一、变量筛选
实证性定量分析一般将所研究的变量分为自变量和因变量。因变量是研究者所关注的结局性指标,如生产率、销售额绩效等,用算式表示的话,一般都在等号的左端,单独一项。等号右端则是与因变量相关的自变量。一般定量分析的目的在于表明,哪些自变量引起因变量的变化，以及变化的程度如何。自变量可以是单变量,但通常是多变量。
多变量数据分析，先要识别出对因变量有影响的变量。其中有些变量虽有影响，但在该研究背景下并非关注对象，可以删去,不归人自变量,或者列为控制变量。
在选定自变量时,并非自变量越多越全面越好,那种把所有有关变量都列进去,或自变量越多越全面的指导思想,其实容易导致犯错且效率低下。
自变量选择要有依据。或者按演绎思路,从某种理论推演出某个变量可能影响因变量;或者按归纳思路,通过相关分析,从数据和事实中看出某个变量对因变量的影响迹象。不能随意地添加变量,如有篇人力资源管理和企业绩效关系的研究文章,研究者引人“社会资本”作为自变量,人力资源管理和绩效都属企业内部的因素,为何要加入属于外部因素的社会资本,研究者也未加说明,这就让人怀疑后续工作的价值。
相关分析是用来筛选自变量的常用工具。相关系数大,即关联强度大,自变量和因变量协同变异的程度高,可选作自变量。
单变量情况下,散点图能直观地显示两变量间的相关强度,如某变量与因变量的数据分散,呈圆团状,就可不作为自变量对待。分析多个自变量和因变量之间的关系,常用“相关矩阵”来替代散点图的作用。表5-14是根据福布斯500强的数据所计算出的企业6项指标之间的相关系数。相关矩阵中的系数都在对角线以下。
对角线表示的各项变量都是自相关,相关系数为1,其余各项系数一般都小于1。
相关系数的临界值和相应的显著度有关,所以相关矩阵要注明显著度。假设研究者关注提升纯利润,从表中“纯利润”一行可看出，资金流和市场价值这两个变量的相关系数较大,分别为0.95和0.91,这两个变量便成为自变量的首选对象。
二、变量细化分析
管理研究假设一般都是在两种现象或因素之间作出判断,论证工作最常处理的是两个变量。这种情况下,变量分成自变量和因变量,观察自变量的变化引起因变量发生的变化。例如,企业提高工资水平(自变量)导致职工流失率(因变量)下降。自变量( independent variable) 在不同研究背景下有不同的称谓,如解释变量( explanation variabe)、预测变量( predictive variable) 和刺激( stimulus)等,因变量( dependent variable) 也可称为准则变量( criterion variable)。
基本的研究假设都是指两个变量之间的关系,但事实上影响因变量的因素不止一个,如上述职工流失率,除了工资水平,其他因素如领导行为、企业文化等都有影响。在提出研究假设时,既要抓住主要影响因素,也要注意到,在这两种变量关系中,必然有若干影响因素还没有包括进去，在论证过程中难以回避多变量的问题。
如果用数学式表达多变量对因变量的影响，倒也简单,在等式的右边多加几项自变量,各个自变量也是一视同仁的。 但是,在假设论证过程中,各个变量在研究者的心目中作用是不一样的,有的变量是研究者想刻意描述的,有的变量是研究者想在论证过程中避免其影响和干扰的,有的变量在研究者论证自变量和因变量的关系中是难以分割的,等等。分辨这些相关变量在论证过程中所扮演的角色,这项工作称为变量细化分析( elaboration analysis) 。
细化分析的结果是将影响因变量的各个变量分类。按照在假设论证过程中的作用,变量可分为以下三种类型。
1.自变量
在研究假设中出现的与因变量相关的变量,可设置为自变量。这意味着,按照此项研究设计的要求,该变量对因变量的影响最值得关注和探讨,论证过程将探索自变量属性变化后,会引起因变量怎样的变化。而假设论证过程中不得不考虑的其他变量，都可归结为外生变量(extraneousvariable)，外生变量指的是可能对因变量产生影响而又未纳入自变量的那些变量,它们在论证过程中不受“处理”,即属性视为不变。从是否受“处理”的角度来看,自变量又是内生变量( endogeniousvariable),自变量受“处理”后,才能看出它对因变量产生的影响。
2.控制变量
研究人员总是希望能直接明了地验证自变量和因变量之间的关系。但在验证过程中，外生变量对于因变量的影响，可能干扰自变量受“处理”后产生的效应,使观测值失真。为此,研究者要关注外生变量中干扰较大的变量,选择这种变量作为控制变量,当验证过程中自变量的属性变化时,这些变量受到控制而保持属性不变,从而凸显出自变量与因变量之间的关联。
