第四章 結果與討論
第二節 信效度分析
信度（Reliability）是指一個指標可以信賴的程度，也就是重複測量相同事
物時，皆可得到相同結果的指標（Neuman，1997／朱柔若譯，2000）。在社會科 學領域中，經常使用 Cronbach’s α 係數來測量 Likert 量表的內部一致性，此方 法為 Cronbach 在 1951 年所創用，以α 係數來代表量表的內部信度，即α 係數越 高，代表量表的內部一致性越高，量表的信度係數在 0.7 以上為佳，0.6-0.7 間尚 可接受（吳明隆，2005）。
效度（Validity）是指一個測驗所欲測量的心理或行為特質的正確性，或者 是指衡量測驗是否能夠測到其所要測量的潛在特質程度之統計指標（黃芳銘，
2007），常見的效度有內容效度（Content validity）及建構效度（Construct validity）。內容效度是指一個測驗本身所能包含的概念、意義、範圍或程度，亦 即測驗內容是否針對欲測量的目的，具有代表性與適當性。本研究之問卷內容從 整理過去相關文獻而來，因此可知問卷內容適合本研究之目的，具備相當的內容 效度。
建構效度則是指研究的任何發現是否與測量工具所得到的結果相同（黃芳 銘，2007），也就是測驗能測出理論的特質或概念的程度。因素分析主要的目的 在考驗量表的建構效度，並有效的抽取共同因素，若這些共同因素與理論架構的 心理特質接近的話，則可說明此種測量工具或量表具有「建構效度」（吳明隆，
2005），包含探索性因素分析及驗證性因素分析。探索性因素分析是在沒有任何 限制下，抽取出共同的因素；驗證性因素分析則是在已知的結構下，驗證這些因 素是否適用於此結構。
本節先使用探索性因素分析檢驗科技準備度的建構效度，再將探索性因素 分析的結果，以 Cronbach’s α 係數測量科技準備度問卷之信度；另外使用 LISREL 的測量模式來進行驗證性因素分析，並計算各構面之組合信度，以驗證 研究模型構面之內部一致性。
一、探索性因素分析
首先檢視問卷題項的鑑識度，將前 27%得分視為高分組，後 27%得分視為 低分組，並採用獨立樣本 t 檢定來考驗高低分組是否存在顯著差異，將不顯著的 項目予以刪除。問卷第二部份科技準備度的低分組為 101 分，高分組為 114 分，
t 檢定值介於 4.272 與 11.399 間，均為顯著；問卷第三部份使用態度及使用意願 的低分組為 39 分，高分組為 45 分，t 檢定值介於 14.772 與 21.013 間，均為顯著；
本問卷每個部份與其題目皆為顯著，顯示所有的題目皆具備鑑別度，故未刪除任 何題目。
接著針對科技準備度的部份進行探索性因素分析（Exploratory factor
analysis），將科技準備度的問項加以驗證，並縮減為幾個較精簡、概念類似且相 關性高的變數。主成分分析法是以線性方程式將所有變項合併，計算所有變項共 同解釋的變異量，此線性組合稱為主要成分，適用於簡化大量變項為少數的成 分，此方法亦為因素分析最常使用的方法（吳明隆，2005），因此本研究採用主 成分分析法萃取保留共同因素。
本研究問卷的科技準備度部分乃參考科技準備度指標所製，而科技準備度指 標將科技準備度分成四個構面，本研究沿用 Parasuraman（2000）的方式粹取保 留四個構面，因此限定因素數量為 4，同時以最大變異法進行轉軸，促使每個共 同因素負荷量達到最大，以利於共同因素命名。
科技準備度之 KMO 與 Bartlett 檢定如表 8。KMO 是 Kaiser-Meyer-Olkin 的 取樣適當性量數，當 KMO 值越大時，表示變項間的共同因素越多，越適合進行 因素分析，根據 Kaiser（1974）的觀點，若 KMO 值小於 0.5 時，較不適合做因 素分析，本研究的 KMO 值為.860，表示適合做因素分析。此外 Bartlett 球形檢 定的χ2為 4236.414（P=.000）達顯著，表示母體相關矩陣間有共同因素存在，
