• 沒有找到結果。

關鍵成功因素的研究方法

在文檔中 中 華 大 學 碩 士 論 文 (頁 40-50)

第二章 文獻探討

2.2 關鍵成功因素理論

2.2.3 關鍵成功因素的研究方法

在國內外文獻中學者提出許多分析關鍵成功因素的研究方法,Saaty【85】

認為可以利用層級分析程序法(Analytic Hierarchy Process,簡稱AHP)來分析。

Bullen & Rockar【60】提出以訪談方式找出各階層組織管理實務作業的 關鍵性活動。何雍慶【16】提出(1)迴歸分析、(2)因素分析法(Factor Analysis) 、 (3)德菲法(Delphi)、(4)層級分析程序法(AHP)。

目前使用較多的為分析層級程序法、因素分析法、德爾菲法、複迴歸、

Spearman 等級相關檢定方法,其中以因素分析法以及層級分析程序法最常被 採用【7】。

至於如何去確認關鍵成功因素,以及該使用何種方法,要視研究目的及 所探究標的特性而定。回顧以往關鍵鍵成功因素相關研究中,所運用過的分 析方法有:複迴歸、德菲法、因素分析法、分析層級程序法以及多元尺度分 析法等。

總體環境

產業環境

企業本身環境 關鍵成功因素 分析的三個層級

策略確認 環境分析 資源分析 差異分析 策略方案 策略評估 策略選擇 策略形成過程中

的一般因素 連結

描述環境的機會和危機

透過競爭對手和產業分析決定

分析本身的強弱以決定資源的分配

一、迴歸分析

複迴歸分析(Multiple Regression Analysis) ,又稱「多元迴歸」,目 的在了解及建立一個準則變數與一組預測變數間的關係。

複迴歸模式有四項基本的假定,所建立的複迴歸必須符合這四項假 定,才稱得上是一個有效的、合適的模式。這四項假定分別是:

(一)準則變數與預測變數的直線關係(linearity)。

(二)誤差項的變異數相等性。

(三)誤差項的獨立性(independence)。

(四)誤差項分配的常態性(normality)。

換言之,亦即假定殘差值遵循常態獨立分配,因此,只要這四項 不成立,則迴歸模式即不能用。

除此之外,複迴歸分析包括了許多的獨立變數,而變數之間往往 會產生先後因果影響關係,因此在應用複迴歸分析去進行預測時,變 數在納入迴歸方程式的組合有不同的方式【25】。

(一)同時分析法(Simultaneous Multiple):

所有的預測變項同時納入迴歸方程式當中,對於依變項進行 估計時,整個迴歸分析僅保留一個包括全體預測變項的迴歸方程 式。

(二)逐步分析法(Stepwise Multiple Regression):

所有的預測變項並非同時被取用來進行預測,而視依據解釋 能力的大小,逐步的檢視每一個預測變項的影響,稱為逐步分析 法。

二、德菲法

德菲法(Delphi Method)是「一種結構性的團體溝通過程,過程中允 許每位成員就某議題充分表達其意見並受到同等重視,以求得在該複雜 議題上意見的共識。」【79】德菲法又稱專家判斷法,屬於群體決策方

法的一種,多應用於質性研究。其進行過程乃針對某特定議題,借重專 家特殊的經驗與知識,透過數回合反覆回饋循環式問答,直到專家間意 見差異降至最低為止。該方法擷取問卷調查與會議討論二者的優點,其 原理建立在「結構化的資訊流通」、「匿名化的群體決定」和「專家判 斷」的基礎上。因此當我們有必要以專家判斷來從事科技預測時,德菲 法是一項良好的選擇。

德菲法由美國藍德公司的Belmer【56】所發明,是一種經由不斷綜

合整理專家意見所得的群體決策方法,其流程可分為下列五個步驟:

(一)問卷設計:

Johnson【74】認為理想的德菲法應該有25個題目,問題與數

目與其形式和長度息息相關,而問題的形式可以採兩極的情形間 選擇一適當程度的問題為主,也可以是開放性問題,並無定論。

問卷設計完成後,應先經過預試、修正問題和用字,以避免語意 不清造成認知差異和模糊。

(二)成立專家小組:

「專家」是德菲法中最重要的一環,專家的適合與否將決定研 究的成敗。Johnson【74】認為專家小組的人數以10至15人為宜。

(三)調查與分析:

