2982 浏览5实证分析
本章是本文的核心重要章节，上述章节中的综述梳理、概念模型的构建、设计研究变量、到最后进行的问卷数据回收，都是在为本章节的研究分析打基础。本章则在以上基础上，根据提出的研究模型，进行正式问卷的发放，大范围的收集原始数据；然后对样本数据做相关判别的分析，验证各变量之间的关系，最后对得到的假设检验结果做出进一步的分析讨论。
5.1问卷调研与样本描述
5.1.1问卷发放与回收
本研究是基于知识分享的视角来研究高承诺人力资源实践对企业创新绩效的影响，因此，为确保调研所获原始数据的可靠性及全面广泛性，在进行正式调研的过程中，本文未局限问卷发放的条件，选择在全国各地的企业中工作年限为 3 年以上的员工作为调研对象。因为在企业工作年限较长，这类员工对企业的人力资源管理实践活动、知识分享以及创新绩效都相对比较熟悉了解，调查结果也相对更准确科学。正式问卷的发放采用网络和线下的方式进行。网络问卷主要是依照问卷星网站设计出的电子问卷，在问卷网站平台、微信群和朋友圈、qq 群等进行发放，邀请同学、亲戚和已参加工作的朋友填写并转发，扩大问卷的发放传播途径。线下纸质问卷则是通过借助导师的人脉，实地走访与导师有过项目合作的企业， 以及 MBA 和 EMBA 学生发放问卷，并亲自回收。他们大多属于企业管理层人员或有一定的工作年限，对企业的人力资源和创新活动情况比较了解，能很大程度上确保问卷数据的可靠性。利用上述方法调研时，都会解释本次的调研目的，消除他们填写时的顾虑，并对他们的参与表示感谢。前后进行问卷发放的时间的过程持续约 1 个月，涉及范围比较大，包括了河南、陕西、上海、北京、浙江、广东、江苏以及其他多个省，共有 121 家企业参与此次调查， 其中包括：西安宝德自动化股份有限公司、北京万里红科技有限公司、杭州日昌升集团有限公司、上海万正食品有限公司、深圳市尚荣医疗股份有限公司、佳兆业物业集团、奥克斯集团有限公司、汉威科技集团股份有限公司等，企业分布涉及了电子信息技术、制造业、金融、生物医疗、教育等多个不同行业。通过上述问卷发放渠道，本研究在正式调研阶段共发放问卷 526 份，回收 405 份，在将那些答题时间过短、答案全部一致、回答自相矛盾的问卷予以排查出来后，剩余有效问卷 345 份，问卷有效率达 85.19%。
5.1.2样本特征分布
根据表 5-1 样本分布特征可以看出，在参与调研的 345 位调研对象中，男性共 161 名， 占比为 46.7%，女性共 184 名，占比为 53.3%，男女比例分布较为均衡；从被调研对象年龄来看，被调研对象的年龄大部分都在 25 岁以上，26-40 岁所占比例占到总数的 56.3%；从学历结构来看，本科及以上学历占到 81.4%，参与调研者的学历水平普遍较高；从所属行业来看，本次参与调研的企业涵盖了制造装备业、通讯电子业、金融业、管理咨询、教育、生物医药、科学研究和技术服务业以及新材料新能源行业等多个不同行业，样本的产业覆盖面较为全面广泛，知识密集型企业所占比例较大；从存在年限时长来看，低于 3 年或长于 15 年以上的企业都包括在其中，大致可以断定企业年限包括了各个阶段，且 71.3%的被调研企业年限超过 3 年，存续时间相对较长，企业的人力资源管理体系也比较成熟规范；从被调研对象的工作年限来看，3 年及以上的员工所占比例达 69.3%的，他们对自己所在企业情况有着相对较为深入的了解，能够较好的理解问卷的内容并提供准确的信息，为研究结果的可靠性提供了保证。综上，可以认为选取的样本具有较高的代表性。
5.2数据质量分析
5.2.1正态分布检验
