第三章 研究方法
第四節 資料分析方法
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
56
第四節 資料分析方法
本研究採用 SPSS 22 與 Amos 22 作為主要結構方程模式（Structural Equation Modeling, SEM）分析工具。SPSS 22 用以進行敘述性統計（Descriptive statistics）
和信度分析（Reliability analysis）；Amos 22 則用以進行驗證性因素分析（即效度 檢驗）、整體適配度指標和徑路分析。以下將逐點列出將使用的統計分析工具：
壹 敘述性統計
將問卷所得之人口統計變數，包含性別、年齡、教育程度、居住地、職業、
「每天平均使用 Facebook App 的時間」以及「使用什麼手持式行動裝置登入 Facebook App」項目進行敘述性統計，求得資料的分布和百分比統計量，用以了 解樣本的集中趨勢。
貳 信度分析
信度（Reliability）指的是問卷的可靠性、一致性及穩定性，本研究採 Cronbach’s Alpha 作為信度分析的主要指標，α值衡量問卷內部一致性的函數。α 值介於 0 至 1 之間，數值越接近 1 表是樂劇有良好的信度，Nunnally（1978）認 為Cronbach’s α 值在 0.7 以上為高信度值，表示具有非常良好的內部一致性。
參 效度分析
效度（Validity）目的在於了解測量工具正確測量目標特質或屬性之程度。
本研究將採收斂效度（Convergent validity）為指標。收斂效度能驗證各構面彼此 之間是否具有高度相關性（吳明隆、張毓仁，2010），而檢測量表是否具有收斂 效度可藉由三個最常用的指標來測量：因素負荷量（Factor Loading, FL）、組合 信度（Composite Reliability, CR）以及平均變異數（Average Variances Extracted,
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
57
AVE）。因素負荷量檢驗的是觀察各問項能否有效地反映同一潛在變項；組合信 度則是檢驗同一構念的問項是否具有一致性，即潛在變項的信度檢驗；平均變異 數代表的是問項能否有效反映共同構面的潛在特質。
肆 整體適配度指標
模型的整體適配度指標，是指結構方程式模型與樣本資料之間的適配度。一 般而言，卡方檢定與自由度比（Chi-square/Degrees of Freedom, CMIN/DF）、平均 概似平方誤根係數（Root-mean-square of approximation, RMSEA）、殘差均方根指 數（Root mean square residual, RMR）、適配度指標（Goodness-of-fit index, GFI）、
調整的適配度指標（Adjusted Goodness-of-fit index, AGFI）、殘差均方根指數
（Root-mean-square residual, RMR）與標準差均方根殘差（Standardized
Root-mean-square residual, SRMR）等，都可以作為模型的整體適配度指標（余桂 霖，2010）。
本研究以卡方檢定與自由度比（Chi-square/ Degrees of freedom, χ2/DF）為模 式之主要適配度指標，並參考其他常見評估指標比較適配度指標(Comparative Fit Index, CFI)、適配度指標(Goodness-of-fit, GFI)、殘差均方根指數（Root mean square residual, RMR）、平均概似平方誤根係數（Root-mean-square of approximation, RMSEA）。說明如下：
一、 卡方檢定與自由度比（Chi-square/ Degrees of freedom, χ2/DF）
在 SEM 分析中，常以卡方檢定與自由度比（Chi-square/ Degrees of freedom, χ2/DF）取代卡方檢定（Chi-square, χ2）作為模型契合度的比較指標，其原因在 於自由度與受樣本數大小的影響。由於在卡方檢驗中，自由度越大的模型在檢驗 上越不利，因此，若有兩個模型同時進行 SEM 分析，均得到不顯著的卡方值時，
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
