研究模型之驗證

由於是初探性研究，因此本研究之研究架構採用最小淨平方法 (partial least squares, PLS)進行驗證，並使用 SmartPLS 2.0 統計軟體來測量模型分析與結構模 式分析。

一. 測量模型分析

本研究使用 PLS 進行驗證性因素分析 (confirmatory factor analysis, CFA)，

再次衡量其信效度。這部分將會衡量三種指標以驗證本研究的變項，其分別是組 合信度 (composite reliability, CR)、收斂效度 (convergent validity)和區別效度 (discriminant validity)。

根據 Fornell and Bookstein (1982)的研究，組合信度的標準值是 0.6 以上，且 CR 值若越高，就代表越能檢驗出該研究變數。而在效度的部分則包含收斂效度 和區別效度。收斂效度是表示題項間的一致性，包含：(1)平均萃取變量 (average variance extracted, AVE)需大於 0.5；以及(2)因素負荷量需大於 0.5，且其因素的 負荷量也需大於其他交叉負荷量，也就是 own-loadings 需大於 cross-loading。區 別效度則是用來檢測概念不同的程度，每個衡量變數之 AVE 的平方根需大於其 他變數的相關係數才算是有區別效度。檢驗結果如以下表格所示，收斂效度的部 分，本研究的因素負荷量皆高於 0.5，且其因素負荷量也都大於其他交叉負荷量 (表 18)。本研究的 CR 值落在 0.883~0.933 之間，皆大於 0.6 以上，皆達到標準 (表 19)。而在區別效度的部分，本研究變數之 AVE 的平方根皆大於其他變數之相關 係數 (表 20)。因此本研究確實具備良好的信度、收斂和區別效度。

表 18、因素負荷矩陣 (N=432)

Acc Appl DaAct FBAct InEff Inc Jud MoAct Susp Und Acc_1 0.846 0.467 0.280 0.098 0.342 -0.110 0.575 0.135 -0.153 0.528 Acc_2 0.870 0.470 0.326 0.200 0.366 -0.080 0.562 0.253 -0.132 0.487 Acc_3 0.840 0.569 0.278 0.111 0.349 -0.071 0.563 0.148 -0.214 0.526 Acc_4 0.825 0.580 0.342 0.191 0.381 -0.024 0.625 0.280 -0.094 0.493 Appl_2 0.574 0.830 0.309 0.081 0.330 -0.114 0.611 0.090 -0.108 0.399 Appl_3 0.530 0.844 0.346 0.161 0.335 -0.040 0.566 0.240 -0.055 0.398 Appl_4 0.486 0.859 0.314 0.139 0.313 0.011 0.504 0.142 -0.073 0.377

