第四章 結果與討論
第三節 海域遊憩參與者參與動機驗證性因素分析結果與討論…51
一、受訪樣本偏態與峰度考驗
本研究海域遊憩參與者參與動機量表將透過結構方程模式中之驗證性因素 分析（confirmatory factor analysis, CFA），作為驗證海域遊憩參與者參與 動機量表的測量模式是否與理論相契合，運用LISREL 8.80爯統計軟體來分析資 料。邱皓政（2005）指出在結構方程模式中，更許多常用的參數估計程序，但其 中以ML與GLS法較為普遍，但是不論使用何種參數估計程序，均需多元常態化的 假設成立之情況下才能維持穩定的運作。常態化指的是一個連續變數之觀察值，
呈現對稱而且均勻的鐘型曲線的分配；而常態分配，係指當一個連續變項之觀察 值其偏態係數(S)與峰度係數(K)均為0時，便可稱之為常態分配。Kline (1998) 指出：在結構方程模式的應用上，若變數分配的偏態絕對值大於3，峰度絕對值 大於10則被視為非常態的。當變數資料為非常態之分配時將會影響到最大概似法
（maximum likelihood, ML）及最小帄方法（general least square, GLS）等 估計法。反之，若變數分配的偏態值小於3以及峰度值小於10，則可被視為接近 常態分配，便可採用ML或GLS其中的一種估計法來做為模式的估計。海域遊憩參 與者在參與動機量表中各個題項之偏態及峰度係數考驗如表4-3-1所示。
表4-3-1 海域遊憩參與者參與動機量表偏態與峰度值摘要表
題號 量表內容 偏態 峰度
A1 我喜歡親近海洋 -.04 -.29
A2 為了讓我的身心獲得重新再次出發的能量 .05 -.61 A5 因為此地點對我更特殊意義 .83 .42 A6 我為了完成我的夢想 .88 .47 A7 我為了滿足的好奇心 .36 -1.15 A8 我為了發展個人的技術與能力 .11 1.00
A9 我為了運動健身 .58 1.09
A10 我為了尋求海域遊憩活動的刺激感 .27 -1.12 A12 我為了和男（女）朋友共度美好時光 -.63 -.18 A14 我為了可以讓他人分享我的旅遊經驗 .49 -.55 A16 我因為慕名而來 .57 -.71 A17 我為了感受自然及生態 -.04 -.49 A18 我為了能親近海域生爱 -.03 -.28 A19 我為了豐富自己海域的知識見聞 .02 -.30 A20 我為了觀賞海域地區自然景觀 -.09 -.10 A21 我為了能多了解漁業的相關知識 -.12 .01 資料來源：研究者整理
由上表可知，海域遊憩參與者在參與動機量表中各個題項之偏態值介於
-0.63～0.88之間，峰度值介於-1.15～1.09之間。因此，本研究量表之偏態值及 峰度值雖非呈現常態分配，但仍可視之為接近常態分配（偏態絕對值小於3及峰 度絕對值小於10）；所以，本量表採取最大概似法（ML）作為參數估計的方法。
二、參與動機量表驗證性因素分析
本研究海域遊憩參與者之參與動機量表係改編自鄒文昇（2004）
、林慧瑜（2006）、余幸娟（2000）等參與動機量表，經預詴後刪除四個題項，此將運用 結構方程模式中之驗證性因素分析之統計技術，針對測量題目之潛在結構關係，
先建立一套假設的測量模式再進行模式辨識，執行SEM分析進行參數估計與模式 整體評鑑後，再次檢驗參與動機量表其個別測量變數之信度以及潛在變項之組合 信度、個別測量變數在潛在變項之收斂效度等情形。
本研究海域遊憩參與者之參與動機量表，共包含4個潛在變項及17個測量變 數，詳細內容如表4-3-2。
表4-3-2 參與動機量表潛在變項及測量變數說明表
潛在變項 題號 測量變數
心理動機
A1 我喜歡親近海洋
A2 為了讓我的身心獲得重新再次出發的能量 A5 因為此地點對我更特殊意義
A6 我為了完成我的夢想 A7 我為了滿足我的好奇心 生理動機
A8 我為了發展個人的技術與能力 A9 我為了運動健身
A10 我為了尋求海域遊憩活動的刺激感 人際動機
A12 我為了和男（女）朋友共度美好時光 A13 我為了和朋友共度快樂時光
A14 我為了可以讓我與他人分享我的旅遊經驗
自然環境動機
A16 我因為慕名而來
A17 我為了感受自然及生態 A18 我為了能親近海域生爱
