很多做问卷研究的朋友看到审稿意见里写着“建议检验共同方法偏差”，第一反应往往是去搜“共同方法偏差怎么检验”，搜到“Amos潜在误差变量控制法”之后，又会被“偏差平方和”这个统计名词卡住。这两个问题表面上不在一起，其实关系非常紧密：偏差平方和说明的是数据里的变异从哪来、怎么拆，共同方法偏差关心的是变量之间那部分共享变异里，有多少根本不是来自真实特质，而是来自测量方法本身。想用Amos把潜在误差变量控制法跑明白，必须先理解“方差分解”这个底层逻辑。
这篇文章我会先把偏差平方和讲透，再讲共同方法偏差为什么需要在模型里额外塞一个“方法因子”，最后给出Amos从画图、设约束到跑结果、写报告的全流程。适合正在做毕业论文、准备投稿，或者第一次被审稿人要求做CMB检验的同学参考。我会把我实际跑数据时踩过的坑也一起放进来，少走弯路。
1. 偏差平方和到底在说什么
1.1 一个数字例子看懂“平方和”
先别急着打开Amos，我们先用一个最简单的例子理解“偏差平方和”。假设你要比较三种排班方式下员工的日均任务完成量，每组三个人：
- A组：2、3、4
- B组：3、4、5
- C组：4、5、6
九个数字的总平均值是4。把每个数字和4相减，得到离差：-2、-1、0、-1、0、1、0、1、2。这些离差全部平方再相加，得到的就是总偏差平方和，记为SST。算出来是12。
总偏差平方和还能继续拆。第一种拆法是把“各组均值之间的差异”单独拎出来：A组均值3，B组均值4，C组均值5，它们和总均值4的离差分别是-1、0、1，平方后乘以每组人数3，得到组间平方和SSB=6。第二种拆法是看“组内个体围绕本组均值的波动”，三组内部的离差平方和分别是2、2、2，加起来组内平方和SSW=6。
于是就有最核心的等式：SST = SSB + SSW。这个式子看起来只是算术，但它背后的统计学含义非常深：一组数据的总变异，可以拆成“由分组造成的差异”和“随机误差造成的差异”两个来源。方差分析本质就是在比较这两个来源谁更大：用组间均方除以组内均方得到F值，如果组间差异显著大于组内随机波动，就说明分组确实有作用。
1.2 平方和在方差分析和回归里的角色
回归分析里也存在同样的分解逻辑。因变量y的离差平方和SST可以被拆成“回归可以解释的部分”SSR和“回归无法解释的残差部分”SSE。判定系数R²就是SSR除以SST，它的含义是：在y的总变异里，自变量能解释掉多大比例。
这就是“偏差平方和说明什么”最简练的答案：它说明数据里到底有多少变异、变异来自哪些来源、某个来源占了多少比例。没有平方和的分解，就没有方差分析中的F检验，也没有回归里的R²，更没有结构方程模型里的方差协方差比较。
在Amos这类结构方程模型软件里，平方和的思路被进一步扩展了。模型估计在核心上比较的是“样本协方差矩阵”和“模型预测的协方差矩阵”之间有多大偏差。卡方值、RMSEA、SRMR这些拟合指标，本质上都是围绕“模型剩下多少偏差没有解释掉”来计算的。所以如果你不理解偏差平方和，就很难看懂Amos输出的那些拟合指数为什么重要。
1.3 为什么研究共同方法偏差前要先把平方和想清楚
共同方法偏差这个概念，往根上说，就是一个“方差来源归属”的问题。问卷研究中，两个潜变量之所以相关，可能有三个来源：
- 两个构念在理论上本来就相关；
- 数据采集时用了同一个问卷、同一批被试、同一个时间点，导致方法上的共同变异被算进了构念相关里；
- 纯随机误差。
