数据分析与研究结果

时间：2023-11-08 理论教育版权反馈

【摘要】：本书的数据分析过程涉及结构方程模型，因此在运用探索性因子分析确定了最终的测量条目后，首先进行了样本数据的正态性检验。图4.4给出了人力资本投资一阶测量模型的CFA结果。然后，根据理论分析和研究的目的，将预算投入、招聘投资归入增值型人力资本投资，将员工参与、教育培训和长期激励合并为保值型人力资本投资，进行了二阶测量模型的CFA分析。

4.3.3　数据分析与研究结果

本书使用的统计软件是SPSS16.0和LISREL8.7。

（1）探索性因子分析。

由于学术界并没有形成对企业人力资本以及人力资本投资的成熟测量量表，为确定变量的维度，建立起最终的测量模型，本书首先对第一次调查获取的239份样本数据，对企业人力资本以及人力资本投资的测量条目运用SPSS16.0进行了探索性因子分析。具体步骤说明如下：

第一步，借助KMO和Bartlett球度检验方法分别考察企业人力资本和企业人力资本投资两张量表是否适合进行因子分析。其中，如表4.6所示，企业人力资本量表的KMO值为0.928，企业人力资本投资量表的KMO值为0.911，根据Kaiser给出的常用KMO度量标准，两张量表均非常适合做因子分析。同时，企业人力资本量表的Bartlett检验统计量的观测值为5331.310，企业人力资本量表的巴特利特球度检验统计量的观测值为5011.239，相应的概率p均小于显著性水平，适合做因子分析。

表4.6　KMO测度和Bartlett球体检验结果

第二步，采用主成分分析法提取因子，删除解释力低的条目。首先采用主成分分析法选取特征根大于1的公因子，再以方差最大法进行公因子正交旋转处理，保留因子载荷大于0.5，交叉载荷小于0.4的条目，对所要保留条目重新进行因子分析，仍按上述条件再进行节选，如此反复进行，直至无需节选的状态。企业人力资本量表共进行了4次因子分析，总计删除23个条目，保留了17个条目；企业人力资本投资量表共进行了5次因子分析，总计删除18个条目，保留了19个条目。

表4.7　企业人力资本量表EFA结果

表4.8　企业人力资本投资量表EFA结果

第三步，公因子的命名解释。采用方差最大法对保留条目的因子载荷矩阵实施正交旋转，便于公因子的命名解释。表4.7，表4.8给出了两张量表探索性因子分析的结果：

企业人力资本量表17个条目代表了4个因子，共解释了总变异量的65.94%。将各公因子分别命名为团体能力、个体能力、员工稳定性、员工体能，根据研究的需要以及相关文献的分析，将团体能力和个体能力两个因子归入能力型人力资本，将员工稳定性和员工体能归入数量型人力资本；

企业人力资本投资量表19个条目代表了5个因子，共解释了总变异量的69.96%。本书将这些公因子分别命名为预算投入、员工参与、长期激励、教育培训、招聘投资。根据增值性人力资本投资和保值性人力资本投资的定义，将员工参与、教育培训、长期激励归入增值性人力资本投资，将招聘和预算投入归入保值性人力资本投资。

（2）样本数据的正态性检验。

很多数据处理的过程，尤其是结构方程模型建模都要求样本数据服从正态分布。本书的数据分析过程涉及结构方程模型，因此在运用探索性因子分析确定了最终的测量条目后，首先进行了样本数据的正态性检验。

正态性检验的方法有多种，本书用峰度和偏度来检验。如果样本数据服从正态分布，那么峰度（Kurtosis）和偏度（Skewness）为零，或者显著性为零。但在社会科学的研究中，可以将要求适度放宽，只要不是极度偏态的分布（峰度的绝对值大于5或者偏度的绝对值大于2）都可以被接受（Bentler ＆Chou，1987）。表4.9给出了所有测量题项的最小值、最大值、均值、标准差以及偏度和峰度值。从表4.9中的数据可以看出，所有题项偏度的绝对值均在0.012～0.684之间，所有题项峰度的绝对值均在0.026～1.078之间，都在建议的取值范围以内，因此可以认为本书的样本数据服从正态分布。

表4.9　各题项最小值、最大值、均值、标准差以及偏度、峰度

（3）验证性因子分析。

运用二次调查的数据进行验证性因子分析（CFA），通过测量模型的拟合指标来评价量表的构念效度。本书采用以下的拟合度指标，这些指标的临界值分别为卡方指数（χ²／df）大于2小于5，RMSEA小于0.08，SRMR小于0.1，NNFI和CFI大于0.9。

