③6个因子的命名解释
然后采取正交旋转方式中的方差最大法(varmix)旋转这六个因子,得到了6个因子的旋转载荷矩阵,删除一些因子载荷小于0.6的载荷量工商管理论文,以求得旋转后的各因子的命名解释如表1所示免费论文网。
表4 工作嵌入方差最大旋转后的因子载荷
|
Component
|
|
1
|
2
|
3
|
4
|
5
|
6
|
VC1
|
|
|
|
.698
|
|
|
VC2
|
|
|
|
.627
|
|
|
VC3
|
|
|
|
|
|
.60
|
VC4
|
.
|
|
|
.631
|
|
|
VC7
|
.700
|
|
|
|
|
|
VC10
|
|
|
|
|
|
.62
|
VC12
|
.757
|
|
|
|
|
|
VC13
|
.870
|
|
|
|
|
-
|
VC14
|
.807
|
|
|
|
|
|
VC15
|
|
|
|
|
.
|
-.205
|
VC20
|
.748
|
|
|
|
|
|
VC22
|
|
.639
|
|
|
|
|
VC24
|
|
.664
|
|
|
|
|
VC25
|
|
.759
|
|
|
|
|
VC26
|
|
.808
|
|
|
|
|
VC28
|
|
|
.868
|
|
|
.
|
VC29
|
|
|
.651
|
|
|
|
VC31
|
|
|
.697
|
|
|
|
VC33
|
|
|
|
|
.730
|
|
VC34
|
|
|
|
|
.698
|
|
F1 因子包括变量VC12、VC13、VC14、VC17和VC20,这五个变量分别描述了“我与企业的许多同事和领导关系非常密切”、“ 我的工作质量保持很高水准,工作效果得到大家的认同”、“ 我总是能够高效率地完成本职工作”、“ 为了维护人际关系的和谐, 不计较与同事之间的过节”和“我对不感兴趣的工作也能立即去做”,因此,F1因子可以解释为工作联结。
F2因子包括变量VC22、VC24、VC25和VC26,分别描述了“我在社区能够感受到家庭般的温暖”、“ 我生活的社区的环境优雅,适宜于人居住”、“自己所在社区的人文气息好”和“我居住的社区居委会主动地帮助住户”,因此,F2因子可以解释为社区联结维度。
F3因子包括变量VC28、VC29和VC31,分别描述了“有爱人或者男女朋友在身边,自己换工作会影响她/他的工作”、“社区为我提供诸多的生活娱乐设施”和“自己在目前的社区有 自己的房子,不方便换工作”,因此,F3因子可以解释为社区牺牲维度。
F4因子包括变量V1、 V2 和V4,分别描述了“我很适应企业的文化氛围”、“我能承受目前的工作压力”和“我已工作了较长时间,已经掌握了相关岗位的工作技能”,因此,F4因子可以解释为工作匹配维度。
F5因子包括变量V33、VC34 分别描述了“工作离家近,上班比较方便”和“ 频繁地换工作会导致生活迁移和适应的麻烦”,因此F5因子可以解释为社区匹配维度。
F6因子包括变量VC4和 VC10,分别描述了“ 企业能实现我的职业发展目标”和“我在企业已经积累了良好的人脉关系”,因此F6因子可以解释为工作牺牲维度。
(二)基于工作嵌入的员工离职模型的构建
1.模型构建的方法
一般来说,因素分析可以分为探索性因素分析(exploratory factor analysis;简称EFA)和验证性因素分析(confirmatory factor ananlysis;简称CFA)。探索性因素分析是指测量变量的理论架构是分析后的产物,因素结构是由研究者从一组独立的测量指标或题项间,主观判断来决定的一个具有计量合理性与理论适切性的结构,并以该结构来代表所测量的内容或构念特质,即理论框架出现在EFA程序之后[③]。验证性分析是指,在特定的理论观点或者概念架构作为基础,然后借由数学程序来确认评估该理论观点所导出的计量模型是否适当、合理,因此理论架构对CFA的影响是发生在分析之前的工商管理论文,其计量模型具有先验性,理论是一种事前的概念(邱政浩,2005)。比较常见的CFA分析软件包括LISERAL和AMOS软件,笔者在本研究中采用AMOS 6.0的路径系数分析下的模型界定搜寻(SpecificationSearch),该分析方法通过绘制变量间的选择路径和绘制必须路径,然后该软件自动地组合各变量间的选择路径,在众多选择中供研究者挑选一种拟合数据最好的模型,该模型也代表最具有现实意义的研究成果。模型界定搜寻是一种介于EFA和CFA之间的分析方法,由于模型界定搜寻的环境处于AMOS 软件运行下,该方法应该属于CFA验证分析,但由于该方法在多种模型进行比较分析,在事先并未确定唯一模型,该分析方法又带有探索性因素分析的成分。
