我們前麵說過，使用多個效果指標的目的隻是增加信度，而在構成指標中，每一個指標對於估計構念的真實分數都是不可缺少的。也正是因為每個構成指標在構念中都是獨特的一個部分，所以構成指標之間是可以完全沒有關係的。我們以前麵說的環境複雜性為例，它是由競爭、技術、法規和國際發展幾方麵的指標共同構成的，但這幾個指標之間可以沒有關係。很明顯，指標與構念的關係是完全不同的。構成指標模型在組織和管理研究領域並沒有被廣泛使用。Diamantopoulos，Riefler和Roth(2008)從過去的文獻中找到6個管理方麵的研究曾用到構成型指標來測量，包括環境控製（Venaiketal.，2005）、公司聲譽（Helm，2005）等。構成指標模型沒有被廣泛使用的原因是其估計和驗證的過程都比效果指標複雜，很多研究者都不一定熟悉整個程序。這一點通過我們在下麵部分的比較就可以看出來。8.1.4用構成指標和效果指標估計構念正如上麵所解釋的，用效果指標估計構念時，采用的就是一般的因子分析模型。我們在結構方程模型中使用因子分析模型，通過可觀測的效果指標就能夠估計出不可觀測的構念。這一步工作在常用的結構方程模型軟件如LISREL和AMOS中就可以簡單地實現。
隻要因子模型是正確的，指標沒有問題，就可以用指標直接估計出構念。例如，一個人使用3個效果指標測量了200個人的“離職傾向”，他可以很容易地對3個效果指標進行驗證性因子分析，並用它們背後的因子分數來估計隨機誤差和載荷，進而估計不可觀測的構念“離職傾向”。
這一部分的內容讀者可以在看過後麵的結構方程模型部分後，再返回來閱讀。相比起來，用構成指標來估計構念就有一些不同。構成指標模型中指標與其所測量的構念之間的關係可用數學關係式表示為θ=γ1x1+γ2x2+…+γkxk+ζ在這個等式中，θ，γ1，γ2，…，γκ和ζ都是未知的參數。隻有x1，x2，…，x3是可觀測的變量。理論上，給定x1，x2，…，x3的一組的觀測值，則(θ，γ1，γ2，…，γκ，ζ)的取值有無數種可能性，無法得到一組估計值。這時，我們說模型是不可識別的［注：可識別性會在第11章詳細討論］。學過結構方程一章後，你應該可以自己想到解決辦法，為了使模型可識別，模型中至少需要包括兩條從該構念發出的結構路徑。換句話說，要把構成指標模型中的變量猜出來需要借助該構念的至少兩個結果變量。企業的環境複雜性這個構念的測量模型單獨存在時是不可識別的，假設我們可以根據理論推出兩個相關的結果變量，即有機式的組織結構和組織戰略，在由3個構念組成的完整模型中，我們就可以估計出想研究的企業的環境複雜性了。因此，我們可以用一句話總結兩種模型估計方法的差異：用效果指標測量構念時，隻用測量模型就可以估計；但是用構成指標所測量構念時，需要同時包括測量模型和結構模型才可以估計。這時，在結構模型中，除了我們所測的構念，至少還要有該構念的另外兩個結果變量。
8.1.5構成指標和效果指標的使用
雖然很多管理研究者都不太熟悉構成指標，但構成指標已經不是一個新的概念了，它曾經作為一種有潛力的測量模型被提出來，卻也因為其諸多的問題一直被批評。我們在這裏為大家比較構成指標和效果指標隻是希望大家可以了解它們。但我們的建議是，如果可能的話，盡量少使用甚至不使用構成指標。原因有四：第一，指標是用來測量構念的。理論上來說，有了測量，就可以知道構念是什麼。構成指標的構念除了需要它的構成指標外，還需要其他的結果構念來定義。這在測量學裏麵是一個很古怪的現象。第二，一個構念的結果需要恰當的理論才可以判定。這說明了構成指標除了作為一個測量工具以外，還要求研究人員絕對正確地把構念的結果定義下來。這是把測量與建構理論混起來了。第三，我們大部分時間都很難把一個構念的所有結果定下來。但是如果不這樣做的話，構成指標的權重就會隨著用不同的結果構念而改變了。第四，幾乎所有需要構成指標的構念都有可能用效果指標測量。那為何要舍易取難，並且要取一條誤差可能更大的路呢？到底應該使用構成指標還是效果指標本來是一個理論問題。例如，“社會調整(socialadjustment)”這個構念（Holmes&Rahe，1967）的提出是基於這樣一個前提：一個人生活中發生的好的或壞的事情（如家庭成員健康狀況的變化、親密朋友的離世、工作中的職責變化、獲得新的家庭成員等）會給個體帶來心理上的壓力，而這種壓力可能會引起心理疾病或精神健康問題。根據定義，符合邏輯的做法是測量個體所經曆的重大事件，並把它們放在一起來測量社會調整。而對於另外的一種構念，如一般智力能力（GeneralMentalAptitude，或稱g因素），它在定義上就是指個體的各種外顯能力背後的一個潛在因素。因此很明顯，用構成型指標來測量GMA是不合適的。但是，對於大多數構念來說，其定義中一般不會明顯表示出哪種指標測量更合適。例如，銷售人員的工作業績定義為銷售人員的工作表現，但我們可以用不同的方法來衡量工作表現。