第三章 研究方法
第五節 資料分析方法
一、母體界定
本研究在於藉由了解網路休閒服飾品牌社群成員使用臉書休閒品牌服飾粉絲 專頁的行為，來解構品牌信任以及社群信任對於顧客建言及社群投入的影響，從而 瞭解雙信任觀點以及顧客建言與投入對於社群忠誠與公民行為結果的影響，而研 究母體界定為在臺灣地區，過去半年曾關注且持續關注相關臉書休閒服飾品牌粉 絲專頁如GIORDANO、PAZZO、Lative、以及東京著衣的成員為主要研究樣本。
二、抽樣方法
本研究在於了解臉書休閒服飾品牌粉絲專頁如GIORDANO、PAZZO、Lative、
以及東京著衣的使用成員對於品牌真實性、品牌認同、社群信任及投入對於社群忠 誠及公民行為結果的影響，因此採用網路問卷作為問卷之調查工作，藉由網際網路 mySurvey(http://www.mysurvey.tw/index.htm)線上問卷調查系統網站，將問卷內容 傳給受測者來進行填答，在Lucky Dog 抽獎達人與臺大 PTT 等網站張貼問卷，並 且請親朋好友將問卷轉貼給其他臉書休閒服飾品牌粉絲專頁成員，在問卷發佈期 限內進行樣本資料之蒐集。本研究前測取得樣本數共計 312 份，扣除遺漏填答及 同變數內缺乏一致性作答等無效問卷，前測有效樣本數為 252 份，有效樣本率為 80.7%。本研究之網路問卷預計於 2017 年 12 月 20 日起，放置於上述各大網路平 臺供受測者填答，並於2017 年 2 月 20 日結束網路問卷之填答及回收問卷。
第五節 資料分析方法
根據本研究目的及研究假說，運用統計軟體SPSS 19.0 與 AMOS 19.0 版本統 計軟體進行資料分析，並考量變數之衡量尺度以及統計分析工具的適切性，SPSS 19.0 版本與 AMOS 19.0 主要區分為「基本分析」與「整體模式」分析，進行前測 問卷之資料分析。基本分析方面，以統計軟體SPSS 17.0 進行描述性資料的檢測；
整體模式分析方面，則以統計軟體AMOS 19.0 進行分析，並且使用結構方程模式 (Structural Equation Modeling; SEM)的統計方法進行相關變數之驗證。本研究使用 的統計分析方法分別為敘述性統計分析、信度分析、效度分析、Pearson 相關分析、
結構模式分析以及卡方檢定，下列為各種統計分析方法之詳細說明。
45
一、 敘述性統計分析(Descriptive Statistics)
敘述性統計分析主要是在分析研究樣本的基本資料之結構，並使用次數分配、 大概似法」(Method of Maximum Likehood)，此方法一般被認為具有強韌統計(Robust Statistics)的特性。最大概似法是在常態分配的假設下的一個方法，若要採用最大概
46 與多元相關平方(Squared Multiple Correlation; SMC)來進行分析、評估與衡量。因素 負荷量為個別題項衡量該構面的程度，若各題項之因素負荷量大於 0.5，即表示該題 項有良好信度(Hair Jr., Black, Babin & Anderson, 2010)。而評估內部結構，通常可用 多元相關平方(Squared Multiple Correlation; SMC)數值來做為常用的指標，以判斷題 項與構面之相關性。根據Bentler & Wu (1993)與 Jöreskog & Sörbom (1993)所建議 的SMC 數值，需要達到 0.2 以上之水準。
另外，在構面信度方面，本研究採用 Cronbach’s Alpha(α)係數檢驗法，假若 Cronbach’s Alpha (α)係數大於 0.7，表示內部一致性高，代表構面具有可靠性 (Nunnally, 1978)。因此，本研究採 Cronbach’s Alpha (α)係數檢驗法，用以檢定構面 各個題項變數內部的一致性程度。
三、 效度(Validity)分析
效度是指測量結果的正確程度，衡量的工具是否能正確測量到所欲測量之特 質程度，亦即各構面能真實反應出實際效度標準狀況，也就是衡量工具的有效性與 測量結果的正確性。本研究分別以內容效度(Content Validity)與建構效度(Construct Validity)進行問卷效度之檢測。
(一)內容效度(Content Validity)
內容效度是指問卷之題項能涵蓋所欲測量特質之目標程度。本研究各個構面 的問卷題項皆為參照國外學者所發展之相關量表，並將原文之量表題項翻譯成中 文，並根據本研究的情境做適度的修正。另外，為了確保內容效度的適切性，透過 發放300 份以上之問卷，做為正式問卷施測前最後的確認。
(二)建構效度(Construct Validity)
建構效度為多重指標的量測，是指各個構面是否能真實反應出實際效度標準 的狀況。建構效度又可分為收斂效度(Convergent Validity)及區別效度(Discriminant Validity)。
其中，收斂效度是指相同構面內不同題項之間的相關性程度，關係程度較高，
代表具有較佳的收斂效度。本研究分別以個別項目信度、潛在變數的組合信度 (Composite Reliability; CR)與平均萃取變異量(Average Variance Extracted; AVE)，以 衡量觀察變數(Observed Variable)與潛在變數(Latent Variable)的收斂效度(Hair Jr. et al., 2010)。採用 Fornell & Larcker (1981)所建議的兩項評估測量模式指標。如果樣 本數達 350 份以上，則應剔除因素負荷量未達 0.3，以及不具顯著性的測量變數 (Hair Jr. et al., 2010)。測量標準分述如下：
