格格党

手机浏览器扫描二维码访问

4 4 研究结果（第2页）

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。

各测量项目的CITC和信度检验结果如表4-4所示。

表4-4企业动态能力量表的信度分析

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

由表4-4中的数据可知，测量企业动态能力各维度的项目的CITC最小值为0.475，最大值为0.848，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。

另外，企业动态能力的四个维度：机会识别能力、整合重构能力、技术柔性能力和组织柔性能力相应的α系数分别为0.800、0.911、0.854和0.906。

并且，企业动态能力整体bach'sα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。

由于企业动态能力的测量还没有存在统一和广泛接受的标准，本研究在基于访谈和其他学者对企业动态能力的研究，参考CITC检验的结果，首先使用SPSS16.0统计软件包对企业动态能力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对其做验证性因素分析以检验各构面是否具有足够的收敛效度和区分效度。

4.4.3企业动态能力的探索性因素分析

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。

具体而言，利用巴特利特球体检验和KMO测度来判断观测数据是否适合做因子分析。

巴特利球体检验从检验整个相关矩阵出发，其零假设为相关矩阵是单位矩阵，如果不能拒绝该假设的话，应该重新考虑因子分析的使用（郭志刚，2004）。

KMO测度从比较观测变量之间的简单相关系数和偏相关系数的大小出发，其值的变化范围从0～1，该值越大则越适合做因子分析。

首先我们先对企业动态能力的各个测量项目进行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4-5是SPSS16.0统计软件包数据处理的输出结果。

表4-5变量的KMO样本测度和巴特利特球体检验

表4-5结果显示：样本KMO值为0.809，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，如果观测数据适合做因子分析，并且测量同一维度的指标因子负载较大（通常需要高于0.400），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0.400），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的因子负载矩阵，如表4-6所示。

但测量项目IRC4和IRC5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，删去这两个测量项目，然后再进行探索性因素分析。

表4-6企业动态能力探索性因素分析（EFA）

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。

接着，我们对企业动态能力的各个测量项目（删去IRC4和IRC5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4-7是SPSS16.0统计软件包数据处理的输出结果。

表4-7变量的KMO样本测度和巴特利特球体检验

表4-7结果显示：样本KMO值为0.795，表明该组变量数据是适合作探索性因子分析的（0.70＜KMO＜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能力的因子负载矩阵，如表4-8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的16个项目中提取4个因素。

这些因素累计解释的总体变异为72.248%。