資料分析方法

本研究依研究目的及假設，採用Visual PLS 1.04bl 版(Fu,2007)軟體進行樣本資料統 計分析，並對ACSI 模式進行結構方程模型之驗證。以下則為本研究使用之統計方法，

茲分別說明入下:

4.4.1 敘述性統計

敘述統計主要是針對回收資料進行初步的分析與整理，以了解全體樣本及各變數分 佈情形，其分析方法包括百分比、平均數、標準差等。平均數代表受訪者對於該問項的 看法，平均數越高代表該屬性較為受訪者重視；標準差分析則為評量回收的樣本對於問 項之一致性指標，樣本標準差越小，表示受訪者對於該問項有較一致的看法。透過這些 分析結果，可以瞭解回收樣本的分佈情形以及了解受訪者對於該問項的看法與意見。

4.4.2 信度與效度分析

信度問題指的是相同的量表，在不同之時間給予相同的受測者測試，是否能夠得到 相同的結果即是所謂的「信度」，也就是顯示測量結果的穩定性(Stability)和一致性 (Consistency)程度。本研究採用部份最小平方法(Partial Least Squares，PLS)中的組合信

度(Composite Reliability，CR)及一般常用之 Cronbach’s α 來衡量同一構念下各項目之間 的內部一致性(Internal consistency)。依據 Nunnally (1978)的看法，組合信度(CR)建議的 門檻值應超過0.7 以上，而各項目之負荷量(Loading)需高於 0.7 以上才能表示測量變項 達到內部一致性。

效度的意義指的是測驗或其它測量工具能測出其所欲測量的特質或是功能的程 度，測量的效度越高，表是測量的結果越能顯現其所欲測量對象的真正特徵。常用之二 種效度為內容效度(content validity)及建構效度(construct validity)。

內容效度是指衡量工具足夠涵蓋研究主題的程度，由於內容效度相當主觀，如問卷 有理論基礎為依據，並且參考過去學者之相關文獻以及實務或專家的討論，問卷則應具 備足夠之內容效度。建構效度指的是測量工具能測得所建構理論的概念或特質的程度。

以下介紹本研究所採用之效度檢測方式，分別為收斂效度及區別效度。

收斂效度表是多重變項所測量皆為同一構念的相符程度。各別構念所抽取之平均變 異量 (AVE) 必須至少大於 0.5，方可稱該構念具備足夠的收斂效度 (Fornell and Larcker,1981)。當變項對於它們所測量的構念之因素荷負量夠高時（負荷量大於 0.5），

同樣也達成收斂效度的要求(Nunnally,1978)。區別效度為檢定測量變項對不同構念間的 鑑別程度。PLS 測量模型在區別效度的估計上主要由交叉負荷矩陣(cross-loading matrix) 及平均變異抽取量(AVE)之平方根檢驗。交叉負荷矩陣之檢驗，為檢測各構念中的各別 問項負荷量是否高於其在其他構念中的負荷量(Fornell and Lacker,1981)。另外，將各別 構念之平均變異抽取量(AVE)的平方根，置於各構念的相關係數矩陣中，為了通過區別 效度的檢驗，每個變項與測量同樣一個構念的其他變項的相關程度，應該大於該構念與 模型中其他構念的相關係數(Chin，1998)。

4.4.3 結構方程模式(Structural Equation Modeling；SEM)分析

本研究使用結構方程模式(Structural Equation Modeling，SEM)來探討顧客期望、知 覺品質、知覺價值、滿意度及顧客忠誠、顧客抱怨等構面間之因果關係，並檢定研究假 設是否成立。利用結構方程模式進行參數估計時最常使用的兩種方法為部分最小平方法 (Partial Least Square；PLS)和線性結構關係模式(Linear Structure Relation；LISREL)。PLS 是將主成份分析與多元回歸結合起來的迭代估計的一種因果建模方法，瑞典、美國和歐 盟都使用這種方法進行估計。在ACSI 模型估計中，該法對不同隱變量的測量變量子集

