8.4.1 CITC和α信度检验
在本部分研究中，也采用修正后项目总相关系数（Corrected-Item Total Correlation，CITC）方法净化个人层次影响要素、高层管理团队特征、组织层次影响要素和环境层次影响要素的测量项目，并利用Cronbach's α系数再一次检验问卷的信度。如果CITC小于0.4，删除此项目可以增加α值，提升整体信度，那么就删除该测量项目（卢纹岱，2002）。此外，个人层次影响要素、高层管理团队特征、资源存量和战略联盟的信度检验主要通过α系数来反映。我们对收取数据的83份组织水平的数据进行了CITC和α系数检验。
1.个人层次影响要素的CITC和α信度检验
根据前面的理论综述和文献梳理，本研究把个人层次影响要素分为创新性维度、超前行动性维度和风险承担维度。个人层次影响要素的各个测量项目的CITC和信度检验结果如表8-3。由表8-3中的数据可知，测量个人层次影响要素各维度的项目的CITC最小值为0.447，最大值为0.813，均大于0.4的标准，各测量项目有较高的信度，符合量表的基本测量要求。另外，个人层次影响要素的三个维度：创新性维度、超前行动性维度和风险承担维度相应的α系数分别为0.782、0.883和0.886。个人层次影响要素总的Cronbach's α系数是0.849。各研究构面的α系数均超过0.7以上的可接受水平，表示构成量表的内部一致性可接受，该量表具有较好的信度。
表8-3 个人层次影响要素量表的信度分析
续表
注：CITC：Corrected-Item Total Correlation；CAID：Cronbach's Alpha if Item Deleted。
本研究在基于其他学者对个人层次影响要素研究的基础上，参考CITC检验的结果，首先使用SPSS 16.0对个人层次影响要素的测量项目做探索性因素分析，确立和验证量表各维度的划分；然后接下来利用AMOS18.0对其作验证性因素分析以检查各构面是否具有足够的收敛效度和区分效度。
2.高层管理团队特征的CITC和α信度检验
根据前面的理论综述和文献梳理，本研究把高层管理团队特征分为共享愿景维度、社会整合维度以及权变薪酬奖励体系维度。我们对高层管理团队特征的各个测量项目的CITC和信度检验发现“我们高管团队成员缺乏对企业愿景的清晰理解”（反向测量题项）和“我们高管团队中每位成员互相竞争”（反向测量题项）的CITC分别为0.338和0.143，都低于0.4的标准，并且数据分析显示删除测量题项后，相应的α系数能显著增加。
因此，我们删除这两个测量题项。最后，删去“我们高管团队成员缺乏对企业愿景的清晰理解”（反向测量题项）和“我们高管团队中每位成员互相竞争”（反向测量题项）后的高层管理团队特征的各个测量项目的CITC和信度检验结果如表8-4。由表8-4中的数据可知，测量高层管理团队特征各维度的项目的CITC最小值为0.603，最大值为0.891，均大于0.4的标准，各测量项目有较高的信度，符合量表的基本测量要求。另外，高层管理团队特征的三个维度：共享愿景维度、社会整合维度以及权变薪酬奖励体系维度相应的α系数分别为0.942、0.887和0.880。高层管理团队特征总的Cronbach's α系数是0.923。各研究构面的α系数均超过0.7以上的可接受水平，表示构成量表的内部一致性可接受，该量表具有较好的信度。
表8-4 高层管理团队特征量表的信度分析
注：CITC：Corrected-Item Total Correlation；CAID：Cronbach's Alpha if Item Deleted。
本研究在基于其他学者对高层管理团队特征研究的基础上，参考CITC检验的结果，首先使用SPSS 16.0对高层管理团队特征的测量项目作探索性因素分析，确立和验证量表各维度的划分；然后接下来利用AMOS18.0对其作验证性因素分析以检查各构面是否具有足够的收敛效度和区分效度。
3.组织层次特征的CITC和α信度检验
