📊第四章、研究結果：從基礎操作到進階建模全攻略~邱允文
第四章、研究結果：從基礎操作到進階建模全攻略
在開始所有分析之前，請確保您的數據已經在SPSS中完成了資料清理、編碼、反向題處理以及缺失值處理。
第一節、敘述性統計分析
本節目的在於了解樣本的背景結構（如性別、年齡）以及研究主要變數的資料分佈情形（如平均數、標準差）。
一、 樣本背景變項次數分配（處理類別變項，以人口統計變項為例）
操作目的：了解受試者在性別、年齡、學歷等類別變項上的人數與百分比分佈。
SPSS操作指令：
點選上方選單欄的「分析 (Analyze)」。
選擇「敘述統計 (Descriptive Statistics)」。
點選「次數分配表 (Frequencies)」。
在彈出的視窗中，將左側的人口統計變項（例如：性別、年齡、教育程度等）選入右側的「變數 (Variables)」方塊中。
確認已勾選視窗左下角的「顯示次數分配表 (Display frequency tables)」。
點選「確定 (OK)」。
報表解讀重點：
查看輸出報表中的「次數 (Frequency)」欄位，了解各類別的人數。
查看「百分比 (Percent)」或「有效百分比 (Valid Percent)」欄位，了解各類別佔總樣本的比例。
論文文字描述範例：
「本研究共回收有效問卷 300 份。其中，男性受試者有 120 人（佔 40%），女性受試者有 180 人（佔 60%）。年齡分佈方面，20-29 歲的受試者最多，有 135 人（佔 45%），其次為 30-39 歲，有 90 人（佔 30%）。」
二、 研究變項描述性統計（處理連續變項，以各構面平均分數為例）
操作目的：檢視各個研究構面（遊戲化促銷、服務氣候、體驗創新、人機互動、品牌依戀、品牌共鳴）的平均得分、離散程度及資料常態性。
前置作業補充：
反向題處理：若您的量表中有反向題，請務必先使用「轉換 (Transform)」→「重新編碼為相同變數 (Recode Into Same Variables)」或「重新編碼為不同變數 (Recode Into Different Variables)」進行處理，確保所有題項的計分方向一致。
計算構面平均分數：使用「轉換 (Transform)」→「計算變數 (Compute Variable)」。在目標變數輸入新構面名稱（例如：
Gamification_Mean），在數值表示式中使用MEAN(Item1, Item2, Item3...)函數，將該構面下所有題項納入計算。
SPSS操作指令：
點選上方選單欄的「分析 (Analyze)」。
選擇「敘述統計 (Descriptive Statistics)」。
點選「描述性統計量 (Descriptives)」。
將計算好的各構面平均分數變數（例如：
Gamification_Mean、BrandAttachment_Mean等）選入右側的「變數 (Variables)」方塊中。點選右側的「選項 (Options)」按鈕。
勾選「平均數 (Mean)」、「標準差 (Std. deviation)」、「偏態 (Skewness)」與「峰度 (Kurtosis)」。
點選「繼續 (Continue)」，再點選「確定 (OK)」。
報表解讀重點：
「平均數 (Mean)」：代表受試者在該構面的整體同意程度或知覺強度，數值越高表示程度越高。
「標準差 (Std. deviation)」：代表受試者回答意見的分歧程度，數值越大代表意見越不一致。
「偏態 (Skewness)」與「峰度 (Kurtosis)」：其絕對值通常建議小於 2，以符合多變量分析的常態分佈假設。
論文文字描述範例：
「本研究各主要構面的描述性統計結果顯示，『品牌依戀』的平均數最高（M = 4.25, SD = 0.85），表示受試者對研究品牌具有較高的依戀程度。『遊戲化促銷』的平均數為 3.80（SD = 0.72），『人機互動』為 3.95（SD = 0.68）。所有構面的偏態與峰度絕對值均小於 1.5，顯示數據分佈大致呈現常態性。」
第二節、不同背景變項在各構面之差異性分析
本節目的在於檢驗不同背景特徵的受試者（如男女），在各研究構面的得分是否存在顯著差異。
狀況一：兩組獨立樣本的比較（例如：性別）——獨立樣本t檢定
SPSS操作指令：
點選「分析 (Analyze)」→「比較平均數法 (Compare Means)」→「獨立樣本t檢定 (Independent-Samples T Test)」。
將要檢驗的研究構面變數（例如：
