資料處理與分析方法

將網路問卷與實體問卷實施調查回收資料後，剔除無效問卷，再將數 據加以編碼輸入統計套裝軟體，本研究以 IBM SPSS 20.0 統計分析軟體進 行信度、單因子變異數分析與獨立樣本 t 檢定等統計分析，並運用 IBM SPSS Amos 20.0 結構方程軟體進行結構方程模型分析（SEM），且透過檢 驗 SEM 各構念之關聯性，進而建構出一個模式架構圖，以探討各研究變 項與變項間的路徑關係。各項考驗水準最低標準訂為 .05，以驗證各研究 假設。以下就本研究所使用之統計分析方法說明如下：

壹、描述性統計

描述性統計是用以描述樣本特徵以及研究變項之分佈情形，本研究樣 本背景資料以性別、年齡、每日平均上網時間以及選擇就讀科系的方式等，

以人數分配及百分比方式呈現；媽寶行為覺知、人際互動、情緒管理、成 就動機與網路沉迷等各題項與構面整體，以平均數及標準差方式呈現。

貳、推論性統計

為瞭解技職校院媽寶學生的情緒管理、人際互動、成就動機與網路沉 迷之關聯性，並且探討不同背景變項的技職校院學生是否有差異，研究者 採用 Pearson 積差相關、因素分析、違犯估計檢定、SEM 結構方程模型分 析、交叉效度評估、模型路徑係數、獨立樣本 t 檢定、單因子變異數分析 等，針對不同的待答問題選用適合的統計方式來進行考驗，模型分析流程 圖請見圖 3-3，茲分別說明如下。

一、相關分析

利用 Pearson 積差相關（Pearson product-moment correlation）來進行 生活媽寶行為覺知、校務媽寶行為覺知、人際媽寶行為覺知、人際互動、

84

情緒管理、成就動機、網路沉迷等各變項之間的相關分析。

若檢定 p-value 值小於.01，相關程度為中度以上的相關程度，相關 係數的正負代表的是構面間是正向或是負向的關係，若相關係數大於 0 時，就稱為正相關（positive correlation），代表一個構面變數增加，而另 一構面變數也會增加，即兩構面變項間有正向關係；若相關係數小於 0 時，就稱為負相關（negative correlation），代表一個構面變數減少，而另 一構面變數也會減少，即兩構面變項間有負向關係（吳明隆、涂金堂，

2012）。

二、違犯估計檢定

Bollen（1989）提出的二階段準則可以順便檢查資料有沒有違犯估 計的問題，有時在 SEM 估計時會出現一些參數估計值違反統計所能接 受的範圍，統稱為「違犯估計」，Hair, Black, Babin 與 Anderson （2013）

提出違犯估計包含四項：

(一) 負的誤差變異數（heywood case）：SEM 估計時有時會出現負的誤 差變異數時稱為 heywood case，這個結果在理論上是不可能的，

因為誤差變異數為一平方值，不可能為負數。在 CFA 分析中，

Heywood Case 是個嚴重的問題，尤其是在小樣本及構面的測量題 目不到三題時容易發生。Hair 等人（2013）提出 SEM 模型樣本 數大於 300，每個潛在構面的測量題目大於等於 3 題，heywood case 的情形就不太可能發生。

(二) 誤差變異數不顯著：誤差變異數雖然為正但不顯著，代表該誤差 不存在。

(三) 標準化迴歸係數接近或超過絕對值 1：發生的最主要原因通常來 自於樣本資料的問題，如變數之間高度相關、嚴重違反統計假設 或構面信度太低。

85

有過大的標準誤：標準誤大小與估計值顯著性有關，標準誤太大 容易犯型 II 錯誤，該顯著而不顯著。

三、探索性因素分析（exploratory factor analysis, EFA）

探索性因素分析是抽取變項間的共同因素，以比較少的構念代表原 來較複雜的資料結構，因素分析假定每個指標（問卷題項）是由共同因 素與與唯一因素瞭個部分組成。所謂共同性乃指問題可以貢獻到因素的 程度大小，其數值介於 0 至 1 之間，當共同性越高時，該問題與共同因 素的關係就越密切，獨特性就越低，則表示該問題對共同因素的貢獻就 越大，所以就應該將該問題保留。一般建議，共同性的數值最好在.5 以 上（魏勇剛、龍長權、宋武譯，2010）。經由因素分析法是希望能夠降低 變數的數目，轉換為新的彼此獨立不相關的新因素。除了簡化資料外，

還可探討變數間的基本結構。

因素分析的基本假設是原始輸入的變數存在一些少量潛在的結構。

因此，因素分析的執行是否可行，需仰賴於變數之間是否具有充分的相 關，使得同一個因素下的變數具有高度的相關。以下之統計度量是測量 因素分析的執行是否適合（張偉豪、鄭時宜，2012）。

