统计百科 · 2026-06-24

Harman单因子检验是什么？共同方法偏差怎么检验 — 原理、局限与APA报告

统计百科：系统讲解Harman单因子检验的原理与40%判断标准，剖析其三大核心局限，对比标记变量法、CFA单因子模型法等更优方案，并给出可直接复制进论文的APA 7th报告句式。

Harman单因子检验是管理学、心理学问卷研究中最常见的共同方法偏差控制手段，但也是最容易被误用的统计方法之一。审稿人的反馈越来越常见："Harman检验不足以证明CMB不存在，请补充更严格的检验"。本文从原理出发，讲清楚它到底检验什么、40%临界值从哪来、局限在哪里，并给出更优方案的操作路径。

一、什么是共同方法偏差（CMB/CMV）

共同方法偏差（Common Method Bias，CMB；或 Common Method Variance，CMV）是指：当同一研究中多个变量由同一来源（通常是同一份问卷的同一批被试）在同一时间、同一情境下测量时，变量之间的相关性会因为测量方法的共同性而被系统性地高估或低估，造成虚假的统计关联。

共同方法偏差的典型来源

来源类型	具体表现
共同信息源	所有变量都由同一被试自评完成
社会期望效应	被试倾向于给出"正确"或"正面"的答案
一致性动机	被试记住前面的答案，让后续作答保持一致
题目顺序效应	先看到的题目影响后续作答的框架
测量情境一致	同一时间、同一地点完成所有量表

CMB 并不是"造假"，而是一种系统性测量噪声。当你的研究设计是"给同一批人发一份问卷，一次收集所有变量"时，CMB 风险最高。

CMB 的危害

在结构方程模型（SEM）或回归分析中，CMB 会：

虚增自变量与因变量之间的相关系数（最常见）
在某些情况下也可能压低相关（当共同方法与真实效应方向相反时）
使得原本不显著的路径系数变为显著，或使真实效应被掩盖

二、Harman单因子检验：原理与操作

2.1 方法来源

Harman单因子检验（Harman's Single-Factor Test，也称 Harman 单因素检验）由 Podsakoff 和 Organ（1986）以及 Podsakoff 等（2003）在综述共同方法偏差时系统推广。其核心逻辑来自探索性因子分析（EFA）。

2.2 检验步骤

将研究中所有测量变量（自变量、因变量、中介、调节等量表的全部题项）投入同一个未旋转的探索性因子分析（Principal Axis Factoring 或 Principal Components Analysis）
提取因子，不施加任何旋转（Unrotated）
查看第一个未旋转因子所解释的方差百分比

2.3 40% 判断标准

如果第一个未旋转因子解释了所有变量总方差的 40% 及以上，则认为存在严重的共同方法偏差；若低于 40%，则认为共同方法偏差不构成主要威胁。

这一阈值并非来自严格的数学推导，而是研究者约定俗成的经验标准（Podsakoff et al., 2003）。其逻辑是：如果所有变量都受到一个共同方法因子的强烈驱动，它们在无旋转 EFA 中就会高度汇聚在第一个因子上，导致该因子解释力超高。

2.4 软件操作路径

在 SPSS 中操作：

分析 → 降维 → 因子分析
选择 "主成分" 或 "主轴因子法"，抽取方法选 "固定因子数 = 1"
旋转选 "无旋转"
查看方差解释表中第一个成分的 "初始特征值" 行的 "方差 %" 列

在 R 中操作：

fa_result <- fa(data, nfactors = 1, rotate = "none", fm = "pa")
fa_result$Vaccounted  # 查看第一因子方差解释率

三、Harman检验的三大核心局限

这是本文最重要的部分。如果审稿人对你的 Harman 检验提出质疑，原因通常是以下三点之一。

局限一：没有明确的统计阈值，40%是经验值而非统计标准

Harman 检验没有配套的统计显著性检验。"第一因子方差 < 40%"这一判断标准是研究者约定俗成的经验阈值，没有统计功效（statistical power）的支撑。

