第三章 研究方法
第四節 資料分析方法
本文之資料分析方法將利用 SPSS 第 22 版與 AMOS 第 21 版為統計分析之 軟體。在 SPSS 軟體部分，主要進行敘述性統計分析與複選題分析；而 AMOS 軟體部分，用以評估信效度分析與結構方程式模型，以驗證模型各路徑係數及驗 證假說命題之成立，下列為說明各種統計分析工具之使用目的：
一、敘述性統計（Descriptive Statistics）
敘述統計主要是用以估計各變數的平均數、標準差、百分比及次數分配等分 析，描述樣本資料、特性及分配比例等。其中，平均數又代表受測者對該問項的 看法，平均數愈高，代表該屬性較為受測者所重視。而標準差則視為評量回收的 樣本對於該問項之一致性指標，樣本標準差愈小，表示受測者對於該問項較有一 致的看法。同時，本文亦利用敘述統計分析人口統計資料，其內容包含性別、年 齡、教育程度、月收入、居住地及職業等變數，根據分析結果瞭解樣本分佈結構 及消費行為等。
二、信度分析（Reliability Analysis）
檢 測 問 卷 同 一 構 面 下 的 內 部 一 致 性 （ Internal Consistency ） 及 穩 定 性
（Stability），本文採用信度（Reliability）分析，亦指樣本資料衡量結果的可靠 程度，又可分為下列兩種：
（一）構面信度（Construct Reliability）
Cronbach 在 1951 年提出Cronbach’s α 信賴係數法作為指標檢測之衡量，針 對同一構面下各問項的內部一致性；當係數值愈大，即各題項之間的相關性愈 大，亦表示內部的一致性愈高。根據 Nunnally（1978）建議Cronbach’s α 值大於
0.7 者，則代表具有高信度；若值介於 0.35 和 0.7 之間，則代表在可接收的信度 範圍之內；但若Cronbach’s α 值小於 0.35 者，則代表低信度值，可能就會刪除某 些問項再進行驗證。
（二）組成信度（Composite Reliability）
上述Cronbach’s α 係數因無法測量因果關係情境之信度，所以，需藉由組成 信度（Composite Reliability）輔助衡量同一個潛在變數的所有測量變數之間的一 致性。Fornell 和 Larcker（1981）提出以組成信度衡量各構面題項的一致性，當 CR 值為 0.6 以上者，則表具有良好的組成信度。
三、效度分析（Validity Analysis）
瞭解衡量工具是否能夠測量出各構面之正確性程度，可進行效度分析，其衡 量方式分別為內容效度、收斂效度與區別效度等檢定方式，其各說明如下：
（一）內容效度（Content Validity）
內容效度是指測量問卷內容的適切性，以瞭解問項內容能否反應研究主題的 架構與內容。因此，本文根據研究主題構面，鑑別測量題項和題數是否適切。
（二）收斂效度（Convergent Validity）
收斂效度是指研究中歸類為相同變數的衡量項目，以瞭解各變數之間是否具 高度相關性。根據 Fornell 和 Larcker（1981）的建議，可採用各構面與其對應問 項估計之平均萃取變異量（Average Variances Extracted；簡稱 AVE）來檢定收斂 效度，而 AVE 值乃是計算潛在變數之各衡量變數的平均變異解釋力，其認為 AVE 值達 0.5 以上，即表示該潛在變數具有收斂效度。
（三）區別效度（Discriminate Validity）
區別效度是指量測不同構面項目間的相關性。根據 Fornell 和 Larcker（1981）
的建議，區別效度可計算 AVE 值的平方根，且需皆大於與各構面之相關係數值 作為判斷；若當 AVE 值平方根大於各構面相關係數的一半以上，即表示該結構 模式具有區別效度。
四、結構方程模式（Structural Equation Modeling）
在估計 SEM 分析部份，一般 LISREL 與 AMOS 兩套軟體皆能提供結構方程 模式路徑係數估計功能，然而 AMOS 在易用性功能則較完善，且在使用路徑圖 的圖形使用者介面上，免去 LISREL 軟體需先界定八大參數矩陣的繁瑣。因此，
本文採用 AMOS 軟體進行結構方程模式估計，作為整體模式估計係數之衡量。
結構方程模式亦稱為結構模式分析，以迴歸為基礎的多變量統計分析技術。
主要目的在探討模型中各潛在變數（Latent Variables）和外顯變數（Manifest Variable，或稱觀察變數）之間的因果關係，以驗證理論架構之各假設命題（邱 皓政，2006）。
本文在進行線性結構關係模型整體配適度時，根據 Hair 等（2006）、邱皓政
（2006）與黃芳銘（2007）等有關模型配適度指標觀點，彙整評估整體配適度的 指標可分為三類，分別為：（1）絕對配適度量測、（2）增值配適度量測、（3）簡 效配適度量測等三類指標，用以判別模式之整體配適度，此三種類型分述如下：
（一）絕對配適度量測（Absolute Fit Measures）
1.卡方自由度比（Normed Chi-Square；簡稱 X2/df）
NC 為考慮模式複雜度後的卡方值，利用自由度將卡方值加以調整，其公式
為卡方值除以自由度。Joreskog（1970）曾提出用來評斷各種模式的配適指標。
若 NC 值小於 1 時，表示模式結構過度配適，必須加以改進；若 NC 值小於 2 或 3 時，則表示該模型結構可視為良好之契合度（Carmines & McIver, 1981；Hayduk, 1987；Chin & Todd, 1995）。
