第三章 研究架構與方法
3.4 分析方法
3.4.3 結構方程模式(Structural Equation Modeling,SEM)
結構方程模式(Structural Equation Model，SEM)是一門基於統計分析技術的 研究方法學(statistical methodology)，屬於多變量統計(multivariate statistics)的一 環，結合了素分析(factor analysis)與路徑分析(path analysis)二種統計技術。
Kaplan(2000)指出SEM係源自心理計量學與經濟計量學二個學門，這二個學術 領域對SEM 的發展有著重要的影響。
1869 年，Galton 在關心人類遺傳的問題之時，即開始注意到心理學當中許 多的觀念無法直接加以測量，而必須用不同於自然科學的測量方法來進行心理 計量的測定工作，這邊就提到以「因素分析」方法處理人類行為研究中潛在構 念(latent consreuct)的問題。結構方程模式的另一個脈絡「路徑分析」，源自於 生物計量統計學家Sewell Wright所發展的理論與技術。Wright 的主要貢獻是將 一組變項之間的共變關係，轉換成一組模型化的參數，並以路徑圖的型態來表 現，透過變項之間的假設性函數關係，以迴歸方程式的型態表現並估計之。
25
SEM 的基本原理涉及結構化(structural)、假設方程式(hypothesized equation) 與模型分析(modeling)等三方面，以下各別簡述之。
(1) 假設檢驗(hypothesis-testing)
研究者為了驗證其本身提出理論觀點之適切性，建構一套理論性的架構，
對此架構中各變項之間的關係均予以合理假設，再透過資料取得與分析，經 由統計方法檢驗假設之適當與否，此為推論統計中假設檢驗的概念，也是 SEM 的基本原理之一。
(2) 結構化驗證(structural confirmatory)
社會及行為科學研究其變項之間的關係，通常不是單一的變項推論或變 項關係討論，而是涉及一組變項之間關係的討論，這一組變項除了存在數學 的、表面上的關係外，可能還存在有潛在的因果性(causality)或層級性 (hierarchy)。不論是因果關係的證明或量表內在結構的確認，均有賴於事前 研究變項的性質與內容的釐清，並清楚描述變項之間的假設性關係，由研究 者提出具體的結構性關係假設命題，尋求統計上的驗證。尤其在社會與行為 科學領域所探究的變項結構性關係，大多是由一群無法直接觀察與測量的抽 象命題(或稱為構念)所組成，需獲得嚴謹的統計數據來證明構念的存在，此 為SEM 的主要長處之一(Bollen, 1989)。
(3) 模式比較分析(modeling analysis and comparison)
在社會與行為科學的研究中，相同的一組變項往往會因為理論觀點或研 究者觀點的不同，而對變項之間的假設關係提出不同的主張。故研究者可以 基於不同的理論與假設前提，發展出不同的替代模式(alternative model)，進 行模式之間的相互競爭比較。在SEM 中，此一利用假設模式進行統計驗證 的優點，大大改善了傳統路徑分析在多組迴歸等式間進行同時校估的限制，
也提高了分析的應用廣度。
結構方程模式的特性主要包括以下幾點。
(1) SEM 具有理論先驗性
SEM 分析必須建立在一定的理論基礎之上，SEM 是用以檢驗某一先期 提出的理論模型(priori theoretical model)之適切性的一種統計技術， SEM 被 視為一種驗證性(confirmatory) 的統計方法， 而非探索性的(exploratory)。
(2) SEM 同時處理測量與分析問題
SEM 將不可直接觀察的構念或概念，以潛在變數的形式，利用觀察變 項的模型化分析來加以估計，不同於傳統「測量」與「統計」程序分開的方 式。
26
在 SEM 分析上，常使用LISREL 此套軟體。LISREL全名為Linear Structural Relations，一般譯為「線性結構關係」。LISREL 中將一個完整的SEM 模型分 為測量模型(measurement model)與結構模型(structural model)兩部份，測量模型 用來界定實際測量變項與潛在變項之間的相互關係，結構模式則說明潛在變項
27
LISREL 預設之校估方法為最大概似法（Maximum Likelihood
