‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
研究過程與結果
PLS 模型的分析中，我們要檢驗測量模型的信效度，在測量模型的信效度 方面有六個條件：
(1) 各別因素負荷量（loading）必須大於 0.7 (2) 組合信度（composite reliability）必須大於 0.7
(3) Cronbach’s alpha 必須大於 0.7，以確保內部一致性的程度 (4) 平均變異萃取量（average variance extracted, AVE）須大於 0.5 (5) 該因素負荷量必須大於其他因素負荷量
(6) 每個構面 AVE 的開根號必須大於與其他構面的相關係數。
上述條件中(1)~(3)為判斷模型信度之依據，(2)~(5)項為判斷收斂效度之分析、
(6)則為區別效度之分析。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
作者將回收的資料執行 PLS 演算法之運算，結果如下圖 16、17：
圖 16、原始資料執行 PLS 運算
圖 17、原始資料執行 PLS 運算(放大)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
可以發現在 Fulfillment 構面中 F6、F7 不符合因素負荷量大於 0.7 之條件 (誤差可接受 0.1，即為大於 0.69)，故 F6、F7 中先拿掉與 0.7 差距最大的 F7，
再次進行 PLS 演算法之運算。結果如下圖 18、19：
圖 18、刪除 F7 後，執行 PLS 運算
圖 19、刪除 F7 後，執行 PLS 運算(放大)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 10 中，F6 依然離沒有滿足因素負荷量大於 0.7 的條件，故作者將 F6 刪 除後，再次執行一次 PLS 演算法。結果如下圖 20、21：
圖 20、刪除 F6、F7 後，執行 PLS 運算
圖 21、刪除 F6、F7 後，執行 PLS 運算(放大)
‧
Sample Mean (M)
Standard Error (STERR)
T Statistics (|O/STERR|) 變項的 Cronbach's Alpha、組合信度(Composite Reliability，CR)及平均萃取變異量 (Average Variance Extracted，AVE)等三種指標，即代表研究模型具有收斂效度。
結果如下表 6、7、8：
‧
表 6、Composite Reliability
Original Sample (O) Sample Mean (M)
Standard Error (STERR)
T Statistics (|O/STERR|)
表 7、Average Variance Extracted (AVE)
Original Sample (O) Sample Mean (M)
Standard Error (STERR)
T Statistics (|O/STERR|)
‧
表 8、Cronbach’s Alpha
Original Sample (O) Sample Mean (M)
Standard Error (STERR)
T Statistics (|O/STERR|)
五個構面 Behavior、Fulfillment、System、Satisfaction、UserInterface 之組合 信度(CR)分別為 0.931、0.873、1.000、1.000 及 0.914；Cronbach’s Alpha 分別為 0.851、0.818、1.000、1.000、0.811；AVE 分別為 0.870、0.578、1.000、1.000、
0.841。評斷標準如下表 9：
‧
量變項的平均萃取變異量(AVE)，皆超過 0.5 以上；Cronbach’s Alpha 係數上，均 超過 0.7 以上。三項係數的數值均超過該標準，均符合理想結果，由此可得知，所有測量變項均收斂於各對應的構面。至此，我們可以評斷模型有了信度與收斂 效度。本研究之整體變項參數估計如下表 10：
表 10、本研究之整體變項參數表
構面 代號 CR AVE Cronbach’s Alpha Fulfillment F1
F2 UserInterface U1
U2
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
確認了信度與收斂效度後，我們要確認模型的區別效度。表 11 中，對角線 為各構面 AVE 值開根號，下三角的部分則為各構面間的皮爾森相關係數。我們 可以看到 AVE 值開根號的最小值 0.7607 大於皮爾森相關係數的最大值 0.6636，
因此，我們可以說各構面為不同的構面，具有「區別效度」。區別效度的結果如 下表 11：
表 11、區別效度
Behavior Fulfillment Satisfaction System UserInterface
Behavior 0.9328
Fulfillment 0.6636 0.7607
Satisfaction 0.6153 0.6212 1.0000
System 0.2366 0.3467 0.3836 1.0000
UserInterface 0.4512 0.5904 0.6417 0.4241 0.9171
資料來源:本研究
