資料分析方法

本研究採用SPSS 12.0統計軟體以及結構方程模式(SEM)分析軟體Amos 7.0作為分析 工具，Amos係Analysis of Moment Structure之簡稱，由James L. Arbuckle所發展，Amos適 合進行共變異數結構分析(Analysis of Covariance Structures)，是一種處理SEM的軟體(榮泰 生，2009)。藉由SPSS及Amos這兩軟體工具瞭解研究樣本的分布情形、研究架構中因果 關係模式之適配程度以及進行修正。資料分析方法包括：信度分析、敘述統計(次數分配、

百分比、平均數、標準差)、t檢定(t-test)、單因子變異數分析(One-Way ANOVA)、Pearson 積差相關分析以及結構方程模式等統計方法，並以Amos對本研究所假設的模式加以修正 及驗證。茲分別說明如下：

一、信度分析

信度乃測量結果之可靠程度，即測量研究結果具備一致性或穩定性的程度。為了檢 驗在同一構面下的題目是否具有一致性，以Cronbach’s α係數來檢定各量表的信度，其中 α值愈大，表示量表內部一致性愈大，信度越高(蔡淑娟，2006)。本研究乃採用內部一致 性信度分析，用以衡量本研究之正式問卷，檢驗各量表問項間的內部一致性。

二、敘述統計

敘述統計是用以整理、描述、解釋資料的系統方法與統計技術。運用在分析問卷題 目之各樣本數及百分比，以瞭解各問項之反應情況及分配情形(蔡淑娟，2006)。分析電子 資源整合查詢系統使用者的基本資料，包含樣本的性別、身份及就讀學院等，以及其使 用行為進行敘述性統計分析，藉以了解各變項之分布情形與重要性程度，並探討使用者 的背景資料如何影響電子資源整合查詢系統的使用情況。

三、變異數分析

利用變異數分析來檢驗變數間的差異性，瞭解本研究的使用者對研究變數認知是否 有顯著不同的差異。本研究以獨立樣本t檢定及單因子變異分析(Ony-Way ANOVA)探討使 用者性別、身分及學院之不同，對電子資源整合查詢系統的科技接受度(如易用性認知、

有用性認知、態度、使用意願及使用者教育訓練)是否有所差異。變異數分析結果若表示 檢測因素存在著顯著的差異時，則進一步利用Scheff’e法進行多重比較，以確定是哪兩變 項間產生差異。

四、相關分析

本研究利用Pearson積差相關係數(Pearson Product Moment Coefficient)分析電子資源 整合查詢系統各變項間的關係(包括易用性認知、有用性認知、態度、使用意願及使用者 教育訓練)，並探討各變項間的相關程度與方向(強弱程度及方向)。

五、結構方程模式

(一) 結構方程模式原理

結構方程模式(Structural Equation Modeling, SEM)是Joreskog等人於1973年發展而 成，用以處理複雜的多變量研究數據的探究與分析，SEM又稱共變結構分析(covariance structure analysis)或共變結構模式(covariance structure modeling)。SEM是一套用以檢驗特 定假設模式的統計方法學，因此，SEM最主要的一個目的是在檢驗研究者所提出的理論 或概念架構是否具有實證的意義。相對於傳統的作法，SEM將「測量」與「分析」整合 為一的計量研究技術。主要的關鍵在於SEM將不可直接觀察的構念或概念，以潛在變項 的形式，利用觀察變項的模式化分析來加以估計(邱皓政，2003)。SEM可對整體因素模式 作統計評估，來瞭解理論所建構因素模式與所蒐集資料間的符合程度。所以SEM是一個 理論模式檢定(theory-testing)的統計方法(周子敬，2006)。

SEM有效地整合了「因素分析」與「路徑分析」這統計學的兩大主流技術，一方面 可以減少這兩種方法的限制，另一方面又能達到兩種分析的目的。以往路徑分析多用來 檢驗多個變項間的因果模式，然而其具有變項的測量沒有誤差之假設，使其在實際應用 上受到限制(邱皓政，2003)。SEM亦能考慮測量誤差、能提供模式適配度指標(fit indicators) 與模式的修正指標(modification indicators)，這些優點提供了理論模式建構很大的幫助(陳 淑鳳，2001)。因此本研究採用SEM驗證電子資源整合查詢系統的科技接受模式。

