3318
浏览3.4.4 . 测量的充分性:信度、效度和共同方法偏差
我们采用 Cronbach's alpha (α) 来判断信度。如表 3所示,各量表的 α 值均高于 0.70 的阈值,说明该量表测量结果的信度良好,内部一致性程度高。我们使用验证性因子分析(CFA)来检验效度,结果表明测量模型与数据拟合良好(χ 2 =667.216,p = 0.000,χ 2/df=1.319, IFI=0.978, TLI=0.976, CFI=0.978, GFI=0.919, RMSEA=0.027),证明模型构造良好。所有项目均显着加载在相应的潜在结构上,所有标准化加载均高于 0.60。提取的平均方差(AVE)>0.50(范围从0.541到0.662),复合信度(CR)也超过临界值0.70(范围从0.837到0.911),表明我们的样本保证了收敛效度。此外,在表 4中,对角线上的 AVE 值的平方根均大于变量间的相关系数,为判别效度提供了有力的证据。此外,以下波德萨科夫等人。(2003),我们使用Harman的单因素分析来检查共同方法偏差,并使用主成分法对所有变量进行探索性因素分析。结果表明,第一个因素解释的总方差为 22.716%,小于 40% 的临界值。我们还进行了 CFA,将模型的所有项目限制为一个共同的单一因素。拟合指数结果表明模型不能很好地拟合数据(χ 2 /df =9.915,IFI=0.362,TLI=0.318,CFI=0.359)。因此,我们发现数据中没有显着的共同方法偏差,随后检验了假设。
表 3。构建测量模型和CFA。
物品描述摘要 | 标准化装载 | AVE | 铬 |
---|---|---|---|
网络中心性(α = 0.866) | |||
我们公司的产品和技术能力得到联盟合作伙伴的认可 | 0.680 | 0.570 | 0.868 |
联合伙伴经常与我们交流技术标准 | 0.835 | ||
我们可以更好地获取与 标准的市场成功相关的不同信息和知识 | 0.756 | ||
在协同标准制定过程中,我所具有一定的权力影响或 决定标准的内容 | 0.700 | ||
我们向合作伙伴提供有关标准化的强大信息 | 0.792 | ||
关系强度 (α = 0.861) | |||
我们公司经常与合作伙伴一起起草标准 | 0.704 | 0.556 | 0.861 |
我们的公司和合作伙伴愿意投入必要的资源以使技术 标准取得成功 | 0.882 | ||
与合作伙伴有密切联系(例如,访问彼此的公司、 标准化会议、书面和电话沟通) | 0.668 | ||
我们经常与合作伙伴共享标准化信息 | 0.763 | ||
我们公司与合作伙伴有着诚实和真实的关系 | 0.692 | ||
吸收能力 (α = 0.854) | |||
潜在吸收能力 (α = 0.851) | |||
我们通过非正式方式收集行业信息(例如,与行业朋友共进午餐、 与贸易伙伴会谈) | 0.704 | 0.541 | 0.854 |
在我们公司,想法和概念是跨部门交流的 | 0.794 | ||
快速了解为客户服务的新机会 | 0.681 | ||
我们分析和解释市场需求变化的速度很慢® | 0.769 | ||
我们很快认识到新的外部知识对现有知识的有用性 | 0.723 | ||
实现吸收能力 (α = 0.884) | |||
我们的员工可以构建和使用收集到的知识 | 0.703 | 0.567 | 0.886 |
我们的员工成功地将现有知识与新见解联系起来 | 0.864 | ||
员工记录和存储新获得的知识以备将来参考 | 0.732 | ||
我们彻底把握新的外部知识为我们公司提供的机会 | 0.726 | ||
我们公司难以 有效地将新知识应用到产品和服务中® | 0.699 | ||
我们公司定期重新考虑技术并根据新 知识对其进行调整 | 0.780 | ||
