干货｜共同方法偏差，你会了吗？

已于 2023-04-20 22:12:07 修改
阅读量1.9k 收藏 16
点赞数 2
文章标签： 数据分析
于 2023-04-20 22:10:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40052256/article/details/127522728
版权
本文探讨了心理学研究中的共同方法偏差，包括其来源、影响及如何通过程序控制和统计控制来检验和控制。介绍了Harman单因素检验和Amos潜在误差变量控制法的实际操作，帮助研究者更科学地分析数据。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在这里插入图片描述

Hello，大家好！

这里是壹脑云科研圈，我是喵君姐姐～

“嘿，大胡，帮我填个问卷吧！以研究生为被试的。”

“好嘞！”

诶，这后面15道题好像是前面20道题的“果”，他们之间应该有着某种联系吧，那我得这么答……

这种场景你是否感到十分熟悉呢？这就是我们常说的内隐相关偏差，被试在填写问卷的时候感觉到题项之间的关联性从而导致回答问题的倾向性。

内隐相关偏差属于研究中十分重要的共同方法偏差的一种。在研究中，我们需要十分重视且采取一定的方法进行共同方法偏差的控制或检验，以使研究结果更加科学。

那今天就跟着大胡同学一起来“解剖”一下共同方法偏差吧！

ps：本期是我们《心理学报》统计自检系列的最后一期，对往期内容有兴趣的小伙伴可以点击下方链接：

往期推荐

干货 | 答编辑/审稿人问之样本量大关

干货 | 答编辑/审稿人问之统计分析大关

干货｜那些年，统计检验踩过三大坑！

干货 | 答编辑/审稿人问之效果量和置信度

1

共同方法偏差的来源

心理学研究中，在管理、临床、人格和社会等领域如果采用自我报告的非实验非干预研究方法，也就是常说的问卷调查法，则需要检查数据是否存在共同方法偏差 (common method bias)。

