資料分析方法

本研究將依前述之研究架構、研究假設內容，利用所收集的受測有效樣本資 料，經過資料整理、編碼與輸入後，再以 SPSS 19 版、SmartPLS 2.0 M3 以及 LISREL 8.8 版三套統計套裝軟體，依研究的需要與分析的目的進行統計分析，同時依資料 類別與要驗證的研究假設內容，採取不同的統計分析方法。詳細的資料分析與統 計方法等詳細說明如下：

一、敘述性統計分析 (Descriptive Statistics)

敘述性統計可以用來整理原始的樣本資料，讓它變成有意義的資訊。本研究 用來描述資料的特性(如前述的人口統計變數資料)與受測消費者的基本資料類別，

將依照資料出現的次數製作成分配表(frequency distribution table)，並加入百分比數 值，作為樣本之統計變數的分佈情形，並依此來做為樣本資料的基本結構。

二、信度分析 (Reliability Analysis)

所謂信度乃是指問卷經過評量之後的準確性或精確性，亦即問卷中的各個問 題項彼此之間，在內容上具有一致性。

信度多少通常以「Cronbach’s α」係數表示檢定結果；Nunnally & Bernstein (1994) 認為，若α 係數低於 0.35 屬於低信度，應拒絕使用；介於 0.50 ~ 0.70 間屬於尚 可接受的中信度；若高於 0.70 以上，則屬於高信度。Shook.et al. (2004)提出的信 度標準是，每一個變數皆要大於 0.7。所以本研究將以 Cronbach’s α 係數進行信度 分析，以檢定各構面中衡量項目的內部一致性；本研究所評量的Cronbach’s α 係 數，將以信度大於 0.70 為高信度標準。Cronbach’s α 值越大，顯示該變數各個衡 量問項間的相關性與一致性愈高。

此外，還可以測量組合信度(Composite Reliability，CR)，這數值將是由子構面 下的各問項所組成的。Fornell & Larcker (1981)與 Bagozzi & Yi (1988)及黃芳銘 (2004)都建議組合信度應該要大於 0.6，才表示各子構面下的測量問項，對該潛在

25

變數具有一定的解釋力與建構信度。

三、效度分析 (Validity Analysis)

效度(Validity)即是正確性(Accuracy)，係指問卷量表所能測出欲受測對象的特 質，也就是問卷是否能真正測出顧客心理的反應。常應用的效度有內容效度 (Content Validity)與建構效度(Construct Validity)，分別說明如下：

（一）內容效度是指測量工具的適切性，亦即測量工具或問卷能夠涵蓋研究主題 的程度。如果測量工具或研究問卷能代表研究主題，則具有足夠的內容效度。

（二）建構效度是指測量工具能測量所建構理論的概念或特質的程度：

收斂效度(Convergent Validity)：表示多重變項所測量皆為同一構念的相符程度。

各別構念所抽取之平均變異量(average variance extracted；AVE) 必須大於 0.5，即 可稱該構念具備足夠的收斂效度 (Fornell & Larcker，1981)。當變項對於它們所 測量的構念之因素荷負量夠高時（負荷量大於 0.5），同樣也達成收斂效度的要求 (Nunnally,1978)。

四、因素分析 (Factory Analysis)

利用因素分析可以進行創新特性與科技準備度等各自變數的分群，用來確認 本研究所發展的量表之適切性。將利用主成份法(Principal Component Analysis)萃取 共同因素(Common Factor)，並以直交轉軸(Orthogonal Rotation)中的最大變異數轉 軸法(Varimax)進行轉軸。依據 Kaiser (1974)的 MSA(measure of sampling adequacy) 準則擷取特徵值(eigen value)大於 1 的因素，並根據 Nunnally (1978)建議擷取因素 負荷量(factor loading)之絕對值大於 0.5 的變數，小於 0.5 的因素則予以刪除。本研 究利用因素分析將量表中之顧客導向、服務創新、服務價值、顧客滿意度，依其 相關程度縮減成最少的主要因素，以簡化眾多變數間的複雜度，但是仍保持對原 有變數最大之解釋量。

