本研究問卷調查運用隨機抽樣法進行，以北平楊寶寶蒸餃之顧客為問卷發放 對象，以北平楊寶寶蒸餃總店及北平楊寶寶蒸餃德賢店共二處為問卷發放地點，將 回收之有效問卷進行資料編碼和資料數據化，採用 SPSS(Statistical package of the the social science) for Windows 13.0 版 套 裝 軟 體 及 LISREL(linear structural relationships)for Windows 8.80 版套裝軟體。使用 SPSS13.0 為基本分析工具；以 LISREL8.80 為整體模式分析工具進行量化分析，其分析方法簡述如下：
3.7.1 敘述性分析
敘途性統計係針對樣本基本資料和研究構面，進行次數分配、標準差、平均數 以及百分比等統計分析，藉由瞭解各構面之分佈情形，簡化分析資料複雜性，說明 樣本資料結構。
3.7.2 信度分析
信度(Reliability)為測驗量表穩定性及可靠性，信度係數在項目分析亦作為同性 質檢核指標之一。不同構面的信度分析，應就不同構面進行信度分析，常用計算信 度方法為 Cronbach(1951)所創的 α 係數，為檢測同一構面一致性；α 係數介於 0 至 1 之間，用來計算內部的一致性，所得數值愈高，則表示測驗量表內部一致信度愈 高。量表α 值愈高表示其信度越高，測量誤差越小，內部一致性 α 係數越接近 1，
適合針對李克特量表進行信度分析。本研究以 DeVellis(1991)提出之觀點，Cronbach α 係數值在.60 至.65 之間屬低信度；Cronbach α 係數值在.65 至.70 之間為最小可接 受值；Cronbach α 係數值在.70 至.80 之間屬高信度；Cronbach α 係數值在.80 至.90 之間更佳。
3.7.3 項目分析
項目分析主要針對量表問卷鑑別度，設計問卷調查過程中最基本的一項檢定
49
分析程序，係以 t 檢定為依據，t 值達顯著水準(p 值小於.05)，該變項問題即具備鑑 別度；本研究項目分析係針對印象、體驗、知覺價值、滿意度及行為意向等各項變 進行鑑別評估。藉此瞭解是否具實質鑑別度，如未達顯著性差異水準時，則需調整 文字銓釋或刪除該項目。
3.7.4 獨立樣本 t 檢定
獨立樣本 t 檢定為平均數差之方法，比較兩組獨立不同樣本測量值的均數，用 來比較兩組獨立不同樣本測量值檢定為平均數差之方法，藉以瞭解兩樣本間是否 有差異性存在。本研究使用獨立樣 t 檢定於印象、體驗、知覺價值、滿意度及行為 意向進行項目分析高組與低分的顯著性比較。
3.7.5 結構方程式分析
結構方程式(SEM)被歸類於高等統計學，屬多變量統計(multivariate statistics)的 一環(邱皓政，2007)。從統計語言解釋，結構方程式(SEM)是檢定觀察變項(observed variables)與潛在變項(latent variable)之間假設關係，融合因素分析(factor analysis)及 徑路分析(path analysis)兩種統計取向(黃芳銘，2007)。因此結構方程式模式(structure equation modeling, SEM) 為 一 種 用 來 處 理 複 雜 多 變 量 數 據 分 析 的 統 計 方 法 學 (statistical methodology)，有學者稱為「潛在變項模式」(Latent variable models,簡稱 LVM) 。 結 構 方 程 式 涉 及 結 構 化 (structural) 、 假 設 等 式 (equation) 及 模 型 分 析 (modeling)等數項基本內涵，並可藉由假設考驗、結構化檢驗及模型分析等概念來 說明。檢定模式包含顯性變項、潛在變項、干擾或誤差變項之關係，得到直接效果
、間接效果或總效果(吳明隆，2006)。
結構方程式模式可同時處理多組變數之間的關係，提供研究者將探索性分析 (exploratory analysis)轉換為驗證性分析(confirmatory analysis, CFA)的機會，使用在 分析因果關係模式之統計方法，亦可進行路徑分析(path analysis, PA)、因素分析、