2.初始模型构建过程
①工作嵌入是员工离职的前因变量
March和Simon于1958年《组织论》一书中提出员工离职的两个决定性因素:员工的流动愿望和员工感知的流动容易性,March和Simon的观点构成当前关于员工离职研究的主要理论和思想来源。工作嵌入的联系、匹配、牺牲维度从不同的角度描述员工的流动愿望和员工感知的流动容易性。联结可描述了与工作环境、生活、机构、社区朋友等这张无形的网络的密切相关程度,员工的工作嵌入性越高,员工与其网络的密切程度越强;匹配指员工所感知到的自己与环境和组织的价值观、能力、生活爱好、信仰等的一致性程度,匹配性强的员工,员工能够实现自己的理想,在温馨愉悦的环境中工作,获得更高的工作满意度,员工离职率也会降低;牺牲是指员工离开组织带来的一切的有形的物质损失和各种无形的精神损失、工作内外的损失以及相关的损失,例如:员工的福利、员工因为工作的工作经验而丢失的工作方便、以及员工因为转换工作的不适应性等。从工作嵌入各个维度的描述看,工作嵌入明显与强烈影响工作满意度、组织承诺和员工离职。
②选取工作满意度和组织承诺为中介变量
工作满意度描述员工主观评估工作的整体状况,工作满意度是员工长期积累形成个体情感方面的意识,根据行为动机理论,个体的态度决定个体的行为,当员工的工作状况与员工的感情态度不相符合时,员工要么自我调整,改变工作情感与态度,要么员工通过行为——辞职工商管理论文,来谋求与其态度相符合的工作。组织承诺描述员工与工作之间的精神和物质上员工对企业的依赖关系,组织承诺越高,员工对企业的依赖性越大,其离职的可能性越小。本文选取工作满意度和组织承诺为中介变量的原因在与:一方面,工作满意度和组织承诺的变化量的确可以反映员工在辞职时的具体心理过程变化,另一方面,尽管传统的离职研究变量之多,但过去的离职研究的主流也却基于工作满意度和组织承诺,鉴于工作嵌入的研究刚刚起步,为了保证离职研究过程的有效衔接,保留传统离职研究最为核心的变量——组织承诺和工作满意度(传统离职研究的核心变量很多,例如:组织支持、心理契约和个人与工作匹配、工作绩效等,其他的外因变量则更多)免费论文网。
③相关分析
相关分析从统计学上刻画变量之间的相互关联程度,相关分析虽然粗略而笼统地描述变量之间关系,对于初步认识变量之间的关系而言,相关分析也不失为一种“探路”分析的良好方法。笔者把工作嵌入分为工作内嵌入和社区嵌入,为了初步显示工作嵌入的两个核心维度与工作满意度、组织承诺和员工离职的关系,在SPSS16.0下验证其Pearson相关系数,结果呈现在表1。工作内嵌入与组织承诺 、工作满意度的相关系数均达到a为0.01时的显著性水平,社区嵌入与组织承诺 、工作满意度的相关系数均达到a为0.01时的显著性水平。工作嵌入、组织承诺、工作满意度与员工离职的相关系数达到a为0.01时的显著性水平,社区嵌入与员工离职的相关系数未达到显著性水平。
表1 各变量之间的Pearson相关系数
|
工作内嵌入
|
社区嵌入
|
组织承诺
|
工作满意度
|
员工离职
|
工作内嵌入
|
1
|
.252
|
.678**
|
.711**
|
-.332*
|
社区嵌入
|
.252
|
1
|
.507**
|
.466**
|
-.110
|
组织承诺
|
.678**
|
.507**
|
1
|
646**
|
-.194*
|
工作满意度
|
.711**
|
.466**
|
.646**
|
1
|
-.211*
|
员工离职
|
-.332*
|
-.110
|
-.194*
|
-.211*
|
1
|
④绘制模型的初始路径图以及最优模型的搜寻

图1 执行模型界定搜寻时基于工作嵌入的员工离职模型的初始模型
![基于工作嵌入的员工离职模型研究—以工作满意度和组织承诺为中介变量 工作嵌入]()
图2 输出基于工作嵌入的员工离职模型标准化估计值的模型图
