四、 資料分析
4.2 結構方程模式（SEM）
本研究採用結構方程模式（Structural Equation Modeling, SEM）來檢測 理論模式在實證資料下的適配程度，SEM整合了因素分析（factor analysis）、
迴歸分析（regression analysis）和路徑分析（path analysis）的優點進而處理 研究模型架構中的潛在變項與觀察變項的連結關係。
本研究依據結構方程模式分析兩階段操作的步驟，首先利用測量模式 檢測（measurement model），以驗證性因素分析（CFA） 進行信效度評估，
通過後方進入第二階段結構模式（structural model），實證檢驗構念間的路 徑關係並判別理論假設的成立與否。
4.2.1 測量模式（M easurement model）
測量模式中，利用驗證性因素分析有兩項基本要求，其一是所有的因 徑係數在統計上必須有顯著的意義，其二是整體衡量模式是不是可以解釋 資料的變異，反映資料的意義（Hair et al., 1998），解釋因徑係數的顯著性，
一般以t值或p-value值來進行顯著性與否之判斷；當確定因徑係數顯著性之 後，便由適合度指標加以評估模式的整體適合度（Hair et al., 1998），並衡 量模式當中的所有參數，進行效度的檢測。其本研究測量模式分析如下：
1. 項目包裹
Bandalos & Finney（2001）發表 SEM 應用上的彙整性研究中發現，項 目包裹（item parcel）的方法在結構方程模式（SEM）的研究中被普遍的採 用。研究中整理了 1989 年至 2001 年間，包括:
Journal of Educational Measurement, Journal of Educational Psychology, Applied Psychological Measurement, American Educational Research Journal, Educational and Psychological Measurement, Structural Equation Modeling, and Journal of Marketing Research 等著名的期刊中，總計有 317 篇是關於 SEM 或是驗證性因素分析（Confirmatory Factor Analysis, CFA）的文章，然而其 中有 62 篇在過程中有使用項目包裹（item parcel）的方法，相當於所有文 章的 19.6%（高佑嘉，2009）。
45
(1) 項目包裹的優點
項目包裹這個方法最早出現在 Cattell（1956）年的文章中，此後被 廣泛的應用在許多領域，例如：教育（Cook, Dorans, & Eignor, 1988）、 心理（Russell, Kahn, Spoth, & Altmaier, 1998；Schau, Stevens, Dauphinee,
& Del Vecchio, 1995）、行銷（Singh & Rhoads, 1991）以及組織研究上
（Bagozzi & Edwards, 1998；Bagozzi & Heatherton, 1994）。一般來說學 者普偏認為使用項目包裹（item parcel）的方法相較於使用個別問項
（single item）的方法後，發現前者具備以下幾個好處（Bandalos &
Finney 整理）：
① 提高信度
Little et al.（1999） 發現採用項目包裹（item parcel）的方法有助於 取得構念（construct）與測量指標（indicator）彼此間的平衡，藉以 降低測量指標彼此間的分歧，並提高其信度。
② 減少研究模式中衡量變數的數量
模式複雜的程度越低，相關矩陣就愈小，研究模式的適切度亦隨之 提升（Marsh et al., 1998）。
③ 符合常態性假設
在 SEM 分析中所採用的最大概略估計法（Maximum Likelihood Estimation, MLE） 必須滿足常態性的假設。West et al.（1995）的 研究發現，假使個別項目不符合常態性假設時，將其包裹（parcel）
後可以使資料的分配更趨近於常態，也能夠得到更精確的標準誤差
（standard error）。
(2) 項目包裹的方法
項目包裹的運算是將多個測量問項（item）藉由平均數或總和的方 式將其組合成一個包裹（parcel） （Kishton & Widaman, 1994）。另外，
