分析方法

本節針對本研究之研究假設，將回收的資料以SPSS 12.0 進行敘述性統 計、t 檢定、變異數分析、相關係數分析及信度分析，再以 AMOS 5.0 進行 驗證性因素分析以及線性結構模式分析。

3.6.1 敘述性統計

針對填答者之基本資料，求算其次數分配、百分比等統計量，以及將 各衡量變數進行描述性統計分析，求得各變項的平均值與標準差，平均數 愈高表示填答者對此題項愈重視，標準差愈小則表示填答者對此題項較有 一致的看法。

3.6.2 t檢定

t 檢定的目的在考量樣本個別差異及測量誤差後，二個群體在依變項測 量分數之平均數是否相等，若不相等則表示二個群體的平均數值達到統計 上的顯著水準(吳明隆, 2006)。因此本研究將填答者的性別與所使用的網路 服務型態，分別與各變項間檢測是否有顯著差異。

3.6.3 變異數分析

本研究使用單因子變異數分析(one-way ANOVA)測量填答者的年齡、

學歷、職業及月所入在各變項平均數的差異值是否達到統計上的顯著水 準，若平均數的差異性達到顯著水準，則進一步以Scheffe 事後比較法，比 較其差異程度。

3.6.4 相關係數分析

為瞭解研究架構中各變項間的關聯程度，以Pearson 積差相關分析來衡 量研究構面間的相關性是否顯著。相關矩陣中對角線數值均為1，為構面本 身的相關係數，非對角線的值表示變項間兩兩的相關係數，係數數值愈大 則二個變間的關係愈密切。

3.6.5 信度分析

信度指的是一份測驗所測得分數的可信度或穩定性，也就是同一群受 測者在同一份測驗上測驗多次的分數要有一致性，本研究以Cronbach (1951) 提出的Cronbach’s α係數值分析內部一致性，係數愈高表示量表內部一致 性愈穩定。依據DeVellis (1991)與 Nunnally (1978)認為可接受的最小信度值 是0.70 以上。

表3-12 Cronbach’s α值的可信度

Cronbach’s α值 意 涵 α≦0.30 不可信 0.30<α≦0.40 勉強可信 0.40<α≦0.50 稍微可信 0.50<α≦0.70 可信 0.70<α≦0.90 很可信

α>0.90 十分可信 資料來源：Cuieford (1965)

3.6.6 效度分析

效度是指衡量工具的正確性，即真正可以測得變數性質之程度。效度 通常分為內容效度、效標關聯效度及建構效度。本研究以內容效度及建構 效度來測量問卷之效度。

1. 內容效度：

內容效度是指測驗或量表內容或題目的適切性與代表性，即測驗內 容能反應所要測量的心理特質，能否達到測量到所要測驗的目的或行為 構念(吳明隆, 2006)。本研究問卷係以 Yang and Jun (2002)、Ribbink et al.

(2004)與 Srinivasan et al. (2002)學者，於相關學術期刊發表的衡量項目，

作為本研究衡量工具，因此本研究應能符合內容效度的要求。

2. 建構效度：

建構效度係指測驗能夠測量出理論的特質或概念的程度，通常必須

以某一理論為基礎，以建立和某一理論相關連之能力。本研究將以驗證 性因素分析(Confirmatory Factor Analysis, CFA)，來測量衡量工具之建構 效度。

驗證性因素分析用於測驗效度，主要在考驗潛在變項之意義與結 構，常被用來驗證因素結構之正確性，適用於待研究的建構具有理論或 實證研究之基礎，不適用量表發展初期階段(Byrne, 2001)。

3.6.7 結構方程式模式分析(Structural Equation Modeling, SEM)

結構方程模式實質上是結合因素分析與路徑分析，即SEM 統計模式包 含測量模式與結構模式，測量模式為建立指標與潛在變項間之關係；結構 模式為考驗潛在變項間之因果路徑關係。本研究係使用AMOS(Analysis of Moment Structure)分析工具，先進行驗證性因素分析以考驗測量模式的效 度，並建立結構方程式模型，驗證研究架構之合理性，瞭解變數之間的路 徑關係，以驗證本研究之研究假說。茲說明如下：

AMOS 中常用的各類適配度指標(index of goodness of fit)的定義與解釋 如下：

適配度指標是評鑑假設的徑路分析模式圖與搜集的資料是否相互適 配。以下就適配度指標作一說明：

1. 絶對適配指標(Absolute fit measres)

(1) 卡方值(chi-square；X²)與NCI(Normed chi-square index)

卡方值是用以對整體模式之因果徑路圖與實際資料的適配度，因此，若 卡方值越大，代表理論模式與實際資料的配適情形越差，但是卡方值對 樣本數極為敏感，容易隨著樣本數的大小而改變；當樣本數太大時，卡 方值將會相對提高，而容易達到拒絕虛無假設的現象；若樣本數大小，

卡方值容易不顯著，使研究者容易接受虛無假設，因此，卡方值並不適 宜作為適配度指標。是故學者建議以NCI(X² / df，卡方值除以自由度) 作為適配度的判斷指標，當NCI<3 時，表示模式適配度可以接受。

(2) 適配度指標(goodness of fit index；GFI)：

GFI類似於迴歸分析中的R平方，其值在0與1之間，此值越大表示適合 度越佳，通常採GFI>0.9。

(3) 殘差均方和平方根(Root Mean Square Residual, RMR)

RMR是配適殘差變異數除以共變異的平均值之平方根。RMR值越小，

表示理論模式與觀測資料的配適情形越佳，其值的可接受標準為0.05 以下。

(4) 漸進殘差均方和平方根(root mean square error of approximation;

RMSEA)

是用來比較理論模式與完美契合的飽和模式的差距程度，其指數越小，

表示模型適配度越佳，當RMSEA值高於0.10以上時，則模式的適配度 欠佳，其值在0.08至0.10之間則模式尚可，在0.05至0.08之間則模式良 好，而數值小於0.05表示模式適配度非常優良。

2. 增益性適合度指標(Incremental Fit Measures)

(1) 調整後的適合度指數(Adjusted goodness-of- fit index, AGFI)

AGFI 是表示由理論模式所能解釋實際觀測資料的變異數與共變異的 量，因此，AGFI 越接近1 表示此模式的解釋能力起高，適配度越佳。

其可對不同自由度的模式進行比較，一般而言，AGFI 的值至少應大於 0.8，此模式的適配度才可被接受。

(2) 標準化配適指標(normed fit index; NFI)：

為接近完全適配模式的比值，當值為0.96即表示提議模式接近完全適配 模式，而值為0時即表示提議模式完全不適配，通常要在0.9 以上才能 算是好的模型(Bentler &Bonett, 1980; Doll, Xia, & Torkzadeh, 1994)。

(3) 非基準適配度指標(TLI)：

TLI是考慮樣本大小的情況下，將卡方值轉換所導所來的指標，其適配 值須大於0.9，其值愈接近1則適配度愈佳。

(4) CFI指標(comparative-fit index)：

CFI指標反應了假設模型與無任何共變關係的獨立模型差異的程度，其 值越接近1越理想，此值最好是大於0.9，一般以0.95為通用的門檻

(Bentler, 1995)。

3. 精簡適配指標(Parsimonious Fit Measures)

(1) Akaike訊息效標(Akaike information criteria, AIC) AIC值愈小表示模式適配度佳且愈精簡。