额几何均值,调和均值 份析,变异系数 此外,按照统计数据的收集方法,统计数据分为观测的数据和实验的数据, 其中观测数据是通过调查或观测而收集到的数据,实验数据是在实验中控制实验 对象而收集到的数据。统计数据还可以按照被描述的对象与时间的关系分为截面 数据和时间序列数据,其中截面数据是在相同或近似相同的时间点上收集的数据, 时间序列数据在不同时间上收集到的数据 三、多维构念测量 前面讨论的构念都是可以直接由多个指标来测量的,这样的构念是简单的单 维构念。管理学中还有很多更为复杂的构念,它包含了几个维度,而每个维度也 都是不可直接观测的构念。所谓的构念的“维度”,简单地说就是一个构念是由 几个不同的部分组成的。例如,对于“组织公平感”这个构念,在1980年以前 已经有了以亚当斯( Adams,1965)的公平理论为代表的多个理论解释为什么组 织公平感会影响人的行为,这些理论都一致认为人们在组织中的公平感主要就是 对于组织分配的结果是否觉得公平,这被称为“分配公平”。后来, Leventhal等 人(1980)把法律纠纷解决过程的理论应用到组织中,提出了在组织中员工其实 也看重组织运行过程中的公平,当组织具有平等待人、没有偏见等6个方面的特 征时,员工也会觉得公平,他们将其命名为“程序公平”。这样,组织公平这个 构念中就包含了两个子构念了。到1986年,Bies和Moag(1986)提出了另外 个不同的概念,他们发现其实员工在组织内的人际互动的质量也是组织公平感 形成的重要部分,他们将此称为“互动公平”。于是,现在的研究中提到组织公 平感时,都默认包含了至少3个维度。至于“组织公平”是否就是仅仅包含了这 3个维度,或者这3个维度是否准确,在此不展开讨论,这个例子只是说明“组
- 12 - 尺度 基本性质 举例 适用统计分析方法 描述统计方法 推断统计方法 定类尺度 表明对象或其类别的数 字 性别，品牌，商店比例，众数 2 x 检验，二项式检验 定序尺度 表示对象的相对位置，但 不能表示差异大小的数 字 偏好排序，在市场 中的位次，社会层 次 比例，众数，中位数 顺序相关系数，Friedman ANOVA 定距尺度 可以比较对象间的差异， 但不存在绝对零点 态度，意见 中位数，全距，均值， 标准差 相关系数， t 检验， ANOVA，回归分析，因子 分析 定比尺度 存在绝对零点，可以计算 对象间的比率 年龄，收入，成本， 销售量，市场份额 全距，均值，标准差， 几何均值，调和均值 相关系数， t 检验， ANOVA，回归分析，因子 分析，变异系数 此外，按照统计数据的收集方法，统计数据分为观测的数据和实验的数据， 其中观测数据是通过调查或观测而收集到的数据，实验数据是在实验中控制实验 对象而收集到的数据。统计数据还可以按照被描述的对象与时间的关系分为截面 数据和时间序列数据，其中截面数据是在相同或近似相同的时间点上收集的数据， 时间序列数据在不同时间上收集到的数据。 三、多维构念测量 前面讨论的构念都是可以直接由多个指标来测量的，这样的构念是简单的单 维构念。管理学中还有很多更为复杂的构念，它包含了几个维度，而每个维度也 都是不可直接观测的构念。所谓的构念的“维度”，简单地说就是一个构念是由 几个不同的部分组成的。例如，对于“组织公平感”这个构念，在 1980 年以前 已经有了以亚当斯（Adams，1965）的公平理论为代表的多个理论解释为什么组 织公平感会影响人的行为，这些理论都一致认为人们在组织中的公平感主要就是 对于组织分配的结果是否觉得公平，这被称为“分配公平”。后来，Leventhal 等 人（1980）把法律纠纷解决过程的理论应用到组织中，提出了在组织中员工其实 也看重组织运行过程中的公平，当组织具有平等待人、没有偏见等 6 个方面的特 征时，员工也会觉得公平，他们将其命名为“程序公平”。这样，组织公平这个 构念中就包含了两个子构念了。到 1986 年，Bies 和 Moag（1986）提出了另外 一个不同的概念，他们发现其实员工在组织内的人际互动的质量也是组织公平感 形成的重要部分，他们将此称为“互动公平”。于是，现在的研究中提到组织公 平感时，都默认包含了至少 3 个维度。至于“组织公平”是否就是仅仅包含了这 3 个维度，或者这 3 个维度是否准确，在此不展开讨论，这个例子只是说明“组
