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 主 要 採 用 因 素 分 析 （ Factor Analysis ） 與 結 構 方 程 模 式
（Structural Equation Modeling, SEM）。因素分析是將雜亂的觀測變數縮 減為少數潛在因子的一種統計方法，能保留原始資料特性，並精簡出少 數潛在變數。因此，可利用本法將影響居住環境品質及容積移轉政策滿 意度之觀測變數（Manifest Variables）進行因素歸類，簡化因果關係，在 整合研究假設，配合結構方程模式辦理驗證。
一、因素分析（Factor Analysis）
因素分析是討論將眾多 P 個觀察變數(v1~vp)中，萃取出 q 個潛在 變數的統計方法（q 個且 q≦P），可以將測量的內容簡化成幾個共同因 素（Common Factor）。換言之，因子分析目的在於以簡潔、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。
因素分析是研究一份測驗建構效度（Consttruct Validity）最有效的 方法之一，透過因素分析可發現一此互相獨立的因素，也是主成份分 析的擴展，除了可供更新不同的新變數，對原本的結構也有更多的解 釋，主要是針對內部相關信高的變數作簡化。
因素分析的功能在於可處理潛在變數的估計問題，協助研究進行 效度的驗證，原理在利用測量指標蒐集基礎資料，計算數據間的關係，
並萃取出影響觀察數據相關變化的潛在變項，探究潛在變項的結構關 係，此過程稱為因素效度（Factorial Validity）。
而在因素分析抽取的方法依研究目的大致可分為探索性因素分析
（Exploratory Factor Analysis, EFA）及驗證性因素分析（Confirmatory Factor Analysis, CFA）二種。探索性因子分析主要是應用於研究初始階 段，對問項辦理分組並命名，功能在於可將雜亂無章的變項理出頭緒，
有助於建立新的假設及發展新的理論；而驗證性因素分析是探討建構 間的相關性，並討論量表的信度與效度，在驗證性因素中，因素權重、
因素間共變異數或誤差（獨特因素）的變異數及共變異數可以指定為 某種型態、指定兩係數相等、或指定某係數等於某固定數值，主要功 能在為對因素結構以 SEM 模式做驗證而非探索，因此，如果研究候要 在眾多資料找出潛在因素結構，則 EFA 較為適宜。
‧
設係由「獨特因素（Unique Factor）」及「共同因素（Common Factor）」所組成的線性組合，因此因素分析模式為：（二）因素萃取（Factor Extraction）
執行因素分析，必須辦理參數估計，簡單說明是從一組測量 變數中萃取共同變異，即求取因素負荷與獨特性，最基本的方法 為主成份分析法（Principle Component Analysis），原理是利用變數
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
的線性組合，來化簡變數成為幾個主成份；其他常用的方法尚有 主 軸 因 素 法 （ Principal Axis Factors ）、 最 大 概 似 法
（ Maximun-Likelihood Method ）、 最 小 平 方 法 （ Least Squares Method）、未加權最小平方法（Unweighted Least Squares Method）。
過去研究中最常使用者為主成份分析法與主軸因素法，其中 又以主成份分析法的使用最為普遍，主要係由於該作法是以線性 整合將所有變項加以合併（Linear Combination），計算所有變項共 同解釋的變異量，主成份分析法主要目的在使每一個成分能夠代 表最大的觀察變異量，且適用於單純為簡化大量變項為較少數的 成份時使用，因此本案也採取主成份分析法來估計因素負荷量。
在完成因素萃取後，接下來即確認因素的組成，而因素負荷 量類似於迴歸分析中迴歸係數的權數，反應了題項變數對各共同 因素的關聯強度，反之，因素負荷量即為各因素對各測量變數的 解釋程度，如果把負荷量平方後相加，則反映了解釋變異量，根 據各變數的因素負荷量可以解釋各變數對問題的解釋能力。
至 於 因 素 負 荷 量 之 理 想 標 準 為 何 ， Tabachnick and Fidell
（2007）提出因素負荷量選取的指標準則，如下表所示，當負荷 量大於 0.71，則表示該因素可以解釋觀察變異 50％的變異量，是 非常良好的狀況，而如果負荷量小於 0.32，也就是該因素解釋不 到 10％的觀察變項之變異量，是非常不理想的狀況。即無法有效 反應共同因素，可考慮刪除，所以在因子分析程序中，因素負荷 量的挑選準則最好在 0.45 以上，其解釋變數對於應變數解釋力之 可信度較高。
表 4-7 因素負荷量、解釋變異量及選取準則表
因素負荷量 解釋變異量 題項變數狀況
0.71 50% 非常理想（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% 不採用
資料來源：Tabachnick and Fidell,2007。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章 研究設計
（三）因素轉軸（Factor Rotation）
因素轉軸是指將所抽取的因素，經過數學轉換，使因素或成 份有清楚的區隔，能反映出特定的意義，其目的在於釐清因素與 因素之間的關係，使觀察變數與潛在變數間的關係更為明顯，轉 軸係使用三角函數的概念，將因素間的相對關係以轉軸矩陣
（Transformation Matrix）所計算出的因素負荷矩參數，將原來的 共變結構所抽離出來的項目係數進行數學轉換，形成新的轉軸後 因素負荷矩陣（經正交轉軸）或結構矩陣（經斜交轉軸）使得萃 取出來的潛在變數與觀察變數更容易解釋，並進一步進行因素命 名。（邱皓政，2006：17-21）
