資料處理與分析方法

本研究旨在分析及瞭解學生生活媽寶行為、課業媽寶行為、行為投 入、情感投入、認知投入與持續補習意願之關聯性，試建構一結構方程 模式與確認模型具有一定的穩定性（model stability）（Hair, Black, Babin,

& Anderson, 2014），並且探討不同背景變項之學生在人際互動、情緒管 理、成就動機與網路沉迷是否有差異。研究之設計與實施乃依據文獻探 討作為基礎，研究方法採文獻分析法與問卷調查法進行。

壹、描述性統計

描述性統計是用以描述本研究樣本的特徵以及研究變項分佈之情形，

本研究樣本背景資料以性別、年齡、年級、一週的補習次數、幾歲開始 補習等，以人數分配及百分比方式呈現；生活媽寶行為覺知、課業媽寶 行為覺知、行為投入、情感投入、認知投入與持續補習意願等各題項與 構面整體，以平均數及標準差方式呈現。

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

在 SEM 的研究分析中，將潛在構面視為一個非常重要的觀念，因 此需要以觀察研究變項之數據，進行分析間接測量，研究分析的重點是 考量每個因素之間相互影響的程度，而不是因素之間的相互關聯的因果 關係，而此分析方法即稱做驗證性因素分析。驗證性因素分析其主要功 能係確認研究變相中的潛在變項是否能被其他觀察變項所代表，因此驗 證性因素分析之主要功能為決定一組觀察變項，並判斷其是否能真正屬 於某特定構面的統計分析技術（張偉豪，2011）。而 CFA 屬於結構方程 中的次模型，一般來說，CFA 是進行結構方程模型分析整合的前置步驟，

相對的也可以獨立運行。CFA 所檢測的是測量研究變數與潛在變數之間

的假設關係，更可說是結構方程模型中為基礎測量的部分，結構方程模 型不只有基礎的檢驗，後續更可以運用高階統計，亦可獨立運用在信、

效度的檢驗以及理論有效性的確認(Bentler, 1980)。

CFA 是屬於 SEM 統計方法之一，而且其在 SEM 的模型分析中扮演 著非常重要的角色(Brown, 2006; MacCallum & Austin, 2000)。當使用 SEM 做分析的時候，研究人員需要從測量模型（CFA）開始著手，由於 SEM 的分析數據與資料都是從現實生活中調查而來，因此為了要了解這些數 據與資料是能否具有一定的信、效度，對研究而言是非常重要的。故在 執行 SEM 的研究分析前，首先要能證明出測量指標能否真正反映出研究 的潛在變數的特性。Thompson (2004)表示在 SEM 模型分析中談到，測量 的模型是屬於結構模型的一部分，倘若沒有證據能證明，則無法確定測 量模型是值得進一步分析。

參、信度與效度分析

信度是指問卷題目測驗結果的可靠程度。本研究採用 Cronbach's α 係數來檢定內部因素的一致性。假設單一構面高於 0.7 以上，該問卷調查 問項可達到很可信的信度。張紹勳（2001）研究指出，信度（reliability）

是測量信息資料的可靠性，為一個測量工具在評量持續的心理特徵的一 致或穩定性，吳明隆（2003）研究主張在編製問卷量表時，最常使用統 計係數Cronbach’s α 值作為數據可靠性得分的量度。Kim 與 Hwang (1992) 研究主張基礎研究及探索性之信度只要 > 0.5 即可接受。黃俊英與林震岩

（1994）亦提出 Cronbach’s α 係數介於 0.70 至 0.98 之間則歸為高信度標 準。

效度是指透過效度分析，所得到的分數，能測出所要測量事物是否 有效。本研究根據參考文獻，以理論為基礎，並彙整專家學者的意見設

計問卷，搭配李克特（Likert）五點尺度量表，確認本研究問卷調查問項 是否有效。

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

結構方程模式在 大多數資 訊系統研究 已 普及的應用在測 量驗證 分 析 的 工 具 ， 許 多 資 訊 系 統 的 研 究 均 透 過 此 方 法 進 行 測 量 模 型

（measurement model）與結構模型（structural model）下資料分析的評估。

本研究根據學者研究的相關文獻而得到探討的結果，並確定研究的 方向及架構，從而進行各項問卷量表的施測，再將施測所得資料以 SPSS 22.0 及 AMOS 23.0 進行統計分析，各項假設使用預設的最大概似估計法

（maximum likelihood estimation，MLE）進行結構模型的檢驗（余民寧，

2006；黃芳銘，2007）。

目前有許多從事研究的學者使用 SEM 來建立研究模型，為了解變 數與變數間潛在的意義，並藉此建立檢定假設與估計之關係，進一步蒐 集資料再加以驗證。SEM 可以透過評估資料與假設模型的配適程度，

再從數據資料重製出共變異數矩陣，並分析觀察變數間相互的關係。

本研究的方法，主要結合因素分析（變數之間的共同因素）與路徑分 析（觀察變數之間的關係）， SEM 之主要任務在樣本與研究假設模 型之間配適度的程度為何（張偉豪，2011）。由於本研究主要探討潛 在心理變數間相互影響的研究，故運用結構方程模型來分析是最合適 的，本研究結構方程之模型分析步驟含有信、效度分析、是配度與直 接、間接的模型路徑係數等。

結構方程模型中的構面有生活媽寶行為、課業媽寶行為、行為投入、

情感投入、認知投入與持續補習意願，本研究將利用結構方程模型來驗 證分析其路徑。當使用 SEM 作為理論模型來作驗證的時候，可接受的模 型配適度為 SEM 的分析必要條件（Byrne， 2010），而當配適度愈好即

