范文丨经典二元元分析

上周已经说过，最近萜妹会边学习边分享一些元分析的文章。

萜妹作为一个连半只脚都没踏进门的小萌新，相比于有些前辈推荐的元分析实操建议类文章，我更想先看看元分析的模板。毕竟我还是觉得要先知道自己要做成什么样，才能有针对性的学习，大概类似于先搭框架，再去学细节性的东西。

所以这次介绍的文章是经典的元分析基础性模板，那我们开始吧~

整体介绍

Dulebohn, J. H., Bommer, W. H., Liden, R. C., Brouer, R. L., & Ferris, G. R. (2011). A MetaAnalysis of Antecedents and Consequences of Leader-Member Exchange. Journal of Management, 38(6),  1715-1759. 

摘要：

尽管领导成员交换关系在近40年前的文献中被发现，但目前尚未对其前因、后果进行全面的实证研究。本文作者的检验包含了247个研究和290个样本，涉及LMX质量的21个前因和16个后果。结果表明，虽然领导的行为和感知、追随者特征、人际关系特征和情境变量均属于LMX的前因，但领导变量对LMX的影响最大。调节变量的分析解释了特定的LMX量表、被试的国家、研究的工作环境对元分析中的关系并未产生有意义的影响。然而，权力距离和个人主义确实缓和了其中一些关系。为了使侧重于LMX后果的LMX元分析和概念综述具有连续性，本文检验了许多中介模型。结果表明，LMX经常在可以检验中介的关系中发挥中介作用。

Although leader-member exchange (LMX) was identified in the literature nearly 40 years ago, a comprehensive empirical examination of its antecedents and consequences has not been conducted. The authors’ examination included 247 studies, containing 290 samples, and 21 antecedents and 16 consequences of LMX quality. Results indicated that while leader behaviors and perceptions, follower characteristics, interpersonal relationship characteristics, and contextual variables represent significant groups of LMX antecedents, leader variables explained the most variance in LMX quality. Moderator analyses revealed that the particular LMX scale, country of participants, and work setting studied did not produce meaningful influences on the relationships in the meta-analysis. However, power distance and individualism did moderate some of these relationships. To provide continuity with the LMX meta-analyses and conceptual reviews that have focused on LMX consequences, the authors tested a number of mediation models. The results demonstrated that LMX frequently plays a mediating role in the relationships where mediation could be tested.

引言：

引言首先介绍了研究LMX是一个二元关系变量，其次分析了LMX元分析的意义以及现有的一些成果、不足，最后简要的提出了本文的理论模型。

模型假设：

作者首先介绍了LMX理论的发展：它起源于角色理论，但其发展依赖于社会交换理论。高、低LMX对应着社会交换与经济交换。

其次大致介绍了本研究的理论模型：具体来说，追随者特征、领导者特征(即行为、感知和个性)和人际关系变量会影响LMX的关系质量，并由情境变量调节。完成上述过程，LMX会造成后果。因此，该模型突出了本研究的主要目的，即通过调查对LMX前因后果的过往研究，检验LMX在前因后果之间的中介作用，以及检验在LMX前因和LMX之间关系的调节因素。

In Figure 1, we present the model of LMX antecedents and consequences that provides the theoretical framework for our meta-analysis. Specifically, follower characteristics, leader characteristics (i.e., behaviors, perceptions, and personality), and interpersonal relationship variables are shown to influence LMX relationship quality, as moderated by contextual variables. Completing the process, LMX results in consequences. Therefore, the model highlights the key purposes of this meta-analysis, which are to investigate cumulative research on the antecedents and consequences of LMX, test the mediating role of LMX between antecedents and consequences, and examine moderators of the relationships between LMX antecedents and LMX.

额外提及的是：对LMX文献回顾表明了以下几点。第一，许多相关因素和LMX均由追随者汇报，因此是由单一来源得出。第二，大部分LMX研究是横向的。因此，某些变量存在反向因果关系的可能性。本元分析的目标之一是根据理论考虑和文献中代表变量作用的证据优势，澄清变量作为前因或结果的作用。

Prior to our presentation of LMX antecedents and consequences, it needs to be pointed out that a review of the LMX literature indicates the following. First, a number of the correlates, and LMX, are reported by subordinates, and thus are derived from a single source. Second, the majority of LMX studies have been cross-sectional. Consequently, possibilities exist for reverse causality for some of the variables. One of the objectives of this meta-analysis is to provide clarification of the variables’ roles as either antecedents or consequences, based on theoretical considerations and the preponderance of evidence of their roles as represented in the literature.

