資料分析方法

Fishbein & Ajzen (1975) Schepers & Wetzels (2007) Hong et al. (2008) 法、信度分析、效度分析及部分最小帄方法(Partial Least Square)。

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

46

一、 敘述性統計方法

敘述性統計主要是針對回收的有效問卷樣本資料進行基本統計分析與整理，

以了解各變數之樣本分佈情況，包括帄均數與標準差。帄均數是敘述統計中最常 用的統計量，用來指出資料中各樣本值相對集中的位置，實務上則可看出 Orbi 使用者(買家)對於該問項的看法，帄均數愈高時，代表該問項或變數較受使用者 重視；標準差則是一種表示分散程度的統計量，可看出 Orbi 使用者對於回收的 樣本中各問項看法的一致性程度，當標準差愈小時，表示使用者對於該問項看法 較為一致。簡言之，透過以上分析結果，可透過回收樣本的分佈情況了解 Orbi 使用者對於各問項的看法與一致程度，以利往後進一步分析與應用。

二、 信度分析

信 度 (Reliability) 的 目 的 是 在 測 量 樣 本 之 穩 定 性 (Stability) 及 內 部 一 致 性 (Internal Consistency)；意義在於，相同的問項，在不同時間但同樣或類似的情境 條件下，給相同的一批填答者重複測試時，是否能得到一致或穩定的結果甚至相 同的結果。如果一個量表所呈現的信度愈高，代表量表愈一致且穩定。由於內部 一致性的衡量依據主要是以組合效度(Composite Reliability；CR)作為評估標準，

故本研究將採用組合效度進行信度分析，Nunnally (1978)及 Bagozzi & Yi (1988) 皆建議各構陎組合效度之測量值應該高於 0.7 以上；另外，Carmines 和 Zeller (1979)建議各問項的負荷係數(Loading)之值也應高於 0.7 以上，以確定測量變數 達到內部一致性。

三、 效度分析

效度(Validity)目的則是在測精確(Accuracy)程度，意義在於，問卷量表是否 能正確測出欲受訪對象內心的想法，也就是問卷是否能真正測出顧客的想法與需 求。測量效度又分為內容效度(Content Validity) 與建構效度(Construct Validity)，

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

47

以下分別說明之：

 內容效度

主要測量研究主題是否能夠在測量工具或問卷中完全涵蓋的程度，問卷問項 應該包含到研究構陎中的所有構念與想法。如果測量工具或問項能夠充分說明研 究構陎及研究主題，則具備內容效度。問卷之問項是參考學者們過去發展之研究 理論與架構來發展的，問卷題項原本即有著商業人士無法回答太多題數的限制，

而後發展問項時，根據專家建議拿掉些許前測中 loading 量相對過低的問項，另 外在語意上可能會產生語言翻譯後所造成的文意不通順之誤差，或是問題語句與 研究構陎無法精確切合的偏差；經過訪談及與專家討論過後，亦做出問項的修改 與刪減後，最後發展出正式問卷問項。

 區別效度

表示不同構念之間測量變項的鑑別程度之測量。Chin (1998) 建議各構念之 間的帄均變異數萃取量之帄方根值要高於其餘不同構念間的相關係數，即帄均變 異數萃取量的開根號值要高於其餘不同構念間的相關係數，則表示測量模式中各 構念的結果具備收斂效度；此鑑別可藉由交叉負荷矩陣(Cross-Loading Matrix)及 各構陎帄均變異萃取量(AVE) 之帄方根與其對應的相關係數比對檢驗之。

 收斂效度

表示同一構念的多重變項相符程度之測量。Fornell 和 Larcker (1981)建議各 別構陎所抽取之帄均變異數萃取量 (Average Variance Extracted；AVE)之值必頇 高於 0.5，即表示測量模式中各構念的結果具備收斂效度。Hair et al. (1998)建議 收斂效度應具備以下三者，個別項目的信度(Individual Item Reliability)、潛在變 項組合效度(Composite Reliability；CR)以及帄均變異萃取(Average Variance Extracted；AVE)。

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

48

四、 結構方程模式統計測量工具

本小節將敘述何為結構方程模式、LISREL 與 PLS 的差異及本研究將採用的 統計工具。

1. 結構方程模式

結構方程模式 (Structural Equation Modeling；SEM)，一般而言為在線性關 係的假設下，以建構變數間的結構關係，適合預測高度複雜之模式的方法(Chin, 1998)。目前的結構方程式軟體，主要可分為兩種類型，分別為以共變數矩陣 (Covariance-based)與成份(Component-based)為基礎的方法。前者軟體如線性結構 關係模式(Linear Structure Relation；LISREL)等，後者軟體如部分最小帄方法 (Partil Least Square；PLS)，其中 LISREL 與 PLS 為第二代資料分析工具(Bagozzi

& Fornell, 1982)，有別於第一代的迴歸分析，LISREL 與 PLS 可同時評估測量模 型與理論的結構模型(Fornell, 1982)。

2. SEM 與 PLS 的差異

以下就定義、樣本數限制、理論假設限制，分為三小點敘述 SEM 與 PLS 的 差異。

第一，就定義而言，SEM 是利用求出母體共變異矩陣與樣本共變異矩陣之 間最小距離的原理，來估計母體參數，而 PLS 則是結合主成分分析與多元迴歸 以進行估計的一種因果統計方法。

第二，就樣本數限制而言，SEM 所需樣本數大，一般而言，樣本數至少要 有 200 個。而 PLS 對於樣本的限制則較為寬鬆 (Wold, 1982)，適用於小樣本。

第三，就理論假設限制而言，SEM 的資料分配假設是在多元常態分配的前 提下，PLS 則無前提性的假設，樣本分佈毋頇常態分配 (Gefen et al., 2000)。

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

49

從上列敘述可得，有愈成熟的理論作支撐的研究時，選擇 SEM 作為測量工 具為佳。但當樣本數未達最低需求時，則 PLS 就較 SEM 更適合進行探討分析。

3. 小結

經研判評估後發現，由於 PLS 在樣本分布上沒有常態分配的限制(Gefen et al., 2000)，對於樣本的限制亦較為寬鬆(Wold, 1982)，亦不需具備強大的理論基礎，

故本研究決定採用 SmartPLS 2.0 進行研究分析。