第四章 研究實施與資料處理
第二節 研究工具分析
一、一階驗證性因素分析(confirmatory factor analysis , CFA)
構面效度的檢定再進行模型分析的歷程中是非常重要的,構面效度是指 單一構面與潛在變數的對應程度。由於潛在因素無法直接測量,因此我們利 用觀察變數加以間接測量,試圖以此觀察變數找出構面的全觀,並以此成果 來探討構面與構面之間的相關。而驗證性因素分析的主要功能是確認潛在變 項是否真的能被幾個觀察變數所代表,所以驗證性因素分析的主要功能是決 定一組觀察變數是否真正屬於某一特定構面的統計分析技術(張偉豪,
2011)。
使用 SEM 驗證性分析,假如 CFA 的信度與效度不佳時,則整個 SEM 模型結構也會不佳時,這會使得路徑的顯著性與向都有可能是錯誤的。由於 SEM 分析資料都是從實際上調查而來,因此了解這些資料是否具有一定的 信、效度就非常重要。所以在執行 SEM 前,要先能證明測量指標是否能真 正反映出潛在變數的特性。Thompson(2004)表示在 SEM 模型分析中,測量 模型是結構模型的一部分,如果沒有證據證明測量模型是值得進一步分析的 話,那麼 SEM 就毫無意義。在許多的情況之下,SEM 模型出現問題,大多 是因為測量模型不佳的原因所導致(Brown,2006)
1. 人格特質-神經質
表 4-2 列出神經質構面共有 5 題,執行 CFA 後,發現 AA2 殘差不獨立,
為了模式精簡及違反殘差獨立原則,因此刪除 AA2。圖 4-2 顯示神經質構面 最後保留了四個觀察變數,因素負荷量均超過 0.7 以上的標準,殘差均為正 值而且顯著,組合信度為 0.87 ,遠超過 0.7 的標準,平均變數萃取量為 0.62,
遠超過 0.5 的標準,配適度也在可接受的範圍,因此保留五題作為後續分析。
59
表 4-2
人格特質之神經質問卷題項
構面 指標 題目內容
AA 1. 我常常覺得自己神經緊張 神 AA1 2. 我是個杞人憂天的人
經 AA2 3. 我常因為別人對待我的方式感到生氣 質 AA3 4. 有時候我覺得很怨恨、憤怒
AA4 5. 當我處於極大壓力下時,我常覺得自己快要崩潰了
卡方值=3.464 degree of freedom=2 卡方/自由度=1.732 GFI=0.992, AGFI=0.959, RMSEA=0.060
圖 4-1 人格特質-神經質一階驗證分析圖 神經 AA
1
AA1 AA2 AA3
e1 e2 e4 e5
.73 .73 .73
.73
.73 .73 .73 .73
60
2. 人格特質-外向型
表 4-3 列出外向型構面共有 5 題,執行 CFA 後,BB2 殘差不獨立,為 了模式精簡及違反殘差獨立原則,因此刪除 BB2。圖 4-3 顯示神經質構面最 後保留四個觀察變數,因素負荷量均超過 0.7 以上的標準,殘差均為正值而 且顯著,組合信度為 0.87 ,遠超過 0.7 的標準,平均變數萃取量為 0.63,
遠超過 0.5 的標準,配適度也在可接受的範圍,因此保留五題作為後續分析。
表 4-3
人格特質之外向型
構面 指標 題目內容
BB 1. 我喜歡嘗試新奇的事物 外 BB1 2. 我很喜歡交朋友
向 BB2 3. 我是個活潑精力充沛的人 型 BB3 4. 我的好奇心很強
BB4 5. 我是個非常主動的人
卡方值=3.576 degree of freedom=2 卡方/自由度=1.788 GFI=0.992, AGFI=0.958, RMSEA=0.062
圖 4-2 人格特質-外向型一階驗證分析圖 外向
BB BB1 BB3
2
BB4 3
e2 e2 e4 e5
.83 .73 .81
.69 .53 .66 .65
.81
61
3. 企業忠誠
表 4-4 列出企業忠誠構面共有 5 題,執行 CFA 後,發現 CC2 殘差不獨 立,為了模式精簡及違反殘差獨立原則,因此刪除 CC2。圖 4-4 顯示神經質 構面最後保留了四個觀察變數,因素負荷量均超過 0.7 以上的標準,殘差均 為正值而且顯著,組合信度為 0.93 ,遠超過 0.7 的標準,平均變數萃取量 為 0.76,遠超過 0.5 的標準,配適度也在可接受的範圍,因此保留五題作為 後續分析。
表 4-4 企業忠誠
構面 指標 題目內容
企 業 忠 誠
CC 1. 我會因為企業的名聲好而去工作
CC1 2. 我已適應公司的文化, 其他企業的員工福利再好也 不會去
CC2 3. 我已經把自己未來發展與目前上班的企業聯系在了 一起
CC3 4. 我認為滚石不生苔, 不要常換公司, 技術才會成長, 薪酬也會增加
CC4 5. 對於接受單位培訓而獲得一技之長的跳槽者,我是不 能認同
62
卡方值=1.103 degree of freedom=1 卡方/自由度=1.103 GFI=0.997, AGFI=0.973, RMSEA=0.022
圖 4-3 企業忠誠一階驗證分析圖
4. 職業忠誠
表 4-5 列出職業忠誠構面共有 5 題,執行 CFA 後,發現 DD2 殘差不獨 立,為了模式精簡及違反殘差獨立原則,因此刪除 DD2。圖 4-5 顯示神經質 構面最後保留了四個觀察變數,因素負荷量均超過 0.7 以上的標準,殘差均 為正值而且顯著,組合信度為 0.87 ,遠超過 0.7 的標準,平均變數萃取量 為 0.63,遠超過 0.5 的標準,配適度也在可接受的範圍,因此保留五題作為 後續分析。
.87 -.08 .84
企忠 CC
1
CC1 CC3 CC4
e1 e2 e4 e5
.76 .86 .92 .84
.70
63
表 4-5 職業忠誠表
構面 指標 題目內容
職 業 忠 誠
DD 1. 對企業“一諾千金”的準則不必那麼認真
DD1 2. 和自己專長有關的工作, 即使無額外報酬,我也樂意 加班工作。
