第三章 研究方法
第五節 樣本取得
式（structural equation model, SEM,又稱 LISREL）等。因為本文主要以線性結構 模式進行分析，將介紹SEM 之優點及必要性和 SEM 之概念。
一、應用線性結構方程模式之優點及必要性
傳統上，分析一個因果模式所採用的統計方法為路徑分析（path analysis），
它是一種將觀察變項間的關係以模型化的方式來進行分析的一種統計技術，由一
本研究為了瞭解媒體資訊、經紀人特質、品牌形象、消費者態度與委託意願 之間的因果關係，將媒體資訊、經紀人特質設為外生潛在變數，而品牌形象、消 費者態度與委託意願為內生潛在變數，故以線性結構方程模式來設定模型，並藉 此估計其測量誤差，進而探討本研究之假設是否能得到驗證，以作進一步的分析。
二、線性結構方程模式之概念
線 性 結 構 方 程 模 式(LISREL)是綜合兩種型態的模式，它包含測量模式
（measurement model），也就是觀察變數與潛在變數間的關係，另一種模式為結 構模式（structural model），即潛在變數間的關係。5
線性結構關係模式也是結構方程模式的一種，它有很多別名，如共變異數結 構分析(covariance structure malysis)，潛在變數分析(latent variance ma1ysis)，驗證 性因素分析(confirmatory factor analysis)，而常聽到的是 LISREL，此名來自有名 的套裝軟體。它是多變量分析中應用範圍涵蓋相當廣泛的一種分析工具，很多統 計分析方法都是它的分枝，就像一般化線性模式(或稱廣義線性模式，GLM)包羅 了迴歸分析、變異數分析、共變異數分析一樣，LISREL 也包含路徑分析(path analysis)及驗證性因素分析 (confirmatory factor analysis)等。(1)徑向分析(或稱因 果模式(causal model))：是對一組可觀測變數間線性系統方程組的因果關係，它 由多組竣迴歸方程式所組合而成;(2)驗證性因素分析:是因素分析的擴展，它對一 組變數之間因素結構驗證(即做假設之檢定工作)。（陳順宇，2005）
線性結構方程模式是探討變數之間的線性關係，並對顯性變數(manifest variable)(可觀測變數)與潛在變數(latent variable)(不可觀測變數)之因果模式做假 設之檢定，融合了因素分析（factor analysis）與路徑分析（path analysis）兩種統 計技術。潛在變數又分為外生變數（exogenous variables）與內生變數（endogenous variables）兩大類，外生變數是促使內生變數跟著變化的原因，而內生變數則是 隨著外生變數變化的結果。而結構方程模式是以迴歸為基礎的多變量統計技術，
主要在探討潛在變數與潛在變數之間，是否具有直線關係以建立理論的一種統計 方法。結構方程模式之分析步驟如下：1.發展理論模式；2.建立因果關係路徑圖 及細列估計參數；3.評估模式的辨認；4.進行參數估計；5.評鑑模式的配適度。（陳 順宇，2005）
LISREL 的完整模式如下列三個方程式表示：
結構模型方程式：
結構模型方程式是對外生潛在變數（
ξ
）與內生潛在變數（η
）間提出一假 設性的因果關係式，其可表示為：
η
= Bη
+Γξ
+ζ
或B η
=Γξ
+ζ
（3.1）測量模型方程式：
分成兩部份，一部份為內生變數的測量，一部份為外生變數的測量，內生變 數的測量說明了內生潛在變數（
η
）與內生顯性變數（ y ）之間的關係，外生變 數的測量說明外生潛在變數（ξ
）與外生顯性變數（x）之間的關係，其可表示 為：ε η
+ Λ= y
y
（3.2）δ ξ
+ Λ= x
x
（3.3）ξ
(xi)是指潛在外生變數，η
(eta)是潛在內生變數，Γ (gamma) 是潛在外生變 數對潛在內生變數之影響效果的係數矩陣， B (beta) 是潛在內生變數對潛在內生 變數之影響效果的係數矩陣，ζ
(zeta)是指「殘餘誤差」向量。其後兩個方程式 則是反應觀察變項與潛在變數的測量模型， y 是顯性內生變數，Λ (lambda y)是y 描述 y 與η
之關係的因素負荷係數矩陣，ε (epsilon)是 y 的測量誤差。x是顯性外 生變數，Λ (lambda χ)是描述x x與ξ
之關係的因素負荷係數矩陣，δ (delta)是x的 測量誤差。在評估模式的辨認方面，可分為測量模型與結構模型來說明。6一個結構方 程模型可能包括了多組測量模型，對於每一個測量模型的辨識性，應符合辨識性 原則，否則可能影響整體模型評估的穩定性。一個理想的測量模型，應是潛在變 項所影響的每一個觀測變數的因素負荷量越接近1，且需達到統計的顯著性。此 外，只有一個潛在變數的測量模型，至少要有三個測量變項才能滿足測量模式的 辨識性。同時這三個測量變項的因素負荷量都必須不等於0，且測量殘差之間沒 有任何相關的假設。結構模型的辨識性決定於內生變數之間的關係的假設。
6 SEM 分析的一個重要技術問題，是要讓一個 SEM 模型具有統計與方法上的可辨識性，使各項 估計程序與統計決策過程可以順利進行，稱為模型辨識（model identification）。（邱皓政，2003）
如果內生變數彼此之間具有特定的預測關係假設，此時需檢驗這些預測關係 是否屬於遞迴模式（recursive model）的路徑模型，如果該結構模型是遞迴模式，