如果没有“方差分解”的思维，你很容易把所有共享变异都当成真实关系。潜在误差变量控制法做的事，就是在模型里增加一个公共因子，专门负责“吸收”第二个来源的变异，再看真实构念之间的路径系数还剩多少。这个思路和方差分析里“把总变异拆成组间和组内”如出一辙，只不过拆的对象从“组”换成了“方法因子”。
所以，标题里“偏差平方和”和“共同方法偏差”不是两个无关的知识点，前者是理解后者的钥匙。
2. 共同方法偏差：那点“共享变异”到底从哪来
2.1 什么是共同方法偏差
共同方法偏差，英文叫Common Method Bias，简称CMB，指的是“由于测量方法而不是所测构念本身导致的系统性变异”。这里有一个关键词：系统性。随机误差虽然也干扰数据，但它不会让两个变量稳定地相关；共同方法偏差不同，它会规律性地夸大或削弱变量之间的关系。
最常见的场景是单波次问卷研究。一个人在同一时间、同一份问卷里，先填了自变量“工作满意度”，又填了因变量“离职意愿”。他当天心情很差，可能把所有题都往消极方向打分；他当天心情很好，又可能所有题都偏积极。于是工作满意度和离职意愿之间的相关就不只来自真实联系，还来自“当天情绪”这个共同方法源。
这种偏差造成的后果可大可小。它可能让两个本来不相关的构念显著相关，也可能掩盖真实存在的相关。很多研究者觉得“只要显著就行”，但如果你不能说服审稿人这个“显著”不是测量方法带来的，结论就站不住。
2.2 它从哪里来，会怎样干扰结论
共同方法偏差的来源通常可以归成三类，你可以对照自己的问卷设计自查：
- 测量工具本身的特征：题项措辞含糊、所有题都用同一套正向计分方式、题干中包含太多线索词，都会引导被试按同一模式作答。
- 评分者的内部状态：情绪、社会赞许倾向、一致性动机——被试不愿意显得自相矛盾，于是会把同类题目填得很接近。
- 测量情境：同一时间、同一场所、匿名性不够，都可能放大系统性变异。
在实际操作中，不用把所有来源都识别出来；你需要做的是向审稿人证明：“即使存在共同方法偏差，它的影响也没有大到改变我的核心结论。”
2.3 审稿人常要的检验方法对比
处理共同方法偏差的策略大体分成“程序控制”和“统计检验”。程序控制是在问卷收集阶段预防，比如匿名填写、时间错开、多源数据；统计检验是在数据拿到之后做诊断或补救。这里只列几种最常见的统计策略。
| 策略 | 基本思路 | 优点 | 缺点 |
|---|---|---|---|
| Harman单因素检验 | 所有题项放一起做EFA，看未旋转的第一个因子解释率是否低于40% | 操作简单、SPSS几秒钟出结果 | 过于宽松又过于严苛，学界认可度越来越低 |
| 单因子CFA比较 | 将所有题项负荷在一个公共因子上，看模型拟合是否很差 | 比Harman正式一些 | 只能提供间接证据，不能排除CMB |
| 潜在误差变量控制法 | 在结构方程模型中加入一个方法因子，吸收共同变异 | 能量化方法变异的影响，可以直接观察路径系数变化 | 需要样本量、模型约束，操作稍复杂 |
| 标记变量法 | 在问卷中放一个理论上与核心构念无关的“标记变量” | 控制更精细 | 很难提前放好合适的标记变量 |
如果你的场景是“数据已经收完，没有多来源、没有时间隔开，只能用统计手段回应审稿人”，那潜在误差变量控制法是比较好的选择。但要注意，它是对模型的后期修正，不是万能药；如果程序上完全没有控制，审稿人也可能不买账。
3. 潜在误差变量控制法的原理
3.1 模型里加一个“方法因子”
潜在误差变量控制法，英文是Unmeasured Latent Method Construct，常被简写为ULMC。名字很长，但思路很短：在结构方程模型里额外加一个潜变量，让它指向所有测量题项。这个潜变量没有理论含义，只负责“收留”所有题目共享的、不属于真实构念的变异。