织公平”这个构念如何从一个单一维度构念转变成多维度概念。 单维构念本身是不可观测的、抽象的,但它可以由可观测、具体的指标直接 测量。相比而言,多维构念和子维度都是不可直接观测的概念,可观测指标是用 来测量子维度的。既然指标只能直接测量子维度,那么如何通过维度来估计构念 呢?如果不能讨论清楚维度与构念之间的关系,上面这个问题是无法解决的。过 去很长一段时间,这个问题并没有得到重视,学者们根据自己的想法,要么把所 有的维度加总取平均,要么就在维度层面做分析,在构念层面做结论。多维构念 与它的各维度之间的关系比单维构念与其指标之间的关系更复杂。Law,Wong 和 Mobley(1999)的文章,以及Law和Wong(1999)的文章都讨论了多维构 念与其各维度间的三种可能的关系,它们是潜因子模型、合并模型和组合模型。 虽然构念与维度的关系与前面所讲的指标类型有部分相似的地方,但是它们其实 是不同性质的问题。 (一)潜因子模型 潜因子模型的一个经典例子是一般智力能力( general mental ability,GMA) 斯皮尔曼在1927年把GMA描述成众多智力活动(如语文能力、数量计算能力、 记忆和推理能力等)背后的一个共同因素。他从数据分析中发现,虽然人可以在 各方面表现出不同的能力,但所有能力的背后有一个共同变异的部分,这个部分 好像一个潜在的因子影响着人的各方面的智力表现,只是我们暂时还不清楚这个 部分从哪里来,故把它命名为g因素。图44表示了各种智力活动与g因素的关 系,每一个椭圆形所表示的能力称为具体能力,而在这部分能力的背后,共同影 响它们的因素被称为一般智力能力(g因素) 语文能力 记忆能力 数学计算能力 13
- 13 - 织公平”这个构念如何从一个单一维度构念转变成多维度概念。 单维构念本身是不可观测的、抽象的，但它可以由可观测、具体的指标直接 测量。相比而言，多维构念和子维度都是不可直接观测的概念，可观测指标是用 来测量子维度的。既然指标只能直接测量子维度，那么如何通过维度来估计构念 呢？如果不能讨论清楚维度与构念之间的关系，上面这个问题是无法解决的。过 去很长一段时间，这个问题并没有得到重视，学者们根据自己的想法，要么把所 有的维度加总取平均，要么就在维度层面做分析，在构念层面做结论。多维构念 与它的各维度之间的关系比单维构念与其指标之间的关系更复杂。Law，Wong 和 Mobley（1999）的文章，以及 Law 和 Wong（1999）的文章都讨论了多维构 念与其各维度间的三种可能的关系，它们是潜因子模型、合并模型和组合模型。 虽然构念与维度的关系与前面所讲的指标类型有部分相似的地方，但是它们其实 是不同性质的问题。 （一）潜因子模型 潜因子模型的一个经典例子是一般智力能力（general mental ability，GMA)。 斯皮尔曼在 1927 年把 GMA 描述成众多智力活动（如语文能力、数量计算能力、 记忆和推理能力等）背后的一个共同因素。他从数据分析中发现，虽然人可以在 各方面表现出不同的能力，但所有能力的背后有一个共同变异的部分，这个部分 好像一个潜在的因子影响着人的各方面的智力表现，只是我们暂时还不清楚这个 部分从哪里来，故把它命名为 g 因素。图 4.4 表示了各种智力活动与 g 因素的关 系，每一个椭圆形所表示的能力称为具体能力，而在这部分能力的背后，共同影 响它们的因素被称为一般智力能力（g 因素）。 语文能力 记忆能力 数学计算能力 g
