國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
94
信、效度檢驗，發現中文版RRS-SF具良好之心理計量特性，因素分析結果呈現 英文版量表相似的因素結構，唯第4題（想到『為何我總是用這樣的方式反應』）
在英文版為苦惱自責量尺，但在中文版為深思反省量尺。
本研究以樣本一進行EFA，亦萃取出二因素，結構與周嘉娸（2008）所得相 同（總解釋變異量57.72%）。以樣本二進行的CFA亦發現中文版之二因素結構優 於原量表之架構（模式適配度分別為χ2/df = 2.08、2.67）。中文版二因素模式在T2–
T4的模式適配度分別為χ2/df = 2.13、2.27、1.78; NNFI = .98、.98、.99; RMSEA
= .060、.064、.050; SRMR = .054、.052、.047）。T2–T4，分量表的內部一致性分 別為αBR（4） = .81、.82、.82，αRF（6） = .83、.86、.85。
第五節、 統計分析
一、 PTG 變化軌跡
群體軌跡模型分析（group-based trajectory analysis; TRAJ）可以區辨一個群 體內不同行為變化軌跡的次群體，並模擬各次群體所呈現的變化型態，本研究以 SAS PROC TRAJ 程序（Jones et al., 2001）來進行研究問題一中，PTG 與心理沮 喪之軌跡分析。TRAJ 也稱做潛在類別成長分析（Latent class growth analysis;
LCGA），是一種有限的混合模式（finite mixture model），主要用於在異質性的 團體中，區分出具同質性軌跡的次群體，每條軌跡都是一個潛在組別，TRAJ 可 辨識群體內不同的行為變化軌跡與各軌跡的變化型態。
本研究的第一個主要目的在於區分 PTG 潛在的的軌跡組別，因此採用 TRAJ 探討於手術一年內（T1–T4）PTG 潛在變化軌跡類型有幾種，在模式的選擇上有 兩個重要的工作：一、決定軌跡數目，二、決定軌跡的型態（直線、二次方、或 三次方）。模式適合度主要以貝氏估計係數（Bayesian Information Criterion; BIC）
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
95
來進行判斷，BIC 類似於調整改變量（adjusted R2）的概念，在適合度隨著模式 複雜度（增加組別）增加而增加時，BIC 可以同時考量模式的簡約性，因此 BIC 被認為是相當強靱、有效的模式選擇指標（Brame, Nagin, & Wasserman, 2006），
BIC 絕對值越低表示模式適合度越佳。
在決定變化軌跡的數目上，我們採用三個標準，一、以 BIC 差值來決定最 佳軌跡（組別）數。當模式由兩組、三組、四組依序增加時，k + 1 組與 k 組兩 模式為巢套模型，若 BIC 差值（BICk + 1 - BICk）為正值，表示 k + 1 組的模式適 合度較佳，可以保留模式複雜度較高的模型。此外，貝氏因素（Bayes factor; B10） 可作為決定是否保留較複雜的模型之『證據強度』（Jones et al., 2001）。其計算 標準為 2loge[B10]，這個數值接近（BICk + 1 - BICk） × 2（Kass & Raftery, 1995），
根據 Kass 與 Wasserman（1995），兩倍的 BIC 差距（2ΔBIC）達 2–6 分代表證據 支持複雜分組的成立，6–10 分代表有強烈證據支持，10 分以上代表非常強烈的 證據。二、任何一組的人數比率不能低於全體的 5%。三、事後機率（posterior probabilities）：受測者被分配到所屬潛在組別的帄均機率頇高於.70（Nagin, 2005, p. 88）。如果上述統計上的客觀指標無法決定組別數時，我們根據概念上的意義 程度來決定是否增加組別，判定方法包含：增加的組別必頇是具有其他組沒有的 改變型態、個體的原始分數符合估計的軌跡型態。
決定組別數後，接著需要決定每條軌跡的變化型態。針對每一條軌跡，本研 究先納入直線、二次方、與三次方曲線參數，依序排除不顯著的參數，留下顯著 的參數，以決定每一條軌跡的型態。也尌是一開始每條軌跡都有三個估計參數，
