空氣、環境風險及健康狀況感知之結構模式分析

一、模式界定

本研究在問卷調查中，以空氣品質感知、環境風險感知及健康狀況感知分為 三個構面，而本研究的三個內因潛在變項為空氣品質感知(air)、健康狀況感知 (health)及環境風險感知(risk)，而隸屬於三個面向下共有 9 個內因觀察指標。

本研究原先對於空氣品質感知、自身健康狀況感知及環境風險感知的相互影 響關係未知，因此先將其設定為可能會相互影響，如圖 4-1(a)。經結構方程式(SEM) 程式輸出且逐次修正，並將模式修正為空氣品質感知影響到環境風險感知再進一 步影響自身健康狀況感知，形成圖 4-1(b)模式且達到適配，此結果表示經由本研 究問卷調查結果顯示圖 4-1(b)模式較佳，因此形成本研究的模式架構。

空氣品質 感知(air)

個人健康 狀況感知 (health)

環境風險 感知 (risk)

(a)

Air Risk Health

(b)

圖 4-1 研究架構變化圖

86

二、模式識別

在進行驗證性因素分析(CFA)之前，必須先針對研究架構進行模式識別，以 了解研究架構設計是否可用結構方程模式來分析。依據 Bollen(1989)的模式識別 評定評定原則，首先必須符合 t 規則，t≤(p+q)(p+q+1)/2。其中 t 為估計參數數目；

p 為外因觀察指標個數；q 為內因觀察指標個數；(p+q)(p+q+1)/2 為共變數個數(引 自黃芳銘，2004)。本研究之共變數個數共有 78 個，而估計參數個數共有 9 個，

符合 t 規則要求，每個潛在變項都至少有 2 個觀察指標，亦符合要求，本研究模 式可以獲得識別(黃芳銘，2004)。在模式識別完成後，接著要進行資料檢視。

三、資料檢視

由表 4-16 得知在自身感知模式中居民與員工分別各 9 個觀察變項之態勢絕對 值介於 0.111 至 0.527 之間；峰度絕對值介於 0.021 至 0.892 之間，全部觀察變項 均為常態分配，符合使用最大概似法(Maximum Likelihood, ML)之規範，故本研 究採用 ML 法進行估計。

結構方程模式之最大概似法(ML)及最小平方法(Generalized Least Square, GLS)等估計方法受研究變項之分配性影響很大，因此以 LISREL8.51 進行驗證性 因素分析之前，須先檢視樣本資料是否為常態分配，以確認所得資料符合結構方 程模式最大概似法(ML)之假定，避免對模式估計與檢定結果造成偏誤。

根據 Kline(1998)指出：變項分配的態勢絕對值大於 3，即為極端偏態。峰度 絕對值若大於 10 則視為有問題；若大於 20 則視為極端峰度。假設變項分配合乎 上述標準(態勢絕對值小於 3；峰度絕對值小於 10)，則使用 ML 法來估計(引自黃 芳銘，2004)。

87 有產生不適當的解，有不適當的解產生，就是一種違犯估計(offending estimate)。

一般常發生的違犯估計有下列三種(黃芳銘，2004)：

(一)有負的誤差變異數(≦0)存在，或是在任何建構中存在無意義的變異誤。

(二)標準化係數超過或太接近 1(＞0.95)。

88

89

但 Bentler and Wu(1983)以及 Joreskog and Sorbom(1989)等人建議，模式中各 觀察變項的標準化參數值(λ)最少須在 0.45 以上，才能表示觀察變項足以反映潛 在變項(引自黃芳銘，2004)。而本研究分別有員工的 p3、p9 兩題項之因素負荷量 分別為 0.43、0.30 未達標準，但多數題項之 t 值皆達顯著(t≧1.96)，具有統計上 的意義，因此將這些題保留，留待後續檢驗再做處理。

(二)整體模式適配度檢驗

由表 4-18 發現所有參數估計均無違犯估計。接下來要瞭觀察資料對理論模式 (圖 3-1)之整體模式適配情形，各指標接受值請參閱第三章第三節，由下表 4-18 可知，居民及員工的部分僅 PNFI 達接受值，其餘指標： 、GFI、SRMR、

