一份看起来挑不出毛病的问卷：三十道题，七级李克特量表，题项都来自成熟量表，趁一次部门例会发下去，当天就收齐了。可三个月后评审意见回来，被质疑的恰恰不是模型，而是数据本身。9月13日，在PSB巴黎商学院工商管理博士项目《数据收集方法（上）》课堂上，俞明传用一整天时间，把从研究设计到问卷收集之间的每一道关口进行了拆解。
这一天的课程以连锁酒店导入辅助工具的虚构情境为主线，串起研究问题形成、方法匹配、分析层次、问卷设计、抽样实施与数据清洗六个环节，并穿插对《管理世界》两篇范文的精读——一篇是平台网络自主权的定量研究，一篇是跨国并购后整合过程的定性研究。对同学们的学术研究而言，它解决的正是"题目定了、问卷发了、数据收了，为什么仍然会被质疑"这类致命的落地问题；对日常管理而言，它校正的是一种很常见的自信：手里握着一堆报表和员工反馈，就以为自己看见了事实。
管理难题不等于研究问题
课程一开场，俞教授先明确了现实问题与理论问题的区别。企业遇到难题，请管理咨询进场，目的是把问题解决掉；而研究要做的，是把现象背后的机制找清楚。
以连锁酒店为例：引入了智能工具，员工有的接受、有的抵触，有的觉得效率提升，有的反而焦虑自己的岗位会不会被替代。这是管理现象，还不是研究问题。要把它转成研究问题，得往深处追问一层——员工使用意愿低，是不是因为企业的培训支持不足？同样的现象，还可以从员工人格开放性切入，或者从组织层、个体层的交互视角切入。俞教授强调，现象是宽泛的，研究必须聚焦在某一个点上。选题的时候不妨连问自己几句：谁是主体，什么因素影响什么结果，在什么情境下，在什么时间发生。
研究问题的类型，进一步决定了证据的需求。描述性研究关心数据的分布与比例，探索性研究关心解开未知的过程，解释性研究重视检验机制，预测性研究关心新样本上的表现。量化适合估计关系与差异，定性适合理解过程、意义与情境，混合研究则要求两类证据共同回答同一个问题——不能用定性数据去回答定量研究才能解答的问题。
层次一旦错位，再干净的数据也救不回来
上午花时间最多的，是分析层次。
理论单位（解释对象）、观察单位（记录来源）、分析单位（模型里的一行）三者可以不同，但一旦混用，结论就会失准。课程举了一个很容易犯的例子：题目问"全公司员工都喜欢用智能工具"，让基层员工来填。这既是超出作答能力——一个人怎么代表全公司，也是层次错位——如果测的是组织层面的状况，应当由熟悉全局的高层管理者作答；如果测的是个人使用状况，题项就不该写成公司整体。
数据结构同样决定模型的边界：同一时点的一次截面，重复观察同一对象的追踪数据，对象乘时间的面板，以及员工嵌套于团队的层次结构，对应的分析方法完全不同。
相关是相关，因果是因果：最容易越界的那一步
课上有一段话被反复强调：问卷基本是在同一时点采集的，看到的是两个变量共同变化的趋势，很难据此做因果推论。
还是那个例子。观察到使用程度和绩效正相关，至少要顾虑几种竞争解释：也许员工本身能力强，既愿意尝试新工具，绩效也自然更好；也许是培训带来的提升同时推高了两个指标；还存在方向不明的机制——工具用多了，学习成本也在上升。在原因不清的时候，就不能断定是工具的使用带来了绩效提升。
俞教授提醒大家注意评审意见里最常见的那一句：数据是相关的，论述却在讲因果。写的时候，相关的结论就用相关的说法，因果的结论才用因果的表述，别在讨论部分把话说满。
解决思路之一是多阶段设计。但这里有陷阱：只有T1、T2、T3的标签并不自动解决问题，必须真的把变量分时段测量，让时间顺序站得住。
控制变量要有理由，先测准再谈关系
控制变量处理的也是竞争解释。它指的是那些可能影响结果、却不是本次重点关注的变量——比如研究使用程度与绩效的关系时，年龄会影响使用意愿，也可能影响绩效；个人的学习能力既影响工具的使用，也影响绩效。把它们纳入控制，是为了在一个可比的基线上的关系，而不是把人口统计信息机械堆在一起。论文里要说清三件事：它凭什么是控制变量、怎么测量、如何进入分析。
这里还要分清控制变量与中介变量：前者是干扰因素，后者是过程。混为一谈，故事就讲错了。
