研究模型驗證

本研究之架構與假說採用最小淨平方法(partial least squares, PLS)進行資料 的分析與驗證。所使用的統計軟體為 SmartPLS 2.0。

一、測量模型分析

測量模式分析主要在於檢驗衡量工具是否能正確地測量到各研究變數，在這 部分將衡量收斂效度(convergent validity)與區別效度(discriminant validity)。

本研究以 smartPLS 進行驗證性因素分析(confirmatory factor analysis, CFA)，

以檢驗量表是否具有信度、收斂效度、與區別效度。在信度分析部分，本研究將 藉由各變數的組成信度(composite reliability, CR)來衡量，根據 Fornell and Larcker (1981)建議組成信度衡量標準為 0.6，CR 值越高代表問項越能測驗出該研究變數。

結果如下表 9 所示，本研究各變數之組合信度皆有達到 0.6 標準值，表示本研究 之量表具有良好的信度。在效度方面包括了收斂效度區別效度。收斂效度包括了 各研究問項的因素負荷值與平均萃取變異量(average variance extracted, AVE)。當 各研究問項對潛在變數(latent variable)的因素負荷量達顯著水準，表示衡量問項 具有適當的收斂效度，而因素負荷量與平均萃取變異量的值應都大於 0.5(Hair, 2006)。而在區別效度(discriminat validity)上，若每個衡量變數之 AVE 平方根大 於其他衡量變數間的相關係數，則表示具有區別效度。檢驗結果如表 10、表 11 所示，各變數 AVE 值皆高於標準值 0.5，且 AVE 值平方根也皆大於其它變數的 相關係數值，表示本研究確實具備良好的信度、收斂與區別效度。

36

【表 10】各變數之 CR、因素負荷值、與 AVE 值彙整表

研究變數 問項 因素負荷值 CR AVE

資訊品質

Quality_1 0.745***

0.894 0.629 Quality_2 0.832***

Quality_3 0.806***

Quality_4 0.756***

Quality_5 0.820***

線上評價

Evaluate_1 0.883***

0.919 0.791 Evaluate_2 0.883***

Evaluate_3 0.901***

友誼品質

frirendship1 0.892***

0.939 0.723 frirendship2 0.890***

frirendship3 0.875***

frirendship4 0.801***

frirendship5 0.857***

frirendship6 0.775***

點擊意圖

Cl_inten1 0.925***

0.957 0.883 Cl_inten2 0.961***

Cl_inten3 0.931***

購買意圖

Pur_Inten1 0.925***

0.954 0.873 Pur_Inten2 0.955***

Pur_Inten3 0.922***

人際影響

規範影響 NorInflu_1 0.925***

0.925 0.861 NorInflu_3 0.930***

資訊影響 InforInflu_1 0.904***

0.884 0.820 InforInflu_3 0.907***

研究變數 問項 權重值 CR AVE

點擊行為 Click_Beh1 0.301***

N/A N/A Click_Beh2 0.734***

註 1：點擊行為為一階形成性構念，因此沒有 CR 與 AVE 值，僅列出權重值。

註 2：*p<0.05, **p<0.01, ***p<0.001

37

【表 11】變數平均數、AVE 與相關係數表

變數 平均數 標準差 1 2 3 4 5 6 7 8

1. Quality 4.790 0.913

0.793

2. Evaluate 4.581 1.088 0.621

0.889

3. NorInflu 4.204 1.183 0.561 0.541

0.928

4. InforInflu 3.953 1.419 0.382 0.422 0.568

0.906

5. Cl_inten 4.174 1.115 0.542 0.550 0.520 0.243

0.939

6. Pur_inten 5.102 1.208 0.615 0.584 0.640 0.404 0.657

0.976

7. Friendship 4.237 1.270 0.340 0.364 0.377 0.417 0.288 0.350

0.850

8. Click_Beh 2.717 0.738 0.387 0.447 0.522 0.389 0.515 0.531 0.288

N/A

註 1：Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響的規範影響，InforInflu 為人 際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，Friendship 為友誼品質，Click_Beh 為點擊行為。

註 2：粗體斜線為 AVE 之平方根。

註 3：點擊行為為形成性構念，因此沒有 AVE 值。

38

二、結構模式分析

意圖和點擊意圖(β=0.305, p<0.001；β=0.283, p<0.001)；線上評價會正向影響購買 意圖與點擊意圖(β=0.218, p<0.001；β=0.301, p<0.001)；而人際影響也會正向影響 購買意圖與點擊意圖(β=0.321, p<0.001；β=0.132, p<0.001)，使用者透過這些外部 線索評估，的確會影響其行為意圖的發生，因此假說 H1~H6 均成立。最後，意 圖到行為這部分，購買意圖會正向影響點擊行為(β=0.338, p<0.01)，點擊意圖也

