第三章 研究設計與實施
第六節 資料處理
本研究用問卷調查法，因此將所發出的問卷回收後，隨即進行資料整 理的處理，將其過濾、編碼、登錄與確認，茲就資料處理的步驟分述如下：
一、資料整理
本問卷回收後，首先進行資料的逐一檢視並剃除無效問卷後，再將 有效問卷資料整理並且編碼，將其填答結果輸入電腦。茲將資料整理過 程說明如下：
（一）資料過濾：問卷回收後，逐一檢視問卷填答情形，並且將資料 填答不全者予以刪除。
（二）資料編碼：資料過濾後的有效問卷，依學校代碼及順序予以編 碼。
（三）資料登錄：編碼完成後進行資料登錄，以方便資料分析之用。
（四）資料確認：資料登錄完成後，列印資料再與原始資料進行核對，
修正錯誤之資料，力求資料的完整度以及正確性。
二、統計分析
本研究應用統計軟體 SPSS Statistics 19.0 與 LISREL8.8 兩種統計軟體 為分析工具。依據前述之研究目的與建立之研究假設，使用不同的統計方 法加以分析，為達研究目的需求，本研究所要進行的資料分析有六大部分 第一部分為敘述性統計，第二部分研究工具分析，第三部分為相關性分 析，第四部分為獨立樣本 t 檢定，第五部分為單因子變異數分析，第六部 分為結構方程模式，以下茲就各步驟逐一詳細說明：
47
（一）敘述性統計（descriptive statistics）
敘述統計內容主要包含次數分配（frequency distribution）、百分比
（percentage）方式敘述，等距變項則以平均數（mean）及標準差
（standard deviation）等，其主要目的在於簡化分析資料之複雜性，並 瞭解樣本的分佈概況。本研究針對個人基本資料等調查結果，透過次 數分配、百分比分析等統計量來綜合描述樣本資料散步情形，針對問 卷之各項填答及整體資料的呈現，描述自變項及依變項之分布情形，
將類別資料整理以來瞭解受訪者對該問頭的看法與意見。一般而言，
平均數高代表該問項較受訪者認同，相對來說，標準差小類表示受訪 者對該問頭之看法一致。
（二）研究工具分析
在本研究中，使用問卷工具來蒐集資料時，因為問卷品質的優劣非 常有可能會影響到研究的結果以及分析，因此我們必須要利用其他工 具來檢視。因為一份好的問卷除了需要具備難度適中以及鑑別度高的 特質之外，更重要的是擁有信度與效度這兩項（陳順宇，2005）。其中，
信度（validity）就是指一種衡量研究工具的正確性或精確性的方式，
也就是在施測相同的受測者時，測驗多次的分數是有一致性的，因此 信度也是在衡量研究工具的一致性程度，信度（reliability）分析的目 的在於藉由信度係數以瞭解整個量表之可信程度，一般是採用知信度 係數為Cronbach’s α 係數來檢測量表的內部一致性（Consistency）與 穩定性（Stability），其適合針對李克特（likert Scale）5 點量表進行信 度分析。此種分析方法是目前行為研究最常使用之信度指標，即當 Cronbach’s α 值愈大，表示單一變數的各問項的一致性越高，則信度愈 高，則顯示量表內之各項變項的相關性越高，代表各量表衡量問項彼 此間內部一致性相當好，具有良好信度，如表 3-5 所示（吳明隆，2008）。
48
本研究將回收的問卷內容，進行各項的信度分析，以確保每個量表的 信度在衡量標準之上。
表 3-5 量表內部一致性信度分析衡量標準
內部一致性信度係數值 層面或構念 整體量表
α 係數 ≦ .50 不理想，捨棄不用 非常不理想，捨棄不用
.50 ≦α 係數＜.60
可以接受，增列題項或
修改語句 不理想，重新編製或修訂
.60 ≦α 係數＜.70 尚佳
勉強接受，最好增列題項 或修改語句 .70 ≦α 係數＜.80 佳（信度高） 可以接受 .80 ≦α 係數＜.90 理想（甚佳，信度很高） 佳（信度高）
α 係數.≧.90 非常理想（信度非常好） 非常理想
資料來源：吳明隆（2008），SPSS 操作與應用問卷統計分析實務，347 頁，台北：五南
