本章主要針對問卷調查回收的樣本進行實證資料分析，共分成四節，
第一節為模型配適度檢驗，第二節為結構方程模型分析，第三節為路徑分 析，第四節為研究討論。
為了使問卷內容可以有效的衡量消費者辨識性混淆與口碑對延遲購 買行為之相關，本研究問卷將參考過去實證研究之相關變數並加以整理與 修改，整理成符合本研究之問卷內容。問卷分為兩大部份，第一部份是以 性別、年齡、學歷、職業及平均月收入等，來衡量使用者的特性。第二部 份為問卷內容部份，共有六個構面，利用李克特五點量表來衡量，分別為：
非常同意、同意、普通、不同意與非常不同意，其分別給予5、4、3、2、
1的分數。本研究問卷回收296份，經過檢查刪除16份無效問卷，回收有效 問卷為280份，以此做為本研究之研究樣本進行後續分析。
62
第一節 模型配適度檢驗
應用結構方程模型分析作為理論模型驗證時，不錯的模型配適度是結 構方程模型分析的必要條件（Byrne, 2010），配適度越好即代表模型與樣本 越接近。
根據Hair et al.（2012）提出的觀點，配適度檢驗分成三種，分別是：
絕對配適度（absolute fit measures）、增值配適度（incremental fit measures）
及精簡配適度（parsimonious fit measures）（周子敬，2006）。
絶對配適度指標（absolute fit indexes）
一、 配適度指標
1. 配適度指標（goodness of fit index, GFI）：其值介於0~1之間，越接 近1表示預測模式與樣本資料越能配合。一般建議理想值為0.9以上
（Joreskog & Sorbom, 1983），表示有良好配適度。
2. 調整之配適度指標（adjusted goodness of fit index, AGFI）：AGFI 主要是把GFI根據自由度加以調整，與GFI一樣值介於0~1之間，
越接近1表示模型配適度越佳，一般建議理想值為0.9以上（Bagozzi
& Yi, 1990）。
3. 均方根殘差值（root mean square residual, RMR）：RMR越接近0表 示配適度越好，一般建議 <0.05 表示模型配適度佳。因RMR不是 一個標準化值，即使值高於一般認為的門檻，也不代表模型不佳。
4. 標準化均方根殘差值（standardized root mean square residual, SRMR）：SRMR越小，表示模型配適度越好。SRMR = 0稱為完美 配適，SRMR < 0.05稱為良好配適，SRMR < 0.08稱為可接受配適
（Joreskog & Sorbom, 1983） 。
5. 平均近似誤差均方根（root mean square error of approximation, RMSEA）：RMSEA <0.05 表示為好的模型配適度（Schumacker &
63
Lomax, 2004） 。RMSEA介於0.05~0.08表示有不錯模型配適度。
二、 增值配適度指標（incremental fit indexes）
1. 標準配適指標（normed fit index, NFI）：Schumacker and Lomax
（2004）NFI介於0.9~0.95為可接受，0.9以下需重新設定模型。
2. 比較配適指標（comparative fit index, CFI）：Fan, Thompson,and Wang（1999）指出CFI介於0~1之間，越接近1代表模型配適度越 好，通常認為CFI >0.9為良好配適（Hu & Bentler, 1995） 。 3. 漸增式配適指標（incremental fit index, IFI）：Hu and Bentler（1995）
指出IFI要大於或等於0.9才表示模型可接受。
4. 相對配適指標（relative fit index, RFI）：Hu and Bentler（1999）認 為RFI要大於或等於0.9表示模型可接受。
