資料分析方法

本研究之資料分析是在問卷回收後，本研究根據有效問卷的份數進行實證分析與 假設驗證，其中，將利用SPSS 與 AMOS 為統計分析之工具，在 SPSS 部份，主要進 行敘述性統計分析與複選題分析；而 AMOS 部份，則進行信效度分析與結構方程式 分析，以驗證模型的結構及假說是否成立，以下為詳細各種統計分析方法與陳述：

一、敘述性統計（Descriptive Statistics）

敘述統計主要是用來說明各變數的平均數、標準差、百分比及次數分配等分析，

描述資料類別、特性及分配比例等情況。其中，平均數代表受測者對於該問項的看法，

平均數愈高，代表該屬性較為受測者所重視；標準差則視為評量回收的樣本對於該問 項之一致性指標，樣本標準差愈小，表示受測者對於該問項較有一致的看法。而本研 究將運用敘述統計對人口統計資料與相關台灣淘友使用行為進行次數分配和百分比 分析，人口統計資料其內容包含性別、年齡、教育程度、月收入、居住地、職業等變 數；而相關台灣淘友使用行為，其內容包含淘寶網站的累積經驗、每月購買頻率、參 考網路商家數、詢問線上客服人數與消費金額（人民幣）等變數，藉此瞭解樣本結構 之分布情形。

二、複選題分析（Multiple Response）

本研究運用SPSS 中的複選題分析方法，來針對台灣淘友使用淘寶網購買相關行 為之複選題，其內容包含「如何得知淘寶網的資訊」、「瀏覽淘寶網的目的為何」、「哪 些時段上淘寶網購買產品」、「最常在淘寶網上購買哪些種類產品」、「購買前會參考哪 幾種排序方式後，再決定購買」、「在淘寶網的付款方式為何」、「第一次使用淘寶網最 擔心的問題為何」與「喜歡淘寶網提供哪些服務」等共八種情況，以觀察值的次數分

配以及所占的百分比比例進行排序及比較，來瞭解受測者之相關購買行為與使用習 慣。

三、交叉分析（Cross Analysis）

本研究運用SPSS 中的交叉分析方法，針對受測者的人口資料與複選題內容進行 交叉比對分析，藉此探討多個變數間的關聯，其內容包含「得知淘寶網的資訊」、「瀏 覽淘寶網的目的」、「購買淘寶網的時段」、「淘寶網上最常購買的產品種類」、「購買前 會參考的排序種類」、「淘寶網的付款方式」、「使用淘寶網最擔心的問題」與「淘寶網 提供的服務」等八項問題進行分析，並以彙整表格形式的方式呈現，可進一步瞭解不 同受測者間的偏好與習慣關係。

四、信度分析（Reliability Analysis）

信度（Reliability）是指樣本資料衡量結果的可靠程度，藉以檢測問卷同一構面 下的內部一致性（Internal Consistency）及穩定性（Stability），本研究對於信度的衡 量分別使用構面信度與組成信度進行分析檢定，其詳述說明如下：

（一）構面信度（Construct Reliability）

本研究採用Cronbach（1951）所提出的 Cronbach’s α 信賴係數法做為指標檢測之 標準，衡量同一構面下各衡量問項間的內部一致性與穩定性，並且係數值越大，表示 各題項之間的相關性越大，亦表示內部的一致性越高。根據Nunnally（1978）的建議，

若Cronbach’s α 值大於 0.7，則代表該量表具有高信度，若 Cronbach’s α 值介於 0.35 和 0.7 之間，則該量表在可接收的信度範圍之內，若 Cronbach’s α 值小於 0.35，則該量 表屬於低信度值，問項應該被刪除。

（二）組成信度（Composite Reliability；CR）

由於 Cronbach’s α 係數無法測量因果關係情境之信度，所以，藉由組成信度

（Composite Reliability；CR）來輔助衡量同一個潛在變數的所有測量變數之間否具 有一致性，以及組成信度是由所有測量變數之信度所組成，即潛在變數之建構信度。

