企業(yè)管理研究生論文常用知識

1、論文學(xué)習(xí)一、 統(tǒng)計知識1、結(jié)構(gòu)方程評價：卡方統(tǒng)計量（X2）最常用的擬合指標(biāo)是擬合優(yōu)度的卡方檢驗（X2-goodness-of-fittest）統(tǒng)計量。在最大似然估計ML、一般最小二乘法GLS和廣義加權(quán)最小二乘法ADF下，卡方值X2等于樣本量減1乘以擬合函數(shù)的最小值。在觀測變量服從多元正態(tài)分布且模型設(shè)定正確的話，如果分析方差協(xié)方差矩陣，則乘積服從卡方分布（或漸進(jìn)服從卡方平方分布）。這里需注意，它的檢驗正好與傳統(tǒng)的統(tǒng)計研究相反，我們希望得到的不顯著的卡方值，大的值對應(yīng)差的擬合，小的值對應(yīng)于好的擬合。事實上，這里的卡方檢驗是“擬合劣度（badness-of-fit）”檢驗，很小的卡方值說明模型擬合很

2、好。但是，卡方檢驗統(tǒng)計量與樣本量的大小密切相關(guān)，當(dāng)樣本量越大，卡方值也越大，拒絕一個模型的概率就會隨著樣本量的增加而增加，也就是說，最好把卡方檢驗看成是度量擬合優(yōu)度的量，而不是把它當(dāng)作檢驗統(tǒng)計量。為減小樣本量對擬合檢驗的影響，習(xí)慣上采用卡方值與自由度之比，如果比值小于2，則可以認(rèn)為模型擬合較好。擬合優(yōu)度指數(shù)（GFI）擬合優(yōu)度指數(shù)（goodness-of-fitindex）GFI度量了觀測變量的方差協(xié)方差矩陣S在多大程度上被模型引申的方差協(xié)方差矩陣所預(yù)測，如果=S，GFI=1，意味著模型完美擬合。修正的擬合優(yōu)度指數(shù)（AGFI）修正的擬合優(yōu)度指數(shù)（adjustedgoodness-of-fitin

3、dex）AGFI利用模型中參數(shù)估計的總數(shù)與模型估計的獨立參數(shù)自由度來修正，估計的參數(shù)相對于數(shù)據(jù)點越小，AGFI越接近GFI。以上兩個指數(shù)都在0和1之間，較大的數(shù)對應(yīng)于較好的擬合，一般大于0.9時，則認(rèn)為模型擬合觀測數(shù)據(jù)。與X2不同的是，GFI和AGFI不是樣本容量的函數(shù)，因為它們并不是統(tǒng)計量，只是測量了樣本方差中估計方差所占的加權(quán)比例，因此不能用來對模型的擬合優(yōu)度進(jìn)行統(tǒng)計檢驗。平方平均殘差的平方根（RMR）平方平均殘差的平方根（rootmeansquareresidual）RMR度量了擬合殘差的一種平均值，說明樣本方差和協(xié)方差在假定模型正確的情況下的估計值的差異，RMR越小，說明擬合較好，如果

4、RMR等于0，表明模型完美擬合。本特勒-波內(nèi)特規(guī)范指數(shù)（NFI）本特勒-波內(nèi)特規(guī)范指數(shù)（Bentler-Bonettnormedfixindex）是從設(shè)定模型的擬合（或是擬合函數(shù)，或用卡方值）與獨立模型（independencemodel）的擬合之間的比較。獨立模型是指假設(shè)所有變量之間沒有相關(guān)關(guān)系，也就是說，模型中所有的路徑系數(shù)和外生變量之間都固定為0，只估計方差。用來比較設(shè)定模型與獨立模型在擬合上的改善程度。近似誤差的平方根（RMSEA）近似誤差的平方根（rootmeansquareerrorofapproximation）。習(xí)慣上，RMSEA取值小于0.05，表明相對于自由度模型擬合了數(shù)據(jù)

