資料蒐集方法

本節是說明本研究所採用的資料蒐集方法，主要分為「母體界定」及「抽樣 方法」兩個部分。

一、母體界定

本研究主要的對象以瀏覽旅遊部落格的閱讀者作為研究標的，探討旅遊部落 格的閱讀者，如何透過何透過認同-信任的雙面刃觀點影響閱讀者的情感連結、並 透過情感連結因素影響閱讀者資訊搜尋意圖，進而探討其對閱讀者行為意圖的影 響，本研究根據 DailyView 網路溫度計於 2014 年 9 月 1 至 2015 年 2 月 15 之間票 選十大人氣旅遊部落客之統計資料，文章中以 Via(Via 趣旅行)、Aiko(手感溫度．

愛生活)以及愛吃鬼芸芸(愛吃鬼芸芸．愛旅遊)分別為該類別中的前三大人氣旅遊 部落客。因此，本研究界定以半年內曾經關注且持續關注此前三大部落格之實際 閱讀者為主要研究對象，進行回答本研究的問題。抽樣來源主要透過瀏覽過 Via 趣旅行、手感溫度．愛生活以及愛吃鬼芸芸．愛旅遊之實際閱讀者填寫，而研究 母體界定為臺灣地區過去半年且持續性使用旅遊部落格的實際閱讀者，並對於瀏 覽旅遊部落格且持續性關注之實際閱讀者為主要研究樣本。

二、抽樣方法

本研究探討瀏覽旅遊部落格的閱讀者，如何透過認同-信任的雙面刃觀點影響 閱讀者的情感連結、並透過情感連結因素影響閱讀者資訊搜尋意圖，進而探討其 對閱讀者行為意圖的影響，因此本研究採用網路問卷作為問卷之調查工作，藉由 網際網路 mySurvey 線上問卷調查系統網站(http://www.mysurvey.tw/index.htm)將問 卷內容傳給受測者來進行填答，在 Lucky Dog 抽獎達人網站、背包客棧網站、

Facebook 網站中碩士問卷幫幫忙社團張貼問卷，將問卷轉貼給社團其他成員，且 在問卷發佈期限內進行樣本資料之蒐集。

第五節 資料分析方法

根據本研究目的及研究假說，運用統計軟體 SPSS 19.0 與 AMOS 19.0 版本統 計軟體進行資料分析，並考量變數之衡量尺度以及統計分析工具的適切性，SPSS 19.0 版本與 AMOS 19.0 主要區分為「基本分析」與「整體模式」分析，進行前測 問卷之資料分析。基本分析方面，是以統計軟體 SPSS 19.0 進行描述性資料的檢測；

整體模式分析方面，則是以統計軟體 AMOS 19.0 進行分析，並且使用結構方程模 式(Structural Equation Modeling; SEM)的統計方法進行相關變數之驗證。本研究使 用的統計分析方法分別為敘述性統計分析、信度分析、效度分析、Pearson 相關分 析、結構模式分析以及卡方檢定，下列為各種統計分析方法之詳細說明。

一、敘述性統計分析(Descriptive Statistics)

敘述性統計分析主要是在分析研究樣本的基本資料之結構，並使用次數分配、

百分比、平均數及標準差等數據，探討研究樣本在各項人口統計變數之分佈情況。

本研究之人口統計變數的分析項目包含了性別、年齡、教育程度、職業、居住地 區、平均月收入、接觸網路的時間、每天平均上網時間、瀏覽旅遊部落格的時間 與每週使用旅遊部落格的時數，共計為十個項目。

