奇书网

7 4 研究结果（第1页）

7。4研究结果

7。4。1CITC和α信度检验

本研究采用修正后项目总相关系数（Corrected-ItemTotalCorrelation，CITC）方法净化双元式创新和绩效的测量项目，并利用bach'sα系数再一次检验问卷的信度。修正后项目总相关系数（CITC）是在同一变量维度下，每一测量项目与其他所有测量项目之和的相关系数。如果CITC小于0。4，删除此项目可以增加α值，提升整体信度，则删除该测量项目（卢纹岱，2002）。双元式创新和绩效的信度检验主要通过α系数来反映。我们对收取数据的83份组织水平的数据进行了CITC和α系数检验。

1。双元式创新的CITC和α信度检验

双元式创新的各测量项目的CITC和信度检验结果如表7-3所示。由表7-3中的数据可知，测量双元式创新各维度的项目的CITC最小值为0。552，最大值为0。804，均大于0。4的标准，各测量项目有较高的信度，符合量表的基本测量要求。

表7-3双元式创新量表的信度分析

注：CITC：Corrected-ItemTotalCorrelation；bach'sAlphaifItemDeleted。

另外，双元式创新的两个维度：利用式创新和探索式创新相应的α系数分别为0。884和0。911。双元式创新总的bachα系数是0。913。各研究构面的α系数均超过0。7以上的可接受水平，表示构成量表的内部一致性可接受，该量表具有较好的信度。由于双元式创新的测量还没有存在统一和广泛接受的标准，本研究在基于学者们对双元式创新的研究，参考CITC检验的结果，首先使用SPSS16。0对双元式创新的测量项目做探索性因素分析，确立和验证量表各维度的划分；然后利用AMOS18。0对其作验证性因素分析以检查各构面是否具有足够的收敛效度和区分效度。

2。绩效的CITC和α信度检验

绩效的各测量项目的CITC和信度检验结果如表7-4所示。由表7-4中的数据可知，测量绩效各维度的项目的CITC最小值为0。598，最大值为0。842，均大于0。4的标准，各测量项目有较高的信度，符合量表的基本测量要求。

表7-4绩效量表的信度分析

注：CITC：Corrected-ItemTotalCorrelation；bach'sAlphaifItemDeleted。

另外，绩效的两个维度：短期财务绩效和长期竞争优势相应的α系数分别为0。901和0。906。绩效总的bachα系数是0。913。各研究构面的α系数均超过0。7以上的可接受水平，表示构成量表的内部一致性可接受，该量表具有较好的信度。

本研究在基于前人对企业绩效研究的基础上，参考CITC检验的结果，首先使用SPSS16。0对企业绩效的测量项目做探索性因素分析，确立和验证量表各维度的划分；然后接下来利用AMOS18。0对其做验证性因素分析以检查各构面是否具有足够的收敛效度和区分效度。

7。4。2探索性因素分析

1。双元式创新的探索性因素分析

我们对收取数据的83份组织水平的随机数据进行了探索性因素分析。首先，我们先对双元式创新的各个测量项进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析，表7-5是SPSS16。0数据处理的输出结果。

表7-5变量的KMO样本测度和巴特利特球体检验

表7-5结果显示：样本KMO值为0。828，表明该组变量数据是很适合作探索性因子分析的（＞0。80）。同时，巴特利特球体检验的γ2统计值的显著性概率是0。000（＜0。001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。

在探索性因子分析中，采用主成分分析方法，特征根大于1。0，得到经过正交转换后企业动态的因子负载矩阵，如表7-6所示。所有测量项目不存在交叉载荷现象（gLoading），并且因子负载大于0。4。这些表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。

探索性因素分析结果表明，可以从双元式创新的14个项目中提取2个因素。这些因素累计解释的总体变异为63。332%。对因素分析后的因素命名：分别有7个项目进入了F1，7个项目进入了F2，基本与原构思符合。根据因素归类中测量项目的内容，本研究将这2个因素命名为双元式创新的利用式创新维度与探索式创新维度。通过计算bach内部一致性系数，我们发现双元式创新的利用式创新维度与探索式创新维度的一致性系数分别达到0。911和0。884。各个因素的α系数均大于0。70，表明同一个维度间测量项目的内部一致性程度较好，并且内部结构良好，问卷测量的信度是可以接受的。

表7-6双元式创新量表的探索性因素分析

注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了三次迭代。

2。企业绩效的探索性因素分析

我们对收取数据的83份组织水平的随机数据进行了探索性因素分析。首先我们先对企业绩效的各个测量项进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析，表7-7是SPSS16。0数据处理的输出结果。

表7-7变量的KMO样本测度和巴特利特球体检验

表7-7结果显示：样本KMO值为0。869，表明该组变量数据是很适合作探索性因子分析的（＞0。80）。同时，巴特利特球体检验的γ2统计值的显著性概率是0。000（＜0。001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。并且，如果观测数据适合作因子分析，并且测量同一维度的指标因子负载较大（通常需要高于0。4），同时这些指标在其他维度上的因子负载较小（通常需要低于0。4），则表明该量表具有良好的内部结构，构念效度较高（陈晓萍、徐淑英和樊景立，2008）。

在探索性因子分析中，采用主成分分析方法，特征根大于1。0，得到经过正交转换后企业动态的因子负载矩阵，如表7-8所示。但测量项目Short_per5存在交叉载荷现象（gLoading），并且大于0。4。根据陈晓萍、徐淑英和樊景立（2008）的建议，我们删去Short_per5这个测量项目，然后再进行探索性因素分析。

表7-8企业绩效量表的探索性因素分析

注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了三次迭代。

接着，我们采取同样的分析步骤对企业绩效的各个测量项目（删去Short_per5后的其他项目）进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析。分析结果显示，测量项目Long_per2存在交叉载荷现象（gLoading），并且大于0。4。根据陈晓萍、徐淑英和樊景立（2008）的建议，我们删去Long_per2这个测量项目，然后再进行探索性因素分析。

表7-9变量的KMO样本测度和巴特利特球体检验

我们对企业绩效的各个测量项目（删去Sh_per2后的其他项目）进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析。表7-9是SPSS16。0统计软件包数据处理的输出结果。

表7-9结果显示：样本KMO值为0。832，表明该组变量数据是很适合作探索性因子分析的（0。80＜KMO＜0。90）。同时，巴特利特球体检验的γ2统计值的显著性概率是0。000（＜0。001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。