Список подобных навыков и умений включал в себя способности выявлять новые возможности для бизнеса, создавать новые продукты и услуги, применять на деле собственную креативность, управлять инновациями внутри фирмы, быть лидером и «мастером общения», выстраивать профессиональную сеть, коммерциализировать новую идею или разработку, успешно управлять бизнесом. Данная переменная вошла в модель в виде среднего значения по полученным ответам. Также для учета возможных межстрановых различий в модель были включены 34 бинарные переменные, отражающие страны нахождения университетов.

Описательная статистика переменных и корреляционная матрица приведены в табл. 1.5 и 1.6.

Таблица 1.5

Описательная статистика переменных

Примечание: IV = 70 164.

Таблица 1.6

Корреляционная матрица

Примечание: N = 70 164; ***р < 0,001; **р < 0,01; * р < 0,05.

Наиболее высокую оценку получил коэффициент корреляции между переменными, отражающими воспринимаемый поведенческий контроль и уверенность студента в собственных знаниях и навыках г, равной 0,593, что предполагает только 35% общей вариации. Такой результат свидетельствует об отсутствии мультиколлинеарности в модели.

В целях оценки качества модели измерения проводился подтверждающий факторный анализ. Для оценки валидности «схождения» было использовано два базовых теста [Hair et al., 2010]. Во-первых, для всех латентных переменных было подтверждено, что все факторные нагрузки значимы на уровне 0,05. Во-вторых, все значения показателей композитной надежности, а также значения коэффициента альфа Кронбаха оказались выше уровня 0,7. Указанные обстоятельства свидетельствуют о достаточной валидности «схождения» полученных оценок рассматриваемых теоретических конструктов.

Проверка на дискриминантную валидность осуществлялась при помощи трех базовых тестов. В первую очередь были проанализированы оценки коэффициентов корреляции между всеми рассматриваемыми конструктами (табл. 1.6). Достаточный уровень дискриминантной валидности достигается в том случае, если все оценки коэффициентов корреляции значимо отличаются от 1 [Bagozzi, Yi, 1988]. Анализ оценок коэффициентов корреляции с применением статистического бутстрэпа с генерацией 1 тыс. выборок подтвердил выполнение этого условия.

Согласно второму критерию, дискриминантная валидность достигается, если квадратный корень показателя средней объясненной дисперсии для латентных переменных превышает оценку коэффициента корреляции между ними [Fornell, Larcker, 1981]. Данный критерий был выдержан для всех пар латентных переменных, использованных в модели. Помимо этого, был проведен тест с использованием критерия хи-квадрат: осуществлялось сравнение двух моделей измерения, в одной из которых корреляция между двумя составными конструктами не фиксировалась, а в другой – приравнивалась единице. Результаты оценки показали, что все пары конструктов имели статистически значимые различия на уровне р < 0,001. Принимая во внимание полученные результаты, можно сделать вывод о наличии достаточной дискриминантной валидности.

Поскольку переменные модели измерялись с помощью субъективных оценок, существует потенциальная угроза возникновения общей ошибки смещения [Podsakoff, MacKenzie, Podsakoff, 2012]. Для исключения данной проблемы был проведен тест Хармана: анализ главных компонент выявил восемь факторов с собственными числами больше единицы [Harman, 1967]. Помимо этого, в рамках подтверждающего факторного анализа было выявлено, что соотнесение всех индикаторов с единым конструктом приводит к существенному снижению в качестве подгонки модели по сравнению с ситуацией, в которой индикаторы сопоставлены с соответствующими им теоретическими конструктами. Итак, что возникновение общей ошибки смещения в данном исследовании крайне маловероятно.

Тестирование гипотез исследования проводилось при помощи оценки иерархической регрессии методом наименьших квадратов. Для исключения проблемы гетероскедастичности, вызванной асимметричностью распределения зависимой переменной, а также автокорреляции ошибок, при оценке модели использовались робастные стандартные ошибки с кластеризацией по университетам. Такой подход широко используется в исследованиях, применяющих методы эконометрического моделирования [Cameron, Miller, 2015], в случаях, когда идиосинкразические характеристики каждого отдельно взятого кластера (университета) могут свести на нет предположение о независимости отобранных наблюдений, что может способствовать возникновению ошибки первого рода.

Показатели VIF (Variance inflation factor) приняли допустимые значения для регрессионной модели, оценивающей основные эффекты (средний VIF = 1,35; максимальный VIF = 2,04). Такой результат позволяет вести речь об отсутствии мультиколлинеарности в модели.

Результаты тестирования гипотез представлены в табл. 1.7.

Таблица 1.7

Результаты тестирования гипотез