第三章 研究方法
第六節 資料分析方法
第六節 第六節
第六節 資料分析方法 資料分析方法 資料分析方法 資料分析方法
本研究主要採用統計套裝軟體 SPSS 10.0 中文版與線性結構方程式分析軟體 AMOS 5.0 作為分析工具，資料分析方法包含信度與效度分析、因素分析、線性 結構模式（structural equation models,又稱 LISREL）等，分析說明如下：
一 一 一
一、、、、信度分析與效度分析信度分析與效度分析信度分析與效度分析信度分析與效度分析
信度為測量結果的一致性或穩定性（邱皓政，2000），本研究採用內部一致 性分析法（coefficient of internal consistency），以 Crobach’s α 值檢視問卷題項之 間的一致性、同質性穩定度。
效度為檢視問卷是否能夠測量到所預測量的結果，效度越高表示問卷的測量 結果越能呈現所預測量的結果，本研究將以內容效度（content validity）及建構 效度（construct validity）作為檢測。
二 二 二
二、、、、因素分析因素分析因素分析因素分析
（一）Bartlett球形檢定及KMO取樣適當性檢定
根據研究架構對四個構面電子商務功能、電子商務投入、電子商務接受程度 與企業績效進行因素分析。於進行因素分析之前，首先進行Bartlett球形檢定
（Bartlett’s sphericity test ）與KMO取樣適當性檢定（Kaiser-Meyer-Olkin measure of sampling）。對電子商務功能、電子商務投入、電子商務接受程度與企業績效 進行檢定，以確定各觀察變數之間是否存在共同因素，才能決定是否適合進行因 素分析。在Bartlett球形檢定方面，該檢定假設抽樣之母體各變數彼此無關，因此 母體之相關矩陣為單位矩陣，當沒有共同變異性存在時，無須進行因素分析（黃 俊英，2002）。當樣本求得之Bartlett球形檢定之P值越接近0，則表示可以拒絕母 體相關矩陣為單位矩陣之假設，建議以因素分析縮減樣本之維度。在KMO取樣 適當性檢定方面，當KMO值越大，表示選項間的共同因素越多，越適合進行因
素分析。
（二）探索性因素分析（Exploratory Factor Analysis,EFA）
當研究者對因素結構不甚了解的探索階段，因素分析欲以少數幾個因素來解 釋一群互相之間有關係存在的變數，每個變數除了受共同因素（common factor）
的影響外，尚有獨特因素（specific factor）。因素分析主要目的在於對資料矩陣 找出其結構，可對一群組內有相關的變數找出一組共同的因素（陳順宇，2005）；
利用因素分析產生的因素負荷量（factor loading）大小來判定建構效度。同一構 念中，若因素負荷量的值越大（通常取0.5以上者保留該題項，否則刪除此題，
再重新執行一次因素分析），表示收斂效度越高（張紹勳，2001）。
（三）驗證性因素分析
當對問題有進一步了解或經由探索性因素分析後（EFA），便可以進行驗證 性因素分析（Confirmatory Factor Analysis,CFA）（陳順宇，2005），CFA為進行整 合性結構方程模式分析的前置步驟或基礎架構，檢驗測量變數與潛在變數的假設 關係，屬結構方程模式最基礎的測量部分（Bentler,1989）。Marsh and Hocevar
（1985）提出以目標係數T（Target Coefficient）作為判斷準則。若目標係數T接 近1.0，表示二階驗證性因素分析16可以取代一階驗證性因素分析17，顯示因素之 間受到更高一階因素的共同影響，其公式如下：目標係數T＝一階模式卡方值÷
二階模式卡方值。
三 三 三
三、、、、應用線性結構方應用線性結構方應用線性結構方應用線性結構方程程程模式程模式模式 模式
如下將探討線性結構模式之優點和必要性與模式之概念，內容：
（一）應用線性結構方程模式之優點和必要性
傳統上，探討一組可觀測變數間線性系統方程組的因果關係式，即為路徑分
16因素都受到更高一階因素的共同影響。
17因素間只有相關，沒有因果關係，以曲線連接表示。
析（Path Analysis），它由多組複迴歸方程式所組成，並透過假設性的架構，將不 同的方程式加以組合，形成結構化的模式。Joreskog 等人於 1970 年代提出統計 模式與電腦程式結合的相關概念後，社會學家已了解到利用結構關係模式在研究 因果關係上之優點，尤其是可以對社會科學不可觀測的變數和測量誤差等問題以 自然的方式表達，再加上電腦軟體的普及應用與其強大的功能，讓使用者操作更 加便利，因此線性結構方程模式已逐漸取代傳統的路徑分析。
線性結構方程模式主要用於探討顯性（Manifest）變數與潛在（Latent）變 數間的測量關係式，以及潛在變數與潛在變數間的線性關係式，關係式可以路徑 圖的方式呈現；線性結構方程不僅能夠整合各種重要統計技術：例如傳統的因素 分析、迴歸分析、典型相關、路徑分析等，其強大的統計分析功能，也可以應用 到各種不同的情境中。然而線性結構方程模式與傳統路徑分析最大的不同在於，
傳統的路徑分析無法處理社會科學研究中潛在變數的問題，但線性結構方程可以 在處理潛在變數之際，亦進行路徑因果關係的檢測，並對測量誤差進行控制，而 路徑分析則無法解決。
本研究試圖了解導入電子商務對房屋仲介業者企業績效的影響，找出電子商 務的功能、投入，以及房屋仲介從業人員對電子商務的接受程度是否與企業績效 之間產生因果關係。本文將電子商務功能與電子商務投入設為外生潛在變數，房 屋仲介從業人員對電子商務的接受程度設為中介變數，而企業績效則設為內生潛 在變數，以線性結構方程模式來設定模型，進行電子商務功能、投入，以及房屋 仲介從業人員對電子商務的接受程度，檢測與企業績效之間的因果關係，並估計 其測量誤差，進而探討本研究假設是否能夠得到驗證。
