第三章 研究方法 研究方法 研究方法 研究方法
第四節 節 節 資料分析與方法 節 資料分析與方法 資料分析與方法 資料分析與方法
第四 第四 第四
提供量表的表面效度。依專家學者回覆之審查意見修改成預試問卷，預試量表 回收後定稿成為正式問卷，此時量表已具備表面效度與內容效度。
信度分析可用來對測量項目做可靠度的評估，讓受測者在相同的條件下，
重複測量所得到的結果，是否可以得到相同的結果或以相同的構念以不同題目 測量所得到結果的一致性程度。本研究以內部一致性的 Cronbach’s α 值，以 0.7 以上就屬於高度的信度值為標準(Nunaly，1978)。本研究採用 Cronbach α 值作 為信度檢驗指標，所得之係數值越高，則表示問卷內容趨於一致。
二 二
二 二、 、 、結構方程模式 、 結構方程模式 結構方程模式 結構方程模式
(一 一 一 一)結構方程模式之起源 結構方程模式之起源 結構方程模式之起源 結構方程模式之起源
結 構 方 程 模 式 （ Structural Equation Modeling ， SEM ） 屬 多 變 量 統 計
（multivariate statistics）分析的一環，由社會與行為科學中非常重要的兩種主要 統計技術：因素分析（factor analysis）及路徑分析（path analysis）所構成。其 相關的概念首先於 1970 年代由瑞士籍的統計學者 Karl Jöreskog 提出，後來 Jöreskog 與 Sörbom 進一步發展矩陣模式的分析技術，來處理共變結構的分析問 題，並納入其所發展之分析工具 LISREL 軟體中，積極的促成了結構方程模式 的發展(邱皓政，2006；黃芳銘，2006)
(二 二 二 二)結構方程式的表示方法及意義 結構方程式的表示方法及意義 結構方程式的表示方法及意義 結構方程式的表示方法及意義
SEM 操作中常使用之符號如表 13 所示，常用之路徑圖如表 14 所示，Z 為 潛在變項之測量誤差；E 代表觀察變項之測量誤差；Λ 代表潛在變項與觀察變 項之間的係數；Γ 外因潛在變項與內因潛在變項間的係數；Β 代表內因潛在變項 與內因潛在變項間的係數。
表 13 各變項所代表的符號和意義
符號 名 字 定 義 Ζ zeta 內因潛在變項的測量誤差(干擾) Ε epsilon 內因觀察變項的測量誤差
∆ delta 外因觀察變項的測量誤差
Λ lambda 連結潛在變項與觀察變項間的係數
Γ gamma 連結外因潛在變項與內因潛在變項間的係數 Β beta 連結內因潛在變項與內因潛在變項間的係數 資料來源：邱皓政，(2006)、黃芳銘 (2006)
表 14 路徑圖符號意義表
類 別 符 號 定 義 觀察變項
或
被研究者測量的變項，又可稱 為顯在變項或指標。
變項
潛在變項 或 一個無法觀察的或是假設的
建構。通常又可稱為因素。
直接效果
或 單一方向的路徑。
互惠效果效果
雙方向的路徑又可稱為回饋 環(feedback loop)
變項之關係
相關或共變
或
變項間的關係被假設是共變 的，且變項間的關係無任何特 定的假設存在，又可成為未分 析的連結。
殘差變項
干擾
或
內因潛在變項中無法被模式 中有影響變項所能解釋的變 異。
測量誤差
或
觀察變項中無法被其所反映 的潛在變項所能解釋的變異。
資料來源：邱皓政，(2006)、黃芳銘 (2006)
(三 三 三 三) 測量變項與潛在變項 測量變項與潛在變項 測量變項與潛在變項 測量變項與潛在變項
在 SEM 模型當中，變項有兩種基本的型態：測量變項（measured variable）
與潛在變項（latent variable）。測量變項亦可稱為觀察變項（observed variable），
即可以直接被測量的變項，潛在變項則是理論的或假設的建構，其通常無法直 接測量，須由測量變項加以推估出來之變項，亦可稱之為因素（factor）。在典 型的 SEM 分析中，測量變項的變異係受到某一個或某幾個潛在變項影響，因此 又稱為潛在變項的測量指標（indicators）或外顯變項（manifest variables）。一般 而言，一個潛在變項必須以兩個以上的測量變項來估計，稱為多元指標原則。
(四 四 四 四) 內衍變項與外衍變項 內衍變項與外衍變項 內衍變項與外衍變項 內衍變項與外衍變項
