第三章 研究方法
第五節 資料處理與統計分析
研究者先檢視資料的完整性後，再參照譯碼簿進行編碼和輸入電腦，
建檔後採用 SPSS 15.0 版套裝軟體進行統計分析。依研究目的及變項性 質，應用下列方法進行描述性統計分析和推論性統計分析。
（一）描述性統計分析
描述社會人口學變項、疾病特性、健康素養、醫療決策、氣喘知識、氣 喘態度、氣喘自我效能、接受健康照護之經驗、健康結果的分佈情形，其 中類別變項以次數分配、百分率表示，連續變項以平均值、標準差及最大
47
（二）假設模式驗證分析
本研究主要探討氣喘病人的社會人口學變項(包含年齡、教育程度)、疾 病特性(包含氣喘患病年數、共病數)、健康素養與健康結果(MD1 使用技能、
醫療資源利用、自我管理行為)間的因果關係；並且更進一步探討加入醫療 決策、氣喘知識、氣喘態度、氣喘自我效能、接受健康照護之經驗等中介 變項後，健康素養與健康結果間的因果關係是否仍存在，因此使用結構方 程模式(structural equation modeling, SEM)進行分析。
各項資料先作常態分佈檢定，若是樣本的偏態係數（skew）小於 3 及峰 態係數（kurtosis）小於 8，則符合常態分佈的假設，如果峰態係數大於 20，
表示資料為極端峰態 ( Kline, 1998)。若符合常態分佈，則採用最大概似法 進行估計（Maximum likelihood estimation）。
結構方程模式(Structural equation model, SEM)主要是以模式的方式探討 變項之間的因果關係，以建立理論或驗證理論。其是透過所蒐集到的樣本 對整體模式進行評估，透過特定的估計程序，會產生各項參數的估計值，
更進一步檢驗假設模式與實際資料的適配程度。結構方程模型中主要有兩 個基本的模式：測量模式(measurement model)與結構模式(structural
model ) 。測量模式是由潛在變項(latent variable)與觀察變項(observed variable)組成，以數學上的定義而言，測量模式就是一組觀察變項的線性函 數，主要在探討潛在變項與觀察變項之間的關係；結構模式主要探討潛在
變項間的因果關係。在 SEM 分析模式中，只有測量模式而沒有結構模式的 迴歸關係，則採驗證性因素分析(confirmatory factor analysis, CFA)；如果只 有結構模式而沒有測量模式，則主探討潛在變項間的因果關係，即相當於 傳統的徑路分析( path analysis )。結構方程模式和徑路分析最主要的差別在 於結構方程模式是探討潛在變項間的因果關係，而徑路分析是直接探討觀 察變項間的因果關係。此研究主探討健康素養與健康結果間之關係是直接 效應模式成立（估計健康素養與健康結果之直接關係）或中介效應模式成 立（估計當有其他徑路加入健康素養與健康結果間之徑路時是否會減弱健 康素養對健康結果之直接效應）。
Bollen (1989) 指出 SEM 包括五步驟：形成模式（model specification）、 確認（identification）、估計（estimation）、適配測試（testing fit）及修正模 式（respecification），經由此五步驟會由假設模式產生最終適配模式。
在 SEM 模型的分析步驟上，關於模式適配度的考驗標準，目前有許多 不同的主張，常見的判斷標準包括：
1. 卡方值(χ2)
卡方值(χ2)愈小表示整體模式之因果路徑圖與實際資料愈適配，當χ2 值為 0 時，表示兩者不一致的情形愈小，顯示出假設模式與觀察數據十分 適配。但是卡方值很容易受到估計參數及樣本數影響，如果模式參數愈多，
所需要的樣本數就愈多。當樣本數愈大，則卡方值愈容易達到顯著，導致
49
假設模式遭到拒絕得機率愈大，顯示出假設模式的共變異數矩陣與觀察資 料間是不適配的。
2. 卡方自由度比
當假設模式的估計參數愈多，自由度會變得愈大；而當樣本數愈多，卡 方值也會隨之擴大，而卡方自由度比就是同時考量到卡方值與自由度大小 的指標。卡方自由度比值(χ2 / df)愈小，表示假設模式的共變數矩陣與觀 察資料間愈適配；相反地，卡方自由度比值愈大，表示模式的適配度愈差，
一般而言，卡方自由度比值小於 2 時，表示假設模式的適配度較佳(Carmines
& McIver, 1981)；當模式值大於 2 或 3，較寬鬆的規定值是 5，則表示假設 模式尚無法反映真實觀察資料，也就是表示模式契合度不佳，模式必須改 進。但是因為卡方自由度比使用卡方值作為分子，因此此指標仍然受到樣 本大小的影響。
3. 漸進殘差均方和平方根(root mean square error of approximation；
RMSEA)
RMSEA 為一種適配不佳指標（”badness-of-fit”index），是一種完全不需 要基準線模式的絕對性指標，其值愈小，表示模式的適配度愈佳，通常 RMSEA≦0.05 表示近趨配適，介於 0.05 及 0.08 為合理的近趨誤差，及≧
0.10 為適配不佳，亦即至少要＜0.10 (Browne & Cudeck, 1993) 。 由於 RMSEA 係數不受樣本數大小與模型複雜度的影響，近年來漸受到重視。