本节主要是对变量进行描述性统计，根据计算出相应的统计性指标：偏度系数和峰度系数，来检验样本数据是否服从正态分布。判断标准如下：若统计分析结果的偏度的绝对值小于 3，峰度的绝对值小于 10，则认为表明样本数据服从正态分布，可以进行后续的相关和回归分析。
通过对各变量题项进行描述性统计分析，统计结果显示各题项的偏度系数绝对值最大为0.899，远小于 3，峰度系数绝对值最大为 0.946，远小于 10，都符合上述所说的判断标准， 表明样本数据符合正态分布的要求，因此可进行后续相关分析和回归分析。具体统计结果如表 5-2 所示。
5.2.2相关性分析
在明确各变量均符合正态分布的基础上，本部分继续对变量做相关性检验，目的在于探索检验本文选取的研究变量间是否有某种相关性。只有在作出存在相关关系的初步判断后， 才能进行后续的回归分析。在具体的分析中，相关系数 P 值介于[-1,1]之间，P 值的绝对值越接近 1，表明变量间的相关性越强。
根据表 5-3 的分析结果分析可得，高承诺人力资源实践的能力提升、动机激励和授权参
与维度均与知识分享和企业创新绩效间相关关系均达到 0.01 的显著性水平，并且相关系数与假设关系中的系数方向一致，初步验证了上一章假设中各变量之间的关系，也反映出了各个变量之间的相关程度。且各变量间相关系数都小于 0.5，这代表着它们彼此之间都具有良好独立性，在一定程度说明，各变量之间不存在多重共线性问题。但是相关关系检验只能得出研究变量间是否相关及相关程度，不能解释变量间的关系强弱和作用机理。因此，还需要进一步运用多元回归分析和结构方程模型来验证变量之间的关系。
5.2.3信度分析
通过上一章对预试问卷进行分析，在修正了问卷的基础上，最终确定了本研究调研问卷中的量表各因子及其题项。在验证假设模型之前，仍需对收集到的 345 份正式问卷进行信度检验。
a.高承诺人力资源实践的信度分析
运用 SPSS21.0 对高承诺人力资源实践的能力提升、动机激励、授权参与三个维度的总量表和分量表分别进行 Cronbach's Alpha 值分析，以测量高承诺人力资源实践量表的信度。根据表 5-4 所得结果，高承诺人力资源实践三个维度的分量表的ɑ值分别为 0.772、0.782、0.850，总量表的ɑ值为 0.923，均大于 0.7，表明分量表和总量表的信度均较好。并且总、分量表的项已删除的α值分别位于 0.679~0.850 范围内和 0.912~0.918 范围内，都未出现明显的波动，也表明了量表具有的信度较好。
b.知识分享的信度分析
知识分享未划分维度，因此，只需对其进行总量表的 Cronbach α值分析。根据表 5-5 显示的结果，知识分享量表的ɑ值为 0.862，大于 0.8，表明量表的信度均较好。同时还可以得出项已删除的总量表的α值介于 0.806~0.836 之间，未出现明显的波动，表明量表的信度较好。
c.吸收能力的信度分析
吸收能力变量共分为 2 个子维度，运用 SPSS21.0 软件对其总、分量表分别做 Cronbach α 值分析。根据表 5-6 显示的结果，吸收能力两个维度的分量表的α值分别为 0.884、0.886.大于 0.8，总量表的α值为 0.939，大于 0.9，具有良好的信度。同时还可以得出项已删除的分量表的α值介于 0.851~0.867 之间，项已删除的总量表的α值介于 0.931~0.934 之间，未出现明显的波动，也表明了量表的信度较好。
d.企业创新绩效的信度分析
企业创新绩效变量包含创新效益和创新效率两个维度，运用 SPSS21.0 软件对其总、分量表分别做 Cronbach α值分析。根据表 5-7 显示的结果，企业创新绩效两个维度的分量表的α值分别为 0.884、0.886 大于 0.8，总量表的α值为 0.939，大于 0.9，具有良好的信度。同时还可以得出项已删除的分量表的α值介于 0.851~0.867 之间，项已删除的总量表的α值介于0.931~0.934 之间，未出现明显的波动，也表明了量表的信度较好。
