統計分析方法

本研究於問卷回收後，將有效問卷輸入電腦編碼並登錄，使用SPSS

AMOS20.0統計套裝軟體，進行資料統計處理，進行結果分析。本研究採用的統 計方法分述如下：

一、敘述性統計分析(Descriptive Statistics Analysis)

本研究運用次數分配(frequency)、百分比(proportions)、平均數(Mean)及標準 差(standard deviations)等分析方法作為資料的基本描述，並顯示資料的分佈狀況，

旨在說明下列二方面的資料：

（一）以次數分配、百分比分析受試者的個人基本資料。

（二）以百分比、平均數、標準差分析富山護漁區受訪者的目的地意象、背景音 樂感知和目的地依附的情況。

二、

獨立樣本t檢定是屬於母數統計檢定(parametric statistical)的一種，是用來比 較兩組不同樣本測量值的平均數。t 檢定的兩組受試者均為獨立個體，兩組的反 應互不影響，在實驗設計中又稱為「受試者間設計」(between-subjects design)， 根 據小樣本的平均數估計常態母群體平均數的信賴區間或檢定母群體平均數的假 設。本研究運用t 考驗來探討不同背景變項之顧客其性別在服務品質、顧客滿意 度、顧客忠誠度是否達道顯著差異之情形。

三、單因子變異數分析(One-Way Analysis of Variance)

資料分析中，若要進行三個或三個以上樣本平均數的差異顯著性考驗，單因 子變異數分析則是較適合的統計方法，不僅可考驗三個母群體以上平均數的差異 情形，亦可維持整體考驗的顯著水準為0.5或0.1。

本研究為分析受試者之不同背景變項之目的地意象、背景音樂感受和目的地依附 效果是否有達顯著性差異情形，再以Scheffē法進行事後比較。

四、相關分析(Correlation Analysis)

相關分析是用以檢驗兩個變項線性關係的統計技術。透過建立描述相關情形 的量數─相關係數(Coefficient of correlation)來表示兩變數間相關聯的情形。在本 研究中，將以此工具觀察目的地意象和背景音樂感受之相關程度、背景音樂與目 的地依附之相關程度、目的地意象與目的地依附之相關程度。本研究以SPSS中 提供的「皮爾森相關係數檢定」(Pearson’s r)來檢定態度與行為意圖，以之間的 相關程度。R 值相關程度之高低，在正負0.3之間（即0.3至-0.3之間）稱為低度 相關；在正負0.3-0.6之間（即指介於0.3至0.6，-0.3至-0.6之間）稱為中度相關；

而在正負0.6至0.9之間（即指在0.6至0.9，-0.6至-0.9之間）則稱為高度相關；若 是R值為正負1，即表示完全相關。

五、結構方程模式(Structural Equation Model)

結構方程模式(Structural Equation Model，簡稱SEM)常為社會及行為科學理 論研究中用來探討因果關係模式之重要分析工具。研究的目的並非只限於現象之 描述，而是建構一個理論模式，並分析模式中變項之間的關係（王秀玲，2011）。

因此，本研究以結構方程模式(SEM)來驗證研究模式，並探究其研究變項間存在 之關係，並進而判斷整體模型之配適度，亦即判斷理論架構模式對資料之適合狀 況。本研究以結構方程式探究目的地意象、背景音樂感受和目的地依附之間的關 係。

47

結構方程式(SEM，Structural Equation Modelling)提供一個處理測量誤差的方 法，採用多個指標去反映潛在變數，令估計整個模型因數間關係，較傳統迴歸方 法更為準確合理。

(一)、結構方程式：優點及擬合概念 1.數學模式

很多社會、心理等變項，均不能準確地及直接地量度，這包括智力、社會階 層、學習動機等，我們只好退而求其次，用一些外項指標(observable indicators)，

去反映這些潛伏變項。例如：我們以學生父母教育程度、父母職業及其收入(共 六個變項)，作為學生家庭社經地位(潛伏變項)的指標，我們又以學生中、英、數 三科成績(外顯變項)，作為學業成就(潛伏變項)的指標。

