五、 關鍵要素分析
6.2 資訊管理與電子商務相關研究之個案
本 節 所 採 用 的 論 文 來 自 Shih (2004) 在 Information &
Management 中發表的論文，論文的名稱為 “An empirical study on predicting user acceptance of e-shopping on the web.” 論文中主要期望 提出預測使用者接受網路購物意願的研究模式。文中主要依據慎思行 為理論 (theory of reasoned action, TRA) 及科技接受模式 (technology acceptance model, TAM) 為研究模型發展的根據，並再加以擴展。慎 思行為理論主要說明每個人的行為 (behavior) 受其意圖 (intention) 的強烈所影響，若是意圖強則會驅使個人採取行動，然而每個人的意 圖受個人不同的態度 (attitude) 所影響，態度與意圖成正向相關，若 態度強則也會導致意圖強，另外，個人的信念 (belief) 也影響個人的 態度，所以，此理論為探討信念 － 態度 － 意圖 － 行為，一連串 連鎖關係的理論。另外，David (1989) 建議使用科技接受模式來解釋 與預測使用者對於資訊系統與資訊科技的接受程度， 並利用感知有用 性 (perceived usefulness, PU)，使用者相信使用資訊系統會增進其工作 效率的程度與感知容易使用 (perceived ease of use, PEOU)，使用者相 信此資訊系統容易使用的程度，來衡量使用者對於使用此資訊系統或
資訊科技的態度。Davis (1989) 強調在科技接受模式中有用性的感知 與對容易使用的感知是使用者對於資訊系統使用的重要兩大影響因 素。除了引用慎思行為理論與科技接受模式之外，作者也加入使用網 際網路及資訊系統的一些特性，例如：網站的安全性、資訊的品質、
或系統的品質等等的影響因素，加以擴展此研究模型，此研究模型各 要素之間的影響關係如圖 14 之研究模型所示。
圖 14 Shih (2004) 的研究模型
此研究所取樣的樣本為一般的上班工作者，作者強調許多上班工
作者皆會利用上班的時間上網以蒐集資訊或在網路上與其他人進行溝 如何使用 RHO-SQUARE。
表 16 解釋 PU 之迴歸結果資料彙總表
Standardized β coefficient
** 0.01 significance level
從表 16 中顯示，在顯著水準 0.01 下，網站的安全對於 PU 有顯著 的正向效應，另外也發現，PEOUT 對於 PU 也有顯著的正向效應，
整個模型可以解釋 PU 13.9% 的變異量。
由於 R2 或 Adjusted R2 是一對一的對應關係，並假設此樣本判定係
數可以代表母體所呈現的現象，所以在此以 Adjusted R2的數值來代 表 ρ2。首先，當 ρ2 = 0.139 時顯示 R2 函數分佈的情況，在 Worksheet 1 中輸入 N = 212、P = 8、ρ2 = 0.139 如圖 15 所示，則 RHO-SQUARE 會顯示出 (1) R2 的機率函數分佈圖 (PDF) ，以及 (2) R2 的累積機率函數分佈圖 (CDF)，如圖 16 及圖 17 所示。
圖 15 Worksheet 1 輸入參數畫面
The Probability Density Function of R Square
Probability Density Function
圖 16 R 的機率函數分佈圖 (PDF) 2
The Cumulative Density Function Plot of R Square
0
0 0.1 0.2 0.3 0.425 0.525 0.625 0.725 0.825 0.925
R Square
Cumulative Density Function
圖 17 R 的累積機率函數分佈圖 (CDF) 2
從圖 16 及 圖 17 顯示，當樣本數為 212、預測變數個數為 8、母體 複相關係數為 0.139 時，R2 的機率函數分佈圖 (PDF) 以及 R2 的 累積機率函數分佈圖 (CDF)，在 PDF 方面呈現一個類似鐘型形狀，
高峰位於 1.8 左右。另外，針對R2 的累積機率函數方面，在 R2= 0.4
