不确定性因素分析与量表检验

第三节　概念量表检验

本节对概念量表进行效度与信度检验，效度检验需要对各组量表进行探索性因子分析（Exploratory Factor Analysis，EFA）以得到理论预期的因子结构，然后进行验证性因子分析（Confirmatory Factor Analysis，CFA）以证实因子结构的合理性；信度检验则主要是检测量表测量结果的一致性与稳定性。为避免重复，本节主要描述本研究的核心概念——不确定性的探索性因子分析和验证性因子分析，然后对所有量表进行效度和信度检验。

一、不确定性的探索性因子分析

本章对作为被解释变量的不确定性进行探索性因子分析，判断不同测度题项是否比较准确地反映了被测度变量的特性，并在这些题项中提取公共因子，以缩减进入分析的数据量。在此基础上，利用变量的因子值进行后续的回归分析以检验研究假设。

在探索性因子分析中，求解初始因子、估计因素负荷量时，采用普遍使用的主成分分析法（principal components）作为因素抽取的方法。通常来说，主成分分析法和主轴法（principal axis factoring）是使用较多的两种方法（郭志刚，1999），其中又以主成分分析法最为普遍（吴明隆，2000）。在最初求解初始因子后，由于对因素无法做出有效的解释，因而需要对初始因子进行旋转变换。转轴的目的在于改变题项在各因素上的负荷量的大小，根据题项与因素结构关系的密切程度，调整各因素负荷量的大小。转轴之后，大部分题项在每个共同因素中有一个差异较大的因素负荷量，方便对因素进行解释。转轴方法的种类有很多，主要分为正交旋转法和斜交旋转法，每一种方法又分为多种特定方法，对于具体选择哪种方法最为合适并无定论（郭志刚，1999）。一般来说，如果量表的理论基础非常强，则选用斜交转轴法比较合适。但是由于任何量表都不是原封不动的照搬，使用的环境都与前一次有所不同，不能保证基于理论开发的量表在不同环境中的应用仍然完美无缺，因此，使用斜交转轴法不能发现量表内在的结构。所以本章在对因子进行解释时，采用最常用的正交旋转法中的方差最大法（Vrimax）作为转轴方法。该转轴方法可以保证因素间提供的信息不会重叠，受试者在某一个因素上的分数与在其他因素上的分数彼此独立不相关。

利用SPSS　15．0，运用主成分分析法经过方差最大化旋转后抽取特征根大于1的因子，特征值分别为5．223、1．830、1．468和1．214，结合碎石图进行判断，提取4个因子，对总方差的累计解释程度为67．1%。分析结果如表5—1所示。

表5—1　不确定性的探索性因子分析：因子载荷值

从旋转后的要素矩阵看，题项Techun1到Techun5负载到了因子1上，题项都与特定阶段企业面临的技术问题有关，为技术不确定性因子；Marun1到Marun5负载到了因子2上，它们都与特定阶段企业感知的市场与顾客情况波动有关，为市场不确定性因子；Polun1到Polun3负载到了因子3上，对应着相关法规条令的颁布情况，为政策法规不确定性因子；最后，Input1与Input2对应新技术投资过程中人员工资与材料价格的波动，为投入成本不确定性因子。

本次探索性因子分析的巴特利特球体检验（Bartlett test of sphericity）和KMO检验（Kaiser－Meyer－Olkin measure of sampling adequacy）结果见表5—2。

表5—2　探索性因子分析检验结果

KMO值越大，表明题项间的共同因素越多，越适合进行因子分析。根据Kaiser（1974），KMO值小于0．5时，不适合进行因子分析。一般来说，KMO值达到0．8以上，认为适合进行因子分析，达到0．7以上，认为较适合进行因子分析（郭志刚，1999）。此处KMO值为0．790，基本达到适合进行因子分析的标准。巴特利特球体检验从相关矩阵角度出发，对因子分析效果进行检测。其零假设为相关矩阵是单位矩阵，如果拒绝该假设，则该因子分析效果较好。此处的巴特利特球体检验拒绝了原假设，通过了检验。

