第三章 研究方法
第五節 資料分析方法
在本研究中，經過回收問巻後，首先對問巻進行檢查與整理，將答案 填寫不完整之問卷刪除，然後對有效問卷編號並建檔，最後使用統計套裝 軟體 SPSS 20 與 AMOS 20 來進行問卷資料的實證分析，本研究進行五大 部分的資料分析，以達研究目的需求，首先進行樣本特徵分析，驗證性因 素分析為第二部分，信、效度分析為第三部分，第四部分是結構方程模型 分析，最後是第五部分的配適度報告與修正，以下就各部份說明如下：
壹、 樣本特徵分析
為了解樣本資料的人口統計變項，本研究透過樣本特徵分析，執行次 數分配表，可以瞭解資料所表達的意義，是資料分析的基本工具，首先我 們對數據的結構進行了解，顯示數據結構的工具可以採用次數分配程序，
它可以顯示數據的次數、百分比、累計百分比和一些基本統計數據，並且 顯示其分佈圖（吳明隆、涂金堂，2012）。
貳、 驗證性因素分析（confirmatory factory analysis, CFA）
因素分析分成探索性因素分析(Exploratory Factor Analysis)與驗證性 因素分析(Confirmatory Factor Analysis)。探索性因素分析是沒有任何限制 的找出因素的結構。驗證性因素分析基於已知的可能結構，以及驗證是否 仍然適用，如線性結構方程式(LISREL)。因為驗證性因素分析（confirmatory factory analysis, CFA）分析側重於因素之間的相關性，而不是因素之間的 因果關係。潛在構面（unobserved variables/ constructs/latent variable/ factors/
dimentions）在 SEM 分析中是一個非常重要的思想。因此，有必要觀察變 數（manifest variables/ measurement variables/ observed variables/ indicators）
進行間接測量。
結構方程的次模型是 CFA 分析，綜合結構方程模型分析的前期步驟是 基於 CFA 分析，其獨立地應用於可靠性和有效性的測試，並確認理論的有 效性（Bentler, 1980）。CFA 在 SEM 模型分析中具有很重要的作用（Brown, 2006; MacCallum & Austin, 2000）。當從測量模型（CFA）應用 SEM 分析 時，由於是對實際調查信息的分析，因此有必要了解信息是否具有信、效 度是非常重要的。在 SEM 模型中進行分析，CFA 是結構模型的一部分，
如果沒有數據表明 CFA 值得進一步分析的話，如此 SEM 是無意義的 (Thompson, 2004）。Brown（2006）表示當 SEM 模型出現問題，在大部份 的情況是起因於測量模型不佳所導致。
在 SEM 分析前提之下，分析 CFA 要單獨進行，並提出報告才可以執 行。CFA 分析顯示因素負荷量及測量模型因素變數的共同性，包括標準化 及非標準化負荷量、標準誤、顯著性、組成信度、平均變異數萃取量和適 當的適配度指標。因此，本研究首先分析了每個構面的 CFA，確認構面信、
效度沒問題，然後再進行 SEM 模型分析。
參、 信效度分析
CFA 可以在多重目的下使用，可以用來檢驗測量工具是否跨群組不變 性及構面間的信、效度。建構效度包含收斂效度（convergent validity）及 區別效度（discriminant validity）兩個重要概念。詳細說明如下：
1. 收斂效度（convergent validity）
收斂效度又稱為內部一致性效度，使用同一構面中變數之間相關性的 大小進行評估，主要是為了確保一個構面的變數之間至少存在中度相關 性。Cronbach’s α 是建立內部一致性最常使用的方法，在探索性目的下，
0.6 被認為是可以接受的，在驗證性目的下，0.7 被認為是可接受的，0.8 被認為是更好的。但是，在 SEM 分析中，大部份採用組成信度（composite reliability, CR）。Hair et al.（2009）指出收斂效度包括以下三個部分：
(1) 因素負荷量（measurement weight）：是收斂效度的重要考量因 素，因素負荷量越大，收斂效度越高，這意味著測量變數可以收斂到一個 潛在變數上。一般來說，標準化的因素負荷量至少為
0.5，理想情況下 為
0.7，標準化因素負荷量介於-1 到+1 之間。(2) 組成信度（composite reliability, CR）：雖然 Cronbach’s α 容易被 低估，但是仍然普遍被應用在信度分析上，但在 SEM 中更多採用不同的 信 度 分 析 ， 稱 為 組 成 信 度 。 根 據 經 驗 法 則 ， 良 好 的 組 成 信 度 建 議 為
0.7，組成信度在 0.6~0.7 之間，可以接受。(3) 平均變異數萃取量（average variance extracted, AVE）：是構面所 有標準化因素負荷量的平方加總取平均，所以 AVE
0.5 被認為具有適當 的收斂程度，平均變異數萃取量<0.5 意味著構面解釋測量變數其不可解 釋變異大於可解釋變異，表示收斂程度不是很理想。平均變異數萃取量2. 區別效度（discriminant validity）
區別效度分析是為了驗證兩個不同構面在統計上是否存在差異，在不 同構面的題目不應該存在高度相關，如果存在高度相關（如 0.85 以上），
顯示這些題目是權衡同樣的事情，這將會發生在構面的定義有過度重疊的 情形，可以通過平均變異數萃取量進行檢驗區別效度。
