Common method bias (CMB / CMV)
Common method bias (CMB), czyli common method variance, to sztuczna kowariancja powstająca, gdy ci sami respondenci odpowiadają na wszystkie pytania tą samą metodą w tym samym czasie. Może zawyżać lub zaniżać korelacje między konstruktami. Test jednego czynnika Harmana sygnalizuje problem, gdy jeden czynnik wyjaśnia 50% wariancji lub więcej, ale test jest słaby i nie powinien być jedynym dowodem. Silniejsze kontrole modelują wariancję metody bezpośrednio: common latent factor (ULMC) lub, najlepiej, zmierzona zmienna markerowa.
Ta strona jest tłumaczeniem zrecenzowanego angielskiego oryginału. Zobacz oryginał (EN)
common method biasCzym jest
Common method bias (CMB), czyli common method variance, to sztuczna kowariancja, która może powstać, gdy ci sami respondenci odpowiadają na wszystkie Twoje pytania tą samą metodą w tym samym czasie. Może zawyżać lub zaniżać korelacje między konstruktami i zagrażać trafności Twoich wniosków. Bronisz się przed tym najpierw przez plan badania — różne skale, kotwice, źródła i czas — a następnie skanujesz pod jego kątem statystycznie. Test jednego czynnika Harmana to najczęściej cytowany skan, ale najsłabszy: rzadko wykrywa obciążenie i nie powinien być traktowany jako dowód. Mocniejsze opcje modelują wariancję metody bezpośrednio — niemierzalny latentny konstrukt metody (podejście common latent factor / ULMC) lub, najlepiej, zmierzona zmienna markerowa teoretycznie niezwiązana z Twoimi konstruktami (Podsakoff et al., 2003; 2024).
Kiedy stosować
- Wszystkie Twoje dane pochodzą od tych samych respondentów z jednej ankiety samoopisowej.
- Twój predyktor i wynik są mierzone tą samą metodą w tym samym czasie.
- Recenzent poprosił Cię, byś zaadresował common method bias.
- Chcesz dowodu statystycznego uzupełniającego środki proceduralne.
Kiedy nie stosować
- Twój predyktor i wynik pochodzą z różnych źródeł lub czasów — ryzyko jest już niskie z założenia.
- Masz tylko miary obiektywne lub behawioralne, a nie samoopisowe.
Założenia
- Zbiór danych samoopisowych, w którym wariancja metody jest prawdopodobna.
- Wystarczająco wiele wskaźników do dopasowania modelu pomiarowego (dla podejścia CLF).
- Środki proceduralne rozważono najpierw — skany statystyczne są uzupełnieniem, a nie lekarstwem.
Progi i wartości graniczne
| Criterion | Rule of thumb | Source |
|---|---|---|
| Test jednego czynnika Harmana | Pojedynczy czynnik wyjaśniający < 50% wariancji jest uspokajający, ale test jest słaby — nie polegaj na nim samym | Podsakoff et al. (2003; 2024) |
| Common latent factor (CLF / ULMC) | Porównaj ładunki z niemierzalnym latentnym czynnikiem metody i bez niego; duże przesunięcia sygnalizują obciążenie | Podsakoff et al. (2003; https://doi.org/10.1037/0021-9010.88.5.879) |
| Technika zmiennej markerowej | Użyj teoretycznie niezwiązanego markera, by wyodrębnić wariancję metody (preferowana kontrola statystyczna) | Lindell & Whitney (2001); Podsakoff et al. (2024) |
Jak raportować w APA
Common method bias oceniono najpierw testem jednego czynnika Harmana jako wstępnym sprawdzeniem; pierwszy czynnik wyjaśniał XX% wariancji, poniżej progu 50%. Ponieważ ten test nie jest rozstrzygający, do modelu pomiarowego dodano następnie common latent factor, a standaryzowane ładunki przesunęły się o mniej niż .XX, co wskazuje, że common method bias raczej nie zagraża wynikom (Podsakoff et al., 2003).
Jak liczy to Explonia
Explonia skanuje pod kątem common method bias w przeglądarce na danych, które zbierasz lub wgrywasz. Uruchamia test jednego czynnika Harmana i raportuje wariancję wyjaśnioną przez pierwszy czynnik oraz może dodać common latent factor do Twojego modelu pomiarowego, by porównać ładunki z nim i bez niego. Wyniki przygotowują „Article description” w stylu APA do przejrzenia i edycji. Ponieważ CFA, rzetelność i HTMT występują obok, możesz przedstawić dowody trafności i obciążenia metodą razem. Eksport do SPSS (.sav) i R jest dostępny w płatnych planach.
Najczęściej zadawane pytania
Czy test jednego czynnika Harmana wystarcza dla common method bias?
Nie. Test jednego czynnika Harmana jest powszechnie uznawany za niewystarczający — ma niską moc wykrywania obciążenia i jest co najwyżej minimum, a nie dowodem. Połącz go ze środkami proceduralnymi i mocniejszą kontrolą statystyczną, taką jak common latent factor (ULMC) lub, najlepiej, zmierzona zmienna markerowa (Podsakoff et al., 2003; 2024).
Co robi podejście common latent factor (CLF)?
Dodaje latentny czynnik połączony z każdym wskaźnikiem i porównuje ładunki z nim i bez niego. Małe zmiany sugerują, że obciążenie metodą jest ograniczone; duże zmiany sugerują, że to problem.
Jak zapobiec common method bias przed analizą?
Najbardziej pomaga plan badania: rozdziel predyktor i wynik źródłem lub czasem, różnicuj kotwice skal, chroń anonimowość i formułuj pozycje jasno. Skany statystyczne przychodzą po tych środkach proceduralnych.
Ile wariancji z jednego czynnika to za dużo?
W teście Harmana pojedynczy czynnik wyjaśniający 50% wariancji lub więcej to typowy sygnał ostrzegawczy (Podsakoff et al., 2003). Poniżej tego jest uspokajające, ale samo w sobie nierozstrzygające.
Last updated: wrzesień 2026
Policz CMB na własnych danych
Zbierz lub wgraj swoje dane, wykonaj analizę w przeglądarce i uzyskaj gotowy akapit APA, który możesz edytować. Start za darmo. Bez karty.
Zacznij za darmo