接下来是对LMX前因的具体介绍，作者依据此提出了一些假设：

注：作者原文在提出假设时是使用Follower perceptions of LMX进行描述，翻译过来字数有点多不利于排版，所以萜妹接下来统一用LMX进行替代，小可爱们不要有误解哈。

• H1a：追随者的能力与LMX正相关；

• H1b：追随者的责任心、外向性、宜人性和开放性与LMX呈正相关，而神经质呈负相关；

• H1c：追随者的控制点和积极情绪与LMX正相关；

• H1d：追随者的消极情绪与LMX负相关；
  

• H2a：领导者权变奖励与LMX正相关；

• H2b：变革型领导与LMX正相关；

• H2c：领导者对追随者成功的期望与LMX正相关；

• H2d：领导者外向性和宜人性与LMX正相关；

• H3a：追随者感知相似性与LMX正相关；

• H3b：领导者的情感与喜好与LMX正相关；

• H3c：追随者逢迎和自我提升策略与LMX正相关；

• H3d：追随者自信策略与LMX负相关；

• H3e：领导者的信任与LMX正相关。

随后，作者对前因与LMX关系的调节变量进行了介绍，但可能因为后续检验时发现均不显著，所以这里并未单独以假设的方式提出。

最后是LMX的一些结果变量。

• H4a：LMX与工作绩效和组织公民行为的行为结果以及对监督、工作满意度和组织承诺的态度结果呈正相关；

• H4b：LMX与实际离职的行为结果、离职意图、角色模糊和角色冲突的角色状态负相关；

• H5a：LMX与情感承诺和规范承诺正相关；

• H5b：LMX与薪酬满意度正相关；

• H6a：LMX与程序正义和分配正义正相关；

• H6c：LMX与追随者对心理授权的看法正相关；

• H6d：LMX与对组织政治的看法负相关。

注：文献中没有假设6b，萜妹还是按原文写的。根据我结合上下文的理解，6a中的分配正义应该是实际的6b。

研究设计

文献检索和纳入标准：

作者使用了多种方法，对2010年以前的LMX文献进行了系统的基于计算机的搜索，包括搜索ABI/INFORM、Dissertation Abstracts、PsycINFO databases和Google Scholar。为了具有包容性，作者使用诸如领导成员交换(leader-member exchange)、LMX和垂直二元联系(vertical dyad linkage)等关键词进行了广泛的搜索。并通过对Gerstner和Day (1997)、Liden等人(1997)和Liden和Maslyn (1998)的参考文章的手动审查以及对所有确定文献的参考文章搜索来补充该搜索。作者排除了那些没有测量LMX的参考文献。此外，作者在主要的管理期刊上进行了手动搜索，并联系了在该领域积极开展研究的作者。

在元分析过程中确定判断调用的数量时，作者遵循了Aguinis等人(2011)的建议。因此，作者使用了几个决策规则来决定在后续分析中包括哪些研究。首先，没有前因或后果数据的研究，以及没有用公认的方法测量LMX的研究被排除在外。其次，要纳入的研究需要报告样本量以及足以计算LMX与前因或后果之间的相关系数或效应量的相关性或统计结果。在某些情况下，当文章没有报告数据时，本研究作者联系对应文献作者请求数据来计算效果量。

第三，排除了仅在群体层面上检验LMX的研究。第四，本研究重点是对LMX的从属看法，因为这与绝大多数文献一致(即，不到5%的研究只报告了主管报告的LMX)。第五，研究需要包含一个符合LMX理论模型的变量。这些筛选产生了247项研究，包含290个样本。