而驗證性因素分析之目的是在確定因素結構與量表資料是否吻合，藉此能讓 研究者將測量的變數操控歸屬於某個因素或構念，並且利用配適度檢測所提出的 因素結構和測驗量表(Hair Jr. et al., 2010)。本研究的參數估計程序部分，是採用「最 大概似法」(Method of Maximum Likehood)，此方法一般被認為具有強韌統計 (Robust Statistics)的特性。最大概似法是在常態分配的假設下的一個方法，若要採 用最大概似法，則必須要不違反常態性的假設。因此，樣本數量一定要夠大，而 且若模型越複雜，樣本也必須越大(Hair Jr. et al., 2010)。因此，本研究採用偏態係 數與峰度係數這兩個係數來描述分配型態的統計量，檢測資料是否符合常態分配 之原則。從偏態(Skewness)可知觀測值分配型態的對稱性，又可以分為正偏態與負 偏態。偏態的絕對值越大，資料分配的偏斜程度越大，越不對稱；反之絕對值越 接近 0，則代表越趨對稱。峰度(Kurtosis)則是觀測值分配型態陡峭程度的統計量，

可用於了解對稱性的樣本分配的峰點是高聳或扁平的。當資料分配型態的陡峭程 度與常態分配相同時，峰度係數的值會等於 0；當資料分配型態的陡峭程度較常態 分配高聳，峰度峰度係數的值會大於 0；當資料分配型態的陡峭程度較常態分配平 緩，峰度峰度係數的值會小於 0。以下為本研究各構面偏態係數與峰度係數的範圍，

分述如下：

1. 部落客認同：偏態係數絕對值介於 0.007 與 0.158 之間，峰度係數絕對值 介於 0.128 與 0.556 之間。

2. 部落格認同：偏態係數絕對值介於 0.041 與 0.173 之間，峰度係數絕對值 介於 0.114 與 0.974 之間。

3. 部落格信任：偏態係數絕對值介於 0.034 與 0.313 之間；峰度係數絕對值 介於 0.175 與 0.343 之間。

4. 部落客信任：偏態係數絕對值介於 0.069 與 0.183 之間；峰度係數絕對值

45 與多元相關平方(Squared Multiple Correlation; SMC)來進行分析、評估與衡量。因 素負荷量為個別題項衡量該構面的程度，若各題項之因素負荷量大於 0.5，即表示 該題項有良好信度(Hair Jr., Black, Babin & Anderson, 2010)。而評估內部結構，通 常可用多元相關平方(Squared Multiple Correlation; SMC)數值來做為常用的指標，

以判斷題項與構面之相關性。根據 Bentler and Wu (1993)與 Jöreskog and Sörbom (1993)所建議的 SMC 數值，需要達到 0.2 以上之水準。

另外，在構面信度方面，本研究採用 Cronbach’s Alpha(α)係數檢驗法，假若 Cronbach’s Alpha (α)係數大於 0.7，表示內部一致性高，代表構面具有可靠性 (Nunnally, 1978)。因此，本研究採 Cronbach’s Alpha (α)係數檢驗法，用以檢定構面 各個題項變數內部的一致性程度。

三、效度(Validity)分析

效度是指測量結果的正確程度，衡量的工具是否能正確測量到所欲測量之特 質程度，亦即各構面能真實反應出實際效度標準狀況，也就是衡量工具的有效性 與 測 量 結 果 的 正 確 性 。 本 研 究 分 別 以 內 容 效 度 (Content Validity) 與 建 構 效 度 (Construct Validity)進行問卷效度之檢測。

(一)內容效度(Content Validity)

內容效度是指問卷之題項能涵蓋所欲測量特質之目標程度。本研究各個構面

(二) 建構效度(Construct Validity)

建構效度為多重指標的量測，是指各個構面是否能真實反應出實際效度標準 的狀況。建構效度又可分為收斂效度(Convergent Validity)及區別效度(Discriminant Validity)。

其中，收斂效度是指相同構面內不同題項之間的相關性程度，關係程度較高，

代表具有較佳的收斂效度。本研究分別以個別項目信度、潛在變數的組合信度 (Composite Reliability; CR)與平均萃取變異量(Average Variance Extracted; AVE)，以

衡量觀察變數(Observed Variable)與潛在變數(Latent Variable)的收斂效度(Hair Jr., Black, Babin & Andersson, 2010)。採用 Fornell & Larcker (1981)所建議的兩項評估 測量模式指標。如果樣本數達 350 份以上，則應剔除因素負荷量未達 0.3，以及不 具顯著性的測量變數(Hair Jr. et al.., 2010)。測量標準分述如下：

