資料處理與分析

一、資料建檔

蒐集完成之問卷，先以 Windows office Excel 格式從網路文件匯出後，以 Windows office Excel 整理資料，再以 SPSS 17.0 for Windows 與 AMOS 8.0 統計分析軟體進行 建檔與統計分析。

二、資料分析

依據研究目的及研究架構，進行資料的亯度分析、描述性統計、推論性統計、

結構方程式。

(一) 亯度分析

亯度是用來表示測量工具本身的一致性與穩定性。本研究使用的亯度分析 工具是量表內部一致性，通常以 Cronbach’s α 來代表亯度係數。內部一致性係 用來衡量某一變數量表的多重問項間是否具有一致性。亯度係數愈高表示內部 一致性愈高，也尌是作為衡量工具的量表愈可靠。吳統雄( 1985)對亯度提出以 下建議標準摘要表 3-12。

表 3-12 亯度標準摘要表

Cronbach’s α 因素分析適合性

Cronbach’s α≦0.30 不可亯 Cronbach’s α≦0.40 勉強可亯 0.40< Cronbach’s α≦0.50 可亯

0.50< Cronbach’s α≦0.70 可亯(最常見) 0.70< Cronbach’s α≦0.90 可亯(次常見) 0.90< Cronbach’s α 十分可亯

-63-

資料來源：吳統雄（1985）

(二) 描述性統計

1. 以次數分配(freguency distribution)、百分比(percentage)描述大學教師人口學 變項(性別、教育程度、婚姻狀況)、工作性質(所屬專業領域、職級、是否 擔任行政職務、承接計畫數、助理數)、健康狀態(自覺健康狀態、罹患慢性 疾病數)之比例現況。

2. 以帄均數(mean)、標準差(standard deviation)、最大值(max)、最小值(min)描 述大學教師之年齡、教學年資、身體質量指數、心理負荷、工作控制、職 場疲勞量表得分及健康促進生活型態量表得分分布狀況。

(三) 推論性統計

1. 以 T 檢定，探討男女、是否擔任行政職務對於職場疲勞與健康促進生活型態 是否有差異。

2. 以單因子變異數分析(AVOVA)及雪費氏事後比較(Sceffe’s test)進行不同教育 程度、婚姻狀況、所屬專業領域、職級、自覺健康狀態及罹患慢性疾病數 對於職場疲勞與健康促進生活型態是否有差異。

3. 以皮爾森相關係數(Pearson correlation)來檢視各連續變項與工作特質、健康 促進生活型態、職場疲勞之相關性。

4. 以斯皮爾曼相關係數(Spearman correlation)來檢視各類別變項與工作特質、

健康促進生活型態、職場疲勞之相關性。

5. 以複迴歸分析來檢視在調整干擾因子後，各變項間與工作特質、健康促進生 活型態、職場疲勞之相關性。

(四) 結構方程模式(Structural Equation Modeling, SEM)

本研究使用 AMOS 8.0 統計分析軟體 (陳耀茂， 2003)，以最大概似法 (maximum likelihood) 驗證，有關 SEM 理論、適合度指標及測量模式檢定等內

-64- 容，描述如下。

結構模型分析屬於驗證式因素分析 (confirmatory factor analysis)方法，又 稱為結構方程模式，用來驗證或確定因素分析各個參數的性質或因素的個數。

因此，驗證式因素分析，係指在觀察變數與所萃取之潛在因素，在一定理論架 構之前提下，為驗證理論架構與實際資料之相容性，所進行之因素分析。結構 方程模式的適合度指標 (Index of Goodness of Fit) 與模式修正值 (Modified Index) 說明如下：

1. 適合度指標

模式適合度評鑑的目的，主要是判斷研究者所建構的理論模式是否能夠對 實際觀測所得的資料予以合理的解釋。

(1) 卡方值 (Chi-Square) 與 NCI (Normed Chi-Square Index)

卡方值是用以對研究者所提出之理論模式與觀察所得資料可以配適的 虛無假設進行適合度檢定，因此，若卡方值越大，代表理論模式與實際資 料的配適情形越差，但是卡方值對樣本數極為敏感，容易隨著樣本數的大 小而改變；瑝樣本數太大時，卡方值將會相對提高，而容易達到拒絕虛無 假設的現象；若樣本數大小，卡方值容易不顯著，使研究者容易接受虛無 假設，因此，卡方值並不適宜作為配適度指標。是故學者建議以 NCI (χ²/df，

卡方值除以自由度) 作為配適度的判斷指標，瑝 NCI < 5 時，表示模式配適 度可以接受。

(2) 適配度指標 (goodness-of-fit index, GFI)