首先必須讓專家小組能充分瞭解德菲法的調查方式,其後發 放問卷詢問意見並收回整理,並於再次發放問卷時同時告知上一 回合的綜合意見。在進行德菲法的過程中,專家們彼此間不做討 論,以免相互受到影響。

(四)回饋:

每一回合的問卷都附上前一回合的意見整理。Bowden【57】

認為回饋具有下列優點:

1. 經由回饋過程可以獲得資訊,讓原本只有少數人擁有的訊息可以 廣為人知。

2. 利用資訊的傳佈,可改善預測的正確性。

3. 回饋系統能刺激成員的思考,瞭解別人的想法。

(五)共識與結束:

當專家們的意見差距達到最小時,已可得到相當一致的資 訊,就是德菲法停止的時機。

德菲法是一種結構化的溝通過程,整個過程的合理與否,主要包 含以下5個假設【28】:

(一)團體的判斷優於個人的判斷。Dalkey作過此類研究,結果認為團 體要比個人具有更多的資訊。團體問的互動能引發動機與產生激 盪的氣氛。

(二)匿名的作業方式使參與專家的答案更為理性,並且可以消除面對 面所產生的心理因素。

(三)團體的壓力使各參與者的意見趨於統合。為降低個人間的差異以 獲取團體的共識,德菲法在這方面的效果與公開場合的會議最大 的不同是在團體壓力的不同,德菲法在匿名的原則下所產生的團 體壓力是理性的、溫和的與自然的,並且在團體共識下,仍尊重 少數意見的立場。

(四)重複進行的回饋,使參與者能夠更正原始意見,並可查證一些極 端的意見。

(五)以機率、百分比或態度量值來表達結果,可以消除結果傾向一致 的壓力。德菲法不同於一般的問卷意見調查,從德菲法分析得到 的意見,可回饋至每一原作答者,給予修正答案及提出理由的機 會,並保持某種程度的匿名過程,與一般的問卷調查不同。

三、層級分析程序法

層級分析程序法(Analytical Hierarchy Process, AHP)是美國匹茲堡大 學教授Thomas L. Saaty【91】為在不確定情況下面對複雜的決策問題,

用來評估各相關因素問重要性之程度,於1971年所提出一套有系統的決 策模式。

在篩選關鍵成功因素時所採用分析方法乃視樣本數大小而定,若為

大樣本且易於抽樣進行問卷分析者,則大部分都採用因素分析;其餘情 形則可採用德菲法、個案研究法、AHP法等。一般研究採用AHP法乃基 於以下四項理由【50】。

(一)理論簡單,操作容易,能擷取多數專家及決策者之共識意見。

(二)對於影響目標產業經營成功之因素,皆能清楚納入模型之中,配 合產業環境,考慮到各種不同層面。

(三)對於許多計量因素,經過學者專家評估及數學處理後,皆能以具 體的數值顯示各個因素的優先順序。

(四)將複雜的評估因素以簡單的層級表現出來,易為決策者所接受。

四、因素分析

因素分析(Factor Analysis)是將一群互相關的變數濃縮或簡化為少數 互相獨立的因素構面。其假定各變數間之所以發生互相關,是因為有少 數影響這些不同變數的基本因素存在,因素分析主要的作用就在於設法 發現那些共同基本因素。

所謂的因素負荷量(Factor loading)為因素結構中,各變數與其所屬因 素構面間的相關程度。若有m個變數和r個因素,則將有(m×r)個因素負荷 量。將每個因素的因素負荷量平方並加總,即得此因素的最大特徵值。

一般認為如果一個因素的特性值大於1,此因素就稱得是一個有意義的因 素。特徵值除以變數的數目,所得的數值(稱解釋變異)即表示該因素所 能解釋之變異數的比例【32】。

因素分析的主要方式,可簡化為下列幾步驟:

(一)計算變項間相關矩陣或共變數矩陣

如果一個變項與其他變項間相關很低,在次一個分析步驟中 可考慮剔除此一變項,但實際排除與否,還要考量變項的「共同,

性」(Communality)與「因素負荷量」(factor loadings)。如以原始 資料作為因素分析之數據時,電腦通常會自動轉化為相關矩陣方 程式,進行因素分析。