我們可以用他銷售不同產品（如空調、冰箱、電視機等）的加權總和作為業績的衡量；也可以請他的直接上級根據他在不同方麵的表現來打分（如產品銷售的質量、數量，顧客滿意度等）。因此，選用什麼樣的測量指標取決於我們如何定義構念。對於那些模棱兩可的構念，用效果指標或構成指標都是可以的，這決定於我們對其的操作性定義（operationalization）。考慮到構成型指標內在的問題和複雜的估計過程，我們建議研究者們在可能的情況下，盡量選用或發展反映型指標構成的量表來測量構念。8.2多維構念的測量前一節我們討論的構念都是可以直接由多個指標來測量的，這樣的構念是最簡單的一種，我們稱為單維構念。管理學中還有很多更為複雜的構念，它包含了幾個維度，而每個維度也都是不可直接觀察的構念。所謂的構念的“維度”，簡單地說就是這個構念是由幾個不同的部分組成的。我們用組織公平感（organizationaljustice）這個構念來作為例子。在1980年以前已經有了以亞當斯(Adams，1965)的公平理論為代表的多個理論解釋為什麼組織公平感會影響人的行為，這些理論都一致認為人們在組織中的公平感主要就是對於組織分配的結果是否覺得公平。這被稱為分配公平（distributivejustice）。後來Leventhal等人(1980)把法律糾紛解決過程的理論應用到組織中，提出了在組織中員工其實也很看重組織運行過程中的公平，當組織具有平等待人、沒有偏見等6個方麵的特征時，員工也會覺得公平，他們將其命名為程序公平（proceduraljustice）。這樣，組織公平這個構念中就包含了兩個子構念了。到1986年，Bies和Moag(1986)提出了另外一個不同的概念，他們發現其實員工在組織內的人際互動的質量也是組織公平感形成的重要部分。他們稱為互動公平（interactionaljustice）。於是，現在的研究中提到組織公平感時，都默認包含了至少3個維度。不過由於這3個維度之間的關係以及它們於組織公平的關係還尚未完全說清楚(Colquitt，2001)，也有不少學者質疑這3個維度同屬一個構念下的問題，我們在這裏不展開討論。隻希望用這裏例子向大家說明組織公平感如何從最初的一個單維度構念變成現在的多維度構念的。又如，Allen和Meyer(1990)提出了組織承諾（organizationalcommitment）這個構念一共有3個維度。其中包括感情承諾（affectivecommitment）、持續承諾（continuancecommitment）和規範承諾（normativecommitment）。感情承諾是員工對組織的情感上的依從、認可和內化。規範承諾是員工對組織的規範的認同。持續承諾是員工對組織的承諾表現在不離不棄的一麵。
大家經過比較已經可以看出來了，單維構念本身是不可觀測的、抽象的；但它可以由可觀測的、具體的指標直接測量。相比而言，多維構念和子維度都是不可直接觀測的概念，可觀測指標是用來測量子維度的。既然指標隻能直接測量子維度，那我們又如何通過維度來估計構念呢？如果不能討論清楚維度與構念之間的關係，上麵這個問題是無法解決的。過去很長一段時間，這個問題並沒有得到重視，學者們根據自己的想法，要麼把所有的維度加總取平均，要麼就在維度層麵做分析，在構念層麵做結論。多維構念與它的各維度之間的關係比單維構念與其指標之間的關係更複雜。Law，Wong和Mobley(1999)的文章，以及Law和Wong(1999)的文章都討論了多維構念與其各維度間的3種可能的關係：潛因子模型，合並模型和組合模型。下麵我們將逐個討論這3種關係。雖然大家可能會發現構念與維度的關係與前麵所講的指標類型有部分相似的地方，但是它們是不同性質的問題，希望大家不要混淆。
8.2.1潛因子模型
潛因子模型(LatentModel)的一個經典的例子是一般智力能力（generalmentalability，GMA）。斯皮爾曼在1927年把GMA描述成眾多智力活動（如語文能力、數量計算能力、記憶和推理能力等）背後的一個共同因素。他從數據分析中發現，雖然人可以在各方麵表現出不同的能力，但所有能力的背後有一個共同變異的部分，這個部分好像一個潛在的因子影響著人各方麵的智力表現，隻是我們暫時還不清楚這個部分從哪裏來，故把它命名為g因素（g是general的首字母縮寫）。從這個例子我們可以看出，在這一類的多維構念中，各個維度都是同一個構念的不同表現。這類多維構念被稱為“潛因子型多維構念（latentmultidimensionalconstructs，LMC）”，因為LMC可以在數學上表示為各個維度背後的一個潛因子（或共同因子）。LMC是概念上最簡單，估計和解釋起來也較為容易的一類多維構念。管理學大部分構念都屬於LMC類型的多維構念。我們用Salovey和Mayer對情緒智力（EmotionalIntelligence，EI）的定義作為例子來說明LMC的特征。