資料蒐集與分析

本研究在問卷調查回收之後，將利用 SPSS23 軟體作為分析資料的研究工具；

其中根據研究目的與研究假設將會採用各種不同的分析方法，例如描述性(敘述 性)統計、獨立樣本 t 檢定、單因子變異數分析、與皮爾森積差相關係數分析來做 結果分析與彙整。為了使所選取之樣本具有代表性，本研究之研究對象以造訪陽 明山國家公園之遊客作為母群體，而陽明山國家公園作為研究地點。

一、正式問卷施測對象

本研究採用問卷調查法，以實地於陽明山國家公園發放紙本問卷為主，以及 網路發放問卷為輔，進行本研究的問卷調查。然而本研究將母群體設定在每日造 訪陽明山國家公園的平均遊客人次量，依據陽明山國家公園網站統計各處景點所 提供之造訪人次資料，以及汪靜明(2004)所提出的相關文獻，造訪陽明山國家公 園的每日平均遊客人次大約為12000 人，而本研究將信心水準設定在 95%，誤差 值在正負5 個百分點以內，計算出所需要的樣本量為 372 份樣本。

然而發出的問卷數量總共為 454 份，回收的為 454 份，有效問卷共計為 434 份；網路問卷共得167 份，共 16 份無效問卷，於陽明山國家公園發放之問卷共 得287 份，共 4 份無效問卷。

二、資料回收處理

正式問卷回收後先進行初步的整理，剃除無效問卷之後，再將有效問卷於電 腦中建檔備份，並且利用SPSS23 檢核、修正。本研究界定無效問卷為「沒有造 訪過陽明山國家公園者」與「答題呈現奇怪反應者」，譬如有部分受測者在問卷 前半部分都勾選非常不同意，後半部分皆勾選非常同意，諸如此類的亂答題現象，

稱為答題呈現奇怪反應者。由於網路問卷的設定以及研究者親自檢視紙本問卷填 答的狀況和過程，因此問卷調查並沒有漏填的現象出現，最後篩選出434 份有效 問卷。以下是本研究運用的結果統計方法：

(一)描述性(敘述性)統計(Descriptive Statistics)

描述性統計是針對連續變項進行資料分析與討論時較為合適的統計方法，

即是蒐集、整理、表現、分析與解釋資料的一種分析方式；大部分皆針對李克特 氏量表問項的問卷調查，並且以各向度的分數進行描述性統計，也可以針對各個 題項進行分析。其將會計算各個題項變量的平均數、次數分配、方差、百分比、

峰度係數、偏態係數等，以了解各個變量的統計學特性。因此本研究將以描述性 統計資料的方式來了解造訪陽明山國家公園的民眾對於尊重野生動植物的態度、

主觀規範、知覺行為控制、行為意圖與行為概況。

51

(二)推論性統計(Inferential Statistics)

除了描述性統計方法之外，推論性統計是將敘述統計中由樣本資料獲得之 結果，推論至母體；或是由樣本統計量推論到母體參數的方法。其是整理與分析 蒐集到的資料之後，進行推論與預測的程序，通常與敘述性統計相對。也可以稱 之為歸納統計學(Inductive Statistics)。本研究將以下列的推論統計方法，進行各 個變項之間的分析。

1. 獨立樣本t 檢定(Independent Sample T-test) ：獨立樣本 t 檢定用於比較 兩樣本的平均數是否有顯著差異，因此以此檢定法分析不同背景之遊 客，在尊重野生動植物之態度、主觀規範、知覺行為控制、行為意圖與 行為的差異情形。

2. 單因子變異數分析(One-way ANOVA) ：單因子變異數分析是用於比較 多組(兩組以上)之間的平均數差異，並且比較平均數是否相等。以此分 析方式探討不同背景的遊客在尊重野生動植物的態度、主觀規範、知 覺行為控制、行為意圖與行為的表現情形；若是 ANOVA 分析結果顯 示有顯著差異，則必須採用事後比較檢定法（Post Hoc Analysis）用以 分析顯著差異的受測群體；然而，此統計方法稱為多重比較測定

（Multiple Comparison Analysis Testing），並且常用的分析技術有Tukey、

Newman-Keuls、Scheffe、Bonferroni 與 Dunnett 等(Bilic-Zulle, 2011)。

然而， Scheffe 檢定法，是比較嚴謹的且檢驗較為嚴格的，檢定標準亦 為較高之檢定方法，通常做為研究的優先選用。另外，由於雪費法的高 標準，研究亦會採用Bonferroni 法與 Tukey 法的檢驗法，因為二者屬 於適中的嚴格程度。