Little et al. （2002） 將項目包裹的方式區分為以下幾種：
① 隨機分配 （Random Assignment）
將項目（item）隨機的分配至各包裹（parcel），方式較簡單，只需 決定包裹數目。
② 項目－構念間的平衡 （Item-to-Construct Balance）
46
在隨機分配的作法上，加上權重因子，使得每個包裹（parcel）間 不至於有太大的差異性存在。
③ 依據過去問卷的建構來分配 （A Priori Questionnaire Construction）
在項目（item）與包裹（parcel）的配對上，根據過去文獻或是問卷 所得到的結果作為分配的依據，適用於本身具有相關知識背景或理 論依據的情況下採用。
④ 多維度方法 （Approaches to Multidimensionality）
將多個維度的資料分散至每個包裹（parcel）中，例如：A1、B1、
C1 在包裹 1，A2、B2、C2 在包裹 2，依此類推。
而本研究中的潛在變數，包括：有形性、可靠性、保證性、回應性、
同理性、信任、滿意、承諾等變數都是透過多個問項所組合成的多元尺度
（multi-item scale）來衡量，且所有衡量項目都是根據過去相關文獻彙整而 來，因此，本研究採用「依據過去問卷的建構來分配」的項目包裹（item parcel）
方法來進行後續所的結構方程模式分析流程。
除了上述文獻整理學者所提出的優點之外，本研究並基於以下幾點在 售後服品質與關係品質構面之測量問項採用項目包裹的方法，（1）採用項 目包裹後的研究架構較為精簡，模式間殘差的相關性與各種可能的抽樣誤 差機率會大為降低（Little et al., 2002）；（2）當整體的研究模式的測量項目 很多時，項目包裹的方法是被建議使用的，因為除了可以優化變數與樣本 大小的比率外，還可以使參數的估計更為穩定（Bagozzi & Heatherton, 1994）
（3）本研究的主要目的在於探討潛在變數之間的關係而非個別次構面之間 的關係，因此採用項目包裹的方式適合本研究之目的。
研究中利用「平均數取代」的方式來進行項目包裹，在售後服務品質 構念上，有形性 3 個問項組合成一個包裹，可靠性 5 個問項為一個包裹，
回應性 4 個問項為一個包裹，保證性 5 個問項為一個包裹，同理性 4 個問 項組合成一個包裹；在關係品質構念上，信任、滿意、承諾各以 3 個問項 分別組合成一個包裹，其測量問項與包裹對應情形如下表 4-3 所示。
47
表 4-3 項目包裹(item parcel)對應表
包裹 (parcel) 測量問項數目(items)
有形性 3
可靠性 5
回應性 4
保證性 5
同理性 4
信任 3
滿意 3
承諾 3
48
2. 信度分析
本研究於信度分析以 Cronbach’s α 量測問卷的內部一致性，整理如表 4-4 所示並以學者 Nunnally（1978）建議大於 0.70 為可接受標準。
「售後服務品質」構念利用包裹方法下之Cronbach’s α 值為0.89；除此，
本研究亦細列服務品質之「有形性」構面 α 值為 0.73、「可靠性」構面 α 值 為 0.83、「回應性」構面 α 值為 0.79、「保證性」構面 α 值為 0.80、「同理性」
構面 α 值為 0.83；整體服務品質下的構面皆通過 Cronbach’s α > 0.7 之信度 檢測。
「關係品質」構念利用包裹方法下之 Cronbach’s α 值為 0.89，並且在「信 任」構面 α 值為 0.76；「滿意」α 值為 0.88；「承諾」α 值為 0.84；整體關係 品質下的構面皆通過信度檢測。
「顧客忠誠度」構念 Cronbach’s α 信度係數值為 0.88。
整體信度分析顯示本研究通過內部一致性 Cronbach’s α 信度檢測。
表 4-4 構面信度彙整表
構面 題項 α 值
售後服務品質（包裹） V1~V21 0.89
有形性 V1～V3 0.73
可靠性 V4～V8 0.83
回應性 V9～V12 0.79
保證性 V13～V17 0.80
同理性 V18～V21 0.83
關係品質（包裹） V22～V30 0.89
信任 V22～V24 0.76
滿意 V25～V27 0.88
承諾 V28～V30 0.84
顧客忠誠度 V31～V34 0.88
49
3. 收斂效度
本研究在 SEM 驗證性因素分析中針對「服務品質」、「關係品質」、「顧 客忠誠度」下各構面去檢驗量表其收斂效度。Hair et al.（1998）建議收斂 效度分析的評核準則為：各反應指標的因素負荷量皆要顯著、組合信度
