研究方法

本研究的構面分別為「自我效能」、「成就動機」，「學習投入」的

「行為投入」、「情感投入」與「心智投入」，以及「專業能力」等共六 個構面，問卷中六個構面所使用的量表，皆是採用李克特五點量表 (Likert Scale) ，依照問項的同意程度，分成「非常不同意」、「不同意」、「普 通」、「同意」與「非常地同意」等共五個等級，依次給以1、2、3、4、

5之分數，數值愈高即表示同意程度愈高。

自我效能構面所使用之量表，依據戴凱欣（2012）個人特質影響技專 學生使用手機學習英文字彙之行為意圖：以學習自我效能、焦慮與後設認 知之驗證性研究，將其量表加以修訂成「自我效能」題項共8題，詳細如 附錄之研究問卷。

成就動機構面所使用之量表，依據王霈環（2019）正向心態、成就動 機對工作投入、生涯發展信心的相關研究-以科技業研發人員為例，將其 量表加以修訂成「成就動機」題項共9題，詳細如附錄之研究問卷。

學習投入的「行為投入」、「情感投入」與「心智投入」等三個構面 所使用之量表，依據張李宥茹（2019）媽寶行為覺知、補習投入與持續補 習意願之研究，將其中補習投入量表部分之「補習行為投入」、「補習情 感投入」與「補習心智投入」加以修訂成「行為投入」題項8題、「情感 投入」題項9題與「心智投入」題項8題，總計題項共25題，詳細如附錄之 研究問卷。

專業能力構面所使用之量表，依據Hong等人（2008）Competency disparity between pre-service teacher education and in-service teaching requirements in Taiwan之研究，將其中能力量表部分的「專業能力」加以 修訂成「專業能力」題項共8題，詳細如附錄之研究問卷。

67

回收的問卷先實行檢查與整理，將無效填答之問卷刪除，接著將問卷 進行建檔與編碼，再以SPSS (statistical package for social science) 與AMOS (analysis of moment structures) 等套裝軟體進行統計分析；本研究主要採用 下列幾種分析方法對資料進行分析，第一種，敘述性統計分析，第二種，

題項效度分析，第三種，構面信效度分析，第四種，結構方程模型分析，

細部內容茲分別敘述如下。

壹、 敘述性統計分析

吳明隆與涂金堂（2012）以敘述性統計來瞭解資料的人數統計，透過 樣本特徵分析，執行次數分配表，能瞭解資料所代表的意義，為資料分析 的基本工具，先對數據結構進行了解，採用次數分配程序以顯示數據結構，

其包含了背景分析顯示數據的次數、百分比、累計百分比以及基本統計數 據，與構面分析的平均數 (M) 、標準差 (SD) 等數據。

貳、 題項效度分析

題 項 效 度 分 析 分 別 檢 驗 內 部 效 度 (internal validity) 與 外 部 效 度 (external validity) ，內部效度在檢驗題項是否精確符合構面；FL值須大於 0.5 (Hair, Black, Babin, & Anderson, 2010) 。外部效度則用以判斷研究之解 釋範圍；將各題項間的問卷資料分成前27%與後27%兩個群體，並使用獨 立t檢定來驗證，檢驗數據是否具備統計上的顯著水準，若符合標準則表示 有良好鑑別度，若未符合則應將題項刪除，p值須小於0.05（吳明隆與涂金 堂，2012）。

參、 構面信效度分析

構面信效度分析，分成構面信度分析與構面效度分析；構面信度分析 在檢驗各構面的內部一致性，包含了克隆巴赫係數 (Cronbach’s α) 和組成 信度 (composite reliability, CR) 兩個部分，而構面效度分析主要在檢驗準

68

確性與有效性，確認研究量表可以有效地測量出各個構面的程度，即建構 效度 (construct validity) ，其中包含了收斂效度 (convergent validity) 和區 別效度 (discriminant validity) 兩個部分 (Hair, Black, Babin &, Anderson, 2009) ，茲分別敘述如以下段落。