根据前面的理论综述和文献梳理，本研究把企业动态能力组织层次影响要素分为资源存量维度和战略联盟维度。我们对企业动态能力组织层次影响要素的各个测量项目的CITC和信度检验发现“公司的特殊关键技术（如生产与制造诀窍等）很多”测量题项的CITC为0.365，低于0.4的标准，并且数据分析显示删除测量题项后，相应的α系数能显著增加。因此，我们删除这个测量题项。最后，删去“公司的特殊关键技术（如生产与制造诀窍等）很多”后的企业动态能力组织层次影响要素的各个测量项目的CITC和信度检验结果如表8-5所示。由表8-5中的数据可知，测量企业动态能力组织层次影响要素各维度的项目的CITC最小值为0.533，最大值为0.762，均大于0.4的标准，各测量项目有较高的信度，符合量表的基本测量要求。另外，企业动态能力组织层次影响要素的二个维度：资源存量维度和战略联盟维度相应的α系数分别为0.746和0.847。企业动态能力组织层次影响要素总的Cronbach's α系数是0.842。各研究构面的α系数均超过0.7以上的可接受水平，表示构成量表内部一致性可接受，该量表具有较好信度。
本研究在基于其他学者对企业动态能力组织层次影响要素研究的基础上，参考CITC检验的结果，首先使用SPSS 16.0对企业动态能力组织层次影响要素的测量项目作探索性因素分析，验证量表各维度的划分；然后利用AMOS18.0对其作验证性因素分析以检查各构面是否具有足够的收敛效度和区分效度。
表8-5 企业动态能力组织层次影响要素量表的信度分析
续表
注：CITC：Corrected-Item Total Correlation；CAID：Cronbach's Alpha if Item Deleted。
4.环境层次特征的CITC和α信度检验
根据前面的理论综述和文献梳理，本研究把企业动态能力环境层次影响要素分为市场的动**程度、竞争强度、技术的动**程度以及政府政策的动**程度。我们对企业动态能力环境层次影响要素的各个测量项目的CITC和信度检验发现“一些顾客从来没有买过我们的产品和服务，但我们却看到了他们对我们产品和服务的需求”和“我们公司在很长时间内采用同样的方式提供产品或服务给同一批顾客（反向测量题项）”的CITC分别为0.311和0.096，都低于0.4的标准，并且数据分析显示删除测量题项后，相应的α系数能显著增加。
因此，我们删除这两个测量题项。最后，删去“一些顾客从来没有买过我们的产品和服务，但我们却看到了他们对我们产品和服务的需求”和“我们公司在很长时间内采用同样的方式提供产品或服务给同一批顾客（反向测量题项）”后的企业动态能力环境层次影响要素的各个测量项目的CITC和信度检验结果如表8-6所示。由表8-6中的数据可知，测量企业动态能力环境层次影响要素各维度的项目的CITC最小值为0.545，最大值为0.789，均大于0.4的标准，各测量项目有较高的信度，符合量表的基本测量要求。另外，企业动态能力环境层次影响要素的四个维度：市场的动**程度维度、竞争强度维度、技术的动**程度维度以及政府政策的动**程度维度相应的α系数分别为0.822、0.880、0.842和0.808。企业动态能力环境层次影响要素总的Cronbach's α系数是0.890。各研究构面的α系数均超过0.7以上的可接受水平，表示构成量表的内部一致性可接受，该量表具有较好的信度。
表8-6 企业动态能力环境层次影响要素量表的信度分析
续表
注：CITC：Corrected-Item Total Correlation；CAID：Cronbach's Alpha if Item Deleted。
本研究在基于其他学者对企业动态能力环境层次影响要素研究的基础上，参考CITC检验的结果，首先使用SPSS 16.0对企业动态能力环境层次影响要素的测量项目作探索性因素分析，确立和验证量表各维度的划分；然后接下来利用AMOS18.0对其作验证性因素分析以检查各构面是否具有足够的收敛效度和区分效度。
8.4.2 探索性因素分析
1.个人层次影响要素的探索性因素分析
我们对收取数据的83份组织水平的随机数据进行了探索性因素分析。首先我们先对个人层次影响要素的各个测量项进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析，表8-7是SPSS16.0数据处理的输出结果。
表8-7 变量的KMO样本测度和巴特利特球体检验
表8-7结果显示：样本KMO值为0.816，表明该组变量数据是很适合作探索性因子分析的（＞0.80）。同时，巴特利特球体检验的γ2统计值的显著性概率是0.000（＜0.001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。
表8-8 个人层次影响要素量表的探索性因素分析
注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了五次迭代。
