第三章 研究方法
第六節 資料分析工具及方法
本研究資料分析方式採用量化研究方法，以SPSS 12.0及LISREL8.75作為分 析工具。本研究以敘述性統計、因素分析、等方法，分別說明如下：
一、敘述性統計
敘述統計內容包括了次數分配、帄均值、變異數…等針對原始資料的描述。
「次數分配」主要是將原始的資料樣本，依不同類別及數量多寡分組，並顯示 資料資料分佈狀況，通常以次數分配統計表呈現。
二、探索性因素分析(EFA；Exploratory factor Analysis)
探索性因素分析(EFA)主要是能夠將眾多因素精簡成較少的因素，此目的是 定義一個資料結構中的潛在變項。可讓研究者事先確認架構中的不同構面，再 決定每個構面各變數的解釋能力。本研究將透過主成分分析（Principle
Component Methods）並採用最大變異數法（Varimax）來進行因素分析（Factor Analysis）。接著在因素的個數決定上，以特徵值（Eigenvalue）大於1作為評估 標準。
三、驗證性因素分析(CFA；Confirmatory Factor Analysis)
驗證性因素分析(CFA)是為了檢測觀察變項與潛在變項之間的關係，根據理
論及實證研究得知，研究者必頇先提出觀察變項與潛在變項之間的關係，且建 立一套結構模式(邱皓政，2004)。本研究利用結構方程模式LISREL8.72的統計 軟體，進行驗證性因素分析來評估整體模式之配適度，且檢驗觀察變項與潛在 變項之間的信、效度，以及評估整體模式的配適度。以下為各模型適配指數之 詳細介紹：
(一)卡方值(Chi-Square)
在線性結構關係模式中，卡方值越大表示模式配適情形越不好，反之越小 表示越好，然而樣本大小容易影響卡方值大小，樣本越多，卡方值越大。因此 通常會以卡方值與自由度的比值來檢定模式適配度。依據Hair and Tatham(1998) 的建議，此值應小於3，代表有良好的模型適配。
(二) 最佳適合度指標(GFI)與調整後的適合度指標(AGFI)
最佳適合度指標(Good-of-fit Index)，表示由理論模式，所能解釋變異數共 變數的量(variance-covariance)，其值應介於0與1之間，其值越接近1時，表示適 合度越佳，越接近0時，表示此模式適合度越低，配置越不恰當，Byrne(1994) 建議GFI值應大於0.9，代表有良好的模型適配度。
調整後的適合度指標(Adjusted Goodness-of- fit Index)與GFI 性質相同，因為 AGFI是依據變項數目和模式的自由度修正GFI值而來的，因此不受樣本大小和 偏離常態分配所影響，Byrne(1994)建議AGFI值應大於0.9，代表有良好的模型適 配度。
(三) 殘差帄方根(RMR)
殘差帄方根(Root Mean Square Residual)是模式推估後所剩下的殘差，是用 來作為比較同一資料在兩個不同模式的比較。Hair and Tatham(1998)建議RMR 值應小於0.05，表假設的測量模式有良好的適配度。
(四) 近似殘差均方根(RMSEA)
近似殘差均方根(Root Mean Square Error of Approximation)主要在說明模型 較些虛無模型改善程度。Hair and Tatham(1998)建議RMSEA數值小於0.05，表示 理論模式為「良好適配」；若RMSEA數值介於0.05到0.08之間，表示此模式為
「不錯適配」；介於0.08到0.10之間，表模式為「中度適配」；RMSEA大於0.1 時，則表示此模式為「不良適配」。
(五) 標準適配度指標(NFI)與非標準適配度指標(NNFI)
標準適配度指標(normed-fit index)與非標準適配度指標(non-normed-fit index)都是比較理論模式與基準線模式(baseline model)的差異而來，NNFI比NFI 多考慮了自由度的影響。Byrne(1994)對NFI與NNFI的建議值應大於0.9來判定測 量模型達到模型契合之標準。
(六) 比較配適度指標(CFI)
比較配適度指標(Comparative-fit Index)主要是為了反應出假設模型與獨立 模型的非中央性差異，用來說明模型較虛無模型的改善程度。Bentler(1989)建議 值以大於0.9做為評量的標準。本研究將適配度指數標準，整理如表13所示：
表 13 適配度指標及理想標準值
整體模式適配衡量 理想標準值 絕對適配衡量指標
卡方值(X2 test) 愈小愈好
χ2/df <3
GFI ＞0.9
AGFI ＞0.9
RMR 愈小愈好
RMSEA <0.05
相對適配衡量指標
NFI >0.9
NNFI >0.9
CFI >0.9
資料來源：徐聖訓(2009)
四、量表信、效度之檢測
(一)信度分析
信度分析主要是用來檢測問卷結果的一致性及穩定性。Cronbach 所創的α 係數分析法是種常用的分析方法。本研究採用Cronbach’s α 係數值來對同一構 面下的題項進行內部一致性的分析。Nunnally(1978)所建議之Cronbach’s α 大於 0.7時，表示內部一致性高。此外，信度的檢測方法還有另一種，即透過CFA來 檢測個別題項的信度、建構信度之信度分析。
1.個別題項的信度：主要是評估測量變項對該潛在變項的因素負荷量(Factor Loading)，各題項的因素負荷量均大於0.5，皆符合標準，則表示各題項能足 夠代表該構面。
2.潛在變項的CR值：主要是檢測研究模式是否為良好的測量模式，CR值皆大於 標準0.7以上，則表示其測量變項愈能測出該潛在變項，也就說測量變項與潛 在變項之間具有高度存在關聯性。
(二)效度檢測
效度是指一種衡量工具真正能夠測出研究人員所想要衡量之事物的程度。本 研究主要探討內容效度以及建構效度。
1.內容效度(content validity)：指該衡量工具足夠涵蓋研究主題的程度，由於內容 效度的檢測相當主觀，通常內容效度是以邏輯判別法來決定測驗是否具有內 容代表性，因此若是問卷以理論為基礎，並參考以往學者類似的研究，加上 與相關領域專家的討論，應可達到相當的內容效度。
2.建構效度(construct validity)：所謂建構效度是指測驗能測量理論的概念或特質 的程度。本研究將以線性結構方程模式進行模式的適合度檢驗，以檢定各構面 是否具有足夠的收斂效度 (convergent validity) 與區別效度 (discriminative validity)來表示之。
所謂收斂效度主要是衡量測量變項是否能夠有效地代表該構面，也就是說 測量變項與潛在變項之間是否具有較高的相關性。Fornell and Larcker(1981)建議 若各構面的帄均變異抽取量(Average Variance Extracted；AVE值)均大於0.5，表 示具有收斂效度。
區別效度是指說不同的構面之間應具有較低的相關性，相關性愈低表示不 同的構面之間有較大的差異性。本研究在區別效度中，依據 Anderson and Gerbing(1988)的建議區別效度的檢定，可利用χ2差異檢定(Chi-square Difference Test)法進行檢視。本研究將構面進行兩兩做比較，先將兩兩構面的相關係數限 定為一，求得模型卡方值後；再將兩兩構面的相關係數進行自由估計，求得模 型卡方值，並將限定模式的卡方值與未限定模式的卡方值相減。若兩方卡方值 差異大於10.83(P<0.001)，表示構面與構面之間相關性愈低，愈具有區別效度。