多元智能量表信效度分析結果

本節分別以信度係數Cronbach’s α 及測量模式之驗證性因素分析來檢驗本量表 的測量指標的信度及效度，再進行結構方程模式分析。

一、信度分析

信度（reliability）代表量表的一致性或穩定性，在社會科學領域中有關Likert 量表的信度估計，以Cronbach’s α係數是最多學者採用的（吳明隆，2011）。本研究 以Cronbach’s α係數作為考驗本量表信度的依據，若Cronbach’s α值愈大，表示其 信度愈高，也愈趨於穩定一致性。信度在.5至.7之間的問卷，是可接受；高於.7時，為 高信度，表示具有高度一致性（Nunnally，1978）。

本量表共有語文智能、邏輯-數學智能、音樂智能、空間智能、肢體-動覺智能、人 際智能、內省智能、自然觀察者智能等八大智能，針對每項智能分別作信度分析，各智

能Cronbach’s α係數分別為：語文智能（.77）、邏輯-數學智能（.89）、音樂智能（.87）、 空間智能（.82）、肢體-動覺智能（.81）、人際智能（.88）、內省智能（.82）、自然觀 察者智能（.82），均大於.7，符合Guieford（1965）及Nunnally（1978）要求之高信度 標準，表示本量表符合內部一致性。但根據表4-2可知，BI2之負荷量未大於.4，同時相

題號 決斷值

二、測量模式適配度分析

結構方程模式（Structural Equation Modeling, SEM）的理論架構包含測量模式

（measurement model）與結構模式（structuralmodel）。測量模式旨要係在建立測量 指標與潛在變項之間的關係，主要透過驗證性因素分析驗測量模式的效度。結構模式則 是在考驗潛在變項之關的因果路徑關係，主要針對潛在變項進行路徑分析，以考驗結構 模式的適配性（李茂能，2011）。因此，本研究首先進行測量模式效度分析，以檢驗潛 在變項與指標變頊間的路徑（因素負荷量）是否具有顯著性。測量模式中的因素負荷量 均達顯著（p<.05，t的絕對值大於1.96，因素負荷量介於.50~.95之間），則表示測量 模式適配指標能夠有效的反應出所要測量的構念，該測量模式具有良好的效度（吳明隆，

2007）。測量模式主要是衡量模式的適配度分析，並檢驗模式是否具有足夠的聚合效度

（covergent validity）與區別效度（discriminant validity）。本研究採用標準化 負荷量作為評估效度（validity）的指標，由表4-3至表4-10得知，各智能所有測量指 標的因素負荷量皆大於.5，顯示本研究各智能具有良好解釋能力（吳明隆，2007）。此 外，依據測量指標的因素負荷量計算出潛在變項的組合信度（composite reliability）

亦稱建構信度，以作為檢定潛在變項的信度指標，是作為模式內在品質的判別準則之一，

依據Kline（1998）的觀點，若潛在變項的組合信度係數值大於.9，表示模式內在品質 為最佳，若在.8~.9之間是非常好的，在.7~.8之間則是適中，在.5以上是最小可以接受 的範圍，如表4-3至表4-10顯示，本研究各智能之組合信度均高於.8，故模式內在品質 非常好。平均變異數抽取量（average variance extracte）係指潛在構念所能解釋的 指標變異量有多少的變異量是來自測量誤差，若是平均變異數抽取量愈大，指標變項被 潛在變項構念解釋的變異量百分比愈大，相對的測量誤差就愈小，一般判別的標準是大 於.5，數值愈大則表示測量指標愈能夠有效地反應其共同因素構念的潛在特質（吳明隆、