平均變異數萃取量（AVE）：採用比較傳統的方法進行平均變異數萃 取量，區別效度的評估將與其他方法進行比較，以比較保守的方式亦是 SEM 中最常使用的驗證方法。Fornell and Larcker（1981）對區別效度定義 為將一個構面之平均變異數萃取量需大於各成對變項之間的相關係數平 方值，即可宣稱構面與構面之間具有區別效度。指一個調查工具的可靠性 程度。以Cronbach’s α 係數來檢定各因素之衡量細項間的內部一致性，若 α 值愈高，則顯示量表內各細項的相關性愈高，即他們的內部一致性愈趨 一致。依據 Cuieford (1965) 所提出 Cronbach’s α 係數之選擇標準，其認為 α 值 0.7 以上者為高信度，α 值 0.35 以下者信度過低，應拒絕使用。
肆、 結構方程模式分析(SEM)
結構方程模式(structural equation modeling, SEM)又稱為共變異數結構 分析。此研究方法主要是結合了因素分析（變數之間的共同因素）及路徑 分析(path analysis, PA)（觀察變數之間的關係），研究假設模型與樣本之間 的配適程度是 SEM 的主要任務（張偉豪，2011）。許多研究人員試圖了解 目前變數與變數之間潛在的意義，然後採用 SEM 建立模型，藉此建立估 計及檢定假設之間的關係，然後需要對資料加以驗證。為了評估假設模型 與資料之間的配適程度，透過 SEM 從資料所重製的共變異數矩陣中，分 析觀察變數之間的相關性。由於研究這個潛在心理變數之間是否相關，所 以結構方程模型用於分析最合適。
伍、 配適度報告與修正
將 SEM 作為理論模型進行驗證，良好的模型配適度對 SEM 分析至關 重要（Byrne, 2010），配適度愈好樣本愈接近模型。在 SEM 分析中產生的 許多配適度指標，提供了假設模型與蒐集的資料配適差異大小的完整測 試。在判斷模式配適度時，首先要對整個模型進行配適度的判斷，然後用 配適度判斷來做出測量模式與結構模式。在整體模式中，提供了一些模型 評鑑指標，這些指標可以分為三種類型，各指標詳細說明如下，並彙整成 表 4-20：
1. 絕對配適度指標（absolute fit indexes）
卡方值越大表示配適度愈差。根據 Joreskog and Sorbom（1983）提出 p<0.05 顯著，模型配適度不理想；p>0.05 不顯著，模型配適度令人滿意的。
卡方自由度比越小，則表示模式配適度越高。學者 Ullman（2001）提出卡 方自由度比< 2 為良好配適；Carmines & McIver（1981）提出 2:1 或 3:1 為 良好配適；Kline（2005）提出< 3 為可接受配適；Schumacker & Lomax（2004）
提出< 5 為可接受配適。GFI 類似於在迴歸分析方面的可解釋變異 R2，用 來衡量預測值與實際樣本資料相比較的誤差值的平方。其值介於 0~1 之 間，更接近 1 表示預測模式與樣本資料越能配合。學者 Joreskog & Sorbom (1984) 提出 GFI > 0.90 為良好配適；Doll, Xia & Torkzadeh（1994）提出 GFI > 0.80 為良好配適。AGFI 與 GFI 一樣值介於 0~1 之間，越接近 1 表示 模式配適度越佳。學者 Bagozzi & Yi (1990) 提出 AGFI > 0.90 為良好配 適；MacCallum & Hong（1997）提出 AGFI > 0.80 為良好配適。RMR 主要 用於反應理論假設模型的整體殘差。RMR 越接近 0 則表示配適度越好，
一般建議 RMR < 0.05 表示該模型具有良好的配適度。由於 RMR 只有下限
一定代表模型不好。SRMR 是模型中預測矩陣與樣本矩陣之間差異的平均 值。SRMR 越小，表模型配適度越好。學者 Joreskog and Sorbom (1984）
提出 SRMR 為 0 為完美配適；SRMR < 0.05 為良好配適；SRMR < 0.08 為 可接受配適。RMSEA 是用於估計 SEM 統計驗證力的重要指標（MacCallum, Browne, & Sugawara, 1996）。學者 Schumacker & Lomax (2004）提出 RMSEA < 0.05 為良好配適；Hu & Bentler（1999）提出 RMSEA < 0.06 為 良好配適。
2. 相對配適度指標（incremental fit indexes）
NFI 可以看作是假設模型與最差模型之改善情形。學者 Schumacker &
Lomax（2004）提出 NFI > 0.95 為良好配適；0.9~0.95 為可接受配適；< 0.9 需重新設定模型；Ullman（2001）提出 NFI > 0.8 為良好配適。CFI 可反應 假設模型與無任何共變關係的獨立模型之間的差異程度。Fan, Thompson
& Wang（1999）提出 CFI 處於 0~1 為良好配適；Bentler (1995) 提出 CFI >
0.9 為良好配適。Bentler（1995）認為 IFI 大於或等於 0.9，表示該模型是 可以接受的。在某些情況下，IFI 值可能會> 1，並且 IFI 受樣本數量的影 響較小，因此受到研究人員的好評。Hu and Bentler（1999）建議 RFI 應該 大於或等於 0.9，表示該模型是可接受的，其值介於 0~1 之間。Marsh et al.
（1996）發現，NNFI 幾乎不受樣本數量的影響，因此是 SEM 報告指標中 經常被引用的一個很好匹配的指標。NNFI 不保證值介於 0~1 之間。TLI 接近 1 代表配適度良好，有些學者使用 0.8 作為標準，但是 Hu and Bentler
（1999）認為 TLI > 0.95，若< 0.9，模型可能必須被重新設定。
3. 精簡配適度指標（parsimony adjusted indexes）
PGFI 可用於反應 SEM 假設模型的簡單性。PGFI 值越接近 1，表示模 型越簡單。Mulaik （2009）指出，一個良好的模型通常表明 PGFI 值應該 超過 0.5。PNFI 值越小，模型越接近飽和模型。Hu and Bentler（1999）指 出一個良好的模型通常表明 PNFI 值應該超過 0.5。