Our data set comprised data at the

Our data set comprised data at the organizational level (Level 2; time pressure) and at the individual level (Level 1; organizational tenure, tenure in the transport sector, individual perception of time pressure, individual job satisfaction, self-reported health, and sickness absence). Thus, in order to test Hypothesis 1, we followed a hierarchical data strategy and examined a number of nested models using Hierarchical Linear Modelling (HLM; Bryk & Raudenbush, 1992). First, we tested a null model including the intercept as the only predictor. In the null model, we assessed systematic within- and between-organization variance in the dependent variables. Next, we investigated whether there is significant variance in the intercepts and slopes across organizations to specify the best-fitting random coefficient model. In Model 1, organizational tenure, tenure in the transport sector, and individuals’ perception of time pressure were entered (Level 1). In Model 2, a linear time pressure term was introduced (Level 2) (Hypothesis 1). We examined the improvement of each model over the previous one with a likelihood ratio difference test. Differences between likelihood ratios follow a chi-square dis- tribution (with degrees of freedom equal to the number of new parameters to the model).
In order to control for a potential curvilinear relationship, we compared Model 2 (linear model) with another model including both linear and curvi- linear time pressure terms (Aiken & West, 1991; Cohen & Cohen, 1983). If the inclusion of the squared term explains a significant amount of variance beyond that attributed to the linear term, a curvilinear form (either U-shape or inverted U-shape) should best represent the relationship between time pressure and our criterion variables.

Kết quả (Việt) 1:

Chúng tôi dữ liệu tập hợp dữ liệu bao gồm ở cấp độ tổ chức (Level 2; áp lực thời gian) và ở cấp độ cá nhân (cấp độ 1; tổ chức nhiệm kỳ, nhiệm kỳ trong lĩnh vực giao thông vận tải, cá nhân nhận thức của áp lực thời gian, sự hài lòng của công việc cá nhân, tự báo cáo sức khỏe và bệnh tật vắng mặt). Vì vậy, để thử nghiệm giả thuyết 1, chúng tôi theo một chiến lược phân cấp dữ liệu và kiểm tra một số mô hình lồng nhau bằng cách sử dụng phân cấp mô hình tuyến tính (HLM; Bryk & Raudenbush, 1992). Trước tiên, chúng tôi thử nghiệm một mô hình không bao gồm đánh chặn như dự báo duy nhất. Trong mô hình trống, chúng tôi đánh giá có hệ thống trong-giữa-tổ chức và phương sai trong các biến phụ thuộc. Tiếp theo, chúng tôi điều tra cho dù có là các phương sai quan trọng trong chặn và dốc qua các tổ chức để xác định các mô hình hệ số ngẫu nhiên chạy nhất lắp. Trong mô hình 1, nhiệm kỳ tổ chức, nhiệm kỳ trong lĩnh vực giao thông vận tải, và cá nhân nhận thức về thời gian áp lực đã nhập vào (tầng 1). Trong mô hình 2, một thời gian tuyến tính áp lực hạn giới thiệu (mức 2) (giả thuyết 1). Chúng tôi kiểm tra cải thiện mỗi mô hình trên một trước đó với một bài kiểm tra khả năng tỷ lệ khác biệt. Sự khác biệt giữa tỷ lệ khả năng thực hiện theo một chi-vuông dis-tribution (với bậc tự do bằng số các tham số mới cho mô hình).Để kiểm soát cho một mối quan hệ curvilinear tiềm năng, chúng tôi so sánh mô hình 2 (mô hình tuyến tính) với một mô hình trong đó có cả hai tuyến tính và curvi - thời gian tuyến tính áp lực điều khoản (Aiken & West, 1991; Cohen & Cohen, 1983). Nếu sự bao gồm của thuật ngữ bình phương giải thích một số lượng đáng kể của phương sai ngoài đó quy cho thuật ngữ tuyến tính, một hình thức curvilinear (U, hình dạng hoặc hình dạng U ngược) nên tốt nhất đại diện cho mối quan hệ giữa áp lực thời gian và biến tiêu chí của chúng tôi.

Kết quả (Việt) 2:

Tập hợp dữ liệu của chúng tôi bao gồm dữ liệu ở cấp độ tổ chức (Level 2; áp lực thời gian) và ở cấp độ cá nhân (Level 1; nhiệm kỳ tổ chức, nhiệm kỳ trong lĩnh vực giao thông, nhận thức cá nhân của áp lực thời gian, cá nhân có đủ việc làm, y tế tự báo cáo, và bệnh vắng mặt). Vì vậy, để kiểm tra giả thuyết 1, chúng tôi đi theo một chiến lược dữ liệu phân cấp và kiểm tra một số mô hình lồng nhau bằng cách sử dụng Cấu trúc tuyến tính Modelling (HLM; Bryk & Raudenbush, 1992). Đầu tiên, chúng tôi đã thử nghiệm một mô hình rỗng bao gồm đánh chặn như các yếu tố dự báo chỉ. Trong mô hình null, chúng tôi đánh giá within- có hệ thống và giữa các tổ chức phương sai trong các biến phụ thuộc. Tiếp theo, chúng tôi điều tra xem có đúng ý nghĩa trong chặn và sườn giữa các tổ chức để xác định mô hình hệ số ngẫu nhiên tốt nhất vừa vặn. Trong hình 1, nhiệm kỳ tổ chức, nhiệm kỳ trong lĩnh vực giao thông vận tải, và nhận thức cá nhân của áp lực thời gian đã được nhập vào (Level 1). Trong mô hình 2, một thuật ngữ áp lực thời gian tuyến tính đã được giới thiệu (Level 2) (Giả thuyết 1). Chúng tôi kiểm tra sự cải thiện của mỗi mô hình trên phần trước đó với một thử nghiệm khác biệt tỷ lệ khả năng. Sự khác biệt giữa tỷ lệ khả năng theo một tribution dis- chi-vuông (với mức độ tự do bằng số lượng các thông số mới cho các mô hình).
Để kiểm soát cho một mối quan hệ đường cong tiềm năng, chúng tôi so sánh Model 2 (mô hình tuyến tính) với mô hình khác bao gồm cả thời gian tuyến tính điều áp tuyến tính và curvi- (Aiken & West, 1991; Cohen & Cohen, 1983). Nếu chèn thuật ngữ phương giải thích một số lượng đáng kể các sai ngoài mà do sự hạn tuyến tính, một hình vòng cung (hoặc hình chữ U hay đảo ngược hình chữ U) nên đại diện tốt nhất mối quan hệ giữa áp lực thời gian và biến tiêu chí của chúng tôi.