研究方法

經由第一章緒論介紹研究背景與動機、第二章文獻探討介紹相關 的文獻研究、而第三章節為研究方法因此要介紹本研究論文所採用的 研究方法，第一節問卷設計、第二節抽樣樣本、第三節抽樣調查、第 四節因素分析簡介、第五節因素分析模式架構、第六節信度效度分析 簡介。

第一節 問卷設計

本研究問卷設計一共分為兩大部分，其第一部分基本資料(題 目共十題)，第二部份心目中學歷看法的重要內涵問卷(題目共二十八 題)，因此問卷題目第一部分與第二部份一共設計三十八題，對於受 訪者來說只需花費五分鐘左右時間填寫該問卷，並不會造成受訪者回 答題目的負擔，問卷設計如下：

第一部份：受訪者的基本資料，問項的內容包含有：

1.性別(男性、女性)；

2.年級(大一、大二、大三、大四)；

3.就讀學院 (工學院人、文社會學院、管理學院、建築與規劃學院、

資訊學院、觀光學院)；

4. 戶籍所在地為台灣之(北部、中部、南部、東部)；

5. 是否有打工經驗(有、沒有)；

6. 血型為 (Ａ型、Ｂ型、ＡＢ型、Ｏ型、其他)；

7. 家中排行(獨生子或獨生女、老大、中間、老么) ； 8. 父母親管教方式(民主、溺愛、放任、專制、嚴厲) ；

9. 家庭平均年收入約為(60 萬以下、60-80 萬、80-100 萬、100-120 萬、120-150 萬、150 萬以上) ；

10. 打算追求之最高學歷為(學士、碩士、博士、未決定) ；

，一共有十個問項。

第二部份：心目中學歷看法的重要內涵，問項的內容包含有：

1. 高學歷可以提升自己的品味

2. 學歷只是一張文憑，不代表工作能力 3. 我認為國內和國外的文憑是有所差異的 4. 在校學習應以實務為導向

5. 我會規劃自己的學習歷程 6. 高學歷不代表高道德

7. 我認為學歷的價值不應單從就業與否的角度來看待 8. 高學歷不是就業的保證

9. 我認為政府有責任協助高學歷的人開拓更多就業機會 10. 追求知識或許比追求學歷更重要

11. 追求高學歷是一種社會發展趨勢 12. 念書應以興趣為主

13. 高學歷有助於增進職場技能

14. 讀書是為了符合父母及師長的期待 15. 我認為學歷愈高出路就愈窄

16. 追求高學歷可以拓展人際關係 17. 高學歷代表高失業率

18. 追求高學歷是一種自我肯定的表現

19. 我認為台灣的高等教育有檢討改進的必要 20. 學習謀生技能比追求學歷更重要

21. 我認為現今學歷有些浮濫 22. 高學歷在職場上的升遷比較快

23. 增加工作經驗比追求高學歷更有利於找工作 24. 追求高學歷可以開闊視野

25. 高學歷的人會比較受人敬重 26. 我認為學歷的價值愈來愈低

27. 社會上普遍出現高學歷低就的現象 28. 我認文憑愈高把關應該愈嚴格

；一共有二十八個問項，且本問卷的測量指標是採用李克特式之多選

項量表尺度（Likert multiple-item scales），問題選項設計為五種不同 量表尺度，分為非常不同意(量表尺度量化分數為 1)、不同意(量表 尺度量化分數為 2)、無意見(量表尺度量化分數為 3)、同意(量表尺 度量化分數為 4)、非常同意(量表尺度量化分數為 5)五種不同量表尺 度，藉由量表尺度量化分數的給予，可以清楚得出問卷問題的回答的 情形，以利後續研究分析。

第二節 抽樣樣本

本研究的抽樣對象以中華大學全體學生為抽樣母群體，且樣本 為採隨機抽樣方式抽出，並採用兩階段發放問卷，第一階針對問卷的 信效度做分析，倘若信效度過低問卷題項再做修正，以增加本問卷的 信效度，因此初次的試驗性問卷一共發放 50 份問卷，回收問卷的數 量為 44 份，問卷回收率為 88％，初次性問卷的性效度為 0.78 高於 表準值 0.6，因此可以進行正式問卷；第二次正式問卷研究期間一共 發放 250 份問卷，回收問卷的數量為 212 份，問卷回收率為 84.8％，

在回收之份問卷中無效問卷為 17 份，無效問卷率 8.01％，在回收之 份問卷中有效問卷為 195 份，有效問卷率 91.9％，大致說來問卷回 收率高於八成以上，同時有效問卷率也高於九成以上，因此本問卷調 查的問卷抽樣回收比率與有效問卷比率不算低都是合理接受範圍內。

