第三章 研究方法
第四節 資料分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 資料分析
本節分為四個部份，第一部份為估計方法，第二部份為潛在成長模型，第三 部分為多群組分析，第四部分為模式適配度，分述如下：
壹、估計方法
分析縱貫性資料經常會遇到資料缺失的遺漏值問題，尤其是在長期縱貫性資 料中很可能會有完全隨機遺失（missing completely at random, MCAR）或是隨機 遺失（missing at random, MAR）的情況（余民寧，2013b）。過去學者可能會使 用刪除法（deletion method），例如整列刪除法（listwise deletion）與配對刪除法
（pairwise deletion），或是各種的插補法（imputation methods），例如平均值插補
（mean imputation）、EM 法和迴歸插補（regression imputation），去刪除或填補 資料中的遺漏值。但陸續有研究指出，完全訊息最大概似（ full information maximum likelihood, FIML）估計法被視為更佳的分析方法。
FIML 比起刪除法與內插法，FIML 估計法具有較低的收斂失敗、較高的估 計效能、較低的誤差，以及較精確的模型拒絕率等優點（余民寧，2013b；Enders
& Bandalos, 2001）。整理相關的研究顯示（Arbuckle, 1996；Graham, 2003；Little
& Rubin, 2002），FIML 的特點在於：(1)就既有的資料進行分析，不需要處理遺 漏值；(2)就算資料並非隨機遺失，比起其他估計法依然具有強韌性（robustness）；
(3)分析縱貫性資料時較具有效率與穩定性；(4)儘管部分的適配度指標（fit indices）
無法提供，但仍可參考其他的指標進行判斷。綜合上述，本研究使用 FIML 估計 法分析 TYP 為期六年的縱貫性資料，以克服在資料中存在的遺漏值。
貳、潛在成長模型
潛在成長模型（Latent Growth Curve Model, LGM）的分析方法主要有結構 方程模型（Structural Equation Modeling, SEM）和階層線性模型（Hierarchical
‧
Linear Modeling, HLM）兩種取向，學者已發現兩種取向在分析結果是相同的（溫 福星，2010；Bauer, 2003；MacCallum, Kim, Malarkey, & Kiecolt-Glaser, 1997）。
使用 SEM 取向的好處是，可以在模式中加入前因或後果變項，以利更進一步地 瞭解變項間的因果關係（薛人華，2014）。因此，本研究將採取 SEM 取向的潛在 成長模型進行理論模式分析。
基本上，LGM 是驗證性因素分析（Confirmatory Factor Analysis, CFA）的一 種應用形式，一般來說稱其為全 y 模型（all-y model），其中包括兩個潛在變項：
截距（intercept）與斜率（slope）。截距項又稱為起始狀態（initial status），設定 截距時會將因素負荷量皆固定為 1，用以代表在初始階段時，y 變項的起始值。
(1)線性成長模型（linear model）：將各波次的因素負荷量隨著測量時間的間 距進行設定。例如，吳齊殷與黃鈺婷（2010）分析為期三年的資料，設定斜率因 素負荷量為 0、1、2，侯雅齡（2009）蒐集五波次的資料，設定斜率因素負荷量 為 0、1、2、3、4。此模型假設研究變項係隨著時間呈固定的線性成長趨勢。
(2)非線性成長模型（non-linear model）：將各波次的因素負荷量依據假設，
在斜率之外新增一個多項式，常見的是「二次式潛在成長曲線模型」（quadratic latent growth curve model）（余民寧，2013b）。舉例來說，Yi 等人（2009）設定
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
研究變項在期間內為非線性變化，二次項斜率之平均數代表其彎曲（轉折）程度。
(3)未指定軌跡模型（unspecified trajectory model）：只設定斜率第一次與最後 一次的因素負荷量為 0 與 1，中間的因素負荷量自由估計。例如，翁雅芸與余民 寧（2016）僅設定自律學習與數學學業成就的斜率在第一年為 0、第五年為 1，
中間的因素負荷量不進行固定。此模型的意義在於，假定成長速率是一個長期變 動趨勢的因素，無法由研究者事前決定其變化的趨勢，需要由程式自由估計（余 民寧，2013b；Meredith & Tisak, 1990）。
為了探討憂鬱症狀隨著時間的逐年變化趨勢，本研究採取「未指定軌跡模型」
進行青少年憂鬱症狀之分析方法，也就是研究者只設定第一年的因素負荷量為 0，
第六年的因素負荷量為 1，其餘中間四個因素負荷量讓程式進行估計，如圖 3 所 示。如此一來，將能掌握青少年逐年憂鬱症狀的變化（成長）趨勢，探討「不同 時間點」的青少年心理健康情形。
