資料分析方法

本研究採用統計軟體 SPSS 19.0 與 AMOS 19.0，分別為基本分析與整體模式 分析兩部分，作前測問卷之資料分析。最後則採用結構方程模式(Structural Equation Modeling; SEM)的統計方式來進行相關變數之驗證。本研究所使用的統計分析方法，

分別有Pearson 相關分析、敘述性統計分析、信度分析、效度分析、結構模式分析 以及卡方檢定，下列為各種統計分析方法簡單敘述：

一、敘述性統計分析(Descriptive Statistics)

敘述性統計分析主要是在說明研究樣本基本資料的結構，並使用平均數、次數 分配及百分比等數據，來探討樣本在各項人口統計變數之分佈情形。本研究之人口

46

統計變數的分析項目包含了性別、年齡、職業、教育程度、婚姻狀況、居住地區、

每年國內旅遊平均次數、平均月收入、旅遊時間、交通工具、旅遊同伴、主要的資 訊取得來源、行前規劃時間、假日選擇及同遊人數等。

根據Hair, Black, Babin & Anderson (2010)的研究指出，驗證性因素分析的目的 是確定因素結構與量表研究的資料是否正確，藉此可以讓研究人員將測量的變數

47

(九)、生態友善購買行為：偏態係數絕對值介於 0.801 與 1.050 之間；峰度係 數絕對值介於0.115 與 0.335 之間。

以上九個量表的偏態與峰度係數值皆達到建議的標準值，偏態＜3、峰度＜

10(Kline, 1998)。因此，可證明本研究前測問卷資料之描述分配狀況符合常態分配 的原則。

二、信度(Reliability)分析

信度是測量工具的準確程度，並非指測量工具本身，而是測驗結果的一致性或 穩定性。本研究分別採用題項與構面信度來進行檢測。

在題項信度方面，使用各構面個別題項之多元相關平方(Squared Multiple Correlation; SMC)與因素負荷量來進行分析與衡量。根據 Hair Jr., Black, Babin &

Anderson (2010)的研究中指出，多元相關平方(Squared Multiple Correlation; SMC)數 值做為衡量各觀察變數與其所代表潛在變數相關程度的指標。研究資料的多元相 關平方(Squared Multiple Correlation; SMC)數值需達到 0.2 以上的水準(Bentler & Wu, 1993；Jöreskog & Sörbom, 1993)。因素負荷量為越大,代表該因子在該因素可解釋 的變異量越大,所以因素負荷量越大，代表解釋力越強，各題項之因素負荷量大於 0.5 時，則表示該題項具有良好的信度。而針對內部結構的評估。

在構面信度方面，為了檢測構面各題項變數內部一致性，本研究使用了 Cronbach’s Alpha (α)係數檢驗法。若 Cronbach’s Alpha (α)係數大於 0.7，表示其構 面各題項具有高度的內部一致性，則代表研究中的構面是具有可靠性(Nunnally, 1978)。

三、效度(Validity)分析

效度是指衡量的工具能夠正確測量到所想要測量之特質程度，效度(Validity)分 析表示一項研究的真實性和準確性程度。本研究使用建構效度(Construct Validity) 與內容效度(Content Validity)來進行問卷效度的檢測。

(一)內容效度(Content Validity)

內容效度是指測驗題目對有關內容範圍取樣的適當性。本研究各個構面 的問卷題項全都是參照國外學者所發展之相關量表，並且將原文之量表題項 翻譯成中文，並根據研究的情境做了適度修正。為了確保內容效度的準確性，

本研究以兩階段方式前測進行語意確認。第一階段，挑選30 位受測者進行問 卷填寫，每次 5 人，共進行 6 回合的語意修正與確認；第二階段是透過發放 250 份的問卷，做為正式問卷施測前最後的確認。

(二) 建構效度(Construct Validity)

建構效度是指測驗能測量理論的概念或特質之程度而言。其可分為收斂 效度(Convergent Validity)和區別效度(Discriminant Validity)。

收斂效度是指對某一特質，用不同的方法去測量，會有相同的結果。換句

48

話說，來自相同構念之項目,彼此之間相關應該要高，相關程度較高者，代表 具有較好的收斂效度。本研究採用Hair Jr., Black, Babin & Andersson (2010)的 建議，分別以個別項目信度(Individual Item Reliability; IIR)、潛在變數的組合 信度(Composite Reliability; CR)與平均萃取變異量(Average Variance Extracted;

AVE)，用這三項來衡量觀察變數與潛在變數的收斂效度。其測量的標準分述 如下：

1. 個別項目信度是指潛在變項能解釋單一個別測量變數變異的程度，一 般認為其結果數據必須大於 0.7 以上。而組合信度是指所有潛在變數 之信度組成，一般認為大於0.6 以上(Fornell & Larcker, 1981)。

2. 組合信度指的是潛在變數之所有測量變數信度所組成的衡量指標，當 平均萃取變異量(Average Variance Extracted; AVE)來進行衡量。本研究按照 Gaski & Nevin (1985)與 Fornell & Larcker (1981)的作法，提出檢測區別效度的 三項準則進行檢定，其說明如下：

