作为研究组织内部和周围现象的研究人员,工业和组织心理学家必须处理嵌套的数据。考虑到个人嵌套在工作类别中,工作类别嵌套在工作组中,工作组嵌套在部门中,部门嵌套在组织中,组织嵌套在国家和文化中。此外,人们进入这些工作和组织不是随机的;相反,人们选择进入哪个组织环境,而组织选择选择和保留哪些人。所有这些都导致了一个重要的观察结果,即在组织设置中获得的许多数据不太可能在单位内独立。这反过来带来了一个统计结果:在大多数组织研究中,我们可靠的统计方法(回归和方差分析,或ANOVA)的一些关键假设很可能被违反。
最近,一些理论、方法和统计方面的进展使多层次研究更加可行。本条目关注一个特别有用的统计进步,分层线性建模(HLM)。这种基于回归的方法对于测试较低层次关系和结果中较高层次(上下文)影响的存在是有用的。
嵌套数据的统计结果
一般线性模型,其中包括回归和方差分析,假设误差是独立的和正态分布,均值为零和恒定的方差。然而,当数据被嵌套时——例如,当团队中个人的行为和态度受到团队成员的影响时——这种假设就被违反了。这就是所谓的非独立性,其主要后果是标准误差比应有的要小,这反过来又导致了第一类错误的膨胀。非独立性还有其他更微妙的影响,可能会导致效应大小和统计意义的估计问题;参考资料:部分包含更多细节的链接。
非独立性最常被记录为类内相关系数。当存在非独立性时,HLM的使用就会出现问题;但是,我们现在有了在这种情况下更直接地对数据建模的工具。
HLM的非技术介绍
参考资料:部分提供了许多关于HLM技术细节的参考资料。本条目的目的只是介绍概念,这是通过使用图形和示例来实现的。图1显示了一个简单的例子,在这个例子中,假设组织氛围直接影响个人工作满意度,以及满意度和薪酬之间的关系。这个假设可以用两个层次来表示。在Level 1模型中,工作满意度可以与薪酬回归。人们会期待一种积极的关系,比如,更高的工资与更多的工作满意度相关。然而,如果对多个组织进行抽样,发现不同组织之间的满意度存在平均差异,以及薪酬和工作满意度之间的关系存在差异,会怎么样呢?当组织内的个人至少有一些共同的影响来源时,可能会出现这种情况,因此他们的工作满意度得分不独立。
组织间的差异可以用组织氛围来解释。请注意,组织氛围将被视为第2级预测器,因为第1级得分是嵌套在组织内的。因此,我们可以确定组织氛围是否直接解释了工作满意度的平均组织差异,以及薪酬和满意度之间的关系是否作为氛围的函数而不同。假设可能是有利的环境提高了满意度,削弱了薪酬和满意度之间的关系。
因此,HLM提供了将多个分析级别上的预测器与较低分析级别上的因变量联系起来的能力。在下一节中,将提供一些研究问题的示例,其中HLM是最合适和最必要的。
需要HLM的常见工业和组织研究问题
层次线性模型并不是所有研究问题都必须的,甚至也不适用于所有研究问题。作为文献的评论家和读者,我们认为它有时被过度使用。在本节中,示例说明了何时使用HLM最合适。为了简洁起见,本文将考虑HLM的两大类应用,以及可以解决的实质性研究问题。
第一种应用程序支持混合行列式模型。这是图1中描述的模型,它说明了因变量或标准处于最低的分析级别,而自变量或预测器处于相同或更高的级别的情况。在这种情况下,高水平变量解释组间和组织间的方差,低水平变量解释组内和组织内的方差。关于这些模型,研究人员已经确定了HLM可以回答的四个主要研究问题:(a)个人工作的单位会产生影响吗?(b)单位间的个体差异有何影响?(c)个人是否受到单位特征的影响?和(d)单位属性是否修改个人层次的关系?
HLM已被证明有用的第二种应用是纵向数据的分析。纵向研究问题是多层次的问题,因为随着时间的推移,在一个人(第一级)内的重复观察被嵌套在一个人(第二级)内。这样的模型被称为增长曲线模型,它们不需要只出现在个人层面;个人、团体或组织内的任何重复观察都可以使用增长模型进行建模。有关增长模型的关键问题包括:(a)个体差异是否会随着时间而变化(个体内部变化)?(b)结果变量随时间变化的模式是什么(如线性、非线性)?(c)变化模式是否存在人与人之间的差异(个体间变化的个体间差异)?及(d)为何个别人士会有不同的变化模式?将HLM应用于这些纵向模型的优势在于它能够同时分析个体内部和个体间的差异,处理缺失数据和不相等的测量周期,以及模型相关误差。
例如,您可能希望了解性能如何随时间变化,以及解释这种性能变化的因素。假设研究人员假设(a)业绩随着时间的推移将遵循曲线模式;(b)随着时间的推移,个人表现的变化存在显著差异;(c)人格解释了这些变化模式的个体差异。在这种情况下,Level 1模型以重复的绩效观察为准则,以时间为自变量(时间可以以多种方式构建,以检验不同的变化模式)。如果改变的模式存在个体差异,我们可以确定这些差异是否被二级人格预测器解释。
总结
HLM的起源可以追溯到几十年的教育研究,但其在工业/组织心理学和组织行为学中的应用才刚刚开始。然而,这个时机再好不过了:我们现在充分认识到,许多组织现象本质上是嵌套的和分层的。层级线性模型已经被应用于诸如建模个人和情况之间的相互作用,理解绩效标准的动态本质,并举例说明领导氛围的调节作用等多种主题。这种方法并不是所有此类问题的解决方案;相反,对于预测因素存在于多个层次,而标准存在于最低层次的分析(在混合决定因素模型和增长模型中都是如此)的问题,它是最有用的。这些问题常常引起组织学者的极大兴趣。因此,HLM在应用上可能会继续增长,并帮助我们测试我们的多层次组织行为理论。
引用:
- Bliese, P. D.(2002)。组织研究中的多水平随机系数建模:SAS和S-PLUS实例。在F. Drasgow & N. Schmitt (Eds.),测量和分析组织中的行为:测量和数据分析的进展(第401-445页)。旧金山:台中县。
- Bliese, P. D. & Ployhart, R. E.(2002)。使用随机系数模型的增长模型:模型的建立、测试和说明。组织研究方法,5,362-387。
- Hofmann, D. A. Griffin, M. A. & Gavin, M. B.(2000)。层次线性模型在组织研究中的应用。K. J. Klein & S. W. J. Kozlowski (Eds.),《组织中的多层次理论、研究和方法:基础、扩展和新方向》(第467-511页)。旧金山:台中县。
- Klein, K. J. & Kozlowski, S. W. J.(2000)。组织理论和研究的多层次方法:情境过程、时间过程和突发过程。K. J. Klein & S. W. J. Kozlowski (Eds.),《组织中的多层次理论、研究和方法:基础、扩展和新方向》(第3-90页)。旧金山:台中县。
- Ployhart, R. E., Holtz, B. C., & Bliese, P. D.(2002)。纵向数据分析:随机系数模型在领导研究中的应用。《领导力季刊》,13,455-486。
- Raudenbush, S. W., & Bryk, A. S.(2002)。层次线性模型:应用与数据分析方法(第2版)。纽伯里公园,CA: Sage。