环境不确定性 (α = 0.787) | |||
技术不确定性 (α = 0.849) | |||
我们行业的特点是技术瞬息万变 | 0.811 | 0.662 | 0.854 |
由于快速的技术变化,很难获得最新的技术 | 0.876 | ||
如果我们不跟上技术的变化,我们将很难保持 竞争力 | 0.748 | ||
市场不确定性 (α = 0.835) | |||
客户产品偏好的变化难以预测 | 0.815 | 0.631 | 0.837 |
很难了解客户的需求 | 0.751 | ||
很难理解竞争对手的策略 | 0.815 | ||
公司业绩 (α = 0.908) | |||
联合标准化合作有助于我们公司的市场份额 | 0.898 | 0.596 | 0.911 |
联合标准化合作帮助我们公司产生额外的利润 | 0.815 | ||
通过参与联合 标准化合作增强了我公司的竞争优势 | 0.755 | ||
我们公司的想法被纳入联盟标准 | 0.748 | ||
联合标准化合作为我司创造了新机遇 | 0.795 | ||
联合标准化合作提供了有效的学习交流媒介 | 0.746 | ||
联合标准化合作有助于我们 公司的知识积累 | 0.618 | ||
模型拟合指数 | |||
χ 2 = 667.216, p = 0.000, χ 2 /df =1.319, NFI=0.915, IFI=0.978, TLI=0.976, CFI=0.978, GFI=0.919, RMSEA=0.027 |
注: ®:表示项目被反向编码;量表范围从 1(非常不同意)到 5(非常同意)。
变量 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
---|---|---|---|---|---|---|---|---|---|---|---|---|
1. 网络规模 | 1.000 | |||||||||||
2.联盟经历 | 0.577 ⁎⁎ | 1.000 | ||||||||||
3. 专利 | 0.149 ⁎⁎ | 0.134 ⁎⁎ | 1.000 | |||||||||
4.行业类型 | 0.103 * | 0.103 * | 0.015 | 1.000 | ||||||||
5. 所有权 | 0.112 * | 0.077 | 0.012 | -0.262 ⁎⁎ | 1.000 | |||||||
6. 公司年龄 | 0.332 ⁎⁎ | 0.328 ⁎⁎ | 0.138 ⁎⁎ | -0.272 ⁎⁎ | 0.291 ⁎⁎ | 1.000 | ||||||
7. 公司规模 | 0.309 ⁎⁎ | 0.240 ⁎⁎ | 0.104 * | -0.231 ⁎⁎ | 0.365 ⁎⁎ | 0.631 ⁎⁎ | 1.000 | |||||
8. 网络中心性 | 0.230 ⁎⁎ | 0.331 ⁎⁎ | 0.075 | -0.014 | -0.053 | 0.122 * | 0.098 * | 0.755 | ||||
9. 关系强度 | 0.065 | 0.134 ⁎⁎ | 0.044 | -0.006 | -0.001 | 0.000 | 0.062 | 0.281 ⁎⁎ | 0.746 | |||
10. 吸收能力 | 0.160 ⁎⁎ | 0.264 ⁎⁎ | 0.027 | 0.079 | 0.018 | 0.054 | 0.103 * | 0.217 ⁎⁎ | 0.101 * | 0.74 5 | ||
11. 不确定性 | 0.287 ⁎⁎ | 0.304 ⁎⁎ | 0.011 | -0.057 | 0.081 | 0.195 ⁎⁎ | 0.119 * | 0.230 ⁎⁎ | 0.082 | 0.222 ⁎⁎ | 0.804 | |
