基于结构方程建模的集体学习途径假设检验

4.4.3　基于结构方程建模的集体学习途径假设检验

本书将对假设检验应用结构方程软件AMOS5.0进行分析，这是因为运用结构方程分析具有许多优点。

4.4.3.1　结构方程建模内涵

结构方程建模（Structural Equations Modeling，SEM）又称为协方差结构模型（Conariance Structure Models，CSM）、协方差结构分析（the Aanalysis of Covariance Structure）、矩结构模型（the Moments Structure Models）等。

1966年，Bock和Bargmann最早提出了“验证性因子分析模型”。其后，Joresgog（1973），Wiley（1973）等将Bock和Bargmann的模型逐渐转变，使之成为一种更通用的模型，这就是今天的结构方程模型。这种模型是一种因素模型和一种结构方程式模型结合组成，将心理测量学与经济计量学有效地结合起来。1966年K.Joreshog在教育评估检测中发展的一系列通用的程序（如LISREL），使得结构方程模型得以长足的发展。到如今，AMOS、EQS等更多窗口化软件运用而生。

SEM模型实际是一般线性模式（General Linear Models，GLM）的扩展。一般线性模式包括有：路径分析、典型相关、因素分析、判别分析、多元方差分析及多元回归分析。它们都是SEM模型分析的特例，但许多模式均可以用SEM程序来处理和评价（Quintana et al，1999）。SEM分析是路径分析和因素分析的有机结合，因而比传统建模有更突出的优越性。

结构方程模型与传统的回归分析方法相比，至少有以下特点：

（1）可同时考虑和处理多个因变量；

（2）允许自变量和因变量含有测量误差；

（3）允许潜在变量由多个外源指标变量组成；

（4）可采用比传统变量更有弹性的测量模型，如某一观测变量或项目在SEM内可以同时属于两个潜在变量；

（5）可以考虑潜在变量之间的关系，并估计整个模型是否与数据相吻合。

结构方程的一般形式是：

η＝Bη＋Гξ＋ζ

η是潜在因变量或者内生变量的m×1阶任意向量；

ξ是潜在自变量，或者外生变量的n×1阶任意向量；

B是结构模型中η变量的m×m阶相关系数矩阵；

Г是结构模型中ξ变量的n×n阶相关系数矩阵；

ζ是结构关系中的随机误差的m×1阶任意向量。

对于SEM模型评估好坏的关键是模型的拟合性。所谓模型的拟合性是指表明变量间关系的假设模型与实际观测数据的拟合程度。从而验证研究者的研究结论。如果模型对观测数据拟合良好，则表明假设模型具有有效性，研究结论得到支持，如果拟合效果不好，则表明调查的事情情况与理论假设存在一定差距，需要对假设模型进行必要的修正。当前，还没有单一一个拟合指标能完整评价检验模型的优劣，通常运用一系列拟合指标的组合。

主要用的拟合指标有：χ ²（chi-square test，卡方）、GFI（Goodness-of-Fit index，拟合优度指数）和AGFI（Adjusted Goodness-of-Fit Index，调整拟合优度指数）、RMSEA（Root Mean Square Error of Approximation，近似误差均方根）、SRMR（Standardized Root Mean square Residual，标准化残差均方根）、NFI（Nonmed Fit Index，赋范拟合指数）、NNFI（Non-Nonmed Fit Index，非范拟合指数）又叫TLI（Tucker-Lewis指数）和CFI（Comparative Fit Index，比较拟合指数）。

χ ²拟合指标要求χ ²不显著（对应p＞0.05），但χ ²经常对样本量过于敏感，尤其是样本量超过200时（Hair et al，1992）。随着样本规模的增加，这个指数有更大的趋势解释等价模型的显著差异性。GFI和AGFI两类指数常被也容易受样本容量的影响，且在不同情况下，有各种程度的误差出现（Hu ＆Bentley，1995），故较少使用。研究显示NFI会受样本容量的系统影响，在样本量较少的时候，会低估拟合程度，因此新近的拟合指数研究中并不推荐使用NFI，反而推荐使用NNFI（又名TLI，Tucker-Lewis Index）和CFI（侯杰泰、温忠麟、成子娟，2004）。基于综合考虑，本研究将选取χ ²/df、RMSEA、RMR（Root Mean-Square Residual）、TLI和CFI五类指数作为评价模型的拟合指数。

（1）χ ²/df：要求χ ²不显著（对应p＞0.05），若χ ²/df＜3，则对χ ²不显著的要求可忽略不计。按照Carmines和Mciver的观点（1981），卡方与自由度之比率应该不大于3，但Wheaton等人（1977）认为该指标小于5也可以接受。本书以该指标不超过3为界，在此范围内，模型拟合良好；

