5.3.2外部网络效应测量的效度与信度检验
1.全球网络效应测量的效度检验
本研究对测量全球网络效应的10项条款进行探索性因子分析，以检验全球网络效应量表的测量效度。提取因子方法为主成分分析法（Principal Component Analysis），因子旋转方法为方差最大法（Varimax）。提取的因子数目根据本研究的理论预期设定为1，低于0.3的因子载荷在结果中不显示。探索性因子分析的KMO（Kaiser‐Meyer-Olkin）检验的值为0.917，Bartlett 球体检验的卡方值（χ2）为3387.605，显着性概率为0.000。旋转后的值均高于0.5，表明全球网络效应测量量表具有一定水平的区别效度和收敛效度。
2.全球网络效应测量的信度检验
全球网络效应测量量表的Cronbach’s Alpha 系数为0.944，表明测量具有良好的内部一致性。
3.本地网络效应测量的效度检验
本研究对测量本地网络效应的15项测量条款进行探索性因子分析，以检验本地网络效应量表的测量效度。提取因子方法为主成分分析法，因子旋转方法为方差最大法。提取的因子数根据研究预期限定为3个，低于0.3的因子载荷在结果中不显示。探索性因子分析的KMO 检验的值为0.874，Bartlett 球体检验的卡方值（χ2）为3417.933，显着性概率为0.000。
4.本地网络效应测量的信度检验本地网络效应量表中的Item11～15、Item1～4以及Item5～9，用于测量“本地企业间合作”、“制度支持”和“本地知识扩散”。因此，这里分别对删除条款后的三个子量表进行信度检验。
“本地企业间合作”、“制度支持”和“本地知识扩散”量表的Cronbach’sAlpha 系数分别为0.917、0.825和0.821，均超过了临界值0.7，这表明测量有良好的内部一致性。
1.企业技术能力测量的效度检验
本研究对用于测量企业技术能力的16项测量条款进行探索性因子分析，以检验技术能力量表的测量效度。提取因子方法为主成分分析法，因子旋转方法为方差最大法。提取的因子数根据研究预期限定为3个，低于0.3的因子负载在结果中不显示。探索性因子分析的KMO 检验的值为0.929，Bartlett 球体检验的卡方值（χ2）为3927.337，显着性概率为0.000。
2.企业技术能力测量的信度检验
企业能力测量量表中的第1、2和13、14、15、16项条款用于测量“技术获取能力”，第3、4、5、6、7项条款用于测量“技术操作能力”，第8、9、10、11、12用于测量“技术改变能力”。在效度检验过程中，本研究删除了其中的4项条款，现在分别对删除条款后的三个子量表进行信度检验。
5.4外部网络效应的方差分析
根据企业年龄、规模（总资产）和成长阶段，本研究对样本企业进行了分类。按照企业年龄，样本企业被划分为“低于5年”、“6～8年”、“9～13年”以及“14年以上”四个组；按照企业规模，样本企业被划分为“低于4000万”、“4000万～1亿”、“1亿以上”三个组；按照企业成长阶段，样本企业被划分为“创业”、“快速成长”、“平稳增长”和“成熟”四个组。这里希望研究的问题是，不同年龄、不同规模以及处于不同成长阶段的企业，在受外部网络（全球和本地网络）影响的程度上是否存在显着性差异。
本研究运用单因素方差分析方法（ANOVA）检验各种外部网络效应在不同类型企业之间的差异的显着性，并在方差同质性检验后选择相应的方法，对外部网络效应在不同年龄组之间、不同规模组之间以及不同成长阶段组之间的差异进行多重比较。
1.变量赋值与总体差异分析
在方差分析之前，首先需要对研究变量赋值。本研究将各变量对应的测量题项得分的算术平均值作为该变量的测量分值。
2.外部网络效应在不同企业组别间的多重比较
（1）不同企业年龄组之间外部网络影响程度均值的多重比较根据企业成立时间，本研究将样本企业划分为“低于5年”、“6～8年”、“9～13年”以及“14年以上”四个组，简称为“A”、“B”、“C”和“D”组，每组包含的样本数分别是117、78、102和89。
（2）不同企业规模组之间外部网络效应均值的多重比较
根据样本企业的总资产额，本研究将样本企业划分为“低于4000万”、“4000万～1亿”、“1亿以上”三组，同样简称为“A”、“B”和“C”组，每组包含的样本数分别为154、133和89。
“全球知识转移”和“制度支持”两个变量在不同规模组间不满足方差同质性假设，而“本地知识扩散”和“本地企业间合作”两变量满足方差同质性假设。因此，使用“LSD”法，对不同规模组受“本地知识扩散”和“本地企业间合作”影响的程度进行多重比较；使用“Tamhane’s T2”法，对不同规模组受“全球知识转移”和“制度支持”的影响程度进行多重比较。
不同规模组之间的比较结果表明，不论本地还是全球网络中的合作都是选择性的，在这两方面集群中的较大规模企业都要占有一定的优势。同时，政府提供的支持和援助往往也倾向于大中型集群企业。
（3）不同企业成长阶段组间外部网络效应均值的多重比较
本研究根据企业成长阶段，将样本企业划分为“创业”、“快速成长”、“平稳增长”和“成熟”四种类型，简称为“A”、“B”、“C”和“D”组，每组包含的样本数为74、115、144和52。
多重比较的结果表明，“全球知识转移”效应的均值，在A 组和B 组间存在显着性差异，B 组受到的影响较大；“本地知识扩散”效应的均值，在C 组和B 组之间、D 组和B 组之间存在显着性差异，并且B 组受到的影响较大；“本地企业间合作”和“制度支持”效应的均值，在A 组和B组、C 组和B 组、D 组和B 组之间都存在显着性差异，并且都是B 组受到的影响较大。这一比较结果说明，外部网络效应有力地促进了高速成长企业的发展。或者，这些高速成长的企业更有效地利用了本地和全球网络带来的各种优势。
5.5 多元线性回归分析
5.5.1外部网络效应对集群企业技术能力的回归分析
本研究使用SPSS 12.0统计软件建立企业技术能力与外部网络效应的多元线性回归模型来实证检验本章5.1节中提出的12项研究假设，模型估计方法为普通最小二乘法（OLS）。
1.研究变量的描述性统计
各研究变量的赋值，采用将各变量对应测量条款得分的算术平均值作为变量测量分值的方法。
2.外部网络效应对集群企业技术获取能力的回归分析
为了分析集群企业技术获取能力与外部网络效应之间的关系，本研究以技术获取能力为因变量，以全球知识转移、本地知识扩散、本地企业间合作和制度支持为自变量，建立多元线性回归模型。本研究将转换为虚拟变量的企业规模（以“低于4000万”为参照类）和企业成长阶段（以“创业阶段”为参照类）作为模型的控制变量。
多元线性回归分两步进行，首先以技术获取能力为因变量，以（转换成虚拟变量）企业规模和企业成长阶段为自变量进行回归。然后以技术获取能力为因变量，以企业规模、企业成长阶段、全球知识转移、本地知识扩散、本地企业间合作和制度支持为自变量进行回归。
多元回归模型的R2为0.467，调整后R2为0.453。回归模型方差分析的F 值为35.473，显着性概率为0.000，表明回归模型具有统计显着性。D－W 值为1.911，表明回归模型的误差项具有较好的独立性。各自变量的方差膨胀因子（V I F）的最小值和最大值分别为1.325和2.173，表明模型不存在严重的多重共线性。