資料分析與統計方法

本論文分析以商用軟體SPSS（Statistical Product and Service Solutions）進行資料分析與 模型建構。為了驗證本論文的研究假說，採用下列四項統計方法：首先是樣本結構分析法、

再以敍述統計分析法以及信效度分析法，最後採用多元迴歸分析法進行問題研究。

一、 樣本結構分析 (Structural Analysis)

首先對於經由問券回收，得到的樣本之個人基本資料透過樣本整體組成分析進行了解樣 本特徵，例如受訪者的任職公司、受訪者的性別、受訪者的年齡區間、受訪者的教育程度與 任職年資區間，與本研究的自變項，產品經理人的專業能力、領導能力與情緒智商，搭載中 介變數團隊成員的工作滿意度與最後的團隊成員之個人與團隊績效影響，進行統計分析，進 而得知受訪者資料在樣本中特性之分布情形。

二、 敘述統計分析 (Descriptive Statistic)

針對調查樣本資料，本論文研究使用敘述統計分析法。使用敘述統計分析法可以計算調 查樣本中各項問卷題項的平均數和各項問卷題項的標準差，依此觀察得知問卷受訪者對於變 項測量上的表現差異。問卷題項中得到的數值與其平均數與標準差。標準差越大，表示受訪 者對問題的看法越分歧，使得平均數的代表性越弱；反之，則越強。

三、 信效度分析 (Reliability and Validity Analysis)

代表準確程度 的量測 工具稱為信度 與效度 。為了讓研究 者可以 更精確的衡量 問 卷的 結果，通常會 透過信 度與效度分析 ，以便 測量出該研究 假說之 論點的關聯程 度。

（一）信度分析

信度分析即為可靠性分析，用途是作為檢驗問卷量表中，題項一致性的程 度。 本論文所使用 的信度 指標是由學 者 Cronbach 於 1951 年提出的，通常簡稱 Cronbach’ α，作為一致與否的衡量指標。

23

Cronbach’ α 數值代表意義，請參考表 3-1。

表3-1 Cronbach’α 數值意義

Cronbach’α 值的範圍 意涵

≧ 0.9 完全可信度

0.7 ≦ α < 0.9 高可信度

0.5 ≦ α < 0.7 中高可信度

0.4 ≦ α < 0.5 中低可信度

0.3 ≦ α < 0.4 低可信度

＜ 0.3 無可信度

公式說明：

(1) Cronbach’α 計算公式：

𝑎𝑙𝑝ℎ𝑎 = ( )(1 −

)

(m 表示題數，Si2表示每一題目分數的變異數，Sx2表示測驗總分的變異數)

(2) 組成信度(CR)計算公式：

(𝑠𝑢𝑚 𝑜𝑓 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑖𝑧𝑒𝑑 𝑙𝑜𝑎𝑑𝑖𝑛𝑔𝑠)

(𝑠𝑢𝑚 𝑜𝑓 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑖𝑧𝑒𝑑 𝑙𝑜𝑎𝑑𝑖𝑛𝑔𝑠) + 𝑠𝑢𝑚 𝑜𝑓 𝑖𝑛𝑑𝑖𝑐𝑎𝑡𝑜𝑟 𝑚𝑒𝑎𝑠𝑢𝑟𝑒𝑚𝑒𝑛𝑡 𝑒𝑟𝑟𝑜𝑟 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒

= (∑𝜆 )

(∑𝜆 ) + ∑ 𝑉𝐴𝑅(𝜀 )

(Hair, Black, Babin & Anderson, 2019)

24

（二）效度分析

效度分析則為有效性分析，它是用來瞭解問卷量表中，問卷內各題目是否能夠衡量 涵蓋所需探討的研究構面。學者 福內爾和拉克 (1981) 和巴格茲和伊 (1988)先後指出，若問 卷調查題項中的平均變異數萃取量AVE（Average Variance Extracted）高於零點五，代表測 量同一構念的多重指標彼此間收斂或是有高解釋程度，潛在變數被其觀察衡量變數的高相關 性，因此具有收斂效度（Convergent validity）；學者 Hair et al.（1998）建議，問卷調查題 項中AVE 開根號數值要高於所有不同構面間與該因素的相關係數，代表多重指標相收斂或 是呼應於同一個構面裡，則此構面的多重指標也應與其相對立之構面的測量指標有負向相 關，兩個構面間則具有區別效度（Discriminant validity）。

甲、收斂效度

(1) Cronbach α 係數若大於 0.7，表示同一潛在變項下各項目具一致性。

(2) 複合信度(CR)須大於 0.6，以衡量同一潛在變項下各項目的一致性。

(3) 平均變異數萃取量(AVE)須大於 0.5。

乙、區別效度

(1) 區別效度之判定為每一變數的 AVE 平方根，數值須大於與其他構面的相關係數。

公式說明：

(1)平均萃取變異數(AVE) 計算公式：

𝑠𝑢𝑚 𝑜𝑓 𝑠𝑞𝑢𝑎𝑟𝑒𝑑 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑖𝑧𝑒𝑑 𝑙𝑜𝑎𝑑𝑖𝑛𝑔𝑠

𝑠𝑢𝑚 𝑜𝑓𝑠𝑞𝑢𝑎𝑟𝑒𝑑 𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑑𝑖𝑧𝑒𝑑 𝑙𝑜𝑎𝑑𝑖𝑛𝑔𝑠 + 𝑠𝑢𝑚 𝑜𝑓 𝑖𝑛𝑑𝑖𝑐𝑎𝑡𝑜𝑟 𝑚𝑒𝑎𝑠𝑢𝑟𝑒𝑚𝑒𝑛𝑡 𝑒𝑟𝑟𝑜𝑟 𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒

= ∑𝜆

∑𝜆 + ∑ 𝑉𝐴𝑅(𝜀 )

(Hair, Black, Babin & Anderson, 2019)

25

四、 多元迴歸分析 (Multiple Regression Analysis)

本研究中，我們採用 Pearson(1908)所提出的多元迴歸分析方法，多元迴歸方程式亦是採 用最小平方法，導出最能夠解釋依變數變異的線性方程式。目的為藉由多個獨立自變數，預 測一個應變項，進而探討這些變數的相關性，解釋各干擾變數及中介數的影響性，以玆驗證 本研究之推論假設。

本研究應用 SPSS 22.0 套裝軟體進行階層迴歸分析，其公式說明：

y=a+b1x1+b2x2+…+bkxk(共有 k 個自變數)。

而迴歸模型的數值定義說明如下：

（一）統計顯著性(F test)：

當β 迴歸係數顯示不全為 0 時，迴歸模型具備檢定預估值。

（二）決定係數R 平方(R square)：

用來衡量線性迴歸模式的解釋能力，R 平方數值越大，代表該迴歸模型的解釋能 力越好。

（三）調整後的R 平方(Adjusted-R square)：

當自變數加入的越多，R 平方就會變大。調整後 R 平方是經過自由度的調整，則 可以避免過度膨脹。

（四）變異數膨脹係數VIF(Variance Inflation Faction)：

作為判斷迴歸模型中各個自變數之間是否具有較高關聯性。如果VIF 數值大於 10，則表示各個自變數中，存在較高嚴重共線性，而共線性問題將使迴歸模型容 易失真較不準確，因此VIF 數值越小表示越好，亦即代表較不存在共線性問題。

26