统计百科 ·

共同方法偏差CMB几种检验和补救怎么选？— Harman单因子/控制潜变量/标记变量法对比

统计百科：系统对比Harman单因子检验、CFA控制潜变量法、标记变量法三种CMB检验与补救策略的适用场景、操作要点与局限，给出选用决策框架与可直接复制进论文的APA 7th报告句式。

同一批被试填了所有量表——这个设计决策，从数据收集那一刻起就埋下了共同方法偏差（Common Method Bias，CMB）的隐患。审稿人要求"请补充CMB检验"时，你有Harman单因子、CFA控制潜变量法、标记变量法三条路可走，但三者原理不同、适用条件各异。本文逐一拆解这三种方法，给出选用决策框架和可直接套用的APA 7th报告句式。

审稿人关于CMB最常见的反馈

  • "请补充共同方法偏差检验，仅Harman单因子检验不够，请考虑更严格的方法"
  • "标记变量法的选择依据是什么？请说明标记变量与研究构念无关的理论支撑"
  • "CFA控制潜变量法中，加入潜在共同方法因子后模型拟合是否显著改善？"
  • "方法章节仅提到了检验，没有说明若CMB显著将如何补救"
  • "Harman单因子检验的40%标准文献来源是什么？该标准的合理性如何辩护？"

这些反馈暴露了一个共同问题：很多研究者把CMB检验当成"走过场"，而非真正理解各方法的边界。本文的目标是帮你搞清楚：三种方法在做什么、各自能证明什么、什么情况下用哪一种。

一、什么是共同方法偏差（CMB），为什么必须处理

CMB的定义与来源

共同方法偏差（Common Method Bias，CMB；有时也称Common Method Variance，CMV）是指由于数据收集方法本身——而非构念间真实关系——导致的变量间系统性协变（Podsakoff et al.，2003）。

最典型的场景：问卷研究中，同一被试在同一时间点、用同一量表形式、在同一情境下报告所有变量。这时，被试的反应定势（如一致性动机、社会赞许效应、语义相似性偏差）会人为放大或压缩变量间的相关，而这部分协变与真实的构念关系无关。

CMB的主要来源（Podsakoff et al.，2003）：

来源类型典型表现
共同信息来源同一被试报告自变量和因变量
一致性动机被试力求前后答题逻辑一致
社会赞许效应倾向选择"正确"的答案
语义重叠效应措辞相似的题目相关更高
情境线索影响相邻题目的顺序影响后续作答

CMB为什么值得认真对待

当CMB存在时：

  • 回归系数和路径系数被人为夸大（正向相关变量）或压缩（负向相关变量）
  • 调节效应可能是人工产物（inflation artifact）
  • 结论可靠性存疑，尤其是相关/回归类研究

APA 7th Publication Manual（2020）第三章明确指出，研究者有义务识别并控制可能影响内部效度的系统性偏差来源。

二、三种主流检验与补救方法逐一拆解

方法一：Harman单因子检验（Harman's Single-Factor Test）

原理：将所有研究变量的测量题目纳入一个探索性因子分析（EFA），若提取的第一个未旋转因子解释了超过50%（有时文献报告40%）的方差，则认为CMB可能是主要来源（Harman，1967；Podsakoff & Organ，1986）。

操作步骤：

  1. 将所有量表题目合并进行EFA（主成分分析或最大似然法，不旋转）
  2. 提取第一个公因子，记录其解释方差百分比
  3. 若第一因子解释方差 < 50%，报告"CMB不严重"

APA报告句式：

为检验共同方法偏差，采用Harman单因子检验对所有测量题目进行探索性因子分析（主成分分析，不旋转）。结果显示，第一个未旋转因子解释了总方差的[XX]%（< 50%），表明数据中不存在严重的共同方法偏差（Podsakoff & Organ，1986）。

局限（关键）：

Harman检验是三种方法中统计效力最弱的一种（Podsakoff et al.，2003；Richardson et al.，2009）：

  • 判断标准（50%或40%）没有统计检验依据，纯为经验规则
  • 无法量化CMB的大小，只能粗略判断"是否存在"
  • 即使第一因子解释方差<50%，也不排除多个因子联合贡献了CMB
  • 检验通过不等于CMB不存在，只是说明"第一因子不占绝对主导"

