第五章、 資料分析
第二節 結構方程模式實證分析
‧
（modification index）修正指標進行修正，經由 M.I.值的修正可以有 效降低卡方值。本研究刪除機關使命題項 4 (簡化申報程序) 至少可以 減少卡方值 67.747；其次刪除機關使命題項 6(提升稅務機關正面（專 業、服務）的形象)至少可以減少卡方值 46，經由兩次 M.I.值修正後，
本模式的整體配適度達到不錯的水準。
‧
（modification index）修正指標進行修正，經由 M.I.值的修正可以有 效降低卡方值。本研究刪除稽徵成本題項 3 (減少倉儲儲量) 至少可以減
‧
（modification index）修正指標進行修正，經由 M.I.值的修正可以有 效降低卡方值。本研究刪除納稅義務人題項 7 (申報不拘限於上班時間)
（modification index）修正指標進行修正，經由 M.I.值的修正可以有 效降低卡方值。本研究刪除行政作業題項 7(創新管理 2 改善網路申報流
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
67
程) 至少可以減少卡方值 155.062；其次刪除行政作業題項 6 (法規與社 會 2 符合社會潮流)至少可以減少卡方值 155.747；刪除行政作業題項 3 (稽徵機關 2 達到內部工作流程簡化)至少可以減少卡方值 76.226；刪除 行政作業題項 4(稽徵機關 3 提高工作效率)至少可以減少卡方值
36.522；最後刪除行政作業題項 10(稽徵機關 4 改善服務品質)至少可以 減少卡方值 21.362，經由五次 M.I.值修正後，本模式的整體配適度達到 不錯的水準。
表5-6 行政作業構面測量模式驗證性因素分析結果摘要表
資料來源：本研究整理
行政作業
.39 納 稅 人 服 務 流 程 影響2 e2
.63 .69
法 規 與 社 會 流 程 影響1 e5
.83
.58 創 新 管 理 流 程 影 響3 e8
.76 .69
法 規 與 社 會 流 程 影響4 e9
.83
.54 稽 徵 機 關 行 政 流 程 影響1 e1
.74
圖 5-4 行政作業構面測量模式
χ2/df RMR RMSEA GFI AGFI NFI CFI 假設性模式 12.899 0.059 0.191 0.758 0.620 0.814 0.825
修正模式1 10.978 0.050 0.175 0.800 0.666 0.856 0.867 修正模式2 7.033 0.039 0.136 0.883 0.790 0.915 0.926 修正模式3 4.603 0.031 0.105 0.940 0.879 0.949 0.960 修正模式4 3.102 0.022 0.080 0.972 0.935 0.972 0.980 修正模式5 1.310 0.012 0.031 0.992 0.977 0.991 0.998
‧
（modification index）修正指標進行修正，經由 M.I.值的修正可以有 效降低卡方值。本研究刪除學習成長題項 2(人力資源 2 提升解決問題能
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
69
圖5-5 學習成長構面測量模式
參、一階整體配適度考驗
整體模式適配度用來評估整個模式與觀察資料的適配程度，可以說是模 式的外在品質，以瞭解實證結果是否與理論模式相符。本研究模式配適指 標分成三大類，在絕對配適指標方面包括χ2、RMR、RMSEA、GFI 和 AGFI 等 五項；在增值配適指標方面包括 NFI、IFI 和 CFI 等三項；在簡約配適指標 方面只有χ2/ df 一項，整體模式評估結果整理如表 5－8 所示，並將各配 適指標的標準簡述如下。
一、χ2配適指標
χ2為卡方值(chi-square)愈小表示整體模式之因果徑路圖與實際資料愈 配適，一個不顯著(p＞0.05)的卡方值表示模式之因果徑路圖模式與實 際資料相配適，二者不一致的情形愈小，但卡方值對受試樣本的大小非 常敏感，如果樣本數愈大，則卡方值愈容易達到顯著，導致理論模式遭 到拒絕的機率愈大。學者 Rigdon(1995)認為，使用真實世界的數據資料 來評鑑理論模式時，χ2統計通常實質的助益不大，因為卡方值受到估計 參數及樣本數影響很大，本研究的卡方值為 546.906，對本研究的助益 不大，所以要進一步參考其他的配適指標。
二、RMR
RMR 為殘差均方和平方根(root mean square residual)，即從配適殘差 的概念而來，所謂配適殘差矩陣是指資料樣本所得之變異數共變數矩陣 與理論模式隱含之變異數共變數矩陣的差異值，矩陣中的參數即是配適 殘差。當差異值愈小時，表示樣本資料與假設模式配適度良好，一般
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
70
RMR 值以小於 0.05 為標準，本研究的 RMR 值為 0.071，在可接受範圍之 內。
三、RMSEA
RMSEA 為漸進殘差均方和平方根(root mean square error of