第一因子解释 39.8% 方差 vs. 40.2% 方差，两者几乎没有实质差异，但一个"通过"一个"不通过"
没有置信区间，无法量化 CMB 的程度
39% 的方差解释率，是否代表 CMB 真的"不严重"？方法本身无法回答

这意味着 Harman 检验只能给出"二元判断"，无法提供 CMB 的量化估计。

局限二：检验能力（Statistical Power）极低

Podsakoff 等（2003）及后续研究（Lindell & Whitney, 2001）均指出，Harman 检验对共同方法偏差的检测敏感性非常低，容易出现"假阴性"——即 CMB 实际存在，但第一因子方差仍低于 40%，检验错误地得出"无 CMB"的结论。

原因在于：

当研究量表本身的因子结构较强（即各构念之间区分效度好）时，第一因子即使在有 CMB 的情况下也不会汇聚太多方差
量表题项数越多，第一因子方差被稀释得越厉害，CMB 越容易被低估

实际上，一个存在中等程度 CMB 的数据集完全可以轻松"通过"Harman 检验。

局限三：只是事后检测，不能控制 CMB

即使 Harman 检验"通过"，它只是在统计层面上说"我没有检测到严重的 CMB 信号"，而不是证明 CMB 不存在。更根本的问题是：

Harman 检验是事后检测（post hoc），在数据收集完成后才做
即便检测到 CMB，方法本身不提供任何校正手段
APA 和顶刊审稿人越来越倾向于要求事前控制（程序控制）+ 事后检测（统计控制）双管齐下

四、更优的共同方法偏差检验方法

4.1 标记变量法（Marker Variable Technique）

推荐指数：高

Lindell 和 Whitney（2001）提出的标记变量法（Marker Variable Approach），是目前最被广泛认可的统计控制手段之一。

核心思路： 在问卷中加入一个"标记变量"（marker variable）——一个在理论上与所有研究变量无关、但与所有题项共享测量情境的变量（如"我喜欢数学"这类与研究主题完全无关的单题项）。

操作步骤：

设计阶段，在问卷末尾加入 3-5 个与研究主题完全无关的题项
计算标记变量与所有研究变量的平均相关 $r_M$
用 $r_M$ 估计 CMB 的上限，对所有原始相关系数进行偏相关校正：$r_{adjusted} = (r_{xy} - r_M) / (1 - r_M)$
比较校正前后的结构模型路径系数，若核心路径系数基本不变，则认为 CMB 影响可忽略

APA 报告格式：

采用 Lindell 和 Whitney（2001）的标记变量法检验共同方法偏差。选取"[标记变量描述]"作为标记变量（与所有研究变量在理论上不相关）。标记变量与所有研究变量的平均相关为 $r_M$ = .XX（p [值]）。以 $r_M$ 作为 CMB 的保守估计，对所有构念间相关系数进行校正后，核心路径系数变化幅度均在 0.03 以内，结构方程模型中关键路径的显著性结论保持不变（均 p < .05），表明共同方法偏差对研究结论无实质性影响（Lindell & Whitney, 2001）。

4.2 CFA单因子模型法（Single-Factor CFA Model Comparison）

推荐指数：高

将所有题项同时投入 CFA，分别比较两个嵌套模型：

假设模型：按照理论，各题项载荷到各自的构念因子（多因子模型）
单因子模型：强制所有题项载荷到同一个公共因子（模拟 CMB 最坏情况）

若多因子模型拟合显著优于单因子模型（Delta CFI > .10，Delta RMSEA 有意义改善），则认为数据不被单一方法因子所驱动。

APA 报告格式：

采用验证性因子分析（CFA）单因子模型比较法检验共同方法偏差。将所有构念题项同时投入 CFA，比较理论多因子模型（M1）与所有题项载荷到同一因子的单因子模型（M2）的拟合差异。结果显示，M1 拟合显著优于 M2（Delta CFI = .XX，Delta RMSEA = .XX），表明各构念具有区分效度，共同方法偏差不足以解释主要的方差来源（Podsakoff et al., 2003）。

