同源主观数据是否膨胀了变量间的相关性——以战略人力资源管理研究为例

研究变量之间的相关性是现代管理学实证研究的基本范式。然而,变量之间统计上的相关性极易受到变量的测量方法和数据类型的影响。特别是,基于同源数据的实证研究会夸大变量间的相关程度甚至带来虚假相关,这已经给管理学实证研究带来了严峻挑战。不幸的是,目前仍有大量的实证研究都在使用同源主观数据。本文以人力资源管理和企业绩效的关系为例,检验了在同一样本中,对变量的不同测量和数据类型如何导致变量间相关性结论的差异。结果显示,当自变量和因变量是"同源主观数据"时,自变量和因变量之间的相关程度最高;当自变量和因变量是"非同源主观数据"时,相关程度有所下降;当自变量采用主观数据,而因变量采用客观数据时,这种相关没有达到显著性。本文的研究例子表明,在管理学实证研究中一定要谨慎使用同源的主观测量数据。

自相关问题检验和参数估计方法研究

随机误差项的自相关是计量经济学模型中普遍存在的问题,本文首先分析了自相关的影响和产生原因;其次介绍了虚假自相关和真实自相关的检验方法,分析了各种方法的应用条件、注意事项和优、缺点;然后介绍了存在自相关时,应采用的模型参数估计方法-广义最小二乘法;最后,对自相关问题的检验方法进行总结,指出了它的发展方向．

STCTN:一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法

从时空数据中有效地提取特征表示是时空数据挖掘的基础.现有时空表示学习方法过于关注时空序列中的统计相关性,易受虚假相关性的影响,难以提取无偏、鲁棒的特征表示.本文基于结构因果模型建模时空数据的生成过程,分析观测数据中虚假相关性的成因,提出了一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法.首先基于后门调整消除时域的虚假相关性,然后构建因果传递网络消除空域的虚假相关性,最后利用下游特征解码器将因果特征表示应用于下游任务中.在两个真实数据集上的实验表明,本文所提时空表示学习方法有效避免了虚假相关性的干扰,增强了模型的稳定性,使其在两个下游预测任务中对数据稀疏节点的预测误差分别降低了3%和10%.

生成模型研究综述

生成模型是机器学习中一类重要的模型,它们通过学习数据中的统计规律,能够生成具有相似特征的新样本。然而,传统生成模型对于因果关系的建模能力较弱。随着机器学习领域的发展,越来越多的研究者试图从因果关系中分离出可能的虚假相关性,基于因果推断的生成模型在这一背景下值得被研究。现通过对生成模型、因果生成模型的研究进展做出阐述,介绍其特点及代表性方法。相比之下,因果生成模型展现出了较优的性能和较好的可解释性。

埋伏营销中的传播心理效应解析

2012年伦敦奥运会NIKE公司再次成功地以"活出你的伟大"进行了埋伏营销",伏击"官方赞助商Adidas。大型体育事件中,埋伏营销与赞助营销的竞争依旧存在,在一个个例子中,从传播心理学的角度分析他们成功的原因,分析埋伏营销的空间和新特点并讨论其中面临的道德与法律质询。

统计谬误及其避免

统计是一种数量分析的方法,其主要功能是收集和分析有关数据,从而对一定现象作出估算,以发现规律性。统计方法涉及诸多计算和技术方面的内容,这归数理学科所研究。同时,它也包含着逻辑问题,它有从特殊上升到普遍的基本特征,类似逻辑中的归纳方法。所以,在逻辑学的领域里。