3.8 統計分析方法 統計分析方法 統計分析方法 統計分析方法
3.8.4 結構方程式分析
結構方程模式(Structural Equation Modeling)，簡稱 SEM，又稱為「線性結構關 係模式｣(Linear structural relationship model)、「驗證性因素分析｣(Confirmatory factor analysis, CFA)、「潛在變項模式｣(Latent variable analysis)等(Hair et al., 1998 &
Moustaki et al., 2004)，屬於「多變量統計｣(Multivariate statistics)的一環，融合了因 素分析(Factor analysis)以及路徑分析(Path analysis)兩種統計方法，是一種呈現客觀 狀態的數學模式，主要用來檢定有關觀察變項(Observed variables)與潛在變項 (Latent variables)之間的假設關係(吳明隆，2006)。結構方程式模式(SEM)能夠同時 處裡多組變數之間的關係，提供研究者從探索性分析(Exploratory analysis)轉成驗證 性分析(Confirmatory factor analysis, CFA)的機會(李明聰，2011)。方程式如下：
SEM = CFA + PA
結構方程模式(SEM)與 LISREL 統計應用軟體密不可分。LISREL 是線性結構 關係的縮寫，結合矩陣模式的技巧，用以處理共變數結構分析的一套電腦程式(吳 明隆，2006)。結構方程模型中有二個基本的模式，測量模式(Measured model)與結
57
構模式(Structural model)。前者為潛在變項與一組觀察變項之共變效果；後者為潛 在變項或一組觀察現象與潛在變項之間的連結關係。詳見圖 3-8-1：
圖 3-8-1 測量模式和結構方程式模式
Figure 3-8-1 Measurement model and structural model (李明聰，2011)
A、 結構方程式分析程序
a、 Hair 等(1998)對於 SEM 模型的分析程序，根據測量模式、結構模式的建構與 模式產生的有效性，認為應有七個步驟：
(a).發展理論模式架構(Develop a theoretically based model) (b).建構因果路徑圖(Construct path diagram of causal relationship)
(c).轉換因果路徑圖為結構模式與測量模式(Convert the path diagram into a set of structural and measurement modles)
(d).選擇分析模式 (Choose the input matrix type and estimating the proposed model)
(e).評估模式的辨識 (Assess the identification of the structural model) (f).評鑑與解釋模式的適配標準 (Evaluate goodness-of-fit criteria) (g).模型的修改(Interpret and model modification)
b、 Diamantopoulos 與 Siguaw(2000)認為 SEM 模型的分析程序有八個步驟：
58
(a).模型的概念化(Modle conceptualization) (b).路徑圖的建構(Path digram construction) (c).模型的確認(Model specification)
(d).模型的辨識(Model identification) (e).參數的估計(Parameter estimation)
(f).模型適配度的評估(Assessment of model fit) (g).模型的修改(Model modification)
(h).模型的複核效化 (Model cross-validation)
c、 Bollen 與 Long(1993)認為在 SEM 模型的分析程序上，有五個步驟：
(a).模型的確認(Model specification) (b).模型的辨識(Model specification) (c).參數的估計(Estimation)
(d).適配度的檢定(Testing fit) (e).再確認(Respecification)
故本研究綜合上述學者之觀點，採取的結構方程式模式分析程序圖，如圖 3-8-2 所示。
59
圖 3-8-2 結構方程式模式之分析程序圖
Figure 3-8-2 Analysis of path of structural equation model B、 驗證性因素分析(Confirmatory factor analysis, CFA)
驗證性因素分析即為測量模式分析，其功能在檢驗潛在變項與一組觀察變項 之共變效果。良好的測量模式須滿足兩件事：一、研究模式中各觀察變項需能正 確地測量出個潛在變項；二、同一觀察變項不能對於不同的潛在變項均產生顯著 的因素負荷量(Factor loadings)。因此，可藉由下列的四項指標來滿足上述之條件。
茲分說明如下：
a、 聚合效度評鑑
聚合效度評鑑為個觀察變項對其潛在變項的因素負荷量。Bagozzi 與 Yi(1988) 建議該值應在於 0.5 以上。
b、 觀察變數之個別信度
60
觀察變數之個別信度是由驗證性因素分析所計算出的個別變項 R2 值。
Bollen(1989)認為只要是 t 值的絕對值大於 1.96 達顯著水準，R2就可以被接受。
c、 估計參數的顯著水準
