結構方程式模式分析

結構方程式(Structure Equation Modeling, SEM)用以處理複雜的多變量研究數 據的探究與分析，被歸類為高等統計學屬於多變量統計(multivariate statistics)的一 環(邱皓政，2003)，一種呈現客觀狀態(objective status of affairs)的數學模式，一種 呈現作為溝通抽象概念的客觀語言，從統計的語言來說，結構方程式(SEM)是用來

檢定有關於觀察變項(observed variables)與潛在變項(latent variable)之間假設關 係，融合因素分析(factor analysis)及路徑分析(path analysis)兩種統計取向(黃芳銘，

2007)。

3.6.5.1 結構方程式分析程式程序

SEM 模型的建立必須以理論(theory)為基礎，強調必須過觀念的釐清、文獻整 理與推理提出有待檢驗的假設模型(邱皓政，2003)，且理論是假設模式成立主要的 解釋依據。若發現假設模式與觀察資料的適配度不佳，研究者將模式進行適當修 正(吳明隆，2006)，模式改變即為模式界定(model specification)，對初始理論模式 進行局部的修改或調整，提高假設模式的適配度，如果模式可識別，則表示理論 上模式中的每個參數皆可導出估計值，決定模式識別(model identification)。接著選 擇施測觀察變項及資料，利用結構方程式多元迴歸的基礎，對 SEM 進行模式估計 (model estimation)，如果模式未達適配度評鑑(assessment of fit)時，此時則需將參數 釋放或固定，進行模式修正(model modification)重新估計模式，直到找到一個最合 適的模式為止，最終則對模式的統計結果加以解釋(interpretation)(黃芳銘，2007)。

3.6.5.2 驗證性因素分析

驗證性因素分析(confirmatory factor analysis, CFA)即為測量模式之分析，說明 潛在變項與觀察變項之關係，亦即界定潛在變項與觀察變項之間的線性關係，出 現於探索性因素分析(exploratory factor analysis, EFA)之後，驗證性因素分析可以使 研究者進一步檢驗不同項目的因素與不同方法的因素結構組成下的因素模型的檢 驗(邱皓政，2003)。探索性因素分析與驗證性因素分析最大的不同是在於測量的理 論架構在分析過程中所扮演的角色與檢驗時機。

相對於探索性因素分析，CFA 使用於特定的理論觀點或概念架構作為基礎，

藉由數學程序來確認該理論觀點所提出的計量模型是否適當，使本研究能進一步 的處理測量指標與其潛在因素的特殊關係，並探討潛在因素的關係。CFA 所檢驗 的測量變項與潛在變項的假設關係，為結構方程模式最基礎的測量部分，不但是 結構方程模式中的基礎，更可應用在項目效度與信效度考驗與理論有效性的確

認。以 SEM 的術語來看，潛在變項的因素分析則為 CFA(邱皓政，2003)，利用 CFA 來驗證研究模式中各測量變項是否能準確測量各潛在變項，亦驗證研究模式的內 在適配度。

本研究以驗證性因素分析處理測量變數與其背後潛在變數間的共變關係。良 好的測量模式，必須滿足研究模式中各觀察變數必須能正確測量出各潛在變數，

以及同一觀察變數不能對於不同的潛在變數都產生顯著負荷量(Bagozzi & Yi, 1988)。根據上述學者的建議，研究模式要滿足以上狀況，可用的指標有下列四項：

聚合效度評鑑、觀察變數之個別信度、估計參數的顯著水準、標準化殘差等，茲 分述如下：

A.聚合效度評鑑

該指標是各觀察變數對其潛在變數的因素負荷量(λ)，Bagozzi 和 Yi(1988)建議 因素負荷量應該都在 0.5 以上。

B.觀察變數之個別信度

該指標是由 CFA 所計算出個別變項的 R²，變異比率，建議因素負荷量雖未明

確地提出任何判斷標準，但黃芳銘(2004，p.123)建議，只要 t 值大到顯著，R² 就可接受。

C.估計參數的顯著水準

檢定觀察變數對該潛在變數的因素負荷量是否達到顯著水準，其 t 值的絕對值 至少要大於 1.96。

D.標準化殘差

分析目的在於檢視模型特定參數設定是否理想，用來計算估計值與樣本值之間 的誤差，若殘差值大於±3.5，問項就需要修正，亦是在檢視問項誤差的相關。

當標準化殘差大於 3 代表估計變異數或共變量不足；或數值小於 3 時，代表觀 察變項的共變有過度解釋的現象，兩者都會造成模型不良的契合狀況。若測量 模式有良好適配度，其值應呈現常態分佈並且絕對值小於 2.58，本研究參數值

若超過±2.58 則進行修正。

為了測試本研究所提出的假設結構模型(hypothesized structural model)之配適 度(goodness of fit, GOF)為何。假設模型中的每一個參數被順利估計之後，結構方 程 式 模 式 即 可 以 進 行 整 體 模 型 的 評 估 ， 透 過 不 同 的 統 計 程 序 或 契 合 度 指 標 (goodness of fit index)的計算。本研究建議於整體模式配適度的衡量，分別為絕對 適配指標(absolute fit measures)、相對適配指標(relative fit measures)及簡效適配指標 (parsimonious fit measures)三方面的評鑑。藉此研判假設模型與實際觀察資料的契 合情形。藉此研判假設模型與實際觀察資料的契合情形。茲就一般常用的配適度 (goodness of fit

index)

分類 配適指標 衡量標準 一般判定標準 (root mean square

error of (non normed fit

index)

分類 配適指標 衡量標準 一般判定標準 normed fit index)

PNFI是NFI的修正；需≧0.5。

PNFI≧0.50

簡效良性適配指標 PGFI

(Parsimonious goodness of fit

index)

(Hoelters critical N)

說明樣本模式的適切性，當CN指