結構方程模式分析

結構方程模式是一種統計的方法學(Statistical methodology)，用以處理複雜的多變 量 研 究 數 據 。 一 般 而 言 ， 結 構 方 程 模 式 被 歸 類 於 高 等 統 計 學 ， 屬 於 多 變 量 統 計 (Multivariate statistics)的一環(邱皓政，2007，p.18-2)。結構方程模式並不是一個獨立全 新的研究取向，而可視為一個不同統計技術與研究方法的綜合體。從其字面的涵義而 言，結構方程模式涉及了結構化(Structural)、假設等式(Equation)與模型分析(Modeling) 等數項基本內涵，並可從假設考驗、結構化檢驗與模型分析等概念來說明(邱皓政，p.

18-2)。

3.7.5.2 結構方程模式的特性

SEM 是一套用以分析共變結構之整合技術，此類分析技術具有其基本共同特性如 下：

A. SEM 具有理論先驗性

SEM 分析最主要特性，是其必須建立在一定之理論基礎上，必須先有堅強的 理論基礎，發展架構變數間因果關係的結構圖，之後再加以驗證上述的問題 (林震岩，2006，p.619)。換言之，SEM 乃是用以檢證研究者先期提出的理論 模型(Prior theoretical model)之適合性的統計技術。因此 SEM 被視為是一種驗 證性(Confirmatory)而非探索性(Exploratory)統計方法的主要原因。SEM 的分析 過程中，從研究之測量變項內容界定、變項間關係假設、參數設定和模型載明 與修飾，以及應用分析軟體來進行估計等程序步驟都必須要有確切的理論概念 或完整的邏輯推理做為依據。由統計原理來看，SEM 也必須同時符合多項一 般統計分析如線性關係、常態性等基本假設，以及 SEM 分析軟體所特有原設 假設條件，若違反時，則所獲得的分析數據難以採信。

B. SEM 同時處理測量與分析問題

傳統統計方法，無論分析內容為何，多將變項視為「真實」、「具體」、「可 觀測」等性質的測量資料，在分析過程裡，並不能處理測量過程所存在之問 題，即將「測量」與「統計」視為兩個獨立分離之程序。研究者若遇不易界定 的心理概念，為獲取可分析之資料，會先行探討測量方法，且以信度與效度之 概念程序來預先進行評估，待通過評估標準，即可將所獲得的測量資料進行分

析。SEM 即是整合「測量」與「分析」成為一套計量研究技術。關鍵在於 SEM 可使不能直接觀察之構念或概念，以潛在變項形式，利用觀察變項模型 化分析來加以估計，不但可估計測量過程中所產生的誤差，同時可用以評估測 量信度與效度(例如因素效度)，甚至可超越過去傳統測量理論的一些基本假設 與限制，而針對某特定測量現象如測量誤差來予以檢測。

C. SEM 分析以共變數運用為核心概念，同時可處理平均數估計

SEM 分析以變項的共變數(Covariance)為核心概念，共變數是描述統計裡的一 種離散量數，可利用變異數離均差數學原理，計算出兩個連續變項配對分數 (Paired scores)的變異量，藉以反應出兩變項間共同變異或相互關聯之程度。在 SEM 分析裡，變數具有兩種功能，一是描述性之功能：利用變項之間的共變 數矩陣，可觀察出多個連續變數間關聯情形；二是驗證性之功能：可顯出理論 模型推導所得共變數與實際測得共變數之差異。所以，SEM 也可用來處理變 項的集中傾向之分析與比較，也就是平均數之估驗。

D. SEM 適合於大樣本分析

由於 SEM 所處理的變項數目較多，且變項間關係較為複雜，為維持不違反統 計假設，必須使用較大之樣本數，受測量之樣本規模大小，也影響著 SEM 分 析的穩定性與各式指標的適合性，其最適規模則會隨著 SEM 模型的複雜度、

分析目的與種類差異而有相當大的變化。Breckler (1990)提出樣本數低於 100 個時，所有 SEM 分析結果皆不穩定，一般研究原則上，合理的樣本數(中型樣 本數)必須大於 200 個以上，則其平均所得之 SEM 分析結果皆可視為穩定。

E.SEM 融合著多種不同的統計技術

在 SEM 當中，雖然多以變項共變關係為主要分析內容，但由於 SEM 模型常 涉及大量變項分析，因此必須經常藉由一般線性模式分析技術來整合其變項，

SEM 分析融合多種不同的統計分析程序之綜合技術。

F.SEM 著重多重統計指標之運用

SEM 雖融合著多種不同的統計分析程序技術，對統計顯著性之依賴程度低，

其主要理由是 SEM 著重於整體模型比較，因此其所評量的參考指標不會以單 一參數來單獨進行，而是以整合性係數為主，SEM 分析重點不在於個別檢定 時所具有特定統計的顯著性，而是 SEM 分析所發展出的多種統計指標，因此 能讓研究者得以各種面向來進行分析。

