結構方程模式

本研究在經過 Facebook 使用特性、批判思考及資訊驗證之文獻探討後，將 批判思考能力視為中介變項，並探討 Facebook 使用特性是否會透過批判思考能 力而影響使用者的資訊驗證行為。以下將說明中介模型構成要件、本研究的中介 模型架構。

一、 迴歸分析裡的中介模型構成要件

Baron 與 Kenny (1986)指出，中介模型的構成要件（如圖 3-7-1）為：

1. 迴歸模式一：自變項亦可顯著預測依變項（路徑 C 達顯著）。

2. 迴歸模式二：自變項可顯著預測中介變項（路徑 A 達顯著）。

3. 迴歸模式三：

甲、中介變項可顯著預測依變項（路徑 B 達顯著）。

乙、當自變項與中介變項同時放入模型進行迴歸模式，此時自變項對依 變項原本有顯著的預測力將會明顯降低，使得效果變得不顯著，此 時中介變項之假設即成立。當 C 值效果下降但仍然效果值顯著，

則表示自變項對依變項的預測力有部分被中介變項中介，稱為部分 中介（partial mediation）;若 C 值效果變成不顯著，則自變項對依 變項的預測力完全被中介變項中介，稱為完全中介（full

41

mediation）。

圖3-7-1 迴歸中介模型的構成要件圖

二、 SEM中介模型構成要件

邱皓政（2009）指出，以 SEM 進行中介模型需有以下要件：

1. 要件一：符合 Baron 與 Kenny (1986)迴歸分析的中介模型要件迴歸模式 一及二（即檢測外衍變項對中介變項及內衍變項效果是否顯著）。

2. 要件二：符合 Baron 與 Kenny (1986)迴歸分析的中介模型要件迴歸模式 三（檢測中介變項對內衍變項效果是否顯著、中介效果是完全中介還是 部分中介）。

簡言之，在要件一（圖 3-7-2）的路徑 A 與 C 皆達顯著後，於要件二（圖 3-7-3）

的路徑 B 亦達顯著，且路徑 C 數值下降或由顯著變不顯著，即表示模型中的中 介效果成立。

圖3-7-2 SEM中介模型要件一 A B

C 中介變項

自變項 依變項

A

C 中介 變項

內衍 變項 外衍

變項

42

圖3-7-2 SEM中介模型要件二

三、 Facebook特性、批判思考能力、Facebook資訊驗證行為結構方程模式 1. 潛在變項與結構方程模式

本研究的結構方程模式包含三個潛在變項，其中Facebook使用特性（ξ1） 為外衍變項，批判思考能力（η1）、Facebook資訊驗證行為（η₂）為內衍變項。

研究裡變項的安排及研究假設是由文獻回顧而來，Facebook使用特性（ξ1）會 影響批判思考能力（η1）的假設是由張瓊穗、陳宜欣（2003）、蕭顯勝等人（2005）、 張景媛等人（2012）的研究推論而來，因為根據研究結果指出，不同的學習 環境會影響到學習者的學習方式，因此本研究者認為，Facebook環境的特性 應該會影響到使用者的批判思考能力。而Facebook使用特性（ξ1）對Facebook 資訊驗證行為（η2）有影響性、批判思考能力（η1）對Facebook資訊驗證行為

（η2）有影響性，這兩個假設是根據林羿妏、陳昭秀（2012）的研究結果發現，

Facebook使用特性與批判思考意向均可正向影響Facebook資訊驗證行為，而根 據第二章批判思考的各種相關文獻都指出批判意向與批判思考能力緊密相關，

因此本研究做此推論。

故本研究的潛在變項假設為：Facebook使用特性（ξ1）對批判思考能力（η1） 有直接效果、批判思考能力（η1）對Facebook資訊驗證行為（η₂）有直接效果，

A B

C 中介 變項

內衍 變項 外衍

變項

43

Facebook使用特性（ξ₁）對Facebook資訊驗證行為（η₂）有間接效果（如圖3-7-3 所示）。

2. 觀察變項與測量模式

依據相關文獻回顧，本研究使用 14 個觀察變項作為 3 個潛在變項的觀察 指標。首先，Facebook 使用特性（ξ1）以「自覺性」、「立即性」、「接近性」與

「互動性」四個構面為測量指標；批判思考能力（η1）以「辨認假設」、「歸納」、

「演繹」、「解釋」、「論證評鑑」五個構面為測量指標；Facebook 資訊驗證行 為（η2）則包含五個測量指標分別為「客觀性」、「權威性」、「涵蓋性」、「自覺 準確性」、「時效性」（如圖 3-7-3 所示）。

圖3-7-3 結構方程模式架構圖

四、 模式適配度評鑑指標

評鑑指標的目的即是檢定研究所收集的資料是否能與所提出的假設模型適

44

配，適配度如良好，則表示所收集到的資料可支持研究所提出的假設模型；反之 則需修正模式(Mueller,1996)。

整體模型適配指標參照黃芳銘（2003）與邱皓政（2011）所歸納的模型適配 度指標：

1. 卡方檢定（χ² - test）：即理論模型與觀察模型的適配程度，χ²的 P 頇不顯著，

但常因樣本數過大而影響檢定值，造成檢定難以通過。

2. 帄均概似帄方誤根係數(root mean square error of approximation ; RMSEA)：

用來比較理論模式與飽和模式(full model)的差距，Browne 和 Cudeck (1993) 提出 RMSEA 數值介於 0.05-0.08 為較佳的適配度。

3. 標準化殘差均方根指標(standardized root mean square residual ; SRMR)：意指 標準化假設模型整體殘差，SRMR 介於 0.05-0.08 間為較佳適配度。

4. 比較適配指標(comparative fit index ;CFI)：是指假設模型與獨立模型(baseline model)的差距，黃芳銘（2003）提出 CFI 需大於 0.90 為較佳適配度。