共同方法偏差是指由于数据来源或评分者一样，或测量环境相同以及项目语境、项目本身特征

最低0.47元/天 解锁文章
SPSS数据分析中共同方法偏差的检测与处理
PixelNinja的博客
08-13 4441
共同方法偏差是SPSS数据分析中常见的问题之一，但可以通过适当的方法进行检测和处理。本文介绍了因子分析法和反向检验法两种检测共同方法偏差的方法，并提供了相应的SPSS代码示例。此外，中心化处理和建立一致性检验是常用的共同方法偏差处理方法，也在本文中给出了相应的代码示例。在SPSS中，我们可以通过一些统计方法来检测和处理共同方法偏差。本文将介绍如何使用SPSS软件进行共同方法偏差的检测与处理，并提供相应的源代码。以上是关于SPSS数据分析中共同方法偏差的检测与处理的简要介绍，希望能对您有所帮助。
解决SPSS中的共同方法偏差问题
2301_79331387的博客
09-19 2838
共同方法偏差（Common Method Bias，CMB）是在量表研究中常见的一种方法偏差。在这个例子中，我们使用了一个模拟数据集，其中包含了两个自变量（X1和X2）、一个因变量（Y）以及两个测量指标（M1和M2）。在测量模型中，我们将测量指标（M1和M2）与方法因子（F1）相关联，并将因变量（Y）与自变量（X1和X2）相关联。我们将因变量（Y）设置为依赖变量，自变量（X1和X2）设置为进入模型的方法，并保存预测值和残差。需要注意的是，处理共同方法偏差只是减少偏差的一种方法，不能完全消除偏差。
偏差平方和说明什么_共同方法偏差检验之潜在误差变量控制法的Amos操作
weixin_42443651的博客
01-09 811
潜在误差变量控制法是在结构方程模型中，将共同方法偏差作为一个潜变量加入模型，如果在包含方法偏差潜变量情况下模型的显著拟合度优于不包含共同方法偏差潜变量的情况，那么共同方法偏差效应就得到了检验，包含共同方法偏差潜在变量的模型，对于预测与效标变量关系的估计则控制了共同方法偏差。具体操作如下：因为这个过程也是基于因子分析的基础上进行的，关于绘制模型以及运行等过程不再介绍，请参考前面关于“合成信度 ”的相...
SPSS&Mplus—共同方法偏差（Common Method Bias）控制与检验
m0_54401011的博客
10-09 9466
共同方法偏差（Common Method Bias）的控制方法：程序控制（Procedural）和统计控制（Statistical）。
手把手教你不同软件的共同方法偏差计算
shengqiqi07的博客
05-08 9432
经常有同学问，共同方法偏差怎么做，由于不同的软件的具体操作也不同，这就让同学们感觉头大。 本文主要介绍SPSS/MPLUS/AMOS/SMARTPLS的共同方法偏差实操。 引言 如果研究数据收自单一来源(评分者或被试), 自陈又是唯一的作答方式, 那么这种收集资料的方法更容易受到(common method variance, CMV)的影响(Lindell & Whitney,2001)，共...
干货 | LIDAR、ToF相机、双目相机如何科学选择？
计算机视觉life
02-28 6380
点击“计算机视觉life”关注，置顶更快接收消息！ 本文阅读时间约5分钟 本文翻译自卡内基梅隆大学 Chris asteroid 三维视觉技术的选择 传感器参数及定义 LIDAR & ToF 相机 & 双目相机介绍 工作原理 优缺点 采样数据比较 测试及极端情况测试 三维成像技术原理和应用想必大家在之前的文章中了解过啦，今天想给大家比较一下LIDAR、ToF 相机...
干货 | 因果推断在项目价值评估中的应用
携程技术
10-13 4231
作者简介野生梨，携程算法工程师，关注因果推断在实际工业项目上的探索和应用。一、背景介绍我们的日常生活中充斥着各种需要推断原因和结果的问题，比如，吸烟是否会导致肺癌，大学教育是否能够提高收入水平？有时，当我们试图回答这些问题的时候，会陷入相关的陷阱，即认为相关等于因果。比如，伦敦曾经有一个调查机构基于数据发现，在很长一段时间内，发生车祸的数量和司机穿的衣服重量之间呈现正向且显著的相关性，所以他们得出...
干货 | 深度学习时代的目标检测算法
qq_44906416的博客
04-17 446
干货 | 深度学习时代的目标检测算法
SPSS统计指南【SPSS 003期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
06-04 1514
3统计指南 ◼统计目标：实用为主 ◼心法口诀：变量选方法、设计看类型、目的定乾坤 3.1变量选方法：学会区分变量类型，选择正确的统计方法。 变量就是观察单位的某项特征，简单点就是我们研究的指标。变量可分为：数值变量、名义变量和等级变量，每种变量的属性和特征都是不同的，所采用的统计分析方法也不同。分类： （1）数值变量（连续变量、计量变量） 测大小。采用定量的方法测得其数值的大小。如，身高、体重。 （2）等级变量（顺序变量） 比高低。从变量取值可见，可以比较出程度的关系。如，年级、职称。 （3）名义变量（反映
AMOS分析技术：模型整体拟合度指标
热门推荐
SPSS生活统计学
11-20 12万+
基础准备 上篇文章，草堂君介绍了如何检验结构方程模型的拟合效果，包括整体模型拟合度指标、测量模型质量指标和结构模型质量指标，其中分析测量模型和结构模型质量的方法是我们前面介绍过的因子分析和路径分析，大家可以点击下方文章链接回顾： AMOS分析技术：结构方程模型的拟合度评价指标 草堂君今天将用一篇文章来介绍反映结构方程模型整体拟合度好坏的指标，因为接下来具体介绍AMOS的分析文章时
统计分析-学习笔记
li632519137的专栏
03-09 1万+
1.方差（Variance） 意义：度量一个维度偏离其均值的程度 公式： 1.总体均值： 2.样本均值S（n-1为无偏估计）： SPSS操作： “分析”→“描述统计”→“频率”→“统计”→选择“平均值”与“标准差” 2.数据无量纲化 数据归一化(Normalization，又称Min-Max Scaling) 含义：当...
【PostgreSQL数据分析实战：从数据清洗到可视化全流程】4.5 清洗流程自动化（存储过程/定时任务）
kngines
05-05 731
【PostgreSQL数据分析实战：从数据清洗到可视化全流程】4.5 清洗流程自动化（存储过程/定时任务）
数据清洗-电商双11美妆数据分析
2401_82413059的博客
05-06 318
存在的缺失值很可能意味着售出的数量为0或者评论的数量为0，所以我们用0来填补缺失值。3.2 接下来用seaborn包给出每个店铺各个大类以及各个小类的销量销售额。2.1 因为数据中存在重复跟空值，将数据进行重复值处理。2.4 对是否是男性专用进行分析并新增一列。2.5 对每个产品总销量新增销售额这一列。3.1 接下来考虑各个类别的销售情况。2.3 数据挖掘寻找新的特征。由title新生成两列类别。给出各个关键词的分类类别。1.数据读取（前八行）3.数据分析及可视化。
【PostgreSQL数据分析实战：从数据清洗到可视化全流程】4.4 异构数据源整合（CSV/JSON/Excel数据导入）
kngines
05-05 946
【PostgreSQL数据分析实战：从数据清洗到可视化全流程】4.4 异构数据源整合（CSV/JSON/Excel数据导入）
基于机器学习的心脏病数据分析与可视化（百度智能云千帆AI+DeepSeek人工智能+机器学习）健康预测、风险评估与数据可视化 健康管理平台 数据分析与处理
程序员阿龙的博客
05-03 714
 博主介绍：     ✌我是阿龙，一名专注于Java技术领域的程序员，全网拥有10W+粉丝。作为CSDN特邀作者、博客专家、新星计划导师，我在计算机毕业设计开发方面积累了丰富的经验。同时，我也是掘金、华为云、阿里云、InfoQ等平台的优质作者。通过长期分享和实战指导，我致力于帮助更多学生完成毕业项目和技术提升。 技术范围：     我熟悉的技术领域涵盖SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等