Salovey和Mayer(1990，p.189)把情緒智力定義為“一個人能夠了解自己和他人的感覺和情緒，能區分它們，並且能使用情緒的信息引導自己的思考和行為的能力”，但他們對這個定義不滿意，於是在1997年又把定義修改為“情緒智力被定義為四方麵的能力（a）感知情緒，（b）使用情緒促進思考，（c）理解情緒和（d）管理情緒”(Mayer&Salovey，1997)。其中，感知情緒是指感覺到並識別出自己和他人的情緒，並且能夠識別出這些情緒的刺激物是什麼，如聲音、故事、音樂等。使用情緒促進思考是指使用情緒來提高注意力，並且可以理性地、有邏輯地以及更有創造力地進行思考。理解情緒就是明白情緒的語言，了解情緒是如何混合在一起影響我們的，以及情緒之間轉換的機製。最後，管理情緒就是能夠控製和調整情緒，以促進個人成長的能力。根據他們的定義，情緒智力就是一個潛因子模型構成的多維構念，它表現為4個方麵的能力，而每一方麵的能力也都是一個抽象的構念。根據這樣的定義，EI與其4個維度之間的關係可以用數學式表示為感知情緒=ω1×EI+δ1（ω是權數；δ是誤差）使用情緒=ω2×EI+δ2理解情緒=ω3×EI+δ3管理情緒=ω4×EI+δ4但因為每一個維度本身也是不可直接觀察的抽象構念，所以我們還需要為每個維度發展一些可觀測的指標對維度進行測量。每個維度都可以視為一個單維度構念，因此與我們前麵講的單維度構念的測量模型是相同的。在結構方程建模一章中我們還會提到，估計潛因子型多維構念有兩種方法：第一種方法是可以先通過指標估計子維度，再用上麵的方程用子維度估計多維構念。第二種方法是假如多維構念是潛因子模型，而每一個維度都是由反映型指標測量，那麼我們可以直接用指標估計多維構念。有興趣的讀者可以自己試驗一下，看兩種估計是否一致。如果你喜歡用方程推導，也可以用下麵的式子推導。假設我們用幾個指標測量上麵的感知情緒維度，其中一個指標x1與感知情緒的關係就可以表示為x1=λ1感知情緒＋ε1=λ1（ω1EI＋δ1)＋ε1=λ1ω1EI＋λ1δ1＋ε1(1)如果直接用一個一階因子的式子來表示指標和EI的關係，則x1=κ1×EI＋υ1(2)［注：κ1=λ1ω1;υ1=λ1δ1+ε1］式（1）和式（2）唯一的區別就是在式（2）中，我們估計時是把誤差當作隨機誤差來處理，但實際上誤差是受λ1影響的。隻是這個誤差在好的測量中可以忽略（即λ都很高的時候）。這樣，用兩種方法估計的結果就會比較一致。8.2.2合並模型第二種類型的多維構念是合並型多維構念（AggregateMultidimensionalConstruct，AMC）。我們還是從一個例子開始。Mitchell等(2001)在提出“工作嵌入（jobembeddeness）”這個構念時，明確說明了“這個構念是一個合並型構念，而不是潛因子模型”（p.1111）。那這個構念是怎麼樣的呢？Mitchell等(2001)發現過去的文獻認為員工決定是否留在一個組織的原因是由他對工作和組織態度決定的，當一個人對組織產生了不好的看法時，可能會考慮離開；而如果一個員工還願意留在組織，可能是因為對於組織還存有積極的看法的。Mitchell等(2001)認為還有其他的解釋原因。他們發現很多員工留在一個組織是因為他們好像附著在一張巨大的網上麵，這個網是由他們與這裏的人和事的種種關係組成的，讓他們很難做出離開的決定。他們和這張網聯係的緊密程度就被作者定義為“工作嵌入”。
他們提出“工作嵌入”包括3個方麵的內容：聯係、匹配和犧牲。聯係是指員工與組織及組織裏的其他同事之間的正式或非正式的關係。匹配是指員工覺得他與環境和周圍人匹配的程度。犧牲是指員工預期如果離開這個組織將會帶來的各種物質和心理的成本。作者在發展構念時清楚說明了工作嵌入並不是這3個方麵背後共同的潛因子，而是因為有了這3方麵才共同組成了工作嵌入，這3方麵不一定要都高或者都低，它們之間有一定程度的彼此替代性。
這樣類型的多維構念我們稱為合並型多維構念。如果說潛因子型多維構念是同一個多維構念的不同表現，那麼，AMC的各個維度就是多維構念的不同組成部分。數學上，AMC可以定義為其各個維度的函數。為了討論方便，我們這裏都假設AMC是它各個維度的線性函數。但實際上，AMC可以是其各維度的複雜函數。工作特征模型就是這樣一個例子。Hackman和Oldham(1976)提出，有5個核心的特征會影響一份工作對工作者的激勵性，即技能的多樣性、工作的整體性、工作的重要性、自主性和反饋。Hackman和Oldham還明確為一份工作的激勵潛能分數（motivationpotentialscore，MPS）作了操作定義，即MPS=技能多樣能+工作完整性+工作重要性3×自主性×工作反饋根據他們的定義，一個工作有可能在多大程度激發工作者的積極性，是由工作特征的5個維度的非線性組合決定的。我們還可以從方差的角度比較潛因子型多維構念和合並型多維構念的不同。對於潛因子型多維構念，實際上隻有各個維度的共同方差才被考慮為多維構念的方差部分，每個維度中特有的變異量可能對於各維度來說是有意義的，但對於整個多維構念來說，它們都被視為誤差方差。而合並模型中則不同，根據定義，所有維度的所有變異量以某種方式合並後成為多維構念的變異量，所以各維度的變異量都被認為是真實變異量。
