《表1 常用因果关系推断方法的定义、优势和局限》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《通向更精确的因果分析:交叉滞后模型的新进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。