（三）相關性分析
求出「父母督導行為」、「拖延習慣」、「媽寶行為覺知」、「自 我調節學習-自我監控」、「自我調節學習-目標設定」、「自我調節 學習-努力與堅持」各層面的相關情形。
（四）獨立樣本t檢定
獨立樣本 t 考驗屬於平均數考驗，即以平均數作為考驗的依據，
背景變項中有兩個向度的類別變項，依變項為連續變數。可採用 t 考 驗 (t-test) 考驗不同背景變項在父母督導行為與媽寶行為覺知的差 異，本研究將利用性別當類別變項來進行 t 考驗，了解不同性別在父 母督導行為與媽寶行為覺知的差異情形。
49
（五）單因子變異數分析
分析不同個人背景變項及在對高職學生父母督導行為與媽寶行為 覺知的差異情形，以及專業成績排名對自我調節學習的差異情形。若 變異數分析達到顯著水準，則進一步以 Scheffe’s Method 進行事後比 較，以考驗各組之間的差異情形。
（六）結構方程模式（structural equation modeling, SEM）
結構方程模型(structural equation modeling, SEM)這幾年來結構方 程模式已逐漸在社會科學、行為研究及教育領域普及起來，甚至於在 生 物 學 、 經 濟 學 、 行 銷 及 醫 學 研 究 領 域 也 受 到 重 視
（Raykov & Marcoulides, 2006）。目前諸多研究人員應用 SEM 來建立 模型，企圖了解變數與變數之間潛在的意義，藉此建立估計及檢定假 設關係，進而蒐集資料加以驗證。SEM 可以評估假設模型與資料的 配適程度，並從資料所重製的共變異數矩陣中，分析觀察變數之間的 相互關係。本研究方法主要是結合了路徑分析（觀察變數之間的關係）
及因素分析（變數之間的共同因素），SEM 的主要任務是研究假設模 型與樣本之間配適的程度為何（張偉豪，2011）。由於本研究屬於潛 在心理變數之間相關的研究，因此採用結構方程模型來分析是最適合 不過了。本研究之結構方程模型分析步驟包括：信度與效度分析、
Bollen 二階段檢定、違犯估計檢定、常態檢定與修正、配適度報告與 修正、交叉效度評估、模型路徑係數。
結構方程模型中的構面有「父母督導行為」、「拖延習慣」、「媽寶 行為覺知」、「自我調節學習」，本研究將利用結構方程模型來驗證分析 其 路 徑 。 應 用 SEM 作為理論 模型的 驗 證時，不 錯的模 型 配適度 是 SEM 分析的必要條件（Byrne, 2010），配適度愈好即代表模型與樣
50
本愈接近。在 SEM 分析中所產生許多的配適度指標，提供了假設模型 與蒐集的資料配適差異大小的完整檢驗。在判斷模式配適度時，首先 要先對整個模式作配適度的判斷，接著再作測量模式與結構模式的配 適度判斷。在整體模式方陎提供了一些模型評鑑指標，這些指標可分 為三種型態絕對配適度指標、增值適配度指標以及精簡適配度指標，
以下茲就各指標逐一詳細說明：
1. 絕對配適度指標（absolute fit indexes）
（1）卡方檢定（2 test）：
卡方檢定是一種缺適度指標，因為卡方值越大，表示估計 模型與樣本資料在統計顯著性上配適度愈差。卡方檢定如果 顯著（p < 0.05），則表示模型配適度不令人滿意；反之，若測 量 結 果 p > 0.05 ， 則 表 示 模 型 配 適 度 是 令 人 滿 意 的
（Joreskog & Sorbom, 1983）。
（2）卡方/自由度比（ 2 /d.f.）：
卡方/自由度比主要是為了減少樣本數的影響，卡方自由 度比越小，則表示模式配適度越高。Carmines 和 McIver（1981）
建議卡方自由度比應為 2:1 或 3:1，Ullman（2001）認為 2 以 內稱為模型配適良好，Kline（2005）建議 3 以內是可以接受 的，Schumacker 和 Lomax（2004）認定較為寬鬆，認為 5 以 內即可。