迴歸分析與變異數分析(李明聰，2010)。其方程式如下：
SEM=CFA+PA
LISREl 模式係分為測量模式(measurement model)和結構方程式模式(structure equation modeling)兩種(李明聰，2010)。前者為敘述潛在變數或假設構念如何從觀 察變數所得，即可敘述觀察變數之信度與效度，亦即敘述潛在變項和觀察變項之間 關係。後者則敘述潛在變數間之因果關係、形容因果與指配解釋變異 LISREl 模式 適合在特定結構方程式模型。包括潛在變數及獨立變數與依變數之測量誤差、雙向 因果關係，同時發生與相互依賴性(如圖 3-6)。
50
Measurement model (CFA)
Residue 1
Variable 2 Variable 1 Item 4
Item 5
Item 6
Item 1
Item 2
Item 3 Structural model
Error 4
Error 5
Error 6
Error 1
Error 2
Error 3
圖 3-6 測量模式和結構方程式模式圖
3.7.5.1 結構方程式分析程序
結構方程式模式是以迴歸為基礎的多變量統計方式，目的在探討潛在變數之 間的路徑關係，且需建立理論(theory)為基礎，透過念釐清、文獻彙整與推理提出 待驗的假設模型(邱皓政，2007)，理論是假設模式成立之主要解釋依據。若發現假 設模式與觀察資料適配度不佳，研究者需將模式進行適當之修正(吳明隆，2006)，
模式改變即為模式界定(model specification)，對初始理論模式進行局部調整或修改
，提高假設模式的適配度，如模式可以識別，則表示理論上模式中每個參數皆可導 出計值，決定模式識別(model identification)。Anderson 和 Weitz(1992)所提出二步 驟程序，先使用驗證性因素分析(confirmatory analysis, CFA)發展一個配適度佳的測 量模式再進一步分析理論之模式。選擇施測觀察變項及資料，利用結構方程式多元 迴歸基礎，利用結構方程式模式進行模式估算(model estimation)，如模式未達適配 度 評鑑(assessment of fit ) 時， 則需將 參數 釋放或固 定， 進行模 式修正 (model modification)重新估計模式，直到找得最合適模式為止，最終則對模式統計結果加 以解釋(黃芳銘，2007)，如圖 3-7 所示。
模式 界定
模式 識別
模式 修正
解釋
理論 模式
評估 選擇測量變項
及蒐集資料 未達可接受程度
適配度 評鑑
未達可接受程度
圖 3-7 結構方程式分析步驟之流程圖
3.7.5.2 驗證性因素分析
51
驗證性因素分析可使研究者進一步檢驗不同項目因素與不同方法因素組下的 因素模型的檢驗(邱皓政，2007)。驗證性因素分析(confirmatory analysis, CFA)為測 量模式分析，於探索性因素分析(exploratory factor analysis, EFA)之後出現，說明潛 在變項與觀念變項之關係，界定潛在變項與觀念變項間的線性關係。
良好的測量模式需滿足研究模式中各觀察變數並能正確測量出各潛在變數，
及同一觀察變數不能在不同的潛在變數內都產生顯著的負荷量(Bagozzi & Yi, 1988)。根據上述學者建議，研究模式要滿足上述標準，可用指標計聚合效度評鑑
、估計參數的顯著水準、標準化殘差及觀察變數個別信度等四項(如表 3-24)。
表 3-24 驗證性因素分析測量模式指標 聚合效度評
鑑
該指標為各觀察變數對其潛在變數的因素負荷量(λ)，因素負荷量應 在 0.5 以上，其中部份觀察變數λ值未達 0.5 以上標準者，顯示部份 觀察變項不足以反映所建構之潛在變項，則建議刪除(Bagozzi 和 Yi, 1988)。
估計參數的 顯著水準
檢定觀察變數對該潛在變數之因素負荷量是否達到顯著標準，t 值絕 對值至少要＞2.58，表示達到 0.01 顯著水準；t 值絕對值至少要＞
