統計各人口統計變數等名目資料的次數分布狀態，透過百分比 的方式來顯示原始樣本資料的概況，以了解整體樣本之基本結構 (二) 因素分析
因素分析法為多變數方法的應用之一，它包含了許多縮減空間 (或構面)的技術，主要用於從大量的觀測變數中，萃取出其中幾 個代表性的精簡變數來解釋原始資料的最大變異量；因素分析係 透過因素模式表達資料構面縮減的意義，主要目的是在尋找彼此 無關的共同因素來代表原始變數的意義，以較少的構面顯示原先 結構所提供的眾多資訊。
一般而言，從最初因素分析中所獲得的結果，其因素負荷量差 異並不是非常明顯，所以無法對因素作有效的解釋，因此為了方 便因素的解釋公作，必須進一步實行因素的轉軸，而常見的轉軸 方法，有直交轉軸法(Orthogonal Rotation)與斜交轉軸法
34
(Oblique Rotation)兩種，在直交轉軸法中，因素與因素間沒有 相關，亦即其相關為 0；採斜交轉軸法，表示因素與因素間彼此有 某種程度的相關，亦即因素軸間間的夾角不等於 90 度，而直交轉 軸的優點是因素間提供的資訊不會重疊，觀察值在某一個因素的 分數與在其它因素的分數，彼此獨立不相關，缺點是研究者迫使 因素間不相關，但在實際生活情境中，它們彼此間有相關的可能 性很高(Bryman and Cramer，1997)。
在進行因素分析的適合度檢定時，以 KMO 與 Barleet’s 球體 檢定兩種方法最為常用，其詳細說明如下：
1.KMO 值：
由 Kaiser(1974)所提出的 KMO 值(Kaiser-Meyer-Olkin)可衡 量變項之間的相關性是否適合使用因素分析；當 KMO 值越大 時，表示變數間的共同因素越多，則越適合進行因素分析，因 此當 KMO 值越接近 1 時，表示越適合進行因素分析。當 KMO 值 在 0.7 以上為可接受的指標，若 KMO 在 0.6 以下則不適宜進行 因素分析，下表 3-12 說明 KMO 值之判斷準則。
表 3-13 KMO 統計量判斷標準
KMO 值 判別說明 因素分析適切性 0.9 以上 極適合做因素分析 極佳的
0.8 以上 適合做因素分析 良好的 0.7 以上 尚可做因素分析 適中的 0.6 以上 勉強可進行因素分
析
普通的 0.5 以上 不適合做因素分析 欠佳的 0.5 以下 極不適合做因素分
析
無法接受的
35
(三) 交叉列聯表與卡方檢定
對於兩種名目尺度資料，檢定其相關或獨立所採用的方法。本 研究主要用來分析不同人口統計變數之顧客，在消費動機、資訊 來源上是否存在顯著差異。
(四) 變異數分析
變異數分析(Analysis of Variance)簡稱 ANOVA 是用來檢定三 個或三個以上群體資料平均數的差異顯著性，也稱 F 統計法。
(五) 迴歸分析
迴歸分析係根據相關理論將變數區分為自變數與依變數來研 究變數間的因果關係。本研究則採用多元迴歸來分析品牌形象是 否影響顧客至郵政儲匯業務的消費行為。在多元迴歸分析中，必 須特別留意「共線性」的問題。所謂共線性是指由於自變項的相 關性過高，導致迴歸分析之情境困擾。欲檢驗自變項間是否有共 線性的問題，可由三方面加以判別：容忍度(Tolerance)、變異數 膨脹因素(Variance Inflation Factor，VIF)以及條件指標 (Condition Index，CI)。
1.容忍度(Tolerance)
容忍度等於 1 減去判定係數，若一變項之容忍度太小，表示此 變項與其他自變項有共線性問題。
2.變異數膨脹因素(Variance Inflation Factor，VIF)
變異數膨脹因素為容忍度的倒數，故其值越大，表示自變項的 容忍度越小，越有共線性的問題。一般來說，VIF 值應小於 10，
較無共線性問題。在本研究中，各自變數與各交互作用項間之 VIF 均小於 10，故無共線性問題。
3.條件指標(Condition Index，CI)
CI 值越大越有共線性問題。若條件指標大於 30，則出現共線
36 務屬性的重視程度，將其所有問項以主成分分析方法(principal components)進行研究，以萃取服務屬性構面，並且以最大變異法 進行轉軸，取得轉軸後之因素負荷量矩陣(Factor Loadings Matrix)，依據萃取出的因素作為構面命名之基礎。
首先，本研究之 22 個服務屬性 KMO 值為 0.957，大於 0.9，因 此非常適合作因素分析。此外，從 Bartlett 球型檢定值為
6472.997，自由度為 231 達顯著，代表母群體相關矩陣有共同因 素的存在，證明適合進行因素分析。