當一個人的能力高於他的工作要求，他是有點“屈就”在這個工作崗位時，就稱為“未充分就業”。
那學曆過高是否未充分就業呢？學曆過高的未充分就業，與工資過低的未充分就業是否一樣？能否放在同一個元分析中呢？員工主觀的未充分就業，與客觀的未充分就業，能否放在同一個元分析中呢？學曆過高與能力過高是否一樣呢？所以說，到底什麼可以放在同一個元分析中，隻有在這個領域的研究者才有資格回答。③最後一個常常在元分析中遇到的問題，是到底在文獻中找到幾個研究（相關係數），才可以做元分析呢？理論上來說，超過一個研究就可以了。因為兩個研究的綜合結果，通常都比單一研究的結果來得可信。但是，如果真的隻有兩個研究，研究人員做了元分析後，要在高水平的學術的期刊發表，可能不是件容易的事。那到底要幾個相關係數，元分析才開始有意義呢？我們的答案與上麵的蘋果與橙子是一樣的。可能要那個領域內的研究人員，才有資格去回答“到底是否足夠”的問題。有些領域的研究本來就不多，如果我們硬要規定20個以上（舉例而已）的相關才可以做元分析，那可能就要等一二十年才可以了。15.5結構方程與元分析早在1995年Viswesvaran和Ones（1995）已經提出了元分析與結構方程建模結合的可能性。Cheung和Chan(2005)也討論了一個更有係統的“兩部元分析與結構方程建模”的結合。因為這一章是元分析的入門，所以就用比較簡單的Viswesvaran和Ones(1995）方法，簡單介紹一下元分析與結構方程建模的結合。有興趣的讀者可基於這個介紹，自行深入地研究下去。我們知道結構方程建模的基礎是方差協方差矩陣。雖然有文獻討論，利用相關係數矩陣去做結構方程建模，估計出來的參數可能是有點偏差。不過這個偏差也不一定很嚴重。如果相關係數矩陣可以作為結構方程建模的輸入數據，則可首先做一個元分析，找到一大堆變量的相關係數，然後再用這個從元分析得到的相關係數矩陣來做結構方程建模。讓我們舉個例子。例如，我們有興趣的是下麵這個結構方程模型：一般使用結構方程建模的話，我們會自行收集數據，找出x，y，m，z的方差協方差矩陣（或是相關係數矩陣）來進行分析和參數估計。但是，現在我們就不自己去收集原始數據了。相反，我們是希望用元分析這個方法，基於文獻中找到的相關係數，去建立一個由“元分析”而得出來的相關係數矩陣。然後就用這個相關係數矩陣來進行結構方程建模的分析。但是這樣做的時候，我們會遇到兩個困難：
①在文獻中可能找到x與y的相關係數、x與m的相關係數、x與z的相關係數，以及x與z的相關係數。但是，我們可能找不到有關於y與m和m與z的相關係數。如果在相關係數矩陣中缺了兩個相關，我們是沒有辦法進行結構方程建模的分析的。因此，元分析與結構方程建模的結合的第一個條件，就是所有模型中的所有相關係數的配對都要在文獻裏找到（哪怕是隻有一個這樣的研究）。②如果用相關係數矩陣作為結構方程建模的輸入，我們要知道樣本數是什麼。但是，現在不是自己收集的原數據，而是元分析的結果。那麼，這些相關係數對應的樣本數到底是什麼呢？一個直接的回答可能是，樣本數就是元分析中的總樣本數了。因為當我們把3個樣本數分別為100，300，500的相關係數進行元分析後，得到的ρ∧其實是基於N=900而來的。所以這個ρ∧對應的樣本數就是900了。但是，還有一個更大的問題，就是每一對變量的相關係數（如rxy，rxm，rym等）對應的樣本數都可能不同。那怎麼辦呢？Viswesvaran和Ones(1995）建議用兩個保守的估計來解決這個問題。第一，他們建議不用“總樣本數”，而是用“平均樣本數”。
