結構方程模式（Structural Equation Modeling，SEM）有兩種估算方法，一種 是最大概似法 (Maximum Likelihood；ML)，另一種為偏最小平方法（Partial Least Square，PLS），由於 PLS 在模型方面有較精確的分析處理能力，故本研究採用 PLS 路徑模型分析法進行。本研究模型有四個潛在變數，包括「認知易用」、「認知有 用」、「使用態度」及「使用意願」等變數，各自包含測量之觀察變數，依照模型 假設路徑圖的路徑末端變數為依變數（或稱因變數、反應變數），路徑開端變數為 自變數（或稱獨變數、預測變數、解釋變數），並根據文獻理論提出六個假說，運 用結構方程模式進行檢驗。
結構方程模式由測量模型 (measurement model) 及結構模型 (structural model) 所組成，測量模型的目的在了解觀察變數 (manifest variable) 與潛在變數 (latent variable) 之間的關係，也就是運用驗證性因素分析 (Confirmatory factor analysis，
CFA)，檢驗測量是否具有足夠的收歛效度 (convergent validity) 與區別效度 (discriminant validity) ；而結構模型則是以路徑分析 (Path Analysis) 來探討潛在 變項間的關係，以路徑係數的判斷顯著性與預測能力，故進行模型分析及解釋應 包含下列相關統計檢定：
一、測量模型的配適指標：
(1)各別因素負荷量（items loading）必須大於 0.5。
(2)組合信度（compositereliability）、Cronbach’s α 大於 0.7。
(3)平均變異萃取量（average variance extracted，AVE）大於 0.5。
(4)每個構面平均變異萃取量的平方根必須大於與其他構面的相關係數。
(5)該因素負荷量必須大於其他因素負荷量。
二、結構模型的的配適指標：
(1)以 R2判斷模型的解釋能力。
(2)標準化路徑係數（path coefficient）是否與研究預期相符。
(3)參數估計值（t-values）是否達統計上的顯著性 。
進而將本研究統計結果比對相關學說理論，並參考文獻研究所建議之標準值，
分述如後：
一、驗證性因素分析 (Confirmatory factor analysis)
（一）因素分析 (factor analysis)
因素分析是用來縮減變數維度 (dimension)，將原有很多變數 (維度) ，縮減 成較少的維度數，但又能保持原資料所提供之大部份資訊，可以檢測很多的 變項之基本組型 (patters) 或關係，可以去決定資訊內容 (the information)是否 可以被濃縮 (be condensed) 或被摘要 (summated) 成一個較少的因素或成分 (components) 的組合，利用這些技術分析呈現與解釋的種種結果之基本指引 (basic guidelines)，亦可以更進一步去澄清方法論的種種概念 (Hair, Anderson,
Tatham, & Black, 1995)，因素分析的各種技術可以從一個探索性 (exploratory)
（二）驗證性因素分析 (Confirmatory Factor Analysis，CFA)
由於本研究構面的形成均來自相關文獻的支持，因此可直接進行驗證性因素 分析，解釋具有相互依存變數之間的關係，變項包含了外衍變數 (Independence, Exogenous Variable) 及內衍變數 (Dependence, Endogenous Variable)，其中具
有相同性質的變數，如果在理論基礎上能夠形成一個構念 (Construct) ，就會 產生一個或數個潛在變數，驗證性因素分析即是對一個變數探索其所具有的 因素，先以因素 (觀察變數) 為建構基礎，驗證其是否能代表一個變數 (潛在 變數)。其目的在於檢驗收斂效度 (Convergent Validity) 與區別效度
(Discriminant Validity) 是否成立。收斂效度是測試一個構面發展出的多項問項 最後是否會收斂於一個因素中，在於求各潛在構面之單面向測量模式的適配 度 (Fitness)；區別效度是為了檢驗問項對於不同構面之間的區別程度，檢驗 不同構面之間具有足夠的區別能力。
二、因素負荷量(Factor Loading)
驗證性因素分析之檢測先決條件，所有因素負荷量必須具有統計顯著性標準，
分析各觀察變數對其潛在變數的因素負荷量可以檢測個別項目的信度
(Individual Item Rreliability)，根據 Hair, et al. (1992) 的建議，個別因素負荷量 應該都在 0.5 以上，且因素負荷量愈大，收斂效度愈高。此外，該因素負荷量 必須大於其他因素負荷量，亦即 Own Loadings 必須大於 Cross Loadings。本研 究模型中，「認知易用」、「認知有用」、「使用態度」、「使用意願」等 變數的解釋變異量在 75.83% 至 86.82% 之間 (見表 28)，個別因素負荷量均 大於 0.5，而個別因素負荷量亦均大於其他因素負荷量 (見表 29)，整體而言，
模型信度及效度尚屬良好。
表 29. 因素負荷量分析表
項目 認知易用 認知有用 使用態度 使用意願
易用問項 1
0.93807
0.69478 0.61106 0.61207 易用問項 20.95195
0.70654 0.63499 0.63196 易用問項 30.90461
0.75004 0.63479 0.63501 有用問項 1 0.752910.90542
0.71611 0.68887 有用問項 2 0.713290.92813
0.76125 0.69871 有用問項 3 0.702390.93398