图44智力能力图示 上述例子表明,在智力能力这类多维构念中,各个维度都是同一个构念的不 同表现,这类多维构念称为“潜因子型多维构念( latent multidimensional constructs, LMC)”,因为LMC可以在数学上表示为各个维度背后的一个潜因子(或共同因 子)。LMC是概念上最简单,估计和解释起来也较为容易的一类型的多维构念, 管理学研究中的大部分构念也都属于LMC类型的多维构念。 现在用对情绪智力( Emotional Intelligence,EI)的定义作为例子来说明LMC 的特征。 Salovey和 Mayer(199,p.189)把情绪智力定义为“一个人能够了解 他人的感觉和情绪,能区分它们,并且能使用情绪的信息引导自己的思考和行为”, 但他们对这个定义不满意,于是在1997年又把定义修改为“情绪智力被定义为 四个方面的能力感知情绪、使用情绪促进思考、理解情绪和管理情绪”( Mayer 和 Salovey,1997),其中,感知情绪是指感觉到并识别出自己和他人的情绪,并 且能够识别出这些情绪的刺激物是什么,如声音、故事、音乐等;使用情绪促进 思考是指使用情绪来提高注意力,并且可以理性地、有逻辑地以及更有创造力地 进行思考:理解情绪就是明白情绪的语言,了解情绪是如何混合在一起影响我们 的,以及情绪之间转换的机制;管理情绪是能够控制和调整情绪,以促进个人成 长的能力。根据他们的定义,情绪智力则是一个潜因子模型构成的多维构念,它 表现为4个方面的能力,而每一方面的能力也都是一个抽象的构念。根据这样的 定义,EI与其4个维度之间的关系可以用数学式表示为 感知情绪=a1xE+61 使用情绪=a2xEI+62 理解情绪=O3xE/+63 管理情绪=O4×E/+4 但是,因为每一个维度本身也是不可直接观察的抽象构念,所以还需要为每 个维度发展一些可观测的指标对维度进行测量。每个维度都可以视为一个单维度 构念,因此与前述单维度构念的测量模型是相同的 (二)合并模型 合并型多维构念( Aggregate Multidimensional Construct,AMC)是另一类型 的多维度构念。例如对于构念“工作嵌入”,这个构念是 Mitchell等(2001)提 出,并明确说明这个构念是一个合并型构念,而不是潜因子模型。 Mitchell等(2001)
- 14 - 图 4.4 智力能力图示 上述例子表明，在智力能力这类多维构念中，各个维度都是同一个构念的不 同表现，这类多维构念称为“潜因子型多维构念（latent multidimensional constructs， LMC）”，因为 LMC 可以在数学上表示为各个维度背后的一个潜因子（或共同因 子）。LMC 是概念上最简单，估计和解释起来也较为容易的一类型的多维构念， 管理学研究中的大部分构念也都属于 LMC 类型的多维构念。 现在用对情绪智力（Emotional Intelligence，EI）的定义作为例子来说明 LMC 的特征。Salovey 和 Mayer（1990，p.189）把情绪智力定义为“一个人能够了解 他人的感觉和情绪，能区分它们，并且能使用情绪的信息引导自己的思考和行为”， 但他们对这个定义不满意，于是在 1997 年又把定义修改为“情绪智力被定义为 四个方面的能力感知情绪、使用情绪促进思考、理解情绪和管理情绪”（Mayer 和 Salovey，1997），其中，感知情绪是指感觉到并识别出自己和他人的情绪，并 且能够识别出这些情绪的刺激物是什么，如声音、故事、音乐等；使用情绪促进 思考是指使用情绪来提高注意力，并且可以理性地、有逻辑地以及更有创造力地 进行思考；理解情绪就是明白情绪的语言，了解情绪是如何混合在一起影响我们 的，以及情绪之间转换的机制；管理情绪是能够控制和调整情绪，以促进个人成 长的能力。根据他们的定义，情绪智力则是一个潜因子模型构成的多维构念，它 表现为 4 个方面的能力，而每一方面的能力也都是一个抽象的构念。根据这样的 定义，EI 与其 4 个维度之间的关系可以用数学式表示为 1 1 2 2 3 3 4 4 = = = = EI EI EI EI 感知情绪 使用情绪 理解情绪 管理情绪 但是，因为每一个维度本身也是不可直接观察的抽象构念，所以还需要为每 个维度发展一些可观测的指标对维度进行测量。每个维度都可以视为一个单维度 构念，因此与前述单维度构念的测量模型是相同的。 （二）合并模型 合并型多维构念（Aggregate Multidimensional Construct，AMC）是另一类型 的多维度构念。例如对于构念“工作嵌入”，这个构念是 Mitchell 等（2001）提 出，并明确说明这个构念是一个合并型构念，而不是潜因子模型。Mitchell 等（2001）