5、；另外，建議在90%的置信度下，如果RMSEA取值小于0.08，則可認(rèn)為近似誤差是合理的，或者說在置信水平0.01下不能拒絕這一假設(shè)。RMSEA評價指標(biāo)近年來越來越受到重視。信息標(biāo)準(zhǔn)指數(shù)（information criteria index）信息標(biāo)準(zhǔn)測量是為了作不同模型的比較，信息標(biāo)準(zhǔn)測量的值越小說明含獨立估計參數(shù)越少的模型擬合越好，也就是說簡約模型（parsimonious model）越好。一般在設(shè)定的理論模型中，使用同一數(shù)據(jù)，按照理論減少模型中某個或某幾個自由參數(shù)，比較某種信息標(biāo)準(zhǔn)指數(shù)的差異，選擇指數(shù)最小的模型，也就是簡約模型。需要強調(diào)的是，雖然這里給出了許多評價模型擬合指數(shù)，但是沒有唯

6、一的模型擬合標(biāo)準(zhǔn)指數(shù)是正確的。所以，在模型擬合過程中，要盡量納入各種指標(biāo)，并盡可能地了解各種指數(shù)的內(nèi)在含義，這可能完全需要研究者來判斷。實際應(yīng)用中，研究者還需要對度量模型和結(jié)構(gòu)模型的可靠性和有效性進(jìn)行必要的檢驗，一般可根據(jù)經(jīng)典的檢驗理論，采用復(fù)相關(guān)系數(shù)和總決定系數(shù)說明單個觀測變量或全部觀測變量作為潛在變量的度量指標(biāo)的可靠程度，以及單個或全部外生潛在變量對內(nèi)生潛在變量的方差效應(yīng)。此外，模型及擬合的標(biāo)準(zhǔn)并不完全是統(tǒng)計問題，即使一個模型擬合了數(shù)據(jù)，也不意味著這個模型是“正確的”或是“最好的”。因為可能存在著等價模型（equivalent models），競爭模型（competing models）。

7、如果簡單模型的擬合與復(fù)雜模型的擬合一樣好，就應(yīng)該接受簡單模型，因為，我們的目標(biāo)就是建立簡約模型，也就是說模型中的參數(shù)越少越好。因此，結(jié)構(gòu)方程式模型的模型策略簡單就是美，最重要的是所有估計參數(shù)應(yīng)該有實際意義，能夠得到合理的解釋，研究者始終應(yīng)該將結(jié)構(gòu)方程式模型建立在有說服力的理論假設(shè)上。2、 CFI（比較擬合指數(shù)）：（1）CFI是一個相對指標(biāo)，這里的“相對”，是指待估模型的卡方，“相對”與基準(zhǔn)模型（通常是虛無模型）的卡方來說，減少的比例。這里的卡方，按照非卡方分布下的期望值進(jìn)行了調(diào)整后的。因此，CFI在多數(shù)學(xué)者的觀點中，被認(rèn)為是一個重要的指標(biāo)。（2）根據(jù)簡化后的CFI的公式， CFI1（待估模型的

8、卡方與自由度之差）/（虛無模型的卡方與自由度之差）， CFI越小，即1后面的那個比值越大，即分子大或者分母小，也就是，要么待估模型的卡方與自由度之差大，要么虛無模型的卡方與自由度之差小。（3）因為，虛無模型是限制最多，擬合效果是最差的模型，它被看作是一個基準(zhǔn)，而待估模型的擬合效果肯定比虛無模型要好，所以，如果想提高CFI，必須減少待估模型的卡方與自由度之差，由于自由度通常是無法改變的（一旦模型結(jié)構(gòu)確定，自由度即確定），所以，提高CFI，可以考慮從降低卡方入手，即使你的模型已經(jīng)很好了。3、 CMIN卡方統(tǒng)計量：假設(shè)有兩個分類變量X和Y，它們的值域分另為x1, x2和y1, y2，其樣本頻數(shù)列聯(lián)表

9、為：y1y2總計x1aba+bx2cdc+d總計a+cb+da+b+c+d若要推斷的論述為H1：“X與Y有關(guān)系”，可以利用獨立性檢驗來考察兩個變量是否有關(guān)系，并且能較精確地給出這種判斷的可靠程度。具體的做法是，由表中的數(shù)據(jù)算出隨機(jī)變量K2的值（即K的平方）K2 = n (ad - bc) 2 / (a+b)(c+d)(a+c)(b+d)其中n=a+b+c+d為樣本容量K2的值越大，說明“X與Y有關(guān)系”成立的可能性越大。當(dāng)表中數(shù)據(jù)a，b，c，d都不小于5時，可以查閱下表來確定結(jié)論“X與Y有關(guān)系”的可信程度：P(K2k)0.500.400.250.150.10k0.4550.7081.3232.0