适用场景：

  • 作为初步筛查（screening）手段，与其他方法联用
  • 期刊/导师要求"至少做Harman"时作为基本合规性检验
  • 不建议作为唯一的CMB证据

方法二：CFA控制潜变量法（Unmeasured Latent Method Factor，ULMF）

原理：在结构方程模型（SEM）的测量模型中，额外引入一个未测量的潜在共同方法因子（unmeasured latent method factor），令所有观测指标同时负荷在该方法因子上。通过比较加入方法因子前后的模型拟合和路径系数变化，评估CMB的影响（Podsakoff et al.，2003；Williams et al.，2010）。

操作步骤：

  1. 建立基础测量模型（M1）：仅含研究构念的标准CFA
  2. 建立控制方法模型（M2）：在M1基础上加入一个方法潜变量，令所有题目同时负荷在该因子上（通常固定因子间相关为0或设为自由估计）
  3. 比较M1与M2的拟合：用卡方差异检验（chi-square difference test）或CFI/RMSEA变化量判断方法因子是否显著改善拟合
  4. 比较M1与M2中构念间路径系数：若系数变化 < 0.05或相对变化 < 10%，可认为CMB未实质性干扰结论

模型比较报告表（示例）：

模型chi^2dfCFIRMSEASRMR
M1 基础测量模型234.5687.962.058.049
M2 含方法因子198.3475.971.051.041
Delta（M1 - M2）36.22*12+.009-.007—

注：*p < .05

APA报告句式：

采用CFA控制潜变量法检验共同方法偏差（Podsakoff et al.，2003）。在基础测量模型（M1）基础上引入未测量的潜在方法因子（M2），令所有观测指标同时负荷于该因子。卡方差异检验结果显示，M2拟合显著优于M1，Delta chi^2(12) = 36.22，p = .001，表明数据中存在一定程度的共同方法变异。然而，加入方法因子后，各构念间路径系数的最大变化量为[XX]（相对变化 < 10%），研究的主要结论保持稳定，CMB未实质性影响本研究发现。

局限：

  • 方法因子难以识别（identification）：若研究变量较少，加入方法因子可能导致模型不可识别
  • 方法因子与研究构念间的关系假设有时难以满足
  • 该方法可控制CMB但无法消除CMB，仅能评估其影响程度
  • 需要SEM软件（R的lavaan、Mplus等）和一定的结构方程建模经验

适用场景：

  • 已建立CFA/SEM测量模型的研究（成本最低）
  • 审稿人要求"更严格"的CMB控制时的首选
  • 横截面问卷研究的主要CMB检验方法

方法三：标记变量法（Marker Variable Technique）

原理：在问卷中纳入一个与研究理论无关、理论上不应与任何研究变量相关的"标记变量"（marker variable）。如果标记变量与研究变量之间出现系统性非零相关，则将该相关视为CMB的大小估计，并通过偏相关分析控制标记变量的影响（Lindell & Whitney，2001；Simmering et al.，2015）。

操作步骤（Lindell & Whitney，2001版本）：

  1. 选择标记变量：一个与所有研究构念理论上无关、但格式相似的量表（如无关态度、无关人口特征认知）
  2. 计算标记变量与所有研究变量的相关，取最小绝对值相关 r_m（作为CMB下界估计）
  3. 对所有研究变量间的相关进行偏相关校正： $r_{uy}^{'} = \frac{r_{uy} - r_m}{1 - r_m}$
  4. 比较校正前后的相关矩阵，评估CMB的实质影响

APA报告句式：

本研究采用标记变量法（Lindell & Whitney，2001）评估共同方法偏差。选择[标记变量描述，如"对某无关议题的态度"，共X题]作为标记变量，该变量在理论上与所有研究构念均无关联。标记变量与研究变量的最小绝对值相关为 r_m = [值]（与[变量名]的相关）。以 r_m 为CMB估计值对所有变量间相关进行偏相关校正后，关键变量间的相关变化量均低于[XX]，且所有原先显著的相关（p < .05）在校正后仍保持显著，表明CMB未对研究结论产生实质性干扰（Lindell & Whitney，2001）。

