DOI: https://doi.org/10.1111/jpim.12738
تاريخ النشر: 2024-04-04
المؤلف: Marko Sarstedt وآخرون
الموضوع الرئيسي: الابتكار وإدارة المعرفة
نظرة عامة
يتناول هذا القسم من ورقة البحث التباين في النتائج العلمية المنسوبة إلى قرارات التحليل التي يتخذها الباحثون، لا سيما في سياق نمذجة المعادلات الهيكلية (SEM). على الرغم من الالتزام بالمعايير المنهجية المعمول بها، تكشف الدراسة أن الأساليب التحليلية المختلفة يمكن أن تؤدي إلى نتائج متباينة بشكل كبير عند تقدير تأثير القدرة الاستيعابية على الابتكار والأداء التنظيمي. من خلال إشراك خبراء SEM لتطبيق مقاييس مختلفة على نفس مجموعة البيانات، تسلط الأبحاث الضوء على الفجوات الكبيرة في أحجام التأثير ومستويات الدلالة، مما يبرز أهمية الشفافية في الخيارات التحليلية.
يدعو المؤلفون الباحثين إلى التعرف على عدم اليقين الكامن في التحليلات الإحصائية وإجراء فحوصات القوة أثناء توثيق النتائج من سير العمل التحليلية المتنوعة. يقترحون إرشادات تهدف إلى تقليل التباين في نتائج البحث، مما يعزز من صحة وقابلية إعادة إنتاج النتائج في إدارة الابتكار. في النهاية، تدعو الورقة إلى تقديم تقارير أكثر شمولاً عن العمليات التحليلية لتعزيز ممارسات البحث وتحقيق توصيات عملية موثوقة.
الطرق
في هذا القسم، يناقش المؤلفون أهمية تحديد ومقارنة النماذج البديلة في البحث، مؤكدين على الحاجة إلى الشفافية في عملية اختيار النموذج. ينتقدون القيود المفروضة من خلال استخدام نموذج محدد مسبقًا، والذي يقيد المرونة التحليلية وقد يتجاهل اعتبارات نظرية هامة. يجادل المؤلفون بأنه بينما يضمن هذا النهج قابلية مقارنة النتائج، فإنه يقلل أيضًا من استكشاف مسارات تحليلية بديلة، مثل أبعاد مختلفة من القدرة الاستيعابية أو مواصفات نموذج متنوعة.
لتحسين ممارسات البحث، يدعو المؤلفون إلى إطار منهجي أوسع يتضمن تقدير عدم اليقين، مستندين إلى تقنيات من القياس. يقترحون أن يتبنى الباحثون في مجالات الابتكار والعلوم الاجتماعية ميزانيات عدم اليقين التي تأخذ في الاعتبار جميع مصادر عدم اليقين بشكل منهجي، مما يحسن من قوة المقاييس الإحصائية. يعترف المؤلفون بالتحديات المرتبطة بإقامة مقاييس معيارية لمفاهيم مثل توجه الابتكار، لكنهم يؤكدون أن التعرف على عدم اليقين ومعالجته أمر حاسم لتقدم البحث العلمي.
النتائج
يتناول قسم النتائج في الدراسة التباين في سير العمل بين الخبراء وتأثيرات هذه الاختلافات على العلاقات بين القدرة الاستيعابية، الابتكار التنظيمي، والأداء التنظيمي. تكشف التحليلات أنه بينما تتماشى طرق نمذجة المعادلات الهيكلية (SEM) المختلفة إلى حد كبير مع النتائج السابقة التي توصل إليها علي وآخرون (2016) بشأن تأثيرات الاكتساب، والاستيعاب، والاستغلال على الابتكار التنظيمي، تظهر انحرافات كبيرة في التقديرات وتفسيرات هذه العلاقات. من الجدير بالذكر أن الفرضية 3، التي تفترض وجود علاقة بين القدرة الاستيعابية للتحول والابتكار التنظيمي، تفتقر إلى الدعم عبر جميع الطرق. يظهر التباين في التقديرات بشكل خاص بين الخبراء الذين يستخدمون نماذج العوامل المشتركة (CB-SEM، GSCA M، وPLSc)، الذين يبلغون عن نطاقات أوسع من معاملات المسار مقارنة بالطرق المستندة إلى المكونات. على سبيل المثال، يُعتبر تأثير الابتكار الإداري على الأداء التنظيمي الأقوى من قبل CB-SEM وPLSc، بينما يقترح GSCA M أن الابتكار في العمليات له تأثير أكبر.
