第二章 文獻探討
3.5 資料處理與分析方法
3.5.1 次數分配（Frequency Distribution） 60
敘述統計可將蒐集到之原始資料經整理後變成有意義的資訊或統計量，而資料處理 的方法以次數分配最為常見，舉凡名目尺度或順序尺度通常都會以次數分配表來呈現資 料結構與概況，而本研究之人口統計變數將以次數分配的統計方法，以次數與百分比的 方式來顯示出原始樣本資料的分佈情形。
3.5.2 KMO 取樣適切性檢定與 Barlett 球形檢定
KMO 取樣適切性檢定與 Barlett 球形檢定是用來檢定兩個變數之間是否具有共同變 異的存在，並依此結果來判斷該資料是否有從事因素分析之價值。以下將針對KMO 取 樣適切性檢定與Barlett 球形檢定分別說明之：
1. KMO 取樣適切性檢定：
根據Kaiser（1974）的觀點，資料是否適合進行因素分析，可從取樣適切性量數
（Kaiser-Meyer-Olkin measure of sampling adequacy；KMO）值的大小來判斷，KMO 指標值介於0 至 1 之間，當 KMO 值越大則表示變數間的共同因素越多，其變數資料越 適合進行因素分析。根據Kaiser（1974）的觀點【其 KMO 值判斷準則表見下表 3-11】，
進行因素分析程序時，當KMO 值小於 0.50 時，表示題項變數間不適合進行因素分析；
若是題項變數所呈現的KMO 值大於 0.80，則表示題項變數間的關係是「良好的」，且 適合進行因素分析；若KMO 值 0.90 大於，則表示題項變數間的關係是「極佳的」，且 非常適合進行因素分析。因此，KMO 值至少要達到 0.60 以上才適合進行因素分析，故 本研究以KMO 值 0.60 為最低標準檢視資料是否適合進行因素分析。
表
3- 11 KMO 值的判斷準則表
KMO 統計量值 判斷準則說明 因素分析適切性
0.90 以上 極適合進行因素分析 極佳的 0.80 以上 適合進行因素分析 良好的 0.70 以上 尚可進行因素分析 適中的 0.60 以上 勉強可進行因素分析 普通的 0.50 以上 不適合進行因素分析 欠佳的 0.50 以下 非常不適合進行因素分析 無法接受的
2. Barlett 球形檢定：
Barlett 在 1951 年所提出的球形檢定（Sphericity test）是針對變項間相關矩陣的檢 定方法，該檢定法約略呈現 χ2分配，以樣本資料計算而得到的 χ2值與列表的 χ2值 相比較，若是變項之間的相關係數越高，則所得到之 χ2值越大，表示該群資料適合進 行因素分析，反之則無進行因素分析之必要。
3.5.3 因素分析（Factor Analysis）
因素分析具有簡化資料並達到構面縮減的功能，其目的在於萃取出彼此間無關的共 同因素，以較少的因素構面來代表原始的資料結構，而這些因素構面能解釋原始資料的 最大變異量。因素分析的主要方式，可以簡述成以下幾個步驟：
1. 計算變項間相關矩陣或共變數矩陣：
如果一個變項與其他變項間相關程度很低，則在下一個分析步驟中可以考慮剔除該 變項，但實際上是否該剔除該變項，還必須要考量到該變項的共同性（communality）
和因素負荷量（factor loadings）。
2. 估計因素負荷量：
決定因素萃取的方法主要以主成份分析法（Principal Components Analysis：PCA）
最為普遍，該方法是以線性方程式將所有變項加以合併，計算所有變項共同解釋的變異 量。而因素負荷量反映了題項變數對各共同因素的關聯強度，亦即各共同因素對各題項 變數的解釋程度。
在因素負荷量選取的標準上，根據Zalteman & Burger（1975）的建議，因素分析 時只要選取特徵值大於1、各因素負荷量大於 0.3 的變數，且可解釋 40%以上的變異量 即可選取；Joseph、Rolph & Ronald（1987）則認為若因素負荷量的絕對值大於 0.3，