4.3 程序控制（Procedural Control）

统计检验只是事后补救，程序控制才是从源头减少 CMB 的正途。

程序控制措施	具体做法
时序分离	自变量与因变量分两次施测（间隔 2-4 周），消除同时性偏差
来源分离	自变量由被试自评，因变量由他人（上级/同事/客观记录）评定
量表匿名	强调匿名性，降低社会期望效应
题目混排	不同构念题项打乱顺序，降低一致性动机
心理隔离	明确告知被试各部分题目独立，无正确答案

在论文方法章节中，应简要说明已采用的程序控制措施，再报告统计检验结果。两者配合，才能最有效地回应审稿人质疑。

五、在ChatSRS一句话完成CMB检验

在 chatsrs.com 上传数据后输入：

"对我的问卷数据做共同方法偏差检验：①先做Harman单因子检验，报告未旋转第一因子的方差解释率；②再做CFA单因子模型对比，给出多因子模型（M1）与单因子模型（M2）的CFI、RMSEA、SRMR，并计算Delta CFI；③输出符合APA 7th格式的方法章节报告段落，注明所用检验方法和判断标准。"

ChatSRS 将依次完成 EFA 单因子提取、CFA 模型比较，并输出论文可直接复制的报告段落，无需手动调用 SPSS 或 R。

六、APA 7th 论文报告句式模板

场景一：仅使用Harman检验（基础报告）

为检验共同方法偏差（CMB），本研究采用 Harman（1976）单因子检验，
将所有研究变量的测量题项投入未旋转的探索性因子分析。
结果显示，析出的第一个因子解释了总方差的 XX.X%，
低于 40% 的临界标准（Podsakoff et al., 2003），
表明共同方法偏差不构成本研究的严重威胁。

实际填入示例：

为检验共同方法偏差（CMB），本研究采用 Harman（1976）单因子检验，将所有研究变量的 42 个测量题项投入未旋转的主成分分析。结果显示，第一个未旋转因子解释了总方差的 31.7%，低于 40% 的临界标准（Podsakoff et al., 2003），初步表明共同方法偏差不是本研究的主要问题。

场景二：Harman检验 + CFA单因子对比（推荐双重报告）

为检验共同方法偏差，本研究采用两种互补方法。
首先，Harman（1976）单因子检验显示，未旋转探索性因子分析中第一因子
解释方差为 XX.X%，低于 40% 的建议阈值（Podsakoff et al., 2003）。
其次，采用 CFA 单因子模型对比法，将所有 XX 个题项同时投入分析，
比较理论多因子模型（M1: CFI = .XX，RMSEA = .XX）与单因子模型
（M2: CFI = .XX，RMSEA = .XX）的拟合差异，
Delta CFI = .XX（> .10 的建议阈值），多因子模型拟合显著优于单因子模型。
综合两种检验结果，共同方法偏差不足以解释本研究的主要方差来源。

实际填入示例：

为检验共同方法偏差，本研究采用两种互补方法。首先，Harman（1976）单因子检验显示，未旋转主成分分析中第一因子解释总方差的 28.4%，低于 40% 的建议阈值（Podsakoff et al., 2003）。其次，CFA 单因子模型比较显示，理论五因子模型（M1: CFI = .947，RMSEA = .056，SRMR = .061）的拟合显著优于全部题项载荷于同一因子的单因子模型（M2: CFI = .641，RMSEA = .148，SRMR = .192），Delta CFI = .306（> .10），表明各构念之间具有良好的区分效度，共同方法偏差不构成本研究的实质威胁（Podsakoff et al., 2003）。

