模式驗證之方法

以下分別就結構方程模式之參數校估與模式適配度評鑑進行相關說明。

一、參數校估：

參數估計主要目的即在於找尋與樣本資料共變異矩陣差異最小之參數估計 值。SEM 之校估方法是依照假設之模式重製一相關矩陣使其與原相關矩陣愈接近 愈好，即找尋最適之參數估計值使適配函數可獲得最佳解；而適配函數乃依據理論

所估計出來的共變異矩陣（∑(θ)）與由實際觀察資料所得到之共變異矩陣（S）差 異之函數，因此當兩共變異數矩陣完全符合時，適配函數得值為0。函數的計算方 式則先設定參數起始值，利用疊代法(Interative)反覆求解直至收斂為止。

一般來說，參數校估方法主要分為最大概似(Maximum Likelihood，簡稱 ML) 法與一般化最小平方(Generalized Least Squares，簡稱 GLS)法，其間的差異即在於 對於適配函數的設定不同。ML 法是在樣本符合多元常態分配下進行重製∑(θ)之參 數估計方法，其適配函數方程式表示如下：

( )

(

( )

)

^{( )}

F

min _ML tr ¹S

一般化最小平方法則以漸進共變異矩陣作為權重求取適配函數最佳解，其適配 函數為：

( ) (

( ) )

GLS 2

F 1

min θ = tr I − S ⁻ ∑ θ

本研究使用之LISREL8.54 版軟體內建之估計參數法為 ML 法，因此後續模式 參數乃以ML 法估計之。

二、模式適配度評鑑：

模式適配度評鑑的目的乃是要從各方面來評鑑理論模式是否能解釋實際測量 所得的資料，或加以衡量理論模式與實際測量所得資料之間的差距，Bagozzi 與 Yi 建議模式適配度可從二方面來評鑑[29]：

(一)模式內在結構適配度：

良好之測量模式與結構等式模式，必須滿足兩點要求：(1)研究模式中各觀 察變數必須能正確測量各潛在變數；(2)同一觀察變數不能對於不同的潛在變數 都產生顯著的負荷量。為了檢查是否符合這兩點要求，一般會使用四個指標來 衡量：

(1)個別項目之信度(Individual Item Reliability)

即為個別觀察變數之R²值，應達0.5 以上為佳。

(2)潛在變數的混合信度(Composite Reliability)

潛在變數的混合信度是其所有的觀察變數之信度組成，若以ML 法來 估計參數時，其數值相當於該潛在變數所屬觀察變數的 Cronbach’s α係 數。Fornell[74]建議該值達 0.6 以上為佳。

(3)潛在變數之平均變異萃取估計量(Average Variance Extracted)

平均變異萃取估計量是計算潛在變數之各觀察變數對該潛在變數之 平均變異解釋力。若潛在變數之平均變異萃取估計量越高，則表示潛在變 數有越大之收斂效度及區別效度，Fornell 與 Larcker[74]建議其需大於 0.5。

(4)估計參數的顯著水準

該指標是指檢定觀察變數對潛在變數的因素負荷量是否達到顯著水 準，意指t 值的絕對值至少要大於 1.96，此為信賴水準α為 90%時之顯著 理想值。

(5)標準化殘差

當殘差愈小，表示測量所得之模式接近理想模式，而由於殘差大小會 隨觀察變數的量尺而改變，因此將變數的適配殘差除以其漸進標準誤而得 標準化殘差；Jöreskog 與 Sörbom 認為標準化殘差的絕對值小於 2.58 即可。

(二)整體模式適配度

統計學者建議之評鑑模式的整體適配度指標不一而足，常見之SEM適配度 指標如表3.3 所示，其中，以卡方值(χ²)及卡方值對自由度(Degree of Freedom，

簡稱df)之比值最為重要。以下則分述各種指標內容[29]：

(1)卡方檢定(χ² test)

