问卷量表：信度、结构与回归

已完成一套完全虚构、可复现的180份员工问卷管理学分析演示，包含：

• 两个多题项预测量表：管理支持 LS、心理赋能 PE
• 一个结果变量：工作投入 WE
• 基本控制变量：年龄、任职年限、性别、教育程度
• 反向题处理
• 缺失值检查与演示性均值填补
• Cronbach’s α
• 两因子探索性结构检查与特征根图
• 量表合成得分
• 分层回归
• VIF 共线性检查
• 同源方法偏差风险讨论
• 中文 HTML 报告
• 原始/处理后 CSV
• 回归、信度、缺失、EFA、VIF 结果表
• 图形
• 可复现 Python 脚本

主要演示结果

信度

反向题：

• ls3
• pe4

处理规则：处理后分数 = 6 − 原始分数

分层回归

模型顺序：

• M1：年龄、任职年限、性别、教育程度
• M2：M1 + 管理支持 LS
• M3：M2 + 心理赋能 PE

这些结果只能解释为模拟横断面数据中的统计关联，不能表述为管理支持或心理赋能“导致”工作投入提高。

共线性

最终模型中 VIF 约为：

• 年龄：1.026
• 任职年限：1.011
• 性别：1.029
• 教育程度：1.015
• 管理支持 LS：1.126
• 心理赋能 PE：1.114

从常用筛查标准看，没有明显的线性共线性风险。不过，VIF 阈值只是经验性参考，不能替代理论判断。

文件清单

完整交付包位于当前会话工作区的 deliverable/ 目录，包含：

deliverable/
├── report.html
├── analysis_demo.py
├── survey_data_raw.csv
├── survey_data_processed.csv
├── missingness.csv
├── scale_reliability.csv
├── efa_loadings.csv
├── regression_coefficients.csv
├── regression_model_change.csv
├── vif.csv
└── figures/
    ├── eigenvalues.png
    └── ls_we_scatter.png

其中：

• report.html：中文完整分析报告，可直接用浏览器打开
• analysis_demo.py：固定随机种子 20260913，可重新生成全部数据、结果表和图
• survey_data_raw.csv：含演示性缺失值、反向题仍处于原始方向
• survey_data_processed.csv：完成反向题处理、缺失填补和量表合成得分
• efa_loadings.csv：探索性因子载荷
• regression_coefficients.csv：各层回归系数、标准误和 t 值
• regression_model_change.csv：模型 R² 与 ΔR²
• vif.csv：最终模型的共线性检查
• figures/：特征根图和 LS–WE 散点图

运行方式：

python analysis_demo.py

报告中特别说明了：数据完全虚构、研究设计为横断面、自陈数据可能存在共同方法方差，因此不能据此作因果推断，也不能把本演示结果当作真实员工总体的经验结论。