校估方法

在 SEM 分析上，常使用 LISREL 此套軟體。LISREL 全名為 Linear Structural Relations，一般譯為「線性結構關係」。LISREL 中將一個完整的 SEM 模型分為測量模 型(measurement model)與結構模型(structural model)兩部份，測量模型用來界定實際測量 變項與潛在變項之間的相互關係，結構模式則說明潛在變項之間的關係。測量模式可用 下列二式表示之；

X＝Λx ξ＋δ Y＝Λy η＋ε

上式中X 為外顯自變數；Y 為外顯依變數。Λx 為 X 對潛在自變數ξ的係數矩陣；

Λy 為 Y 對潛在依變數η的係數矩陣。而δ為 X 的衡量誤差；ε為 Y 的衡量誤差。

結構模式可用下列式子表示之；

Bη＝Γξ＋ζ

上式中，B 為各潛在自變數間之影響效果的係數矩陣；Γ為潛在自變數對潛在依變 數之影響效果的係數矩陣；ξ為潛在自變數；而ζ為此結構公式的殘差項。

線性結構模式之校估方法是依照假設之模式重製一相關矩陣使，其逼進原本資料所 得出的相關矩陣，然後模式之適合度檢定，觀察模式與資料是否足夠契合，即找尋最適 之參數估計值使適配函數可獲得最佳解。適配函數乃表示依據理論所估計出來的共變異 矩陣（ ）與由實際觀察資料所得到之共變異矩陣（S）差異之函數。如果兩共變異數 矩陣完全適合的話，適配函數應該等於0。其估計方法為先設定參數起使值，其次利用 疊代法（Interative）反覆求解，直至收斂為止。換言之，參數估計主要目的即在於找尋 與樣本資料共變異矩陣差異最小之參數估計值。

∑

LISREL 預設之校估方法為最大概似法（Maximum Likelihood Estimation ,MLE）。最 大概似法是指在樣本符合多元常態分配下進行重製∑ 矩陣之參數估計方法。其定義為找 尋參數θ，使得適配函數F 為最小，其相關方程式內容如下：

( )

^{θ =}

(

^∑

( )

^{θ −}

)

^{− ln ∑}

( )

^θ

F tr ¹ S 2.5.3 模式驗證

一旦SEM 假設模型中的每一個參數都被順利估計出來後，LISREL 即進行整體模式 的評估，透過不同統計程序或契合度指標(goodness-of-fit index)的計算，研究者可以研判 假設模型與實際觀察資料的契合情形[36]。如果模型契合度不理想，代表研究者所提出 的假設模型可能存在某些問題，可能是模型的設定、參數的估計或是其他技術上的問題 導致假設模型無法與觀察資料契合，此時研究者可以應用模型修飾的原則，調整假設模 型的參數估計內容，重新加以估計，直到模型契合度達到理想水準。

LISREL 在程式碼撰寫完成，資料代入模式校估後，就可以得到模式契合度指標的 報表，如果模式校估結果可以收斂的話，會一併畫出路徑圖。茲將本研究在模型驗證上 所使用到的各個模型契合度指標一一條列說明之。

(1) 卡方檢驗

SEM 的卡方值是由契合函數轉換而來的統計量，反應了 SEM 假設模型所導出 的矩陣與觀察矩陣的相關程度，卡方值的導出式如下；

( ^{N 1 F} )

^min

T = −

上式中，T代表模型契合度的檢定值，性質與卡方值相同，可視為卡方值；N 為樣本數，Fmin表示以各種不同參數估計方法(如ML、GLS、ADF等)所得到契合函 數的最小函數估計值。在符合卡方分配的條件下，可以對於T值進行卡方檢驗以確 認其顯著性。

(2) 卡方自由度比

在卡方檢驗的概念裡，自由度越大的模型在檢驗上越不利，因此，若有兩個模 型同時進行SEM分析，均得到不顯著的卡方值時，自由度越大的模型越有能力去反 應真實的資料，這是SEM中常見的簡約原理。在SEM分析中，可以計算出一個卡方