五、結構方程式(SEM)與適配度指標

結構方程式(Structural Equation Modeling)在 Joreskog(1971)提出 LISREL 的概

26

念模型之後，整合了因素分析與路徑分析兩大技術而普及。SEM 是針對變數的共 變數結構進行分析藉由定義一個因素結構來解釋變數的共變關係。

適配度指標是來觀察理論模式是否良好，判斷理論模式與樣本之間一致性的 程度。邱皓政(2004)提到在以卡方檢驗理論模式的適切性時，需要注意幾個問題，

第一、利用χ²來進行假設模型的統計檢驗，並無法推翻不良的模型以支持特定的 模型，只能確認虛無假設是否成立；第二、χ²會受到自由度的影響，當自由度愈 大時，χ²值愈大，也就是所估計的參數數目愈多，影響一個假設模型的因素就愈 多，而造成假設模型契合度不佳的可能性就愈大；第三、χ²與樣本數有關，當樣 本大時，所累積的卡方值也就愈大，大樣本雖然提高了觀察資料的穩定性，卻也 造成χ²擴大的效果。故一般會以絕對適配度、增值適配度和簡效適配度三方面來 估計，各指標之意義說明如下(邱皓政，2004；黃芳銘，2006)：

(一) 絕對適配度

絕對適配度考驗目的在於檢驗模型可以預測觀察資料的共變數矩陣或相關矩 陣的程度，常用的指標有正規化卡方值（χ²/df）、GFI(良性適配指標，Goodness of Fit)、SRMR(標準化均方根殘差，standardized root mean square residual)與 RMSEA(近 似誤差均方根，root mean square error of approximation)，分述如下：

1. 卡方值與自由度之比值(χ²/df)

由於卡方值受到樣本大小的因素影響甚大，應將卡方值與自由度一併作平移 比較，較能客觀檢驗配適度，其不受模型複雜度影響。Bagozzi & Yi（1988）認為 卡方與自由度之比值應不超過 3 為標準，其值越小顯示模型配適度越良好。

2. 適配度指標 (Goodness of Fit)

GFI 指標說明假設模型可以解釋觀察資料的變異數與共變異數的比例。GFI 值 介於 0 到 1 之間，GFI 的值越接近 1，表示假設模型可以解釋觀察資料的變異量越 大，模型的配適度越佳，適用於說明模型解釋力。Hair et al. (2006) 認為 GFI 值愈 接近 1 愈好，GFI 值在 0.8 以上顯示此模型整體配適度良好(Bagozzi &

27

Yi ,1988)。

3. 調整後的配適度指標 (Adjustment Goodness of Fit Index, AGFI)

調整後的配適度指標是將自由度加入GFI值的計算中，AGFI是衡量模型配適 度的一種指標，當估計的參數數目越多，AGFI 值會越大，模型的配適度越佳，且 不受模型複雜度影響。Bagozzi & Yi(1988) 認為當AGFI在0.8以上，則此模型整體 配適度不錯。

4. 殘差均方根 (Root Mean square Residual, RMR)

RMR 為配適殘差變異共變數的平均值之平方根，反應所量測資料之變異程度，

RMR 值越趨近於零，則代表模型配適度越佳，Bagozzi & Yi(1988)認為其值應小於 0.05。

5. 近似平均誤差平方根 (Root Mean Square Error of Approximation, RMSEA) 此指標為比較模式與飽和模式的差距，RMSEA 之數值等於或小於 0.05 表示 理論模式可以被接受，通常將此訂為「良好適配(good fit)」，0.05 到 0.08 之間可以 視為是「不錯的適配(fair fit)」，0.08 到 0.10 之間則是「普通適配(mediocre fit)」，

大於 0.10 表示不良適配(黃芳銘，2006)。

(二) 增值適配度

增值適配度目的在於用一個比較嚴格的或是套層的基線模式來和理論模式比 較，測量其適配改進比率的程度，包括有：規範配適指標(Normed Fit Index, NFI)、

相對配適度指標(Relative Fit Index, RFI)、比較配適指標(Comparative Fit Index, CFI)，

分述如下：

1. 規範配適指標 (Normed Fit Index, NFI)

NFI 值主要用來評鑑理論模式與底線模式之改進程度，是比較假設模型與獨立 模型的卡方差異，主要用於說明模型較虛無模型的改善程度。NFI 值介於 0 到 1 之間且受自由度及樣本數大小的影響。NFI 值越接近 1 顯示假設模型的配適度越高，

通常以 0.9 表示模式配適度達可接受的門檻(Bentler & Bonett,1980)。

28

2. 相對配適度指標

由 NFI 衍生，若 RFI 值大於 0.9，表示模式到達配適。(Bentler & Bonnett，1980;

Hair et al., 2006)。

3. 比較配適指標 (Comparative Fit Index, CFI)