一、 構面信度

用以檢查構面中問項之一致性，確認一個構面中的問項之間有一定 程度以上之相關性，檢驗以下兩項指標：

（一） 克隆巴赫係數

克隆巴赫係數 (Cronbach’s α) 檢驗各構面的內部一致性，克隆巴 赫係數值越高即表示構面的內部一致性越高；Cronbach’s α值須大於 0.7 (DeVellis, 2016)。

（二） 組成信度

組成信度 (composite reliability, CR) 是所有測量變項信度之組合

，代表構面指標之內部一致性，類似Cronbach’s α值，組成信度愈高則 代表構面的內部一致性愈高；組成信度值須大於0.7 (Fornell & Larcker, 1981) 。

二、 構面效度

用以確認研究量表可以有效地測量出各個構面的程度，分為收斂效 度 (convergent validity) 和區別效度 (discriminant validity) 兩個部分。

（一） 收斂效度

收斂效度分析 (convergent validity analysis) ；檢驗以下兩項指 標：

1. 因素負荷量

因素負荷量 (factor loading, FL) 使用因素分析來確認個別問項 與因素之間的相關性，瞭解這些問項該因素的佔比有多少，因素負

69

荷量愈高則表示收斂效度愈高；因素負荷量值須大於0.5 (Nunnally, 1978) 。

2. 平均變異數萃取量

平均變異數萃取量 (average variance extracted, AVE) 是計算潛 在變項對測量變項解釋能力之平均值，平均變異數萃取量愈高則代 表構面收斂效度愈高；平均變異數萃取量值須大於0.5 (Fornell &

Larcker, 1981) 。

（二） 區別效度

區別效度分析 (discriminant validity analysis) 係用以檢查兩個不 同的構面，於統計上有差別與否，不同構面的問項之間，不應該存在 有高度的相關性；構面與其度量之間共享的平均方差，應該大於構面 和模型中任何其他構面共享之方差，才能算是具有區別效度 (Fornell

＆ Larcker, 1981) 。 肆、 結構方程模型分析

結構方程模型分析較傳統回歸方法更為準確合理（林文鶯、侯杰泰， 1995）；有許多研究都使用結構方程模型分析 (structural equation modeling, SEM) 以建立研究模型，據以明瞭變項間之因果關係，藉此建立研究假設，

之後蒐集資料加以驗證假設，結構方程模型分析是一種以迴歸作為基礎之 多變量統計方法，能夠觀察多個變項間之影響關係，也能處理各個潛在變 項以解釋驗證過程中的誤差，其內容包含了驗證性因素分析、模型適配度 分析、路徑分析等 (Marsh, Hau, Balla, & Grayson, 1998) ，細部內容茲分述 如下。

一、 驗證性因素分析

驗證性因素分析 (confirmatory factory analysis, CFA) 在結構方程模 型分析中扮演十分緊要之角色 (MacCallum & Austin, 2000; Brown,

70

2006) ；係進行結構方程模型分析整合之前置步驟，主要在量測研究變 項和潛在變項間之關係，是結構方程模型中的基礎測量 (Bentler, 1980)

；如果驗證性因素分析沒有得到值得進一步分析的數據支持，那麼結構 方程模型分析是毫無意義的 (Thompson, 2004) 。

二、 模型適配度分析

模型適配度分析 (model fit analysis) 是結構方程模型分析中的必要 條件 (Kline, 2016) ；適配度越好表示模型與樣本之間的關係越接近；一 般常用以下幾種適配度來進行檢測 (Hair et al., 2009; Kenny, Kaniskan,

& McCoach, 2015) ：

（一） 絕對適配度 1. 卡方/自由度比

卡方/自由度比 (χ²/𝑑𝑑𝑑𝑑) 用以檢驗模型與各個變項之間的適配 程度，卡方自由度比值愈小即代表適配程度愈高；卡方自由度比值 須小於5 (Lomax & Schumacker, 2004) 。