用上麵這個例子，樣本數就是100，300，500的平均。第二，他們建議不使用算術平均數，而使用調和平均數（harmonicmean）。調和平均數的定義為調和平均數=nni=11xi因此在上例中，樣本數的算術平均數是=(100+300+500)/3=300。調和平均數卻是=3/（1/100+1/300+1/500）=195.65。
寫到最後，我們覺得這本書需要一個總結。在本書的第1部分，我們談了研究的步驟、意義和一些基本的態度。第2部分介紹了一些基本的統計知識，作為第3部分的基礎。第3部分介紹了不同的分析工具和分析方法，用來驗證理論和假設。這是一本關於管理研究方法的書。書的中心自然是管理研究所用的不同方法。但是，基於研究方法範疇之大和作者知識的有限，我們隻是討論了量化的問卷調查研究。因此讀到這裏，讀者應該對量化的問卷調查研究有了一定的理解。我們覺得也應該在這裏做一個簡單的總結。總結的方法是回應第1、第2章中談到的理論與方法的關係問題。這裏希望再談一談管理研究中理論的角色、方法的角色，以及理論方法的關係。1.理論的角色本書在開始時，就談到管理研究是從理論出發的。這對於科學的管理研究尤為重要。那到底一個管理的研究可不可以沒有理論呢？答案自然是“可以”。
居裏夫人（MarieSklodowskaCurie，1867—1934）是第一個獲得諾貝爾獎的女性，也是首位兩次獲得諾貝爾獎的人。她在1898年的一個劃時代的發現是“瀝青鈾礦石的放射性，比礦石中的所有鈾含量要強很多”，因而她推斷瀝青鈾礦石中一定包含了一些未為人知的新放射性物質。當時，她根本不知道這個推論出來的物質是什麼，有什麼特性。這個研究有意義嗎？當然有！她的這一發現推動了找尋放射性元素的新紀元。它引導居裏夫人一直往前走，一直到1902年，居裏夫人提煉出一克鐳，並求得它的原子量是225時，我們才對這個新元素有了一點認識。重要的研究結果，尤其是與現存理論衝突的研究發現，縱然暫時沒有理論依據，也往往是推動新的理論發現的原動力。因此，我們絕對不會說沒有理論的研究是沒有貢獻的。但是，科學研究的最終目的是認識世界。我們希望沒有理論的研究最終指向新的理論。因為沒有理論而隻有結果，我們隻是“知其然而不知其所以然”，這對於我們認識世界幫助不是很大。就以居裏夫人為例，如果我們到今天還隻是知道“瀝青鈾礦石中除了鈾以外，應該還有其他的放射性元素”，那對我們有什麼好處呢？科學研究的目的是“認識”，應用是它的一個自然結果，不可本末倒置。我們可以用一個簡單的例子來說明這個道理。在組織行為學中，“主管下屬交換（LeaderMemberExchange，LMX）”是影響下屬工作表現（以下簡稱“表現”）的一個重要變量，這是一個有很強研究結果支持的結論。為了簡化討論，可暫時把LMX看成是主管與下屬的關係（以下簡稱“關係”），雖然LMX不隻是關係這麼簡單。如果隻知道“關係”影響“表現”，上司下屬的關係越好，那麼員工的表現就越好，那麼主管豈不就應該整天思考如何改善與員工的關係嗎？事實上，LMX的理論告訴我們，這個所謂的“關係”隻是一個表征。表征的背後有著深入的討論，去解釋為什麼“關係”會影響“表現”。