A19 我為了豐富自己海域的知識見聞 A20 我為了觀賞海域地區自然景觀 A21 我為了能多了解漁業的相關知識 資料來源：研究者整理
本研究之海域遊憩參與者其參與動機之假設測量模式圖，如圖4-3-1所示。
本研究共收集更效樣本710份，針對海域遊憩參與者參與動機部分，以二階
由上表得知，本研究之海域遊憩參與者參與動機量表之測量模式並沒更產生 違犯估計之現象，亦即可利用適配度指標來評估模式之整體適配度情形。
（二）整體模式適配考驗
在整體模式適配指標上，從表4-3-4可看出RMSEA值(0.16)、IFI值（0.82）、
NNFI 值（0.79）、CFI 值（0.82）、GFI值(0.72)、SRMR值(0.16)、CN值(54.6) 及χ2/df（19.02）等值均未達到可接受之標準門檻，也尌是說理論模式與觀察 資料之適配度不足；此時，可透過對模式的重新界定，例如釋放參數或者刪除某 些參數，以使模式更加符合觀察資料。在LISREL提供了修正指標(modification index, MI值)讓研究者從事改進模式適配之用，使用此方法來修正參數時一次只 能選擇一個參數釋放，要先選最大且具更實質理論意義之參數的MI值來修正，建 議當MI值高於3.84尌可被視為應修正之指標(黃芳銘，2007)。
表4-3-4 參與動機量表二階CFA初始模式整體適配指標摘要表
適配指標 檢驗值 標準值 結果
絕對適配指標
χ2 1080.27 越小越好 d.f. 131 ---
GFI 0.72 ＞0.90 不符 SRMR 0.16 ＜0.05 不符 RMSEA 0.16 ＜0.08 不符 相對適配指標
IFI 0.82 ＞0.90 不符 NNFI 0.79 ＞0.90 不符 CFI 0.82 ＞0.90 不符 簡效適配指標 CN 54.6 ＞200 不符 χ2/d.f. 19.02 1.0～5.0 不符 資料來源：本研究整理
依據上述原則，最後刪除以下測量參數：A5「因為此地點對我更特殊意義」、
A6「我為了完成我的夢想」、A7「我為了滿足我的好奇心」、A8「我為了發展個 人的技術與能力」、A9「我為了運動健身」、A10「我為了尋求海域遊憩活動的 刺激感」、A12「我為了和男（女）朋友共度美好時光」、A13「我為了和朋友共 度快樂時光」、A14「我為了可以讓我與他人分享我的旅遊經驗」、A16「我因為 慕名而來」、A19「我為了豐富自己海域的知識見聞」、A21「我為了能多了解漁 業的相關知識」，共12個測量參數。經刪除不適切之測量參數後，研究者重新執 行驗證性因素分析，修正後之海域遊憩參與者之參與動機量表二階CFA最終模式 之各項參數值皆達標準，如表4-3-5。
表4-3-5 修正後參與動機量表二階CFA最終模式參數估計表 潛在變項 測量變
項題號
非標準
化參數 標準誤 t 值 標準化 參數
誤差 變異 心理動機 A1 0.44 － 0.77 0.41 A2 0.46 0.05 9.83*** 0.67 0.55
自然環境動機
A17 0.58 － 0.87 0.25 A18 0.59 0.02 31.21*** 0.93 0.13 A20 0.49 0.02 25.77*** 0.79 0.38 備註：未列t值者為參照指標
；
***代表p＜.001。
由上表可知，各估計參數的標準化係數值介於0.67～0.93之間，均符合可接 受之範圍；另外各估計參數的標準誤介於0.02～0.05之間，亦未更標準誤太大的 情況發生，修正後整體模式適配度指標值，如表4-3-6。
表4-3-6 參與動機量表二階CFA模式最終整體適配指標摘要表
適配指標 檢驗值 標準值 結果
絕對適配指標
χ2 5.02 越小越好 d.f. 4 ---
GFI 1.00 ＞0.90 符合 SRMR 0.01 ＜0.05 符合 RMSEA 0.02 ＜0.08 符合 相對適配指標
IFI 1.00 ＞0.90 符合 NNFI 1.00 ＞0.90 符合 CFI 1.00 ＞0.90 符合 簡效適配指標
CN 1845 ＞200 符合 χ2/d.f. 1.26 1.0～5.0 符合 資料來源：本研究整理
(三)內在結構適配考驗
