資料處理方法

本研究目的在分析健康意識、健康信念、軟體、硬體、設計美學、價 格、品牌、感知價值、感知有用性與購買意願之間的關聯性，及信度、效 度、估計參數進行與數據的檢驗分析，再從理論架構以及模型進行測量，

最後達到模型適配度的要求。SEM 是屬於大樣本的分析技術，其樣本數量 不可以太少，樣本數應為200~400之間是比較恰當的。Kline (2015) 認為樣 本數100個以下在 SEM 分析下是較不具有說服力的，Schumacker 與 Lomax (2004) 調查發現許多的文章樣本數約在200~500個，Hair 等人 (1998) 則認為，樣本數應大於100以上，如果樣本數過少，可能會需做不適 當的解釋，甚至導致資料無法收斂。綜整以上觀點，樣本數要大於200並且

42

小於500將會是較為合理的數量。爲達到研究需求，本研究所要進行的資料 分析有敘述統計、信度與效度、驗證性因素分析以及 SEM 結構方程模型 分析，茲分述如下:

壹、描述統計 (Descripitivestatistic)

描述統計是指以統計資料本身特性加以描述 (俞洪亮、蔡義清、莊懿 妃，2010）。本研究採用描述統計方法,檢驗研究架構之間關聯性的影響。

當樣本資料回收後，原始的資料很多，我們必須加以整理以及組織，否則 很難理解資料所含的訊息及意義，利用基本的描述統技法，ㄧ些資料可以 被濃縮，進而給研究者ㄧ些基本且能理解的訊息。

貳、驗證性因素分析（confirmatory factory analysis, CFA）

在 SEM 的研究分析中，需要將觀察研究變項之數據進行分析間接測 量，並且把潛在構面視為一個非常重要的概念，研究分析的重點是考量每 個因素之間相互影響的程度，而不是因素之間的相互關聯的因果關係，而 此分析方法即稱做驗證性因素分析，其主要功能係確認研究變相中的潛在 變項是否能被其他觀察變項所代表，因此驗證性因素分析之主要的功能為 決定一組觀察變項，並判斷其是否能真正屬於某特定構面的統計分析技術

（張偉豪，2011）。而驗證性因素分析是屬結構方程中的次模型，一般來說，

CFA 是屬於整合結構方程模型分析的前置步驟，相對的也可以獨立運行。

CFA 所檢測的是測量研究變數與潛在變數之間的假設關係，更可說是 SEM 模型中為基礎檢測的部分，結構方程模型不只有基礎的檢驗，後續更可以 運用高階統計，亦可獨立運用在信、效度的檢驗以及理論有效性的確認 (Bentler & Bonett, 1980) 。

參、信度與效度

一、收斂效度 (convergent validity)

是利用同一個構面中變數之間關聯程度的大小並且加以評估，也稱

43

做內部的一致性，主要是確保一個構面的變數中至少要達到中度的相關 性。透過Cronbach’s α 值進行的內部的一致性，其 α 值越高則表示信度 越佳。根據以往的經驗法則，良好信度建議要0.7，而信度在0.6~0.7之間 為可接受範圍 (Hair, Black, Babin, & Anderson, 2009) 。收斂效度標準各 題項之 loading 值一定至少要大於0.5，組合信度 (CR) 值需大於0.6 (Fornell & Larcker, 1981) ，AVE 值建議至少大於0.5 (Fornell & Larcker, 1981) 。

二、區別效度 (discriminant validity)

目的在驗證兩個不同的構面，透過統計分析是否存有差異性，而不 同構面中的題目應不能具有高度的相關性，如果有高度的相關性，則代 表這些題目是在說明同一件事，而這個通常會發生在構面的定義時有高 度重疊（張偉豪，2011）。

三、信度分析

內部一致性的信度可以利用組合信度（CR 值）以及 Cronbach’s α 值來檢驗，並了解各構面之組合信度，CR 值建議大於0.7以上，Cronbach’s α 值則需大於0.5為佳 (Nunnally, 1978) 。

