在本節將利用前一小節所整理的各項變數資料,同時結合在前一章節中,應 用特徵價格法所建構出的停留時間與位元流量之兩條迴歸模式,分別對各個代表 網站服務品質的自變項進行複迴歸(multiple regression analysis)分析。然而在實證 研究中,由於應變數與自變數之間的關係不見得具備線性型態,所以往往需要藉 由函數型態的轉換來獲得更適當的實證結果,而對於一般迴歸模式中的函數型 態,在過往文獻中較常被使用的模式,大略可分為以下幾種型態:
(1) 半對數轉換型態(semi-log transformation forms),如式(5.2.1)或式(5.2.2)所示。
(5.2.1) ln( )i 0 i i i
i
t
=β
+∑ β
⋅ +b ε
(5.2.2) i 0 i ln( )i ii
t
=β
+∑ β
⋅b
+ε
(2) 雙邊對數轉換型態(double-log transformation forms) 如式(5.2.3)所示。
(5.2.3) ln( )i 0 i ln( )i i
i
t
=β
+∑ β
⋅b
+ε
(3) Box-Cox 轉換型態(Box-Cox transformation forms) 如式(5.2.4)所示。
(5.2.4) i 0 i i i
i
t
ρ =β
+∑ β
⋅b
ρ +ε
然而 Cassel & Mendelsohn(1985)在進行特徵價格函數的選取研究時發現,
採用 Box-Cox 轉換15將可能造成估計上的一些問題,包括不適合作數值的預測、
15 詳請參閱 Box & Cox (1964)
計算複雜、估計單一係數時缺乏正確性等…;Cropper、Deck & McConnell (1988) 則指出當自變項中出現無法觀測的代理變數(proxy variables)時,簡單的線性型態 會比 Box-Cox 轉換要好。由於本研究的各項解釋變數都是屬於代理變數,甚至 有部分解釋變數的樣本資料為 0,根據上述論述說明,不適合採用 Box-Cox 轉換 型態與雙邊對數轉換型態,故僅採用對應變項取對數值的半對數轉換型態,亦即 只對各迴歸模式中的停留時間與位元流量自然取對數,目的則在於處理停留時間 與位元流量和其他各個自變項間的非線性關係。
本研究估計方法乃是採用最小平方估計法(ordinary least squares, OLS);由於 各解釋變數在單位上並無差異,故在估計過程中所使用之各項解釋變數並未進行 標準化處理,計算結果所使用的套裝軟體為 eviews5.1 版。綜合上述說明利用上 一章節推導出之(4.2.4)與(4.2.3)經過半對數轉換所建構的實證模型如下所列:
(5.2.5) 1 0 1 1 2 2 3 3 4 4
t b 代表停留時間(convenience time)
b 代表資訊品質(information quality)
1b 代表互動服務品質(service interaction quality)
2b 代表易用性(usability)
3b 代表網站設計品質(site design quality)
4ε
t代表式(5.2.6)的誤差項(stochastic disturbance),其中假設 ~ (0, 2)iid
t
N
tε σ
0
β
t 代表式(5.2.6)的截距項(intercept term)β
ti代表式(5.2.6)中b 的偏迴歸係數(partial regression coefficients),其中
ii
=1, 2, 3, 4(5.2.6) 1 0 1 1 2 2 3 3 4 4 ln ( ) v v
b
vb
vb
vb
vv b β β β β β ε
⎡ ⎤= + ⋅ + ⋅ + ⋅ + ⋅ +
⎢ ⎥
⎣ ⎦
式(5.2.6)為本研究的第二條半對數實證模型,其中 ( )
v b 代表位元流量(byte volume)
b 代表資訊品質(information quality)
1b 代表互動服務品質(service interaction quality)
