共同方法偏差检验(Harman单因素)

这个方法是做什么的

共同方法偏差指的是：自变量和因变量由同一批人、在同一份问卷里、用同一种作答方式填写时，变量之间的相关有一部分来自“测量方式本身”而不是构念之间的真实关系，例如社会赞许、一致性动机或情绪状态让所有题目一起偏高或偏低。Harman 单因素检验是最常用的事后诊断：把问卷里全部量表题项放进一次未旋转的因子提取，看第一个因子解释了多少总方差。如果一个因子独占了大部分方差，说明“大家答得都差不多”的成分很重，偏差风险高。

报告默认用主成分法（与多数论文在 SPSS 里的做法一致），也可以改为主轴因子法；判定阈值默认 40%，也可选 50%。除了第一因子占比，还会给出特征值大于 1 的因子个数、第一与第二特征值之比、KMO 与 Bartlett 球形检验，以及第一因子占比的 Bootstrap 95% 置信区间（固定随机种子，结果可复现），用来判断结论在阈值附近是否稳定。

需要准备什么数据

放入全部测量题项 [定量]：至少 3 个，定量变量（数值）

数据要求

数据表至少 10 行。
单列缺失率不超过 50%。
不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

自变量、中介变量、因变量都来自同一份自评问卷，审稿人要求说明共同方法偏差
论文方法部分需要一句标准的“共同方法偏差检验”报告
想在正式建模前先排查“所有题目被同一种作答倾向拉在一起”的风险

使用时把问卷中所有构念的全部题项一起放进拖拽区，而不是只放一个维度。样本量须大于题项数，建议至少为题项数的 5 倍；缺失按整行删除。阅读报告时先看第二张卡的判定表：第一因子方差占比是否低于阈值、特征值大于 1 的因子是否不止一个；再看第四张卡的置信区间和各题项在第一因子上的载荷，如果几乎所有题项的载荷都很高，即使占比略低于阈值，也值得在论文中讨论。

什么时候不要用它

只想知道某一个维度内部是否一致：那是信度问题，不是共同方法偏差问题，用「信度分析」。
想确认题项是否按预设维度聚合、维度划分是否合理：那是结构效度问题，用「效度分析」或「因子分析(探索性)」，看旋转后的载荷结构。
数据来自不同来源（例如上级评绩效、员工自评态度，或客观记录与问卷合并）：共同方法偏差本身就不是主要问题，检验的意义有限；更值得报告的是各量表的「信度分析」结果。
题项是单选、多选这类分类题：因子提取要求可以计算相关系数的评分数据。分类题之间的关联用「对应分析」或「多重对应分析」去看。

容易误读的地方

通过检验不等于没有偏差。 这是公认偏弱的诊断：即使共同方法偏差确实存在，第一因子也常常达不到 40%。规范写法是“未发现单一因子解释大部分方差，共同方法偏差不严重”，而不是“证明不存在共同方法偏差”。报告的结论段已经按这个口径措辞。
只放部分题项会让结论失真。 放得越少，第一因子占比越高；只放一个维度时几乎必然“超标”。反过来，混入大量与研究无关的题项，又会把占比稀释得很低。拖进来的应当恰好是本研究模型涉及的全部量表题项。
阈值是惯例，不是统计临界值。 40% 和 50% 都来自文献习惯，没有抽样分布支撑。第一因子占比落在阈值附近时，要看第四张卡的置信区间：区间跨越阈值，说明换一批样本结论可能翻转，应如实说明而不是只报点估计。
主成分法和主轴因子法的数字不能混着比。 主成分法的占比是“最大特征值 ÷ 题项数”，主轴因子法用的是提取后的平方和载荷，后者通常更小。论文里写清楚用的是哪一种，并与对照文献保持一致。
事后检验替代不了事前控制。 更有力的做法在设计阶段：匿名作答、打乱题项顺序、预测变量与结果变量分时段收集、使用不同来源的数据。论文里宜把这些程序控制与本检验结果一起报告。

报告里有什么

输出结果一：数据概览与前提检验
输出结果二：未旋转总方差解释与判定
输出结果三：碎石图与第一因子占比
输出结果四：效应量与稳健性
输出结果五：结论与学术表述