结构方程模型检验

3．2．3　结构方程模型检验

通过探索性因子分析和验证性因子分析，说明本研究所构建的测量模型具有较好的表征效果，可以用来进行更进一步的结构分析。下面，本研究将运用结构方程建模的方法打开全球制造网络对技术创新绩效作用机制的黑箱，对第2章所提出的概念模型与研究假设进行验证。

3．2．3．1　初步数据分析

在对结构模型进行数据分析之前，需要对数据的合理性和有效性进行检验。一般认为，样本容量至少在100～150之间，才适合使用极大似然法（ML）对结构模型进行估计（Ding，Velicer ＆ Harlow，1995）。本研究的样本数量为185份，已达到最低样本容量要求。同时，使用极大似然法进行结构方程模型估计，要求所使用的数据服从正态分布。一般地，样本数据满足中值与中位数相近，偏度（skew）小于2，同时峰度（kurtosis）小于5的条件时，即可认为其服从正态分布（Ghiselli，Campbell ＆ Zedeck，1981）。使用SPSS 16．0对样本数据的偏度和峰度分析表明，本研究各题项的样本数据均符合正态分布要求。另外，3．1．4节已经对本研究样本数据的信度和效度进行了检验。因此，本研究样本数据的容量、分布状态以及效度与信度均达到结构方程建模的要求。此外，在构建结构方程模型前，还需对结构方程涉及的所有变量进行简单相关分析。如表3．20所示，全球制造网络位置中心度、联结强度、网络规模与利用性学习、探索性学习以及技术创新绩效之间均有显著的相关关系。

表3．20　描述性统计分析及各变量间相关关系（N＝185）

附：**表示显著性水平p＜0．01（双尾检验），*表示显著性水平p＜0．05（双尾检验）。

3．2．3．2　初始模型构建

结构方程一般可分为三类分析：纯粹验证、选择模型和产生模型（侯杰泰，温忠麟和成子娟，2004）。其中产生模型分析指事先建构一个或多个基本模型，检查这些模型是否拟合数据，基于理论或样本数据分析，针对模型中拟合欠佳的部分进行调整并修正，并通过同一数据或其他样本数据检查修正模型的拟合程度，其分析目的在于通过不断调整与修正进而产生一个最佳模型。

本研究属于产生模型分析，即通过基于第2章提出的理论概念模型和研究假设构建初始结构模型，然后通过理论及数据分析对其进行修正，从而产生一个既符合理论推导又符合实践情况的最佳模型。

基于图2．2所构建的全球制造网络对技术创新绩效作用机制概念模型，本研究设置了初始结构方程模型（见图3．4）。该模型通过10个外生显变量（业务联系经过公司、网络知识解决问题、网络知识丰富、网络联系稳固、供应商交往频率、客户交往频率、其他企业交往频率、供应商合作数量、客户合作数量、其他企业合作数量）来对3个外生潜变量（位置中心度、联结强度和网络规模）进行测量，设置11个内生显变量（尽可能利用已有技能、产品体现已有优势、采用过去成功做法、创造新概念产品、实验新工作方法、挑战传统技术、新产品数、申请的专利数、新产品产值比重、新产品开发速度和创新产品成功率）来测量3个内生潜变量（利用性学习、探索性学习、技术创新绩效）。此外，本研究还设置了3个控制变量（企业年龄、企业规模、产业类别）。接下来，本研究将对模型中设定的关于全球制造网络通过组织学习类型对企业技术创新绩效产生影响的9条初始假设影响路径进行验证。

图3．4　基于概念模型的初始结构方程

3．2．3．3　模型初步拟合

利用AMOS软件对初始结构方程模型进行分析运算，拟合结果如表3．21所示。初始结构模型的χ²值为359．519（自由度df＝240），χ²/df值为1．498；RMSEA的值为0．046，小于0．10；NFI、GFI分别为0．889和0．893，都小于0．9。除绝对拟合指标中的χ²/df、RMSEA、CFI和TLI在可接受范围内之外，其他拟合指标（NFI、和GFI）均不在拟合接受范围内，说明初始的结构模型没有通过检验。正如Hatcher（1994）所指出的，很少有模型只经过一次运算就能够拟合成功，这对于产生模型的分析更为常见，其原因可能是所构建的概念模型本身的确存在一些问题，也可能是因为通过调查问卷所获得的数据所造成的偏差。因此针对以上初始模型的拟合结果不合格的情况以及部分不能通过路径系统检验的结果，有必要对初始模型进行微调与修正，并检测其各项拟合指标是否可以达到标准的模型。

