問卷（包括量表）是一種專門設(shè)計(jì)的書面調(diào)查表，通過問卷收集數(shù)據(jù)是心理學(xué)和其他社會(huì)科學(xué)實(shí)證研究的常用方法。問卷法的優(yōu)點(diǎn)是簡(jiǎn)便易行，可以在短時(shí)間內(nèi)獲得大范圍資料；問卷不記名，減少了回答者的心理壓力，有利于收集到真實(shí)的應(yīng)答結(jié)果；所得資料便于整理和統(tǒng)計(jì)分析（溫忠麟，2017a）。

數(shù)據(jù)初步處理

任何人都不可高估自己的注意力，為了避免錯(cuò)誤地鍵入數(shù)據(jù)，檢查是必要的。好的做法是每輸入一個(gè)被試的數(shù)據(jù)，隨即檢查一遍，然后才輸入下一個(gè)被試數(shù)據(jù)。數(shù)據(jù)完成輸入后，可以對(duì)每個(gè)變量做一些簡(jiǎn)單的計(jì)算和描述統(tǒng)計(jì)，檢查是否有異常的被試、變量和數(shù)值。對(duì)于檢查無誤的原始數(shù)據(jù)，如果所用量表存在反向計(jì)分的題目，需對(duì)反向題進(jìn)行重新編碼。問卷數(shù)據(jù)中通常一個(gè)題目就是一個(gè)變量，如果有被試對(duì)某個(gè)題目沒有作答，相應(yīng)的變量就存在缺失值 (missing value)，需要處理。缺失類型有三種(Rubin,2004)：完全隨機(jī)缺失 (MCAR)、隨機(jī)缺失(MAR)、非隨機(jī)缺失 (NMAR)。MCAR指某個(gè)變量X缺失的概率與其本身和研究中的其他變量都無關(guān)。

MAR 指某個(gè)變量X 缺失的概率與研究中的某個(gè)或者某些變量有關(guān)，但與X本身無關(guān)。NMAR 指某個(gè)變量X 缺失的概率與X 本身的取值有關(guān)（可能與其他變量也有關(guān)）。

對(duì)于 MCAR 數(shù)據(jù)，缺失數(shù)據(jù)是可以忽略的，簡(jiǎn)單地將有缺失的被試刪除（列刪法，listwise）就可以了，但樣本容量只能算刪除之后的。對(duì)于 MAR 數(shù)據(jù)，如果引起缺失的變量與要估計(jì)的參數(shù)無關(guān)， 則缺失數(shù)據(jù)也是可以忽略的。缺失種類不明的時(shí)候，只要缺失數(shù)據(jù)很少（如 5% 之內(nèi)），刪除有缺失的被試通常影響不大。

對(duì)于 NMAR數(shù)據(jù)，或者 MAR 數(shù)據(jù)要估計(jì)的參數(shù)與引起缺失的變量有關(guān)，缺失是不可忽略的，不能簡(jiǎn)單地將缺失數(shù)據(jù)刪除，通常的做法是缺失值填補(bǔ)(imputation)。

使用常用的 SEM軟件，可以不用填補(bǔ)缺失值， 而是在程序語句中指明缺失值（ 如 Mplus，在 VARIABLE 下加上 MISSING= ALL (99) 表示所有變量中的“99”都是缺失值），軟件默認(rèn)用全息極大似然估計(jì)法 (full informationmaximum likelihood) 進(jìn)行參數(shù)估計(jì)，該方法在缺失值理論下利用全部可用的數(shù)據(jù)信息進(jìn)行計(jì)算 (Collins, Schafer, & Kam, 2001)。

不少統(tǒng)計(jì)方法對(duì)變量有正態(tài)性假設(shè)，因而需要分布檢驗(yàn)（檢驗(yàn)方法可參見溫忠麟，2016）。

量表評(píng)價(jià)

