研究實施

依據研究目的，本研究首先彙集並探討相關文獻，根據理論發展出資 訊科技教育接受模式，同時據此編製為本研究所用之研究工具。研究工具 發展完成後，再以全國中小學教師為施測對象，進行立意抽樣研究調查。

在樣本取得部分，臺北市教師於臺北市教育局舉辦之全國性研討會議中，

直接發送與會者填答，其餘縣市問卷則委請縣市網路中心於資訊相關會議 或研習代發，填答完成後再寄回。

本研究採取三階段式統計分析程序，第一階段透過預試樣本進行量表 的項目分析（item analysis），藉以汰除項目分析檢核項目表現不佳之題目，

確保題項品質；第二階段進行描述性統計分析，並針對研究對性個人特質 等變項進行差異性分析。第三階段則是以研究樣本進行結構方程模式

（structural equation modeling, SEM）之模式適配度檢驗，以驗證所提出之 AMEPIT 模式。

97

第 六 節 資 料 處 理

本研究採用社會科學統計分析軟體 IBM® SPSS® Statistic 21 版與結 構方程模式專用分析軟體 IBM® SPSS® AMOS 21 版及進行資料處理與分 析工作。分析方法採用 SPSS 進行差異性分析，並使用 AMOS 進行結構 方程式之模式建立與模式適配度分析。以下說明將採用之統計分析方法。

壹 、 描 述 性 統 計

透過描述性統計描繪外衍變數及內衍變數資料的散佈情況，將類別資 料以次數分配（frequency distribution）、百分比（percentage）等方式敘述；

等距變項則以平均數（mean）及標準差（standard deviation）等數據描述資 料分佈情形。

貳 、 差 異 性 分 析

本研究使用 t 考驗和單因子變異數分析（analysis of variance, ANOVA）

進行差異性分析，以了解「性別」、「學校屬性」、「資訊科技設備使用頻率」、

「社群媒體使用頻率」等變項與「e 化教學自我效能 SEET」、「新科技使用 態度ANIT」、「政策的理解性 PU」、「政策的易應用性 PEPAT」、「學生學習 的價值性LE」、「政策接受的態度 AT」等構面間的差異。

參、相關性分析

進行結構方程模式計算時，必須符合相關之準則，以建構與資料最適 配之結構模式。適配度一般可使用三種指標進行檢測，分別為絕對適配度 指標（absolute fit）、增值適配度指標（incremental fit）、簡約適配度指標

（parsimonious fit）（Bogozzi & Yi, 1988）。

98

一、絕對適配度

絕對適配度考驗目的在於衡量數學模型與樣本資料變異，也就是共 變異的差異情形。檢驗模型可以預測觀察資料的共變數矩陣或相關矩陣 的程度。絕對適配度指標一般需檢驗卡方值 χ²（chi-square）、正規化 卡方值 χ²／df（normal chi-square, NC）、良性適配指標 GFI（goodness of fit）、標準化均方根殘差 SRMR（standardized root mean square residual）、 與近似誤差均方根 RMSEA（root meansquare error of approximation）。各 項指標說明如下：

1. 卡方值 χ² 與正規化卡方值 NC

正規化卡方值 NC 為卡方值／自由度，會校正模型複雜的影響所造 成的膨脹效應。1~3 為理想適配值；NC < 1 表示模式容易受到影響而 產生適配不良；NC > 3 或 5 則表示模式需要修正。

2. GFI 指標

從 GFI 值可以觀察出理論模式的變異數與共變數，所以能解釋樣本 資料的變異數與共變數的程度。因此此指標表示理論假設模型可以解 釋觀察資料的變異數與共變數的比例。GFI 之值介於 0 與 1 間，愈 接近0 表示其適配性愈低，愈接近 1，則表示適配度愈理想。一般認 為當GFI 在 0.90 以上表示良好的適配。