自由度比(χ²/df)，LISREL以這個值作為模型契合度的比較指標；卡方自由度比越

GFI指標即為契合度指標(goodness-of-fit index)的縮寫，類似迴歸分析中的R²值 (Tanaka & Huba, 1989)，表示假設模型可以解釋觀察資料的變異數與共變數之比例。

)

AGFI(adjusted GFI)類似於迴歸分析中的調查後可解釋變異量(adjusted R²)，

AGFI是將自由度納入考慮後所計算出來的模式契合度指數，當參數越多時，AGFI 契合度(Hu & Bentler, 1999)。

(4) NFI 與 NNFI

Bentler 與 Bonnet 於 1980 年提出 normed fit index(NFI)與 non-normed fit

index(NNFI)兩種指標，這兩種指標是利用巢套模型的比較原理所計算出來的一種相

假設模型，以NFI 來檢驗契合度會出現低估的現象(Nearden, Sharma, & Teel, 1982)， 出現矛盾問題(Anderson & Gerning, 1984)。

(5) IFI

Bollen(1989)提出一個 IFI 指數(incremental fit index)來處理 NNFI 波動的問題以 及樣本大小對於NFI 指數的影響，其計算如下式； (Hu & Bentler, 1999)。

(6) RMSEA

平均概似平方誤根係數(root mean square error of approximation; RMSEA)是 LISREL 估計程序中很重要的一替代性指標(Browne & Cudeck, 1993)，其計算式如 下；

dftest

RMSEA F

estimated ˆ⁰

= 佳。Hu & Bentler(1999)建議 RMSEA 係數低於 0.06 可以視為一個好的模型，高過 0.1 表示模型不理想(Browne & Cudeck, 1993)，McDonald 與 Ho(2002)建議以 0.05 為 良好契合的門檻，以0.08 為可接受的模型契合值，本研究採用 McDonald 與 Ho 之 建議，以0.08 為可接受門檻值。

ˆ0

F

(7) CFI

CFI指標(comparative-fit index)(Bentler, 1992)反應了假設模型與無任何共變關 係的獨立模型差異程度的量數，也考慮到被檢驗模型與中央卡方分配的離散性。其 計算原理是以非中央性改善比(the ratio of improvement in noncentrality; 假設模型距 離中央卡方分配距離的移動情形)，得出一個非中央性參數(noncentrality parameter, τi)，τi越大，代表契合度越不理想，其概念如下；

test indep test

indep

df

test test est

est

df

esttest . _.

2

.

= χ −

τ

est.test

τ 為理論假設模型非中央性估計參數，τ_indep.test為虛無模型相對於假設模型 的非中央性參數，根據上式可得出CFI 指數公式如下；

test indep

esttest

CFI

殘差均方根指數RMR(root mean square residual)與標準化殘差均方根指數 SRMR(standardized root mean square residual)均用以反應理論假設模型的整體殘 差，RMR 的計算式如下；

綜合以上所述，可知LISREL 模式的契合度指標相當多，Hu 與 Bentler(1999) 主張CFI 與 RMSEA 二個指標都需要列在分析報告中，尤其是 RMSEA 指標，顯示 此二指標較為重要。茲將本研究所使用的模型契合度指標整理如下表2.4。

表2.4 結構方程模式(SEM)契合度指標與判斷值一覽

指標名稱 數值範圍 判斷值 適用情形

卡方檢驗

χ2/df - >2.0 不受模式複雜度影響 適合度指標

GFI 0-1 >0.9 說明模型解釋力 AGFI 0-1 >0.9 不受模式複雜度影響 NFI 0-1 >0.9 說明模型較虛無模型的改善程度 NNFI 0-1 >0.9 不受模式複雜度影響 替代性指標

CFI 0-1 >0.9 說明模型較虛無模型的改善程度，特別適合小樣本 RMSEA <0.05 優

<0.08 良

不受模式複雜度影響 殘差分析

RMR - 越小越好 瞭解殘差特性

SRMR 0-1 <0.08 瞭解殘差特性

資料來源：[36]