BrandAttachment_Mean）移入上方「檢定變數 (Test Variable(s))」方塊。將二分類的背景變項（例如：
性別）移入下方「分組變數 (Grouping Variable)」方塊。點選「定義組別 (Define Groups)」，輸入兩組的代碼（例如：男性輸入
1，女性輸入2），按「繼續 (Continue)」，再按「確定 (OK)」。
報表解讀重點：
先看「變異數相等得 Levene 檢定 (Levene's Test for Equality of Variances)」的「顯著性 (Sig.)」。若 Sig. > .05，假設變異數相等，則應參考報表中「假設變異數相等 (Equal variances assumed)」那一列的數值；若 Sig. < .05，則假設變異數不相等，應參考「未假設變異數相等 (Equal variances not assumed)」那一列的數值。
接著看對應列的「t檢定」的「顯著性(雙尾) (Sig. (2-tailed))」。若此值 < .05，代表兩組在該構面上有顯著差異。
若達顯著，需比較報表中兩組的平均數，說明哪一組得分較高。
論文文字描述範例：
「獨立樣本 t 檢定結果顯示，不同性別的受試者在『品牌依戀』構面上存在顯著差異（t(298) = 2.50, p < .05）。進一步檢視平均數發現，女性受試者在『品牌依戀』上的平均得分（M = 4.35, SD = 0.78）顯著高於男性受試者（M = 4.10, SD = 0.89）。但在『遊戲化促銷』構面上，不同性別的受試者並無顯著差異（t(298) = 0.85, p > .05）。」
狀況二：三組以上獨立樣本的比較（例如：年齡層、學歷）——單因子變異數分析 (One-Way ANOVA)
SPSS操作指令：
點選「分析 (Analyze)」→「比較平均數法 (Compare Means)」→「單因子變異數分析 (One-Way ANOVA)」。
將研究構面變數（例如：
BrandAttachment_Mean）移入「依變數清單 (Dependent List)」。將多分類的背景變項（例如：
年齡層）移入「因子 (Factor)」。點選「事後檢定 (Post Hoc)」，勾選常用的方法如「Scheffe」（適用於樣本數不均且變異數相等）或「LSD」（較為保守，適用於多組平均數皆顯著差異時，進行詳細兩兩比較），或「Games-Howell」（當變異數不相等時）。按「繼續 (Continue)」。
點選「選項 (Options)」，勾選「描述性統計量 (Descriptive)」及「變異數同質性檢定 (Homogeneity of variance test)」。按「繼續 (Continue)」，再按「確定 (OK)」。
報表解讀重點：
先看「變異數同質性檢定 (Test of Homogeneity of Variances)」表，確認是否符合變異數相等假設（若 Sig. > .05 為佳）。若不符合，應參考 Games-Howell 的事後檢定結果。
查看「ANOVA」表的「顯著性 (Sig.)」。若數值 < .05，代表整體而言，不同組別間存在顯著差異。
若 ANOVA 整體顯著，則進一步查看「事後檢定 (Post Hoc Tests)」報表。尋找具體哪些組別之間有顯著差異（通常會用星號 * 標記），並比較其平均數，說明哪一組得分較高。
論文文字描述範例：
「單因子變異數分析結果顯示，不同年齡層的受試者在『服務氣候』構面上存在顯著差異（F(2, 297) = 4.88, p < .01）。事後檢定（Scheffe 法）結果指出，20-29 歲組的受試者（M = 4.10, SD = 0.70）在『服務氣候』上的得分顯著高於 40 歲以上組（M = 3.65, SD = 0.82），但與 30-39 歲組（M = 3.90, SD = 0.75）之間無顯著差異。」
第三節、信效度分析
本節是進入SEM前的關鍵步驟，需確認測量工具的可靠性與準確性。
一、 信度分析（Cronbach's α係數）——使用SPSS
操作目的：檢驗同一構面下各個題項之間的內部一致性。
SPSS操作指令（針對每一個構面重複操作）：
點選「分析 (Analyze)」→「量表 (Scale)」→「信度分析 (Reliability Analysis)」。
將屬於「同一個構面」的所有題項（例如：
x1_1,x1_2,x1_3）選入「項目 (Items)」方塊中。確認「模式 (Model)」選擇為「Alpha」。
點選「統計量 (Statistics)」，勾選「刪除項目後之量表摘要 (Scale if item deleted)」。
