管理研究方法PPT課件.ppt

管理實證研究方法 2020 1 9 2 2020 1 9 1 得到一個大概方向2 查相關(guān)中文綜述 查看國內(nèi)有誰在做研究3 查外文綜述 比較一下 畢竟外文會更前沿 詳盡一些 看看大家對什么感興趣4 查看關(guān)鍵的參考文獻(xiàn) 注意雜志和作者的權(quán)威性 引用次數(shù)5 重檢相關(guān)全文 注意研究方法 技術(shù)路線和研究展望 討論中存在或需要解決什么問題6 考慮我能做什么 怎么做7 再進(jìn)一步緊縮范圍 有一個框架圖8 根據(jù)框架圖進(jìn)一步查外文原文 將框架細(xì)化 確定研究變量 9 繼續(xù)下一步工作 選擇研究對象 選擇量表 數(shù)據(jù)處理和結(jié)果分析 因此 在前期的構(gòu)思和設(shè)計中文獻(xiàn)查找和閱讀很重要 3 2020 1 9 英文文獻(xiàn)查找和閱讀 一 先看綜述先讀綜述 可以更好地認(rèn)識課題 知道已經(jīng)做出什么 自己要做什么 還有什么問題沒有解決 對于國內(nèi)文獻(xiàn)一般批評的聲音很多 但它是你迅速了解你的研究領(lǐng)域的入口 在此之后 你再看外文文獻(xiàn)會比一開始直接看外文文獻(xiàn)理解的快得多 而國外的綜述多為本學(xué)科的資深人士撰寫 涉及范圍廣 可以讓人事半功倍 4 2020 1 9 二 有針對地查找和選擇文獻(xiàn)針對你自己的方向 找相近的論文來讀 從中理解文章中回答什么問題 通過哪些技術(shù)手段來證明 有哪些結(jié)論 從這些文章中 了解研究思路 邏輯推論 學(xué)習(xí)技術(shù)方法 1 關(guān)鍵詞 主題詞檢索 關(guān)鍵詞 主題詞一定要選好 這樣 才能保證你所要的內(nèi)容的全面 因為 換個主題詞 可以有新的內(nèi)容出現(xiàn) 例如emotionlabor和emotionallabor 2 檢索某個學(xué)者 查SCI 知道了某個在這個領(lǐng)域有建樹的學(xué)者 找他近期發(fā)表的文章 3 參考綜述檢索 如果有與自己課題相關(guān)或有切入點的綜述 可以根據(jù)相應(yīng)的參考文獻(xiàn)找到那些原始的研究論文 特別要注意中文綜述文章后的英文參考文獻(xiàn) 可以用回顧性的方法查找該問題的最初起源及奠基性文章 4 注意文章的參考價值 刊物的影響因子 文章的被引次數(shù)能反映文章的參考價值 但要注意引用這篇文章的其它文章是如何評價這篇文章的 5 2020 1 9 三 如何閱讀文獻(xiàn)1 注重摘要 摘要可以說是一個論文的窗口 多數(shù)文章看摘要 少數(shù)文章看全文 真正有用的全文并不多 過分追求全文是浪費 不可走極端 當(dāng)然只看摘要也是不對的 多數(shù)文章題目 摘要簡單瀏覽后 直接把幾個Figure及Title與legend一看 一般能掌握大部分 2 通讀全文 讀第一遍的時候一定要認(rèn)真 爭取明白每句的大意 能不查字典最好先不查字典 因為讀論文的目的并不是學(xué)英語 而是獲取信息 查了字典以后思維會非?；靵y 往往讀完全文不知所謂 可以在讀的過程中將生字標(biāo)記 待通讀全文后再查找其意思 3 精讀文章 如果覺得該論文確實有價值 返回去通篇精讀 了解論文的目的 作者所作的選擇 很多都是隱含的 假設(shè)和形式化是否可行 論文指出了怎樣的方向 論文所涉及領(lǐng)域都有哪些問題 作者的研究中持續(xù)出現(xiàn)的難點模式是什么 論文所表達(dá)的策略觀點是什么 諸如此類 6 2020 1 9 提高閱讀的效率1 集中時間看文獻(xiàn) 看文獻(xiàn)的時間越分散 浪費時間越多 集中時間看更容易聯(lián)系起來 形成整體印象 2 做好記錄和標(biāo)記 復(fù)印或打印的文獻(xiàn) 直接用筆標(biāo)記或批注 pdf或html格式的文獻(xiàn) 可以用標(biāo)亮或改變文字顏色 這是避免時間浪費的又一重要手段 否則等于沒看 3 閱讀順序 根據(jù)閱讀目的選擇合適的順序 一般先看abstract introduction 然后看discussion 最后看result和method 結(jié)合圖表 7 2020 1 9 五 文獻(xiàn)的整理1 下載電子版文獻(xiàn)時 把文章題目粘貼為文件名2 