3. Pearson 積差相關係數分析：邱皓政(2010)提及，皮爾森積差相關係數 分析主要藉由相關係數(r 值)的相對大小探討各個變項之間的關係，當 r 值越接近 1 時，表示變項的關聯性越高；並且相關係數的應用必須等 到數值達顯著水準時方能解釋。然而下表3-13 為相關係數絕對值表示 的相關程度。以此分析受試者在尊重野生動植物的態度、主觀規範、知 覺行為控制、行為意圖與行為的表現情形。

表 3-13、相關係數數值表示的相關程度

相關係數絕對值(|r|) 相關程度

約=1 完全相關 (Perfect correlated) 0.7~0.99 高度相關 (Highly correlated) 0.4~0.69 中度相關 (Moderately correlated) 0.1~0.39 低度相關 (Modestly correlated) 0.01~0.09 接近無相關 (Weakly correlated)

約=0 無相關

資料來源：研究者自行整理。

52

(三)結構方程式（Structural Equation Modeling, SEM）

Lomax 與 Schumacker (2004)提及在運用結構方程式之前，應該先發展研 究理論的基礎模型，並且建構變數之間因果關係的路徑圖，再將路徑圖轉化成一 套結構模式，指定其衡量模式，最後在使用之統計軟體當中選擇欲輸入矩陣類型 為相關矩陣（Correlation Matrix）或變異共變異數矩陣（Variance-covariance Matrix）， 並對所提出的理論模式進行鑑定與研究假設驗證。依據不同研究的需求，可以使 用路徑分析或是驗證性因素分析；路徑分析必須利用有關於因果分析的統計方法 和步驟，探討多個變項之間的關係，並且路徑分析可以將觀察變項之間的關係以 模型化的方式呈現；然而，傳統的路徑分析則是將不同的方程式加以組合，形成 一系列的迴歸分析，是一種結構化的模式，因此不能得知研究結果的細部資料；

在應用驗證性因素分析時，樣本數至少要超過150 份，或者是五倍的估計參數值，

並且資料必須為常態分布，模式內應包含所有重要的因果關係，所有的指標變數 必須是等距尺度（Interval-level）或比率尺度（Ratio-level）的方式衡量，並且指 標變數必須為連續且至少有四個數值，但是最多不可超過 30 個，變數之間避免 多重共線性，最後，每一個潛在變數至少要有三個指標變數。SEM 當中如果只 有測量模式而沒有結構模式的迴歸分析假設，即是驗證性因素分析(Confirmatory Factor Analysis)，其檢測的內容為測量研究題目的因素結構(Factorial Structure)與 研究題目的測驗誤差；如果只有結構模式沒有迴歸係數分析，就是一個傳統路徑 分析(Path Analysis)模型，以多元迴歸的概念來解釋多個變項之間的因果或預測 關係。

Browne、Cudeck、Bollen 與 Long (1993)指出 SEM 分析的多項優點，例 如，它可以同時考慮及處理多個依變項(Endogenous / Dependent Variable)，且相 當有彈性，並且容許自變項以及依變項出現測量誤差。然而，它與因素分析也有 相似之處，即為潛伏變項是由多個不同變項所構成, 可以同時預估不同變項之間 的信度與內容效度分析。

根據 Reisinger 與 Turner (1999)所提到，結構方程式可以依據不同性質的 變項進行多層次分析，並且為一種立體分析，是傳統迴歸分析無法做到的；再者，

它比較適用於數據範圍較大以及抽象的研究，因此，SEM 分析可以將各個變項 之間的因果關係量化表示。SEM 分析可分測量以及潛伏變項(Latent Variable)兩 部分，並且以下方矩陣方程式來表示(Bollen,1989; Joreskog & Sorbom,1993)：

η=βη+Γξ+ζ

在潛伏變項的部份如個人背景資料等，η表示依變項(Endogenous/Dependent)，ξ 表示自變項(Exogenous/Independent)，β表示不同依變項之間的關係，г 表示依變 項對於自變項的影響，最後，ζ表示模式內不能解釋的變項或其他部分。