5.2.4效度分析
效度分析是为了检验各个题项的测量结果能够有效测量变量特征的程度，效度越高，就越能反映出要测量的变量特征。一般情况下，效度包括内容效度和结构效度两方面。本文测量高承诺人力资源实践、知识分享、吸收能力以及企业创新绩效 4 个变量的量表，是结合了前人研究基础以及本文研究内容和目标进行修正完善后形成的，因此内容效度较高。关于结构效度的检验，本研究借助 AMOS21.0，运用验证性因子分析的方法对 345 份问卷的结构效度与结构方程的拟合度检验分析。验证性因子分析涉及到的评价指标主要包括：χ2/df、GFI、AGFI、RMR、RMSEA、CFI、NFI、TLI，具体评价标准如表 5-8 所示。
a.高承诺人力资源实践的效度分析
高承诺人力资源实践包括能力提升（PE）、动机激励（MI）、授权参与（AP）三个因子，其中能力提升包括 PE1、PE2、PE3 三个操作变量，动机激励包括 MI1、MI2、MI3、MI4 四个操作变量，授权参与包括 AP1、AP2、AP3、AP4 四个操作变量，建立高承诺人力资源实践验证性因子分析模型（图 5-1）。
根据表 5-9 显示的分析结果，都未出现异常值。高承诺人力资源实践所有题项的标准化路径系数均大于 0.5，且 CR 值全部大于 2，p 值全部小于 0.001，回归系数显著性也较明显。各项拟合优度指标均在合理范围内，具体的拟合优度指标如表 5-10 所示，χ2/df 的值为 1.922，在[1-3]区间内，GFI、AGFI、NFI、TLI、CFI 的值全部明显的大于 0.9，达到适配度标准， 而 RMR 和 RMSEA 的值均小于 0.05，也都满足适配度标准。因此，认为该模型具有良好的适配性，高承诺人力资源实践量表具有较好的结构效度
b.知识分享的效度分析
知识分享包括一个因子，包括 KS1、KS2、KS3、KS4 四个操作变量，量表的验证性因子分析图如图 5-2 所示。
根据表 5-11，验证性因子分析结果未出现异常值。知识分享所有题项的标准化路径系数均大于 0.5，且 CR 值全部大于 2，p 值全部小于 0.001，回归系数显著性也较明显。各项拟合优度指标均在合理范围内，具体的拟合优度指标如表 5-12 所示，χ2/df 的值为 1.823，在[1-3]区间内，GFI、AGFI、NFI、TLI、CFI 的值全部明显的大于 0.9，达到适配度标准，而 RMR 和 RMSEA 的值均小于 0.05，也都满足适配度标准。因此，认为该模型具有良好的适配性， 知识分享量表的结构效度较好。c.吸收能力的效度分析
吸收能力量表包括潜在吸收能力 PAC 和实现吸收能力 RAC 两个因子，其中，PAC 包括PAC1、PAC2、PAC3、PAC2、PAC3 五个操作变量，RAC 包括 RAC1、RAC2、RAC3、RAC2、RAC3 五个操作变量，验证性因子分析图如图 5-3。
根据表 5-13，验证性因子分析结果未出现异常值。吸收能力所有题项的标准化路径系数均大于 0.5，且 CR 值全部大于 2，p 值全部小于 0.001，回归系数显著性也较明显。各项拟合优度指标均在合理范围内，具体的拟合优度指标如表 5-14 所示，χ2/df 的值为 1.842，在[1-3]区间内，GFI、AGFI、NFI、TLI、CFI 的值全部明显的大于 0.9，达到适配度标准，而 RMR 和 RMSEA 的值均小于 0.05，也都满足适配度标准。因此，认为该模型具有良好的适配性， 吸收能力量表具有较好的结构效度。
