國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
究的研究設計之中，個人在任何一個觀測變項上的任何變化，都能被直接的測 量，而不用再把許多個人的表現合為一個群體的平均數或比例。
綜合上述可知，長期追蹤資料分析不但可以增加假設的統計考驗力，突破橫 斷面資料或僅兩波段資料的假設檢定限制，亦可讓研究人員進行實質且重要的問 題探討，如隨著時間的變化歷程，對社會與行為結果的成長與發展情形進行探討
（Kaplan, 2009; Preacher, Wichman, MacCallum, & Briggs, 2008）。相對下，單一時 間的資料分析則會有難以確立因果關係、無法釐清造成結果的根本原因與表象原 因，以及缺乏動態變化的觀察等研究限制的問題產生（吳齊殷等人，2008）。在 國內，隨著臺灣教育長期追蹤資料庫（TEPS）、華人家庭動態資料庫（Panel Study of Family Dynamics，簡稱 PSFD）、臺灣青少年成長歷程研究（Taiwan Youth Project，簡稱TYP）等長期追蹤資料的釋出，縱貫性研究近幾年間逐漸受到重視，
且已被廣泛應用於心理學、教育學及社會學等相關研究領域。
貳、如何以結構方程式模型進行長期追蹤資料分析
由於近年來結構方程式模型方法在處理大量調查資料方面的突破與進展，結 構方程式模型已成為分析縱貫性資料使用最廣的統計分析技術之一。McArdle
（2009 ） 認 為 縱 貫 性 資 料 分 析 主 要 關 注 的 焦 點 為 隨 時 間 進 展 的 成 長 軌 跡
（trajectory），所以在進行縱貫性資料分析前，最好一開始就要思考分析的變化模 型（change model）為何？一般來說，應用結構方程式模型進行長期追蹤資料的 分析，研究上有下列數種分析模型可供選擇：
一、表徵變化的結構方程式模型
以結構方程式模型分析兩個時間點的資料變化，主要有三種次模型：（a）自 我迴歸模型（auto-regression Models），係指兩個重複測量分數中的第一個時間點 測量分數以迴歸分析的方式，預測第二個時間點的測量分數；（b）變化分數模型
（change score models），係以結構方程式模型估計兩個時間點變化分數的變化參 數，即變化平均數、變異數及起始分數與變化分數的共變數，以及（c）變化迴歸 模型（change-regression models），以即兩個時間點分數相減的結果做為依變項，
第一個時間點為自變項，進行迴歸分析。此類模型分析的缺點，只能檢定兩個時 間點觀測資料的差異情形，而非變化情形；另外，一般統計分析方法也可以達到
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
相同的目的，故無法發揮結構方程式模型分析對於潛在變項的處理，以及對多個 依變項間關係的探討。
二、增加組別差異的結構方程式模型
係以上述模型為基礎下，進行多群組結構方程式模型分析，主要可分成三種 次模型：（a）組別訊息做為對比編碼模型（group information as contrast codes models），指將組別差異進行虛擬編碼（dummy coding）或效果編碼（effect coding）
後，納入模型中進行路徑模型分析；（b）多群組潛在差異模型（multiple-group latent-difference models）；（c）不完整資料的群組結構方程式模型（multiple group structural equation model estimation with incomplete data）。此類模型的優點為可進 行組別間變化變異量的恆定性檢定、對於不完整資料的處理，或是交互作用效果 的分析，但缺點依然檢定兩個時間點觀測資料的差異情形，而非變化情形。
三、包含潛在共同因子的的結構方程式模型
