研究方法

SEM 體系又可分為兩個次體系：量測模式（measurement model）次體系、

結構模式（structural model）次體系。

(一) 量測模式

量測模式為使用觀察變項來建構潛在變項之模式，說明觀察變項與非關察 變項之間的關係，也就是藉由觀察變項來反映潛在變項。也因此，在 SEM 中的 觀察變項有時也被稱為是反映指標（reflective indicators）；有時為了與潛 在變項有互相對象之關係，觀察變項也可稱為顯在變項（manifest variables）。 量測模式於 SEM 體系中即為一般所稱的驗證性因素分析（confirmatory factor analysis , CFA）；在 SEM 中驗證性因素分析的技術是用來評定觀察變 項可以定義潛在變項的程度。

採用 LISREL 的命名方式，則外因觀察變項是以 X 變項命名，內因觀察變

項 是 以 Y 變 項 命 名 。 由 X 變 項 所 反 映 之 前 在 變 項 則 稱 為 外 因 潛 在 變 項

（exogenous latent variables），且以ξ表示；構成外因觀察變項與外因潛 在變項間的迴歸係數（結構參數）則以 Λ （lambda x）表示；外因觀察變項_x 的量測誤以δ表示。由 Y 變項所反映的潛在變項稱為內因潛在變項（endogenous latent variables），以η表示；構成內因觀察變項與內因潛在變項間的迴歸 係數以Λ 表示；Y 變項的量測誤以ε表示。其公式如下： _y 構關係（linear structural relationship）。結構模式主要是探討潛在變項 與潛在變項之間的關係，與徑路分析相當類似，而不同處在於徑路分析是使用

結構模式中包含了外因潛在變項（ξ）、內因潛在變項（η），以及潛在干 擾（ζ）。內因潛在變項與內因潛在變項間的迴歸係數以β表示，外因潛在變 項與內因潛在變項間的迴歸係數以γ表示。

常見之結構模式有：以一個外因潛在（獨立）變項預測一個內因（依賴）

潛在變項；兩個外因潛在變項一併預測一個內因潛在變項等等。

圖 3-4 一個外因潛在變項預測一個內因潛在變項

圖 3-5 兩個外因潛在變項預測一個內因潛在變項

(三) 完整的/廣義的結構方程模式

完整的 SEM 包含了一個測量模式與一個完全的結構模式。而此種模式有三 種名稱：結構迴歸模式（structural regression model）、統合模式（hybrid model）、LISREL 模式。依據此定義，一個完整的 SEM 包含了一組變項體系，此 一體系中，依據理論而建立潛在變項與潛在變項之間的迴歸關係，以及建構潛 在變項與適當之觀察變項間的關係。

(四) 模式識別

模式識別（model identification）此步驟是處理所獲得模式是否為唯一 外因潛在變項

ξ₁

外因潛在變項 ξ₂

內因潛在變項

η₁ ^干擾 γ 11

γ12 11 干擾 外因潛在變項 γ

ξ ₁

內因潛在變項 η ₁

解也就是說當一個模式被證明為可識別的，則理論上其每一個參數是可以算出 一個唯一的估計值。模式識別的形式可以分為三種：

1. 低識別：當模式方程式的數目少於未知數的數目（估計參數）時，就形成 了低識別。此狀態下，至少會有一個參數無法被估算。此時模式無法得到 求解結果，因此無法進行模式適合度測試。

2. 正好識別：當方程式數目與未知數（估計參數）的數目一樣多十，就形成 了正好識別。在此狀態下，估算結果僅有一組唯一且獨特的結果。因此其 結果為模式與資料數據極為吻合，故不需對模式進行適合度測試。

3. 過度識別：當方程式的數目多餘未知數的數目，稱為過度識別。在此狀態 下，有充裕的資料可以被確認，每個參數都至少還有剩餘一個參數可以被 確認。也就是資料數據比要估算的參數多，因此會有一組以上的解。此時 模式可以被測試與驗證。

假設模式中有p個外因觀察變項，q個觀察變項，則所形成的共變數矩 陣要素（data point）共有1/2（p＋q）（p＋q＋1）個。也就是說能夠提 供1/2（p＋q）（p＋q＋1）個可用於估計的訊息。如果所預估季的參數數 目多於1/2（p＋q）（p＋q＋1）個時，則形成低識別。如果所欲估計的參 數數目小於或等於1/2（p＋q）（p＋q＋1）個時，則有可能獲得唯一解。

此法則稱為t－rule（t規則）。數學條件表達如下：

t ＜＝ 1/2（p＋q）（p＋q＋1）

(五) 適配度評鑑

模式的適配度乃是指假設模式與觀察資料間一致性的程度。處理模式是配 度的評鑑，經常會碰到解釋性與適配度之間的兩難。想要良好的適配，可使能 模式的解釋性降低。一般的情形是釋放更多的參數，以提高適配的程度，但卻 使得模式的解釋相當困難。處理模式是配度評鑑前，必須事先考慮違犯估計

（offending estimates）。當統計估計結果出現違犯估計的現象發生時，則 不論所獲得的適配度多麼良好都是錯誤的。所謂違犯估計是指不論是結構模式 或測量模式中統計所輸出的估計係數超出可接受的範圍；也就是說模式獲得不 適當的解，表示整個模式的估計是不正確的，因此比須加以解決。故檢驗模式 的適配度之前，須先檢視是否產生違犯估計。一般常發生的違犯估計有以下三 種現象：

