第四章 研究設計
第四節 實證研究方法
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 實證研究方法
本研究所使用之實證研究方法主要為因素分析（factor analysis）與結構方程 模式（structural equation modeling, SEM）。由於因素分析主要功能即將為數眾多 的觀測變數，萃取出少數潛在變數，而這些變數對原來的問題仍具有相當高的解 釋能力，減少在分析問題或評估方案上的複雜度與計算困難度。因此，可利用本 法將影響都市更新參與意願之觀測變數(manifest variables)進行因子歸類，以簡化 因果關係；且從本法篩選出因子分類後，並與先前所歸納之相關理論歸納作一對 照配合，擬定研究假設，以配合結構方程模式中，驗證 SEM 中結構模式之部分 (measurement model)。
一、因素分析（factor analysis）
因素分析是指自為數眾多的 K 個觀測變數中，萃取出 J 個潛在變數的統計 方法（K > J），可以協助研究者將測量的內容簡化成幾個特定的同質性類別。
其目的在於以簡潔、精確的方法來描述眾多變項之間的交互關係，以協助研究者 對這些變項的概念化，並以較少的向度來表示原來的資料結構，且能保有原來資 料所能提供的大部分訊息。
因素分析抽取的方法依研究目的大致可分為兩類，一類是探索性因素分析
（exploratory factor analysis, EFA），另一類則是驗證性因素分析（confirmatory factor analysis, CFA）。其中，探索性因素分析的功能是將雜亂無章的變項理出 頭緒，此種探索性之功能有助於建立新的假設、發展新的理論，因此稱為探索性 因素分析。EFA 主要利用變異互變異矩陣來計算，從複雜之各種現象中，找出 少數潛在因子（latent factors）來說明。因此，當研究者要在一堆資料（data set）
中，找出潛在的因子結構，則 EFA 會是適當的方法。
（一）因素分析模式
因素分析是一種潛在結構分析法，其模式理論中，假定每個指標（外在變項 或題項、觀察值、問卷題項）均由二個部份所構成，一為「共同因素（common factor）」，一為「獨特因素（unique factor）」。共同因素的數目會比原始觀察 變項的數目還少，而每個指標或原始變項皆有一個獨特因素。是以，因素分析以 少數的潛在因素（Yj）和獨特因素（ek）之線性組合，構成個別觀察變數（Xk），
此稱為因素模式，最常使用的理論模式如下：
‧
個變項變異量之貢獻，是一種因素加權值（factor loading），相當於第 k 個觀察 變數對第 j 個潛在變數之迴歸係數； 析法（principal components analysis）與主軸法，其中又以主成份分析法的使用 最為普遍，因此本研究也採取主成份分析法來估計因素負荷量。‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
量即是各共同因素對各題項變數的解釋程度。若把因素負荷量相乘取其平方值，
則此數值表示各共同因素可以解釋各變數的解釋變異量。因此，根據各共同因素 可解釋變異量的大小，可決定題項是否納入共同因素中，若題項無法有效反應共 同因素，則可考慮刪除。Tabachnick and Fidell（2007）提出因素負荷量選取的指 標準，則如表 4-6 所示。
表 4-6 因素負荷量、解釋變異量及選取準則
因素負荷量 解釋變異量 題項變數狀況
0.71 50% 甚為理想（excellent）
0.63 40% 非常好（very good）
0.55 30% 好（good）
0.45 20% 普通（fair）
0.32 10% 不好（poor）
＜0.32 ＜10% 捨棄
資料來源：Tabachnick and Fidell，2007
（三）因素的轉軸
因素轉軸（rotation）是指在不改變共同性之前提，旋轉 J 個因素軸，將因素 負荷量調整成接近 1 或 0 的數值，亦即使變項在每個因素的負荷量不是變大尌是 變更小，使觀察變數和潛在變數之間的關係更為明顯。在因素抽取上，通常最初 因素抽取後，對因素無法作有效的解釋，轉軸目的在於改變題項在各因素之負荷 量的大小，轉軸後，大部分的題項在每個共同因素中有一個差異較大的因素負荷 量（吳明隆，2008），使得萃取出之潛在變數與原始觀察變數的關係更顯而易見。
常 用 的 因 素 轉 軸 方 法 ， 有 最 大 變 異 法 （ Varimax ） 、 四 次 方 最 大 值 法
（Quartimax）、相等最大值法（Equamax）、直接斜交轉軸法（Direct Oblimin）、
Promax 轉軸法等。前三者屬「直交轉軸（orthogonal rotations）」，後二者則屬
「斜交轉軸（oblique rotations）」。在直交轉軸法中，潛在因素之間沒有相關，
亦即其相關為 0，因素軸間的夾角等於 90 度；而斜交轉軸法中，則認為潛在因 素之間彼此有某種程度的關係，因此對於各因素軸間不限制保持直交。