點選「繼續 (Continue)」，再按「確定 (OK)」。
報表解讀重點：
查看「可靠性統計資料 (Reliability Statistics)」表中的「Cronbach's Alpha」值。一般要求大於 0.7 表示信度良好，0.6 以上為可接受。在探索性研究中，即使低於 0.6 甚至 0.5 也可能勉強接受，但需特別說明。
查看「項目總計統計資料 (Item-Total Statistics)」表中的「刪除項目後的 Cronbach's Alpha (Cronbach's Alpha if Item Deleted)」。如果某題刪除後，整體 Alpha 值能顯著大幅提升且該題的刪除具有理論依據，則可考慮刪除該題。
論文文字描述範例：
「本研究各量表的內部一致性信度採用 Cronbach's α 係數檢驗。結果顯示，『遊戲化促銷』量表的 Cronbach's α 值為 .85，『服務氣候』為 .82，『體驗創新』為 .88，『人機互動』為 .79，『品牌依戀』為 .86，『品牌共鳴』為 .83。所有構面的 Cronbach's α 值均高於 .70，顯示各量表具有良好的內部一致性信度。」
二、 效度分析（驗證性因素分析 CFA）——使用AMOS
操作目的：以圖2為基礎，驗證測量模型是否適配，並檢驗收斂效度與區別效度。
AMOS繪圖與設定指令：
打開 AMOS，繪製包含**所有潛在變數（X1, X2, X3, W, M, Y）**及其對應觀察指標的測量模型（即 CFA 模型）。
使用橢圓形工具繪製6個潛在變數。
使用矩形工具繪製每個潛在變數對應的觀察指標（題目，如
x1_1,x1_2等）。使用單向箭頭從潛在變數指向其觀察指標。
為每個觀察指標添加誤差項（圓形，如
e1,e2）。單位化設定：對每個潛在變數，點擊從其指向其中一個觀察指標的路徑，在「物件屬性 (Object Properties)」視窗的「參數 (Parameters)」標籤頁中，將「迴歸權重 (Regression weight)」設定為「1」。這定義了潛在變數的單位，是模型識別的關鍵步驟。
使用雙向弧線箭頭，連結所有潛在變數兩兩之間，表示它們之間互有相關（Covariance）。
讀入你的 SPSS 數據檔（File -> Data Files -> File Name）。將「變數清單 (Variables in dataset)」中的題目名稱拖曳到對應的矩形觀察指標框中。
AMOS分析執行指令：
點選左側選單的「分析屬性 (Analysis Properties)」圖示（像一個算盤）。
在「輸出 (Output)」標籤頁中，勾選：
「標準化估計值 (Standardized estimates)」
「複相關平方 (Squared multiple correlations, SMC)」
「修正指標 (Modification indices)」（設定閾值如
10或20，用於模型修正參考，但修正需有理論依據）。
點擊「關閉」視窗，點選「計算估計值 (Calculate estimates)」按鈕（計算機圖示）開始執行。
報表解讀與計算重點：
模型適配度 (Model Fit)：查看文字報表（View -> Text Output）中的「Model Fit」部分。
卡方自由度比 (CMIN/DF)：建議小於 3（嚴格）或 5（寬鬆）。
GFI, AGFI, CFI, TLI (NNFI)：數值越接近 1 越好，建議大於 0.9。
RMSEA：建議小於 0.08，最好小於 0.05。
SRMR：建議小於 0.08。
論文文字描述範例：
「驗證性因素分析結果顯示，本研究的測量模型具有良好的整體適配度。主要適配指標如下：卡方自由度比 ($\chi^2$/df = 2.15, p < .001)，低於 3 的建議標準；CFI = .95, TLI = .94，皆高於 .90；RMSEA = .065，低於 .08；SRMR = .058，亦低於 .08。這些指標皆顯示模型與觀察數據吻合良好。」
收斂效度 (Convergent Validity)：
因素負荷量 (Factor Loadings)：查看「Estimates」→「Standardized Regression Weights」。所有觀察指標的標準化因素負荷量應大於 0.5，最好大於 0.7，且達到顯著水準 (P < .001, 顯示為
***)。平均變異抽取量 (AVE) 與 組合信度 (CR)：這兩項需手動計算。
從 AMOS 報表的「Standardized Regression Weights」取得每個指標的標準化負荷量 ($\lambda_i$)。