i. 個別項目信度：是指觀察變數能被潛在變數解釋的程度，一般建議必須大於 0.7 以上。
ii. 組合信度(Composite Reliability, CR)：是潛在變數之所有測量變數信度所組 成的衡量指標，信度愈高乃代表構念指標的內部一致性愈高，至少須達信度 必須達 0.7 以上。
iii. 平均萃取變異量(Average Variance Extracted, AVE)：乃計算潛在變數之各測 量變數對該潛在變數的變異解釋力，若該變異萃取量數值愈高，即表示潛在
47 別效度。一般是以潛在變數之平均萃取變異量(Average Variance Extracted, AVE)來 進行衡量。本研究依據Gaski & Nevin (1985)與 Fornell & Larcker (1981)的作法提出 檢定區別效度的三項準則進行檢測，說明如下：
1. 兩構面間的相關係數小於1。
2. 兩構面間的相關係數小於個別構面的 Cronbach’s Alpha(α)信度係數。
3. 兩構面的相關係數小於各構面的平均萃取變異量之平方根。
48
四、 Pearson 相關分析(Pearson Product-Moment Correlation Coefficient; PCCs) Pearson 相關分析是用來判斷兩個變數之間相關程度的高低指標，亦即兩個變
五、 結構方程模式 (Structural Equation Modeling)
以往的多變數分析方法大都一次只能處理一組自變項及一組依變項間的關係，
而結構方程模型(Structural Equation Modeling; SEM)是將路徑分析(Path Analysis)的 概念結合驗證性因素分析(Confirmmatory Factor Analysis; CFA)，所形成的一種複雜 的因果關係模型，主要在檢測假說模型與實證資料的配適度，並探討變數間的關係 (McCallum, Simons, Simons & Friedlander, 1994)。而結構方程模型則是能同時檢測 兩組或兩組以上變數的相依關係。
在 SEM 模式中，將變數分為潛在變數(Latent Variables)與觀察變數(Observed Variables)兩大類。潛在變數乃是社會科學研究中，無法直接觀測或被準確預測的 變數。潛在變數又可分兩種，其一為外生潛在變數(Latent Independent Variable)，是 一種會影響其他潛在變數的自變數，以ξ 表示，本研究的外生潛在變數為「品牌真 實性」及「社群認同」；其二為內生潛在變數(Latent Dependent Variable)為一種會 受到潛在自變數影響的依變數，以η 表示，本研究的內生潛在變數為「品牌信任」、
「社群信任」、「顧客建言」、「社群投入」、「再購意願」、「正面口碑」及「行 銷研究協力」。
本研究採用Anderson & Gerbing (1988)建議的兩階段分析方法進行處理，即為 測量模式及結構模式，首先，使用驗證性因素分析(Confirmatory Factor Analysis;
CFA)，對測量模式的資料先進行檢測，以確認測量指標與潛在變數的信、效度；接 續使用結構模式進行路徑分析與配適度檢定，以檢測各個潛在變數間的因果關係，
是否具有顯著影響性。並利用AMOS(Analysis of Moment Structure)統計分析軟體，
檢定各假說路徑係數是否具有顯著性、驗證研究架構與資料配適度之正確性以及
49 Source Bias)這個問題，換句話說，也就是所謂的共同方法變異(Common Method Variance; CMV)所導致的偏差(Avolio, Yammarino & Bass, 1991)現象。本研究為了預 防或避免共同方法變異的問題發生，是採用「事前預防」與「事後檢測」的方式，
來進行檢測處理。
針對事前預防方面，研究者可以將問卷內容設計為，受訪者資訊隱匿法、題項 意義隱匿法、題項隨機配置法、反向題設計法及語意差異法等設計方式，以降低同 源偏誤所產生的現象(Podsakoff, MacKenzie, Lee & Podsakoff, 2003)。因此，本研究 在問卷內容設計上，是採用在發放前先將研究構面重新編排、研究目的與變數名稱 隱匿，而且採取不記名方式讓受測者填答，目的是為了降低受測者作答時的疑慮及 避免作答一致性之情況。
針對事後檢測方面，本研究是採用 Harman’s 單因子檢定法(Harman’s One-factor Test)來進行共同方法變異(CMV)的測試，此方法已普遍使用於各種研究當中 (Podsakoff et al., 2003)。根據 Podsakoff & Organ (1986)的建議，需將所有題項進行 探索性因素分析(Exploratory Factor Analysis; EFA)，以檢驗未旋轉的因素分析結果，
確定解釋變異量必須為最少因子數，若只跑出一個因子，或某個因子的解釋力特別 大(解釋力大於 50%)，即可判定存在著嚴重的共同方法偏誤。另外，本研究也將所 有變數題項皆採用單一因子之檢測，並採用驗證性因素分析(Confirmatory Factor Analysis; CFA)來進行檢測，若所有題項具顯著負荷且因素負荷量數值皆高於 0.5 以 上)，此一因子驗證性因素分析的架構配適度數值若高於研究的結構模式，則表示 存在嚴重的共同方法變異問題；反之，表示並無嚴重的共同方法變異問題存在 (Mossholder, Bennett, Kemery & Wesolowski, 1998)。