分析模式之理論

一般而言，於飛安管理分析之主要目的有二，一為找尋系統內關鍵影響因素 或主要潛在危害來源，一為找尋因素間之互動關係與影響程度。然而，模式構建 者往往需面臨並妥善處理四類不確定性(uncertainties)，分別為因子自身變異 (Variability) 、 因 子 量 測 誤 差 (measurement errors) 、 因 子 間 關 係 不 明 確 (Indeterminacy)與先驗知識缺乏(Lack of knowledge)，其中最後一項因素為造成 模式無法確實詮釋真實系統之主要原因 [Klinke and Renn, 2002]。如果研究者能 擁有充分且正確的知識，或是研究對象為清楚且明確的系統，亦即真實系統的運 作機制能被確實掌握與清楚了解，表示系統中不存在任何知識的不確定性，模式 之構建根本不需藉由模式驗證步驟來確認模式的正確性與否；然而，沒有人擁有 完美的資料與知識，任何模式必然存有其不確定性，所以研究者需藉由模式驗證 來確認自己的推論是否正確或作為尋找最適模式架構的依據，以降低整體模式的 不確定性[Wong and Yeh, 2003b]。此外，事件與危害之發生導因於諸多潛在因子，

而潛在因子之安全品質或威脅程度，又往往難以運用統計或試驗等方式直接衡量 或觀測，必須藉由其他間接相關之指標來加以評判，而如何妥善構建與校估可觀 測因子對不可觀測因子之影響關係與程度，亦為系統分析模式之另一項關鍵。因 此，為能建立一合理之系統運作架構與因子衡量方法，輔以嚴謹與可信之模式驗 證，以反映飛安系統之真實狀況，本研究依據 4.1 節之分析模式基礎，採用結構 化方程模式(Structural Equation Modeling, SEM)作為飛安系統模式構建與安全分 析之理論。

4.2.1 基本概念

結 構 化 方 程 模 式 ， 或 稱 線 性 結 構 關 係 模 式 (LInear Structure RELation, LISREL)，其概念是由早期之多變量分析方法而來，主要運用一連串聯立方程式，

架構各變數間之因果過程(Causal Process)與影響關係，並將其過程與關係以結構 化圖像方式加以清楚表達；接著，針對整體架構之系統性潛在變數關係與觀測變 數資料間之變異數關係矩陣，運用統計學之最小平方法(OLS)或最大概似法(MLE) 等估算方法，推估各變數間之影響係數；並藉由嚴謹之配適度驗證，檢視模式結 構之合理性，以適切反映實際系統環境之特性。

Fornell(1982)認為結構化方程模式與傳統多變量分析方法之差異，除了強調 對資料與架構之確認性方法(Confirmatory Approach)多於探索性方法(Exploratory Approach)，而且其強化理論推論之基礎，突破以往方法大多囿於多變量常態之嚴 苛假設；此外，傳統之多變量方法並無法評估與校正資料衡量上之錯誤，並且僅 限於處理觀測變數(Observed Variables)，而結構化方程模式卻能提供明確之方式 校估衡量變數之錯誤項(Error Term)，以及適切結合可實際量測之觀測變數與不可 量測之隱性變數(Latent Variables)於模式中。也基於其完整與多樣之功能，結構化 方程模式被心理學、生物學、教育學、社會科學與企業管理等學門之研究者廣泛 運用。因此，結構化方程模式本身就適合用於驗證研究模式架構之正確性與合理 性，並且可用以探究衡量指標與危險因子間之權重與交互影響關係。結構化方程 模式之基本架構如圖 4.5 所示，其概念如下：

error ^觀測變數_X1

error ^觀測變數_X2

隱性自變數 LI1

error

觀測變數

X3 error

觀測變數 X4

隱性自變數 LI2

隱性應變數 LD1

觀測變數 Y1

觀測變數

error Y2

error 結構模式

衡量模式

圖 4.5 結構化方程模式示意圖 一、潛在變數(Latent Variables)

在行為科學(Behavioral Science)中，學者們常有興趣研究無法藉由實際 觀測而得之理論概念，那些包含於概念中之抽象現象被稱為潛在變數(Latent Variables )或潛在因子(Latent Factors)。由於潛在變數之資料無法或難以於實 際環境中直接觀察與衡量，例如心理學中行為之動機，社會科學中社會之混 亂狀態，以及經濟學中社會之階級等變數，因此需藉由其他相關可觀測變數 來加以量測，而飛安風險因子即為此類問題。一般而言，結構化方程模式所 使用之觀測變數應為線性連續尺度(Linear Continuous Scale)，不過隨著結構 化方程模式之成熟，現行套裝軟體，如 EQS5、LISCOMP、COSAN 與 LISREL，皆可以處理順序性(Ordinal)或類別性(Categorical)等不連續變數。

二、因子分析模式(Factor Analytic Model)

最早且最廣為人知用於探討觀測變數與潛在變數間關係之統計方法為 因子分析方法(Factor analysis)，研究人員透過各觀測變數間之共變異係數，

獲取模式構成因子之資訊；而因子分析方法一般可分成兩種基本形式，其一 為探索性因子分析方法(Exploratory Factor Analysis, EFA)，另一為確認性因子 分析方法(Confirmatory Factor Analysis, CFA)。前者是在研究者對於觀測變數 與潛在變數間的關聯未知或不清之情形下，用以確定觀測變數對模式構成因 子之關係與影響程度，通常研究者會希望藉由觀測變數中找出具代表性之最 少因子集合；後者是在研究者透過理論之知識或實務之研究並對於模式構成 之潛在變數架構有所瞭解下，構建觀測變數與模式構成因子之關係架構，進 而檢定此一假設架構是否具統計上之解釋能力。