在探索性因子分析中，采用主成分分析方法，特征根大于1.0，得到经过正交转换后个人层次影响要素的因子负载矩阵，如表8-8所示。所有测量项目不存在交叉载荷现象（Crossing Loading），并且因子负载大于0.4。这些表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
探索性因素分析结果表明，可以从个人层次影响要素的13个项目中提取三个因素。这些因素累计解释的总体变异为70.390%。对因素分析后的因素命名：分别有5个项目进入了F1，4个项目进入了F2，4个项目进入了F3，基本与原构思符合。根据因素归类中测量项目的内容，本研究将这三个因素命名为个人层次影响要素的超前行动性维度、风险承担维度和创新性维度。通过计算Cronbach's α内部一致性系数，我们发现个人层次影响要素的三个维度：超前行动性维度、风险承担维度和创新性维度相应的α系数分别为0.883、0.886和0.782。各个因素的α系数均大于0.70，表明同一个维度间测量项目的内部一致性程度较好，并且内部结构良好，问卷测量的信度是可以接受的。
2.高层管理团队特征的探索性因素分析
我们对收取数据的83份组织水平的随机数据进行了探索性因素分析。首先我们先对影响企业动态能力的高层管理团队特征的各个测量项进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析，表8-9是SPSS16.0数据处理的输出结果。
表8-9 变量的KMO样本测度和巴特利特球体检验
表8-9结果显示：样本KMO值为0.881，表明该组变量数据是很适合作探索性因子分析的（＞0.80）。同时，巴特利特球体检验的γ2统计值的显著性概率是0.000（＜0.001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。并且，如果观测数据适合作因子分析，并且测量同一维度的指标因子负载较大（通常需要高于0.4），同时这些指标在其他维度上的因子负载较小（通常需要低于0.4），则表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
在探索性因子分析中，采用主成分分析方法，特征根大于1.0，得到经过正交转换后高层管理团队特征的因子负载矩阵，如表8-10所示。所有测量项目不存在交叉载荷现象（Crossing Loading），并且因子负载大于0.4。这些表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
表8-10 高层管理团队量表的探索性因素分析
注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了三次迭代。
探索性因素分析结果表明，可以从高层管理团队特征的13个项目中提取两个因素，其中共享愿景维度和社会整合维度合并到了一个维度。这些因素累计解释的总体变异为70.109%。
对因素分析后的因素命名：分别有9个项目进入了F1，4个项目进入了F2。根据因素归类中测量项目的内容，本研究将这两个因素命名为高层管理团队特征的共享愿景与社会整合维度和权变薪酬奖励体系维度。通过计算Cronbach's α内部一致性系数，我们发现高层管理团队特征的两个维度：共享愿景与社会整合维度和权变薪酬奖励体系维度相应的α系数分别为0.938和0.880。各个因素的α系数均大于0.70，表明同一个维度间测量项目的内部一致性程度较好，并且内部结构良好，问卷测量的信度是可以接受的。
3.组织层次特征的探索性因素分析
我们对收取数据的83份组织水平的随机数据进行了探索性因素分析。首先我们先对企业动态能力组织层次影响要素的各个测量项进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析，表8-11是SPSS16.0数据处理的输出结果。
表8-11 变量的KMO样本测度和巴特利特球体检验
表8-11结果显示：样本KMO值为0.790，表明该组变量数据是适合作探索性因子分析的（＞0.70）。同时，巴特利特球体检验的γ2统计值的显著性概率是0.000（＜0.001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。并且，如果观测数据适合作因子分析，并且测量同一维度的指标因子负载较大（通常需要高于0.4），同时这些指标在其他维度上的因子负载较小（通常需要低于0.4），则表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