1. 有負的誤差變異數存在，或是在任何建構中存在著無意義的變異誤。

2. 標準化係數超過或太接近1。

3. 有太大的標準誤。

對於模式的適配度考驗，一般分為整體模式適配考驗與內在結構適配考 驗。整體模式的適配考驗主要是在於了解樣本資料與所要考驗的理論模式間的 配合情形，可說是模式的外在品質檢定。模式的內在結構適配考驗主要是對模 式的內在品質進行檢定，包含評量觀察變項與潛在變項之間的關係（量測模式）

以及潛在變項信度、變異數抽取程度，以及潛在變項與潛在變項間估計參數的 顯著水準（結構模式）。

近 年 來 一 些 學 者 將 整 體 適 配 度 評 鑑 指標 分 為 三 大 類 ： 絕 對 適 配 量 測

（absolute fit measures）、增值適配量測（incremental fit measures）、

簡效適配量測（parsimonious fit measures）。

1. 絕對適配量測：用以決定理論的整體模式能夠預測觀察共變數或相關矩陣 的程度；也是指評鑑一個事前的模式能夠再製樣本資料的程度。常用的絕 對適配量測有：

(1) 概似比卡方考驗值（X ）：在某種自由度下獲得一個顯著的² X 值。² 代表樣本共變數矩陣與理論估計共變數矩陣之間是不適配的。然而模 式之適配檢驗是期望獲得資料與模式是適配的，因此必須獲得不顯著 的卡方值。一般而言學者建議卡方值之顯著水準須大於0.1以上，模 式才可以被接受。然而需特別注意的是卡方值對於樣本數相當敏感，

當樣本數越大時，卡方值越容易達到顯著，導致理論模式遭受拒絕。

(2) 良性適配指標（goodness of fit index , GFI）：：GFI相當類似迴

歸中的R ，從GFI值可以看出理論模式的變異數與共變數，能夠解釋²

樣本資料的變異數與共變數的程度。其範圍大小介於0到1之間，0代 表差勁的適配，1代表完美的適配。通常學者建議GFI值大於0.9時表 示良好的適配。

(3) 均方根殘差（RMR）：RMR是一種平均殘差共變數，由於此一指標受到 尺度的影響，因此沒有一個門檻來決定於何種數值以下，模式是可以 接受的。通常RMR值較小即表示那個模式比較好。

(4) 標準化均方根殘差（SRMR）：SRMR值的範圍在0與1之間。當模式獲得 完美適配時，SRMR值為0。值越大表示模式適配的越差，通常模式獲 得接受的SRMR值為小於或等於0.05。

(5) 近似誤差均方根（RMSEA）：近似誤差均方根指標是近年來相當受到 重視的一個模式適配指標。當RMSEA值等於或小於0.05，表示理論模 式可以被接受，通常定為「良好適配」；；0.05~0.08可視為不錯的

適配；0.08到0.1之間則是「普通適配」；大於0.1表示不良適配。

2. 增值適配量測：其目的在於用一個比較嚴格的或是套層的基線模式來和理 論模式相比較，量測其適配改進比率的程度。常用的增值適配量測有；

(1) 規範適配指標（NFI）：NFI值越接近1，表示理論模式對基線模式的 改進越大；NFI值越接近0表示理論模式和基線模式相比較沒有好到哪 裡去。通常接受模式一般共同的建議值為0.9以上。

(2) 比較適配指標（CFI）；CFI的值介於0與1之間，其值越大表示模式適 配越好，通常CFI需大於0.9時，則可判斷模式為可接受的。

(3) 增值式配指標（IFI）：IFI的值介於0與1之間，其值越大表示模式適 配越好，要判斷模式是否可以接受時，IFI值通常須大於0.9。

(4) 相對適配指標（RFI）：RFI的值介於0與1之間，其值越大表示模式適 配越好。一般認為RFI大於0.9時表示模式可以接受，RFI大於或等於 0.95時，表示模式相當適配。

3. 簡效適配量測：用以呈現需要達成某一特定水準的模式適配估計係數的數 目是多少，其主要目的在於更正模式的任何有過渡適配的情形，相當類似 多元迴歸中的調整R 。常用的簡效適配量測有： ²

(1) 簡效規範適配指標（PNFI）：PNFI的簡效定義為每一個自由度所能達 成的較高適配程度，因此其值越高越好。PNFI主要是使用在比較不同 自由度的模式，目前有些學者建議或不做模式比較時，可採用PNFI值

＞0.5為模式通過與否的標準。

(2) 簡效良性適配指標（PGFI）：PGFI的值介於0與1之間，其值越大表示 模式越簡效。若作為模式是否接受的標準時，一般皆採用PGFI值＞

0,5。

(3) Akaike訊息標準指標（AIC）：AIC值越接近0，表示模式適配越好且 越簡效。

(4) Normed chi-square；用以評鑑各種模式之適配指標，乃是將卡方值 以自由度來加以調整，其公式為卡方值除以自由度。此指標提供兩種 方式來評鑑不適當的模式

i 當其值小於1.00時，表示模式過度的適配

ii 當模式值大於2.0或3.0，較寬鬆之規定為5.0，則表示模式尚未 真實地反應樣本資料，因此模式能需改進。