2b 代表易用性(usability)
3b 代表網站設計品質(site design quality term)
4ε
v代表式(5.2.6)的隨機干擾項(stochastic disturbance),其中假設 ~ (0, 2)iid
v
N
vε σ
0
β
v 代表式(5.2.6)的截距項(intercept term)β
vi代表式(5.2.6)中b 的偏迴歸係數(partial regression coefficients),其中
ii
=1, 2, 3, 4最小平方估計法之參數估計結果分別詳列於【表 5.2.1】與【表 5.2.6】,此 外本研究也對隨機干擾項進行 White 異質性(heteroskedasticity)檢定與 Jarque-Bera 常態性(normality)檢定,檢定結果分別詳列於【表 5.2.3】、【表 5.2.3】、【表 5.2.3】與【表 5.2.3】,同時也針對實證模型是否出現函數形式的錯誤設定進行 迴歸設定誤差檢定(regression specification error test, RESET),檢定結果分別詳列 於【表 5.2.4】與【表 5.2.9】,最後則於【表 5.2.5】與【表 5.2.10】列出模型中 除了截距項以外的各解釋變數,其相關係數的矩陣,上述各檢定規則與過程如下:
1.White 異質性(heteroskedasticity)檢定:
首先,利用 OLS 所得之殘差項設定輔助迴歸方程式如式(5.2.7)。
(5.2.7) 1, 2,...,13,14
j
= ,故虛無與對立假設分列於下: Obs 即樣本總數、R-squared 則為輔助迴歸方程式(5.2.7)進行 OLS 所得的判定係 數(coefficient of determination)、α 表示顯著水準、g 為卡方分配的自由度,判別 準則如下:若Obs*R-squared≤
χ
α2( )g
則接受H ,即殘差項具有同質變異。
0 若Obs*R-squared >χ
α2( )g
則拒絕H ,即殘差項具有異質變異。
02. Jarque-Bera 常態性(normality)檢定:
首先,針對殘差項是否服從常態分配設立以下虛無與對立假設:
接著利用 OLS 所得之殘差項計算出其偏態係數(skewness)與峰態係數 (kurtosis),在殘差服從常態分配的情況下,檢定統計量為式(5.2.8)。
(5.2.8)
2
2 ( 3) 2
Jarque-Bera + ~ (2)
6 4
n k K
S χα
⎛ ⎞
− −
= ⎜ ⎟
⎝ ⎠
其中,S 與 K 分別代表殘差項的偏態係數(skewness)與峰態係數(kurtosis)、k 則為迴歸模型中待估計的迴歸係數總數、n 為殘差項的總數、α 表示顯著水準,
判別準則如下:
若Jarque-Bera≤
χ
α2(2)則接受H ,即殘差項服從常態分配。
0 若Jarque-Bera >χ
α2(2)則拒絕H ,即殘差項不服從常態分配。
03.Ramsey 迴歸設定誤差檢定(regression specification error test, RESET):
首先,在原設定模型中,加入利用 OLS 所得之應變數平方與三方配適值(fitted value),形成如式(5.2.9)的 Ramsey 迴歸方程式(Ramsey's model)。
(5.2.9)
y
=α α
0+ 1 1b
i+α
2 2b
i+α
3 3b
i+α
4 4b
i +δ
1y
ˆi2+δ
2y
ˆi3+v
i此時,若原模型設定無誤則式(5.2.9)中的
δ
j均應該為 0,其中j
=1, 2,故虛 無與對立假設分列於下:0
【表 5.2.1】式(5.2.5)採用最小平方法的估計結果
Dependent Variable: ln(1/t) Method: Least Squares
Variable Coefficient Std. Error t-Statistic Prob.