66

Acc Appl DaAct FBAct InEff Inc Jud MoAct Susp Und Appl_5 0.479 0.819 0.309 0.101 0.304 -0.010 0.508 0.134 -0.093 0.325 DaAct_1 0.339 0.329 0.883 0.436 0.294 0.050 0.307 0.494 -0.026 0.263 DaAct_2 0.350 0.368 0.944 0.462 0.352 0.055 0.332 0.540 -0.008 0.230 DaAct_3 0.310 0.346 0.909 0.503 0.378 0.059 0.291 0.635 0.009 0.199 FBAct_1 0.160 0.139 0.412 0.762 0.312 0.098 0.124 0.501 0.058 0.167 FBAct_2 0.151 0.079 0.384 0.804 0.329 0.096 0.108 0.552 0.164 0.128 FBAct_3 0.192 0.168 0.447 0.867 0.406 0.172 0.149 0.565 0.039 0.221 FBAct_4 0.103 0.106 0.405 0.834 0.316 0.110 0.097 0.598 0.092 0.100 FBAct_5 0.137 0.123 0.379 0.796 0.333 0.064 0.157 0.468 -0.026 0.189 FBAct_6 0.130 0.090 0.486 0.837 0.365 0.096 0.097 0.662 0.117 0.097 InEff_1 0.333 0.268 0.295 0.288 0.782 0.133 0.254 0.287 0.010 0.412 InEff_2 0.393 0.308 0.267 0.301 0.824 0.104 0.324 0.249 0.004 0.396 InEff_3 0.340 0.346 0.341 0.393 0.840 0.116 0.366 0.359 0.007 0.394 InEff_4 0.317 0.310 0.312 0.375 0.788 0.066 0.329 0.336 -0.000 0.319 Inc_1 -0.084 -0.060 0.028 0.110 0.123 0.852 -0.128 0.078 0.434 0.063 Inc_2 -0.096 -0.042 0.042 0.105 0.073 0.860 -0.056 0.102 0.599 0.026 Inc_3 -0.052 -0.029 0.078 0.133 0.136 0.939 -0.072 0.163 0.496 0.068 Jud_1 0.604 0.527 0.241 0.133 0.356 -0.059 0.866 0.111 -0.145 0.534 Jud_2 0.534 0.510 0.247 0.155 0.357 -0.053 0.852 0.184 -0.134 0.495 Jud_3 0.604 0.650 0.385 0.113 0.343 -0.132 0.858 0.182 -0.196 0.429 Jud_4 0.598 0.526 0.279 0.096 0.268 0.076 0.801 0.143 -0.158 0.426 MoAct_1 0.244 0.188 0.641 0.588 0.305 0.073 0.196 0.834 0.126 0.116 MoAct_2 0.212 0.146 0.487 0.582 0.343 0.138 0.145 0.890 0.085 0.231 MoAct_3 0.183 0.142 0.484 0.611 0.348 0.139 0.141 0.876 0.113 0.193 Susp_1 -0.178 -0.103 -0.005 0.077 -0.021 0.376 -0.208 0.119 0.863 -0.164 Susp_2 -0.150 -0.076 -0.010 0.079 -0.016 0.524 -0.157 0.125 0.909 -0.170 Susp_3 -0.123 -0.090 -0.015 -0.026 -0.035 0.402 -0.157 0.029 0.694 -0.186 Susp_4 -0.114 -0.070 -0.005 0.086 0.069 0.591 -0.106 0.073 0.806 -0.095 Und_1 0.554 0.439 0.211 0.138 0.396 0.048 0.521 0.173 -0.163 0.896 Und_2 0.545 0.378 0.237 0.166 0.452 0.029 0.518 0.199 -0.151 0.924 Und_3 0.538 0.408 0.230 0.197 0.426 0.092 0.486 0.197 -0.154 0.901 註 1：Acc 為存取、Appl 為應用、DaAct 為開放資料處理、FBAct 為 Facebook 行為、InEff 為開放資料自我效能、

Inc 為對政府推動開放資料的無能力、Jud 為判斷、MoAct 為開放資料活動參與、Susp 為對政府推動開放資料的 懷疑、Und 為了解

67

68

研究變數 問項 因素負荷量 CR AVE

DaAct_3 0.402***

開放資料 活動參與

MoAct_1 0.358***

0.901 0.752 MoAct_2 0.390***

MoAct_3 0.403***

註 1：*p<0.1, **p<0.05, ***p<0.01

69

表 20、相關係數表 (N=432)

變數 Mean Std. 1 2 3 4 5 6 7 8 9 10

1.了解 3.813 0.668 0.907

2.存取 3.553 0.746 0.601*** 0.845

3.判斷 3.612 0.672 0.557*** 0.692*** 0.845

4.應用 3.494 0.788 0.447*** 0.612*** 0.650*** 0.838 5.開放資料

自我效能 3.543 0.603 0.467*** 0.426*** 0.389*** 0.380*** 0.809 6.對政府推動開

放資料的懷疑 2.739 0.760 -0.183*** -0.167** -0.187*** -0.100* 0.001 0.822 7.對政府推動開

放資料的無能力 3.109 0.897 0.059 -0.087 -0.098* -0.045 0.125** 0.576*** 0.884

8.Facebook 行為 2.951 0.902 0.182*** 0.178*** 0.146** 0.144** 0.420*** 0.063 0.129*** 0.817