（二）線性結構方程模式之概念
線性結構方程模式主要探討變數之間的線性關係，並對顯性變數（可觀測變 數：manifest variable）與潛在變數（不可觀測變數：latent variable）之因果模式
做假設檢定，融合了因素分析（factor analysis）與路徑分析（path analysis）兩種 統 計 技 術 。潛 在 變 數 又 分 為 外 生 變 數 （ exogenous variables ） 與 內 生 變 數
（endogenous variables）兩大類，外生變數是促使內生變數跟著變化的原因，而 內生變數則是隨著外生變數變化的結果。至於模式型態則包含兩種，一是測量模 式（measurement model），也就是觀察變數與潛在變數間的關係，另一種模式為 結構模式（structural model），即潛在變數間的關係18。結構方程模式之分析步驟 如下：1.建立有依據的暫定模式，並畫因果關係的路徑圖；2.將路徑圖變成結構 方程式與測量方程式；3.對提出模式自由參數進行參數估計；4.評估模式的方程 式；6.評估整體模式的配適度（陳順宇，2005）。以下針對模式方程式與整體模 式配適度評估作詳盡說明：
1.結構模型方程式
結構模型方程式是對外生潛在變數（ξ）與內生潛在變數（η）間提出一假設 性的因果關係式，其可表示為：
η＝βη＋γξ＋ζ 或 βη＝γξ＋ζ （3.1）
2.測量模型方程式
分成兩部份，一為內生變數的測量，一為外生變數的測量，內生變數的測量 說明了內生潛在變數（η）與內生顯性變數（y）之間的關係，外生變數的測量說 明外生潛在變數（ξ）與外生顯性變數（x）之間的關係，其可表示為：
y＝λyη＋ε （3.2）
x＝λxξ+δ （3.3）
ξ（xi）是指外生潛在變數，η（eta）是內生潛在變數，γ（gamma）是外生
18觀察變數也可稱為可測量變項（measured variables）、觀察測量（observed measures）、項目
（items）、 指標（indicators）。其中指標是最常與觀察變項交替使用的名詞。
潛在變數對內生潛在變數之影響效果的係數矩陣，β（beta）是內生潛在變數對 內生潛在變數之影響效果的係數矩陣，ζ（zeta）是指「殘餘誤差」向量。（3.2）
和（3.3）兩個方程式則是反應觀察變項與潛在變數的測量模型，y 是內生顯性變 數，λy（lambda y）是描述 y 與 η 之關係的因素負荷係數矩陣，ε（epsilon）是 y 的測量誤差。x 是外生顯性變數，λx（lambda x）是描述 x 與 ξ 之關係的因素負 荷係數矩陣，δ（delta）是 x 的測量誤差。
3.整體模式配適度評估
在模式配適度的評估上，Bagozzi and Yi（1988）認為必須從三個部分來進 行評估，分別為基準配適標準（preliminary fit criteria）、整體模式配適度（overall model fit）和模式內在結構配適度（fit of internal structure model），參照表 3-11。
以下分別說明基準配適標準、整體模式配適度和模式內在結構配適度之判斷標 準。
1.基準配適標準（preliminary fit criteria）
（1）誤差變異數
誤差變異數無負值，若變異數估計值為負值（heywood cases），處理方式是 將此變異數目設為很小的正數，如 0.005。
（2）因素負荷量
Lambda X（因素負荷量）及 Lambda Y（因素負荷量），介於 0.5~0.95 之間 為理想值。
2.整體模式配適度（overall model fit）
（1）卡方值（χ2）
卡方值（χ2）越小表示整體模式與實際資料越契合，不顯著（P＞0.05）的卡 方值表示模式與實際資料相配適，但卡方值易受到樣本數影響，樣本數越大卡方 值越容易達到顯著，致使理論模式被拒絕的機率大，卡方值檢定適用的樣本數介
於 100 至 200 份之間，當樣本數超過 200 份以上的模式需要再參考其他指標（吳 明隆、涂金堂，2005）。
（2）卡方值自由度比（χ2/df）
由於卡方值會受到自由度的影響，自由度越大卡方值越大，而卡方值會受到 樣本數的影響，因此採用卡方值自由度比（χ2/df）檢驗模型契合度，當卡方值自 由度比小於 5，表示模型配適度可以被接受，卡方值自由度比小於 3，表示模型 配適度理想( Joreskog and Sorbom, 1993)。
（3）適配度指數（goodness-of-fit index,GFI）
GFI 類似於迴歸分析當中的可解釋變異量（R2），表示假設模型可以解釋觀 察資料的變異數與共變數的比例。GFI 值介於 0~1 之間，數值越接近 1 表示適配 度越好，一般判別標準以數值大於 0.9 表示模式與實際資料具有良好的契合度
（Hu and Bentler, 1999）。
（4）調整後適配度指數（adjusted goodness-of-fit index,AGFI）
AGFI 類似於迴歸分析當中的調整後可解釋變異量（adjusted R2），當 GFI 越 大，AGFI 也會越大，AGFI 數值越接近 1，表示模型適配度越佳，一般判別標準
AGFI 類似於迴歸分析當中的調整後可解釋變異量（adjusted R2），當 GFI 越 大，AGFI 也會越大，AGFI 數值越接近 1，表示模型適配度越佳，一般判別標準