C -1.34432 1.315309 -1.02205 0.3162 b1 -0.03353 0.208666 -0.1607 0.8736 b2 -0.61627 0.207538 -2.96942** 0.0063**
b3 -0.75812 0.229628 -3.3015** 0.0028**
b4 -0.53924 0.360102 -1.49746 0.1463 R-squared 0.45815 Mean dependent var -4.46555
Adjusted R-squared 0.374789 S.D. dependent var 1.044509 S.E. of regression 0.825896 Akaike info criterion 2.601994 Sum squared resid 17.73471 Schwarz criterion 2.833283 Log likelihood -35.3309 F-statistic 5.495949**
Durbin-Watson stat 2.618042 Prob(F-statistic) 0.002414**
資料來源:本研究整理。
註: 1. Number of Observation=31。
2. *表示於 5%顯著水準下,該估計值顯著異於零。
3. **表示於 1%顯著水準下,該估計值顯著異於零。
實證結果發現,網頁的互動服務品質與易用性兩大功能,在 1%的顯著水準 下,對於瀏覽者的停留時間產生了正面的顯著效果,資訊品質與網站設計品質則 無統計顯著性。整體而言,調整後的模型配適度雖然只有 37.48%,但是迴歸模 型的整體顯著性(overall significance of the regression)在 1%的顯著水準下,仍具備 統計顯著性。
在各個解釋變數中,互動服務品質代表了網際網路特有的優勢,讓人與人之 間的溝通能夠更加便利,也因此該項功能愈強,對瀏覽者願意停留該網站的時間 產生了正面的影響,此實證結果與直覺並無太大差異,此外易用性代表了現階段 網路發展的另一性重點,亦即無障礙空間的使用,所以此項功能也對瀏覽著的停
留時間造成正面影響;然而資訊品質與網站設計品質在本研究中,並無法達到統 計上的顯著,研判可能是因為對於資訊品質變數而言,量化的準則大多偏向網頁 的基本資料,若是該網頁的整體架構不甚完備時,則該網頁很可能只是成為增加 瀏覽者對商品的資訊的豐富程度,而不會於該網站進行商品的購買,亦即瀏覽者 只是單單對於某項商品產生興趣,而該網站恰巧也提供此項資訊,故瀏覽者只是 秉持「貨比三家不吃虧」的心態,於該網站進行逗留,故該網站的基本資料自然 不見得對於停留時間能有所貢獻,最後網站設計品質在本研究中只針對網頁的呈 現方式進行量化,且於最初的敘述統計資料中即不難發現,所有樣本資料幾乎落 在 2 分的區間之內(圖片 100%與動畫 83.87%),故很難達到統計上的顯著性,不 過直覺上來講,這也說明了在網際網路發達的今天,圖片與動畫的功能在某些特 定產業中,已經被大多數網站所接納,所以倘若在一個此功能已成為標準配備的 環境中,此時有一網站卻又不具備此功能特性,那想必不會是件好事。
【表 5.2.2】式(5.2.5) White 異質性檢定之結果
Dependent Variable: ln(1/t) White Heteroskedasticity Test:
F-statistic 0.650667 Probability 0.787618 Obs*R-squared 11.2464* Probability 0.66658*
資料來源:本研究整理。
註: 1. *表示於 5%顯著水準下,無法拒絕殘差項為同質變異。
2.輔助迴歸式包含交叉項。
由於一般橫斷面(cross section)資料的殘差項幾乎都會出現異質變異的問 題,故針對此項檢定,除上述 White 檢定(有交叉項)之外,也作了 Goldfeld-Quant 檢定與無交叉項的 White 檢定,結果仍然相同,研判可能是樣本資料過小所導 致,故本研究最後的實證報告採用 OLS 作為最佳估計方法。
【表 5.2.3】式(5.2.5)Jarque-Bera 常態性檢定結果
Dependent Variable: ln(1/t) Jarque-Bera Normality Test:
Jarque-Bera 0.353648* Probability 0.837927*
0
Series: Residuals Sample 1 31 Observations 31
Mean 0.000000 Median 0.028505 Maximum 1.290321 Minimum -1.821373 Std. Dev. 0.768867 Skewness -0.195056 Kurtosis 2.651280 Jarque-Bera 0.353648 Probability 0.837927
資料來源:本研究整理。
註: 1. *表示於 5%顯著水準下,無法拒絕殘差項服從常態分配。
【表 5.2.4】式(5.2.5) RESET 之結果
Dependent Variable: ln(1/t) Ramsey RESET:
F-statistic 0.712779* Probability 0.500367*
Log likelihood ratio 1.788734 Probability 0.408866
資料來源:本研究整理。
註: 1. *表示於 5%顯著水準下,無法拒絕原模型設定無誤。
2.Ramsey 迴歸方程式包含平方與三方的應變數配適值。
【表 5.2.5】式(5.2.5)中各項自變數的相關係數矩陣
Dependent Variable: ln(1/t) Correlation Matrix
b1 b2 b3 b4 b1 1 0.241843 0.079173 0.03027 b2 0.241843 1 0.034171 -0.0235 b3 0.079173 0.034171 1 -0.19461 b4 0.03027 -0.0235 -0.19461 1
資料來源:本研究整理。
【表 5.2.6】式(5.2.6)採用最小平方法的估計結果
Dependent Variable: ln(1/v) Method: Least Squares
Variable Coefficient Std. Error t-Statistic Prob.
