首 页 音响网 音响 音响品牌 专业音响 家用音响 社区 新闻中心 企业文化 地方资讯

企业文化

【里昂第三大学】全球工商管理博士(DBA)丨学术研究:不同中文经

发布日期:2022-04-19 08:53   来源:未知   阅读:

  广西将建70个农产品数字化产地仓 助力乡村,原标题:【里昂第三大学】全球工商管理博士(DBA)丨学术研究:不同中文经济学期刊

  法国里昂第三大学,法国“卓越大学计划”高校(Université de Lyon),里昂大学工商管理硕士(MBA),工商管理博士(DBA)并含下列细分专业博士智能制造管理博士(DBA in IMM),人力资源管理博士(DBA in HRM),医疗健康管理博士(DBA in HM),金融管理博士(DBA in FM),纯学术博士(PhD)

  项目对象:企业家(特别是具有全球视野,有志于开拓全球市场的企业家)、企业决策者、企业高层管理人员、咨询行业专家、高校教师等

  研究者常常默认控制变量与核心变量相关显著且具有理论价值 , 实际上这种假设是存在问题的(Carlson & Wu, 2012)。例如 , Bernerth 和 Aguinis(2016)对 2003 至 2012 年间发表在顶级管理期刊上的 580 个实证研究进行分析后发现 , 在任务绩效的相关研究中 , 使用频率最高的五个控制变量在超过三分之二的研究中都与核心变量不存在显著相关 , Bernerth 等(2018) 曾对 2003 至 2014 年在 10本顶级管理学和应用心理学期刊中发表的领导力实证研究文献进行了元分析 , 发现所有控制变量的平均效应量只有0.04。

  如果控制变量与结果变量几乎不存在或者没有相关(例如 r < 0.1 ) , 这些控制变量就无法排除对结果变量的其他解释, Becker ( 2005 )称之为无效的控制变 量( Impotent Control Variables )手机最快现场报码开奖结果。无效的控制变量会降低自由度,可能会引发抑制效应( Suppression Effect ) , X 和 Y 的关系可能被夸大 , 犯一类错误的概率也可能会提高( Becker et al., 2016; Carlson MacKinnon et al., 2000 )。另一方面 , 也有一些研究者认为控制变量与结果变量的相关太强也会出现问题。例如, Atinc 等( 2012 )对 2005 至 2009 年间发表在四本顶级管理学期刊上的 261 篇报告了控制变量的解释量( R2 )的研究进行分析后发现,一些研究中控制变量解释的变异甚至比前因变量都高,将上述变量作为控制变量显然是不合适的。就控制变量与前因变量的相关而言,如果控制变量与前因变量的相关为 0, 控制变量与前因变量的半偏相关系数和简单相关系数等价,统计控制不会改变研究结果 ; 但是,随着二者共同变异(图 1 中的 c + g ) 的增加,前因变量的剩余变异所占原始变异的比例(图 1 中的 b + e/b + c + e + g )不断下降,统计控制对核心变量关系的影响也就更加明显( Bernerth et al., 2018 )。考虑到研究者使用的控制变量的数量以及相关系数的大小和方向,控制变量与前因变量和结果变量的相关模式存在多种可能性( York, 2018 ) ; 由于多元回归中多重共线性( Multicollinearity )(罗胜强,姜嬿 , 2014, pp.114-116 )等问题的存在,加入控制变量后前因变量的回归系数可能出现不稳定的情况。例如 , 控制前显著但控制后不显著,控制前后符号相反等。因此 , 即使前因变量的回归系数在加入控制变量前后出现显著差异,也不能证明加入控制变量能够更准确地估计前因变量的效应量( Becker et al., 2016 )。

