共同方法偏差（Common Method Bias, CMB）是社会科学研究中普遍存在的问题，尤其是在依赖于自我报告问卷调查的研究中。当数据的来源（例如：问卷）和收集方法（例如：单一时间点的横断面研究）相同时，观察到的变量之间的关系可能被人为地夸大或缩小，这并非由于变量之间存在真实的因果关系，而是因为受访者受到共同的系统性误差来源的影响。识别并控制CMB对于提高研究结果的信度和效度至关重要。

共同方法偏差的来源

CMB的来源多种多样，主要包括：

项目特征：问卷的复杂性、模糊性或暗示性措辞可能导致受访者产生一致性或社会期望反应。

测验环境：施测的时间、地点、以及指导语等都可能影响受访者的回答。

受访者特征：受访者的心境、动机、认知能力以及作答风格（例如：求同倾向、社会称许性）等都会造成CMB。

共同来源：当多个变量的数据都来自于同一受访者时，受访者可能倾向于给出一致性的答案，即使这些答案并不完全符合实际情况。

共同方法偏差的检验方法

检验CMB的方法主要分为事前控制和事后统计检验两种。

1. 事前控制

事前控制是在研究设计阶段采取措施来减少CMB的可能性。常见的措施包括：

选择合适的测量工具：选用信效度高的成熟量表，避免使用模糊或暗示性的问题。

改进问卷设计：采用平衡计分法，交替排列正向和反向计分题目；使用不同的量表格式（例如：Likert量表、语义差异量表）；将预测变量和结果变量的测量顺序打乱。

匿名和保密承诺：向受访者保证调查结果的匿名性和保密性，鼓励他们诚实作答。

减少社会期望效应：强调研究的学术价值，弱化受访者的社会压力。

采用不同的数据来源：尽可能使用客观数据，例如：公司财务数据、绩效考核数据等；或者从不同来源收集数据，例如：从员工处收集关于他们的感知信息，从其主管处收集关于他们的绩效信息。

时间间隔法：在不同时间点测量预测变量和结果变量，以减少受访者对变量之间关系的猜测。

2. 事后统计检验

事后统计检验是在数据收集完成后，使用统计方法来评估CMB的程度。常见的检验方法包括：

Harman 单因子检验：将所有变量放在一起进行探索性因子分析，如果提取出的第一个因子解释了大部分的方差（通常认为超过50%），则表明存在严重的CMB。但这种方法相对保守，容易高估CMB。

标记变量法（Marker Variable Technique）：选择一个理论上与研究中的其他变量无关的标记变量，然后计算该标记变量与其他变量之间的相关系数。如果这些相关系数显著，则表明存在CMB。

控制变量法：在回归分析中，将一些可能影响研究结果的控制变量（例如：社会称许性、作答风格）作为协变量纳入模型。如果控制了这些变量后，研究变量之间的关系显著性发生改变，则表明存在CMB。

潜在变量法（Latent Variable Approach）：使用结构方程模型（SEM）来检验CMB。例如，共同潜因子模型（Common Latent Factor, CLF）假设所有测量变量都受到一个共同潜因子的影响，该潜因子代表了CMB。通过比较加入CLF的模型与不加入CLF的模型的拟合优度，可以评估CMB的程度。也可以使用共同方法因子修正技术(Common Method Factor Correction,CMFC)。

共同方法偏差的处理

如果检验结果表明存在CMB，可以采取以下措施进行处理：

重新审视理论模型：CMB可能表明研究者对变量之间的关系理解有误，需要重新审视理论模型。

数据过滤：删除无效问卷，例如：填写模式过于规律或一致的问卷。

统计控制：在统计分析中，将CMB作为控制变量纳入模型。

敏感性分析：进行敏感性分析，评估CMB对研究结果的影响程度。

结果解释：在论文中明确指出CMB的存在，并谨慎解释研究结果。

结论

CMB是研究中需要认真对待的问题。研究者应该在研究设计阶段采取措施来减少CMB的可能性，并在数据收集完成后进行统计检验来评估CMB的程度。即使采取了以上措施，研究者仍然需要在论文中明确指出CMB的存在，并谨慎解释研究结果。只有这样，才能提高研究结果的信度和效度，并为管理实践提供更有价值的参考。