approximation)，其值等於χ2- df，其意義是每個自由度之平均與間差 異值，由於考慮到自由度，因此可將模式的複雜度也列入考量，RMSEA 值通常被視為是最重要配適指標訊息。當 RMSEA 的數值高於 0.10 以上 時，則模式的配適度欠佳；其數值 0.08 至 0.10 之間則是模式尚可，具 有普通配適；在 0.05 至 0.08 之間表示模式良好，即有合理配適；若數 值小於 0.05，表示模式配適度非常良好(Browen & Cudeck,1993)。本研 究的 RMSEA 值為 0.073，表示模式配適度良好。
四、GFI & AGFI
GFI 為良性配適度指標(goodness-of-fit index)，用來顯示觀察矩陣中 的變異數與共變數可被複製矩陣預測得到的量。GFI 數值介於 0 至 1 間，其數值愈接近 1，表示模式的配適度愈佳；GFI 值愈小，表示模式 的配適度愈差，一般的判別標準為 GFI 值如大於 0.90，表示模式徑路圖 與實際資料有良好的配適度。本研究的 GFI 值為 0.866，在可接受範圍 之內。
AGFI 為調整後良性配適指標(adjusted goodness-of-fit index)，調 整後的 GFI 值不會受單位影響，其估計公式中，同時考量到估計的參 數數目與觀察變項個數，它利用假設模式的自由度與模式變項個數之 比率來修正 GFI 指標。當 GFI 值愈大時，則 AGFI 值也會愈大，AGFI 數 值介於 0 至 1 間，數值愈接近 1，表示模式的配適度愈佳；GFI 值愈
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
71
小，表示模式的配適度愈差。一般的判別標準為 AGFI 值如大於 0.90，
表示模式徑路圖與實際資料有良好的配適度(Hu & Bentler,1999)。本 研究的 AGFI 值為 0.834，在尚可接受範圍之內。
五、NFI、IFI 及 CFI
NFI 為規準配適指標(normal fit index)，IFI 為增值配適指標 (incremental fit index)，CFI 為比較配適指標(comparative fit index)。NFI 與 NNFI 二種指標是一種相對性指標值，反應了假設模式 與一個觀察變項間沒有任何共變假設的獨立模式的差異程度。其中 NFI 值、
RFI 值、IFI 值、CFI 值、TLI 值大多介於 0 與 1 之間，愈接近 1 表示 模式配適度愈佳，指標值愈小表示模式配適度愈差。學者
Bentler(1995)研究發現：即使在小樣本情況下，CFI 值對假設模式配 適度的估計仍然十分穩定，CFI 指標值愈接近 1，表示能夠有效改善非 集中性的程度。本研究的 NFI 值為 0.901，在良好範圍之內；IFI 值為 0.935，研究模式具有不錯的解釋力；CFI 值為 0.935，研究模式具有 很好的解釋力。
六、χ2/ df
卡方自由度比也稱為規範卡方(Normed chi-square，NC)，當假設模式 的估計參數愈多，自由度會變得愈大；而當樣本數愈多，卡方值也會隨 之擴大，若同時考量到卡方值與自由度大小，則二者的比值也可以作為 模式配適度是否契合的指標。卡方自由度比值(χ2/ df)愈小，表示假設 模式的共變異數矩陣與觀察資料間愈適配，相對的，卡方自由度比值愈 大，表示模式的配適度愈差，一般而言，卡方自由度比值小於 2 時，表 示假設模式的配適度較佳(Carmines & McIver,1981)。此值小於 1 表示
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
72
模式過度配適，若是大於 3 表示模式配適度不佳，其值若介於 1 至 3 之 間表示模式的配適良好(吳明隆，2007)。本研究的 χ2/ df 值為
2.694，表示模式具有良好的解釋力。
綜合以上所述的各項指標，本研究整體模式的配適情況十分良好，如表 5－8，因此可知本研究所提出之關聯模式為一個良好模式；另本研究關聯 模式結果徑路圖如圖 5－6 所示：
表 5-8 整體模式配適度各評鑑項目總結
配適度評估 配適結果
配適度指標 理想值 可接受值 本研究數值 良好 可接受 χ2/df <3 -- 2.694 ★
RMR 值 <0.05 -- 0.071 ★ RMSEA <0.08 0.05~0.1 0.073 ★
GFI >0.9 0.8~0.9 0.866 ★ NFI >0.9 0.8~0.9 0.901 ★
IFI >0.9 0.8~0.9 0.935 ★ 資料來源：本研究整
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
74
肆、 信度分析
組成信度(CR)為所有測量變項信度的組成，表示構面指標內部變數的 一致性，若潛在變項的 CR 值越高，其測量變項是高度相關的，表示他們 都在衡量相同的潛在變項，越能測出該潛在變項，值須大於 0.7(Hair, Anderson, Tatham & Black,1998)。由表 5－9 顯示各潛在構面組成信度 介於 0.8461 至 0.9209 之間，均大於可接受的建議值 0.70 以上，表示各 構面具有良好的信度。
