第三章 研究方法與設計
第六節 正式調查與資料分析方法
一、 正式問卷調查
(一) 本研究之正式問卷如附錄所示。
(二) 抽樣日期：本研究正式問卷於 2012 年 4 月 14 日至 4 月 21 日發放。
(三) 抽樣方式：非隨機抽樣法中之便利性抽樣法。
(四) 發放對象：在剝皮寮歷史街區範圍內活動的 16 歲以上14的造訪者。
(五) 抽樣數量：共發放 440 份問卷，平日問卷數量佔 30%，假日問卷數量佔 70%，去除填答不完整15及無效問卷後，得到有效問卷 404 份，
回收率 91.8%。
二、 資料分析方法
本研究以 SPSS19 及 LISREL8.8 作為資料分析工具。依據資料目的的不同，
採用以下幾種統計方法：
(一) 以次數、百分比呈現造訪者背景資料。
(二) 以平均數、標準差、偏態、峰度呈現造訪者在資訊來源、造訪動機、地方 意象、襲產認同、行為意圖等問項中的作答題概況。
(三) 進行探索性因素分析時，樣本最好應有 100 個或以上的觀察值(黃俊英，1995:
209)。若要追求穩定的 SEM 分析結果，低於 200 的樣本數是不鼓勵的(邱皓 政，2003: 1.18)。因此本研究將 404 份樣本，隨機抽樣法抽取三分之一(134 份)進行探索性因素分析，另外的三分之二(270 份)進行驗證性因素分析及 結構方程模式(SEM)分析。
(四) 使用探索性因素分析(EFA)的主成分分析(Principal Component Analysis)，並 以直交轉軸法(orthogonal rotation)中的最大變異法(Varimax)進行因素分 析，以取得各量表之因素構面。
14 考量受試者填寫問卷的身心成熟度，故不對 15 歲以下的造訪者發放問卷。
15 進行 SEM 分析時，不能有遺漏值，因此本研究回收問卷中，若個人資料之外的問項有遺漏 值，本研究採用表列刪除法(listwise deletion)予以刪除。表列刪除法就是當任何一個變項有遺漏 值時，屬於此遺漏值的受試者就被排除而不加以計算，也就是說，任何一個受試者必須完整填 答所有要分析的變項，才會被用來做分析(黃芳銘，2007: 98)。
48
(五) 利用結構方程模式中的測量模式進行驗證性因素分析(CFA)，再度確認各因 素的信效度。
(六) 以結構方程模式(SEM)中的結構模式確認資訊來源、造訪動機、地方意象、
襲產認同、行為意圖彼此之間的影響性，主要目的為驗證本研究提出的概 念架構是否具有信效度，並檢驗襲產認同在本研究中對地方意象與行為意 圖是否產生中介影響。
(七) 使用獨立樣本 t 檢定(t-test)及單因子變異數分析(one-way ANOVA)，檢測不 同背景的造訪者在地方意象上是否有所不同，若 P < 0.05 則進行事後比較。
三、 本研究之主要統計方法詳細過程 (一) 探索性因素分析
(一) 相關係數適切性的判斷
測量變項的相關情形可以透過 Bartlett 球形檢定與 KMO 檢定及共同性 指數來檢驗。
(1) Bartlett 球形檢定(Bartlett’s test of sphericity)：
由於因素分析使用相關係數作為因素抽取的基礎，一般而言，相關矩 陣中的相關係數必須顯著的高於 0，某一群題目兩兩之間有高相關，顯示 可能有一個因素，多個群落代表多個因素。如果相關係數都偏低且接近，
則因素抽取越不容易，Bartlett 球形考驗即可用來檢驗是否相關係數不同且 大於 0，顯著的球形考驗表示相關係數足以作為因素分析抽取因素之用(邱 皓政，2003: 9.8)。
(2) KMO 指數(Kaiser-Meyer-Olkin measure of sampling adequacy)
該係數稱為去樣適切性量數，代表與該變項有關的所有相關係數與淨 相關係數的比較值，該係數越大，表示相關情形良好，Kaiser(1974)指出執 行因素分析時，KMO 指數的判準如表 14(轉引自邱皓政，2003: 9.9)。而本 研究採用大於「0.7」，作為判斷的準則。
表 14 KMO 統計量的判斷原則 KMO 統計量 因素分析適合性 0.90 以上 極佳的 (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)
49
(3) 共同性指數
某一變項與其他所有變項的複相關係數平方，得到的數值稱為共同 性，表示該變項的變異量被共同因素解釋的比例，其計算方式為在一變項 上各因素負荷量平方值的總和，變項的共同性愈高，因素分析的結果就愈 理想(邱皓政，2003: 9.10)。本研究以大於「0.5」作為判斷標準。
(二) 因素個數的決定與其選取條件
