主要作者简介
曹江雨，华中师范大学心理学院管理心理学方向硕士研究生。
王忠军，华中师范大学心理学院副教授。
引用此文
论文简介（全文用对话形式体现）
Q1 在非实验研究中加入控制变量，真的会让研究结论更可靠吗？
答案可能令一些读者感到难过，并不一定哦。首先，在相关研究中，就算是移除额外变量与前因变量的共同变异也不能做出因果推论(Meehl, 1971)；其次，由于变量之间的关系存在太多可能性，统计控制的结果常常是模糊的(Becker, 2005; Breaugh, 2008)；最后，很难判断在移除了前因变异和控制变量的共同变异后的剩余前因变量究竟能否与原始前因变量划等号，前因变量的结构效度很可能已经发生了改变。所以，在非实验研究中，为了让研究结论看起来更可靠而使用控制变量，其实是很难实现的。
Q2 为什么要重视控制变量的理论基础？
原因其实很简单，因为只有理论才能解释控制变量在核心变量的关系中可能发挥的作用(e.g. Becker et al., 2016; Spector & Brannick, 2011)，既不是实证证据，也不是逻辑推测，更不可能是研究者自己的主观臆断。
那么，如何找到有理论意义的控制变量呢？我们认为主要以下几点：第一，充分回顾研究假设背后的理论背景，明确该理论是否明确要求控制某些额外变量(Becker et al., 2016)；第二，寻找该理论中是否还存在其他能够解释结果变量的潜在前因变量；第三，寻找其他能够分析研究问题的替代性理论，因为在替代性理论中也可能存在与前因变量非常相似且也有较高解释力的变量；第四，如果实在是找不到理论依据但仍然觉得有必要在研究中加入某个控制变量，那么至少需要综合多方面的论据论证为什么控制变量会影响核心变量及其关系(Becker, 2005)，包括且不限于逻辑推理、实证证据、潜在影响机制等。
Q3 难道人口统计学变量就不能作为控制变量吗？
当然不是，问题的关键在于人口统计学变量背后的理论依据。一方面可能是因为找到理论基础充足的控制变量并不容易，另一方面也可能是由于以人口统计学变量为代表的替代变量测量起来更容易(e.g. Becker et al., 2016; Bernerth, Cole, Taylor, & Walker, 2018)，控制人口统计学变量似乎成为了一种默认的“规范”。事实上，并非人口统计学变量不能作为控制变量，而是应当先明确人口统计学变量对核心变量的影响机制是什么，找到理论依据，不能因为其他学者控制了人口统计学变量而“从众”。
Q4 我在模型中加入的控制变量越多，研究结论就越严谨吗？
的确有一些研究者提出“控制变量越多越好”，因为忽略重要控制变量而得到的模型很可能是错误的(Antonakis, Bendahan, Jacquart, & Lalive, 2010)；但与此同时，更多的研究者认为“少既是多”，无论增加多少控制变量，在非实验研究中依然无法做出因果推断(Spector & Brannick, 2011; York, 2018)，控制变量的数量越多问题可能越严重(Becker, 2005)。
我们认为，重要的不是控制变量的数量问题，而是质量问题。首先需要尽可能多地选择与研究假设背后的理论框架相匹配的控制变量，之后再追求模型的简洁性(York, 2018)，质量应当优先于数量。
Q5 在研究假设中加入控制变量不会显得多余吗？
当然不会。虽然目前在研究假设中加入控制变量的研究并不常见，但是相关的建议已经加入了Academy of Management Journal和Journal of Organizational Behavior的审稿标准中(Bono & McNamara, 2011)。之所以有必要在研究假设中加入控制变量，是因为研究假设是研究设计与分析过程的导引，一个好的研究应当在理论与假设之间建立严密的逻辑联系(Aguinis & Vandenberg, 2014; Carlson & Wu, 2012)。如果研究假设中不包含控制变量，研究假设就是基于前因变量的原始变异而提出的，那么在分析过程中就应该使用前因变量的原始变异，而不是移除了前因变量与控制变量的共同变异后前因变量的剩余变异，用前因变量的剩余变异来检验基于原始变异提出的研究假设，显然是无效的(Becker et al., 2016)。为了使分析过程与研究假设相匹配，有必要在研究假设中加入控制变量。
Q6 能否根据控制变量与核心变量相关系数的大小来选择控制变量？
当然不能，但是相关系数的大小可以帮助我们做出恰当的决策。如果研究者所认为的控制变量与结果变量相关太高，将这些变量作为前因变量或者中介变量可能更合适；如果研究者所认为的控制变量与前因变量的相关过高，统计控制后前因变量的构念效度很可能会发生改变。因此，控制变量与核心变量的相关不宜过高。如果研究者所认为的控制变量与结果变量相关过低，控制变量就是无效的，无效的控制变量可能会降低模型估计的准确性。即使当控制变量与前因变量的相关很小时，统计控制对核心变量的关系的影响能够忽略，控制变量与核心变量的相关也不宜过低。
最重要的问题是，选择控制变量的标准只有一个，那就是理论基础。在缺乏理论基础的前提下，即使控制变量与核心变量的相关显著，也不一定要将其纳入模型中(York, 2018)；反之，在理论基础充足的前提下，即使控制变量与核心变量的相关不显著，也应该对其进行控制。
Q7 为什么要比较不同的假设检验结果？
如果没有理论依据作为支撑，我们就很难准确地判断研究者感兴趣的变量究竟是控制变量还是潜在前因变量等其他核心变量，很难判断控制变量究竟是污染了核心变量的测量过程还是作为前因变量和结果变量的共同前因产生了虚假因果关系。为了明确控制变量在模型中发挥的作用，可以尝试基于基线假设，围绕控制变量可能发挥的不同作用提出一些替代性和竞争性假设，尝试排除不同的可能性。
Q8 我应该报告包含控制变量的假设检验结果还是不包含控制变量的假设检验结果？
