共同方法偏差(CMV)检验是结构方程模型中必要且关键的一步检验。
共同方法偏差(Common Method Bias, CMB)是指在研究中,由于数据收集的方式或其他外部因素导致的系统性误差,从而影响数据的真实性。CMB问题在自我报告、问卷调查等方法中尤为常见,因为在这些情况下,受访者可能会因个人倾向、社会期望等因素在回答问题时产生偏差。
常用的共同方法偏差检验方法包括:
1. Harman单因子检验
原理:通过因子分析判断是否有单一因子解释了大部分的方差。
操作:进行无旋转的探索性因子分析(EFA),如果第一个因子的方差贡献超过50%,说明可能存在共同方法偏差。
优缺点:简便,但较为粗略,且对结果的信度和效度要求较高。
操作步骤:
(1)分析——降维——因子
(2)然后全选题项至右边变量框,默认选项,点击确认
(3)最后看数值,低于50%则说明不存在CMV问题,越低越好。
2. CFA Marker Variable Technique(确认性因子分析标记变量法)
原理:引入一个与主要测量变量不相关的“标记变量”作为控制变量,通过结构方程模型控制共同方法偏差。
操作:在模型中加入标记变量,比较模型拟合优度和路径系数是否显著变化。
优缺点:可以较好地识别共同方法偏差,适用于具有良好理论基础的模型,但复杂性较高。
操作步骤:
(1)构建单因子相关模型
记录以下数据
(2)构建多因子相关模型
记录以下数据
(3)最后计算
总的来说,掌握以上两种方法,就可以解决CMV的检验问题。不过也还有下面几种可替代的检验方法,供大家借鉴:
3. 共同方差方法(Common Latent Factor)
原理:在结构方程模型(SEM)中加入一个公共潜变量,用于控制所有测量变量的共同方差。
操作:将所有测量项负荷到一个潜变量上,观察该潜变量的解释能力;如果该潜变量的解释效果很高,则可能存在共同方法偏差。
优缺点:较为精确,但对数据要求较高,适合较复杂的模型。
4. 调查设计改善法
原理:在问卷设计阶段采取措施减少偏差,例如在问卷中随机排列题目、避免题目表述的类似性、匿名性等。
操作:在问卷中改变题目顺序、措辞,减少题目之间的相似性。
优缺点:通过设计减少共同方法偏差的可能性,是一种预防方法,适合问卷设计阶段。
5. 多方法收集数据
原理:通过不同数据收集方式(如问卷、访谈、观察)来减少因同一方法造成的偏差。
操作:在研究设计阶段采用多种方法收集数据,例如,采用第三方观察或系统记录,减少自我报告数据的偏差。
优缺点:能有效减少共同方法偏差,但增加了数据收集的成本和难度,适合长时间或多源数据的研究。
可以根据研究数据的特征选择合适的检验方法,确保结果的信度和效度。