3. SRMR 指標

為殘差共變標準化的總和，理論建議 SRMR 小於 0.05 為適配標準，

也有學這認為 SRMR 指標可以放寬至 0.08，例如 Hu 和 Bentler

（1999）、McDonald 和 Ho（2002）。

99

4. RMSEA 指標

RMSEA 指標為比較模式與飽和模式的差距。當 RMSEA 之值小於 或等於 .05 時（RMSEA ൑ 0.05），表示理論模式可以被接受，此時 模式可被稱為具有「良好適配（good fit）」；若 RMSEA 之值介於 05 到 .08 間（0.05 ൏ RMSEA ൑ 0.08），則模式可被視為是「不錯的適 配（fair fit）」；若介於 .08 到 .10 間（0.08 ൏ RMSEA ൑ 0.1），則可 被視為是「普通適配（mediocre fit）」；RMSEA 若大於 .10 表示不良 適 配 （poor fit）（Browne & Cudeck, 1993; MacCallum, Browne, &

Sugaeara, 1996）。

Hu 和 Bentler（1999）建議 RMSEA 指標小於 .06 可被視為一個良 好的模型；McDonald 和 Ho（2002）則建議以 0.05 為良好之適配度，

以 .08 為可接受的模型適配度。

二、增值適配度

增值適配度目的在於比較數學模型的適配度，和獨立模型或飽和模 型配適度的改善情況。獨立模型假設變數間的相關係數為 0，飽和模型 所有估計參數都設為自由參數。增值適配度的判斷指標通常包含 IFI

（incremental fit index，增值適配指標)、NNFI（non-normed fit index，非 規範適配指標）與CFI（comparative index，比較適配指標）等，其判斷 的準則分述如下（Bentler, 1988; Kenny, Kashy, & Cook, 2006）：

1. IFI 指標

是以母群體為基礎、懲罰複雜模式、樣本獨立、以相對於基線

（baseline）模式來評鑑適配度的指標，其值會介於 0 與 1 之間。

IFI 值愈大表示模式適配愈好，接受模式的一般共同標準為 .90 以

100

上。

2. NNFI 指標

此指標為與某一獨立模型間的差異程度，此獨立模型假設模型與任 一個變項間沒有任何共變的情形發生。一般 NNFI 值在 .90 以上，

表示研究者所提出的模式能與實際資料相適配。

3. CFI 指標

此指標只假設模型與無任何共變關係的獨立模型差異情形量數，通 常以大於 .95 為模型之接受標準

三、簡約適配度

精簡約配度的目的在於評估理論模式的精簡程度，判斷研究模型 是否釋放過多的參數，以獲得好的配適度指標。簡約適配度的判斷指 標通常包含PNFI（parsimonious normed fit index，簡約規範適配指標）

與PGFI（parsimonious goodness of fit index，簡約良性適配指標）兩大 指標。

1. PNFI

一般均採取大於 .50 以上為模型的接受標準（Mulaik, 1989）。

2. PGFI

一般均採取大於 .50 以上為模型的接受標準（Mulaik, 1989）。

本研究計算結構方程模式時所需考量的模式適配指標最低之判斷 標準彙整如表 3- 5 所示。

101

表 3- 5

模式適配指標判斷標準彙整表

適配度指標  望數值與採用之理論 

絕對適配度指標   

NC (χ²／df） < 3 (Bagozzi & Yi, 1988) GFI (Goodness-of-fit)  > .90 (Bentler, 1983） 

AGFI (Adjusted GFI)  > .90 (Bentler, 1983)  SRMR (Standardized

Root-mean-square residual) 

< .08 (Hu & Bentler, 1999) 

RMSEA (Root-mean-square error of approximation) 

< .50 (Browne & Cudeck, 1993;

Kenny, Kashy & Cook, 2006) 

增值適配度指標   

CFI (Comparative fit index)  > .90 (Bentler & Bonett, 1980;

Kenny, Kashy, & Cook, 2006) IFI (Incremental fit index)  > .90 (Bentler & Bonett, 1980;

Kenny, Kashy & Cook, 2006)  NNFI (Non-normal fit index)  > .90 (Bentler & Bonett, 1980;

Kenny, Kashy, & Cook, 2006)

簡約適配度指標   

PGFI (Parsimonious

goodness-of-fit index) 

> .50 (Mulaik, 1989) 

PNFI (Parsimony-adjusted NFI)  > .50 (Mulaik, 1989) 

103