可以用一个公式帮助理解。对于一个题项xᵢ，我们可以把它的得分拆成三部分：
- 特质因子的贡献，这是我们真正关心的构念；
- 方法因子的贡献，这是共同方法偏差的来源；
- 随机误差。
加方法因子之后，模型在估计“工作满意度影响离职意愿”这条路径时，会先把所有题项里被方法因子解释掉的共同变异拿出来，剩下的部分才用来估计真实路径。如果路径系数在加入方法因子前后变化不大，说明共同方法偏差没有很严重；如果路径从显著变成不显著，或者系数掉了非常多，说明之前的显著相关很可能有水分。
用“垃圾桶”来类比可能更容易记住。方法因子像一个专门装公共垃圾的垃圾桶，把所有题项里“来自问卷形式的共同杂质”统一倒进去。倒完之后再看构念之间的关系，相对干净一些。
3.2 为什么必须做约束
很多第一次用Amos跑ULMC的同学，会在第一步就卡住：画好模型之后，软件报错、不给估计结果。绝大多数原因是模型识别不足。
结构方程模型本质是用样本协方差提供的信息去估计参数。方法因子本身没有对应的实测指标——它不是问卷里的一个维度，所以必须靠约束条件才能从数学上把它“抓”出来。最常见的三种识别策略：
- 让方法因子到所有题项的载荷相等，设置同一个参数名；
- 让其中至少两个题项的方法载荷相等；
- 固定方法因子的方差为1，同时估计至少两个载荷。
我建议新手优先用第1种，也就是在Amos里把所有方法因子的载荷命名为同一个参数。它容易理解、不容易出错，论文里也解释得清。
还要注意，方法因子和特质因子之间理论上应设为正交，也就是不相关。实际操作中，只要不在Amos里给方法因子和别的潜变量画双箭头，它就被默认为不相关。这个默认设定对ULMC来说是正确的。
3.3 方法有边界——设计上预防更根本
必须冷静地说一句：ULMC不是灵丹妙药。它只能从统计上“吸收”一部分共同变异，不能做到像实验设计那样干净地控制一切。而且如果方法因子与特质因子在处理上被强制不相关，而实际数据里二者相关不为零，也可能造成过度校正或校正不足。
更关键的是，审稿人今天已经不会只看“是否做了ULMC”。他们更关心你有没有在数据采集阶段就采用程序控制，比如匿名作答、副题随机排序、时间滞后、配对数据。所以我的建议是：ULMC可以作为对已收数据的一个补救和交代，但下次设计问卷时优先从源头阻断共同方法偏差。
4. AMOS操作全流程
4.1 准备数据与前置检查
在打开Amos之前，先把数据准备好。以最常见的三变量模型为例：自变量X、中介变量M、因变量Y，每个变量有3到4个题项。数据文件建议用SPSS保存成.sav格式，变量名不要有中文，不要有空值，每一列用简短的英文命名，比如x1、x2、x3、m1、m2、m3、y1、y2、y3。
这里有一个新手特别容易踩的坑：不要拿“总分”或“均值”去跑ULMC。潜在误差变量控制法需要题项级别的信息，因为只有多个题项的共享变异才能被方法因子吸收。如果你已经提前把条目打包成总分，方法因子就没有着力点，模型很难估计。
另外，样本量要留够。结构方程模型的样本经验门槛是“每个自由参数至少配10个样本”，而ULMC因为多了一个方法因子和一堆载荷，自由参数会比普通CFA多不少，所以样本量最好在200以上。如果你的样本只有80人，我建议改用更简单的检验方法，别硬跑ULMC，结果不会稳定。
4.2 搭基准测量模型
第一步不是加方法因子，而是先跑一个不加方法因子的基准模型。原因很简单：你得先知道“不加控制时模型长什么样”，才能比较“加了控制后变化有多大”。
具体操作：