10、722.706P(K2k)0.050.0250.0100.0050.001k3.8415.0246.6357.87910.828例如，當(dāng)“X與Y有關(guān)系”的K2變量的值為6.109，根據(jù)表格，因為5.0246.109<6.635，所以“X與Y有關(guān)系”成立的概率為1-0.025=0.975，即97.5%。4、RMSEA 近似誤差均方根：root mean square error of approximation，衡量模型協(xié)方差與數(shù)據(jù)協(xié)方差陣的差異大小，RMSFA越小越好。5、VIF方差膨脹因子：容忍度的倒數(shù)，VIF越大，顯示共線性

11、越嚴(yán)重。經(jīng)驗判斷方法表明：當(dāng)0VIF10，不存在多重共線性；當(dāng)10VIF100，存在較強的多重共線性；當(dāng)VIF100，存在嚴(yán)重多重共線性6、李克特打分制（量表）李克特量表(Likert scale)是屬評分加總式量表最常用的一種，屬同一構(gòu)念的這些項目是用加總方式來計分，單獨或個別項目是無意義的。它是由美國社會心理學(xué)家李克特于1932年在原有的總加量表基礎(chǔ)上改進(jìn)而成的。該量表由一組陳述組成，每一陳述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五種回答，分別記為5、4、3、2、1

12、，每個被調(diào)查者的態(tài)度總分就是他對各道題的回答所的分?jǐn)?shù)的加總，這一總分可說明他的態(tài)度強弱或她在這一量表上的不同狀態(tài)。7、Cronbachs 系數(shù) （克朗巴哈系數(shù)）克朗巴哈系數(shù)（Cronbach's alpha或Cronbach's ）是一個統(tǒng)計量，是指量表所有可能的項目劃分方法的得到的折半信度系數(shù)的平均值，是最常用的信度測量方法。它最先被美國教育學(xué)家Lee Cronbach在1951年命名。其中K為樣本數(shù)，2X為總樣本的方差，2Yi為目前觀測樣本的方差。通常Cronbach 系數(shù)的值在0和1之間。如果X系數(shù)不超過0.6，一般認(rèn)為內(nèi)部一致信度不足；達(dá)到0.7-0.8時表示量表具有相

13、當(dāng)?shù)男哦?，達(dá)0.8-0.9時說明量表信度非常好。Cronbach 系數(shù)的一個重要特性是它們值會隨著量表項目的增加而增加，因此，Cronbach 系數(shù)可能由于量表中包含多余的測量項目而被人為地、不適當(dāng)?shù)靥岣?。還有一種可以和Cronbach 系數(shù)同時使用的系數(shù)。系數(shù)能夠幫助評價，在計算Cronbach 系數(shù)的過程中，平均數(shù)的計算是否掩蓋了某些不相關(guān)的測量項目。不同的研究者對信度系數(shù)的界限值有不同的看法，有學(xué)者認(rèn)為，在基礎(chǔ)研究中Cronbach 系數(shù)至少應(yīng)達(dá)到0.8才能接受，在探索研究中Cronbach 系數(shù)至少應(yīng)達(dá)到0.7才能接受，而在實務(wù)研究中，Cronbach 系數(shù)只需達(dá)到0.6即可。8、驗證

14、性因子分析驗證性因子分析是對社會調(diào)查數(shù)據(jù)進(jìn)行的一種統(tǒng)計分析。它測試一個因子與相對應(yīng)的測度項之間的關(guān)系是否符合研究者所設(shè)計的理論關(guān)系。驗證性因子分析往往通過結(jié)構(gòu)方程建模來測試。在實際科研中，驗證性因子分析的過程也就是測度模型的檢驗過程?？梢赃M(jìn)行測度模型及包括因子之間關(guān)系的結(jié)構(gòu)方程建模并擬合的統(tǒng)計軟件有很多，比如LISREL、AMOS、EQS、MPLUS等。其中最常用的是LISREL。在LISREL這個軟件中有三種編程語言：PRELIS是用來作數(shù)據(jù)處理或簡單運算，比如作一些回歸分析、計算一個樣本的協(xié)方差矩陣；LISREL是一種矩陣編程語言，它用矩陣的方式來定義我們在測度項與構(gòu)件、構(gòu)件之間的關(guān)系，然