（2）RMSEA：RMSEA≤0.08为表示模型拟合良好可接受范围，若RMSEA＜0.05，则模型高度拟合，该指标小于0.10就可以接受，该值越接近0表明模型拟合越好；

（3）RMR：RMR＜0.08认为模型可以接受，该值越接近0表明模型拟合越好。建议最大值为0.10（Chau，1997）；

（4）TLI：该指标取值范围在0～1之间，越接近1越好，一般该指标大于0.90就可表示模型拟合良好；

（5）CFI：该指标的取值范围在0～1之间，越接近1越好，一般该指标大于0.90就表示模型拟合良好。

对于与路径系数相应的临界值CR（Critical Ratio），当其值大于1.96时，表明该路径系数在p≤0.05的水平上具有统计显著性。

4.4.3.2　测量的验证性因子分析

因子分析主要有两种基本形式：探索性因子分析（Exploratory Factor Analysis）和验证性因子分析（Confirmatory Factor Analysis）。探索性因子分析（EFA）致力于找出事物内在的本质结构；而验证性因子分析（CFA）是用来检验已知的特定结构是否按照预期的方式产生作用。探索性因子分析是在事先不知道影响因素的基础上，完全依据资料数据，利用统计软件以一定的原则进行因子分析，最后得出因子的过程。验证性因子分析充分利用了先验信息，是在已知因子的情况下检验所搜集的数据资料是否按事先预定的结构方式产生作用。因此探索性因子分析主要是为了找出影响观测变量的因子个数，以及各个因子和各个观测变量之间的相关程度；而验证性因子分析的主要目的是决定事前定义因子的模型拟合实际数据的能力。进行探索性因子分析之前，我们不必知道我们要用几个因子，各个因子和观测变量之间的联系如何；而验证性因子分析要求事先假设因子结构，我们要做的是检验它是否与观测数据一致。探索性因子分析是因子分析最通常的形式。前面进行的主成分分析为探索性因子分析。验证性因子分析至少要求预先假设模型中因子的数目，但有时也预期那些变量依赖那个因子（Kim and Mueller，1978）。例如，研究者试图检验代表潜在变量的观测变量是否真属于一类。

但验证性因子分析提供了必要的统计分析，以判断理论模型中代表某一结构变量测度的每一测量条款的一致性。Bollen（1989）认为，CFA在关于模糊模型（plausible model）设定的情况下，是一种比探索性因子分析（即主成分因子分析）更好的分析方法。此外，CFA能够识别同一测度内测量条款之间的多重共线性，并能识别与模型中其他结构变量存在交叉荷载（cross-load）的测量条款（即一致性和歧视性效度）。在进行结构方程分析之前，必须要删除测量条款之间的多重共线性，并且，与其他结构变量存在交叉荷载的测量条款如果具有歧视性效度也应该被删除。Hair等（1995）认为在进行CFA分析时，因子负荷系数（表示测量条款对被测结构变量的直接效果）低于0.5的应该给予删除。为了保证数据的质量和验证的严密性，本书在进行了探索性因子分析后，再进行验证性因子分析。

1）一级网络正式交往

一级网络正式交往确定性因子分析模型见图4.2。

图4.2　一级网络正式交往的CFA分析

一级网络正式交往的确定性因子分析包括有知识获取、知识固化、知识运用3个测量维度。相关测量结果及拟合度见图4.2。从图中可见，测项在对应因子上的最小因子负荷系数为为0.58（Q4.1.8）超过0.5的要求；卡方与自由度的比值（χ ²/df）为1.403，小于3；TLI、CFI均超过0.95，RMR小于0.05；RMSEA等于0.053，大于0.5，但小于0.1的要求。因而整个模型的拟合度良好，3个维度可较好地表示一级网络正式交往的内涵。

2）二级网络正式交往

二级网络正式交往确定性因子分析模型见图4.3。

图4.3　二级网络正式交往的CFA分析

二级网络正式交往的确定性因子分析的测量结果及拟合度见图4.3。从图4.3可知，7个测项的因子负荷系数中最小的为0.69（Q2.2.2及Q2.2.6），负荷大于0.5的要求；χ ²/df为2.355，小于3；TLI为0.946，CFI为0.964，均大于0.9；RMR为0.017，小于0.1；RMSEA为0.098，虽然离0较远，但仍然达到小于0.1的要求。因而确定性因子分析模型的拟合度较好，二级网络正式交往可用一个维度测量。