（Composite Reliability）高於 0.7、平均萃取變異量 AVE 高於 0.5。
(1) 因素負荷量顯著性
由表 4-9 所示本研究各衡量題項的因素負荷量之 P 值均達***顯著水準，
故顯示各構面之題項具有收斂效度。
(2) 潛在變數之組合信度
組合信度用於衡量構念指標的內部一致性（internal consistency），越 高表示這些個別項目的一致性越高。其計算公式如下：
組合信度= （Σ 標準負荷量）2 ／ [（Σ 標準負荷量）2 +Σεi]
其中 Σ 標準負荷量為同一構念內所有項目標準負荷量的總和，Σεi 為同一構念內所有項目之誤差變異量之總和。由表 4-9 可以得知，本研究 之組合信度在服務品質構念為 0.9、關係品質構念為 0.89、顧客忠誠度構念 為 0.89 皆達大於 0.7 的標準，顯示具有良好的收斂效度。
(3) 萃取變異量（AVE）
本研究亦採用潛在變項的平均變異萃取量（average variance extracted, AVE）做為衡量效度的另一標準。AVE 是計算潛在變項之各測量變項對該 潛在變項的變異解釋力，指標能真實的反應潛在之構念時，萃取變異量便 會相對的較高，也表示潛在變數的收斂效度與信度皆很高，由表 4-9 可以得 知，本研究之平均萃取變異量皆達到 0.5 的標準。其計算公式如下：
平均萃取變異量=（Σ 標準負荷量2）／ [（Σ 標準負荷量2）＋Σεi] 由下表 4-9 可以得知，本研究之平均萃取變異量在服務品質構念為0.65、
關係品質構念為 0.74、顧客忠誠度構念為 0.67，其值皆大於 0.5，顯示具有 良好的收斂效度。
50
51
4. 區別效度
區別 效度 用以 探討 各構面 中變 數間 之區 別情形，本 研究 採用 學者 Fornell 及 Larcker（1981）建議之衡量標準，以構念間兩兩比較方式來檢定 量表之區別效度；構念之間區別效度的檢定如表 4-6 所示，由左上到右下 之對角線數值為各構念之萃取變異量（參考表 4-5），其餘部分為各構念之 間的相關係數，檢定標準為各構念之萃取變異量開根號，須大於其以下各 成對構念相關係數，符合其標準則具有一定之區別效度。本研究亦通過區 別效度之檢測，表示各構念下的兩兩變數皆不為完全相關，進而適合進行 研究模型假說驗證。
表 4-6 區別效度檢測
構面 服務品質 關係品質 顧客忠誠
服務品質 0.81
關係品質 0.791 0.86
顧客忠誠度 0.645 0.765 0.82
5. 測量模式配適度指標
測量模式配適度分析如表 4-7 所示，由此可知本研究測量模式的 GFI、
AGFI、NFI、CFI 等均達到要求水準，顯示測量模式的整體適合度良好。
表 4-7 測量模型之適合度
構念 包裹數 GFI AGFI NFI CFI 服務品質 5 0.993 0.980 0.995 1.00 關係品質 3 1.00 1.00 1.00 1.00 顧客忠誠度 N/A 0.992 0.961 0.993 0.996
*N/A 表示顧客忠誠度部分為 6 個獨立問項未進行包裹
52
4.2.2 結構模式（
Structural model）
1. 整體模式配適度根據理論所推演出的研究架構，利用 AMOS 進行各構念的模型路徑估 計。在整體模式的配適度中（參見表 4-14），Chi-square/df =2.47 介於 2 到 3 之間，其他配適度指標如 CFI=0.969，GFI=0.921 ，AGFI=0.879，NFI=0.949，
RMSEA=0.077，根據配適指數的普遍判斷值來看，可以判斷整體模型配適 度可屬良好。
表 4-8 整體模式配適度檢測表
衡量指標 衡量標準 實際數據 檢定結果
簡約 配適測量
2/df小於2 模型配適度良好
小於3模型配適度可接受 2.47 可接受
絕對 配適測量
GFI GFI>0.9模型適配度良好 0.921 良好
AGFI
AGFI>0.9模型配適度良好
0.8<AGFI<0.9可接受範圍 0.879 可接受
RMSEA
RMR<0.5模型適配度良好
.05<RMSEA<.08可接受 0.077 可接受
增值 配適測量
NFI NFI>0.9模型配適度良好 0.949 良好
CFI CFI>0.9模型配適度良好 0.969 良好
53
2. 路徑分析
根據下圖 4-1 之整體結構模式路徑分析結果整理以下幾點：
第一、「售後服務品質」對於「關係品質」路徑上，其標準化路徑係數
第一、「售後服務品質」對於「關係品質」路徑上，其標準化路徑係數