《表1 常用因果关系推断方法的定义、优势和局限》
注:依据资料整理所得。
从方法论的角度来说,通过观测数据构建稳定可靠的因果关系,前因变量和结果变量之间至少要满足下列三个条件(Zyphur et al.,2020b)。第一,前因变量和结果变量之间是显著相关的;第二,从测量时间的角度来说,前因变量在前,结果变量在后;第三,在所考虑的模型中,其他变量所造成的前因变量和结果变量的共变(Confounding Effects)能够被控制或排除。然而,在使用观测数据的研究实践中,并不是所有的研究设计和分析方法都能满足这三个条件。例如,基于横断面数据(Cross-sectional Data;即在同一时间点采集的数据)的回归分析就难以满足其中的第二和第三点(Heise,1970;Miller,2000;Zyphur et al.,2020b)。举例而言,某研究者希望探索更高程度的工作投入(Work Engagement;Bakker et al.,2008)能否带来更好的工作绩效(Work Performance;在因果分析的框架下,即工作投入的“因”能否推导出工作绩效的“果”)。基于横断面数据的回归分析,一方面无法排除工作绩效作为“因”影响工作投入的可能性(违反上述的第二个条件),另一方面也难以排除混淆变量(例如个人特质)同时影响工作投入和工作绩效的可能性(违反条件3)。因而,基于横断面数据的回归分析难以就研究问题给出令人信服的回答(胥彦,李超平,2019)。针对横断面设计的这一局限性,有两种方案能够帮助构建和确立变量间更为准确的因果关系。第一,寻找合适的工具变量(Instrumental Variable;e.g.,Maydeu-Olivares et al.,2020)并通过工具变量回归的方式排除混淆因素。第二,将设计改造成包含多个测量点的纵向设计(也称追踪研究),采用本文所介绍的交叉滞后模型隔离混淆因素,并确保前因变量和结果变量在时间维度上存在先后顺序性。为了方便读者进行合理的研究设计,本文在表1中对比了上述提及的三种构建因果关系的方法(即实验法、工具变量法、纵向数据结合交叉滞后模型)。值得注意的是,这三种方法本身并不是互斥的,例如,工具变量法完全可以运用在纵向数据的分析中。
图表编号 | XD00218053300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.10 |
作者 | 袁帅、曹文蕊、张曼玉、吴诗雅、魏馨怡 |
绘制单位 | 蒂尔堡大学方法和统计科学系、乌得勒支大学社会健康和组织心理学系、北京师范大学心理学部、乌得勒支大学方法和统计科学系、浙江大学心理与行为科学系 |
更多格式 | 高清、无水印(增值服务) |