若三次方參數不顯著則捨去，並估計二次方參數，若再不顯著，則刪除二次方參 數，估計直線參數。如果直線參數也不顯著，我們仍然保留之。每一次的改變，
我們都比較BIC改變的幅度。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
96
二、 區辨 PTG 不同軌跡
區分PTG不同軌跡後，為了驗證PTG分組的效度，本研究以人口學變項、醫 療變項、自尊、社會期許性、主觀癌症衝擊度、自覺脆弱性、因應方式與認知投 入來考驗PTG不同組別的差異。人口學變項、醫療變項、主觀癌症威脅性等靜態 因子以卡方檢定與ANOVA來考驗PTG組別在這些變項上是否存在差異。卡方值 顯著時，則考驗關連強度：列連強度Cramer’s V小於0.2代表非常低的相關，0.2–
0.4代表低相關，0.4–0.6代表中等相關，0.6–0.8代表高度相關，0.8以上代表非常 高的相關。
自尊與社會期許性兩特質變項以共變異數分析（Analyses of Covariance;
ANCOVA），控制相關的背景與醫療變項對區辨PTG不同軌跡組別的影響，探 討自尊與社會期許性在PTG不同組別上是否具有差異。
自覺脆弱性、因應方式與認知投入是動態因子，各在T2、T3、T4測量，為 了探討這些動態因子的變化在PTG組別上是否有差異，本研究採用潛在成長模式
（LGM）來進行分析，探討PTG組別在動態預測變項的初始程度與變化情形有否 不同。將PTG不同組別以虛擬變項（dummy variable）作為結構方程模式（Structure Equation Model；SEM）的外衍變項，預測心理適應的截距與斜率（內衍變項）。
這種LGM模型可以回答不同PTG組別的心理適應初始程度（截距）與心理適應變 化情形（斜率）之差異。
本研究以LISREL 8.7軟體（Jöreskog & Sörbom, 2004）進行潛在成長模式
（LGM）的估計。LGM係用來分析隨著不同時間而改變的縱貫資料，其中的截 距所代表的是觀察值的初始狀態；斜率則代表的是隨時間而改變的幅度與方向，
亦即改變型態。本研究將三個動態因子，共六個變項（苦惱自責、深思反省、自 我導向因應、社會導向因應、逃避因應、自覺脆弱性），在T2–T4的資料以線性 成長模型表示，截距的因素負荷量在每一個時間點皆設為1，斜率的因素負荷量 在T2（術後三個月）設為0，T3（術後六個月）設為1，T4（術後12個月）設為3；
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
97
由於本研究中大部分的研究變項並未服從多變項常態分配原則（Shapiro-Wilks p<0.0005），採用強韌最大概似法（Robust maximum likelihood estimation；RML）
進行參數估計，以Satorra-Bentler-scaled χ2 當為適合度的估算值。
首先，先以線性成長模式（一個截距與一個斜率的潛在變項模式）來適配T2
－T4各動態變項之成長模型，先檢驗六個變項的成長模型適配度是否在合理範圍。
在模式適配度上，由於卡方值容易受到樣本數影響，所以除了考量卡方值，亦根 據Hu與Bentler（1998）建議之適合度指標進行模式適配度評估：the Non-Norm Fit Index（NNFI） ≥.95、the Comparative Fit Index（CFI）≥.90、the Standardized Root-Mean-Square Residual（SRMR）≤.08－.10、the Root-Mean-Square Error of Approximation（RMSEA）≤.08（Hu & Bentler, 1999; McDonald & Ho, 2002）。接 著，將本研究所得到的K組PTG軌跡設為K-1個虛擬變項，以虛擬變項來預測LGM 中各變項的截距與斜率，這種方式－『以組別虛擬變項為共變項之LGM模型』
之預測係數代表：某一組相較於參照組，社會心理變項的差異，以組別虛擬變項 為共變項之LGM模型示意圖請見圖八。LGM的分析只採用四個時間點都填答的 292位參與者的資料，遺漏值以帄均數填補法，因為遺漏值數量相當少。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