例如，Danseresu，Graen和Haga（1975）就提出了一個稱為縱向雙方鏈接（verticaldyadiclinkage）的解釋。其實，社會交換理論也常常被研究人員用作解釋LMX的機製。到底這些解釋是否正確，可用中介變量或者是調節變量去驗證。理論的建構也幫助我們建立所觀察到的現象的邊際條件。如LMX是否在任何情形下，都可以預測員工的表現？Berrin和Jeanne（2007）就基於社會交換理論，提出了“感知組織支持（perceivedorganizationalsupport，POS）”會調節LMX對員工表現的關係。即，員工覺得組織是在支持他們時，LMX才會產生作用。如此，理論的發展幫助我們深入地了解現象背後的原因。因此，理論在科學研究是不可或缺的一環。可能有人會挑戰我說，管理是一門應用的學科。隻要發現有效的“管理之道”，我們何必管為什麼呢？這是一個我常常在教學時聽到的問題。這樣的話，如果出自一群經理之口，我可以接受，因為他們不知道管理研究是什麼。但是對於一個管理研究者來說，我們的工作是發現真理，而不是單單發現關係。其實，如果單單是發現關係，任何人都可以做研究，根本不需要訓練，幹嘛要花五年的時間去研讀一個博士學位呢？如果要發現關係，我們隻要收集一大堆的變量，用相關分析計算它們的相關係數（這個統計軟件會做，也不用我們操心），相關係數大的變量就是“有關係”了。如果我們對企業業績有興趣，我們就找什麼與企業的業績相關。如果我們對員工的滿意度有興趣，我們就找什麼與員工的滿意度相關。如果我們對離職有興趣，我們就找什麼與員工的離職相關。如果是這樣，最有資格做管理研究的是做企業谘詢的人，而不是高校裏的老師。因為他們的工作讓他們方便收集大量的數據。我對自己的定位是，大學中管理研究的主要工作是找出管理問題的“原因”，因而知道問題的“解決”方法。做企業谘詢的人是不需要知道原因的，他們要的隻是問題的有效解決方法，而往往這些解決方法都是從經驗中總結出來的。從經驗總結出來的知識稱為“歸納的知識”。
歸納的知識很可能是知其然而不知其所以然的。我再舉一個例子來解釋這個道理。如果我是一個人力資源經理，當一個員工要提出離職時，經驗告訴我要考慮的隻是一個問題：這個員工對你是否重要。如果員工對你重要，你就在他現在可能得到的工資上加10%~20%。如果員工對你不重要，你就讓他走吧。這可能是一個很實用的建議方案，但是它完全沒有理論價值。而且有人會問，為什麼是這樣的？加薪（9%可以嗎？8%可以嗎？）必要的時候，加薪21%把員工留住可以嗎？這樣是鼓勵員工不停地在外麵另找工作嗎？相對來說，一個管理研究者會問的問題是：“為什麼員工要離職？”一般員工希望從企業或工作中得到什麼？什麼影響離職？為什麼？等等。簡單地總結，谘詢人員問的問題是“如何”解決？管理研究者問的問題是“為什麼”有這樣的現象？我的假設是明白了“為什麼”後，我們就可以考慮這個要離職的員工是否是一個特別的例子。如果這位要離職的員工不是一個特例，明白了“為什麼”，前麵的問題就可以解決了。如果這個員工是一個特別的例子，那我就要想一想有沒有特別的方法處理。我們明白了這個關係後，就會知道管理研究是一個“先問問題，後解決問題”的工作。因此，好的管理研究者解決問題的能力應該很高。這就是為什麼管理研究者可以做企業谘詢。講到這裏，順便提一個相關的問題。很多同學問我彼得·德魯克（PeterDrucker）先生做的是不是研究？他是不是一個偉大的管理研究者。我個人的看法是，德魯克是一個很有洞見的企業谘詢家。他對企業管理的觀察很獨到，是我望塵莫及的。但是如果他沒有把自己提出的“歸納的知識”演化成為理論，而且提供嚴謹的數據來支持他的理論的話，他就隻是一個偉大的企業谘詢家，而不是一個企業管理的研究者。上麵這個討論，也可以用科學中的基礎研究（basicresearch）和應用研究（appliedresearch）來理解。我的認識是科學的研究是從基礎研究出發的。有了基礎研究的理論，進行應用研究的人就可以把理論應用到日常生活，解決實際問題。例如，半導體背後有一套理論。