资料收集及数据分析方法

第三节　资料收集及数据分析方法

一、资料来源及问卷收集

本书的目的在于探讨市场导向、竞争优势与组织绩效之间的关系，研究构想及量表的运作均无特殊的行业限制。由于竞争优势涉及企业战略管理层面，故本书选择了企业管理人员作为受访者。由于时间及经费所限，本书选取了几所重点大学的MBA学员作为调查对象，在有关教学管理人员的协助下，采取现场发放问卷并于当天回收的方式，以确保问卷的质量和回收率。进行调查的问卷包括市场导向量表、竞争优势量表、组织绩效量表、战略类型及环境特征量表，问卷的结果为本研究资料的主要来源。在此基础上，另行搜集相关的二手资料，并对部分接受调查者就其所属企业的经营管理状况进行深入访谈，为分析结果作辅助说明。

此次研究历经一个多月的发放和催收，共发放问卷400份，总计共收回287份，回收率为71.75%。经过初步检查，剔除漏项过多及填答一致(如均选3)的无效问卷66份，有效回卷共221份，有效问卷回收率为55.25%。与一般营销研究认为问卷回收率达20%即可接受相比，本研究问卷回收率十分理想。

就样本数目而言，一般来讲，结构方程模型分析所需的样本数要求样本数减去模型中所欲估计的参数数目须大于50，而且一般认为样本数最少应在100到150之间才适合用最大似然估计法(maximum likehood)来估计结构方程模型(Ding等，1995)。但样本数太大时，如果超过400到500，MLE会变得过度敏感，容易使所有的配合度指标检验都出现配合不佳的效果(Tanaka，1987；Marsh等，1988)。Boomsma(1982)认为，样本容量N最少大于100，但大于200更好。因为容量少于100的样本，所产生的相关矩阵不够稳定，使得结构方程分析的信度(可重复性)低。因而，本书所搜集的样本数(N= 221)是适当的。

按照国家统计局对行业的行业分类标准(GB/T 4754-2002)⁽⁴⁾、企业员工人数、成立时间，样本分布情形如表4-8所示。从行业分布情况来看，调查范围涉及了除采矿业外的所有行业；从企业员工人数来看，小型企业、中型企业及大型企业均有一定的分布，且大型企业(员工人数超过1 000人)占总样本数的37.1%；从企业成立时间来看，从0到3年到成立时间长于20年，各个时段均有分布，尤以成立时间大于20年的企业居多，占总样本数的27.1%。

表4-8　样本分布情况

续表

续表

二、数据分析方法

问卷回收后，运用SPSS 11.5 for Windows和Lisrel 8.50来进行资料分析和假设检验。采用的分析方法如下：

1.描述性统计分析

包括样本基本资料的描述，作各变量的次数分配及百分比分析，以了解样本的分布情况。此外，以平均数和标准差来描述市场导向、竞争优势、组织绩效等各个构面，以了解样本企业的管理人员对这些相关变量的感知，并利用t检验及相关分析对背景变量所造成的影响做检验。

2.Cronbach's α信度系数分析

信度是指测验结果的一致性、稳定性及可靠性，一般多以内部一致性(consistency)来加以表示该测验信度的高低。信度系数愈高即表示该测验的结果愈一致、稳定与可靠。针对各研究变量的衡量题项进行Cronbach's α信度分析，以了解衡量构面的内部一致性。一般来说，Cronbach's α大于0.7为高信度，低于0.35为低信度(Cuieford，1965)，0.5为最低可以接受的信度水准(Nunnally，1978)。

3.探索性因素分析(exploratory factor analysis)和验证性因素分析(confirmatory factor analysis)

用以测试各构面衡量题项的聚合效度(convergent validity)⁽⁵⁾与区别效度(discriminant validity)。⁽⁶⁾因为仅有信度是不够的，可信度高的测量，可能是完全无效或是某些程度上无效。所以我们必须对效度进行检验。效度是指工具是否能测出在设计时想测出的结果。在本书中，收敛效度的检验根据各个项目和所衡量的概念的因素的负荷量来决定；而区别效度的检验是根据检验性因素分析计算理论上相关概念的相关系数，检定相关系数的95%信赖区间是否包含1.0，若不包含1.0，则可确认为具有区别效度(Anderson，1987)。