9.開放資料處理 2.782 1.024 0.251*** 0.365*** 0.342*** 0.381*** 0.374*** -0.011 0.056 0.510*** 0.912 10.開放資料活

動參與 2.223 1.012 0.207*** 0.246*** 0.185*** 0.184*** 0.382*** 0.103* 0.128** 0.684*** 0.614*** 0.867 註 1：對角線值為平均變異萃取量之平方根。

註 2：*p<0.1, **p<0.05, ***p<0.01

70 (β=0.129, p<0.01)，判斷開放資料對開放資料自我效能並無顯著影響。而開放資 料自我效能對開放資料公民參與的假說部分則均獲得支持，開放資料自我效能對 Facebook 行為、開放資料處理和開放資料活動皆有顯著正向影響 (β=0.417, p<0.01; β=0.374, p<0.01; β=0.379, p<0.01 )。而懷疑這部分的假說則是部分顯著，

只有懷疑對開放資料活動有顯著正向影響 (β=0.107, p<0.1)。無能力這部分的假

*p<0.1, **p<0.05, ***p<0.01 0.072

71

表 21、結構模式分析彙整表 (N=432)

假說 路徑 路徑係數 t 值 檢定結果 假說成立狀況

H1a Und→InEff 0.287*** 5.185 顯著 成立 H1b Acc→InEff 0.142*** 2.278 顯著 成立 H1c Jud→InEff 0.072 0.992 未顯著 不成立 H1d Appl→InEff 0.129*** 2.119 顯著 成立 H2a InEff→FBAct 0.417*** 10.218 顯著 成立 H2b InEff→DaAc 0.374*** 9.492 顯著 成立 H2c InEff→MoAct 0.379*** 9.089 顯著 成立 H3 Susp→InEff 0.043 0.761 未顯著 不成立 H4a Susp→FBAct 0.065 0.983 未顯著 不成立 H4b Susp→DaAct 0.025 0.433 未顯著 不成立 H4c Susp→MoAct 0.107* 1.666 顯著 成立

H5 Inc→InEff 0.112** 2.304 顯著 成立 H6a Inc→FBAct 0.042 0.749 未顯著 不成立 H6b Inc→DaAct 0.026 0.453 未顯著 不成立 H6c Inc→MoAct 0.026 0.450 未顯著 不成立 註 1：Und 為了解、Acc 為存取、Jud 為判斷、Appl 為應用、InEff 為開放資料自我效 能、FBAct 為 Facebook 行為、DaAct 為開放資料處理、MoAct 為開放資料活動參與、

Susp 為對政府推動開放資料的懷疑、Inc 為對政府推動開放資料的無能力 註 2：*p<0.1, **p<0.05, ***p<0.01

三. 競爭模型 (Competing Model)之分析

由於本研究為初探性研究，為了探討開放資料自我效能存在的必要性，以 及放置於中心位置的重要性，因此先排除原研究模型中的懷疑與無能力，並針對 有無開放資料自我效能的研究模型進行個別分析，同時探討開放資料自我效能的 中介效果為何。

在驗證競爭模型的部分，一樣採用 bootstrapping 重新抽樣法，並以 1000 筆 樣本為模擬，進行研究架構的路徑檢驗。另外，在統計檢驗水準方面，同樣將α 值的判斷標準設為 0.1 (t-value>1.64)。此競爭模型之分析結果如下圖 9、10 所示。