为了明确控制变量对核心变量关系的影响，有必要比较加入和不加入控制变量的假设检验结果。那么，何时应该报告包含控制变量的建设检验结果？何时应该报告不包含控制变量的假设检验结果呢？根据Becker等(2016)的建议，如果前因变量的标准化回归系数在两种情况下差异小于0.1，就可以只报告不包含控制变量的结果，指出控制变量对核心变量的关系没有显著影响，同时建议未来研究者不再关注这些控制变量；如果差异显著，那么两次分析结果就都值得关注，因为控制变量在核心变量的关系中可能发挥着实质性作用。
Q9 在研究设计阶段，我应该如何选择控制变量？
总的来说，最核心的问题始终是理论基础，无论在任何一个环节都要不断反思控制变量是否具备坚实的理论基础。具体的决策过程可以参考图1。
Q10 在数据收集与分析和报告研究结果阶段，我应该如何使用控制变量？
如果想要合理地使用控制变量，除了时刻关注控制变量的理论基础外，还应当给予控制变量与核心变量同等的重视。无论是在测量、分析还是报告过程中，应当努力把控制变量也当成研究中的重要一环。具体的决策过程可以参考图2。
主要参考文献
1. Aguinis, H., & Vandenberg, R. J. (2014). An ounce of prevention is worth a pound of cure: Improving research quality before data collection. Annual Review of Organizational Psychology and Organizational Behavior, 1, 569-595.
2. Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. Leadership Quarterly, 21(6), 1086-1120.
3. Becker, T. E. (2005). Potential problems in the statistical control of variables in organizational research: A qualitative analysis with recommendations. Organizational Research Methods, 8(3), 274-289.
4. Becker, T. E., Atinc, G., Breaugh, J. A., Carlson, K. D., Edwards, J. R., & Spector, P. E. (2016). Statistical control in correlational studies: 10 essential recommendations for organizational researchers. Journal of Organizational Behavior, 37(2), 157-167.
5. Bernerth, J. B., Cole, M. S., Taylor, E. C., & Walker, H. J. (2018). Control variables in leadership research: A qualitative and quantitative review. Journal of Management, 44(1), 131-160.
6. Bono, J. E., & McNamara, G. (2011). From the editors: Publishing in AMJ-part 2: Research design. Academy of Management Journal, 54(4), 657-660.
7. Breaugh, J. A. (2008). Important considerations in using statistical procedures to control for nuisance variables in non-experimental studies. Human Resource Management Review, 18(4), 282-293.
8. Carlson, K. D., & Wu, J. (2012). The illusion of statistical control: Control variable practice in management research. Organizational Research Methods, 15(3), 413-435.
9. Meehl, P. E. (1971). High school yearbooks: A reply to Schwarz. Journal of Abnormal Psychology, 77(2), 143-148.
10. Spector, P. E., & Brannick, M. T. (2011). Methodological urban legends: The misuse of statistical control variables. Organizational Research Methods, 14(2), 287-305.
11. York, R. (2018). Control variables and causal inference: A question of balance. International Journal of Social Research Methodology, 21(6), 675-684.
中国人力资源开发
为规范办刊和加速稿件处理，维护作者权益，请投稿者注意：
本刊唯一有效投稿网络系统有且仅有一个：
（中国知网投稿系统）
切勿投稿给编辑部个人，投稿系统查无编号的稿件均不受理。通过非正常渠道投递的稿件及由此产生的任何损失本刊概不负责。
邮发代号：82-846
声明：本刊不收取版面费、审稿费等各种费用，谨防上当