SEM一個重要的特性是能夠對於抽象的構念進行估計與檢定。Joreskog (1973)提出 SEM最重要的概念是由兩個部分所組成，一是測量模式(measurement model)，用以反應 觀察變項與潛在變項之間的關係；二是結構關係的假設考驗，透過結構模式(structure model)使潛在變項之間的關係可以路徑分析的概念來討論，主要是建立潛在變項與潛在 變 項 的 關 係 。SEM 的基本原理包含了結構化(structural)、假設方程式(hypothesized equation)與模式分析(modeling)等三項基本內涵。在SEM當中，不論是針對整體模式的適 切性考驗，或是個別變項間關係的參數估計，都是以假設考驗的方式來檢驗之；再者在 社會與行為科學領域所探究的變項結構關係，大多是由一群無法直接觀察與測量的抽象 命題(或稱構念)所組成，需獲得嚴謹的統計數據來證明構念之存在，此點也是SEM 的主 要長處之一；SEM的模組化分析功能為使得研究者可以透過統計的分析去檢驗所提出的 理論模式(theoretical model)，此舉將假設檢定的運用，自單一參數的考驗提昇至理論模式 整體考驗的更高層次，突破了傳統上計量技術對於理論模式欠缺整合分析能力的困境(邱 皓政，2003)。

(二) 結構方程模式之分析程序

SEM分析的程序可概分為模式發展階段與估計評鑑兩階段。模式發展階段主要在建 立一個適合於SEM分析概念與技術需要的假設模式，牽涉到理論發展、模式設定與模式 辨識等三個概念；估計評鑑階段是產生SEM的計量數據來評估SEM模式的優劣好壞，並 進行適切或必要的修飾(邱皓政，2003)。茲將SEM分析的程序說明如圖32：

圖32 結構方程模式的基本程序 資料來源：邱皓政，2003

1. 理論性發展

SEM分析的第一個步驟是發展假設模式(hypothetic model)，也就是針對研究者所提出 的理論或概念模式，整理出合於SEM原理的研究假設，並整合成為一個有待檢驗的SEM 模式。SEM模式的建立必定以理論為基礎，所謂以理論為基礎，是強調SEM模式的建立 必須經過觀念的釐清、文獻整理與推導、或是研究假設的發展等理論性的辯證與演譯過 程，最終提出一套有待檢驗的假設模式(邱皓政，2003)。本研究之理論基礎為Davis et al.

(1989)提出的科技接受模式，此理論被廣泛應用於國內外資訊系統、電子商務與資訊科技 構面的使用者研究上。

2. 模式界定

發展假設模式及模式界定是進行SEM分析的準備作業，模式界定(model specification) 可以說是SEM分析的第一個具體步驟，目的在釐清理論與概念的內容與關係，並發展成 可供SEM進行檢驗的假設模式。透過模式界定，SEM可以從龐雜的概念中整理出明確的

