第三章 研究方法與問卷設計
3.1 研究模式之分析方法
3.1.2 模式適配度評鑑與信效度分析
模式適配度評鑑可分成兩個部份進行討論，分別為模式內在結構之適配以及 整體模式適配。模式內在結構適配度牽涉模式內在品質之良萎；整體適配則為檢 定理論假設模式與實際蒐集資料之合適程度，可視為一種模式外在品質的評鑑。
本小節將分別從模式內在以及外在品質考驗方法進行討論。
一、模式內在結構適配度
模式內在結構適配度包含對測量模式以及結構模式之評鑑兩部分，以評量各 估計參數之顯著性、各指標及潛在變項之信度或效度等，主要可透過信度與效度 分析來進行模式內部考驗。測量模式評鑑主要用於觀察研究所使用之觀察變項是 否有足夠反應潛在變數的能力，故需了解潛在建構之信度與效度；結構模式評鑑 則可顯示理論建構之因果關係成立與否。以下分述常使用之信效度分析方法。
(1) 個別觀察變項之項目效度與信度(validity and reliability of individual observed variable)
個別觀察變項之效度可藉由檢定每一個潛在變項與其觀察變項間之係數大小 與顯著性進行評鑑，亦即檢定潛在變項與其指標變項間之關係係數是否具顯著水 準，此係數又可稱作因素負荷量。若因素負荷量可達顯著水準(p<0.05，t 絕對值大 於 1.96)，表示各觀察變項能有效地反映所對應之潛在變項。個別觀察變項之項目 信度則為個別觀察變項之R2值，其值同於各別觀察變項因素負荷量之平方值，較 嚴格的採用標準為大於0.5，即觀察變項因素負荷量數值至少需達 0.71，然而此嚴 格性常會導致建構之觀察變項不易達到要求標準，故有學者採取較為溫和之標 準，認為因素負荷量達 0.45，也就是個別項目信度達 0.2 即可達到適配之要求(黃 芳銘，民93；吳明隆，民 98)。
(2) Cronbach’s α 值
Cronbach’s α 值為最常使用之信度考驗方法，可用來檢視研究工具的可靠性或 穩定度(吳明隆，民 96)。在一健全的問卷量表中，若採用多個問項來衡量同一性質 之構念時，各問項之間內部應具有良善的一致性或同質性，Cronbach’s α 即可用於 處理因素之信度。Cronbach’s α 係數之計算方法：
2
2
= ( k ) (1 ) k-1
i t
(3-1) 其中，k：量表中所包含之問項數
i2：所有樣本在第i 個問項的變異數， i = 1, 2, 3, …, k
t2：所有問項總分的變異數Cronbach’s α 係數值越大，表示問卷量表之內部一致性越好，然而其值要達多 少才算是高的信度，學者間抱持著不同的看法，一般而言，α 值落於 0.5 至 0.7 範 圍最為常見，大於0.7 表示信度高，小於 0.3 時表示信度不足。事實上，結構方程 模式本身亦發展出可檢定潛在變項之信度指標，稱為組合信度(composite reliability, CR)，或稱建構信度(construct reliability)，將於下點進行說明。
(3) 潛在變項之組合信度(composite reliability, CR)，或稱建構信度(construct reliability)
組合信度主要用於檢定因素之信度，為潛在變項之信度指標，用意在評判每
(4) 潛在變項之平均變異數萃取量(average variance extracted, AVE)
潛在變項之平均變異數萃取量是表示透過觀察變項，可以測得多少百分比之 潛在變項，也就是個別潛在變項之變異可以被其觀察變項解釋的程度。若其數值 越高，表示觀察變項能有效反映潛在變項，則潛在變項就有越好之收斂效度 (convergent validity)，一般建議該數值應大於 0.5，計算公式如式 3-3。
潛在變項間路徑關係之顯著性、方向或正負號正確與否、以及內生潛在變項解釋 能力。若估計參數(路徑係數)達顯著水準(p<0.05，t 絕對值大於 1.96)且方向正確，