代表模型與樣本間的關係愈相近。在 SEM 的分析中，其產生出許多 配適度之指標，且提供了蒐集的資料與假設模型間配適差異大小的完 整性檢驗。當判斷模式適配度時，首先需要對完整的模式作配適度之 判斷，接著再對結構模式與測量模式的適配度作判斷。在整體的模式 提供了一些相關的模型評鑑指標，將這些指標分成三種型態—絕對配 適度指標、相對適配度指標以及精簡適配度指標。

一、絕對配適度指標（absolute fit indexes, AFI）

（一）卡方/自由度比

Carmines 與 McIver（1981） 則建議應 該將卡方自 由度的比設 定為 2:1 或 3:1，在 2001 年 Ullman 認為當值在 2 以內可稱為模型配 適 良 好 ， Kline （ 2005 ） 建 議 值 在 3 以 內 是 可 以 接 受 的 ， 而 Schumacker 與 Lomax （2004）對數值的認定較其他學者寬鬆，認為 只要數值小於 5 即可。

（二）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 ， 當 數 值 越 接 近 1 時 ， 表 示 樣 本 資 料 與 預 測 模 式 越 能 配 合 。 Joreskog 和 Sorbom（1984）建議理想數值為 .9 以上，代表有良好的 適配度，Doll、Xia 與 Torkzadeh （1994）則建議數值酌量放寬到 .8。

（三）調整之配適度指標（adjusted goodness of fit index, AGFI）：

AGFI 主要將 GFI 依據自由度加以調整，與 GFI 之值 一樣介於 0 至 1 之間，當數值越接近 1 時， 表示模型適配度越佳，Bagozzi &

Yi （ 1990 ） 建 議 理 想 值 為 .9 以 上 ， 代 表 有 良 好 的 適 配 度 ， MacCallum 與 Hong（1997）則建議數值可酌量放寬到.8。

（ 四 ） 標 準 化 均 方 根 殘 差 值 （ standardized root mean square

residual,SRMR）：

SRMR 是 在 模型中 作為 樣 本 矩 陣 與 預測矩 陣 差 異 的 平 均值 ， 並 依 標 準 化 之 殘 差 值 計 算 。 Joreskog 與 Sorbom （ 1984 ） 認 為 ， 若 SRMR 之值越小，則模型適配度就會越好。當 SRMR=0 時，則表示 完美適配，數值小於.05，則稱為良好配適，小於.08 一般稱為可接受 適配。

（五）平均近似誤差均方根（root mean square error of approximation, RMSEA）：

Schumacker 與 Lomax （2004）認為，RMSEA 要小於.05，表 示有良好的模型配適度。Hu 與 Bentler (1999)則建議良好模型配適的 RMSEA 要小於等於.06。

（六）相對配適度指標（incremental fit indexes）

1.非標準適配指標（non-normed fit index, NNFI）：

將 非 標 準 適 配 指 標 稱 作 TLI （ tucker lewis index ） 。 Marsh, Balla 與 Hau（1996）發現到 NNFI 幾乎不會受到樣本數多寡而受影 響，因此是 SEM 報告指標中經常被引用的配適度指標。NNFI 不保 證值介於 0~1 之間，接近 1 代表配適度良好，然而有些學者用.8 作 為標準，不過 Hu 與 Bentler (1999)還是建議 TLI 要大於.9 以上較好。

2. 標 準 配 適 指 標 （ normed fit index, NFI ） ： Schumacker 與 Lomax (2004)認為 NFI 之值需要大於.95，.9~.95 才可接受，若在.9 以下，則可能要再重新設定模型。

3.比較適配指標（comparative fit index, CFI）：

Fan、Thompson 與 Wang (1999)指出 CFI 之值幾乎不會受到樣 本數量大小的影響。CFI 值介於 0 至 1 之間，通常 CFI 值在.9 以上 為良好適配(Bentler, 1995)。

4.漸增式配適指標（incremental fit index, IFI）：

Bentler（1995）認為 IFI 值要大於或等於.9，代表模型為可接受。

IFI 的值有時候亦可能會大於 1，且 IFI 值亦不會受到樣本數的影響。

（七）精簡配適度指標（parsimony adjusted indexes）

1. 精 簡 配 適 指 標 （ parsimony goodness fit index, PGFI ） ： 當 PGFI 值 越接近 1 ， 代 表 模 型 越簡 單 ，而 Mulaik (2009) 認為 ， PGFI 之值一般建議要在.5 以上，才能算是一個良好的模型。

2.精簡規範配適指標（parsimony normed fit index, PNFI）：Hu 與 Bentler (1999)認為，PNFI 之值建議要在.5 以上，才能算是一個良 好的模型。

3.精簡比 較配 適指 標（parsimony comparativefit index, PCFI ）：

Mulaik (2009)認為， PCFI 之值建議要在.5 以上，才能算是一個良好 的模型。

（八）模型路徑係數

在結構方程模型 分析 上， 將會產生路 徑 係數， 而這些係 數的大 小所代表自變數對應變數大小的影響，不過這樣解釋的方式也有可能 產生不正確的結果，因為變數的結構模型，通常有其它變數的影響，

而不是單獨的效果。張偉豪（2011）認為所以通常用總效果來解釋會 較佳，且更能說明模型變數的影響程度。研究人員利用 SEM 分析使 變數的影響大小解構成直接效果、間接效果與總效果，而將直接效果

加 上 間 接 效 果 便 是 總 效 果 。