並且 Fornell and Larcker（1981）也建議以組成信度來衡量各構面題項的一致性，以 CR 值做為衡量標準的指標，當 CR 值為 0.6 以上，則代表具有良好的組成信度，若 CR 值愈高，則代表其題項愈能測出該潛在變數，而 Chin（1998）則認為可信賴構面 的推薦CR 值為 0.7。

五、效度分析（Validity Analysis）

效度（Validity）是指衡量工具是否能夠測量出其所欲衡量的構面之正確性程度，

其衡量方式分別為內容效度、收斂效度與區別效度進行分析檢定，其詳述說明如下：

（一）內容效度（Content Validity）

內容效度是指有系統的測量問卷內容的適切性，以檢測量表問項內容是否能反應 出研究主題的架構與內容，因此，本研究根據所研究主題的概念去鑒別測量內容是否 反映了這一概念的基本內容，以及測量題項和題數要足以代表測量的概念，本研究問 卷設計以國內外相關研究議題進行審慎界定與文獻支持，且參考引用其他學者研究之 構面來編製問項，使其構面之問項可達到高內容效度，故具有一定的內容效度。

（二）收斂效度（Convergent Validity）

收斂效度是指研究中歸類為相同變數的衡量項目，彼此之間是否擁有高度的相關 性。根據Fornell and Larcker（1981）的建議可採用各構面與其對應之問項所萃取的

平均萃取變異量（Average Variances Extracted；AVE）來檢定收斂效度，而平均萃取 變異量乃是計算潛在變數之各觀察變數對該潛在變數的平均變異解釋力，並認為AVE 值達0.5 以上，即表示該潛在變數具有收斂效度，且數值愈大則表示潛在變數有愈高 收斂效度。

（三）區別效度（Discriminate Validity）

區別效度是指量測不同構面項目間的相關性要低，且測量某個建構工具所產生的 結果，是否不同於其測量相類以的建構的工具所得的結果。因此，根據 Fornell and Larcker（1981）的建議，區別效度可由 AVE 值的平方根皆大於與各構面之相關係數 值來判斷，若大於各構面相關係數的一半以上，即表示該模式具有區別效度。同時，

Hair、Anderson、Tatham and Black（1998）則認為收斂效度必須同時考量個別題目信 度、潛在變項組合信度與平均萃取變異量三項指標，若此三項指標均符合標準，方能 表示本研究所測之構面具收斂效度。

六、結構方程式模式分析（Structural Equation Modeling；SEM）

在模式分析部份，LISREL 與 AMOS 兩套軟體皆有提供結構方程模式的功能，只 是AMOS 在有用性上與易用性上功能皆非常完善，且 AMOS 最大的優勢在於其路徑 圖的圖形使用者介面，免去 LISREL 中界定八大參數矩陣的繁瑣，本研究將採用 AMOS 進行結構方程模式分析，以衡量整體模式配適度。

結構方程式模型（Structural Equation Modeling，簡稱 SEM）亦稱為結構模式分 析，是一門基於統計分析技術的研究方法學，以迴歸為基礎的多變量統計分析技術。

其主要目的在於探討模型中潛在變數（Latent Variables）和外顯變數（Manifest Variable，又稱觀察變數）之間的因果關係以驗證理論架構（邱皓政，2006），而Tomarken and Waller（2005）則整理出 SEM 的主要功能：

(1) 能測量潛在構面與觀察變數的評估（CFA）；潛在構面之間的關係。

(2) 可以同時利用一些線性方程式評估模型配適度。

(3) SEM 可以提供模型比較，包括巢形結構的卡方差異性檢定（Δχ2 ）、ΔCFI 及非巢形結構比較（AIC、ECVI）。

(4) SEM 允許研究人員直接測試模型。

本研究在進行線性結構關係模型整體配適度時，根據Hair、Black、Babin、Anderson and Tatham（2006）、邱皓政（2006）與黃芳銘（2007）的模型配適度指標觀點，將 評估整體配適度的指標共分為三類，分別為：（1）絕對配適度量測、（2）增值配適度 量測、（3）簡效配適度量測等三類指標來判別模式之整體配適度，茲將此三種類型分 述如下：

