表7-5结果显示：样本KMO值为0.828，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）。
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的因子负载矩阵，如表7-6所示。所有测量项目不存在交叉载荷现象（CrossingLoading），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，可以从双元式创新的14个项目中提取2个因素。这些因素累计解释的总体变异为63.332%。对因素分析后的因素命名：分别有7个项目进入了F1，7个项目进入了F2，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2个因素命名为双元式创新的利用式创新维度与探索式创新维度。通过计算Cronbach内部一致性系数，我们发现双元式创新的利用式创新维度与探索式创新维度的一致性系数分别达到0.911和0.884。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。
表7-6 双元式创新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。
2.企业绩效的探索性因素分析
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。首先我们先对企业绩效的各个测量项进行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7-7是SPSS16.0数据处理的输出结果。
表7-7 变量的KMO样本测度和巴特利特球体检验
表7-7结果显示：样本KMO值为0.869，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企业动态的因子负载矩阵，如表7-8所示。但测量项目Short_per5存在交叉载荷现象（CrossingLoading），并且大于0.4。根据陈晓萍、徐淑英和樊景立（2008）的建议，我们删去Short_per5这个测量项目，然后再进行探索性因素分析。
表7-8 企业绩效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。
接着，我们采取同样的分析步骤对企业绩效的各个测量项目（删去Short_per5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。分析结果显示，测量项目Long_per2存在交叉载荷现象（CrossingLoading），并且大于0.4。根据陈晓萍、徐淑英和樊景立（2008）的建议，我们删去Long_per2这个测量项目，然后再进行探索性因素分析。
表7-9 变量的KMO样本测度和巴特利特球体检验
