最近连续有好几个小可爱问我social relations model如何分析，萜妹都给他们推荐了黄文诺老师在ORM上的文章。今天来给其他小可爱们也介绍一下。

Wong M.-N., Kenny D. A., & Knight A. P. (2022). SRM_R: A Web-Based Shiny App for Social Relations Analyses. Organizational Research Methods. https://doi.org/10.1177/10944281221134104

摘要

很多组织研究的课题涉及对团队成员之间的人际感知和行为进行研究。研究得出的数据可以通过社会关系模型（Social Relations Model，SRM）进行分析。这个模型让研究人员能够解答关于关系现象的几个重要问题。在这个模型中，方差可以分解为群体、行动者、伙伴和关系四个层面；可以通过个人和双人来评估互惠性；并且可以分析各层面的预测因素。然而，利用目前可用的SRM软件分析数据可能会很具有挑战性，这可能会阻止组织研究人员使用该模型。在这篇文章中，作者提供了一个关于SRM分析的“首选”介绍，并提出了SRM_R（https://davidakenny.shinyapps.io/SRM_R/），这是一个易于使用、用户友好的基于Web的SRM分析应用。文章通过一个包括47个团队、228名成员和884个关系的样本数据集，展示了在该应用中进行SRM分析的基本步骤，该数据集使用参与者对同事寻求建议行为的评分。

Many topics in organizational research involve examining the interpersonal perceptions and behaviors of group members. The resulting data can be analyzed using the social relations model (SRM). This model enables researchers to address several important questions regarding relational phenomena. In the model, variance can be partitioned into group, actor, partner, and relationship; reciprocity can be assessed in terms of individuals and dyads; and predictors at each of these levels can be analyzed. However, analyzing data using the currently available SRM software can be challenging and can deter organizational researchers from using the model. In this article, we provide a “go-to” introduction to SRM analyses and propose SRM_R (https://davidakenny.shinyapps.io/SRM_R/), an accessible and user-friendly, web-based application for SRM analyses. The basic steps of conducting SRM analyses in the app are illustrated with a sample dataset of 47 teams, 228 members, and 884 dyadic observations, using the participants’ ratings of the advice-seeking behavior of their fellow employees.

社会关系模型简介

从社会关系设计中收集的数据通常被称为定向二元数据(Directed Dyadic Data，DDD)。在DDD数据集中，衡量单位是从一个人（例如，行动者或感知者）指向另一个人（即伙伴或目标）的评价或行为。组织研究人员通常使用社会关系模型（SRM；Kenny & La Voie, 1984）分析DDD。SRM是一个统计模型，它认为每个定向二元数据的测量是群体、行动者、伙伴和关系这四个成分的总和。

假设成员 $i$ 与团队 $k$ 内的成员 $j$ 相互作用，那么SRM方程中 $i$ 与组 $k$ 中的 $j$ 的二元关系 $Y_{ijk}$ 为：

$$Y_{ijk}=G_{k}+A_{ik}+P_{jk}+R_{ijk}$$

$G_{k}$（群体效应）反映了群体 k 中成员在评价其他人的行为或提供回应方面的倾向。

• 如，在一个非常和谐的团队 k 中，所有成员彼此很亲和。

$A_{ik}$ （行动者效应）反映了成员 i 对群体 k 内其他人采取行动或提供回应的一般倾向。

• 如，i 是一个非常和善的人，i 对所有人的亲和行为都很高。

$P_{jk}$（伙伴效应）反映了成员 j 成为群体 k 内其他人行动或回应的目标的一般倾向。

• 如，j 是一个非常受欢迎的人，所有人都对 j 很亲和。

$R_{ijk}$（关系效应）反映了成员 i 对于群体 k 中成员 j 采取行动或回应的独特倾向。

• 如，i 对 j 的特定亲和程度。

SRM可解决的研究问题

通过SRM可以有效解答关于关系现象的几种类型的问题。

Question of variance

分析因素：方差，具体可分为群体、行动者、伙伴、关系的四种方差。

核心逻辑：SRM将DDD分解为四个主要的方差。每个方差的比例代表相应特征组件的相对重要性。

研究问题：一名员工对某位同事的看法或行为在多大程度上可以归因于群体、行动者、伙伴或关系的特点？

具体示例：在一项关于信任的研究中，Jones和Shah（2016）研究了信任的主要影响因素来源（信任者、受信任者或二元关系）以及随着时间的推移它如何变化。

Question of reciprocity

分析因素：协方差，具体可分为个体层的广义互惠和关系层的双向互惠。

核心逻辑：SRM在个人层面和关系层面上形成了两种形式的互惠。在个人层面上，广义互惠反映了行动者对伙伴的评价与伙伴对同一行动者的评价之间的一致程度。这为SRM中的行动者和伙伴组件之间提供了相关性。在关系层面上，双向互惠反映了特定行动者对给定伙伴的评价与该伙伴对该行动者的评价之间的程度。

研究问题：二元互动在多大程度上是相互的？

具体示例：Joshi和Knight（2015）在检验假设前，研究了顺从、对任务贡献的感知、以及社会亲和力中的互惠程度。

Question of explanation

分析因素：协变量估计，即回归系数。

核心逻辑：SRM允许包含DDD的预测性或解释性变量。

研究问题：预测因素与关系结果之间有何关联？

具体示例：Joshi(2014)研究了科学和工程团队中的男性和女性如何通过考虑性别和教育水平等二元成员的属性来评估他们的同事专业知识。

SRM_R 的优势

虽然以往研究已经开发了多种统计检验方法进行SRM的数据分析，包括ANOVA法、最大似然法和贝叶斯法。但是每种统计方法都有自己的术语和假设。因此，在进行社会关系分析时仍然存在重大的入门障碍和陡峭的学习曲线。

