简介

人-群体匹配（PG fit）是指对个人与其直接所在的工作小组之间的相容性，属于人与-环境(PE)匹配的概念范畴。人-群体/环境匹配是从互动视角出发，将结果理解为人与环境的函数(Endler & Magnussen, 1976)。PG匹配理论就是研究个体如何以及为什么会适应其所在的工作群体的理论。

信度与效度

Li等人（2018）开发了并验证了一种新的感知PG匹配的综合测量方法，即人-群体多维匹配感知(MPPGF)量表。量表的生成包括五个阶段：
第一个阶段：识别PG匹配的特征以及条目生成。共确定了8个维度56项测量条目。
第二阶段：对条目与量表进行细化和修订。这一阶段共使用四个不同的样本，通过CFA和EFA对MPPGF的因子结构进行了条目缩减、验证和细化。样本1 (n = 165)和样本2 (n = 164)来自中西部一所大学本科生，大多来自美国，一部分来自亚洲。样本1的平均年龄为20.66岁(SD = 3.66)， 63%为男性，78.2%为白人。样本2的平均年龄为20.14岁(SD = 1.58)， 57.3%为男性，73.8%为白人。样本3 (n = 242)和样本4 (n = 243)通过MTurk招募而来。样本3的平均年龄为36.27岁(SD = 10.96)，其中56.6%为男性。样本4的平均年龄为33.56岁(SD = 9.162)，其中男性占60.1%。四个样本的调查中，参与者被要求对PG匹配条目的同意程度进行回答。对样本1-3的数据进行啦 3轮探索性因子分析以证明结构效度。结果得到一个包含7维度28个条目（每维度四个条目）量表。然后使用样本4进行验证性因子分析，结果表明七因子模型优于其他可选模型，χ2=651.11, df =329, CFI=.90, RMSEA=0.06, SRMR=.06。通过探索性与验证性因子分析，初步验证了结构效度。
第三阶段：对PG匹配量表的形成性性质进行检验。对当前研究成果进行分析，MPPGF量表应该被概念化为一个聚合结构。聚合结构是由其维度的代数组合构成。因此，对于该量表，不应单看每一维度，而是需要对整体维度进行分析。
第四阶段：建立形成性高阶因子结构。样本5（n=472）包括中西部一所大学的非教职员工，包括护士、药剂师、图书管理员、行政人员、人力资源助理和工程师，平均年龄39.48岁(SD = 12.56)，男性22.8%，白人82.1%。通过将MPPGF作为一个聚合结构进行测试，将这些维度建模为一阶形成性指标，并将其转换为更高的二阶构念(总体感知的PG契合度)。通过相对重要性分析，得到样本5的七个维度的权值分别为:NS(0.34)、SI(0.05)、PDS(0.02)、CA(0.08)、VC(0.23)、GS(0.17)、CW(0.12)。
第五阶段：聚合效度和区别效度检验。通过假设并验证MPPGF与现有的PG匹配指标（DeRue and Morgeson，2007； MacGibbon，2012；Verquer，2002； Vogel and Feldman ，2009；Chuang et al.，2016）呈正相关，与PO（person-organization）和PJ（person-job）匹配指标相区分。0阶相关分析结果验证了PG匹配量表的聚合效度和区别效度。
第六阶段：校标关联效度和增量效度检验。使用样本5以及样本6数据进行分析，样本6来自于中西部一家医疗管理公司，包含两个时间点的调查数据。第一次发送给所有雇员(N = 278)，调查问卷包括MPPGF量表和其他PG匹配量表，共收到183个回复(回复率= 65.83%)。一周后，第二次调查(时间2)，调查包括态度及绩效等组成，共收到147个回复(回复率= 80.33%)。角色内和角色外的绩效信息收集自公司记录(162名员工的角色内绩效和131名员工的角色外绩效)。其中男性占22.5%，白人占73.1%，平均年龄33.28岁(SD = 9.34)。在控制现有的PG匹配测量后，假设MPPGF与工作群体满意、工作群体承诺以及聚合度正相关（样本5,6）；与工作群体退出行为负相关（样本5,6）；与角色内和角色外绩效正相关（样本6）。通过分层最小二成回归以及随机系数建模验证了以上假设，证明了MPPGF的效度关联效度和增益效度。

计分方法

多维人-群体感知匹配量表共28道题，包括需求-供应匹配，共同的兴趣，感知人口统计学相似性，互补属性，价值观一致性，目标相似性，常见的工作风格七个维度。 需求-供应匹配，包括1-4题。
共同的兴趣，包括5-8题。
感知人口统计学相似性，包括9-12题。
互补属性，包括13-16题。
价值观一致性，包括17-20题。
目标相似性，包括21-24题。
常见的工作风格，包括25-28题。
对七个维度不能单纯的求总分或是均值，需要进行加权。Li et al.（2018）通过分析计算给出了每个维度的权重：NS (0.34), SI (0.05), PDS (0.02), CA (0.08), VC (0.23), GS (0.17), CW (0.12)。