表3．21　初始结构模型的拟合结果（N＝185）

附：***表示显著性水平p＜0．001。

3．2．3．4　模型修正与确定

初始模型未拟合成功是产生模型分析中的常见现象，可以通过对模型的修正来获得更满意的拟合结果。

本研究对模型的修正主要通过两方面进行，其一，利用AMOS7．0在模型检验结果中同时给出的可供参考的修改指标MI（Modification Indices），增加残差间的相关关系。因为如果变量的修改指标比较大，则说明原来模型没有考虑到这些变量间的强相关关系，使得路径分析的条件无法达到，需要对模型做出调整，并承认这些变量之间的相关关系，这一调整主要是增加残差间的协方差关系。一般而言，若当a＝0．05水平时，对MI＞3．84以上的参数路径进行修改是适当的（侯杰泰，温忠麟和成子娟，2004）。

其二，根据初始模型检验中的路径系数检验结果，可以通过增加或删除自变量间的路径关系，对模型进行微调。

在综合以上两方面的修改指标后，特别是在结合相关文献研究和变量间关系的实际意义的基础上，本研究认为虽然第一次验证有一条路径（探索性学习←网络规模）没有通过验证，且其路径的C．R值较低，p值较高，但考虑到此次运算中数据与模型并未进行很好的模拟，因此，在对模型进行微调时，本研究暂不对上述没有通过验证的路径关系进行调整，而是先根据AMOS提供的修改指标，通过增加残差间协方差关系对模型进行首次微调，以逐步消除模拟偏差。

模型中修正指数最大的是企业规模←企业年龄之间的修正指数，考虑到年龄和规模之间有一定的相关性，再看路径系数，企业年龄对技术创新绩效没有显著影响（标准路径系数0．045，p为0．304，大于0．1），而规模对技术创新有显著影响（标准路径系数0．109，p为0．013，小于0．05），因此，在进行第一步模型修正时，首先考虑删除企业年龄这个变量。修正后的模型拟合情况如表3．22所示。

表3．22　第一次模型修改后的拟合结果（N＝185）

附：***表示显著性水平p＜0．001。

从表3．22可以看出，经过第一次修正的结构模型的χ²/df、NFI、TLI、CFI、GFI、RMSEA等各项拟合指标均有所改进，说明模型拟合情况变好。

本研究将继续根据路径的修正指数及其所涉及变量间关系的实践意义与理论基础对模型进行调整和修正，以达到最佳拟合效果。在第一次调整后的结构模型中，探索性学习←网络规模路径系数不显著，可能表明网络规模对探索性学习的影响因为利用性学习的中介作用而没有直接的影响。最后，继续在理论分析的基础上，根据最大修正指数对模型进行调整与修正，删除一些路径不显著的路径。删除的路径是：探索性学习←网络规模，最终模型拟合结果如表3．23所示。

表3．23　最终模型修改后的拟合结果（N＝185）

附：***表示显著性水平p＜0．001。

可以看出，调整后最终模型各拟合指标均达到了模型拟合要求，拟合优度良好，通过调整修正所产生的最优结构模型如图3．5所示。

3．2．3．5　模型效应分解

最优结构模型如图3．5所示，变量之间共有10条路径在p≤0．05上的水平上是显著的，分别是：“利用性学习←位置中心度”、“利用性学习←联结强度”、“利用性学习←网络规模”、“探索性学习←位置中心度”、“探索性学习←联结强度”、“探索性学习←利用性学习”、“技术创新绩效←利用性学习”、“技术创新绩效←探索性学习”、“技术创新绩效←企业规模”、“技术创新绩效←产业类型”。

图3．5　全球制造网络对技术创新绩效影响机制的最终结构模型

从模型中我们可以看出，自变量和中介变量之间、自变量和因变量之间以及中介变量之间存在多条路径，变量之间的作用效果既包含了两个变量之间的直接路径的作用，也包含了通过其他变量间接路径的作用。为了清楚说明概念模型路径的全部影响，需要进行效应分解，最终路径模型的效应分析如表3．24所示。

表3．24　最终路径模型的效应分析表

表3．24确认了模型中的直接效应（direct effect）、间接效应（indirecteffect）和总效应（total effect）的统计显著性关系。直接效应是指由原因变量到结果变量的直接影响；间接效应是指因变量通过一个或多个中介变量，而对结果变量的间接影响；总效应为直接效应和间接效应之和。

从最终模型的效应分析表可以看出，位置中心度、联结强度、网络规模对技术创新绩效没有直接影响（三者对技术创新绩效的直接效应标准系数都为0），表明三者通过利用性学习或探索性学习的中介影响技术创新绩效。利用性学习对技术创新绩效的总效应为0．759，直接效应为0．558，间接效应为0．201，表明利用性学习不但可以直接影响技术创新绩效，而且还可以通过正向影响探索性学习进而正向影响技术创新绩效（间接效应0．201＝0．759—0．558）。探索性学习对技术创新绩效的总效应为0．363，直接效应为0．363，间接效应为0，表明企业的探索性学习直接正向影响其技术创新绩效。通过效应分解，本研究进一步打开了全球制造网络到技术创新绩效作用机制的黑箱，再一次验证了位置中心度、联结强度、网络规模以及企业技术创新绩效的关联性，解释了企业网络作用于技术创新绩效的作用机制。