(一) 巴特雷球形檢定（Bartlett test of sphericity）：當此檢定的顯著性 P 值小，表示輸入的變數適合做因素分析，但其缺點是樣本愈大顯 著性（P 值）就愈小，所以即使變數間只有些微的相關，在大樣 本下，P 值也會變小。

(二) KMO （ Kaiser-Meyer-Olkin ） 值 或 MSA （ Measure of sampling adequacy）值：這些測量值介於 0 至 1 之間，值愈大表示輸入 的變數愈適合做因素分析。值 為 .8 或以上表示極佳的、.7 或以 上表示還不錯、.6 或以上表示普通的、.5 或以上表示差勁的、.5 以下表示不可接受的。另外，MSA 值也可用於個別變數的篩檢：

86

當個別變數的 MSA 值低於 .5 應考慮將其刪除，再重做因素分 析。若有數個個別變數的 MSA 值低於 .5，若欲刪除的話，則一 次刪除一個變數，再重做因素分析，從 MSA 值最低變數先刪除 起。

四、驗證性因素分析（confirmatory factory analysis, CFA）

SEM 的 分 析 研 究 中 潛 在 構 面 （ latent variable/factors/unobserved variables/constructs/dimentions）是非常重要的觀念，因此需要以觀察變 數（observed variables/indicators/manifest variables/measurement variables）

進行間接測量，如果分析的重點是因素間的相關，而不是因素間的因果 關係，這種分析就稱為驗證性因素分析（confirmatory factory analysis, CFA）。驗證性因素分析的主要功能是確認潛在變項是否真的能被幾個觀 察變數所代表，所以驗證性因素分析的主要功能是決定一組觀察變數是 否真正屬於某一特定構面的統計分析技術（張偉豪，2011）。CFA 是結 構方程的次模型，一般而言 CFA 是進行整合性結構方程模型分析的前置 步驟，當然也可以獨立運行。CFA 所檢驗的是測量變數與潛在變數的假 設關係可以說是結構方程模型最基礎測量的部分，不但是結構方程模型 中後續高階統計的檢驗基礎，更可獨立應用於信、效度的考驗及理論有 效性的確認（Bentler, 1980）。

CFA 是 SEM 大家族的一部分，而且在 SEM 模型分析中扮演非常重 要的角色（Brown, 2006; MacCallum & Austin, 2000）。當應用 SEM 分析 的時候，研究人員就要從測量模型（CFA）開始，由於 SEM 分析資料都 是從實際上調查而來，因此了解這些資料是否具有一定的信、效度就非 常重要。所以在執行 SEM 前，要先能證明測量指標是否能真正反映出 潛在變數的特性。Thompson（2004）表示在 SEM 模型分析中，測量模 型是結構模型的一部分，如果沒有證據證明測量模型是值得進一步分析

87

的話，那麼 SEM 就毫無意義。在許多的情況之下，SEM 模型出現問題，

大多是因為測量模型不佳的原因所導致（Brown, 2006）。Kenny（2006）

主張在社會及行為科學上我們從 CFA 學到的遠比 SEM 還要多。因此，

在 SEM 分析之前，CFA 一定要單獨分析，並提出報告。CFA 的分析以 表格呈現因素負荷量及測量模型因素變數的共同性，呈現的內容包括標 準化及非標準化負荷量、標準誤、顯著性、組成信度、平均變異數萃取 量、適當的適配度指標。因此本研究先針對每個構面先進行 CFA 分析，

確認構面信、效度沒問題後再進行 SEM 的模型分析。

五、結構方程模型（structural equation modeling, SEM）

目前已有許多研究人員應用 SEM 來建立研究模型，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（圖 3-3）：信度與效度分析、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、模型路徑係數等。

結構方程模型中的構面有「媽寶行為覺知」、「情緒管理」、「人際互 動」、「成就動機」與「網路沉迷」，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，可接受的模型配適度 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

88

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、相對適配度指標以及精簡適配度指標，以下茲就各指標 概略說明：

(一) 絕對配適度指標（absolute fit indexes）

1. 卡方/自由度比（ ² /d.f.）：

Carmines 與 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 與 Lomax（2004）認定較為寬鬆，認 為小於 5 即可。

2. 配適度指標（goodness of fit index, GFI）：

表示理論模式所能解釋的變異與共變異的量，其值介於 0 至 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 .9 以上（Joreskog & Sorbom, 1984），表示有良好的配適度，

Doll、Xia 與 Torkzadeh（1994）建議可酌量放寬到 .8。

3. 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

AGFI 主要是把 GFI 根據自由度加以調整，與 GFI 一樣值介