資料分析方法

為驗證本研究理論假說，茲將蒐集之問卷根據有效問卷的份數進行實證分析，資 料採用下列幾項數量統計方法加以統計分析，統計方法包括敘述性統計分析、驗證性 因素分析、結構方程模式、調節迴歸分析，使用 SPSS、AMOS 統計套裝軟體進行相 關資料分析與驗證。

一、 敘述性統計

本研究採用 SPSS 中的敘述性統計分析來瞭解人口統計變數的情況(性別、年齡、

教育程度、每月可支配所得等)，並說明受測者對於各構面之次平均數、標準差、次數 分配表及百分比等基本統計，分析樣本在各構面分布的情形，其中平均數代表活動受 測者對該問項的看法，利用平均數做比較，平均數越高代表該屬性較為受測者所重視。

而標準差則可視為評量回收的樣本對於該問項之一致性指標，樣本標準差越小，表示 受測者對該問項較有一致性看法。

二、信度分析

(一) 構面信度

1. 本研究採用 Cronbach`s α係數來衡量構面信度，來檢定各主要觀念變數之衡量 問項間的內部一致性與穩定性，根據 Hair et al. (1998)建議 Cronbach’s α 介於 0.7 到 0.9 之間就算是高信度值；若低於 0.35 者，就必須拒絕，實務上 α 值只要 0.6，

即可宣稱該衡量工作的信度是可以接受的。

三、 驗證性因素分析

利用 AMOS 軟體進行驗證性因素分析，以最大概似估計法（Maximum Likelihood Estimation, MLE）檢測研究工具的信、效度。檢測指標參考以下列指標做為判斷：

56

(一) 個別項目信度（Individual item reliability）

衡量模式達到理想的基本模式適合度，評估準則為多元相關的平方（square multiple correlations；SMC）是否達 0.4 以上，測量變數對該構面的因素負荷量是否為 0.50~0.95 具統計顯著性(Bagozzi & Yi, 1988)。

(二) 構面的組成信度

本研究採用組成信度(Composite Reliability, CR)來衡量同一個潛在變數的所有測 量變數之間否具有一致性，並採用 Fornell 和 Larcker (1981)建議值為 0.6 以上，若潛在 變數的 CR 值愈高，表示衡量指標愈能測出建構信度。

(三) 收斂效度

收斂效度(Convergent Validity)是指量測相同構面項目間的相關性要高。Fornell 和 Larcker (1981)建議可採用各構面與其對應之問項所萃取的平均變異抽取量(Average Variances Extracted, AVE) 是計算各測量變數對構面的平均解釋力，並達 0.50 以上表 示具收斂效度，即表示該量表具有收斂效度。

(四) 區別效度

區別效度(Discriminate Validity)是指量測不同構面項目間的相關性要低，且測量某 個建構工具所產生的結果，是否不同於其測量相類以的建構的工具所得的結果。因 Fornell and Larcker(1981)建議區別效度可由 AVE 值的平方根皆大於與各構面之相關係 數值來判斷，而本研究所使用的為測量模型來設算區別效度，因此，當構面的數值大 於其他構面的數值時，即表示該模式具有區別效度。

四、結構方程式模式分析

結構方程模式（Structural Equation Modeling，簡稱 SEM）是一門基於統計分析技 術的研究方法學，用以處理複雜的多變量研究數據的探究與分析。

根據 Bagozzi 和 Yi（1988）提供的適合度指標（goodness-of-indices）進行整體模式 配適度的評估。模式適合度評鑑的目的，主要是判斷研究者所建構的理論模式是否能

57

夠對實際觀測所得的資料予以合理的解釋。本研究欲利用卡方值自由度比（χ ² /d.f.）、 配適度指標（Goodness of Fit Index；GFI）、調整的配適度指標（Adjusted Goodness of Fit Index；AGFI）、比較配適度指標（Comparative-Fit Index；CFI）、基準配適度指標（Normed Fit Index；NFI）、簡約配適度指標（Parsimony Goodness-of-Fit Index；PGFI）、簡約調 整後之規準配適度指標（Parsimony-Adjusted NFI；PNFI）、殘差均方和平方根（Root Mean Square Residual；RMR）與漸進殘差均方和平方根（Root Mean Square Error of Approximation；RMSEA）等九項指標進行整體模式的適配度評估。

主要目的在於檢驗潛在變數(Latent variables) 和外顯變數(Manifest variable, 又稱 觀察變數)之關係與數個潛在變數間的因果關係，另外 Tomarken 和 Waller (2005)則整 理出 SEM 的主要功能：

(一) 能測量潛在構面與觀察變數的評估(CFA)；潛在構面之間的關係。

(二) 可以同時利用一些線性方程式評估模型配適度。

(三) SEM 可以提供模型比較，包括巢形結構的卡方差異性檢定 (Δχ2)、ΔCFI 及非巢形結構比較(AIC, ECVI)。

(四) SEM 允許研究人員直接測試模型。

兩套軟體皆有提供結構方程模式的功能，分別為 LISREL 與 AMOS 軟體，但因 AMOS 在有用性上與易用性上功能皆非常完善，且 AMOS 最大的優勢在於其路徑圖 的圖形使用者介面，免去如 LISREL 中界定八大參數矩陣的繁瑣，本研究將採用 AMOS 軟體進行結構方程模式分析，以衡量整體模式配適度。

58

五、調節迴歸分析

故使用調節迴歸分析來檢定其間之關係乃為適當。因此本研究擬採用調節迴歸分 析（Moderated Regression Analysis），目的是用來檢定調節迴歸方程式中的交互作用項，

對於方程式的預測能力 Sharma et al.利用 Subgroup、MRA（Moderated Regression Analysis）的統計分析方法建構出一套界定各項調節變數的架構，其流程如下：

1. 確認其是否符合調節變數的假設。

2. 如果符合假設，透過 Sub-Group analysis，由誤差項(error item)影響樣本 資料，如 果符合則是對應調節變數(Homologizer)；或是透過與獨立變數之間的交互作用影 響樣本資料。

3. 若是透過交互作用影響研究樣本資料，再由調節變數與獨立變數之間的 相關程度 決定是準調節變數(Quasi Moderator)或是完全調節變數(Pure Moderator)。

(1) 透過各子集合（SubGroup）的誤差項間接影響原始權變關係的強度（Strength），此 種調節變數稱之為相應調節變數（Homologizer），它發生之可能原因是問卷問項的 不合適，此時就須重新設計合適的問卷；此外，也有可能是對自變數分割子集合

（Subgroup）時，分割的方式與欲探討的議題關聯程度太低所造成。

(2)透過調節變數與自變數間的交互作用影響原始模式。

(3)若是透過交互作用影響研究模式，再由調節變數與自變數間的關聯性決定其為準調 節變數（Quasi Variable）或是完全調節變數（Pure Moderator）；與自變數有交互作 用之調節變數，會藉由其交互作用影響原始研究模式的結構，此時須由調節迴歸模 型中調節變數各項係數的大小與正負去解釋其對原始權變關係之不同影響。

59