场景三：使用标记变量法（更高标准期刊）

本研究采用 Lindell 和 Whitney（2001）的标记变量法控制共同方法偏差。
在问卷中纳入理论上与所有研究变量无关的标记变量（[描述]），
其与所有构念的平均相关 r_M = .XX。
以 r_M 为共同方法偏差的保守估计对相关系数进行校正，
校正后关键路径系数（[路径1]: beta = .XX → .XX；[路径2]: beta = .XX → .XX）
与校正前无实质性差异（变化幅度均 < .05），显著性结论保持不变，
表明共同方法偏差对本研究结论的影响可忽略不计。

七、方法章节措辞注意事项

不要写"通过了Harman检验"：应写"Harman检验结果显示第一因子解释方差为 XX%，低于建议阈值"，让读者自行判断
引用Podsakoff et al.（2003）而非Harman（1976）：40%临界值由 Podsakoff 等人推广，而非 Harman 原著
主动说明局限：如仅使用了 Harman 检验，可在局限章节写"本研究采用 Harman 单因子检验作为共同方法偏差的初步判断，未来研究可通过时序分离或标记变量法进一步增强因果推断的可信度"
不要用于主张"无CMB"：Harman 检验只能说明"未发现严重 CMB 证据"，不能说"本研究不存在 CMB"

常见 FAQ

Q：Harman单因子检验第一因子解释率是37%，我可以直接写"CMB不构成威胁"吗？

A：可以在论文中报告这一结果，但措辞应谨慎，不能用"不存在 CMB"或"排除了 CMB"这类绝对表述。建议写："Harman（1976）单因子检验显示第一因子解释总方差的 37.X%，低于 40% 的建议阈值（Podsakoff et al., 2003），初步表明共同方法偏差不构成本研究的主要威胁。"如果审稿人要求更严格的证据，需补充 CFA 单因子模型对比或标记变量法。

Q：审稿人说"Harman检验不充分，请补充更严格的CMB检验"，怎么办？

A：这是目前管理学顶刊越来越常见的审稿意见。解决方案：（1）如果原始数据还在，加做 CFA 单因子模型对比，只需在 R 或 Mplus 中跑两个嵌套模型并比较 Delta CFI；（2）如果已有标记变量数据，运行 Lindell-Whitney 校正；（3）如果数据已无法补充，在局限章节如实说明，并在方法章节补充已采用的程序控制措施（匿名、题目混排等）。ChatSRS 可以一次完成 CFA 单因子对比并输出报告段落。

Q：什么时候不需要做CMB检验？

A：以下情况 CMB 风险较低，可以简要说明而无需完整检验：（1）自变量与因变量来自不同来源（如自变量是问卷自评，因变量是客观绩效记录）；（2）研究设计为纵向设计，自变量与因变量在不同时间点收集；（3）研究变量全部为客观测量指标（非量表题项），如财务数据、行为频率计数。

Q：CFA单因子模型对比中，Delta CFI多大算"显著"？

A：通常以 Delta CFI > .10 作为判断多因子模型实质性优于单因子模型的标准（Cheung & Rensvold, 2002）。Delta RMSEA 没有固定临界值，但 > .015 通常被视为有意义的差异。实践中，Delta CFI > .10 且单因子模型 CFI < .90 时，可以较有把握地说明共同方法因子无法解释主要方差。

Q：Harman检验和探索性因子分析（EFA）的第一因子是同一回事吗？

A：是的。Harman 检验本质上就是：把所有题项放进一个 EFA（或 PCA），不旋转，看第一个因子的方差解释率是否超过 40%。与常规 EFA 的区别在于：（1）强制不旋转（保留原始提取顺序）；（2）目的不是探索因子结构，而是检验是否存在"统一方法因子"；（3）通常只看第一因子，不分析所有因子的载荷模式。

参考文献

Harman, H. H. (1976). Modern factor analysis (3rd ed.). University of Chicago Press.
Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86(1), 114–121. https://doi.org/10.1037/0021-9010.86.1.114
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233–255.
Podsakoff, P. M., & Organ, D. W. (1986). Self-reports in organizational research: Problems and prospects. Journal of Management, 13(4), 531–544.
Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879