本研究問卷調查運用便利抽樣法進行，以旗山老街觀光旅遊體驗之遊客為問 卷發放對象，以旗山火車站、旗山碾米廠、枝仔冰城、中山公園、旗山文化園區和 高灘停車場共五處為問卷發放地點，將回收之有效問卷進行資料編碼和資料數據 化，再依本研究採用 SPSS(Statistical package of the the social science) for Windows 13.0 版套裝軟體及 LISREL(linear structural relationships)for Windows 8.80 版套裝軟 體。基本分析以 SPSS13.0 為分析工具；整體模式分析以 LISREL8.80 為分析工具 進行量化分析，其分析方法簡述如下：
3.7.1 敘述性分析
敘途性統計係針對樣本基本資料和研究構面，進行次數分配、百分比、平均數 及標準差等統計分析，以簡化分析資料複雜性，並藉由瞭解各構面之分佈情形，說 明樣本資料結構。
3.7.2 信度分析
信度(Reliability)為測驗量表的可靠性或穩定性，信度係數在項目分析亦作為同 性質檢核指標之一。常用計算信度方法為 Cronbach(1951)所創的 α 係數，其為檢測 同一構面的一致性，不同構面之信度分析，應就不同構面分別進行信度分析；α 係 數介於 0 至 1 之間，用來計算內部的一致性，數值愈高，表示測驗量表內部一致信 度愈高。量表
α 值愈高其表示其信度越高，測量誤差越小，內部一致性 α 係數越
接近 1，適合針對李克特量表進行信度分析。本研究以 DeVellis(1991)所提出之觀 點，Cronbach α 係數值在.60 至.65 之間屬於低信度；Cronbach α 係數值在.65 至.70 之間是最小可接受值；Cronbach α 係數值在.70 至.80 之間屬於高信度；Cronbach α 係數值在.80 至.90 之間更佳。3.7.3 項目分析
項目分析主要目的為分析量表問項的鑑別度與難度，為設計問卷調查過程中 最基本的一項檢定分析程序，以 t 檢定為依據，t 值達顯著水準(p 值小於.05)，該變 項之問題即具備鑑別度；本研究項目分析之目的係針對遊客持續性旅遊涉入、目的 地意象、目的地感知品質及目的地忠誠度等各項變項進行鑑別度的評估。藉此瞭解
86
是否具有實質的鑑別度，未達顥著性的差異水準時，則需調整文字銓釋或刪除該項 目。
3.7.4 獨立樣本 t 檢定
獨立樣本 t 檢定為平均數差檢定之方法，比較兩組獨立之不同樣本測量值的平 均數，以瞭解兩樣本間是否有差異性存在。本研究使用獨立樣本 t 檢定於持續性旅 遊涉入、目的地知名度、目的地意象、感知品質和目的地忠誠度進行項目分析高分 組與低分組的顯著性比較。
3.7.5 結構方程式分析
結構方程式模式(structure equation modeling, SEM)是一種用來處理複雜多變量 數據分析的統計方法學(statistical methodology)，亦有學者稱之為「潛在變項模式」
(Latent variable models,簡稱 LVM)。因此結構方程式(SEM)被歸類在高等統計學，
屬於多變量統計(multivariate statistics)的一環(邱皓政，2007)。結構方程式涉及結構 化(structural)、假設等式(equation)與模型分析(modeling)等數項基本內涵並可由假 設考驗、結構化檢驗及模型分析等概念來說明。從統計語言來解釋，結構方程式 (SEM)是檢定有關觀察變項(observed variables)與潛在變項(latent variable)之間假設 關係，融合因素分析(factor analysis)及徑路分析(path analysis)兩種統計取向(黃芳 銘，2007)。檢定模式包含顯性變項、潛在變項、干擾或誤差變項間的關係，而得 到直接效果、間接效果或總效果(吳明隆，2006)。
結構方程式模式可同時處理多組變數間之關係，提供研究者從探索性分析 (exploratory analysis)轉換為驗證性分析(confirmatory analysis, CFA)的機會，使用在 分析因果關係模式的統計方法，亦可進行路徑分析(path analysis, PA)、因素分析、
迴歸分析與變異數分析(李明聰，2010)。其方程式如下：
SEM = CFA + PA
LISREl 模式可分為測量模式(measurement model)和結構方程式模式(structure equation modeling)兩種(李明聰，2010)。如圖 3-4。前者為敘述潛在變數或假設構念 如何從觀察變數所得，即可敘述觀察變數之信度和效度，亦即敘述潛在變項和觀察 變項之間關係。後者則敘述潛在變數間之因果關係、形容因果與指配解釋變異 LISREl 模式適合在特定結構方程式模型。包括潛在變數及獨立變數與依變數之測 量誤差、雙向因果關係，同時發生與相互依賴性。
87 Item5
Item 4
Item 6 Error 4
Error 6 Error 5
Item 1
Item 2
Item 3
Error 1
Error 2
Error 3 Variable 2 Variable 1
Residue 1 Measurement model (CFA)
Structural model
圖 3-5 測量模式和結構方程式模式圖 資料來源：李明聰(2011) 3.7.5.1 結構方程式分析程序
結構方程式模式是以迴歸為基礎的多變量統計方式，其目的在探討潛在變數 之間的路徑關係，且需建立於理論(theory)為基礎，必需透過念釐清、文獻彙整及推 理提出待驗的假設模型(邱皓政，2007)，理論是假設模式成立主要的解釋依據。若 發現假設模式與觀察資料的適配度不佳，研究者將模式進行適當修正(吳明隆，