  如前文所述,通过统计方法对额外变量进行控制后,研究者在假设检验中实际使用的是移除了控制变量与前因变量的共同变异(图 1 中的 c + g )后前因变量的剩余变异部分(图 1 中的 b + e )。由于无法确定移除的共同变异是否属于前因变量的有效变异 , 前因变量的原始意义、构念效度和回归系数都可能会因此而改变( Becker et al., 2016; Breaugh, 2006; Carlson Spector & Brannick, 2011 ) , 前因变量剩余变异的意义也很难用理论进行解释( Breaugh, 2008; Carlson & Wu, 2012 )。尽管多数研究者以为前因变量的构念效度始终没有改变( Atinc et al., 2012 ) , 但事实并非如此。例如, Judge 和 Cable ( 2004 )在研究身高对收入的影响时,将性别、年龄和体重作为控制变量,结果发现身高的回归系数显著。然而 , 将控制变量与身高的共同变异移除后 , 身高的剩余变异只有 40% ( Breaugh, 2008 )。显然,移除了性别、年龄和体重后身高的剩余变异并不能够代表身高的真实变异。

  除了影响前因变量的构念效度外,基于剩余变异推广研究结论还会影响研究的外部效度。例如 , 在研究尽责性( Conscientiousness )对组织公民行为( Organizational Citizenship Behavior, OCB )的影响时,研究者对员工的性别、年龄、受教育水平、工作任期等人口统计学变量进行控制,其实际在假设检验中使用的变异就是尽责性人格特质与员工的性别、年龄、受教育水平、工作任期等人口统计学变量不相关的剩余变异。然而在现实生活中,个体必然受到这些人口统计学变量的影响。剩余变异只是通过数学方法 “ 人造 ” 的变异 , 既不具有理论意义 , 也不具有现实意义。正如 Meehl ( 1970, p.147 )所言 :“ 在多元分析中,研究者通过某种数学 ‘ 修正 ’, 运用统计方法捏造了一个虚拟的、理想化的样本,样本中的成员是由虚构的分数赋值后的虚构的人群 ” 。在多数情况下,基于剩余变异的分析并不能带来有效的结论,甚至可能产生误导( Newcombe, 2003 )。

  将控制变量加入研究假设中,不仅能够帮助研究者选择更多具有理论意义的控制变量,还有助于研究者明确控制变量与核心变量的关系,鼓励研究者重视控制变量的价值,引导研究者在剩余变量的背景下解释研究结果( Atinc et al., 2012; Becker et al., 2016 )。尽管很多学者都建议将控制变量加入假设中( Becker et al., 2016; Carlson Spector &Brannick, 2011 ) , 且相关建议也已经加入了 AMJ 和 JOB 的审稿标准中( Bono & McNamara, 2011 ) , 但是将控制变量和核心变量一起加入研究假设中的研究仍非常少见。例如,本文对 2016 年至 2018 年间发表的 113 篇组织与管理领域的实证研究(见表 1 )进行了分析,没有一篇在研究假设中加入了控制变量。

  如果不将控制变量加入研究假设中,分析中实际使用的剩余前因变量与假设中的原始前因变量就是不一致的,假设检验就是无效的( Becker et al., 2016 )。如果研究者关注的是统计控制后前因变量单独解释的变异( Unique Variance, 图 1 中的 b ) , 例如在控制了工作自主性( Job Autonomy )的影响后工作压力能够单独解释离职中的变异量,使用统计控制方法就是可行的 ; 如果研究假设是基于前因变量和结果变量之间的共同变异(图 1 中的 b + c )提出的,例如工作压力和离职存在正相关,使用统计控制方法就是不恰当的。因为统计控制方法关注的重点是,移除了与控制变量的共同变异后,前因变量能够单独解释的结果变量中变异的部分( Breaugh, 2006 )。可惜的是 , 研究者常常混淆上述两种情况,在提出研究假设时聚焦于核心变量之间的相关,却用统计控制后前因变量单独解释的变异来检验研究假设( Becker, 2005 )。

  一般而言,需要比较的假设检验结果主要包含两类 : 一是加入与不加入控制变量的假设检验结果 ; 二是基于基线假设( Baseline Hypotheses )比较不同的替代性假设检验结果。为了体现出控制变量对核心变量的关系可能造成的影响,研究者应当分别报告包含与不包含控制变量的分析结果( Atinc et al., 2012; Becker, 2005; Bernerth et al., 2018 )。然而,很少有研究者会这样做。 Carlson 和 Wu ( 2012 )对 2007 年发表在 3 本顶级管理学期刊上的 266 篇实证研究进行分析后发现 , 只有 8% 的研究比较了包含与不包含控制变量的结果,并对其进行了报告。