內衍變項（endogenous variables）是指模型當中，會受到任何一個其他變項 影響的變項，也就是路徑圖中會受到任何一個其他變項以單箭頭指向的變項；
外衍變項（exogenous variables）則是模型當中不受任何其他變項影響但影響他 人的變項，也就是路徑圖中會指向任何一個其他變項，但不被任何變項以單箭 頭指涉的變項。
SEM 模型中，變項可以區分為內衍測量變項、外衍測量變項、內衍潛在變 項與外衍潛在變項四種類型。判斷一測量變項為內衍或是外衍變項，須視其背 後潛在變項的性質與角色決定。另外，外衍變項因為不受他人影響，亦即所謂 的自變項（independent variables）。而內衍變項則多作依變項（dependent variables）
之用，但也可能作為影響他人的自變項。
(五 五 五 五) 路徑直接與非直接關係 路徑直接與非直接關係 路徑直接與非直接關係 路徑直接與非直接關係
SEM 模型中，變項的關係有直接關係（directional relationship）與非直接關 係（nondirectional relationship）兩種主要類型。直接關係表示變項之間具有假設 性的線性因果或預測關係，在路徑圖當中以單向箭頭來表示。非直接關係則表 示兩個變項之間雖然具有線性的關係，但兩者之間影響關係與方向無法辨認，
多以相關或共變來表示，在 SEM 路徑圖中，以帶有雙箭頭的線段或曲線表示。
另外，在 SEM 中，亦可能存在兩個變項互相影響的情形，即兩變項互為因果，
稱之為互惠關係（reciprocal relationship），在 SEM 路徑圖中，以兩個單箭頭符 號表示(邱皓政，2006；黃芳銘，2006)。
(六 六 六 六)結構方程模型 結構方程模型 結構方程模型 結構方程模型
結構方程模型係由兩部分模式架構而成，為「結構方程模式」(structural equation model) 和「測量模式」(measurement model)，如圖 16 所示。
圖 16 完整 SEM 模式路徑圖(邱皓政 2006，黃芳銘 2006)
一個完整的 SEM 模型，包括了測量模型與結構模型兩部份。在 SEM 的體 系中，若單獨使用測量模型，也就是只有測量模型而沒有結構模型的迴歸關係 假設時，即為一般所稱之驗證性因素分析。另外，若單獨看待結構模型，則相 當類似於傳統之路徑分析，可以多元迴歸的概念來說明變項的因果或預測關係。
另外，潛在變項 ξ 與 η 之間具有因果關係的假設即形成一個結構模型，而 對於內衍潛在變項無法被解釋的干擾部分為 ζ。結構方程模式的的操作模式分析 的基本程序可概分為模型發展與估計評鑑兩個階段。其中模型發展階段可概分 為理論發展、模型界定及模型辨識三個步驟，此階段在發展與 SEM 模型相關之 理論基礎，並使模型符合特定的技術要求，此時研究者的主要工作在概念推導 與 SEM 分析技術原理的考量；估計評鑑階段則有抽樣與測量、參數估計、模型 契合度評鑑、模型修飾及模型解釋等五個步驟，此階段則在產生 SEM 的計量數 據來評估 SEM 模型的優劣好壞，並進行適切或必要的修飾，此時所著重的是分 析工具與統計軟體（例如 LISREL、EQS、AMOS、MPLUS 等）的操作與應用。
理論發展中，SEM 分析的第一個步驟，即針對研究者所提出的理論或概念 模式，整理出合於 SEM 原理的研究假設，並發展一個有待檢驗的假設模型
（hypothetic model）(邱皓政，2006；黃芳銘，2006)。
本研究依據消費者行為模式與體驗為理論基礎，其潛在變項為生活型態(以 符號 ξ 表示)，潛在內生變項則為休閒涉入、體驗與滿意度(以符號 η 表示)。由 消費者行為理論及許多相關實證性研究結果得知，滿意度受到生活型態、休閒 涉入與體驗的影響，所以本研究假設新竹十七公里海岸線遊客之生活型態(ξ)、
休閒涉入(η)、休閒體驗(η)與滿意度(η)有因果關係。
測量模式是用來說明觀察變項與非觀察變項之間的關係，意即潛在變項與 顯性變項之間的關係模式(邱皓政，2006)。依據鄭健雄、劉孟奇(2002)、Kyle et al.(2007)、翁士軒(2007) Schmitt(1999)、李宸邦(2006)、Bennett(2005)、Ryu et al.