適合進行因素分析。
表 8
科技準備度之KMO與Bartlett檢定
Kaiser-Meyer-Olkin 取樣適切性量數。 .860 Bartlett 球形檢定 近似卡方分配 4236.414
自由度 435
顯著性 .000
因素分析之轉軸後成份矩陣如表 9，該成分矩陣依因素負荷量由大至小排 序，並將各因素的組成成份以灰底標註。因素負荷量越高，代表該問項在該共同 因素的重要性越大（吳明隆，2005），一般會將將因素負荷量（Factor loading）
小於 0.3 者刪除，以提升問卷的效度，並且將涵蓋題數過少的因素刪除，本研究 之因素負荷量皆超過 0.3，且每個因素的題數數量皆宜，故全部予以保留。
第 21 題「用科技取代人員的工作時，應該要小心，因為新科技可能會故障。」
在科技準備度指標屬於「不適應」構面，而因素分析結果被歸納至「不安全」構 面，其餘問項之歸類皆與科技準備度指標相同，因此不重新命名。分別說明如下：
（1）因素 1：由科技準備度問卷的第 1~9 題組成，屬於原本問卷的「樂觀」
構面，因此沿用「樂觀」構面。
（2）因素 2：由問卷的第 10~15 題組成，屬於原本問卷的「創新」構面，
因此沿用「創新」構面。
（3）因素 3：由問卷的第 21 題及第 24~30 題組成，屬於原本問卷的「不安 全」構面，因此沿用「不安全」構面。
（4）因素 4：由問卷的第 16~20 題及第 22-23 題組成，屬於原本問卷的「不 適應」構面，因此沿用「不適應」構面。
本研究將科技準備度分成四個構面，而因素分析萃取出的四個構面的組成 項目與原始問卷大致相同，因此可知科技準備度之構面有充分的穩定性，具備建 構效度。
表 9
度的α 值為.823，再進一步細看科技準備度四個構面的 Cronbach’s α 值，「樂觀」
的α 值為.859，「創新」的α 值為.868，「不適應」的α 值為.667，「不安全」的α 值為.785，僅「不適應」構面之α 值介於尚可接受的 0.6-0.7 間，其餘「樂觀」、「創 新」、「不適應」構面皆超過理想值 0.7，顯示本研究所採用的量表之內部一致性 良好。
表 10
科技準備度的信度檢定(因素分析後)
構面名稱 Cronbach’s α 值
科技準備度 .823
樂觀 .859
創新 .868
不適應 .667
不安全 .785
二、驗證性因素分析
驗證性因素分析（Confirmatory factor analysis）建於實質的理論，讓研究者 依據理論的概念來界定一組與概念相關連的指標（吳明隆，2005），可用來檢定 各因素是否適用於已知結構下的理論模型。本研究以科技接受模型為理論基礎，
探討感覺有用、感覺好用對使用態度及使用意願之影響，因此使用驗證性因素分 析來測量模型與理論相符的程度，並採用 LISREL 的測量模式來進行驗證性因素 分析。
測量模式是指一組或一群測量變數，與其所欲觀察或代表的潛在變數所構成 的子系統（魏文欽，2008），在進行結構模式評估前，須先檢定資料與測量模式 間的適配度，故本研究先進行測量模式的整體適配度檢驗，再進一步檢視指標變
數的信度、收斂效度（Convergent validity）與區別效度（Discriminant validity）。
良性適配指標（Goodness of fit index, GFI）是一種非統計的測量，其範圍介 感覺有用
於 0 與 1 之間，0 代表差勁的適配度，1 代表完美的適配度，從 GFI 值可看出理 論模式的變異數與共變數，能夠解釋樣本資料的變異數與共變數的程度，可顯現 整體適配的程度，當 GFI 值大於 0.9 時，表示為良好的適配（黃芳銘，2007），