2.良性配適指標（Goodness of Fit Index，簡稱 GFI）
GFI 指假設模型可以解釋觀察資料的比例，類似迴歸分析當中的可解釋變異 量（R2），用以計算共變矩陣之間變異與共變量的比例。根據 Tanaka 和 Huba（1989）
提出 GFI 值為測量契合度之指標，其值需介於 0 至 1 之間，且數值愈大（接近 1）
時，表示模型之契合度愈高。Joreskog 和 Sorbom（1996）則提出 GIF 值在 0.8 至 0.89 之間被視為合理的契合度，若 0.9 以上是良好契合度的表現。
3.調整後良性配適指標（Adjusted Goodness of Fit Index，簡稱 AGFI）
AGFI 指考慮模型複雜度後的 GFI，是迴歸分析調整後可解釋變異量，主要 將自由度加入 GFI 的計算，與 AGFI 均具有標準化特性。Bagozzi 和 Yi（1988）
與 Joreskog 和 Sorbom（1996）等學者提出 AGFI 值大於 0.8 以上，方可表示模型 具有良好配適度。
4.標準化均方根殘差（Standardized Root Mean Square Residual；簡稱 SRMR）
SRMR 指標準化假設模型整體殘差，為平均殘差共變標準化的總和。由於 RMR 沒有標準化的特性，無法具有判斷準則，最後以標準化後的 SRMR 進行評 鑑。當 SRMR 值須介於 0 至 1 之間，且數值愈大（越接近 0）時，表示模型契合 度愈佳。
5.近似誤差均方根（Root Mean Square Error of Approximation；簡稱 RMSEA）
RMSEA 指理論模式與飽和模式的差距，通常為平均平方誤差的平方根，黃 芳銘（2007）指出 RMSEA 值小於或等於 0.05 為良好的適配（Browen & Cudeck, 1993），介於 0.05 至 0.08 之間為不錯的適配（Bagozzi & Yi, 1988；邱皓政，2006）， 介於 0.08 至 0.1 為中度的適配，大於 0.1 為不良的適配。
（二）增值配適量測（Incremental Fit Measures）
1.基準配適度指標（Normed FitIndex；簡稱 NFI）
NFI 為假設模型與獨立模型的卡方差異，指基準化契合度指標，通常研究學 者均提出 NFI 值須大於 0.9，代表模式具有良好配適度（Hair et al., 2006）。
2.增值配適度指標（Incremental Fit Index；簡稱 IFI）
IFI 為比較所提模式與獨立模式之間的卡方值差距，通常研究學者提出 IFI 值需大於 0.9，才能表示具有理想的契合度（Bentler & Bonett, 1980；Bollen, 1989；
Hair et al., 2006）。
3.比較配適度指標（Comparative Fit Index；簡稱 CFI）
CFI 指假設模型與獨立模型的非中央性差異，表示假設模型與無任何共變關 係的獨立模式之差異程度。CFI 可修正 NFI 易受到觀察個數影響的缺點（Bentler, 1990），及 TLI 易脫離 0 與 1 之間的範圍的缺點。在模型判斷上，研究學者一致 認為 CFI 值須大於 0.9，可視為該模型具有良好之配適度（Bentler & Bonett, 1980；
Bagozzi & Yi, 1988；Hair et al., 2006）。
（三）簡約配適量測（Parsimonious Fit Measures）
1.簡約基準配適指標（Parismonious Normed Fit Index；簡稱 PNFI）
PNFI 指簡效性已修正基準化配適度指標，主要修正 NFI 值。研究學者提出 PNFI 值須大於 0.5，作為判別模型契合度是否足夠之標準（Bentler & Bonett, 1980；邱皓政，2006；黃芳銘，2007）。
2.簡約配適指標（Parsimony Goodness of Fit Index；PGFI）
PGFI 是指簡效性修正比較配適度指標。邱皓政（2006）說明 PGFI 會將模型 中估計參數的多寡列入考量，因此可以反應出 SEM 中假設模型之簡約程度。研 究學者提出 PGFI 值須大於 0.5，即為可接受範圍（Bentler & Bonett, 1980；Mulaik et al., 1989；邱皓政，2006；黃芳銘，2007）。
綜合上述國內外學者對各項指標之整體配適度觀點，本文將參考邱皓政
（2006）、黃芳銘（2007）與 Hair 等（2006）的判斷標準來判斷本文模式之整體 配適度，並彙整成如表 3-3 所示。
表 3-3 結構方程式模型配適度檢定準則一覽表
評鑑指標 判斷標準值 情形
絕對配 適度
NC 介於 2～3 模型具良好配適度。
GFI ＞0.9 模型具良好配適度。
AGFI ＞0.9 模型具良好配適度。
SRMR ＜0.08 模型具良好配適度。
RMSEA 介於 0.0～0.08 模型具良好配適度。
增值配 適度
NFI ＞0.9 模型具良好配適度。
IFI ＞0.9 模型具良好配適度。
CFI ＞0.95 模型具良好配適度。
簡效配 適度
PNFI ＞0.5 愈高，模型配適度通過標準。
PGFI ＞0.5 愈高，模型的配適度愈佳。
資料來源：本文整理。