結構方程模式

結構方程模式(SEM)為統計分析技術的研究方法學，用於處理複雜的多變量 研究數據的探究與分析，主要是在於探討潛在變數與潛在變數之間的因果關係。

一個完整的結構方程模式的架構中，包含了測量模式(Measurement Model)與結構 模式(Structural Model)，詳細如圖 13 所示：

認知 易用性

2

使用態度

3 認知 有用性

1

行為意圖

3 4

任務科技 適配5

1

2

X1-3

X4-5

X6-8

Y1-3

Y4-6

Y7-8

Y9-11

Y12-13

xλ

xλ

xλ

yλ

yλ

yλ

yλ

yλ

















15

25 31

41 123243

₅

4

3

₁

₂ 結構模式 Structural Model

測量模式 Measurement Model 誤差

Error

測量變項 Measured Variable

圖 13：典型的 SEM 模式圖示

由圖 13 中看出其結構模式，共有個六個潛在自變數項，₁、₂、₃，以及 三個潛在依變項₁、₂、₃、₄、₅，其方程式如下所表示：



₁ = ₁₂



₂ + ₁₂



₂ + ₁₅



₅ + ₁



₂ = ₂₁



₁ + ₂₂



₂₊



₂₅



₅ + ₂



₃ = ₃₁



₁ + ₃₂



₂ + ₃



₄ = ₄₁



₁ + ₄₃



₃ + ₄



= 



+ 



+ 

其結構方程模式如下所示： =   + B  + 

其中測量模式與結構模式相關的名稱、程式碼與矩陣型態，詳細說明如表 7 所示：

表 7：SEM 相關的名稱、程式碼與矩陣型態 (Diamantopoulos and Siguaw, 2000) 希臘字母

Greek Letter

矩陣 Matrix

矩陣成份 Matrix Element

程式碼 Program

Code

矩陣類型 Matrix

Type 測量模式 Measurement Model

Lambda-X Λx λx LX Regression

Lambda-Y Λy λy LY Regression

Theta delta Θδ ζδ TD Var/cov

Theta epsilon Θε ζε TE Var/cov 結構模式 Structural Model

Gamma Γ γ GA Regression

Beta Β β BE Regression

Phi Φ φ PH Var/cov

Psi Ψ ψ PS Var/cov

Xi (or Ksi) --- ξ --- Vector

Eta --- ε --- Vector

Zeta --- δ --- Vector

x；外衍變數的觀察變數 λ_x；外衍變數與觀察變數之間的路徑係數 y；內衍變數的觀察變數 λ_y；內衍變數與觀察變數之間的路徑係數

ξ；外衍變數 γ；外衍變數對內衍變數的路徑係數

η；內衍變數 β；內衍變數對內衍變數的路徑係數

δ；內衍變數之觀察變數的殘差 ζ；內衍變數的殘差 ε；外衍變數之觀察變數的殘差

Var/cov = variance-covariance

另外，本研究分別針對結構模式與測量模式，探討並建立其建模之流程如圖 14 與圖 15 所示(Diamantopoulos and Siguaw, 2000)：

開始

過去的方法論、

量表、探索性研究

在模式中 是否有指標可以衡量

潛在變數

新測量的發展考量

確認可以作為潛在變數 指標的相關變數

每個測量變數 是否可以代表

架構？

是否有測量理論 的使用？

選擇明確的變數 作為測量模式 No

Yes

No

Yes Yes

No

圖 14：測量模式概念流程圖 (Diamantopoulos and Siguaw, 2000) 測量模式的流程可以分為三個主要步驟，分別為：

1. 主要是依據過去相關學者所提出的過去的方法論、量表或探索性研究作為 理論基礎。

2. 確認潛在變數指標的相關變數，在這個步驟之前，要先確認是否有相關指 標可以來衡量潛在變數，如果沒有相關指標可以來衡量潛在變數，則需要 進一步對於新測量的發展重新考量，若有相關指標可以來衡量潛在變數 時，則更進一步的瞭解測量變數是否足以代表架構。

3. 最後則是選擇明確的變數作為測量模式。

開始

過去的理論、證 明、實驗、探索性

研究

架構的確認

潛在變數的命名 (包括內衍變數與

外衍變數)

是否刪除相關 架構是否不適當？ 的架構？

每個變數是否有 清楚的命名？

順序是否明確？

內衍變數的順序 選擇模式

發展的考量

每個內衍變數間 的說明 是否有不適當

的相關 (Relationship)

是否刪除有關 的相關 (Relationship)

模式的檢定 NO NO

YES NO

NO

YES

NO NO

YES

YES

NO NO

YES YES

圖 15：結構模式概念流程圖 (Diamantopoulos and Siguaw, 2000) 結構模式的流程可以分為六個步驟，分別為：

1. 首先依據相關學者所提出的理論、證明、實驗、探索性研究做為基礎。

2. 產生的研究模式，並對研究架構的確認是否適當以及確認是否需要刪除 相關架構，若為是則需要返回步驟 1 重新擬定研究理論基礎。

3. 將研究架構之潛在變數的命名(包含內衍變數與外衍變數)，並且檢查每 個變數是否有清楚的命名，若沒有清楚的命名則需要返回步驟 1 或是選 擇模式發展。

4. 變數有清楚命名後再確認內衍變數的順序，並且明確順序是否明確，若 不明確頇考慮模式的發展可能或步驟 1。

5. 每個內衍變數之間的關係(relationshop)說明，並且確認關係間的適合性 或刪除某些相關。

6. 進行模式檢定。

在結構方程式分析後，將要針對於研究模式評估與檢驗，來驗證是否與相關 學者所提出的適合度指標來檢驗模式的合理性，此過程稱之為模式適合評估 (Model-fit-evaluation)。其相關指標整理如下表 8所示：

表 8：各種契合度指標比較 (邱皓政, 2003)

指標 判斷值 適用情形

卡方檢定

² test P > 0.05 說明模式解釋力

²/df > 2 不受模式複雜度影響

適合度指標

GFI > 0.90 說明模式解釋力

AGFI > 0.90 不受模式複雜度影響

PGFI > 0.50 說明模式的簡單程度

NFI > 0.90 說明模式較虛無模式的改善程度

NNFI > 0.90 不受模式複雜度影響

替代性指標

NCP 越接近 0 越好 說明假設模式距離中央性卡方的程度

CFI > 0.95 說明模式較虛無模式的改善程度特別適合小樣本

RMSEA < 0.05 不受樣本數與模式複雜度影響

AIC 越小越好 適用於效度複核非巢套模式比較

CAIC 越小越好 適用於效度複核非巢套模式比較

殘差分析

RMR 越小越好 瞭解殘差特性

SRMR < 0.08 瞭解殘差特性

在文檔中 中 華 大 學 (頁 37-42)