則可稱為顯著，若大於0.5 則為非常顯著；Rothman（1989）則指出轉軸後之因素負荷 量應該至少大於0.3 以上。綜合以上各學者對於因素負荷量選取標準的論述，為萃取出 關聯性強與解釋能力高的因素構面，本研究取其因素負荷量至少大於0.5 以上之變數，
並依此作為選取準則。
3. 決定轉軸方法：
首先根據Kaiser（1960）的觀點，本研究保留特徵值大於 1 的因素，再以最大變 異法（Varimax）進行正交轉軸（orthogonal rotations）處理，轉軸法的目的是要使因 素負荷量易於解釋。
4. 決定因素與命名：
在轉軸後便要決定因素數目，藉由選取較少的因素層面，以獲得較大的解釋量，並 依據各因素構面之題項內容，進行因素構面的命名。
3.5.4 Cronbach’s α 係數
Cronbach’s α 係數用於檢定本研究之信度，此法由 Cronbach 在 1951 年創用，是 最常適用於李克特式量表的信度考驗方法，其以α 係數來代表量表的內部一致性信度，
若α 係數越高，則代表該量表的內部一致性越佳。本研究主要以 Cronbach’s α 係數檢 驗產品屬性、品牌權益與購買意願變數中各因素構面的內部一致性。
3.5.5 交叉列聯表與卡方檢定（Chi-square Test）
卡方檢定是針對兩名目尺度之資料變數間，檢定其關係是否相關或獨立之檢定方 法，而其交叉列聯表之期望次數小於5 的格數不能超過全部格數的 20%，且所有期望 次數皆應該在1 以上。此外，由於卡方檢定是一種整體性的資料分析，因此當檢定結果 達到顯著差異水準時，代表至少有兩個以上之組別的次數百分比有顯著差異。本研究主 要以交叉列聯表與卡分檢定，來探討不同人口統計變數的消費者與消費者對數位相機之 品牌來源國的選擇是否有顯著差異。
3.5.6 獨立樣本 t 檢定
獨立樣本t 檢定適用於兩個群體平均數的差異檢定，其自變數為兩個項數的類別變 項，而依變數為連續變項，且以t 值作為檢定統計量的假設檢定。本研究主要以獨立樣 本t 檢定，來探討不同「性別」的消費者對數位相機產品屬性與品牌權益是否有顯著差 異。
3.5.7 變異數分析（Analysis of Variance）
變異數分析簡稱為ANOVA，又稱 F 統計法。在平均數差異檢定當中，若是檢定兩 個以上群體平均數的顯著性差異時，則不能採用獨立樣本t 檢定，應以變異數分析檢定 之。若分析結果呈現整體考驗的F 值達到顯著（P<0.05），表示至少有兩個群體以上的 平均數有顯著差異，要確知是哪幾組配對之群體平均數有差異，則需經由「事後比較」
才能得知，而本研究所採用之事後比較方法為變異數分析常用之Scheffe 分析法。
3.5.8 迴歸分析（Regression Analysis）
迴歸分析主要是探討兩個或兩個以上計量變數之間的關係，其目的之一為探討自變 數與依變數間的關係，並由迴歸係數探究其影響的方向與程度，另一個目的是透過自變 數與估計的迴歸方程式對依變數做預測。
本研究將以迴歸分析分別探討「品牌權益(x)對數位相機購買意願(y)的影響」與「來 源國形象(x)對數位相機購買意願(y)的影響」，其皆屬於四個預測變數（自變數）對一個 效標變數（依變數）的迴歸分析，其迴歸方程式如下：
本研究之資料分析流程與步驟，如下圖3-2 所示：
卡方檢定
產品屬性變數
產品屬性因素購面
品牌來源國
來源國形象變數 ˇKMO 取樣性檢定
Barlett 球型檢定
ˇ因素分析
ˇ信度分析
圖
3- 2 本研究之資料分析流程
品牌權益品牌知名度 知覺品質 品牌聯想 品牌忠誠度
購買意願變數
購買意願因素購面 ˇKMO 取樣性檢定
Barlett 球型檢定
ˇ因素分析
ˇ信度分析
人口統計變數
性別、年齡、個人 每月可支配金額
t 檢定：性別
ANOVA：年齡、個人每月可支配金額
迴歸分析
t 檢定：性別 ANOVA：年齡、
個人每月可支配金額 迴歸分析