三、完整潛在變數模式(Full Latent Variable Model)

不論是探索性或確認性因子分析方法，其重點僅於探討模式中觀測變數 與潛在變數間之關係與影響程度，然而對在一完整的模式而言，潛在變數間 的交互影響關係亦為研究與分析之重點；而所謂完整隱性變數模式則包含觀 測變數與隱性變數間及隱性因子相互間影響關係兩項層面，亦為結構化方程 模式之完整內涵。在結構化方程模式中，前一層面稱為衡量模式(Measurement Model)，而後一層面則稱為結構模式(Structural Model)。

4.2.2 構建步驟

綜整而言，結構化方程模式之模式構建步驟有五，分別為建立假設性模式、

檢驗辨認要件、估算模式參數、檢驗模式配適度，以及不符合辨認要件或模式配 適度之模式重新定義，詳述如下：

一、建立假設性模式

模式定義為結構化方程模式運作之第一步驟，由研究者依據其研究範圍 之相關文獻或研究理論，以及實務之經驗與對問題之瞭解，定義與尋找模式 中觀測變數與隱性因子，進而構建一符合問題現況之初始假設理論模式。

Jame 等人(1982)認為衡量模式與結構模式為兩種概念上不同之隱藏變數模 式，其意涵不同應妥善分別分析，而提出兩階段模式構建之方式；而 Anderson 與 Gerbing (1988)也進一步闡釋衡量模式可提供模式收斂性與區別性效度評 估之依據，而結構模式則可進行預測性效度之評估。Jöreskog 與 Sörbom(1993) 歸納後認為結構模式之定義與檢定，除非先建立良好之衡量模式，否則將不 具任何意義，所以衡量模式應優先結構模式建立與檢定。

二、檢驗辨認要件

模式確認在統計上是一複雜的主題，廣義來說，其目的在探討是否存在 唯一參數解集合符合實際資料之特性，而此一問題與觀測變數之變異數及其 間 之 共 變 異 數 息 息 相 關 。 任 一 結 構 化 方 程 模 式 可 能 為 適 度 辨 認 (Just-Identified)、過度辨認(Over-Identified)與低度辨認(Under-Identified)等三 種模式。所謂的適度辨認之情況為觀測變數之變異數與共變異數個數恰好與 模式中所需校估之參數個數相同，亦即觀測資料正好足以估算模式中所有參 數，但由於缺乏統計上之自由度，所以無法進行模式之配適度檢定；過度辨 認為觀測變數之變異數與共變異數個數多於模式中所需校估之參數個數，此 時不僅具有充分資訊以估算各項參數之數值，更由於具有統計上之自由度，

亦可進行模式之配適度檢定；不足辨認為觀測變數之變異數與共變異數個數 少於模式中所需校估之參數個數，表示模式不具求得確定參數解集合之充分 資訊，所以會找出無限多組解集合。因此，為能估算模式中各項參數之數值，

並且檢定模式之配適度，初始假設之理論模式必須為過度確認模式。

不過由於觀測變數之變異數與共變異數個數多於模式中所需校估之參 數個數僅為參數求解之必要條件(Necessary Condition)，並不符合充分條件 (Insufficient Condition)，而其充分條件為每一參數皆要能由觀測變數之變異 數矩陣資料中求得，不過此一條件之證明在實務研究上難以達成。所幸經學 者們之研究，有兩種處理程序可以達成此一條件[Schumacker & Lomax, 1996]：程序一為避免模式確認問題之產生，其方法為固定隱性變數之尺度 與避免較難估算之遞迴(Feedback)變數關係，以及盡量精簡模式內含之參 數；程序二為核對模式之確認條件，其方法為運用 EQS5 軟體提供之 Wald’s Rank Test，或是 LISREL8 與 EQS5 軟體皆內建，由 Wiley、Keesing、Jöreskog 等學者構建之相關方法。

三、估算模式參數

在結構化方程模式中有許多不同的係數需要估算，諸如結構模式中隱藏 變數間之結構係數，以及隱藏自變數間與結構化方程預測誤差項間之共變異 係數，衡量模式中各觀測變數對隱藏變數之因子負荷量、指標衡量誤差項間 之共變異係數。估算目的是為了獲取模式中定義之參數，讓各項參數值能儘 量吻合觀測樣本變數之變異數與共變異數資料；一般結構化方程模式之資料 與模式間的關係，如式(4-1)所示，而模式估計的方向便是儘量使模式中之 Residual 項最小化。

Data = Model + Residual (4-1) 其中，Data：從抽樣群體中衡量之觀測變數數值。

Model：研究模式中觀測變數與隱性變數，以及隱性變數間之假 設關係。

Residual：研究假設模式與實際觀測資料之差異。

常用於估算之統計方法有最小平方法(OLS)、一般化最小平方法(GLS)、

最大概似法(ML)。OLS 符合一致性統計量之特性及沒有模式分配之假設，但 其估計值會隨觀測變數衡量尺度之改變而變動，而其他 GLS 與 ML 之估計

最大概似法(ML)。OLS 符合一致性統計量之特性及沒有模式分配之假設，但 其估計值會隨觀測變數衡量尺度之改變而變動，而其他 GLS 與 ML 之估計