15、后采用一個估計方法 (比如極大似然估計) 進(jìn)行模型擬合；SIMPLIS是一種簡化的結(jié)構(gòu)方程編程語言，適合行為研究者用。一般來講，研究者需要先通過SIMPLIS建立測度模型，然后進(jìn)行擬合。根據(jù)擬合的結(jié)果，測度模型可能需要調(diào)整，拋棄質(zhì)量差的測度項，然后再擬合，直到模型的擬合度可以接受為止。9、因子載荷因子載荷a（ij）的統(tǒng)計意義就是第i個變量與第j個公共因子的相關(guān)系數(shù)即表示X（i）依賴F（j）的份量（比重）。統(tǒng)計學(xué)術(shù)語稱作權(quán)，心理學(xué)家將它叫做載荷，即表示第i個變量在第j個公共因子上的負(fù)荷，它反映了第i個變量在第j個公共因子上的相對重要性。在因子分析中，通常只選其中m個(m<p主因子），即根據(jù)

16、變量的相關(guān)選出第一主因子1,使其在各變量的公共因子方差中所占的方差貢獻(xiàn)為最大，然后消去這個因子的影響，而從剩余的相關(guān)中，選出與之不相關(guān)的因子，使其在各個變量的剩余因子方差貢獻(xiàn)中為最大，如此往復(fù)，直到各個變量公共因子方差被分解完畢為止。10、層次回歸分析層次分析法（Analytic Hierarchy Process，簡稱AHP）是將與決策總是有關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上進(jìn)行定性和定量分析的決策方法。該方法是美國運籌學(xué)家匹茨堡大學(xué)教授薩蒂于20世紀(jì)70年代初，在為美國國防部研究"根據(jù)各個工業(yè)部門對國家福利的貢獻(xiàn)大小而進(jìn)行電力分配"課題時，應(yīng)用網(wǎng)絡(luò)系統(tǒng)理

17、論和多目標(biāo)綜合評價方法，提出的一種層次權(quán)重決策分析方法。（正互反矩陣若矩陣A=（aij)mxn滿足以下特征：(1) aij>0(2) aij=1(當(dāng) i=j)(3)aij=1/aji (當(dāng)ij)則稱矩陣A 為正互反矩陣。）11、控制變量控制變量在工具書中的解釋：除自變量之外，一切能使因變量發(fā)生變化的變量。這類變量是應(yīng)該加以控制的，如果不加控制，它也會造成因變量的變化，即自變量和一些未加控制的因素共同造成了因變量的變化,這叫自變量的混淆。因此，只有將自變量以外一切能引起因變量變化的變量控制好，才能弄清實驗中的因果關(guān)系。12、自然對數(shù)處理自然對數(shù)的底數(shù)e是由一個重要極限給出的。我們定義：當(dāng)n

18、趨于無限時，e是一個無限不循環(huán)小數(shù)，其值約等于2.718281828459，它是一個超越數(shù)。當(dāng)自然對數(shù) 中真數(shù)為連續(xù)自變量時，稱為對數(shù)函數(shù)，記作 （x為自變量，y為因變量）.13、三角模糊數(shù)三角模糊數(shù)（triangular fuzzy number）為了解決不確定環(huán)境下的問題，Zadeh在1965年提出了模糊集的概念：所謂給定論域U上的一個模糊集 是指對任何xU，都有一個數(shù)(x)0, 1與之對應(yīng)， (x) 稱為x對 U的隸屬度， 稱為 的隸屬函數(shù)。設(shè)s 和U 分別為模糊數(shù)的下限和上限，m 為可能性最大的值，那么模糊效用(s、m 、u)表示其隸屬函數(shù)為： (x)=x/（m-s

