本篇摘要Chen、Mathieu與Bliese (2005)提出之「多層次結構檢驗之架構(A framework for conducting multi-level construct validation)」,介紹和說明六個多層次的變項分數計算方式。

討論多層次(Multi-level)分析之前,必須先瞭解在高層次級別(L2)的資料要如何蒐集,或者是如何將個人層次(individual-level)的資料彙整到團隊層次(group-level),再進行運算。

.Selected Score Model (選擇分數模型)

特點:

  1. 選擇團隊成員某變項得分當作團隊該變項芝得分,多為呈現較低層級的分數。
  2. 容易受到最高分或最低分的影響。

.Summary Index Model (摘要指標模型)

特點:

  1. 關注較低層級變項的平均數或總分。
  2. 例如:搜尋每個團隊成員的智商分數後,再計算每個團隊的平均智商分數,當作團隊智商得分。
  3. SPSS將團隊數據資料進行整合(Aggregate),請參考本篇https://www.yongxi-stat.com/spss-aggregate/

.Consensus Model (共識模型)

特點:

  1. 在多層次或團隊研究中最常使用的模型。
  2. 請團隊成員一起討論出一個對組織氣候的分數,並將此分數當作較高層次的得分。

Referent-Shift Model (參照轉換模型)

特點:

  1. 與共識模型相似,主要差異在問卷調查時,一般問卷題項的主詞是「我」,而在模型中則會將主詞改為「我們/我們團隊」,強調評估的對象不自己,而是整個團隊。

.Dispersion Model (分布模型)

  1. 其他模型主要關注的都是整個團隊對某一變項的共識,而分布模型關注的是變項得分的變異或分布情況。
  2. 例如在探討多樣性時,趨中化的模型較難反映多樣性這件事情,所以就需要參考分布模型。

.Aggregate Properties Model (彙整屬性模型)

  1. 測量變項為高層次的資料,不需要從較低層級的資料彙整至較高層次。

備註:此六個模型的中文翻譯僅供參考

 

最後,建議在設計和分析多層次研究模型時,需確認預計探討的研究變項適合哪一種上述提及的模型。不同的模型都會直接影響到研究設計和問卷發放的形式,需多加留意,避免蒐集完資料之後,資料不適合用來分析多層次的模型。

 

參考文獻

Chen, G., Mathieu, J. E., & Bliese, P. D. (2005). A framework for conducting multi-level construct validation. Multi-level Issues in Organizational Behavior and Processes, 3, 273-303.