《定量研究工具》PPT课件.ppt

《《定量研究工具》PPT课件.ppt》由会员分享，可在线阅读，更多相关《《定量研究工具》PPT课件.ppt（85页珍藏版）》请在三一办公上搜索。

1、管理学研究方法,第7章 定量研究工具,目 录,7.1定量研究的基础知识7.2线性回归分析7.3结构方程模型7.4多层线性模型（HLM）,本章在内容安排上分为两个大部分：第一大部分即7.1，是对如上所述的定量研究基本知识的介绍；第二大部分即7.2至7.4，是对当前管理研究中所使用的主要的定量研究工具进行介绍。这些工具包括回归分析、结构方程模型、多层线性模型以及调节变量和中介变量的相关方法。,7.1定量研究的基础知识,着手定量研究：概念化和测量研究开始于选题、命题，然后是命题概念化、概念指标化、指标测量化等工作。,图71 研究的细化过程,7.1定量研究的基础知识,1.概念与构念（1）概念概念是思维

2、的要素，是思维赖以进行的基础。概念是现实世界中物体、性质、关系、现象和过程等在我们大脑中的表象。概念的外在形式是语音符号，即语词。语词是概念的外壳，概念是语词的内容，它们互为依存。,7.1定量研究的基础知识,管理学中的概念因抽象程度也有不同层次。有些概念表达看得见、摸得着的物体有些概念表述较抽象的东西另一些则表述高度抽象的性质和关系管理学研究的很多对象是高度抽象的概念,7.1定量研究的基础知识,（2）构念构念（construct）是一个专用术语，指的是科学工作者在研究中具体探讨的概念，常是新观念和新思想的载体。通俗地说，构念的过程就是构造新概念的过程，也可说是一个“造词儿”的过程。,7.1定量

3、研究的基础知识,2.概念化与度量（1）概念化精确地指出研究所用术语的含义的过程，就是概念化。概念化过程的最终产品就是一组具体指标（indicators），指标被用来说明构念的属性。,7.1定量研究的基础知识,（2）概念的度量测量一个概念的方法有多种，自然有优劣之分或可行与否，关键是找到合适的度量或指标。度量和指标必须符合概念的定义，并且要在考虑数据资料、时间、经费，以及研究者的研究能力是否足以胜任等条件的基础上来确定。测量一个构念，可以自己创造出全新的度量法，也可以使用别人已经用过的度量法。,7.1定量研究的基础知识,（3）评估测量质量的标准当研究者建构和评价测量时，他们更加关注两项技术性指标

4、：信度（reliability）和效度（validity）。信度。信度是指使用相同研究技术重复测量同一个对象时，得到相同研究结果的可能性。信度高并不一定能保证准确性，存在偏误。效度。效度是指实证测量在多大程度上反映了概念的真实含义。,7.1定量研究的基础知识,信度与效度的权衡。信度是获得效度的必要前提，它比效度容易获得。但它不能保证测量的有效性，它不是效度的充分条件。效度和信度通常互补，但在有的情景下，它们可能互相冲突。对于管理学研究来说，这是一个始终存在、无法避免的两难。常见的解决办法是：（1）如果无法就测量某个概念达成共识，就用多种方法进行测量。（2）如果某个概念有多个维度，就测量所有的维

5、度。,7.1定量研究的基础知识,7.1.2构建测量的逻辑：指标和量表1.指标把概念从理论层次逐渐落实到操作层次就是寻找一组指标来说明概念的属性。对于简单的概念，只需用一两个指标来测量，而复杂的概念则需几个甚至几十个指标来测量。在使用多个指标来测量一个概念时，往往需要建立一个综合指标来对一个概念进行综合度量。,7.1定量研究的基础知识,如何将概念转化为若干个指标呢？（1）经验法。通过对概念粗略的理解，提出若干指标，然后对这些指标进行筛选，选择出其中符合概念内涵的指标。（2）理性的做法。先查阅大量相关文献，找出概念的种种含义，列出可能的指标。对这些指标再进行认真筛选以后，选出最佳的符合要求的指标。

