資料分析

一、幾何平均數

依據本研究架構設計（如圖 3-1），在「專家篩選階段」對企業網路銀行概略 關鍵因素施以專家問卷評估調查，所得之統計結果參考 Saaty(1996)建議使用的 幾何總平均數來訂定門檻並作為準則保留或刪除之篩選標準，因幾何平均數具有 (1)感應靈敏、(2)嚴密確定、(3)適合代數運算、(4)受抽樣變動的影響較小、(5) 特別適用於求比例之平均等之多項優點。

本研究計算時將先統計各準則項次之幾何平均數，再將各準則之幾何平均數 計算整體幾何總平均數，以幾何總平均數作為一個分界點(cut-point)與各別準 則之幾何平均數作比較，取其幾何總平均數以上的準則，刪除幾何總平均數以下 的準則。例如有 5 個樣本數值分別為 2、5、4、3、6，計算幾何平均為 2×5×4×3

×6=720，對 720 開 5 次方根號得到幾何平均數（取小數 4 位）為 3.7279，以此數 為標準，刪除低於幾何平均數 2、3 數值。

二、因素分析

因素分析是多變項方法的應用之一，應用最廣泛的是把多個複雜難以解釋又 彼此相關的變項，轉換成單純少數有概念的意義，且彼此獨立性較大的因素（吳 明隆，2011）。所以因素分析作法上可以說是透過探討一組量測變項與某個概念 間的關係，使研究者可以對此一概念提出量化之描述（王春和、唐麗英，2006）。

因此因素分析的目的是可以較少的構面來表達原始資料涵義，採用因素分析 可以拮取變項間的共同因素（Common Factor)，簡化原始較複雜的資料結構並以 較少的構面表示。故因素分析最主要是探討多個變項間之關係，當變項間相關係 數很大時就表示變項問可能有隱含共同因素存在，依據 Kaiser（1974）的觀點，

可以從取樣適合性量數 KMO（Kaiser-Meyer-Olkin measure of sampling adequacy）

值的大小來判斷，藉此衡量變項問之相關性是否可使用因素分析，KMO 值介於 0 至 1 間，其值愈接近 1 時，表示變項的相關愈高，愈適合進行因素分析，KMO 值 判斷原則如表 3-7 所示。

表 3-7：KMO 值判斷原則表

KMO 值 因素分析合適性

0.90 以上 極適合進行因素分析

0.80－0.90 適合進行因素分析 0.70－0.80 尚可進行因素分析 0.60－0.70 勉強可進行因素分析 0.50－0.60 不適合進行因素分析

0.50 以下 非常不適合進行因素分析 資料來源：吳明隆(2011)。SPSS 統計應用學習實務-問卷分析與應用統計（頁 3-9，3-10）。新北市：易習圖書。

在 決 定 因 素 抽 取 方 法 上 常 用 有 主 成 份 分 析 法 （ principal component analysis）、主軸因素法（principal axis factors）、最小平方法（least square method）、最大概似法（maximum-likelihood method)等，其中主成分分析法的 使用最普遍，研究者應多採用主成分分析法來估計因素負荷量（吳明隆）。故本 研究亦採主成分分析法以資應用。

此外，萃取共同因素是抽取因素數目愈少卻能解釋各變數之變異資料愈多愈 好。決定共同因素數目方法常用有：特微值法、陡坡檢定法、累積變異數百分比 法（黃俊英，2000）。簡述如下：

（1）特徵值法：由特徵值（ eigenvalue ）大於 1.0 為分界，解釋變異數 之能力小於 1.0 之因素則不予以選取（黃俊英，2000）。

（2）陡坡檢定（scree test）法：陡坡檢定將因素特徵值大小排列，找出 特徵值曲線坡度變緩轉折點，即可找出適當之因素個數（王春和，唐麗英，

2006)。

（3）累積變異數百分比法：在抽取出之因素能解釋的累積變異數達到一定 百分比後，繼續抽取之因素對變異數只能解釋小部分的變異數而已，故低於 5%

者即不選取（黃俊英，2000）。

以上因為特徵值法是每個變項在某一共同因素之因素負荷量的平方總和，且 在因素分析的共同因素抽取中，特徵值最大的共同因素會先被抽取，能以以最少

的共同因素，對總變異量做最大的解釋。黃俊英認為因素分析主要目的在於以較 少的構面數目來顯示原始的資料結構，且能保存原有資料結構所提供的大部份訊 息，因此本研究在萃取時亦採用特徵值法。