我們建議讀者在選擇如何測量構念時要思考清楚，因為不同的構念在估計和使用時的方法完全不一樣。最好在定義構念的性質時就已經想到後麵會如何分析。LMC和AMC的估計過程很不一樣。LMC可以簡單地用探索性因素分析（exploratoryfactoranalysis）或驗證性因素分析（confirmatoryfactoranalysis）來估計，而AMC的估計則要複雜一些。我們假設一種最簡單的AMC，即構念測量值等於每一個維度測量值的加權平均。那麼，AMC與其維度之間的關係就可用數學式表示為AMC=ki=1γ1×維度i為了估計這個方程，有兩種選擇：一個是研究者從理論出發，定義每一個維度的權重，即γ的值，然後就可以直接把維度合並到構念層麵。例如，Locke(1969)和Lawler(1983)提出了工作滿意度的5個維度在構成總體工作滿意度這一構念時應該被賦予相同的權重。類似地，上麵討論的工作特征模型中，Hackman和Oldham(1976)也明確給出了一個非線形方程，以說明5個維度如何組合成多維構念“工作激勵潛能”。
但是，對於那些沒有足夠的理論提供證據賦予各維度權重的，就需要用實證數據來估計維度與整體構念之間的函數關係。而當所有的γ都需要通過模型來估計時，就涉及模型是否能夠識別的問題(請參見第11章結構方程模型)。一個單獨的AMC中已知的信息是不夠我們估計整個測量模型的，所以為了估計測量模型，我們還需要其他構念的輔助。一般情況，我們至少需要從AMC發出的兩條路徑(即兩個結果變量)才能夠使要估計的模型成為可識別的模型(MacCallum&Browne，1993)。既然有不同類型的多維構念可以選擇，那如何確定一個構念是哪種類型的構念呢？Edwards(2001)認為確定多維構念的類型是一個實證問題，而Law，Wong和Mobley(1998)則提出多維構念的類型應該由理論決定。我們認為兩個看法是不矛盾的。我們建議，研究者最好在理論的基礎上首先定義所研究的多維構念，再用實證數據進行檢驗。如果數據不能支持先前提出的構念定義和結構，再考慮其他可能的方式。單從數據結果反過來講故事構造理論是很危險的。因此，無論是提出構念、發展測量，還是構建模型，我們一直的觀點都是盡可能從理論出發，用數據檢驗，才能達到實證研究的目的。不過，我們發現，即使是一些學者在引用Law，Wong和Mobley(1998)的文章時，有時也會把多維構念與維度的關係和構念與指標的關係混淆。因此，我們在這裏也多強調一次，潛因子型多維構念和合並型多維構念都是指多維構念與其維度之間的關係；構成指標和效果指標則是指抽象構念與具體的可觀測指標之間的關係。看到這裏，讀者可能會問，既然我們不太讚成構念用構成指標來測量，那是不是基於同樣的理由，也應該建議盡量不要把多維構念定義為合並型多維構念呢？我們覺得其實不然。主要的原因是構念與指標之間的關係是一個“估計和代表”的關係。實在的指標是估計抽象的概念的唯一途徑。但是多維構念與維度卻沒有這樣的唯一性的代表關係。因為多維構念是一個構念，維度也是一些構念，所以兩個都可以用指標直接測量。這樣的話，就不存在上麵所說模型識別性的問題了。我們在這裏用工作滿足感作為例子。整體的工作滿意度有5個維度，分別是對薪酬的滿意度、對同事的滿意度、對主管的滿意度、對工作的滿意度和對晉升的滿意度。這5個工作滿意度的維度各自是可以用指標來測量的。但是同時，整體的工作滿意度也可以“直接”用指標來測量的。既然整體的工作滿意度可以不通過5個維度來測量，那麼它們之間的關係，就可以用一個簡單的回歸分析估計出來了。
其中的5個維度和多維構念本身都可以用因子分析測出來，以因子數作為代表。因此，γ1到γ5都可以用簡單的回歸分析估計出來。但是右邊的用構成指標測量的單維構念中的γ6到γ8卻無從估計，因為它們可以是任何數值。8.2.3組合模型還有一類多維構念，在描述整個構念時，需要所有維度共同來描述，但是又不能把維度合並在一起。好像是我們描述一台電腦的“配置”時，會用一串指標描述，包括處理器CPU、顯卡、主板、內存、硬盤、顯示器等每一項的指標放在一起共同描述，但是你很難將這些信息合並為一個數字來表示——當然，如果你隻關心價格就是例外了。這一類用各個維度以不同方式的組合來定義的多維構念被稱為組合型多維構念。很多時候的做法是，把每一個維度分為高水平和低水平，然後把各個維度高低水平相組合形成不同的類型，進而再解釋每一種類型特征、原因、影響等。因此，組合型多維構念常常都是以類型的方式出現的，隻不過這些類型是由構念下的子維度來共同定義的。例如，Tsui，Pearce，Port和Tripoli（1997）基於March和Simon（1958）的誘因——貢獻架構（inducementcontributionframework），建立了一個2×2的企業人力資源模型。其中的人力資源管理製度（多維構念）有兩個維度——“期望員工的貢獻（expectedcontribution）”和“提供給員工的誘因（providedinducement）”。
