資料分析方法

本研究之資料分析主要依各研究變數進行基本資料分析與關聯性分析兩部 份，在基本資料分析方面是以 SPSS l2.0 來進行分析，而在關聯性分析則是以 Amos 6.0 來進行分析，各分析方法茲分別敘述如下：

一、敘述性統計分析（Descriptive Statistics Analysis）：

敘述性統計分析是用以說明樣本資料結構，是將問卷資料進行單一變數間敘 述性分析，將受測者對各變數之意見作一概略描述。而本研究將以次數分配了解 受訪者分佈情形以及各問項之平均數、標準差與排序。

二、信度與效度分析（Reliability and Validity Analysis）：

信度是指測量資料的可靠性，即是一份測驗所測得的結果之「穩定性」或「一 致性」。本研究以Cronbach’s α 來檢定問卷中各因素之衡量變數的內部一致性程 度，Nunnally（1978）建議若 Cronbach’s α 係數大於 0.7 則表示內部一致性高，

可以接受。效度(validity)則是指一種衡量尺度能夠測出研究者所想要衡量之事物 的程度。一般常見的效度，可分為內容效度、收斂效度與建構效度。本研究將以 線性結構模式之測量模式進行模式的適合度檢定，以檢定各構面是否具有足夠的 收斂效度與建構效度。另外，由於本研究問卷之內容係參考以往學者類似的研究 之問卷內容並配合計程車產業的特性修改而成，故本研究所使用之衡量項目應能 符合內容效度的要求。

三、重要性－滿意度分析法（ Important Performance Analysis－I.P.A ）：

本研究參考Martilla & James（1977），所應用的重要性-滿意度分析方法。本 研究在問卷中所採用的問法有重要性與滿意度的量測，將資料樣本經敘述性統計 得出各服務品質問項的平均數與標準差代表各題的分數，以重要性為橫軸，滿意 度為縱軸，以所有問項的總平均為中間區隔線，可劃出四個象限，分別為優勢保 持區、優先改善區、次要改善區及過度重視區，藉以做為計程車業者服務項目改 善先後次序之參考。

四、結構方程模式（Structural Equation Modeling; SEM）：

結構方程模式（Structural equation modeling，SEM）是一種用來處理因果模 式的統計方法，其結合因素分析（factor analysis）和徑路分析（path analysis）兩 項 理 論 ， 它 能 同 時 處 理 多 組 變 項 之 間 的 關 係 ， 也 提 供 研 究 者 由 探 索 分 析

（exploratory analysis）轉成驗證分析（confirmatory analysis）的可能途徑（Hair, Jr. et al,1992）。此外，藉由結構方程模式亦能克服傳統徑路分析在進行驗證性

廣為一般社會及行為科學研究之用。以下將分別就結構方程模式之基本概念與分 析步驟詳述如下：

（一）結構方程模式的基本概念

在結構方程模式中，可將變數分為兩大類：潛在變數（latent variables）與觀 察變數（observed variables）。

z 潛在變數：理論的或假設的建構，它們通常無法直接測量。

z 觀察變數：觀察變數是可以直接被測量的變數。

此外，結構方程模式主要由測量模式（measurement model）與結構模式

（structural model）二個模式所組合而成，將分別說明如下：

z 測量模式：使用觀察變數來建構潛在變項的模式就是測量模式，此模式在 SEM中也就是一般所稱之驗證性因素分析(comfirmatory factor analysis, CFA) 模式，也就是說在SEM中，驗證性因素分析即是用以評鑑觀察變數可以定義 潛在變數之程度。

測量模式包涵兩條方程式描述，第一條方程式說明內生潛在變數與內生觀察 變數之間的關係；另一條方程式則說明外生潛在變數與外生觀察變數之間的關 係。

對外生變數而言：

x＝Λxξ＋δ (3.1)

其中，x 代表觀察變數，ξ代表外生潛在變數，Λx 是描述x 與ξ之關係的迴 歸係數，δ是x 的測量誤差。

對內生變數而言：

y＝Λyη＋ε (3.2)

