第三章 研究方法
第六節 資料分析方法
本研究的量化資料分析使用的統計分析方法包括 Cronbach ’s α 分析、
效度分析、因素分析，以及 LISREL 三種方法。各個統計分析方法使用方式如 下所示〆使用的分析工具軟體則是 SPSS12.0 For Windows 與 LISREL8.72 版的 統計軟體。
一、敘述統計
第一部分以敘述統計的方式對有效資料進行一般性觀察。首先統計各人口 統計變數名目資料出現的次數，以百分比方式顯示樣本資料的分布概況。包括 部落格的使用情形與行為，以及性別、年齡、職業、教育程度等人口統計變數。
其次揭示每個變項下觀測值的分布情況，包括其偏態（Skewness）的大小、集 中趨勢等。
二、效度檢測
(一)內容效度(content validity)
內容效度或稱為表面效度(Face Validity)，目的是判斷衡量工具涵蓋研究主 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。
(二)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賥的程度。本研究將以線性 結構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。
三、因素分析
因素分析是一種互依分析技術，主要目的在予以較少的維度來表示原先的 資料結構，而又能保存原有資料結構所提供的大部分資訊（黃俊英，1997）。在
60
進行「適合度檢定」（Goodness of Fit Test）之後，利用 SPSS 的「因素縮減」
（FactorReduction）降低變項的維數，並以「最大變異數轉軸法」（Varimax）萃 取出最具代表性的因素。其後，按照因素所包含問卷項目的意義予以適當命名，
並計算信度（Cronbach’sα），確認因素內容的一致性。
(一) 探索性因素分析(EFA々Exploratory factor Analysis)
探索性因素分析能夠將為數眾多的變數，濃縮成為數較少的幾個精簡變數，
這些精簡的變數就是因素(Factor)，而因素分析的目的在於定義一個資料結構中 的潛在架構。研究者可以先確認在架構中的不同構面，再決定每個構面可解釋 各個變數的能力，進而發展新的理論假設架構。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）。在因素的個數決定上，以特徵值（Eigenvalue）大於 1 為 評估標準。
(二) 驗證性因素分析(CFA々Confirmatory Factor Analysis)
對於探索性因素分析而言，測量變項的理論架構是因素分析的產物，理論 架構的出現是在探索性因素分析事後的概念，而驗證性因素分析則是必頇當研 究者對於結構理論之潛在變數已經有所瞭解時，研究者可在使用實證的數據驗 證時，提出觀察變數與潛在變數之間的關係，並建立一套結構模式(邱皓政，2003)，
根據所蒐集到的資料去驗證這個理論模式是否合宜，如果有充足的適合度支持，
這個結構模式便予以接受，若不能支持則拒絕。除此之外，亦可獨立應用在信、
效度的檢驗上（Bentler, 1989），本研究將利用 LISREL 統計軟體進行驗證性因 素分析，了解部落格使用者行為模型的適配程度。
四、線性結構關係 LISREL(Linear Structural Relation)
驗證性因素分析主要是檢測測量變項與潛在變項之間的關係，根據理論知 識及實證研究得知，研究者必頇先提出測量變項與潛在變項之間的關係，並建 立一套結構模式。本研究利用結構方程模式 LISREL8.72 版的統計軟體，進行驗
61
證性因素分析來評估整體模式的配適度，且檢驗測量變項與潛在變項之間的信 效度、及評估整體模式的配適度。Hair et al.,（1998）將評量整體模式適配方面 分為三種類型〆絕對適配衡量指標、相對適配衡量指標、及簡效適配衡量指標 等，本研究利用這三種指標作為評估整體模式配適度，茲將此三種類型說明如 下〆
(一) 絕對適配衡量指標〆
主要是來確定整體模式可以預測共變數或相關矩 陣的程度，衡量指標如下〆1. 卡方值(Chi-Square)〆線性結構方程式模式中，卡方值越大表示模式配適情形 越不好々越小表示配適情形越好，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 et al.,（1998）的建議，此比值應小於 3，代表有良好的模型適配。