C -0.99797 1.79926 -0.55465 0.5839 b1 -0.58774 0.285443 -2.05904* 0.0496*
b2 -0.80039 0.283899 -2.81929** 0.0091**
b3 -0.32893 0.314117 -1.04715 0.3047 b4 0.218129 0.492598 0.442813 0.6616 R-squared 0.410518 Mean dependent var -5.19336
Adjusted R-squared 0.319828 S.D. dependent var 1.36988 S.E. of regression 1.129774 Akaike info criterion 3.228603 Sum squared resid 33.18615 Schwarz criterion 3.459891 Log likelihood -45.0434 F-statistic 4.526624**
Durbin-Watson stat 2.073036 Prob(F-statistic) 0.006576**
資料來源:本研究整理。
註: 1. Number of Observation=31。
2. *表示於 5%顯著水準下,該估計值顯著異於零。
3. **表示於 1%顯著水準下,該估計值顯著異於零。
對於本研究中的另一個應變數—位元流量,實證結果發現,網頁的資訊品質 與互動服務品質兩大功能,分別在 5%與 1%的顯著水準下,對於瀏覽者上網時 開啟的位元流量產生了正面的顯著效果,易用性與網站設計品質則無統計顯著 性。整體而言,調整後的模型配適度雖然只有 31.98%,但是迴歸模型的整體顯 著性(overall significance of the regression)在 1%的顯著水準下,仍具備統計顯著 性。
在各個解釋變數中,如同前述對瀏覽者停留時間的分析,互動服務品質不但 是網際網路特有的優勢,同時可以預期的是,許多瀏覽者不但只重視自己與他人 的互動過程,同時也重視他人與他人之間的互動結果,也因此該項功能愈強,對 瀏覽者在上網時願意開啟的位元流量產生了正面的影響,此實證結果與直覺並無 太大差異,比較不同的地方是當本研究將探討的對象從瀏覽者的停留時間改變成 瀏覽者開啟的位元流量時,網站的資訊品質反而在統計上出現了顯著性,研判應 該是因為在本研究中,雖然在資訊品質量化指標中的廠商基本資料,幾乎所有的 網站都有提供(廠商地址 100%、廠商電話 100%、商品型錄 100%、廠商電子郵件 96.77%),然而其中的廠商地圖卻只有 25.81%,而對於一個瀏覽者而言,除了藉 由網路的互動性功能與該廠商聯絡之外,若需要實地拜訪時,則網站地圖的有無 則為至關重要,同時除了網站的基本資料之外,資訊品質量化指標中還包含了更 新日期這一項指標,故可以研判此兩項功能對瀏覽者的位元流量有著正面的影響 效果;然而易用性與網站設計品質在位元流量的研究中,則無法達到統計上的顯 著,研判可能是因為對於瀏覽者所開啟的位元流量而言,易用性服務品質比較能 左右瀏覽者的停留時間,而對於瀏覽者所開啟的位元流量,則無明顯的證據顯示 兩者之間的關係,比較令人意外的則是網站設計品質在本研究中也無法達到統計 上的顯著,由於此項功能主要是針對網頁的呈現方式進行量化,基本上開啟動畫 所需的位元流量勢必會比較大,照理說,此項功能應該會和瀏覽者所開啟的位元 流量呈現正向連動,然而實證的結果卻無法出現顯著性,研判可能和樣本資料過 小有關。
【表 5.2.7】式(5.2.6) White 異質性檢定之結果
Dependent Variable: ln(1/v) White Heteroskedasticity Test:
F-statistic 1.624495 Probability 0.17513 Obs*R-squared 18.19767* Probability 0.197926*
資料來源:本研究整理。
註: 1. *表示於 5%顯著水準下,無法拒絕殘差項為同質變異。
2.輔助迴歸式包含交叉項。
如同在停留時間時所作的說明,一般橫斷面(cross section)資料的殘差項幾乎 都會出現異質變異的問題,故針對殘差項是否出現異質變異的問題,同時也作了 Goldfeld-Quant 檢定與無交叉項的 White 檢定,結果仍然相同,研判可能是樣本
如同在停留時間時所作的說明,一般橫斷面(cross section)資料的殘差項幾乎 都會出現異質變異的問題,故針對殘差項是否出現異質變異的問題,同時也作了 Goldfeld-Quant 檢定與無交叉項的 White 檢定,結果仍然相同,研判可能是樣本