資料分析方法

本研究所使用之資料多元，在本章節依資料性質不同分為數據、質性資料、

及次級資料，依據不同資料屬性使用不同分析方法：

在問卷回收後，先將問卷予以檢查，剔除無效問卷，再將有效問卷加以編碼 輸入，根據本研究目的需要，並考量變數之衡量尺度及統計分析工具之適切性，

將進行基本分析與整體模式分析兩部分。基本分析以SPSS 12.0 進行分析，整體 模式分析是以AMOS 16 進行分析，此兩種分析方式分別敘述如下：

1.敘述性統計分析

敘述性統計分析是對於樣本基本資料及研究構面進行次數分配、百分比、平 均數以及標準差等基本統計分析，藉以瞭解樣本在各構面分佈情形，說明樣本資 料結構。

2.效度分析

效度（validity）是指一種衡量尺度能否測出研究者所想要衡量事物的程度。

一般常見的效度，有兩種不同的類型，說明如下：

(1)內容效度（content validity）

內容效度係指測量工具可以涵蓋測量主題的程度，也就是量表內容是否涵蓋 所要衡量的構念。內容效度的高低通常會隨研究人員之主觀判斷而有所差異，因 此需要以發展測量工具時所依循之程序來加以判斷內容效度之好壞。

(2)建構效度（construct validity）

建構效度主要是測量構念是否能真實反應實際的狀況，可以分為收斂效度

（convergent validity）和區別效度（discriminant validity）二類。收斂效度是指屬 於相同構念的項目，是否具有較高之相關程度，亦即使用不同方法測同一特質 時，若相關程度較高，即表示有較佳的收斂效度。而區別效度則是指來自不同構 念間之項目，應該具有較低之相關程度，亦即使用相同方法測不同的特質時，若 二者的相關性較低時，則表示具有較佳之區別效度。

3.結構方程模式分析

結構方程模式（Structural Equation Modeling; SEM）主要包含路徑分析（path analysis）及驗證性因素分析（Confirmmatory Factor Analysis; CFA），此SEM 分 析主要是觀測顯性變項與潛在變項間因果關係的統計模式。本研究是以AMOS 16 統計軟體來建立結構方程模式，檢定各變項間的路徑係數是否顯著，據此驗 證研究假說是否成立。

4.三角交叉檢視法（Triangulation）

在資料的收集與分析的過程中常無法確定自己所收集到的資料及方向是否 正確，在分析的過程中是否因個人的主觀判斷而有所偏移，為了減少研究過程的 誤差，在分析訪談的逐字稿時，利用不同方式及不同方法（人、事、時、地、物）

來提升研究的準確性並修正實驗設計架構，以獲得客觀性的數據及結果。

5.社會流程模式（process model）

流程模型（process model）包含了二個部份，第一部份：Encounter（En）：

指事件的發生點，第二部份為：Episode（Ep）：指的是個階段所產生的效應，

為顧客滿意度分數的結果。在分析的過程中將會以圖像的方式做解釋與分析，所 有的事件（Encounter，En）均以點為表示，事件中的時間經過（Episode，Ep）

則以線表示，而在本研究之中橫軸代表時間，縱軸代表顧客滿意度分數，代表當 時事件發生期間的各顧客對事件所反應出的態度。詳細的分析內容將會在本論文 之4.4作說明。

4.資料分析 4.1樣本結構敘述性統計分析

1.人口統計變數分析

本研究總計發出256 份問卷，經人員催收後，實際回收256 份問卷，扣除(1) 回答不完整、(2)單一選項、(3)規則性作答、(4)基本資料未填寫完整之無效問卷 外，有效問卷實得202份，有效回收率為79%。

本研究之人口統計變數包括「性別」、「年齡」、「婚姻狀況」、「教育程 度」、「年資」、「職位」、「平均月薪」、「員工人數」以及「公司屬性」共 九項。本研究旨在探討汽車銷售業之服務利潤鏈驗證分析，以汽車銷售業而言，

