第三章 研究方法
3.5 資料分析方法
本研究以自編問卷進行調查，問卷所得樣本資料分析方法主要是採用結 構模式分析法(Structural Equation Modeling, SEM)進行驗證性因素分析，以考
理論基礎所發展出的研究模式，在資料分析前，研究模式就必須能呈現出變 數間的因果關係，再經由資料分析法來驗證這些關係。
所謂結構模式分析(SEM)是一種以迴歸為基礎的多變量統計技術，其目 的在探討潛在變數與潛在變數之間的因果關係，以建立理論或驗證理論。
SEM係使用路徑分析法(path analysis)來分析變數間的因果關係，因此又稱為 因果模式分析技術(causal modeling technique)，其特點如下：
一、 使用路徑分析法來分析研究模式時，模式內的變數只是可以直接觀察測 量的觀察變數(manifest variables)，或是經過因素分析轉換而以因素分數 (factor score)代表的因素；但使用 SEM 分析法時，模式中的變數可以是 觀察變數外，也可以是潛在變數(latent variables)。潛在變數就是模式中 的研究變數，例如本研究模式中(圖 13)的工作特性、組織承諾、工作滿 意等；觀察變數則是測量潛在變數的觀察值。
二、 SEM 比路徑分析法多考慮變數的測量誤差，因此 SEM 可以檢定變數間 的信度(reliability)和效度(validity)。
圖3.2 本研究模式
根據以往學者對因果結構模式分析的建議，在進行研究模式適配度之前 須先獲得可接受之測量模式，亦即必須考慮變數的測量誤差，如此可以避免 產生因不正確的測量模式所造成的混淆結果。因此利用結構模式分析法(SEM) 來進行研究模式分析時，尚必須進行結構模式(structure model)及測量模式 (measurement model)的分析。最後階段則做適配度的評估工作，以驗証整個 研究模式是否與收集資料間無顯著差異。
近年來學術期刊所刊載的實証論文，採用結構模式分析法有明顯增加的 趨勢。部分原因是SEM統計軟體日增的原因，但最主要的原因是SEM可以整 合傳統計量經濟之迴歸分析及心理計量所強調的潛在變數，這些潛在變數亦 可視為多個觀察(manifest)變數間接的推導。
LISREL(LInear Structure RELation)可說是SEM典型代表，它亦是社會科 學各種重要統計法的組合，包括社會學常用的路徑 (path)分析，計量經濟學 常用的聯立方程式及結構方程式，及心理學常用的驗證性因素分析。整體而
言，LISREL比因素分析來得好，且具有模式修正特色。LISREL可克服因素 分析之缺陷，允許將測量誤差納入估計的程序中，因此，測量構念(即測量模 式)的那些變數可以用理論內容(即結構模式)來評估。LISREL的假說比傳統統 計法簡潔扼要，但卻能解決更為錯縱複雜之因果模式。故LISREL可說是一個 極佳的驗證性工具，只要研究模式符合因素分析的表示法，並且實證數據顯 示該模式假說並不違反，任何界定的模式它都能迎刃而解。因此本研究採用 SEM最流行的統計軟體LISREL，除可克服因素分析之缺陷，允許將測量誤差 納入估計的程序外，LISREL的假說亦比傳統統計法簡潔扼要，卻能解決更為 錯綜複雜之因果模式。
結構模式分析的重點在於所有潛在變數，它根據驗證後之測量模式結 果，檢驗整體研究模式是否能儘量與觀察資料之間做適配(model fitness)，以 及模式中各潛在變數間的因果關係(causal effect)。SEM是以結構方程式 (structural equations)來表示潛在變數之間的關係以及潛在變數(latent variables) 與其觀察變數(manifested variables)之間的關係。研究者只要根據理論來設定 研究變數間的關係，即可以使用電腦統計套裝軟體來分析。分析程式主要依 據模式圖(本研究待驗證之結構模式如圖13)來進行撰寫，主要內容包括：(1) 潛在變數與測量變數之間的關係，(2)指定模式中哪些變數估計或固定其變異 數，(3)指定模式中各潛在變數兩兩之間的共變關係。
分析的過程是以研究模式的初始共變相關矩陣Σ(covariance matrix)開 始，反覆計算Σ值直至收斂為止，然後與實際觀察資料所得的共變矩陣S相比 較，檢定其間是否無差異，亦即藉此判斷研究模式是否成立。其假設檢定的 假說如下：
H0: S = Σ，亦即研究模式可以適配觀察所得的資料。
H1: S≠Σ，亦即研究模式不能適配觀察所得的資料。
檢定統計量為χ2之公式如下：
χ2＞(α；
2
1(p＋q)(p＋q＋1)－k)或 p 值＜α 值，則拒絕
H
0 (3.1)χ2＞(α；
2
1(p＋q)(p＋q＋1)－k)或 p 值≥ α 值，則不拒絕
H
0 (3.2)其中：
k = SEM 模式中所須估計之參數個數
1/2(p＋q)(p＋q＋1)=共變數結構分析所構成的方程式個數
自由度df = 1/2(p＋q)(p＋q＋1)－k (3.3) 由以上可知，結構模式分析的假設檢定結果(p-value)須不顯著才表示研 究模式成立。機率估計值大於(等於)0.05表示在5%信心水準下資料與模式之 間沒有顯著差異。
