資料處理與分析

預計本研究問卷回收後，先檢視問卷填答情形並剔除無效問卷後進行編碼，

經由資料整理登錄後，以統計軟體 SPSS12.0 來進行資料處理與分析，藉由分析 值實證資料進行研究假設之驗證，主要採用之統計方法分述如下：

35

一、 描述性統計

將樣本以次數分配、百分比分析台東地區護理人員之個人背景與基本資料，

以及各構面的現況分析，並使用平均數、標準差、次數分配和百分比等統計量來 描述資料分佈情形，進行分析工作壓力、休閒調適策略與職業倦怠之關係。

二、 信度分析

信度分析是檢測問卷內部之一致性與穩定性。就每一變項內所包含的構面，

進行內部一致性信度(Cronbach's α)分析，α值愈大表示內部的一致性愈高。α 係 數介於0 與 1 之間，數值越接近 1，表示其可信度越高。學者 Nunnally (1978)認 為α 係數值等於 0.7 是略低，但為可接受的量表邊界值；陳順宇（2005）認為 α 值須大於0.7，但是大於 0.6 仍在可接受範圍內。

三、 變異數分析與t 檢定

對於樣本之基本資料在工作壓力、休閒調適策略與職業倦怠等構面之差異性檢定，

使用變異數分析與獨立樣本t 檢定，來比較是否有顯著差異。變異數分析可處理 兩個以上的平均數考驗，當達到顯著差異時，變異數分析可以經由 Post Hoc 檢 定，得知詳細差異為何。t 檢定則是由平均數高低即可得知差異，了解樣本在依 變數上的平均高低是否會因自變項不同而有所差異。本研究以獨立樣本 t 檢定

（性別、在職進修）和變異數分析（年齡、婚姻狀況、教育程度、從事護理工作 年資、職稱、服務單位）不同人口統計變數是否有顯著差異，藉以檢定本研究所 建立的假設是否成立。

四、皮爾森相關分析

皮爾森相關分析(Pearson correlation)用於探討兩連續變數(X, Y)之間的線性 相關，若兩變數之間的相關係數絕對值較大，則表示彼此相互共變的程度較大。

相關係數主要是告訴我們變項間的相關程度高或低，並沒有檢定「自變項」對「依 變項」影響，因此得到的相關係數（r 值）只能說明這兩個變項間是正相關、負 相關，或者是無關。不能解讀為自變項對依變項的影響。在相關係數解讀上，正 負表示的是相關的方向，而非相關的程度。R 值相關程度之高低，在正負 0.3 之 間（即0.3 至-0.3 之間）稱為低度相關；在正負 0.3-0.6 之間（即指介於 0.3 至 0.6，

-0.3 至-0.6 之間）稱為中度相關；而在正負 0.6 至 0.9 之間（即指在 0.6 至 0.9，-0.6 至-0.9 之間）則稱為高度相關；若是 R 值為正負 1，即表示完全相關。

36

五、迴歸分析

迴歸分析(Regression Analysis)可以分為簡單迴歸和複迴歸(多元迴歸)，簡 單迴歸是用來探討1 個依變數和 1 個自變數的關係，複迴歸(多元迴歸)是用來 探討 1 個依變數和多個自變數的關係，迴歸分析經常用在解釋和預測二大方 面，有關解釋方面，我們可以從取得的樣本，計算出迴歸的方程式，再透過迴 歸的方程式得知每個自變數對依變數的影響力(貢獻)，當然也可以找出最大的 影響變數，以進行統計上和管理意涵的解釋。有關預測方面，由於迴歸方程式 是線性關係，我們可以估算自變數的變動，會帶給依變數的多大改變，因此，

我們使用迴歸分析來預測未來的變動。

37