结合模型各变量之间的理论分析,相关分析中显性相关的变量之间或者相关系数较大的变量之间则具有路径关系,在AMOS6.0下的模型界定搜寻窗口绘制该模型的初始模型,如图1所示,初始模型大概界定模型变量之间的关系范围。AMOS6.0下的模型界定搜寻功能自动根据数据的特点,自动组合工作内嵌入、工作外嵌入、工作满意度、组织承诺和员工离职的不同的关系模型,从而形成几个变量之间的不同模型组合。在本次研究中,AMOS6.0下的模型界定搜寻程序总共组合256个模型,AMOS6.0下的模型界定搜寻程序再自动计算各个模型与数据的适配度指标工商管理论文,也就是与研究所搜集的数据最相符合的模型,其研究意义在与找到最与客观现实最一致的模型。AMOS6.0下的模型界定搜寻显示模型40为最优模型,然后程序再自动输出路径关系和路径关系系数,如图2所示。
3.最优模型的适配度指标以及分析结果
模型界定搜寻就是要选取模型适配度最优的模型,因此,除了极少个别的适配度指标略低于AMOS软件统计学的最低限度指标,该模型的大多数适配度适配度指标均能达到显著水平,如表6和表7所示,这意味着该模型和样本数据适配异常良好。
模型的卡方值为1.085,自由度为1,显著性概率为0.285,达到0.05的显著性水平,接受虚无假设,表示观察数据的S矩阵与假设模型隐含的矩阵相契合,即观察数据与假设模型间适配良好;输出的2种基准线比较估计量NFI=0.989,RFI=0.903,均大于0.90,表示理论模型与观察数据适配度佳;简约后的测量值PRATIO,PNFI均大于0.500;NCP(非中心参数),FMI(最小差异值函数)和RMSEA(渐进残差和平方根)均小于0.1且接近0,这些都意味着该模型的适配度优良。表7中的预设模型的AIC(信息效标)、BCC、 ECVI(期望跨效度指数)和 MECVI值均小于独立模型和饱和模型,表示预设模型是精简的模型。
表6 基于工作嵌入的员工离职模型的适配度指标
Model
模型
|
CMIN
|
DF
|
P
|
NFI
|
RFI
|
CFI
|
PRATIO
|
PNFI
|
NCP
|
FMIN
|
RMSEA
|
Default
model
预设模型
|
1.085
|
1
|
0.298
|
0.989
|
0.903
|
0.999
|
0.51
|
0.499
|
0.085
|
0.024
|
0.043
|
表7 基于工作嵌入的员工离职模型的简约适配度指标
Model
模型
|
AIC
|
BCC
|
ECVI
|
MECVI
|
HOELTOR
|
HOELTOR
|
Default model
预设模型
|
39.085
|
44.785
|
0.850
|
0.974
|
0.05
|
0.01
|
Satuated model
饱和模型
|
40.000
|
46.00
|
0.870
|
1.000
|
163
|
282
|
Independent model
独立模型
|
121.821
|
124.821
|
2.648
|
2.741
|
9
|
11
|
从图2中可以看出,ⅰ.组织承诺和工作满意度之间独立不相关;ⅱ工作满意度和组织承诺与员工离职呈现负负相关,但工作满意度对员工离职的影响略大于组织承诺; ⅲ 工作内嵌入对员工离职的负影响(总效果=直接效果+间接效果=0.35+0.63*0.11+0.66*0.15=0.5183)大于社区嵌入对员工离职的负影响(总效果=直接效果+间接效果=0.21+0.27*0.15+0.34*0.11=0.2879),其中的间接效应就是工作满意度和组织承诺作为调节变量的中介效应,即:工作嵌入对员工离职的影响也可通过2个中介变量—工作满意度和组织承诺而产生影响,此部分的影响叫做中介效应。(中介效应=0.63*0.11+0.66*0.15+0.27*0.15+0.34*0.11=0.2382)
四、研究结论
(一)结论分析
本研究还进行了工作嵌入的跨文化检验,工作嵌入这个来源于外国文化的科学学术术语适合于中国文化下的企业员工,中国企业员工具有良好的工作嵌入的2×3维度结构,这为后续关于工作嵌入的研究奠定了良好的理论基础。我们可以设想,工作嵌入不仅可以预测企业员工离职率,还可以作为工作绩效、组织工作行为、员工缺勤率等结果变量的前因变量。工作嵌入给人力资源管理注入了新的血液,企业可以建立每个员工工作嵌入记录表工商管理论文,围绕工作嵌入核心维度,设计一套可以客观评估的工作嵌入考核点值,以真实的反映每个员工的工作生活状态,企业在制定管理制度和人力资源管理决策时,可以参考每个员工的工作嵌入考核点值,因“时”而异,最终达到管理效率最大化和决策最优。
2/3 首页 上一页 1 2 3 下一页 尾页 |