0.76554 0.72114 有用問項 4 0.670950.91785
0.76182 0.71189 態度問項 1 0.64666 0.778320.86377
0.72355 態度問項 2 0.60382 0.709940.89010
0.75409 態度問項 3 0.54996 0.696280.88970
0.73177 態度問項 4 0.53981 0.649660.83852
0.71137 意願問項 1 0.59807 0.68897 0.765920.91803
意願問項 2 0.62751 0.71663 0.777850.94014
意願問項 3 0.64486 0.72271 0.788970.92351
三、組合信度 (Composite Reliability，CR)：檢測收斂效度通常以因素負荷量 (Factor Loading)、組合信度 (Composite Reliability, CR) 及平均變異萃取量 (Average Variance Extracted, AVE) 三項指 標進行分析。潛在變數的組合信度是其所有觀察變數之信度的組成，根據 Nunnally and Bernstein (1994) 與 Bagozzi and Yi (1988) 建議標準，組合信度必 須大於 0.7 以上，潛在變數之組成信度愈高，則表示其觀察變數愈能測出該潛
在變數。
四、平均變異萃取量 (Average Variance Extracted，AVE)：
平均變異萃取量是計算潛在變數之各觀察變數對該潛在變數的平均變異解釋 力，潛在變數之平均變異萃取量愈高，則表示潛在變數的收斂效度愈高，根 據 Fornell and Larcker(1981)與 Hair（1998）建議建議其標準值須大於 0.5，本 研究模型中，各構面平均變異萃取量均大於 0.5，如表 30 所示，顯示本研究 具有良好的效度
五、Cronbach’s α 係數：
Cronbach’s α 係數是檢定各變數之衡量問項間的內部一致性根據，根據 Nunnally (1978) 建議，Cronbach’s α 必須大於 0.7，確保內部一致性的程度。
本研究模型中，各構面組合信度與Cronbach’s α 均大於 0.7，如表 30 所示，顯 示本研究模型各構面均具有良好的信度。
表 30. 信度效度分析表
平均變異萃取量
AVE 組合信度 CR Cronbach’s α
認知易用 0.868 0.952 0.924
認知有用 0.849 0.957 0.941
使用態度 0.758 0.926 0.894
使用意願 0.860 0.948 0.918
六、平均變異萃取量(AVE)平方根與潛在變數相關係數(Correlation coefficient)：
檢驗區別效度一般以構面的平均變異萃取量平方根是否大於該構面與其他構 面之間的相關係數作為判斷（Fornell and Larcker，1981），根據 Barclay & Clifford (1995) 與 Fornell & Larcker (1981) 建議，各構面萃取變異數平方根的值必須大於 其他構面間相關係數，且依據 Kline (1998) 認為各構面間相關係數需要小於 0.85，
符合此標準即代表具有良好的區別效度。本研究模型中，各構面平均變異萃取量 平方根的值均大於該構面與其他構面之間的相關係數，且各構面間相關係數均小 於 0.85 (見表 31)，由此可見，研究模型各構面均具有良好的區別效度。
表 31. 相關係數矩陣分析表
認知易用 認知有用 使用態度 使用意願
認知易用 （0.932）
認知有用 0.770 （0.921）
使用態度 0.673 0.815 （0.871）
使用意願 0.673 0.765 0.839 （0.927）
註：各構面間的斜角數值是平均變異萃取量之平方根，此值大於水平列或垂直欄 的相關係數值，則代表具備區別效度
七、路徑分析（Path Analysis）：
在結構模型方面，路徑分析屬於多變量複迴歸式（Multiple Regression Model）
之一種，用於探討一組可量測的顯性變數（Observed Variable）之間的因果關
係，也可解釋為研究變數間直接和間接的影關係（陳順宇，2005），主要目的
PLS 的模型分析主要目的在於所有內衍變數 (endogenous variable) 的殘差極 小化 (minimization of error) 或變異解釋最大化，以檢驗內衍變數 R２值來評估 模型的配適度 (model goodness of fit)，R２值能呈現出外衍變數 (exogenous variable) 對於內生變數所能解釋變異量的百分比，亦即判斷研究模式變數的 預測能力 (Fornell & Larcker,1981;Hair et al.,1998; Hulland, 1999; Medina &
Chaparro, 2007/2008; Pavlou & Fygenson, 2006)，R２值介於 0~1 之間，值愈大 代表解釋力愈佳。故路徑係數與 R２值能顯示研究模式與實徵資料的契合程度
九、路徑係數（path coefficient）：
路徑係數為結構方程式中的標準化迴歸係數，藉由分析所得係數分析各研究
表 33. 路徑分析與假設檢定
路徑分析 路徑係數 t 值 結果
假說 1 認知易用 → 認知有用 0.770 46.382 H1 成立 假說 2 認知易用 → 使用態度 0.111 5.462 H2 成立 假說 3 認知有用 → 使用態度 0.730 66.245 H3 成立 假說 4 認知有用 → 使用意願 0.154 6.110 H4 成立 假說 5 認知易用 → 使用意願 0.243 2.910 H5 成立 假說 6 使用態度 → 使用意願 0.622 10.291 H6 成立
**p<0.01；***p<0.001
圖 50. 研究模型路徑分析圖