分析方法

本研究運用結構方程模式(Structural Equation Modeling, SEM)為分析方法，

所採用之結構方程模式軟體為 LISREL(Linear Structural Relationships)8.3。SEM 是一種呈現客觀狀態(objective status of affairs)的數學模式，大量地應用在社會及 行為科學的領域也不過是近三十年的事情，屬於相當新的統計技術(黃芳銘，

2009)。SEM 融合了因素分析(Factor Analysis)以及路經分析(Path Analysis)兩種統 計技術，是用來檢定有關於觀察變項(Objective Variables)與潛在變項(Latent Variables)之間假設關係的一種全包式統計取向(Hoyle,1995)。

SEM 為一種結構方程式的體系，在這些方程式中包含隨機變項(Random Variables)、結構參數(Structural Parameters)、以及非隨機變項(Nonrandom

variables)。隨機變項包含三種類型：觀察變項、潛在變項以及干擾變項(Disturbance Variables)。觀察變項屬於可以直接測量的變項，如收入、職業等；潛在變項則是 理論或假設的變項，通常無法被直接測量，但可用觀察變項加以建構，本研究中 的績效期望、付出期望、群體影響、焦慮、自我效能、使用科技態度、配合設施 條件、行為意圖以及使用行為等變項即屬於潛在變項。SEM 中變項與變項之間 的連結關係是以結構參數來呈現，結構參數可以描述觀察變項與觀察變項間的關 係、觀察變項與潛在變項間的關係，以及潛在變項與潛在變項間的關係。

上述變項所組成的 SEM 體系主要由兩個部份所組成：測量模型(Measurement Model)以及結構模型(Structural model)。測量模型是使用觀察變項來建構潛在變 項的模型，也就是利用觀察變項來反應潛在變項，一般在 SEM 中稱為驗證性因 素分析(Confirmatory Factor, CFA)模式。結構模型又稱為潛在變項模型(Latent Variable Models)或線性結構關係(Linear Structural Relationship)，主要建立潛在變 項與潛在變項之間的關係，類似路徑分析模型，不同在於路徑分析模型使用觀察 變項，而結構模型使用潛在變項(黃芳銘，2009)。

65

SEM 在 LISREL 的符號表示，測量模型中外因觀察變項是以 X 變項命名，

內因觀察變項則是以 Y 變項命名。由 X 變項所反映的潛在變項稱為外因潛在變 項(Exogenous Latent Variables)，以希臘字 ξ(Xi)表示。ξ 與 ξ 之間所形成的共變項 矩陣(Variance-Covariance Matrix)則是以 Φ(Phi)表示。構成外因觀察變項與外因潛 在變項間的迴歸係數(結構參數)是以 Λx(Lambda x)表示。外因觀察變項的測量誤 以δ(Dalta)表示，δ 間的共變項矩陣則是以 Θδ(Epsilon-Dalta)表示；由 Y 變項所反 映的潛在變項稱為內因潛在變項(Endogenous Latent Variables)，以 ε(Phi)表示。Y 變項的測量誤以ε(Epsilon)表示，ε 之間的共變項矩陣則以 Θε(Theta-Epsilon)表示，

構成內因觀察變項與內因潛在變項間的迴歸係數以Λy(Lambda y)表示。

66

epsilon delta lambda y lambda x theta-epsilon theta-delta

ξ

67

二、模型界定

本研究架構配合 SEM 準則，所建立的兩個假設模型路徑圖如圖 3-3 及 3-4。圖中橢圓形表是潛在變項，長方型為觀察變項，箭頭表示變項間的因 果關係，同時列出所估計的參數，以利後續程式撰寫。