從 AMOS 報表的「Variances」取得每個誤差項 (e) 的變異數 ($\theta_i$)，或使用 $1 - \lambda_i^2$ 計算每個指標的誤差變異。
組合信度 (CR) 公式：$\frac{(\sum \lambda_i)^2}{(\sum \lambda_i)^2 + \sum \theta_i}$。CR 值應大於 0.7。
平均變異抽取量 (AVE) 公式：$\frac{\sum \lambda_i^2}{\sum \lambda_i^2 + \sum \theta_i}$。AVE 值應大於 0.5。
論文文字描述範例：
「本研究測量模型的所有標準化因素負荷量介於 .68 至 .91 之間，且均達統計顯著水準（p < .001），顯示各潛在構面與其測量指標之間具有良好的收斂效度。此外，各構面的組合信度（CR）介於 .78 至 .92，平均變異抽取量（AVE）介於 .55 至 .75，皆符合 CR > .70 與 AVE > .50 的標準，進一步證實了良好的收斂效度。」
區別效度 (Discriminant Validity)：
Fornell & Larcker 準則：查看 AMOS 報表的「Estimates」→「Correlations」矩陣，取得各潛在變數之間的相關係數。
比較標準：每個構面的 AVE 值開根號（代表該構面解釋其自身變異的程度），必須大於該構面與其他任何構面之間的相關係數。
論文文字描述範例：
「本研究採用 Fornell & Larcker 準則檢驗區別效度。結果顯示，所有潛在構面的平均變異抽取量（AVE）開根號值，均大於該構面與其他所有構面之間的相關係數。例如，『品牌依戀』的 AVE 開根號值為 .74，高於其與『遊戲化促銷』（r = .58）、『人機互動』（r = .62）等構面之相關係數，顯示各構面之間具有良好的區別效度。」
第四節、各研究構面關聯性探討
本節使用皮爾森積差相關分析，初步探討各變數間的線性關係方向與強度（處理連續變項）。
SPSS操作指令：
點選「分析 (Analyze)」→「相關 (Correlate)」→「雙變數 (Bivariate)」。
將所有計算好的構面平均分數變數（包括自變數 X1-X3、調節變數 W、中介變數 M、依變數 Y）全部選入右側的「變數 (Variables)」方塊。
確認勾選「皮爾森 (Pearson)」相關係數。
確認勾選「標示顯著性相關 (Flag significant correlations)」。
點選「確定 (OK)」。
報表解讀重點：
檢查變數兩兩之間的交叉表格。
查看「Pearson 相關」數值：正值代表正向相關，負值代表負向相關。數值越接近 1 或 -1，關係越強。
查看「顯著性 (雙尾)」或星號標記：確認相關是否達到統計顯著水準（例如
* p<.05,** p<.01,*** p<.001）。特別注意自變數之間是否存在過高相關（例如 r > 0.85），這可能暗示潛在的多重共線性問題，需要後續在迴歸分析中檢測 VIF 值。
論文文字描述範例：
「皮爾森積差相關分析結果顯示，本研究所有構面之間均存在顯著的正向相關。其中，『遊戲化促銷』與『品牌依戀』之間呈現中度正相關（r = .58, p < .001），『品牌依戀』與『品牌共鳴』之間呈現高度正相關（r = .72, p < .001）。『人機互動』與『品牌依戀』的相關係數為 .62 (p < .001)，表明當人機互動程度越高，品牌依戀也隨之增強。所有自變數之間的相關係數均低於 .80，顯示無嚴重多重共線性問題。」
第五節、整體模式之驗證
本節是研究的核心，將根據圖1、2、3進行結構方程模型分析，包含結構路徑檢驗、中介效果檢驗以及調節中介效果檢驗。
一、 結構模式路徑分析與中介效果檢驗（基於圖1與圖2）——使用AMOS
此步驟將CFA模型轉換為有因果方向的結構模型，檢驗 X -> M -> Y 的路徑。
AMOS繪圖修改指令：
以驗證完成的 CFA 模型為基礎。
保留外生潛在變數（X1, X2, X3）之間的雙向協方差箭頭，因為它們通常被視為是相關的自變數。
刪除其他潛在變數之間不符合理論假設的雙向協方差箭頭。
依照圖1與圖2的假設，使用單向箭頭工具繪製因果路徑：
從「遊戲化促銷 (X1)」指向「品牌依戀 (M)」。
從「服務氣候 (X2)」指向「品牌依戀 (M)」。
從「體驗創新 (X3)」指向「品牌依戀 (M)」。
從「品牌依戀 (M)」指向「品牌共鳴 (Y)」。