性別變數為，男性比例為73.8%，女性比例為26.2%，顯示此產業之銷售員以男 性為主。在年齡分佈上來看，受訪者中大部分以36~40 歲為主佔23.8%，其次為 31~35 歲佔21.8%，最少的為55歲以上僅佔0.5%，年齡差距從26~30歲至41~45歲 呈現一個駝峰狀態，由此可見，在此產業中，大部分族群分布於兩者之間，並以 36~40歲為最多。婚姻狀況中，則以已婚為較多，佔59.4%，未婚則只有38.6%。

在受訪者教育程度上，則以高中職為最多，佔51.5%，其次是專科33.2%、大學 14.9%。受訪者之平均月薪以30,001~40,000 元為最多佔總樣本數39.6%，其次是 40,001~50,000元佔27.7%、60,001~70,000 元最少佔3%。本次問卷調查的職級結 構則有19人為主管階級，佔9.4%，183名職員佔90.6%。在年資上，以1~5 年為 最多佔41.1%，其次為6~10 年及10年以上佔23.3%，任職1年以下最少佔12.4%。

茲將上述整理於表22：

表 22 內部員工樣本分布情形

2.變數之敘述統計量分析 具有吸引力的。」。樣本內部服務品質水準的平均分數為5.22，標準差為1.16。

表 23 內部服務品質變數統計分析

本研究員工滿意度之變數統計分析如表24 所示。研究樣本中，員工滿意度 得效勞的公司。」。樣本員工忠誠度的平均分數為5.75，標準差為1.98。

表 25 員工忠誠度變數統計分析 理。」。樣本資訊系統品質的平均分數為5.04，標準差為1.07。

表 26 資訊系統品質變數統計分析

題項 統計量 最小值 最大值 平均數 標準差

樣本員工生產力的平均分數為5.66，標準差為0.98。

表 27 員工生產力變數統計分析

4.2信度與效度分析

本研究採用AMOS 16對其所發放問卷做驗證性因素分析（Confirmatory Factor Analysis; CFA），並針對分析結果做違犯估計檢定、收斂效度檢定、模型 適配度檢定、區別檢定。茲將驗證性因素分析分析結果依自變數、依變數之不同 整理如表28（自變項），表29、30、31、32（依變項）：

表 28 自變項驗證性因素分析之數據

變 項

表 29 依變項驗證性因素分析之數據－內部服務品質

表 30 依變項驗證性因素分析之數據－員工滿意度

表 32 依變項驗證性因素分析之數據－員工忠誠度

11.只要工作的內容差不多，去別的公司服務也無所謂 .673 .124 8.972 .153

12.只要工作情況上有微小的改變，就會促使我離開這

1.違犯估計評鑑

所謂違犯估計（offending Estimate）是指在測量模型或結構模型中，所輸出 的估計參數超出可接受的範圍，亦即模型獲得不當的解。根據Hair, Anderson, Tatham 與 Black (1998) 的看法，檢視模式是否違犯估計，其違犯估計有以下三 種現象：

1.有負的誤差變異數存在。

2.標準差的回歸係數超過或太接近1。

3.有太大的標準誤。

經表28、29、30、31、32之二階驗證性因素分析數據表可得知，本研究各問 項誤差變異數介於0.153~0.024，並無負的誤差變異數、標準化回歸係數介於 0.545~0.947 ， 係 數 全 小 於 0.95 ， 並 無 超 過 或 太 接 近 1 之 係 數 、 標 準 誤 介 於 0.279~0.035，並無過高之標準誤、且t值介於24.512~7.239，大於1.96，達到顯著 標準。符合違犯估計統計評估之準則，證明本模型並無違犯估計的問題。

2.配適度檢定

測量模型必須由所蒐集的資料驗證其配適度，為了解本模型之配適度，本研 究採用多項指標做驗證。Hair 等人 (1998) 將其分為三種類型：絕對配適檢定、

增量配適檢定及精簡配適檢定等。以下簡述三種類型指標之意義：

(1)絕對配適度衡量係評定假設模型的共變數矩陣與觀察資料的樣本共變數 矩陣的接近程度。常用的指標有： ^χ2/df, GFI, RMR, RMSEA。

(2)增量配適度衡量係比較理論模型與獨立模型而來，數值表示理論模型與 獨立模型比較之下能增加契合度的程度。常用的指標有：AGFI, NFI, RFI, IFI, TLI, CFI。