直交轉軸的優點是因素間提供的資訊不會重疊，缺點則是研究者迫使因素之 間不相關，但在實際生活情境中，他們彼此有相關的可能性很高。因而直交轉軸
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
方法為多數研究者所應用，因其不需要正確回應現實世界中自然發生的事件，且 正交轉軸結果較易於解釋（Bryman and Cramer, 1997）。是以，本研究在將採用 最普遍被運用之直交轉軸中的最大變異法，找出觀察變數與潛在變數之間的關 係。
（四）決定因素與命名
轉軸後，要決定因素數目並將萃取出的因素命名，選取較少因素層面，獲得 較大的解釋量。在多變項關係中，變項間線性組合對表現或解釋每個層面變異數 非常有用，主成份分析主要目的即在此。主成份資料分析中，以較少成份解釋原 始變項變異量較大部分。成份變異量通常以「特徵值（λj, eigenvalues）」表示。
特徵值為個別潛在變數對總共同性的貢獻程度，K 個觀測變數最多可萃取出 K 個潛在變數，所以存在 K 個特徵值。又根據因素萃取過程，可之特徵值存在 λ1
＞λ2＞…＞λk的關係，故第一個潛在因素的代表能力最強，第二個潛在因素次之，
第 k 個代表能力最差。
而因素個數的決定，是為了確保在變數縮減的過程中因素模式的配適程度。
根據 Kaiser（1960）的觀點，潛在因素對總共同性的貢獻，必頇要大於一個以上 觀察變數的總變異，亦即潛在變數的特徵值必頇大於 1，才具有相當代表性。據 此，本研究以 Kaiser 法為決定因素個數的方式，保留特徵值大於 1 的潛在因素，
其他予以刪除。
（五）因素分析之信效度檢定
因素分析通常會利用 Kaiser-Meyer-Olkin（KMO）統計量、Bartlett 球形檢定 對於整體進行效度檢定，並對於所萃取的潛在變數利用信度檢定。為求題項間是 否 適 合 進 行 因 素 分 析 ， Kaiser （ 1974 ） 指 出 ， 可 從 取 樣 適 切 性 量 數 值
（Kaiser-Meyer-Olkin measure of sampling adequacy, KMO）之大小來判斷，該係 數愈大，則代表愈適合進行因素分析，通常若 KMO 值小於 0.5 時，則較不宜進 行因素分析，進行因素分析之普通準則應在 0.6 以上。而顯著的 Bartlett 球形檢 定表示相關係數足以作為因素分析抽取因素之用。信度檢定主要是檢定潛在因素 的一致性程度，當一致性愈高，則信度愈高。cronbach’s α 信度是最常被使用的
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
二、結構方程模式（structural equation modeling, SEM）
結構方程模式是一種用來處理因果關係模式的統計方法，融合了因素分析與 路徑分析二種統計技術。其是用來檢定關於觀察變數（observed variables）和潛 在變數（latent variables）之間的因果假設關係，而此假設關係是依據先前健全理 論或概念來建構，因此一般使用結構方程模式時，研究者多是在做確認性的工作，
但其亦可應用在探測性的研究（黃芳銘，2003）。
結構方程模式的特點可以處理多重變數，相較於傳統的統計方法，結構方程 模式是種可以將「測量」與「分析」整合為一的計量研究技術。它可以幫助研究 者，找出潛在變數與觀察變數間彼此影響之關係，將數學式所展現自變數與應變 數之關係，轉為以路徑圖之方式表示。在結構方程模式體系中，包括隨機變項、
結構參數，有時更包括了非隨機變項；隨機變項包含三種類型：觀察變數、潛在 變數、干擾變數。而上述變數所組成的結構方程模式體系又可以分為兩個次體系：
測量模式（measurement model）與結構模式（structural model）。
（一）測量模式
測量模式是利用觀察變數建構潛在變數的模式，用於評鑑觀察變數可以定義 潛在變數的程度。測量模式中的變數又可區分為外因變數（exogenous variables）
與內因變數（endogenous variables）。外因變數在模式當中未受任何其他變數的 影響，卻會直接影響別的變數，在路徑分析中相當於自變項；內因變數是指在模 式中會受到任一變數的影響，在路徑分析中相當於依變項。潛在變數中被假設為 因者之外因變數，以ξ（xi）符號表示，而外因變數的測量指標稱為 X 變項。外 因變數ξ與其測量指標 X 變項間的關係，以Λx（lambda x）表示，測量誤差為 δ（delta）。以迴歸方程式表示如下：
δ ξ Λ X
x
潛在變數中被假設為果者之內因變數，以η（eta）符號表示，而內因變數 的測量指標稱為 Y 變項。內因變數η與其測量指標 Y 變項間的關係，以Λy
（lambda y）表示，測量誤差為ε（epsilon）。以迴歸方程式表示如下：
ε η Y
Λy
‧
自變項對依變項影響的直接效果（direct effects）、間接效果（indirect effects）與總效果（total effects）；本研究透過結構方程式的應用，企圖建立都市更新中，
更新認知、社會網絡、值得信賴、信任程度與參與意願之影響關係模式。