本章主要就研究方法的選取及問卷回收後之分析方法作說 明。
3.1 研究方法的選取
Yin，1994﹝41﹞指出，「不同的研究問題類型」、「研 究者控制研究事件的程度」及「研究事件是否為時事事件」
等三項指標，可作為決定研究方法類型的依據，詳如下表：
表3.1研究方法及其適用範圍
研究策略 研究問題類型 是否需控制行 為事件?
是否為時事事 件?
實驗法 how、why 是 是
調查法 who、what、where、how
many、how much 否 是 檔案分析法 who、what、where、how
many、how much 否 時事事件或歷 史事件
歷史研究法 how、why 是 否
個案研究 how、why 是 否
資料來源：Yin, R. K.﹝41﹞
由以上研究方法之分類及適用範圍之說明，可知「調查法」
是一種運用口頭或書面答詢等直接的初級資料，來尋求發掘事 實、了解現象的研究方式，主要用以發現群體中的分配狀態、相 互關係及影響因素等情形，可藉以得知目前之現象。本研究具描 述（Descriptive) 性質，故著眼於研究問題的性質與研究目的 之觀點，本研究適合採用「調查法」之問卷訪談來進行。
3.2 資料分析-採因素分析（Factor Analysis）及集群分析（Cluster Analysis）
3.2.1 因素分析
3.2.1.1 因素分析目的
因素分析（Factor Analysis）是由 Spearman (1904) 首創，而由相關的心理學家加以發展的一種多變項統計法，
是一種互依分析（Analysis of Interdependence）技術，
其主要目的在以較少的維數（Number of Dimensions）來表 示原先的資料結構，也就是簡化資料，而又能保存原先的資 料結構所提供的大部份資訊，亦可解決變數間共線性問題。
因素分析的主要目的在於：
1.減少變項數目
在企業研究中，常會遇到的問題就是變數太多，變數太 多的結果使得分析顯得遲鈍，又因變數之間的關聯性可能很 高，進而產生複共線性的問題。進行因素分析可以減少變數 的數目，使得研究者在運用其他多變量分析技術時，較能得 心應手，且又不失原始資料的代表性。
2.確認資料的基本結構及尺度
在研究中常會遇到這樣的問題，即是我們列出 30 個變 數，但是所要衡量的只是受測者的 5 個基本特性，例如，在 針對行銷服務作研究中，如客訴案件處理、銷售人員專業、
客戶服務等，這些變數可能只是反應一個基本的結構及尺 度，那就是服務因素。
3.2.1.2 基本原理
因素分析從建立一個相關矩陣（Correlation Matrix）
開始，進而產生新的變數，而每一個新變數都是原始變數的 線性組合（Linear Combination）。這些新的變數稱為[因 素（Factor），每一個線性組合的係數稱為因素負荷量 (Factor Loading)。因素是變數的線性組合，亦即：
n
（principal component analysis）、主要因素法（principal factor method）及最大概率法（maximum likelihood method）
等，本研究採用主成份分析法萃取因素。主成分分析法是以 的關係，以轉軸矩陣（transformation matrix）計算出因
素負荷矩陣的參數，將原來的共變結構所抽取出來的變數，
進行數學轉換，形成新的矩陣，使結果較易解釋。因素分析 所得之結果往往難加以解釋，尤其是當某些變數同時在好幾 個因素都有相當程度之負荷量時，為便於因素之解釋變數，
藉助轉軸，以使各種因素的意義更為清晰及明顯。
本 研 究 採 用 一 般 因 素 分 析 較 常 用 的 直 交 轉 軸
（orthogonal rotation）法。所謂直交，係指轉軸過程當 中，因素之間的軸線夾角為 90 度，即因素之間的相關設定 為零。各因素間相互獨立，方法簡潔嚴謹。直交轉軸又分為 三種方法，包括最大變異法（varimax）、均等變異法（equimax rotation）及四方最大法（quartimax）。我們採用最大變 異法，其以直交轉軸換得到的新參數，是基於因素間是相互 獨立的前提，在數學原理上，是讓所有變項在同一個因素或 成分的負荷量平方變異量達到最大，如此最能夠達到簡單因 素結構的目的，且對於因素結構的解釋較為容易。
3.2.1.4 計算因素分數並對因素予以解釋及命名：
因素經過轉軸後，各因素之意義更為明顯，利用各變數 與因素之關係來解釋各因素之內涵，除給予適切的命名，並 可根據因素轉軸後所計算得到的因素分數，經過加權計算後 得到總評分，進行分析。如果仍要利用因素分析之結果再作 進一步集群分析時，則可以根據因素分析之結果作為區別變 數之依據。
3.2.2 集群分析
在日常生活中許多事物常需要用到分類，尤其是對於多變 數、多指標的分類問題，可採用多變量統計方法的集群分析。
集群分析是根據某種特性將資料的相似與相異性予以歸類分 群，以簡化問題。由於分群後具有相似特性的資料被歸為一 群，群與群間之差異被凸顯出來，有助於瞭解資料間彼此的特 性差異。在本質上，集群分析是依據現有的資料特性來加以歸 類。特性相似的歸為一集群，不相似的資料則予以分離。換言 之，群內同質性高，而群間異質性高，其分類的群數是依據資
料的特性來做最佳的決定。
一般的集群分析方式致可分為兩類：
1.階層式集群分析法（Hierarchical Analysis Method）：均 連法、重心法、近鄰法、華德法等。
2.非階層式集群分析法（Nonhierarchical Cluster Analysis Method）：K-平均數法（K-means Method）。在已知最適分 群數時，採用「目標函數法（Objective Function Method）」
能得到最好的分類效果，不論在分類的準確度或是運算的效 果上也較層級法大為提昇。若同時使用「層級法」與「非層 級法」來找出最適群數，即所謂的「二階段法」。而層級分 析法主要的優點是分群的數目較不受限制，不需要由資料分 析人員來決定群數，電腦會自動找出各層級；但缺點就是計 算的精確度不如由資料分析人員指定群數的「目標函數法
（Objective Function Method）」，且運算速度較費時例 如觀測值超過 200 個以上時，會更明顯。因此若能事先知道 最佳的分群數，則最好是利用目標函數法來進行分類，不但 正確性高且運算速度也會大幅提昇。
四、研究設計