這兩個維度不可以相加。隻可以組成各自“高和低”的4種組合，即“高誘因高期望”“高誘因低期望”“低誘因高期望”“低誘因低期望”。
這4個組合就形成了企業人力資源製度的代表了。又如，Sabherwal和Chan（2001）用6種特質定義了以往學者提出的企業作為防禦者、分析者、開拓者的3種戰略類型。過去的學者談3種戰略類型僅限於概念上的討論，所以也就無法進行實證研究。但在這個研究中，作者把戰略類型定義為一個組合型多維構念，用了防禦性、風險規避、進取性等6個方麵的特征來定義每一種戰略。換句話說，用這6方麵的特征就可以把每種戰略各自的主要特點描述出來了。
維度防禦者(Defender)分析者(Analyzer)開拓者(Prospector)防禦性(Defensiveness)高中低風險規避(Riskaversion)高高低進取性(Aggressiveness)中中高主動性(Proactiveness)低中高分析(Analysis)中高中未來性(Futurity)低中中現在需要讀者發揮一下空間想象能力，現在有6個維度，所以我們以這6個維度為坐標軸，可以得到一個六維空間。如同二維的坐標係被X和Y軸分為4個象限一樣，這個空間被6條坐標軸分割成了很多個（26=64）象限。但在這些象限中，隻有3個象限是被研究者認為有意義的，它們就是上麵的表中定義的3個象限各自代表一種戰略。而對於任何一家公司，我們隻要測量它們在這6個維度上的值，就可以在一個六維的空間中定位這個點，也就可以代表這家公司的戰略了。這是一個比較複雜的組合構念，在這裏隻是作為一個例子。我們不建議讀者輕易建構包含那麼多維度的構念，除非你有很強的信心可以把其中的理論解釋清楚。作者的樣本包括226家公司的數據，首先要做的事情是把這226家公司分類。分類一般有兩種方法：一種方法是這個研究裏用的，人為地把每一個維度分出高低區間。我們稱為“虛擬編碼法(dummycodingapproach)”。
作者用每一個維度的中位數(median)把所有公司分為高分組（記為＋1），低分組（記為－1），如果有恰好等於中位數的，記為0。這樣，每一個公司都有了6個虛擬分數。因為已經有了3個理想戰略的點（即上表中所示），所以可以用歐幾裏德距離公式計算每一家公司與3個戰略理想點之間的距離，距離最小的就是這家公司的戰略類型。以防禦者戰略為例，A公司與防禦者戰略理想點的距離為距離(防禦者)=(Xj－Ij.def)2其中，Xj是A公司在第j維度上的虛擬分數，Ij.def是防禦者戰略理想點在第j維度上的虛擬分數。同樣道理，可以計算出A公司與其他兩個戰略理想點的距離。用這樣的方法就可以把每家公司歸入相應的類型了。還有另外一種方法可以用來給個體或公司分類，即通過聚類分析（clusteranalysis）把樣本中的所有公司分為3個組。我們稱為“引力法（gravityapproach）”。
3個類的重心或矩心（centroid）就可以用作3種戰略的操作化定義。例如，如果經過聚類分析後，防禦型戰略這一組的矩心是（M1，M2），那麼A在多大程度上是防禦型戰略就可以定義為點（x1，x2）與點（M1，M2）之間的歐幾裏德距離（Euclideandistance），距離本身的數字所代表的就是A公司具有該戰略的程度。然後再進行後續的分析。另外，還有一種分析的方法就是與第一個方法相似的，以一個象限的最高得分作為我們的參考標準。以Tsui，Pearce，Port和Tripoli（1997）的企業人力資源誘因——貢獻架構來舉例，如果“誘因”和“貢獻”都是用7分的量表來衡量的，那麼，“高誘因、高貢獻”的企業的參考標準就是誘因和貢獻都是7分（因此參照點就是（7，7）了）。有了這個參照點，不同企業的“高誘因、高貢獻”程度就可以用這個企業在二維空間與（7，7）這一點的歐幾裏德距離來定義了。通過上麵這個例子我們可以看出，組合型多維構念（PMC）是它包含的每一個維度所代表的特征的組合。但需要注意的是，如果隻是研究每個維度的特征的前因後果，當然也是可以的，隻不過此時是在維度層麵的研究，是把每個維度當成獨立的構念，但最後不能夠在多維構念層麵作出結論。如上麵這例子中，如果隻研究了6個特征分別對於公司績效的影響，並沒有研究它們的組合，就不能夠作結論說公司戰略會影響公司績效。因此，隻有確定了由其各維度所代表的特征以不同的方式組合所形成的類型時，這個構念才成為真正的組合型多維構念。