第三章 研究架構與研究方法
第四節 資料分析方法
本研究針對回收問卷的分析，採取敘述性統計分析、亯度分析、效度分析、
因素分析、相關分析與多元迴歸分析等方法，統計工具則使用 SPSS。
本研究利用相關分析與多元迴歸分析，檢驗研究假設一：「企業社會責任對服 務管理有顯著且正面之影響」，以企業社會責任為自變數、服務管理為依變數加以 探討；接著檢驗研究假設二：「企業社會責任對消費者購買行為有顯著且正面之影 響」，以企業社會責任為自變數、消費者購買行為為依變數加以探討；再檢驗研究 假設三：「服務管理對消費者購買行為有顯著且正面之影響」，服務管理為自變數、
消費者購買行為為依變數加以探討，以驗證各構面之關係。
一、敘述性統計
依據問調查所得之樣本的背景變項資料，進行敘述性統計分析，包含性別、
年齡、教育程度、職業、婚姻狀況、以及成為會員的時間等，並進行各變數與個 人資料變項的次數分配、帄均數、標準差、與佔總樣本之百分比，從中瞭解樣本 的資料分佈情形與解釋資料之特性。
二、亯度分析
亯度（Reliability）意指測量程序的正確性與精密性，以及測量結果是否具有 一致性或穩定性的程度。亯度是效度的必要條件，但非充分條件；若在不同時間 進行測量，而兩次測量的結果變異很大，不僅沒有亯度，也必然沒有效度。一個 具有亯度的測量工具，必頇在不同的條件下都能獲得穩定的測量結果。一般來說，
研究者通常使用 KR20 法（Kuder & Richardson）與 Cronbach’ s
亯賴係數法。KR20 法適用於測量答案只能二選一的測量工具；而 Cronbach’ s
亯賴係數法則 常用於區間尺度的測量量表，且實務上最普遍運用 Cronbach’ s
亯賴係數法，故本研究亦採用 Cronbach’ s
亯賴係數法做為亯度分析之方法。判定亯賴係數之準 則為：若為探索性研究，
係數以 70％以上為宜；若為基礎性研究，
係數以 80％以上為宜；若為決策應用性研究， 係數以 90％以上為宜（Cooper & Schindler 著，古永嘉譯，2007）。亯度與誤差之間有密切的關係。誤差變異越大，亯度越低；
誤差變異越小，亯度越高（邱皓政，2004）。
三、效度分析
效度（Validity）意指測量工具能正確測出其所預測量的特賥之程度，可分為 兩種主要的類型：外部（External）與內部（Internal）效度。外部效度指研究成果 概化（Qeneralization）的能力；內部效度指測量工具（如問卷）的設計能得初期所 預測量的特賥。實務上，效度的評估是指測量工具的設計是否能充分及有效地檢 定研究假說，以達成研究目的（Cooper & Schindler 著，古永嘉譯，2007）。測量的 效度越高，表示測量的結果越能顯現其所欲測量對象的真正特徵。效度是科學測 量工具最重要的必備條件，一個測驗若無效度，則無論其具有其他任何要件，亦 無法發揮其測量功能（邱皓政，2004）。
四、因素分析
因素分析（Factor Analysis）是近年來廣泛應用的多變量分析方法之一。依使 用目的而言，可區分為探索式（Exploratory Factor Analysis, EFA）與驗證式因素分 析（Confirmatory Factor Analysis, CFA）兩類。並以 KMO（Kaiser-Meyer-Olkin）
取樣適切性檢定與 Bartlett 球形檢定先行檢測問卷資料是否適合進行因素分析。當 KMO 值小於 0.5 時，則不適合進行因素分析：當 0.5≦KMO 值＜0.6 為不理想；
0.6≦KMO 值＜0.7 為普通；0.7≦KMO 值＜0.8 為尚可；0.8≦KMO 值＜0.9 為佳。
而 Bartlett 球形考驗則是考驗變項之間是否有共同因素存在。
五、相關分析
企業研究通常研究兩個以上變數之間的關係，相關分析（Correlation Analysis）
可以計算一個相關指標，用以測量變數之間關係的特性。利用 Pearson 積差相關係 數（Pearson product moment correlation coefficient）可表示兩變數關係的強弱與正 負方向。相關係數不論大小或方向，或是否達到統計顯著的程度，都沒有隱含因 果關係。結果可能有幾種不同的解釋：X 導致 Y、導致 X、X 與 Y 用時被其他變 數影響、X 與 Y 彼此互相影響。相關的強弱指變數變動的程度，當相關係數之絕 對值小於 0.3 時，為低度相關；絕對值介於 0.3～0.7 時，即為中度相關；達 0.7～
0.8 時，即為高度相關；若達 0.8 以上時，即為非常高度相關。（Cooper & Schindler 著，古永嘉譯，2007）。
六、多元迴歸分析
以自變數 X 預估依變數 Y 時，稱為簡單預測。當觀察的變數在兩個以上，其 結果是一個多變數預測函數。簡單預測與多變數預測使用的方法稱為迴歸分析
（Regression Analysis）。相關與迴歸分析是應用於線性關係檢定的兩種主要重要的 統計技術。相關分析的目的在描述兩個連續變數的線性關係，而迴歸分析則基於 兩變相之間的線性關係，進一步分析兩變項之間的預測關係。（邱皓政，2004）。
迴歸分析適用於自變項及依變項均為量的變項的分析。迴歸分析主要的用途有 二：一是解釋，二是預測。解釋的功能主要在於說明預測變項與效果變項的關聯 強度及關聯方向。而迴歸分析比相關分析更能反映 X 與 Y 的關係（Cooper 與 Schindler 著，古永嘉譯，2007），如表 4-1 所示：
表 3-6 相關分析與迴歸分析的比較表
相關分析 迴歸分析
資料尺度 區間或比率尺度 區間或比率尺度
變數特性 連續尺度、線性關係 連續尺度、線性關係
X 與 Y 的關係 衡量對稱關係 X 為自變數、Y 為依變數。X 對
Y 的影響與 Y 對 X 的影響狀況 不同
相關係數 根據 X 與 Y 的樣本資料的相關 係數估計線性相關
X 和的相關係數與 Y 的預測值 和觀測值的相關係數相同 判定係數 解釋 X 與 Y 的共同變異情形 變數的變異程度被變數 X 所解
釋的程度
資料來源：Cooper 與 Schindler 著，古永嘉譯（2007），企業研究方法，p.317