课程的另一句提醒落在顺序上：研究中的两个概念通常无法直接观测，只能靠题项去逼近。所以永远是先保证测量的合理性，再解释构念之间的关系——测量这一步没有过关，后面算出来的路径再漂亮也经不起追问。
同一时点、同一个人填完的问卷，问题出在哪
如果说上面是逻辑问题，那么共同方法偏差就是问卷调研绕不开的现实问题。
它的定义被讲得很清楚：同一时点、由同一个人完成同一份问卷。课堂上那个比方很形象——某天填答者心情不好，看什么都不顺眼，于是两个本来无关的变量都被打了低分；这个看不到的因素，会把变量之间的关系放大。
防范要落在事前。一是不同源：使用程度和工作投入由员工自评，绩效则由直接主管评价。二是不同时点：先测使用程度，两周后测工作投入，再过两周测绩效。现有研究常用的时间间隔从两周到三个月不等，一个月左右较为常见——太短等于重复同一状态，太长则可能遇到离职，样本反而追踪不到。如果只能联系到员工、拿不到主管评价，那就退而求其次，从时间上拆开。
事后也有检验办法。课程现场演示了哈曼单因子检验的操作：在未旋转的因子结构中，如果单个因子解释的变异过大，就值得警惕。
问卷设计，有多少潜在的坑要提前避免
下午的重心落到问卷设计，俞教授逐题诊断了六类坏题。
第一类是双重问题。"智能工具提升了我的效率，也让我更幸福"——效率和幸福是两个概念，一个题项里不能同时装下两件事。
第二类是诱导。"先进的智能工具改善了我的工作，对吗？"——量表用的是同意程度、发生频率或满意度，"对吗"这类措辞会诱导作答。
第三类缺时间限定：问"我经常使用"，回答的是哪一段时间因人而异——凡是测行为频率，都要加上"过去一个月""过去半年"这样的窗口。
第四类超出作答能力，通常与层次错位一起出现。
第五类是多重否定，"我并非不愿意停止不使用"这样的句子，读者要多绕几个弯，应当尽量避免。
第六类则分散在控制变量的设置里。
回答尺度也有讲究。同意程度、发生频率、满意度对应的是判断、行为和评价，不是同一把尺；同一个变量下几个题项混用五点和七点量表，同样不合理。
反向题被专门拿出来讲。它能改变作答方向、打断惯性作答，但也会增加理解负担，甚至析出独立的措辞因子，并非越多越好。需要注意的是，反向的方向要与概念相反，而不是与常识相反；五点量表下，正向化就是用六减去原分值，并且必须在分析之前完成。
问卷的前端同样不能省：卷首语要说清研究目的、任务、预计负担、风险与自愿原则；正式发放前先做认知访谈，看受访者怎么理解、回忆、判断并选择答案；再做一轮小规模预测试，检查完成时间、缺项位置和跳转逻辑，而不是一上来就把量发足。
进了企业的门，不等于能用企业的数据
工商管理博士学员往往既是管理者也是研究者，俞教授也专门强调了研究伦理问题。
能进入企业，并不等于可以自由使用员工或客户的资料。可行性检验也不止"联系得上人"，还包括能不能拿到正确口径、足够的时间跨度，以及合法的使用权限。组织联系人负责协调，不应该替研究者筛选"表现好"的员工来作答；问卷配对时所用的编码，只要存在可关联个人的对照表，数据就只是去标识化，而不是完全匿名。
提高参与率也有一条底线：说清目的、合理负担、可信的保密承诺和适度提醒都可以做，强迫、过度奖励和反复施压则不行。现场回收的那些老办法至今有效——纸质问卷配信封、连快递单据一并准备妥当，能显著提高回收；事后把研究结论和管理建议反馈给企业，则是维持长期信任的关键。
清洗之前，原始数据永远留一份
最后一段讲到数据落地。原则是三个层次分开：原始记录用于追溯采集事实，清洗副本用于纠错，分析版本用于特定模型，原始的那一份任何时候都不动。
合并数据前要先核验唯一键，合并成功不代表配对正确；尤其是在上下级配对的场景里，配错了，素材从一开始就是错的。重复记录要分类处置——完全重复、重复提交、多人共用标识、同一对象不同时间的记录，处理方式各不相同。
判断无效问卷也不能靠单一线索。作答时间过短、答案高度规律、逻辑前后矛盾、以及刻意设置的障碍题未能通过，都要结合起来看。缺失值则要先理解成因：均值替代会压缩变异、改变变量间关系，并不是默认方案。
数据收集听起来是研究中最不起眼的一环：发问卷、收问卷、理数据。可真正决定一项研究能不能站得住的，往往就藏在这些"不起眼的细节"中。把这些思考做在前面，后面的模型才有讨论的意义。