其中，y 代表觀察變數，η代表內生潛在變數，Λy 是描述y 與η之關係的迴 歸係數，ε是y 的測量誤差。

z 結構模式：又可稱為潛在變項模式（latent variable models）或線性結構關係

（linear structural relationships）。主要是建立潛在變數與潛在變數之間的因 果關係模式，其相當類似徑路分析模式，不同之處在於徑路分析使用觀察變

（二）結構方程模式的分析步驟

結構方程模式分析主要可分為八個步驟，分別為：

1. 發展理論模式

SEM 中變項間關係的呈現，需要依靠理論來建立，而且理論是假設模式成 立主要的解釋依據，所以理論的建立是SEM 的第一個步驟。

2. 模式界定

模式界定包含建立因果關係徑路圖及細列估計參數，此部份需以徑路圖符號 來界定模式，並且模式可以用一系列的方程式來表達。在建立因果關係的徑路圖 時，以箭號來表示理論建構之間的關係。直線箭號表示因果關係，箭頭所指者為 結果，箭頭來源為原因，曲線雙箭頭表示兩個理論建構有相關。

3. 模式識別

在處理模式之辨認參數是否為唯一解。如果模式具有統計與方法上的可識別 性，則表示理論上模式中的每個估計程序與統計決策過程將可順利進行，參數皆 可以導出一個唯一的估計值。模式識別形式分為三種：低識別（under-identified）、

正好識別（just- identified）與過度識別（over- identified）。當只有一個方程式，

而有兩個未知數，即稱為低識別；當方程式的數目等於未知數的數目時，即稱為 正好識別；而方程式的數目多於未知數的數目，即稱為過度識別。如果模式無法 識別，將無法對模式做正確的估計。一般處理識別問題多採用t規則，即假設有p 個外生觀察變數，q個內生觀察變數，若所欲估計的參數數目t小於或等於 1/2(p+q)(p+q+1)時，那麼就有可能獲得唯一解。

4. 蒐集觀察變項的資料以作為後面分析模式之用 5. 模式估計

在估計模式參數時，有下列方法：二階段最小平方法（Two-Stage Least Square, TS）、未加權最小平方法（Unweighted Least Square, UL）、一般最小平方法

（Generalized Least Square, GL）、最大概似法（Maximum Likelihood,ML）、一 般加權最小平方法（General Weight Least Square, WL）、對角線加權最小平方法

（Diagonally Weight Least Square, DW）等，而一般研究最常使用最大概似法進 行各參數之估計。

6. 模式適配度評鑑

模式的適配度乃是指假設模式與觀察資料間一致性的程度。一般適配度的評 鑑多以下列指標加以檢定，如表4.7所示。

表4.7 模式適配度評鑑指標表 顯著差異的結果(Bagozzi & Yi, 1988)因此僅以卡方值檢定並不

7. 模式修正

當整體模式適配度未達到可接受的程度，可以依據理論假設以及統計所呈現 的結果，來將參數釋放或固定，再重新估計式，直到模式達到接受的程度。

一般普遍也較簡單的模式修正方法主要可分為二種，一是LM檢定，又稱為 是修正指標（modification index, MI），MI表示一個先前固定的參數被釋放後，

模式重新估計下所降低的最少卡方值。也就是說，真的釋放了該參數，其實際降 低的卡方值應該會大於MI值。因此，使用MI來作為模式修正的依據時，當統計 結果所呈現出一個模式所有可以改進的MI值中，MI值越大時，若將其參數釋放 後，所獲得的卡方值的改進也愈大。另一個方法則是使用殘差矩陣（residual matrix, RM）的資訊，殘差矩陣中的殘差乃是用於顯示樣本矩陣中的要素被理論模式再 製的差異情形。殘差愈大表示再製的結果愈差勁，因此完美配適的模式其殘差矩 陣的要素應為0。一般若標準化後的殘差絕對值大於1.96時，即為足夠大的殘差 而需修改（李茂能，民95）。

8. 對模式的分析結果進行解釋。