问卷分析方法

在提出概念模型和理论假设的基础上，本研究将主要运用结构方程模型法（Structural Equation Modeling，SEM），但是，在进行变量间关系结构方程模型分析前，为了确保数据分析结论的说服力，需要对所采集的样本数据进行测量模型（measurement model）的探索性因子分析（Exploratory Factor Analysis，EFA）和验证性因子分析（Confirmatory Factor Analysis，CFA），检验测量方法的信度与效度（Anderson与Gerbing，1988）。

本研究以问卷调查方式收集数据，并对回收到的有效问卷数据进行描述性统计、探索性因子分析、信度与效度检验、验证性因子分析、变量间关系结构方程模型分析等统计分析，来检验结构模型与样本数据的拟合情况和样本数据对假设的支持情况。根据研究目的和检验假设的需要，所使用的统计分析软件主要是SPSS 13．0和AMOS 18．0，其中，SPSS 13．0软件用于描述性统计、探索性因子分析、测度变量的信度及效度，AMOS 18．0软件则用于验证性因子分析和结构方程建模，以及对提出的假设进行检验。

一、描述性统计分析

描述性统计分析（Descriptive statistic Analysis）用数学语言表述一组样本的特征或者样本各变量间关联的特征，用来概括和解释样本数据（李怀祖，2004）。本研究的描述性统计主要针对样本企业的基本资料和填写人的相关信息，包括企业所属的行业领域、从事该领域的时间、填写人目前的职位以及任职时间进行统计分析，说明各变量的均值、百分比（标准差）等，以描述样本类别、特性以及比例分配情况。

二、信度与效度检验

信度分析（Reliability Analysis）主要是检验所发展的量表在度量相关变量时是否具有稳定性和一致性。信度高意味着排除随机误差的能力强。常用的信度指标有稳定性（Stability）、等值性（Equivalence）和内部一致性（Internal Consistency）（李怀祖，2004）。

本研究采用内部一致性这一指标对量表的信度进行检验。内部一致性关注不同测量题项所引致的测量结果的差异，可以用来衡量某一测量题项与测量同一变量的其他测量题项之间的相关关系，是一种验证性的方法。为了验证样本数据各题项之间的内部一致性，本研究将计算各变量的题项—总体相关系数以及Cronbach'sα系数，用以评价变量度量的信度。样本数据的信度通过检验的最低可接受值为：题项—总体（Item to Total）相关系数（CITC）大于0．35，Cronbach's α系数大于0．70（李怀祖，2004）。

效度分析（Validity Analysis）是指测量工具能正确测量出想要衡量的性质的程度。常用的效度可以分为两种：内容效度（Content validity）和结构效度（Construct validity）。

内容效度旨在检测衡量内容的适切性，即用来反映量表内容切合主题的程度。检验的方法主要采用专家判断法，由相关专家和专业人士就题项恰当与否进行评价（Pilar，2005）。本研究参考了一些经典实证研究文献中的问卷设计，量表的形成基于较系统的文献整理，并结合专家意见进行修改完善，因此，可以认为本研究量表具有较高的内容效度。

结构效度主要是用来检验量表是否可以真正度量出所要度量的变量，主要分为聚合效度（Convergent validity）和区分效度（Discriminate validity）两种。研究者的测量量表实际上是根据假设的总体研究模型或者说某种模型结构而形成的，一般采用因子分析来分别检验这两种效度（吴明隆，2003）：（1）聚合效度，本研究采用Anderson与Gerbing（1988）的观点，即观察变量对其潜变量的因子荷载大于0．70，并且T值大于相应显著水平下临界值时，该潜变量各测量指标在该显著性水平下具有良好的聚合效度；（2）区分效度，本研究采用Anderson（1987）的观点，计算相关构面的相关系数，若该相关系数值的95%置信区间不包含1，则可以认为两个构面之间具有区分效度。

