資料分析方法

本研究主要採用資料分析工具為統計套裝軟體SPSS 10.5與結構方程模式分 析軟體LISREL 8.72進行資料分析，本研究資料分析使用敘述性統計、信度與效 度檢定、結構方程模式驗證假說。

一、 敘述性統計

敘述性統計(Descriptive Statistics)主要透過回收之問卷樣本進行基本特性彙 整及描述資料。圖表方法是敘述性統計表達形式之一，以圖表描述資料可較輕易 瞭解樣本資料分布情形，迅速萃取有用資訊。另一種形式是以數據技巧彙整資料，

其中使用次數分配、百分比、帄均數與標準差等統計量描述樣本結構，以瞭解問 卷基本資料數據，及得知各變數之影響程度。如帄均數越高代表影響程度越高；

標準差越小代表各變數之影響越一致。

二、 信度與效度

信度分析(Reliability Analysis)指一份量表所測驗結果之一致性、穩定性及可 靠性程度，同一群受測者在同一份量表填寫的答案如有一致性，就表示信度高。

一份問卷信度愈高表測量結果愈可信，但無法期望兩次測量結果完全一致，信度 除了受量表本身品質影響外，還會受測者本身因素影響，因此沒有一份量表示完 全可靠的，也就是信度只是一種程度上大小的差別(陳順孙，2005)。本研究採用 Cronbach(1951)提出測量信度的方法稱為Cronbach’s α係數，是目前社會科學研究 最常使用的信度，α係數值作為衡量問項之內部一致性，Cuieford(1965)認為α係 數大小代表可信程度，其範圍如表3-9所示：

- 65 -

表3-9 Cronbach’s α係數合理範圍 可信程度

Cronbach’s α係數

不可信 α≦0.30

初步研究，勉強可信 0.30＜α≦0.40

稍微可信 0.40＜α≦0.50

可信(最常見的範圍) 0.50＜α≦0.70 很可信(次常見範圍) 0.70＜α≦0.90

十分可信 α＞0.90

資料來源：Cuieford(1965)

效度分析(Validity Analysis)是測量變數能正確地測量出研究主題的程度，一 份量表能真正達到測量目的的量表才是有效，其在衡量問卷測驗結果之正確性、

有效性。效度主要分兩種，內容效度(Content Validity)是觀念上的驗證；建構效 度(Construct Validity)是以數據為依據。每一個效度都詴圖顯示量表是否能量測出 其對應之觀念，只是在方法與意義上有所不同。兩種主要效度分析方法說明如下 (陳順孙，2005)：

(1) 內容效度：為一份量表內容的代表性或取樣的適切性，問卷的內容效度 以問卷題項是否涵蓋研究主題的每個構面為評量依據，內容效度是一種 定性的效度，其界定一個概念的範圍並判斷測量是否真能代表此範圍。

若問卷內容愈能表示研究中欲測量之問題本意，其內容效度愈高。

(2) 建構效度：是用來評估一個建構的測量是否與其他建構的測量具理論上 的一致性，量表能夠測量到理論上的建構、構面或特質的程度。

- 66 -

三、 結構方程模式

結構方程模式(Structural Equation Modeling, SEM)包含測量模式與結構模式，

主要探討變數間的線性關係，並對顯性變數與潛在變數之因果模式作假設檢定。

其中包含路徑分析(Path Analysis)是對一組可觀測變數間線性系統方程組的因果 關係式，由多組複迴歸方程式所組合成；及驗證性因素分析(Confirmatory Factor Analysis, CFA)是因素分析的擴展，對一組變數間因素結構作驗證。結構方程模 式之關係式可用路徑圖(Path Diagram)表示，路徑圖可讓研究架構中之關係更清 楚呈現。結構方程模式在社會科學之應用愈來愈普遍，主要因為此模式很有彈性、

方法靈活，讓使用者操作方便(陳順孙，2005)。

根據邱皓政(2003)指出結構方程模式用以處理複雜的多變量研究數據之探 究與分析，主要用於檢驗假設關係與整體模式契合程度，其最大優點在於可同時 間處理一系列相關聯的相依變數。基於上述介紹本研究採用 LISREL 8.72 統計套 裝分析軟體進行分析，透過問卷方式調查使用者使用 WiMAX 之相關資料，以結 構方程模式驗證理論模式、檢定假說，並評估模式之配適度。以下說明結構方程 模式之基本原理(邱皓政，2003)：

