第三章 研究設計與實施
第五節 資料處理
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五節 資料處理 壹、問卷資料整理
在進行正式問卷施測完畢後，首先，剔除無效問卷，如作答不完全及 明顯胡亂作答者將視為廢卷並剔除；其次，進行資料的編碼與登錄，而在 統計處理上，係使用 SPSS20.0 版以及 AMOS24 版進行統計分析。
貳、統計分析
本研究主要探討校長正向領導、教師學術樂觀及教師專業發展的現況、
相關與模式，在統計分析上，區分為現況分析、差異分析、相關分析、預 測分析、中介效果分析、模式檢定，茲詳述如下：
一、現況分析
本研究探討校長正向領導、教師學術樂觀及教師專業發展的現況，以 平均數、標準差來說明公立高中職學校現職教師所知覺校長正向領導、教 師學術樂觀與教師專業發展各層面及整體之現況。
二、差異分析
以 t 檢定考驗公立高中職學校現職教師不同之個人背景及學校背景變 項，在高級中學校長正向領導、教師學術樂觀與教師專業發展上各層面之 差異情形，檢定的背景變項為教師性別。
此外，以單因子變異數分析（One-Way ANOVA）統計方法考驗不同個 人背景變項、不同環境背景變項，在公立高中職校長正向領導、教師學術 樂觀與教師專業發展上整體與各層面之差異情形；若分析結果之各組差異 F 值達顯著水準（p < .05），則進一步以薛費法（Scheffé）進行事後比較。
檢定之背景變項如年齡、服務年資、教育程度、職務、任教科目、學校區 域、學校規模等。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
三、相關分析
以 Pearson 積差相關係數(Pearson's product moment correlation
coefficient)來了解校長正向領導、教師學術樂觀與教師專業發展各變項間 的關係，邱皓政(2000)指出相關係數的解釋與應用，必須經過顯著性考驗 來決定係數的統計意義，一旦數值顯著之後，則可依據係數的強度解釋實 務意義，若係數值達 0.70 以上，則可視為高度相關，介於 0.40 至 0.69 間 則視為中度相關。
四、預測分析
為了解校長正向領導、教師學術樂觀與教師專業發展間的預測力，進 行多元迴歸之預測分析。分析的項目有四，分別為：
(一) 將校長正向領導及各構面視為預測變項，教師學術樂觀整體現況視 為效標變項。即檢測校長正向領導對教師學術樂觀的預測力。
(二) 將校長正向領導及各構面視為預測變項，教師專業發展整體現況視 為效標變項。即檢測校長正向領導對教師專業發展的預測力。
(三) 將教師學術樂觀及各構面視為預測變項，教師專業發展整體現況視 為效標變項。即檢測教師學術樂觀對教師專業發展的預測力。
(四) 將校長正向領導與教師學術樂觀及各構面視為預測變項，教師專業 發展整體現況視為效標變項。即檢測校長正向領導與教師學術樂觀 對教師專業發展的預測力。
五、中介效果分析
邱皓政(2000)指出某變項若介於兩變項之間，即作為被他人影響的依 變項，也作為影響他人的自變項，其他變項對於依變項的影響，可以透過 該中介變項來間接影響依變項，則某變項則為中介變項。在本研究中，假
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
設教師學術樂觀為校長正向領導與教師專業發展的中介變項，因之，在中 介效果的分析上，本研究採用 Baron 與 Kenny 的中介效果檢驗法，另因本 研究採用 AMOS 軟體進行分析，故以 AMOS 一般內建估計法得出總效果、
直接效果與間接效果之估計值，再以 AMOS 內建的 Bootstrap 獲得 p 值以 進行直接與間接效果之考驗(李茂能，2009)。
六、模式檢定
使用結構方程模式探討公立高中職校長正向領導、教師學術樂觀與教 師專業發展之徑路模式，並驗證本研究提出結構模式的適配度。適配度指 標(goodness-of-fit indices)是評鑑假設的徑路分析模式圖與蒐集的資料是否 相互適配，而不是在說明徑路分析的好壞，一個適配度完全符合評鑑標準 的模式圖不一定保證是個有用的模式，只能說研究者假設的模式圖比較符 合實際資料的現況(吳明隆、涂金堂，2008；吳明隆，2010)；張偉豪(2011) 指出，在進行 SEM 時之所以要提供多重適配度指標，其原因有：
