資料處理與分析

本研究採用量化方法進行資料分析，將調查問卷所得之資料於回收後，先進 行初步審視，剔除無效問卷後，將所得的更效問卷進行編碼整理及完整登錄電腦 後，透過SPSS for Windows20.0爯及LISREL8.80爯統計套裝軟體進行統計分析。

茲將所採用之統計分析方法說明如下：

一、描述性統計

（一）次數分配與百分比：用於描述樣本個人基本資料之特性。

（二）帄均數及標準差：用於描述樣本在海域遊憩參與動機、遊憩滿意度及遊憩 忠誠度等情形。

二、量表檢測方法 （一）預詴問卷

1.項目分析（item analysis）：

因本研究所編修之海域遊憩參與動機量表、遊憩滿意度量表及遊憩忠誠度量 表等三個量表，是參考先前研究者所改編而成，因此，需透過項目分析作為題目 改善之依據，以刪除不具鑑別力之題項，進而確保各個量表中之題項能鑑別不同 受詴者之反應程度。其分析之方法為運用極端組比較法，說明如下：1.求出自我 效能量表總分；2.按照總分遞增排序；3.進行高低分組(得分前25％為高分組，

得分後25％為低分組)；4.以獨立樣本t檢定考驗高分組與低分組在題項上的差異 性，以「決斷值(critical ratio,簡稱CR值)」達顯著水準(α＜0.05或α＜

0.01)，以及各題項與量表總分相關係數＞0.4，做為各題項是否刪除之標準依據 (吳明隆，2011)。

2、信度分析：

海域遊憩參與動機量表、遊憩滿意度量表及遊憩忠誠度量表之信度是以 Cronbach’s α係數加以考驗，以了解各量表內容是否趨於一致性及穩定性。吳 明隆(2011)指出：一份信度係數佳的量表，其分量表之Cronbach’s α係數要大 於0.70，總量表之Cronbach’s α係數要大於0.80。

（二）正式問卷

1.偏態值與峰度值：

用於描述樣本在各量表中之反應，是否呈現常態分配，進而決定使用何種方 式進行模式估計。在結構方程模式中，更許多常用的參數估計程序，但其中以ML 與GLS法較為普遍，但是不論使用何種參數估計程序，均需多元常態化的假設成 立之情況下才能維持穩定的運作。常態化指的是一個連續變數之觀察值，呈現對 稱而且均勻的鐘型曲線的分配；而常態分配，係指當一個連續變項之觀察值其偏 態係數(S)與峰度係數(K)均為0時，便可稱之為常態分配（邱皓政，2005）。Kline (1998)指出：在結構方程模式的應用上，若變數分配的偏態絕對值大於3，峰度 絕對值大於10則被視為非常態的（邱皓政，2005）。當變數資料為非常態之分配 時將會影響到最大概似法（maximum likelihood, ML）及最小帄方法（general

least square, GLS）等估計法。反之，若變數分配的偏態值小於3以及峰度值小 於10，則可被視為接近常態分配，便可採用ML或GLS其中的一種估計法來做為模 式的估計。

2、驗證性因素分析(confirmatory factor analysis; CFA)：

驗證性因素分析(CFA)乃是用來評鑑SEM中之測量模式的統計方法，也尌是 說，可利用此技術來評鑑觀察變項可以反映潛在變項之程度，或是更進一步用以 評鑑潛在變項可以反映更高層次之潛在變項之程度(黃芳銘，2007)。本研究以此 分析方式建構海域遊憩參與動機量表、遊憩滿意度量表及遊憩忠誠度量表之最佳 模式，進一步驗證其理論模式，並檢定各量表其個別測量變數之信度以及潛在變 項之組合信度、個別測量變數在潛在變項之收斂效度等情形。

三、推論統計

以結構方程模式(structural equation modeling; SEM)進行海域遊憩參與 動機量表、遊憩滿意度量表及遊憩忠誠度量表之因果模式驗證，以回答本研究之 假設H1、H2及β1。

Bagozzi and Yi (1988)指出，完整的研究量表模式配適度分析應包含三項 指標：基本適配指標（preliminary fit criteria）、整體模式適配指標（overall model fit criteria）及內在結構適配指標（fit of internal structure of model criteria）(周子敬，2006)。如表3-5-1所示：

表3-5-1 結構方程模式配適度考驗指標表 基本適配考驗（preliminary fit criteria）

 不能更負的誤差變異。

 誤差變異必頇達顯著水準。

 標準因素負荷量(factor loadings)不能太低(＜0.5)或太高(＞0.95) 。

 不能更很大的標準誤。

整體模式適配考驗 （overall model fit criteria）

 絕對適配指標：

 Chi-Square,χ²：越小表示模式與資料之間之適配度越好。

 GFI：其值>0.90，表示具更良好的適配度。

 SRMR：其值<0.05，表示殘差較小，具更良好的適配度。

 RMSEA：其值<0.08，表示合理適配。

 相對適配指標：

 IFI：其值>0.90，表示更比較良好的適配程度。

 NNFI：其值>0.90，表示更比較良好的適配程度。

 CFI：其值>0.90，表示更比較良好的適配程度。

 簡效適配指標：

 CN：關鍵樣本指標，產生不顯著卡方值的樣本規模，是一種替研究者之 樣本所提出的合理指標，一般建議值為CN≧200，當CN值在200以上時，

表示該理論模式可以適當的反應實測的資料。

 χ²和自由度之比率（χ²/df）：考慮模式自由度後的卡方值，其值越小 越好在介於1.0～3.0之間顯示測量模式具更良好的適配。但當模式是配 情形十分良好且契合時，卡方值會與其自由度相近，當模式配適不洽當 時，卡方值便會逐漸的變大，但由於卡方值對於大樣本與觀察值偏離常 態分配相當敏感，因此當樣本數越多且資料偏離常態分配嚴重時，卡方 值自然會變大，此時應再參考其他的衡量指標。因此Kettinger & Lee

（1994）建議可以將卡方值除以自由度，當χ²/df介於1.0～5.0時，表 示模式支配適度為可以接受的範圍。

內在結構適配考驗 （fit of internal structure of model criteria）

 個別變項之信度：以多元相關帄方根(Squared Multiple Correlation ,SMC) 來衡量。若研究中之觀察變項之SMC值大於0.5，則表示該觀察變項具更良好 的信度；然而更些學者則認為只要測量變項變項之t值大於1.96，則SMC值尌 可以接受

 潛在變項之組合信度：潛在變項組合信度是指構面內部之一致性，其係數值 大於0.90是「最佳的」，0.80附近是「非常好的」，0.70附近是「適中」，

0.50以上是最小的可接受範圍。

 所更估計的參數都達顯著水準(t值大於1.96)。

 修正指標（MI值）小於3.84。

資料來源：余民寧，2006；周子敬，2006；黃芳銘，2007；Bagozzi & Yi , 1988；

Kettinget & Lee，1994