6、,7.1定量研究的基础知识,2.量表同指标一样，量表（scale）的作用也是将抽象的变量量化。与指标不同的是，量表用于测量人们的看法和态度。指标通常指的是最后的结果，而量表多指记录和收集数据的形式。量表和指标的关系密切，用量表收集的数据可用以建立和修正指标。,7.1定量研究的基础知识,量表在管理学调查中广泛使用，它可用于两个互相关联的目的。首先，量表可用于定义构念，使之可操作化，因为量表可表明各分指标与构念是否吻合一致。其次，量表可用于测量变量，产生量化的数据，并与其他度量一起用于检验假说。常用的量表包括鲍格达斯社会距离量表（Bogardus social distance scale）、李克

7、特量表（Likert scale）、语义差异量表（semantic differential scale）等。,7.1定量研究的基础知识,其基本形式举例如下：（1）鲍格达斯社会距离量表鲍氏量表实际是由一组在强度上有明显差异的项目构成的，比如要探讨美国白人和黑人的交往意愿，我们可以设计一组反应交往程度不同的问题这种结构顺序较强的量表可以测量出不同的人对某一群体的态度。,7.1定量研究的基础知识,（2）李克特量表由美国人雷思西斯李克特（Rensis Likert）于20世纪30年代发明，能生成顺序型数据，主要用于测试人们的态度，常用于社会调查。李克特量表通常要求人们表示同意还是不同意某个观点。简便

8、易行是李克特量表最大的优点，在把多个项目组合起来共同测量一个构念的情况下尤其见长。两个缺点：一是合成的分数在被调查人之间可能相似，从而掩盖他们的差别；二是上面所说的应答定势的问题。,7.1定量研究的基础知识,（3）语义差异量表语义差异量表是美国社会心理学家G.奥斯古德等人首次使用的这类量表运用一对对意义相反的形容词，如“好”与“坏”、“慢”与“快”等，让被调查人对人与事做出评价。具体做法是在成对的形容词之间加上711个空格（都应是奇数），让被调查人选其中之一打钩，表明自己的立场。把很多人的意见结合起来，可看出人们对有关事物的态度。语义差异量表使用的形容词可分为三大类：一是评价类（如“好”与“坏

9、”）；二是强度类（如“强”与“弱”）；三是动作类（如“爱动”与“好静”）。,7.1定量研究的基础知识,7.1.3数据分析的原理：统计检验1.推断统计的基础知识（1）概率分布要掌握某一资料的分布情况，统计学家主要以中间倾向和分散程度两个概念来表示。首先，所谓中间倾向，就是找分布的中值在哪里我们可用所有数据的平均值来作为此中间倾向的代表，也可用中间数、中间值等。,7.1定量研究的基础知识,其次，所谓分散程度，就是数据很分散，还是较集中地围绕在中间数据附近。一般而言，我们以变异量（variance，或称方差）或它的平方根标准差（standard deviation）来表达。,7.1定量研究的基础知识

10、,图72 连续数据的正态分布,7.1定量研究的基础知识,7.1定量研究的基础知识,图73 连续的卡方分布（左）和F分布（右）,7.1定量研究的基础知识,（2）推断统计的意义在很多时候我们没有资源收集所有研究对象的数据，我们只能研究一个样本，然后根据这个样本的数据，推断（或估计）母体（我们想要研究的对象）的数据。对样本进行研究，然后推断母体的情况，是统计学中重要的一环。,7.1定量研究的基础知识,为了讨论的清晰，我们称母体的数据为参数（parameters），样本的数据为统计数（statistics）。一般而言，通常用希腊字母代表参数（例如，代表母体的平均值；代表母体的标准差），以英文字母代表统

11、计数（例如，以代表样本平均值；s代表样本的标准差）。我们称样本的大小为样本数（sample size），一般用英文字母n表示。,7.1定量研究的基础知识,2.统计检验简介管理学研究中往往是先建立假说（扎根理论法除外），再根据实际资料进行论证，所以研究中常采用假说检验。参数估计关心从样本特性推论出的总体参数是否落入置信区间，而假说检验的着眼点却是落在置信区间以外的统计值。出现落在置信区间以外的统计值，从统计检验角度来说，并非一定是“坏”事，倒可能是新发现的标志。,7.1定量研究的基础知识,（1）保守假说（null hypothesis）待检验假说可分为两类：一类是“研究假说”，即研究者希望验证的

