小规模预调研对调研问卷有效性分析与优化

为了提升大规模调研的效果，本研究在正式调研前先进行了小规模预调研，并据此对调研问卷进行修正。小规模预调研的主要目的在于：初步检验各变量或维度测量指标的有效性及相互关系，以进一步精简问卷，并试图发现问卷调研中的其他问题。因此，我们按以下程序进行：首先，主要从数据中求出各变量或维度测量题项数据的内部一致性信度α值；然后，根据Churchill（1979）的建议，采用“项目—全体项目相关法”删除无（低）效问项，即将各测量某一特定变量（或特定维度）的所有题项进行相关性分析，计算出每一题项的相关系数（ITT值）进行比较，从而对项目或维度进行取舍。

3.3.1 样本描述

我们于2012年2月对130家创业板上市公司的董事会秘书与人力资源总监分别进行问卷调查，共发放问卷260份，回收135份，回收率为51.9％，有效问卷130份，有效率92％，样本企业的基本情况见表3－1。

表3－1 样本企业的基本情况

3.3.2 统计分析

数据分析采用统计软件SPSS16.0与AMOS18.0进行数据处理与统计分析。统计分析主要包括探索性因素分析、相关分析、T检验和验证性因素分析。

3.3.3 预试结果分析

1.高绩效人力资源管理系统量表预试结果分析

第一步，项目分析（item analysis，IA）。项目分析的主要目的是计算出问卷各个题项的决断值（CR值）。决断值又叫临界比，它是根据测量总分区分出高低分组之后，再求高、低两组每个题项的平均差异显著性，以删除未达到显著水平的题项（吴明隆，2003）。对初试问卷的条目进行项目分析时，结果发现 CHRM10，CHRM11， CHRM18，CHRM19四个条目没有鉴别度，予以剔除。除了运用CR值挑选题项外，还可计算每个题项的分数与总分数的相关系数，以相关系数的显著性作为另一个判别依据。相关系数的计算结果显示，对初试问卷各条目的取舍与项目分析的结果相一致。

第二步，探索性因子分析（exploratory factor analysis，EFA）。对样本数据进行探索性因素分析之前，我们对于该分析中取样的适当性进行了分析，发现KMO指标为0.858，Bartlett球形检验χ2值为1 158.530，伴随概率小于0.001，达到非常显著的水平，表明调查数据适合进行因子分析。根据因素分析理论，对因素数目的确定采用以下标准：①因素的特征值大于1；②符合碎石检验；③抽出的因素旋转前至少能解释3％的变异；④每一因素至少包括3个项目；⑤剔除因素载荷＜0.5的项目。另外，我们也对在2个或2个以上因素上负荷都比较高的题项进行了删除，因为项目的区分度不高可能会影响到整个量表的效度。采用主成分分析，经正交旋转后发现特征值大于1的有3个，解释率为60.96％：多渠道、广范围的员工招聘与甄选和员工培训2个实践的条目合成了因子1，因此，我们将因子1命名为“员工知识与技能提升”。薪酬水平、内部晋升和员工参与3个实践的条目合并成了因子2，将因子2命名为“授权与激励”。激励薪酬与卓有成效的绩效管理2个实践的条目合并成了因子3，因此，将因子3命名为“以结果为导向的考核”。此外，内部晋升、激励薪酬、授权、员工参与4个维度上各有一个条目的因子负荷＜0.5，因此，根据对数据进行初步因素分析的结果，我们删除了这4个维度的4个题项。最终的中国创业板企业高绩效人力资源管理系统量表共17个项目，包括3个变量。此外，从表3－2中我们可以看出，量表的Cronbach'sα系数值在0.781～0.853之间，显示了各量表具有良好的信度。变量及其因子分析、信度检验结果见表3－2。

表3－2 变量及其因子分析、信度检验结果

续 表

第三步，中国创业板企业高绩效人力资源管理系统量表的效度检验。我们采用验证性因子分析（使用极大似然估计）对调查所获得的数据进行分析，以考察并确认各变量的聚合效度和区分效度。

一方面，我们通过模型比较的方法来考察各量表的区分效度。结果如表3－3所示。

表3－3 高绩效人力资源管理系统量表的验证性分析结果

注：单因子模型：将3个变量合为1个因子。

二因子模型：将提升员工知识、技能和激励与授权合为1个因子，以结果为导向的考核为另外1个因子。

三因子模型：将提升员工知识、技能，激励与授权，以结果为导向的考核分别设为3个因子。

从表3－3可见，三因子模型与另外2个模型相比对实际数据最为拟合，说明本文所设计的3个变量具有良好的区分效度，它们确实是3个不同的构念。

（1）卡方检验。

在SEM分析当中，最常用的模型评价方式是卡方（χ2）检验，但由于χ2值对样本数相当敏感，当样本愈大时，χ2值愈容易达到显著，导致理论模式被拒绝。因此，χ2值通常和自由度联系在一起作为评价整体拟合度的指标。一般认为χ2／df＜3，表明整体模型拟合比较好；3＜χ2／df＜5，表明整体拟合不太好，但是可以接受；χ2／df＞5，表明模型拟合程度比较差；χ2／df＞10，表明整体模型拟合程度很差[1]。本量表中三维度模型的χ2／df为1.191，表明三维度模型整体模型拟合比较好。(www.xing528.com)

（2）模型拟合指数。

除了卡方值与卡方检验之外，SEM使用不同的指数检验模型的拟合度。这些指数可能基于卡方统计量，只是修正了卡方统计的某些限制；或以不同的替代性模型作为参数，使模型拟合的程度能够被真实反映出来。一般认为，NFI，GFI大于0.90表明模型可以接受。本量表中三因子模型的NFI，GFI大于0.9，可见，三因子模型与其他两模型相比其拟合比较好。