1.96，表示達到 0.05 顯著水準。
標準化殘差
若 測 量 模 式 適 配 良 好 ， 其 值 應 呈 現 出 常 態 分 佈 且 絕 對 值 ＜ 2.58(JÖ reskog & SÖ rbom,1989)，故計算估值與樣本間的誤差，所有 變項中標準化殘差均要絕對值＜2.58。
收斂效度指 標
該指標為 CFA 所計算個別變項的 R2變異比率，雖因素負荷量未明確 提出任何判斷之標準；只要 t 值大到顯著，R2值就可接受(黃芳銘，
2004)。
3.7.5.3 結構方程式模式評鑑
模式配適度指標係判斷所建構之理論模式，對於實際觀測所得資料是否能合 理性的解釋，整體適配度指標可分為基本適配指標、模式的整體配適度及模式的內 在 結 構 配 適 度 三 類 型 ， 以 評 鑑 模 式 的 配 適 度 ； 檢 測 所 提 出 的 假 設 結 構 模 型 (Hypothesized structural model)之配適度(goodness of fit, GOF)，假設模型中每一個 參數能夠順利估算，此結構方程式模式即可進行整體模型評估，並透過不同統計的 程序或契合度指標(goodness of fit index)計算；本研究以整體模式配適度衡量：即 絕對適配指標(absolute fit measures)、相對適配指標(relative fit measures)及簡效適配 指標(parsimonious fit measures)三方面之評鑑，研判整體模式配適度，衡量假設模 型與實際觀察資料的契合情形。茲將一般常採用之各項配適度指標、指標之意義、
範圍及判定標準，如表 3-25。
表 3-25 配適度指標及判定標準表
分類 指標 意義 範圍 一般判定標準
絕對 適配 指標
卡方值χ2
卡方檢定(χ2)的機率如小於 0.1，該結 構方程式模無法被接受，卡方值越大 表示整體模式之因果徑路圖與實際資
越小越好
52 GFI(goodness of fit
index) RMR(root mean
residual) 方根 RMSEA(root mean square error of approximation)
RMSEA 不受樣本大小與模型複雜度 CFI(comparative fit
index) NFI(normed fit
index) NNFI(non normed
fit index)
NNFI 係考慮模式複雜度後之 NFI，又 稱 Tucker-Lewis index(TLI)與 p2指標，
惟 NNFI 不受模式複雜度影響，值愈 小表示契合度愈不佳並受模式複雜度 影響。
0~1 NNFI>0.9
增值適配指數 IFI (incremental fit
index)
又稱為 Delta2(△2)，值愈大表示愈佳，
愈小表示模式適配愈差。 0~1 IFI≧0.9
53
分類 指標 意義 範圍 一般判定標準
相對適配指數 RFI
(relative fit index) RFI 值愈小，表示模式適配愈差。 0~1 RFI≧0.9
簡效 適配 指標
簡效規範適配指標 PNFI(Parsimonious
normed fit index)
PNFI 為 NFI 之修正。 0~1 PNFI≧0.5 簡效良性適配指標
PGFI(Parsimonious goodness of fit
index)
PGFI 為 GFI 乘以簡效比值獲得之指標
，數值超過 0.5，方可接受此模式，愈 大數值表示模式簡效愈佳。
0~1 PGFI≧0.50 訊息標準指標
AIC(Akaike information criterion)
AIC 數值愈接近 0，表示模式適配愈佳 且愈簡效。
AIC = χ2–2×df
0~1 AIC≦1
四、研究結果與分析
本章即針對北平楊寶寶餃顧客為研究對象，施測問卷量表之統計分析結果，先 實施前測並經過信度分析及項目後，修改不合適、語意模糊和誘導作答等類型問卷 再行發放正式問卷，進行各量表之信度及項目分析、敘述性分析，修改不合適、語 意抽象模糊及誘導作答等類型之問題，以確立量表可信度。