*p<0.05, **p<0.01, ***p<0.001 人際影響

會正向影響點擊行為(β=0.329, p<0.001)，假說 H7、H8 成立。在各研究變數的解 釋變異量方面，購買意圖的解釋力為 0.510；點擊意圖解釋力為 0.379；而點擊行 為的解釋力則為 0.331。本研究將以上的數據以及研究模型的假說驗證結果分別 彙整於表 12 和表 13 中。

【表 12】研究模型的結構模式分析彙整表

假說 路徑 路徑係數 t 值 檢定結果 假說成立

狀況 H1 IQ→PINT 0.305*** 7.843 顯著 成立 H2 IQ→CINT 0.283*** 6.552 顯著 成立 H3 EVA→PINT 0.218*** 5.759 顯著 成立 H4 EVA→CINT 0.301*** 7.139 顯著 成立 H5 IPI→PINT 0.321*** 9.039 顯著 成立 H6 IPI→CINT 0.132*** 3.381 顯著 成立 H7 PINT→CBH 0.338*** 9.213 顯著 成立 H8 CINT→CBH 0.293*** 8.112 顯著 成立 註 1：IQ 為資訊品質，EVA 為線上評價，IPI 為人際影響，PINT 為購買意圖、

CINT 為點擊意圖，CBH 為點擊行為。

註 2：*p<0.05, **p<0.01, ***p<0.001

【表 13】各研究變數解釋變異量彙整表

研究變數 解釋變異量(R²)

購買意圖 0.510

點擊意圖 0.379

點擊行為 0.331

40

(二)、競爭模式分析

本研究認為影響 Facebook 使用者點擊動態首頁上的商品貼文，除了產生購 買意圖之外，點擊意圖也是個重要因素代表 Facebook 使用者對商品產生關心的 一種行為意圖表現。為了進一步瞭解購買意圖與點擊意圖對點擊行為的預測力，

因此以階層回歸分析進行比較，透過觀察點擊行為的解釋變異量(R²)變化，檢測 點擊意圖存在社群商務的影響力。分析結果如表 14 所示，模式 2 的 R 平方為 0.328，

其 R 平方變量提升 0.050，在統計結果上具有顯著性的改變。因此也驗證加入點 擊意圖後，對點擊行為的預測力確實具有提升的效果。

【表 14】競爭模式分析結果

模式 R R 平方 調過後的

R 平方

估計的 標準誤

變更統計量

R

2變量 F 改變 df1 df2 顯著性 F 改變

1 0.528

a 0.278 0.277 0.628 0.278 337.770 1 876 0.000

2 0.573

b 0.328 0.327 0.606 0.050 64.993 1 875 0.000 a.預測變數：(常數)，Pur_Intention

b.預測變數：(常數)，Pur_Intention，Cl_Intention

41

(三)、調節效果分析結果

本研究調節效果的分析過程分為兩個部分。首先，將調節變數友誼品質進行 集群分析(Cluster Analysis)，接著再將分群後的結果個別以結構方程模式進行模 型檢測和調節效果的驗證。

1. 友誼品質集群分析

本 研 究 參 考 Assaker and Hallak (2014) 集 群 分 析 方 式 ， 使 用 階 層 式 (Hierarchical)方法中的華德法(Ward’s method)來決定集群的數目。華德法是將每 一個觀察值視為一個集群，然後將各集群依序合併，合併順序是以合併後的集群 組內總變異數(total within-groups variance)大小而定，組內總變異數產生最小增量 的觀察值會先被合併，越早被合併的觀察值表示其間的相似度也越高(Assaker &

Hallak, 2014)。本研究以友誼品質六個問項為分析依據，並以觀察值為集群基礎，

其分群結果如表 15 所示。

根據華德法合併方式來觀察每階段的集群係數，從一個階段到另一個階段的 係數變化越多表示彼此之間存在的異質性越大。首先第 877 階段為一個集群，然 後往上跳到第 876 階段增加了 37.38%，為第二個集群。以此類推觀察每階段的 係數變化，第 876 階段到 875 階段增加 18.42%，為第三個集群。但是從第四個 集群以上的增量百分比變化越來越小，表示彼此之間的同質性越來越高。因此本 研究依據集群凝聚的過程將友誼品質分成 3 個集群。

【表 15】友誼品質集群凝聚過程

階段 組合集群

係數 組合後的

集群數量 係數差 每階段的

增量百分比 集群 1 集群 2

869 4 44 3240.260 - 167.798 1.42%

870 2 6 3408.057 - 173.587 1.47%

871 3 25 3581.644 - 210.738 1.78%

872 1 4 3792.382 - 227.116 1.92%

873 11 29 4019.498 5 277.555 2.35%

874 3 14 4297.053 4 921.668 7.81%

875 2 3 5218.722 3 2174.601 18.42%

42

階段 組合集群 (Nonhierarchical clustering K-means method)進行觀察值的集群處理並驗證各集群 是否存在顯著差異。而 K 平均數集群方法讓研究者自行設定集群數量，然後透 過軟體計算將每個觀察值分派到各自適當的集群當中。本研究設定友誼品質集群 數目為三群，而透過此方法分類出來的三群友誼品質其六個問項經驗證皆具有顯 著的差異(p<0.05)，接著以 Scheffe 法檢定兩兩集群也皆有顯著差異(p<0.05)，其 檢驗結果如表 16 所示。

