3.3 問卷設計
3.3.2 正式問卷
本研究之問卷設計分為四個部份，分別為人口統計變數的問卷設計、商店形象的問 卷設計、品牌權益的問卷設計、及消費實態的問卷設計。內容如下：
表 3- 3 人口統計變數的問卷設計
變數名稱 操作性變數 問卷內容 衡量尺度
性別 1. 男 2. 女
名目尺度 年齡 1. 20 歲以下
2. 21~30 歲 3. 31~40 歲 4. 41 歲以上
順序尺度
職業 1. 工業 2. 農業 3. 商業 4. 公務員 5. 學生 6. 其他
名目尺度
人口統計變數
每月所得 1. 20000 元以下 2. 20001~30000 元 3. 30001~40000 元 4. 40001~50000 元 5. 500001 元以上
順序尺度
39
40
41
4. 消費實態變數
表3- 6 消費實態的問卷設計
變數類別 變數名稱 問卷選項 衡量尺度
因變數 實際消費之咖啡連 鎖店
1. 丹堤 2. 羅多倫 3. 怡客
4. 八十五度C 5. 真鍋
6. 客喜康(KOHIKAN) 7. 西雅圖
8. 星巴克 9. 伯朗
名目尺度
資料來源：本研究整理
3.4 抽樣設計
3.4.1 界定母體
本研究主要探討的研究對象為台北市咖啡連鎖店之消費者，因此，將研究母體定義 為過去曾在台北市咖啡連鎖店消費之居民。依據中華民國內政部截止民國 98 年 2 月公 布最新人口統計數，台北市人口 2,622,539 人為研究母體。
3.4.2 確定樣本大小
本研究採用簡單隨機抽樣之比例推估式來求取所需之最小樣本數。此方法從含有 N 個抽樣單位之母體中隨機抽取 n 個樣本，使某一特徵樣本比例為 p與母體比例 p 差值的 絕對值不得超過某一可容忍誤差界限 d 的機率不小於 1－α，可用下列方程式表示：
其中：
：樣本比率 p：母體比率 d：可容忍之誤差 1－α：可靠度
當樣本數夠大時，p之分配可以常態分配來近似，故利用上式（1）可求出最小樣本數，
42
如下列方程式所示：
其中：
n ：樣本數 N ：母體數
當母體數非常大時，（2）式可簡化為：
由於p未知，上式為p(1-p)之遞增函數，且因0≦p(1 - p)≦1/4，故以p =1/ 2代入上式，
即可得出p(1 - p)之最大值為1/4。因此可取：
由上述可知，若容忍誤差 d＝0.05 以及顯著水準 α＝0.05 之下，算出所需樣本數 n =384.16，因此，研究所需之有效樣本最少為 385 份。因考量實際回收問卷內會包含 填答不完全或無效問卷，故選擇共發放 450 份。
3.4.3 確定抽樣架構及問卷回收
本研究以台北市消費者為研究母體，並依據中華民國地方法制度法劃分，台北市以
「區」為個行政劃分，分別為中正、大同、中山、松山、大安、萬華、信義、士林、北 投、內湖、南港、文山，共計 12 區，而基於時間、人力、成本及物力上的考量及限制，
將台北市以「區」為個行政劃分單位，在 12 區中，隨機選取若干消費者進行問卷發放，
並依「比例分層抽樣法」分依各「區」人口數的比例來計算其所需之樣本數目。如下表 3-7 所示：
表3- 7 抽樣架構表
台北市區名 人口數 目標抽樣數
中正區 159,219 28
大同區 124,948 21
中山區 218,666 38
松山區 210,038 36
大安區 313,497 54
萬華區 190,639 32
信義區 227,725 39
士林區 286,035 49
北投區 249,788 43
43
內湖區 266,618 46
南港區 113,611 19
文山區 261,755 45
總計 2,622,539 450 資料來源：行政院內政部(2009.2)及本研究整理
3.4.4 收集樣本資料
本研究在台北市 12 個行政區公所進行問卷發放，發放時間為當日上午九點 至下午四點，針對至區公所辦事之台北市民採取系統抽樣，即依照辦事櫃台人數 計數器每隔 10 位市民就發放一份問卷，直到收集至該區的目標抽樣數，最後再 篩選出有效問卷數為 406 份。實際問卷發放與結果如下表所示：