因素個數的決定，主要依據的原則是特徵值(eigenvalue)的大小，特徵 值代表某一因素可解釋的總變異量，特徵值越大，代表該因素的解釋例越 強，一般而言，特徵值需大於 1，才可被視為一個因素(邱皓政，2003: 9.12)。
此外，本研究旋轉後的因素負荷量需大於 0.5，且與其他因素負荷值差距需 大於 0.1 才予以保留，同時 Cronbach’s α 係數需大於 0.7。
(三) 因素命名
由因素和變數間相關係數之大小，可以知道某個因素與那些變數具有 較高的關聯，與那些變數的關聯較小或沒有關聯，從而可以了解該因素之 意義，並賦予適當的名稱(黃俊英，1995: 225)。
(二) 結構方程模式分析 1. 違犯估計
檢驗模式的適配度之前，需先檢視是否產生違犯估計。一般常發生的 違犯估計有以下三種現象(黃芳銘，2007: 149)：
(1) 有負的誤差變異數存在，或是在任何建構中存在著無意義的變異數。
(2) 標準化係數超過或太接近 1。
(3) 有太大的標準誤。
2. 整體適配考驗
由於面向的不同，對適配考驗決策形成相當的影響，這表示 SEM 的 適配考驗可以有多種的檢定標準，這種結果導致在做適配度檢定時，各學 者之間的意見相當不一致，當然也促使新的判斷指標不斷的被發展出來(黃 芳銘，2007: 152)。雖然結構方程模式的文獻提供了多種不同的模型評鑑指 標，然而不同的指標得到的結果往往趨近一致，因此選擇何種指標並不是 一個重要的問題，但是如果不同的指標有不一致的結果，宜考量假設模型 的適當性，重新加以評估(邱皓政，2003: 5.22)。本研究採用的指標及判斷 標準如下所述。
50
Hair、Anderson、Tatham 與 Black 等人(1998) (轉引自黃芳銘，2007: 152)，
將整體適配度評鑑指標分為三類：絕對適配量測(absolute fit measures)、增值適 配量測(incremental fit measures)，以及簡效適配量測(parsimonious fit
measures)。以下說明各適配指標及理想適配值：
(1) 絕對適配指標
絕對適配量測用以決定理論的整體模式能夠預測觀察共變數或相關矩陣的 程度，也就是說，評鑑一個事前的模式能夠再製樣本資料的程度(黃芳銘，2007:
152)。其重要指標如下所述：
a. SRMR (standized root mean squared; 標準化殘差均方根指數)
SRMR 用來反應理論假設模型的整體殘差。SRMR 指數的數值介於 0 至 1 之間，當數值低於 0.08 時，表示模型契合度佳(Hu & Bentler, 1999，轉引自 邱皓政，2003: 5.22)。
b. RMSEA (root mean square error of approximation; 平均概似平方誤根係數; 近 似誤差均方根)
當 RMSEA 等於或小於 0.05，表示理論模式可以被接受，通常將此訂為
「良好適配」(good fit)(Steiger, 1989; Browne & Mels, 1990，轉引自黃芳銘 2007: 157)；0.05 到 0.08 可以視為是「算是不錯的適配」(fair fit)；0.08 到 0.10 之間則是「普通適配」(mediocre fit)；大於 0.10 表示不良適配(黃芳銘 2007:
157)。本研究採用小於 0.10 作為判斷的標準。
c. GFI(goodness-of-fit index; 良性適配指標)
GFI 類似於迴歸分析當中的可解釋變異量(R2)(Tanaka & Huba, 1989，轉 引自邱皓政，2003: 5.10)。一般需要大於 0.90 才可視為具有理想的契合度(Hu
& Bentler, 1999，轉引自邱皓政，2003: 5.11)。
(2) 增值適配指標
增值適配指標目的在於用一個比較嚴格的或是套層的底線模式(baseline model)來和理論模式相比較，測量其適配改進比率的程度，所以說，其也可稱 為 是 比 較 適 配 指 標 (comparative fit index) ， 或 稱 相 對 適 配 指 標 (relative fit index)(黃芳銘，2007: 159)。其重要指標如下所述：
a. NFI(normed fit index 規範適配指標)
NFI 指標可以視為是某一個假設模型比起最糟糕模型的改善情形。接受 模式一般共同的推薦值為 0.9 以上(黃芳銘，2007: 160)。
51
b. NNFI(non-normed fit index; 非規範適配指標)
