產品屬性偏好分析

有關產品屬性偏好分析的問項產生及衡量方式與前測一致，故不再贅述。變 量也仍然保持原本的 30 個測量變量。

1.均值分析

本題採取李克特五點量表，取均值 3（3=普通）為選擇邊界，由上表可見，

Var03、Var13、Var10、Var11、Var17 在平均值以下，即對多數消費者來說這五個 變量在購買平價時尚服飾時不重要或非常不重要。另取標準差 1 為選擇邊界，認 為標準差大於 1 的題項缺乏代表性，由上表，Var25、Var12、Var10、Var11 的標 準差大於 1。

對比前測和正式問卷的結果，發現在正式問卷中，消費者所看重的因素變多 了，前測問卷中有 9 個產品屬性因素被歸為「不重要」和「非常不重要」予以刪 除，而在正式問卷中，被刪去的題項減為 5 個。初步分析，是由於問卷的樣本量 增加，受測者的填答差異也變得更明顯，這一點從標準差這一項就可以看出，正 式問卷的標準差平均水準大於前測問卷，受測者對同一屬性的重視程度差異較大，

使得部份產品屬性因素的分數被拉高，但 Var03、Var13、Var10、Var11、Var17 在兩次測試中均被認為「不重要」，故刪除上述題項再進行因素分析，以提高分 析結果準確度。

除此之外，消費者所重視的產品屬性按重要性從高到低的排序也發生了變化，

初步分析是由於受測者不同，樣本結構發生了變化導致結果不同。

2.因素分析

（1）適合性分析——KMO 和 Bartlett 的檢驗

KMO 是 Kaiser-Meyer-Olkin 所提出的取樣適切性量數，其值介於 0 與 1 之間。

當 KMO 值愈接近 1 時，表示變項之間的共同因素愈多，愈適合進行因素分析。如 果 KMO 小於 0.5，則不宜進行因素分析。進行因素的普通準則是：KMO 值至少 要在 0.6 以上。(詳情見表 4-14)

表 4-14 KMO 評定標準

KMO＜0.5 不能使用

0.5≤KMO＜0.6 不太適合

0.6≦KMO＜0.7 普通

0.7≦KMO＜0.8 還算適合

0.8≦KMO＜0.9 適合

0.9≦KMO 非常適合

而 Bartlett 球形檢定的顯著性達顯著水準，應棄卻虛無假說（虛無假說是：變 項間的淨相關矩陣不是單元矩陣）。棄卻虛無假說的意思是： 母群體的相關矩陣 間有共同因素存在。也即, Bartlett 球形檢定的顯著性達顯著水準時適合進行因素 分析。

研究一正式問卷對產品屬性偏好進行因素分析,得到的 KMO 和 Bartlett 的 檢驗結果如下:

表 4-15 KMO 和 Bartlett 的檢驗 KMO 和 Bartlett 的檢驗

取樣足夠度的 Kaiser-Meyer-Olkin 度量 .720

Bartlett 的球形度檢驗

近似卡方 1935.263

df 435

Sig. .000

其中 KMO 值為 0.720，適合性良好。Bartlett 球性檢定的顯著性是 0.000，已 達顯著水準，故本研究適合進行因素分析

（2）因素萃取

因素萃取的方法有七種，分別是：Principal components（主成份）、Unweighted least squares（未加權最小平方法）、Generalized least square（一般化最小平方法）、

Maximum likelihood（最大概似法）、Principal-axis factoring（主軸法）、Alpha factoring（Alpha 因素抽取法）和 Image factoring（印象因素抽取法）。

本研究詢問受測者對產品屬性重要程度的相關看法，以瞭解影響受測者購買 決策的因素以及其影響程度，故選擇較為適合的 Principal components（主成份分 析法）進行因素抽取。principal component analysis（主成分分析）是因素分析中 運用得最為廣泛的分析方式。這個方式是發展出一組毫無相關的因素，也就是說，

它們的軸是互相垂直的。所選擇的第一個因素是能夠使得資料散布得最開的因素，

同時也是最能解釋資料的變異情況的因素。所選擇的第二個因素（與第一個垂直 的因素）將是最能夠解釋剩下來的資料變異的因素。剩下來的因素（每一個都與 前一個垂直）將陸續的被挑選，一直到剩下的未解釋變異低於某一個可接受的水 準時為止。

操作步驟為：①利用主成分分析取得主成分的特徵值 ②根據特徵值（Eigen Value）大於 1 為標準縮減變數。

如表 4-16 所示，第八個變數的特徵值為 1.034，解釋變異量為 4.432%，而其 後的成份特徵值皆小於 1，且前八個成份累積解釋變異量達到 69.610%的水準，故 本研究最後將產品屬性區分為八個主要因素。

表 4-16 產品屬性重要程度——總解釋變異量

成份 初始特徵值 萃取平方和負荷量 轉軸平方和負荷量

總和 變異數 % 累積 % 總和 變異數% 累積 % 總和 變異數 % 累積 % 1 4.395 20.931 20.931 4.395 20.931 20.931 2.926 13.932 13.932 2 2.485 11.833 32.764 2.485 11.833 32.764 2.559 12.185 26.118 3 1.972 9.392 42.156 1.972 9.392 42.156 1.922 9.154 35.271 4 1.485 7.070 49.226 1.485 7.070 49.226 1.788 8.513 43.784 5 1.238 5.897 55.124 1.238 5.897 55.124 1.616 7.695 51.479 6 1.077 5.129 60.253 1.077 5.129 60.253 1.570 7.474 58.953 7 1.045 4.925 65.178 1.045 4.404 65.178 1.307 6.205 65.158 8 1.034 4.432 69.610 1.034 4.432 69.610 1.219 4.457 69.610 9 .846 4.029 73.639

