國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 迴歸分析
本研究之迴歸分析,共有八個自變數選擇(將產品知識用不同分類方式,分 成兩種變數),分別為「性別」、「年齡」、「教育程度」、「產品知識(答對 題數)」、「產品知識(專家與否)」、「購買時間」、「評分分配與試前想法的 落差」、與「評論內容正負性」等,來探討其對應變數「試前試後評分差異」
之影響。
而以下共分為六組模型。前三組模型在「產品知識」此一變數上,皆採用
「產品知識(答對題數)」;而四到六組則採用「產品知識(專家與否)」。而模 型二與模型三為模型一之修正模型;模型五與模型六為模型四之修正模型。其 分別為:模型一-完整模型、模型二-去除「教育程度」模型、模型三-再去除
「年齡」模型、模型四-調整後完整模型、模型五-調整後去除「教育程度」模 型、與模型六-調整後再去除「年齡」模型等。以下為此六種模型結果之詳盡說 明:
一、模型一-完整模型
模型一-完整模型中,將「性別」、「年齡」、「教育程度」、「產品知識 (答對題數)」、「購買時間」、「評分分配與試前想法的落差」、與「評論內 容正負性」等七個變數納入,試圖從完整的模型當中來做初次的判斷。如下表 4 所示:
係數 標準誤 T 值 P 值 VIF 常數*** 1.245 0.376 3.308 0.001 -
性別 0.186 0.124 1.490 0.137 1.088 年齡 0.094 0.092 1.027 0.307 1.048 教育程度 -0.077 0.101 -0.769 0.444 1.077 產品知識 -0.048 0.035 -1.354 0.179 1.149
35
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(答對題數)
購買時間** -0.161 0.067 -2.414 0.018 1.128 試前評分與評分
分配的落差**
0.264 0.125 2.119 0.037 1.097
評論內容正性*** -0.391 0.137 -2.861 0.005 1.333 評論內容負性 -0.177 0.199 -0.890 0.376 1.336
評論內容中性 標準
R square 0.260 R adjusted 0.197
*p<0.1 **p<0.05 ***p<0.01
表 4 模型一-完整模型
由上表 4 可知, 七項變數中,僅有「購買時間」、「評分分配與試前想 法的落差」、與「評論內容正負性」等三個變數為顯著。「購買時間」呈現負 顯著;而「評分分配與試前想法的落差」呈現正顯著,此皆與第二章之假設一 致。
值得注意的是,在「評論內容正負性」中,可以發現,「評論內容正性」
顯著比「評論內容中性」的人更不容易產生從眾行為;雖然「評論內容負性」
在從眾行為的產生上,僅顯示出負不顯著於「評論內容中性」的人。但在整體 的方向性上,「評論內容中性」的人,是傾向較容易產生從眾行為的。
然而,模型一中仍有四個變數呈現不顯著。所以,後續模型將陸續刪除不 顯著之變數,以找出最適當之迴歸模型。
二、模型二-去除「教育程度」模型
在模型二-去除「教育程度」模型中,顧名思義,將模型一中的「教育程度」
此一變數予以刪除,藉此來觀察,修正後的模型二是否能更有效的來解釋應變 數「試前試後評分差異」。詳見下表 5 所示:
36
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
係數 標準誤 T 值 P 值 VIF 常數*** 1.070 0.299 3.575 0.001 -
性別 0.170 0.122 1.392 0.167 1.057 年齡 0.088 0.091 0.963 0.338 1.039
教育程度 - - - - -
產品知識 (答對題數)
-0.043 0.035 -1.242 0.217 1.114
購買時間** -0.165 0.066 -2.488 0.015 1.121 試前評分與評分
分配的落差**
0.265 0.124 2.129 0.036 1.097
評論內容正性*** -0.403 0.135 -2.981 0.004 1.314 評論內容負性 -0.199 0.197 -1.010 0.315 1.309
評論內容中性 標準
R square 0.256 R adjusted 0.201
*p<0.1 **p<0.05 ***p<0.01
表 5 模型二-去除「教育程度」模型
由上表 5 之結果可以了解到,在現有的六項變數中,仍然僅有「購買時 間」、「評分分配與試前想法的落差」、與「評論內容正負性」呈現顯著,其 餘變數依舊為不顯著。
