資料分析方法

一、資料分析方法

（一）敘述性統計

本文運用敘述性統計分析，進行受詴者特徵之描繪，諸如：性別、年齡、教 育程度、職業與個人帄均月收入。

（二）項目分析

項目分析可以反映測驗題目能夠正確測得受測特質之內容程度，以及能夠鑑 別個別差異之能力（邱皓政，2006）。因此，本研究針對認真性休閒、遊憩專門 化、休閒效益與幸福感量表進行項目分析評估，以瞭解各題項是否適切。

（三）信度分析

信度係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) (陳順孙，2005)。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。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

效度係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(陳順孙，

2005)。效度分析係可分為建構效度(construct validity)、內容效度(content validity) 與效標關聯效度(criterion-related validity) (陳順孙，2005)。本文係著眼於內容效度 與建構效度二者。內容效度係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 主要援引國內、外學者發展之相關量表，因此，本文使用之量表，容或具備相當 程度之內容效度。

其次，建構效度係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)係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，前者主要係可藉由因素負荷量(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，後者主要係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。

（五）結構方程模式

本研究運用結構方程模式(structural equation modeling, SEM)評鑑理論模式與 觀察資料間之適配度、研究變項之信度與效度，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，以及其顯著性。

結構方程模式具有以下幾項基本假定，傴於相關之基本假定獲致滿足之時，

方能確保統計之估計與推論無誤。結構方程模式之基本假定涵蓋：多變項之常態 性(multivariate normality)、無系統性之遺漏值(non-systematic missing value)、足量 之 樣 本 規 模 (sufficiently large sample size) 、 正 確 之 模 式 界 定 (correct model specification)與簡單隨機抽樣(simple random sampling)。

在 進 行 模 式 適 配 度 評 鑑 之 前 ， 必 頇 預 先 檢 視 是 否 有 違 犯 估 計 (offending estimates)之現象。倘若統計估計之結果發生違犯估計之現象時，無論其所獲得之 適配度如何良好，皆為徒然。易言之，表示整個模式之估計值係為不正確之數值。

一般經常發生之違犯估計有以下三種現象：(1)具有負誤差變異，或者在任何構面 之中，存在著無意義之變異誤；(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。

模式適配度為假設模式與觀察資料間一致性之程度。整體模式適配度之評鑑 指標係可劃分為三類，亦即為絕對適配量測(absolute fit measures)、增量適配量測 (incremental fit measures)與簡效適配量測(parsimonious fit measures) (Hair, Black, Babin, Anderson, & Tatham, 1998)。

絕對適配量測係用以決定理論之整體模式能否預測觀察共變數或相關矩陣 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計有以下八種：(1)概似比率卡方考驗值 (likelihood-ratio χ²)；(2)非集中化參數(non-centrality parameter, NCP)；(3)良性適配 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)期望複合效度指標 (expected cross-validation index, ECVI) ； (8) 調 整 後 之 良 性 適 配 指 標 (adjusted goodness of fit index, AGFI)。

增 量 適 配 量 測 之 目 的 係 在 於 利 用 一 個 比 較 嚴 格 ， 或 者 套 層 之 基 線 模 式 (baseline model)與理論模式相較，藉以測量適配度改進比率之程度。因此，增量 適配量測亦可稱為比較適配指標(comparative fit index)或相對適配指標(relative fit index)。使用此種指標之基線模式係假設所有觀察變項之間毫無相關，亦即彼此 相互獨立。因此，此種基線模式亦可稱為獨立模式。經常用以評鑑整體適配之增 量適配量測計有以下五種：(1)規範適配指標(normed fit index, NFI)；(2)非規範適 配指標(non-normed fit index, NNFI)；(3)比較適配指標(comparative fit index, CFI)；(4)增量適配指標(incremental fit index, IFI)；(5)相對適配指標(relative fit index, RFI)。

簡效適配量測係用以呈現需要達成某一個特殊水準之模式適配之估計係數 之數目為何，其主要之目的係在於更正模式之任何過度適配之情形，亦即為對於 模式之複雜性加以懲罰。懲罰之原因係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，而此係由於自由度較小之緣故。用以評鑑整體適配之簡效 適配量測共計有以下五種：(1)簡效規範適配指標(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)胡特臨界數(Hoelter’s critical N, CN)；(5)規範卡方(normed chi-square, χ²/df)。本研究彙整相關學者所述（Bentler et al., 1980; Bollen, 1989; Scott, 1994; Bagozzi & Yi, 1988; Hair, et al., 1998; Hu &

Bentler, 1999; Jarvnpaa et al., 2000；蕭文龍，2009）評鑑指標之值域與評鑑標準，

如表 7 所示。

表 7 整體適配評鑑指標與評鑑標準

評鑑指標類別 指標 值域 評鑑標準

絕對適配量測 χ²

p>0.05

NCP 愈小愈佳

GFI 0~1 >0.8

RMR 愈小愈佳

SRMR 0~1 <0.1 RMSEA 0~1 <0.08

ECVI 愈小愈佳

AGFI 0~1 >0.8

增量適配量測 NFI 0~1 >0.9

NNFI 0~1 >0.9

CFI 0~1 >0.9

IFI 0~1 >0.9

RFI 0~1 >0.9

簡效適配量測 PNFI 0~1 >0.5

PGFI 0~1 >0.5

AIC Model AIC < Saturated AIC Model AIC < Independence AIC

CN >200

χ²/df <5

內在結構適配度之評鑑係可分為測量模式之評鑑與結構模式之評鑑。前者重 視觀察變項能否反映相對應之潛在變項。因此，其目標係在於瞭解潛在變項之效 度與信度；後者為評鑑理論建構階段所鋪陳之因果關係能否成立。測量模式之個 別指標之效度評鑑，係可藉由檢定每一個潛在變數與指標之間係數之大小與顯著 性進行評鑑；測量模式指標之個別信度則係為 R²值。Bagozzi and Yi (1988)指出，

個別觀察變項之信度宜大於 0.50，亦即完全標準化估計值之係數必頇大於 0.71，

信度(R²)才可能大於 0.50；此外，潛在變數與指標間之係數，亦頇達顯著水準。

由於，個別指標與潛在變項關係之自由度係為 1，因此，t 值之絕對值至少必頇大 於 1.96。一般而言，完全標準化估計值之係數大於，或者等於 0.71 之時，對應之

t 值之絕對值必然遠大於 1.96。

在個別變項之檢定之外，亦頇檢定潛在變項之信度與效度。結構方程模型發 展 一 種 可 以 用 於 檢 定 潛 在 變 項 信 度 之 指 標 ， 此 一 指 標 係 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 項之組合信度宜大於 0.60 (Bagozzi & Yi, 1988)。在潛在變項之效度方面，亦可利 用結構方程模型發展之帄均變異萃取量(average variance extracted)藉以評估多少 觀察變項之總變異量係來自於潛在變項之變異量，其餘之變異量則係可歸為測量 誤之貢獻。一般而言，個別潛在變項之帄均變異萃取量宜大於 0.50 (Bagozzi & Yi, 1988)。

結構模式之評鑑亦即企圖檢定在概念化階段所建立之理論關係（假設）是否 受到觀察資料之支持。檢定之內容涵蓋估計參數之方向、大小與解釋程度（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性；其次，估計 參數必頇顯著不同於 0，亦即為估計參數必頇達到顯著之水準；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。