1.数据分析工具
对于回收的问卷调查表，我们进行问题和选项的编码，我们采用SAS统计软件进行统计分析。
本研究利用课题组根据全部有效问卷的调查数据建立的数据库验证理论分析所提出的结构模型及其各种假设所预期的关系。统计分析运用SAS统计软件对模型中各要素及其相互关系进行描述性分析、因子分析和多元线性回归分析，对我们提出的假设进行检验。
SAS是“Statistical Analysis System”的缩写，意为统计分析系统。SAS是美国使用最为广泛的三大著名统计分析软件（SAS，SPSS和SYSTAT）之一，是目前国际上最为流行的一种大型统计分析系统，被誉为统计分析的标准软件。它于1966年开始研制，1976年由美国SAS软件研究所实现商品化，现有多个版本。SAS是数据管理和分析软件包，集数据存取，管理，分析和展现于一体，能够完成各种统计分析，矩阵运算和绘图等，为不同的应用领域提供了卓越的数据处理功能。
2.最优尺度回归方法简介
在线性回归模型中要求因变量为数值型。实际上，由于对同一个自变量的回归系数是恒定值，例如x从1上升到2和从100上升的101被假设为对y数值的影响均为b，这实际上也就限定了自变量的测量方式也应当是等距的。但是，现实问题中大量的数据为分类资料，例如企业（产品）技术成熟度在问卷中被收集为很不成熟、不成熟、不太成熟、一般、比较成熟、成熟、很成熟7档，如果将其编码为1、2、3、4、5、6、7，直接作为自变量纳入分析，则实际上是假设这7档间的差距完全相等，或者说它们对因变量的数值影响程度是均匀上升或下降的。这显然是一个过于理想和简单的假设，有可能导致错误的分析结论。
另外，对于无序多分类变量，如民族，它们之间则根本不存在数量上的高低之分，不可能为其给出一个单独的回归系数估计值，来表示民族每上升一个单位时因变量数量的变化趋势。对于上述分类变量，统计上标准的做法是采用哑变量进行拟合，然后根据分析结果考虑对结果进行简化。但是，哑变量分析的操作比较麻烦，而且对分析者的统计知识要求也较高。当研究问题中绝大多数变量都是分类变量时，这种分析思路实际上是很难实现的。
最优尺度变换专门用于解决在统计建模时如何对分类变量进行量化的问题。其基本思路是基于希望拟合的模型框架，分析各级别对因变量影响的强弱变化情况，在保证变换后各变量间的联系成为线性的前提下，采用一定的非线性变换方法进行反复叠代，从而为原始分类变量间的每一个类别找到最佳的量化评分，随后在相应模型中使用量化评分代替原始变量进行后续分析。这样就可将各种传统分析方法的适用范围一举扩展到全部的测量尺度，如对无序多分类分析、有序多分类变量和连续性变量同时进行回归分析。如果最优尺度变换技术被用于线性回归，那么就称谓最优尺度回归（冯进路，2005）。
管理研究当中最常见的统计方法基本上可以分为两大类：一是以回归为代表的第一代统计模型；二是以结构方程模型（Structural Equation Modeling）为代表的第二代统计模型。根据本研究所讨论的问题性质，以及相关假说所包含的因素的特征，我们选择多元线性回归分析作为主要的实证研究方法。