12、命题；另一类是“保守假说”，即研究假说的逻辑对立面。保守假说通常和研究假说相悖，如研究假说说一种方法比另一种方法更有效，保守假说则说两者有效程度一样。,7.1定量研究的基础知识,假说的证伪往往比证实更有力。如果从正面找出支持研究假说的论据，那也只是在某种具体条件下被证实，并不能得出假说已被证实的结论。而否定的证据只要有一个，研究假说便被证伪。保守假说就是根据这种思路和研究假说相呼应地设计的，如果保守假说被否定，便是对研究假说的有力支持。,7.1定量研究的基础知识,（2）显著性检验置信度指真值落在容许偏差幅度（即置信区间）内的概率。研究者当然也可以用容许出现失误即真值落在置信区间之外的概率来设定

13、指标，这个指标即为显著度（significance level），用表示和置信区间的概念相对应，相对于每个显著度都有个否定值，如0.0l时，平均值正态分布每边相对的否定值便是2.33标准值，标准值大于2.33的正态分布区域便是否定域（critical region）。,7.1定量研究的基础知识,假说检验关心的是否定域的统计值和显著度。显著性检验是主观预先选定一个显著度。判断实验组的平均值是否落入否定域，如落入，则和控制组的平均值之间差异显著，证实自变量起作用的假说。,7.1定量研究的基础知识,3.统计检验的基本步骤（1）设立假说我们会先假设，我们探讨的自变量与因变量之间并无因果关系，直到我们有

14、足够的证据推翻这一假说前，我们会接受这一假说。（2）抽样：搜集资料在科学研究中，我们也是通过样本的数据来判断是否有足够的证据推翻原来的假说,7.1定量研究的基础知识,（3）几率的估计在保守假说正确的前提下，我们会观察到这样一个样本的几率有多大，这个几率我们称为P值（P value）。如果这个P值很小，我们就推翻保守假说。,7.1定量研究的基础知识,（4）下结论不能仅靠统计在管理学和一般的社会科学研究中，如果计算出来的P值小于5%，我们便会推翻保守假说。如果P值比我们设定可接受的小，我们会说样本提供了显著（significant）的证据，让我们推翻原来保守的假说，或者说样本提供的证据达到了显著水

15、平（significant level）。在使用统计方法前，是要慎重思考的，否则便容易流于胡乱判断变量间的因果关系,7.1定量研究的基础知识,，对增进了解知识上的探索反而有害无益。以下是一些很重要的考虑：（1）理论框架统计只是一种工具，它不能取代我们原来根据理论背景做出的假说,7.1定量研究的基础知识,（2）几率性的测试结论只是几率性的，如果以95%显著水平为基础，当我们从样本的数据中推翻保守假说时，其实仍有5%的可能是会出错的，我们把这种错误称为第一类错误；同样，当我们基于样本的数据而没有推翻保守假说时，其结论仍有可能是错的，即事实上保守假说是错的，这种错误的可能性视样本的大小而定（样本越大

16、，此错误的几率越小），我们称这种错误为第二类错误。,7.1定量研究的基础知识,（3）样本的代表性如果样本不能代表母体，则无论我们用任何方法来分析样本数据，对母体的结论还是不会正确的。（4）统计方法的假定每一种统计方法都是在某种假定之下发展出来的如果事实偏离这些假定太远，则这些统计方法所下的结论并不可靠（5）数据的可靠性除了抽样方法以及样本数外，数据的信度和效度会影响数据的可靠性,7.2线性回归分析,回归分析在管理学研究中的应用线性回归分析假定一列（或多列）数据的变化同另一列数据的变化呈某种线性的函数关系，运用统计学的相关理论，衡量数据联系的强度，并通过指标检验其符合的程度。,7.2线性回归分析