编码和样本特征：

每项研究都由第一作者和两名研究助理对前因变量和后果变量的类型、LMX、研究特征(即横断面或纵向)、样本特征和变量来源(即领导者或追随者)进行了审查和独立编码。研究变量间的平均一致率为94%。在评分者之间存在差异的情况下，遵循Podsakoff等人(2006)使用的方法，三个编码者之间的讨论被用来达成共识。每项实证研究的样本量被记录为用于计算相关系数的观察次数。

样本特征包括以下内容。……

注：后续就是描述了这些研究的行业、国籍、是否是横断数据等等。萜妹就不一一翻译了。

元分析程序：

我们使用Hunter和Schmidt (1990) 推荐的元分析程序来计算LMX和前因变量及后果变量之间的总体相关性。为了提供最准确的估计，对加权平均相关性及其方差进行了校正，以进行测量和抽样误差。作者没有试图纠正范围的限制。此外，对于那些有多个焦点结构指标的少数研究，作者使用了线性相关的组合(Viswesvaran & Ones，1995)。除了报告平均真实得分相关性，在元分析中描述相关性的可变性也很重要。因此，作者在估计的总体相关性周围报告了80%的可信区间和95%的置信区间，因为每个区间都提供了关于相关性性质的不同信息 (Judge & Piccolo, 2004)。

注：这段翻译小可爱们凑合看，萜妹对部分专业名词的翻译没有十足把握。

结果

前因的检验：

在评估对LMX的感知与其前因之间的假设关系前，作者先简要讨论了对LMX的感知与表1所示变量之间的关系。在综合层面上，显然评估的变量与LMX具有实质性关系。具体而言，在21个变量中的19变量与LMX的关系是显著的(即95%置信区间不包含0)。此外，所有关系的绝对大小的简单平均值为0.33。因此，平均来说，被评估的变量与LMX分享了11%的方差。

注：萜妹对着表1看了下，显著的只有18个。

为了检验这三个假设及其子假设，作者详细讨论了表1。首先，对每种类别中的关系强度进行总体陈述(例如，追随者特征、领导者特征和人际关系特征)，然后评估特定的假设关系。

追随者特征。平均而言，追随者特征和对LMX的感知的相关程度为0.20。因为追随者能力和LMX的（r=0.38）关系显著，假设1a得到证实。接下来，假设1b假定不同大五人格维度与LMX有关。整体而言，这些大五人格维度与LMX的平均相关性为0.14。从五个维度来看，宜人性(r =0.19)、责任心(r =0.20)和外向性(r =0.16)与假设1b一致，而LMX与情绪稳定性和开放性之间的关系与零无区别。……

后续差不多都一样，就是描述各变量与LMX间的关系。如果置信区间包含0，说明关系不显著，可以不汇报相关性；如果置信区间不包含0，则在描述二者关系显著时，注明相关性。

调节的检验

在检验了LMX及其假设的前因之间的关系后，作者检验了数据结果以确定所获得的关系在本质上是否同质，或者是否需要进行任何其他分析以确定这些关系之间的差异来源。表1中报告的Q统计数据表明，前因和LMX间的关系中的绝大多数（21个中的17个，即81％）在样本中有所不同。这表明调节变量可能存在。因此，在分析的下一阶段，作者研究了这些研究中某些潜在的重要差异可能产生的调节作用：（a）使用的LMX量表；（b）研究的工作环境；以及（c ）被试所在地的文化特征。

考虑到对LMX测量的广泛批评，令人惊讶的是，调节分析的结果没有揭示所使用的量表具有调节作用（结果可从作者那里获得）。作者研究的量表类别是……（一堆LMX的量表，此处不展开）没有显示出统计学上的显著差异。……（另外两个假定的调节变量的结果也显示不存在调节作用，不展开）

作为对调节效应的额外检验，作者将Hofstede (2001)的文化维度作为可能的调节变量，进一步分析被试的位置。更具体的说，作者检验了是否个人主义、权力距离的高或低的国家在LMX及其前因间具有不同关系。作者只能在少数变量中进行此分析，因为大多数LMX的研究是在与美国文化维度相似的国家（如加拿大、英国、澳大利亚）进行的。然而领导者的信任和变革领导者中有足够的样本支持这样的分析。

