管理研究方法

管理研究方法

从管理现象出发，经由问题、理论、测量、数据和研究设计，形成可检验、可解释、可复现的管理研究

课程概览

管理研究方法的重点不是记忆某个统计软件的菜单，而是理解研究如何产生知识。科学研究以创造新的、一般性的知识为目标，研究过程需要具有标准化、可检验和可复制的特征。管理研究由此围绕四类目的展开：描述对象的状态，解释变量关系及其机制，预测可能结果，以及据此提出控制或改变对象系统的方案。

课程同时强调管理研究的社会使命。研究结论可能影响企业、员工、消费者、投资者、环境和其他利益相关方；研究问题既要有理论或实践价值，也要考虑研究设计的伦理约束、数据质量和结论边界。

知识地图

一、从科学研究到管理研究

科学研究的基本标准

• 科学研究：以创造新的、一般性的科学知识为目标，使用能够被他人理解、检验和复制的研究程序。
• 科学方法：围绕问题提出、方法选择、数据收集、数据分析和结果解释建立标准化规则。
• 可检验与可复制：研究者应清楚说明研究程序、测量和推理过程。重复研究不要求每次得到完全相同的数值，但要求他人能够按说明重新检验。
• 信息、知识与观点：信息是尚未加工的事实或数据；知识是经过组织、加工并揭示规律的内容；观点带有更强的个人判断。科学知识还需要公正性、规范性和公信力。

企业咨询、医生问诊和课程作业都可能使用科学方法，但通常服务于具体对象或应用已有知识。判断一项活动是否属于严格意义上的科学研究，要看它是否以创造可推广的新知识为目标，过程是否具有科学性、客观性和可复制性。

归纳、演绎与科学循环

• 归纳推理：从具体观察出发，识别模式，形成概念、命题或理论。结论依赖有限观察，应保留被新资料修正的可能。
• 演绎推理：从一般理论出发，提出假设和具体预测，再用数据检验预测是否得到支持。
• 假说演绎法：识别并定义问题 → 发展理论与假设 → 确定变量及测量 → 选择研究设计 → 收集和分析数据 → 解释结果。
• 可证伪性：科学命题应明确说明什么观察结果可能推翻它。研究者要主动寻找不支持假设的证据，不能只寻找支持自己的材料。

管理研究经常在两种逻辑之间循环：从现实观察中归纳出问题和理论，再通过演绎提出可检验假设；实证结果又可能促使研究者修正概念、理论和后续问题。

科学哲学与研究范式

课程通过理性主义、经验主义、逻辑实证主义、波普尔的证伪思想和库恩的范式理论，说明科学方法既重视逻辑推理，也依赖经验材料。库恩所说的科学发展可能经历“常规科学 → 反常 → 危机 → 范式转换 → 新的常规科学”，科学进步并非总是旧事实的线性累加。

管理研究同时包含实证研究和理论研究。实证研究以问卷、实验、访谈、观察、档案、社交媒体等经验材料为基础；理论研究则通过理论推导、逻辑分析和模型构建处理概念关系，为后续实证研究提供解释视角。

二、研究问题、理论与假设

从现象到研究问题

• 研究主题：宽泛的研究内容，如居家办公或社交媒体信息披露。
• 论文题目：对文章内容的概括，可以呈现结论、核心变量或研究关系。
• 研究问题：对现象的具体疑问，决定研究方向，常询问变量关系、作用机制或边界条件。

研究问题可以分为三类：探索性问题回答“应该研究什么”，描述性问题回答“是什么、多少、如何分布”，解释性问题回答“为什么发生、谁影响谁以及机制是什么”。提出问题时，应从宽泛现象逐步聚焦到研究对象、情境、关键概念和变量关系，直到概念可以定义、操作和测量，关系可以用数据检验。

好的研究问题通常同时考虑以下标准：

• 重要性与吸引性：问题涉及重要管理现象，或具有反直觉性、争议性和新视角。
• 理论与实践相关性：问题可以嵌入既有理论，同时保留理论解释空间，并对组织或社会实践有意义。
• 聚焦与研究空间：对象、时间和情境足够清楚，又没有缩小到只需计数即可回答。
• 可行性：样本、数据、时间、经费和研究能力支持研究完成。

研究问题可以来自实习或工作经历、社会观察、反常现象、文献争议、方法变化和二手数据中的模式。文献提供思维线索，但研究者仍需回到现实，确认现象真实、重要且值得研究。

理论及其贡献

理论至少包含四部分：

• 构念：对重要现象的抽象和界定。
• 命题：构念之间关系的陈述。
• 逻辑：解释关系为什么发生、如何发生。
• 边界条件：关系在什么人群、组织、时间或环境下成立。