不同主題存入不同文件夾 文件夾的題目要清楚 一目了然3 看過的文獻(xiàn)歸入子文件夾 最起碼要把有用的和沒用的分開 4 重要文獻(xiàn)根據(jù)重要程度在文件名前加001 002 003編號 然后按名稱排列圖標(biāo) 最重要的文獻(xiàn)就排在最前了 5 重要文獻(xiàn)要注意追蹤 8 2020 1 9 問卷設(shè)計 樣本 1 Where 1 數(shù)據(jù)采集自那個企業(yè) 2 Who 2 目標(biāo)調(diào)查對象 3 HowandWhat 3 HR配合 隨機挑選 鎖定調(diào)查對象 4 問卷收集幾次 間隔多長時間 每次調(diào)查的對象和內(nèi)容 5 問卷填答完后的回收方式 6 問卷每次的回收率 7 最后的樣本構(gòu)成 8 樣本的特征 年齡 性別 教育背景和層級等 樣本描述參考板式 數(shù)據(jù)采集自 調(diào)研對象是 數(shù)據(jù)收集的過程是在公司人力資源部門的支持配合下完成的 調(diào)研之前 研究者先和人力資源專員一同隨機挑選了調(diào)研對象 共鎖定了 為盡量減少同源偏差 本研究先后進(jìn)行了 每次的問卷填完后 填答者都需將問卷封入信封并密封后直接寄給研究者 或交由人力資源部門集中收回后統(tǒng)一交給研究者 調(diào)研中 我們共發(fā)出 份員工問卷 回收了 有效的問卷 回收率為 剔除了無效問卷 因此 總體樣本由 份問卷構(gòu)成 在這 男性占 樣本的平均年齡為 歲 標(biāo)準(zhǔn)差 平均工作年資 標(biāo)準(zhǔn)差 9 2020 1 9 10 2020 1 9 問卷設(shè)計 量表 2 沒有成熟的量表時再考慮發(fā)展量表文獻(xiàn)研究 定義和維度的信息 深度訪談參考相近的研究和量表 如果有 評定和修改初始問卷 1 找成熟的量表看文獻(xiàn)出處 各大網(wǎng)站的資源 推薦小木蟲和谷歌學(xué)術(shù) 老師和同學(xué)的資源 11 2020 1 9 量表描述參考版式為確保測量工具的效度及信度 本研究盡量采用現(xiàn)有文獻(xiàn)已使用過的量表 再根據(jù)本研究的目的加以適當(dāng)修改作為搜集實證資料的工具 單維度量表 用誰的量表 采用所編制的題的量表 由誰來填寫 此量表由員工進(jìn)行自我評價 題項 示例問題如 計分方法 基于Likert 5點評分方法進(jìn)行評價 1 非常不同意 2 不同意 3 中立 4 同意 5 非常同意 專家效度 該量表在本研究中的信度系數(shù)為 這表明該量表具有良好的信度 多維度量表 用誰的量表 采用所編制的題的量表 由誰來填寫 此量表由員工進(jìn)行自我評價 題項 示例問題如 計分方法 基于Likert 5點評分方法進(jìn)行評價 1 非常不同意 2 不同意 3 中立 4 同意 5 非常同意 專家效度 該量表在本研究中的信度系數(shù)為 這表明該量表具有良好的信度 每一個維度的信度 區(qū)分效度說明 12 2020 1 9 13 2020 1 9 量表信度分析 信度 談?wù)摰氖欠€(wěn)定性的問題 多次打靶的結(jié)果是否一致 主要包括 內(nèi)部一致性 回答是否具有穩(wěn)定性 和再測信度 S2 S1 SPSS信度檢驗操作分析 度量 可靠性分析 14 2020 1 9 量表效度 探索性因子分析EFA SPSS探索性因子分析操作分析 降維 因子分析 選擇巴特利球度檢驗和KMO檢驗 15 2020 1 9 提取因子的方法 主成分分析法 設(shè)定特征根為1 輸出選擇 未旋轉(zhuǎn)的因子解和碎石圖 因子旋轉(zhuǎn)方法選擇 方差最大法 輸出選擇 旋轉(zhuǎn)解和載荷圖 點擊確定 查看結(jié)果 KMO 0 7說明適合做因子分析 因子載荷最少要 0 4 達(dá)到0 5 0 95比較理想 累計解釋度應(yīng)大于60 16 2020 1 9 量表效度 驗證性因子分析CFA CFA是驗證性分析 即存在一個架構(gòu) 用Data來驗證這個架構(gòu)是否正確 只有多維度的變量需要做CFA 單維度變量不需要做CFA分析 只用測信度就好 一般采用AMOSS或者LISREL軟件來作分析 17 2020 1 9 量表 數(shù)據(jù)簡化 用變量所包含的所有題的均值的平均值來代替這個變量 這就為以后的描述性分析 