本研究利用 Amos.v20(Analysis of Moment Structure)統計軟體，建立結構方 程模型(Structural Equation Model ;SEM)，檢定變數的路徑係數是否顯著，藉以驗 證研究假說及採用 SPSS12.0 統計軟體進行樣本描述性分析。
一、基本統計量分析
敘述統計主要是針對回收資料進行初步的整理分析，了解研究樣本的基本特 性，提供一概括性的認識，採取方法為次數分配、百分比、平均數、標準差等。
分別調查填答者的性別、年齡、職業、購屋次數等資料。
二、結構方程模式(Structural Equation Model ;SEM)
Narus 與 Anderson(1990)指出研究者以 SEM 分析研究模式的同時，應該有兩 個階段的進行:
第一階段為驗證性因素分析(Confirmatory Factor Analysis,CFA)基礎下進行 測量模式(measurement model)分析，反應了觀察變數與潛在變數之間的關係，並 藉此得知模式之信度。
第二階段的路徑分析則為結構模式(structural model)，檢驗結構關係假設，
檢驗研究中所提出路徑關係與理論模型，驗證潛在變數(Latent variables)彼此之間 的關係，此潛在變項間的關係可由路徑分析概念加以探討之，兩階段的模式共同 構成結構方程模式(Structural Equation Modeling，SEM)。
結構方程模式結合了傳統因素分析代表的潛在變項研究模式與路徑分析所 表現之回歸因果關係連結模式之優點;換句話說，SEM 有效整合了因素分析與路 徑分析兩大主流統計技術，能夠同時處理一系列自變數與依變數間的關係，涉及 了結構化、假設方程式與模型分析等數項基本內涵，並對模式假設或變數間的相 關型式與關係強度，提供有效的因果推論。
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。
- 39-
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)進行信度評估，通過後方進入第 二階段結構模式(structural model)，實證檢驗構面間的路徑關係並判別理論假設 的成立與否。
(一)測量模式(Measurement model)
邱皓政(2006)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，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，並衡量模式當中的所有參數，進行信度的檢測。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)的研究中被普遍採用。
研究中整理了 1989 至 2001 年間，包括 Journal of Marketing ,Educational and Psychological Measurement 等著名期刊中，總計有 317 篇是關於 SEM 或是驗證 性因素分析(Confimatory Factor Analysis,CFA)的文章，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)
(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、心理、行銷以及組織研究上。一般來說學者普遍認為使用 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(Finney & Finney 整理):
a.提高信度
Little et al.(2002)發現採用項目包裹(item paracel)的方法有助於取得構面與測量 指標的平衡，藉以降低測量指標彼此間的分歧，並提高其信度。
b.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。
c.符合常態性假設
在 SEM 分析中所採用的最大概略估計法(Maximun 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(paracel)後可以使資料的分配更趨近於常態，也能夠得到更精確
- 40-
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)藉由平均數或總合的方式將其組合 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:
a.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。
b.項目-構面間的平衡(Item-to-Construct Balance)
在隨機分配的方式上，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。
c.依據過去問卷的組合來分配(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所採用。
d.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，包括企業特性、協力性、有形性、可靠性、回應性、
保證性、同理性、品質滿意、服務滿意、行為忠誠、態度忠誠等變數都是透過多 個問項所組合而成來衡量的，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 paracel)方法來 進行後續的結構方程模式分析。
除了上述學者所整理出的相關文獻的優點以外，本研究基於以下幾點而在公 司形象、服務品質、滿意度、忠誠度等測量問項採用項目包裹之方法。(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」的方法來進行項目包裹，在公司形象構面上 4 個 問項組合而成兩個包裹，在售後服務品質構面上 18 個問項分別組合成兩個包裹，