局限：

  • 标记变量的选择极其关键：若标记变量与研究变量并非真正无关，则高估CMB；若过于无关（被试不认真填），则低估CMB
  • r_m 作为CMB估计值本身缺乏稳健性（Simmering et al.，2015指出存在严重低估风险）
  • 该方法的理论假设（单一共同方法来源、线性影响）在实践中难以满足
  • 标记变量法的偏相关校正是事后统计控制，不如程序控制有效

适用场景：

  • 问卷设计阶段已提前纳入标记变量（必要前提）
  • 作为CFA潜变量法的补充证据
  • 审稿人要求"多种方法联合检验"时的其中一种

三、三种方法对比：选用决策框架

核心对比表

维度Harman单因子检验CFA控制潜变量法标记变量法
检验效力弱（经验规则，无统计检验）强（卡方差异检验，量化方法因子）中（依赖标记变量质量）
前提条件几乎无前提已建立CFA测量模型问卷中须纳入标记变量
能否量化CMB大小否（仅粗略判断）是（方法因子载荷）部分（r_m 为CMB下界）
能否控制/补救CMB否（仅检验）是（路径系数校正后评估）是（偏相关校正，但效果有限）
软件需求SPSS/R EFA均可Mplus / R lavaanSPSS/R 均可
审稿人接受度低至中（被认为不够严格）高（主流管理学/心理学期刊推荐）中（标记变量需充分辩护）
适合数据收集阶段事后事后须事前设计
常见期刊要求基本合规AMJ/JAP/JAMP等顶刊要求通常作为补充

决策树

问题：审稿人要求CMB检验？
  |
  +-- 已建立SEM/CFA模型？
  |     |
  |     +-- 是 --> 首选 CFA控制潜变量法（ULMF）
  |     |           + 可同时附上Harman单因子作为初步证据
  |     |
  |     +-- 否（仅做了相关/回归）
  |           |
  |           +-- 问卷中有标记变量？
  |                 |
  |                 +-- 是 --> 标记变量法 + Harman单因子（双重证据）
  |                 |
  |                 +-- 否 --> 只能用Harman单因子
  |                             + 在方法局限部分诚实说明
  |                             + 建议未来研究采用更严格方法

推荐搭配策略

  • 投顶刊（AMJ/JAP/JIBS等管理学顶刊）：CFA控制潜变量法（必选）+ Harman单因子（辅助）
  • 投SSCI一区（管理/心理/教育）：标记变量法 + Harman单因子，或ULMF + 标记变量法
  • 普通期刊/学位论文：Harman单因子 + 方法章节诚实说明局限 + 程序控制措施
  • 已完成数据收集，无标记变量，无SEM：仅能使用Harman单因子，但务必在局限部分注明其不足

四、方法章节标准写法：程序控制 + 统计控制双管齐下

高质量的CMB防控不只是事后统计检验，而是设计阶段的程序控制 + 数据收集后的统计控制。

程序控制（Procedural Remedies）

在方法章节的数据收集部分加入：

为减少共同方法偏差，本研究在问卷设计阶段采取了以下程序控制措施（Podsakoff et al.，2003）：（1）对自变量和因变量的题目进行物理隔离，在不同时间节点分别施测（或置于问卷的不同模块并插入无关填充题）；（2）告知被试填答将严格保密，且无对错之分，以降低社会赞许效应；（3）对因变量题目进行编排顺序随机化处理，以消除顺序效应；（4）使用客观测量指标（如财务绩效、档案数据）作为结果变量之一，与主观自评变量相互佐证。

统计控制（Statistical Remedies）

根据上文决策框架选择对应方法，并在结果章节报告：

为进一步评估共同方法偏差对研究结论的影响，本研究采用[选用方法]进行统计检验。[插入对应APA报告句式]。上述结果表明，共同方法偏差对本研究主要发现的影响在可接受范围内。

