研究方法 - 用路價值對機車違規意向之研究分析

3.1 研究架構

由於價值觀本身是抽象的、普遍性的概念，學者對於價值觀概念的看法並不一致，

對價值觀的定義與理論相當分歧，Rokeach(1973)致力於價值觀概念的整合，他認為價值觀及態度兩者一起構成信念體系，並區分價值觀是超越具體對象或情境的一般性的信念，而態度指針對具體對象或情境的許多信念的組織，而過去對工作價值觀的研究當中，

對於工作價值觀的後果變項，其中普遍被研究並得到支持的是工作態度相關變項。

Becker(1968)提出預期效用概念，以此理論基礎個人違法行為是基於理性的。

價值觀是個人或社群用以判斷事物或行為的一種標準，從價值判斷可以使人理解什麼是合乎社會規範的正當行為，什麼又是違反社會規範的偏差行為。

價值與規範是一體的兩面，價值影響著態度，如應不應遵守交通規則，規範著重於實際行為方面，如是不是遵守交通規則。對價值觀所作的概念研究，Rokeach(1968) 及 Kahle(1983)視價值觀為一種持久的信念。在行為不易量測或無法量測，大多以意向代替行為之量測，本研究基於行動理論構建出價值、態度與意向的基本模型，並加入計畫行為理論的感知行為控制為調節變量，價值觀為潛在變數，路徑量測模式如下圖 3.1

圖 3.1 研究架構圖

3.2 因子分析

因子分析是起源於20 世紀初期，心理學領域為了研究有關人類行為不可直接量測的因素，所發展出來的多變量統計技術，將研究中眾多的變數萃取成較少的幾個變數，

而萃取之後的變數即稱為因子。剛開始主要應用於人類行為的研究，之後才逐漸擴及於各個領域，如社會學、政治學、管理學等。研究者經常會去測量到一些抽象的概念，為了要能測量出某一潛在特值的強度與內在結構，將具有共同特性或有特殊結構關係的測量指標，抽離出背後潛在概念並進行因子關係的探究之統計分析技術，即是因子分析。

由於各問項間可能具有高度的相關性，若直接以得分高低作為選擇模式的解釋變數，

不但可能因問項間的共線性造成估計偏誤的情形外，也會受到選取的尺度不同而導致校估結果不一致的情形。一般而言，若變數之間有高度的相關性，其極易形成共線性的問題，所以在操作時變數的選擇，需要經由因子分析將眾多的變數縮減為少數的幾個因子，

以解決共線性問題。

3.2.1 探索性因子分析

過去很多研究在進行因子分析之前，並未對於資料的因子結構有任何預期與立場，

而藉由統計數據來研判，此種因子分析帶有濃厚的嘗試錯誤的感覺，稱為探索性因子分析。目前並未有對影響針對騎車駕駛行為的價值觀研究，因此決定採用探索性因素分析，

利用變數縮減的方式釐清變數間的關聯性，其數學式表示如下：

x = F y + e， (3-1)

其中，

x 為可直接觀測的變數向量，

F 為指標變數與構面間相對應的因素負荷量矩陣，即要量測之潛在構面。

e 稱為獨特因素 (Unique factor)。

因素負荷量與獨特因素相當於迴歸分析中的已解釋變異與未解釋變異，表示潛在構面解釋變數能力的強弱。

3.2.2 探索性因子分析步驟

本研究將使用SPSS 軟體進行因子分析，其步驟如下說明：

1.相關矩陣的計算與運用

因子分析的基礎是變項之間的相關。因此第一步是先計算各變數之間的兩兩相關後，再詳細檢視該矩陣所代表的意義。第二步會計算此矩陣之取樣適切性量數 (Kaiser-Meyer-Olkin measure of samplingadequacy, KMO)，使統計量用於研究變數之間的偏相關性，它比較的是各變數之間的簡單相關與偏相關的大小，取值範圍在0~1 之間。此量數越大，表示越適合使用因子分析，因為各變數之間存在內在關係，則由於計算偏相關時控制其他因素就會同時控制潛在變數，導致偏相關係數遠遠小於簡單相關係數，此時KMO 值會接近1。如下表3.1 所示：