表3- 8 台北市各行政區問卷發放及回收比率表 問卷發放時間 回收問卷數 回收率 有效問卷數
中正區 3/2 28 100% 25
大同區 3/3 21 100% 20
中山區 3/4 38 100% 38
松山區 3/5 36 100% 30
大安區 3/9 50 93% 48
萬華區 3/10 32 100% 30 信義區 3/11 39 100% 35
士林區 3/12 47 96% 40
北投區 3/16 43 100% 43 內湖區 3/17 46 100% 41 南港區 3/18 19 100% 19
文山區 3/19 40 88% 37
總計 439 98% 406
資料來源：本研究整理
44
3.5 資料處理與分析方法
1. 次數分配與百分比統計
針對人口統計變數與消費實態來描述性統計如次數分配與百分比統計量來描述資 料分佈情形，並說明本研究樣本特性。
2. 卡方檢定
本研究以卡方檢定了解不同利益區隔與不同的消費實態與人口統計變數是否有差 異存在。
3. 單因子變異數分析(ANOVA)
變異數分析(Analysis of Variance)簡稱 ANOVA 是用來檢定三個或三個以上群體資 料平均數的差異顯著性，也稱 F 統計法。ANOVA 分析之 F 值如果顯著，表示組別間至少 有一對平均數之間有顯著差異，但至於是哪兩組之間的差異，則無從得知，必須進一步 進行事後分析。而事後比較分析的方法很多，常用者有杜氏法(Tukey)與雪費法(Scheffe) 二種，其中當各組人數不相等或想進行複雜的比較時，則使用 Scheffe 法較佳。故本研 究利用單因子變異數分析以了解各利益區隔對於商品形象及品牌權益是否有差異。
4. 因素分析
因素分析法包含了許多縮減空間(或構面)的技術，其主要目的在以較少的構面數目 (number of dimensions)，而又可以保存原有資料結構所提供的大部份資訊。它是一種 互依分析技術，也是多變數方法的應用之一，其為數學中的一種精簡作法，在社會科學 領域中，應用最廣的是把數個很難解釋，而彼此有關的變數，轉化成少數有概念化意義，
而彼此獨立性的因素。因素分析時，常會利用主成份分析法抽取因素，故又稱之為「主 成份因素分析」(Principal Factor Analysic) 。
一般而言，從最初因素分析中所獲得的結果，其因素負荷量差異並不是非常明顯，
所以無法對因素作有效的解釋，因此為了方便因素的解釋工作，必須進一步實行因素的 轉軸，而常見的轉軸方法，有直交轉軸法(Orthogonal Rotation)與斜交轉軸法(Oblique Rotation)兩種，在直交轉軸法中，因素與因素間沒有相關，亦即其相關為 0；採斜交轉 軸法，表示因素與因素間彼此有某種程度的相關，亦即因素軸間間的夾角不等於 90 度，
而直交轉軸的優點是因素間提供的資訊不會重疊，觀察值在某一個因素的分數與在其它 因素的分數，彼此獨立不相關，缺點是研究者迫使因素間不相關，但在實際生活情境中，
它們彼此間有相關的可能性很高(Bryman and Cramer，1997)。
在進行因素分析的適合度檢定時，常利用 KMO 與 Bartleet＇s 球體檢定兩方法，
其分別明如下。
(1) KMO 值：KMO 是 Kaiser-Meyer-Olkin 的抽樣適當性量數，當 KMO 值愈大
45
時，表示變數間的共同因素愈多，愈適合進行因素分析。根據 Kaiser(1974)的觀點，如 果KMO 值小於 0.5 時，較不宜進行因素分析。
表3- 9 因素分析適合性判別標準 KMO 統計量值 因素分析適合性