（3）配適度指標（goodness of fit index, GFI）：
類似於迴歸分析中的可解釋變異 R2，表示理論模式所能 解釋的變異與共變異的量，用來衡量預測值與實際樣本資料 相比較的誤差值平方，其值介於 0~1 之間，越接近 1 表示預 測模式與樣本資料越能配合。一般建議理想值為 0.9 以上
51
（Joreskog & Sorbom, 1984），表示有良好的配適度，但模型 一但估計的參數變多，有時要達到 0.9 就會有困難，Doll、Xia 和 Torkzadeh（1994）建議可酌量放寬到 0.8。
（4）調整之配適度指標(adjusted goodness of fit index, AGFI)：
AGFI 主要是把 GFI 根據自由度加以調整，與 GFI 一樣值 介於 0~1 之間，越接近 1 表示模式配適度越佳，一般建議理 想值為 0.9 以上（Bagozzi & Yi,1990），表示有良好的配適度，
但模型一但估計的參數變多，有時要達到 0.9 就會有困難，
MacCallum 和 Hong（1997）建議可酌量放寬到 0.8。
（5）平均近似誤差均方根
（root mean square error of approximation, RMSEA)：
RMSEA<0.05，表示有好的模型配適度
（Schumacker & Lomax, 2004）。如果介於 0.5~0.8 之間。
（6） Hoelter’s N（critical n, CN）：
Hoelter’s N 主要用來判斷模型的樣本數是否適當的指 標。傳統的認定是 CN>200 表示樣本是適當的，若 CN 低 於 75，則表示模式無法接受。
2. 增值配適度指標（incremental fit indexes）
（1）標準配適指標（normed fit index, NFI）：
NFI 指標的原理是計算假設模型的卡方值與虛無假設的 卡方值之差異量，可視為是某個假設模型與最差模型之改善 情形。Schumacker 和 Lomax（2004）認為 NFI 要大於 0.95，
0.9~0.95 為可接受，0.9 以下的話可能要重新設定模型。
（2）比較配適指標（comparative fit index, CFI）：
52
CFI 可反應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中央卡方分配的離散 性。Fan、Thompson、和 Wang（1999）指出 CFI 較不受到樣 本數大小的影響。CFI 值介於 0~1 之間，越接近 1 代表模式契 合 度 越 佳 ， 表 示 能 有 效 改 善 中 樣 性 的 程 度 ， 通 常 認 為 CFI 在 0.9 以上為良好配適（Bentler, 1995）。
（3）漸增式配適指標（incremental fit index, IFI）：
Bentler（1995）認為 IFI 要大於或等於 0.9，表示模型為 可接受。IFI 的值在某些情況下可能會大於 1，IFI 較不受到樣 本數的影響，因此頗受到研究人員的歡迎。
（4）相對配適指標（relative fit index, RFI）：
Hu 和 Bentler（1999）建議 RFI 要大於或等於 0.9，表示 模型為可接受，其值介於 0~1 之間。
3. 精簡配適度指標（parsimony adjusted indexes）
（1）精簡配適指標（parsimony goodness fit index, PGFI）：
PGFI 考慮到了模型當中估計參數的多寡，可以用來反 應 SEM 假設模型的簡約程度。PGFI 越接近 1，表示模型越簡 單，Mulaik（2009）指出一個良好的模型，PGFI 一般建議
PGFI 考慮到了模型當中估計參數的多寡，可以用來反 應 SEM 假設模型的簡約程度。PGFI 越接近 1，表示模型越簡 單，Mulaik（2009）指出一個良好的模型，PGFI 一般建議