stimation ,MLE）。最大概似法是指在樣本符合多元常態分配下進行重製Σ 矩陣 之參數估計方法。其定義為找尋參數θ，使得適配函數F為最小，其相關方程式 整體模式的評估，透過不同統計程序或契合度指標(goodness-of-fit index)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。如果模型契合度不理想，
N為樣本數，Fmin表示以各種不同參數估計方法(如ML、GLS、ADF等)所得到契 合函數的最小函數估計值。在符合卡方分配的條件下，可以對於T值進行卡方 檢驗以確認其顯著性。
(2) 卡方自由度比
28
R
2值(Tanaka & Huba, 1989)，表示假設模型可以解釋觀察資料的變異數與共變 數之比例。AGFI(adjusted GFI)類似於迴歸分析中的調查後可解釋變異量(adjusted R2)，
AGFI是將自由度納入考慮後所計算出來的模式契合度指數，當參數越多時， 型契合度(Hu & Bentler, 1999)。
(4) NFI 與NNFI
29 SEM假設模型，以NFI 來檢驗契合度會出現低估的現象(Nearden, Sharma, & Teel, 1982)，因此學者提出另一個NNFI 指數，將自由度的影響列入考慮，避免模型 有可能出現矛盾問題(Anderson & Gerning, 1984)。
(5) IFI
Bollen(1989)提出一個IFI 指數(incremental fit index)來處理NNFI 波動的問題 以及樣本大小對於NFI 指數的影響，其計算如下式。 度(Hu & Bentler, 1999)。
(6) RMSEA
平均概似平方誤根係數(root mean square error of approximation; RMSEA)是 LISREL 估計程序中很重要的一替代性指標(Browne & Cudeck, 1993)，其計算式 如下。其中 ̂ 是被檢驗模型的卡方值減去自由度再除以樣本數所得出來的值。
30
趨近完美契合時， 接近0，RMSEA 指數亦接近0，RMSEA 越小表示模型契合 度越佳。Hu & Bentler(1999)建議RMSEA 係數低於0.06 可以視為一個好的模型，
高過0.1 表示模型不理想(Browne & Cudeck, 1993)，McDonald 與Ho(2002)建議以 0.05 為良好契合的門檻，以0.08 為可接受的模型契合值，本研究採用McDonald 與Ho 之建議，以0.08 為可接受門檻值。
(7) CFI
CFI指標(comparative-fit index)(Bentler, 1992)反應了假設模型與無任何共變 關係的獨立模型差異程度的量數，也考慮到被檢驗模型與中央卡方分配的離散 性。其計算原理是以非中央性改善比(the ratio of improvement in noncentrality; 假 設模型距離中央卡方分配距離的移動情形)，得出一個非中央性參數
殘差均方根指數RMR(root mean square residual)與標準化殘差均方根指數 SRMR(standardized root mean square residual)均用以反應理論假設模型的整體殘 差，RMR 的計算式如下。 到1之間，當數值低於0.08 時，表示模型契合度佳(Hu & Bentler, 1999)。
綜合以上所述，可知LISREL 模式的契合度指標相當多，Hu 與Bentler(1999)主 張CFI 與RMSEA 二個指標都需要列在分析報告中，尤其是RMSEA 指標，顯示
31
此二指標較為重要。茲將本研究所使用的模型契合度指標整理如下表3-16。
表3-16 SEM模型契合度指標 指標名稱 數值範圍 判斷值 適用情形
卡方檢驗
df
2/
- >2.0 不受模式複雜度影響 適合度指標GFI 0-1 >0.9 說明模型解釋力 AGFI 0-1 >0.9 不受模式複雜度影響
NFI 0-1 >0.9 說明模型較虛無模型的改善程度 NNFI 0-1 >0.9 不受模式複雜度影響
替代性指標
CFI 0-1 >0.9 說明模型較虛無模型的改善程度，特別 適合小樣本
RMSEA <0.05 優
<0.08 良
不受模式複雜度影響
殘差分析
RMR - 越小越好 瞭解殘差特性 SRMR 0-1 <0.08 瞭解殘差特性
32