如何验证测量指标的信效度？

信度（reliability）是检验测量指标的可靠性程度，它反映的是检验结果受到随机误差的影响程度。通常来说，信度是测量效度（validity）的基础，当信度被接受时对效度的检验才有意义。^[30]同时，对信度的检验不仅需要检验潜变量的信度，也需要检验指标题项的信度（徐万里等，2008）。一般来说，内部一致性信度检验主要通过Cronbach'sα值来进行，但是根据Campbell和Taylor（1992）等人的观点，α值的大小会受到测量题项的数目、题项间的相关性以及受访者特质等因素的影响，Bollen 也曾指出，α值的假设通常与实际不相符。因此，为了验证信度的合理性，笔者通过同时检验平均方差抽取量（AVE）、组合信度（CR）以及Cronbach'sα三个指标对信度进行说明^[31]（指标数据见表2）。

表2　AVE， CR， Cronbach'sα

续表

注：IATTI—创新性态度，PLL—创新精神，ICOM—组织激励，VOL—自愿性，EI—团队氛围，TP—工作绩效，IIU—创新性使用行为，age—年龄，gender—性别，education—教育背景。

平均方差抽取量（Average Variance Extracted）通常是用来分析观测指标的总体变异量有多少来自于潜在结构的变异量，以及其他的变异量有多少是由测量误差所导致的。根据Bagozzi等人的观点，AVE值越高表示潜在变量的信度越高，同时也具有较好的收敛效度。根据表2中所得到的数据，七个潜变量指标中，AVE的结果在0.513～0.966之间，大于经验值0.5，说明AVE检验得到通过。此外组合效度（Construct Reliability）也能够用来表示一个潜变量的各个观测变量之间的内在一致性水平。通常来说，CR值大于0.6，表示测量的指标之间存在关联性，且CR值越大指标之间的关联性越高。在表2中，所有的CR值的取值范围在0.757～0.980，最小的CR=0.757＞0.6，表明各指标之间具有高度相关性。最后，各题项的Cronbach'sα也大于标准值0.7，说明α检验得到了通过。综上所述，量表的信度是可靠的。

效度分析（Validity Analysis）通常来说明收敛效度（Convergent Validity）和判别效度（Discriminate Validity）检验（徐万里等，2008）。Fronell和Larcker就曾指出，收敛效度要求载荷系数大于0.707以及AVE值大于0.5，表明量表具有收敛效度^[32]。从上述分析的结果可知，收敛效度得到检验。(www.xing528.com)

表3　Fornell-LarckerCriterion 及AVE平方根

续表

注：IATTI—创新性态度，PLL—创新精神，ICOM—组织激励，VOL—自愿性，EI—团队氛围，TP—工作绩效，IIU—创新性使用行为，age—年龄，gender—性别，education—教育背景。斜对角线上加粗字体表示AVE的平方根。

判别效度（Discriminate Validity）是用来评价使用不同的方法测量不同构念时所观测到的不同数值之间的区分程度。一般而言，判别效度的评价要求所有的AVE值均大于因素间相关系数的平方。^[33]而在表3中，通过Smart PLS 3.0所得到的协方差矩阵对角线上的数据表示AVE的平方根，因此只需要比较最小的AVE的平方根与最大的相关系数之间的关系即可对判别效度进行判断。由表3可知，潜变量所对应的AVE的最小平方根为0.720，而最大的因素间相关系数为0.665，0.720＞0.665，所以可知判别效度通过检验。综上所述，本研究中量表的信效度均通过了检验。