Article in International Journal of Training and Development · August 003 doi: 10. 1111/1468-2419. 00169 citations 94 reads 1,925 authors

Study 1 (AWQ)
Method
Inventories were mailed to a random sample of 2,000 alumni from a large Canadian
university. The sample was restricted to alumni who had obtained a bachelor’s
degree at least five, but no more than 15, years previously. A total of 339 responses
were received. One had failed to complete the WCQ and was eliminated. A further
33 were eliminated because they were self-employed. This left 305 responses, rep-
resenting 139 men and 166 women. Of these, 81 reported working in organisations
with fewer than 50 employees, 229 reported working in organisations with between
50 and 500 employees, and 99 reported working in organisations with more than
500 employees.
The 64-item Approaches to Work Questionnaire and the 40-item Workplace Cli-
mate Questionnaire were completed by all respondents. All responses were provided
on a five-point Likert-type scale with the following choices: (5) definitely agree, (4)
somewhat agree, (3) doesn’t apply or find it impossible to give a definite answer, (2)
somewhat disagree, and (1) definitely disagree.
Results
Missing data represented 0.17 per cent of the items on the AWQ and 0.14 per cent
of the items on the WCQ. These missing data were replaced with group means for
the items.
Exploratory factor analysis of the 64 items in the AWQ was conducted in SPSS
using Maximum Likelihood (ML) extraction with direct quartimin rotation. The selec-
tion process for the-factor solution was based on three criteria: (1) interpretability
based on previous research; (2) variance accounted for; and (3) goodness of fit as
indicated by the root mean square error of approximation (RMSEA). RMSEA is an
estimate of the discrepancy between the model and the data per degree of freedom
for the model (Fabrigar
et al.
, 1999). A value of less than .05 indicates good fit; .05
to .08 indicates acceptable fit. Scree plots were also used to get an initial indication
of the approximate number of factors to extract.
The scree plot pointed to a solution in the range of three to five factors. Three-,
four-, and five-factor solutions were obtained.
1
In each solution, surface items loaded
on two separate factors. One of these factors consisted of surface items combined
with a few deep and achieving items, and suggested a rational, step-by-step approach
to work with an emphasis on memorising important information (e.g. ‘When I learn
something new at work I put a lot of effort into memorising important facts’). The
other surface factor was a mixture of surface items with most of the non-academic
items, and suggested an individual who was confused or overwhelmed by task
demands (e.g. ‘When I start on a job and things start to go wrong I tend to panic’).
A deep factor was identifiable and remained relatively consistent across solutions.
When four factors were extracted, an achieving factor emerged as the fourth factor,
although only six achieving items obtained loadings of at least .300 on that factor.
1
Due to space limitations, factor loadings for Studies 1 and 2 are not reported here. They are available
from the first author.
36
International Journal of Training and Development

Blackwell Publishing Ltd 2003

---

The main difference between the four- and five-factor solutions was that the factor
consisting of surface and non-academic items split in two. One of these retained the
sense of being confused or overwhelmed, while the other suggested a worker who
was disaffected or not interested in the job (e.g. ‘When I look back, I sometimes
wonder why I ever decided to work here’). However, the five-factor solution offered
no improvement in terms of underlying theory.
The three-factor solution accounted for 18.77 per cent of the variance, the four-
factor solution accounted for 21.65 per cent of the variance, and the five-factor sol-
ution accounted for 23.95 per cent of the variance. Values for RMSEA were calculated
using the program FITMOD (Browne, 1992). Values of RMSEA (with 95 per cent
confidence intervals) were obtained as follows: 3 factors, RMSEA
=
.043 (.039, .047);
4 factors, RMSEA
=
.038 (.034, .042); 5 factors, RMSEA
=
.035 (.031, .039). This indi-
cates good fit for all three solutions, and only modest improvements for each of the
more complex solutions.
On the basis of all of this information, the four-factor solution seems optimal. It
has good fit, and is closest to the underlying theory with a deep factor, an achieving
factor (albeit weak), a predominantly surface factor, and a factor with most of the
non-academic items (plus a number of surface items). Given the split of surface items,
it seems advisable to rename the two factors on which surface items loaded. Owing
to the rational, logical nature of the items on the one factor, it has been labelled
‘surface-rational’. The other factor, with its sense of confusion and being over-
whelmed, has been labelled ‘surface-disorganised’. The four factors were minimally
correlated, with the largest correlation occurring between deep and surface-
disorganised,
r
=
-.138.