對(duì)于一項(xiàng)基于問卷的研究，即使研究者不擬使用結(jié)構(gòu)方程分析潛變量，而是使用量表合成分?jǐn)?shù)（各題得分均值或者總分）進(jìn)行統(tǒng)計(jì)分析，也需要建立測(cè)量模型（SEM包括測(cè)量模型和結(jié)構(gòu)模型），使用驗(yàn)證性因子分析(CFA) 做量表評(píng)價(jià)，為后續(xù)的統(tǒng)計(jì)建模分析奠定基礎(chǔ)。

2.1 評(píng)價(jià)量表的結(jié)構(gòu)效度

CFA 的一個(gè)重要作用是評(píng)價(jià)量表的結(jié)構(gòu)效度。使用現(xiàn)有的或者改編的量表進(jìn)行測(cè)量時(shí)，題目與潛變量（因子）的從屬關(guān)系是已知的，多維量表的維度（一個(gè)維度對(duì)應(yīng)于一個(gè)分量表）也是已知的，但由于被試和施測(cè)環(huán)境的差異，得到的數(shù)據(jù)未必符合已有的理論模型，故需通過 CFA 檢驗(yàn)量表的結(jié)構(gòu)效度（駱方, 張厚粲, 2006）。做法是用一個(gè)構(gòu)想的測(cè)量模型去擬合數(shù)據(jù)，看擬合指數(shù) (fit index) 高低。

一般認(rèn)為，如果 CFI (Comparative Fit Index) 和 TLI (Tucker-Lewis Index；也稱為 NNFI，Non-normed Fit Index) 大于0.9（越大越好），RMSEA (Root Mean Square Error of Approximation) 和 SRMR (Standardized Root Mean square Residual) 小于0.08（越小越好）， 則模型整體上擬合良好（溫忠麟 , 侯杰泰, Marsh, 2004），說明量表結(jié)構(gòu)符合預(yù)期。如果模型擬合欠佳，可以考慮探索性結(jié)構(gòu)方程模型 (ESEM)，允許跨因子負(fù)荷，可以得到比較準(zhǔn)確的潛變量關(guān)系（麥玉嬌,溫忠麟 , 2013）。

CFA 首先要做的是驗(yàn)證題目與因子的從屬關(guān)系。如果部分題目的因子負(fù)荷過低（如標(biāo)準(zhǔn)化負(fù)荷小于0.4），則可考慮刪除這些題目（如果它們也不從屬于其他因子），將剩下題目做CFA并報(bào)告擬合指數(shù)。即使擬合指數(shù)表現(xiàn)良好，仍需進(jìn)一步考慮刪題前后量表的異同。從心理測(cè)量的角度看，每個(gè)因子的全部題目是測(cè)量該因子的一組代表性樣本。刪除題目是否適當(dāng)，主要通過專業(yè)判斷刪除之后剩下的題目是否還有代表性（所以刪除的題目不能太多）。如果每個(gè)因子剩下的題目還有代表性，仍可以有效測(cè)量所測(cè)因子的行為或特質(zhì)，則刪除題目是可以接受的。如初中數(shù)學(xué)測(cè)驗(yàn)包含代數(shù)、幾何、概率三個(gè)方面， 若刪除的都是幾何題致使代表性不足，則該測(cè)驗(yàn)已不能測(cè)量初中數(shù)學(xué)能力了。如刪除一兩道幾何題之后剩下的幾何題還可以有效測(cè)量幾何能力，則刪除題目是適當(dāng)?shù)?。但刪除題目以后得到的結(jié)果與前人的研究結(jié)果可能沒有可比性。

如果刪除題目之前已經(jīng)報(bào)告CFA 擬合指數(shù)并且擬合良好，刪除題目之后可以不再報(bào)告，因?yàn)閯h除負(fù)荷低的題目，通?？偸强梢蕴岣吣Ｐ蛿M合程度，但最好報(bào)告刪除題目之后的 CFA 擬合指數(shù)。例如，有研究者根據(jù)CFA 結(jié)果，刪除因子負(fù)荷低于0.4 的題目進(jìn)行后續(xù)分析（任皓, 溫忠麟, 陳啟山, 2013）。