17、,7.2.2线性回归分析的原理1.对回归原理的形象描述线性回归分析的基本假设是自变量与因变量呈线性关系，如果X1、X2是自变量，Y是因变量Y=0+1D+2X2+Y=0+1X1+,7.2线性回归分析,其中：0是截距；1代表了X1改变一个单位，Y会改变的程度；2代表了X2改变一个单位，Y会改变的程度；代表随机误差，它符合正态分布。1反映了Y与X1的共变量（即A的部分），而2反映了Y与X2的共变量（即B的部分），这是最简单的情况。很多时候，X1、X2及Y的真实变异量和共变量是更加复杂的,7.2线性回归分析,图74 简单的共变量,图75 复杂的共变量,7.2线性回归分析,除非最简单的情况出现，否则回归

18、分析的原理是同时考虑不同自变量对某一因变量的影响，其中有两点是很重要的，包括：（1）整体而言，这些自变量对因变量的解释能力有多大取决于的变异量占Y的总变异量的大小，如果越小，则预测或解释的能力越强；（2）在同时考虑了所有自变量的情况下，关于一个自变量对因变量的影响我们可以做出这样的结论：在其他因素不变的情况下，这个自变量（例如X1）对因变量（Y）的影响是当X1改变一个单位时，Y会改变1个单位。,7.2线性回归分析,2.应用回归分析时的注意要点（1）关于因果关系的问题严格说来，回归分析只是一个统计工具，即使是显著的统计结果也不能证明自变量与因变量之间的因果关系。各变量之间的因果关系需要理论的建构

19、及搜集变量资料时的步骤来提供合理的证据。（2）自变量与因变量的测量尺度如果自变量与因变量并非等距尺度，便需要以虚拟变量或其他方法先加以处理。,7.2线性回归分析,（3）线性关系的设定自变量与因变量之间的关系是线性的，如果不是的话，我们便需要对变量做出相应的调整（4）单一因变量回归分析只能处理单一的因变量，不能同时验证多于一个因变量的理论模型。（5）关于测量误差回归分析无法处理变量测量时的误差问题，在应用前首先要确定测量是否达到可接受的信度和效度的要求。,7.2线性回归分析,3.调节变量和中介变量的问题（1）调节变量和中介变量的理论意义调节变量的一个主要作用是为现有的理论划出限制条件和适用范围。

20、Lakatos提出精致的证伪主义，他认为理论有个内核，背后有辅助假说，外部有边界调节。当实证检验发现反例时，其理论核心是不该被轻易放弃的，可以改变辅助假说或增加限制条件，最后才是考虑放弃理论核心。,7.2线性回归分析,调节变量能帮助我们发展已有的理论，使理论对变量之间关系的解释更为精细。相似的，中介变量也可以帮助我们发展既有的理论，它可以解释变量之间为什么会存在关系以及这种关系是如何发生的。当一个变量能够解释自变量和因变量之间的关系时，我们就认为它起到了中介作用。因此，研究中介作用的目的就是在我们已知某些关系的基础上，探索产生这些关系的内部机制。中介变量在理论上至少存在以下两个重要意义：第一，

21、中介变量可以整合现有的研究或理论；第二，中介变量可以解释关系背后的作用机制。,7.2线性回归分析,（2）调节变量的原理如果变量X与Y有关系，但是X与Y的关系受第三个变量Z的影响，那么变量Z就是调节变量。调节变量所起的作用被称为调节作用。调节变量影响自变量与因变量之间的关系，既可以是对关系强度的影响，也可以是对关系方向的影响。在管理学研究中，调节变量可以是类别变量（如性别、种族、教育水平等），也可以是连续变量（如工资水平、智力水平等）。,7.2线性回归分析,（3）中介作用的原理凡是X影响Y，并且X是通过一个中间变量M对Y产生影响的，M就是中介变量。中介变量可以分为两类：一类是完全中介；另一类是部

