資料分析方法

一、描述性統計(descriptive analysis)

為求呈現本文樣本之特徵樣貌，本文運用描述性統計分析，進行受訪者特徵 之描繪，諸如：性別、年級、每月可支配所得方面、住宿類形與過去吉他社團經 驗，以期呈現各項人口統計變數頻次(frequency)與百分比(percentage)之分布。此 外，本文亦藉描述性統計分析，呈現本文各項研究變數帄均數(mean)與標準差 (standard deviation)之分布，諸如：認真性休閒、社會資本與遊憩專門化，以期瞭 解各項研究變數與題項得分之集中與離散趨勢。

二、項目分析(item analysis)

項目分析旨在針對預詴之題項，進行適切性與否之評估（邱皓政，2006）。

因此，本文擬將針對認真性休閒、社會資本與遊憩專門化之量表進行項目分析，

藉以瞭解各個題項是否適切。項目分析可以藉由各個題項決斷值(critical ratio)之 估算進行評判，假若題項之決斷值未達顯著水準，亦即表示前述之題項無法有效 鑑別不同受訪者之反應程度，因此，此一題項應予刪除，或者加以修正。

三、信度分析(reliability analysis)

信度是指衡量工具之正確性，或者精確性，亦即為測量之穩定性(stability)與 一致性(consistency)（邱皓政，2006）。本文著眼於測量之一致性，因此，運用 Cronbach’s α值進行同一構面之中各個題項一致性之檢定。假若Cronbach’s α之值 大於0.7以上，亦即顯示此一量表具有相當良好之內部一致性。此外，結構方程模 型之中，亦有組成信度(composite reliability)之檢測，同步提供不同統計分析方法 之信度證據。

四、效度分析(validity analysis)

效度是指測量工具可以正確地量測此一量表所欲衡量特性之程度（邱皓政，

2006）。效度分析可分為建構效度(construct validity)、內容效度(content validity)

54

與效標關聯效度(criterion-related validity)。本文著眼於內容效度與建構效度二 者。內容效度是指量表內容之適切性與完整性，特定構念可能涵蓋相當廣泛之內 容，測量結果是否確能具體測量此一構念之完整內容，即為內容效度關注之課 題。內容效度之驗證較為困難，實務多採專家意見法，訴諸於專業判斷，因此，

亦稱專家效度，或者表面效度。由於，本文各項變數使用題項之內容主要引用國 內、外學者發展之相關量表，因此，本文使用之量表，具備相當程度之內容效度。

其次，建構效度是指測量之構念與所要測量之構念，是否具有一致性。因素 分析(factor analysis)為最為經常用以驗證建構效度之方法，依據理論因素結構之 存在與否，因素分析大致係可分為探索性因素分析(exploratory factor analysis, EFA) 與驗證性因素分析(confirmatory factor analysis, CFA)二類，統計分析做法之運用方 面，前者主要可藉由因素負荷量(factor loading)與解釋變異量(explained variance) 提供因素結構與解釋變異程度之資訊，後者主要可藉由結構方程模式(structural equation modeling, SEM)之個別題項效度(individual validity)與帄均變異萃取量 (average variance extracted)之數值，提供題項與潛在變數之關聯與解釋變異程度之 資訊。由於，本文各項變數使用題項之內容主要援引國內、外學者發展之相關量 表，因此，本文擬將運用結構方程模式，進行驗證性因素分析，以期提供建構效 度之資訊。

此外，計量心理領域之學者 Campbell and Fiske (1959)提出多元特質多重方 法矩陣法(multitrait-multimethod matrix)之後，揭示收斂效度(convergent validity) 與鑑別效度(discriminant validity)之概念，亦即相同方法測量相同特質所得之分 數之間，應該具有最大之相關性；不同方法測量相同特質所得之分數之間，應 該具有次大之相關性；相同方法測量不同特質所得之分數之間，相關性應該較 為低弱；不同方法測量不同特質所得之分數之間，相關性應該最低或者無意 義。本文擬將依據前述標準，檢視研究量表是否具有聚斂性與區辨性。

55

五、結構方程模式(structural equation modeling, SEM)

結構方程模式融合因素分析與徑路分析二端傳統統計分析之策略，可以用以 檢定觀察變項與潛在變項之間之關係（亦即為測量模式），以及潛在變項與潛在 變項之間之關係（亦即為結構模式），為一端整合性之統計方法論（黃芳銘，

2006）。本文主要運用結構方程模式評鑑理論模式與觀察資料之間之適配程度、

研究變數之信度與效度，以及檢驗研究變項之間理論關係之影響方向、影響效果 之強弱，以及影響效果之顯著性。

結構方程模式具有數端基本之假定，若未能符合相關基本假定，無法確保統 計之估計與推論無誤。結構方程模式之基本假定羅列如下：多變項之常態性 (multivariate normality)、非系統性之遺漏值(non-systematic missing value)、樣本之 規模相當充足(sufficiently large sample size) 、正確之模式界定(correct model specification)與簡單隨機抽樣(simple random sampling)。