研究半導體的科研人員把半導體應用到電子計算機上是應用的科學。光學纖維有它一定的理論背景，把光纖應用到資料輸送是一個應用的研究。曾經有人說，科學是用來改善人類生活的，沒有應用價值的基礎研究是沒用的。關於這一點，我希望用史提芬·霍金（StephenHawkings）作為一個例子。天文學上的很多研究，到今天我們都沒有找到它的應用價值。比如認識了黑洞以後，讓我們人類的生活改善了什麼呢？答案是沒有。但是黑洞的研究在天文學中卻極為重要。人類天生有一個求知的傾向。我們希望知道身邊事物發生的原因。了解了這些原因後（基礎研究），很多時候會帶出一些幫助我們改善生活的結果（應用研究）。但是基礎研究本身就有著它們存在的價值。管理研究基於它的背景，可能會稍微傾向於應用研究。但是不求理解，隻求應用的研究是漫無目的的。講了這麼多，我回來講管理研究理論的問題。管理理論是把管理現象抽象化後，用來理解管理現象的“解釋”。
這就是為什麼居裏夫人在1898年沒有拿到諾貝爾獎，直到1902年她提煉出一克的鐳，並求得它的原子量是225時，才拿到諾貝爾獎。管理理論的重心是解釋為什麼（why）、如何（how）、什麼（what）、何時（when）等問題。例如，Lee和Mitchell（1994）的“員工離職的展現模型（unfoldingmodelofturnover）”是他們觀察了企業的離職現象後，發現現存的離職理論沒有注意到員工離職中的一個很重要的元素。他們稱這個元素為“衝擊（shock）”。
一個員工可能偶爾在一個晚飯聚會中，聽到兩個親戚在大學畢業後三年，就在財務公司中被提升為副經理，有著很高的收入。她回顧自己在畢業後就進入了現在的企業，現在已經四年多了，但是她還是一個小小的主任。這個衝擊就引起了她離職的衝動。Lee和Mitchell在文章中提出了什麼因素讓員工會有“衝擊”的萌芽。這就產生了一個員工離職的理論。如果我們明白了這個道理，就會知道所謂研究的“理論”部分，隻是一個對為什麼（why）、如何（how）、什麼（what）、何時（when）等問題的解釋而已。研究的理論根基不一定是一個現存的理論，如體製理論、資源基礎理論、認同理論、角色理論等。研究的理論根基是研究者觀察到一些管理現象後，提出來解釋這些現象的解釋機製。一般不會讓研究者毫無根基地提出一些猜想性的“理論解釋”。
相反的，評委都希望研究者基於現有的文獻，找出研究的理論根基。就算研究者真的有一些劃時代的創新觀點，他們也應該指出現有文獻的不足。因此，不可能在完全沒有文獻的基礎下提出一些新的理論。這就是文章中“文獻綜述”的重要性。因此，我會把一個研究的理論基礎看成是“基於現有文獻的結果或突破，用來解釋要研究的現象的一個機製”。
這個解釋機製的過程，不需要是完整的。中國人往往有一個習慣，就是除非不做，要做就要做出劃時代的影響，因此，提出來的“理論”往往想把“所有”的因素都包括進來。如果是做離職的研究，就要把一切影響離職的因素都囊括在自己的“理論”中，結果弄得整個理論複雜無比。一個一個的圈圈（每一個代表一個影響的因素），環環相扣，模型中的箭頭（箭頭代表因果關係）飛來飛去，整個模型就好像是一個萬花筒。我的感覺是，這樣的所謂“理論”，第一是到頭來什麼現象都沒有解釋；第二是根本沒可能做任何形式的驗證。相反，西方的科學理論，往往隻是把最重要的因素點出來，在驗證的過程中，發現這樣的因素不能解釋複雜的觀察現象時，才會加入調節的變量。這一點，與對現象背後的原因有著不同的假設有關。西方的理論發展，一般都有著一個假設，就是複雜的事物背後，應該有一些簡單的規律在操縱。因此“簡約（parsimony）”在理論的建構上，是一個必要的環節。