5. 非標準配適指標（non-normed fit index, NNFI）：又稱為TLI（tucker lewis index），Hu and Bentler（1999）建議TLI>0.95，若小於0.9模 型需重新設定。
三、 精簡配適度指標（parsimony adjusted indexes）
1. 精簡配適指標（parsimony goodness fit index, PGFI）：Mulaik（2009）
指出一個良好的模型，建議PGFI＞0.5。
2. 精簡規範配適指標 （parsimony normed fit index, PNFI）：Hu and Bentler（1999）建議良好的模型，建議PNFI >0.5。
3. 精簡比較配適指標（parsimony comparative fit index, PCFI）Mulaik
（2009）一個良好模型，建議PCF>0.5。
本研究整體模型的絕對配適度為 RMSEA = 0.05、GFI = 0.88、AGFI = 0.85、RMR = 0.048；增值配適度為 NFI = 0.95、TLI = 0.98、CFI = 0.90、
IFI = 0.9、RFI = 0.95；精適度為 PNFI = 0.85、PCFI = 0.88，如表 4-1 所示。
64
表 4-1 整體模型配適度檢驗分析表
統計檢定值 配適標準或臨界值 檢定結果數據 模型配適判斷 絕對配適度
RMSEA < 0.08 0.05 是
GFI > 0.80 0.88 是
AGFI > 0.80 0.85 是 RMR < 0.05 0.048 是 增值適配度
NFI > 0.90 0.95 是
NNFI（TLI） > 0.90 0.98 是
CFI > 0.90 0.90 是
IFI > 0.90 0.98 是
RFI > 0.90 0.95 是
精簡適配度
PNFI > 0.50 0.85 是 PCFI > 0.50 0.88 是
資料來源：本研究整理
65
第二節 結構方程模型分析
結構方程模型分析（SEM）是一種大樣本的分析技術，樣本數不應該 太少，一般結構方程模型分析樣本數應在 200~400 之間較為適當。張偉豪
（2011）指出結構方程模型分析的主要功能是研究假設模型與模本之間配 適的程度狀況。由此可知結構方程模型分析可以評估假設模型與資料的配 適程度。
Hair et al.（2012）認為以最大估計法進行參數估計時，大於 100 以上 的樣本是最起碼的要求，本研究的樣本數為 280 份，符合結構方程模型分 析樣本數要求。另外本研究所有配適度指標均符合結構方程模型分析準則，
表示本研究模型有不錯的配適度，也沒有違犯估計的情形發生，表示在執 行結構方程模型分析驗證時應該也有不錯的效果，如圖 4-1 所示。
66
圖 4-1 本研究結構模型圖
67
第三節 路徑分析
在結構方程模型分析會產生路徑係數，應以總效果來顯示並說明模型 變數的影響大小。結構方程模型分析可以將變數的影響大小解構為總效果、
直接效果與間接效果，總效果是直接效果與間接效果的加總（張偉豪，
2011）。在本研究的結構方程模型中，從表 4-2 顯示，所有的路徑係數都為 顯著，其中涉入程度構面及價值意識構面與消費者辨識性混淆構面呈現顯 著的負向影響，外觀相似度構面與消費者辨識性混淆構面呈現顯著的正向 影響。而消費者辨識性混淆構面與口碑構面及延遲購買構面呈現顯著的正 向影響。而口碑構面與延遲購買構面呈現顯著的負向影響。因此本研究的 六個研究假設均成立。
如圖 4-2 顯示，外觀相似度和消費者辨識性混淆的相關係數為 0.094（t
= 2.103），達到顯著水準；涉入程度和消費者辨識性混淆的相關係數為 -0.146（t = 3.290），達到顯著水準；價值意識和消費者辨識性混淆的相關 係數為-0.238（t = 4.460），達到顯著水準，消費者辨識性混淆的解釋變異 量為 12.4%，殘差係數為 0.94，消費者辨識性混淆和口碑的相關係數為 0.240（t = 4.046），達到顯著水準；口碑的解釋變異量為 45.4%，殘差係數 為 0.74，消費者辨識性混淆和延遲購買的相關係數為 0.152（t = 2.877），