第三章 系統分析與研究設計

本研究的系統模式可概分為三大部份；分別是「外在因素」、「內在因素」以及「行 為」；而以「內在因素」為主要探討的重點。

本章將先各別敘述這三個部份的架構與內容；再進而合併成為本研究的整體架構模 式。3.1 節針對內在因素(心理因素)作闡述；3.2 節針對外在因素(環境因素)探討；3.3 節 則將本研究欲探討之「行為」加以解釋定義，並將三大部份合併起來，構成本研究的概 念系統模式；3.4 節則在大架構下找出欲研究的重點因素，並說明理由。基於第二章之 心理學理論與本研究所提出之行為與心理關聯概念性模式，於3.5 節中提出本研究對大 眾運輸系統中潛在乘客群之定義；3.6 節詳述本研究之研究設計，包括量測因素、量測 指標的擬定以及問卷的設計等；3.7 節則將問卷調查工作開始前的先前規劃逐步敘述之。

3.1 影響城際大眾運輸系統乘客群搭乘行為之內在因素

一般而言，「個體」、「環境」與「行為」三者是存在極為複雜的交互影響關係。個 體不斷接收著外在環境所發生的訊息，個體也一直面臨著其身所處的環境之中發生的許 多事件，這些環境條件或因素都將影響到個體內在的思維、情緒等種種心理因素。當外 在環境或個體內部產生一足夠強烈的刺激，其對個體的某些內在因素產生相當影響，將 使個體的心理狀況發生改變，於是導致某些行為的發生。當個體表現出此一行為後，該 行為結果會對個體本身產生部份的回饋性影響(例如經驗的累積)，也會對個體所身處的 環境產生影響。「個體」、「環境」與「行為」的交互影響關係可用下圖3.1 表示；

ᕣ!!ჶ ছ!!ᡩ

գ!!ࣛ

圖3.1 個體、環境與行為交互影響概念示意圖

針對本研究主題，本研究不考慮行為對個體與環境的影響，也不考慮環境與個體間 的交互影響，純考慮個體與環境對行為的影響。

動機與引發行為有直接關係，2.4 節中有提到，如果動機是來自個體內部的需求或 刺激，它被稱為「內在動機」(intrinsic motivation)；反之，若動機是來自個體外面的刺 激或誘因，則被稱為外在動機(extrinsic motivation)。同一活動，有時由內在動機開始，

有時由外在動機啟動，有時兩者兼具[31]。由於「動機」引發「行為」，而「需求或刺激」

產生「動機」，故本研究將刺激視為引發行為的源頭。

當刺激產生之後，個體接收到此刺激將進行處理進而作出某些反應。個體內部有多 種的心理處理程序(process)，用於接收與處理外界訊息與刺激，其處理完後即產生個體 內部的心理現象或需求等等結果；例如「刺激」經「生物歷程」所產生的「生理需求」，

經「情感歷程」所產生的「情緒」，以及經「認知歷程」所產生的「認知」等等。

個體內部的處理程序約可概分為「生理面」與「心理面」二個部份，個體的內部的 一切心理處理程序皆分佈於此二個部份之中。礙於研究範圍的限制，本研究無法詳細列 出個體內部的所有心理處理程序，僅敘述與本研究主題較相關者。

3.1.1 個體生理面相關歷程

個體生理面泛指個體一切生物基礎的運作情況，例如長時間近距離使用眼睛於是眼 球疲勞遂產生酸痛感，或是空氣微粒引起氣管過敏而使人打噴嚏等等現象。個體的生物 基礎接收到刺激(多屬外部刺激)後，將進行一連串的生物歷程，最後可能產生某些生理 面的需求，而這種需求將可能成為引起某些行為的動機。基本上以「人」這個個體來說，

生理面這一部份的運作情況差異不大，除非該個體在某些生物基礎或生物歷程上有先天 的缺陷，無法正常運作。個體生理面的處理歷程概念圖如下圖3.2 所示；

Ҁഗڢᐹ

Ͻഗڢᐹ

ҭޜ஑ᙏ

ҭ౵ॹ

ҭޜᐯํ

ҭ౵ሻ؝

៺!!δ

୩!!ᐬ

ছ!!ᡩ

գ!!ࣛ

圖3.2 個體生理面的內在處理歷程概念示意圖

在文檔中 城際大眾運輸系統中乘客群之搭乘行為與心理關聯因素量 測之研究 (頁 35-0)