信效度分析

4.2.1 信度和效度分析

信度代表資料的一致性，由此可驗證所獲得的結果是否具有內部的一致性和穩

30萬以下 19%

30~100萬之間 56%

100~200萬之間 22%

200~500萬之間 2%

500萬以上

年所得

30萬以下 30~100萬之間 100~200萬之間 200~500萬之間 500萬以上

300萬以下 49%

300~1000萬之間 31%

1000~5000萬之間 16%

5000萬到壹億之間 4%

壹億以上

資產總市值

300萬以下 300~1000萬之間 1000~5000萬之間 5000萬到壹億之間 壹億以上

定性，本研究則以 Cronbach's α 和組合信度(composite reliability)來驗證信度，

Cronbach's α 值是越高越好，一般而言則以 α>0.7 為標準，說明了變數彼此間具有較 高的一致性，而 Fornell & Larcker (2009)則建議組合信度應為 0.6 以上，由表 4.2 可 得知本研究之構面皆符合以上標準，代表此問卷具有良好的信度。

。

表 4. 2 人格、偏好、投資效益、所得與財富-信度分析

效 度 則 表 示 資 料 可 有 效 反 應 問 題 的 程 度 ， 其 中 包 含 的 面 向 為 收 斂 效 度 (convergent validity)和區別效度(discriminant validity)。收斂效度則強調構面間的一致 性，檢驗所屬的問項是否能夠有效地反映該構面，評估的指標則以因素負荷量 (Factor Loading)和平均變異萃取量 (Average Variance Extracted)來衡量，而前者在實 務上一般應大於 0.6 以上，而根據 Fornell & Larcker (1981)則建議至少在 0.5 以上，

構面 編號 題數 Cronbach's

α(>0.7)

親和性 A 4 題 0.761 認真性 C 4 題 0.773 外向性 E 4 題 0.853 神經質 N 4 題 0.943 經驗開放性 O 4 題 0.944 停利偏好 RP 4 題 0.947

不停損偏好 DSL 4 題 0.961 槓桿偏好 CL 4 題 0.971 投資效益 IP 3 題 0.984 所得與資產 IW 2 題 0.795

若皆達到此標準則表示各問項均顯著地收斂於各構面，且能夠解釋至少 50%以上的 變異量，根據表 4.3 本研究所有問項的因素負荷量介於 0.671~0.934 之間，AVE 值在 0.608~0.826 間，兩個標準皆符合標準，代表本研究之問卷具有良好的收斂效度。而 指所有構面之間的相關性越低越好，良好的區別效度可以明確的區別出各構面，且

構面 問項 平均值 標準差 因素負荷

本研究使用驗證性因素分析(confirmatory factor analysis)來驗證各構面的效度，

來檢視五大人格、交易偏好、投資效益、所得與財富、四個部分是否具有建構效度 (construct validity)，先使用 KMO 和 Bartlett’s 球型檢定來檢定是否適合作因素分析，

而根據 Kaiser (1974)提出的 KMO 判斷準則，數值應至少大於 0.6 才可被接受，

Bartlett’s 球型檢定的顯著性 p 值最少則要小於 0.5，從表 4.5 的結果可看出本研究之 KMO 值為 0.740 符合標準，Bartlett’s 球型檢定的 p 值具有高度的顯著性，所以本研

究之問項適合作因素分析。 軸(orthogonal rotation)，並以交叉負荷量分析(cross-loading)來進行檢驗，負荷量越高 代表該問項在此構面的重要性越高，且至少應高於其他非共同所屬構面(Chin, 1998)。

首先本研究將萃取的因子數目限定為 9 群，並以共同性(Communality)做初步篩選的 門檻，當共同性越高則代表該問項影響力越高，一般而言共同性大於 0.5 時，因素

N_4 -0.444 -0.419 0.438 0.254 -0.038 0.195 -0.087 0.168 0.038

結構方程建模 SEM(Structure Equation Modeling) 包括確認因子分析，路徑分析 ， 偏最小二乘法路徑建模和潛在增長建模 。不同於傳統的分析方法，SEM 結合多元 迴歸以及因素分析，因為它有能力將可觀察變量的未觀察結構（潛在變量）之間的 關係估算出來。使用通常在社會科學中是合理的。SEM 又有兩個主流技術，分別為 共 變 數 形 式 結 構 方 程 模 式 (covariance-based SEM) 和 變 異 形 式 結 構 方 程 模 式 (variance-based SEM)，前者主要是以變數的共變數結構進行分析，代表為 LISREL 或 AMOS，後者則在變數線性整合的基礎下，利用迴歸原理來解釋變異間的關係，

而偏最小平方(partial least squares)則是屬於 VB-SEM 的一種計算方法。由於 CB-SEM 會受到多元常態分部的假設限制，而 CB-SEM 可在無分配(distribution-free)的情況下 進行迴歸分析，且主要用在檢測模型的因果關係是否具有顯著的關係，因此本研究 與否，從中獲知本研究一階模型中的變數(神經質 Neuroticism、停利偏好 Realize profitability preferences)對投資績效 Investment Performance 皆有顯著影響，並驗證了 假說 H1，只是從路徑係數可看出神經質 N 具有更高的預測程度。而停利偏好 RP

註：*p<0.05(t≧1.96)、**p<0.01(t≧2.58)、***p<0.001(t≧3.29)

如下表 4.8 將人格特質和偏好分開分成兩個部份作因果分析，試著了解五大人 格跟交易偏好分開做分析，解釋力會不會有較佳的狀況，從回歸分析中得到的數據，

五大人格 R2 檢驗結構路徑的預測程度 0.026，三種交易偏好 R2 檢驗結構路徑的預 測程度 0.014，神經質 Neuroticism、停利偏好 Realize profitability preferences 對投資 績效 Investment Performance 皆有顯著影響得到類似的結果。

表 4. 8 人格與偏好(分開)對投資績效因果分析結果 因變數 實體通路 路徑係數 B T 值 p-value R²

H1

A→IP -0.009 -0.079 0.937

0.026 C→IP -0.009 -0.08 0.936

E→IP -0.048 -0.048 0.684 N→IP -0.248* -2.722 0.007 O→IP 0.041 0.372 0.711

H2

RP→IP 0.177* 2.02 0.045

0.014 DSL→IP -0.129 -1.43 0.155

CL→IP -0.006 -0.067 0.946

4.2.4 成功者的價值觀(交易偏好)傾向

VALUE=(RP 平均值+DSL 平均值)

2 4 6 8 10

圖 4. 7 資產級距與價值觀交易偏好比較圖

5.401333333

5.278

Value(Rp+Dsl)---IW_2

圖 4. 8 年所得級距與價值觀交易偏好比較圖

Value(Rp+Dsl)---IW_1

5.345

average 5+4

Value(Rp+Dsl)---IW

價值觀總和 RP