肆、結構方程模型（structural equation modeling, SEM）

結構方程模式在大多數資訊系統研究已普及的應用在測量驗證分析 的工具，許多資訊系統的研究均透過此方法進行結構模型與測量模型下資 料分析的評估。本研究根據學者研究的相關文獻而得到探討的結果，並確 定研究的方向及架構，從而進行各項問卷量表的施測，再將施測所得資料 以AMOS 24.0及 SPSS 22.0進行統計分析，各項假設使用預設的估計法進 行結構模型的檢驗（余民寧, 2006; 黃芳銘, 2007）。目前有許多從事研究的 學者使用結構方程模式來建立研究模型，為了解構面與構面變數間潛在的 意義，並藉此建立檢定假設與估計之關係，進一步蒐集資料然後再加以驗

44

證，並且可以透過假設模型的配適程度與資料評估，最後再從數據資料重 製出共變異數矩陣，並且分析觀察變數間相互關係。本研究的方法，主要 結合因素分析與路徑分析，主要目在樣本與研究假設之間配適度的程度為 何（張偉豪，2011）。由於本研究主要探討潛在心理變數間相互影響的研究，

故運用結構方程模型來分析是最合適的，本研究結構方程之模型分析含有 信效度分析、適配度與直接、間接的模型路徑係數等。結構方程模型中的 構面有健康意識、健康信念、軟體、硬體、設計美學、價格、品牌、感知 價值、感知有用性及購買意願，透過SEM 模型來驗證分析其路徑。當使用 結構方程模型作為理論模型來作驗證的時候，可接受的模型配適度為SEM 的必要分析條件 (Kline, 2015) ，而當配適度數值愈高則是代表模型與樣本 間的關係愈相近。在結構方程模型的分析中，產生出許多配適度之指標，

且提供了蒐集的資料與假設模型間配適差異大小的完整性檢驗。當判斷模 式適配度時，一開始需要對完整的模式作配適度之判斷，然後再對結構模 式與測量模式的適配度作判斷。在整體的模式提供了相關的模型評鑑指標 數值，最後再將這些指標分成三種型態—絕對配適度指標、相對適配度指 標以及精簡適配度指標。

一、絕對配適度指標（absolute fit indexes, AFI）

（一）卡方/自由度比

卡方值是 SEM 最初的指標數值，McIver 與 Carmines (1981) 建 議應該將卡方自由度的比設定為2:1或3:1，Kline (2015) 建議值在3以內 是可以接受的，而Schumacker 與 Lomax (2004) 對數值的認定較其他 學者寬鬆，認為只要數值小於5即可。

（二）配適度指標（goodness of fit index, GFI）：

表示理論模型中的變異與共變異的量，其值應介於0至1之間，當 數值越接近1時，表示樣本資料與預測模型越能配合。有學者表示 GFI

45

值大於0.9時，則代表模型有完善的適配 (Bentler, 1982; Hu & Bentler, 1999) 。Doll、Xia 與 Torkzadeh (1994) 覺得當模型估計參數比較多時，

數值要達到0.9就會有難度，建議標準值可參酌放寬至0.8。

（三）調整之配適度指標（adjusted goodness of fit index, AGFI）：

AGFI 主要將 GFI 依據自由度來加以調整，與 GFI 之值一樣介於0 至1之間，當數值越接近1時，表示模型適配度越佳，理想值建議為0.9 以上，代表有良好的適配度，如果模型的參數變多時，數值要達到0.9 就會有難度(Bentler, 1982; Hu & Bentler, 1999; 黃芳銘, 2007)，而 Bollen (1990) 和 Hoyle (1995) 也說明，如果樣本數太少時 AGFI 值就容易會 低估，所以MacCallum 與 Hong (1997) 建議數值可考量放寬至0.8。