在探索性因子分析中，采用主成分分析方法，特征根大于1.0，得到经过正交转换后企业动态能力组织层次影响要素的因子负载矩阵，如表5-12所示。所有测量项目不存在交叉载荷现象，并且因子负载大于0.4。这些表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
探索性因素分析结果表明，可以从企业动态能力组织层次影响要素的7个项目中提取两个因素，这些因素累计解释的总体变异为69.128%。对因素分析后的因素命名：分别有4个项目进入了F1，3个项目进入了F2。根据因素归类中测量项目的内容，本研究将这两个因素命名为企业动态能力组织层次影响要素的战略联盟维度和资源存量维度。通过计算Cronbach's α内部一致性系数，我们发现企业动态能力组织层次影响要素的两个维度：战略联盟维度和资源存量维度相应的α系数分别为0.847和0.746。各个因素对应的α系数均大于0.70，表明同一个维度间测量项目的内部一致性程度较好，并且内部结构良好，问卷测量的信度是可以接受的。
表8-12 企业动态能力组织层次影响要素量表的探索性因素分析
注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了三次迭代。
4.环境层次特征的探索性因素分析
我们对收取数据的83份组织水平的随机数据进行了探索性因素分析。首先我们先对企业动态能力环境层次影响要素的各个测量项进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析，表8-13是SPSS16.0数据处理的输出结果。
表8-13 变量的KMO样本测度和巴特利特球体检验
表8-13结果显示：样本KMO值为0.781，表明该组变量数据是适合作探索性因子分析的（＞0.70）。同时，巴特利特球体检验的γ2统计值的显著性概率是0.000（＜0.001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。并且，如果观测数据适合作因子分析，并且测量同一维度的指标因子负载较大（通常需要高于0.4），同时这些指标在其他维度上的因子负载较小（通常需要低于0.4），则表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
在探索性因子分析中，采用主成分分析方法，特征根大于1.0，得到经过正交转换后企业动态能力环境层次影响要素的因子负载矩阵，如表8-14所示。但测量项目“在我们行业，产品生命周期非常短”以及“在我们行业，政府政策变动的非常快”存在交叉载荷现象（Crossing Loading），并且都大于0.4。根据陈晓萍，徐淑英和樊景立（2008）的建议，我们删去这两个测量项目，然后再进行探索性因素分析。
表8-14 企业动态能力环境层次影响因素探索性因素分析（EFA）
续表
注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了六次迭代。
接着，我们采取同样的分析步骤对企业动态能力环境层次影响要素的各个测量项目（删去“在我们行业，产品生命周期非常短”以及“在我们行业，政府政策变动得非常快”两个测量题项后的其他项目）进行KMO测度和巴特利特球体检验，看样本数据是否适合作探索性因子分析。表8-15是SPSS16.0统计软件包数据处理的输出结果。
表8-15 变量的KMO样本测度和巴特利特球体检验
表8-15结果显示：样本KMO值为0.760，表明该组变量数据是适合作探索性因子分析的。同时，巴特利特球体检验的γ2统计值的显著性概率是0.000（＜0.001），说明数据具有相关性，所以这组数据是很适合作探索性因子分析的（马庆国，2002）。
在探索性因子分析中，采用主成分分析方法，特征根大于1.0，得到经过正交转换后企业绩效的因子负载矩阵，如表8-16所示。所有测量项目不存在交叉载荷现象（Crossing Loading），并且因子负载大于0.4。这些表明该量表具有良好的内部结构，构念效度较高（陈晓萍，徐淑英和樊景立，2008）。
表8-16 企业动态能力环境层次影响因素探索性因素分析（EFA）
续表
注：提取方法：主成分分析法;旋转方法：正交的方差极大法旋转;经过了六次迭代。