2.2 評(píng)價(jià)量表的信度

信度是衡量測(cè)驗(yàn)質(zhì)量的重要指標(biāo)。對(duì)于每個(gè)量表，都應(yīng)當(dāng)報(bào)告 Cronbach的α 系數(shù)。如果量表合成分?jǐn)?shù)有意義，在很一般的情況下（具體說就是題目之間的誤差不相關(guān)），α 系數(shù)是合成信度的下限。如果α 系數(shù)高到可以接受（例如，能力測(cè)驗(yàn)0.7 以上， 人格測(cè)驗(yàn) 0.6以上），合成信度就可以接受。如果α 系數(shù)過低，應(yīng)當(dāng)使用CFA 計(jì)算合成信度（溫忠麟, 葉寶娟 , 2011; 葉寶娟 , 溫忠麟 , 2012a）。比較好的做法是報(bào)告量表的合成信度及其置信區(qū)間（葉寶娟,溫忠麟 , 楊強(qiáng), 任皓，2013）。

2.3 檢驗(yàn)共同方法偏差

常用的是 Harman 單因子檢驗(yàn)（周浩，龍立榮， 2004），但已有研究指出單因子檢驗(yàn)存在問題， 推薦引入方法因子進(jìn)行檢驗(yàn) (Podsakoff, Mackenzie, Lee, & Podsakoff, 2003)，即建立雙因子模型，在原有設(shè)計(jì)的因子基礎(chǔ)上加上一個(gè)方法因子作為全局因子（顧紅磊 , 溫忠麟, 2017; 顧紅磊 , 溫忠麟 , 方杰, 2014）。如果原來多個(gè)量表放在一起的 CFA 模型（因子之間允許相關(guān)）加上方法因子后，模型擬合指數(shù)變好很多（例如，CFI 和 TLI提高幅度超過 0.1， RMSEA 和 SRMR 降低幅度超過 0.05），說明存在嚴(yán)重的共同方法偏差。

檢驗(yàn)共同方法偏差的同時(shí)，可以一并考慮檢驗(yàn)變量（量表）的區(qū)分效度。如果兩個(gè)或多個(gè)量表的題目當(dāng)作一個(gè)因子的題目擬合模型，擬合指數(shù)沒有明顯變差（例如，CFI 和 TLI降低幅度不超過 0.03， RMSEA 和 SRMR 提高幅度不超過0.01），說明變量區(qū)分效度低。首先是所有題目放在一起的單因子模型，應(yīng)當(dāng)是擬合最差的一個(gè)。然后逐步增加因子， 最后是一個(gè)量表一個(gè)因子的模型，這個(gè)模型是系列模型中擬合最好的，擬合指數(shù)應(yīng)當(dāng)達(dá)到可以接受的標(biāo)準(zhǔn)才能進(jìn)行后續(xù) SEM 分析，不然可以考慮用各變量（量表）的合成分?jǐn)?shù)進(jìn)行建模（前提是合成信度可以接受）。

楊明等人（2017）研究職業(yè)勝任力對(duì)工作要求 -資源模型的影響機(jī)制時(shí)，分析了五個(gè)變量的區(qū)分效度，通過對(duì)比不同因子模型，發(fā)現(xiàn)五因子模型優(yōu)于其它競(jìng)爭(zhēng)模型，故五個(gè)變量的區(qū)分效度良好。在這基礎(chǔ)上，建立雙因子模型檢驗(yàn)共同方法偏差，模型擬合指數(shù)見表 1。結(jié)果顯示，在五因子基礎(chǔ)上加入

表 1   變量的區(qū)分效度及共同方法偏差檢

注：JR= 工作資源；JD= 工作要求；CC= 職業(yè)勝任力；WE= 工作投入；EE= 情感衰竭。單因子：EE+WE +JR+CC+JD；兩因子：EE;WE+JR+CC+JD；三因子：EE; WE; JR+CC+JD; 四因子: EE; WE; JD; JR+CC; 五因子: EE; WE; JD; JR; CC。