3種類型的多維構念（潛因子型、合並型、組合型）都討論完了，這些類型是否已經可以概括所有的多維構念了呢？作為多維構念類型理論的提出者，Law，Wong和Mobley(1999)認為目前的3種多維構念模型應該已經可以概括目前我們所用的多維構念，暫時也還沒有人提出有其他類型的多維構念。但這不等於以後也沒有，科學本來就是在證偽的過程中逐步發展的。另外，我們鼓勵研究者們在每一次使用或提出多維構念時，都應該思考和界定它的性質。當然，如果一個研究者喜歡用一個概括的詞語或標簽來描述一組彼此相關的構念（即維度）是完全可以的。隻是這樣的一組概念不能夠稱為一個多維構念，在分析時，也不能夠在多維構念層麵作出結論。例如，我們把個人主義、權力距離、生活的數量與質量（或男性化/女性化）和不確定性規避這樣一組變量放在一起，並統稱為“國家文化（nationalculture）”（Hofstede，1984），是完全可以的。但是在對維度之間的關係，以及維度和“國家文化”之間的關係作出明確定義之前，國家文化還不能作為一個多維構念使用。也就是說，如果我們對權力距離進行研究，卻把研究結果推延到構念層麵，提出“因此，國家文化對……產生影響”就是不太妥當的。為了與多維構念做區分，我們暫且把這一類用來總括一組相互關聯的構念或維度的概括性標簽稱為“偽多維構念（pseudomultidimensionalconstructs）”。
“企業文化”“企業公平”和“企業績效”都是“偽多維構念”中最典型的例子。這些偽多維構念的特征是，它們都不是真正的構念，而隻是一組構念的概括性標簽；但是，它們又常常被研究者錯誤地當作科學的多維構念來使用。因此我們建議研究者，如果暫時沒有理論基礎可以用來整合這類偽多維構念的各個維度，研究者可以考慮在維度層麵做研究，結論也保留在維度層麵，而不要在構念層麵做出結論。8.3測量的效度與信度管理學幾乎每一個實證研究都涉及測量的問題，被用作測量的量表也不計其數。遺憾的是，並不是所有的量表都是經過嚴謹的過程發展出來的，質量也參差不齊。一個領域在發展初期，大家對於測量的要求可能不是很嚴格，這種情況在管理學中某些領域也存在。有時，研究者隻是根據定義自己隨意地寫了幾道題就拿來用，並沒有經過嚴謹的檢驗過程，而文章發表以後則會有更多的學者跟隨其使用，因為已經發表了。這種做法是危險的。測量在研究中是非常重要的。因為我們在用現實世界的數據對理論進行檢驗時，所有的信息都是從測量的渠道得來的。一個壞的測量工具會直接導致一個錯誤的結論，如不能夠支持一個正確的理論，或是危害更大的，支持了一個錯誤的理論。為了使讀者在以後選擇量表或是自己發展量表的時候有一個參考的標準，我們在本節中介紹一些檢驗和評價量表的方法。本章8.4節中則會更係統地介紹發展量表的一般步驟。由於管理學中使用的測量原理和方法主要是從發展時間較長的心理測量學中借用來的，因此，讀者也可以參考心理測量學的相關內容，以獲得更全麵的了解。提到衡量量表好壞的問題，很多同學大概都可以說出一串名詞，如結構效度、構念效度、複本信度、再測信度、內部一致性信度等。但我們希望大家不單單是記得這些名稱，更重要的是可以知道它們被提出時是用來解決什麼問題的，以及它們背後的邏輯關係是什麼。其實，回到發展量表的初衷就可以知道，我們對於量表的要求其實很簡單，隻有兩條：首先，這個量表確實測量了我們希望它測的構念；其次，這個量表是穩定可靠的。就好像一把尺子，我們希望它上麵的刻度是準確的，1毫米的確代表1毫米，並且總是準的，不會隨氣溫、環境或其他因素而變化。這兩方麵也正是評價一個量表好壞的標準，我們分別稱為效度（validity）和信度(reliability)。效度和信度都跟測量時的誤差有關。有係統誤差稱為缺乏效度；有隨機的測量誤差稱為缺乏信度。用溫度計（測量工具）對溫度（測量構念）的測量來解釋，如果一支溫度計每次使用時都是比真實溫度高出5攝氏度，這就稱為係統的誤差，這支溫度計就是“無效”的。學術上稱為“效度”很低。如果一支溫度計並不準確，測量溫度時有時候高估，有時候低估，但是高低的錯誤是隨機的，沒有固定的規律，我們就說這支溫度計“不可信”。
學術上稱為“信度”很低。現在，讓我們首先來談談效度的問題。8.3.1效度在研究調查中，在問卷中問的每一道題稱為一個“項目（item）”或是“條目”，或者是它所反映的構念的一個“指標”。
測量同一個構念的一組項目稱為一個“量表”。
