Page 145 - 32.3

NTU Management Review Vol. 32 No. 3 Dec. 2022

因素分析對 6 個研究構念進行多因素模型檢驗。分析結果顯示本模型有良好的適配
2
度 (χ /df = 1.574; GFI = 0.807; CFI = 0.941; NNFI = 0.929; SRMR = 0.0501; RMSEA =
0.074)。Malhotra, Kim, and Patil (2006) 指出，若共同方法變異嚴重時會造成問項之
間的相關係數膨脹，反而導致單因素模型顯示出較佳的模型適配度。為排除這個可
能性，本研究將所有測量問項納入一個單因素模型進行分析，結果發現該模型的適
2
配度較前述的多因素模型表現的差 (χ /df = 5.017; GFI = 0.470; CFI = 0.508; NNFI =
0.505; SRMR = 0.1360; RMSEA = 0.195)，因此判定共同方法變異並未對本研究產生
顯著的威脅。
伍、資料分析

本研究使用 Smart PLS 進行分析，並進行 5,000 次 Bootstrap 反覆抽樣程序檢測
模型中路徑的顯著程度。由於 PLS 分析的目的在於求取變數最大預測關係，而不是

進行構念估計以得出主成份間的最大解釋關係，對於變數分配亦不受常態分配假定
的約束，因此本研究選擇 PLS 而非 SEM 分析方法 (Dijkstra, 2010)。本研究首先以
PLS 進行衡量模型的評估，接著進行結構模型評估以檢定本研究提出的假說。
一、衡量模型檢驗
表 7 顯示衡量模型檢測的結果，包括各研究構念的組合信度 (Composite
Reliabilities; CR)、Cronbach’s α 值、各問項之因素負荷量、以及平均變異萃取量
(Average Variance Extracted; AVE)。各構念的組合信度介於 0.89~0.97 之間，皆高於
門檻值 0.7 以上 (Bagozzi and Yi, 1988)，代表研究構念的測量題項的內部一致性達到
要求。各構念的 Cronbach’s α 皆大於建議值 0.7，顯示量表的信度品質也達到門檻

(Nunnally and Bernstein, 1994)。表 7 裡各項平均變異抽取量數值都大於 0.5，表示各
構念的測量題項具有收斂效度 (Fornell and Larcker, 1981)。此外，檢視表 8 的相關係
數矩陣可發現，其對角線的研究構念 AVE 平方根值都大於對應之構念和其他構念的
相關係數值，顯示各構念的測量之間具有區別效度 (Fornell and Larcker, 1981)。

二、結構模型檢驗
本研究利用 5,000 次 Bootstrap 反覆抽樣程序檢測模型中路徑的顯著程度。結構

模型主效果測試之分析結果如圖 3。
分析結果顯示，大數據分析能力對營運效益有顯著正向影響 (β = 0.71, t = 15.32,

p < 0.001)，意味假說 1 獲得實徵資料支持。在企業本身的大數據分析人力資源和無
形資源對其大數據分析能力的影響部分，資訊部門分析能力 (β = 0.20, t = 2.43, p <
0.05) 和業務單位合作 (β = 0.53, t = 6.10, p < 0.001) 均對大數據分析能力有顯著正向
影響，分別支持假說 2 和假說 3。在外部取得的大數據分析科技資源對企業的大數

135