分析结果表明，信任和LMX之间的关系因个人主义的高低而异。更具体地说，当个人主义低时的关系(r = .53)比个人主义高时(r = .77)弱，并且置信区间不重叠。……

因此，作者进行的调节分析的结果表明，仅存在很少的潜在调节变量(例如，只有权力距离和个人主义调节了领导者信任和LMX之间的关系)解释了关系中的显著差异，并且这些差异不会导致实际差异(例如，两种情况下都显著正相关，因此实践建议不会改变)。因此，尽管元分析结果表明存在显著差异，但作者无法在寻找调节变量的后续分析中解释其中的大部分差异。

结果的检验：

首先，与以前进行的元分析一致，作者发现LMX与所有检验的结果显著相关。……（后续是对表2的进行的总体性描述，很好懂，不展开）……（接下来是对每个假设的检验，和前因部分也挺像的，我就不重复了）

萜妹这里额外想提一些自己的想法。作者把结果部分的假设分为这三个很有逻辑。假设4检验的都是前人已经检验的部分；假设5检验的是以前元分析中未探讨过的态度变量，就在同一个大类下，但是新的小类；而假设6则是探讨一个新的系列（即知觉）与LMX的关系。感觉是值得后续写作时借鉴的部分。

中介的检验

在确定了LMX的前因和结果后，作者将重点转移到了探索LMX是否在本研究中所包含的前因和结果之间起着关键的中介作用。因为可能的中介关系的数量非常大(即21个前因乘以16个后果为336个)，作者让表1中给出的结果来指导搜索。更具体地说，作者试图追踪与LMX有至少0.30(即调节效应量的Cohen标准)相关性的前因。作者推断，前因和LMX之间的弱关系意味着所讨论的前因不是LMX的中心预测因子，并且LMX不会在涉及此类前因的任何关系中扮演重要的中介角色，因为当前因和LMX之间存在小的影响时，不太可能存在显著的间接影响。这一步从考虑中去除了12个前因(即，留下9个前因)。

对于剩下的9个前因，作者搜索了大量包含本研究中感兴趣变量的元分析。Viswesvaran和Ones(1995)指出，通常在特定的初步研究中并没有包括理论指定的所有关系，并且元分析和结构方程式可以结合起来检验特定的理论，其中包括来自不同研究的结构。例如，一项研究可能专注于LMX和前因（如，权变奖励行为），另一项研究可能专注于LMX和特定后果（如，工作满意度）。使用元分析和结构方程式可以估算前因，LMX和后果之间关系的真实分数相关性。

更具体地说，从作者的分析中，作者能够提供LMX和前因后果之间的相关性。随后，作者需要获得前因和结果之间的相关值。……（后面汇报从哪些元分析文献中得到了想要的结果变量与前因变量的相关性，不展开）

当作者获得了这些关系，作者就遵循伊利斯等人(2007)使用的方法来检验LMX的中介作用。更具体地说，为了检验中介，作者首先做结果变量对自变量的回归。这些关系是从上述元分析中获得的。第二步，作者做中介变量(即LMX)对自变量的回归(这些值可以在表1中看到)。检验的最后一步是证明自变量对结果的直接影响随着中介(即LMX)的加入而降低。因此，在最后一步，作者进行了一系列回归，在这些回归中，作者同时对中介变量与自变量进行了回归，见表3。

接下来是对表3的具体描述，不展开。

啦啦啦，这篇文献的介绍就到这里啦。萜妹依旧不翻译讨论部分。毕竟每篇文章的讨论部分都是紧紧和它研究主题相关的，而且萜妹一直觉得讨论部分很考验写作功底，翻起来也不能太随便，所以就此打住吧，哈哈哈。

再说说这篇文献，萜妹感觉我还是大致把这篇文献讲清楚了。虽然操作部分，并不是每个系数都确切的知道如何得到，但是好歹在理论层面知道元分析的结果应该有哪些啦。

不过这一篇，毕竟是比较经典、也稍微简单的范文。想要紧跟上元分析现在的发展，光看它肯定不够，所以下周我们继续看元分析吧。

那小可爱们，下周见~

最后，送小可爱们一个迟来的双节祝福，假期快乐哦~

往期推送