（四）平均近似誤差均方根（root mean squar eerror of approximation, RMSEA）：

RMSEA 是屬於缺適度的指標之一，數值越大則說明了資料與假 設愈不相適，也是近年來被注重的模型配適指標，而根據研究表示 RMSEA 指標數值的表現與其他的指標數值相比更為理想 ( Marsh &

Balla, 1994; NE & Cudeck, 1993; Steiger, 1990; Sugawara & MacCallum, 1993) 。如果數值小於0.05，則說明了有良好的模型配適 (McDonald &

Ho, 2002; Schumacker & Lomax, 2004) ，如果數值介於0.05~0.08之間，

說明了模型有著不錯的配適度 (黃芳銘, 2007; McDonald & Ho, 2002) ， 但數值如果超過0.10則是代表該模型是屬於不理想狀態 (NE & Cudeck, 1993) 。

（五）相對配適度指標（incremental fit indexes）

1.非標準適配指標（non-normed fit index, NNFI）：

非標準適配指標稱作TLI（tucker lewis index）。 Marsh、Balla 與 Hau (1996) 發現到 NNFI 幾乎不會受到樣本數多寡而受影響，而

46

且NNFI 數值通常介於0~1之間，而數值接近1則是說明有良好的配 適度，有些學者在數值部份會採用0.8作為標準，通常是因為 TLI 數值會比GFI 數值低一些。

2.標準配適指標（normed fit index, NFI）：

Schumacker 與 Lomax (2004) 認為 NFI 之值需要大於0.95才算是 良好指標，但 Ullman (2001) 指出，因為標準配適指標在樣本數少 的時候很容易會被低估，所以在此情況下，建議將數值放寬至0.8。

當估計參數愈多，同時也表示模型愈複雜，NFI 就會愈高，所以學 者通常偏用NNFI 數值。

3.比較適配指標（comparative fit index, CFI）：

Fan、Thompson 與 Wang (1999) 指出 CFI 之值幾乎不會受到樣本 數量多少的影響。比較適配指標數值介於0至1之間，通常 CFI 值 在0.9以上顯示為有良好適配 (Bentler, 1995) ，Hair 等人 (2009) 指出其指標值大於 0.8 為可以接受的適配程度。

4.漸增式配適指標（incremental fit index, IFI）：

Bentler (1995) 認為漸增式配適指標數值要大於或等於0.9，代表模 型為良好。IFI 的值有時候亦可能會大於1，且 IFI 值亦不會受到樣 本數的影響。邱皓政（2003）認為 NFI 與 IFI 若達0.8，即代表模 型具有不錯的適配度。

（六）精簡配適度指標（parsimony adjusted indexes）

1.精簡配適指標 (parsimony goodness fit index, PGFI) ：

當PGFI 數值越接近1，代表模型越簡單，而 Mulaik (2009) 認為，

PGFI 之值一般建議要在.5以上，才能算是一個良好的模型。

2.精簡規範配適指標（parsimony normed fit index, PNFI）：

Hu 與 Bentler (1999) 認為，PNFI 之值建議要在.5以上，才能算是

47

一個良好的模型。

3.精簡比較配適指標（parsimony comparative fit index, PCFI）：

PCFI 之值建議要在.5以上，才能算是一個良好的模型 (Mulaik, 2009) 。

（七）模型路徑係數

在 SEM 模型分析上，將會產生路徑分析係數，而這些係數的大 小所代表自變數對應變數大小的影響，不過這樣解釋的方式也有可能 產生不正確的結果，因為變數的結構模型，通常有其它變數的影響，

而不是單獨的效果。張偉豪（2011）認為所以通常用總效果來解釋會 較佳，且更能說明模型變數的影響程度。研究人員利用 SEM 分析使 變數的影響大小解構成直接效果、間接效果與總效果，而將直接效果 加上間接效果便是總效果。

48

49