(一) 適配度指標所顯示的值只是平均值或模式的整體適配，因此需要不 同的適配指標來說明模式中各部分的是配優劣。
(二) 單獨的統計指標均反應某一特定的是配程度，僅說明模型有利的值，
但不能代表模型適可接受的。
(三) 適配度指標語模型設定錯誤的關係不大，因此適配度指標無法說明 模型中所有正確的因素。
(四) 模型適配度只是建議與樣本的適配程度，並不是顯示模型預測能力 (R2)的高低。
因之，驗證整體適配度指標有 χ2、GFI、AGFI、RMSEA；比較適配 度指標有 NFI、NNFI、CFI、IFI、RFI；精簡適配度指標有 PNFI、PGFI、
AIC。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(一) 卡方檢定(χ2)：卡方值愈小表示整體模式之因果徑路圖與實際資料愈 適配，一個不顯著(p>.05)的卡方值表示模式因果徑路圖與實際資料 相適配，二者不一致的情形愈小，當χ2=0 時，表示假設模型與觀察 數據十分適配；換句話說，χ2直達顯著時，表示理論模式估計與觀 察資料間是不適配的(吳明隆，2010)。然而，χ2易受到樣本數據多寡 的影響，如果樣本數據愈大(200 以上)，則卡方值愈容易達到顯著，
導致理論遭到拒絕的機率愈大(吳明隆，2010；豐田秀樹，2011)。
(二) GFI、AGFI、CFL：相較於χ2，GFI(Goodness of Fit Index：適配度指 標)較不容易受到數據多寡的影響(豐田秀樹，2011)，GFI 值愈接近 1，
表示模式適配度愈高(張偉豪，2011)，一般在 0.9 以上時，即判斷為
「有說服力(與數據適配)之徑路圖」(豐田秀樹，2011)；此外，同樣 的指標有 AGFI(Adjust GFI：修正適合度指標)與 CFI(Comparative Fit Index：比較適合度指標)，任一值愈接近 1 表示愈適配，但模型一旦 參數變數變多，要達到 0.9 就會有困難，因之，AGFI 與 CFI 達到 0.8 則可視為適配，而若恰好辨識模型時，則其值可能會>1(張偉豪，
2011)。
(三) RMSEA：RMSEA(Root Mean Square Error of Approximation：近似誤 差均方根)是一種缺適度指標，值愈大表示假設模型與資料愈不適配 (張偉豪，2011)；此指標在 0.05 以下時即判斷適配度佳，如在 0.1 以上時，即判斷適配度不佳，而介於 0.05 至 0.1 間則視為灰色地帶(豐 田秀樹，2011)。RMSEA 報告時會包含 90%的信賴區間，且較不受 樣本數影響，是 SEM 最重要的統計指標之一。
(四) NFI、NNFI、CFI、IFI、RFI：在比較適配性指標中，NFI(Normed Fit Index：標準配適度指標)係比較假設模型與獨立模型的卡方差異，可 視為某個假設模型與最差模型的改善情形，通常採用 NFI>0.9，而
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
NNFI(Non-Normed of Index：非規範配是指標)則是考量模式的複雜 度，且不受樣本數影響，其檢定值為>0.9；另外，CFI(Comparative Fit Index：比較性配適指標)可反映出假設模型與無任何共變關係的獨立 模型之差異程度，同時亦考慮到被檢驗模型與整體卡方分配的離散 性，CFI 指數愈接近 1 代表模型契合度欲理想，傳統上以 0.9 以上視 為適配，但其較適合小樣本檢定；此外，IFI(Incremental Fit Index：
成長適配指標)與 RFI(Relative Fit Index：替代配適指標)則較不易受 樣本數影響，其檢定值>0.9 表示模型適配。
(五) PGFI 、PNFI、PCFI：精簡適配度指標是在說明模型的簡單程度，
PGFI(Parsimonious GFI：精簡配適指標、PNFI(Parsimonious NFI：精 簡規範配適指標) 與 PCFI(Parsimonious CFI：精簡比較性配適指標) 值>0.5 則可視為良好模型。