4.结构方程模型分析(structural equations modeling)⁽⁷⁾

由于结构方程模型结合了因素分析(factor analysis)和路径分析(path analysis)，并纳入计量经济学的联立方程式，可同时处理多个因变量，⁽⁸⁾容许自变量和因变量含测量误差，⁽⁹⁾可同时估计因子结构和因子关系。⁽¹⁰⁾容许更大弹性的测量模型，⁽¹¹⁾可估计整个模型的拟合程度(Bollen和Long，1993)，⁽¹²⁾因而适用于本书所欲探讨的整体模型的因果关系。在模型参数的估计上，采用最大似然估计法(Maximum Likelihood，ML)；在模型的适合度检验上，以基本的拟合标准(preliminary fit criteria)、整体模型拟合优度(overall model fit)以及模型内在结构拟合优度(fit of internal structure of model)(Bagozzi和Yi，1988)三个方面的各项指标作为判定的标准。在评价整体模式适配标准方面，本研究采用χ²(卡方)/df(自由度)值、拟合优度指数(goodness-of-fit-index，GFI)、平均残差平方根(root-mean-square-residual，RMSR)、近似误差均方根(root-mean-square-error-of-approximation，RMSEA)等指标；模型内在结构拟合优度则参考Bagozzi和Yi(1988)的标准，考察所估计的参数是否都到达显著水平。

【注释】

(1)Steven Wheeler，Evan Hirsh.寻求渠道差异化优势.世界经理人网站.http：// www.cec.globalsources.com/GC_200000_8800021055.HTM.

(2)这一结论与20世纪70年代的PIMS(profit impact of market share)的研究结果相同，但这一结论并不是绝对的。例如，Porter(1996)对日本汽车及电器行业的研究发现，尽管其市场份额在80年代比美国同行要大，但其资本利润却很低。Reicheld(1996)把市场份额分为质与量两个层面进行研究，量指的是市场份额的相对数量，质则是指顾客满意、顾客忠诚等与顾客未来行动特征有关的因素，认为这两者要匹配起来才能说明企业的优越绩效。

(3)研究结果详见第三章。

(4)参见中国国家统计局网站.http：//www.stats.gov.cn/tjbz/hyflbz/.

(5)当各构面变量皆落于假设的因素构面中，表示量表具有聚合效度(Bagozzi，Yi和Phillips，1991；Allen和Yen，1979)。

(6)同一构面下，某些特定变量的因素负荷显著高于同一构面下的其他变量，且在其他因素构面上仅为低度负荷量，即量表具有区别效度(Bagozzi，Yi和Phillips，1991；Allen和Yen，1979)。

(7)结构方程模型为统计控制的方法，具有多重测量的功能，学理基础是建立协方差分析。因果关系模式(casual models)用于度量与检测变量间的因果关系或分析变量间的协方差结构，利用因果模式(理论)所产生的相关系数矩阵(或协方差矩阵)与调查资料的相关系数矩阵(协方差矩阵)的差异，衡量因果模式的拟合优度(Joreskog和Sorbom，1993)。

(8)Bollen和Long(1993)指出，在回归分析或路径分析中，就算统计结果的图表中展示多个因变量，其实在计算回归系数或路径系数时，是对每个因变量逐一计算。所以图表貌似多个因变量同时考虑，但在计算对某一因变量的影响或关系时，都忽略了其他因变量的存在及其影响。

(9)Bollen和Long(1993)指出，用传统方法计算的潜变量(如用指标的均值作为潜变量的观测值，含误差)间相关系数(或回归系数)，与用结构方程分析计算的潜变量(通过测量方程排除了误差部分)间相关系数(或回归系数)，可能相差很大，这种差距的大小取决于潜变量与其指标间关系(因子负荷)的强弱。

(10)Bollen和Long(1993)解释道，欲了解潜变量之间的相关，须考虑因子与题目间的关系和因子与因子间的关系，在结构方程分析中，这两步是同一步骤中进行的。而传统的做法则是对每个潜变量(如自信)，先用因子分析计算潜变量与题目的关系(即因子负荷)，进而得到因子得分，作为潜变量的观测值(如自信的因子得分作为自信这个变量的观测值)，然后再计算因子得分(如自信与外向性格因子得分)的相关系数，作为潜变量之间的相关系数。这是两个独立的步骤，用自信题目计算自信的因子得分时，并不考虑外向因子；反过来也一样。而在结构方程分析中，自信题目与自信因子、外向题目与外向因子，以及自信因子与外向因子的关系，全都在同一步骤中估计。

(11)传统的方法只容许每一题目(指标)从属于单一因子，但结构方程分析容许更加复杂的模型。例如，允许一个指标从属于多个因子或者考虑高阶因子等有比较复杂的从属关系的模型。

(12)在传统路径分析中，我们只估计每一路径(变量间关系)的强弱。在结构方程分析中，除了上述参数的估计外，我们还可以计算不同模型对同一个样本数据的整体拟合程度，从而判断哪一个模型更接近数据所呈现的关系。