d.企业创新绩效的效度分析
企业创新绩效量表包括创新效益 IB 和创新效率 IE 两个因子，其中，IB 包括 IB1、IB2、IB3 三个操作变量，IE 包括 IE1、IE2、IE3、IE4 四个操作变量。量表的验证性因子分析图如图 5-4 所示。
根据表 5-15，验证性因子分析结果未出现异常值。企业创新绩效所有题项的标准化路径系数均大于 0.5，且 CR 值全部大于 2，p 值全部小于 0.001，回归系数显著性也较明显。各项拟合优度指标均在合理范围内，具体的拟合优度指标如表 5-16 所示，χ2/df 的值为 1.820， 在[1-3]区间内，GFI、AGFI、NFI、TLI、CFI 的值全部明显的大于 0.9，达到适配度标准， 而 RMR 和 RMSEA 的值均小于 0.05，也都满足适配度标准。因此，认为该模型具有良好的适配性，企业创新绩效量表具有较好的结构效度。
5.3回归分析
本研究将知识分享作为高承诺人力资源实践对企业创新绩效影响的中介变量，通过对高承诺人力资源实践、知识分享、企业创新绩效的关系模型进行信效度检验，结果显示三个变量之间的拟合度较为良好，可初步判断知识分享在高承诺人力资源实践与企业创新绩效之间发挥中介作用，但对于知识分享起到的是完全中介或者部分中介作用，还需进一步通过回归分析进行检验。
多元回归分析的方法有多种，包括强迫进入法和因果逐步法等，本研究最终选择采取因果逐步法来进一步验证分析知识分享的中介效应。此外，为确保得到可靠的回归分析结果， 在进行中介效应检验之前，还需检验模型是否存在多重共线性、序列相关等问题。
多重共线指变量之间相关性过高，易引起整体回归方程显著，单个解释变量回归系数却不显著的现象。在进行回归分析时，如果发现有这一问题存在，则可能影响最终得到的回归结果，从而导致后续的错误分析。因此，为使得回归结果更加可靠以及参数能被完全估计出来，就要避免变量之间出现多重共线性问题。在多元回归分析中通常根据方差膨胀因子（VIF） 小于 5 来判别是否存在多重共线性问题。根据国际著名数理统计学家陈希孺先生的经验， 若检验得到的 VIF 的值不超过 5 ，则可由此判断出变量间没有多重共线问题。鉴于这一标准被广泛采纳，本文也根据这一标准进行判断。本研究所涉及的回归模型中，VIF 值都小于5，因此可判定不存在多重共线性问题。
在多元回归分析中通常根据 DW 统计量的值（Durbin-Watson）来确定两个相邻误差项的相关性是否为零，以此来检验随机误差项是否具有序列相关问题。当 DW 值介于[1.5-2.5] 之间时，表明不存在序列相关问题。本研究所涉及的回归模型中，DW 值均接近 2，因此可判定不存在序列相关问题。
5.3.1知识分享中介效应检验
依照 Baron 等（1986）提出的逐步回归法来验证知识分享中介效应。包括以下四步：① 检验高承诺人力资源实践与知识分享相关；②检验高承诺人力资源实践与企业创新绩效相关；③检验知识分享与企业创新绩效相关；④加入知识分享后，高承诺人力资源实践与企业创新绩效之间的影响关系发生变化。若二者关系不再显著，表明知识分享起到完全中介的效果；若二者之间的关系系数变大，则表明知识分享未起到中介作用；若二者之间的关系系数变小，则表明知识分享起到部分中介效应。具体回归分析检验结果如表 5-17 所示。
根据表 5-17 得出的 Model2 可知，能力提升、动机激励和授权参与对创新效益的回归效应均显著（0.341***、0.209***、0.259***），即对创新效益有显著的正向影响作用，假设 H1a、 H1b 和 H1c 得到验证。同时根据 Model5 的结果可知，能力提升、动机激励和授权管理对创新效率的回归效应均显著（0.393*** 、0.294***、0.345*** ），即对创新效率有显著的正向影响作用，假设 H1d、H1e 和 H1f 得到验证。