共同方法因子后，模型擬合指數(shù)并沒有明顯的改善，CFI、TLI均只提高0 .01，說明共同方法偏差不嚴(yán)重。

 題目打包

對(duì)于問卷數(shù)據(jù)，使用 SEM 分析潛變量之間的關(guān)系（即結(jié)構(gòu)模型分析）已經(jīng)很常見，樣本容量需達(dá)到題目（指標(biāo)）數(shù)量的 10倍以上，或者自由參數(shù)的 5 倍以上（侯杰泰等，2004）。若樣本容量達(dá)不到這個(gè)要求或量表每個(gè)維度的題目過多，可考慮使用題目打包法 (itemparceling)，即把同一個(gè)量表的兩個(gè)或更多的題目打包成一個(gè)指標(biāo)，用合成分?jǐn)?shù)（總分或均值）作為新指標(biāo)的分?jǐn)?shù)進(jìn)行分析(Kishton& Widaman, 1994; Yang, Nay, &Hoyle, 2010)。從某種意義上說，題目打包不是什么新做法，因?yàn)槭褂昧勘砗铣煞謹(jǐn)?shù)建立回歸模型，其實(shí)就是將題目打包當(dāng)作顯變量建模。打包法可使指標(biāo)數(shù)據(jù)質(zhì)量變好、模型擬合程度提高，而且估計(jì)偏差不大。

 多重共線性檢驗(yàn)

對(duì)于回歸分析，若自變量之間相關(guān)很高，則可能存在多重共線性問題，導(dǎo)致參數(shù)估計(jì)出現(xiàn)偏差， 或者標(biāo)準(zhǔn)誤很大，模型失真（陳希孺，王松桂，1987）。如果各自變量的方差膨脹因子(variance inflation factor, VIF) 皆小于 5，一般認(rèn)為不存在多重共線性問題，VIF小于 10說明多重共線性問題不嚴(yán)重 (O' Brien, 2007)。以自變量Xj 為例，相應(yīng)的VIF =1/(1-R 2)，其中R 2 是X，對(duì)其他自變量做回歸，得到的測(cè)定系數(shù)（即Xj 的變異被其他自變量解釋的比例）。VIF >5（或 10）意味著R 2 超過 0.8（或0.9）。也有文獻(xiàn)將 (1-R 2) 稱為容許度或容忍度 (tolerance)， VIFj>5（或 10）意味著容許度 <.2（或 .1）。社科研究中很少出現(xiàn)嚴(yán)重的多重共線性問題。如何處理多重共線性問題，可參考回歸分析專著（例如，陳希孺，王松桂，1987）。

對(duì)于中介模型，如果中介變量和自變量相關(guān)非常高（如高達(dá) 0.9，此時(shí) VIF=5.26），則也有多重共線性問題，影響中介效應(yīng)和直接效應(yīng)的估計(jì)精確度和穩(wěn)定性（王惠文, 吳載斌 , 孟潔 , 2006）。對(duì)于調(diào)節(jié)效應(yīng)模型，變量中心化可以減少非本質(zhì)的共線性問題（溫忠麟, 劉紅云 , 侯杰泰 , 2012; Echambadi &Hess,2007）。例如，在葉寶娟、楊強(qiáng)、胡竹菁（2012） 的一項(xiàng)研究中，建模前各變量做了中心化處理，所有自變量的 VIF 均低于 1.28，故不存在多重共線性問題。

 建模依據(jù)

社科中比較經(jīng)典的推論因果關(guān)系的三個(gè)準(zhǔn)則是 ( 溫忠麟，2017b; Cook&Campbell, 1979)：(i)因在果之前發(fā)生；(ii) 因和果共同變化；(iii) 排除因果聯(lián)系外的其他解釋。其中第 (i) 個(gè)準(zhǔn)則涉及建模依據(jù)， 即變量之間的先后順序需要理據(jù)。第 (ii) 個(gè)準(zhǔn)則是通過建模以后的統(tǒng)計(jì)分析來判斷，就是通常的顯著性、效應(yīng)量等議題，本文不擬涉及。第 (iii) 個(gè)準(zhǔn)則實(shí)際上就是變量控制的問題（見下一節(jié)）。

