假设检验及数据分析方法

在本研究中，利用SPSS13.0软件进行统计分析。对数据分析时，在应用描述统计方法的基础上，对问卷的效度和信度进行了分析，然后采用统计分析方法当中的t检验、相关分析、交叉列联表、因子分析法、聚类分析法等统计方法对数据进行了综合分析。

4.2.1　效度分析

效度是指测量工具或手段能够准确测出所需测量的事物的程度，是衡量数据质量的一个重要指标。根据美国心理学会1974年出版的《教育与心理测量的标准》（Standards for Educational and Psychological Tests）一书，效度分析包括内容效度（Content Validity）、效标关联效度（Criterion-related Validity）和结构效度^⑴（Construct Validity）分析。

内容效度是一种从内容、意义上进行判断的效度，是指量表的测量项目与测量目的的符合程度。内容效度的判断方法是看量表是否可以真正测量到研究者所要测量的变量，以及量表是否涵盖了所要测量的变量，一般通过使用专家意见法来进行内容效度的判断。

效标关联效度是指对于一个量表，在有其他外部基准（效标）存在的情况下，根据二者的相关性来确定其效度。根据测量工具所具有的预测能力，效标关联效度可以分为同时效度与预测效度两类。

结构效度也称建构效度，是一种极为严谨的效度验定方法，是指一个量表在多大程度上正确地验证了编制量表的理论构想。结构效度可以分为收敛效度（Convergent Validity）和区别效度（Discriminate Validity）两种。收敛效度是指测量同一概念不同题项之间应该具有显著的相关性，区别效度是指测量不同概念的题项之间的不应该具有显著的相关性。

Kerlinger（1985）提出三种衡量结构效度的方法：（1）个别项目分数和总分的相关系数。当每一个个别项目与总分的相关系数显著时，说明该量表具有良好的结构效度；而当个别项目与总分的相关系数不显著时，则应当将个别项目删除。（2）因子分析法。即同一纬度中，因子载荷值越大，表示收敛效度越高；每一个测量项目只能在其所属纬度中出现一个大于标准以上的因子载荷值，符合这个条件的项目越多，则量表的区别效度越高。（3）其他相关方法。

4.2.2　信度分析

信度（也称为可靠度）是调查获得数据的可信度或稳定性，也就是衡量工具的正确性或精确性（Kerlinger,1982）。所以信度是指测量的一致性程度，并不涉及测量所得是否正确，只关心测验本身是否稳定、所得结果是否可靠；换句话说，信度并不是效度的保证，但高信度是有效度调查的基本条件，如果没有信度，调查也就没有效度可言。

对于由多重项目构成的测试量表，最常用的可靠性系数是内部一致性系数（Cronbach a）^⑴。一般来讲，对于一份问卷，其信度达到0.8以上才算好。Nunnally（1978）指出，在基础的研究中，信度至少应达到0.8才可接受，在探索性研究中，信度只需达到0.7就可接受。Wortzetl（1979）认为Cronbach α系数信度介于0.7至0.98之间，都可算是高信度值，但如果低于0.35，则必须予以拒绝。凌文辁、方俐洛（2003）认为一般的量表达到0.8以上时，就认为是相当好，信度达到0.7以上认为是较好，0.6以上为可接受的信度。本研究作为一项探索性研究，选择0.6作为判断构造变量度量的内在一致性是否合格的标准。

4.2.3　聚类分析

聚类分析（Cluster Analysis）又叫群分析或者簇分析，是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类，以使同一类中的事物具有较高度的同质性，不同类中的事物具有较高度的异质性。本研究使用两步聚类法（Two Step Cluster）和快速聚类法（K-means Cluster）对调查样本进行分析。

4.2.4　描述性统计

描述性统计是用来描述样本分配的集中及离散状态的一类方法的综合。描述性统计从数据的基本特征、分布以及随机变量间的关联出发，通过计算和反映统计数据的结构、变异、分布等特征，勾勒出数据的轮廓。本研究利用次数分布、均值等方法了解样本各项因素的分布状况。

4.2.5　交叉列联表

交叉列联表（Cross-Tables）是由两个以上的变量进行交叉分类的频数分布表。通过交叉列联表可以清楚表现两个变量之间的相互关系。本研究利用交叉列联表、卡方检验进行变量独立性检验以及对细分市场进行特征分析。

4.2.6　相关分析

对不同变量进行相关分析是为了了解各变量之间的相关程度以及相关方向。在分析中，相关系数越大表示变量间的相关程度越大；当相关系数为正时，表示变量间存在正相关关系，当相关系数为负时，则表面变量间存在负相关关系。本研究利用SPSS13.0中的Correlate选项完成相关分析。

相关分析的主要目的是研究变量之间的密切程度，以及根据样本的资料推断总体是否相关^⑴，此次分析利用相关分析进行假设检验，以显著性水平5%为标准来判断各检验项目相关程度。

4.2.7　因子分析法

因子分析（Factor Analysis）是从研究相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合变量的一种多变量统计分析方法。因子分析是基于信息损失最小化而提出的一种非常有效的方法，主要用于有较多的研究变量且各独立变量之间具有高度相关性时，它能够把众多的指标综合成为较少的几个指标，这些指标即因子指标。因子的特点是：第一，因子变量的数量远远少于原始变量的个数；第二，因子变量并非原始变量的简单取舍，而是一种新的综合；第三，因子变量之间没有线性关系；第四，因子变量具有明确的解释性，可以最大限度地发挥专业分析的作用。本研究利用因子分析法进行数据的效度分析，并采用Zaltman和Burger（1975）提到的因子分析结果具备的标准：所选择因子的特征值大于1，各因素所包含的变量的旋转后的因子载荷大于0.3，因子解释总变异量大于40%，每一个变量的因子载荷只能在一个因素下显著。

4.2.8　t检验

t检验由英格兰化学家Gosset W.S.（1908）提出，用来检验标准试样测定结果的平均值与标准值之间是否有显著差异。本研究利用t检验根据样本数据对来自两个独立样本的均值是否有显著差异进行推断。

4.2.9　单因子方差分析

单因子方差分析是将一组数据所发生的总方差，依可能发生差异的来源分割为多个部分，亦即每一部分均可归因于某原因。测量这些不同的差异来源，可了解各种差异是否有显著性。若存在显著差异，则表示某差异来源对特定研究具有显著的影响作用。本研究在利用单因子方差分析时，利用事后多重比较法以及均值图分析各个分类的差异。

4.2.10　回归分析

回归分析是在寻求因变量与自变量之间关系的数学方程式，并根据一些相关理论建立预测模型，进而讨论统计结果。当回归方差除以总方差所得之比，即判定系数（R²）愈接近于1时，表示回归关系愈强、回归模型解释能力愈高；当回归均方除以残差均方所得之比，也就是F统计量愈大时，表示其解释能力愈高。本研究利用一元线性回归分析不同结构组成因子的关系。