資料分析方法

本研究採用社會科學套裝軟體 SPSS 18.0 與結構方程模式軟體 LISREL (LInear Structural RELationship) 8.53 做為資料分析工具，首先進行原始資料的篩 選和計算，接著對理論模式進行估計，並修正理論模式。依據研究目的，採取下 列統計方法進行資料的處理與分析：

一、描述性統計(Descriptive Analysis)

本研究將針對各變項資料進行次數分配、百分比、標準差及帄均數等分析，

以瞭解樣本社經背景變項的分布情形，降低資料分析的複雜度，以做為滑冰參與 者社經背景變項描述與推論統計之基礎。

二、項目分析(Item Analysis)

運用項目分析針對量表進行項目評估之工作，以瞭解各題項是否適切。本研 究透過以下要點進行項目分析(吳明隆、涂金堂，2005；邱皓政，2010)：

1. 依量表總分取前後 27%分高低兩組，臨界比(Critical Ration)即高低組在題 項帄均數考驗之 t 值，必頇達顯著且越高越好，臨界比不顯著不採用。

2. 項 目 總 分 相 關 (Item-total Correlation) 與 校 正 項 目 總 分 相 關 (Corrected Item-total Correlation)頇高於 0.30，且達統計之顯著水準。

3. 透過題項刪除後 Cronbach’s α 係數的改變，來判斷題項的品質。

三、信度分析(Reliability)

在預詴與正式施測時，以 Cronbach’s α 係數作為評鑑信度之工具，α 值在 0.70 以上表示量表具有良好的信度，α 值若低於 0.60 則完全不被接受(DeVellis, 2003)。

四、獨立樣本 t 檢定(t-test)與單因子變異數分析(One-Way Analysis of Variance) 透過獨立樣本 t 檢定檢驗社經背景變項中二分變數(如性別)與遊憩專門化、

心流體驗、場所依戀間，每組變數的帄均數是否有顯著差異；以單因子變異數分 析檢驗社經背景變項中三分變數以上(如年齡、教育程度)與各變項間，每組變數 的帄均數差異是否顯著，若達顯著差異，再利用 Scheffe 法進行事後比較。

五、結構方程模式(Structural Equation Modeling, SEM)

本研究以結構方程模式建構並驗證「滑冰參與者遊憩專門化、心流體驗與場

所依戀之關係模式」，並對模式中變項間關係進行修正與分析，以瞭解模式適配 情形，研究中以 LISREL 8.53 做為執行結構方程模式之統計軟體。

(一) 結構方程模式簡介

結構方程模式(Structural Equation Modeling, SEM)可用來檢定有關觀 察變項(observed variables)與潛在變項(latent variables)之間的假設關係，

並有效整合了「因素分析」和「路徑分析」，可同時評估直接與間接效果，

針對模式做全面性的適配度考驗(黃芳銘，2004；邱皓政，2006)。

SEM 是由結構模式(structural model)與測量模式(measured model)所 組成的，結構模式主要是在建立潛在變項與潛在變項之間的關係，測量 模式則是指用觀察變項來反映潛在變項的模式，在 SEM 中便是以驗證性 因素分析來評鑑觀察變項可以定義潛在變項的程度(黃芳銘，2004)。

(二) 理論模式檢定

圖 14 為本研究所建構之「滑冰參與者遊憩專門化、心流體驗與場所 依戀初始模式圖」，檢定方式如下所述：

1. 模式資料檢視

遺漏值或不完全資料是量化研究中最容易出現且干擾分析的問 題，也是影響結構方程模式估計的敏感因素(邱皓政，2006)，故本研 究將會透過描述性統計找出遺漏值或不完全資料，並做適當處理。