（一）絕對配適度量測（Absolute Fit Measures）

1. 卡方自由度比（Normed Chi-Square，X²/df）

NC 為考慮模式複雜度後的卡方值，以自由度將卡方值加以調整，其公式為卡方 值除以自由度。Joreskog（1970）曾提出用來評斷各種模式的配適指標。一般而言，

當NC 值小於 1 時，表示模式過度配適，必須加以改進。當 NC 值小於 2 或 3 時，則 表示該模型可視為良好之契合度（Carmines and McIver，1981；Hayduk，1987；Chin and Todd，1995）。而 Bollen（1989）則建議 NC 值應小於 5，此時對整體契合度而言 為較佳。以及黃芳銘（2007）提出當 NC 值大於 2 或 3（較寬鬆的規定是 5），則意謂 著模式尚未真實的反應觀察資料，即模式配適度不佳，必須改進。

2. 良性配適指標（Goodness of Fit Index；GFI）

GFI 為假設模型可以解釋觀察資料的比例，類似迴歸分析當中的可解釋變異量

（R²），主要是計算模式與觀察資料共變矩陣之間變異與共變量的比例。根據Tanaka

and Huba（1985）提出 GFI 值為測量契合度之指標，其值需介於 0 至 1 之間，且數值 越大（越接近 1）時，表示模型之契合度越高。亦有學者建議 GFI 值須大於 0.9，表 示該模型具有良好配適度（Bagozzi and Yi，1988；Hu and Bentler，1999）。Joreskog and Sorbom（1996）則認為 GIF 值在 0.8 至 0.89 之間被視為合理的契合度，而在 0.9 以上 是良好契合度的表現。

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

AGFI 為考慮模型複雜度後的 GFI，類似於迴歸分析中的調整後可解釋變異量，

是將自由度加入GFI 的計算，與 AGFI 均具有標準化特性，其值需介於 0 至 1 之間，

且數值越大（越接近1）時，則表示模式契合度越佳。通常研究學者認為 AGFI 值大 於 0.8 以上，方可表示模型具有良好配適度（Bagozzi and Yi，1988；Joreskog and Sorbom，1996）。亦有學者建議 AGFI 值要大於 0.9 為良好契合度（Hu and Bentler，

1999）。

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

RMR 為模式計算後剩下的殘差，主要計算觀察值與模式估計值之間的差異，反 映假設模型的整體殘差，不過由於RMR 沒有標準化的特性，無法具有判斷準則，因 此，後來多以標準化後的SRMR 進行評鑑。而當 RMR 值愈小，表示模式的契合度愈 佳，Bagozzi and Yi（1988）提出 RMR 值小於 0.1，表示模式的適配度達到標準；而 RMR 值小於或等於 0.05，表示殘差較小，亦可表示具有良好的適配程度（Golob and Meurs，1988；Hsieh，1998）。而 Hair et al.（1998）則認為 RMR 值介於 0.05 至 0.08 屬於可接受範圍（Hu and Bentler，1998）；而小於 0.05，為模型配適度良好。

5. 標準化均方根殘差（Standardized Root Mean square Residual；SRMR）

SRMR 為標準化假設模型整體殘差，是平均殘差共變標準化的總和，其值須介於

0 至 1 之間，且數值越大（越接近 0）時，表示模型契合度愈佳。通常學者認為其值 須小於或等於0.05，才能代表該模型具有良好配適度（Joreskog and Sorbom，1996；

陳順宇，2005）。亦有學者建議 SRMR 值須小於 0.08（Browne and Cudek；1993；

陳順宇，2005）。亦有學者建議 SRMR 值須小於 0.08（Browne and Cudek；1993；