NNFI 的原始名稱為 Tucker-Lewis index(TLI)(黃芳銘，2007: 161)。根據 研究發現，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 來檢驗契合度會有低估的現象因此其他研究者提出了另一個 NNFI 指 數，考量了自由度的影響(邱皓政，2003: 5.13)。本研究參考邱皓政(2003: 5.23) 的標準，將判斷值定為大於 0.9。
c. CFI(comparative fit index; 比較適配指標)
CFI 指標反應了假設模型與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(邱皓政，2003: 5.17-5.18)。要 判斷模式是否可以接受時，CFI 值通常需大於 0.9(黃芳銘，2007: 162)。
d. IFI
IFI 是 Bentler 和 Bonett(1980) (轉引自黃芳銘，2007: 162)的 NFI 之修正，
其企圖減低 NFI 對樣本大小的依賴。要判斷模式是否可以接受時，IFI 值通 常需大於 0.9(黃芳銘，2007: 162)。
(3) 簡效適配指標
簡效適配指標用以呈現需要達成某一特殊水準的模式適配的估計係數 (estimated coefficients）的數目是多少，典型上，對簡效的操作性定義為檢定模 式的自由度與虛無模式的自由度之比率(Marsh & Hau, 1999，轉引自黃芳銘，
2007: 163)，所以其主要目的在於更正模式的任何有過度適配的情形(黃芳銘，
2007: 163)。其重要指標如下所述：
a. PNFI(parsimonious normed fit index; 簡效規範適配指標)
PNFI 乃是 NFI 的修正。PNFI 的簡效定義為每一個自由度所能達成的較 高適配程度，因此，其值愈高愈好，目前有一些學者建議若不做模式比較時，
可採用 PNFI 值>0.5 為模式通過與否的標準(黃芳銘，2007: 164)。
b. χ2/df(卡方自由度比)
這個指標提供兩種方式來評鑑不適當的模式(Hair 等人, 1998，轉引自黃 芳銘，2007: 166)：(a)當其值小於 1.00 時，表示模式過度的適配，那麼可能 產生「機會做大」(capitalization on chance)。(b)當模式值大於 2.0 或 3.0，較 寬鬆的規定是 5.0，則表示模式尚未真實地反應樣本資料。本研究採用小於 5.0 作為判斷標準。
52
上述適配度指標理想適配值整理如表 15，本研究進行結構方程模式分析 時，依據這些適配度指標判斷模型適配度。
表 15 各種適配度指標理想適配值 適配度指標 理想適配值
絕對適配指標 SRMR <0.08
RMSEA <0.05 優，<0.08 良，<0.10 可 GFI >0.9
增值適配指標 NFI >0.9 NNFI >0.9 CFI >0.9 IFI >0.9 簡效適配指標
PNFI >0.5 χ2/df 值 <5
53
3. 內在結構適配度
Bollen(1989)16認為測量模式中個別指標的效度評鑑可以用檢定每一個潛在 變項與其指標間係數大小以及顯著性來處理。由於，個別指標在其潛在變項上 的自由度是 1，因此，t 值的絕對值至少須是 1.96(黃芳銘，2007: 167)。
除了上述個別變項的檢定之外，還須檢定因素的信度。SEM 本身發展出一 種可以用於檢定潛在變項的信度指標，這種檢定稱為組合信度 (composite reliability)或稱構念信度(construct reliability)，此一詞為 Hair 等人(1998)17所著書 中 612 頁所使用之名詞(黃芳銘，2007: 168)。一些學者建議個別潛在變項之組 合信度宜大於 0.60 (Bagozzi & Yi, 1988)18，有些學者建議大於 0.5 即可 (Raines-Eudy, 2000)19。本研究採取組合信度大於 0.60 作為標準，組合信度指標 計算公式如下：
(∑標準化參數估計值) 2
[∑(標準化參數估計值) 2 + ∑(觀察變數的誤差變異量)]
另一方面，可以使用平均變異數抽取量(average variance extracted)來看觀察 變項的總變異量有多少是來自於潛在變項的變異量，其他的變異量則是由測量 務所提供(黃芳銘，2007: 168)。所抽取之潛在變異量必須大於 0.50(Bagozzi & Yi, 1988)20，平均變異數抽取量的公式如下：
∑ (標準化參數估計值2)
[∑(標準化參數估計值2)+∑(觀察變數的誤差變異量)]
至於潛在因素之間的區別效度，可以採用潛在變項配對相關信賴區間檢定
至於潛在因素之間的區別效度，可以採用潛在變項配對相關信賴區間檢定