三、探索性因子分析

探索性因子分析能够将具有错综复杂关系的变量综合为少数几个核心因子，可用于寻找多元观测变量的本质结构。通过探索性因子分析，能够将有关系错综复杂的变量综合为少数几个核心因子以寻求数据的基本结构，达到浓缩数据的主要目的（马庆国，2002）。本研究关于战略变革构成要素的六个变量、组织创新视角下影响战略变革因素的两个变量以及企业战略变革效果的测度量表是在文献分析和专家座谈的基础上对已有研究中的量表进行改进而提出的，因此，为了进一步明确观测变量的内部结构，验证相关测度题项合理性，需要对各变量进行探索性因子分析。

本研究采用主成分分析的因子提取方法和最大方差的旋转方法，按照特征根大于1的方式提取因子。根据马庆国（2002）的观点，对某变量进行因子分析的前提是该变量各测量指标之间具有相关性，在对各变量测量指标进行因子分析之前必须进行KMO（Kaiser－Meyer－Olkin）样本测度和Bartlett球形检验（Bartlett's test）。对于各变量测量数据是否适合做因子分析的评判标准，探索性因子分析中各题项因子载荷的最低可接受值为0．5（马庆国，2002），即对于KMO样本测度而言，在0．90以上，非常适合；0．80—0．90，很适合；0．70—0．80，适合；0．60—0．70，不太适合；0．50—0．60，很勉强；0．50以下，不适合。对Bartlett球形检验而言，当Bartlett统计值的显著性概率不大于某一特定系数a（通常取a＝0．01）时，可以作因子分析。本研究针对概念模型中涉及的战略变革类型的构成要素、组织创新不同层面的特征要素以及战略变革后的组织绩效等变量做KMO样本测度和Bartlett球形检验，以检验本研究变量是否适合做因子分析。

四、验证性因子分析

验证性因子分析（Confirmatory Factor Analysis）是用来检验已知特定结构是否按照预期的方式产生作用。在探索性因子分析的基础上，本研究将使用AMOS 18．0软件进一步对变量做验证性因子分析，通过数据与测量模型的拟合分析测量模型对样本数据的整体拟合水平，检验各观测变量的因子结构与先前的构想是否相符。

对于结构方程模型法（Structural Equation Model，SEM），评估的关键在于模型的拟合性（适配度），模型的拟合性意味着变量间关系的假设模型与实际观测数据的拟合程度。Breckler（1990）指出，要保证基于良好拟合效果的模型来对理论假设进行验证，至少需要一个以上的参数标准，而温忠麟、侯杰泰、马什赫伯特（2004）发现，文献上正式发表、有名字的指数有40多个，如χ2（Chi－square，卡方）、RMSEA（Root Mean Square Error of Approximation，近似误差均方根）、GFI（Goodness－of－Fit Index，拟合优度指数）、SRMR（Standardized Root Mean Square Residual，标准化残差均方根）、AGFI（Adjusted Goodness－of－Fit Index，调整拟合优度指数）、NFI（Normed Fit Index，赋范拟合指数）、NNFI（Non－normed Fit Index，非范拟合指数）或TLI（Tucker－Lewis Index，Tucker－Lewis指数）、CFI（Comparative Fit Index，比较拟合指数）等。如何在如此多的指数中选取合适的指标呢？Hu与Bentler（1998，1999）推荐了检验结构方程模型的7个拟合指数准则，包括TLI、IFI、CFI（或RNI）、Mc、Gamma Hat、SRMR和RMSEA。

根据侯杰泰、温忠麟和成子娟（2004），温忠麟、侯杰泰和马什赫伯特（2004）的研究，本研究综合选用绝对拟合指标和相对拟合指标用以评价结构方程模型拟合程度，用于评价模型拟合的几个主要指标及其具体判别标准如下：

