第三節 進階分析
一、 資訊不對稱作為調節變數
(一)、資訊不對稱分群過程
資訊不對稱分析步驟參照友誼品質調節變數檢驗過程。首先使用階層式方法 中的華德法來決定集群的數目。再將分群後的樣本各自進行結構方程模式分析，
最後帶入公式計算兩路徑 T 值是否顯著差異。因此資訊不對稱經由階層式方法 自然分離成兩群，為低資訊不對稱 558 筆和高資訊不對稱 320 筆，集群凝聚過程 參考表 23 所示。接著再以非階層式 K 平均數集群方法進行觀察值的集群處理並 驗證各集群是否存在顯著差異，檢驗結果參考表 24 皆有顯著的差異。
【表 23】資訊不對稱集群數凝聚過程
階段 組合集群
係數 組合後的
集群數量 係數差 每階段的
增量百分比 集群 1 集群 2
869 4 23 795.209 - 64.369 1.61%
870 6 17 859.577 - 86.227 2.15%
871 12 25 945.805 - 109.603 2.74%
872 7 72 1055.408 - 151.527 3.79%
873 1 4 1206.934 5 177.771 4.44%
874 6 7 1384.705 4 292.665 7.31%
875 1 2 1677.370 3 458.697 11.46%
876 6 12 2136.067 2 1865.749 46.62%
877 1 6 4001.815 1 - -
52
【表 24】資訊不對稱的 K 平均數集群分析結果
資訊不對稱 集群 1
(n=558)
集群 2
(n=320) T 值 顯著性
AsyInfor1 5.37 3.64 -28.759 ***
AsyInfor2 5.01 3.16 -29.609 ***
AsyInfor3 5.09 3.37 -26.509 ***
集群名稱 低資訊不對稱 高資訊不對稱 - -
註 1：資訊不對稱為七點尺度。
註 2：*p<0.05, **p<0.01, ***p<0.001。
(二)、資訊不對稱兩集群敘述性統計
低與高資訊不對稱兩集群的各變數敘述性統計資料彙整於表 25 與表 26。兩 群樣本的變數平均數 p<0.05 皆有顯著差異，平均數差異檢定表參考表 27。
【表 25】低資訊不對稱：各變數平均數、標準差和相關係數值
變數 平均數 標準差 1 2 3 4 5 6 7 8
1. AsyInfor 5.155 0.669 1.000
2. Quality 5.110 0.774 0.496 1.000
3. Evaluate 4.924 0.962 0.376 0.538 1.000
4. NorInflu 4.505 1.121 0.296 0.519 0.459 1.000 5. InforInflu 4.156 1.389 0.214 0.360 0.456 0.567 1.000
6. Cl_inten 5.382 0.929 0.411 0.505 0.450 0.404 0.184 1.000
7. Pur_inten 4.520 1.070 0.345 0.523 0.448 0.575 0.384 0.568 1.000
8. Click_Beh 2.851 0.714 0.267 0.315 0.370 0.471 0.403 0.426 0.463 1.000 註 1：AsyInfor 為資訊不對稱，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響 的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。
53
【表 26】高資訊不對稱：各變數平均數、標準差和相關係數值 註 1：AsyInfor 為資訊不對稱，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響 的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。 註 1：AsyInfor 為資訊不對稱，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響 的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。
54
(三)、資訊不對稱兩集群的樣本特徵
樣本特徵 項目
(四)、資訊不對稱調節效果驗證
*p<0.05, **p<0.01, ***p<0.001
規範影響
*p<0.05, **p<0.01, ***p<0.001
57
【表 29】低與高資訊不對稱的路徑係數和調節效果檢定結果
路徑 路徑係數(SE) 路徑係數(SE) 路徑系數差 T 值 檢定
結果 資訊品質→購買意圖 低 0.284 (0.054) 高 0.251 (0.051) -0.033 -8.881*** 顯著 線上評價→購買意圖 低 0.116 (0.053) 高 0.313 (0.047) 0.197 55.182*** 顯著 人際影響→購買意圖 低 0.351 (0.052) 高 0.318 (0.060) -0.033 -8.571*** 顯著 資訊品質→點擊意圖 低 0.371 (0.047) 高 0.117 (0.065) -0.254 -67.196*** 顯著 線上評價→點擊意圖 低 0.233 (0.051) 高 0.342 (0.066) 0.109 27.318*** 顯著 人際影響→點擊意圖 低 0.038 (0.052) 高 0.261 (0.045) 0.223 64.228*** 顯著 註 1：高指的是高資訊不對稱，低為低資訊不對稱