本研究之 GFI 值為.93，表示有良好的適配度。
調整後良性適配指標（Adjusted goodness of fit index, AGFI）的目的在利用 自由度和變項個數之比率來調整 GFI，因此較不會受到樣本大小影響，可用來比 較同一組資料不同模式的適配，也可以比較不同組資料同一模式的適配，通常以 0.9 為門檻來決定模式被接受或拒絕，當潛在變量是相依賴且樣本小於 500 個時，
容易產生高拒絕的現象（黃芳銘，2007），本研究之 AGFI 值為.87，略低於 0.9 的門檻，有可能是本研究樣本僅 402 個，加上潛在變項相依賴，導致產生拒絕的 現象。
簡效良性適配指標（Parsimonious goodness-of-fit index, PGFI）乃是將 GFI 乘以簡效比值的一個指標，介於 0 與 1 之間，值越大表示模式越精簡。一般採用 PGFI 值大於 0.5，做為模式為可接受的標準（黃芳銘，2007），本研究之 PGFI 值為.53，顯示此模式達簡效的標準。
規範適配指標（Normed fit index, NFI）表示理論模式對基線模式改進的程 度，屬於增值適配量測指標，其中基線模式是假設所有觀察變項間沒有相關，
NFI 越接近 1，表示理論模式對基線模式的改進越大，接近 0 時，代表理論模式 和基線模式相比無太大差異，通常以大於 0.9 做為接受模式的臨界值。NFI 本身 有包含未控制自由度及受樣本大小影響的限制存在（黃芳銘，2007），本研究的 NFI 值為.95，表示可接受此模式。
非規範適配指標（Non-normed fit index, NNFI）與 NFI 同屬增值適配量測指 標，利用自由度調整 NFI，結果使其產生的值可能超出 0 與 1 間，故為非規範適 配指標，以大於 0.9 做為模式適配的理想值（黃芳銘，2007；魏文欽，2008），
本研究的 NNFI 值為.94，達到模型適配的理想值。
比較適配指標（Comparative fit index, CFI）是 1990 年 Bentler 提出的一種指 標，目的在克服 NFI 的限制，不論樣本大小，CFI 對模型適配度的估計表現良好，
較適用於探測性的情境，CFI 值介於 0 與 1 之間，值越大代表模型適配越好，通 常 CFI 值大於 0.9 時，表示模式可接受（黃芳銘，2007），本研究的 CFI 值為.96，
達到模型適配的理想值。
增值適配指標（Incremental fit index, IFI）由 Bentler 和 Bonett 在 1980 年提 出，企圖減少 NFI 受樣本大小所限制，IFI 值介於 0 與 1 之間，值越大代表模型 適配越好，通常 IFI 值大於 0.9 時，表示模式可接受（黃芳銘，2007），本研究 的 IFI 值為.96，達到模型適配的理想值。
相對適配指標（Relative fit index, RFI）由 NFI 所衍生出來，RFI 值介於 0 與 1 之間，值越大代表模型適配越好，通常 RFI 值大於 0.9 時，表示模式可接受
（黃芳銘，2007），本研究的 RFI 值為.92，達到模型適配的理想值。
均方根殘差（Root mean square residual, RMR）為 Sorbom 和 Joreskog 在 1982 年所提出，為一種平均殘差共變數，反應出殘差的大小，故值越小表示模式適配 越佳，RMR 必須低於 0.05（黃芳銘，2007；魏文欽，2008），本研究的 RMR 值為.031，達到可以接受的標準。
近似誤差均方根（Root mean square error of approximation, RMSEA）是一種
近似誤差均方根（Root mean square error of approximation, RMSEA）是一種