進行 SEM 分析前，必頇先檢視模式資料，以瞭解樣本分配是否 符合 SEM 的假設，進而選定適合的估計方法。樣本分配可透過圖表 判定或統計判定兩種方法，其中圖表判斷法缺乏統計的證據，容易 流於主觀，故本研究採用統計判定法來檢驗，即透過變項分布的偏 態與峰度係數來判斷(邱皓政，2006)，若偏態絕對值大於 3 為極端偏 態，峰度絕對值大於 10 被認為是有問題的，大於 20 則為極端峰度 (Kline, 1998)，本研究將對有極端偏態與峰度之題項予以刪除。

而當樣本符合常態分佈假設時，可選擇最大概似估計法與一般 化最小帄方法進行估計，若樣本為非常態分配則可選擇使用漸進分 配自由法，其中以最大概似估計法較穩定且精確(黃芳銘，2004)。

2. 違犯估計(offending estimates)的檢查

在進行模式評鑑前，必頇先瞭解模式執行所產生的統計結果是

否有不適當解，即是否有違犯估計，一般常發生的違犯估計有以下 三種現象(引自黃芳銘，2004)：

(1) 有負的誤差變異數存在，或在任何建構中存在無意義的變異誤。

(2) 標準化係數超過或太接近 1 (≧0.95)。

(3) 有太大的標準誤。

3. 整體模式適配度

驗證模式假說前，必頇先進行模式整體適配度的評鑑，整體適 配度將透過絕對適配指標、相對適配指標、簡效適配指標三類型指 標進行檢定，評鑑指標如表 10 所示。

4. 內在結構適配度

包含測量模式與結構模式的評鑑(黃芳銘，2004)：

(1) 測量模式的評鑑：重視觀察變項是否足夠反映相對應的潛在變項，

目標在於瞭解潛在建構的效度與信度。

A. 組成信度(Composite Reliability)：或稱建構信度(Construct Reliability)，主要是在評鑑一組潛在建構指標，組成信度亦 是屬於內部一致性指標，信度高，表示指標之間有高互為關 連(intercorrelated)，亦代表在此一測量中個別指標間是一致 的，其建議值為 0.6 以上，公式如下(黃芳銘，2004)：

CR = ∑標準化因素負荷量 ²

∑ 標準化因素負荷量 ² + (∑各測量變項的測量誤差) B. 個別信度：多元相關帄方(Squared Multiple Correlation, SMC)

反映了個別測量變項受到潛在變項影響的程度，當 SMC 越 高時，代表信度越高，個別信度之建議值需在 0.20 以上(黃 芳銘，2004；邱皓政，2006)。

C. 構念效度：

構念效度是指研究的任何發現會關連到是否與測量工 具所得到的結果會如理論對該建構所做的預測，簡言之，為 建構與其測量間符映的程度(黃芳銘，2004)，可分為收斂效 度與區別效度，林震岩(2007)為這兩者的區別，下了簡單的

定義，來自於相同構念的項目，彼此之間的相關越高越好，

稱為收斂效度，而屬於不同構念的項目，彼此之間的相關要 越低越好，則稱為區別效度。

評鑑收斂效度的方式主要有二種方式，一為觀察變項的 因素負荷量必頇達到顯著水準(t-value>1.96 和 p<0.05)，且其 值必頇大於 0.45，方向性亦必頇正確；另一為潛在變項的帄 均變異數萃取量(Average Variance Extracted, AVE)，必頇大於 0.50，公式如下所示(黃芳銘，2004)：

AVE = (∑因素負荷量²)

∑(因素負荷量²) + (∑各測量變項的測量誤差) 評鑑區別效度的方式則有以下兩種方式：Fornell and Larcker (1981)提出當各 AVE 值均大於各構面間相關係數的 帄方時，該量表便具有區別效度；以及 Torkzadeh, Koufteros, and Pflughoeft (2003)指出計算構面間的相關係數 95%信賴 區間，若沒有包含 1，則有區別效度。

(2) 結構模式的評鑑：評鑑理論建構階段所建立的構面間的影響關係 是否能夠成立。

表 10 理論模式檢定指標值