常用的方法又分為直交轉軸及斜交轉軸，在直交轉軸主要係 指在轉軸過程中，藉由一組轉軸矩陣，使兩因素平面座標的 X 與 Y 軸進行夾角為 90 度的旋轉，直到兩因素間的相關性為 0 為止，
使 用 的 方 法 主 要 有 最 大 變 異 法 （ Varimax ）、 四 方 最 大 法
（Quartimax）、均等變異法（Equimax Rotation）；斜交轉軸則是容 許因素與因素間具有一定的共變，允許因素間具有相關，因此對 於各因素軸間不限制保持直交，常用的方法則有最小斜交法
（Oblimin Roation）、最大斜交法（Oblimax Rotation）、四方最小 法（Quartmin）及 Promax 法。
以直接轉軸轉換得到的新參數可幫研究者尋求明確的因素結 構並區別不同因素，可達到簡單因素結構的目的；因此，本研究 將採用直交轉軸中的最大變異法，藉以找出潛在變數與觀察變數 之間的關係。
（四）因素個數的決定
因素個數的決定，是為了確保在變數縮減過程中因素模式的 配適程度，本研究採用 Kaiser（1960）所提出建議以特徵值大於 1 為標準，也是共同因素的變異數至少要等於單一測量變數的標準 化變異數，以保留特徵值大於 1 的潛在因素，其他予以刪除。
（五）因素效度（Factorial Validity）
一般而言，研究者在觀察變項之間的相關情形決定是否適因 素分析，主要對於相關係數作適切性判斷，其方法為主要有 Bartlett 的球形檢定（Bartlett’s Test of Sphericity），主要原理為對於整體進 行效度檢定，並對於萃取的潛在變數利用信度檢定，用來檢驗是 否具有顯著的相關係數；另外則執行檢驗淨相關矩陣，在反映像
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
矩陣對角線上取適切性量數（MSA），比較所有相關係數，係數愈 大則表示相關情形愈，各測量變項的 MSA 係數取平均後即為 KMO（Kaiser-Meyer-Olkin measure of sampling adequacy）量數，
Kaiser（1974）提出執行因素分析的 KMO 大小判準如下表所示，
KMO 統計量愈大，代表愈適宜進行因素分析，反之則不宜。
表 4-8 KMO 統計量的判斷原理
KMO 統計量 因素分析適合性
0.90 以上 極佳（Marvelous）
0.80 以上 良好的（Meritorious）
0.70 以上 中度的（Middling）
0.60 以上 平庸的（Mediocre）
0.50 以上 可悲的（Miserable）
0.50 以下 無法接受（Unacceptable）
資料來源：邱皓政（2006：17-10）。
二、單因子變異數分析（one way ANOVA）
單因子變異數分析（Analysis of Variance），簡稱 ANOVA，主要是 用來辦理結構方程模式前，先行比較原本的樣本數是否存在其差異 性，推定母群體平均數之間是否存在顯著差異，而本研究在完成因素 分析後，須先辦理各變數在基本資料上之比對是否存在差異性，在只 有二種型態之比較多使用 t 檢定，惟如果有三種以上型態之比較，則 須使用到 ANOVA 來比較；在變異數分析當主，主要以 F 考驗來檢驗 自變項效果的統計顯著性（Statistical Significance），當達顯著水準時，
即推翻了平均數相等的虛無假設，表示至少有兩組平均數間有顯著差 異存在，因此須進一步進多重比較（Multiple Comparison），本研究係 以在獲得 F 值後進行多重比較，稱為事後比較（Posteriori Comparisons）。
在事後比較的方法中又分為 LSD、HSD（Tukey 法）、及雪費法
（Scheffe’s Methed），其中在 LSD 法中主要是在變異誤的估計上作處 理，但無法多次比較而調整檢定的觀察顯著水準（p）；而雪費法具體 來說，所檢定的顯著水準是設計成可以檢定組別平均的每一種線性組 合，可以廣泛的適用成對比較與各種複雜比較，惟如果當 F 考驗不顯 著時，雪費法考驗亦不會顯著，是較嚴格、檢定力最低的一種多重比 較，而如果只想要單純進行兩兩配對比較，則應採用 HSD，也可以得 到嚴謹的檢定結果，爰此，在本研究採 F 考驗有達顯著水準時，將採 以 HSD（Tukey 法）進行事後比較。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章 研究設計
三、結構方程模式（Structural Equation Modeling, SEM）
結構方式模式是用來處理複雜的多變量研究數據，結合了徑向分 析（Path Analysis）與因素分析，用來檢定觀察變數與潛在變數之間的 因果假設關係，而該假設係由研究者依理論或概念建構而成，先行指 出建構維度（概念變數）與方向（概念），透過操作性定義概念，再設 計相關問項，提出各建構間因果關係之研架構，分為應變數（果，內 生變數）與獨立變數（因，外生變數）再對每個依變數指定會對它產 生影響的路徑，有關 SEM 的建模步驟如下圖：
圖 4-6 SEM 建模流程示意圖 資料來源：陳順宇（2007：1-5），本研究繪製。
在建構間的理論關係則組成 SEM 模式的結構方程模式，在測量變 數與建構間的關係組成 SEM 的測量系統部分，相較於傳統的統計方 法，其特點是可以同時完成測量系統與因果關係，將數學式所展現自
在建構間的理論關係則組成 SEM 模式的結構方程模式，在測量變 數與建構間的關係組成 SEM 的測量系統部分，相較於傳統的統計方 法，其特點是可以同時完成測量系統與因果關係，將數學式所展現自