達到顯著水準；口碑和延遲購買的相關係數為-0.163（t = 3.06），達到顯著 水準；延遲購買的解釋變異量為 37.6%，殘差係數為 0.79，根據分析結果 可知，所有路徑皆有顯著的直接影響效果。
68
表 4-2 模型路徑係數彙整表
資料來源：本研究整理
圖 4-2 路徑係數圖
指標名稱 路徑係數 t 值 對應假設 檢驗結果 外觀相似度 消費者辨識
性混淆 0.094* 2.103 H1 成立 涉入程度 消費者辨識
性混淆 -0.146*** -3.290 H2 成立 價值意識 消費者辨識
性混淆 -0.238*** -4.460 H3 成立 消費者混淆 口碑 0.240*** 4.046 H4 成立 消費者混淆 延遲購買 0.152** 2.877 H5 成立 口碑 延遲購買 -0.163** -3.060 H6 成立
69
第四節 研究討論
本研究共提出六個研究假設，根據上述的統計分析，本研究之整體模 式配適度與結構方程模型的路徑係數都為顯著，因此本研究的六個研究假 設均成立。各構面間的影響關係討論如下：
一、 外觀相似度與消費者辨識性混淆有顯著相關【成立】
本研究 H1：「外觀相似度」對「消費者辨識性混淆」呈現顯著的正向 影響。故而推論外觀相似度越高，就會越容易造成消費者辨識性混淆。
Falkowski et al.（2014）提出大多數研究均說明消費者產生產品辨識性混淆，
其中產品相似度影響佔很大比例，本研究也獲得與文獻相同之結果。
二、 涉入程度與消費者辨識性混淆有顯著相關【成立】
本研究 H2：「涉入程度」對「消費者辨識性混淆」呈現顯著的負向影 響。故推論涉入程度越高，就相對越不容易造成消費者辨識性混淆。Delgado et al.（2001）研究指出，在購買過程中涉入程度比較高的消費者，因為會 進行資訊收集，所以會有比較多與產品相關的想法及推論，因此較不易產 生混淆，本研究結果與文獻大致相同。
三、 價值意識與消費者辨識性混淆有顯著相關【成立】
本研究 H3：「價值意識」對「消費者辨識性混淆」呈現顯著的負向影 響。故推論消費者價值意識越高，就會越不容易造成消費者辨識性混淆。
Mitchell et al.（2005）指出價值意識是指，消費者期望將手上的金錢發揮 最大價值，傾向要有清楚的購買準則，並且有系統、周密、有效率的購買，
因為重視價值意識的消費者是多疑的。當他們想要得到最佳資訊而進行密 集資訊搜尋，因而降低產品混淆機會，本研究結果與文獻相符。
70
四、 消費者辨識性混淆與口碑有顯著相關【成立】
本研究 H4：「消費者辨識性混淆」對「口碑」為顯著正向影響。故推 論消費者辨識性混淆程度高，就會越信賴口碑。Walsh and Mitchell（2010）
衡量消費者辨識性混淆的三個尺度，相似度；資訊過載與糊模不清，其也 會不同程度的對口碑等面向產生影響。由上可知當產品複雜度增加且缺乏 客觀具體的評估準則時，口碑的影響力將會很重要
五、 消費者辨識性混淆與延遲購買有顯著相關【成立】
本研究 H5：「消費者辨識性混淆」對「延遲購買」呈現顯著的正向影 響。故推論消費者辨識性混淆程度越高，就會越容易造成消費者延遲購買 形為。Kohli et al.（2004）指出若消費者在購物時不清楚自己想要購買什 麼產品的話，則消費者將難以做出購買決策。若消費者連自己想要購買什 麼樣的商品都不清楚的時候，消費者會先對他們的購買決策產生猶豫，直 到消費者確實對產品有所知覺後才會評估購買。Mitchell et al.（2005）說 明產品相似度高有可能會導致消費者延遲或放棄購買決定，因為當消費者 感覺有買錯的機會，就會花更多時間去收集資料。本研究結果與文獻大致 相符。
六、 口碑與延遲購買有顯著相關【成立】
本研究 H6：「口碑」對「延遲購買」呈現顯著的負向影響。故推論消 費者對口碑信賴程度越高，就會越不容易產生延遲購買形為。Pandit et al.
（2008）廠商可提供試用品或增加與消費者的溝通（例如口碑），來提升 新產品效益進而降低績效風險及社會風險，這也可以降低消費者延遲購買。
（2008）廠商可提供試用品或增加與消費者的溝通（例如口碑），來提升 新產品效益進而降低績效風險及社會風險，這也可以降低消費者延遲購買。