註 2：*p<0.05, **p<0.01, ***p<0.001
1. 三個外部線索的影響
首先資訊品質部分，低資訊不對稱的情況下，資訊品質對購買意圖與點擊意 圖皆比高不對稱時有較明顯的影響。
線上評價部分，在高資訊不對稱的情況下，線上評價對購買意圖與點擊意圖 的影響力比在低資訊不對稱時的影響還要大，
人際影響部分，低資訊不對稱情況下，人際影響對購買意圖的影響較大，然 而高資訊不對稱情況下，人際影響對點擊意圖的影響較大。
2. 點擊意圖與購買意圖
最後購買意圖與點擊意圖對點擊行為的影響部分，在使用者瞭解商品的情況 下，購買意圖對點擊行為的影響較大，反而高資訊不對稱使用者越不瞭解商品時，
更需要親自點擊商品貼文觀看更多資訊，因此點擊商品貼文的想法是主要影響點 擊行為的因素。推論可能原因，根據人口統計特徵提到高資訊不對稱的使用者平 時較少瀏覽商品貼文，使用者本身對商品的瞭解相對較低，故會想先透過點擊意 圖提升對商品的瞭解，因此點擊意圖是主要影響點擊行為的因素。
3. 小結
透過本研究進階分析，高/低資訊不對稱性的兩群樣本差異在於(1)瀏覽商品 資訊(高：41.2%，低：27.2%)，(2)按商品貼文的文章或照片讚頻率(高：每周至 少一次 27.1%，低：每月至少一次 23.4%)。另外兩樣本的路徑係數比較發現：在
58
低資訊不對稱情況下，使用者會轉而評估外部線索資訊品質。尤其當資訊品質越 好，個人點擊商品貼文的意願更大。反之高資訊不對稱時，會依賴線上評價這類 的外部線索，例如：讚、留言、分享。外部線索線上評價對瞭解商品的使用者產 生的影響力較大，當評價越好，使用者的購買意圖與點擊意圖也越高。
59
二、訊號可靠度作為調節變數
註 2：*p<0.05, **p<0.01, ***p<0.001。
60
(二)、訊號可靠度兩集群敘述性統計 註 1：Credibility 為訊號可靠度，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響 的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。 註 1：Credibility 為訊號可靠度，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響 的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。
61
【表 34】高與低訊號可靠度的平均數差異檢定表 訊號可靠度 Credibility Quality Evaluate Nor
Influ
Infor Influ
Cl_
inten
Pur_
inten
Click_
Beh 高 701 5.961 4.926 4.716 4.321 4.053 5.276 4.325 2.784 低 177 3.864 4.299 4.058 3.751 3.559 4.422 3.585 2.458 t-value -36.158 -8.470 -7.399 -5.829 -4.174 -9.563 -7.506 -5.335 p-value 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 註 1：Credibility 為訊號可靠度，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影響 的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。
62
(三)、訊號可靠度兩集群的樣本特徵
樣本特徵 項目
(四)、訊號可靠度調節效果驗證
0.489*** *p<0.05, **p<0.01, ***p<0.001
規範影響
0.454*** *p<0.05, **p<0.01, ***p<0.001
65
【表 36】高與低訊號可靠度的路徑係數和調節效果檢定結果
路徑 路徑係數(SE) 路徑係數(SE) 路徑系數差 T 值 檢定
結果 資訊品質→購買意圖 高 0.310(0.045) 低 0.261 (0.078) 0.049 10.889*** 顯著 線上評價→購買意圖 高 0.203 (0.043) 低 0.231 (0.073) -0.028 -6.619*** 顯著 人際影響→購買意圖 高 0.303 (0.043) 低 0.394 (0.070) -0.091 -21.823*** 顯著 資訊品質→點擊意圖 高 0.275 (0.047) 低 0.229 (0.095) 0.046 9.116*** 顯著 線上評價→點擊意圖 高 0.306 (0.047) 低 0.227 (0.093) 0.079 15.921*** 顯著 人際影響→點擊意圖 高 0.101 (0.046) 低 0.235 (0.087) -0.134 -28.151*** 顯著 註 1：高指的是高訊號可靠度，低為低訊號可靠度