例如，上述职工流失率,除了工资水平,实际上还与许多其他因素有关联,如领导关系、同事关系、家庭状况、工作趣向等。研究者的意图是要弄清工资水平对职工流失率产生的作用,于是将领导关系、同事关系等作为控制变量,在验证过程中其状况始终保持不变,凸显工资水平对职工流失率的影响。实验研究的要点便是安排好控制变量,不让控制变量和自变量的效应混淆在一起,产生失真的结果。
物理和工程实验都离不开控制变量的设计。物理实验常采用实验组和控制组的对比方法,对实物的物理形态如重量、温度等进行控制。而管理研究中,对研究对象的形态进行控制的难度较大，一般靠统计分析方法对控制变量的观测数据加以处理。
管理研究用统计分析方法消除控制变量的干扰,一般通过两种途径。一种是随机分配,如随机抽样,以使观察样本的年龄和职业分布与整个企业职工的年龄和职业分布基本上一致,从而消除年龄和职业这些人口学特征变量对调查结果的影响。
另一种是采取类似物理实验的办法,在论证过程中,选用控制变量的属性保持不变时的观察数据。例如研究假设:对于大学本科学历以下的人员而言,提高工资水平(自变量)将降低流失率(因变量)。这意味着学历被选作为控制变量,学历的属性有大学本科以下、大学本科、硕士.博士四种,学历不同,自变量与因变量之间关系会不一样。为消除控制变量的影响，只选择学历变量属性都为“本科以下”的样本。这项研究假设最关注的还是工资水平对流失率的影响,加人控制变量是为了更清晰地显示两者的关系。变量属于何种类型,视研究问题而定,如果研究人员的关注焦点改为学历和流失率的关系,则可将学历设为自变量。
研究过程中,控制变量的运用可起到筛选自变量的作用,现举例说明。某单位职工民主选举本单位领导,甲,乙两人为候选人,调研人员通过调查数据去预测投票结果。调研中发现，员工对现行薪酬制度有不同意见，而候选人甲倾向于改革薪酬制度,乙则基本倾向于保留现行制度。因此推出一种假设“赞成薪酬制度改革的员工将投甲的票”。员工数为自变量,含两种属性,即赞成改革和主张保留现状。
如表5-15所示抽样调查的结果,占总数64%的赞成改革的员工将投甲的票,而支持保留现行制度的员工只有46%投甲的票。
从表中数据看,这个结果似乎支持此假设,但不很分明:赞成改革的员工虽然多数投甲的票,但仍然有36%投票给乙;而支持保留现状的员工中,票数更不集中,有46%还是投票给甲。因此要考虑是否还有其他变量影响投票,引入新变量后,也许能更清晰地解释这种投票结果。
现引入个人年收入作为控制变量,年收人的属性分为高、中、低三档。为了消除控制变量年收入的影响,按三档年收入来分析不同态度的员工与选票的关系。结果如表5-16所示。按照年收人的档次将数据归类后,对薪酬制度态度的属性与选票之间无相关关系。不论赞成改革还是支持保留现状,在高收入员工中,都是80%的票投给甲,在中等收人员工中,60%的票投给甲,在低收入员工中,投甲的票数比例是30%。可见，消除年收人的影响后,原定的按态度来划分的员工人数这个自变量与因变量“候选人票数”之间的相关关系也随之消失。
如果将按年收入划分的员工数作为自变量,候选人票数作为因变量,而按态度划分的员工数作为控制变量,重新整理数据,得出结果如表5-17所示。结果表明，分别考察赞成改革员工和支持保留现状员工的投票情况后,年收入与候选人票数之间的相关关系很明显:高收人的职工,无论赞成改革还是保留现状的都是80%投候选人甲,20%投候选人乙的票。可见，员工的年收人档次的解释能力比员工对改革的态度要显著和清晰得多。员工的年收人影响到他对薪酬制度改革的态度，而不是相反,态度不能改变年收人。
引人年收入后为什么会产生这种变化,可以用图5-4来解释。首先，年收人与对薪酬制度态度之间存在明显的相关关系,高收入员工有83% (250/300)赞成改革，中等收人的员工赞成改革的有57% (200/350),低收入的员工赞成改革的只有29% (100/350)。其次,高、中低收入员工投票给候选人甲的比例,分别为80%、60%和30% ,显然年收人与候选人选票存在相关关系。最后，由于年收人对薪酬制度态度与候选人选票都有影响,年收人越高,对薪酬制度持改革态度的人越多,同时投给甲的票数越多,因此,对薪酬制度态度与候选人票数这两个变量之间的相关关系就不明显，即被掩盖了。这个例子说明辨识清楚自变量和因变量,对研究结果有重要作用。
3.协调变量和中介变量
外生变量中,有些变量可以实现统计控制，在整个数据分析过程中使该变量值保持不变。有些外生变量却难以实现统计控制，直接影响到自变量和因变量的关系,在论证过程中不得不加以考虑。外生变量中不属于控制变量的这部分变量,它们加入分析过程后会起到不同的作用,与自变量和因变量之间存在不同的逻辑关系,这些外生变量按其作用也被冠以不同的称谓。常用到的有协调变量( moderatingvariable),、 中介变量( intervening variable , mediator variable )和抑制变量(suppressorvariable)等。