根据表 5-17 中得出的 Model4，就创新效益维度来看，在知识分享进入模型后，能力提升对其的影响减弱，β值大小由 0.341（P<0.001）减小到了 0.267（P<0.001）；动机激励对其影响明显减弱，β值大小从 0.209（P<0.001）减小到了 0.145（P<0.01）；授权参与对其影响同样也有所减弱，β值大小从 0.259（P<0.001）减小到了 0.146（P<0.01）。由此可以判定出，知识分享分别在能力提升、动机激励和授权参与三个子维度与创新效益的相互影响作用机制中，都发挥了部分中介效应，假设 H4a、H4b、H4c 得到验证。
根据表 5-17 中得出的 Model7，就创新效率维度来看，在知识分享进入模型后，能力提升对创新效率的影响减弱，β值大小由 0.393（P<0.001）减小到了 0.285（P<0.001）；动机激励对其影响也逐渐减弱，β值大小由 0.294（P<0.001）减小到了 0.200（P<0.01）；授权参与对其影响也有所减弱，β值大小由 0.345（P<0.001）减小到了 0.180（P<0.01）。由此表明了，知识分享分别在能力提升、动机激励、授权参与三个子维度与创新效率的相互影响作用机制中，都发挥了部分中介效应，假设 H4d、H4e、H4f 得到验证。
此外，本文按照 Preacher 等（2004）提出的模型，利用 Bootstraps 对知识分享中介作用做深入分析，以此保证检验结果的准确性。该方法的特别之处在于能够进行多次迭代，从而生成数量较多的样本，一定程度上可以保证得到的中介作用检验结果更加可靠和精确。具体的检验结果如表 5-18 所示。
分析可知，在 95%的置信区间水平下，能力提升、动机激励和授权参与对创新效益影响作用均较为明显，并且进行 Bootstraps 检验得出的置信区间对应为（0.2961，0.4877）、（0.2322， 0.3896）和（0.2018，0.3718），均不包含 0。由此可以判定出，知识分享分别在能力提升、动机激励、授权参与三个子维度与创新效益的相互影响作用机制中，都发挥了部分中介效应， 假设 H4a、H4b、H4c 得到验证。
在 95%的置信区间水平下，能力提升、动机激励和授权参与对创新效率的影响均显著， Bootstraps 检验的置信区间分别为（0.4105，0 .6724）、（0.3160，0.5229）和（0.2946，0.4957），均不包含 0。由此可以判定出，知识分享分别在能力提升、动机激励、授权参与三个子维度与创新效率的相互影响作用机制中，都发挥了部分中介效应 ，假设 H4d、H4e、H4f 得到验证。
5.3.2吸收能力的调节效应检验
本文选取了吸收能力作为研究模型中的调节变量，并认为其在知识分享与企业创新绩效的影响作用机制中起到了调节作用。基于本章第三节对控制变量的分析结果，本节在假设检验分析过程中不再着重考虑控制变量的影响作用。为了检验确定调节变量的调节方向，采用SPSS21.0 软件中的多元线性回归方法进行检验吸收能力的调节效应。在构建方程模型过程中，自变量为知识分享（KS）；吸收能力（AC）包括两个因子 PAC 和 RAC，因此，调节变量包括潜在吸收能力（PAC）和实现吸收能力（RAC）两个变量；企业创新绩效（BI）为因变量。