(2008)的生活型態、休閒涉入、體驗與滿意度量表建構之原則，將本研究之觀察 變項(以符號 x、y 來表示)，其中包含：個人(XP)、家庭(XF)、人際(XS)；吸引 力(YA)、中心性(YC)、社會聯繫(YS)、自我肯定(YR)、自我表現(YE)；感官(YN)、
情感(YF)、思考(YT)、行動(Ya)、關聯(YL)；整體滿意度(Ye)、環境滿意度(Yn) 與設施滿意度(YB)，潛在變項為：生活型態(ξ)、休閒涉入(η)、休閒體驗(η) 與 滿意度(η)，以測量模式來表示。其詳細模式圖如圖 17 所示：
圖 17 研究之詳細架構圖 生活型態 (ξ)
休閒涉入 (η)
體驗(η) 滿意度(η)
XP
XF
XS
YA YC YS YR YE
Ye Yn YB YN YF YT Ya YL
利用驗證性因素分析，驗證問項是否符合變數的解釋意義，進而刪除因素 分析小於 0.5 之問項(Bagozzi and Yi，1988)。接著，藉由結構方程模式測量觀察 變項與潛在變項間的相互關係，且利用其中的路徑分析可以得知，變項與變項 間的直接或是間接影響關係和程度，進而提出中介變項的影響結果。另外，此 統計方法可以測得整體研究架構的適配度情形，若達到適配度的指標即表示此 研究的架構是適用於此研究。表 15 為一般結構方程模式常用的模型配適指標、
各項指標之意義與判定標準(邱皓政，2006)。
表 15 配適度指標
指標名稱 解釋 範圍 判斷值
卡方值 理論模型與觀察模型
的契合度
- P>0.5
χ2/df 考慮模式複雜度後的
卡方值
- >2 適合度指標
GFI 假設模型可以解釋觀
察資料的比例
0-1 >.90
AGFI 考慮模式複雜度後的
GFI
0-1 >.90 PGFI 考慮模式的簡單程度 0-1 >.50 替代性指標
CFI 假設模型與獨力模型
的非中央性差異，可說 明模型的改善程度，適 合小樣本
0-1 >.95
CN 產生不顯著卡方值的
樣本規模，反應樣本的 適切性
- >200
殘差分析
RMR 未標準化假設模型整
體殘差
- 越小越好
SRMR 標準化假設模型整體
殘差
0-1 <.08 資料來源：結構方程模式，邱皓政，2006，頁 5.23
四 四 四
四、 、 、重要性 、 重要性 重要性-績效分析法 重要性 績效分析法 績效分析法 績效分析法
運 用 O’Sullivan(1991) 重 要 性 - 績 效 分 析 法 (Importance-Performance Analysis；IPA)，以遊客體驗前覺得環境設施對自身的重要程度與實際體驗後滿
意的感受程度進行區別，以重要度的平均值為 X 軸，滿意度之平均值為 Y 軸，
可產生四個象限的區分：第一象限為重視度高與滿意度高，此區屬於應繼續保 持 (Keep Up the Good Work) 的項目；第二象限為重視度低但卻有高滿意度，此 區屬於供給過度 (Possible Overkill) 的項目；第三象限為重視度與滿意度都較 低，此區屬於低度優先權(Low Priority)的項目；第四象限為重要度高但滿意度 較低，此區屬於應加強改善(Concentrate Here)的項目。
在國外許多研究的應用，IPA 已經廣泛使用於不同部企業部門的管理工具，
特別應用在品牌、產品、服務和建立銷售點之優劣勢分析(Cpapman,1993；Cheron, McTavish and Perrien,1989)。
在國內也有許多研究應用 IPA 來做分析，例如：吳正雄(1997)以 IPA 形式來 探討國際來華旅客對中華餐飲的重視屬性與體驗結果；江盈如(1998)使用 IPA 來 探討健康俱樂部會員滿意度與滿意度構面之重視情形；俞幸娟(2000)使用 IPA 來 分析宗教觀光之遊客旅遊動機、期望與滿意度之差異；江宜珍(2002)運用重要-表現分析法，探討國立科學工藝博物館解說媒體成效與滿意度之差異。
綜觀以上文獻，本研究使用 IPA 之分析，遊客對十七公里之環境與設施重 要度與體驗後滿意度之差異分析。圖 18 為 IPA 之矩陣圖，落於第一象限之項目 表示遊客認為有高度的重要度與滿意度，因此政府可繼續保持；落於第二象限 之項目代表遊客認為之重要度不高，但有較高的滿意度，屬於供給過度區域；
落於第三象限屬於遊客認為低度重要度也不滿意，因此政府有能力時可改善此 區域；落於第四象限屬於遊客認為有較高的重要度但滿意度較低，因此是政府 需要積極改善的項目。
滿 意 度
重要度 圖 18 IPA 之矩陣圖
第二象限 供給過度
第一象限 繼續保持 第三象限
低度優先權
第四象限 加強改善