  考虑到控制变量与核心变量关系的复杂性,以及控制变量角色的模糊性,研究者可以尝试基于基线假设, 围绕控制变量可能发挥的不同作用提出一些替代性假设。所谓基线假设,是指目前多数研究中都在使用的假设,基线假设中变量之间的关系一般是基于先前的研究和理论得到的(Spector & Brannick, 2011)。如有可能,研究者还应该努力提出一系列竞争性假设(Comparative Hypotheses) , 将一种机制与另一种机制对立起来 , 基于不同理论试图分辨不同的可能性。可惜的是,也很少有研究者这么做。

  控制变量的报告情况在一定程度上反映了研究者对控制变量的重视程度。如果研究者没有完整地报告与控制变量有关的结果,控制变量就难以充分发挥作用。本文认为在报告控制变量的相关信息时,主要存在信效度报告不充分、描述性统计信息报告不全面、控制方法的描述不清晰、对数据分析结果的报告不严谨等问题。

  研究者在报告信效度时常常会忽略控制变量。例如 , Becker ( 2005 )提出了一项想要控制疗养院规模的研究,将每年年初疗养院床位数的自然对数作为疗养院规模的测量指标。然而 , 测量的信度是未知的 , 因为该研究并没有报告床位数量的一致性情况 ; 测量的构念效度也有问题,因为该研究没有清晰地界定组织规模。研究者也没有解释为什么控制床位数而不是患者数,为什么控制年初的床位数而不是全年的床位数,为什么需要用自然对数等问题。可能因为额外变异难以全部移除( Breaugh, 2006, 2008 ) , 控制变量的测量信效度相对较低,但研究者却经常默认控制变量的信效度较高( Bernerth & Aguinis, 2016 )。如果控制变量的测量存在误差,即使核心变量的测量完全没有误差,在估计核心变量的关系时也会出现误差( Edwards, 2008 )。

  本文认为,研究者应当报告包括控制变量的均值、标准差等基本描述性统计信息。可惜的是,这并没有成为组织与管理研究者们的写作惯例。例如,在领导力研究中,30% 的研究者都没有报告控制变量的均值、标准差等重要的描述性统计信息(Bernerth et al., 2018)。报告控制变量与核心变量之间的相关系数、回归系数和显著性水平也非常重要,因为这样做便于计算前因变量的原始变异中剩余变异所占的比例(图 1 中的b + e/b + c + e + g)。在移除了前因变量与控制变量的共同变异后,前因变量的效应量可能会下降,因此统计控制前后可能会出现截然不同的结果(Breaugh, 2008)。例如,Janssen 和 Van Yperen(2004)控制了员工的性别、年龄和组织任期,基于目标定向理论(Target Orientation Theory)和领导成员交换理论(Leader-member Exchange, LMX), 预测下属的绩效定向(Performance Orientation) 与领导成员交换成负相关。虽然简单相关系数不显著,但加入控制变量后前因变量的回归系数显著 。

  一般而言,研究者需要描述纳入控制变量的具体方法。 Becker 等( 2016 )指出,在以下两种情况下研究者需要更清晰地描述控制方法。其一,使用不太常见的控制方法。例如, Ahmadjian 和 Robinson ( 2001 ) 在研究裁员对解除终身工作制( Deinstitutionalization of Permanent Employment )的作用时,使用面板概率分析方法( Panel Probit Analyses )控制了年份、出口量和行业。这种情况下就需要解释为什么使用上述方法而没有选择传统的统计控制方法。其二,当同样的控制变量在不同的分析中处理方式不同时,或者当某些控制变量在同样的分析中和其他控制变量的处理方式不同时,研究者也需要明确描述控制方法。例如 , Becker 等( 2016 )指出,如果用销售业绩的得分除以销售区域内的客户数量来控制区域对销售业绩的影响,研究者就需要解释为什么要使用这种方法,并解释为什么没有使用将客户数量加入回归方程中等更传统的方法。