10 .798 3.801 77.441 11 .695 3.310 80.751 12 .585 2.786 83.538 13 .562 2.675 86.213 14 .509 2.422 88.635 15 .451 2.148 90.783 16 .438 2.087 92.870 17 .394 1.876 94.746 18 .358 1.706 96.452 19 .320 1.524 97.976 20 .246 1.171 99.147

21 .179 .853 100.000

(4)因素的抽取及命名

因素的抽取是考慮轉軸後因素負荷量數值較大的那些變數（也就是變異數最 大，Varimax 的因素負荷量至少應大於 0.50 的那些變數。由上表的陰影部份所顯 示可知，因素負荷量矩陣分別將 26 個變數分配到 8 個主成份（因素）中，第一個 因素主要與 Var07、Var08、Var06、Var09、Var04 相關，第二個因素主要與 Var29、

Var28、Var30、Var27 相關，第三個因素主要與 Var19、Var20、Var21 相關，第四 個因素主要與 Var18 相關，第五個因素主要與 Var02、Var01 相關，第六個因素主 要與 Var26、Var23 相關，第七個因素主要與 Var05 相關，第八個因素主要與 Var16、

Var14、Var15 相關。

將變量分配至各因素後，依據變量的意涵進行因素命名。結果如表 4-18：

Var26

Var02

3.產品屬性集群分析

爲了進一步瞭解各產品屬性對消費行為的影響，在因素分析後，利用因素分 析得到的 8 個因素進行集群分析，以探究不同集群的消費者有怎樣的行為偏好。

本研究採用集群分析中的非階層集群法，非階層集群法是在分群的過程中，將原 有的集群加以打散，並重新形成新的集群。計算步驟如下：

（1）將各個事物點（個體）分割成 K 個原始集群；

（2）計算某一個事物點到各集群的平均數（重心）的距離（距離的計算通常採用 歐幾里得距離），然後將一些事物點分派到距離最近的那個集群。重心計算後得 到新事物點的那個集群的平均數，以及失去該事物點的那個集群的平均數。

（3）重複步驟 （2），直到各事物點都不必重新分派到其他的集群時為止。

演算由 SPSS 集群分析中的「K 平均數集群」（K-Means Cluster）程序來執 行。並以 P=0.05 為顯著水準進行檢定。

經過試算，發現當分群群數小於 5 時，部份因素的 P 值超過 0.05，即不顯著，

未通過 ANOVA 總檢定。而當分群群數大於 8 時，則出現 1 人為獨立一群的狀況，

分群不具代表性。因此，本文將在 5、6、7 三群中選擇合適的分群數。

三種分群方法得到的案例分配如下：

表 4-20 不同分群方法的結果

分 5 群 分 6 群 分 7 群

群別 人數 群別 人數 群別 人數

1 68 1 27 1 42

2 32 2 21 2 12

3 14 3 45 3 34

4 20 4 19 4 27

5 25 5 17 5 19

6 30 6 6

7 19

觀察上述三種分群人數，可發現分為 6 群時，各群人數較為均等，故本研究 採用 6 群分類法。在 6 群分類法中，ANOVA 檢定後，8 個因素全部顯著，亦即 6

個生活形態群在此 7 中生活形態因素上並不相同。

確定了分群數後，第二步就是對集群進行命名，我們先來看 6 個集群與 7 個 因素的相關性矩陣。

表 4-21 6 個集群與 7 個因素的相關性矩陣 產品屬性因素 VS 產品屬性群

產品屬性因素 群別

1 2 3 4 5 6

因素 1-設計 0.19984 0.38162 -0.53322 0.72906 0.16771 -0.20393 因素 2-購物體驗 -0.08342 0.89031 0.32544 -0.80365 -0.13893 -0.44860 因素 3-品牌 0.21472 0.10490 -0.38976 -1.01116 0.52161 0.66279 因素 4-價格 -0.20363 -1.01334 0.17687 0.54419 -0.62988 0.63958 因素 5-品質 0.59919 0.81102 -0.12296 -0.05989 -1.64456 0.04730 因素 6-商品呈現 0.59764 -0.51341 0.56138 -0.18610 0.06535 -0.93973 因素 7-功能性 0.89401 0.02805 -0.62600 0.28577 0.60719 -0.41031 因素 8-使用感受 -0.66958 0.54876 0.07165 -0.34349 0.32601 0.14383

表 4-21 陰影部份為每個集群對應的均值最高的兩個因素，即該集群最重視這 兩種產品屬性。而下劃綫所代表的部份則剛好相反，它標示出了每個集群對應的 均值最低的兩個因素，即該集群認為這兩個產品屬性因素較不重要。

根據上述情形以及在上一步因素分析中得到的變數分配結果，我們可以將 6 個集群的特質進行較為詳細的描述，并依據其特質給予命名。

表 4-22 產品屬性偏好群的命名

群別 群組名稱 特徵描述

1 功能性著裝型

重視服飾的功能性和品質，比較不在意穿著該服裝帶來的心理影 響，價格彈性較低。這類消費者購買衣服的主要依據是衣服本身 的價值。

2 高端消費型 重視購物體驗和衣服的品質，相對來說價格和商品呈現顯得不那 麼重要。這類消費者喜歡在較好的購物環境中採購高品質的商品。

3 購物狂型 重視購物體驗和商品呈現的方式，低設計知覺、低功能性知覺。

這類消費者偏向于享受購物帶來的快感。

4 性價比型 關注服飾的設計和價格，購物體驗和品牌不重要。這類消費者購 物多依據性價比。

5 特定需求型