3.7.5.3 結構方程模式分析的程序

本研究以結構方程模式分析檢定整體模式之各假說路徑關係。結構方程式模式是 以迴歸為基礎的多變量統計方式，其目的在探討潛在變數之間的路徑關係。利用結構 方程模式來探討各變項間的因果關係時，其因果關係早已預先做好假定，統計方法只 是在此因果模式之下，驗證施測所得之觀察資料適合度，若所假設之因果模式未適合 施測所得之觀察資料，則應改用另一種因果模式，直到找到一個最合適的模式為止。

而本研究根據 Anderson 和 Weitz (1992)所提出的二步驟程序，先使用驗證性因素分析 (Confirmatory factor analysis; CFA)發展出一個配適度佳的測量模式再進一步分析理論之 模式。

3.7.5.3.1 驗證性因素分析

驗證性因素分析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，故研究者施測所得之實際觀察資料必須藉由 第二套模式的直線關係做為切入點，假定受訪者發生某些可觀察的顯性行為乃是由於 某一項非觀察潛在變項構成所導致，潛在變項被假定是造成觀察變項的因，但是潛在 變項卻不能直接觀察到，必須由觀察變項間接推論而得。

良好的測量模式，必須滿足兩件事：一為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的負荷量 (Bagozzi & Yi, 1988)。根據上述學者的建議，研究模式要滿足以上兩件事，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 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

檢視觀察變項對潛在變相的因素負荷(Factor loading)是否達到顯著水準，它是 一個標準化值，因此模式中各變項關係的t-value 必須大於 1.96。

D. 標準化殘差

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。

3.7.5.3.2 結構方程式模式評鑑

模式的配適度指標是用來判斷研究者所建構的理論模式是否能夠對實際觀測所得 的資料給予合理的解釋，整體適配度指標分為三類，模式的評鑑應依序從基本適配指 標、模式的整體配適度(Overall model fit)以及模式的內在結構配適度(Fit of internal structural)三類型來評鑑模式的配適度，故本研究依此論點進行模式的評鑑。

3.7.5.3.2.1 基本配適指標

評鑑模式配適度的目的在於檢定研究所蒐集到的資料是否能夠和所提出的假設模 式適配，如果配適度良好，則蒐集到的資料可以支持該研究提出的假設模式；若配適 度未達到標準，表示假設模式必須修正。於是在進行模式整體配適度的檢驗之前，需 先檢視是否產生違犯估計(Offending estimates)的問題。Hair、Anderson、Tatham 和 Black (1998, p.610)亦建議檢驗模式估計時，需先檢驗是否產生違犯估計，違犯估計為 模式中所要估計的參數係數超出可接受的範圍。若基本模式中有以下三點，應先加以 處理，始可進行配適的檢定：

A. 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。

B. 標準化係數超過或太接近 1(≧0.95)。

C. 有太大的標準誤。

若鑑定問題已處理而不合理估計仍然存在，處理方式為當變異數估計值為負值(亦 稱為 Heywood cases)時，將此變異數固定為很小的正數，如 0.005；再者若相關係數超 過或接近 1，則可考慮刪除其中一個變數。若無違犯估計之現象產生，始可做整體配適 度檢定及內在結構配適檢定(陳順宇，2004，p.9-64)。

3.7.5.3.2.2 整體適配指標的採用

使用結構方程式模型做為分析工具時，當 SEM 假設模型中的每一個參數都被順利 估計之後，SEM 即可以進行整體模型評估，透過不同的統計程式或契合度指標的計 算，研究者可以研判假設模型與實際觀察資料的契合情形。

本研究根據Hair 等(1998, p.611)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。雖然有這麼多的模型配合指數可用，但卻沒 有一個指標可以作為完全確定的標準，來檢定結構方程模型的成功與否。「理想的」

配合指數實際並不存在。許多學者建議，最好慎重地報告多項配合度指標的結果，而 不要只依賴於一種指標(林震岩，2006，p.617)。本研究從三類指標各挑選建構理論模

配合指數實際並不存在。許多學者建議，最好慎重地報告多項配合度指標的結果，而 不要只依賴於一種指標(林震岩，2006，p.617)。本研究從三類指標各挑選建構理論模