結構方程與統計模式

3.4.1 結構方程式模型分析(SEM)

結構方程模式(Structural Equation Models，簡稱 SEM)，早期稱為 線性結構方程模式(Linear Structural Relationships，簡稱 LISREL)或稱 共變數結構分析(Covariance Structure Analysis)。

主要目的在於考驗潛在變項(Latent variables)與外顯變項(Manifest variables,又稱觀察變項)之關係，此種關係猶如古典測驗理論中真分數 (true score)與實得分數(observed score)之關係。它結合了因素分析 (factor analysis)與路徑分析(path analysis)，因而包涵測量與結構模式。

測量模式旨在建立測量指標與潛在變項間之關係，主要透過驗證 性因素分析(Confirmatory Factor Analysis，簡稱 CFA)以考驗測量模式 的效度。結構模式旨在考驗潛在變項間之因果路徑關係，主要針對潛 在變項進行徑路分析，以考驗結構模式的適配性。

本法可藉著指定一個結構模型而同時估計一組依變數間之關係；

由於 SEM 是以變數間之因果關係為基礎而設計理論模型，所以模型 中某一變數的改變會造成其他變數之改變。

3.4.2 統計分析

本研究是使用 LISREL8.30 軟體來處理結構模式之統計資料，主 要是用於評鑑本研究所建構模式之適配度。本研究參考 Bagozzi and Yi (1988)、Bollen(1989b)、Browen and Cudeck (1993)、Byrne (1998)、Chou and Bentler (1995)、Joreskog and sorbom (1993)以及 Hair et al. (1998)等 學者之建議，將以整體模式適配度(overall model fit)來評鑑，以下逐項 說明模型適配度的相關指標的分析結果：

一、 絕對適配指標 (一) 卡方考驗值(χ²)

就卡方值而言，其值必須未達顯著水準，亦即 p 值必須>0.1。

(二) Goodness of Fit Index (GFI)

就適配度指標而言，在 0.80~0.89 之間就屬於合理的適配，在

0.9 以上就達到最佳適配的標準(Joreskog & Sorbom,1988)，故其 指 標須>0.9。

(三) Standardized Root Mean Square Residual (SRMR)

SRMR 值<0.05，表示模式可以接受。其值愈小模式愈適配。

(四) Root Mean Square Error of Approximation (RMSEA)

指標小於或等於 0.05 表示「良好適配」，0.05 到 0.08 可視為 是「算是不錯的適配」，0.08 到 0.10 之間可以視為是「中度適配」。 大於 0.10 表示「不良適配」。考驗 RMSEA 指標之 P 值需大於或 等於 0.08。

(五) Expected Cross-Validation Index (ECVI)

其理論模式指標必須比飽和及獨立模式之指標還要小。

二、 相對適配指標

(一) Adjusted Goodness of Fit Index (AGFI)

就調整過適配度指標而言，指標在 0.80~0.89 之間就屬於合理 的 適 配 ， 在 0.9 以 上 就 達 到 最 佳 適 配 的 標 準 (Joreskog &

Sorbom,1988)。

(二) Normed Fit Index (NFI)

就標準化適配指標而言，通常要在 0.9 以上才能算是好的模 型( Bentler & Bonett, 1980, Doll, Xia & Torkzadeh, 1994, Hair et al.,1995)。

(三) Comparative Fit Index (CFI) 指標需大於 0.9。

(四) Incremental Fit Index (IFI) 指標需大於 0.9。

(五) Relative Fit Index (RFI) 指標需大於 0.9。

三、 簡效適配指標

(一) Parsimonious Normed Fit Index (PNFI) 指標需大於 0.5。

(二) Parsimonious Goodness-of- Fit Index (PGFI) 指標需大於 0.5。

(三) Akaike Information Criterion (AIC)

理論模式指標必須比飽和及獨立模式之 AIC 指標還要小。

(四) Hoelter’s Critical N (CN) 指標需大於 200。

(五) Normed chi-square

其值介於 1.00 與 3.00 之間。

3.4.3 因素分析 (Factor Analysis)

因素分析又稱因子分析，其基本邏輯認為多變量出象的變異包 括：共同因子變量(Commpn factor variate)與特異變量(Unique variate) 二大類。因素分析可測量變數的相關結構，以便將變數分類。

因素分析可測量變數的相關結構，以便將變數分類。本研究針對 研究變項進行因素分析，最主要的目的在於從一群雜亂無章的變數中 萃取出共同的屬性，藉以找出研究變項所包含的構面。

因素分析的目的就是要抽取「共同因子」（Commpn Factor）。是 假定各觀察變數間所發生相互關係是由少數影響這些不同觀察變數的 因素存在，因此，它的作用在於發現那些共同的基本因素。

因素分析透過共變關係的分解，以找出最低限度的「主要成分」

(Principle Component)或「作為進一步探討這些主要成分或共同因子與 個別因素的變項關係，並找出觀察變項與其相對應因素之間之關係強 度。」(簡淑如，2005)

3.4.4 路徑分析 (Path Analysis)

路徑分析是一種結合因果模式與迴歸分析的統計方法，也就是根

據理論基礎建立因果路徑模式，然後以迴歸分析方法，來確定路徑係 數去瞭解各變項間此影響力的統計方法，也可以說是用來驗證因果的 分析。

路徑分析是一個綜合分析，一般都是使用多個迴歸分析，共變分 析、調節分析、中介分析所綜合出的分析結果。上述分析均可以 SPSS 原有的 Regression 個別進行分析。或直接進行結構方程式模式來做路 徑分析，也可以用 SPSS 的外掛程式—Liseral 來進行。

路徑分析乃為驗證出變數之間的相互因果關係及方向性，根據所 收集的資料，利用多元迴歸方法的強迫進入法加以分析檢定，以求迴 歸係數的方法求取每一路徑之徑路係數，並以路徑圖來說明各變數間 可能的因果關係。

路徑分析可用於估計各變項(或稱因素)的直接與間接的關係，但 並未考慮測量誤差，即認為各指標均是完美無瑕的。其變項間之關係 致少可能有下列二種情形：

1. A→B：表示 A 導致 B (即 A 為因、B 為果)，為 recursive model 2. B←A：表示 B 導致 A (即 B 為因、A 為果)，為 recursive model 無論是路徑分析、驗證性因素分析或結構方程模式於發展之初，

均僅適用於符合常態分佈之連續變項，係以兩兩變項所構成之共變數 矩陣作為元素進行分析探討，目的在以預設模式中所估計之參數，來 還原變項間之共變關係。若欲進行類別(或序位)變項之探討，需先將 相關係數矩陣轉換為「擬似相關係數矩陣」(JÖreskog et al.,1993

在圖形中，以「矩形 」表示觀察變項(或稱測量指標)、「橢圓形

」表示潛在變項(或稱因素)；而在潛在變項之路徑中，若為「單向 箭頭」，則起始之變項稱為外生潛在變項(latent exogenous variables，以 ξ表示)，即為自變項，而箭頭所指到之變項稱為內生潛在變項(latent endogenous variables，以η表示)，即為依變項。