第三節 抽樣調查

抽樣調查研究過程必須具有系統性有步驟性的遵循六個步驟：

1．界定母體：確定研究者想推論的對象為何，這些族群的集合就是 母群體。母群體的特徵或屬性需清楚說明，限制要明

確界定。

2．說明抽樣架構：抽樣架構的標準有以下四點：

■完整性：一個抽樣架構應包括所有母體中的元素。

■不重複：抽樣架構中元素不應重複出現。

■正確性：樣架構中所列舉的元素應力求正確。

■便利：一個抽樣架構應易於取得使用且可適當的調整。

3．選擇抽樣方法：根據抽樣架構決定，先有完整的母群體，就可用 簡單、公正的隋機抽樣方法。

4．決定樣本大小：依據抽樣誤差和信賴度及經費來決定，有時也可 能先不決定樣本大小。

5．選取樣本的元素：研究者要根據抽樣架構決定抽樣方再取得樣本 本的元素。

6．收集樣本資料：研究者決定收集資料的方法，如人員訪問，電 話訪問，或郵寄問卷訪問……等方式進行。

第四節 因素分析簡介

因素分析（Factor Analysis）起源於心理學（約在 1904 年），因 為在心理學研究領域中常遇到一些如智力、道德、操守等不能直接測 量的因素，而我們對這些觀念也無法精準的掌握，希望經由可測量的 變數訂定出這些因素的具體概念，也就是說，因素分析的初始構想是 對無法直接觀測但對行為有影響的變項來進行綜合性評量，並藉以歸 納出幾項重要的指標。

因素分析的主要用意是找到資料矩陣的結構，使其由一群內部的 相關變數中（如：測驗成績、測驗項目、問卷題目）找出一組共同的 因素。也就是說，因素分析是想以少數幾個因素來解釋一群相互之間 有關係存在的變數，每個變數除了受共同因素（Common Factor）的 影響外，也受獨特因素（Specific Factor）影響。

在因素分析中，分析人員首先需決定資料結構的維度（即因素的 個數），然後對每個因素指出是哪些變數是被此因素所解釋，並就因 素包含變項的內涵來對因素作命名，一旦維度與每個因素所對應的變 數決定後，就能達到因素分析的兩個目標；資料簡化與摘要。資料簡 化是以計算因子得點來達成，而摘要則是以少數幾個因素來約略說明 一大群原有的變數的重要內涵。

因素分析分成探索性因素分析（Exploratory Factor Analysis，簡

稱為因素分析）與驗證性因素分析（Confirmatory Factor Analysis），

探索性因素分析是“給您一組資料，在因素個數與路徑參數均在沒有 任何限制下，來找出因素的結構”，對大部分的研究及應用，通常採 用此種方式是較合適的。但在某些情況下，當分析人員由理論的支持 或先前的研究，已知可能的真正資料的結構（例如哪些變數應集在一 起成為一個因素，或者已知因素個數等），因此分析人員想進一步檢 驗先前的假設是否仍適用，則採以驗證性因素分析較為恰當。

驗證性因素分析在近 20 年來變得愈來愈盛行，主因是它對因素 結構已提出架構，相對地對因素負荷做某種程度的限制，並允許因素 間具有關聯性，研究者可以利用資料檢定此架構（或限制）是否合理。

對因素分析結果作驗證（Validation）是很重要的工作，尤其當想 要對變數驗證其結構（或構面），雖然可以利用線性結構方程式作驗 證性因素分析，但此種分析方式不一定都可行，此時可以使用其他方 法作驗證，如將樣本分成兩組，各作因素分析看其結果是否相似，或 在找一組全新的資料作分析，比較兩次結果的相似程度。

資料經因素分析後可以繼續就已簡化後的因素來對個體進一步 作分群（群集分析），或進行對其他的統計分析，如 ANOVA、MDS(多 元尺度分析)，或經由畫因素得點（Score）的散佈圖來找出異常點，