  在组织与管理领域,使用层次回归分析法对额外变量进行统计控制已经成为了一种规范化的操作流程( Spector & Brannick, 2011 ) , 研究者在报告数据分析结果时一般都会纳入控制变量(例如在层次回归分析中的第一层加入控制变量的有关信息)。随着统计技术的发展,越来越多的研究者开始使用结构方程模型等其他统计方法分析数据分析。然而,可能是由于流行时间相对较短,在组织与管理领域,结构方程模型还没有像层次回归分析那样形成一套规范化的操作流程。研究者经常忘记报告与控制变量相关联的路径是被自由估计还是被固定的,在报告变量关系的路径图时也经常忽略控制变量( Becker et al., 2016 )。例如,本文对 2016 年至 2018 年间发表的 113 篇中文的组织与管理实证研究进行了分析 , 发现在使用了结构方程模型分析数据的 25 篇研究中,只有 6 篇研究解释并报告了控制变量的路径。

  针对控制变量的应用过程中存在的诸多问题,一些学者提出了合理使用控制变量的策略与建议。基于前文的问题分析,本文从研究设计、数据收集与分析、结果报告三方面入手总结了控制变量的应用策略 , 希望能够为组织与管理领域的研究者提供参考。

  研究设计阶段是控制变量应用过程中最关键的阶段。研究者需要思考 “ 为什么要使用控制变量 ” ,这是控制变量相关的一系列问题的起点( Bernerth & Aguinis, 2016 )。对此问题,以下回答都是不太恰当的:模仿其他研究者,为了让审稿专家满意,为了更保守地检验假设,认为控制变量对核心变量之间的关系有影响(无论是基于实证证据还是研究者的推测),排除对研究结果的其他解释,增加新的解释等。有意义的控制变量往往与理论关系密切,顶级学术期刊的审稿专家和编辑也要求研究者基于理论选择控制变量。例如, Green 等( 2016 )使用迭代法( Iterative Approach ),以审稿专家和编辑对投递至 Journal of Business and Psychology 的 69 篇稿件的 304 审稿意见为样本进行了质性分析,发现审稿专家和编辑要求样本中 14.49% 的稿件作者提供控制变量选择的理论基础。尽管理论导向的控制变量选择过程还没有被组织管理领域的研究者广泛采纳,但在国内,已经有研究者开始这样做。例如,谢菊兰、马红宇、唐汉瑛和姜海( 2017 , p.363 )在研究家庭支持型主管行为对双职工夫妻双方婚姻满意感的影响与作用机制时指出: “ 根据 ‘ 资源 - 获取 - 发展 ’ 观,家庭需求特征会影响工作资源提升员工家庭角色表现及功能的过程。基于此,本文选取是否有小孩、是否有父母帮助处理家务作为控制变量 ” ;张峰和杨建君( 2016, p.8 )在研究股东积极主义视角下大股东参与行为对企业创新绩效的影响时提出: “ 根据产权理论,由于国有企业大部分所有权归国家所有,经理人缺乏动力去最大化企业利润,因此本文将企业所有制分为国有企业和非国有企业并对其进行控制 ”。

