奇书网

8 4 研究结果（第2页）

1。个人层次影响要素的探索性因素分析

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。首先我们先对个人层次影响要素的各个测量项进行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8-7是SPSS16。0数据处理的输出结果。

表8-7变量的KMO样本测度和巴特利特球体检验

表8-7结果显示：样本KMO值为0。816，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）。

表8-8个人层次影响要素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;经过了五次迭代。

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个人层次影响要素的因子负载矩阵，如表8-8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，可以从个人层次影响要素的13个项目中提取三个因素。这些因素累计解释的总体变异为70。390%。对因素分析后的因素命名：分别有5个项目进入了F1，4个项目进入了F2，4个项目进入了F3，基本与原构思符合。根据因素归类中测量项目的内容，本研究将这三个因素命名为个人层次影响要素的超前行动性维度、风险承担维度和创新性维度。通过计算bach'sα内部一致性系数，我们发现个人层次影响要素的三个维度：超前行动性维度、风险承担维度和创新性维度相应的α系数分别为0。883、0。886和0。782。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。

2。高层管理团队特征的探索性因素分析

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。首先我们先对影响企业动态能力的高层管理团队特征的各个测量项进行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8-9是SPSS16。0数据处理的输出结果。

表8-9变量的KMO样本测度和巴特利特球体检验

表8-9结果显示：样本KMO值为0。881，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高层管理团队特征的因子负载矩阵，如表8-10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）。

表8-10高层管理团队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。

探索性因素分析结果表明，可以从高层管理团队特征的13个项目中提取两个因素，其中共享愿景维度和社会整合维度合并到了一个维度。这些因素累计解释的总体变异为70。109%。

对因素分析后的因素命名：分别有9个项目进入了F1，4个项目进入了F2。根据因素归类中测量项目的内容，本研究将这两个因素命名为高层管理团队特征的共享愿景与社会整合维度和权变薪酬奖励体系维度。通过计算bach'sα内部一致性系数，我们发现高层管理团队特征的两个维度：共享愿景与社会整合维度和权变薪酬奖励体系维度相应的α系数分别为0。938和0。880。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。

3。组织层次特征的探索性因素分析

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。首先我们先对企业动态能力组织层次影响要素的各个测量项进行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8-11是SPSS16。0数据处理的输出结果。

表8-11变量的KMO样本测度和巴特利特球体检验

表8-11结果显示：样本KMO值为0。790，表明该组变量数据是适合作探索性因子分析的（＞0。70）。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能力组织层次影响要素的因子负载矩阵，如表5-12所示。所有测量项目不存在交叉载荷现象，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，可以从企业动态能力组织层次影响要素的7个项目中提取两个因素，这些因素累计解释的总体变异为69。128%。对因素分析后的因素命名：分别有4个项目进入了F1，3个项目进入了F2。根据因素归类中测量项目的内容，本研究将这两个因素命名为企业动态能力组织层次影响要素的战略联盟维度和资源存量维度。通过计算bach'sα内部一致性系数，我们发现企业动态能力组织层次影响要素的两个维度：战略联盟维度和资源存量维度相应的α系数分别为0。847和0。746。各个因素对应的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8-12企业动态能力组织层次影响要素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。

4。环境层次特征的探索性因素分析

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。首先我们先对企业动态能力环境层次影响要素的各个测量项进行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8-13是SPSS16。0数据处理的输出结果。

表8-13变量的KMO样本测度和巴特利特球体检验

表8-13结果显示：样本KMO值为0。781，表明该组变量数据是适合作探索性因子分析的（＞0。70）。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能力环境层次影响要素的因子负载矩阵，如表8-14所示。但测量项目“在我们行业，产品生命周期非常短”以及“在我们行业，政府政策变动的非常快”存在交叉载荷现象（gLoading），并且都大于0。4。根据陈晓萍，徐淑英和樊景立（2008）的建议，我们删去这两个测量项目，然后再进行探索性因素分析。