（3）替代指数。

RMSEA是近年来相当受到重视的一个模型适配指标，Steiger＆Lind最早提出这一概念。RMSEA的值在0～1之间，它越接近0，表示整体拟合度越好，RMSEA在评价适配度时表现得比许多其他指标还要好（Steiger，1980；Browne and Arminger，1995；Marsh and Balla，1994）。一般认为，当RMSEA≤0.05时，被视为良好适配；0.05＜RMSEA＜0.08时，可视为“算是不错的适配”；0.08＜RMSEA＜0.10时，则是中度适配；RMSEA＞0.10表示不良适配。本量表中三因子模型的RMSEA是0.038，小于0.05，可视为良好适配。

CFI是Bentler（1990）提出的一个指标，目的是克服NFI在嵌套模型上所产生的缺失[2]。CFI的值介于0～1之间，CFI越接近于1，表明模型整体拟合程度越好；一般认为，CFI＞0.90，表明模型可以接受。在表3－3中的三因子模型CFI＞0.90。至此，可以看出三因子模型以上拟合指数均表现良好。无论是探索性因子分析还是验证性因子分析皆表明，三因子模型是中国创业板上市公司高绩效人力资源管理系统内容结构的理想模型。

另一方面，从表3－4可以看出，中国创业板企业高绩效人力资源管理系统三个维度之间具有中等相关性，说明这些因子能够形成一个有机的统一整体。此外，从表3－4中各维度的平均数和标准差可以看出，现阶段中国创业板上市公司非常注重以结果为导向的考核，其次是对员工的知识技能提升，最后才是激励与授权。说明现阶段中国创业板上市公司高绩效人力资源管理系统是以控制与承诺相结合的人力资源管理，而并不是以高参与、高承诺导向为主的人力资源管理。综合项目分析和因子分析对每个条目质量的鉴定结果，删除CHRM10，CHRM11，CHRM18，CHRM19四个条目，最后确定17个条目作为下一步进行大规模调查的题项。

表3－4 高绩效人力资源管理系统各维度间的相关性

注：括号中的数字表示题目的数量，＊＊p＜0.01。

2.自主创新能力量表预试结果分析

第一步，项目分析。对初试问卷的条目进行项目分析时，结果发现ZZCX2和ZZCX4两个条目没有鉴别度，予以剔除。除了运用CR值挑选题项外，还可计算每个题项的分数与总分数的相关系数，以相关系数的显著性作为另一个判别依据。相关系数的计算结果显示，对初试问卷各条目的取舍与项目分析的结果相一致。

第二步，探索性因子分析。首先对于该分析中取样的适当性进行了分析，我们发现KMO指标为0.751，Bartlett球形检验χ2值为418.398，伴随概率小于0.001，达到非常显著的水平，采用主成分分析，经正交旋转后发现特征值大于1的有1个，解释率为71.529％。参照初步分析的结果，按照项目共同度的大小，选取因子共同度高、因子负荷高的项目，删除因子共同度低、因子负荷低和具有比较均等交叉负荷的条目。综合项目分析和因子分析对每个条目质量的鉴定结果，删除ZZCX2和ZZCX4，最后确定3个条目作为下一步进行大规模调查的题项。

3.环境动态性量表预试结果分析

第一步，项目分析。对初试问卷的条目进行项目分析时，结果发现HJDT1和HJDT4两个条目没有鉴别度，予以剔除。除了运用CR值挑选题项外，还可计算每个题项的分数与总分数的相关系数，以相关系数的显著性作为另一个判别依据。相关系数的计算结果显示，对初试问卷各条目的取舍与项目分析的结果相一致。

第二步，探索性因子分析。对样本数据进行探索性因素分析之前，我们对于该分析中取样的适当性进行了分析，发现KMO指标为0.746，Bartlett球形检验χ2值为409.877，伴随概率小于0.001，达到非常显著的水平，采用主成分分析，经正交旋转后发现特征值大于1的有1个，解释率为66.659％。参照初步分析的结果，按照项目共同度的大小，选取因子共同度高、因子负荷高的项目，删除因子共同度低、因子负荷低和具有比较均等交叉负荷的条目。综合项目分析和因子分析对每个条目质量的鉴定结果，删除HJDT1和HJDT4，最后确定3个条目作为下一步进行大规模调查的题项。

4.企业绩效量表预试结果分析

第一步，项目分析。对初试问卷的条目进行项目分析时，结果发现QYJX2和QYJX5两个条目没有鉴别度，予以剔除。除了运用CR值挑选题项外，还可计算每个题项的分数与总分数的相关系数，以相关系数的显著性作为另一个判别依据。相关系数的计算结果显示，对初试问卷各条目的取舍与项目分析的结果相一致。

第二步，探索性因子分析。对样本数据进行探索性因素分析之前，我们对于该分析中取样的适当性进行了分析，发现KMO指标为0.729，Bartlett球形检验χ2值为412.214，伴随概率小于0.001，达到非常显著的水平，采用主成分分析，经正交旋转后发现特征值大于1的有1个，解释率为78.733％。参照初步分析的结果，按照项目共同度的大小，选取因子共同度高、因子负荷高的项目，删除因子共同度低、因子负荷低和具有比较均等交叉负荷的条目。综合项目分析和因子分析对每个条目质量的鉴定结果，删除QYJX2和QYJX5，最后确定3个条目作为下一步进行大规模调查的题项。

[1] Nunnally J.C.，Psychometric Theory，New York：Mc Graw－Hill，1978.

[2] Pfeffer，J.，Competitive Advantage Through People：Unleashing the Power of The Workforce，Boston，MA：Harvard Business School Press，1994.