卡方（χ2）对自由度（d f）的比值，即χ2／d f：要求χ2不显著（p＞0．05）；若此条件不满足，可以考察卡方（χ2）对自由度（d f）的比值，是一种基于拟合函数的绝对拟合指数。若χ2／d f＜5，则对χ2不显著的要求可忽略不计；若2＜χ2／df＜5，模型可以接受；若χ2／d f≤2，模型拟合较好。

近似误差均方根（Root Mean square Error of Approximation，RMSEA）：受样本容量的影响较小，是较好的绝对拟合指数。若RMSEA≤0．05，表示假设模型拟合程度好；若0．05≤RM S E A≤0．08，表示拟合程度可以接受；若0．08≤RM S E A≤0．1，表示拟合程度一般；当RM S E A＞0．1时，则表示模型与数据的拟合程度较差（陈晓萍等，2008）；RMSEA越接近于0表明模型拟合越好。

Tucker－Lewis指数（TLI）：一种在新近的拟合指数研究中较为推崇的相对拟合指数。若TLI≥0．90，模型可接受；TLI越接近于1，表示模型拟合程度越好；

比较拟合指数（Comparative Fit Index，CFI）：不受样本容量的系统影响，能比较敏感地反映误设模型的变化，是比较理想的相对拟合指数。若CFI≥0．90，模型可接受；CFI越接近于1表明模型拟合越好。

另外，本研究的所有检验都是双尾检验，对于与路径系数相应的临界值C．R．（critical Ratio），参照余红剑（2007）和黄芳铭（2005）等人的相关研究，检验各路径系数与变量间效应的显著水平及假设是否得到支持的标准如下：

当T≥3．29时，表明该路径系数在p≤0．001的水平上具有统计显著性，即＊＊＊＊p≤0．001，得到支持；

当2．58≤T＜3．29时，表明该路径系数在p≤0．01的水平上具有统计显著性，即＊＊＊p≤0．01，得到支持；

当1．96≤T＜2．58时，表明该路径系数在p≤0．05的水平上具有统计显著性，即＊＊p≤0．05，得到支持；

当1．65≤T＜1．96时，表明该路径系数在p≤0．1的水平上具有统计显著性，即＊p≤0．1，得到支持；

当T＜1．65时，表明路径系数不具有统计显著性，即p＞0．1，未得到支持。

五、结构方程建模

在效度与信度检验之后，本研究将针对所提出的概念模型，运用结构方程模型法（Structural Equation Model，SEM）来检验结构模型与样本数据的拟合情况和变量间的作用路径，通过分析找出模型中拟合欠佳的部分，并进行修正，最终产生一个理想的模型。

结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的外显变量，也可能包含无法直接观测的潜在变量。结构方程模型可以替代多元回归、路径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系（李怀祖，2004）。

结构方程建模具有以下的优点：可以同时考虑和处理多个因变量；容许自变量及因变量含有测量误差；与因子分析相似，容许潜在变量由多个观察指标构成，并且可以同时估计指标的信度及效度；研究者可以设计出潜在变量之间的关系，并估计整个模型与数据拟合的程度（Bollen ＆Long，1993；程开明，2006）。由于本研究中战略变革类型的构成要素、组织创新不同层面的特征要素和组织绩效所涉及的变量具有主观性强、难以直接测量、存在测量误差和因果关系复杂等原因，结构方程建模法适用于本研究。

结构方程模型的应用可分为四个步骤（侯杰泰等，2004）：模型设定（Model Specification）、模型拟合（Model Fitting）、模型评价（Model Assessment）以及模型修正（Model Modification）。其分析的核心是模型的拟合性，即研究者所提出变量间的关联模式，是否与实际数据拟合以及拟合的程度如何，从而对研究者的理论研究模型进行验证（侯杰泰、温忠麟、成子娟，2004）。本研究将综合运用绝对拟合指数与相对拟合指数进行模型评价，选取χ2／d f、RMSEA、TLI和CFI四类广为认可和应用的指标作为评价模型的拟合指数。