因子分析、多元回归和结构方程模型的应用

分析法采用因子分析、多元回归、结构方程模型等方法。因子分析应用在数据质量、信度和效度分析部分，多元回归和结构方程模型对假设进行验证。

组织公民行为、组织绩效、家庭干涉工作冲突、个人职业发展等变量并非直接测量，而是借助于一些可观测的变量来测量这些潜变量。由于观测变量存在测量误差，会导致最小二乘法回归模型参数估计产生偏差。尽管因子分析能分析潜变量，但难以处理因子之间的关系。而且，分析潜变量之间的关系，简单地将测量潜变量各问项（指标）的平均分作为潜变量的观测值也会有不足，往往得出错误的结果（温忠麟等，2003）。结构方程模型较好地克服了这些弱点，具有如下优点。

（1）参数估计过程中控制了测量误差，可以精确估计潜变量与观测变量的关系。

（2）可处理某一观测变量与多个潜变量之间的关系。

（3）可同时处理多个变量之间的关系。(https://www.xing528.com)

（4）可基于相同的数据对不同的模型进行拟合度检验，比较模型的优劣，如判断中介效应是否存在。

但结构方程要求样本量大。利用结构方程模型估计p值和置信区间是基于正态分布而不是t分布，在小样本情况下估计是有偏的，采用普通最小二乘法回归更合适些（Hayes A F，2008）。本书的样本量为280份，能满足结构方程分析的需要，但并不是很大。另外，开展调节效应分析，如果调节变量是分组变量，结构方程可以很方便地作分组比较，但也存在分组时不能完整利用整个样本信息的不足。如果调节变量不是分组变量，结构方程虽也可处理，但较为复杂，而多元回归或分层回归较易处理。故本书将结构方程与普通最小二乘法回归综合运用。在分析因子间的关系时，主要采用结构方程模型，分析调节效应时主要采用多元回归或分层回归。

组织公民行为、印象管理、心理授权是多维度变量，利用结构方程开展分析时，采用崔勋等（2014）的处理方法，将这些变量的子维度作为观测变量，各子维度的值为其观测变量的平均值。作多元回归或分层回归时，利用各变量的观测变量的平均值计算各变量的值。回归时，如果不作说明，自变量和调节变量数据皆作中心化（Mean Center）处理，采用Bootstrap获取系数的95%矫正置信区间。Bootstrap抽样数小，所获得的置信区间不稳定，过大对结果无显著影响，一般抽样数在5 000～10 000份就足够了，超过10 000份对结果无实质性影响（Hayes A F，2008）。本书采用的抽样数为5 000份。

信度分析部分将组织公民行为进一步区分为二维度的变量，故在利用结构方程分析因子间关系时，将涉及单维度、二维度、五维度的组织公民行为，也即分析既有针对单维度的组织公民行为，如分析组织公民行为与心理授权、印象管理等变量的关系，也有维度层面的分析，如分析公司认同等子维度与其他变量的关系。