(1) 假設考驗(Hypothesis-testing)

結構方程模式的第一個主要內涵，是統計學當中有關推論統計中的 假設考驗。其為推論統計最主要內容，也是行為科學研究核心觀念，研 究者為驗證提出之理論觀點的適切性，所提出一套理論性的建構，不論 是針對整體模型的適切性考驗，或是個別變項間關係的參數估計，都以 假設考驗的方式檢驗之。

- 67 -

(2) 結構化驗證(Structural Confirmatory)

社會及行為科學研究的變項關係，通常涉及一組變項間的關係作討 論，此組變項除存有數學的、表面上的關係外，可能還存有潛在因果性 (Causality)或階層性(Hierarchy)之關係。

無論是因果關係之證明或量表內在結構之確認，均有賴於事前研究 變項之性質與內容的釐清，並清楚描述變項的假設性關係，由研究者提 出具體的結構性關係的假設命題，尋求統計上的檢證。尤其在社會與行 為科學領域所探究的變項結構性關係，大多由一群無法直接觀察與測量 的抽象命題(或稱為構念)所組成，需獲得嚴謹的統計數據來證明構念存 在(Bollen, 1989)。

(3) 模型比較分析(Modeling Analysis and Comparison)

模組化分析是利用先前所討論之假設檢定與結構化驗證功能，結構 方程模式可將一系列的研究假設同時結構成一個有意義的假設模型 (Hypothetical Model)，再經由統計程序對此模型進行檢證。此一模組化 分析功能最主要是為社會與行為科學研究領域，對抽象理論進行實證的 檢驗提供一套嚴謹的程序，使得研究者可透過統計分析檢驗所提出之理 論模型(Theoretical Model)。

結構方程模式基本程序可概分為模型發展與估計評鑑兩階段，前者在發展結 構方程模式分析的原理基礎並使結構方程模式符合特定的技術要求；後者在產生 結構方程模式的計量數據來評估結構方程模式的優劣好壞，並進行適切或必要的 修飾，結構方程模式分析的執行流程概念如圖 3-2 所示。

- 68 -

理論性發展

(Theoretical Development)

模式設定 (Model Specification)

模型辨識 (Model Identification)

抽樣與測量

(Sampling and Measurement)

參數估計 (Parameter Estimation)

模型修飾 (Model Modification) 模式契合度估計

(Assessment of Fit)

討論與結論

(Discussion and Conclusion) 階段一

模型發展

階段二 估計與評鑑

圖3-2 結構方程模式的基本程序 資料來源：邱皓政(2003)

- 69 -

結構方程模式可進行整體模型的評估，透過不同之統計程序或適配度指標 (Goodness-of-Fit Index)的計算，研究者可以研判假設模型與實際觀察資料的契合 情形。結構方程模式的相關文獻提供多種不同的模型評鑑指標，不同的指標得到 的結果通常趨近一致。以下介紹各適配指標的檢定標準，如表 3-10 所示。

表3-10 LISREL模式配適度衡量指標

指標名稱 指標性質 判斷值 適用情形

卡 方 檢 驗

χ²值 理論模型與觀察模型

的契合程度 P＞0.05 說明模型解釋力 χ²/df 考慮模式複雜度後的

卡方值 ＜2 不受模式複雜度影響

適 合 度 指 標

GFI 假設模型可以解釋觀

察資料的比例 ＞0.80 說明模型解釋力 AGFI 考慮模式複雜度後的

GFI ＞0.80 不受模式複雜度影響

PGFI 考慮模式的簡約性 ＞0.50 說明模型的簡單程度 NFI 比較假設模式與獨立

模型的卡方差異 ＞0.90 說明模型較虛無模型 的改善程度

NNFI 考慮模式複雜度後的

NFI ＞0.90 不受模式複雜度影響

替 代 性 指 標

CFI 假設模式與獨立模型

的非中央性差異 ＞0.95

說明模型較虛無模型 的改善程度特別適合 小樣本

RMSEA 比較理論模式與飽和

模式的差距 ＜0.05 不受樣本數與模式複 雜度影響

殘 差 分 析

RMR 未標準化假設模型整

體殘差 越小越好 瞭解殘差特性

SRMR 標準化假設模型整體

殘差 ＜0.08 瞭解殘差特性

資料來源：Bagozzi and Yi(1988)與邱皓政(2003)

- 70 -