量表是為了測量某個構念發展出來的，因此我們首先需要確認的是量表是否真的可以度量這個構念，這稱為效度（validity）。效度就是你確實在測量你想測量的構念。為了說明量表的效度，需要作效度檢驗。效度檢驗（validation）是一個論證的過程，是指量表的發展者從各個方麵采集有關的理論依據和實證證據，以說明該測量的確可以有效測出目標構念（Kane，2006）。那麼，哪些證據可以作為一個量表有效的支持呢？根據現行美國標準《教育和心理測試標準》(StandardforEducatioinalandPsychologicalTesting，第5版)，並結合我們在管理學中的應用，我們介紹可以作為效度證據的4個最主要的方麵，它們包括內容效度，內部結構效度，以及基於與其他測量之間關係的效度。在測量學中，前麵兩個我們把它們稱為“內容效度（contentvalidity）”和“結構效度（internalstructurevalidity）”。
關於關係上的效度，我們再把它分為“效標效度（criterionvalidity）”和“構念效度（constructvalidity）”兩種。1)內容效度大家小時候都會聽過“瞎子摸象”的故事。摸到象的尾巴的瞎子說，原來大象像一條繩子般細細長長；摸到象的耳朵的說，原來大象像一塊布一樣扁扁平平。每一個瞎子都是以偏概全。這就是在測量一個構念時缺乏內容效度。
“內容效度（contentvalidity）”的證據主要包括3個方麵的內容：第一，所測量的內容是否充分並準確地覆蓋了想要測量的目標構念。舉個例子，如果工作表現包括員工生產時的速度、達成目標、無錯誤3個方麵，我們的測量就要概括這3個方麵，缺一不可，否則就是沒有內容效度了。又如，工作嵌入應該包括聯係、匹配和犧牲3個維度，我們測量工作嵌入時，就一定要同時測量這3個維度。第二，測驗指標是否有代表性，它們的分配是否反映了所研究的構念中各個成分的重要性比例。如果你用10道題測量員工的工作滿意度，而其中8道題都是關於薪酬和獎金的，相對滿意度所包含的內容來說，這顯然不具有很好的代表性。第三，問卷的形式和措辭對於回答者來說是否妥當，是否符合他們的文化背景和用語習慣。檢驗內容效度時，可以采用邏輯分析法、專家判斷法或者實證研究法。前兩種是由研究者團隊或一組沒有參與發展量表的專家就每一個測量指標是否符合它們對此構念的認識逐一地進行主觀的判斷，然後對有爭議的地方進行討論，直到達成一致。最後一種是用定量的方法提供證據，一般做法是，請一組答題者，給他們一組構念的定義和所有的測量指標，請他們根據自己的理解把每一個指標放入與其對應的構念中，最後計算每個指標有多少人的分類是和研究者一致的。也可以直接請答題者對每一個指標可以反映某一構念的程度用裏克特量表進行打分，最後通過統計分析來比較每個指標在每個構念上的得分是否與預期目標一致。具體的操作過程，大家可以參考SchriesheimheHinkin(1990)，以及Hinkin和Tracey(1999)兩個研究中的做法。2)內部結構效度
測量的“內部結構效度”就是指用測量工具所得到的數據結構是否與我們對構念的預期結構相一致。所謂數據結構，就是構念是一維還是多維的，包含哪些維度，哪些指標是在測量哪些維度，等等。因子分析是判別內部結構效度的一個重要工具。因子分析可以幫助我們決定一組測量項目的背後有多少潛在的因素（這些因素稱為因子），並確定哪一個項目屬於哪一個因素。這正是內部結構效度希望解決的問題。因子分析有兩種：探索性因子分析（ExploratoryFactorAnalysis，EFA）和驗證性因子分析（ConfirmatoryFactorAnalysis，CFA）。當我們不知道項目背後的結構時，采用的是“探索性”的因子分析。當我們清楚項目背後的結構，希望驗證一下數據是否如我們預期時，采用的是“驗證性”的因子分析。探索性因子分析在量表開發的過程中是非常有用的，但它的用處主要體現在對於構念的結構還不太清楚的時候，可以幫助我們了解條目之間的關係。當然，如果你已經對構念結構有預期了，而且探索性因子分析得到的因子結構和你的預期結構完全一致，也可以作為內部結構效度的證據。不過因為探索性因子分析本身是較為嚴格的，所以常常很難實現每一個條目都進入預期的構念中。這個時候需要審慎地分析原因，不要輕易地因為載荷不好而把前麵發展的條目刪掉，尤其是對於過去的研究已經發展起來的成熟量表，更不能僅僅因為探索性因子分析結果就把別人的條目刪去。因此，我們建議大家在已經對構念的結構有理論預期，或者是檢驗別人已有量表時，使用驗證性因子分析。驗證性因子分析是帶有假設檢驗性質的分析方法，它強調在考慮誤差的情況下，檢驗觀測數據與假設的測量模型契合的程度。因此，驗證性因子分析可以容忍一定誤差的存在。我們在第10章、第11章會分別介紹探索性因子分析和驗證性因子分析的原理和方法。在這裏就不詳細說明了。3)基於該測量與其他測量之間關係的效度在檢驗效度時，一個常用的方法，就是用另外一個構念的“已知”測量（establishedmeasure，也就是已經經過驗證的測量）來作為參考工具。這個另外一個構念，可以是要檢驗的構念的結果（測量學上叫做“效標”變量，criterionvariable，也就是結果的意思）；也可以是一個與要檢驗的構念類似的構念。