  本文认为研究者可以采取以下四点策略选择有理论意义的控制变量。第一,研究者应充分回顾与研究假设相关的理论,如理论中的核心概念、核心命题和边界条件等。如果该理论明确指出在控制了某些额外变量的特定情景中使用该理论才具有合理性,研究者就应当控制这些额外变量( Becker et al., 2016 ),这是因为该理论可能是以统计控制后前因变量的剩余变异为背景提出的。除此之外,研究者还需要明确解释为什么没有控制一些理论中认为应该控制的额外变量( Breaugh, 2008 )。第二 , 研究者需要考虑在其采用的理论视角中,是否包含其他能够解释结果变量的潜在前因变量。例如, Wang , Jex , Peng,Liu 和 Wang ( 2019 )在研究情绪调节( Emotion Regulation )视角下员工的表层扮演( Surface Acting )和深层扮演( Deep Acting )对婚姻幸福感( Marital Well-being )的影响时,将自我损耗( Ego Depletion )作为解释机制的同时,控制了员工在工作中体验到的消极情绪,这是因为在情绪调节理论视角下,消极情绪也能解释表层扮演对婚姻幸福感的影响( Semmer, Messerli, & Tschan, 2016 )。第三,研究者需明确研究问题是否能够采用其他替代性理论进行解释,尤其是在有证据表明在该替代性理论中所涉及的前因变量可能与研究者所关注的前因变量存在显著相关时。第四,如果研究者确实无法为某个控制变量提供严谨的理论依据,但仍要将其加入研究设计中,那么至少需要基于适当的引用、统计、实证证据、符合逻辑的推导过程等,综合多方面论据论证为什么控制变量会影响核心变量及其关系( Becker, 2005 )。例如, Van Scotter, Motowidlo 和 Cross ( 2000, p.527 )在研究任务绩效( Task Performance )和周边绩效( Contextual Performance )对系统性奖励( Systemic Rewards )的影响时,为选择工作经验作为控制变量提供了三点理由: “ 首先,研究表明,工作经验解释了较多任务绩效包含的变异;其次,任务绩效和周边绩效与工作经验存在相关关系路径差异,这为区分上述两种绩效提供了支持;第三,在该研究中,工作经验与周边绩效之间的平均相关系数( r = 0.17 )表明不应忽视二者之间的关系。因此,如果不控制工作经验的差异,可能无法检测工作绩效( Job Performance )和其他变量之间的关系 ” 。尽管上述三条论据每一条都不是十分恰当,但是在缺乏严谨的理论基础时,综合多方面论据要比单独选择其中某一条论据更可靠。

  使用替代变量(以人口统计学变量为代表)常常会带来问题,但这并不代表人口统计学变量不重要。本文建议研究者不能仅仅把人口统计学变量当作控制变量来对待,而应该关注它们对核心变量的影响机制,如果能够对人口统计学变量的作用进行更全面的理论分析,研究者就可以对其研究的问题进行更深入的探讨( Spector & Brannick, 2011 )。事实上,常用的人口统计学变量是可以用理论进行解释的。例如, Bernerth 和 Aguinis ( 2016 )指出,不少研究都直接或间接地提到过人力资本理论( Human Capital Theory )和关系性人口学理论( Relational Demography Theory )。人力资本理论认为,经验积累能够帮助个体获得更好的工作、更高的收入、更多的资源,因此,任期、教育背景、工作经验等个体特征会对工作态度和行为带来积极影响。关系性人口学理论强调,员工如果与组织中其他个体相似,人际互动的满意度就会更高,工作相关的态度和行为就会因此而受到影响。如果上述理论与研究者提出的研究假设匹配,控制变量理论基础不足的问题就可能得到一定的缓解。

  好的研究需要在理论和假设之间建立严密的逻辑联系,因为假设能够引导研究的设计与分析过程( Aguinis & Vandenberg, 2014; Carlson Spector & Brannick, 2011 )。本文建议研究者在研究假设中加入控制变量,而不是只论述前因变量、结果变量等核心变量之间的关系,只有这样,包含控制变量的数据分析过程才是有意义的( Spector & Brannick, 2011 )。例如, Loi , Yang 和 Diefendorf ( 2009, p.772 )在研究组织公平( Organizational Justice )对个体间和个体内每天的工作满意度的影响时就将控制变量纳入了研究假设中,即 “ 在控制了每天的积极情绪后,个体内水平的人际公平与工作满意度呈正相关 ” 。当某个理论明确指出只有对某些额外变量进行控制后使用该理论才合理时( Becker et al., 2016 ),研究者更应该将控制变量加入研究假设中,因为这些理论可能是基于对某些额外变量进行控制后得到的前因变量的剩余变异提出的。

  不必要的控制变量会让变量之间的关系变得更复杂,凸显研究整体理论基础薄弱的问题,甚至可能间接移除其他变量的变异( Becker et al., 2016; Carlson Green et al., 2016; Spector & Brannick, 2011 );但遗漏重要的控制变量同样会带来错误地估计核心变量之间的关系等问题。在考虑控制变量的数量问题时,研究者首先需要尽可能多地选择与研究假设背后的理论框架相匹配的控制变量,之后再追求模型的简洁性,力求既简约又包含最多信息的模型( York, 2018 )。控制变量应用问题的核心并非数量问题,而是质量问题,找到正确的控制变量最重要。