適配度分析是以研究模式與觀察資料間無顯著差異為虛無假設進行 卡方考驗，因此若模式與資料間有良好適配度，測驗統計量之p值應大於 0.05 的顯著水準。χ²值越大表示模式的適配度越差、顯著水準p就愈大。

反之，χ²值越小表示模式的適配度越佳進行 檢定結果，卡方值越大表示 模式越不合適，反之，越小則表示模式適合情形越好。然而卡方值對於大 樣本與偏離常態分配極為敏感，樣本數大時易使卡方值相對增加而增加拒 絕虛無假設之機率，因此，在樣本數多或資料偏離常態分配嚴重時，檢定 將不適用。

(2)卡方檢定值與其自由度比值(

df χ2

) 有鑑於(χ²)之缺點，Jöreskog[88]建議

df χ2

值為更適合之衡量指標卡方 檢定值與其自由度的比值表示在估算模式時，每使用一個自由度所增加的 卡方值。Wheaton提出卡方值在自由度的 5 倍以內即是合理。而亦有 Tanaka[112]與Browne、Cudeck[64]等研究提出卡方值與自由度之比例低於 2 之模式適合度極佳。

(3)適配度指標(Goodness of Fit Index，簡稱 GFI)

Tanaka 與 Huba[111]提出之 GFI 值為量測適合度之指標。基本的方式 是將自由度納入考慮，將卡方值轉換為介於0 至 1 之間的指標，分別表示 模式完全不適配到完全適配的不同程度。GFI 值與樣本數無關，其對偏離 常態分配具穩健性(Robustness)，GFI 值介於 0 至 1 之間，當值越大（越接 近1）時，表示模式適合度不錯，一般取 GFI 大於 0.9 為佳。

(4)調整後適配度指標(Adjusted Goodness of Fit Index，簡稱 AGFI)

Tanaka 與 Huba[111]建議 GFI 值可類似於迴歸分析中之 R2 進行調整，

亦即考慮參數估計個數，以自由度進行修正。因此，AGFI 值即考慮自由 度之適度指標。

(5)基準適配指標(Normed Fit Index，簡稱 NFI)

NFI是以理論模式的χ²值與基準線模式的χ²值相比所得的指標，由於 基準線模式²的適配度將是最差的模式結果狀況，因此NFI可視為理論模式 的增值適配度；Bentler與Bonett[62]認為其適配值大於 0.9，表示模式的適 配度極佳。

(6)非基準適配指標(Non-Normed Fit Index，簡稱 NNFI) NNFI 是以理論模式的

df

χ2 值與基準線模式的

df

χ2 值相比所得的指 標，其指標值大於0.9 為佳。

(7)比較適配度指標(Comparative Fit Index，簡稱 CFI)

CFI 將 NFI 加以修改，具備更穩定的特性，其適配度須大於 0.9。

(8)殘差均方根(Root Mean Square Residual，簡稱 RMR)

RMR 是適配殘差變異-共變數的平均值的平方根，反映的是觀測資料 的變異-共變數與推估的變異-共變數的殘差大小，可用來評估同一組資料 的兩個不同模式擬合的情形，RMR 值越接近 0 表示模式適合度越佳，一 般而言取RMR 小於 0.05 方可接受；若以變異數共變數矩陣作為模式的分 析矩陣時，則RMR 值的意義較難判定，可取標準化 RMR(SRMR)小於 0.05

2 基準線模式為假定各變項間完全無相關之模式。

作為判斷準則。

表3.3 SEM 整體適配度指標判斷準則表

SEM 適配指標 建議值

χ² (Chi-square) 卡方值越小越好 χ²/df (卡方值除以其自由度) 2 以下極佳 Goodness of Fit Index (GFI) 0.9 以上 Adjusted Goodness of Fit Index (AGFI) 0.9 以上 Normed Fit Index (NFI) 0.9 以上 Non-Normed Fit Index (NNFI) 0.9 以上 Compared Fit Index (CFI) 0.9 以上 Root Mean Square Residual (RMR) 0.05 以下