98
圖八、PTG 組別在動態因子截距與斜率的差異（示意圖）
註：當總共四組時，以 PTG 組別一為參照組，則有三個虛擬變項。結構模式中 潛在變項的關係－實線箭頭代表兩組別在動態因子初始值的差距，虛線箭頭代表 兩組別在動態因子斜率的差距。PTG = 創傷後成長分數；Mi = 帄均數；Si = 變
異數。
三、 PTG 軌跡與心理適應的關係
（一）心理沮喪軌跡
心理沮喪的軌跡分析採用TRAJ分析程序，方法同PTG之軌跡分析。本研究 採用HADS量表所測量的兩因素：焦慮、憂鬱，分別進行此兩大類心理沮喪之軌
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
99
跡分析。
（二）PTG 軌跡與心理沮喪軌跡之間的關聯性
本研究以雙軌跡模型（dual / joint trajectory modeling; Jones et al., 2001; Nagin, 2005）來探討PTG軌跡與心理沮喪軌跡之間的關聯性。雙軌跡模型是TRAJ的延 伸，用來探討共同發生的兩種心理／行為軌跡的關聯性，而且特別適合用在具有 潛在次類別的兩種心理／行為軌跡之對應關係，並以條件機率（conditional probabilities）的方式來顯示兩條軌跡的重疊程度，回答『兩種心理變項的軌跡是 否存在預期的關聯性或重疊性』。實行步驟上，本研究將以TRAJ分別估計出來 的PTG與心理沮喪模式參數（包含軌跡數目、軌跡型態等參數）帶入雙軌跡模式，
進行雙軌跡模式的估計。
（三）心理適應的初始值與改變率是否 PTG 組別不同而不同
本研究採用『以組別虛擬變項為共變項之LGM模型』來分析不同PTG軌跡組 別的心理適應（焦慮、憂鬱、PA）初始程度與變化情形有否不同？此方法同PTG 組別在動態因子上的差異之分析方式，以組別虛擬變項為共變項之LGM模型示 意圖請見圖九。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
100
圖九、PTG 組別在心理適應截距與斜率的差異（示意圖）
註：當總共四組時，以 PTG 組別一為參照組，則有三個虛擬變項。結構模式中 潛在變項的關係－實線箭頭代表兩組別在心理適應初始值的差距，虛線箭頭代表 兩組別在心理適應斜率的差距。PTG = 創傷後成長分數；PA = 正向情緒。
（四）PTG 軌跡組別預測兩年後心理適應
參與者中，174人於術後兩年亦收集焦慮、憂鬱、PA的資料，因此以ANCOVA，
排除與PTG相關的變項後，檢驗PTG組別在術後兩年心理適應變項上的差異。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
101
結果 第三章、
本研究尌研究問題，一一地分析，以回答本研究目的。
第一節、 PTG 之異質性變化軌跡
研究問題一、乳癌患者的 PTG 變化軌跡是否具有異質性？
模式選擇：PTG變化軌跡組別的模式選擇
本研究嘗詴以群體軌跡模型分析（Group-based trajectory; TRAJ）的分析方 式，來決定PTG的變化軌跡組別。表八顯示四組軌跡最能代表資料的型態，BIC 隨著組數增加直到四組，且2ΔBIC大於10，到第五組的時候BIC反而下降，表示 四組的適配度較佳。此外，四組的人數比例分配也恰當，沒有任何一組少於全體 的5%。軌跡1到4中，組內個體被分配到該組的帄均機率（事後機率）分別為0.94、
0.85、0.86、0.90，代表此包含四條軌跡的模式的正確度相當高。
表八、PTG 模式選擇：選擇軌跡數目的標準 模式／
組別數
BIC 2ΔBIC 各組比例（%）
1 2 3 4 5 1 -5662.47 ---- 100
2 -5431.85 461.24 30.8 69.2
3 -5378.56 106.58 18.3 37.2 44.5
4 -5357.70 41.72 13.7 10.7 36.8 38.8
5 -5364.92 -14.44 13.4 7.8 28.7 30.7 19.3 註：PTG = 創傷後成長；BIC = 貝氏估計係數。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
102
PTG軌跡型態的模式選擇
PTG軌跡型態的模式選擇