結構誤差項：為內生潛在變數（被箭頭指向的變數，即「品牌依戀 (M)」與「品牌共鳴 (Y)」）添加結構誤差項（Residual error，使用圓形工具），並將誤差項指向潛在變數的路徑迴歸係數設定為
1。這表示模型中未被這些外來變數解釋的變異。
AMOS分析與中介檢驗指令 (Bootstrapping法)：
點選「分析屬性 (Analysis Properties)」圖示。
在「輸出 (Output)」標籤頁中，勾選「標準化估計值 (Standardized estimates)」。
在「Bootstrap」標籤頁中，勾選「執行 bootstrap (Perform bootstrap)」，設定樣本數（例如：
5000）。勾選「偏差校正信賴區間 (Bias-corrected confidence intervals)」，設定信心水準（例如：
95 (%)）。勾選「間接效果 (Indirect Effects)」。
關閉視窗，點選「計算估計值 (Calculate estimates)」按鈕開始執行。
報表解讀與中介效果檢驗重點：
整體模型適配度：再次確認結構模型的適配度指標（CFI, TLI, RMSEA, SRMR 等）是否達標。
直接效果路徑係數：查看「Estimates」→「Standardized Regression Weights」與「Regression Weights」。
檢查每一條假設路徑（如 X1 -> M, M -> Y）的標準化係數值（$\beta$）、臨界比 (C.R. 值，應大於 1.96 且 P < .05) 與 P 值。
若 P < .05 (或顯示
***)，則該路徑假設成立。論文文字描述範例：
「結構方程模型分析結果顯示，模型適配度良好，各指標均符合建議標準（例如，CFI = .94, RMSEA = .06）。在直接效果方面，『遊戲化促銷』對『品牌依戀』有顯著正向影響（$\beta$ = .45, p < .001）。『服務氣候』對『品牌依戀』亦有顯著正向影響（$\beta$ = .30, p < .01）。此外，『品牌依戀』對『品牌共鳴』具有顯著正向影響（$\beta$ = .65, p < .001）。」
中介效果檢驗 (Bootstrapping)：
查看 Bootstrapping 的結果報表。路徑在：View Text -> Estimates -> Matrices -> Bootstrap Confidence Intervals -> Indirect Effects (Bias-corrected percentile method)。
尋找各條間接效果路徑（例如 X1 -> M -> Y）。
查看其「下界 (Lower Bounds)」與「上界 (Upper Bounds)」（在 95% BC 信心區間下）。
判斷標準：如果某條間接路徑的 95% 信心區間不包含 0，則表示中介效果顯著存在。
論文文字描述範例：
「本研究採用 Bootstrapping 法檢定中介效果。結果顯示，『品牌依戀』在『遊戲化促銷』與『品牌共鳴』之間存在顯著中介效果。具體而言，『遊戲化促銷』透過『品牌依戀』影響『品牌共鳴』的間接效果為 .29（95% CI [.18, .40]，不包含 0），達到統計顯著水準。這表示遊戲化促銷不僅直接影響品牌共鳴，更透過提升品牌依戀來間接增強品牌共鳴。」（需分別報告總效果、直接效果與間接效果的係數與顯著性）。
完全中介：若 X -> Y 的直接效果不顯著，但 X -> M -> Y 的間接效果顯著。
部分中介：若 X -> Y 的直接效果和 X -> M -> Y 的間接效果都顯著。
二、 調節中介模式驗證（基於圖1與圖3）——使用SPSS PROCESS Macro
此方法將潛在變數的平均分數作為顯變數進行迴歸分析，處理複雜的交互作用模型。
前置準備：變數中心化 (Centering)
目的：減少交互作用項與其組成變數之間的多重共線性，使迴歸係數的解釋更具意義。
在 SPSS 中使用「轉換 (Transform)」→「計算變數 (Compute Variable)」功能：
目標變數（例如：
X1_C）。數值表示式（例如：
Gamification_Mean - MEAN(Gamification_Mean)）。對所有涉及交互作用的變數（X1, X2, X3, W）重複此步驟。
SPSS PROCESS 操作指令（需執行三次，分別檢驗 X1, X2, X3 的調節中介效果）：
點選「分析 (Analyze)」→「Regression」→「PROCESS v... by Andrew F. Hayes」。
