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 17.0 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 17.0 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，是以統計軟體 SPSS 17.0 進行描述性資料的檢測；

整體模式分析方面，則是以統計軟體 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。

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、

百分比、平均數及標準差等數據，探討研究樣本在各項人口統計變數之分佈情況。

本研究之人口統計變數的分析項目包含了性別、年齡、教育程度、職業、居住地

而驗證性因素分析之目的是在確定因素結構與量表資料是否吻合，藉此能讓 研究者將測量的變數操控歸屬於某個因素或構念，並且利用配適度檢測所提出的 因素結構和測驗量表(Hair Jr., Black, Babin & Anderson, 2010)。本研究的參數估計 程序部分，是採用「最大概似法」(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，若要採用最大概似法，則必須要不違反常態性的假設。因此，樣本數 量一定要夠大，而且若模型越複雜，樣本也必須越大(Hair Jr. et al., 2010)。因此，

本研究採用偏態係數與峰度係數這兩個係數來描述分配型態的統計量，檢測資料 是否符合常態分配之原則。從偏態(Skewness)可知觀測值分配型態的對稱性，又可 以分為正偏態與負偏態。偏態的絕對值越大，資料分配的偏斜程度越大，越不對 稱；反之絕對值越接近 0，則代表越趨對稱。峰度(Kurtosis)則是觀測值分配型態陡 峭程度的統計量，可用於了解對稱性的樣本分配的峰點是高聳或扁平的。當資料 分配型態的陡峭程度與常態分配相同時，峰度係數的值會等於 0；當資料分配型態 的陡峭程度較常態分配高聳，峰度峰度係數的值會大於 0；當資料分配型態的陡峭 程度較常態分配平緩，峰度峰度係數的值會小於 0。以下為本研究各構面偏態係數 與峰度係數的範圍，分述如下：

1. 服務失誤嚴重性：偏態係數絕對值介於 0.378 與 0.501 之間，峰度係數絕對 值介於 0.0215 與 0.382 之間。

2. 心理契約違犯：偏態係數絕對值介於 0.207 與 0.504 之間，峰度係數絕對值 介於 0.080 與 0.194 之間。

3. 可控制性歸因：偏態係數絕對值介於 0.076 與 0.171 之間；峰度係數絕對值 介於 0.270 與 0.440 之間。

4. 穩定性歸因：偏態係數絕對值介於 0.118 與 0.214 之間；峰度係數絕對值介 於 0.126 與 0.320 之間。

5. 補救後信任：偏態係數絕對值介於 0.158 與 0.413 之間，峰度係數絕對值介 於 0.134 與 1.320 之間。

6. 補救後滿意：偏態係數絕對值介於 0.133 與 0.232 之間，峰度係數絕對值介 於 0.004 與 0.124 之間。

7. 再購意圖：偏態係數絕對值介於 0.186 與 0.417 之間，峰度係數絕對值介於 0.121 與 0.453 之間。

8. 建言意圖：偏態係數絕對值介於 0.330 與 0.493 之間，峰度係數絕對值介於 0.097 與 0.302 之間。

上述 8 個量表的偏態與峰度係數值皆符合 Kline (1998)建議的標準值，偏態＜3、

峰度＜10，因此可知，本研究前測問卷資料之描述分配型態符合常態分配的原則。

二、信度(Reliability)分析

所 謂 的 信 度 是 指 測 量 工 具 準 確 程 度 ， 信 度 分 析 是 指 測 量 結 果 的 可 靠 性 (Dependability)、一致性(Consistency)與穩定性(Stability)，信度分析又可分為題項 信度與構面信度來進行檢測。

在題項信度方面，本研究主要利用各構面的個別題項之因素負荷量(Loading) 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. et al., 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，本 研究以兩階段方式前測進行語意確認。第一階段，挑選 24 位受測者進行問卷填寫，

每次 4 人，共進行 6 回合的語意修正與確認；第二階段是透過發放 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

衡量觀察變數(Observed Variable)與潛在變數(Latent Variable)的收斂效度(Hair Jr., Black, Babin & Andersson, 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：

1. 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。

2. 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。

3. 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 的區別效度。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。

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 數間的線性變化程度，而用來描述兩個變數之間線性相關性的就是「相關係數」，

一般用「r」來表示。r 值的範圍介於–1 到 1 之間，在正負 0.3 之間(即指介在 0.3 至–0.3 之間)稱為低度相關；在正負 0.3–0.6 之間(即指在 0.3 至 0.6，–0.3 至–0.6 之 間)稱為中度相關；而在正負 0.6 至 0.9 之間(即指介於 0.6 至 0.9，–0.6 至–0.9 之間) 則稱為高度相關；若是 r 值為正負 1(即 1 或–1)，即表示完全相關。然而，相關係 數無法檢定「自變數」對「依變數」的影響性，只能說明兩個變項間是正相關、

負相關或是無相關性。因此，通常如果兩變數均屬於連續的量化資料，則判定兩 變數間之相關性，適合以 Pearson 相關係數來做為衡量指標。

五、結構方程模式 (Structural Equation Modeling)

以往的多變量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(Westland, 2015)。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。

結構方程模型包含了測量模型 (Measurement Model)與結構模型 (Structural Model)。測量模型即為驗證性因素分析模型，主要是測量指標變數與潛在變數間 之關係，而運用的方法以驗證性因素分析為主；而結構模式則為路徑分析模型，

主要是探討潛在變數之間的因果關係，使用的方法為路徑分析(共變關係與因果關 係)及配適度檢定(陳寬裕、王正華，2014)。

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「服 務失誤嚴重性」、「穩定性歸因」及「可控制性歸因」；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「心理契約違犯」、「補救後信任」、「補救後滿意」、「再購意圖」

及「建言意圖」。

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

性以及分析各變數間之因果關係。

六、卡方檢定(Chi–Square Test)：

卡方檢定的本質在於檢測資料所佔的比例或相對次數，主要適用於探討適合 度檢定與獨立性檢定。在適合度檢定方面，主要檢驗某一組資料的實際觀察次數 是否符合某一資料的分配狀況，其虛無假設為：觀察資料的次數分配與某一資料 分配相配適；獨立性檢定的目在於驗證兩個類別變數的實際觀察值是否具有關連

卡方檢定的本質在於檢測資料所佔的比例或相對次數，主要適用於探討適合 度檢定與獨立性檢定。在適合度檢定方面，主要檢驗某一組資料的實際觀察次數 是否符合某一資料的分配狀況，其虛無假設為：觀察資料的次數分配與某一資料 分配相配適；獨立性檢定的目在於驗證兩個類別變數的實際觀察值是否具有關連