- 打开Amos Graphics，左侧工具栏选择画潜变量的图标，在空白画布上依次画出三个椭圆，分别命名为X、M、Y。
- 选中一个潜变量，用工具栏里的“Indicators”功能为它指定测量题项。在弹出的数据变量列表里，把x1、x2、x3选给X，把m1、m2、m3选给M，把y1、y2、y3选给Y。
- 用“Draw Covariance”工具在X、M、Y之间画两两相关的双箭头。注意潜变量之间如果要有相关，必须手动画线。
- 固定每个潜变量第一个题项的载荷为1。选中路径后右键打开Object Properties，在参数设置中的Regression weight栏里输入1。这一步是为了给潜变量定义尺度，否则模型无法识别。
- 点击“Select Data File”加载.sav数据，点击“Calculate Estimates”运行模型。
- 点击“View Text”查看输出，记录卡方值χ²、自由度df、CFI、RMSEA、SRMR，以及X到Y的路径估计值。
跑基准模型之前，最好先确认测量模型拟合合格。如果基准CFA本身就是一塌糊涂，那加不加方法因子都没有意义。
4.3 加入方法因子并设置载荷约束
确认基准模型能顺利收敛后，把文件另存一份，开始加方法因子。
- 复制一份当前文件，保存为“ULMC模型”，不要直接在原文件上改，方便回退。
- 在画布上再画一个椭圆，命名为Method。
- 用“Draw Path”工具，从Method指向所有观察变量x1、x2、x3、m1、m2、m3、y1、y2、y3。注意是指向矩形，不是指向潜变量。
- 最关键的一步：把所有Method到题项的路径载荷设相等。双击其中一条从Method到题项的路径，在参数名称里输入一个相同的名字，比如b1，然后对其余所有Method路径都设置成b1。这样Amos就会把它们当作同一个参数来估计。
- 不画Method到X、M、Y之间的相关箭头，保持正交。
- 特质因子到题项的载荷固定规则与基准模型保持一致，也就是每个潜变量的第一个题项载荷为1。
- 再次加载数据，点击运行。
如果出现“模型无法识别”的提示，优先检查两件事：一是特质因子是否每个都有固定载荷1的题项；二是方法因子的所有载荷是否真的用同一个参数名。绝大多数识别问题都出在这两个地方。
4.4 运行与结果解读
跑完后，把两个模型的输出放在一起对比。主要看三点。
第一，看模型拟合改善。比较χ²的变化：Δχ² = 基准模型的χ² − 方法模型的χ²，Δdf = 基准模型的df − 方法模型的df。如果Δχ²在对应自由度下显著，说明加入方法因子后模型拟合明显变好，也就是“数据里确实存在可被公共方法因子解释的变异”。这里的Δχ²差异检验要查卡方临界值表，不要只看χ²大不大。
第二，看方法因子本身的载荷。如果Method到各题项的标准化载荷整体偏小、不显著，说明共同方法偏差不明显；如果载荷较大且显著，说明存在一定的方法变异。
第三，也是最关键的，看核心路径的变化。以X到Y的路径为例，比较基准模型和方法模型里的标准化回归系数。我的经验标准是：如果路径系数变化不超过0.1，且显著性没有发生反转，那就不太担心共同方法偏差会推翻你的结论；如果系数原本显著、加了方法因子后失掉显著性，或者系数直接缩水一大截，那结论就要谨慎陈述了。
报告里可以这样写：为检验共同方法偏差的影响，采用潜在误差变量控制法，在结构方程模型中加入一个由全部测量题项指向的方法因子，并对其载荷进行相等约束。结果表明，加入方法因子后模型拟合改善不显著，方法因子载荷均值较低，关键路径系数变化小于0.1，说明共同方法偏差对本研究结论的干扰有限。