2. 最佳適合度指標 (Good-of-fit Index々GFI)〆GFI 與卡方值不同於 GFI 不會受 到樣本大小和偏離常態分配所影響々GFI 的值介於 0 與 1 之間，其值愈接近 1 時，表示模式適合度愈佳，愈接近 0 時，表示模式適合度愈低。依據 Byrne
（1994）建議 GFI 值應大於 0.9，代表有良好的模型適配度。
3. 調整後的適合度指標(Adjusted Goodness-of-fit Index々AGFI)〆AGFI 與 GFI 的性賥大致相同，AGFI 是依據變項數目和模式的自由度修札 GFI值而來的，
且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。Browne and Cudeck(1993)建議 AGFI 值頇 大於 0.8。
4. 均方根殘差(Root Mean Square Residual々RMR)〆RMR 模式是一種帄均殘差 共變數，用來作為比較同一資料在兩個不同模式的比較。Hair et al.,（1998）
建議 RMR 數值較小者，表示該模式相對較佳。
5. 近似殘差均方根(Root Mean Square Error of Approximation々RMSEA)〆 RMSEA 主要在說明模型較些虛無模型改善程度。近年來 RMSEA 逐漸受到
62
重視的模式適配指標。Hair et al.,（1998）建議 RMSEA 數值小於 0.05，表示 理論模式可以被接受，表示此模式為「良好適配」々若 RMSEA 數值介於 0.05 到 0.08 之間，表示此模式為「不錯適配」々0.08 到 0.10 之間，表示此模式為
「中度適配」々RMSEA 大於 0.1 時，則表示此模式為「不良適配」。
(二) 相對適配衡量指標〆
主要是比較所發展的理論模式與基準線模式 (baseline model) 的差異而來，衡量指標如下〆1. 標準適配度指標(Normed Fit Index々NFI)與非標準適配度指標
(Non-Normed-Fit Index々NNFI)〆NFI 與 NNFI 主要是測量模型是否達到模型 契合度，通常 NFI 與 NNFI 的值一般均在 0 到 1 之間，越大表示契合度越高。
Byrne（1994）建議 NFI 與 NNFI 值應大於 0.9 來判定測量模型達到模型契 合之標準。
2. 比較配適度指標(Comparative-fit Index々CFI)〆CFI 指標主要是反應出假設模 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（1990）建議以 0.9 為評量的標準。
(三) 簡效適配衡量指標〆
主要是要調整適合度衡量，俾能比較含有不同估 計係數數目的模式，以決定每一估計係數所能獲致的適合程度，衡量指標 如下〆1. 簡效規範適配指標(Parsimonious Normed Fit Index々PNFI)〆PNFI 為每一個自 由度所能達較高適配程度，若值愈高愈好。Bentler（1990）建議 PNFI 大於 0.5，表示此模式通過標準。
2. 簡效良性適配指標(Parsimonious Goodness-of-Fit Index々PGFI)〆PGFI 主要考 慮模式簡約性，說明模型簡單程度。Bentler（1990）建議建議大於 0.5，表 示此模式接受的標準。
3. 臨界 N 指數(Critical N々CN)〆1983 年 Hoelter (Hoelter’s Critical N)提出臨界 數，主要的目的檢測樣本數足夠估計模式參數及模式適配的合理指標。Hair
63
et al.,（1998）建議 CN 值若大於 200，表示樣本數足夠檢定模式。故本研究 將適配度指數標準，茲整理如表 16 所示〆
表 16 適配度衡量指標 整體模式適
配衡量 性 賥 判斷值
絕對適配衡量指標 卡方值
(χ2 test) 理論模型與觀察模型的契合程度 P<0.05
χ2/df 考慮模式複雜度後的卡方值 <3
GFI 假設模型可以解釋觀察資料的比例 >0.90 AGFI 考慮模式複雜度後的 GFI >0.90
RMR 未標準化整體模型的標準殘差 愈小愈好
RMSEA 比較理論模式與飽和模的差距 <0.05 相對適配衡量指標
NFI 比較假設模型與獨立模型的卡方差異 >0.9
NNFI 考慮模式複雜度的 NFI >0.9
CFI 假設模型與獨立模型的非中央性差異 >0.9 簡效適配衡量指標
PNFI 每一個自由度所能達較高適配程度 >0.50
PGFI 考慮模式的簡約性 >0.50
CN 產生不顯著卡方值的樣本規模 >200
資料來源〆徐聖訓(2009)
64