相關(guān)分析和假設(shè)檢驗奠定了基礎(chǔ) 總體缺省值大于10 的問卷不要 一個量表有40 題沒有填寫問卷不要 如果問卷有缺省值 那么用同一個量表的其余題的平均值代替缺省值 數(shù)據(jù)處理和簡化的過程中 按照以下方式排序數(shù)據(jù) 員工 公司背景性的控制變量 重要的控制變量 自變量 中介變量 調(diào)節(jié)變量 因變量 SPSS數(shù)據(jù)簡化操作轉(zhuǎn)換 計算變量統(tǒng)計量選擇MEAN 18 2020 1 9 量表 相關(guān)性分析 員工 公司背景性的控制變量重要的控制變量自變量中介變量 調(diào)節(jié)變量因變量 19 2020 1 9 相關(guān)性任意兩兩變量之間的相關(guān)性不能大于0 65 自變量和因變量相關(guān)系數(shù)在0 20 0 30最合適 自變量和中介 調(diào)節(jié) 變量相關(guān)系數(shù)在0 30 0 50最合適 中介 調(diào)節(jié) 變量和因變量相關(guān)系數(shù)在0 30 0 50最合適 平均值研究變量均值加減兩個標(biāo)準(zhǔn)差 需要落在已有研究的均值范圍 標(biāo)準(zhǔn)差五點量表 標(biāo)準(zhǔn)差 0 5 七點量表 標(biāo)準(zhǔn)差 0 7 20 2020 1 9 假設(shè)檢驗 IndependentVariable 自變量 CauseDependentVariable 因變量 EffectMediatingVariable 中介變量 How是一種理論 是一種視角 ModeratingVariable 調(diào)節(jié)變量 When是一個作用邊界 和情境相聯(lián) ControlVariable 控制變量 TheAlternativeCauses主要作用是排除他因 不重要的控制變量 人口統(tǒng)計特征 如年齡 性別 工作年限 學(xué)歷等 組織特征 如地區(qū) 公司成立時間等 重要控制變量 同類別的已經(jīng)被證明的會對結(jié)果變量有影響因素 異類的沒有決定標(biāo)準(zhǔn) 找?guī)讉€已經(jīng)實證證明有顯著影響的就可以 21 2020 1 9 SPSS回歸分析主要解決同一層次的中介和調(diào)節(jié)問題 中介只有一層 應(yīng)用的條件 1 不超過兩個因果鏈 2 同一個層次 設(shè)計的變量都是有相同的觀測值 3 適合做調(diào)解效應(yīng)分析 結(jié)構(gòu)方程模型 主要解決同一層次的多層路徑關(guān)系或者含有潛變量的模型 應(yīng)用的條件 1 盡量超過兩個因果鏈 2 適合多維度概念 3 適合做中介效應(yīng) 但是不適合做調(diào)節(jié)效應(yīng) HLM多層線性模型主要解決跨層次數(shù)據(jù)的中介和調(diào)節(jié)問題應(yīng)用的條件 1 不超過兩個因果鏈 2 適合跨層次 嵌入 3 尤其適合跨層次調(diào)節(jié)效應(yīng)的分析 4 不太適合做中介效應(yīng)的分析 22 2020 1 9 中介效應(yīng) 23 2020 1 9 中介變量 中介變量 Mediator 的意思 就是說自變項對因變項的影響是透過中介變項的 如果M真的是X和Y的中介變項 那么 它們的關(guān)系應(yīng)該是 X M Y 這里有三個因果關(guān)系的條件 X是M的原因之一 X是Y的原因之一 X對Y的影響是透過M的 24 2020 1 9 C代表自變量對因變量的影響 C 總效應(yīng) a自變量對中介變量的影響b中介變量對因變量的影響C 代表加入中介變量后 自變量對因變量的影響 C 直接效應(yīng) 完全中介 控制了中介變量的影響后 自變量對因變量不再有影響部分中介 控制了中介變量的影響后 自變量對因變量的影響降低 IV HelpingContext DV HelpGiving Med Responsibility a c b c 運用階層回歸建立中介模型 25 2020 1 9 1 自變量對因變量的影響因變量 控制變量 下一張 自變量 X 統(tǒng)計量選擇R方變化 從COEFFICIENTS表中得到標(biāo)準(zhǔn)化系數(shù)和SIG T 1 96顯著 SIG 0 05顯著從ANOVA表中得到F值 