# 1029 內在動機與外在誘因整合
## 109152512 教育博一 蔡介文
{%hackmd @yukai/medium-theme %}

###### tags: `InsTruc2020`
:::success
**target paper:**
- Cerasoli, C. P., Nicklin, J. M., & Ford, M. T. (2014). Intrinsic motivation and extrinsic incentives jointly predict performance: A 40-year meta-analysis. *Psychological Bulletin, 140*(4), 980-1008.
:::

## 一、主要論點


這篇文章的結論與先前的結論大致符合，內在動機對於表現有不錯的預測效力。雖然酬賞的調節（分組）下，內在動機與表現的關係都是正相關，但是不直接的酬賞，有最高度的相關（$\rho = .45$）。

此外，在領域脈絡上，本文採用學校（school）、工作（work）、運動（physical）三種情境脈絡。其中在運動項目上，內在動機對表現最有關聯。
在年齡上，則年紀越大，內在動機對表現的相關越大。表示年紀越大越需要意義感、興趣的驅動才能完成任務，不像小朋友可能容易以外在人事物來調節。

## 二、延伸思考

本篇是採用相關係數（r值法）的後設分析。

這幾堂課以來，很多篇文章都使用了後設分析（meta-analysis）。教育/心理學上常用的平均數差異（d值法）與相關係數（r值法）的類型都涵蓋了。雖然我在這堂課之前對於後設分析已經有初步認識，但是這幾堂課下來對我仍然有很大的提升。這方面也非常感謝老師（雖然這堂課裡面方法論只是附帶的）。

1. 首先是後設分析的調節問題。坦白說我在寫碩論（以後設分析與結構方程式模型為方法）的時候，我更傾向於把它定位為是方法論的實踐的文章，所以我對 MASEM 或 SEM 的文章看很多，但是純 MA 幾乎沒看幾篇。
2. 因為 MASEM 的發展雖然起源於 Viswesvaran 與 Ones（1995）談到的一種「理論檢驗」方法，但那種後設分析（Cheung 稱之為單變數 MASEM）仍存在諸多問題。直到 Cheung 與 Chan（2005）提出 TSSEM 的方法（如同他們所宣稱的，這是一種純粹的 SEM 模型 pure SEM，以 SEM 的觀點來處理 MA 的部分）之後，才稍稍解決了一些數理上問題（例如遺漏值插補、WLS 估計法處理非常態分佈等）。而直到 2015 年前後，Cheung 基於 R 語言的 `OpenMx` 套件開發出處理這種 MASEM 的專門套件 `metaSEM`，並出版專書 Cheung（2015）、Jak（2015）介紹之後，MASEM 的可行性才算是比較提高。　
>> 詳見：[1119 競爭與表現](https://hackmd.io/@nccudoc/InsTruc2020/https%3A%2F%2Fhackmd.io%2F%40nccudoc%2Frk9TA2G5P) 的目標文章 Murayama & Elliot (2012).
3. 因此，我在寫碩論的時候，看比較多的都是 MASEM，或是比較技術細節上的文章（畢竟 Cheung 自己本人也說他的方法是純 SEM，因此我也一直往 SEM 的方向鑽），反倒基本 MA 的文章看得很少（我當時也天真以為 MA 只到相關分析的程度而已，應該沒什麼好看的）。
4. 結果這幾篇看下來，我發現 MA 作工到很細（調節變項層層分組下去）的時候，簡單一個表格已經能回答非常多的重要問題了。而且文獻蒐集的夠多夠好，異質程度足夠解讀出很有趣的現象（例如總體正但是分組後有正有負）。反倒是很複雜的模型，如果問題意識不清楚，也只是生產出一篇看似複雜卻解讀不出什麼東西的廢文（我深切反省）。

其次，我終於解決了一直以來的心中疑惑。

1. 課堂上討論到關於 MA 中 Cohen's d 值與 Correlation r 值轉換的議題。具體來說如下（李茂能，2015）：

:::info
**d ⇄ r :**$$d = \dfrac{2r}{\sqrt{(1 - r^2)}}\\r = \dfrac{d}{\sqrt{d^2 + 4}}$$
:::

2. 這邊的 r 我一直以為是 Pearson 相關（連續變項-連續變項）。因此之前一直想不通當 2 筆資料一樣時，應該會是 $r = 1, d = 0$，但是這樣轉換顯然是轉不過去的。結果==原來這裡的 r 是「點二系列相關」（point-biserial correlation）（人為二分變項-連續變項），也就是組別對資料的相關。==

:::info
**point-biserial correlation:**
$$r_{AB} = \dfrac{\overline{X_A}-\overline{X_B}}{S_t}\sqrt{AB}$$
:::

3. 這個問題我一直沒有想明白，（可能太基本了）也苦苦找不到資料。意外的在這堂課中得到解答，真的非常開心。

## 三、延伸閱讀

- Viswesvaran, C., & Ones, D. S. (1995). Theory testing: Combining psychometric meta‐analysis and structural equations modeling. *Personnel Psychology, 48*(4), 865-885.
- Cheung, M. W.-L., & Chan, W. (2005). Meta-analytic structural equation modeling: A two-stage approach. *Psychological Methods, 10*(1), 40–64. https://doi.org/10.1037/1082-989X.10.1.40
- Cheung, M. W. L. (2015). *Meta-analysis: A structural equation modeling approach*. John Wiley & Sons.
- Jak, S. (2015). *Meta-analytic structural equation modelling*. Dordrecht, Neth.: Springer.
- 李茂能（2015）。**傳統整合分析理論與實務：ESS & EXCEL**。臺北市：五南。