檢視觀察變項對潛在變項的因素負荷量是否達顯著水準。模式中各變項關係 的 t 值須大於 1.96。
d、 標準化殘差
標準化殘差的目的在於檢視模型特定參數設定是否達到理想值。若測量模式 有良好適配度，其值應呈現常態分佈且絕對值小於 2.58(Joreskog & Sorbom, 1989)。
C、 結構方程式模式適配度之評鑑
適配度指標(Goodness-of-fit indices)是評鑑假設的徑路分析模式圖與蒐集的資 料是否相互適配。本研究以學者 Bagozzi 與 Yi(1988)認為進行結構方程式模式適配 度之評鑑可檢視假設模式與實際資料是否契合，需同時考慮三個方面，茲分如下：
a、 基本適配度指標(Preliminary fit criteria)
在 進 行 模 式 適 配 度 的 評 鑑 之 前 ， 必 須 事 先 檢 視 是 否 違 犯 估 計 (Offending estimates)。違犯估計是指不論是測量模式或結構模式中，所統計輸出的估計係數 超出可接受的範圍。這表示整個模式獲得不適當的解，必須加以解決(黃芳銘，2006)。
Hair 等(1998)以及 Boomsma 與 Hoogland(2001)建議，檢驗模式估計時，首先需檢 視是否有下列三種違犯估計之現象：
(a).是否有負的誤差變異數(Negative error variances)存在。
(b).標準化係數(Standardized coefficients)是否超過或太接近 1 之間。其數值最 好介於 0.5~0.95 之間(Bagozzi & Yi, 1988)。
(c).是否有太大的標準誤(Standard error)。
檢定後若無以上違犯估計的現象，則可開始進行整體模式適配度指標以及內 在結構適配度指標之檢定。
b、 整體模式適配度指標(Overall model fit)
61
Bagozzi 與 Yi(1988)兩位學者將其細分為「絕對適配指標｣(Absolute fit indices)、
「相對適配指標｣(Relative fit indices)以及「簡約適配指標(Parsimonious fit indices)｣
等三方面來進行評鑑。故本研究藉此來評判所提出之假設模式與實際觀察資料的 契合情形。表 3-8-1 為評鑑結構方程式整體模式適配度的各項指標名稱、適配標準、
意義以及範圍。
表 3-8-1 整體模式各項適配度指標及判定標準
Table 3-8-1 The overall model fit and standard requirement of structural equation model
分類 指標名稱 判定標準 意義 範圍
絕對適配 指標 Absolute fit indices
χ2卡方值 越小越好 square residual
≦0.05
62 square residual
≦0.05 square error of approximation Relative fit
indices
CFI 比較適配指標 Comparative fit
index
Normed fit index 標 Non-normed
fit index
≧0.9
NNFI 又 稱 Tucker-Lewis index(TLI) 。 因 考 量 到 自 由 度 的 影 Incremental fit
index
Relative fit index normed fit index
≧0.5
63
分類 指標名稱 判定標準 意義 範圍
臨界樣本數 Critical N
檢定的基礎上，要得到一個理論模式 適配的程度，所需要的最低樣本大小 值。
(資料來源：李明聰，2011；吳明隆，2006；黃芳銘，2006；邱皓政，2006) c、 內在結構適配度指標(Fit of internal structural model)
Bagozzi 與 Yi(1988)認為模式內在結構適配度準則方面可依下列幾個標準來判 斷(詳見表 3-8-2)。茲分如下：
(a).個別觀察變項的項目信度(Individual reliability)：每一個觀察變項的 R2可以 反映出其潛在變項的信度值。Bagozzi 與 Yi(1988)認為 R2 應大於 0.5；
Bollen(1989)認為只要是 t 值的絕對值大於 1.96 達顯著水準，R2就可以被 接受。
(b).潛在變項的建構信度(Construct reliability, CR)：建構信度在檢定每一個潛 在變項之觀察變項內部一致性高低的程度，又稱「組合信度｣(Composite reliability)。Kline(2005)認為 CR 值在 0.9 以上為「最佳｣，0.8 附近為「非 常好｣，0.7 附近則是「適中｣，0.5 以上是「最小可接受範圍｣。Raine-Eudy(2000) 則認為 CR 值只要在 0.5 以上即可。
(c).潛在變項的平均變異數抽取量(Average extracted variance, AEV)：平均變異 數抽取量是計算構念之各觀察變項(衡量題項)對該潛在變項的平均變異解 釋力。數值若是在 0.5 以上，則表示該潛在變項有較良好的信度跟收斂效 度(吳明隆，2006、李明聰，2011)。
表 3-8-2 內在結構適配度指標
Tabel 3-8-2 The requirement of fit of internal structural model
指標名稱 適配標準
個別觀察變項的項目信度 R2＞0.5
t 值的絕對值＞1.96
潛在變項的建構信度(CR) ＞0.5潛在變項的平均變異數抽取量(AEV) 0.5 以上
64
D、 模式修正(Model modification)
為了提高假設模式的適配度，可針對初始理論模式進行局部的修改或調整的 程序，以得到實質的、合理的解釋。