RMSEA、RFI、CFI、PGFI 和 CN 未達接受值，表示觀察資料與理論模式適配不 佳，需進行模式修飾，因此檢核修正指標(MI)，MI 值大的建議優先修正，但應通 盤考量，過程採逐次修正。

表 4-17 受測居民及員工感知模式適配度考驗指標摘要

絕對適配指標 相對適配指標 簡效適配指標

GFI SRMR RMSEA RFI CFI PNFI PGFI CN 居民

假設

模式 ^{12.73 0.81 0.19 0.20 0.73 0.83 0.57 0.45 44.57} 修正

模式 ^{2.46 0.97 0.03 0.07 0.95 0.98 0.62 0.5 247.3} 員工

假設

模式 ^{9.9 0.79 0.19 0.21 0.60 0.74 0.50 0.44 38.95} 修正

模式 ^{2.03 0.98 0.037 0.069 0.94 0.99 0.5 0.5 276.56} 接受

值 ^＜3 ≧0.9 ≦0.05 ≦0.08 ≧0.9 ≧0.9 ≧0.5 ≧0.5 ≧200 註： 表 示 該 指 標 未 達 接 受 值 。

90

＝0.40；t 值＝6.12*)未達標準外，發現所有觀察指標均已達 Bentler and Wu(1983) 以及 Joreskog and Sorbom(1989)等人建議之標準，即觀察變項之標準化負荷係 數(λ)＞0.45 (引自黃芳銘，2004)；但因顧及模式之完整性、整體模式適配度 及該四項觀察指標具有統計意義而予以保留。由上述結果探討，本研究認為整 體觀察變項均足以反映其所建構之潛在變項。

Air

q1 Risk

Health Chi-Square=44.58, df=18, P-value=0.00048, RMSEA=0.069

圖 4-2 修正後的受測居民自身感知模式(全模式)

91 Chi-Square=14.01, df=7, P-value=0.05093, RMSEA=0.069

圖 4-3 修正後的受測員工自身感知模式(全模式)

LISREL 之多元相關平方(SMC)相當於 SPSS 之信度( )，當多元相關平方越 高，表示個別觀察變項的信度越高，越能反映潛在變項，一般來說 SMC＞0.50 即可接受（邱皓政，2006）。

由表 4-19 顯示，經過刪題修正後，居民及員工各剩下 8、6 個觀察變項，其 多元相關平方介於 0.23~1.41 之間，分別有 p2(0.23)、p3(0.31)、p7(0.44)等題項 SMC 未達 0.5 以上，其餘觀察變項之 SMC 皆達 0.5 以上，但為顧及整體模式適 配，避免過度修飾及上述題項具有統計上之意義(t≧1.96)，而不予刪除。

另外，根據黃芳銘(2004)的建議，建構信度須大於 0.60 及平均變異數抽取量 須大於 0.50 之門檻。本研究 6 個潛在變項之組合信度(建構信度)介 0.55~0.91 之間，僅員工的空氣品質感知(0.55)、外，其餘潛在變項之組合信度皆大於 0.60；

而平均變異數抽取量介於 0.38~0.84，除員工的空氣品質感知(0.38)未大於 0.50 外，其餘潛在變項皆大於 0.50。

綜上所述，本研究之觀察變項信度未達標準值之題目較少，且本研究之測量 模式在某一部份的潛在變項上之信度及效度較不足，可能是因為抽樣之樣本數 不足所致，後續之研究者需注意此方面之問題。

92

93

94

表 4-20 受測居民及員工自身感知模式影響效果係數表 變數路徑 總效果 變數路徑 總效果

居民 員工

空氣品質感知

↓ 環境風險感知

0.90*

空氣品質感知

↓ 環境風險感知

0.19*

環境風險感知

↓ 健康狀況感知

0.48*

環境風險感知

↓ 健康狀況感知

0.31*

95