顯示所建構之理論關係可受到蒐集資料之支持，而R2值越大，表示解釋力越強。
二、模式外在結構適配度
模式外在結構適配度亦代表整體模式之適配程度。相較於模式內在品質評 鑑，整體適配評鑑因各家學者主張不同而發展出各式指標，也因此至目前尚未產 生較具共識之決定性指標。大抵上整體適配指標可分為絕對適配指標(absolute fit measures) 、 相 對 適 配 指 標 (comparative fit measures) 、 以 及 簡 約 適 配 指 標 (parsimonious fit measures)三類。絕對適配指標重視的是重製相關係數或共變數的 能力，可用以決定由理論所建構出之模式能預測觀察共變數或相關矩陣的程度，
如卡方值、卡方自由度比率、GFI、AGFI、與 RMSEA 等；相對適配指標又可稱作 增值適配度指標(incremental fit measures)，是一項比較性之指標，比較基準為基準 線模式(baseline model)，其為一種假設所有觀察變項彼此獨立、不相關之模式，而 相對適配指標顯示的即是理論模式對基準線模式的改進程度，如CFI、TLI 等；簡 約適配指標用於顯示模式之精簡程度，如PNFI、PGFI、以及 AIC 等，可用於比較 模式，由於若當幾個競爭模式與理論模式均具理想之契合度時，依照簡約原則 (principle of parsimony)，最簡單的模式應為首選(吳明隆，民 98；周子敬，民 95；
邱皓政，民92；黃芳銘，民 93；榮泰生，民 98；顏立杰，民 100)。以下研究所使 用之指標進行介紹並整理至表3.1。
(1) 概度比率卡方考驗值(χ2)
概度比率卡方考驗值用於說明理論模式與觀察資料之適配程度，是所有整體 適配的最原始測量指標。卡方值被視為一種差性適配指標(badness-of-fit)，故若值 越大、達到顯著水準表示模式的表現越不良，理論模式與觀察資料差異越大。一 般建議 χ2的顯著水準應大於 0.1 或 0.05，然而卡方值對樣本數多寡非常敏感，樣 本數越大，會容易獲得卡方值達顯著水準之結果，因此當使用真實世界的數據資 料來評鑑模式時，卡方值的統計結果實質助益不大。
(2) 卡方自由度比率(χ2 / df)
不單檢視卡方值，同時考量卡方值與自由度大小的觀點亦是一項可用來評判 理論模式與觀察資料契合程度之指標。卡方自由度比越小，表示模式契合度越好。
卡方自由度比在5 以內皆算可接受之範圍，若大於 5，表示整體模式適配度不佳。
(3) RMSEA
RMSEA 為近似誤差平方根(root mean square error of approximation)，其值較不 受樣本數與模式複雜度的影響，因此與卡方值比起來較具穩定性。當模式完全適 配時，RMSEA 值等於 0，因此其值越小表示理論模式契合度越好。一般而言，當 其數值大於0.1 時模式適配度是欠佳的，0.08 至 0.1 間表示模式尚可，為普通適配，
0.05 至 0.08 之間表示模式良好，有合理適配，若小於 0.05 表式適配度非常良好。
普遍上學者認為 RMSEA 表現比其他指標好，因此其值通常被視為最重要之適配 指標訊息，是一個受到高度重視的整體適配度指標(吳明隆，民 98；周子敬，民 95；
邱皓政，民92；黃芳銘，民 93)。
(4) GFI 與 AGFI
GFI 為良適性適配指標或適配度指數(goodness-of-fit index)，可看出理論模式 共變數能夠解釋觀察資料共變數的程度，類似於迴歸分析之R2值。GFI 數值越小，
模式表現越不良，若趨近於 1，表示模式之適配越好，一般判斷標準為大於 0.9。
然而 GFI 值容易受樣本數影響，故產生利用理論模式之自由度與變項個數之比率 調整GFI 值的 AGFI 值，稱作調整後良適性適配指標或調整後適配度指數(adjusted goodness-of-fit index)，近似於迴歸分析之調整後可解釋變異量(adjusted R2)，AGFI 值通常會小於 GFI 估計值，其值越接近 1 表示模式有良好適配，一般判別方法同 於前者，為大於0.9。
