結構模型建構與驗證性因素分析

本研究以整合科技接受模式、保護動機理論及關係品質為研究架構，為了確認本研 究所提出假設模式是否適當、合理，須進行驗證性因素分析。一般而言，驗證性因素分 析可說是進行整合性結構方程模式分析的一個前置步驟（邱皓政，2011）。如果發現測 量模型是可接受，再進行第二度完整結構方程模型評估。另Hair,Tatham, Anderson and Black (2006)認為在驗證性因素分析中除報告測量模型適配指標外，還必須了解個別參數 是否理想及各潛在變數組合是否穩定可靠。因此分別進行建構信度檢定、收斂效度檢定 及測量模型適配度評估。

一、結構方程模型之建構

依據文獻探討所提出民眾對行動掛號App使用行為模型以及各個潛在構念間的路徑 假設關係，使用AMOS Graphics繪製了如圖4-1所示之結構方程全模型圖，包括描述潛在 變量(構念)與各觀察變量之間關係的測量模型和反應各個潛在構念之間因果路徑關係 的結構模型。AMOS中各種常用的路徑圖的圖形及含義如表4-4所示。

表4-4 AMOS結構方程模型常用圖形及含義

圖示 涵意

橢圓形，代表非觀察變數(潛在變數) 矩形，代表觀察變數

單向箭頭，代表單向影響或者因果關係 雙向箭頭，代表相關關係或協變異數

資料來源：整理自吳明隆（2009）。結構方程式結構方程式結構方程式：結構方程式：：AMOS：AMOSAMOS的操作與應用AMOS的操作與應用的操作與應用的操作與應用（頁35-38）。台北 市：五南。

在結構方程全模型圖當中，矩形中的各個字母代表潛在變量的測量題項，即觀测變

二、測量模型的建構信度（Construct reliability）檢定

驗證性因素分析中，建構信度檢定即為潛在構面之組合信度（Composite reliability, C.R.），主要是評鑑一組潛在觀察變量內部一致性程度，其檢驗標準為大於0.7（Hair et al., 2006）。由表4-5得知所有潛在構面的組合信度皆大於0.7，顯示本研究各個潛在構面的 觀察變量內部一致性良好，建構信度達一定水準。

三、測量模型的收斂效度（Convergent validity）檢定

除了建構信度以外，在測量模型的驗證方面，建構效度（Construct validity）是最重 要的效度指標。建構效度是指量表與編制量表初衷結構的正確程度，一般以收斂效度來 檢驗。收斂效度是指在測驗過程中，測量相同潛在特質或構面的指標變量會位於相同的 因素層面中（吳明隆，2009）。收斂效度評估可從幾個方面加以檢驗（Hair et al, 2010）：

1.因素負荷量（Standardized factor loadings）大於0.7（0.5為下限）；2.組合信度大於0.7；

3.平均變異數萃取量（Average Variance Extracted, AVE）大於0.5。

由表4-5得知，所有指標變量（測量題項）的標準化因素負荷量都在0.5以上（p value

<0.001）；各潛在變量的組合信度都在標準值0.7以上；然平均變異數萃取量中績效預期 及社群影響兩構面未達標準，宜刪除題項。刪除PE4、RE1兩問項後，績效預期構面AVE 由0.480提升至0.505；刪除SI4、SI6兩問項後，社群影響構面AVE由0.474提升至0.511。

故刪除PE4、RE1、SI4、SI6四問項後，各構面AVE皆達到0.5之臨界水平，因此各潛在 構面之收斂效度得以證實。

表4-5 測量模型的建構信度與收斂效度檢驗統計表

四、測量模型的適配度檢定

測量模型適配度檢定結果如表4-6，卡方值為1665.174，p值顯著，由於樣本數為398 份(>200)，學者Rigdon(1995)認為卡方值易受估計參數及樣本數之影響，當估計參數越 多或樣本數越大，往往造成卡方值變大，此時容易拒絕虛無假設，因此需參考其他測量 指標，Marsh and Balla(1994)認為測量模型適配度檢定時，RMSEA值均比其他指標為佳。

表4-6 測量模型適配度檢驗統計表

評估指標 觀察值(未修正) 觀察值(修正後) 適配標準推薦值 卡方值(CMIN) 1335.211(p<0.001) 745.776(p<0.001) p>.05

CMIN/DF 2.588 1.898 ≦3（嚴謹）

GFI 0.828 0.892 >0.8 CFI 0.882 0.938 >0.9

RMSEA 0.063 0.048 <0.05(適配良好)

<0.08(適配合理)

由表4-6得知，測量模型之RMSEA未達適配良好標準，表示假設測量模型須加以修 正，而提高模型適配度可以參考修正指標（Modification Indices, M.I.）數據來判斷。較 大的修正指標搭配較大的期望參數改變值表示該參數有需要加以釋放，釋放的結果可以 使整體契合度之卡方值降低許多，且獲得較大之參數改變(吳明隆,2009)。因此以李茂 能（2006）所建議之MI值20為標準，將題項RC4、RC3、TR2、FC3等參數刪除，將這些題 項刪除後之修正模式，其適配度如表4-6所示，卡方值由1335.211降至745.776，RMSEA 由0.063降至0.048，CFI由0.882升至0.938，顯示修正後整體的模型適配度有了一定的 提升。