12. 公司业绩 | 0.281 ⁎⁎ | 0.301 ⁎⁎ | -0.012 | 0.067 | 0.043 | 0.056 | 0.108 * | 0.300 ⁎⁎ | 0.212 ⁎⁎ | 0.404 ⁎⁎ | 0.275 ⁎⁎ | 0.77 2 |
意思是 | 1.870 | 3.021 | 1.467 | 0.693 | 0.089 | 3.405 | 3.510 | 3.344 | 3.506 | 3.433 | 3.476 | 3.732 |
标清 | 0.798 | 0.858 | 0.513 | 0.462 | 0.285 | 1.110 | 1.499 | 0.729 | 0.713 | 0.546 | 0.607 | 0.757 |
注意:AVE 值的平方根显示在对角线上(粗体)。
N = 437 家联合公司。
p < 0.05 水平。
p < 0.01 水平。
4 . 结果
表 4展示了描述性统计数据,包括变量之间的均值、标准差和相关性。变量之间的所有相关性均小于 0.7,在可接受的阈值内。结果表明,网络中心性、关系强度和吸收能力与公司绩效呈正相关。为了匹配回归模型,我们测试了主要自变量的正态性(Song et al., 2016)。我们发现每个变量的偏度和峰度不存在严重的非正态分布(对于网络中心性,偏度为-0.014,峰度为-0.911;对于关系强度,偏度为0.030,峰度为-0.990;对于吸收能力,偏度为 0.117,峰度为 -0.837;对于环境确定性,偏度为 -0.090,峰度为 -0.394)。为了检查多重共线性,我们计算了所有变量的方差膨胀因子 (VIF)。均低于阈值 10(最大 VIF 小于 2),表明回归模型不存在多重共线性。
表 5提供了控制变量、TSA 网络(包括中心性和关系强度)、吸收能力、环境不确定性和公司绩效的分层回归分析。我们在模型 1 中引入了控制变量,它解释了公司绩效差异的 12%。关于控制变量的回归系数,我们发现在所有模型中,网络规模与公司绩效之间存在显着的正相关。正如预期的那样,与小型网络相比,联合公司可能会从大型 TSA 网络中获得更多收益。
表 5。回归分析的结果。
变量 | 因变量(DV):公司业绩 | ||||||
---|---|---|---|---|---|---|---|
模型 1 | 模型 2 | 模型 3 | 模型 4 | 型号 5 | 型号 6 | 型号 7 | |
控制变量 | |||||||
网络规模 | 0.168 ⁎⁎ | 0.158 ⁎⁎ | 0.169 ⁎⁎ | 0.161 ⁎⁎ | 0.169 ⁎⁎ | 0.145 ⁎⁎ | 0.126 * |
联盟经验 | 0.228 ⁎⁎⁎ | 0.149 ⁎⁎ | 0.138 * | 0.082 | 0.107 * | 0.115 * | 0.158 ⁎⁎ |
专利 | -0.060 | -0.069 | -0.057 | -0.065 | -0.067 | -0.051 | -0.042 |
行业类型 | 0.018 | 0.038 | 0.000 | 0.017 | 0.006 | 0.012 | 0.019 |
所有权 | 0.017 | 0.042 | 0.018 | 0.038 | 0.006 | 0.015 | 0.034 |
公司年龄 | -0.115 | -0.098 | -0.087 | -0.074 | -0.076 | -0.101 | -0.078 |
公司规模 | 0.078 | 0.059 | 0.041 | 0.028 | 0.030 | 0.052 | 0.052 |
自变量 | |||||||
网络中心性 | 0.193 ⁎⁎⁎ | 0.148 ⁎⁎ | 0.138 ⁎⁎ | ||||
关系强度 | 0.127 ⁎⁎ | 0.118 ⁎⁎ | 0.121 ⁎⁎ | ||||
吸收能力 | 0.343 ⁎⁎⁎ | 0.314 ⁎⁎⁎ | 0.314 ⁎⁎⁎ | 0.320 ⁎⁎⁎ | 0.282 ⁎⁎⁎ | ||