22、分中介。,7.2线性回归分析,最常用也是最传统的检验中介变量的方法是Baron和 Kenny（1986）的方法。（1）自变量影响因变量；（2）自变量影响中介变量；（3）控制中介变量之后，自变量对因变量的作用消失了，或是明显地减小了。,7.2线性回归分析,中介作用意味着一个因果链中介变量由自变量引起，并影响了因变量的变化。要建立因果关系，必须满足一些条件和标准，在研究方法中常用的有三个：原因和结果在时间和空间上是连续的，原因和结果在时间上有先后顺序，它们之间有恒定的联系。,7.2线性回归分析,7.2.3使用回归分析的例子1.Law和Wang（1998）：对估计不同的薪酬比较对象的重要性的方法的改

23、进：1）研究主题Two approaches for estimating the relative importance of various referents in affecting pay satisfaction are reviewed.The first approach uses the most frequently reported referents by the respondents as the most important referents.,7.2线性回归分析,The logic of this approach is questioned because

24、frequency of using a referent is different from his/her relative importance.The second approach uses a policy-capturing method by which respondents are asked to evaluate their pay satisfaction when compared to various referents.An alternative policy-capturing approach that minimizes these two limita

25、tions is suggested.,7.2线性回归分析,2）测量变量的方法In this approach，participants were asked how satisfied they would be if given stated values of their pay and of the pay for each of the five referent groups.An example of this approach is：,7.2线性回归分析,3）回归分析,表73 回归分析结果(abstracted),7.2线性回归分析,2.Johnson等人（2006）：专业匹配

26、与组织认同之间的关系3.回归方法检验调节作用的具体步骤（1）用虚拟变量代表类别变量，对连续变量进行标准化（2）构造乘积项（3）构造方程（4）调节作用的分析和解释,7.2线性回归分析,进一步阅读建议关于线性回归模型，我们建议你可以阅读以下资料：Law，K.S.Wong，C.S.&Wang，K.D.（2004）.An empirical test of the model on managing the localization of human resources in the Peoples Republic of China.The International Journal of Huma

27、n Resource Management，15（5）：635-648.MacKinnon，D.P.，Lockwood，C.M.，Hoffman，J.M.，West，S.G.，&Sheets，V.（2002）.A comparison of methods to test mediation and other intervening variable effects.Psychological Methods，7（1），83-104.,7.2线性回归分析,关于调节变量的验证，感兴趣的读者可以阅读下列文章：Cortina，J.M.，Chen，G.and Dunlap，W.P.（2001）.Te

28、sting Interaction Effects in LISREL：Examination and Illustration of Available Procedures.Organizational Research Methods，4（4）：324-360.Erodogan，B.，Liden，R.C.and Kraimer，M.L.，（2006）.Justice and leader-member exchange：The moderating role of organization culture.Academy of Management Journal.49，395-406.

29、,7.2线性回归分析,关于中介变量的验证，感兴趣的读者可以自行参阅：MacKinnon,D.P.,Lockwood,C.M.,Hoffman,J.M.,West,S.G.and Sheets,V.(2002).A comparison of methods to test mediation and other intervening variable effects.Psychological Methods,7,83-104.另外，有两位专家的网址都对中介变量讲得很详细。第一位是David A.Kenny（http:/P.MacKinnon（http/www.public.asu.edu/

30、davidpm/ripl/mediate.htm）。,7.3结构方程模型,结构方程模型在管理学研究中的应用结构方程模型（Structure Equation Modeling，SEM）是应用线性方程系统表示观测变量与潜变量之间，以及潜变量之间关系的一种统计方法。在国内，结构方程模型研究方法则刚刚兴起，相当多的人文社科类实证研究论文中都已开始采用这一建模方法。,7.3结构方程模型,1.结构方程模型的优点（1）允许回归方程的自变量含有测量误差（2）可以同时处理多个因变量（3）可以测量潜变量（4）允许更具弹性的模型设定,7.3结构方程模型,2.结构方程模型应用的几个新趋势（1）第一个大方向是测量等同

