因素分析的過程

第四章 營建專案管理經理人應具備知識分析模

表示效果極佳，0.8 以上表示是有價值的，0.7 以上是中度的，0.6 以上是不好也不壞，0.5 以上表示是不太好的，若值在 0.5 以下，

就表示其效果是無法接受的，而巴氏球形檢定則是在檢定資料是 否適合進行因素分析，若顯著性小於 0.01，則表示非常適合進行 因素分析[55]。

二、因素萃取

因素分析又分「探索性因素分析」 (Exploratory Factor Analysis;

EFA)及「驗證性因素分析」 (Confirmatory Factor Analysis ; CFA)，

探索性因素分析是用於研究者對這些因素還沒有了解，想要找出 有哪些因素的情況下使用；而「驗證性因素分析」則是在研究者 在研究前就已有既定的假設，所以驗證性因素分析具有理論檢驗 與確認的功能。於變數中萃取因素的方法有：主成份、主軸因子、

未加權最小平方法、概化權最小平方法、…….。主成份分析法(PCF；

Principle Components Factoring)及主軸因素法(PAF；Principal Axis Factoring)，它們最大的不同，是在於主軸因素法是分析變項間的 共同變異量而非全體變異量，即相關矩陣中的對角線，由原來的 1.00 改用共同性(Communalities)來取代[55]。本研究因素萃取方式 採探索性因素分析(Exploratory Factor Analysis)，以主成分及主軸 因子抽取法萃取共同因子，分析過程之三大指標分別為共同性 (Communality) 、 特 徵 值 (Eigen Value) 以 及 因 子 負 荷 量 (Factor-Loading)。

至於應縮減為幾個因素？Kaiser[56]所提倡之方法為依以能解 釋之變異量(特徵值)達 1.0 為選取標準，取因子負荷量大於 0.45 者，

判斷應縮減幾個因素，這是最常被選用的判斷方法。然而 Cattell

則認為當變數少於 20 時，Kaiser 法所萃取之因素會過少；但當變 數多於 50 時，Kaiser 法所萃取之因素會過多，故提倡使用陡坡圖 (Scree Test)，將每一因素能解釋之變異數安排於縱軸；橫軸為各 因素。將各因素解釋之變異數連成ㄧ線，會成一逐漸減遞之線條。

最後，將陡降後趨於平坦之因素捨棄不用，因為剩餘因素可解釋 之變異太少。不過縮減成為幾個因素，最後還是得由研究者主觀 判斷[55]。本研究縮減因素方式選用 Kaiser 準則，並以 Cattell 所 提倡使用陡坡圖來判斷因素縮減的數量。

三、直交轉軸法

由於因素分析的結果一般很難加以解釋。因此得將各因素軸 加以轉軸。轉軸(Rotation)的原則在減低因子的複雜性，轉軸之後 會調整變項在每個因子的負荷量數值變大或是變得更小，相同因 子的題項呈現高因子負荷量，而不同因子層面者則相對較低，使 判斷更為明確。共同因子的特徵值會因轉軸操作而變得差異較小，

但總解釋變異量/百分比與每個題項之共同性則不會改變。常用的 因素轉軸方法為「直交轉軸」 (Orthogonal Rotation)與「斜交轉軸」

(Oblique Rotation)，本研究所選擇的轉軸方法為直交轉軸法，再以 最大變異法(Varimax)處理，使轉軸後每一個共同因子內各題項變 數之因子負荷量大小 相差盡量達到最大，以利共同因子的辨認與 命名。

四、因素圖及因子分析摘要

於上述各項分析完成後，繪製成因素圖及分析摘要表，將完 整之因子結構負荷量對應至項目中，找出最適合及合理的解釋。

五、因素命名

將萃取出之因子依據轉軸後的負荷量，把各項目分到前面所 設定的幾個因素去，再根據能解釋該因素的名稱作為構面的命 名。