模型選擇：根據圖1和圖3，調節變數 W 影響的是 X 到 M 的前半段路徑，這對應於 PROCESS 的 Model 7。在「Model Number」下拉選單選擇「7」。
放入變數（以檢驗
X1 遊戲化促銷為例）：將依變數「品牌共鳴 (Y)」的平均分數放入「Outcome Variable (Y)」欄位。
將中介變數「品牌依戀 (M)」的平均分數放入「Mediator(s) (M)」欄位。
將中心化後的自變數「遊戲化促銷 (X1_C)」放入「Independent Variable (X)」欄位。
將中心化後的調節變數「人機互動 (W_C)」放入「Moderator Variable W」欄位。
將其他的自變數（中心化後的 X2_C 和 X3_C）放入「Covariate(s)」欄位作為控制變數。
設定選項 (Options)：
勾選「Generate code for visualizing interactions」（用於後續繪製調節圖的數據）。
勾選「Test for simple slopes」（用於分析不同調節水準下的斜率）。
勾選「Percentile bootstrap intervals」或「Bias-corrected boot CI」，設定 Bootstrap samples 為
5000。勾選「Index of moderated mediation」（判定調節中介是否成立的關鍵指標）。
點選「Continue (Continue)」，再按「OK (OK)」執行。
對 X2 和 X3 重複上述步驟，每次更換 X 變數（將 X2_C 放入 X 欄，X1_C 和 X3_C 放入 Covariate(s)）。
報表解讀重點：
調節效果檢驗 (Model Summary for Outcome Variable: 品牌依戀 M)：
查看以「品牌依戀 (M)」為依變數的迴歸模型結果。
尋找交互作用項（例如：
Int_1，通常顯示為X*W或其變數名稱組合）的列。檢查其非標準化係數 (coeff)、t 值與 p 值。若 p < .05，表示「人機互動」顯著調節了「遊戲化促銷」對「品牌依戀」的影響。
論文文字描述範例：
「PROCESS Macro Model 7 結果顯示，『人機互動』顯著調節了『遊戲化促銷』對『品牌依戀』的影響（交互作用項 coeff = .25, t = 3.12, p < .01）。這表明遊戲化促銷對品牌依戀的正向影響程度，會隨著人機互動程度的不同而改變。」
簡單斜率分析 (Conditional effects of the focal predictor at values of the moderator)：
若交互作用顯著，查看報表後段的「Conditional effects of the focal predictor at values of the moderator」。
報表會顯示在調節變數 W 的低（-1 SD）、中（Mean）、高（+1 SD）三個水準下，自變數 X 對中介變數 M 的影響效果 (Effect) 及其顯著性。
論文文字描述範例：
「簡單斜率分析進一步指出，當『人機互動』程度較高時（+1 SD），『遊戲化促銷』對『品牌依戀』的影響更為顯著且強烈（Effect = .55, t = 4.80, p < .001）；而當『人機互動』程度較低時（-1 SD），『遊戲化促銷』對『品牌依戀』的影響則相對較弱（Effect = .20, t = 1.95, p = .051，未達顯著）。這說明高人機互動情境能強化遊戲化促銷對品牌依戀的促進作用。」（此處數據為範例）
調節中介效果判定 (Index of Moderated Mediation)：
查看報表最末段的「Index of moderated mediation」。
檢查該指標的「BootLLCI（下界）」與「BootULCI（上界）」（Bootstrapping 信心區間）。
判定法則：如果此信賴區間不包含 0（例如，下界與上界皆為正值或皆為負值），則表示整體的調節中介模型成立。即證明了「人機互動」會透過調節 X 對 M 的影響，進而改變 X 透過 M 影響 Y 的間接效果強度。
論文文字描述範例：
「本研究的『調節中介指數 (Index of Moderated Mediation)』為 .15（95% CI [.08, .22]，不包含 0），達到顯著水準。此結果支持了『遊戲化促銷』透過『品牌依戀』影響『品牌共鳴』的中介效果，會受到『人機互動』的調節，形成一個顯著的調節中介模型。」
留言
張貼留言