二、不确定性的验证性因子分析

由于探索性因子分析是根据数据结构，并通过适当旋转，得到一组有解释意义的因子。其结果是否有效还需要通过验证性因子分析进行检验。验证性因子分析是在预先设定一个变量模式的情况下，通过数据来证实这种模式是的确存在的。本章使用Amos　7．0软件对经过探索性因子分析得出的数据结构进行验证性因子分析。对验证性因子分析的效果进行检验，其结果如表5—3所示。(www.xing528.com)

表5—3　因子结构模型的拟合优度指标

根据侯杰泰等（2004），一般来说χ2／df在2．0至5．0之间时，模型可以接受，RMSEA在0．08以下，NNFI和CFI在0．9以上时，模型可以称为好模型。另外，施泰戈尔（Steiger，1990）认为RMSEA低于0．05就表示拟合效果非常好。因此，验证性因子分析结果显示，前面探索性因子分析得到的结果基本上是有效的，量表结构是一个好的结构。

对于会聚效度，是根据得到的因子结构模型，考察每个因子测量题项的因子负荷值，如果每个测量题项的因子负荷值都高于0．5，那么会聚效度成立；对于区分效度，将各量表间的相关系数两两固定为1，如果模型拟合的卡方值变化对比原始模型显著，那就说明量表间的相关系数显著不为1，具有区分效度（Anderson and Gerbing，1988），即量表的不同维度之间具有显著差异。

三、所有量表的效度和信度检验

首先采用哈曼（Harman）单因子检验法（Podsakoff and Organ，1986）检验本研究的数据总体上是否存在公共方法方差（Common Method Variance）的问题。将研究所涉及的所有量表放在一起做探索性因子分析，采用主成分分析法经过方差最大化旋转后抽取特征根大于1的因子，并结合碎石图进行判断。最终选定8个因子，它们对总方差的累计解释程度为72．1%，而第一个因子对总方差的解释程度为19．8%。由于因子分析的结果并没有出现单因子的情形，且第一个因子仅解释了一小部分的方差，因此公共方法方差不太可能成为数据的一个问题。

将本研究中所涉及的8个量表放在一起做验证性因子分析，得到较好的拟合结果，其中χ2／df＝1．43，RMSEA＝0．047，GFI＝0．98，CFI＝0．95，NFI＝0．96，NNFI＝0．95。各量表题项的因子载荷如表5—4所示。

表5—4　验证性因子分析量表题项的因子载荷

在进行完探索性因子分析和验证性因子分析之后，为了进一步了解问卷的可靠性与有效性，我们接着使用SPSS　15．0软件中的信度分析对问卷进行信度检验。信度分为外在信度（External Reliability）和内在信度（Internal reliability）两类，外在信度是指在不同时间测量得到的量表的一致性程度，最常用的方法是再测信度（Testretest Reliability）。由于本次调研属于同一时间集中调研，不存在外在信度的检测问题。对于多选项量表，内在信度更加重要。内在信度是指组成量表的题项的内在一致性程度，通常使用的方法是克朗巴哈α系数。对于最小可接受的信度系数值并没有一致的看法，盖伊（Gay，1992）认为该系数达到0．8时，量表的信度才可以接受，而有些研究认为0．7以上的信度都是可以接受的（DeVellis，1991；Nunnally，1978）。内在信度分析结果如表5—5所示，按照戴维利斯（Devellis，1991）和娜娜莉（Nunnally，1978）的观点，信度系数值超过了可接受的最小值，即可认为该量表通过了信度检验。

表5—5　概念量表的信度分析

通过以上分析，基本上保证了最后得到的量表结构是具有较好的信度和效度的，将因子分析中得到的各概念因子得分保存下来，用于接下来的相关分析与回归分析。