4. 適配度指標(goodness-of-fit index, GFI)
用來表示觀察矩陣(S 矩陣)中的變異數與共變數可被複製矩陣( 矩陣)預 測得到的量，GFI 類似於迴歸分析中的 R 平方，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，也就 是假設模式共變異數可以解釋觀察資料共變異數的程度。GFI 數值介於 0 至 1 間，其數值愈接近，表示模式的適配度愈佳；GFI 愈小，表示模式的 契合度愈差，一般的判別標準為 GFI 值如大於.90，表示模式徑路圖與實際 資料有良好的適配度。
5. 調整後適配度指標(adjusted goodness-of-fit index, AGFI)
AGFI 利用假設模式的自由度與模式變項個數之比率來修正 GFI 指標，
因此與 GFI 相比，AGFI 不會受到單位影響，並且同時考量到估計的參數數 目與觀察變項數。AGFI 數值介於 0 至 1 間，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。一般的判別標準為 AGFI 值如大於.90，表示模式徑路圖與實際資料有良好的適配度 (Hu &
Bentler, 1999)。
6. 規準適配指數(normal fit index, NFI)、非規準適配指數(Tacker-Lewis index, TLI)、比較適配指數(comparative fit index, CFI)
此三個指標都是比較性適配指標，一般典型上使用此種標準的基準線模 式(baseline model)是假設所有觀察變項間彼此相互獨立，完全沒有相關（變 項間的共變數假設為 0），此種基準線模式就是「獨立模式」。以上的三種
51
指標是將待檢驗的假設模式與基準線模式的適配度相互比較，以判別模式 的契合度。此三個指標都介於 0 與 1 之間，欲接近 1 表示模式適配度愈佳，
指標值愈小表示模式契合度愈差，而用於判別模式徑路圖與實際資料是否 適配的判別標準均為 0.90 以上。以下分別介紹三個指標：
（1）規準適配指數(normal fit index, NFI)
NFI 指標是用來比較某個所提模式與獨立模式之間的卡方值差距，相 對於該獨立模式卡方值的一種比值
（2）非規準適配指數(Tacker-Lewis index, TLI)
TLI 指標是用來比較兩個對立模式之間的適配程度，或者用來比較所 提模式對獨立模式之間的適配程度。
（3）比較適配指數(comparative fit index, CFI)
CFI 指標是一種改良式的 NFI 指標值，所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(non-centrality parameter)的改 善情形，並且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。
7. CN 值(Critical N,CN)
CN 值為「臨界樣本數」(Critical N)，指的是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 (Hoelter, 1983) 。一般用來判別的標準或是建議值是 CN 值大於等於 200，當 CN 指
標值在 200 以上時，表示該假設模式可以適當的反應實際樣本的資料。
以 P< .05 作為達到統計上的顯著意義，下列為驗證的步驟：
1. 在建構假設模式之前，先以迴歸分析進行自變項與依變項的相關分 析，對於非連續變項會先轉換成「虛擬變項」，挑選其中具顯著相關的變項 配合邏輯推理與實證資料建構一可以考驗之假設模式，繪出一無徑路係數 之徑路圖。徑路圖中之因果關係以箭號表示，箭號所指者為果（依變項或 稱效標變項），箭號起始處為因（自變項或稱預測變項）。此初始之假設模 式包括直接效應模式及間接效應模式，研究者由此模式可以瞭解變項間之 影響途徑（箭頭方向）及影響方向（正負關係）。
2. 為避免迴歸分析時多元共線性問題，可由三個主要數據作判斷，包 括：（1）容忍度（tolerance），容忍度等於 1-R2，其值介於 0 至 1 間，容忍 度值越接近於 0 表示多元共線性問題越嚴重，通常不可<0.1；（2）變異數 膨漲因素（variance inflation factor; VIF），VIF 為容忍度的倒數，VIF 值越 大，表示容忍度值越小，越有多元共線性問題，通常不可>10；（3）條件指 標（condition index; CI 值），CI 值越大，越有多元共線性問題，通常不可
>15，如果在 30 以上，表示有嚴重多元共線性問題（吳明隆， 2006；周文 賢，2002）。
3. 估計徑路係數並考驗其是否顯著，徑路係數即是迴歸方程式中的「標 準化迴歸係數；Beta 值」，進而估計「殘差係數」（residual coefficient），殘
53
差係數為依變項變異量中自變項無法解釋的部份，殘差係數=√1-R2（R2 為決定係數，即是此自變項與其他自變項間的多元相關係數的平方）。
4. 以適配指標評估假設模式，逐步刪除不顯著的徑路，再以迴歸分析 重新計算新模式的徑路係數並考驗其是否顯著。
5. 建立符合適配度之最終適配模式。