圖 3 青少年心理健康之未指定軌跡潛在成長模型
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
叁、自我迴歸模型
自我迴歸模型（autoregression model, AR）為時間序列分析（time-series analysis）中經常被使用的一種分析策略。自我迴歸模型係指每一次的測量皆是 前一次測量與該誤差項的函數，相較於 LGM 所考量的平均數變化趨勢，AR 關 注的是每一次測量能夠被前一次測量所預測之情形，亦即前一次能解釋多少後一 次的量。另外，若研究者所關心的是兩個以上之重複測量變項，可以使用自我迴 歸交叉延宕模型（autoregressive cross-lagged model, ARCLM），分析多個測量變 項之間的交互影響與延宕效果。不過，本研究僅探討一個重複測量變項，故不適 用於交叉延宕分析。
因此，除了建立青少年心理健康的潛在成長模型，本研究進一步提問：「青 少年心理健康之發展是否具有延續性，前一波憂鬱症狀是否能預測下一次憂鬱症 狀？」。分析方法分為兩個階段：第一階段是建立憂鬱症狀變項的自我迴歸模型，
如圖 4 所示。第一波測量變項不設定誤差項，後續五波測量變項都是前一波迴歸 係數與誤差項之迴歸方程式。
圖 4 青少年心理健康之自我迴歸模型
第 二 階 段 是 建 立 潛 在 變 項 的 自 我 迴 歸 潛 在 軌 跡 （ autoregressive latent trajectory, ALT），如圖 5 所示。ALT 結合 LGM 與 AR 之內涵，可說是在 AR 中 再加入截距項與斜率項，或者說是在 LGM 中設定重複測量變項之間的迴歸係 數。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 5 青少年心理健康之自我迴歸潛在模型
肆、多群組分析
確 立 潛 在 成 長 模 型 成 立 後 ， 本 研 究 將 針 對 結 構 模 式 進 行 多 群 組 分 析
（multi-group analysis），以 SEM 取向多群組分析將樣本分為男性與女性兩組。
邱皓政（2003）認為進行多群組分析有兩個步驟：第一步是單一樣本的模式檢驗，
第二步是檢驗多群組模型的測量不變性（measurement invariance），故本研究先 檢驗邱皓政提出的兩個步驟，最後才是探討變項間結構係數之差異。李仁豪與余 民寧（2016）指出，測量不變性有寬鬆至嚴格的四種標準，分別是因素結構相當
（factor structural equivalence）、因素負荷量相當（factor loading equivalence）、因 素共變相當（ factor covariance equivalence ）、誤差變異相當（ error variance equivalence）。前一標準通過後，才能繼續檢驗後續更嚴格的標準。根據研究目 的，本研究旨在探討外衍變項（關愛支持、嚴厲管教、監控管教、社經地位與學 業表現）對憂鬱的起始狀態與成長率之影響為何，並非編製測量工具之內涵與發 展，研究工具本身已有厚實的理論基礎與良好的信效度，故不針對模型的測量不 變性進行過於嚴格的設定。
Hair 等人（2006）認為，不同群組之比較達到因素負荷量不變性即可，故本
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
研究的測量不變性檢定僅設定至因素負荷量固定模式，比較男性與女性的結構係 數是否達到顯著差異。結構係數的比較，以一次限制一條結構係數為原則，檢驗 模式的卡方差異值（△χ2）是否達到顯著水準。若不顯著，即意味著男女在該結 構係數上沒有顯著地差異。反之，若達顯著水準，即代表著男女在該結構係數上 具有顯著差異。多群組結構係數之比較，如圖 4 所示。H7 代表教養方式對於憂 鬱症狀截距與憂鬱症狀截距斜率之結構係數的性別差異檢定，H8 代表背景變項 對於憂鬱症狀截距與憂鬱症狀截距斜率之結構係數的性別差異檢定。
圖 4 青少年心理健康之多群組分析
‧
寧，2006；黃芳銘，2004；Bentler & Bonett, 1980; Hair, Black, Babin, Anderson, &Tatham, 2006; Hu & Bentler, 1999）：
(1)絕對適配指標：包括卡方值、近似誤差均方根（RMSEA）與殘差均方根
近似誤差均方根（Root Mean Squared Error of Approximation, RMSEA）
優良：< .05
比較適配指標（Comparative Fit Index, CFI） > .90 正規化適配指標（Normed Fit Index, NFI） > .90 增值適配指標（Incremental Fit Index, IFI） > .90
‧
（Conditional LGM）（Tisak & Meredith, 1990）。
四、多群組分析：在此階段本研究將全體樣本分成男性樣本與女性樣本兩組，
分別估計男性與女性的完整結構模式，再使用多群組結構係數之差異檢定，分析 男性與女性在五個預測變項對於憂鬱症狀截距與憂鬱症狀斜率之影響程度是否 有所不同。