31、（measurement equivalence/invariance，ME/I）概念的拓展与延伸。结构方程模型在不同文化组别之间进行比较，可以对跨文化研究工作大有裨益。跨性别研究，因为男性和女性对某些问题的看法会有所差异，如对领导风格这个问题所体现出的差异。在360度绩效评估中，研究表明，员工与上司对其本人的工作表现评价会有所出入，从而导致了一系列问题的产生。,7.3结构方程模型,（2）第二个大方向是潜增长模型（latent growth model）。（3）第三个大方向是多层次因子模型（multilevel factor model）。在结构方程中，我们可以将观察来的变量之间的协方差矩阵分

32、拆成两个层次研究：变量组间协方差矩阵（between-group covariance matrix）和变量组内协方差矩阵（within-group covariance matrix），从而可对组间和组内的模型进行分别测量，进一步就可以比较这两个层次之间的异同。,7.3结构方程模型,7.3.2结构方程模型的原理1.结构方程模型的原理介绍,图710 结构方程模型原理图,7.3结构方程模型,2.结构方程模型的基本类型结构方程模型主要有以下三个大类：测量模型（measurement model）、路径模型（path model）和全模型（full model）。,7.3结构方程模型,（1）测量模型

33、测量模型的主要用途是通过验证性因子分析来帮助检验我们提出的理论假说同时对各因子参数做出估计。,图711 测量模型,7.3结构方程模型,（2）路径模型路径分析的主要作用是想要了解各个变量之间的关系，这其中包括直接关系和间接关系两大类。,图712 路径模型,7.3结构方程模型,（3）全模型全模型是同时包含了测量模型和路径模型的总和，即同时包含外源变量和内生变量的模型，也称为完整模型（complete model）。,7.3结构方程模型,图713 全模型,7.3结构方程模型,3.结构方程模型分析的步骤（1）模型设定（2）模型识别（3）模型估计（4）模型评价与修正,7.3结构方程模型,7.3.3使用结

34、构方程模型的例子Warren（1974）的研究样本为98个美国爱荷华州农场企业。Warren 假设农场企业管理者的行为因素主要包括四个方面：对于企业以及产品的管理方面的知识（knowledge）；对于获取的经济收益的评价，即管理者的价值导向（value）；管理者从管理行为中所获取的满意度（satisfaction）；管理者曾接受的正式教育水平（education）。,7.3结构方程模型,Warren 主要研究这些因素对于管理绩效（performance）的影响。通过这一示例，可以看到结构方程模型在管理研究实证分析上的优势所在，通过将难以直接衡量的知识水平、价值导向、满意度和绩效以调研打分为测量

35、变量予以概念化，进而通过测量变量之间的协方差关系研究潜变量之间的关系，拟合结果可以清晰地显示出知识水平、价值导向和满意度对管理绩效的预测关系,7.3结构方程模型,进一步的阅读建议我们建议你可以阅读以下资料：侯杰泰、温忠麟、成子娟：结构方程模型及其应用，北京，教育科学出版社，2004。,7.3结构方程模型,Cheung，G.W.and Rensvold，R.B.（2000）.Assessing extreme and acquiescence response sets in cross-cultural research using structural equations modeling.

36、Journal of Cross-Cultural Psychology，31（2），187-212.Wong，Y.T.，Ngo，H.Y.&Wong，C.s.（2003）.Antecedents and outcomes of employees trust in Chinese joint ventures.Asia Pacific Journal of Management，20（4）：481-500.,7.4多层线性模型（HLM）,7.4.1多层线性模型在管理学研究中的应用1.横截面数据的多层结构特征在社会科学中，很多研究问题都体现为多水平的、多层的数据结构传统的线性模型中，如方差分析或

37、回归分析，往往只能对其中某一层的数据进行描述或提出一系列的研究问题和假说，却不能对涉及两层或多层数据的问题作综合性的研究。,7.4多层线性模型（HLM）,2.纵向研究数据的多层结构特征在纵向研究中，以不同观测时点的追踪记录结果为第一层数据，以样本的个体特征或不同的实验处理为第二层数据，从而构成两层数据结构。与传统的统计分析方法相比，多层线性模型在数据的基本假说和研究问题的范围上都有显著的扩展。,7.4多层线性模型（HLM）,7.4.2多层线性模型的原理1.多层线性模型的基本原理多层分析采用“回归的回归（regression of regression）”的运算原理，对这种个体效应和背景效应进行

