資料分析方法

本研究之統計分析軟體採用 SPSS 20 與 SmartPLS 2.0 進行敘述性統計分析、

30

效度與效度分析與結構方程模型分析。

一、 敘述性統計分析

本研究針對填答者的基本資料、網路使用情況與各構面之現況採敘述性統計 分析，填答者基本資料包含性別、年齡、最高學歷、職業與居住地區等問項。網 路使用現況包含每日網路使用時間與透過網路所結交的朋友等問項。另對各構面 之題項進行敘述性統計分析，對受測者之行為現況進行了解。

二、 信度與效度分析

信度（Reliability）用來衡量項目結果的一致性程度與穩定程度。傳統研究 中普遍使用Cronbach’s α 做為信度衡量之工具，當 Cronbach’s α 值越大時，表示 內部一致性越高，若Cronbach’s α 值大於 0.7 時，表示具有高信度；當 Cronbach’s α 值介於 0.35 至 0.7 之間時，即具有中信度；若 Cronbach’s α 值小於 0.35 時則為 信度不良，Hair、Anderson、Tatham 與 Black（1998）建議在實務研究上 Cronbach’s α 的最低門檻為 0.6，低於 0.6 時不建議採用。另在結構方程式模型（Structural equation modeling , SEM）中信度分析也必須針對組合信度（Composite Reliability, CR）進行檢定當 CR 值大於 0.7 時具有良好的組合信度。

效度（Validity）用來衡量問項的概念定義與具體觀察的操作定義指標是否 相符合，可檢定問卷結果之正確性與適切性。本研究之量表效度採用收斂效度與 區別效度兩項指標進行檢定。

收斂效度是衡量同一構面所測量之變數的符合程度。本研究之收斂效度，參 考 Hair、Anderson、Tatham 與 Black（1998）所提出的衡量指標，透過個別項目 的信度（Individual Item Reliability）、潛在變項組成信度（Composite Reliability, CR）

與潛在變項平均變異萃取（Average Variance Extracted, AVE）三項指標進行衡量，

當此三項指標達到標準，代表本研究具有收斂效度。

區別效度用於檢視不同構面變數間的區別程度。將各構面之 AVE 平方根填 入相關矩陣的對角欄位中，若此值大於垂直或水平之各共享變異值，則代表具備 區別效度。

三、 推論性統計

本研究採用獨立樣本 T 檢定與單因子變異數分析（one-way analysis of variance, one-way ANOVA）針對人口統計變數於各構面之差異進行分析，並且對 差異進行比較。

31

(一) 獨立樣本 T 檢定

本研究採用獨立樣本 T 檢定針對不同性別、感情狀態與線上交友現狀的情 況下，對各構面所產生的差異進行檢定。採用 Levene 檢定當 p>0.05 時，接受兩 母群體變異數相等之虛無假設並檢定 t 值，當 t 值大於 1.96 的顯著水準時，表示 不同分組間存在顯著的差異；當 p<0.05 時，拒絕兩母群體變異數相等之虛無假 設並檢定 t 值，當 t 值大於 1.96 的顯著水準時，表示不同分組間存在顯著的差異。

(二) 單因子變異數分析

本研究採用單因子變異數分析針對不同年齡、學歷、職業、網路使用時間與 居住地區的情況下，對各構面所產生的差異進行檢定。首先針對變異數同質性進 行檢定，於確認變異數同質性後，進行單因子變異數分析當 p value 達到顯著標 準（p<0.05），表示不同的分組間具有顯著差異存在，事後檢定透過 Scheffe 法對 不同分組間的差異進行比較。

四、 結構方程式模型分析

在結構方程式（Structural Equation Modeling, SEM）中，利用因素分析與路 徑分析針對觀察變項與潛在變項間的線性關係進行檢定。

本研究之路徑係數檢定採用 SmartPLS 2.0 之 PLS 演算法對路徑係數進行驗 證，路徑係數能驗證各構面間之關係強度與方向，其正負值代表構面間之正負相 關，當路徑係數為正時，代表兩構面間呈現正相關，若路徑係數為負時，代表兩 構面之間呈現負相關。

Bootstrapping 是一種利用有限的樣本資料經過多次隨機重複的抽樣，建立出 一個足以代表母體樣本分配的新樣本，並對母體樣本分配能進行準確描述的演算 法，因此本研究顯著效果採用 SmartPLS 2.0 之 Bootstrapping 進行驗證，並計算 t 值進行驗證，當 t 值大於 1.96 時，表示達到 α<0.05 之顯著水準；當 t 值大於 2.58 時，表示達到α<0.01 之顯著水準；當 t 值大於 3.29 時，表示達到 α<0.001 之顯 著水準。

32