Scheffe Test 1-2 1-3 2-3

註 2：*p<0.05, **p<0.01, ***p<0.001

43

3. 友誼品質三集群敘述性統計 註 1：Friendship 為友誼品質，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響的 規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，

Click_Beh 為點擊行為。

註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。 註 1：Friendship 為友誼品質，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響的 規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，

Click_Beh 為點擊行為。

註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。

44

【表 19】低友誼品質：各變數平均數、標準差和相關係數值

變數 平均數 標準差 1 2 3 4 5 6 7 8

1. Friendship 2.528 0.639 1.000

2. Quality 4.448 0.959 0.133 1.000

3. Evaluate 4.045 1.082 0.186 0.556 1.000

4. NorInflu 3.641 1.122 0.196 0.510 0.450 1.000 5. InforInflu 3.095 1.310 0.302 0.218 0.167 0.355 1.000

6. Cl_inten 4.733 1.354 0.115 0.477 0.573 0.611 0.081 1.000

7. Pur_inten 3.568 1.255 0.139 0.499 0.467 0.646 0.159 0.684 1.000

8. Click_Beh 2.430 0.682 0.089 0.228 0.262 0.466 0.176 0.576 0.481 1.000 註 1：Friendship 為友誼品質，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響的 規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，

Click_Beh 為點擊行為。

註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。

45

4. 三個集群的樣本特徵

樣本

5. 友誼品質的調節效果驗證

本研究參考 Chiu et al. (2012)檢驗調節效果的方式，檢定本研究之調節效果。

參考文獻作法，將分群後的調節變數個別以結構方程模式進行分析，然後從分析 中分別得到不同群組間的路徑系數與標準誤差之後，透過計算 T 值以檢驗兩兩 路徑是否存在差異性。檢驗公式如下所示：

Spooled = �{[(N1− 1)/(N1+ N2− 2)] × SE₁²+ [(N2− 1)/(N1+ N2− 2)] × SE₂²} t = (PC1− PC2)/�Spooled× �1/N1+ 1/N2�

上述公式裡，Ni為分群後各群體的樣本數，SEi為結構方程模式裡路徑系數標準 誤，PC_i則為路徑系數。

本研究透過階層式方法將樣本分為三群，分別為「高友誼品質」(NH = 265)、

「中友誼品質」(N_M =407)與「低友誼品質」(N_L=206)。因此，將分群後的結果 個別以結構方程模式進行路徑分析。圖 12、圖 13、圖 14 分別為三群樣本在研究 模型的路徑圖。

參照路徑結果，高友誼品質情況下，購買意圖對點擊行為影響較大。推論可 能原因，根據上述提及高友誼品質使用者的特徵，使用者透過 Facebook 瀏覽商 品資訊的比率高於低友誼品質使用者約 2 倍。對高友誼品質的使用者，Facebook 可作為網路商店的延伸，作為供他們挑選商品的平台。瀏覽動態首頁的商品以考 慮想不想買為出發點，想要購買因此透過點擊貼文到官方網站或賣場。但在低友 誼品質情況下，由於這類使用者使用 Facebook 的用途多與朋友聊天、抒發心情、

閱讀文章，所以商品貼文可能被當成一則單純的訊息，低友誼品質使用者嘗試透 過點擊商品貼文獲取更多新資訊。因此，在低友誼品質下，點擊意圖影響點擊行 為較為明顯。

48

【圖 12】高友誼品質模型分析(N_H=265)

【圖 13】中友誼品質模型分析(N_M=470)

【圖 14】低友誼品質模型分析(N_L=206)

*p<0.05, **p<0.01, ***p<0.001 規範影響

*p<0.05, **p<0.01, ***p<0.001 規範影響

*p<0.05, **p<0.01, ***p<0.001 規範影響

最後，將不同群組的路徑係數與標準誤差套入上述公式計算，進行假說驗證。 註 2：*p<0.05, **p<0.01, ***p<0.001

分析其結果，首先不同友誼品質程度在資訊品質影響購買意圖的調節效果上，

在人際影響對購買意圖的調節效果上，高和中友誼品質的路徑係數並沒有顯著差

在文檔中 以訊號理論觀點探討人際影響與商品資訊對Facebook使用者商品點擊行為之研究 (頁 45-61)