Jupyter Notebook为什么适合数据分析？
最新发布
qq_70350287的博客
05-06 665
jupyter它就像是一个多功能的工作间，给你提供了一个特殊的环境。比如说，你写了一大段代码，只想看看其中某个函数的运行效果，就可以把这个函数所在的代码块单独拿出来执行，不用重新运行整个程序，既节省时间又方便调试。代码上方的菜单栏提供了操作单元格的各种选项：insert (添加)，edit (编辑)，cut (剪切)，move cell up/down (上下移动单元格)，run cells(在单元格中运行代码)，interupt (停止代码)，save (保存工作)，以及 restart (重新启动内核)
Deepseek流式操作与用户行为数据分析day01
所念皆星河
05-06 67
Deepseek流式操作与用户行为数据分析day01
企业做数据分析，R语言和Python怎么选择合适？
chainso23的博客
05-01 768
• 数据来源多样且复杂的企业：如果企业的数据来源广泛，包括网页、社交媒体、图像等非结构化数据，以及与多种数据库对接获取数据等，Python凭借其丰富的库和强大的字符串处理、网络请求等能力，能很好地进行数据采集和预处理。• 需要跨领域协作的企业：在一些跨部门、跨领域的项目中，如物联网项目中涉及硬件设备数据采集、网络传输和数据分析，或者是结合数据分析的软件开发项目，Python作为通用编程语言，能在不同领域的团队之间更好地沟通和协作。它的语法更接近自然语言，新手容易上手，且代码规范性强，易于理解和维护。
干货 | spark streaming 和 flink 详细对比
06-28
### 回答1： Spark Streaming 和 Flink 都是流处理框架，但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型，将流数据分成一批批进行处理。而 Flink 则是基于流处理模型，可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的，即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量，可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的，需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的，可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大，可以在节点故障时快速恢复，而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说，Flink 在流处理方面更加强大和灵活，而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2： Spark Streaming 和 Flink 都是流处理框架，它们都支持低延迟的流处理和高吞吐量的批处理。但是，它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较： 1. 处理模型 Spark Streaming 采用离散化流处理模型（DPM），将长周期的数据流划分为离散化的小批量，每个批次的数据被存储在 RDD 中进行处理，因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型（CPM），能够在其流处理过程中进行事件时间处理和状态管理，因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟，主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低，因为 Flink 的数据处理和计算过程是实时进行的，不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制，它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡，因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能，可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能，但相对于 Spark Streaming 更加灵活，可以在事件时间和处理时间上进行窗口处理，并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分，可以充分利用 Spark 的分布式计算和批处理生态系统，并且支持许多不同类型的数据源，包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统，包括流SQL查询、流机器学习和流图形处理等功能，能够灵活地适应不同的业务场景。 总之，Spark Streaming 和 Flink 都是出色的流处理框架，在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3： Spark Streaming和Flink都是流处理引擎，但它们的设计和实现方式有所不同。在下面的对比中，我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型，即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟，但也会导致数据处理的粒度比较粗，难以应对大量实时事件的高吞吐量。 相比之下，Flink采用连续流处理模型，即数据的处理是连续的、实时的。与Spark Streaming不同，Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强，因此在某些特定的场景下，它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持，如滑动窗口、滚动窗口，但支持的窗口计算的灵活性较低，只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活，可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时，存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式，包括HDFS，以及许多其他开源和商业的数据存储，如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些，尤其是在特定的情况下，例如在处理高吞吐量的数据时，在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统，具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小，但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好，适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述，Spark Streaming和Flink都是流处理引擎，它们有各自的优缺点。在选择使用哪一个流处理引擎时，需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂，需要处理海量数据并且需要比较灵活的窗口计算支持，那么Flink可能是更好的选择；如果你只需要简单的流处理和一些通用的窗口计算，Spark Streaming是更为简单的选择。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

壹脑云

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值