2006)，模式改變即為模式界定(model specification)，對初始理論模式進行局部的修 改或調整，提高假設模式的適配度，如果模式可以識別，則表示理論上模式中的每 個參數皆可導出計值，決定模式識別(model identification)。接著選擇施測觀察變項 及資料，利用結構方程式多元迴歸的基礎，利用結構方程式模式進行模式估計 (model estimation)，如果模式未達適配度評鑑(assessment of fit )時，此時則需將參 數釋放或固定，進行模式修正(model modification) 重新估計模式，直到找到一個最 合適的模式為止，最終則對模式的統計結果加以解釋(黃芳銘，2007)，如圖 3-5 所 示 。 Anderson 和 Weitz(1992) 所提出的二 步驟程序 ，先使用 驗證性因 素分析 (confirmatory analysis, CFA)發展出一個配適度佳的測量模式再進一步分析理論之 模式。
理論 模式
界定 模式
識別 選擇測量變項
及蒐集資料 模式 評估
模式 修正
適配度 評鑑
解釋 未達可接受程度 未達可接受程度
圖 3-6 結構方程式分析步驟之流程圖
88
資料來源：黃芳銘(2007) 3.7.5.2 驗證性因素分析
驗證性因素分析(confirmatory analysis, CFA)即為測量模式之分析，說明潛在變 項與觀念變項之關係，亦即界定潛在變項與觀念變項之間的線性關係，出現於探索 性因素分析(exploratory factor analysis, EFA )之後，驗證性因素分析可以使研究者 進一步檢驗不同項目的因素與不同方法的因素組下的因素模型的檢驗(邱皓政，
2007)。
良好的測量模式，必需滿足兩事，一為研究模式中各觀察變數必需能正確測量 出各潛在變數以及同一觀察變數不能於不同的潛在變數都產生顯著的負荷量 (Bagozzi & Yi, 1988)。根據上述學者的建議，研究模式要滿足以上兩件事，可用的 指標有下列四項：聚合效度評鑑、觀察變數之個別信度、估計參數的顯著水準及標 準化殘差等。如表 3-20：
表 3-20 驗證性因素分析測量模式指標
聚合效度評鑑
該指標為各觀察變數對其潛在變數的因素負荷量(λ)，Bagozzi 和 Yi(1988)建議，因素負荷量應都在 0.5 以上，其中部份觀察變數 λ 值 未達 0.5 以上的標準者，顯示部份觀察變項不足以反映所建構的潛 在變項，則建議刪除之。
觀察變數之個 別信度
該指標為 CFA 所計算出個別變項的 R2變異比率，雖因素負荷量未 明確提出任何判斷標準，黃芳銘(2004)則建議，只要 t 值大到顯著，
R
2值就可接受。估計參數的顯 著水準
檢定觀察變數對該潛在變數的因素負荷量是否達到其顯著標準，t 值絕對值至少要＞1.96，表示達到 0.05 的顯著水準；t 值絕對值至 少要＞2.58，表示達到 0.01 的顯著水準。
標準化殘差
用以計算估計值與樣本值之間的誤差，若測量模式有良好的適配 度，其值應呈現出常態分佈，且絕對值＜2.58(JÖ reskog & SÖ rbom, 1989)，所有變項中標準化殘差均要絕對值＜2.58。
3.7.5.3 結構方程式模式評鑑
模式的配適度指標係判斷所建構出之理論模式，對實際觀測所得的資料是否 能合理性的解釋，整體適配度指標可分為基本適配指標、模式的整體配適度與模式 的內在結構配適度三類型，以評鑑模式的配適度；檢測所提出的假設結構模型 (Hypothesized structural model)之配適度(goodness of fit, GOF)，假設模型中的每一 個參數能夠順利估算後，此結構方程式模式即可進行整體模型評估，並透過不同統 計程序或契合度指標(goodness of fit index)計算；本研究以整體模式配適度衡量：
即絕對適配指標(absolute fit measures)、相對適配指標(relative fit measures)及簡效適 配指標(parsimonious fit measures)三方面的評鑑，研判整體模式配適度，並衡量假 設模型與實際觀察資料的契合情形。茲將一般常採用之各項配適度指標、指標之意 義、範圍及判定標準，如表 3-21
89 GFI(goodness of
fit index)
mean residual)
RMR 會受到樣本數、每一因素的觀察變 RMSEA (root
mean square error of (comparative fit
index) NFI (normed fit
index)
NF 係比較假設模型與獨立模型的卡方 差異，可說明模型較虛無模型的改善程 度，值愈大表適合度愈佳。
0~1 NFI > 0.9
90 非規準適配指
數 NNFI (non normed fit
index)
又稱 Tucker-Lewis index(TLI)與 p2指標，
NNFI 係考慮模式複雜度後之 NFI，惟 NNFI 不受模式複雜度影響，值愈大表示 契合度愈佳。
0~1 NNFI > 0.9 增值適配指數
IFI (incremental fit index)
又稱為 Delta2(△2)，值愈大表示模式適
配度愈好，愈小表示愈差。 0~1 IFI ≧ 0.9 相對適配指數
RFI (relative fit index)
normed fit index)
PNFI 係 NFI 之修正。 0~1 PNFI ≧ 0.5
簡效良性適配 指標 PGFI (Parsimonious goodness of fit
index) AIC (Akaike
information