路徑分析與驗證假說

一、 測量模式檢定分析

本研究採用的最小偏平方法(partial least squares, PLS)之電腦軟體為 SmartPLS 3.0 M3 版，並且檢測結構模型當中路徑的顯著程度。而本研究於「行動遊戲玩家沉浸體驗 對於玩家使用行為影響」這部份的問卷，收到 1200 份扣除其中之無效問卷 34 份後，有 效問卷 1166 份，可用率達 98.1%。而本研究針對所回收的有用問卷，進行測量工具性 質(信度與效度)、研究假設與概念模式的檢定。測量模型的檢定包含了內部一致性、收 斂效度與區別效度的檢驗。 有關構念的內部一致性是評估變數的組合信度(Composite Reliability；CR)進行考驗 (Fornell & Larcker, 1981)。經由 Nunnally (1978)所建議組合信 度值應在 0.7 以上的數值，以確定測量變項達到內部一致性。收斂效度表示多重變項所 測量皆為同一構念的相符程度。根據 Fornell & Larcker (1981)指出，收斂效度可採行最 小偏平方法(PLS)之驗證性因素分析作為衡量依據，其中平均變異萃取量 (average variance extracted; AVE)應大於 0.5，方達可接受之收斂效度。當個別變項對於它們所測 量的構念之因素荷負量(loading)夠高時(>0.707)，同樣也達成收斂效度的要求 (Straub et al., 2004)。

本研究模式變數測量性質檢定的統計分析結果如表 4-20 所示，為內部一致性與收 斂效度之檢定結果，所有構念的相關面向組成信度皆高於門檻值 0.70 以上，因此各構 念面向之內部一致性均符合標準。本研究針對測量工具於相關構念的區別效度進行考驗，

以嚴謹驗證本研究概念架構所建立之主要研究變項之整體構念效度。構念區別效度之檢 驗主要在檢定測量之潛在變項(latent variable)對於不同的構念之間的鑑別程度。每個變 項與測量同樣一個構念的其他變項之相關程度，應該要高於與測量不同構念變項的相關 係數。為了通過區別效度的檢驗，個別構念抽取之平均變異萃取量(AVE)的平方根，應 該大於該構念與模型中其他構念的共變關係 (Chin, 1998)，如表 4-20 所示。

48

組合信度Composite Reliability

49

下表 4-21 為各構面之間的相關係數矩陣，對角線所列之值即該構念的 AVE 平方根。

由表 4-21 的分析結果可知，任兩個構念之間的相關係數皆小於該構念之測量變項的 AVE 平方根。顯示出測量模型中各構念的變項確實存在區別性，由此可知，本研究之 主要構念具有可接受程度的區別效度。

表 4-21 本研究構面之相關係數與鑑別效度

構面 技巧性 挑戰性 互動性 社交性 沉浸 體驗

探索行 為意圖

虛寶購 買意圖

實際 使用 技巧性 0.78*

挑戰性 0.57 0.79*

互動性 0.52 0.51 0.80*

社交性 0.48 0.47 0.39 0.84*

沉浸

體驗 0.46 0.52 0.45 0.44 0.73*

探索行為意圖 0.36 0.44 0.47 0.34 0.52 0.83*

虛寶購買意圖 0.28 0.31 0.30 0.39 0.33 0.34 0.85*

實際

使用 0.21 0.30 0.26 0.15 0.32 0.39 0.25 0.84*

*對角線數值為潛在構面的平均萃取變異量(AVE)之平方根。

50