  收集数据时 , 在某些情况下研究者应当考虑社会赞许性( Social Desirability )对研究结果的影响( Bernerth & Aguinis, 2016 ),这是因为社会赞许性可能会污染核心变量的测量过程。例如,在采用自我报告法( Self-reported Method )研究员工知觉到的不合规任务( Perceived Illegitimate Tasks )对退缩行为的影响时,由于体现出 “ 集权 ” 、 “ 控制 ” 等文化特征的威权领导( Authoritative Leadership )在我国企业中仍普遍存在(孙雨晴,罗文豪, 2018 ),员工可能会基于社会赞许性,报告更少的不合规任务与退缩行为,导致知觉到的不合规任务和退缩行为的测量被污染。遗憾的是,可能是因为曾有研究者对数据收集过程中的方法学偏差表示担忧,现在将社会赞许性作为控制变量的研究并不太常见( Bernerth & Aguinis , 2016 )。

  如前文所述,控制变量的影响不可忽略。因此,研究者应当同等重视控制变量与核心变量。具体来说:其一,研究者应当将控制变量的心理测量学标准提升至与核心变量同等的水平,采用同等的信效度标准( Becker et al., 2016 ; Carlson & Wu, 2012 )。其二,研究者不仅需要选择与控制变量所代表的概念相一致的测量方法,还要尽可能清晰地描述为什么要用这种方法进行测量( Becker, 2005; Becker et al., 2016 )。其三 , 如果有可能,最好同时对控制变量的构念效度、会聚效度和区分效度进行分析 , 并使用结构方程模型等技术检验控制变量的心理测量学指标( Becker et al., 2016 )。

  本文认为,控制变量与核心变量的相关不宜过高也不宜过低。如果研究者所认为的控制变量与结果变量相关太高,将这些变量作为前因变量或中介变量可能更合适。如果研究者所认为的控制变量与前因变量的相关过高,导致统计控制后前因变量的剩余变异(图 1 中的 b+e )所占原始变异的比例太小,前因变量的构念效度就很有可能发生改变。因此,控制变量与核心变量的相关不宜过高。相反,如果研究者所认为的控制变量与结果变量相关过低,意味着在研究中纳入一个与结果变量相关不显著的无效的控制变量,通常会导致难以准确地估计核心变量之间的关系。即使当控制变量与前因变量的相关很小时,统计控制对核心变量的关系的影响能够被忽略,控制变量与核心变量的相关也不宜过低。在研究中,控制变量与核心变量的相关太低相较于相关太高的问题或许更为普遍。例如, Bernerth 等( 2018 )对 2003 至 2014 年发表在 10 本顶级期刊中的领导力实证研究文献进行分析后发现,与核心变量相关不显著的控制变量高达五分之四。本文认为,最根本的问题依然是研究者所选择的控制变量是否具有理论意义,而不是控制变量与核心变量的相关是否显著。在缺乏理论基础的前提下,即使控制变量与核心变量的相关显著,也不一定要将其纳入模型中( York, 2018 );反之,在理论基础充足的前提下,即使控制变量与核心变量的相关不显著,也应该对其进行控制。

  此外,研究者还需要关注前因变量剩余变异的构念效度与原始变异是否相同,如果不同,使用剩余变异就是不合适的。如果研究假设本身就是针对前因变量的剩余变异提出的,使用剩余变异就没有问题。可惜的是,多数研究中研究假设是基于前因变量的原始变异提出的,假设检验过程却是围绕剩余变异而展开的( Breaugh, 2008 )。正因如此,很多学者都建议组织管理领域的研究者应当报告剩余变异所占原始变量的比例(图 1 中的 b + e/b + c + e + g )( e.g., Atinc et al., 2012; Becker et al., 2016; Breaugh, 2008; Carlson & Wu, 2012 )。返回搜狐,查看更多

网站首页 音响网 音响 音响品牌 专业音响 家用音响 社区 新闻中心 企业文化 地方资讯