此時結構模型仍然可以辨識。7而在參數估計方面，有許多方法可用以估計各參 數如無加權最小平方法（ULS）、一般化最小平方法（GLS）、最大概似法（ML）、
漸近分配自由法（ADF）‥‥等，這些不同方法的共同點，是求取觀察的與估計 出來的共變結構之間的差異的最小值，來導出各參數的最佳估計數。而本文使用 ML 法來進行參數估計，其基本假設是觀察數據都是從母體中抽取得到的資料，
且所抽出的樣本必須是所有可能樣本中被選擇機率最大者，則估計的參數即能反 應母體的參數。最後則為評鑑模式的配適度，SEM 可透過不同的統計程序或配 適度指標的計算，研判假設模型與實際觀察資料的契合情形。
如果模型配適度不理想，代表其假設模型可能存在某些問題，可能是模型的 設定、參數的估計‥‥等，可運用模型修飾的原則，重新加以估計。8本研究採 用之配適度標準，在基本適合度除了觀察衡量誤差以外，還有因素負荷量之數 值；整體適合度則以χ2值、卡方自由度比（χ2/df
）
、GFI、AGFI、CFI、NFI、IFI、RMR、RMSEA 為判斷指標；內在配適度則以個別項目信度、組合信度、萃取變 異量為判斷指標。
Bagozzi（1988）認為必須從基本的適配標準、模式內在結構配適度及整體 模式適配度三方面來衡量如表 3-7。在評估上，卡方值必須不顯著，但卡方值本 身會對樣本數的大小極為敏感，容易得到具顯著差異的結果(Hoyle, 1995)，因此 僅以卡方值檢定並不足以判斷模式不具有適合度。一般常用的規則為卡方值/自 由度的比率：一個小於 5(最好是 3)的值可以作為判斷模式是否可接受的參考
（Joreskog and Sorbom,1993）。此外，各項適配度指標必須愈大越好，大於 0.9 是 較好的情況。RMR 代表觀察變數之共變異矩陣和資料數據矩陣間差異平方的平 均值，當其值小於0.08(最好是 0.05)時表示模式適合度佳。這些評估模式好壞的 指標是當被選用的準則，而可以交互配合的使用。本研究參考前述學者將評鑑標 準整理如下：
7遞迴模式模型中，變項的因果關係是單一方向，預測殘差項是彼此獨立的獨立殘差模型，即沒 有回溯關係、沒有干擾殘差的相關假設。
8如果參數估計的結果不如理想，也就是說理論模式與觀察資料的配適度不足時，可以利用不的
(一)、基本配適度 1.誤差變異數
誤差變異數，無負值，且逹顯著水準。若變異數估計值為負值(也稱為 heywood cases)，處理方式是將此變異數固定為很小正數，如0.005。
2.因素負荷量
Lambda X（因素負荷量）及Lambda Y（因素負荷量），介於0.5～0.95之間為 理想值。
(二)、整體模式配適度
1.卡方統計量（Chi-square statistic）
在SEM分析當中，最常用的模型評鑑方式是卡方統計量。在SEM中，卡方值 是由契合函數（function for fitting covariance structures）所轉換而來的統計量，反 應了SEM假設模型的導出矩陣與觀察矩陣的差異程度。也就是要檢定預測模式的 共變異情形和實際資料數據間的模式之差異性。而所得到的卡方統計量必須不顯 著，才能表示預測模式和實際資料的模式是沒有差異的。然而，卡方分配與樣本 數有極大的關係，當樣本愈大，所累積的卡方值也就愈大，因此使用SEM者除了 會使用卡方統計量以外，也會觀察其他契合度指標。
2.卡方自由度比（χ2/df）
在SEM分析中，還可計算一個卡方自由度比，來進行模型間契合度的比較。
卡方自由度比愈小，表示模型契合度愈高，反之則表示模型契合度愈差。一般而 言 ， 卡 方 自 由 度 比 小 於3 時 ， 表 示 模 型 具 有 理 想 的 契 合 度 （ Joreskog and Sorbom,1993）。
3.適合度指標（goodness-of-fit index,簡稱GFI）
GFI類似於迴歸分析當中的可解釋變異量（R2），表示假設模型可以解釋觀 察資料的變異數與共變數的比例。一般需要大於0.9才可以視為具有理想的契合 度（Hu and Bentler, 1999）。
4.調整後適合度指標（adjusted GFI,簡稱AGFI）
AGFI類似於迴歸分析當中的調整後可解釋變異量（adjusted R2），在計算GFI 係數時，將自由度納入考慮之後所計算出來的模型契合度指數，當參數愈多時，
AGFI指數數值愈大，愈有利於得到理想的契合度結論。一般需要大於0.9才可以 視為具有理想的契合度（Hu and Bentler, 1999）。
5.比較配適指標（comparative-fit index,簡稱CFI）
另一個常用的指標為CFI指標。CFI指標反應了假設模型與無任何共變關係的 獨立模型差異程度的量數，也考慮到被檢驗模型與中央卡方分配的離散性。一般 需要大於0.9才能表示模型契合度十分穩定。
6.基準配適度指標（normed fit index,簡稱NFI）
NFI指標反應了假設模型與一個觀察變項間沒有任何共變假設的獨立模型的 差異程度。也就是計算假設模型的卡方值與虛無模型的卡方值的差異量。其係數 值需大於0.9才可視為具有理想契合度（Hu and Bentler, 1999）。
7.NNFI指數（non-normed fit index,簡稱NNFI）
在小樣本與大自由度時，對於一個契合度理想的假設模型，以NFI來檢驗配 適度會有低估的現象，故又提出了NNFI指數，考量了自由度的影響，可避免模 型複雜度的影響。
8.增值適配指數（incremental fit index,簡稱IFI）
8.增值適配指數（incremental fit index,簡稱IFI）