38、分离，基本分析思想是这样的：首先对个体层变量进行回归，保存下回归系数，并将这些统计量与在第二层所观察到的变量混合在一起进行回归分析。,7.4多层线性模型（HLM）,2.多层线性分析的基本形式多层分析同样具有一个完整模型（full model），即模型中包含第一层的预测变量，也包含第二层的预测变量这里给出最简单的完整模型，即只有一个第一层预测变量和一个第二层预测变量。,7.4多层线性模型（HLM）,Level-1 Model：Yij=0j+1jXij+rijLevel-2 Model：0j=00+01Wj+u0j 1j=10+11Wj+u1jYij指个人i在j群体中的结果变量；Xij是个人i在j

39、群体中的预测因子之值；0j与1j是每个j群体分别被估计出的截距项与斜率；rij为残差项。Wj是群体层次的变量；00与10为Level-2截距项；01与11则是联结Wj与Level-1公式中的截距项与斜率项的斜率；u0j与u1j为Level-2的残差项。,7.4多层线性模型（HLM）,7.4.3使用多层次分析的例子1.研究概述作者认为，服务业中顾客的满意度与组织的绩效息息相关，而服务人员在服务过程中与顾客的互动会影响到顾客所感受到的服务品质，因此有必要进一步探究什么原因会影响员工的服务绩效，从而提升组织绩效与顾客满意度。,7.4多层线性模型（HLM）,文章提出了三个假说：假说1：个人层次的外向性

40、与员工的服务绩效呈正相关。假说2：群体层次的服务氛围与员工的服务绩效呈正相关。假说3：群体层次的服务氛围调节外向性与员工服务绩效之间的关系，以至于越正面的服务氛围，越会降低其正向的相关性。,7.4多层线性模型（HLM）,2.分析步骤Step：零模型（null model）Level-1 Model：服务绩效ij=0j+rijLevel-2 Model：0j=00+u0j,7.4多层线性模型（HLM）,STEP：检验假说1或Level-1的主效果并估计以下模型：Level-1 Model：服务绩效ij=0j+1j（外向性）+rijLevel-2 Model：0j=00+u0j 1j=10+u1j

41、此步骤的分析结果为10=0.58，t（24）=43.68，p0.001，因此，假说1得到支持。,7.4多层线性模型（HLM）,Step：检验Level-2的主效果Level-1 Model：服务绩效ij=0j+1j（外向性）+rijLevel-2 Model：0j=00+01（服务氛围j）+u0j 1j=10+u1j此步骤的分析结果显示01=0.74，t（23）=0.74，p=0.012，因此，假说2得到支持。,7.4多层线性模型（HLM）,Step 检验假说3或调解效果Level-1 Model：服务绩效ij=0j+1j（外向性）+rijLevel-2 Model：0j=00+01（服务氛围

42、j）+u0j 1j=10+11（服务氛围j）+u1j此步骤的分析结果显示，11=-0.25，t（23）=-0.864，p0.10，虽然交互作用的效果与假说3预测的方向一致，但统计上不显著，因此，假说3未被支持。,7.4多层线性模型（HLM）,进一步的阅读建议我们建议你可以阅读以下资料：张雷、雷雳、郭伯良：多层线性模型应用，北京，教育科学出版社，2005。Chen，G.and Bliese，P.D.（2002）.The role of different levels of leadership in predicting self and collective efficacy：Evidenc

43、e for discontinuity.Journal of Applied Psychology，87，549-556.,7.4多层线性模型（HLM）,Deshon，R.P.Kozlowski，S.W.，Schmidt，A.M.，Milner，K.R.and Wiechmann，D.（2004）.A multiple-goal，multilevel model of feedback effects on the regulation of individual and team performance.Journal of Applied Psychology，89，1035-1056.Siebert，S.E.，Silver，S.R.and Randolph，W.A.（2004）.Taking empowerment to the next level：A multiplelevel model of empowerment，performance and satisfaction.Academy of Management Journal，47，322-349.,