探索性因素分析结果表明，可以从企业动态能力环境层次影响要素的17个项目中提取四个因素。这些因素累计解释的总体变异为67.37%。对因素分析后的因素命名：分别有5个项目进入了F1，5个项目进入了F1，4个项目进入了F3，3个项目进入了F4，基本与原构思符合。根据因素归类中测量项目的内容，本研究将这四个因素命名为企业动态能力环境层次影响要素的竞争强度维度、市场的动**程度维度、技术的动**程度维度以及政府政策的动**程度维度。通过计算Cronbach's α内部一致性系数，我们发现企业动态能力环境层次影响要素的竞争强度维度、市场的动**程度维度、技术的动**程度维度以及政府政策的动**程度维度的一致性系数分别达到0.880、0.822、0.827和0.742。各个因素的α系数均大于0.70，表明同一个维度间测量项目的内部一致性程度较好，并且内部结构良好，问卷测量的信度是可以接受的。
8.4.3 验证性因素分析
1.个人层次影响要素的验证性因素分析
为了进一步确证探索性因素分析所得的个人层次影响要素三因素结构模型，本研究基于随机抽取的另一半样本数据（共144份），采用验证性因素分析的方法进行分析。一般而言，利用结构方程模型来进行验证性因子分析时，我们需要考察各构面是否具有足够的收敛效度（Convergent Validity）和区别效度（Discriminant Validity），并可以依据检验结果对部分测量项目进行调整和修正，最终达到相对适合本研究的结果。
接下来，我们根据上面描述的标准进行个人层次影响要素三因素结构模型的验证性因素分析。在进行验证性因素分析前，首先我们根据探索性因素分析结果和理论推导设定假设模型。探索性因素分析得到了一个三因素的个人层次影响要素模型，我们将其作为本研究验证性因素分析的基本模型。
采用AMOS18.0结构方程建模软件，对基本模型进行了构思验证。实证数据对这基本模型的整体拟合情况，如表8-17所示。
表8-17 多模型拟合情况汇总
在三因素基本模型中，RMSEA等拟合指数达不到最低要求，这意味着三因素模型需要进一步的修正。如上文所述，利用统计结果来做理论模式的修正，这种修正是理论假设与问卷实证调查之间的一种妥协结果。但是，黄芳铭（2005）指出，无论如何都必须把理论的逻辑假设放在研究的首要考虑的位置。在具体的修正过程中，我们必须综合考虑理论基础和修正对于模式拟合的改进程度。一般来说，可利用统计软件输出的修正指标（Modification Indices，MI）来了解导致模式拟合度不佳的来源，利用期望参数改变值（EPS）来判断拟合的改进程度。依据Joreskog（1993）的建议，如果最大的修正指标无法具有理论的意义，则选择次大的指标，直到找到有意义的指标或关系修正才可以给予估计。在使用修正指数时，一般建议一次只能释放一个参数，因为释放一个参数将可能降低或消除第二个要释放参数的拟合度改进情形（黄芳铭，2005）。
因此，我们首先考察个人层次影响要素三因素基本模型（在观测变量间没有建立任何残差关联）的修正建议，发现相当多的MI值大于4.000。其中，观察变量“我先于他人知道创新的内容”的测量残差项与其他观察变量的测量残差项之间的MI较大，因此我们删去观察变量“我先于他人知道创新的内容”，得到个人层次影响要素三因素修正模型M1。根据拟合指标，整体模型的拟合度有了一定的改进，如表8-17所示，但是RMSEA的值仍然大于0.08。采用上述方法，我们删除观察变量“当看到我的想法得以实现，这是我最高兴的事情”，得到个人层次影响要素三因素修正模型M2。
与其他模型相比，个人层次影响要素三因素修正模型M2的拟合度有比较明显的改进，其中χ2=77.086，df=41。在绝对拟合指数方面，M2的χ2/df为1.880，小于Browne 和Cudeck（1993）设定的临界值2，符合简约性要求；近似误差均方根RMSEA值为0.078，处于0.05到0.08之间，表示拟合程度可以接受（Browne 和Cudeck,1993）；良性拟合指标GFI和调整后的良性拟合指标AGFI分别为0.917和0.867，表明拟合程度很好（Bentler，1990）。在相对拟合指数方面，规范拟合指数NFI、增值拟合指数IFI和比较拟合指数CFI分别为0.903、0.952和0.951，均大于0.900，这表明假设的理论模型与数据的拟合度非常好。综合来看，结合上文拟合指数的评价标准，M2模型的各种绝对拟合指数和相对拟合指数均符合拟合要求，总体上看还是可以接受的。如果继续修正，模型的绝对拟合指数和相对拟合指数改进的幅度有限，并且会大大增加模型的复杂性。基于这样的考虑，本文采用M2模型。验证性因素分析所得的修正后的个人层次影响要素三因素修正模型M2如图8-2所示。