(5) ECVI
ECVI 為期望複核效度指標(expected cross-validation index)，用來評鑑複核效度 適當性之指標，量測理論模式與觀察資料之差異，可應用到另一批觀察資料的程 度，換句話說，該指標可考驗同一個理論假設模式適配於從同一母體抽取不同樣 本之能力，此即為複核效度或跨效度之效益。由於ECVI 值非落於 0 至 1 之範圍，
一般而言其值越小越好，且常用於不同模式間適配之比較，若其值越小，表示理 論模式具有預測效度。
(6) TLI
TLI(Tucker- Lewis index)又名非規範適配指標(non-normed fit index, NNFI)，是 規範適配指標(normed fit index, NFI)之修正，將模式自由度與複雜度納入考量，反 應理論假設模式與基準線模式的差異程度(由理論模式之 χ2 / df 值與基準線模式之 χ2 / df 值相比)。TLI 值越高代表模式適配越高，通常以 0.9 為判定標準。然而 TLI 數值有可能會比其他係數指標低，導致其他指標均顯示理論假設模式在契合的情 況下，產生TLI 值顯示適配度不理想的矛盾現象(吳明隆，民 98)。
(7) CFI
CFI 為比較適配指數(comparative fit index)，亦是一項改良 NFI 之指標，數值 介於0 至 1 之間，主要用於呈現理論假設模式相較於基準線模式的改善程度。CFI 值越大，表示模式適配度越好，一般以大於0.9 作為接受標準。CFI 值雖廣泛被應 用，但有學者表示相較於驗證性情境，CFI 似乎較適用於探索性(周子敬，民 95)。
(8) PNFI
PNFI 全名為簡效規範適配指標(parsimonious normed fit index)，為 NFI 之調整 值，將 NFI 再乘以理論假設模式自由度與基準線模式自由度之比值，以考慮到模 式的簡效度。PNFI 值越高越好，一般採用 0.5 以上為模式接受標準，可用於比較 競爭模式。
(9) PGFI
PGFI 為簡效適配度指標(parsimony goodness-of-fit index)，為 GFI 之變形，性 質與PNFI 類似，考慮模式中估計參數之多寡，用於反應理論假設模式的精簡程度，
其值介於0 與 1 之間，值越趨近 1 表示模式越好、越精簡，可作模式比較之用，
若作為檢視模式是否可接受時，普遍採用0.5 以上。
(10) AIC 與 CAIC
AIC 為 Akaike 訊息標準指標(Akaike information criterion)，可測量模式之精簡 適配，並同時將待估計參數個數考量進模式適配程度，其值越小代表模式適配程 度越高且有較佳之簡約度。同樣性質的指標為CAIC(consistent Akaike information criterion)，持續 Akaike 訊息標準指標，為 AIC 調整後之數值，即再考量到樣本大 小效果，值越小表示模式越精簡。AIC 與 CAIC 之數值範圍並不在 0 至 1 之間，故 下限值未定，也因此較常用於模式比較，值越小則表示模型越好。
在上述眾多指標中，目前最常見的整體模式契合度指標為較傳統的卡方值、
卡方顯著性、與卡方自由度比率外，還有CFI 以及 RMSEA 指標(邱皓政，民 92)。
雖各適配度指標皆有其明確意義存在，但尚無絕對標準值來判定觀察資料與建構 模式間之適配程度，也沒有一個強而有力的理論基礎來支持數字背後的意義與使 用原則，因此結構方程模式的檢驗應以理論作依歸，兼顧理論的合理性以進行統
雖各適配度指標皆有其明確意義存在，但尚無絕對標準值來判定觀察資料與建構 模式間之適配程度，也沒有一個強而有力的理論基礎來支持數字背後的意義與使 用原則，因此結構方程模式的檢驗應以理論作依歸，兼顧理論的合理性以進行統