(1)效標效度“效標效度（criteriavalidity）”，有時也稱為“效標關聯效度”，它的概念和邏輯很簡單：已有的理論告訴我們A與B有很大的相關，或者A能夠在很大程度上預測B，那麼如果構念A的測量是有效的，我們應該可以看到A和B的關係符合理論上的關係。反之，如果我們看不到A與B的關係，就需要首先懷疑A的測量可能是不準確的。因為構念A與B的關係不需要懷疑，構念B的測量也不需要懷疑（兩者在文獻中都有一定的證據），如果我們觀察不到測量A與測量B的相關，那就代表測量A的效度是有問題。(2)邏輯關係網“邏輯關係網（nomologicalnetwork）”也是量表開發時常用的提供效度證據的方法。很多研究者喜歡它，因為它提供了豐富和全麵的效度檢驗信息。Nomology一詞來自於古希臘語，是“符合規律(lawlike)”的意思。用在這裏意為，一個構念A的測量如果是好的，那麼實際觀察到的數據中A和其他變量之間的關係應該與理論上它們之間的關係相符合。這裏的其他變量包括A的前因變量、後果變量、高相關變量等。換句話說，如果你的觀察結果是與你的理論符合的話，就是你的測量有效度的一個證據。你可以將數據檢驗出來的變量間關係圖與理論的關係圖相比較，以此作為效度的證據之一。Cronbach和Meehl(1955)把邏輯關係網視為效度檢驗中非常重要的一個步驟。而效標效度實際上可以視為邏輯關係網中的一部分。(3)聚合效度和區分效度(convergentvalidityanddiscriminantvalidity)這也許是被誤用最多的兩個概念了。我們常常看到不少研究人員在對數據分析時，把幾個構念的測量放在一起作驗證性因子分析，結果很好，便說這些構念的測量有區分效度。為了表明這個推論的錯誤，我們用以下的一個例子說明。假設我們在測量兩個構念：員工滿意度和企業承諾。我們用4道題來作為測量：①我很滿意我的同事。②我很滿意我的主管。③我不像一隻貓。④我不像一隻狗。用這4道題的答案做因子分析，我們必然會得到兩個因子。於是我將第一個因子稱為員工滿意度。第二個因子就稱為企業承諾。同時，我也說數據提供了聚合效度和區分效度的證據。這個例子自然是很誇張。不過，它卻表明了單單一次因子分析的結果是不可以表明聚合效度和區分效度的。因為效度的定義是一個測量是否正確地代表了它背後的構念。上麵這個例子的應用，說明我們並沒有真正理解這些概念原來的意思。我們建議遇到上麵這種情況時，可以說這些量表能夠將不同的構念區分開，但不要再用區分效度這個詞了。其實，如果因子分析的結果表明了指標與背後的構念與我們的設計相似，不如把它稱為“內部結構效度（internalstructurevalidity）”更為合適。那到底什麼才稱為聚合效度和區分效度呢？簡單地說，“聚合效度”是一個測量會與代表同樣構念的測量的相關很大。“區分效度”是一個測量不會與代表其他構念的測量的相關很大。假設我們現在覺得原來測量滿意度的量表對於中國情景不那麼適用，希望開發一個適合中國員工的工作滿意度量表CJS（ChineseJobSatisfactionscale），現在用多質多法的方法來檢驗CJS的效度。我們放進的“多種特質”包括組織承諾和工作滿意度，因為它們在理論上是兩個不同的、但很相近的構念。我們用一個已經過驗證的“組織承諾”量表OCQ（OrganizationalCommitmentQuestionnaire）來測量。我們用的“多種方法”是用已有的成熟量表JDS（JobDiagnosticSurvey）來測量工作滿意度，同時也用新開發的量表CJS來測量工作滿意度。這樣我們就可以得到3個有意思的相關係數。其中不同特質之間的關係應該最低（ROCQCJS=0.22），而用不同方法測量同一種特質的相關係數應該最高（RJDSCJS=0.79），兩個標準都符合，說明新的量表與其他相似構念的量表間有區分效度，而與已有的相同構念的量表間具有聚合效度。組織承諾量表（OCQ）工作滿意度量表（JDS）OCQ（成熟量表）—JDS（成熟量表）0.55—中國員工的工作滿意度量表CJS（新開發的量表）0.220.79請讀者自己判斷一下，如果結果是下麵表中數據所示的，又說明什麼呢？組織承諾量表（OCQ）工作滿意度量表（JDS）OCQ（成熟量表）—JDS（成熟量表）0.55—中國員工的工作滿意度量表CJS（新開發的量表）0.580.52聚合效度和區分效度的概念是Campbell和Fiske（1959）年提出來的。Campbell和Fiske提出了“多質多法矩陣（multitraitsmultimethodsmatrix，MTMM）”來驗證構念測量工具的效度。在多質多法檢驗中，需要用不同的方法（如自評或他評、問卷或觀察）對兩個或兩個以上的特質進行測量，這樣我們就可以得到一個用多種方法測量多個特質的MTMM相關矩陣。根據理論，在這個矩陣中，用不同方法測量同一個特質的相關係數應該比較高，這稱為“聚合效度”；而用不同的方法測不同特質的相關係數應該比較低，這稱為“區分效度”。