表5-9 組成信度、平均變異數抽取量 AVE 及 Cronbach α摘要表 項目 組成信度 AVE Cronbach α
機關使命 0.8957 0.6831 0.894
稽徵成本 0.9031 0.7008 0.9
納稅義務人 0.8461 0.5907 0.842
行政作業 0.8697 0.5740 0.869
學習與成長 0.9209 0.7026 0.913
資料來源：本研究整理
伍、效度分析
效度分析分為測量變項、潛在變項及測量誤差作為初始效度之判別，
接著判斷收斂效度及區別效度，依序說明如下：
一、收斂效度
依據Bagozzi and Yi（36）及Kline（46）針對SEM收斂效度的評估 標 準 包 含 五 大 項 ， 分 別 是 ( 一 ) SMC≧0.5 、 ( 二 ) 組 型 係 數 (factor
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
75
loading)≧0.7 、 ( 三 ) 組 成 信 度 (CR)>0.7 、 ( 四 ) AVE>0.5 及 ( 五 ) Cronbach α>0.7，符合上述標準者模式具有收斂效度。以下根據前述標 準，逐項說明如下（表5－10）：
(一) 組型係數：本研究觀察變項的組型係數介於 0.46 至 0.89 之間，
其值大多在 0.7 以上，只有少數幾項在 0.7 以下，但不影響整體 效度。
(二) SMC：本研究觀察變項的 SMC 值介於 0.21 至 0.81 之間，其值大多 在 0.5 以上，只有少數幾項在 0.5 以下，但不影響整體效度。
(三) 組成信度：本研究的潛在變項共有五個構面，其組成信度分別為 0.8957、0.9031、0.8461、0.8697、0.9209、，其值均達到 0.7 以上，顯示各構面具有良好的組成信度。
(四) AVE：本研究的潛在變項共有五個構面，其 AVE 值分別為 0.6831、
0.7008 、 0.5907 、 0.574 、 0.7206 其 值 均 達 到 可 接 受 的 建 議 值 0.50 以上，顯示各構面具有良好的 AVE 值。
(五)Cronbach α：本研究的潛在變項共有五個構面，其 Cronbach α 分別為 0.894、0.9、0.842、0.869、0.913 其值均 達到可接受的建議值 0.7 以上，顯示各構面具有良 好的 Cronbach α 值。
‧
Loading SMC CR AVE Cronbach'sα 落實電子化政策 0.85 0.72
符合社會朝流 0.89 0.80 達到創新目的 0.76 0.57 機關使命
快速申報流程 0.80 0.64
0.8957 0.6831 0.894
節省人力成本 0.88 0.77 降低書面資料量 0.74 0.55 提高工作效率 0.89 0.80 稽徵成本
縮短收件時間 0.83 0.69
0.9031 0.7008 0.900
降低納稅人的抱怨
0.8461 0.5907 0.842
建立網路報稅標準
0.8697 0.574 0.869
提升工作能力 0.63 0.40
0.9209 0.7026 0.913
資料來源：本研究整理
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
77
二、區別效度
本研究之區別效度分別利用 Bootstrap 法及 AVE 法等二種方法來檢 定，Bootstrap 法係以 Bootstrap 計算構面之間的相關係數 95%信賴區 間 ， 若 沒 包 含 1 者 ， 則 具 有 區 別 效 度 (Torkzadeh, Koufteros &
Pflughoeft,2003)；AVE 法則是每個構面的 AVE 要大於構面相關係數的 平方，則具有區別效度(Fornell & Larcker,1981)。
由表 5－11 顯示 Bootstrap 計算構面之間的相關係數 95%信賴區間 均未包含 1，則表示每個構面間具有區別效度；表 5－12 相關矩陣顯 示，大多數構面的 AVE 值均大於構面相關係數的平方，除了少數構面的 標 準 化 係 數 略 大 於 構 面 的 AVE 之 外 ， 但 不 影 響 整 體 的 區 別 效 度 。
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
79
表 5－11 Bootstrap 法區別效度 Bias-corrected
percentile method Percentile method 潛在變項 Estimate
Lower Upper Lower Upper 稽徵成本<-->行政作業 .7849 .7213 .8429 .7196 .8398 行政作業<-->學習成長 .7601 .6770 .8160 .6979 .8163 稽徵成本<-->機關使命 .7046 .6271 .7652 .6303 .7663
Lower Upper Lower Upper 稽徵成本<-->行政作業 .7849 .7213 .8429 .7196 .8398 行政作業<-->學習成長 .7601 .6770 .8160 .6979 .8163 稽徵成本<-->機關使命 .7046 .6271 .7652 .6303 .7663