发现过去的文献认为员工决定是否留在一个组织的原因是由他对工作和组织的 态度决定的,当一个人对组织产生了不好的看法时,可能会考虑离开;而如果 个员工还愿意留在组织,可能因为对于组织还存有积极的看法。 Mitchel等(2001) 认为其中还有其他的解释原因。他们发现很多员工留在一个组织是因为他们好像 附着在一张巨大的网上,这个网是由他们与这里的人和事的种种关系组成的,让 他们很难做出离开的决定。于是, Mitchell等人就将员工与这张网联系的紧密程 度定义为“工作嵌入”。他们提出“工作嵌入”包括联系、匹配和牺牲等3个方 面的内容,其中,联系是指员工与组织及组织里的其他同事之间的正式或非正式 的关系,匹配是指员工觉得他与环境和周围人匹配的程度,牺牲是指员工预期如 果离开这个组织将会带来的各种物质和心理的成本。 Mitchell等人认为,工作嵌 入并不是上述3个方面背后共同的潜因子,而是因为有了这3方面才共同组成了 工作嵌入,这3方面不一定要都高或者都低,它们之间有一定程度的彼此替代性。 图45表示了工作嵌入与它的3个维度之间的关系,这样类型的多维构念就 称为合并型多维构念。如果说潜因子型多维构念是个多维构念的不同表现,那么, AMC的各个维度就是多维构念的不同组成部分。 联系 X2 X3 匹配 工作嵌入 X4 牺牲 X6 图4.5“工作嵌入”合并型多维构念 AMC可以定义为其各个维度的函数。为了讨论方便,我们这里都假设AMC 是它各度的线性函数。但实际上,AMC可以是其各维度的复杂函数。值得强调 的是,LMC和AMC的估计过程是不一样的,LMC可以通过探索性因子分析或 验证性因子分析进行估计。但是,AMC的估计要复杂得多,一种方法是从理论 出发定义每个维度的权重,然后直接把维度合并到构念中。而对于那些没有足够
- 15 - 发现过去的文献认为员工决定是否留在一个组织的原因是由他对工作和组织的 态度决定的，当一个人对组织产生了不好的看法时，可能会考虑离开；而如果一 个员工还愿意留在组织，可能因为对于组织还存有积极的看法。Mitchell 等（2001） 认为其中还有其他的解释原因。他们发现很多员工留在一个组织是因为他们好像 附着在一张巨大的网上，这个网是由他们与这里的人和事的种种关系组成的，让 他们很难做出离开的决定。于是，Mitchell 等人就将员工与这张网联系的紧密程 度定义为“工作嵌入”。他们提出“工作嵌入”包括联系、匹配和牺牲等 3 个方 面的内容，其中，联系是指员工与组织及组织里的其他同事之间的正式或非正式 的关系，匹配是指员工觉得他与环境和周围人匹配的程度，牺牲是指员工预期如 果离开这个组织将会带来的各种物质和心理的成本。Mitchell 等人认为，工作嵌 入并不是上述 3 个方面背后共同的潜因子，而是因为有了这 3 方面才共同组成了 工作嵌入，这 3 方面不一定要都高或者都低，它们之间有一定程度的彼此替代性。 图 4.5 表示了工作嵌入与它的 3 个维度之间的关系，这样类型的多维构念就 称为合并型多维构念。如果说潜因子型多维构念是个多维构念的不同表现，那么， AMC 的各个维度就是多维构念的不同组成部分。 图 4.5 “工作嵌入”合并型多维构念 AMC 可以定义为其各个维度的函数。为了讨论方便，我们这里都假设 AMC 是它各度的线性函数。但实际上，AMC 可以是其各维度的复杂函数。值得强调 的是，LMC 和 AMC 的估计过程是不一样的，LMC 可以通过探索性因子分析或 验证性因子分析进行估计。但是，AMC 的估计要复杂得多，一种方法是从理论 出发定义每个维度的权重，然后直接把维度合并到构念中。而对于那些没有足够 X1 X2 X3 X4 X5 X6 联系 匹配 牺牲 工作嵌入