註 2：*p<0.05, **p<0.01, ***p<0.001
1. 三個外部線索的影響
首先外部線索資訊品質在高訊號可靠度的情況下，外部線索資訊品質對使用 者購買意圖與點擊意圖的影響皆比低訊號可靠度時的影響大。
外部線索線上評價部分，高訊號可靠度時，線上評價對點擊意圖的影響較為 明顯，但在低訊號可靠度的情況下，線上評價對購買意圖的影響比較明顯。
外部線索人際影響部分，在高訊號可靠度的情況下，經由好友推薦的商品貼 文主要會影響使用者產生購買意圖，但對擊意圖的影響卻沒那麼明顯。而在訊號 可靠度較低的情況下，好友推薦的商品貼文對購買意圖與點擊意圖皆有較明顯著 的影響。
2. 購買意圖與點擊意圖
使用者在高訊號可靠度的情況下，購買意圖是主要影響點擊意圖的原因，但 使用者覺得商品貼文比較不值得相信，低訊號可靠度的情況下，反而會比較想要 親自點擊商品貼文瀏覽更多資訊，故點擊意圖對點擊行為的影響較大。此結果驗 證本研究探討點擊意圖的重要性，尤其在使用者面對低訊號可靠度的商品貼文上 更是需要。因此在社群商務的環境底下，點擊意圖對於低訊號可靠度的商品貼文 是不可或缺的一項來源去確認消費者後續的決策行為。
66
3. 小結
透過本研究進階分析，高/低 Facebook 使用的兩群樣本差異在於(1)抒發自己 心情(高：55.6%，低：48.0%)，(2)按商品貼文的文章或照片讚頻率(高：每周至 少一次 27.4%，低：每月至少一次 21.2%)。另外兩樣本的路徑係數比較可以發現：
高訊號可靠度的情況下，外部線索資訊品質對使用者購買意圖產生較大的影響力，
資訊品質越好使用者的購買意圖會越高。而外部線索線上評價對使用者點擊意圖 發揮較大的作用，評價越好時，使用者也較願意點擊商品貼文。反之，低訊號可 靠度時，外部線索人際影響發揮較大的作用。當使用者覺得商品貼文越不值得相 信時，好友推薦的商品貼文較能夠引發他們點擊商品貼文的意願和購買的意願。
67
三、Facebook 使用程度
Liang et al. (2011)探討社群商務的研究中提到社群網站使用者在平台上與人 擁有較多的互動和交流，會提升個人願意在社群平台上進行商品資訊的分享。因 此本研究進一步瞭解使用者本身使用 Facebook 程度，是否讓個人對 Facebook 商 品貼文的意圖行為上存在差異。故以 Facebook 的使用程度作為調節變數，檢測 不同集群在模型上的差異。
(一)、Facebook 使用程度的分群過程
總樣本在使用 Facebook 程度上，經過階層方式自然分離成兩群，為高 Facebook 使用 515 筆與低 Facebook 使用 363 筆，集群凝聚過程參考表 37 所示。
接著再以非階層式 K 平均數集群方法進行觀察值的集群處理並驗證各集群是否 存在顯著差異，檢驗結果參考表 38 皆有顯著的差異。
【表 37】Facebook 使用程度集群數凝聚過程
階段 組合集群
係數 組合後的
集群數量 係數差 每階段的
增量百分比 集群 1 集群 2
869 14 28 2812.499 - 189.062 2.01%
870 1 7 3001.561 - 198.197 2.11%
871 2 5 3199.758 - 245.528 2.61%
872 6 27 3445.286 - 331.580 3.53%
873 2 32 3776.866 5 346.788 3.69%
874 14 19 4123.655 4 547.385 5.83%
875 1 14 4671.040 3 1384.005 14.74%
876 1 6 6055.044 2 3335.589 35.52%
877 1 2 9390.633 1 - -
68
【表 38】Facebook 使用程度的 K 平均數集群分析結果
註 2：*p<0.05, **p<0.01, ***p<0.001。
(二)、Facebook 使用程度兩集群敘述性統計 註 1：FB_intensity 為 FB 使用程度，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影 響的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
Click_Beh 為點擊行為。
註 2：點擊行為為五點尺度，其餘變數為 Likert 七點尺度。
69
【表 40】低 Facebook 使用程度：各變數平均數、標準差和相關係數值 註 1：FB_intensity 為 FB 使用程度，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影 響的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，
【表 40】低 Facebook 使用程度：各變數平均數、標準差和相關係數值 註 1：FB_intensity 為 FB 使用程度，Quality 為資訊品質，Evaluate 為線上評價，NorInflu 為人際影 響的規範影響，InforInflu 為人際影響的資訊影響，Cl_inten 為點擊意圖，Pur_inten 為購買意圖，