环境不确定性 | 0.141 ⁎⁎ | 0.167 ⁎⁎⁎ | |||||
交互术语 | |||||||
吸收能力 × 网络中心性 | 0.198 ⁎⁎⁎ | ||||||
吸收能力×关系强度 | 0.192 ⁎⁎⁎ | ||||||
吸收能力 × 环境不确定性 | 0.357 ⁎⁎⁎ | ||||||
2 _ | 0.120 | 0.180 | 0.228 | 0.269 | 0.365 | 0.245 | 0.368 |
调整后的 R 2 | 0.106 | 0.163 | 0.214 | 0.251 | 0.347 | 0.229 | 0.354 |
F值 | 8.378 ⁎⁎⁎ | 10.408 ⁎⁎⁎ | 15.830 ⁎⁎⁎ | 15.638 ⁎⁎⁎ | 20.337 ⁎⁎⁎ | 15.417⁎⁎⁎ _ | 24.846 ⁎⁎⁎ |
注:N = 437 家联合公司。
p < 0.05 水平。
p < 0.01 水平。
p < 0.001 水平。
我们使用模型 1 和模型 2 来检验网络中心性和关系强度对公司绩效的影响。模型 1 仅包括控制变量。模型 2 的 R 2为 0.180(调整后的 R 2为 0.163),F 值为 10.408(P < 0.001),并增加了网络中心性和关系强度的主要影响。由于它们在 TSA 网络中占据的关键位置,联盟公司可能会取得更大的公司业绩。模型 2 的结果表明,网络中心性与企业绩效呈正相关(β = 0.193,p < 0.001)。因此,我们找到了对 H1a 的支持。H1b 也得到支持,即关系强度对公司绩效有显着的正向影响(β = 0.127,p < 0.01)。
为了检验 H2,我们在模型 1 的基础上引入了吸收能力的初级效应,从而得到模型 3。模型 3 的 R 2为 0.228(调整后的 R 2为 0.214),F 值为 15.830(P < 0.001)并显示吸收能力对因变量的影响。模型 3 的结果表明,吸收能力与企业绩效呈正相关(β = 0.343,p < 0.001)。因此,支持 H2。然后,为了检验吸收能力的调节作用,以企业绩效为因变量,依次引入网络中心性、关系强度和吸收能力,最后在模型4的基础上加入交互项。模型5的R 2为 0.365(调整后的 R 2为 0.347),F 值为 20.337(P < 0.001),表示吸收能力与网络中心性交互项以及吸收能力与关系强度交互项对企业的影响表现。在构建交互项之前,我们将自变量和调节变量均值居中以减少多重共线性的潜在影响。结果表明,吸收能力对网络中心性与企业绩效关系的调节作用是正向且显着的(β =0.198,p< 0.001),因此支持 H3a。同样,吸收能力对关系强度和公司绩效之间的关系也有显着的正向调节作用(β = 0.192,p < 0.001),支持 H3b。
为了更好地展示吸收能力对网络中心性和企业绩效的调节作用以及关系强度与企业绩效之间的关系,我们在图2中绘制了它们随着吸收能力水平的变化而变化的关系。根据图2,随着吸收能力的增加,TSA网络与企业绩效之间的正相关关系变得更强,证实了假设。然而,对于吸收能力很小的联盟公司,这种关系往往会减弱。
图2
图 2。吸收能力的缓和。
我们还研究了环境不确定性对吸收能力和公司绩效之间关系的调节作用。给定自变量,模型7包括控制变量、吸收能力、环境不确定性以及吸收能力与环境不确定性之间的交互项。模型 7的 R 2表明该模型解释了公司绩效因变量中 36.8% 的方差(R 2 = 0.368,调整后的 R 2 = 0.354,F 值 = 24.846,p < 0.001)。图 3表明环境不确定性对吸收能力与企业绩效之间关系的调节作用是正向且显着的 ( β = 0.357, p < 0.001),为 H4 提供支持。随着不确定性程度的增加,企业吸收能力对其绩效的正向影响增强。
图 3
图 3。环境不确定性的缓和。