本文主要遵循温忠麟（2010）提出的的调节效应检验方法，主要包括以下过程：①先将控制变量和因变量企进入方程，得出一个检验结果；②将自变量和调节变量加入方程，验证自变量、因变量和调节变量三者之间的相关关系；③在上述过程基础上，在方程中再加入调节交互项，即放入自变量和调节变量中心化处理后的乘积；④根据调节交互项交自变量×调节变量的显著性，来判断调节效应是否存在。
在检验吸收能力的调节效应时，首先首先需要考虑控制变量。根据表 5-19，Model8 主要考察控制变量和因变量企业创新绩效方程检验结果。在此基础上，将识分享、潜在吸收能力两个自变量同时加入方程模型，检验知识分享、潜在吸收能力与企业创新绩效的关系，得出 Model9。根据 Model9 结果分析可知，知识分享、潜在吸收能力与企业创新绩效三者之间的相关关系显著（F=240.693，p<0.001）。Model10 中引入了知识分享与潜在吸收能力的调节交互项，且交互项显著。一方面 R2 变化量即 sig F change 值小于 0.05，另一方面调节交互项 KS*PAC 系数的 sig 值小于 0.05，表示潜在吸收能力在知识分享与企业创新绩效关系中起调节效应，假设 H5a 得到验证。
依照上述方法，在考虑控制变量的基础上，将识分享、实现吸收能力两个自变量同时加入方程模型，得到 Model11；最后引入了知识分享与实现吸收能力的调节交互项，就得到Model12。根据 Model12 可得，R2 变化量即 sig F change 值小于 0.05，另一方面调节交互项KS*RAC 系数的 sig 值小于 0.001，表示实现吸收能力在知识分享与企业创新绩效关系中起调节效应，假设 H5b 得到验证。
为了更清楚直观的显示吸收能力的调节作用，本文通过将吸收能力的平均数与其中的标准差进行加减后，将其引入回归方程模型，然后就得到了吸收能力的调节作用效果图，进而分析不同规范化水平下的吸收能力对企业创新绩效的不同影响。如图 5-5、5-6 所示，在高吸收能力下，知识分享和企业创新绩效之间正向关系较强，在低吸收能力下，知识分享和企业创新绩效之间的正向关系则减弱。由此可以得出，吸收能力的两个维度分别都在知识分享与企业创新绩效影响机制中发挥正向调节作用。
5.4结构方程模型分析
多元回归方程的分析结果虽然已经初步检验了知识分享的中介作用，但是却没有考虑到本文的整体研究结构，还不能对概念模型中变量之间的关系作出准确判断，并且未考虑变量测量误差和误差间关系。而结构方程模型能很好的弥补回归分析的上述缺陷，因此，本文基于上述章节中的变量间关系验证结果，运用 AMOS21.0 来构建高承诺人力资源实践与企业创新绩效的结构方程模型（SEM），进一步对提出的研究假设做进行分析与检验，增强研究结果的可信度。
通过建立“高承诺人力资源实践（能力提升、动机激励、授权参与）—知识分享—企业创新绩效（创新效益、创新效率）”影响关系的初始结构方程模型，来验证变量的各个维度之间的假设关系。若初始模型出现不理想的指标，需要根据结果对模型进行进一步的修正， 从而使模型的各项指标都达到拟合标准。
5.4.1初始结构方程模型构建与分析
本研究中将高承诺人力资源实践划分为了能力提升、动机激励和授权参与三个维度，企业创新绩效划分为创新效益和创新效率两个维度，而知识分享在高承诺人力资源实践和企业创新绩效之间起到中介作用。在识别结构方程模型充分和必要条件后，本文运用 ASMOS21.0 对变量各维度之间的关系进行拟合，构建初始结构方程模型 M1 后，发现 M1 中的各项拟合指标值中有个别项不符合评判要求，模型适配度稍差。具体可见表 5-20 所示，CMIN/DF、RMR、RMSEA、GFI、AGFI、CFI，CFI、IFI 均符合标准；只有 NFI（0.879）和 TLI（0.862） 两项指标不符合拟合的标准要求，因此需要对模型 M1 做修正。