变量关系本身不等于理论。理论贡献可以来自新构念、新关系、新机制或新的适用边界。课程按理论检验和理论构建的程度区分报告型、检验型、修饰型、构建型和开拓型研究，也提醒初学者不要为了声称“构建新理论”而夸大贡献。

已有关系 \(A \rightarrow B\) 的理论拓展可以有两条路径：

• 内生法：在关系内部寻找中介机制、调节变量和边界条件，说明 \(A\) 如何或在何种条件下影响 \(B\)。
• 外延法：扩展新的结果变量、前因变量、组织情境或适用范围。

假设与模型表达

• 描述性假设：陈述现象的分布或状态。
• 相关性假设：陈述两个变量共同变化的方向，不直接说明因果关系。
• 因果性假设：明确自变量影响因变量的方向，需要理论、时间顺序和研究设计支持。

中介模型解释 \(X\) 为什么或如何影响 \(Y\)，基本路径为 \(X \rightarrow M \rightarrow Y\)。调节模型关注变量 \(W\) 如何改变 \(X\) 与 \(Y\) 关系的强度或方向。复杂模型应拆成若干局部假设，分别说明每条主效应、中介关系或调节关系的方向与理论依据。

三、构念、层次与测量

概念化、操作化与测量

• 构念：研究者为描述和解释复杂、抽象、不能直接观察的现象而设定的理论标签。
• 概念化：给构念下定义，明确核心特征、内涵和边界，回答“这个概念是什么”。
• 操作化：寻找指标、工具和程序，把构念转化为可测量变量，回答“如何观察和测量”。
• 测量：对对象的属性、程度、数量或类别赋值，形成可用于分析的数据记录。

操作化可以使用构建指标、材料编码、代理变量、量表、实验操纵和系统日志等方式。理论构念与经验变量之间存在测量链条；如果理论上 \(A\) 与 \(B\) 有关系，但变量 \(X\) 与 \(Y\) 没有关系，原因可能是理论关系不存在，也可能是 \(X\) 或 \(Y\) 没有有效测量对应构念。

测量质量

• 测量尺度：定类尺度用于类别区分；定序尺度用于有序比较；定距尺度具有相等间距但无绝对零点；定比尺度具有相等间距和绝对零点。数字编码不自动赋予数据定距或定比含义。
• 李克特量表：通常由指导语、多个条目和回答锚点组成，适合测量态度、感知、情绪、意见和行为倾向。一个量表应围绕一个构念设计。
• 信度：关注结果是否稳定、一致，包括评分者间信度、重测信度、平行形式信度和内部一致性信度。多条目量表通常报告克伦巴赫 \(\alpha\)。
• 效度：关注是否真正测到了目标构念，包括表面效度、内容效度、效标关联效度、聚合效度和区分效度。高信度不自动保证高效度。
• 量表使用：优先使用与研究情境契合的成熟量表；改编外文量表时记录翻译、回译、题项调整、锚定设置和信度结果。

层次与聚合

研究问题可能处于个体、团队、组织或更高层次。理论层次、测量层次和分析层次应保持一致，避免用个体变量直接预测组织结果的层次错配。需要把个体评价聚合到团队层面时，应说明采用选择分数、平均或加总、总体指标、共同一致、参照转移或结构指标等模型，并在适用时报告 \(r_{wg}\)、ICC(1) 和 ICC(2) 等一致性与聚合依据。

四、问卷、抽样与数据收集

问卷研究的设计

调查是包括选样本、发放问卷、整理数据和分析结果的完整研究过程；问卷只是其中的测量工具。问卷研究以抽样调查为基础，结论具有概率性和推断性。方法部分应交代样本来源、收集时间、发放渠道、被试参与和补偿、有效样本量、样本特征、伦理安排，以及每个构念的测量来源与处理方式。

问卷通常包括标识变量、标题与知情同意、主要题项、逻辑结构、人口统计信息、结尾与致谢。题项要避免双重含义、诱导性、过高回忆负荷、社会称许性和把研究假设直接写入题目。数据清理时，应预先规定无效问卷标准，检查缺失、作答时间、规律性作答、逻辑矛盾和注意力检测题；反向题先统一方向，再计算量表得分。生成新变量而不是覆盖原始变量，有利于保留回溯能力。

抽样与代表性

• 概率抽样：各单位被抽中的概率已知或可计算，包括简单随机、系统、分层、整群和多阶段抽样。
• 非概率抽样：按便利性、研究目的、判断或配额选择对象，包括方便、判断、滚雪球和配额抽样。
• 代表性：样本是否反映目标总体的关键特征，比样本数量本身更重要。
• 抽样误差：来自随机抽样，通常随样本量增大而减小。
• 非抽样误差：来自抽样框覆盖不足、无回答、回答、测量、录入和研究实施过程，单纯增加样本量无法消除。