時，R2 的累積機率幾近於 1 ，之後的累積機率皆為 1。
在假設檢定方面，RHO-SQUARE 提供右尾檢定、左尾檢定、以 及雙尾檢定三種不同的假設檢定方式，在這裡本研究皆以右尾檢定的 情況視之。若欲計算臨界值與 P-value 時，則必須在 Worksheet 3 下 第 (1) 部分的 (a) 小節右尾檢定部分，輸入參數 --- ( N = 212, P = 8,
2
ρ0 = 0, R2 = 0.139, 右邊的 α = 0.01) 如圖 18 顯示故可以得到臨 界值為 0.09293，另外，也可以求得 P-value 為 0.00015，從 P-value 的值看來，此模式對於解釋 PU 的效應非常的顯著。
圖 18 Worksheet 3.1.a 輸入參數畫面
關於檢定力計算上，必須在 Worksheet 3 中的第 (2) 部分中的檢 定力計算中的第 (a) 點雙尾檢定中輸入參數 --- (N = 212, P = 8, ρ02
= 0, ρ12 = 0.139, α = 0.01 ) 則可以計算出檢定力為 0.9672，如 圖 19 所示，則代表此迴歸模式所得到的結果能夠正確的接受對立假設的
機率為 0.9672，是一個相當高準確率的結果，說明此結果是值得信任 的結果。
另外，關於樣本數方面，Shih (2004) 這篇研究準備了 212 個樣 本，但是就規劃研究的觀點而言，若能事先規劃樣本數的數量，則在 研 究 的 過 程 則 較 節 省 金 錢 與 精 力 。 所 以 ， 就 樣 本 數 的 決 定 上 ， RHO-SQUARE 也提供此功能。首先必須在 Worksheet 3 中的第 (3) 部分中的第 (a) 點輸入 --- (P = 8, ρ02 = 0, ρ12 = 0.139, α = 0.01, Power = 0.8)，如圖 20 所示，代表在預測變數個數為 8 ，檢定母體複 相關係數是否為 0，顯著水準為 0.01，與達到檢定力為 0.8 時，則至 少需要 141 個樣本數。
圖 19 Worksheet 3.2.a 輸入參數畫面
圖 20 Worksheet 3.3.a 輸入參數畫面
另一個例子則針對解釋 PEOUW 方面，迴歸結果如表 17 所示。
表 17 解釋 PEOUW 之迴歸結果資料彙總表 Dependent
variable
Independent variables
Adjusted R 2 a
βS P-value
PEOUW S 0.053 0.167* 0.019
AC -0.002 0.972
US 0.192** 0.005
Standardized β coefficient.
* 0.05 significance level.
** 0.01 significance level
從表 17 中顯示，在顯著水準 0.01 下，網站的安全對於 PEOUW 有 顯著的正向效應，另外也發現，在顯著水準 0.05 下，顧客滿意程度 對於 PEOUW 也存在顯著的正向效應，整個模型可以解釋 PEOUW 5.3% 的變異量。
針對檢定力而言，在輸入參數 --- (N = 212, P = 3, ρ02 = 0, ρ12 = 0.053, α = 0.01 ) 後得到檢定力為 0.6234，如圖 21 所示，代表此迴 歸模式所得到的結果能夠正確的接受對立假設的機率為 0.6234，只有 一半的機率，也說明仍有一半的機率是不正確的，檢定力相當的低。
若就此情況而言，將檢定力提升至 0.8，則需要增加多少樣本數？ 作 法如圖 22 所示，計算所得的結果為至少需要 285 個樣本數。所以，
就本個案而言，若樣本判定係數相對的小，除非在大量的樣本數支持 下，不然所得的檢定力也會相對的小或不足，另外，針對檢定力而言，
提高檢定力最簡單的方法就是提高 α 值，或是增加樣本數。
圖 21 Worksheet 3.2.a 檢定力計算之輸入參數畫面
圖 22 Worksheet 3.3.a 決定樣本數之輸入參數畫面
就 上 述 的 例 子 而 言 ， 就 假 設 檢 定 方 面 ， 已 詳 細 介 紹 如 何 運 用 RHO-SQUARE 計算出檢定力及所需的樣本數，以下則利用組織行為 與心理之相關論文說明在信賴區間方面，如何運用 RHO-SQUARE 解 決問題。