تسلط الدراسة الضوء أيضًا على عدم اليقين المنهجي، وتقدير النموذج، وعدم اليقين التفسيري كمصادر رئيسية للتباين في النتائج. تعمل طرق SEM المختلفة تحت افتراضات وروتينات تحسين متميزة، مما يؤدي إلى استنتاجات متباينة بشأن ملاءمة النموذج وقوة التنبؤ. على سبيل المثال، بينما يعطي بعض الخبراء الأولوية لملاءمة النموذج، يركز آخرون على القدرات التنبؤية، مما يعكس عدسات نظرية متنوعة. بالإضافة إلى ذلك، يمكن أن تختلف تفسير معاملات المسار المماثلة بشكل كبير بناءً على الطريقة المستخدمة، مما يعقد إقامة فهم موحد للعلاقات المعنية. يدعو المؤلفون إلى الشفافية في توثيق الخيارات المنهجية وإعدادات المعلمات لتعزيز قابلية إعادة الإنتاج وتقليل عدم اليقين المحدد، مما يدعو في النهاية إلى نهج أكثر دقة لتقييم النموذج يتناسب مع التعقيدات الكامنة في أبحاث إدارة الابتكار.
المناقشة
في هذا القسم، يناقش المؤلفون تطبيق نمذجة المعادلات الهيكلية (SEM) في أبحاث الابتكار، مع تسليط الضوء على نهجين رئيسيين: SEM القائم على العوامل وSEM القائم على المكونات. يعامل SEM القائم على العوامل، المستخدم في برامج مثل AMOS وMplus، البنى كعوامل شائعة مستقلة تفسر التباين في المتغيرات المرصودة. في المقابل، يقترب SEM القائم على المكونات، الذي يتمثل في المربعات الجزئية (PLS) وتحليل المكونات الهيكلية العامة (GSCA)، من البنى من خلال مجموعات موزونة من المتغيرات المرصودة، مع التركيز على التباين الكلي بدلاً من التباين المشترك. تكشف مراجعة أدبية منهجية تغطي 970 دراسة من 2010 إلى 2023 أن SEM القائم على العوامل لا يزال هو السائد، على الرغم من أن استخدام الطرق القائمة على المكونات، لا سيما PLS، قد زاد بشكل كبير على مدار العقد الماضي.
يقدم المؤلفون أيضًا نتائج من تحليل خبير لنموذج يفحص تأثير القدرة الاستيعابية على الابتكار والأداء التنظيمي. على الرغم من اتباع نهج منظم، استخدم الخبراء سير عمل تحليلية متنوعة، مما أدى إلى تفسيرات متباينة للنتائج. من الجدير بالذكر أن الاختلافات ظهرت في كيفية تقييم الخبراء لنماذج القياس والنماذج الهيكلية، مع آثار على تقييم الفرضيات. يؤكد المؤلفون على عدم اليقين الكامن في المنهجيات البحثية ويوصون بالشفافية في توثيق الخيارات التحليلية لتعزيز صرامة تطبيقات SEM. يدعون إلى تحليلات متعددة لاستكشاف سير العمل البديلة ويعترفون بتعقيد النتائج، مما يساهم في فهم أكثر دقة لنتائج البحث في إدارة الابتكار.
القيود
يسلط قسم القيود في ورقة البحث الضوء على عدة قيود متأصلة في تصميم الدراسة ومنهجيتها. يؤكد المؤلفون أن تحقيقهم في سير العمل والنتائج لعدة خبراء يحللون نفس النموذج باستخدام بيانات متطابقة يخضع لقرارات محددة تم اتخاذها خلال مراحل إعداد الدراسة، والتحليل، والتقارير. من الجدير بالذكر أن الدراسة تركز على سير عمل واحد يستخدم نموذجًا واحدًا بينما تفحص تحليلات الخبراء عبر خمسة طرق لنمذجة المعادلات الهيكلية (SEM).
لتحسين صرامة وقابلية إعادة إنتاج تحليلات SEM، يوصي المؤلفون باتباع نهج منظم لتوثيق القرارات التحليلية. يشمل ذلك توضيح الأسباب وراء اختيارات الطرق، مثل طبيعة البنى (عوامل مقابل مكونات) وأهداف التحليل (تفسير مقابل تنبؤ). علاوة على ذلك، يؤكدون على أهمية الشفافية في تنفيذ الخوارزميات، بما في ذلك توثيق المقاييس، وأشكال الإدخال، والإعدادات مثل التمهيد. كما يدعو المؤلفون إلى معايير واضحة في تقييم نماذج القياس، لضمان أن أي تعديلات تم إجراؤها أثناء التحليل يتم التواصل عنها بشكل صريح. تهدف هذه التوصيات إلى معالجة القيود المحددة وتعزيز أفضل الممارسات في أبحاث SEM.
DOI: https://doi.org/10.1111/jpim.12738
Publication Date: 2024-04-04
Author(s): Marko Sarstedt et al.
Primary Topic: Innovation and Knowledge Management
Overview
This section of the research paper addresses the variability in scientific findings attributed to researchers’ analytical decisions, particularly in the context of structural equation modeling (SEM). Despite adherence to established methodological standards, the study reveals that different analytical approaches can yield significantly varying results when estimating the impact of absorptive capacity on organizational innovation and performance. By engaging SEM experts to apply various estimators to the same data set, the research highlights substantial discrepancies in effect sizes and significance levels, emphasizing the importance of transparency in analytical choices.