或是作為 LISREL 的構面中測量變數指標。值得注意的是作為構面測

量指標可以是因素得點，也可以用因素負荷中最高的一個變數值為代 表，亦可以是幾個因素負荷較高的平均值（但如有不同號時則採對 比）。

第五節 因素分析模式架構

因素分析是討論如何將 p 個變數

X X

₁

,

₂

, L , X

_p中的每一個變數X_i

分解成少數幾個共同因素（

Common Factor

）

F F

₁

,

₂

, L , F

_m（

m<p

，且 通常比

p

小很多），與獨特因素（

Specific Factor

）

ε

_i^{的線性組合。即}

1

- =

1 11 1 12 2 1_{m m} 1

X µ l F + l F + + L l F + ε

2

-

2

=

21 1 22 2 2_{m m} 2

X µ l F + l F + + L l F + ε M

1 1 2 2

- =

p p p p pm m p

X µ l F + l F + + L l F + ε

其中

F F

₁

,

₂

, L , F

_m是共同因素（簡稱因素），它們在包含每一個變 數

X

_i中，而

ε

_i ^{是獨特因素，只有在第}

ⁱ

^個變數

^X

_i^{中才擁有。}

^l

_ij

（

i = 1, L , p ， j = 1, L , m

）為第

i

個變數

X

_i在第

j

個共同因素

F

_j的權 重或因素負荷（或簡稱為負荷，

Factor Loading

）。

1. 因素分析模式基本假設

因素分析的基本假設有下列三項：

(1) 獨特因素

ε

₁

,..., ε

_p是互相獨立且具常態分配，且

ε

_i^{的平均數為}

0

，而變異數為

ψ

_i^，即

1

p

ε ε

ε

 

 

= 

 

  M

% ～

1

2

0 0

0

0 0

0 , =

0 0

0

p

N

ψ ψ ψ

ψ

     

     

     

     

     

     

 

L L

M M O M

M

L

其中

ψ

是對角矩陣，表示獨特因素

ε

_i^{之間是獨立的。}

(2)

共同因素F ,₁ L,F_m間的共變量矩陣為Φ，即

令

1

q

f f

f

 

=    

    M

% ,

則

11 12 1

21 22 2

1 2

( ) ( ')

p

p

p p pp

Cov f E ff

Φ Φ Φ

 

 Φ Φ Φ 

 

= = Φ =  

 

Φ Φ Φ

 

L L

M M O M

% %%

L

一般要求Φ對角線上的元素Φ =_ii 1，而當時i≠ j

(

即對角線外

)

時則

ij 0

Φ = ，也就是Φ為單位矩陣，它表示共同因素間是獨立的，且變異 數皆為

1

，此乃為最常遇到的要求。

(3)

共同因素與獨特因素間也是獨立的，即

( , )

_{j i}

0

Cov f ε =

對所有 i, j

因素分析模式也可寫成矩陣表示法

X − = µ Lf + ε

% % % %

其中

11 1 1

1 1 1

21 2 2

1

X

, , , ,

X

m m

p p p

p pm p

l l

l l f

X L f

l l f

µ εε

µ ε

µ ε

   

         

         

=  =  =  =  = 

         

     

   

   

L

M M M

M M M

% % % %

L

而

E f ( ) = 0,

% Cov f ( ) = Φ ,

% E ( ) ε = 0,

% Cov ( ) ε ψ = ,

% Cov ( , ) ε f = 0

% %

2. 因素模式中因素之決定

因素分析要達到簡化目標必需選取愈少個因素愈好，但少數因素 其解釋能力相對的也較低，其代表性就較不足，因此如何在簡化與代 表性之間取得平衡乃是一個兩難問題，故其看法亦見仁見智，下面提 出一些常用來決定選取因素個數的參考標準。

(i)

凱莎(

Kaiser

)準則

保留特徵值大於

1

(或大於所有變數的平均變異數)的主成分，亦 即除非所選取的因素的比原始變數平均解釋的還多，否則不選取，此 乃是由凱莎在

1960

年所提出的，也是最常被用來做選取因素個數的 準則。

(ii)

陡坡圖(

Scree plot

)檢驗

陡坡圖是

Cattell

(

1966

)所提出的一種圖形判斷方法，其原理與主

成分分析相同，乃是根據因素之解釋比例來作為一個折線圖，當折線 開始不陡時，表示接下來的特徵值都差不多，因此通常其後之因素都

不選取。

(iii) 累積解釋能力

由研究者所設定一個累積解釋之比例(如 60%以上)，再從所有因 素中由解釋能力較大者開始選取，直至所選取的因素所累積能力總和 達到所要求之門檻為止。

(iv) 特徵值

選取特徵值大於所有變數變異數的平均，即若以相關矩陣來做分 析，則選出特徵值大於 1 之因素，針對因素個數選取的問題，通常還 需符合下列幾項原則：

I. 一般而言，凱莎法偏向選取較多的主成分，而相對的陡坡圖 則會選取較少的主成分。

II. 實務上，選取的主成分是要以能做’解釋’或’說明意義’為主要 考量。

III. 一般由 p 個變數選取 m 個因素時常需滿足¹ ( 1) ( 1) 0 2 p p+ −p m+ ≥

及p>2m

(v) KMO 值

根據 Kaiser 選取的標準，通常會抽取過多的共同因素，因而陡坡

在文檔中 中 華 大 學 (頁 34-48)