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
另外，在統計中，R2是內生潛在變數，當 R2>0.67 為具實務上的價值，R2=0.33 左右表示中度解釋能力，R2=0.19 左右時表示解釋能力薄弱。從圖 9 得知，滿意 度的 R2值為 0.509 具有中上程度的解釋能力；滿意度的 R2值為 0.379 具有比中 等程度高一點的解釋能力。原始結果如下圖 22、表 12：
表 12、R Square(R2)
Original Sample (O) Sample Mean (M)
Standard Error (STERR)
T Statistics (|O/STERR|)
P Values
Behavior 0.379 0.383 0.063 6.016 0
Satisfaction 0.509 0.517 0.054 9.442 0
資料來源:本研究
圖 22、R2計算結果(圖中藍點內之數字)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
至此，模型的信效度可被接受，我們可以進行顯著性檢定的動作，由於 PLS 的資料分配並無法得知，因此無法利用傳統方法求得，故使用 Bootstrapping，進 行顯著性檢定。結果如下圖 23：
圖 23、跑完 Bootstrapping 後
圖 23 中，構面與構面間連線上的數字即代表 t 值，只要 t 值>1.96 即 為顯著，對比圖 3 的研究假說模型，我們可以得知檢定結果如下表 13：
表 13、檢定結果
假說 結果
H1：系統穩定度對使用者整體滿意度有顯著正向的影響。 拒絕 H2：介面易用度對使用者整體滿意度有顯著正向的影響。 接受 H3：使用者對本研究之功能設計對滿意度有顯著正向的影響。 接受
H4：滿意度正向影響忠誠度。 接受
資料來源:本研究
‧
一道題目：「整體來說，我在使用 Basketball Addiction 時，沒有遇到網頁連線的 問題。」也就是使用者在使用 Basketball Addiction 時有遇到網頁連線上的問題，透過填答者留下來的 E-mail，作者寄信請問這些使用者們遇到的問題。在留 Email 及有回信的使用者中，有六位填答不符合、非常不符合的使用者表示網頁速度太 響(t=5.281, t>1.96)且解釋程度達到 50.8%，這構面的兩道題目分別為：「整體來 說， Basketball Addiction 的使用介面清楚且可以很快地找到需要的功能」及「整 體來說，我容易操作 Basketball Addiction 的介面」，也就是說，在本研究範圍中，
開發一個專注於特定領域的社交媒體網站時，使用者介面清楚、可以讓使用者可 以很快地找到其所需要的功能、此使用者介面是容易操作，會顯著影響使用者對 於一個專注於特定領域的社交媒體網站的滿意度。
‧
「Basketball Addiction 是讓我增加與朋友的情感，以及延伸籃球社交圈」、「我會 想用 Basketball Addiction 看其他使用者的個人簡介(Profile)來瞭解其實力」、
「Basketball Addiction 能讓我了解其他使用者在比賽中的表現」、「我會想用 Basketball Addiction 記錄賽後的數據」、「我可以透過 Basketball Addiction 的討論 區得到想知道的籃球相關的專業知識」、「整體來說，我在使用 Basketball Addiction 時，沒有遇到資料出錯的問題」。
其中，後面兩題在進行 PLS 運算後，其信度不足以採納，無法對「使用者對 本研究之功能設計對滿意度有顯著正向的影響」構面作為評量的那把尺(信度)；
「我可以透過 Basketball Addiction 的討論區得到想知道的籃球相關的專業知識」
這題上，作者推測是因為 Basketball Addiction 是一個全新架設的網站，裡面本身 還未建立足夠多的專業知識(需要累積)讓使用者學習，而在「整體來說，我在使 用 Basketball Addiction 時，沒有遇到資料出錯的問題」上，經過討論，應是題目 文字設計不當，不足以代表 Fulfillment 這個構面。
「我會使用 Basketball Addiction 與其他使用者分享或交換意見、經驗、看 法」、「Basketball Addiction 是讓我增加與朋友的情感，以及延伸籃球社交圈」這 兩題代表「社交」因素，代表本研究確實讓使用者有感受到社交在 Basketball Addiction 上發生。剩下的三題「我會想用 Basketball Addiction 看其他使用者的 個人簡介(Profile)來瞭解其實力」、「Basketball Addiction 能讓我了解其他使用者 在比賽中的表現」、「我會想用 Basketball Addiction 記錄賽後的數據」，代表著在 專業領域的功能設計上，讓使用者來到 Basketball Addiction、使用功能後，有滿 足來此處想得到的服務。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
H
4：滿意度正向影響忠誠度
由表 13 可以得知，這個假說是被接受的，滿意度正向影響忠誠度有顯著的 影響(t=12.167, t>1.96)。此處的忠誠度也就是行為忠誠度，這代表在一個專注於 特定領域的社交媒體網站如同大部分的網站相同，滿意度能夠顯著的正向影響行 為忠誠度，Basketball Addiction 也不例外的符合這個敘述。