72

*p<0.1, **p<0.05, ***p<0.01 0.048

*p<0.1, **p<0.05, ***p<0.01 0.378***

73

(β=0.175, p<0.01; β=0.191, p<0.01)，還有應用與開放資料處理 (β=0. 217, p<0.01) 這幾條線之間有顯著正向關係。

在加入開放資料自我效能的模式當中，其解釋力明顯是比較穩固的，而除了 判斷與開放資料自我效能之間無顯著關係之外，其餘的了解、存取和應用都與開 放資料自我效能有顯著正向關係 (β=0.306, p<0.01; β=0.124, p<0.05; β=0.136, p<0.05)。且開放資料自我效能與開放資料公民參與的 Facebook 行為、開放資料 處理和開放資料活動參與 (β=0.432, p<0.01; β=0.378, p<0.01; β=0.384, p<0.01)都 有顯著的正向關係存在。根據這些數據的結果顯示，加入開放資料自我效能可能 具有中介效果。

為了檢驗其中介效果的存在，本研究透過相關的檢測方法來驗證。本研究採 用的是 Sobel (1982)的測試方法，此方法與 Judd and Kenny (1981)的差異法很相 似，都會探討到中介模式中自變數與依變數之間的間接效果，而且 MacKinnon, Warsi, and Dwyer (1995)的研究也提出這兩個方法所得出來的間接效果是雷同的。

根據 Sobel (1982)提出的驗證方法，樣本數需大於 50 筆 (本研究樣本數為 432 筆)，

主要是透過乘以兩個迴歸係數來計算間接效果，而這兩個係數是從兩個迴歸模型 分析獲得的。這兩個迴歸模型分別是(1)開放資料素養 (X)與開放資料自我效能 (M)之間，也就是 a 的迴歸係數；以及(2)開放資料自我效能 (M)與開放資料公民 參與 (Y)，還有開放資料素養(X)與開放資料公民參與 (Y)之間，也就是 b 和 c’

的迴歸係數。請參考下圖 11 的中介效果驗證示意圖。

圖 11、中介效果驗證示意圖 開放資料自我效能

M

開放資料素養 X

開放資料公民參與 Y

a b

c’

74

在進行統計分析時，除了需要 a 和 b 的迴歸係數之外，還需要有 a 和 b 的標 準誤差 (standard error)才能計算。當統計結果顯示中介效果為顯著時，代表開放 資料自我效能確實具有中介效果，而若 c’已經不顯著，代表是完全中介，若 c’

依舊顯著，則代表部分中介。另外，為了計算統計數據，本研究使用網路上的 Sobel 測試計算 (Calculation for the Sobel Test)工具²⁰來協助計算。這兩模式的路 徑及路徑係數，還有中介效果存在的狀況皆整理在表 22。

結果顯示，開放資料自我效能在開放資料素養與開放資料公民參與之間的中 介效果皆有顯著，但是判斷並沒有顯著效果。而在先前的模式分析中，判斷與開 放資料自我效能就已經無呈現顯著關係。因此本研究認為暫時撇開判斷來看，開 放資料自我效能在本模型中確實具有中介效果，所以在本研究中是不可或缺的構 念之一。

20 http://quantpsy.org/sobel/sobel.htm

75

76

0.050 (0.077)

0.368***

(0.048)

0.039

(0.048) -0.021 MoAct 0.650 無中介

Appl

0.136**

(0.063)

0.430***

(0.046)

-0.019

(0.042) 0.050 FBAct 2.113 完全中介

0.136**

(0.063)

0.270***

(0.044)

0.279***

(0.049) 0.217*** DaAct 2.047 部份中介 0.136**

(0.063)

0.366***

(0.045)

0.046

(0.045) 0.048 MoAct 2.094 完全中介

註 1：Lite 為開放資料素養、Enga 為開放資料公民參與、InEff 為開放資料自我效能、Und 為了解、Acc 為存取、Jud 為判斷、Appl 為應用、FBAct 為 Facebook 行為、DaAct 為開放資料處理、MoAct 為開放資料活動參與

註 2：括號內的數值為標準誤差值 (standard error) 註 3：*p<0.1, **p<0.05, ***p<0.01

77