張毓仁，2010），如表4-3至表4-10顯示，整體而言，除語文智能之平均變異數抽取值小

於.5，其餘各智能之平均變異數抽取值均高於.5，表示模式的收斂效度良好。

表 4- 6空間智能驗證性因素分析

表 4- 9內省智能驗證性因素分析 內省智能驗證性因素分析

潛在變項 測量指標 因素負荷量 信度係數 測量誤差 組合信度 平均變異量 抽取值 內省智能 IPI1 .74 .54 .46 .87 .53

IPI2 .80 .63 .37 IPI3 .74 .54 .46 IPI4 .67 .45 .55 IPI5 .71 .50 .50 IPI6 .71 .50 .50

表 4- 10自然觀察者智能驗證性因素分析 自然觀察者智能驗證性因素分析

潛在變項 測量指標 因素負荷量 信度係數 測量誤差 組合信度 平均變異量 抽取值 自然觀察者

智能

NI1 .70 .49 .51 .87 .53 NI2 .70 .48 .52

NI3 .82 .67 .33 NI4 .73 .53 .47 NI5 .72 .52 .48 NI6 .70 .48 .52

三、結構模式適配度分析

本研究使用AMOS 20統計套裝軟體，以結構方程模式進行多元智能量表的驗證性因 素分析，以考驗實徵資料是否支持本量表依據文獻探討所建立的結構，據此建立量表的 建構效度資料。

本研究透過結構方程模式適配度分析如表4-11，χ²（2036.195）與自由度（943）

之比值為2.159，GFI值、AGFI值、IFI值及CFI值分別為.866、.84、.927、.926，而RMSEA

值為.043。在整體模式的評估上，本研究架構χ²/df比值為2.159小於3，表示良好適配

（Carmines & MacIver，1981）；而GFI值為.866、AGFI 值為.84 ，雖然GFI與AGFI接近 1 時，表示模式適配度良好，但Doll et al.（1994）認為GFI與AGFI如果介於.80至.89 之間，則代表模式已有合理適配，因此本研究模式適配情況良好。

表 4- 11整體結構模式適配度分析 整體結構模式適配度分析

配適指標 適配標準 檢定結果數據 適配程度

χ²/df 值 <3 2.159 良好 GFI > .90 （.8~.89 為合理適配） .866 合理 RMSEA < .08 （< .05 優良；< .08 良好） .043 優良 AGFI > .90 （.8~.89 為合理適配） .840 合理

IFI > .90 .927 良好

CFI > .90 .926 良好

四、各智能之間的效度

本研究除了檢驗多元智能量表的測量模式適配度及其內在品質外，亦進行結構模式 適配度分析，以進一步比較各構面之間的效度，以便更深入地探究各構面間的關係。除 了進行因素分析外，亦可利用區別效度與輻合效度檢定。郭生玉（2004）認為所得的分 量表不僅要和測量相同構念的總量表有高相關（r>.70），也要和測量不同構念的分量表 有較低的相關（r<.40），前者稱為聚合效度（convergent validity），後者稱為區別效 度（discriminant validity）。而相關係數的判別標準可分為三種關聯程度，相關係數 絕對值r<.40 為低度相關，.40 ≦ r ≦ .70為中度相關，當r>.70則為高度相關（吳明 隆，2007）。

因此，本研究利用區別效度及輻合效度檢驗多元智能量表的構念。本研究以Pearson

積差相關分析方法，檢驗八個智能之間的相關情形，如表4-12及圖4-1的結果顯示，各 構面之間的相關係數範圍由.472~.735，除音樂智能對肢體-動覺智能、肢體-動覺智能 對人際智能與人際智能對內省智能外，其餘未達高度相關，整體而言，屬於中度相關（吳 明隆，2007），表示本量表有一定程度的相關。

表 4- 12多元智能量表各構面之間的相關 多元智能量表各構面之間的相關

語文智能 邏輯-數

學智能 音樂智能 空間智能 肢體-動

覺智能 人際智能 內省智能 語文智能 1.00

邏輯-數學智能 .557*** 1.00

音樂智能 .585*** .480*** 1.00

空間智能 .502*** .494*** .702*** 1.00

肢體-動覺智能 .599*** .624*** .660*** .609*** 1.00

人際智能 .667*** .567*** .602*** .598*** .735*** 1.00

內省智能 .582*** .551*** .522*** .520*** .525*** .750*** 1.00 自然觀察者智能 .472*** .568*** .572*** .625*** .541*** .593*** .609***

***p<.001

圖 4 - 1 多元智能量表架構圖