The authors advocate for researchers to recognize the inherent uncertainty in statistical analyses and to conduct robustness checks while documenting results from diverse analytical workflows. They propose guidelines aimed at mitigating variability in research outcomes, thereby enhancing the validity and reproducibility of findings in innovation management. Ultimately, the paper calls for a more comprehensive reporting of analytical processes to foster improved research practices and generate reliable practical recommendations.
Methods
In this section, the authors discuss the importance of identifying and comparing alternative models in research, emphasizing the need for transparency in the model selection process. They critique the limitations imposed by using a prespecified model, which restricts analytical flexibility and may overlook significant theoretical considerations. The authors argue that while this approach ensures comparability of results, it also diminishes the exploration of alternative analytical paths, such as different dimensions of absorptive capacity or varying model specifications.
To enhance research practices, the authors advocate for a broader methodological framework that incorporates uncertainty quantification, drawing on techniques from metrology. They suggest that researchers in innovation and social sciences should adopt uncertainty budgets that systematically account for all sources of uncertainty, thereby improving the robustness of statistical estimators. The authors acknowledge the challenges associated with establishing standard measures for concepts like innovation orientation but stress that recognizing and addressing uncertainty is crucial for advancing scientific inquiry.
Results
The results section of the study investigates the variability in workflows among experts and the implications of these differences on the relationships between absorptive capacity, organizational innovation, and organizational performance. The analysis reveals that while different structural equation modeling (SEM) methods largely align with prior findings by Ali et al. (2016) regarding the effects of acquisition, assimilation, and exploitation on organizational innovation, significant divergences arise in the estimates and interpretations of these relationships. Notably, Hypothesis 3, which posits a relationship between transformation absorptive capacity and organizational innovation, lacks support across all methods. The variability in estimates is particularly pronounced among experts using common factor models (CB-SEM, GSCA M, and PLSc), which report wider ranges of path coefficients compared to component-based methods. For instance, the impact of management innovation on organizational performance is deemed strongest by CB-SEM and PLSc, while GSCA M suggests process innovation has a greater effect.
The study further highlights methodological, model estimation, and interpretational uncertainties as key sources of variability in results. Different SEM methods operate under distinct assumptions and optimization routines, leading to divergent conclusions regarding model fit and predictive power. For example, while some experts prioritize model fit, others emphasize predictive capabilities, reflecting varying theoretical lenses. Additionally, the interpretation of similar path coefficients can differ significantly based on the method employed, complicating the establishment of a unified understanding of the relationships in question. The authors advocate for transparency in reporting methodological choices and parameter settings to enhance reproducibility and mitigate the uncertainties identified, ultimately calling for a more nuanced approach to model evaluation that accommodates the complexities inherent in innovation management research.
Discussion
In this section, the authors discuss the application of structural equation modeling (SEM) in innovation research, highlighting two primary approaches: factor-based SEM and component-based SEM. Factor-based SEM, utilized by software such as AMOS and Mplus, treats constructs as independent common factors that explain the variance in observed variables. In contrast, component-based SEM, exemplified by partial least squares (PLS) and generalized structured component analysis (GSCA), approximates constructs through weighted sums of observed variables, focusing on total variance rather than common variance. A systematic literature review covering 970 studies from 2010 to 2023 reveals that factor-based SEM remains predominant, although the use of component-based methods, particularly PLS, has increased significantly over the past decade.
The authors also present findings from an expert analysis of a model examining the impact of absorptive capacity on organizational innovation and performance. Despite a structured approach, the experts employed diverse analytical workflows, leading to varying interpretations of the results. Notably, differences emerged in how the experts assessed measurement models and structural models, with implications for hypothesis evaluation. The authors emphasize the inherent uncertainty in research methodologies and recommend transparency in documenting analytical choices to enhance the rigor of SEM applications. They advocate for multiverse analyses to explore alternative workflows and acknowledge the complexity of results, ultimately contributing to a more nuanced understanding of research findings in innovation management.
Limitations
The section on limitations in the research paper highlights several constraints inherent in the study’s design and methodology. The authors emphasize that their investigation into the workflows and results of multiple experts analyzing the same model with identical data is subject to specific decisions made during the study’s setup, analysis, and reporting phases. Notably, the study focuses on a single workflow that utilizes one model while examining expert analyses across five Structural Equation Modeling (SEM) methods.
To enhance the rigor and reproducibility of SEM analyses, the authors recommend a structured approach to documenting analytical decisions. This includes clearly articulating the rationale behind method choices, such as the nature of constructs (factors vs. components) and the analysis’s objectives (explanation vs. prediction). Furthermore, they stress the importance of transparency in algorithmic implementation, including the documentation of estimators, input formats, and settings like bootstrapping. The authors also advocate for clear criteria in measurement model evaluations, ensuring that any modifications made during analysis are explicitly communicated. These recommendations aim to address the limitations identified and promote best practices in SEM research.