共同方法偏差通常在研究中普遍存在，其中自变量和因变量的数据是从同一测量环境中的同一个人使用相同的项目上下文和相似的项目特征获得的。
最近在 MIS Quarterly 和 Management Science 等期刊上的论文强调了评估共同方法偏差 (CMB) 对统计分析结果的影响的重要性。
几项研究就共同方法偏差（CMB）的普遍性进行了辩论
。本文重点介绍了各种程序和统计补救措施
评估和控制任何组织研究中的共同方法偏差。
如果一个研究没有通过程序和统计补救措施进行适当控制，
共同方法偏差 (CMB) 可能会显着影响研究结果。然而，研究人员通常
不使用程序性补救措施来消除 CMB 的潜在影响。因此，统计上的补救措施可能是你的必选项。
我们从现有文献中找到了一些常见和有效的统计补救措施。
此外，我们描述了可能的
通过使用几种方法的组合来最小化共同方法偏差的影响的解决方案。
什么是共同方法偏差 Common method bias
其实有的研究者把共同方法偏差叫做共同方法方差（CMV）， 他们的含义是一样的。
近几十年来，组织研究中的实证研究非常关注 CMV 问题以及它如何影响研究结果的。
根据Doty 和 Glick (1998) 的观点，当使用相同的方法收集数据， 比如问卷， 系统偏差就可能存在，
比如有些被试在所有题目上打高分， 有些被试在所有题目上打低分， 这导致所有题目具有了相关性。
这种相关性不代表变量真实的关系， 而只是一种系统性偏差。
同样，Richardson、Simmering 和 Sturman
(2009) 将 CMV 定义为， 由于数据使用相同的来源或方法进行测量，
变量之间共享的系统误差方差。
共同方法偏差的来源
能够识别CMB的来源是很重要的， 可以帮助研究者提前避免CMB的发生。
主要 CMB 的来源包括仅使用一种类型的项目上下文，一个受访者提供所有变量，
测量环境的影响和题目特征（Reio，2010；Podsakoff 等，2003）。
因此，在通过自我报告的调查收集数据的同时检查 CMB 至关重要，
特别是当一个问卷由一个被试回答， 而不是由多个人回答的时候，
自变量和因变量都是在同一个问卷中获得（Podsakoff 等，2003）。
目前来看， 共同方法偏差其实已经变成一个问卷研究的必做的检验。
共同方法偏差的来源有哪些呢？
- 自变量和因变量来自同一份问卷
- 问卷题目的形式单一， 比如所有题都是量表题
- 被试回答问卷时处于同一个环境中， 比如上课时间， 一个班级都是处于一个环境中
- 测量工具的社会评价，例如社会期望、偏见会导致评分普遍降低或者升高
很多CMB的来源是不可识别的， 就是说虽然研究者不清楚CMB的来源，
但是它仍然普遍存在。
两种方案
许多研究人员，例如 (Podsakoff et al., 2012; Williams, Hartman, & Cavazotte, 2010;
Podsakoff et al., 2003) 提到了两种主要的方法可以用来控制
方法偏差。第一个最小化方法偏差影响的方法是
在收集数据之前设计好收集数据的方法了流程，第二种方法是使用统计
补救措施，以控制数据收集后共同方法偏差的影响。
由于第一个方法很少被人使用， 所以我们只是简要介绍。 大部分人会使用统计补救措施，
来诊断和弥补共同方法偏差对研究结果的影响。
提前设计研究方案
研究人员应努力从不同来源获得自变量和因变量的数据。 比如你的自变量和因变量分别来自两个研究， 或者两个时间段，
这使得它们数据采集的时候， 不太可能收到情绪状态、客观环境、社会期许等的影响。 但是这增加了调研难度， 并且很多时候是不可能的。其他程序补救措施是测量项目的时间、心理或程序时分离自变量和因变量的测量，当
研究人员无法从多个来源收集数据只能使用这个方法。 比如自变量和因变量做成两张问卷， 并且标题不同， 让被试从心理上认为这是两项独立的研究。另一种程序性补救措施是保护受访者的匿名性和
尽量减少对调研的担忧。平衡自变量和因变量的测量顺序是另一种程序补救措施，可用于抵消某些方法
与项目嵌入或问题上下文相关的偏见。设置反向题， 可以防止被试习惯性评分， 比如都评低分或高分导致的题目见异常高相关
统计方法
研究人员可以通过使用程序性方法来最小化共同方法差异的影响
，因为当 CMB 的影响没有被消除或减少时，它们可能
干扰研究结果。程序性措施有时不可能完全消除CMB，因为所有程序性补救措施通常不能
适用于所有情况。
Harman’s Single-Factor Test 单因素检验
将所有项目加载到探索性因素中
分析并检查未旋转的因子结构。如果
有共同方法偏差， 未旋转的第一个因子的方差解释率可能超过40%。
具体的操作教程在这里， 点击arman’s Single-Factor Test
Partial Correlation Technique 偏相关技术
- (i) Partialling Out of General Factor
- (ii) Partialling Out a Marker Variable Lindell and Whitney (2001) method)
- (iii) Partialling Out a “Marker” Variable Podsakoff et al. (2003)
这三种方法使用类似的技术。
(i) Partialling Out of General Factor
- 第一步做因子分析， 包含所有的变量， 然后用未旋转的第一个因子分生成变量， 这个变量名字姑且叫做“general factor”
