picture from Internet
本文是针对《组织管理研究方法：潜类分析（LPA）和模糊集定性比较分析（fsQCA）的比较（Fuzzy Profiles: Comparing and Contrasting Latent Profile Analysis and Fuzzy Set Qualitative Comparative Analysis for Person-Centered Research）》的一篇论文解析，该文于2018年发表于《组织研究方法（Organizational Research Methods）》上。该文作者是Gabriel，Campbell，Djurdjevic，Johnson以及Rosen。其中，Gabriel的研究领域是情绪和情绪劳动、工作中的人际关系压力、员工幸福感和动机；Campbell的研究领域包括战略领导、公司治理、利益相关者战略、组态理论和方法；Djurdjevic的研究兴趣包括工作中的人际影响过程、个体差异的测量和建模以及绩效评估；Johnson的研究兴趣包括动机、正义和领导力过程的作用，这些过程是工作态度、行为和幸福的基础；Rosen专注于员工压力、动力和幸福感。
研究背景与问题
以人为本的方法在研究组织时，在微观层面上运用潜类分析（Latent Profile Analysis -LPA）确定组织承诺、离职意图、情绪劳动、修复等。在宏观层面上运用模糊集定性比较分析（fsQCA）研究诸如收购和业务战略等以公司层面为结果的组态。本文试图通过运用LPA以及fsQCA针对多维个人构念-核心个人评估与工作满意度之间的关系，探寻和发掘两个方法的异同。
学者们一度依赖聚类分析研究组织的宏微观层面。在组织行为、人力资源等微观层面，由于聚类分析缺乏最佳拟合解的标准，并迫使样本中的个体仅属于一个集群的缺点（在给定的解中，个体有可能属于多个集群）。因此，随后研究组织的微观层面趋向于使用潜类分析（LPA），LPA可用于对个体属于某个特征的可能性（即概率）进行建模。在宏观层面，由于聚类分析在检验战略集团存在性时，会使得人们怀疑战略集团是否存在，或是否为聚类分析的产物，很难确定生成的分组是否有意义。因此，随后研究组织宏观层面时，倾向于使用fsQCA。
随着两种新兴方法的使用和普及程度日益提高。有必要探究如下问题：首先，从这两种方法得出的结论是否一致？其次，如何互补地利用LPA和fsQCA？LPA和fsQCA是否可以解决相同的研究问题？如果使用LPA和fsQCA分析相同的数据，为员工和组织带来的最优解是否相同？
LPA & fsQCA的比较
为了了解LPA以及fsQCA的异同，本文将这两种方法分别应用于CSE(core self-evaluations，核心自我评估)研究。即人们对自身价值、竞争力以及能力的基本评估。CSE包含四个人格特质：（a）自尊（即对一个人自我价值的评估），（b）广义的自我效能感（即一个人对自己有效行动能力的评估），（c）情绪稳定（即一个人对事件较少有反应的倾向，类似于低度神经质），（d）控制源（即人们认为一个人可以影响另一个人的环境以产生预期结果的程度）。
具体研究问题
运用LPA以及fsQCA方法，检验CSE特征的四个因素对工作满意度的影响。
（1）针对LPA方法，本文有两个研究问题。
研究问题1：CSE特征（自尊、广义的自我效能、情绪稳定和控制源）以及趋近动机（approach motivation）和回避动机（avoidance）是否在数量（水平）和质量（类型）上存在差异？
研究问题2：揭示CSE特征、趋近动机和回避动机在解释工作满意度时是否存在差异？
（2）针对fsQCA方法，本文有以下三个研究问题。
研究问题3：在经验上是否存在必要条件，导致高工作满意度或非高工作满意度？
研究问题4a：理论上CSE特征、趋近和回避动机的组态能够充分地产生工作满意度？
研究问题4b：理论上CSE特征、趋近和回避动机的组态能够充分地导致工作满意度的缺乏？
研究数据及方法
本文数据来自美国434名员工的档案资料，他们受雇于各种行业，包括服务/零售，制造，政府和教育。通过雪球采样在美国两所大学招募了MBA和本科课程的参与者。具体来说，两所大学的学生如果全职工作，都将因参加该研究而获得课程额外学分，并且他们可以通过招募另一位全职雇员来获得额外的学分。通过非营利性学术机构Study Response的在线小组招募了其他参与者（Stanton＆Weiss，2002）。所有参与者都完成了在线调查。
潜类分析 LPA
本文使用Mplus 7.31进行潜类分析。首先指定一种类型，然后增加类型的数量，直到不能再改善模型拟合。尽管不存在选择类型的严格标准，但我们利用了一些标准来确定适当的模型拟合。具体而言，我们依赖于以下拟合统计量：（1）Akaike信息标准（AIC），（2）贝叶斯信息标准（BIC），（3）一致AIC（C-AIC；即 BIC加上建模的自由参数数量），（4）样本大小调整后的贝叶斯信息准则（SSA-BIC），（5）Lo-Mendell-Rubin似然比检验，（6）自举似然比检验（BLRT）和（7）熵。在解释模型拟合时，学者们通常应考虑哪些解相较于其他类型解，AIC，BIC，C-AIC和SSA-BIC较低。相反，熵（一个分类准确度的指标，范围从0.00到1.00；接近1.00的值表示较高的准确度）应大于其他类型解。此外，学者应考虑LMR和BLRT统计数据是否显著（p <.05>
第一步：确定分类数量
第一步：确定分类数量
依据表1的各项指标，可以发现分类为5时，拟合最优。其中，分类为5时的AIC、C-AIC、BIC、SSA-BIC均小于分类为2、3、4的相应值，LMR、BLRT的显著性<0.05，熵值大于分类为4、6、7的熵值。...
第二步：计算各类型的描述性信息
第二步：计算各类型的描述性信息
根据表2,可以发现在各个类型中，CSE特征和趋向、回避激励存在显著差异。
模糊集定性比较分析 fsQCA
遵循校准原始变量-必要条件分析-真值表分析的步骤：
必要条件分析
通过必要条件分析，可以发现趋向激励超过必要条件一致性门槛0.9，是工作满意度的必要条件。导致工作满意度及工作满意度缺乏的组态分别有两个。
研究发现或结果
本文的研究表明，LPA和fsQCA都是解决以人为本研究问题的有力工具，与以变量为中心的方法相比，它们可以提供许多优势。尽管这些技术具有不同的假设，并提供了一些不同的效用，但我们希望组织学者继续应用它们。
LPA & fsQCA解决的问题
参考文献：
Allison S. Gabriel, Joanna Tochman Campbell, Emilija Djurdjevic, Russell E. Johnson, Christopher C. Rosen (2018): “Fuzzy Profiles: Comparing and Contrasting Latent Profile Analysis and Fuzzy Set Qualitative Comparative Analysis for Person-Centered Research”, Organizational Research Methods, 1-28.