簡單來說SEM可分測量(measurement)及潛伏變項(latent variable)兩部分。測 量部分就是求出六個社經指標與社經地位(或三科成績與學業成就)(即外顯指標 與潛伏變項之間)的關係：而潛伏變項部分則指社經地位與學業成就(即潛伏變項 與潛伏變項間)的關係。

指標(外顯變項)含有隨機(或系統)性的量度上誤差，但潛伏變項則不含這些 部份。SEM可用以下矩陣方程表示(Bollen, 1989; Jöreskog & Sörbom, 1993)：

η=βη+Γξ+ζ

(a)對於潛伏變項(如：社經地位與學業成就)的關係，即潛伏變項部份：

η——內生(依變)(endogenous,dependent)潛伏變項(如:學業成就) ξ——外源(自變)(exogenous,independent)潛伏變項(如:社經地位)

β——內生潛伏變項間的關係(如:學業成績與其他內生潛伏變項的關係) г——外源變項對內生變項的影響(如:社經地位對學業成就)

ζ——模式內未能解釋部份

(b)對於指標與潛伏變項(例如:六個社經指標與社經地位)間的關係，即測量 模式部分:

X=Λxξ+δ Y=Λyη+ε

X、Y是外源(如:六項社經指標)及內生(如:中、英、數成績)指標。δ，ε是X、

Y測量上的誤差。

Λx是X指標與ξ潛伏變項的關係(如:六項社經地位指標與潛伏社經地位的關 係)。Λy是Y指標與η潛伏變項的關係(如:中、英、數成績與學業成就間關係)。

在一典型分析過程中，我們輸入:各指標變項的協方差矩陣(covariance matrix)、總受試人數、指標與潛伏變項的從屬關係(指標如何歸屬於各潛伏變項)。

程式(如:LISREL)會估計指標與潛伏、潛伏與潛伏、模式未能解釋部份、指標測 量上誤差等指定參數，其數值亦反映各關係的強弱。此外程式亦計算研究者所提 出的模型，是否與樣本資料吻合(即資料是否可用模式表示)。

2.SEM優點

SEM有數項優點(Bollen & Long, 1993)，包括:

(1)可同時考慮及處理多個依變項(endogenous / dependent variable);

(2)容許自變項及依變項(exogenous / endogenous)含測量誤差;

(3)與因素分析類同，SEM容許潛伏變項(如:社經地位)由多個觀察指標變項 (如:父母職業、收入)構成，並可同時估計指標變項的信度及效度 (reliability and validity);

(4)SEM可採用比傳統方法更有彈性的測量模型(measurement model)，如某 一指標變項/題目從屬於兩潛伏因數;在傳統方法，項目多依附單一因數;

(5)研究者可構劃出潛伏變項間的關係，並估計整個模式是否與資料擬合。

3.擬合概念

當我們測試某一模型時，我們研究自己所提的模型是否與資料擬合。

SEM所輸入的是指標變項的樣本協方差矩陣(S，sample covariance matrix)(注:

雖然在一些SEM分析中，我們必須用協方差矩陣，但為方便瞭解，讀者亦可假設

49

下述所有協方差矩陣為相關矩陣correlation matrix)，而依我們指定先驗(a priori) 模式，計算出一個最佳的衍生矩陣(E， reproduced/fitted covariance matrix); E與S 接近，則表示我們建議的模型成立，若E與S差異大，則表示模型與資料不符;擬 合優指數(CFI)是用於反映E與S差異的一個總指標。用以表達資料與模型吻合程 度的指數甚多，為簡便起見，在下文我們只用CFI，當指數愈接近1，吻合愈好;

指數愈小，則表示吻合愈差。

例如:我們有A、B、C、D、E、F六潛伏變項，我們建議的模型是:A、B是有 相關，而A、B引起C、D;C、D則導致E、F。假設S是所有指標變項(構成A、B、

C、D、E、F的所有指標)的協方差矩陣，而E則是LISREL依上述模型估計出的最 佳衍生矩陣；若擬合優指數高則表示E與S差異甚小，反之，則E與S差異甚大。