2. 平均近似誤差均方根

平均近似誤差均方根 (root mean square error of approximation, RMSEA) 用以檢驗各個變項之間差異的指標，平均近似誤差均方根 值愈小則代表適配程度愈高；平均近似誤差均方根值須小於0.1 (Browne & Cudeck, 1993 ; MacCallum, Browne, & Sugaeara, 1996) 。 3. 適配度指標

適配度指標 (goodness of fit index, GFI) 用以檢驗計算理論和 觀察資料共變數之中變異量以及共變量的指標，適配度指標值越高 即表示適配之程度越高；適配度指標值須大於0.8 (Browne & Cudeck, 1993) 。

4. 調整之適配度指標

71

調整之適配度指標 (adjusted goodness of fit index, AGFI) 是將 適配度指標值 (GFI) 依據自由度進行調整，使指標值不受樣本數量 影響，調整之適配度指標值越高即表示適配之程度越高；調整之適 配度指標值須大於0.8 (Hairet al., 2009) 。

（二） 相對適配度 1. 標準適配指標

標準適配指標 (normed fit index, NFI) 用以檢驗假設模型和獨 立模型之卡方值差異，標準適配指標值越高即表示適配之程度越高；

標準適配指標值須大於0.8 (Hu & Bentler, 1999) 。 2. 非標準適配指標

非標準適配指標 (non-normed fit index, NNFI) 是將標準適配度 指標值 (NFI) 依據模型複雜程度進行調整，使指標值不受模型複雜 程度影響，非標準適配度指標值越高即表示適配之程度越高；非標 準適配度指標值須大於0.8 (Hu & Bentler, 1999) 。

3. 比較適配指標

比較適配指標 (comparative index, CFI) 用以檢驗假設模型和無 任何共變關係的獨立模型之差異程度，同時依據被驗證模型和中央 卡方分配之離散性進行調整，比較適配度指標值越高即表示適配之 程度越高；比較適配度指標值須大於0.8 (Hu & Bentler, 1999) 。 4. 漸增式適配指標

漸增式適配指標 (incremental fit index, IFI) 是依據假設模型的 卡方值與獨立模型的卡方值所計算出來的指標，依樣本數量進行調 整，漸增式適配度指標值越高即表示適配之程度越高；漸增式適配 度指標值須大於0.8 (Hu & Bentler, 1999) 。

5. 相對適配指標

72

相對適配指標 (relative fit index, RFI) 同樣是依據假設模型的 卡方值與獨立模型的卡方值所計算出來的指標，相對適配度指標值 越高即表示適配之程度越高；相對適配度指標值須大於0.8 (Hu &

Bentler, 1999) 。

（三） 精簡適配度 1. 精簡標準適配指標

精簡標準適配指標 (parsimony normed fit index, PNFI) 用以檢 驗假設模型之精簡程度，精簡標準適配指標值越高即表示假設模型 精簡程度越高；精簡標準適配指標值須大於0.5 (Mulaik, 1989) 。 2. 精簡適配指標

精簡適配指標 (parsimony goodness fit index, PGFI) 用以檢驗假 設模型之精簡程度，並依據模型中估計參數的多寡進行調整，精簡 適配指標值越高即表示假設模型精簡程度越高；精簡適配指標值須 大於0.5 (Mulaik, 1989) 。

三、 路徑分析

路徑分析 (path analysis) ，結構方程模型是依據文獻理論為基礎，

建構各個構面之間的關係與假設，與建構出各個構面間之路徑關係圖 (Hair et al., 2009) 。在結構方程模型的分析圖上，會產生路徑係數，而 這些係數代表著自變項對應變項的影響程度，也能夠解釋構面對構面間 影響之直接效果、間接效果與總效果。

73