DD2 3. 我比較喜歡對別人說我在做什麽工作(如工程師), 而 不是在那個公司上班。
DD3 4. 如果公司要做工作輪調,我會去別的公司, 做和我專 業有關的工作。
DD4 5. 如果公司要我參加其他專長的訓練,我會放棄,先做好 目前的工作。
卡方值=1.147 degree of freedom=2 卡方/自由度=0.574 GFI=0.997, AGFI=0.986, RMSEA=0.000
圖 4-4 職業忠誠一階驗證分析圖
職忠
DD DD1 DD3 DD4
e1 e2 e4 e5
.69 .77 .80
.76
.83 .60 .65 .58
64 GFI=0.990, AGFI=0.949, RMSEA=0.078
圖 4-5 離職傾向一階驗證分析圖
65
6. 各構面之一階驗證性因素分析結果總表 表 4-7
各構面之一階驗證性因素分析結果總表 統計檢定值 適配標準
或臨界值
神經質 外向型 企業忠誠 職業忠誠 離職傾向
χ² - 3.464 3.576 1.103 1.147 4.429
df - 2 2 1 2 2
χ²/df <5 1.732 1.788 1.103 0.574 2.245 GFI >.90 .992 0.992 0.997 0.997 0.990 AGFI >.90 .959 0.958 0.973 0.986 0.949 RMSEA <.08 .060 0.062 0.022 0.000 0.078
二、信度與效度分析
(一)信度分析是為了測量資料的可靠性以及驗證資料結果有無一致性與穩 定性。衡量工具最常被採用的是Cronbach α 係數,Cronbach α 係數值是介於 0 至 1 之間,數值越大者即顯示變項之間的關聯性就越強,表示內部的一致 性就越高 : 數值越低顯示其信度受到質疑。Guielford (1965)提出,信度係數 大於 0.7,則為高信度﹔介於 0.7 與 0.35 之間,則為尚可﹔若小於 0.35 則為 低信度,應該將問項給予拒絕或刪除。然而,實務上信度之數值只須達到 0.6 即可。
66
表 4-8
各構面現況分析與各構面保留題項分析一覽表 神經質特質:
M=3.488,SD=0.984,CR=0.869,AVE=0.624,Cronbach’s α=0.866 M SD Loading t 值 1. 我常常覺得自己神經緊張 3.461 1.124 0.842 - 2. 我是個杞人憂天的人 3.519 1.188 0.764 12.194 3. 我常因為別人對待我的方式感到
生氣 3.417 1.156 0.766 11.710 4. 有時候我覺得很怨恨、憤怒 3.553 1.191 0.784 10.926
外向型特質:
M=3.487,SD=1.013,CR=0.874,AVE=0.634,Cronbach’s α= 0.870 M SD Loading t 值 1. 我喜歡嘗試新奇的事物 3.471 1.139 0.830
2. 我很喜歡交朋友 3.398 1.151 0.734 11.300 4. 我的好奇心很強 3.558 1.219 0.810 12.920 5. 我是個非常主動的人 3.519 1.197 0.807 12.512
67
企業忠誠:
M=2.931,SD=1.174,CR=0.926,AVE=0.759,Cronbach’s α=0.928 M SD Loading t 值
M=3.397,SD=0.965,CR=0.871,AVE=0.628,Cronbach’s α=0.866 M SD Loading t 值
68
離職傾向:
M=3.658,SD=1.013,CR=0.874,AVE=0.634,Cronbach’s α=0.865 M SD Loading t 值 於.5(Nunnally,1978),AVE 值必須至少大於.5(Fornell & Larcker,1981)本研究
變項 平均數 標準差 Cronbach’
69
各構面數據如上表 4-8,透過因子分析後,各構面之題項 factor loading 值介 於.734 到.918 間。
2.構面之區別效度
區別效度的驗證方法,不同構面之間的相關係數應低於該構面 ave 的平 方根(Anderson & Gerbing,1988),由表 4-9 可看出各構面之 ave 平方根介於 -.170 到.232 之間 ,均大於垂直欄以及水平列構面之相關係數,顯示具備相 當區別效度。
表 4-10
區別效度檢定
構面 神經質 外向型 企業忠誠 職業忠誠 離職傾向 神經質 .790
外向型 -.016 .796
企業忠誠 -.232** .164* .871
職業忠誠 .189** .139* .065 .792
離職傾向 -.008 .079 -.170* .145* .796
注:對角線之值為此一潛在變數之平均變異抽取量(AVE)之平方根,非對角線為各構面間的相關係數
70 度(Absolute Fit Measures )、相對適配度(Incremental Fit Measures)及精簡適配 度(Parsimonious Fit measures)(周子敬,2006) 。
表 4-11
SEM 配適度指標
配適度指標 判斷準則
χ² 越小越好
χ²/d.f 3~1 之間
Goodness of fit index (GFI) >0.9 Adjusted goodness of fit index
(AGFI)
>0.9
Goot Mean Square Error of Approximation (RMSEA)
RMSEA≦0.08,是「適合」的模型 RMSEA≦0.05,代表「好」的模型配
適 Standardized Root Mean Square
Residual (SRMR)
RMSEA≦0.08,可接受