F值越大回歸方程越有意義從MODELSUMARRY表中得到 R2 2 自變量對中介變量的影響中介變量 這里作為因變量 控制變量 下一張 自變量 X 統(tǒng)計量選擇R方變化 26 2020 1 9 3 中介變量對因變量的影響因變量 控制變量 下一張 中介變量 這里作為自變量 統(tǒng)計量選擇R方變化 4 添入中介變量后 整體自變量對因變量的影響因變量 控制變量 下一張 自變量 X 下一張 中介變量 統(tǒng)計量選擇R方變化 27 2020 1 9 職場負(fù)面謠言對于員工組織承諾和工作績效的影響 簡單中介效應(yīng)分析案例1 假設(shè) 組織自尊在職場負(fù)面謠言和工作績效之間起到中介作用 28 2020 1 9 政治行為 權(quán)力累積 職業(yè)發(fā)展 名聲 正循環(huán) 負(fù)循環(huán) 表面上 X和Y不顯著相關(guān) 但事實上存在中介變量 這種情況用結(jié)構(gòu)方程模型 特別類型的中介 InconsistentMediation 29 2020 1 9 調(diào)節(jié)效應(yīng) 30 2020 1 9 調(diào)節(jié)效應(yīng)一般模式 Y b1X1 b2X2 b3X1X2調(diào)節(jié)效應(yīng)的存在條件 b3顯著 交互項X1X2顯著 自變量X1 因變量Y 調(diào)節(jié)變量X2 31 2020 1 9 創(chuàng)造交互項 1 標(biāo)準(zhǔn)化自變量和調(diào)節(jié)變量分析 描述統(tǒng)計 描述 自變量和調(diào)節(jié)變量 選入框內(nèi)將標(biāo)準(zhǔn)化得分另存為變量 2 Compute交互項 標(biāo)準(zhǔn)化自變量 標(biāo)準(zhǔn)化調(diào)節(jié)變量轉(zhuǎn)換 計算變量 自變量 調(diào)節(jié)變量 創(chuàng)建交互項 32 2020 1 9 分析 回歸 線性回歸 控制變量 自變量 調(diào)節(jié)變量 交互項 標(biāo)準(zhǔn)化自變量 標(biāo)準(zhǔn)化調(diào)節(jié)變量 確定 調(diào)節(jié)效應(yīng)檢驗步驟 從COEFFICIENTS表中得到標(biāo)準(zhǔn)化系數(shù)和SIG T 1 96顯著 SIG 0 05顯著從ANOVA表中得到F值 F值越大回歸方程越有意義從MODELSUMMARY得到 R2 33 2020 1 9 職場負(fù)面謠言對于員工組織承諾和工作績效的影響 簡單調(diào)節(jié)效應(yīng)分析案例 假設(shè) 惡意歸因傾向?qū)β殘鲐?fù)面謠言與組織自尊之間的關(guān)系具有調(diào)節(jié)的作用 34 2020 1 9 傳統(tǒng)價值觀 上下屬關(guān)系與員工沉默行為 簡單調(diào)節(jié)效應(yīng)補充案例 假設(shè) 上下屬關(guān)系在集體主義傾向與沉默行為之間起調(diào)節(jié)作用 當(dāng)上下屬關(guān)系較強時 集體主義傾向與沉默行為之間的負(fù)向關(guān)系較弱 35 2020 1 9 政治行為 政治技能 職業(yè)發(fā)展 主效應(yīng)為0 但調(diào)節(jié)存在 特別類型的調(diào)節(jié) InconsistentModeration 36 2020 1 9 1 職場負(fù)面謠言對員工工作態(tài)度和行為影響2 傳統(tǒng)價值觀 上下屬關(guān)系與員工沉默行為 二維交互作用畫圖案例分析 詳見 交互效應(yīng)圖形的繪制方法 37 2020 1 9 標(biāo)準(zhǔn)化自變量和所有調(diào)節(jié)變量二維交互二維交互項1 標(biāo)準(zhǔn)化自變量 標(biāo)準(zhǔn)化調(diào)節(jié)變量1二維交互項2 標(biāo)準(zhǔn)化自變量 標(biāo)準(zhǔn)化調(diào)節(jié)變量2二維交互項3 標(biāo)準(zhǔn)化調(diào)節(jié)變量1 標(biāo)準(zhǔn)化調(diào)節(jié)變量23 三維交互三維交互項 標(biāo)準(zhǔn)化自變量 標(biāo)準(zhǔn)化調(diào)節(jié)變量1 