0.9 以上 極適合進行因素分析 0.8 以上 適合進行因素分析 0.7 以上 尚可進行因素分析 0.6 以上 勉強可進行因素分析 0.5 以上 不適合進行因素分析 0.5 以下 非常不適合進行因素分析 資料來源：吳明隆，SPSS 統計應用學習實務，民國 94 年。
(2) Bartleet’s 球體檢定：Bartleet’球體檢定是由巴氏(M.Bartlett)在 1950 年所發展的 檢定方法，以樣本資料計算而得的χ2 值與表列的 χ2 值相比較，如計算的 χ2 值小於表 列的 χ2 值，則該群資料為不相關的元素，無進行因素分析之必要；反之，則可進行因 素分析。
而因素分析可以簡述成下列幾個步驟：
z 選擇所欲分析的變數
z 計算相關矩陣，估計共同性 z 決定轉軸方法
z 從相關矩陣中抽取共同因素 z 決定因素與命名
5. 信度分析
其目的在測試研究架構之可信度，亦即在衡量結果的一致性或穩定性。也是說同一 群受測者在同一份問卷上，於不同時間測驗多次後的結果能夠產生一致性的結果。
而本研究係以 Cronbach＇s α 係數來檢測問卷的內部一致性，以了解量表的可靠 程度與穩定性。若 Cronbach＇s α 係數愈高，表示量表內各問項間的相關性愈高，亦 即內部一致性愈趨一致。至於 α 係數究竟要多大，才算有高的信度，各學者對此看法 不盡相同。學者 Nunnally（1978）認為 α 係數等於 0.7 是一個較低，但可以接受的量 表邊界值，而學者 Guielford（1965）則認為 α 係數若大於 0.7，表示信度高；若 α 係數介於 0.7 與 0.35 之間表示信度尚可；若 α 係數小於 0.35 則表示信度低。
6. 效度分析
所謂效度(Validity)，是指衡量的工具是否能真正衡量到研究者要衡量的問題。而 研究效度包括內在效度與外在效度兩種，內在效度指研究敘述的正確性與真實性；外在
46
效度則是指研究推論的正確性。
在研究歷程中，實驗研究中想提高研究的內在效度，在研究設計時可把握：(1)理 論正確解釋清楚。(2)操作正確以減少誤差。(3)樣本合宜且預防流失。(4)正本清源，
排除無關變數。
在效度的分類上，可分為以下三類：
(1)內容效度(Content Validity)：
又稱表面效度，指問卷的內容是具有相當高的代表性，以及量表項目與形式給人直 覺上可達成的效度，此種效度的檢定相當主觀，故通常是請專家來判斷該量表是否具有 內容效度。
(2)效標關聯效度(Criterion-related Validity)
又稱實證效度或統計效度，係以測驗分數和效度標準間的相關係數，表示測驗的效 度高低。而效標是顯示測驗之各測量特質的獨立變數。
(3)建構效度(construct Validity)
指測量某一理論的概念或特質的程度，通常以某一心理建構為基礎，並建立和某建 構相關聯的能力，查核測驗結果是否符合心理學上的見解。
而本研究之各變數效度屬於內容效度。為求問卷之內容效度，本研究之各變數乃經 由國內外文獻探討、相關實證研究及指導教授的討論之整理歸納而得，以確保各變數之 完整性與重要性。
7. 集群分析
集群分析是一種一般邏輯程序，它能根據相似性與相異性，客觀地將相似者集結在 同一集群內。本研究根據上述因素分析所得之結果，進行區隔消費者市場。
其方法主要有二種，一為「階層式集群分析法」（hierarchical cluster analysis）， 二為「K-Means 集群分析法」，如果觀察值的個數大於 200 個以上，因合併次數繁多，
耗費之計算資源龐大，以採用「K-Mean」集群分析法較為適宜。
由於「K-Mean 集群分析法」要事先訂定集群的數目，必需進行較多次的分析以找 出較佳的分群數，因此，可先運用全體觀察值中部份數據進行「階層式集群分析法」，
以作為決定集群數的參考。
8. 區別分析：
以區別分析來鑑定集群中組成個體是否歸類恰當，即是否有其鑑別效度。
47
茲將以上資料分析說明建立資料分析架構如圖3-2：
茲將以上資料分析說明建立資料分析架構如圖3-2：