五、在 ChatSRS 一键完成CMB检验与报告

打开 chatsrs.com，上传数据后输入：

请对我的问卷数据进行共同方法偏差检验：1. 先做Harman单因子检验，输出第一个未旋转因子解释的方差百分比；2. 如果我的数据已建立CFA测量模型，再做CFA控制潜变量法，比较加入潜在方法因子前后的模型拟合（卡方差异检验、CFI和RMSEA变化量）和路径系数变化；3. 给出符合APA 7th格式的完整报告段落，说明CMB是否对主要结论产生实质性影响。

ChatSRS 会依次输出 Harman 检验的因子解释方差表、CFA 模型比较摘要表（含 Delta chi^2）、以及可直接复制进论文方法/结果章节的 APA 报告段落。若数据仅有相关矩阵而无原始题目数据，ChatSRS 也支持基于相关矩阵的 Harman 检验和标记变量法偏相关校正。

六、CMB严重时怎么办：补救vs.诚实报告

很多研究者担心：如果CMB检验结果"不好看"（如CFA方法因子显著改善拟合），该怎么处理？

正确做法是：

  1. 报告检验结果，不要隐瞒
  2. 比较路径系数变化：若加入方法因子后，核心路径系数变化 < 0.05且显著性方向不变，可以判定"CMB对结论影响有限"
  3. 在局限章节诚实说明：CMB是该研究设计的固有局限，已通过程序控制和统计检验加以应对，但不能完全排除其影响
  4. 建议未来研究：采用纵向设计（分时间点收集自变量和因变量）、多信息来源（被试自评+他评+档案数据）彻底解决共源问题

不建议的做法：

  • 反复调整标记变量或模型规格直到检验"通过"
  • 仅报告通过的检验方法而不提失败的结果
  • 以"Harman单因子检验通过"宣称"CMB不存在"——因为Harman检验效力不足，通过仅说明不严重，不代表不存在

常见 FAQ

Q：Harman单因子的门槛到底是40%还是50%？

A：两个标准都在文献中出现。Podsakoff & Organ（1986）最初提出的是"50%"标准，部分教材（包括国内社会科学研究方法教材）引用为"40%"，导致混淆。更准确的理解是：Harman检验本身没有经过统计验证的"截断值"，无论第一因子解释了30%还是45%，都无法严格证明CMB不存在。建议在报告时说明"采用Podsakoff & Organ（1986）的50%标准"，并附上具体数值，让读者自行判断。

Q：CFA控制潜变量法中，如果加入方法因子后模型不可识别（not identified），怎么办？

A：这种情况在测量题目较少时容易发生。解决策略：（1）对方法因子的每个指标约束相同的因子载荷（等约束方法因子，constrained ULMF）；（2）固定方法因子的方差为1；（3）若仍不可识别，改用Harman单因子检验并在局限章节说明模型识别限制。Williams et al.（2010）详细讨论了ULMF的识别条件，可作为操作参考。

Q：标记变量必须是另一个量表吗，还是可以用人口统计变量？

A：Lindell & Whitney（2001）原始版本建议使用一个"与研究变量理论上无关的态度量表"（如对某无关政策议题的看法）作为标记变量。人口统计变量（如年龄、性别）有时被误用为标记变量，但这是错误的——人口统计变量与研究变量的相关为零的假设很难成立（如年龄可能与绩效相关），会导致CMB估计失真。建议选择与研究主题完全无关的认知或态度性测量。

Q：问卷数据已收集完毕，没有标记变量、也没建SEM模型，CMB检验还有意义吗？

A：有意义，但手段有限。此时只能用Harman单因子检验。更重要的是，在方法章节详细描述数据收集阶段已采取的程序控制措施（如匿名保证、时间隔离、问题措辞多样化），作为CMB控制的证据。在局限章节诚实指出"本研究受限于横截面自评数据，可能存在共同方法偏差，未来研究宜采用多信息来源或纵向设计"，这对审稿人而言是负责任且专业的态度。

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。