模型反映了變量之間的關(guān)系和設(shè)定。對(duì)于直接關(guān)聯(lián)的兩個(gè)變量，可能是并列的相關(guān)關(guān)系，也可能是先因后果的影響關(guān)系（通常用箭頭表示）。建模需要有依據(jù)，就是要求模型中的每個(gè)箭頭連結(jié)的兩個(gè)變量的先后順序都有理論、文獻(xiàn)或者生活經(jīng)驗(yàn)的支持。其中一種常用方法是，看兩個(gè)變量的屬性決定先后：如果X是比Y更加本質(zhì)的（或者是長久的、穩(wěn)定的、客觀的）屬性，則X在Y的前面（溫忠麟， 葉寶娟，2014）。區(qū)分變量順序的另一種方法是顛倒兩個(gè)變量的順序，看哪一個(gè)更容易解釋（溫忠麟 , 2017b）。如果不能用上面方法分清先后，可以通過所謂的交叉滯后設(shè)計(jì) ( 白學(xué)軍 , 2012; Kenny, 1975)， 獲取歷時(shí)性的數(shù)據(jù)，看看兩個(gè)變量究竟誰影響誰，或者誰影響更多一些。

 變量控制

變量控制是因果推理的重要環(huán)節(jié)。要控制的變量是除自變量外可能會(huì)對(duì)因變量造成影響的非研究變量。常見的控制變量是人口學(xué)變量，此外還要根據(jù)前人研究適當(dāng)考慮其他的控制變量。從獲取數(shù)據(jù)的方法設(shè)計(jì)來看，問卷法對(duì)非研究變量的控制遠(yuǎn)不如實(shí)驗(yàn)法，因而對(duì)問卷數(shù)據(jù)的統(tǒng)計(jì)控制尤為重要。最簡(jiǎn)單的做法是分別做自變量和因變量（SEM 則使用指標(biāo)）對(duì)控制變量的回歸，用殘差作為變量的觀測(cè)值（溫忠麟,2017b）。例如，任皓等人 (2013) 注意到性別、年齡等人口統(tǒng)計(jì)學(xué)變量及教育、工作經(jīng)驗(yàn)等人力資本變量會(huì)對(duì)員工的心理資本和組織公民行為產(chǎn)生影響，故分別做心理資本、組織公民行為對(duì)這些控制變量的回歸，將相應(yīng)的殘差值作為心理資本、組織公民的觀測(cè)值進(jìn)行后續(xù)分析。

結(jié) 語

統(tǒng)計(jì)建模前的不少工作還是需要統(tǒng)計(jì)技術(shù)來完成。即使一項(xiàng)研究只是用量表合成分?jǐn)?shù)（總分或平均分）進(jìn)行簡(jiǎn)單的回歸分析，也需要使用CFA對(duì)所用的量表進(jìn)行評(píng)價(jià)。換句話說，基于問卷數(shù)據(jù)的研究， CFA 是不可或缺的工具，哪怕最后只是簡(jiǎn)單地做一個(gè)回歸分析。

如果要分析因果關(guān)系，一般來說問卷法不如實(shí)驗(yàn)法嚴(yán)密。但如果提出的因果順序在常識(shí)上、邏輯上和學(xué)理上是合理的，而且主要的無關(guān)變量也得到控制，那么問卷法也可以建模驗(yàn)證因果關(guān)系（溫忠麟， 2017b）。

本文只是介紹問卷數(shù)據(jù)建模之前需要考慮甚至完成的若干工作，但難以事無巨細(xì)地介紹具體該如何做，有需要的讀者可循本文參考文獻(xiàn)找到更多相關(guān)的文獻(xiàn)進(jìn)一步學(xué)習(xí)。