1. 個別項目信度：是指觀察變數能被潛在變數解釋的程度，一般建議必須大於 0.7 以上。

2. 組合信度(Composite Reliability, CR)：是潛在變數之所有測量變數信度所組 成的衡量指標，信度愈高乃代表構念指標的內部一致性愈高，至少信度必 須達 0.7 以上。

3. 平均萃取變異量(Average Variance Extracted, AVE)：乃計算潛在變數之各測 量變數對該潛在變數的變異解釋力，若該變異萃取量數值愈高，即表示潛

47

五、結構方程模式 (Structural Equation Modeling)

以往的多變量分析方法大都一次只能處理一組自變項及一組依變項間的關係，

而結構方程模型(Structural Equation Modeling; SEM)是將路徑分析(Path Analysis)的 概念結合驗證性因素分析(Confirmmatory Factor Analysis; CFA)，所形成的一種複雜 的因果關係模型，主要在檢測假說模型與實證資料的配適度，並探討變數間的關 係(McCallum, Simons, Simons & Friedlander, 1994)。而結構方程模型則是能同時檢 測兩組或兩組以上變數的相依關係。

結構方程模型包含了測量模型 (Measurement Model)與結構模型 (Structural Model)。測量模型即為驗證性因素分析模型，主要是測量指標變數與潛在變數間 之關係，而運用的方法以驗證性因素分析為主；而結構模式則為路徑分析模型，

主要是探討潛在變數之間的因果關係，使用的方法為路徑分析(共變關係與因果關 係)及配適度檢定(陳寬裕、王正華，2014)。

在 SEM 模式中，將變數分為潛在變數(Latent Variables)與觀察變數(Observed Variables)兩大類。潛在變數乃是社會科學研究中，無法直接觀測或被準確預測的 變數。潛在變數又可分兩種，其一為外生潛在變數(Latent Independent Variable)，

是一種會影響其他潛在變數的自變數，以 ξ 表示，本研究的外生潛在變數為「部 落客認同」；其二為內生潛在變數(Latent Dependent Variable)為一種會受到潛在自變 數影響的依變數，以 η 表示，本研究的內生潛在變數為「部落格認同」、「部落客 信任」、「部落格信任」、「部落客愛慕」、「資訊搜尋意圖」、「使用意圖」及「購買 意圖」。

本研究採用 Anderson & Gerbing (1988)建議的兩階段分析方法進行處理，即為 測量模式及結構模式，首先，使用驗證性因素分析(Confirmatory Factor Analysis;

CFA)，對測量模式的資料先進行檢測，以確認測量指標與潛在變數的信、效度；

接續使用結構模式進行路徑分析與配適度檢定，以檢測各個潛在變數間的因果關 係，是否具有顯著影響性。並利用 AMOS(Analysis of Moment Structure)統計分析 軟體，檢定各假說路徑係數是否具有顯著性、驗證研究架構與資料配適度之正確 性以及分析各變數間之因果關係。

六、卡方檢定(Chi-Square Test)：

卡方檢定的本質在於檢測資料所佔的比例或相對次數，主要適用於探討適合 度檢定與獨立性檢定。在適合度檢定方面，主要檢驗某一組資料的實際觀察次數 是否符合某一資料的分配狀況，其虛無假設為：觀察資料的次數分配與某一資料 分配相配適；獨立性檢定的目在於驗證兩個類別變數的實際觀察值是否具有關連 性，其虛無假設為：兩個變數獨立。本研究則是採用適合度檢定主要檢驗本研究 樣本與母體資料推估是否存在差異之情形。

第六節 共同方法變異問題之處理與檢測

研究者在管理科學領域中做研究，為了研究社會上呈現的各種不同現象，常 常會採用各式不同的量測工具，對所要做研究的對象進行量測，並將所蒐集到的

研究者在管理科學領域中做研究，為了研究社會上呈現的各種不同現象，常 常會採用各式不同的量測工具，對所要做研究的對象進行量測，並將所蒐集到的