標(biāo)準(zhǔn)化調(diào)節(jié)變量2 三維調(diào)節(jié)效應(yīng)檢驗 創(chuàng)造交互項 38 2020 1 9 分析 回歸 線性回歸 控制變量 自變量 調(diào)節(jié)變量 2個 二維交互項 三維交互項 確定 三維調(diào)節(jié)效應(yīng)檢驗步驟 從COEFFICIENTS表中得到標(biāo)準(zhǔn)化系數(shù)和SIG T 1 96顯著 SIG 0 05顯著從ANOVA表中得到F值 F值越大回歸方程越有意義從MODELSUMMARY得到 R2 39 2020 1 9 三維調(diào)節(jié)效應(yīng)檢驗案例 WorkplaceIncivilityandInterpersonalDeviance TheRoleofHostileAttributionBiasandNegativeReciprocityNorms 40 2020 1 9 復(fù)雜混合模型 有中介的調(diào)節(jié) 有調(diào)節(jié)的中介 有時兩者圖形一致 兩者所用的統(tǒng)計工具和得到的形式是一樣的 詳見Bootstrapping 但是理論解釋完全不同 41 2020 1 9 Bootstrapping操作 變量中心化 生成新的數(shù)據(jù)庫 6組 各變量的中心化可以直接從編輯器上修改即可 也可以由轉(zhuǎn)換 計算變量 輸入 粘貼得到自變量中心化ComputeIVc IV 均值調(diào)節(jié)變量中心化ComputeMoc Mo 均值中介變量中心化ComputeMec Md 均值因變量中心化ComputeIMoc IVc Moc自變量 調(diào)節(jié)變量中心化自動生成中介變量 調(diào)節(jié)變量中心化自動生成全選 右鍵運行 42 2020 1 9 Bootstrapping操作 對中介變量的回歸 由一組數(shù)迭代成一千組數(shù) 生成新的數(shù)據(jù) 根據(jù)一個抽樣來模擬1000次該抽樣的結(jié)果 直接點擊編輯器上第二模塊 運行 得到非標(biāo)準(zhǔn)化數(shù)據(jù) 第一列非標(biāo)準(zhǔn)化的回歸參數(shù) 對應(yīng)輸入第四模塊 43 2020 1 9 Bootstrapping操作 對結(jié)果變量的回歸 由一組數(shù)迭代成一千組數(shù) 生成新的數(shù)據(jù) 根據(jù)一個抽樣來模擬1000次該抽樣的結(jié)果 直接點擊編輯器上第三模塊 運行 得到非標(biāo)準(zhǔn)化數(shù)據(jù) 第一列非標(biāo)準(zhǔn)化的回歸參數(shù) 對應(yīng)輸入第五模塊 44 2020 1 9 Bootstrapping操作 數(shù)據(jù)導(dǎo)入和結(jié)果輸出 將相關(guān)數(shù)據(jù)到進(jìn)BSResultsandTables的文件中 黃色部分是輸入部分BoostrapResult1第一組數(shù)據(jù) 復(fù)制粘貼1000組數(shù)據(jù) BoostrapResult2第一組數(shù)據(jù) 后面的復(fù)制粘貼1000組數(shù)據(jù) 調(diào)節(jié)變量標(biāo)準(zhǔn)差 正 負(fù) 紫色部分是輸出部分 A1 A5 B1 B5 C1 C5橙色部分是顯著性 只要兩組乘積為正 就是顯著 45 2020 1 9 Bootstrapping操作 結(jié)果分析 有中介的調(diào)節(jié) 需要滿足中介四步以及C1 C4和C5顯著有調(diào)節(jié)的中介 C1 C2必須顯著 C4必須顯著 46 2020 1 9 復(fù)雜混合模型 47 2020 1 9 MediatedModeration有中介的調(diào)節(jié) 目的 交互項通過什么因素影響因變量 檢驗方法 Bootstrapping 檢驗邏輯與方法和普通中介效應(yīng)的檢驗一樣 只是這里的自變量是一個交互項而已 假設(shè)提法 MediatormediatestheinteractiveeffectsofIVandMOonDV 48 2020 1 9 有中介的調(diào)節(jié) 中介四步以及C1 C4和C5顯著 49 2020 1 9 POSandUPB TheM