3）非正式交往

非正式交往的确定性因子分析模型见图4.4。

图4.4　非正式交往的CFA分析（初次）

非正式交往的确定性因子分析的测量结果及拟合度见图4.4。从图4.4可见，各测项的因子负荷系数均大于0.5；TLI、CFI均大于0.9，RMR小于0.1，符合测量要求；但χ ₂/df等于3.590，大于3的建议值，而且RMSE为0.135，也大于0.1的要求。可见整个模型的拟合度欠佳，需要对测项进行调整。

在删除因子负荷系数较小的Q2.3.5（系数值为0.63）后，有4个测项的确定性因子分析结果见图4.5。从图4.5可见，因子负荷均超过0.5；P值等于0.124，大于0.05，意味着不显著，符合卡方的测量要求，而且χ ²/df等于0.647，远小于3；TLI为0.978，CFI为0.969，与1的理想值较近；RMR为0.005，RMSEA为0.010，与0的理想值较近。因而调整后的确定性因子分析模型的拟合度良好，非正式交往可用一个维度来表示。

图4.5　非正式交往的CFA分析（调整）

4）人才流动

人才流动的确定性因子分析模型见图4.6。

图4.6　人才流动的CFA分析

人才流动的确定性因子分析的结果见图4.6所示。从图4.6可见，因子负荷中最小的为0.66（Q2.4.5），超过0.5的要求；χ ²/df等于2.014，小于3；TLI、CFI的值均大于0.9；RMR、RMSEA的值分别为0.028、0.043，均低于0.05的要求。因此人才流动的确定性因子分析模型有效，人才流动只有一个测量维度。

5）企业衍生

企业衍生的确定性因子分析模型见图4.7。

图4.7　企业衍生的CFA分析

企业衍生的确定性因子分析结果见图4.7。由图4.7可知，各测项的因子负荷均超过0.5；χ ²/df等于2.679，小于3的要求；CFI为0.954，RMR为0.025，RMSEA为0.033，符合确定性因子分析的要求，但TLI等于0.893，未达到0.1的最低要求，但基于和0.9的要求不远，而且其余数据值较为理想，前面关于企业衍生的主成分因子分析（探索性因子分析）的结果良好，因此测量模型给予保留。因而，企业衍生只有一个测量维度。

6）组织内学习

组织内学习确定因子分析模型见图4.8。

图4.8　组织内学习的CFA分析

组织内学习的确定性因子分析结果见图4.8。从图4.8可见，6个测项的因子负荷均大于0.5；P值为0.069，大于0.05，意味着模型不显著，符合卡方χ ²的要求，而且χ ²/df小于3；TLI、CFI分别为0.940、0.970，大于0.9的要求；RMR为0.020，小于0.05，RMSEA为0.086，虽大于0.05，但小于0.1。由此可见，整个测量模型具有较好的拟合度，组织内学习可用一个维度表示。

7）行业环境

行业环境的确定性因子分析模型见图4.9。

图4.9　行业环境的CFA分析

行业环境的确定性因子分析结果见图4.9所示。由图4.9可见，五项测项的因子负荷均超过0.5；χ ²/df为1.198，小于3；TLI、CFI均超过0.95，RMR、RMSEA均小于0.05。因而，整个模型的拟合度良好，行业环境只有一个测量维度。

8）竞争优势

竞争优势是一个维度的变量，由3个测项来测量，因而自由度df值为0，χ ²/df无法表示，因而不进行确定性因子分析。但前面的主成分因子分析（探索性因子分析）结果良好，而且利用这3个测项是理论界比较公认的测量竞争优势的指标。

4.4.3.3　模型分析结果与讨论

集体学习对集群企业竞争优势的影响模型见表4.28、图4.10所示。

表4.28　集体学习对集群企业竞争优势的影响路径系数

注：＊表示P＜0.05，＊＊表示P＜0.01，＊＊＊表示P＜0.001，以下同。

图4.10　集体学习对集群企业竞争优势的影响程度

从分析结果来看，虽然P为0，表明卡方显著，但χ ²/df等于2.127，小于一般规定的3；RMR等于0.077，RMSEA等于0.089，均小于0.1；TLI为0.922，大于0.9；CFI为0.886，虽小于0.9，但和0.9很接近。总而言之，模型的拟合度可以被接受。

从表4.28和图4.10可知，一级网络正式交往、二级网络正式交往、非正式交往、人才流动、企业衍生对集群企业竞争优势均有显著正向影响，但几种影响效应的强度是不一样的。其中，一级网络正式交往最强，二级网络正式交往次之，其后分别是非正式交往、人才流动、企业衍生。表明在产业集群中，各种集体学习途径对集群企业竞争优势产生显著正向影响，但影响力的大小是不同的。模型1的结果支持H1a—H5a。