資料收集

由於目前在大中國經濟體內的連接器廠商分佈如下；雖然在中國境內本地的廠商 居多，但是大都是小廠和軍事用途的工廠，以及許多的台資廠以中國廠來註冊，以保

護其公司的利益，無法真正區分其公司的真正國籍，部份的外資沒有參與協會，本研 究將以中國和台灣連接器協會會員名冊，以及 Global Sourcing 廠商名冊，以隨機抽 樣的方式進行抽樣，並以當地負責的業務人員進行運送問卷至有關人員，並於一個月 內回收該份問卷，預計發出各兩百份問卷至大陸和台灣的連接器廠的採購和工程單位

圖 3.5 中國大陸連接器廠的分佈 Global Resource 2004

14%

38%

45%

3%

EU& US TW CN JP

表 3.1 連接器廠商於中國生產的排名資料來源: Fleck Research 2001

雖然於 Global resource 的資料可知整體中國連接器生產廠家，以中國本地製造

廠家為最高，但從 Fleck Research 表知，中國境內的主要生產廠，仍以台資或外資 為主，再由於中國的較大生產廠家，以軍事和航太用途為主，資料取得不易，因此本 次研究大多以台資及外資企業為主要的探討對象。

樣本選取與統計方法 一、樣本選取

本研究以大中國經濟體連接器生產廠家的物料決策者為研究對象，而連接器生產 廠家的物料決策者，包含使用者和採購者，所以本研究針對中國連接器生產廠家為樣 本母體，以一般郵寄問卷和電子郵寄問卷為主要蒐集資料方式。樣本回收情形本研究 寄發的問卷為二百份，樣本回收期間為 2005 年 3 月 1 日至同年 4 月 8 日，回收樣 本共計 116 份，經檢查剔除無效樣本後的有效樣本共計 95 份。47 個廠商涵蓋大陸 及台灣。

二、統計方法 (一)敘述統計分析

本研究以 SAS 之統計軟體為資料處理工具，主要目的在了解本研究樣本之基本 資料分布情形，如各變項之次數分配及百分比，對樣本作概括性的敘述。

(二)信度分析

為了進一步了解問卷的有效性及可靠性，必須做問卷的信度分析。在李克特量表 (Likert scale)中，最常使用的來判別信度的方法為「Cronbach α」係數。一變項 的信度越高代表變項越穩定。信度有外在信度(external reliability)及內在信度 (internal reliability)之分。外在信度通常指不同時間測量時，量表一致性的程 度；內在性度指的是每一個問項是否測量同一構面(dimension)，以及組成量表的內 在一致性程度如何。在本研究中及採用內在信度(internal reliability)測量每個變 項。皮爾遜(K. Pearson)積差相關分析在雙變數資料相關性中，若兩變數均屬連續變 數，則以皮爾遜(K. Pearson) 積差相關分析方法求取兩個變數間的相關程度，積差 相關係數可作為兩個連續變項間線性相關的指標。相關係數值介於-1 到+1 之間，正 負符號表示相關的方向(斜率)，正相關表示線性相關的斜率為正，負相關表示線性相 關的斜率為負。本研究將問卷初稿完成後選取三家廠商為問卷預試對象，以了解受測 者對問卷各題意的接受狀況，並在受測者填答問卷後與其討論是否有對題意不清楚或 有所疑問，以作為擬定正式問卷的參考；問卷回收後立即進行信度分析，以了解本研 究各變項之內部一致性，預試問卷各構面之 Cronbach＇s α係數。從表 4..2.1 發現 大部分變項所得之 Cronbach＇s α值均介於 0.88~0.59，符合 Nunnally（1970）對 為 Cronbach＇s α係數合適度之推論，俟正式問卷回收後若 Cronbach＇s α值未達

合適水準，再進行題項刪減的動作。

本研究於正式問卷信度分析上，採用二階段的方式判讀，以求信度的嚴謹性；第一階 段進行 Cronbach＇s α信度分析做為信度的初步判讀，第二階段本研究另採進行驗 證性因素分析，目的在了解本研究量表在測量模式下各變項在因素與衡量題項間的內 部一致性及配適度情形。預試問卷各變項之 Cronbach＇s α係數彙整表 Cronbach＇s α 研究變數建構題號

(三)效度分析

因素分析的目的即在求得問卷的建構效度(construct validity)。在多變項的 關係中，變數間的線性組合可以解釋變數間的變異量，其中主成份分析法即是最常用 的使用工具。變數間的第一個線性組合可以解釋最大的變異量， 第二個線性組合可 以解釋次大的變異量，然後遞減直到最沒有解釋變異量的線性組合。黃俊英(1996) 也曾經提及因素分析是一種縮減空間或構面的技術，其主要目的在以較少的構面來表 示原先資料的結構，而又能保存原有資料結構所

提供的大部分資訊，其假定各變數間之所以會有相關，是因為有少數影響這些 不同變數的基本因素存在，因素分析的作用即在於設法發現那些共同的基本因素。本 研究在效度的量測上採用主成份分析 作為收斂效度與區別效度之檢定， 本研究針對 本量表中關係構面、產品構面及供應商特性等三個變項進行檢測，以便得知本量表所 能代表量測正確性之程度。