- 第二步在smart-pls中做结构方程， 例如上图中的 figure 1
- 第三步就是上图中的 figure 2, 将 general factor 作为要给变量， 放入内生变量中， 箭头是从general factor指向内生变量BG
- 比较第二步和第三步这两个模型的R2， 如果第三步的R2显著增加， 说明 general factor 对模型的结果影响很大，
也就说明结果受到共同方法偏差的影响较大， 相反如果R方增加不显著， 说明 general factor 对模型结果影响不大
(ii) Partialling Out a Marker Variable Lindell and Whitney (2001) method)
该方法由 Lindell 和 Whitney (2001) 引入。在 smart PLS 中
通过确定标记变量和变量之间的相关性来评估共同方法偏差。如果任何一个相关超过0.3，就会存在共同方法偏差的问题。
通过采取以下步骤：
- 首先，我们使用了社会期望量表，该量表与研究的主要结构无关。
这个量表来自 Fischer 和 Fick (1993) 提供的社会期望量表的简短版本 (X1)。 - 构建上图所示模型， 加入标记变量
- 查看相关系数， 如果标记变量和其他变量的相关系数超过0.3就认为存在共同方法偏差， 如下表
(iii) Partialling Out a “Marker” Variable Podsakoff et al. (2003)
该方法与第一种方法是一样的， 只不过第一种方法使用了“general factor”，
而第三种方法使用 “Marker”， 也就是理论上与研究的变量没有关系的变量，
比如社会期许量表。
Correlation Matrix Procedure 相关矩阵方法
Bagozzi、Yi 和 Phillips (1991) 描述了通过潜在变量的相关性评估 CMB 影响的方法。
当在主要结构之间发现相当大的相关性（r > 0.9）时，共同方法偏差将影响你的研究结果。
然而，如果结构之间的相关性小于 0.9，CMB 在任何研究中都不会成为问题（Bagozzi 等，1991）。
The Measured Latent Marker Variable Approach
钦等人(2013) 引入了一种测量的潜在标记变量 (MLMV) 方法来检测和校正 CMB，同时需要使用偏最小二乘法， 这是smart pls可以提供的， amos不行。
这种方法可以消除 CMB 对结构方程的影响。为了进行这一过程，需要在收集原始研究模型的数据的同时收集多个不相关的变量。
这种方法要求在设计问卷的时候， 选择一个与研究变量不相关的量表， 但是题目的形式与研究变量的测量形式是相同的， 以便于控制共同方法偏差的影响。
Construct Level Correction (CLC) Approach
我们绘制了三个 CMB 控制变量 marker，涉及 7 个社会期望项（不相关的测量项）， 见下图。
步骤是这样的， 在 CMB 控制变量被纳入到模型之前， 先计算各个路径系数。
然后在模型结构上引入 CMB 控制变量后再次估计路径系数（见下图）。
这些新的路径系数如果没有受到CMB的影响， 你会看到纳入marker前后的路径系数差别不大。
例如， 观察到SC的原始估计路径系数为0.125，CLC估计的路径系数为0.122，另一方面，EC的原始估计路径系数为0.127，CLC估计的路径系数为0.122。
但这些变化非常小且不显着，因此，我们可以得出结论，CMV 在本研究中没有任何问题。
Item Level Correction (ILC) Approach
这个方法比较复杂， 如果你没看懂那也正常。 建议看视频教程。
首先构建一个模型， 如下图， 内生变量是我们的测量题目，
外生变量是marker， 7 个社会期望项， 然后我们保留模型的残差（ inner model residuals），
计算每个题目的R方的平方根， 通过重复抽样的方法获取标准误， 然后计算得到每个题目的数据， 他们将作为新的数据进入模型。
跟之前一样构架如下模型， 但是使用我们计算得到的数据。 与没有使用ILC的模型相比， 路径系数也没有显著的变化，
说明模型结果不受到CMB的影响。
视频教程
统计咨询
微信： mllncn
参考文献
- Ahmad, N. H. (2007). A cross cultural study of entrepreneurial competencies and entrepreneurial success in SMEs in Australia and Malaysia. (Unpublished doctoral dissertation).
- Ahmad, N. H., Halim, H. A., & Zainal, S. R. M. (2010). Is entrepreneurial competency
the silver bullet for sme success in a developing nation? International Business
Management, 4 (2), 67–75. - 共同方法偏差的现有方法总结： 链接：https://pan.baidu.com/s/1e3bfVnnGrvpk0qV6tpt7tQ?pwd=bjk8 提取码：bjk8