4.5 自己要不要再做一个模型比较
有的教材会建议你用Amos里的嵌套模型比较功能，也就是在同一个Amos文件里设置两个模型，一次性估计并自动给出Δχ²。这个功能存在，但对新手来说，分开运行两个文件再手动计算反而更清晰，也不容易因为模型设定冲突而出错。等你熟悉ULMC之后，再用管理模型功能提高效率也不迟。
5. 常见问题、避坑与自查清单
5.1 常见报错与解决办法
| 现象 | 可能原因 | 处理方式 |
|---|---|---|
| 模型不收敛，无法估计 | 样本量不足，题项过多，方法约束设置错误 | 增加样本；减少题项；检查方法因子载荷是否同一参数名 |
| 出现负的误差方差，标准化估计超过1 | Heywood case，数据异常或模型设定问题 | 检查相关矩阵是否有极端值；尝试固定该误差方差为0.01；重新审查数据缺失 |
| 协方差矩阵非正定 | 缺失值较多，或变量间共线性过高 | 先在SPSS里处理缺失值；检查题目间相关是否接近0.99 |
| 方法因子载荷全部不显著 | 共同方法偏差本身不明显 | 这是可以接受的结果，如实报告即可，不要为了显著去删题项 |
| 模型卡方很大，拟合很差 | 基准测量模型本身不成立 | 回头检查题项是否归属正确，先修好测量模型再说 |
5.2 审稿视角：你的报告要交代什么
如果你是投稿报告，我的建议是至少在正文或附录里交代四点：数据收集方式是否有程序控制；是否先检验了测量模型；是否报告了基准模型和方法模型的拟合指标对比；是否报告了加入方法因子后核心路径系数的变化。只贴一个“我做了ULMC”是不足以说服审稿人的。
尤其需要注意的是，不要把ULMC的结果当成“绝对干净”的证据。我见过一些同学，看到方法因子不显著就欢呼“没有共同方法偏差”，然后用普通模型继续分析，这其实是可以的，但前提是你的程序控制也做得说得过去。反过来，如果ULMC显示存在明显的方法效应，你也不能只承认“有偏见”就完事，最好进一步说明结论的稳健性，或者换个分析策略。
5.3 后续还能怎样扩展
这个内容后续还可以往两个方向延伸。一个是用多波次数据配合ULMC做更严格的控制，比如用时间延后的交叉滞后模型，从设计角度证明结论稳定；另一个是用贝叶斯结构方程模型做稳健性检验，Bayesian方法对样本量和小模型收敛问题更宽容。如果你正在做一篇实证论文，ULMC只是其中一环，但弄清偏差平方和、方差分解、方法因子这些底层概念，会让你在回复审稿人时更有底气。
5.4 实操自查清单
防呆清单随时可以拿来对照：
- 数据文件是否为.sav格式，变量是否全部英文命名；
- 是否提前处理缺失值；
- 是否先跑不含方法因子的基准模型；
- 每个特质因子第一个题项载荷是否固定为1；
- 方法因子是否指向所有题项；
- 所有方法因子载荷是否使用同一个参数名；
- 方法因子与特质因子之间是否保持不相关；
- 是否保存了基准模型文件，方便回退；
- 结果是否同时报告拟合变化和路径系数变化。
最后说点我自己的习惯。我在提交报告前，一定会先把三个潜变量之间的简单相关矩阵放在桌面上看一遍。如果所有变量相关都高到异常，就算ULMC结果再好看，我也要先回去检查量表本身；如果一个变量和其他所有变量的相关普遍低于0.3，那么共同方法偏差通常也不会是主要问题。另一个经验是，Amos的模型图每次改动后都单独保存一个带日期的文件。加方法因子、设载荷约束这两个动作非常容易改错，改错之后想看之前是什么状态，没有备份真的会崩溃。统计控制是手段，不是终点；数据是不是可信，最终仍然要看你在研究设计阶段有没有把好关。
