管理研究过程与方法PPT.ppt

相关标准有效性 某些度量能够（或者其目的就是）对某些相关变量（称为标准变量）做出推断和预测，相关标准有效性指度量结果是否有助于推断或预测其它的相关变量。 例如，对新员工考试是为了预测该员工未来的工作绩效。如果发现在考试成绩与工作绩效之间确实存在较高的相关关系，则该度量具有相关标准的有效性。 对应于相关标准变量发生时间在过去、现在和将来，相关标准有效性又分别称为： 历史有效性（Postdictive Validity）； 并行有效性（Concurrent Validity）； 预测有效性（Predictive Validity）。 评价概念建构有效性的思路 度量同一概念的不同变量间应具有高相关性。 所有操作变量与概念有关的部分称为公共核。如果所有变量都来自同一个概念域，则这些变量的度量结果应该高度相关。当随机误差为零时，它们应完全相关。 度量不同概念的不同变量间应缺乏相关性 度量某个特定概念的变量不应与度量不同概念的其他变量相关，否则可能说明该变量和其他变量都具有共同的系统误差。 如果度量同一概念的变量中有某些变量不是来自正确的概念域。不同变量的度量结果之间相关性必然低。如果某变量完全不能度量目标概念，假定不同变量包含的系统误差来源不同，该变量与其它变量的度量结果应完全不相关。 评价概念建构有效性的要点 （1）明确目标概念的外延及维度，明确与概念有关的可观察变量的范围，哪些变量可以度量目标概念，各个变量分别可以度量目标概念的哪些方面，以及各个变量可能反映哪些目标概念之外的内容； （2）通过经验研究和统计分析，确定不同度量方法在多大程度上度量的是同一抽象概念，或者在多大程度上度量的是不同概念。 （3）通过控制性实验和调查研究等方法，确定与概念对应的变量产生的结果在何种程度上与和该概念有关的、并与得到广泛认可的理论结论相一致，度量是否与预期的结果相符。 会聚有效性评价 科学研究的一个基本原则是任何特定概念应该可以用多种不同方法分别度量。否则研究者无法知道测得的结果是基准概念还是度量过程本身的产物。 度量的会聚有效性说明用不同度量方法度量同一概念的度量结果在何种程度上共同变化（Conmon Variance）， 会聚有效性要通过判断不同度量方法的度量结果之间是否具有高相关性来评价。 差别有效性评价 差别有效性表示对一个新概念的测度在多大程度不是由测度变量与别的变量的相关性导致的。 差别有效性要通过判断该度量方法与用来测度不同概念的其它方法之间是否缺乏相关性来评价。 用来评价会聚有效性和差别有效性的常用方法是多属性－多方法矩阵。该矩阵的元素表示分别用不同的方法对不同的属性进行度量的结果相互之间的相关系数。产生多属性多方法矩阵的方法和属性应该尽可能独立。 会聚有效性和差别有效性评价举例 为了测度学校教师对MBA教育的看法，设计一种书面问卷进行抽样调查，问卷的项目是向被访问者提问对开展MBA教育所带来的各种影响的态度，如MBA教育的社会影响、开展MBA教育对学校地位的影响、MBA教育对学术研究的影响等，用1分到7分别表示从不满意到满意，各项得分加总作为受试者对MBA教育的测量值。为了评价该度量的会聚有效性和差别有效性，引入另外两个概念：对学校住房制度的态度和对校园环境的满意程度，同时采用不同的度量方法（如访谈或电话采访）。 多属性－多方法矩阵 多属性－多方法矩阵说明 矩阵元素表示分别用不同的方法对不同的属性进行度量的结果之间的相关系数。矩阵由4种元素分块组成，分别在分块左上角用数字标识： ① 可靠性对角； ③ 有效性对角； ② 异属性－同方法三角形； ④ 异方法三角形。 通过分析各分块中的数据可以对度量的可靠性、会聚有效性和差别有效性进行评价。 多属性－多方法矩阵说明 可靠性对角①中的数据反映了用方法1对三种态度分别度量的可靠性。它表示用同种方法对同一属性进行多次度量时，测度结果间的相关程度，也可以用显著性水平参数α代替。 有效性对角③描述了度量的会聚有效性，即：使用不同方法度量同一概念所得出的度量结果之间的一致程度。相关系数显著地区别于零并且足够大表明度量有较高的会聚有效性。图中的有效性系数分别为0.450，0.395和0.464，显著性水平0.01。 多属性－多方法矩阵说明 评价差别有效性需要进行三种比较： （1）有效性对角③中的相关系数应该大于异方法三角形④中处于同行或同列的相关系数。它表明对同一属性用不同方法进行的度量结果间的相关关系应该高于属性和方法都不相同的两个度量之间的相关关系。这是最起码的要求，图中的数据满足了这个条件。 （2）有效性对角③中的相关系数应该高于异属性－同方法三角形②中的相关系数，这表明用不同方法对同一属性的度量间的相关程度必须高于用同种方法对不同属性的度量间的相关程度。这是一个更加严格的要求