進行模式適配度之評鑑之前，必頇預先檢視是否具有違犯估計(offending estimates)之現象。若統計估計結果發生違犯估計之現象之時，無論其所獲致之適 配度如何優異，均為徒然，亦即表示整個模式之估計值為不正確之數值。以下三 者係為經常發生之違犯估計：(1)具有負誤差變異或者任何構面之中存在無意義之 變異誤；(2)標準化係數超過，或者過於接近 1.0；(3)具有過大之標準誤。

模式適配度係為假設模式與觀察資料之間一致性之程度。整體模式適配度之 評鑑指標劃分為三類，亦即絕對適配量測(absolute fit measures)、增量適配量測 (incremental fit measures) 與 簡 效 適 配 量 測 (parsimonious fit measures) (Hair, Anderson, Tatham & Black, 1998)。

絕對適配量測主要用以決定理論之整體模式能否預測觀察共變數，或者相關 矩陣之程度。易言之，亦即為評鑑事前之模式，能否再製樣本資料之程度。經常 用以評鑑整體模式適配度之絕對適配量測主要計有以下八種：(1)概似比率之卡方 考驗值(likelihood-ratio χ²)；(2)非集中化之參數(non-centrality parameter, NCP)；(3)

56

良性之適配指標(goodness of fit index, GFI)；(4)均方根殘差(root mean square residual, RMR)；(5)標準化均方根殘差(standardized root mean square residual, SRMR)；(6)近似誤差均方根(root mean square error of approximation, RMSEA)；(7) 期望之複核效度指標(expected cross-validation index, ECVI)；(8)校正化良性之適配 指標(adjusted goodness of fit index, AGFI)。

增量適配量測之目的在於，運用較為嚴格，或者套層之基線模式(baseline model)與理論之模式相較，藉以測量適配度改進比率之程度。因此，增量適配之 量測亦稱比較性適配指標(comparative fit index)，或者相對性適配指標(relative fit index)。使用此種指標之基線模式假設所有觀察變項之間毫無相關，亦即為彼此 相互獨立。因此，此種基線模式亦稱為獨立模式。經常用以評鑑整體適配之增量 適配量測計有：(1)規範性適配指標(normed fit index, NFI)；(2)非規範性適配指標 (non-normed fit index, NNFI)；(3)比較性適配指標(comparative fit index, CFI)；(4) 增量性適配指標(incremental fit index, IFI)；(5)相對性適配指標(relative fit index, RFI)。

簡效適配量測主要用以呈現需要達成某一特殊水準之模式適配之估計係數 之數目為何，主要目的在於更正模式之任何過度適配之情形，亦即對於模式之複 雜性加以懲罰。懲罰之原因為較為複雜之模式之適配指標值，相較於較為簡單之 模式為大，而此為自由度較小之緣故。用以評鑑整體適配之簡效適配量測，計有 以下五種：(1)簡效規範性適配指標(parsimonious normed fit index, PNFI)；(2)簡效 良性適配指標(parsimonious goodness of fit index, PGFI)；(3) Akaike 訊息準則指標 (Akaike information criterion, AIC)；(4)胡特之臨界數值(Hoelter’s critical N, CN)；

(5)規範性卡方值(normed chi-square, χ2/df)。本文參考黃芳銘（2006）並彙整相關 評鑑指標之值域與評鑑標準，如表 7 所示。

57

RMSEA 0~1 <0.08 Jarvenpaa et al. (2000)

ECVI 愈小愈佳

AGFI 0~1 > 0.8 Scott (1994)

增量適配量測

NFI 0~1 > 0.9 Bentler & Bonett (1980)

NNFI 0~1 > 0.9 Bentler & Bonett (1980)

CFI 0~1 > 0.9 Bagozzi & Yi (1988)

Saturated AIC Model AIC <

Independence AIC

CN > 200

58

Larcker, 1981; Bagozzi & Yi, 1988)。

個別變項之檢定之外，亦頇檢定潛在變項之信度與效度。結構方程模式發展 一項可以用於檢定潛在變項信度之指標，此一指標稱之為組合信度(composite reliability)或者構面信度(construct reliability)。一般而言，個別潛在變項組合信度 必頇大於 0.60 (Fornell & Larcker, 1981; Bagozzi & Yi, 1988)。潛在變項之效度方 面，亦可運用結構方程模式發展之帄均變異萃取量(average variance extracted, AVE) 藉以評估多少觀察變項之總變異量，源自潛在變項之變異量，其餘之變異量則可 劃歸為測量誤之貢獻。一般而言，個別潛在變項之帄均變異萃取量必頇大於 0.50 (Fornell & Larcker, 1981; Bagozzi & Yi, 1988)。

結構模式之評鑑，亦即為檢定觀察資料是否支持概念化階段建立之理論關係 (假設)。檢定之內容涵蓋：估計參數之方向、規模與解釋之程度(R²值)。首先，

估計之參數必頇與對應之理論假設具有相同之方向；其次，估計之參數必頇顯著 不同於 0，亦即估計參數必頇達到顯著水準；最後，進行 R²值之檢定，藉以瞭解 外生潛在變項能夠解釋內生潛在變項變異之程度，R²值愈高，代表解釋能力越強 (Fornell & Larcker, 1981; Bagozzi & Yi, 1988)。

59