首先，将企业人力资本的四个维度合并为“企业人力资本”，将企业人力资本投资的五个维度合并为“企业人力资本投资”，进行二阶一维测量模型的验证性因子分析。结果显示，企业人力资本量表除了一个条目以外，其余条目的标准化符合均大于0.6，而各拟合指标的取值均在建议的取值范围之内（χ²／df＝2.655，RMSEA＝0.062，SRMR＝0.038，NNFI＝0.97，CFI＝0.98）；企业人力资本投资量表也只有一个条目的标准化符合小于0.6，同时各拟合指标的取值绝大多数都在建议的取值范围之内（χ²／df＝3.818，RMSEA＝0.081，SRMR＝0.06，NNFI＝0.95，CFI＝0.96）。

然后，将企业人力资本中的团体能力、个体能力合并为能力型人力资本，将员工稳定性和员工体能合并为数量型人力资本，将企业人力资本投资的预算投入、招聘投资合并为保值性人力资本投资，将长期激励、教育和员工参与合并为保值性人力资本投资，进行二阶二维测量模型的验证性因子分析。

①企业人力资本。

首先，根据探索性因子分析提取的维度，进行了一阶测量模型的CFA分析。图4.2给出了人力资本一阶测量模型的CFA结果。然后，根据理论分析和研究的目的，将企业人力资本中的团体能力、个体能力合并为能力型人力资本，将员工稳定性和员工体能合并为数量型人力资本，进行了二阶测量模型的CFA分析。图4.3给出了人力资本二阶测量模型的CFA结果。

χ²／df＝2.676，RMSEA＝0.063，SRMR＝0.038，NNFI＝0.97，CFI＝0.98

图4.2　人力资本一阶测量模型的CFA结果

χ²／df＝3.022，RMSEA＝0.069，SRMR＝0.051，NNFI＝0.96CFI＝0.97

图4.3　人力资本二阶测量模型的CFA结果

图4.2和图4.3的结果表明：从标准化负荷（λ）的取值来看，仅有一个条目的λ值小于0.6；从各拟合指标来看，两个测量模型的拟合指标均在建议的取值范围之内。据此可以说明，企业人力资本量表具有良好的构念效度。

②企业人力资本投资。

首先，根据探索性因子分析提取的维度，进行了一阶测量模型的CFA分析。图4.4给出了人力资本投资一阶测量模型的CFA结果。然后，根据理论分析和研究的目的，将预算投入、招聘投资归入增值型人力资本投资，将员工参与、教育培训和长期激励合并为保值型人力资本投资，进行了二阶测量模型的CFA分析。图4.5给出了人力资本投资二阶测量模型的CFA结果。

图4.4和图4.5的结果表明：从标准化负荷（λ）的取值来看，除了一个条目，其余条目的λ值都大于0.6；从各拟合指标来看，两个测量模型的拟合指标均在建议的取值范围之内。据此说明，企业人力资本投资量表具有良好的构念效度。

（4）因子得分的相关分析。

从表4.10中可以看出，企业人力资本投资的总量不仅与企业人力资本的总量表现出显著的正相关关系，各维度之间也表现出了相关性。

（5）控制变量的影响。

从表4.10中可以看出，员工人数、成立时间和销售收入这三个变量与企业人力资本投资之间并没有显著关系，即在本研究中控制变量的影响并不明显。

（6）路径分析与假设验证。

本书用结构方程模型的路径分析来验证假设，表4.11给出了路径分析以及假设检验的结果。首先考察了企业人力资本投资对企业人力资本的影响，企业的人力资本投资对企业人力资本有正向影响（β＝0.71，t－value＝9.85），假设H1得到证实，同时，该结构模型具有很好的拟合度（χ₂＝1450.08，df＝584，p＜0.001，RMSEA＝0.059，SRMR＝0.058，NNFI＝0.97，CFI＝0.97）。

本书还考察了企业人力资本投资的不同维度对企业人力资本的不同影响，增值性人力资本投资不仅能增加能力型的人力资本（β＝0.70，t－value＝3.05），也能增加数量型的人力资本（β＝0.68，t－value＝2.17），因此假设H2.a得到证实，假设H2.b未得到支持；保值性人力资本对于能力型人力资本没有直接影响（β＝－0.01，t－value＝－0.08），假设H3.a得到证实，但对于数量型人力资本仍没有直接影响（β＝－0.23，t－value＝－0.76），假设H3.b未得到支持。同时，该结构模型的拟合度也很好（χ₂＝1389.21，df＝580，p＜0.001，RMSEA＝0.057，SRMR＝0.057，NNFI＝0.97，CFI＝0.97）。