5.4.2初始结构方程模型的修正
本文采用残差法对初始模型进行修正，主要是通过修正指标进行拟合修正，即将 M1 中的 M.I.值大于 4 的路径所对应的残差项之间建立相关路径，依次进行修正，直到各项拟合指标都符合标准，最终得到修正后的模型 M1*。具体修正之后的模型如图 5-7 所示，修正之后的路径系数和拟合指标如下表 5-21 所示。
根据表 5-21，模型 M1*有 11 条路径系数均达到显著水平。其中，知识分享（KS）<--- 授权参与（AP）、创新效益（IB）<---能力提升（PE）、创新效益（IB）<---动机激励（MI）、
创新效益（IB）<---授权参与（AP）和创新效率（IE）<---授权参与（AP）等 6 条路径都在
0.001 是水平上达到显著；知识分享（KS）<---能力提升（PE）、知识分享（KS）<---动机激励（MI）、创新效益（IB）<---知识分享（KS）、创新效率（IE）<---知识分享（KS）和创新效率（IE）<---动机激励（MI）和等 5 条路径在 0.01 的水平上显著。
根据表 5-20 显示的各项修正后的指标，CMIN/DF=0.934，属于[1,3]区间，符合标准；
RMR=0.031<0.05，符合标准；RMSEA=0.010<0.05，符合标准；修正后 NFI=0.953>0.9，
TLI=0.917>0.9 均达到了拟合标准要求。与此同时，表 5-21 显示所有路径的因子载荷 C.R. 值的最小值都大于 2，达到了标准。综上都表明了模型 M1*的所有拟合指标都符合 SEM 研究的标准，因此能够判断本文提出的研究模型具有较好适配度。
5.5假设检验结果讨论
本文旨在探讨高承诺人力资源实践、知识分享与企业创新绩效之间的作用机理。通过对国内外与上述几个研究变量有关的文献做进一步的归纳分析，从知识分享的视角，来分析高承诺人力资源实践与企业创新绩效的作用机理，构建了三者之间的概念模型，并据此提出本文的 5 个主假设，然后根据各变量划分出的子维度又提出了相应的 19 个子假设，共 24 个假设。在对收集到的数据进行相关的实证分析时，主要采用了回归分析法验证了知识分享的中介效应以及吸收能力的调节效应；运用结构方程模型验证了变量间及变量子维度间的关系。最终得到的实证检验结果显示，上述两种不同的方法得到的结果都与本文的研究结论相符， 证实了本文提出的所有假设，即高承诺人力资源实践对知识分享和企业创新绩效有显著的正向影响；知识分享在高承诺人力资源实践与企业创新绩效的关系中发挥中介效应；同时知识分享还能积极促进企业创新绩效，并且在该影响作用机制中，吸收能力起到正向调节效应。本文的假设检验结果情况如表 5-22 所示。此外，自变量、中介变量、调节变量以及因变量这四者之间的影响关系，未因采取不同的验证方法而产生差异性的结果，这意味着研究得出的结论是比较可靠的。
5.6本章小结
本章主要以收集的正式问卷为研究数据，对“高承诺人力资源实践（能力提升、动机激励、授权参与—知识分享—企业创新绩效（创新效益和创新效率）”以及吸收能力作用的理论模型和研究假设进行实证研究和分析。先是根据本文的研究内容确定被试样本对象，然后进行问卷的发放，对收回的有效数据做样本描述分析；接着分析数据质量，包括正态分布检验、相关性分析以及信效度检验；最后，采用多元回归分析方法，分享验证了知识分享的中介效应以及吸收能力调节效应，并且还建立了结构方程模型再次对其关系进行检验，结果都证实了高承诺人力资源实践、知识分享与企业创新绩效之间的关系。本研究共提出了 5 个主假设，基于分维度的 19 个子假设，共 24 个假设，均被证实。
