第三章 研究架構與方法
3.4 資料分析方法
本研究問卷回收後，先經人工檢查，將資料予以編碼登錄，其資料分析可分 為基本分析與整體模式分析。而基本分析以SPSS12.0 來進行分析，整體模式分 析是以AMOS 6.0 統計套裝軟體來分析資料，有關本研究之各統計分析方法茲 說明如下：
3.4.1 敘述性統計
敘述性統計分析是用以說明樣本資料結構，是將問卷資料進行單一變數間敘 述性分析，將受測者對各變數之意見作一概略描述，以了解問卷調查回收狀況及 樣本資料的分布情形。亦即是為了解整體樣本在各研究變數中的集中趨勢與離散 情形，此外，並針對個別變數計算其平均數、標準差等，來顯現整體樣本在各研 究變數中的集中趨勢與離散情形，以方便了解受訪者在各方面之認知狀況。
3.4.2 探索性因素分析
探索性因素分析一般稱為因素分析，它主要目的是求得眾多變數間相互關聯 的共同因素，簡而言之，就是從 K 個行為變數萃取出 J 個潛伏因素，且因素個 數小於變數個數（J<K）。因此因素分析可視為一種潛在結構分析法，其簡化可 觀察的行為變數，並根據各變數的相關性，找出無法觀察的潛伏因素，稱之為構 面。
構面的萃取需考量特徵值的大小，特徵值越大者優先萃取。採用因素分析法 即是期望經由少數構面即能完整解釋眾多變數，因而萃取之構面愈少，且構面萃 取之累積解釋變異量愈大，則為較佳之成果。
因素分析的主要流程，可簡述為下述幾個步驟：
(1) 判斷資料是否適合進行因素分析
採 用 因 素 分 析 分 析 資 料 之 適 合 性 的 判 斷 準 則 有 二 ， 一 為 KMO 值
（Kaiser-Meyer-Olkin measure of sampling adequacy），另一為Bartlett 檢定。KMO 值即在檢定取樣的適切性，其值介於0 和 1 間，KMO 值越大表示變數間的共同 性越多。表3.4-1 為 KMO 判斷準則，KMO 值大於 0.8 代表資料適合進行因素分 析，然而在實務上，KMO 值若高於 0.6 即可進行因素分析。Bartlett 則為「球形」
檢定，若Bartlett 檢定所得之顯著性為 P-value 小於 0.005，即表示各變數的相關
25
矩陣存在共同性，因此適合進行因素分析。
表 3.4-1 KMO 值判斷準則
KMO 值 因素分析適用性
KMO≧0.8 適合進行因素分析
0.7≦KMO<0.8 還算適合進行因素分析
0.6≦KMO<0.7 尚可進行因素分析
0.5≦KMO<0.6 勉強進行因素分析
KMO≦0.5 不能使用進行因素分析
(2) 選擇構面萃取方式
構面的萃取方法有數種，包含主軸法 （principal component method）、最大 概似法 （maximum likelihood）、一般化最小平方法 （generalized least square）
等。其中，主成分法是因素分析中最為廣泛運用的分析方式，它是以對變數的總 共同性之貢獻極大化為原則，逐一萃取構面之方法。
(3) 決定構面數量
因素分析時，為了確保模式之配適度具備一定水準，構面挑選之標準顯得 十分重要，常用兩種準則。一是 Kaiser 法，也是最常使用的方法，即是保留特 徵值大於1 的構面，其他則予以刪除，此外，每一構面涵括之變數至少兩項才可；
另一為陡坡檢定，其為依據特徵值圖形，找出趨於平緩的肘點，並保留肘點前之 構面。
(4) 因素轉軸
轉軸法是指經由旋轉數個因素軸使得變數與潛伏因素間之關係更為明顯，
當旋軸因素軸後，各變數於每一潛伏因素所得之負荷量 （factor loading） 不是 變大就是變小，因此更易於解釋因素負荷量於各潛伏因素的現象。常用的轉軸法 有直交轉軸法 （orthogonal rotation） 與斜交轉軸法（oblique rotation）。直交轉 軸法是指維持正交方式旋轉因素軸，斜交轉軸法是指旋轉因素軸時，不限制其保 持正交方式。最大變異法 （varmax） 和四方極大法 （quartimax） 屬於直交轉 軸，而共變極小法 （covarimin）、四分極小法（quartimin） 和目標轉軸法
（procrustean method）屬於斜交轉軸，最大變異法為多數統計軟體內定之轉軸法。
(5) 構面命名
轉軸之後，參考衡量問項之因素負荷量選取各構面之組成問項，並依據組成 問項之解釋意函命名該構面。
26
（individual item reliability）
1. 個別項目的因素負荷量 達0.5 以上。
2. 統計之顯著水準
（t>1.96，p=0.05）。
潛在變數之混合信度
（Composite Reliability，CR）
混合信度值在0.6以上，表示研 究模式的內部品質良好。
Cronbach’s α 係數
Cronbach’s α 係數>0.7 為高信 度，表示潛在變數的問項具有 一致性。
27
表 3.4-3 效度評估指標
效 度 分 析
評估項目 評估指標
收斂效度
（Convergent Validity）
1. 觀察變項的因素負荷量達 到顯著水準。
2. 若平均變異數萃取量達到 0.5以上，則稱為具有收斂效 度。
建構效度
因 素 負 荷 量 之 絕 對 值 大 於 0.4，即表示該測量指標具有建 構效度。
3.4.5 結構方程模式
結構方程模式（structural equation modeling, SEM）早期稱為線性結構關係模 式（linear structural relationship model, LISREL）或共變數結構分析（covariance structural analysis），為分析變異數的統計方法，結構方程模式通常被歸類為高等 統計學範疇中，因為它結合了多元迴歸與因素分析二種統計方法。因素分析為多 變量分析中的一種統計技術，可從一堆變數中抽取出一些共同因素，當共同因素 被萃取出來後，所獲得各個變數與共同因素的因素負荷量（factor loadings），即 用以代表測驗變數測量共同因素的重要性指標。然而，因素分析假定因素間必須 是完全相關或完全不相關，測驗變數與測驗變數間誤差是不相關的；但是事實 上，許多測驗的變數與變數之間的誤差來源是相同的。相對於因素分析而言，SEM 可檢定個別變數的測量誤差，使得因素負荷量有較高的精準度；也可以根據理 論，預先設定變數放置於哪一因素中，並且設定因素間是否具有相關。
SEM 結構方程模式中包含了三種變項：觀察變數（observed variable; X,Y）、
潛在變數（latent variable; ζ, η, ξ）與誤差變數（error variable;δ,ε），其最大之 優勢在於能同時探討多變數或單變數之間的因果關係，基本的結構如下圖 3.4-1 所示。
28
29
表 3.4-4 模式適配度分析表
指標名稱 適配標準或臨界值
χ
2 愈小愈好，其p 值至少大於 0.05 顯著水準(p>0.05)GFI 大於0.9
AGFI 大於0.9，愈接近 1，表示模式愈適配
RMR 此值最好低於0.05，愈低愈好
SRMR 此值最好低於0.05，愈低愈好
RMSEA 0.05 以下優良，0.05~0.08 良好
NFI 大於0.9，愈接近 1，表示模式愈適配 TLI
(NNFI) 大於0.9，愈接近 1，表示模式愈適配 IFI 大於0.9，愈接近 1，表示模式愈適配
CFI 大於0.9，愈接近 1，表示模式愈適配
AIC 本值愈小，表示模式適配度佳且愈精簡
CAIC 本值愈小，表示模式適配度佳且愈精簡
30