再來,比較上表 5 與前表 4 可以發現,模型二將「教育程度」
此一變數刪除後,R adjusted 呈現增長;此即代表,將「教育程度」去除後,剩 餘的變數能夠更有效地來解釋應變數。因此,「教育程度」此一變數對於解釋 應變數是沒有幫助的。
同樣地,因為仍有不顯著之變數,所以接下來將再去除目前最不顯著的
「年齡」因子,以盼能夠持續提升對應變數之解釋效率。
37
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
三、 模型三-再去除「年齡」模型
在模型三-再去除「年齡」模型中,將「年齡」此一變數刪去,藉由此方法再來檢 視模型三是否有比模型二具備更有效率的解釋能力。如下表 6 所示:
係數 標準誤 T 值 P 值 VIF 常數*** 1.211 0.261 4.645 0.000 -
性別 0.166 0.122 1.363 0.176 1.056
年齡 - - - - -
教育程度 - - - - -
產品知識 (答對題數)
-0.041 0.035 -1.187 0.238 1.110
購買時間** -0.173 0.066 -2.623 0.010 1.105 試前評分與評分
分配的落差**
0.280 0.123 2.269 0.026 1.080
評論內容正性*** -0.406 0.135 -2.998 0.003 1.314 評論內容負性 -0.212 0.196 -1.079 0.283 1.303
評論內容中性 標準
R square 0.248 R adjusted 0.201
*p<0.1 **p<0.05 ***p<0.01
表 6 模型三-再去除「年齡」模型
由上表 6 可觀察出,呈現顯著之變數仍然只有「購買時間」、「評分分配 與試前想法的落差」、與「評論內容正負性」;「性別」與「產品知識(答對題 數)」仍舊呈現不顯著。
而比較模型三與模型二後,可以得出,在 R adjusted 方面是沒有差異的;
也就是說,刪去「年齡」此一因子,對於模型三解釋應變數「試前試後評分差 異」之能力是沒有甚麼差別的。而在後續,若刪除剩餘兩個不顯著之變數-「性
38
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
別」與「產品知識(答對題數)」,都會使整體的 R adjusted 下降。因此,模型 三已經為目前對於應變數之最佳解釋模型。
但環顧模型一至模型三,「產品知識(答對題數)」此變數持續呈現不顯著,
與原先所推估的假設不同。故本研究嘗試採用不同的變數定義方式,將原先為 連續變數的「產品知識(答對題數)」,改成名目變數的「產品知識(專家與 否)」。意即,將答對題數 5 分界定為專家(記錄為 1)、答對題數 0-4 分為非專 家(記錄為 0),欲一窺在此調整之下,是否將有不同的結果產生,以印證先前 之假設。故,接續之模型四到模型六就是以「產品知識(專家與否)」替代原先 的「產品知識(答對題數)」,進行後續之分析。
四、模型四-調整後完整模型
模型四-調整後完整模型中,將模型一的「產品知識(答對題數)」此變數換 成「產品知識(專家與否)」,以研究其是否將會對應變數「試前試後評分差異」
有顯著的影響。如下表 7 所示:
係數 標準誤 T 值 P 值 VIF 常數*** 1.188 0.368 3.225 0.002 -
性別 0.194 0.122 1.593 0.115 1.081 年齡 0.097 0.090 1.072 0.287 1.046 教育程度 -0.070 0.098 -0.714 0.477 1.051 產品知識**
(專家與否)
-0.299 0.145 -2.068 0.041 1.069
購買時間** -0.169 0.065 -2.603 0.011 1.092 試前評分與評分
分配的落差**
0.271 0.123 2.196 0.031 1.098
評論內容正性*** -0.391 0.132 -2.958 0.004 1.279
39
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
評論內容負性 -0.210 0.195 -1.078 0.284 1.313
評論內容中性 標準
R square 0.279 R adjusted 0.217
*p<0.1 **p<0.05 ***p<0.01
表 7 模型四-調整後完整模型