(1)协调变量
研究假设一般都是对自变量和因变量两者之间的关系作出判断。有时,这样简单的一对一关系的陈述显得不够,须引入另外一个解释变量来说明自变量和因变量关系存在的条件或情境。这种变量称为协调变量。协调变量是研究假设中引人的第三个变量,它对自变量和因变量两者之间的关联强度甚至方向产生影响。
设有研究假设:在质量管理中,“采用新的自检方式(自变量:自检方式,其属性为:新方式;原有方式)将减少废次品数量(因变量:废次品数量,其属性为:0,……,N)”。必要时,可加入协调变量,研究假设表述如下:
标出加工者姓名的零件(协调变量,其属性为:标出姓名;未标出姓名),采用新的自检方式(自变量)将减少废次品数量(因变量)。
如果加入控制变量,研究假设表述形式有:
电子产品装配线上(控制变量)标出加工者姓名的零件(协调变量),采用新的自检方式(自变量)将减少废次品数量(因变量)。
装配线在此成为控制变量,其属性为:电子产品、机械产品等。
另一种研究假设:“性格内向的人,工作压力增加导致饮酒量增加,而性格外向的人,工作压力增加对饮酒量影响不明显。”这里,性格是协调变量，其属性为内向和外向。如不加入该协调变量,研究假设便难以表达自变量(工作压力)和因变量(饮酒量)两者之间到底是正相关还是不相关，只有与性格是内向还是外向联系起来,才能作出明确的陈述。
研究中有时会碰到一种情况,按逻辑分析两变量之间应该有关联，但统计数据却未显示出来,这可能由于存在一个协调变量,起到抑制作用。例如企业提高工资水平，旨在降低员工的流失率,但经过一段时期后,人员流失情况未见好转,这就值得探究，,到底是什么因素抑制了工资提高对流失率的影响。如调查结果是横向工资水平的差异引起的一尽管工资提高了,但与其他同类企业仍有较大差距,还是改变不了人员流失的局面,“横向工资水平”就可按协调变量来处理。再如,从逻辑上说企业管理教育受得越多、学历层次越高的人，其创业成功率越高,但实际数据表明,情况正好相反,有博士学位的人其创业成功率反而较低。其中一定有别的因素在起作用。比如思维模式或风险取向等变量,这些因素使得高学历的人员较难适合创业的要求,可引人协调变量或控制变量来深入研究。
协调变量和自变量两者比较起来,研究者最关心的还是自变量。上例中,如果研究者最关心性格对饮酒量的影响,那可以直接将性格设定为自变量,而工作压力作为协调变量或控制变量处理。
(2)中介变量
有待经验验证的研究假设,其自变量和因变量都须满足可观测性和计量要求。
但满足可观测性条件下得出的结果,有时还不能给出令人满意的机理解释,如提高工资水平为什么会使流失率减少。从机理上说,可能是工资水平提高,员工的工作满意度随之提高,从而减少流失。这里引入了工作满意度这个变量,虽然工作满意度的可测性较差,但加人后,因果关系的解释更为清楚,便可视为中介变量。中介变量是一种理论性和隐性的因素,接受自变量和协调变量的作用,并转而影响因变量。它一般用在实证研究中,解释外部事件如何造成内在的心理影响,从而作用于因变量。协调变量影响到自变量对因变量作用的强度甚至方向，而中介变量只是起到解释作用,说明自变量为何对因变量产生影响。
前面零件自检的例子,如加入中介变量,可表述为:电子产品装配线(控制变量)上标有加工者姓名的零件(协调变量),采用新的自检方式(自变量)后,将提升操作工人的责任感(中介变量),从而减少废次品數量(因变量)。
再举例说明研究假设中各个变量的作用。对银行储蓄业务的促销效果研究，得出如下假设:对于小额储蓄(控制变量) ,提供赠品(协调变量)的促销活动(自变量)将激发储户的兴趣(中介变量),导致储蓄存款额(因变量)增加。促销活动和储蓄存款额是研究者最关注的两个变量,列为自变量和因变量。储蓄额度的属性(大额或小额),对自变量与因变量之间的关系有不能忽略的影响,须加以控制,赠品直接与促销活动关联,是引发存款增加的条件,划归协调变量。把储户兴趣看作中介变量,便能更好地解释自变量和因变量之间关联的机理。
上述引入外生变量的细分分析，具有变量筛选的功能,同时起到机理分析的作用,避免从现象看来似真而实际是伪的判断。确定某个变量为中介变量、协调变量或控制变量，,将变量分类,都是为论证某项研究假设和论点而服务。例如为了说清自变量和因变量之间的关系而不得不引入若干关系密切的变量。变量分类定位本身并不是目的,花精力去证明哪个因素应属于控制变量，哪个属于协调变量或中介变量,这本身没有多大意义。发现这些变量在回答研究问题中所起的作用,才是要点。
首页
毕业论文
硕士论文
博士论文
学位论文
在职硕士
职称论文
研究生论文
留学生论文