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維數(即構 面的數目，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，如以主成份分析法抽取因素，則又稱之為
「主成份因素分析」(Principal Factor Analysis)，事實上，主成份因素分析也是因素分析 中最常使用的方法。
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，以KMO 與 Bartleet’s 球體檢定兩方法最為常用，
詳細說明如下。
(一) KMO 值：KMO 是 Kaiser-Meyer-Olkin 的抽樣適當性量數，當 KMO 值愈大 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
54
果KMO 值小於 0.5 時，較不宜進行因素分析。
表 3-8 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
(二) 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。而因素分析的主要方式，可簡述成下列幾個步驟：
1、選擇所欲分析的變數
2、計算相關矩陣，估計共同性 3、決定轉軸方法
4、從相關矩陣中抽取共同因素 5、決定因素與命名
2. 交叉列聯表與卡方檢定
主要用來檢定分析不同人口統計變數之消費者，在消費實態上的差異情況，以及分 析不同的訊息來源，對消費者在消費實態上的差異情況。在卡方檢定中，交叉列聯表之 期望次數小於5 的細格數不可超過全部細數的 20%，且所以有細的期望次數均應在 1 以 上。因為卡方檢定是一種整體性的考驗，若當檢定結果達顯著差異水準時，只能拒絕虛 無假設，代表至少有兩個組別的次數百分比例，有顯著差異。
3. 變異數分析
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 值如果大到顯著，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。
本研究利用變異數分析，分析不同品牌形象的消費者，在消費實態上的差異以及不 同產品屬性的消費者在消費實態上的差異。
55
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 資訊來源
品牌形象因素構 消費者人
口統計變 購買動機
卡方 檢定
消費實態
產品屬性 因素分析 之重視程
ANOVA
產品屬性因素構 ANOVA
56