19、）-s/（m-s）， xs，m (x)= x/（m-u）-u/（m-u）， xm，u二、研究方法理論1、資源基礎(chǔ)理論（VRIO模型）資源論的假設(shè)是：企業(yè)具有不同的有形和無形的資源，這些資源可轉(zhuǎn)變成獨特的能力；資源在企業(yè)間是不可流動的且難以復(fù)制；這些獨特的資源與能力是企業(yè)持久競爭優(yōu)勢的源泉。VRIO模型最早由杰恩·巴尼（Jay B. Barney,1991）提出。巴尼在從內(nèi)部尋求競爭優(yōu)勢（1995）一文中概括了該模型的核心思想：可持續(xù)競爭優(yōu)勢不能通過簡單地評估環(huán)境機(jī)會和威脅，然后僅在高機(jī)會、低威脅的環(huán)境中通過經(jīng)營業(yè)務(wù)來創(chuàng)造?？沙掷m(xù)競爭優(yōu)勢還依賴于獨特的資源和能力，企業(yè)可把這些資源和能力

20、應(yīng)用于環(huán)境競爭中。為了發(fā)現(xiàn)這些資源和能力，管理人員必須從企業(yè)內(nèi)部尋求有價值的、稀缺的、模仿成本高的資源，然后經(jīng)由他們所在的組織開發(fā)利用這些資源。所謂VRIO模型，就是價值（value)、稀缺性（rarity）、難以模仿性（inimitability)和組織（organization）模型。弗萊舍（Fleisher,C.）和本蘇桑(Bensoussan,B.)（2003）認(rèn)為，很少有資源能夠通過VRIO評估，只有那些通過每一項測試的資源才能被認(rèn)為是具有競爭力的、有價值的資源，進(jìn)而使企業(yè)獲得競爭優(yōu)勢。2、工作嵌入理論工作嵌入是個體和組織內(nèi)外所有與工作相關(guān)的情境之間所形成關(guān)系網(wǎng)絡(luò)的密切程度，它從非主

21、觀和工作之外的因素入手，為我們理解組織行為提供了一個全新的視角。工作嵌入的概念最早由美國心理學(xué)家Mitchell于2001提出并引入雇員主動離職研究領(lǐng)域。工作嵌入概括了使得雇員繼續(xù)留在工作上的有關(guān)組織與社區(qū)相關(guān)的因素，這些因素會使得雇員依附或嵌入與他們所在的工作中，即使出現(xiàn)工作不滿意或可供選擇的工作機(jī)會，雇員仍會留在組織工作而不產(chǎn)生離職行為。工作嵌入的概念提出有效地拓展了離職模型中前因變量的研究范圍。3、互補資產(chǎn)互補性資產(chǎn)（complementary assets）：從主要投資中產(chǎn)生價值的資產(chǎn)（Teece, 1998）比如投資公路，就會帶動高速公路、加油站等相應(yīng)的互補性投資。4、時間壓縮的不經(jīng)

22、濟(jì)所謂時間壓縮的不經(jīng)濟(jì)是指企業(yè)通過較長時間分散積累起來的知識內(nèi)容，是不太可能通過不間斷集中學(xué)習(xí)來獲得的。5、逆向工程分解逆向工程（又稱逆向技術(shù)），是一種產(chǎn)品設(shè)計技術(shù)再現(xiàn)過程，即對一項目標(biāo)產(chǎn)品進(jìn)行逆向分析及研究，從而演繹并得出該產(chǎn)品的處理流程、組織結(jié)構(gòu)、功能特性及技術(shù)規(guī)格等設(shè)計要素，以制作出功能相近，但又不完全一樣的產(chǎn)品。逆向工程源于商業(yè)及軍事領(lǐng)域中的硬件分析。其主要目的是在不能輕易獲得必要的生產(chǎn)信息的情況下，直接從成品分析，推導(dǎo)出產(chǎn)品的設(shè)計原理。逆向工程可能會被誤認(rèn)為是對知識產(chǎn)權(quán)的嚴(yán)重侵害，但是在實際應(yīng)用上，反而可能會保護(hù)知識產(chǎn)權(quán)所有者。例如在集成電路領(lǐng)域，如果懷疑某公司侵犯知識產(chǎn)權(quán)，可以用逆向工程技術(shù)來尋找證據(jù)。6、雙元性創(chuàng)新雙元性創(chuàng)新是指兩類相互沖突的創(chuàng)新活動的組合和共存。一類是利用現(xiàn)有知識和資源進(jìn)行的漸進(jìn)式的、風(fēng)險相對較小的創(chuàng)新活動，此類創(chuàng)新活動對于企業(yè)短期的生存是重要的；另一類是探索新的知識和資源進(jìn)行的突破式的、風(fēng)險較大