本研究利用線性結構關係模型(LISREL)來進行分析，以計畫行為理論作為研 究依據，探討造訪陽明山國家公園的遊客對於尊重野生動植物的行為之中的因果

53

關係研究。雖然本研究已經利用敘述統計和推論性統計進行研究結果的分析與統 計，但是利用結構方程式可以探討多變數與單變數之間存在的因果關係，在其基 本理論中認為潛在變項是無法直接量測的，必須藉由觀察變數來間接推測得知，

所以理論架構包含結構模式與衡量模式兩個部份；因此利用結構方程式能夠知道 在敘述統計與推論性統計當中無法得知的資訊。

為了探討造訪陽明山國家公園的遊客對於尊重野生動植物的行為意圖與行 為 ， 需 要 進 行 路 徑 分 析 與 初 探 其 t 值。以下將探討不 同的配 適度指標；

RMSEA(Root Mean Square Error of Approximation)是一種缺適度的指標，當數值 越大時表示假設模型與資料越不配適，許多研究顯示此指標的表現比許多其他指 標更加理想（Browne & Arminger, 1995; Browne & Cudeck, 1993; Steiger, 1990），

因此作為本研究第一個參考的標準。另外，若是RMSEA 小於 0.05，表示模型與 資料有好的配適（McDonald & Ho, 2002; Schumacker & Lomax, 2004）；若是介於 0.05~0.08 之間，則為模型與資料有不錯的配適度（Fair fit）（McDonald & Ho, 2002）， 若是 RMSEA 超過 0.10 則表示模型與資料非常沒有配適度（Browne & Cudeck, 1993）。雖然Hu 與 Bentler（1999）認為 RMSEA 要小於等於 0.06，但是根據 Hooper 與Mullen (2008)提到 RMSEA 若是介於 0.08~0.1 之間屬於合理範圍，但是數值 落在0.08 以下還是會比較好。RMSEA 雖然不受樣本數大小的影響，但是如果樣 本數很小的時後，它的數值容易被高估（Fan, Thompson, & Wang, 1999）。接著探 討其他不同配適度指標；Bnetler 與 Bonett(1980)認為標準配適度指標（Normed-fit Index, NFI），通常介於 0~1 之間，並且採用 NFI 值大於 0.9 作為標準（邱皓 政，2011），而 Schumacker 與 Lomax（2004）認為 NFI 要大於 0.95，0.9~0.95 為 可接受，當 NFI 愈高表示參數值愈多模型也愈複雜，並且當 NFI 在樣本數低且 自由度高時會產生低估現象。再來是非規範配適指標（Non-normed Fit Index, NNFI）NNFI，其經常為結構方程式所引用的配適度標準，也是一種調整 NFI 不 足之處的指標，比起NFI 眾多學者較偏愛用 NNFI，因為 NNFI 比較可以彈性運

因此作為本研究第一個參考的標準。另外，若是RMSEA 小於 0.05，表示模型與 資料有好的配適（McDonald & Ho, 2002; Schumacker & Lomax, 2004）；若是介於 0.05~0.08 之間，則為模型與資料有不錯的配適度（Fair fit）（McDonald & Ho, 2002）， 若是 RMSEA 超過 0.10 則表示模型與資料非常沒有配適度（Browne & Cudeck, 1993）。雖然Hu 與 Bentler（1999）認為 RMSEA 要小於等於 0.06，但是根據 Hooper 與Mullen (2008)提到 RMSEA 若是介於 0.08~0.1 之間屬於合理範圍，但是數值 落在0.08 以下還是會比較好。RMSEA 雖然不受樣本數大小的影響，但是如果樣 本數很小的時後，它的數值容易被高估（Fan, Thompson, & Wang, 1999）。接著探 討其他不同配適度指標；Bnetler 與 Bonett(1980)認為標準配適度指標（Normed-fit Index, NFI），通常介於 0~1 之間，並且採用 NFI 值大於 0.9 作為標準（邱皓 政，2011），而 Schumacker 與 Lomax（2004）認為 NFI 要大於 0.95，0.9~0.95 為 可接受，當 NFI 愈高表示參數值愈多模型也愈複雜，並且當 NFI 在樣本數低且 自由度高時會產生低估現象。再來是非規範配適指標（Non-normed Fit Index, NNFI）NNFI，其經常為結構方程式所引用的配適度標準，也是一種調整 NFI 不 足之處的指標，比起NFI 眾多學者較偏愛用 NNFI，因為 NNFI 比較可以彈性運