管理研究方法论课件汇总.pptVIP

应避免的错误之五

——虚假关系把两种同时发生、或总是先后发生的现象简单地解释为因果关系。例：许多企业的广告费用与销售收入之间存在着正相关的关系。但把两者解释为因果关系显然是不全面的。（有人发现，有些企业是根据销售收入来确定下一年的广告支出。）广告收入质量收入广告应该注意发现表象所掩盖的变量！九、逻辑推理常见错误1、偏颇主义研究者基于自己的特殊经历和现状来观察现实世界，用自己的观点解释他人的行为。如在跨文化管理中，中西方文化存在着较大的差异，思维方式、处事原则都有很大差别，合作者往往从自己文化的角度来处理事情，造成了所谓的“文化近视”。2、草率结论研究者解释资料时，常常在没有获得足够资料支持的情况下草率下结论，没有搞清这些结论是否是必然的？其他结论是否也说得通？如广告与收入之间的虚假关系。3、可疑原因(虚假关系)在解释变量之间的关系时，没有弄清是否真正存在因果关系。例如一个企业的破产人们往往将原因归为公司总裁缺乏经营能力。试想在经济萧条时期，破产的企业比比皆是。4、隐瞒证据研究者获得大量信息资料之后，常常筛选、过滤掉一些“不相关”的信息，而这些所谓“不相关”信息有时却是有力的证据。例如，在职人员强烈反对企业在外部人才市场上招聘经理，那么可以预测到反对者的职业属于管理人员，如果未能指明反对者的职业，我们就会对此结论提出怀疑。第七章统计分析方法一、统计分析概述可以为管理研究提供一种清晰精确的形式化语言；是进行科学预测、探索未来的重要方法；是处理调查研究资料的必要工具;有两个基本功能：描述与推论;有成熟的分析软件,如SPSS，SAS。1、描述统计用数学语言表述单一变量一组样本的特征。2、集中趋势分析：用一个数值代表一组数据的一般水平（平均数、中位数和众数）。3、离散趋势分析：反映测量数据的分散程度（极差与标准差）。4、频数与频率分析：频数分布描述测量值中各属性值出现的次数（可转化为长条图、直方图），频率分布则是用比率的形式来表示，各属性值除以样本总数即可得到该属性值的频率（可转化为饼图）。二、描述性统计三、推论性统计1、分析多个变量之间的关系。两大功能是：从随机样本中推断总体参数特征（关系）、以统计为基础验证假设。2、双变量的回归分析与相关分析：一元线性回归方程为：Y=a+bX注意（1）b是回归系数而不是相关系数λ，只表示因变量随自变量变化而产生的关联变化量；（2）相关系数是从回归方程因变量的偏差分析中导出的其公式无需记忆；（3）相关性偏高（如0.75以上），就要怀疑此高度相关的变量是否是两个有差异、不同的变量。如“企业创新实力”与“研发投入”.3、多变量的偏相关分析与回归分析多元回归分析一般表达式为：Y=b1X1+b2X2+…+bnXn+a注意：（1）多元回归方程并不能反映各个自变量的相对重要性，bi大于bj并不表示Xi和Y的关联较Xj和Y的关联更强，可能是由于Xi采用了较小的尺度单位。（2）为了评判各自变量的相对重要性，回归方程系数bi可以转换为标准化的回归系数βi，它可以反映出各自变量在因变量变化中的相对重要性。（3）多元回归方程对因变量的总偏差的解释可用复相关系数R和决定系数R2来表示。R2=1表示Y的全部偏差都可由回归方程中各自变量来解释，R2越大，Y与X1，…，Xn的线性关联就越强。如R2=0.77，那么R=0.877，表示Y的总偏差中有77%可由这几个自变量的变化来解释。（4）如果Y有多个，则用典型相关分析。4、假设检验假设检验是先对总体参数作出假设，然后从样本统计值去检验它是否与假设参数值一致。在假设检验中存在两类错误：随机抽取的样本没有反映典型特征，当我们错误地将偶然发生的事件当作非偶然发生的，进而错误地将虚无假设否定，则就犯了第一类错误（α错误）；如果将原本错误的事件认为是正确的，没有否定本该否定的虚无假设，则就犯了第二类错误（β错误）。降低显著性水平可以减少第一类错误，然而，在这一过程，却增加了犯第二类错误的可能性；反之，若为了降低第二类错误，可以提高显著性水平，如此却又增加了犯第一类错误的可能性。显然，这两类错误是相对的。降低一二类错误的一些措施：使用尽可能大的样本规模、选择有效而可靠的测量方法。t检验（t-test）：检验定距或定类变量的显著差异。例如，有MBA资格的人员是否比企业管理专业的本科毕业生表现要好？男性与女性对激励的反映是否相同？方差分析（ANOVA）：检验因变量是定距或定比尺度时，两个以上群体之间的平均的显著差异。例如，4组促销人员之间是否存在显著差异：一组被送到学校系统学习营销课程，一组通过实地考察在职训练，一组由经验丰富的销售经理进行指导，一组没有接受上述