成績分數之迴歸預測模型

在經過信度分析的檢驗篩選後，接著要執行最後的迴歸分析試驗，在此統計 試驗研究中成績分數將扮演著依變數的角色，至於前面透過因素分析所形成的四 大構面，學習投入、自我要求、趣味享受、社群互動則是自變數項，也因為自變 數為複數個，因此在這邊的迴歸分析將會採用複回歸分析法。將依變數與變數項 丟進迴歸統計執行完後，其結果於下方透過表格與圖表呈現。而首先需要看到的 是整個迴歸模型之顯著性，也就是需判斷其模型是否具有意義存在，可在下方表 格中看到整體模型之顯著性是 0.00，也就是說小於 0.05 的它具有顯著性，因此

因此需採用調整後的 R 平方，其值為 0.554，代表對於樣本之解釋力為

變數項都給視覺化出來表示，因為經過研究與討論後發現其顯著性主要可能是因 為樣本數不足的因素所造成，因此這部分先暫做保留，觀察後面是否還能繼續往 下探討研究。

表格 4.5-2 迴歸模型之構面係數

模型 非標準化係數 標準

化係 數

T 顯著

性

B 的95.0%

信賴區間

相關 共線性統計

資料

B 標準

錯誤

Beta 下限 上限 零階 部分 部分 允差 VIF

（常數） 3.3E-16 .134 .000 1.000 -.279 .279

自我要求 .216 .181 .169 -1.192 .247 -.595 .162 -.277 -.258 -.162 .922 1.085 學習投入 .817 .163 .771 5.002 .000 .477 1.158 .755 .745 .682 .781 1.280 趣味享受 -.038 .177 -.033 -.217 .831 -.407 .331 .329 -.048 -.030 .797 1.255 社群互動 -.220 .149 -.208 -1.478 .155 -.530 .090 -.048 -.314 -.201 .941 1.063 a.   應變數: 線上成績分數

圖表 4.5-1 四大構面與成績之因果權重圖

當 VIF 大於 4、允差小於 0.5，都代表出現共線性問題。而表格中的四個構面變

配 P-P 圖則是可明顯看出為常態分配，主因在於當點分佈情形趨近唯一條線 時，殘差值就越逼近常態分配。也因此由上述兩點判斷其殘差值為常態分配。

圖表 4.5-2 殘差分佈與常態檢測

而經過上述的分析結果，可發現到最後的預測模型並不如預期中的順利完 美，因為在四個變項中就多達三個變項『社群互動』、『趣味享受』、『自我要求』

不具顯著性，也就是說最後只剩下『學習投入』能夠去預測到最後的『成績分 數』而已，因此必須再針對這個預測模型去做改良變化。首先將模型拆解掉，打 破原本四個自變項對一個應變項的限制，分別針對四個自變項的排列組合去執行 迴歸分析，由於前因後果的排序與四種變項的組合最後可得出 12 種排列組合，

故我們就將這 12 種組合放入到迴歸分析中去執行分析，而在最後在結果中顯示 了只有趣味享受與學習投入的組合具有顯著的迴歸性，其迴歸係數為 0.429。因 此這時需要考慮思考的就是到底誰是因誰是果，究竟學生是因為覺得有趣而更加 投入學習，亦或者因為學生大量的投入學習會覺得更有趣呢。所幸在文獻的探討 中可找到針對於這個議題的相關論證，在眾多研究都顯示出前者的情形較為合 理，因為在學習過程中趣味本身時常代表了學習動機，因此學習動機的強烈會影 響到其投入意願及程度的多寡，故在這邊也就選擇趣味享受為因，而學習投入為 果。接下來我們需要將學習投入對成績分數的回歸預測模型結果合併之，由於學 習投入本身即可得知對成績分數具有顯著性，因此需要做的事情就是重新再執行

Edventure 的投入度，最後投入的差異即反映在 Edventure 的分數成果上。儘管 目前模型解釋力不夠高，但也都具備足夠的顯著性了，因此最後這個結果這也就 是 Edventure 的行為分析預測模型。

表格 4.5-5 趣味對投入與投入對成績之迴歸分析

圖表 4.5-3 投入與享受對成績之迴歸模型