(二)估計因素負荷量

潛伏因素萃取的方法有數種,分為主成份分析法(Principal Components analysis)、重心法、最大概似法、Alpha因素抽取法與 印象因素抽取法,主成份分析法以潛伏因素對總共同性貢獻極大 化為因素萃取原則,為使用者最常使用之方法。

(三)決定轉軸方法

轉軸法使得因素負荷量(Factor loading)易於解釋,轉軸以後,

使得變項在每個負荷量不是變大就是變得更小,而非如轉軸前每 個因素的負荷量大小均差不多。在因素抽取上,通常最初因素抽 取後,對因素無法做有效的解釋,轉軸的目的在於改變題項在各 因素之負荷量的大小,轉軸時根據題項與因素結構密切程度,調 整各因素負荷量的大小,轉軸後大部分的題項在每個共同因素中 會有一個差異較大的因素負荷量,每個共同因素的特徵值會改 變,與轉軸前不一樣,但每個變項的共同性不會改變。

(四)決定因素與命名

轉軸後,要決定因素數目,選取較少的因素層面,獲得較大 的解釋因素命名須依專業知識及具顯著相關之行為變數交集特 質,找出導致這些行為結果的背後構念【19】。

在因素分析中,研究者尚應考量到下列幾個方面【59】

(一)可從相關矩陣中篩選題項

題項間沒有顯著相關,或相關太小,則題項間抽取的因素與 研究者初始建構的層面可能差距很大,相對的題項間如果有極顯 著的正或負相關,則因素分析較易建構成有意義的內容。因素分 析前,研究者可從題項間相關矩陣分佈情形,簡扼看出哪些題項 間有密切關係。

(二)樣本大小

因素分析的可靠性除與受測樣本的抽樣有關外,與樣本數的 多少更有密切關係。進行因素分析時,樣本應該有多少才能使結 果最為可靠,學者間沒有一致的結論,然而多數學者同意因素分 析要有可靠的結果,授測樣本數要比量表題項數還多。

(三)因素數目的挑選

因素分析的主要功能之一就是將許多變數中關係密切的變 數組合成數目較少的幾個因素,來描述所有變數之變異數,以達 到質簡意繁之目的。其抽取數目的基本原則是:抽取的因素愈少 愈好,而抽取出之因素能解釋各變數之變異數愈大愈好。

1. 參考理論架構及過去有關文獻來決定抽取共同因素(Common Factor)之數目。

2. 利用統計顯著性檢定來決定適當之因素數目。

3. 保留特徵值(Eigen value)大於1.0的因素。Kaiser【73】認為每一 變數之分數標準化之後,其變異數(Variance)均為1.0,因素分 析萃取之因素所能解釋的變異數便不能小於1.0,否則它們所能 解釋的變數之變異數的效力便不如單一變數了。所以,特徵值 小於1.0的共同因素,對總變異數之貢獻被視為微不足道,因此 將它捨棄。

4. 利用因素的陡階檢定(Scree Test)來決定。Cattell【61】鑑於前 述Kaiser的方法在變數少於20個之研究中取出的因素偏少,而 在變數多於50之研究中取出之因素卻偏多的缺點,乃發展出陡 階檢定的方法。陡階檢定是根據特徵值由大至小排列,以各因 素為橫座標,特徵值大小為縱座標,將各點連線,就成為一條 自左上往右下陡降的圓L形負加速曲線。在幾個較大的特徵值 之役,此一曲線驟然下降,把陡降後曲線走勢趨於平坦之因素 捨棄不用,原因在於此類因素所能解釋的變異數極小。

5. 在70%之變異數已能被萃取出之因素加以解釋後,繼績萃取之 因素對變異數之解釋如少於4%,則不予選取。

6. 利用Aaker【54】建議的經驗法則,在轉軸前所有的因素必須 至少能解釋一個「平均變數」所能解釋的變異數。例如:投入 變數有五個,則平均變數將可解釋變異數的20%,如果某一因 素所能解釋的變異數少於20%,則不宜萃取。因為一個有意義 而又能代表一個或更多變數的因素應該至少能解釋平均原始 投入變數所能解釋的變異數。

考量到以上之方法及理由,因此採用因素分析(Factor

在文檔中 中 華 大 學 碩 士 論 文 (頁 40-50)