由上表 7 可看出,除了模型一至模型三皆為顯著的「購買時間」、「評分 分配與試前想法的落差」、與「評論內容正負性」仍保持不變之外,「產品知 識(專家與否)」也呈現負顯著了;而「性別」、「年齡」、與「教育程度」等 仍為不顯著。
而比較表 4 與表 7 可以發現,在模型四中,R adjusted 由 0.197 提升至 0.217;此即代表,將「產品知識」的定義改變後,確實能夠有效提升迴規模型 對於應變數「試前試後評分差異」的解釋能力。並且,這也印證了本研究對於
「產品知識」之於從眾行為的假設。
而後續,將如同模型二與模型三,將一一去除不顯著之因子,期望能夠找 出最佳之迴歸模型。
五、模型五-調整後去除「教育程度」模型
在模型五-調整後去除「教育程度」模型中,顧名思義,如同模型二將「教 育程度」此一最不顯著之因子先予以刪除,以檢視新模型是否將更有效率的來 解釋應變數。結果如下表 8 所示:
係數 標準誤 T 值 P 值 VIF 常數*** 1.032 0.295 3.491 0.001 -
性別 0.181 0.120 1.505 0.136 1.055 年齡 0.091 0.090 1.017 0.312 1.039
40
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
教育程度 - - - - -
產品知識**
(專家與否)
-0.291 0.144 -2.022 0.046 1.062
購買時間*** -0.171 0.065 -2.651 0.009 1.089 試前評分與評分
分配的落差**
0.271 0.123 2.206 0.030 1.098
評論內容正性*** -0.399 0.131 -3.042 0.003 1.269 評論內容負性 -0.227 0.193 -1.176 0.243 1.294
評論內容中性 標準
R square 0.275 R adjusted 0.221
*p<0.1 **p<0.05 ***p<0.01
表 8 模型五-調整後去除「教育程度」模型
由上表 8 可觀察出,「產品知識(專家與否)」、「購買時間」、「評分分 配與試前想法的落差」、與「評論內容正負性」仍為顯著因子;而「性別」與
「年齡」仍為不顯著。
然而在比較模型四與模型五之後,可以發現,R adjusted 由 0.217 成長至 0.221;此即證明,「教育程度」此一因子對於解釋應變數「試前試後評分差異」
是沒有幫助的。
接續下來,模型六將會刪去目前最不顯著的變數-「年齡」,藉此來找出最 佳之迴歸模型。
六、模型六-調整後再去除「年齡」模型
在模型六-調整後再去除「年齡」模型中,如同模型三,僅留下「性別」、
「產品知識」、「購買時間」、「評分分配與試前想法的落差」、與「評論內 容正負性」等五項變數,來探討此變數組合是否為對應變數之最佳模型解釋。
41
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
結果如下表 9所示:
係數 標準誤 T 值 P 值 VIF 常數*** 1.180 0.257 4.596 0.000 -
性別 0.177 0.120 1.473 0.144 1.054
年齡 - - - - -
教育程度 - - - - -
產品知識*
(專家與否)
-0.283 0.144 -1.966 0.052 1.058
購買時間*** -0.178 0.064 2.785 0.006 1.075 試前評分與評分
分配的落差**
0.287 0.122 2.350 0.021 1.081
評論內容正性*** -0.401 0.131 -3.053 0.003 1.269 評論內容負性 -0.239 0.193 -1.241 0.218 1.289
評論內容中性 標準
R square 0.267 R adjusted 0.221
*p<0.1 **p<0.05 ***p<0.01
表 9 模型六-調整後再去除「年齡」模型
由上表 9 中可以看出,「產品知識(專家與否)」、「購買時間」、「評分 分配與試前想法的落差」、與「評論內容正負性」仍為顯著因子;而「性別」
呈現不顯著。
並且,比較模型五與模型六,發現 R adjusted 皆為 0.221,並沒有增減。即
「年齡」此因子對於解釋應變數「試前試後評分差異」是沒有明顯幫助的;而 比較模型三與模型六,R adjusted 則是從 0.201 成長至 0.221,再次證明了將
「產品知識(答對題數)」此變數換成「產品知識(專家與否)」對於解釋應變數 之能力是有所提升的。
42
‧
t statistics in parenthesis
*p<0.1 **p<0.05 ***p<0.01
表 10 六組模型之整理
43