(四) 描述統計與相關分析

描述統計即為了便於了解原始資料的意義，在分析資料時會先利用某些彙整性的 統計量來描述原始的資料，在本研究中即可利用此來分析提供物特徵此變項，產業分 部情形，決策人員的屬性。而當兩變數皆為連續變數時，即可利用相關分析來衡量兩 變數關係的程度，本研究中即利用此統計方法來驗證某些假說。

(五)線性結構關係模式分析

本研究採用 Stepwise Regression，以驗證本研究之假設。而線性結構關係模式 為探討變數間的線性關係，並對可觀測的(顯性)變數與不可觀測的(潛在)變數之因果 模式做假設檢定，藉以驗證本研究之假設成立與否。

本研究需以因子分析(Factor Analysis)的方法來對所選取的自變數作信度的分 析，因子分通常用於資料縮減，其運用目的乃是為了試圖找出少數潛在變數、或因子，

以解釋一群可觀察的變數之間的關聯型式，例如一個的智商可能就是影響數學成績因 英文成績的共同因子。與主成份分析不同的是，因子分析重視的是影響應變數的因 子，以及其影響力，也就是每一位受試者的反應變量均為一些共同因素（common

factor）。我們由主成份法來萃取因子，並且利用 Kaiser 方法來決定要選取幾個因 子，由於前兩個因子特徵值大於等於 1，所列的是因子分析的因子組型矩陣。因子組 型矩陣也就是個因子對於所有變數的係數，亦即對各變數的影響力。我們利用此矩陣 來判斷出各因子的潛在意義。一般來說是將各別係數之絕對值大於等於 0.4 的變數列 出，由以上矩陣我們不容易看出各因子間的潛在意義，因此我們考慮轉軸的動作。剛 才我們提到未轉軸的因子組型矩陣不容易找出各因子的潛在意義，因此 上圖使用 VARIMAX 正交轉軸，並且列出轉軸後的因子組型矩陣，我們可以明顯看出其。最後繪 出轉軸後的因子組型(Factor pattern)。透過上述的因子分析，來將所選擇的自變數 做確認。利用相關的因子來証明理論中的信效度的分析，以進一步確認理論的架構，

包含採購活動的理論架構，採購情境因素的架構和採購決策中心的特質確認。

在相關係數方面第一列是兩變數的相關係數，若是表中所列之 P-VALUE 小於顯著 水準α則拒絕 H0，即表兩變數具有顯著性的相關。一般而言，α通常取 0.05 或 0.01。

若要應用此檢定，資料最好看來像是多變量常態分布。透過虛無假設(Null

Hypothesis analysis) 的分析，可以將自變數採購中心的集中化及複製度與自變數，

採購活動資訊的收集、使用分析的技術、更積極於集中的議題、在程序上的控制。就 採購的情境因素而言；採購的重要性、採購的不確定性、轉換成本、以及客戶關係作 進一步的假設檢定。

為了要能夠將自變數採購中心的集中化及複製度與自變數，採購活動資訊的收 集、使用分析的技術、更積極於集中的議題、在程序上的控制。就採購的情境因素而 言；採購的重要性、採購的不確定性、轉換成本、以及客戶關係作進一步的方式做明 確的描述，因此進行主成份分析(Principal component analysis)其主要目的是在於 將許多變數予以減少，並使其改變為少數幾個互相獨立的線性組合變數，即主成份，

另外為了讓主成份盡量保留原始變數所含有的訊息，一般希望經由線性組合而得的主 成份之變異數越大越好，使得受試者之間的差異或變化能在這些主成份上保留下來。

在主成份分析中，除了用來概述變數間的關係外，亦可用來削減迴歸分析或集群分析 中變數的數目。此外，為了達到最大變異的目的，我們可用主成份分析將原來的變數 轉變為成份，在抽出成份之後，可將各變數的原始分轉換為成份分數，以供進一步深 入的統計分析。與其他的程序一樣，皆為挑選所須的變數進行分析。在主成份分析中，

我們的目的是減少自變數，對於應變數 Y 我們在此不予分析。跑完第二段程式後，在 Output 裡會列出各變數的平均值、標準差、相關係數矩陣、各成份的特徵值、所佔 總變異之比例、累績比例及特徵向量，意即我們可用後面成份代替先前的變數。而成 份與變數的關係，可以其特徵向量來表示，在建構迴歸模型時，透過迴歸模型的建構，

清楚地把因變數，採購決策中心以除了專業考量外，如何選取適當的預測變數也必須 加以注意，過多同性質的預測變數除了會影響參數的估計，也會導致解釋上的困難，

甚至出現與常理似乎矛盾的結果，因此適當的選取預測變數是建立迴歸模型中一個很

甚至出現與常理似乎矛盾的結果，因此適當的選取預測變數是建立迴歸模型中一個很