(3)精簡配適度衡量係調整配適度衡量，俾能比較含有不同估計係數數目的 模式，以決定每一估計係數所能獲致的適合程度。常用的指標有：PNFI, PCFI, PGFI。

本研究中採用各指標的理想建議值，係根據以下學者的建議：Bollen (1989) 認為^χ2/df 小於5，可視為良好之配適。Gefen 等人 (2000) 及Hair 等人 (1998) 的建議，若GFI, NFI, RFI, IFI, CFI 指標大於0.90，AGFI指標大於0.8，被認為提 供可接受的模型契合度。Kline (1998) 則認為TLI指標大於0.90，被認為達到可接 受的標準。Hair 等人 (1998) 認為RMR的值在0.05到0.08之間是可以接受的。此 外，Jarvenpaa 等人 (2000) 認為RMSEA指標的理想值應小於0.08。至於簡要配 適度衡量的指標，Byrne (2001) 認為理想值應大於0.5。

茲將上述三種類適度檢定依自變項、依變項之不同制訂成表33、表34，以便

經驗證本研究的自變項及應變項之驗證性因素分析，結果如表33、34所示。

除了RMSEA略高於0.8以外，所有指標均已達到可接受之建議值，而且有些指標 甚而超過0.95（NFI, RFI, IFI, TLI, CFI），由此可見無論是自變項或應變項均與 模型之配適度甚佳。

建構信度（Construct Reliability）或稱為組合信度（Composite Reliability），

建構信度為潛在變數的信度指標，可用來衡量潛在變數之指標項目的內部一致

潛在變數的平均變異抽取量（Average Variance Extracted; AVE）為潛在變數 之各觀察變數對該潛在變數的平均變異解釋力。AVE的意義代表觀察變數的總變

茲將各構面之建構信度、平均變異抽取量整理如表35：

表 35 收斂效度檢驗表

構面

項 目 數

建 構 信 度

平均變異抽取量

內部服務品質

可靠性 5 .982 .919

保證性 4 .984 .939

有形性 4 .971 .895

同理性 4 .943 .814

反應性 4 .987 .950

員工滿意度

一般滿意度 3 .945 .853

成長滿意度 4 .984 .940

員工忠誠度

價值承諾 7 .988 .927

努力承諾 3 .969 .913

留職承諾 5 .956 .846

員工生產力

任務績效 4 .991 .966

脈絡績效 2 .965 .932

資訊系統品質

資訊品質 4 .986 .943

系統品質 5 .989 .946

服務品質 5 .987 .938

針對內部服務品質構面而言，所有題項的標準化回歸係數介於0.588~0.913 之間，且T值皆大於1.96，皆呈現顯著（表29）；各子構面的建構信度依序為0.982、

0.984、0.971、0.943、0.987，皆大於0.6，所有子構面的平均變異抽取量最小值 為0.814，大於標準0.5（表35）。整體而言，皆已符合收斂效度之要求，因此得 知內部服務品質之測量模型的內在品質頗佳。

針對員工滿意度構面而言，所有題項的標準化回歸係數介於0.545~0.912之 間，且T值皆大於1.96，皆呈現顯著（表30）；各子構面的建構信度依序為0.945、

0.984，皆大於0.6，所有子構面的平均變異抽取量最小值為0.854，大於標準0.5

（表35）。整體而言，皆已符合收斂效度之要求，因此，員工滿意度構面之測量 模型的內在品質亦佳。

針對員工忠誠度構面而言，所有題項的標準化回歸係數介於0.710~0.897之 間，且T值皆大於1.96，皆呈現顯著（表32）；各子構面的建構信度依序為0.988、

針對員工忠誠度構面而言，所有題項的標準化回歸係數介於0.710~0.897之 間，且T值皆大於1.96，皆呈現顯著（表32）；各子構面的建構信度依序為0.988、