三、網路分析程序法

網路分析程序法是在明確定義研究問題後，參考相關文獻，透過專家訪談，

利用因素分析找出準則構面與準則屬性，建立合適的網路層級架構，將網路分析 程序法中之成對比較評估尺度以語意變數來表示，轉換語意變數，建立成對比較 矩陣，解成對比較矩陣之特徵向量，計算權重作為優先順序之評估（陳泓勳，

2009）。

四、建立成對比較矩陣

依據評選企業網路銀行因素評估構面與屬性構成網路層級架構進形成對比 較，包括 (1)在需求點目標考量下，準則間兩兩成對比較。(2)在單一準則考量下，

其他準則兩兩成對比較。(3)在單一準則下，各需求面兩兩成對比較；形成成對 比較矩陣後，檢驗其單一問卷之一致性，確定為有效問卷後，再利用語意變數將 其轉換為成對比較矩陣。

五、求成對比較矩陣之特徵向量

本研究運用 Chang(1996）提出之範圍分析法（extent analysis method）以 及成對比較矩陣概念，計算層級架構中，構面與屬性相互影響相對權重值。

假設 X＝｛x1, x2, ..., xn｝為屬性集合，U＝｛u1, u2, ..., un｝為目標 集合，範圍分析法（extent analysis method）可計算每一目標集合之屬性 gi 範圍值而 m 個目標集合之範圍分析值定義如下：

Mgi1, Mgi2, ..., Mgim，i＝1,2,...,n，其中 Mgij (j＝1,2,...,m) ，範 圍分析法之計算步驟：

步驟 1：定義第 i 個屬性的綜合評估值，公式如下

Si＝Σj=im Mgij ⊙﹝Σi=1n Σj=1m Mgij﹞-1

為求得Σj=1m Mgij，進行 m 次範圍分析值的運算，並建立分析矩陣如下公 式：

Σj=1m Mgij ＝﹝Σj=1mlj，Σj=1mmj，Σj=1muj﹞

為求得〔Σi=1n Σj=1m Mgij〕-1，進行 Mgij(j=1,2,...,m)的運算如下公 式：

Σi=1n Σj=1m Mgij＝﹝Σi=1nli，Σi=1nmi，Σi=1nui﹞

六、權重矩陣

依建構之屬性與構面之網路層級架構圖建立權重超級矩陣，如圖 3-2 其中 I 為單位矩陣，Wa 超級矩陣準則間為相互獨立，Wb 超級矩陣準則間存在相互依存 關係；W21 為目標對各準則影響所形成之向量矩陣，W32 為準則對各方案影響所

形成之向量矩陣，W22 為準則間存在相互依存關係之向量矩陣，0 為要素間彼此 獨立。

圖 3-2：超級矩陣

資料來源：Saaty（1996）。

七、權重矩陣之整合

專家間存在有差異的評比時，需進行整理合併，來賦與所有專家之權重。本 研究所整合之資料係由成對比較矩陣計算而得之特徵向量，因此本研究採用幾何 平均數做為整合多位專家評比結果之計算方式。

八、計算權重作為方案優先順序之評估

將各權重矩陣置入超級矩陣中，可得未加權之超級矩陣，再經由權重分配，

將未加權超級矩陣轉換成已加權超級矩陣，由 Super Decisions 軟體之計算後之 極限化超級矩陣，得各準則構面、屬性與方案之權重，再轉換各權重之標準化權 重。依據各方案所得之標準化權重做為分配資源時優勢度之排序（柯意如，2012）， 供銀行業者在企業網路銀建置或修正系統平台時之構面考量。