結構模式分析包括兩個階段：
第一個階段為研究模式的適配度分析，此階段的目的是驗證整體研究模 式是否與觀察資料之間無顯著差異，亦即研究模式與資料群之間的適配程度。
有關模式適配度指標的分析，Bagozzi and Yi(1988)認為一個完整的分析 應該包括以下三類指標：(1)基本適配指標(preliminary fit criteria)，(2)內部適 配指標(fit of internal structure of model criteria)，(3)整體適配指標(overal model fit criteria)。其中第一項與第二項主要是評鑑模式中所估算的各項參數是否介 於適當的範圍，且其檢定(如信度、效度)亦須達顯著水準。
評鑑構念效度包括收斂效度和區別效度。構念的同質性(收斂效度)可看 指 標 如 何 能 代 表(present) 構 念 ， 評 鑑 的 方 法 有 無 顯 著 性 檢 定 (test for nonsignificance)( t-值)、線性相關的強度(R2值)、及指標變數的因素負荷量。
另一個重點是區別效度。如果一個指標變數的因素負荷量大於0.5，但橫跨兩 個潛在變數，表示該指標變數沒有區別效度，或是潛在變數間的相關沒有顯 著不同於1.00，也不具有區別效度。相對地，某指標變數的因素負荷量均小 於0.5，表示該指標題目沒有收斂效度，應予以刪除。
在整體適配指標方面，可以再分為：(1)表示就研究模式檢定適配度的一 般模式適配指標(model fit)，如最基本的χ2指標，或平均單位自由度之χ2增量 指標(χ2/degree of freedom)，以及修正後不受樣本大小影響的調整後的適配指 標(Adjusted Goodness- of-Fit Indices; AGFI)等皆是。(2)比較模式適配指標 (model comparison)，與(3)簡要模式適配指標(model parsimony)三種。
參照Bagozzi and Yi【32】、Joreskog and Sorbom【55】的意見，計有十項
指標進行研究模式的適配度評鑑。
一、 卡方檢定(Chi Square test)：適配度分析是以研究模式與觀察資料間無顯 著差異為虛無假設(null hypothesis)進行卡方考驗，因此若模式與資料間 有良好適配度，測量統計量之p-value 應大於.05 的顯著水準。
二、 卡方考驗值與其自由度比值：卡方檢定值與其自由度比值表示在估算模 式時，每使用掉一個自由度所增加的卡方值。這個比值應該愈小愈好，
較嚴謹的研究建議以不大於3 為標準。
三、 適配度指標(Goodness of Fit Indices; GFI)：雖然基本上結構模式分析是以 卡方檢定作為假設檢定之測驗統計量，但是因為卡方統計量本身為樣本 大小(N)的函數，因此易受樣本數的影響。在大樣本時，無論模式是否適 配，皆容易達顯著水準，相對的，在小樣本的時候，情況又正好相反。
有許多研究提出各種修正後的指標來克服這種問題，基本的方式是將自 由度納入考慮，將卡方值轉換為介於0 至 1 之間的指標，分別表示模式 完全不適配到完全適配的不同程度。GFI 指標計算理論與觀察資料共變 矩陣間之變異與共變量，在模式適配時其值應大於0.9。
四、 調整後適配度指標(Adjusted Goodness of Fit Index, AGFI)：如果將 GFI 指標以模式自由度及其相對的變數個數比值加以調整，即可得更為穩定 的AGFI 指標，其適配值須大於 0.9【34】。
五、 Bentler and Bonnett(1980)的基準適配度指標(Normed Fit Index, NFI)：NFI 是以虛無模式(null model)作為基準所推導出的指標，其適配值須大於 0.9。
六、 Bentler and Bonnett(1980)的非基準適配度指標(Non-normed Fit Index, NNFI)：NNFI 是在考量樣本大小的情況下，對χ2 作轉換所推導出的指 標，其適配值須大於0.9。
七、 McDonald(1989)的中樞性(centrality)：當研究模式有很強的理論支持時，
中樞性可用於驗證研究模式和觀察資料的適配度，其適配值須大於0.9。
八、 Bentler(1990)的比較適配度指標(Comparative Fit Index,CFI)：CFI 將 NFI 加以修改，具備了更穩定的特性，其適配值須大於0.9。
九、 殘差均方根(Root Mean Square Residual, RMR)：RMR 計算觀察與估算間 之差異，其值須小於0.05。
十、 漸近誤差均方根(Root Mean Square Error of Approximation, RMSEA)：計 算觀察與估算間之差異，其值須小於0.05。
第二階段是研究模式各變數間的因果分析，主要在確認研究模式各變數 間的影響效果是否顯著，以及效果的大小。