圖 3 - 3 假設模型路徑圖 1 資料來源:本研究提供

68

圖 3 - 4 假設模型路徑圖 2 資料來源:本研究提供

三、模型識別

模型識別主要在於確認研究所選擇模型是否具有可辨識性(Identified)，

如果模型為可識別的，則表示理論上模型中的每一個參數皆可導出一個唯一 的估計值。如果一個模型無法解決識別問題，則無法獲得唯一解，模型的建 構也就失敗(黃芳銘，2009)。SEM 模型要被識別，就要符合 Bollen(1989)所 提出的 t 法則(t-rule)，關係式以t ≤ DP表示，t 代表模型中可以被自由估計的 參數數目，DP 值為用以產生共變結構的觀測值數目，DP 值的計算公式如下:

𝐃𝐏 =𝟏

𝟐 𝐩 + 𝐪 𝐩 + 𝐪 + 𝟏

公式中 p 代表外因觀察變項數目，q 代表內因觀察變項數目。如圖 3-3 與 3-4 所示，本研究架構中外因觀察變項和內因觀察變項共計有 35 個，自

69

由估計的參數數目共計 78 個，t 值為 78，DP 值為 630；由於 t 值小於 DP 值符合 t 法則，故本研究中兩種架設模型皆具有可識別性。

四、選擇測量變項以及蒐集資料

此步驟乃是選擇用於模型中的測量變項，並且蒐集測量變項的資料做為 後陎分析模型之用(黃芳銘，2009)。本研究採用績效期望、付出期望、群體 影響、焦慮、自我效能、使用科技態度、配合設施條件、行為意圖以及使用 行為做為模型的測量變項，運用問卷方式蒐集測量變項資料以便後續分析之 用。

五、模型估計

在 SEM 中當假設模型已經被界定且識別好了之後，就要進行假設模型 中參數的估計。常用的估計函數有三種包含最大概似法(Maximum likelihood, ML)、一般化最小帄方法(Generalized least squares, GLS)以及漸進分配自由法 (Asymptotic distribution-free, ADF)。其中最大概似法是目前最廣為應用的 SEM 適配函數估計法(黃芳銘，2009)。Hu (1992)年指出樣本數 500 以上才 適用最大概似法，不足 500 則以一般化最小帄方法為佳。Thompson(2000) 也指出在 SEM 中樣本數至少要為 X 觀察變項數目的 10 倍量或 15 倍量。本 研究有效樣本數 500 人，X 觀察變項量最多為 28 個，皆符合 Hu 等人以及 Thomson 的要求，因此採用最大概似法進行假設模型中參數的估計。

六、適配度評鑑

此步驟用以決定研究者所建構的理論模型是否能夠對實際蒐集的資料 給予合理的解釋。在 SEM 中適配度評鑑可以分為整體模型適配度鑑定、測 量模型適配度鑑定以及結構模型適配度鑑定，其中又以整體模型適配度鑑定 為最常使用之評估策略(黃芳銘，2009)。

70

Hair 等人在 1998 年將整體模型適配度鑑定的指標分為三類包含絕對適 配量測(Absolute Fit Measures)、增值適配量測(Incremental fit measures)以及 簡效適配量測(Parsimonious fit measures)。同時指出這種分類不僅能將指標 做良好的歸類，同時也讓人容易理解指標的意涵，並且也鼓勵研究者在使用 這三類評鑑時，能同時考慮這三類指標，以提高對於模型可接受性的共識結 果。本研究也參考 Hair(1998)等人的建議使用這三類指標作為模型評鑑的參 考。

七、模型修正與解釋

當研究者發現模型在受檢定之後發現模型可接受的適配程度不理想時，

需透過釋放新的估計參數或是刪除某些參數，來達到對模型的重新界定，使 模型更加符合觀察資料。直到達到研究者所要求的適配程度後，再針對模型 的統計結果做解釋。通常結果呈現時會包含非標準化參數估計

(Unstandardized Parameters)與標準化參數估計(standardized Parameters)，以及 直接效果(Direct Effect)、間接效果(Indirect Effect)與總效果(Total Effect)(黃芳 銘，2009)。

71