此指標只假設模型與無任何共變關係的獨立模型差異情形量數，以大於 0.9 為 模型之接受標準。

(三) 簡效配適度

精簡適配度的目的在於評估理論模式的精簡程度，包含 PNFI(簡效規範適配指 標，Parsimonious Normed Fit Index)與 PGFI(簡效良性適配指標，Parsimonious Goodness of Fit Index)兩大指標，一般均採取大於 0.5 以上為模型的接受標準。

1. 簡效規範配適指標 (Parsimonious Normed Fit Index, PNFI)

PNFI 值指每一個自由度所能達到之較高的配適程度，為考慮模型簡約性並說 明模型簡單程度，主要使用在比較不同自由度的模式，當比較不同模式時，PNFI 值 在 0.06~0.09 的差別則視為模式間存有實質的差異存在。若不做模式比較時，一般 以 PNFI 值大於 0.5 為模式通過與否的標準(Hu & Bentler, 1999)。

2. 精簡適合度指標(Parsimonious Goodness of Fit, PGFI)

PGFI 是 James et al.(1982)所提出，等於 GFI 乘以簡效比值，值介於 0 到 1 之 間越接近 1 顯示模式越精簡(Hair et al., 2006)。

以上適配指標整理於下表 3.5：

29

表 3. 5 配適度指標彙整

配適度指標 標準 文獻依據

絕對配適指標 正規化卡方值（Normedχ2、χ2/df） <3 Bagozzi & Yi(1988)

配適度指標（GFI） >0.8 Bagozzi & Yi(1988)

調整後的配適度指標(AGFI) >0.8 Bagozzi & Yi(1988)

殘差平方根（RMR） <0.05 Bagozzi & Yi(1988)

近似平均誤差平方根(RMSEA) <0.08 Bagozzi & Yi(1988)

增值配適指標 規範配適指標（NFI） >0.9 Bagozzi & Yi(1988)

相對配適度指標（RFI） >0.9 Bagozzi & Yi(1988)

比較配適指標（CFI) >0.9 Mcdonald & Marsh(1990)

簡效配適指標 簡效規範配適指標(PNFI) >0.5 Hu & Bentler(1999)

精簡適合度指標（PGFI） >0.5 Hair et al.(2006)

資料來源：本研究整理

六、偏最小平方法(Partial Least Square)

近年來 PLS 獲得不同領域研究者的廣泛重視，應用在不同的研究課題，因此 逐漸被視為類似於回歸的應用技術。PLS 的運算是由一系列的加權回歸方程式的 倒出所完成，藉由一組加權係數來對原始回歸方程式加以調整，以獲得內模型共 變關係最佳化。簡單來說，PLS 從典型相關概念延伸，融合了迴歸分析、主成分 分析、路徑分析等重要的統計分析技術，並可應用於中介與調節效果分析，在諸 多領域獲得普遍重視(邱浩政，2011)，下表 3.6 將整理 PLS 與 SEM 的差異。

30

表 3. 6 SEM 與 PLS 的主要差異比較表

PLS SEM

潛在變數本質 主成份分析 因素分析

測量的假設 沒有測量誤差 具有測量誤差

變數的假設 無分配假設 多元常態性

分析的元素 變數變異數 共變數結構

估計的目的 預測求解 參數估計

模式收斂 容易 簡單模式容易。複雜模式受模型設定是否

正確與資料品質是否良好的影響

測量模式 形成性與反應性兼可 以反應性為主，形成性為輔

樣本需求量 無限制 大(簡單模式 200 以上，複雜模式 400 以上)

潛在變數分數 可直接求得 未定性威脅大

資料來源：邱浩政(2011)，當 PLS 遇上 SEM

PLS 的另一個優點，是基於 PLS 的主要程序是將兩組測量變數，進行線性整 合成簡化的幾個主成份分數來進行一班最小平方回歸分析，因此即使樣本數很小 (例如 30 或 50 人)，也可以利用 PLS 來估計測量模式與結構模式，是與 SEM 最大 的不同點。由於路徑分析是回歸的延伸，以回歸為核心概念的 PLS 也可以延伸到 路徑模型的檢驗，以及中介效果分析(Baron & Kanny, 1986)。此菜，如果模型中有

PLS 的另一個優點，是基於 PLS 的主要程序是將兩組測量變數，進行線性整 合成簡化的幾個主成份分數來進行一班最小平方回歸分析，因此即使樣本數很小 (例如 30 或 50 人)，也可以利用 PLS 來估計測量模式與結構模式，是與 SEM 最大 的不同點。由於路徑分析是回歸的延伸，以回歸為核心概念的 PLS 也可以延伸到 路徑模型的檢驗，以及中介效果分析(Baron & Kanny, 1986)。此菜，如果模型中有