基于此，作者为了便于涉及二元现象但不完全了解如何进行实证研究的广泛研究人员使用 SRM，设计了 SRM_R 应用程序。

SRM_R的优点在于：

• SRM_R可以免费在线访问，无需统计软件，也无需对统计技术有详细的背景知识即可使用其所有功能。
• SRM_R自动完成了许多复杂的二元数据集设置，包括数据操作和组织步骤，这对于那些编程技能有限的人来说可能是一种障碍。
• SRM_R提供了总结和解释统计分析的文本。
• SRM_R生成一个包含所有必要转换变量和R代码的新数据集，以便在SRM_R环境之外运行附加分析。

因此，研究人员无需成为方法专家即可使用SRM_R应用程序，他们可以专注于开发关于二元过程的理论的复杂挑战，而软件会处理复杂的数据分析例程。

SRM的具体案例

样本：作者收集了中国一家大型国有电信公司项目组成员关于寻求建议行为的DDD。样本包含228名个体，分布在47个由四到五名成员组成的团队中，总共产生了884个直接的二元数据。

测量：

• T1：每个成员汇报自己的性别与主动性人格；
• T2：每个成员逐个评价向组内其他成员寻求建议的程度。

数据：

• GID = 团队识别符号
• AID = 行动者识别符号
• PID = 伙伴识别符号
• Y = 行动者从伙伴寻求建议的程度
• GX1 = 小组中女性成员的百分比
• GX2 = 小组成员主动性人格的平均水平
• AX1 = 行动者的性别
• AX2 = 行动者的主动性人格
• PX1 = 伙伴的性别
• PX2 = 伙伴的主动性人格
• RX1 = 同性别与异性别（行动者性别 × 伙伴性别）
• RX2 = 行动者和伙伴主动性人格的相似度（|行动者主动性人格 - 伙伴主动性人格|）

具体问题：

• 关于方差：影响寻求建议行为的因素来源于群体、个体（行动者和伙伴）还是关系？
• 广义互惠：在多大程度上，寻求建议频繁的人会吸引他人对其进行高水平的建议寻求？
• 双向互惠：团队成员是否相互给予相同或相反水平的寻求建议行为？
• 关于解释：团队成员之间的寻求建议行为是否取决于性别和主动性人格两个特征？

SRM_R的操作示例

步骤1：进入SRM_R网站

https://davidakenny.shinyapps.io/SRM_R/

步骤2：上传/选择数据

我这里就使用网站中的原始数据了，这也是文章中的示例数据。

步骤3：识别变量

• 点击【Variables, Design, & Terms】

• 用户必须在数据集中找到表示群体、行动者和伙伴的标识变量以及结果变量。在示例中，可从变量名列表中选择“GID”、“AID”、“PID”和“Y”。文本和表格的结果也可以命名，我们可将结果重命名为“Advice Seeking”。

默认情况下，SRM_R假定数据是可互换的，即所有被试既可以是行动者，也可以是伙伴。因此如果需要非互换半区组设计，用户应取消选中【Data Reciprocal】。

步骤4：假设检验

Testing Questions of Variance

• 点击【Estimate the SRM Now!】，在【Table】窗口获得零模型结果。

结果解读：

• 近一半(46.3%)的寻求建议行为方差出现在关系层面。
• 研究结果表明个体水平的特征也有助于解释寻求建议行为的方差(参与者差异=44.7%，伴侣差异=9%，均P<.001)。
• 群体特征对寻求建议行为无显著影响。

Testing Questions of Reciprocit

• 点击【Estimate the SRM Now!】，在【Table】窗口获得零模型结果。

结果解读：

• 寻求建议行为的广义互惠不显著(r = .057, p = .663, n.s.)，无法证明寻求建议的人往往会吸引其他人来寻求建议。
• 寻求建议行为的双向相关是正显著的(r=.216，p<.001)，这表明在给定的一对团队成员中存在相互的寻求建议行为。

Testing Questions of Explanation

• 点击【Predictor Variables】，勾选【Predictor Variables in the Model】

• 按需勾选【Check Predictor Variables】，勾选【Grand Mean Selected Variables】

• 如果想直接显示变量含义，可勾选【Enter Names】，并输入对应内容。

• 点击【Estimate the SRM Now!】，在【Table】窗口获得结果。

结果解读：

• 行动者的主动性人格与寻求建议行为显著正相关(b=0.312，p=0.033)，表明主动性较高的人比主动性较低的人倾向于寻求更多的建议；
• 女性比男性更容易成为他人咨询行为的目标(b=0.173，p=0.038)；
• 性别的交互作用表明，人们更可能向同性伙伴而非异性伙伴寻求建议(b=0.144，p=.032)。

本次介绍就到这里啦。虽然本篇内容主要来源于上述文献，但考虑到篇幅与实操重点，所以推送和原文框架并不完全相同，感兴趣的朋友可以回原文查看。

总的来说，SRM_R让SRM的分析变得易于上手，强烈安利给每一个做SRM的小可爱。

往期推送

原文链接