1. 次數分配與百分比統計
針對人口統計變數與消費實態來描述性統計如次數分配與百分比統計量來描述資 料分佈情形，並說明本研究樣本特性。
2. 卡方檢定
本研究以卡方檢定了解不同利益區隔與不同的消費實態與人口統計變數是否有差 異存在。
3. 單因子變異數分析(ANOVA)
變異數分析(Analysis of Variance)簡稱 ANOVA 是用來檢定三個或三個以上群體資 料平均數的差異顯著性，也稱 F 統計法。ANOVA 分析之 F 值如果顯著，表示組別間至少 有一對平均數之間有顯著差異，但至於是哪兩組之間的差異，則無從得知，必須進一步 進行事後分析。而事後比較分析的方法很多，常用者有杜氏法(Tukey)與雪費法(Scheffe) 二種，其中當各組人數不相等或想進行複雜的比較時，則使用 Scheffe 法較佳。故本研 究利用單因子變異數分析以了解各利益區隔對於商品形象及品牌權益是否有差異。
4. 因素分析
因素分析法包含了許多縮減空間(或構面)的技術，其主要目的在以較少的構面數目 (number of dimensions)，而又可以保存原有資料結構所提供的大部份資訊。它是一種 互依分析技術，也是多變數方法的應用之一，其為數學中的一種精簡作法，在社會科學 領域中，應用最廣的是把數個很難解釋，而彼此有關的變數，轉化成少數有概念化意義，
而彼此獨立性的因素。因素分析時，常會利用主成份分析法抽取因素，故又稱之為「主 成份因素分析」(Principal Factor Analysic) 。
一般而言，從最初因素分析中所獲得的結果，其因素負荷量差異並不是非常明顯，
所以無法對因素作有效的解釋，因此為了方便因素的解釋工作，必須進一步實行因素的 轉軸，而常見的轉軸方法，有直交轉軸法(Orthogonal Rotation)與斜交轉軸法(Oblique Rotation)兩種，在直交轉軸法中，因素與因素間沒有相關，亦即其相關為 0；採斜交轉 軸法，表示因素與因素間彼此有某種程度的相關，亦即因素軸間間的夾角不等於 90 度，
而直交轉軸的優點是因素間提供的資訊不會重疊，觀察值在某一個因素的分數與在其它 因素的分數，彼此獨立不相關，缺點是研究者迫使因素間不相關，但在實際生活情境中，
它們彼此間有相關的可能性很高(Bryman and Cramer，1997)。
在進行因素分析的適合度檢定時，常利用 KMO 與 Bartleet＇s 球體檢定兩方法，
其分別明如下。
(1) KMO 值：KMO 是 Kaiser-Meyer-Olkin 的抽樣適當性量數，當 KMO 值愈大
45
時，表示變數間的共同因素愈多，愈適合進行因素分析。根據 Kaiser(1974)的觀點，如 果KMO 值小於 0.5 時，較不宜進行因素分析。
表3- 9 因素分析適合性判別標準 KMO 統計量值 因素分析適合性
0.9 以上 極適合進行因素分析 0.8 以上 適合進行因素分析 0.7 以上 尚可進行因素分析 0.6 以上 勉強可進行因素分析 0.5 以上 不適合進行因素分析 0.5 以下 非常不適合進行因素分析 資料來源：吳明隆，SPSS 統計應用學習實務，民國 94 年。
(2) Bartleet’s 球體檢定：Bartleet’球體檢定是由巴氏(M.Bartlett)在 1950 年所發展的 檢定方法，以樣本資料計算而得的χ2 值與表列的 χ2 值相比較，如計算的 χ2 值小於表 列的 χ2 值，則該群資料為不相關的元素，無進行因素分析之必要；反之，則可進行因 素分析。
而因素分析可以簡述成下列幾個步驟：
z 選擇所欲分析的變數
z 計算相關矩陣，估計共同性 z 決定轉軸方法
z 從相關矩陣中抽取共同因素 z 決定因素與命名
5. 信度分析
其目的在測試研究架構之可信度，亦即在衡量結果的一致性或穩定性。也是說同一 群受測者在同一份問卷上，於不同時間測驗多次後的結果能夠產生一致性的結果。
而本研究係以 Cronbach＇s α 係數來檢測問卷的內部一致性，以了解量表的可靠 程度與穩定性。若 Cronbach＇s α 係數愈高，表示量表內各問項間的相關性愈高，亦 即內部一致性愈趨一致。至於 α 係數究竟要多大，才算有高的信度，各學者對此看法 不盡相同。學者 Nunnally（1978）認為 α 係數等於 0.7 是一個較低，但可以接受的量 表邊界值，而學者 Guielford（1965）則認為 α 係數若大於 0.7，表示信度高；若 α 係數介於 0.7 與 0.35 之間表示信度尚可；若 α 係數小於 0.35 則表示信度低。
6. 效度分析
所謂效度(Validity)，是指衡量的工具是否能真正衡量到研究者要衡量的問題。而 研究效度包括內在效度與外在效度兩種，內在效度指研究敘述的正確性與真實性；外在
46
效度則是指研究推論的正確性。
在研究歷程中，實驗研究中想提高研究的內在效度，在研究設計時可把握：(1)理 論正確解釋清楚。(2)操作正確以減少誤差。(3)樣本合宜且預防流失。(4)正本清源，
排除無關變數。
在效度的分類上，可分為以下三類：
(1)內容效度(Content Validity)：
又稱表面效度，指問卷的內容是具有相當高的代表性，以及量表項目與形式給人直 覺上可達成的效度，此種效度的檢定相當主觀，故通常是請專家來判斷該量表是否具有 內容效度。
(2)效標關聯效度(Criterion-related Validity)
又稱實證效度或統計效度，係以測驗分數和效度標準間的相關係數，表示測驗的效 度高低。而效標是顯示測驗之各測量特質的獨立變數。
(3)建構效度(construct Validity)
指測量某一理論的概念或特質的程度，通常以某一心理建構為基礎，並建立和某建 構相關聯的能力，查核測驗結果是否符合心理學上的見解。
而本研究之各變數效度屬於內容效度。為求問卷之內容效度，本研究之各變數乃經 由國內外文獻探討、相關實證研究及指導教授的討論之整理歸納而得，以確保各變數之 完整性與重要性。
7. 集群分析
集群分析是一種一般邏輯程序，它能根據相似性與相異性，客觀地將相似者集結在 同一集群內。本研究根據上述因素分析所得之結果，進行區隔消費者市場。
其方法主要有二種，一為「階層式集群分析法」（hierarchical cluster analysis）， 二為「K-Means 集群分析法」，如果觀察值的個數大於 200 個以上，因合併次數繁多，
耗費之計算資源龐大，以採用「K-Mean」集群分析法較為適宜。
由於「K-Mean 集群分析法」要事先訂定集群的數目，必需進行較多次的分析以找 出較佳的分群數，因此，可先運用全體觀察值中部份數據進行「階層式集群分析法」，
以作為決定集群數的參考。
8. 區別分析：
以區別分析來鑑定集群中組成個體是否歸類恰當，即是否有其鑑別效度。
47
茲將以上資料分析說明建立資料分析架構如圖3-2：
圖3- 2 資料分析架構
品牌權益構面 消費者人
口統計變
卡方 檢定
消費實態
商店形象之 重視程度 因素分析
ANOVA
商店形象構面 ANOVA
品牌權益之 重視程度 因素分析
利益區隔
集群分析 卡方
檢定
信度分析
信度分析
區別分析
48
第 3 章