表3.1 KMO 統計量表

KMO 統計量因子分析適合性

0.91 以上極佳 (marvelous) 0.81 以上~0.9 以下良好 (meritorious) 0.71 以上~0.8 以下中等的 (middling) 0.61 以上~0.7 以下普通的 (mediocre) 0.51 以上~0.6 以下不佳的 (miserable)

0.5 以下無法接受 (unacceptable) 2.因子的抽取

此一步驟的目的在決定從這些測量變數當中，存在著多少個潛在因素。除了人為設定因子的個數外，還有許多可以決定因子個數的方法與指標，包括主成份分析法、主軸因素法、最小平方法等，最常用的抽取方法是主成份分析法，主要歸因於較為單純的數學轉換程序，以及容易理解與操作的特性。

3. 因子個數的決定

因子個數的決定主要依據的原則是特徵值的大小，特徵值代表某一因子可解釋的總變異量，特徵值越大，代表該因子的解釋力越強。一般而言，特徵值需大於1，才可被視為一個因子。

4. 因子轉軸

為方便因子的解釋，需利用因子轉軸。轉軸的目的，是在釐清因子與因子之間的關係，以確立因子間最簡單的結構。轉軸一般使用直交轉軸，採用直交轉軸隱含著構面具有獨立的特性，將因子之間進行最大的區隔。

5. 以SPSS 軟體進行構面的萃取與因素負荷量的估計。

6. 信度分析(Analysis of Reliability)

信度(Reliability)是指衡量工具的可靠程度，如正確性(Accuracy)或精確性

(Precision)，其中包含了穩定性(Stability) 及一致性(Consistency)兩種含意。Cronbach’s α 係數是用來量測問卷內部的一致性，Cronbach’s α 係數愈大，表示量表內的內部一致性愈高，倘α 值大於0.70 則顯示其信度相當高，一般認為至少大於0.6，介於0.70 與 0.35 間的信度為尚可，而如小於0.35 則表示信度低。本研究以特徵值大於1 之因子做

為選擇之標準。當因子數目決定後，就必須為因子命名，一般是依據因子中負荷量大的變數來給予因子一適當的名字。

3.3 效度分析

效度表示一份問卷可以正確的量測出特質或屬性的程度，而針對問卷是否可以正確反應出其所欲量測的構面，稱為「建構效度」(Construct Validity),構念效度分為兩種，

收斂效度與區別效度。收斂效度是指測量變項反應相對應的潛在構念的程度，而區別效度是指由不同因素構念間所表示的心理特質的差異。

3.4 結構方程模式

結構方程模式具有理論先驗性，其特性為因果模式必須建立在一定理論基礎上，

本研究理論基礎即為計畫行為理論。結構方程模式有二個基本模式:一為測量模式，一為結構模式。測量模式為潛在變數與觀察變數組成，就數學定義而言，測量模式為觀察變數對潛在變數的線性函數，在 SEM 分析模式中，一個潛在變數必須有 2 個以上觀察變數來估計，稱為多元指標原則，其數學式及圖形如圖 3.4:

AT1=



₁

^

⁺

_



AT2=



₂

^

⁺

_



AT3=



₃

^

⁺

_



AT4=



₄

^

⁺

_



⁴

AT5=



₅

^

⁺

_



⁵

圖 3.4 潛在變數測量圖

結構模式亦稱為路徑分析，路徑分析法(Path Analysis)最早是由遺傳學者 Sewll Wright 於 1921 年所提出，主要是用來解釋基因之於人類的因果關係。1925 年 S ewll Wright 將路徑分析首次應用於經濟學上，用來分析玉米及毛豬的價格，之後亦有人用於社會行為學科的研究。路徑分析主要在於分析變數間的因果關係(causal rela tionship)，通常我們常以兩變數之相關係數來衡量其相關程度，但相關係數並無法說明變數間的因果關係。結構方程模式其各項適配度指標如下表 3.2。

AT1 AT2 AT3 AT4

AT5

ξ

表3.2結構方程模式適配度指標表

統計檢定量配適度標準

x

² 愈小愈好，其 p 值至少小於 0.05 卡方自由度比小於 2 為良好

GFI 大於 0.9，為良好

RMSEA 0.05 以下優良，0.05~0.08 為良好 RMR 此值最好小於 0.05，小於 0.025 更佳

NFI 大於 0.9，為良好

AGFI 大於 0.9，為良好

CFI 大於 0.9，為良好

在文檔中用路價值對機車違規意向之研究分析 (頁 23-28)