다수준 분석 시에 동질상향적 개념의 측정을 위해 참조점 이동의 필요 여부에 대한 판단방법으로서 다집단 분석

안정원; 이순묵; 정현주; 이회영

추천

검색

자료유형: 학술저널

저자정보: 안정원 (Fordham University) 이순묵 (성균관대학교) 정현주 (University of Massachusetts Amherst) 이회영 (성균관대학교)

저널정보: 한국심리학회 한국심리학회지: 산업 및 조직 한국심리학회지: 산업 및 조직 제32권 제1호

발행연도: 2019.1

수록면: 29 - 53 (25page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

본 연구에서는 다수준분석 시 집단참조 일치모형에 의한 동질상향 개념이 개인 및 집단 수준 모두에서 사용될 때, 참조점이 다른 ‘나(self)’ 및 ‘우리(we)’ 자료가 모두 필요한지, 둘 중 하나로도 충분한지 여부를 판단하기 위한 방법으로서 다집단 분석을 소개하였다. 동질상향적(composition) 개념화를 위하여 점수들 간의 일치도를 기초로 하는 접근에는 Chan(1998)이 제안한 개인참조의 일치모형(direct consensus model)과 집단참조의 일치모형(referent- shift consensus model) 있다. 전자는 ‘자기’ 참조 문항으로 개인수준 자료를 수집한 후 조사내용을 평균하여 집단수준 변수를 구성하는 경우로서, 개인참조 반응의 내용(측정치간 공분산)이 집단 차이에서 발견되는 내용과 동질성이 있다는 이론적 논거가 필요하다. 후자는 참조점을 ‘개인’에서 ‘집단’으로 이동하여 측정하는 경우인데, 구성개념이보다 잘 표상될 수 있다는 장점이 있지만, 해당 개념이 개인 수준에서도 사용된다면 집단에 대한 측정과 달리 개인에 대한 측정도 실시해야 하는 불편이 있다. 실제에서는 많은 경우, ‘자기’ 참조 문항으로 개인 수준 자료를 수집한 후, 조사내용을 통합(aggregate)하여 동일 개념에 대한 상위수준의 측정치로 사용한다. 이러한 방식은 편리하지만 여기에는 개인참조 자료와, 연산(평균 또는 합산)을 통해 상층(예: 집단, 조직)으로 참조점이 이동된 자료 간에 측정동일성이 성립한다는 가정을 검증없이 받아들이는 문제가 있다. 본 연구에서는 다집단 분석 방법을 활용하여 그 가정을 검증하는 예를 보였다. 어떤 개념에 대한 측정에서 참조점을 달리한 두 자료간에 측정동일성이 검증되면, 추후의 연구들은 그것을 근거로 ‘개인’ 또는 ‘조직’을 참조로 하여 1회의 측정만으로 다수준 분석을 할 수 있다. 또한 이런 경우, ‘집단’ 참조의 자료를 하층의 측정모형과 상층의 동질상향 모형에 사용하는 편이, 집단차이에 의한 효과를 보다 분명히 할 수 있다. 그러나 이러한 측정동일성이 성립하지 않는다면 연구자는 개인수준 모형과 집단수준 모형이 모두 분석될 경우 반드시 참조점을 바꾸어가며 ‘나’ 자료와 ‘우리’ 자료를 각각 수집해야 한다.

This study demonstrates how a multigroup analysis approach is used in the analysis of multilevel data to judge if a referent-shift consensus model is needed to measure a compositional property. A compositional property in multilevel context means that the forms of emergence from individual levels to group levels are isomorphic as individuals interact, communicate perspectives, and iteratively construct a common interpretation, so that all individuals in the collective are similar. The measurement principle for conceptualization of multilevel compositional properties is to use a referent-shift consensus model proposed by Chan(1998). However, if the researcher wants to use the samel construct in individual levels as well as in group levels, she needs to administer the same items to the same individuals again with a change of reference from “group” to “ individual”. It sounds bothersome and creates difficulties in reality. For that reason, researchers often collect data from individuals using self-referenced items, aggregate, and then use the aggregate scores as measures of group level variables. However in these cases, measurement invariance is tacitly assumed across the individual and group levels. We pointed out the problems of this unjustified assumption in analyses of multilevel data, and presented an analytic procedure to test the assumption using multigroup analysis framework. In sum, if measurement invariance across levels is established, researchers can use either a self-referent or a referent-shift data at individual levels and aggregate data at group levels without dual measurement. Moreover, in such a case, using a referent-shift data(‘we’ data) is more appropriate in light of construct validity because of its higher possibility to reveal group effects. If the measurement invariance across levels is not supported, researchers should collect data separately for individual level variables with a self-reference items and for group level variables with group-referenced items.

#다수준분석 #동질상향 #참조점 이동 #다집단 분석 #측정동일성 #다수준구조방정식모형

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

안정원

소속기관 성균과대

주요연구분야 사회과학 > 심리과학

논문수 3 이용수 35

이순묵

소속기관 성균관대학교

주요연구분야 사회과학 > 심리과학 의약학 > 임상의학 > 가정의학

논문수 54 이용수 1,781

정현주

소속기관 한림대학교

주요연구분야 사회과학 > 심리과학

논문수 2 이용수 15

이회영

소속기관 성균관대학교

주요연구분야 사회과학 > 심리과학

논문수 1 이용수 3

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)