理論性發展

（Theoretical Development）

模式辨識

（Model Identification）

抽樣與測量

（Sampling and Measurement）

階段一 模式發展

參數估計

（Parameter Estimation）

模式適配度估計

（Assessment of Fit）

討論與結論

（Discussion and Conclusion）

階段二 估計與評鑑

模式修正

（Model Modification）

模式界定

（Model Specification）

圖33 本研究SEM路徑圖

AB AB1 e1

1 AB2 e2

AB3 e31

AB4 e41

AB5 e51

AB6 e61 EU EU1 e191

EU2 e20 EU3 e21

EU5 e231

UF UF1 e24

1 1

UF2 e25 UF3 e261

UF4 e271

UF5 e28 UF6 e29 UF7 e30

UT

UT4

e34 1

UT3

e33 UT2 e32 1 UT1

e31 1 ee1 1

ee2 1

ee3 1

ee4 ee5

11 1111

1 1

1 1 1 1

11

技術模式，將模式中的各項假設發展成路徑圖，如圖33，再藉由統計分析的程序，完成 identification) (邱皓政，2003)。

4. 抽樣與測量

此一階段始於樣本的建立與測量工作的進行，所獲得觀察資料經過處理後，即依照 SEM 分析工具的要求進行各項估計(邱皓政，2003)。

5. 參數估計

在 結 構 方 程 模 式 的 分 析 過 程 中 ， 最 核 心 的 計 量 程 序 就 是 參 數 估 計(parameter estimation)。Joreskog & Lawley兩位學者開發出最大概率模式(maximum likehood)的因素 分析技術，配合統計學的機率理論，使得研究者可以進行因素結構的有效估計與假設考 驗。將假設因素模式，以最大概率模式得到函數方程式，再與觀察到的數據進行比對，

轉換成顯著性考驗統計量(如卡方值)後，即可進行統計顯著性的考驗，用以決定假設模式 是否恰當。最大概率模式(maximum likehood, ML)是SEM分析最常用的參數估計法，ML 估計的樣本必須符合兩個條件：樣本是多變項常態母群體且是以簡單隨機抽樣所獲得，

故本研究將使用最大概率模式進行參數估計(邱皓政，2003)。

6. 模式適配度估計

決定假設模式是否能夠用以描述實際觀察到的變項關係，此一過程稱為模式適配評 估(model-fit-evaluation, 模 式 適 配 度 評 估 ) 。 透 過 不 同 的 統 計 程 序 或 適 配 度 指 標 (goodness-of-fit index)的計算，可以研判假設模式與實際觀察資料的適配情形。如果模式 適配度不理想，代表假設模式可能存在某些問題，可能是模式的設定、或是參數的估計、

或是技術上的問題導致假設模式無法與觀察資料適配，此外可以應用模式修正的原則，

調整假設模式的參數估計內容，重新加以估計，直到模式適配度達到理想的水準(邱皓政，

2003)。

Bagozzi & Yi(1988)建議模式適配度的評鑑，應從基本適配度、整體適配度及內在適 配度三方面進行評量：

(1)基本適配度

在評估模式的適配度時，首先檢視是否產生違犯估計(offending estimates)，所謂違犯 估計是指在不論是結構模式或測量模式中統計所輸出的估計係數超出可接受的範圍，因 此須注意以下幾種現象：

z 是否沒有負的誤差變異。

z 誤差變異是否都達顯著水準。

z 參數間相關之絕對值是否沒有太接近。

z 誤因素負荷量是否介於0.5~0.95間。

z 是否沒有很大的標準誤。

如果發現違犯估計的現象時，表示所獲得的統計估計係數是有問題的，表示整個模式的 估計是不正確的，因此，必須先加以修正才能進行適配度的評估(黃芳銘，2009)。

(2)整體適配度

當通過違犯估計的檢視後，接著評估模式的整體模式適配度。Hair et al. (1998)將整 體適配度分為三類：絕對適配度(measures of absolute fit)、增值適配度(incremental fit measures)及簡效適配度(parsimonious fit measures) (黃芳銘，2009)。

A.絕對適配度

絕對適配度用以決定理論整體模式可以預測觀察共變數或相關矩陣的程度。適配指 標包括：

(a)概似比卡方考驗值(χ²)：整體適配度的最基本測量指標就是概似比卡方考驗值 (χ²)。對SEM而言，χ²統計是一種差性適配(badness-of-fit measure)的指標，在某種自由度 之下獲得一個顯著的χ²值，代表樣本共變數矩陣與理論估計共變數矩陣之間是不適配的 而模式之適配檢驗乃是期望獲得資料與模式是適配的，因此，就必須獲得不顯著的χ²值。

(a)概似比卡方考驗值(χ²)：整體適配度的最基本測量指標就是概似比卡方考驗值 (χ²)。對SEM而言，χ²統計是一種差性適配(badness-of-fit measure)的指標，在某種自由度 之下獲得一個顯著的χ²值，代表樣本共變數矩陣與理論估計共變數矩陣之間是不適配的 而模式之適配檢驗乃是期望獲得資料與模式是適配的，因此，就必須獲得不顯著的χ²值。