抽取主成分，放在回歸模型系統中使用，然後調整主成分權數，以最大化模型預測能力。

且PLS 對變數須符合常態型、隨機性的要求較為寬鬆 (Wold,1982)，估計路徑係數時對 樣本數要求較小 (Anderson andGerbing,1988)，使其相較於 LISREL 的分析方法更適用於 本研究。

因此本研究採用PLS 作為研究結構模型的分析工具，並以拔靴法(BootStrap)計算研 究模型路徑係數的顯著性，並藉由PLS 可分析外生變數對於內生變數所能解釋變異量的 百分比，檢驗本研究模型的預測能力。

4.4.4 重要程度與績效分析(Important-Performance Analysis)

重要程度與績效分析(Important-Performance Analysis，IPA)，最早是由 Martilla and James 於 1977 年應用於機車產業產品屬性之研究中提出，其將重要性與表現情形的平均 得分製圖於一個二維矩陣中，在矩陣中的尺度和象限位置可以任意訂定，重點在於矩陣 中各不同點之相關位置。Sethna(1982)也發現 IPA 在修正需要改善服務品質的部分是一 項有效的工具。並在眾多研究中，IPA 已成為廣泛使用企業產品、服務和建立銷售點的 優劣勢修正分析的管理工具Chapman(1993)。

主要是將服務品質衡量問項之滿意度評價及各問項之重要度之平均得分設計成 IPA 架構之二維矩陣，利用二維矩陣區分不同平均得分屬性的相對位置，透過客觀的調 查，以找出顧客對於服務品質各項屬性的優缺點，做為改善服務品質之應用。矩陣軸的 分隔標準並沒有明確之定義，分析的重點在其品質屬性的重要程度與績效表現的平均分 數之關聯性。Hollenhorst et al. (1992) 則認為，以 IPA 的重要程度與績效水準的總平均 (overall mean)作為 IPA 二維矩陣座標軸的分隔點，品質屬性的分佈情況將更具判斷力。

因此，本研究將以重要程度與績效水準之總平均值為分隔點將二維矩陣區分為四個象 限。IPA 四個象限所代表之意義如下:

(1) 象限A (高重要與高績效)：

象限A是顧客非常重視且感到非常滿意之區域，屬於優是區域，業者應繼續加以維 持(Keep up the Good Work)，屬於企業之主要優勢。

(2) 象限B(高重要低績效):

象限B是企業的主要劣勢來源，此象限是顧客非常重視的服務屬性，但顧客目前感 受到的服務績效未達消費者預期的服務水準。落於此象限的產品或服務具有企業未 來發展的決定性關鍵因素，為企業應加強改善之重點。(Concentrate Here)。

(3) 象限C(低重要與低績效)：

象限C是企業的次要劣勢來源，此象限是顧客不重視的服務屬性，且顧客目前感受 到的服務績效亦不佳，落於此象限內的屬性優先改善順序較低，業者可以在象限D 改善之後再予以改善 (Low Priority) 這些服務屬性的缺失。

(4) 象限D(低重要與高績效)：

此象限是顧客較不重視的服務屬性，但卻感受到服務績效仍有不錯的效果，對於此 區域之屬性影響企業之重要度不大，因此業者可以不需過度強調(Possible Overkill)。

象限 A 象限 B

重 要 程 度

(Concentrate Here) (Keep up the Good Work) 平

均 值

象限 C (Low Priority)

象限 D (No Change)

平均值 績效

圖 4-3 重要程度-績效分析圖

4.5 小結

在本研究當中，首先引用美國顧客滿意度指數模型(ACSI)中的六個構面，根據構面 定義發展問項觀察顧客滿意度，最後計算出滿意度分數。再根據工程專案管理特性設計 出服務品質之衡量五構面共涵蓋57 項因子，並以 PZB 三位學者提出之服務品質定義即 期望與實際感受的差距(即服務品質)，利用各問項服務品質的結果與重要度建構出管理 矩陣。