資料分析方法

本研究除分析問卷之信度與效度外，為達研究目的，同時運用敘述性統計分 析、線性結構方程式、複選題分析及各項資料間的交叉分析與進行討論，以了解 信任、主觀規範、涉入程度與知覺價值對消費者收看電視關鍵字搜尋廣告之搜尋 意圖和後續購買行為的影響。同時，本研究亦使用結構方程模式(structural equation  modeling, SEM)針對回收的問卷資料，進行變項之間關係的整合性分析，進行模式 驗證。

本研究使用 SPSS 套裝軟體與 AMOS 軟體為資料分析之工具，詳細各種資料分 析方法敘述於下：

一、 敘述性統計分析

針對敘述性統計，本研究採用 SPSS 進行分析，透過百分比的計算，瞭解樣本 的組成與結構。並計算各變數之平均數、變異數及標準差。

二、 複選題分析

本研究採用複選題分析之方式，於發放之問卷中設有七題複選題，針對曾經 上網搜尋電視關鍵字廣告中的關鍵字之消費者進行調查，使用 SPSS 以百分比統計 的方式進行排序及比較，從消費者得知廣告關鍵字之媒介到最終的購買行為進行 相關之分析與探討，進而整理出消費者上網搜尋電視廣告關鍵字之前後相關行為 之特性。

三、 交叉分析

本研究採用 SPSS 針對消費者的基本敘述性統計資料與複選題資料進行交叉 分析與比對，探討不同之消費族群對於上網搜尋電視廣告關鍵字之前後相關行為 之差異，找出不同消費者的偏好與習慣。

四、 信度與效度檢定

對於信度與效度分析，本研究採用與 Fornell and Larcker (1981)所提出之組成 信度(Composite Reliability, CR)和平均變異抽取量(Average Variance Extracted,  AVE)，分別評估構面內部一致性(Internal Consistency)和收斂效度。

根據過去學者的研究，關於組成信度部份，  Nunnally (1978)  認為問卷信度在  0.5 到 0.75 之間是可以接受範圍，當組成信度高於 0.7 時則代表具有高組成信度。

在收斂效度部分，Fornell and Larcker (1981)  認為各構面之平均變異抽取量需大於  0.5，方可表示該構面具有良好的收斂效度。

五、 線性結構方程模型

傳統多變量分析方法中，大多只能一次處理一組自變數與依變數之間的關 係，而 SEM 有效的整合了因素分析和路徑分析二大主流之統計方法，得以同時處 理多組自變數與多組依變數之間的關係。因此本研究採用 SEM 探討各變數間的影 響及關係，並使用下述之檢定指標對模型進行檢測：

（一） 絕對配適度 

1.  良性配適指標  (Goodness of Fit Index, GFI) 

配適指標(GFI)表示模式的變異數與共變數能夠解釋觀察資料之變異數與共變 數的程度，其值介於 0 至 1 之間，且越接近 1 表示模型之適合度越高，其值須大 於 0.9，才表示該模型具有良好配適度(Bagozzi and Yi, 1988; Hair et al., 2006)。 

2.  調整後良性配適指標  (Adjust Goodness of Fit Index, AGFI) 

調整後配適指標(AGFI)類似於迴歸分析中的調整後可解釋變異量，其與 GFI  相同，均具有標準化之特性，其值亦介於 0 至 1 之間，且 AGFI 值越接近 1，代表 模式的契合度越佳。學者對於 AGFI 的判定多認為其值須大於 0.8 以上，方表示模 型具有良好契合度(Bagozzi and Yi, 1988; Hair et al., 2006)。 

3.  近似誤差均方根  (Root Mean Square Error of Approximation, RMSEA) 

近似誤差均方根(RMSEA)是平均平方誤差平方根，其計算方式為：母體乖離 度／自由度，其可修正母體乖離度值受到估計參數值影響的缺點。Bagozzi and Yi  (1988)建議 RMSEA 值要小於 0.8；Browen and Cudeck (1993)則認為其值須小於 0.5  方代表模型具有量好配適。 

4.  殘差均方根  (Root Mean square Residual, RMR) 

殘差均方根(RMR)是用以反應假設模型的整體殘差，Bagozzi and Yi (1988)認 為其值須小於 0.05；Hair et al. (2006)則建議 RMR 值須小於 0.08。

5.  標準化殘差均方根  (Standardized Root Mean square Residual, SRMR) 

標準化殘差均方根(SRMR)是平均殘差共變標準化的總和，用來瞭解殘差特 性。Hu and Benett (1999)表示須小於 0.08；Hair et al. (2006)則建議其值至少要小於  0.05，才能代表該模型具有良好配適度。

（二） 增值配適度 

1.  基準配適度指標(Normed Fit Index, NFI) 

NFI 是基準化的適合度指標，其值介於 0 至 1 之間。NFI 值越大，表示模式與 數據的配適度越佳。NFI 之計算公式為：1  －  (預設模式乖離度/獨立模式乖離度)。

因此，當預設模式乖離度為 0 時，表示預設模式具有良好的配適度，此時 NFI 值 等於 1。當預設模式與獨立模式配適度均不佳時，預設模式乖離度和獨立模式乖離 度會接近相等，而促使 NFI 接近 0。Bentler and Bonett (1980)及 Hair et al. (2006)均 建議其值須大於 0.9 才能代表模型具有良好配適度。 

2.  增值配適度指標(Incremental Fit Index, IFI) 

IFI  為增值配適度指標。其值位於 0 和 1 之間。IFI 是根據預設模式乖離度、

獨立模式乖離度之值計算，當資料與模式完全契合時，IFI 值等於 1。Bentler and  Bonett (1980)和 Hair et al. (2006)認為 IFI 值須在 0.9 以上才能表示模型具有良好配 適。 

3.  比較配適度指標(Comparative Fit Index, CFI) 

契合時，CFI 值會等於 1。在模型判斷上，學者們一致認為 CFI 值須大於 0.9 才表 示該模型具有良好之配適度(Bentler and Bonett, 1980; Bagozzi and Yi, 1988; Hair et  al. 2006)。

（三） 精簡配適度 

1.  簡約基準配適指標  (Parismonious Normed Fit Index；PNFI) 

PNFI 是指簡效性已修正基準化配適度指標。主要使用在不同自由度的模式比 較，其值越高越好，一般以大於 0.5 做為判別模型契合度是否足夠之標準(Bentler  and Bonett, 1980)。 

2.  簡約配適指標(Parsimony Goodness of Fit Index；PGFI) 

PGFI 是指簡效性已修正比較配適度指標。其值應介於 0 至 1 之間，該值越大 表示模型的配適度越佳，在判別模式配適度之標準上，一般認為大於 0.5  即為可 接受範圍(Bentler and Bonett, 1980)。