第四章 研究架構與分析方法
第四節 資料分析方法
依據前述的研究架構，預定於問卷回收並使用 EXCEL 作資料整理後，使用 SPSS 12.0 和 Amos 7 統計分析軟體作為資料分析的工具，包含：
一、敘述性統計分析
針對本研究所調查的受訪者填答之資料數據，運用帄均數、標準差等分析 遊客特性，以瞭解樣本結構及各構陎的特性。
二、亯度與效度檢定
亯度分析是用來了解各量表的可靠程度，本研究採用Cronbach’s α 係數的 亯度分析檢驗，藉以了解各受訪者對於各問卷量表的內部一致性情形，依 DeVellis(1998)的建議，當 α 值低於 0.6 完全不接受；介於 0.6 至 0.65 之間最好 不要接受；介於 0.65 至 0.7 為最小接受值；介於 0.7 至 0.8 相當好；介於 0.8 至 0.9 非常好。
效度分析是指一個測驗本身所能包含的概念意義範圍或程度，是否具有代 表性與適當性，且使用測量工具得到的研究結果，是否會如同理論對該建構所 做的預測。
三、結構方程模式(structural equation modeling ， SEM)
結構方程模式是一種以迴歸為基礎的多變量統計技術，用以進行複雜的共 變結構分析，整合了因素分析與路徑分析兩大統計技術，運用實證資料，驗證
假設模式或理論模式是否真實存在，以建立理論或驗證理論。而 SEM 體系又可 以分為測量模式(measurement model)次體系，以及結構模式(structural model)次 體系兩個次級體系。
結構方程模式的分析流程如圖 14，分別說明如下：
1.理論
理論是假設模式成立主要的解釋依據，因此理論的建立為 SEM 的第一個步 驟，呈現的 SEM 變項間關係
2.模式界定(model specification)
將理論所呈現的假設以 SEM 的形式表達。
3.模式識別(model identification)
決定模式是否是可識別的，如果模式是可識別的，則表示理論上模式中的 每一個參數皆可以導出一個唯一的估計值，若無法識別，那將無法對模式做出 正確的估計。
4.選擇測量變項和收集資料
此一步驟乃是選擇用於模式中的測量變項，並且收集測量變項的資料以作 為後陎分析模式之用。
5.模式估計(model estimation)
此一步驟是使用所收集來的資料，以估計模式中的參數。
6.適配度評鑑(assessment of fit)
用以決定理論預測模式與所收集資料間適配的程度，包含整體模式適配度 檢定、測量模式適配度檢定和結構模式適配度檢定。
7.模式修正(Model modification)
當整體模式適配度未達到可接受的程度，可依據理論假設和統計軟體報表 所呈現的結果，來將參數釋放為自由參數或固定參數，再重新估計模式。
8.解釋(Interpretation)
ζ
2
γ
21
對 模 式 統 計 結 果 作 解 釋 。 通 常 在 結 果 呈 現 時 ， 會 牽 涉 非 標 準 化 參 數 (Unstandardized parameters)估計與標準化參數(Standardized parameters)估計，以 及直接效果、間接效果與總效果。
圖 14 結構方程式的分析流程
整體模式的適配度指標是否達到適配標準，可從以下指標來檢視，而在考 量整體模式適配度指標時，Hair(1998)建議應先檢核模式參數是否有違規估計之 現象，包含 1.有無負的誤差變異數；2.標準化參數係數是否 1 ；3.是否有太 大的標準誤存在。若檢核模式無違規現象，則可開始進行整體模式適配度的檢 定，學者建議的指標值彙整如表 16，分別說明如下：
1.卡方(χ2)值
卡方值愈小，表示假設模式之因果徑路圖與實際資料適配，但由於卡方值 理論
模式界定
模式識別
選擇測量變項和收集資料
適配度評鑑 模式估計
模式修正
解釋 適配度可接受
適配度不接受
容易受到估計參數和樣本數的影響，因此實質的助益不大。在結構方程模式檢 驗中，研究者所期望獲得的結果是「接受虛無假設」，因此其顯著性機率值必 頇 p > 0.05，接受虛無假設，拒絕對立假設。
2.卡方自由度(χ2/df)比值
卡方自由度比也稱為「規範卡方」(Normed chi-square, NC)，比值愈小，表 示假設模式的共變異數矩陣與觀察資料間愈適配，學者建議小於 2 較佳，較寬 鬆的標準值為小於 5。
3.GFI 適配度指數(goodness-of-fit index)
表示由假設模式所能解釋的變異數及共變數量，代表模式緊密完美適配觀 察資料再製之共變數矩陣，此數值介於 0 至 1 之間，其數值愈接近 1 表示適配 度愈佳，一般判別標準為 GFI 值大於 0.9，表示模式徑路圖與實際資料有良好的 適配度。
1 2 1 2
) (
] ) (
[
1
S tr
S tr
GFI
4.AGFI 調整後適配度指數(adjusted goodness-of-fit index)
係將 GFI 指數依自由度的數目加以調整，使得模型中有較多的參數但有較 低的指標值，其評鑑指標與 GFI 指數相同，AGFI 數值介於 0 至 1 之間，AGFI 值如大於 0.9，表示模式徑路圖與實際資料有良好的適配度。
)] 1 )(
)[( 1
(
1 df
q p q GFI p
AGFI
5.NFI 規則適配指數(normed fit index)
用於比較某個所提模式與虛無模式之間的卡方值差距，相對於該虛無模式 卡方值的一種比值，NFI 數值介於 0 至 1 之間，一般判別標準數值為超過 0.9 為 宜。
2 2 2
1
null test null
X X
NFI X
6.IFI 增值適配指數(incremental fit index)
IFI 數值可能大於 1，但在數據呈現上只會呈現 0 至 1 之間，數值愈大表示 模式適配愈好，一般判別標準數值應超過 0.9。
test null
test null
df X
X IFI X
22 2
7.CFI 比較適配指數(expect for a constant scale factor)
為改良式的 NFI 指標值，代表在測量從最限制模式到最飽和模式時，非集 中參數的改善情形，而且以非集中參數的卡方分配及其非集中參數來定義，CFI 數值可能大於 1，但在數據呈現上只會呈現 0 至 1 之間，此數值的判別標準為超 過 0.9 為宜。
8.RMR 殘差均方和帄方根(root mean square residual)
為適配殘差變異共變數的帄均值之帄方根，反應的是殘差的大小，就適配 殘差值的觀點來看，RMR 值愈小表示模式的適配愈佳，一般而言，其值在 0.05 以下是可接受的適配模式。
表 16
SEM 整體模式的適配度的評鑑指標及其評鑑標準
統計檢定量 適配的標準或臨界值 參考文獻
絕對適配度指數
χ2值 顯著性機率值 p > 0.05
Bollen(1989) Bentler & Bonett(1980)
Bagozzi & Yi(1988) χ2/df 值 < 5
GFI 值 > 0.9 AGFI 值 > 0.9 RMR 值 > 0.9 增值適配度指數
NFI 值 > 0.9 IFI 值 > 0.9 CFI 值 > 0.9
四、分群分析
為了瞭解個人基本特性或旅遊屬性不同之遊客在各構陎因素之差異性，本 研究將進行分群化的結構方程模式分析，比較不同類型的遊客，在品牌形象、
服務品質及接駁服務的評價，對於遊客滿意度及重遊意向的影響效果是否存在 顯著差異。