本節主要介紹測量模型的信度和效度檢驗情況，即對正式研究的信度和效度進行分析，確保所研究的概念都得到了可靠和恰當的測量，並以此作為結構模型分析的前提和基礎。在分析之前，先將反向計分分值進行轉化，並用最大期望法（EM）對缺失值進行處理。隨後使用SPSS11.5和LISREL8.51等統計軟件進行數據分析和假設檢驗。
5.2.1信度分析
測量模型的信度可以通過內部一致性信度的Cronbachα係數分析來進行，也可通過綜合信度係數CR計算來進行。
5.2.1.1 Cronbachα係數檢驗
列出了每個潛變量的Cronbachα係數值。從表中數據可以看出，潛變量的Cronbachα係數值處在0.8584-0.9465之間，都達到了0.70的可接受信度水平（Nunally，1978）。
5.2.1.2綜合信度CR係數檢驗
列出了每個潛變量的綜合信度CR係數值。從表中可以看出，潛變量的綜合信度CR係數值處在0.863-0.949之間，都超過了0.70的可接受信度水平。
上述兩方麵的信度分析結果顯示，所有變量的量表都達到了信度的最低要求水平，這說明本研究所使用的量表具有良好的信度。
5.2.2效度分析
效度分析主要包括建構效度（construct validity）分析、收斂效度（convergent validity）分析和判別效度（discriminant validity）分析。以下從這三個方麵來對量表的效度進行分析。
5.2.2.1建構效度分析
本研究通過探索性因子分析（EFA）來檢驗問卷的建構效度。用SPSS11.5軟件對正式調查數據作探索性因子分析，結果。筆者運用主成分分析法，以特征根值大於1為標準來截取數據，並采用方差最大化正交旋轉法（varimax）來進行因子分析，其取樣適當性數值KMO0.899，累計可解釋信息量為75.571%，且Bartlett′s球形檢驗達到顯著水平（p＜0.000）；提取的9個因子分別命名為基於能力的人力資源管理係統、基於承諾的人力資源管理係統、信息解釋與組織記憶、信息分發、知識獲取、財務績效、創新績效、員工激勵和員工能力（與表中的9個因子對應）。表明本問卷的建構效度較好。
5.2.2.2收斂效度分析
在驗證性因子分析中，收斂效度水平可以由模型的擬合指數（fit index）和因子載荷係數來檢驗（Mueller，1996），也可以利用平均析出方差（AVE）值來判斷。給出了各測量模型的擬合指數情況。從表中可以看出，各測量模型的χ2/df值介於0.83-3.09之間，較為理想；除能力係統、承諾係統RMSEA值為0.097以外，其餘測量模型的RMSEA值均小於0.08；SRMR值處於0.024-0.048之間，均低於0.08；各測量模型的NFI、NNFI、CFI、IFI指標均超過0.90，表明測量模型和數據擬合較好。給出了各測量模型問項的標準化載荷係數、綜合信度和AVE值。從表中可以看出，除問項L3的標準化載荷係數0.5523低於0.6以外，其餘問項的標準化載荷係數均大於最低臨界水平0.6，並且均通過t檢驗而達顯著水平，表明測量有較高的收斂效度；平均析出方差AVE值處於0.595-0.823之間，均大於0.5的臨界值，也表明測量有較高的收斂效度。總的來說，測量模型的擬合指數、問項的標準化載荷係數和AVE值均說明測量模型的收斂效度較高。
2.因子載荷小於0.4在表中沒有標出。
5.2.2.3判別效度分析
判別效度分析使用各個潛變量解釋方差（AVE）的平方根大於該潛變量與其他變量的相關係數的絕對值進行比較，數據分析結果。從表中可以看出，各潛變量的AVE值的平方根均大於該潛變量與其他變量的相關係數的絕對值。結果表明各概念的判別效度較好。
以上分析顯示，測量模型的信度和效度檢驗均獲得通過。Anderson和Gerbing（1988）的兩步驟分析方法認為當測量模型的信度、收斂效度和判別效度檢驗完後，才能進行假設檢驗。接下來，筆者根據Anderson和Gerbing（1988）的建議對結構模型和研究假設進行檢驗。
2.符號A、B、C、D、E、F、G、H、I分別代表潛變量員工能力、員工激勵、知識獲取、信息分發、信息解釋與組織記憶、財務績效、創新績效、能力係統和承諾係統。