课程用 1936 年总统选举预测失误说明，大样本不能弥补抽样框覆盖偏差、无回答偏差和回答偏差。研究报告应如实说明抽样方式，不把方便抽样写成随机抽样。

数据收集策略与共同方法偏差

单时点与多时点、单一来源与多元来源是问卷设计中的两组重要区分。把自变量和因变量分到不同时间点、不同评价者或客观数据源，可以降低共同方法偏差。共同方法偏差来自相同的来源、测量方法、测量环境或题项形式，可能造成变量间人为共变。

程序性应对包括多来源、多时点、心理分离、测量方法分离、匿名保护和提高题项质量。单因素检验可以作为粗略的统计检查，但不能把统计检验当作对单时点、单来源设计的根本补救。多波次问卷还需要使用唯一标识变量匹配数据，并区分多时点设计与严格意义上的纵向研究。

五、实验与因果推断

因果关系通常需要满足三个条件：自变量和因变量共变，原因先于结果发生，并能排除其他解释。实验通过操纵自变量、先后测量、控制条件和随机分配，尽量同时满足这三个条件。

实验设计

• 真实实验：被试可以随机分配到不同处理条件。
• 准实验：因现实或伦理原因不能随机分配。
• 现场实验：在日常生活或现实组织中开展。
• 自然实验：研究者无法操纵自变量，利用现实事件形成的处理组和控制组进行观察。
• 被试间设计：不同被试接受不同条件，组间互不重叠。
• 被试内设计：同一被试经历多个条件，需要通过平衡顺序处理滞后效应。
• 因子实验设计：用如 \(2 \times 2\) 的结构同时检验多个因子的主效应和交互效应。

实验操纵要明确因子、因子水平和水平间差异度。操纵检验要测量被试是否真正进入预期心理状态或行为，而不是只测量被试是否记住实验材料。检验指标应准确、灵敏，并根据实验流程选择即时检验、事后检验或单独预测试。

结果变量也应根据构念定义选择测量方式，可以结合自我报告、客观行为、专家评分、录音录像编码和生理或微行为指标。实验设计还要区分实验真实性与现实真实性：前者关注被试是否认真投入，后者关注实验情境与现实环境的表面相似程度。

六、定性研究、案例研究与文本分析

归纳研究与定性研究

定性研究主要处理访谈、观察、音频、视频、档案和社交媒体等非数字资料，关注参与者的主观解释、经验和行为过程。归纳研究通常经历“数据收集 → 模式识别 → 理论开发”三个步骤。

• 访谈：结构化访谈强调标准化；半结构化访谈兼顾提纲和追问；非结构化访谈适合开放性探索。
• 编码：把原始资料拆分、贴标签、归类、抽象和整合，逐步形成概念、机制和理论命题。
• 扎根理论编码：开放式编码 → 主轴编码 → 选择式编码。
• Gioia 编码：一阶概念 → 二阶主题 → 聚合维度。它承认研究者会在资料与既有理论之间往返比较，带有溯因色彩。

案例、混合研究与二手数据

案例研究在一个或少数几个自然环境中深入研究复杂现象，适合研究现象与背景难以分离的问题。单案例重在深入分析，多案例重在比较与复制逻辑。案例研究常使用理论抽样、多源资料、三角验证和理论饱和；其优势是提供丰富的过程机制，局限是内部效度、研究者依赖和推广性受到限制。

定量研究之后的访谈可以解释反常或未获支持的结果；定量研究之前的访谈可以探索新现象、澄清构念并为问卷和假设提供基础。二手数据可以来自政府报告、公司披露、档案、电子健康记录、体育数据和社交媒体等，使用前要检查来源质量、变量覆盖、时效性、可挖掘性和平台边界。

大数据文本分析

课程将文本分析归纳为四步：文本收集、文本预处理、文本特征学习、结果评估。特征学习包括：

• 词汇特征：用词典统计不同类别词汇的频率。
• 主题特征：用 LDA 等方法识别文档中的潜在主题和主题比例，主题名称与理论含义仍需研究者解释。
• 关系特征：识别人名、组织、地点和事件等实体，以及实体之间的行动和关系。

算法输出不能直接等同于理论结论，还需要从效度和稳健性角度评估指标是否可靠。

七、研究报告与学术协作

研究报告或论文通常包括标题、摘要、引言、文献综述、假设、方法、结果、讨论、参考文献和附录。整体结构可理解为“上宽—中窄—下宽”的沙漏：引言从宏观现象逐步收窄到问题、假设和方法；方法与结果集中报告实际程序、数据和统计事实；讨论再回到宏观问题，说明发现、贡献、局限和未来方向。