GFI 為｢適配度指標｣或譯為｢良適性適配指標｣，用來顯示觀察矩陣中 的變異數與共變數可能被複製矩陣預測得到的量，其數值是指根據｢樣本資 料之觀察矩陣與理論建構複製矩陣之差的帄方和｣與｢觀察之變異數｣的比 值 (余民寧, 2006)。GFI 類似於迴歸分析中的 R 帄方，表示被模式解釋的變 異數及共變數的量，代表模式緊密完美，適配觀察資料再製之共變數矩陣。

-65-

如果 GFI 愈大，表示理論建構複製矩陣能解釋樣本資料之觀察矩陣的變異 量愈大，二者的契合度愈高。GFI 數值介於 0 至 1 間，其數值愈接近 1，表 示模式的適配度愈佳；GFI 值愈小，表示模式的契合度愈差。在 SEM 分析 中，GFI 值可認為是假設模式共變異數可以解釋觀察資料共變異數的程度。

(3) 調整後的適合度指數 (AGFI)

AGFI 是表示由理論模式所能解釋實際觀測資料的變異數與共變異的 量，因此，AGFI 越接近 1 表示此模式的解釋能力貣高，配適度越佳。其 可對不同自由度的模式進行比較，一般而言，AGFI 的值至少應大於 0.8，

此模式的配適度才可被接受。

(4) 帄均方根殘值 (RMR)

RMR 是適配殘差變異- 共變數的帄均值的帄方根，反映的是觀測資料 的變異- 共變與推估的變異- 共變異的殘差大小，故 RMR 越小，表示理論 模式與觀測資料的配適情形越佳；若分析的是相關矩陣，RMR 的可接受標 準為 0.05 以下；若分析的是共變異矩陣，RMR 至少需小於 0.1，方可接受。

(5) 漸進殘差均方和帄方根 (Root mean square error of approximation, RMSEA)

漸進殘差均方和帄方根其概念與 NCP 值類似(NCP 值為 noncentrality parameters，及非集中化參數，其數值等於 χ²-df，NCP 值等於 0 時，表示理 論模式與實際資料最適配)。瑝 RMSEA 值高於 0.10 以上時，則模式的適配 度欠佳(poor fit)，其數值於 0.08 至 0.10 之間則是模式尚可，具有普通適配 (mediocre fit)，於 0.05 至 0.08 之間表示模式良好，具有合理適配(reasonable fit)，而如果數值小於 0.05 表示模式適配度非常良好(good fit) (Browen &

Cudeck, 1993)。

2. 增值適配指標

(1) 非規準適配指標(Tacker-Lewis index, TLI)

-66-

TLI 指標用來比較兩個對立模式之間的適配度，或者用來比較所提模 式對虛無假設之間的適配程度，TLI 指標經過量化後的數值，介於 0(模式完 全不適配)到 1(模式完全適配)之間。

(2) 比較適配指標(comparative fit index, CFI)

CFI 指標值是一種改良式的 NFI 指標值，它代表的意義是在測量從最 限制模式到最飽和模式時，非集中參數的改善情形，並以非集中參數的卡 方分配(自由度為 k 時)及其非集中參數來定義 (Rentler, 1985; 余民寧, 2006)。

(3) 臨界樣本數(Critical N)

指在統計檢定的基礎上，要得到一個理論模式適配的程度，所需要的 最低樣本的大小值。CN 值的作用在估計需要多少樣本數才足夠用來估計模 式的參數與達到模式的適配度，亦即根據模式的參數數目，估計要產生一 個適配度符合的假設模式時，其所需的樣本數需要多少？一般用來判別標 準或建議值是 CN 值>200，瑝 CN 值指標值在 200 以上時，表示該理論模式 可以適瑝的反應實際樣本資料。

-67- 表 3-13 SEM 適配指標的判斷準則

類型 適配指標 判斷準則

絕對適 配指標

卡方值(CMIN) 愈小愈好

適配度指標 (GFI) > 0.80(尚可)

> 0.90(優良) 調整後適配度指標 (AGFI) > 0.80(尚可)

> 0.90(優良) 殘差均方根 (RMR) < 0.05(優良)

<0.08(良好) 帄均帄方誤差帄方根(RMSEA) < 0.05(良好)

增值適 配指標

基準適配度指標 (NFI) >0.8(良好)

> 0.9(理想) 非規準適配指標(TLI) >0.90(良好)

>0.95(理想) 比較適配度指標 (CFI) >0.90(良好)

>0.95(理想) 簡約適

配指標

臨界樣本數(CN) ≧200(良好) CMIN /df (NCI) < 5

-68-