這解釋了為什麼托勒密（ClaudiusPtolemy）的地心說解釋星體運行的能力其實不低於哥白尼（NicolausCopernicus）的日心說，但是所有的科學家都情願選擇日心說。我的感覺是，中國人一般都會覺得，自然現象是一件死物，我們大概可以用一些很簡單的理論去解釋它們的關係。但是人類的智慧心靈何其複雜，根本就不可能用簡單模型或理論去解釋。這樣認知下建構的理論框架，一般都是異常複雜的。但是，我希望點出的是，西方的社會科學（比如心理學、社會學）其實也追隨自然科學的“簡約”原則，建構了很多非常有用的理論，用來解釋人類的行為。所以，我覺得這不是一個真理的問題，而是一個信念的問題。既然這本書所講的是科學的研究方法，我建議讀者們試試“假設”管理的現象可以用一些精辟而又簡單的理論來抓住它們的重心。用簡單的理論，可能沒有能力去完全解釋這些管理現象，但是就好像我們抓著襯衫的衣領，就可以把整件襯衫提起來一樣。在科學的管理研究中，我們要的是現象最精要的解釋，而不是一個巨細無遺的完美描述。從現有的現象去總結出簡單抽象的理論是一個要求極高並極其困難的過程。我自己覺得這也是做研究最難的一部分。這樣的工作不是一個普通的人可以做得到的。這也是為什麼高校挑選博士研究生，要提出苛刻的條件的原因。2.方法的角色管理研究是科學性的。科學的一個重要特點就是證據。研究者在總結了個人的觀察與文獻的內容後提出了新穎的觀點和理論，這隻是研究的第一步。新的觀點（理論）還隻是一個猜想性的理論而已。我們如何知道這個新的理論是否真實呢？科學的研究方法講求的是客觀的證據。單是邏輯辯證在這裏是派不上用場的。我們要基於這個理論視角，用邏輯推演出可以客觀驗證的假設，然後收集數據來驗證假設。假設若被推翻，證明理論可能有問題。如果假設沒有被推翻，我們就暫時接受這個理論的解釋。因此，如何驗證一個理論就是研究方法的問題。“研究方法”很多時候給同學的印象都是裏麵的數學很高深，常常把人搞得一塌糊塗。其實，我自己覺得在管理研究中，真正用到的統計方法其實不是很複雜。因為來來去去都是用線性模型，所以離不開線性的代數和幾何學。關於線性模型，國內的讀者在高中的時候就已經學過了，所以不要被一些數學符號嚇怕了。我的經驗是，大部分同學的難題不是出於對線性代數的陌生，而是因為線性代數和統計學混合起來了。一方麵要用線性代數來估計參數，同時也要應用統計學把估計出來的參數做統計假設驗證，很多時候讓同學摸不著頭腦。我的意見是，理解當中的線性代數是必須的，因為它們牽涉參數是如何估計出來的。關於驗證參數的統計有效性（statisticalsignificance），我們就交給統計學家，相信他們推導出來的結果吧。數學根基比較弱的同學，如果連完全明白這些線性代數都有問題，我建議也不要馬上放棄，而是再退一步，但求明白這些關係的背後意義。讓我舉個例子來說明這個問題。當我們學習最基本的“方差分析（AnalysisofVariance，ANOVA）”時，我們會從完全隨機模型（completelyrandomizedmodel）開始。我們會把“總平方和（SumofSquareTotal，SST）”分拆成“組內平方和（SumofSquareWithin，SSW）”和“組間平方和（SumofSquareBetween，SSB）”，即(yij－y)2=(yij－y.j)2+(y.j－y)2總平方和組內平方和組間平方和SSTSSWSSB關於這個公式，我覺得同學可以有三個不同程度的理解。第一，數學根基比較差的同學，我覺得起碼要知道為什麼要把“總平方和”拆成“組內平方和”和“組間平方和”。