• 摘要：交代重要性、研究目的、方法、发现和贡献，保持完整而凝练。
• 引言：可按 hook、背景与重要性、gap、goal 组织，区分可验证的现象描述与待检验的研究推测。
• 文献综述：既要“综”合已有研究，也要“述”评研究差异、质量、争议和不足。
• 方法：像菜谱一样写清样本、测量、操纵、流程、数据处理和分析策略，使他人能够理解、评估并尽可能复现。
• 结果：客观报告统计结果，明确假设是否得到支持，不提前替数据解释原因。
• 讨论：解释发现和未获支持的可能原因，说明理论与实践贡献，交代局限和未来方向。

课程还强调持续写作、保留修改痕迹、尽早获得反馈，以及在使用人工智能工具辅助研究时如实说明使用情况，不能把他人研究或模型改写成自己的成果。

AI 与产品经理应用

课程中的研究方法可以直接迁移到 AI 产品和管理决策，但迁移本身不等于已经证明某个产品方案有效。

把产品问题转化为研究问题

• 用描述性问题确认用户、组织或系统的真实状态，再用解释性问题追问原因和机制。
• 将“用户不喜欢某个 AI 功能”拆成可区分的构念，如感知有用性、面子损失、信任、抵制、满意度或使用意愿；避免用同义词把同一概念预测自身。
• 将宽泛的产品灵感聚焦到具体对象、场景、变量和可行数据来源，再决定采用问卷、实验、访谈或二手数据。

设计 AI 功能的测量与评估

• 构念到指标：AI 暴露度可以按任务拆分，编码人工智能无法完成、能够协助或能够显著提高效率的程度，再结合任务重要性形成指标；实际使用时仍需明确指标边界和计算规则。
• 主观与客观结合：AI 功能的接受、抵制和满意度可以用量表测量，也可以结合采纳率、拒绝操作、系统日志、使用频率和实际绩效等数据。
• 避免层次错配：个体反馈、团队氛围和组织政策应分别明确分析层次；需要聚合时说明聚合规则和一致性依据。
• 验证测量质量：同时检查量表的信度、聚合效度、区分效度和客观指标的效标关联，避免把稳定但失真的指标当作有效结论。

用实验检验产品干预

• 将默认选项、信息呈现方式、提示语或反馈机制作为可操纵因素，设置清晰的处理水平和对照条件。
• 用随机分配、保持非操纵因素一致和操纵检验提升内部效度；产品界面的微小变化也应明确测量的是态度、行为还是决策结果。
• 区分真实实验、准实验、现场实验和自然实验，按实际能否随机分配、能否操纵因素来表达因果强度。
• 关注实验真实性，保证被试理解任务并认真参与；对重要结果使用行为指标或多种来源进行交叉验证。

用定性与文本分析发现需求

• 通过半结构化访谈、观察和案例研究了解用户如何解释 AI 功能、为什么接受或抵制系统，以及行为如何在组织情境中形成。
• 用编码把访谈和反馈中的原始表达整理为概念、主题、机制和过程模型；在新构念研究中关注三角验证和理论饱和。
• 对评论、客服记录和公开文本进行词汇、主题或关系特征分析，但要人工解释主题含义，检查算法指标的效度和稳健性。

让数据结论可审计

产品分析应同时记录问题、样本、变量、数据清理、方法、统计结果、实际意义和局限。单时点、单来源问卷可能存在共同方法偏差；便利样本可能缺乏代表性；相关或回归结果不自动等于因果效应；统计显著也不自动等于产品价值。人工智能可以辅助整理和分析，但研究者仍需检查变量类型、缺失值、模型假设、输出含义和结论边界。

来源与日期覆盖

本页综合课程原始课堂笔记，不引入未在材料中出现的外部事实。

材料说明与局限

• 课程原始笔记主要依据课堂自动中文字幕整理。字幕存在同音词、英文术语、公式和数字识别错误，专业术语按课堂上下文及可核对材料进行整理。
• 部分课次同时参考图片型 PDF 或 ppt_images，但源课件未提供可直接提取的文本；无法从图片确认的作者、样本精确数字、统计细节和课堂口头信息没有补写。
• 页面中的携程远程办公、CDSS、在线情境实验、职场佛系、NASA、二手数据和文本分析等内容，是课堂用于说明研究逻辑的案例摘要，不替代原论文、原始数据或正式文献综述。
• 课程材料覆盖若干课堂节点，不等同于完整教学大纲。样本量、抽样、实验和统计检验的经验规则应结合具体研究问题、数据质量、伦理要求和领域规范判断。
• AI 工具可以辅助研究，但使用者应核对转写、变量、公式、统计输出和引用，并按学术诚信要求说明使用范围。

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用