- 41-
在滿意度上 4 個問項組合而成兩個包裹，在忠誠度上 4 個問項組合而成兩個包裹，
其測量問項與包裹對應情形如下表 4-2-1 所示。
表 3-5-1 項目包裹對應表
包裹 測量問項題號
公司形象 (1,3) (2,4)
服務品質 (1,3,5,7,9,11,13,15,17) (2,4,6,8,10,12,14,15,18)
滿意度 (1,3)
(2,4)
忠誠度 (1,3)
(2,4)
(二)測量模式分析(Measurement model analysis):
本研究將首先利用測量模式來進行各構面之驗證性因素分析，以及檢驗構面 之信度。
信度分析(Reliability)是依據測量分數的變異理論，來判斷一份量表或測量的 可靠性，有信度的量表測量結果通常具有一致性(Consistency)、穩定性(Stability)、
可靠性(Dependability)及可預測(Predictability)。Cronbach，sα 係數值愈大，表示 內部一致性愈一致，信度愈高。本研究將以(Cronbach，s α)的信度分析來檢定各 量表的信度。根據 Nunnally(1978)，Cronbach，s α 係數值須大於或等於 0.7。
(三)結構方程模式分析
結構模式階段檢驗整體研究模式與觀察資料之間的適合度(Model fitness)，
以及模式中各潛在變項間因果關係(Causal effect)及驗證研究中所提出的相關假
- 42-
設。
1.模式配適度衡量方法
在評估配適度上，本研究依據 Bagozzi(1994)認為假設模式與實際資料是否 契合，須從基本配適度(Preliminary Fit Criteria)、整體模式配適度(Overall Model Fit) 及模式內在結構配適度(Fit of Internal Structure of Model)等三方面加以評估，且配 適指標如下表 3-5-1:
(1)基本配適度:
用來檢測模式之系統誤差、辯認問題或輸入是否有誤等，可由衡量指標的衡 量誤差不能有負值及因素負荷量不能太低或太高，且是否達顯著水準加以衡量。
(2)整體模式配適度:
吳明隆(2009)整體模式配適度(或稱模式外在品質的評估)，根據 SEM 評估流 程，在評估結構模式前需評估整體模式配適度，以下提出在文獻上最常用的衡量 方法，茲說明如下:
a.配適度指標(Goodness-of-fit Index:GFI):目前對單一或甚至是一組適合度衡量尚 未有一致的結論；因此，這是標準的方法去描述各項的衡量。根據虛無模式與假 設模式的x2Likelihood 檢定，當 GFI 大於 0.9 表示配適佳。
b.調整後配適度指標(Adjusted Goodness-of-fit Index ;AGFI):GFI 受限於可能因樣 本數大小及模型中自由度而產生偏差;而 AGFI 可克服部份的問題，因為 AGFI 可調整在模式中明確參數的數目。
c. 比 較 配 適 度 指 標 (Comparative Fit Index;CFI)& 標 準 配 適 度 指 標 (normal fit index;NFI):這兩種衡量指標都是比較研究模式與虛無模式，NFI 可看到整個虛無 模式改善的百分比，但無法調整模式中的參數個數，CFI 是根據x2分配且其值介 於 0~1 之間，當值>0.9 就表示配適佳。
d.非標準適配指數(Tacker-Lewis index;TLI)，又稱 NNFI(Non-nonnal Fit Index):TLI 指標用來比較二個對立模式之間的適配程度，或者用來比較所提模式對虛無模式 之間的適配程度，TLI 指標經過量化後的數值，介於 0(模式完全不適配)到 1(模 式完全適配)之間，此指標又稱為「非規準適配指標」(NNFI)。
e.簡約調整後之標準適配指數(Parsimony-adjusted Normed Fit Index;PNFI):PNFI
- 43-
的功能主要使用在不同自由度的模式之比較，其值越高越好，一般而言，當比較 不同的模式時，PNFI 值的差異在.06 至.09 之間，被視為是模式間具有真實的差 異存在。
f.簡約標準適配指數(Parsimony Goodness of Fit Index;PGFI):其性質與 PNFI 指標 質雷同，PGFI 的值介於 0 至 1 之間，其值愈大，表示模式的適配度愈佳(模式愈 簡約)。判別模式適配的標準，一般皆採 PGFI 值大於 0.50 為模式可接受的範圍。
PGFI 值是將 GFI 值乘以一個簡約比值。
g.殘差均方根(Root Mean Square Residual;RMR)RMR 值就等於適配殘差(fitted residual)變異數共變數的平均值之平方根，代表殘差相關的平均大小。RMR 值要 愈小愈好，愈小的 RMR 值表示模式的適配度愈佳，一般而言，其值在 0.05 以下 是可接受的適配模式。
h.平均近似值誤差平方根(Root Mean Square Error ofApproximation;):RMSEA 值通 常被視為是最重要適配指標訊息，表示一個模式被用來適配母群共變數矩陣時之 適配函數的估計值。當模式完全適配時，母群差異函數值等於 0 時，RMSA 值等 於 0。RMSEA 為一種不需基準線模式的絕對性指標，其值愈小，表示模式的適 配度愈佳。當 RMSEA<0.1 表示配適佳; RMSEA<0.05~0.08 表示中度適配;
RMSEA<0.05，表示配適良好。
(3)模式內在結構配適度:用以評量模式內估計參數顯著程度、各指標及潛在變項 的信度等。
表 3-5-2 模式配適度衡量表
指標名稱與性質 檢定值 適用情形
df
x /2 卡方值小於 2 模式複雜度影響 GFI(Bentler,1983) 大於等於 0.9 說明模型解釋力 AGFI(Bentler,1983) 大於等於 0.9 不受模式複雜度影響
CFI(Bentler,1988) 大於等於 0.9 模型較虛無模型的改善程度，適合小樣本
CFI(Bentler,1988) 大於等於 0.9 模型較虛無模型的改善程度，適合小樣本