1. 兩構面之間的相關係數低於 1。

2. 兩構面之間的相關係數低於個別構面的 Cronbach’s Alpha (α)信度係數。

49

3. 兩構面之間的相關係數低於各構面的平均萃取變異量之平方根。

四、Pearson 相關分析(Pearson Product-Moment Correlation Coefficient; PCCs) Pearson 相關分析主要衡量兩變數間線性關聯性的高低程度與限制，兩變數為 連續型且為比例尺度，也就是兩個變數間的線性變化，可用來描述兩個變數之間線 性相關性的就是「相關係數」，一般用「r」表示。r 值的範圍會介於-1 到 1 之間，

當數值在正負0.2 與 0.4 之間(正值在 0.2 至 0.4，負值-0.2 至-0.4 之間)稱為低度相 關；在正負0.4 到 0.6 之間(正值在 0.4 至 0.6，負值-0.4 至-0.6 之間)稱為中度相關；

而在正負0.6 至 0.8 之間(正值在 0.6 至 0.8，負值-0.6 至-0.8 之間)則稱為高度相關；

若是r 值為正負 1(即 1 或-1)，即表示完全相關。

五、結構方程模式 (Structural Equation Modeling)

根據 Westland (2015)所介紹的結構方程模式(Structural Equation Modeling, SEM)，它是探討多變數與單變數之間的因果關係，在其基本理論中認為潛在變項 是無法直接測量的，必須藉由觀察變數來間接推測而得知，所以理論架構主要分為 結構模型(Structural Model)與測量模型(Measurement Model)。結構模型則為路徑分 析模型，主要是描述眾多潛在變項與潛在變數間之因果關係模式；而測量模型則是 測量指標變數與潛在變數間之關係。

結構方程模式將變數分為觀察變數(Observed Variables)與潛在變數(Latent Variables)兩大類。潛在變數在社會科學的研究中，無法直接觀測或被準確預測的變 數。潛在變數又可分兩種，其一為模式中所假定「果」為內生(Endogenous)潛在變 數，潛在變數(Latent Dependent Variable)為一種會受到潛在自變數影響的依變數，

以η表示，本研究的內生潛在變數為「一般負責任環境行為」、「特定場域負責任環 境行為」及「生態友善消費行為」；其二為模式中所假定的「因」即外生(Exogenous) 潛在變數，外生潛在變數(Latent Independent Variable)，是一種會影響其他潛在變數 的自變數，以ξ表示，本研究的外生潛在變數為「環境信念」、「環境態度」、「地方 認同」、「地方依附」、「地區環境敏感度」及「地區環境覺察」。

本研究也採用AMOS 統計分析軟體，是共變異分析結構或因果模式的一般數 據分析方法。並採用 Anderson & Gerbing (1988)建議兩階段分析方法(Two-step Approach)。首先，針對資料使用驗證性因素分析(CFA)，對測量模型之資料先進行 檢測，以確認測量指標與潛在變數是否具有良好的信度與效度；接著使用結構模型 (SEM)來進行配適度檢測與路徑分析，以檢視各潛在變數間因果關係之顯著性，驗 證研究中的假說是否成立。

六、卡方檢定(Chi-Square Test)：

卡方檢定適用於非連續變項之差異分析，卡方分配可以協助我們利用樣本的 變異數來推論母體變異數。卡方檢定用來探討適合度檢定及獨立性檢定。本研究則

50

是採用適合度檢定，主要比較觀測資料與期望資料之間是否存在差異，或是辨別樣 本資料是否符合特定機率分配。

第六節 共同方法變異問題之處理與檢測

在以往發放問卷後收回後會發現，若測量自變項與依變項兩種量表的填答者 相同，得到的兩個量表分數可能會受到填答者本身某種因素影響，造成所謂的同源 性偏差，導致兩變項之間的相關膨脹。換句話說，若問卷僅只於給相同類型的研究 對象進行施測，則會常常產生學者Avolio, Yammarino & Bass (1991)所提出的共同 方法變異(Common Method Variance; CMV)所導致的偏差。為了避免或預防共同方 法變異的產生，本研究將採用｢事前預防｣及｢事後偵測｣進行檢測的處理。

在事前預防方面，在本研究問卷內容的設計上使用反向題設計法、題項意義隱 匿法、語意差異法、資訊隱匿法及題項隨機配置法等方式，來降低同源性偏差所產 生的現象(Podsakoff, MacKenzie, Lee & Podsakoff, 2003)。

在事後偵測方面，則是採用Podsakoff et al. (2003)所提出的 Harman’s 單因子 檢定法，來進行共同方法變異(CMV)的測試。當一個主要因素可以解釋所有變項多 數的共變數時，這代表著變數之間存在著共同方法變異的問題，或某個因子的解釋 力大於50%，就可判定存在嚴重的共同方法偏誤(Podsakoff & Organ, 1986)。