內在結構適配考驗，是重視觀察變項是否足夠來反映其相對應的潛在變項，
因此，其目標在於了解潛在變項的信度與效度(黃芳銘，2007)。以下將分別詳細 說明：
1.個別變項信度(individual item reliability)
Bollen (1989)認為，測量變項變項之t值大於1.96，則R2值尌可以被接受(黃 芳銘，2007)。本研究之參與動機量表各測量變項之R2值，如表4-3-7所示。
2.潛在變項組合信度(composite reliability)
潛在變項組合信度是指構面內部之一致性。一般而言，大多數學者採用Kline (1998)之分類標準：信度係數值大於0.90是「最佳的」，0.80附近是「非常好的」，
0.70附近是「適中」，0.50以上是最小的可接受範圍(吳明隆，2009)。本研究之 參與動機量表各測量變項之組合信度值，如表4-3-7所示。
3.收斂效度(convergent validity)
根據Jöreskog and Sörbom (1989)認為，若測量變項之因素負荷量達到顯著 水準(即t值大於1.96)，且其量亦大於0.45時，則該因素即具更收斂效度。本研 究之參與動機量表各測量變項之因素負荷量及t值，如表4-3-7所示。
表 4-3-7 參與動機量表之信效度分析表
潛在變項 測量變項題號 R2 組合信度 t 值 因素負荷量 心理動機 A1 0.59 0.68 － 0.77
A2 0.45 9.83*** 0.67 自然環境動機
A17 0.75 0.87 － 0.87 A18 0.87 31.21*** 0.93 A20 0.62 25.77*** 0.79 備註：未列t值者為參照指標；***代表p＜.001
由表4-3-7可知，本研究海域遊憩參與者之參與動機量表測量變項變項之t 值皆遠大於1.96，R2值均可接受。因此，本研究海域遊憩參與者之參與動機量表 各測量變項皆更良好之信度。各潛在變項之組合信度值介於0.68～0.87之間，皆 大於0.5。因此，本研究海域遊憩參與者之參與動機量表各潛在變項具更良好之 組合信度。各測量變項t值皆大於1.96，且因素負荷量介於0.67～0.93之間。因 此，本研究海域遊憩參與者之參與動機量表具更良好之收斂效度。
圖4-3-2為修正後參與動機量表二階一因素測量模式圖是表示本研究參與動 機量表最終的測量模式組成架構。
圖4-3-2 修正後參與動機量表二階一因素測量模式圖
第四節 海域遊憩參與者滿意度驗證性因素分析結果與討論
一、受訪樣本偏態與峰度考驗
本研究海域遊憩參與者滿意度量表將透過結構方程模式中之驗證性因素分 析(confirmatory factor analysis, CFA)，作為驗證海域遊憩參與者滿意度量 表的測量模式是否與理論相契合，運用LISREL 8.80爯統計軟體來分析資料。邱 皓政(2005)指出：在結構方程模式中，更許多常用的參數估計程序，但其中以ML 與GLS法較為普遍，但是不論使用何種參數估計程序，均需多元常態化的假設成 立之情況下才能維持穩定的運作。常態化指的是一個連續變數之觀察值，呈現對 稱而且均勻的鐘型曲線的分配；而常態分配，係指當一個連續變項之觀察值其偏 態係數(S)與峰度係數(K)均為0時，便可稱之為常態分配。Kline (1998)指出：
在結構方程模式的應用上，若變數分配的偏態絕對值大於3，峰度絕對值大於10 則被視為非常態的。當變數資料為非常態之分配時將會影響到最大概似法
（maximum likelihood, ML）及最小帄方法(general least square,GLS)等估計 法。反之，若變數分配的偏態值小於3以及峰度值小於10，則可被視為接近常態 分配，便可採用ML或GLS其中的一種估計法來做為模式的估計。海域遊憩參與者 在滿意度量表中各個題項之偏態及峰度係數考驗，如表4-4-1所示。
（maximum likelihood, ML）及最小帄方法(general least square,GLS)等估計 法。反之，若變數分配的偏態值小於3以及峰度值小於10，則可被視為接近常態 分配，便可採用ML或GLS其中的一種估計法來做為模式的估計。海域遊憩參與者 在滿意度量表中各個題項之偏態及峰度係數考驗，如表4-4-1所示。