58
自由度越大的模型越有能力去反應真實的資料，這是 SEM 中常見的簡約原理（吳 明隆，2009）。因此在 SEM 分析中，可以計算出一個卡方自由度比(χ2/DF)，卡方 自由度比越小，表示模型適配度越高，反之，則表示模型適配度越差（余桂霖，
2010）。
另一方面，卡方值也與樣本數有關，由於卡方值較為敏感，容易受到樣本數 大小而所浮動，在大樣本的情況下，幾乎都會達 p<0.05 顯著水準。因此，當利 用卡方分配來檢驗模型契合度時，會因為參數數目與樣本數等特性影響假設模型 的契合度，這也是一般 SEM 使用者以卡方檢定與自由度比取代卡方值作為適配 度衡量指標的主因。
二、 比較適配度指標(Comparative Fit Index, CFI)
CFI 指標(comparative-fit index) 是在反應提出的模型與虛無模型（或獨立模 型）之間的差異程度的測驗，也在於反應被檢定（或考驗）模型與中央卡方分配 的離散性（余桂霖，2010），其值越接近 1 越理想，表示對於非中央性的程序能 夠有改善。
三、 適配度指標(Goodness-of-fit, GFI)
GFI 指標 (Goodness-of-fit index)類似迴歸分析中的 R2值(Tanaka & Huba, 1989)，表示假設模型可以解釋觀察資料的變異數與共變 數之比例。GFI 具有標 準化特性，其數值是界於 0 至 1 之間，當 GFI 指標值越接近 1，表示模型適配度 越高，反之，當 GFI 值越接近 0，表示模型適配度越低，一般需大於 0.8 才可以 視為具有理想的模型契合度(Hu & Bentler, 1999)，但 Sharma（1996）認為 GFI 值只要接近 0.8 即可接受。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
59
四、 殘差均方根指數（Root mean square residual, RMR）
RMR 指標（Root mean square residual）乃從適配殘差（Fitted Residual）的 概念而來，適配度殘差是指樣本共變數矩陣 S 與模型隱含共變數矩陣 Σ(γ)之間的 差距，意即矩陣 s 減去矩陣 Σ(γ)，其剩餘元素就是適配殘差（余桂霖，2010）。
當模型適配度良好時，適配殘差的數值會呈現很小，故此 RMR 值越小越好，當 顯示其殘差值越小，表示該模型適配度越好，一般 RMR 值小於 0.05 時，即可被 視為可接受的適配度。
五、 平均概似平方誤根係數（Root-mean-square of approximation, RMSEA）。
RMSEA 指標（Root-mean-square of approximation）是用來衡量某個未知但 具有適當可被選為參數值之模型，被用來適配母體群供變數時的適配程度（余桂 霖，2010）。RMSEA 係數不受樣本數大小與模型複雜度的影響，當 RMSEA 值 越接近 0 表示模型適配度越佳，一般來說，RMSEA 數值小於 0.05（即 RMSEA<0.05）
即表示模型有良好的適配度（good fit）；數值皆於 0.05 與 0.08 之間時（即 0.05<RMSEA<0.08）表示模型有合理的適配度（reasonable fit）；而當數值大於 0.10 時（即 RMSEA<0.10）表示不良適配（poor fit）（McDonald and Ho, 2002）。
McDonald 與 Ho(2002)建議以 0.05 為良好契合的門檻，以 0.08 為可接受的模型 契合值，本研究採用 McDonald 與 Ho 之建議，以 0.08 為可接受門檻值。
綜合以上，本研究將所使用到的模型適配度指標，包含數值範圍、本研究判 斷值以及數值代表的意義，整理如表 3-1。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
60
表 3-1 SEM 模型適配度指標整理表
指標名稱 數值範圍 判斷值 適用情形
卡方檢驗
χ2/DF - 1-5 不受模式複雜度影響
適配度指標
GFI 0-1 >0.8 說明模型解釋力
替代性指標
CFI 0-1 >0.8 說明模型較虛無模型的改
善程度
RMSEA - <0.08 良 不受模型複雜度影響 殘差分析
RMR - 越小越好，建議
小於 0.05
瞭解殘差特性
（本研究自行整理）
伍 徑路分析
本研究將採徑路分析（Path analysis）作為檢驗假說路徑之因果關係。