图8-2 个人层次影响要素的验证性因素分析：修正后的三因素模型
2.高层管理团队特征的验证性因素分析
为了进一步确证探索性因素分析所得的高层管理团队特征二因素结构模型，本研究基于随机抽取的另一半样本数据（共144份），采用验证性因素分析的方法，进行分析。一般而言，利用结构方程模型来进行验证性因子分析时，我们需要考察各构面是否具有足够的收敛效度（Convergent Validity）和区别效度（Discriminant Validity），并可以依据检验结果对部分测量项目进行调整和修正，最终达到相对适合本研究的结果。
接下来，我们根据上面描述的标准进行高层管理团队特征二因素结构模型的验证性因素分析。在进行验证性因素分析前，首先我们根据探索性因素分析结果和理论推导设定假设模型。探索性因素分析得到了一个二因素的高层管理团队特征模型，我们将其作为本研究验证性因素分析的基本模型。
采用AMOS18.0结构方程建模软件，对基本模型进行了构思验证。实证数据对这基本模型的整体拟合情况，如表8-18所示。
表8-18 多模型拟合情况汇总
在二因素基本模型中，RMSEA等拟合指数达不到最低要求，这意味着三因素模型需要进一步的修正。如上文所述，利用统计结果来做理论模式的修正，这种修正是理论假设与问卷实证调查之间的一种妥协结果。但是，黄芳铭（2005）指出，无论如何都必须把理论的逻辑假设放在研究的首要考虑的位置。在具体的修正过程中，我们必须综合考虑理论基础和修正对于模式拟合的改进程度。一般来说，可利用统计软件输出的修正指标（Modification Indices，MI）来了解导致模式拟合度不佳的原因，利用期望参数改变值（EPS）来判断拟合的改进程度。依据Joreskog（1993）的建议，如果最大的修正指标无法具有理论的意义，则选择次大的指标，直到找到有意义的指标或关系修正才可以给予估计。在使用修正指数时，一般建议一次只能释放一个参数，因为释放一个参数将可能降低或消除第二个要释放参数的拟合度改进情形（黄芳铭，2005）。
因此，我们首先考察高层管理团队特征二因素基本模型（在观测变量间没有建立任何残差关联）的修正建议，发现相当多的MI值大于4.000。其中，观察变量“我们高管团队中每位成员相处十分融洽”的测量残差项与其他观察变量的测量残差项之间的MI较大，因此我们删去观察变量“我们高管团队中每位成员相处十分融洽”，得到高层管理团队特征二因素修正模型M1。根据拟合指标，整体模型的拟合度有了一定的改进，如表8-18所示，但是RMSEA的值仍然大于0.08。采用上述方法，我们删除观察变量“我们高管团队中每位成员总是积极准备彼此合作与互相帮助”，得到高层管理团队特征二因素修正模型M2。采用上述方法，我们删除观察变量“我们公司运用多种奖励（如签约奖金等）吸引高管团队的应聘者”，得到高层管理团队特征二因素修正模型M3。采用上述方法，我们删除观察变量“我们高管团队中每位成员的投入都是企业重要决策的组成部分”，得到高层管理团队特征二因素修正模型M4。采用上述方法，我们删除观察变量“我们高管团队中每位成员都致力于实现组织的目标”，得到高层管理团队特征二因素修正模型M5。
与其他模型相比，高层管理团队特征二因素修正模型M5的拟合度有比较明显的改进，其中χ2=28.694，df=19。在绝对拟合指数方面，M5的χ2/df为1.510，小于Browne 和Cudeck（1993）设定的临界值2，符合简约性要求；近似误差均方根RMSEA值为0.060，处于0.05到0.08之间，表示拟合程度可以接受（Browne 和Cudeck,1993）；良性拟合指标GFI和调整后的良性拟合指标AGFI分别为0.952和0.907，表明拟合程度很好（Bentler，1990）。在相对拟合指数方面，规范拟合指数NFI、增值拟合指数IFI和比较拟合指数CFI分别为0.960、0.986和0.986，均大于0.900，这表明假设的理论模型与数据的拟合度非常好。综合来看，结合上文拟合指数的评价标准，M5模型的各种绝对拟合指数和相对拟合指数均符合拟合要求，总体上看还是可以接受的。如果继续修正，模型的绝对拟合指数和相对拟合指数改进的幅度有限，并且会大大增加模型的复杂性。基于这样的考虑，本文采用M5模型。验证性因素分析所得的修正后的高层管理团队特征二因素修正模型M5如图8-3所示。