上述兩種類型的模型，基本上都屬於顯性觀察變項的單變量模型，用以分析 兩個重複測量觀察變項間的關聯性，但是潛在共同因子的的結構方程式模型，則 是以潛在變項的方式進行兩個時間點結構方程式模型的多變量分析，主要可分成 三種次模型：（a）共同因子迴歸模型（common-factor regression model）；（b）共 同因子潛在變化分數模型（common-factor latent change sore model），以及（c）多 元共同因子交叉延宕迴歸模型（multiple-commom-factors crossed-lagged regression model）。此類模型的優點，除了可利用重複性潛在共同因子的平均數，分析潛在 變化分數的改變情形與進行兩個潛在共同因子平均數的差異檢定，亦可利用事件 發生的時間先後次序，進行潛在共同因子對潛在共同因子的因果分析，但缺點依 然只能檢定兩個時間點潛在變項的關聯性。
四、使用時間序列概念的多個時間點結構方程式模型
該模型主要是運用時間序列的概念，以共變數結構的方式處理時間與時間的 相依性關係，模型可分為二種次模型：（a）單一共同因子多個時點的自我迴歸模 型（one common factor multi-occasion autoregressive model），與（b）兩個共同因 子多個時點的交叉延宕模型（two common factors multi-occasion cross-lagged model）。此類模型的優點，在於利用時間延宕的方式進行因果推論及做複雜的因
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
果假設考驗，缺點則無法進行平均數變化的檢定或取代實驗研究的因果推論。
五、使用潛在成長概念多個時間點的結構方程式模型
由於時間序列的結構方程式模型並無法處理隨時間遞移的平均數變化，相反 地，潛在成長曲線模型則透過起始狀態（截距）與成長速率（斜率）兩個成長因 子的方式彌補前述模型的缺失。此類模型依據潛在共同因子的數量做區分，主要 有兩種次模型：（a）只有一個共同因子的潛在成長曲線模型（latent growth-curve model for one common factor）；（b）兩個共同因子的雙變量潛在成長曲線模型
（bivariate latent growth-curve model for two common factors）。此模型的優點是以 多個時間點（t＞3）重複測量的方式，探討某一變項屬性隨時間遞移的成長軌跡
（trajectory）或發展變化情形，並可做為其他應用潛在成長曲線模型研究的基礎 模型。
六、使用潛在變化概念多個時間點的結構方程式模型
此類模型主要是結合時間序列模型探討潛在變化分數。此類模型依潛在共同 因子的數量區分，主要有兩種次模型：（a）只有一個共同因子的潛在變化分數模 型（latent change score model for one common factor）；（b）兩個共同因子的雙變數 潛在變化分數模型（bivariate latent change score model for two common factors）。
此類模型的優點是利用多個時間探求潛在變化分數，並可延伸為複雜的動態模 型，以進行動態變化的因果關係檢定
綜合上述六種類型的模型，我們可歸納出以結構方程式模型進行長期追蹤資 料分析的五項發展趨勢：第一是觀察變項的測量，由沒有測量誤差的顯性觀察變 項趨向包含測量誤差的潛在變項；第二是模型分析的複雜度，從單變量模型模型 的分析趨向多變量模型的分析；第三是變項關係的探索，從線性模型趨向非線性 模型；第四是愈來愈重視潛在平均數的在模型中的應用價值，如從兩個時間點或 兩組平均數的差異，到多個時間點平均數變化的潛在成長軌跡或潛在變化分數；
第五為模型愈來愈重視時間先後次序的考量，以進行因果關係推論。
本研究主要選擇「潛在成長曲線模型」，做為分析四波長期追蹤資料的統計 分析方法，該方法的獨特之處在於包括了觀察變項的平均數、變異數與共變數等 所有的相關資料訊息；其模型在進行縱貫資料分析上具有下列優點：第一，分析
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
的資料不限於兩個時間點的重複測量資料，因此可以利用多波段資料進行個人層 次成長軌跡變化情形與整體層次平均成長軌跡的檢定；第二，以多個時間重複測 量資料所建立的成長曲線測量模型，可延伸成其他多變量潛在成長曲線模型，以 進行因果關係的檢視與解析，例如本研究加入外衍預測變項－家庭社經地位，以 及中介變項－父母參與，進行條件潛在成長曲線模型分析，以探討父母參與對學 習成長軌跡的影響效果；第三，從時間次序的考量上，潛在成長曲線模型是一種 時間延宕模型，故對於變項間的因果關係會較為明確。