資料分析方法

問卷回收之後，主要以SPSS作為統計分析工具。描述統計部分，主要在描述樣 本特性，以及其特性分佈狀況。本研究問卷發放回收整理之後，採用SPSS10.0中文 視窗統計套裝軟體作為資料分析工具，並基於研究目的、研究架構與考量問項特性，

使用項目分析、信度分析、描述統計分析、Pearson相關分析、單因子變異數分析等 方法加以分析，分別說明如下。

量 表 信 度 分 析 (reliability analysis) 指 的 是 該 量 表 測 量 結 果 的 穩 定 性 (stability)與一致性(consistency)。所謂信度，也可以稱作可靠度，指的是一份 量表所測得之分數，其本身可信度或者穩定性。以打靶來說，指的是每一次中靶的 位置都很靠近，所以同樣一群受測者在同一份量表多次填答的結果如有一致性，就 表示該量表擁有較高的信度，但多次填答需要要求受測者是在相同的環境之下進 行，以避免來自環境本身之影響。

一般常用的信度檢驗方法『cronbach α』係數、『折半信度』(split-half

reliability)、再測信度(test-retest reliability)等等。信度一般可以分為兩大 類，其一為『外在信度』(external reliability)，其二為『內在信度』(internal reliability)。外在信度通常指不同時間測量時，該量表一致性的程度，如再測信 度就是外在信度最常使用的考驗方法。在多選項量表中(multiple item scales)，

內在信度顯得特別重要，理由是在於內在信度指的是每一個量表是否測量單一概 念，同時，要檢驗組成該量表題項的內部一致性情形。Bryman和Gramer(1997)認為 內部信度α係數在0.8以上，則表示此量表有高的信度。另外，因素分析完畢之後，

各個構念構面的內在信度α係數，通常會比總量表的信度α係數來的小。Gay(1992) 則認為任何測驗或量表的信度係數要達到0.9以上，才能將該測驗或問卷視為具有高 信度。也有學者（Devellis,1991）是認為只要信度係數值大於0.7，就可以接受。

所以，綜合上述所言，信度達到0.8以上才能算好。不過，有時依照量表的目的 與性質，也能接受信度在0.5到0.7之間的狀況，但如果該量表測量之目的是在比較 個別受測者能力或看法之差異，則要求更高的信度。吳明隆(2003)則認為研究者所 呈現的統計資料，不應只呈現全部量表之信度係數大小，而是應該將其中的分量表 信度係數，一併加以呈現，如果一個測驗或量表，包含了幾個小測驗，則這些小測 驗的信度也要加以考驗。

前測部分，由於受限於樣本數有限，無法採用項目分析方式，檢視題項之鑑別 度，故僅採用『內部一致性』作為篩題標準，待得回收正式問卷之後，採用項目分 析方式加以檢驗。

採用『內部一致性』作為篩題標準時，應考量以下標準：先檢視『題項-總分』

之項目總相關值(item-total correlation)，若總相關值偏低或呈現負值，則考慮 刪除該題項，而其最低門檻，有的研究者認為是0.3。而汪在莒(2000)則認為一般刪 題標準是總相關值小於0.4。而後，進一步檢視若刪除該題項，所能提升的α係數值 (α if item deleted)，若刪除該題項產生量表信度上升的效果，則可刪除該題。

項目分析的主要目的在於求出問卷個別題項的決斷值(CR值)，而將未達顯著水 準的題項加以刪除，故能提升測驗題項之品質，進一步提升測驗或問卷的信度與校

度。其分析順序一般分為三個步驟。首先進行『遺漏值檢驗』，再來進行『偏態分析』， 最後則是『內部一致性效標分析』。遺漏值檢驗主要用意在檢測受測者是不是會抗拒 或者無法回答某個題項，而導致遺漏值的發生。一般而言，過多的遺漏值就表示該 題項不宜採用，應予刪除。偏態分析主要在於瞭解題項本身的難易程度，若產生偏 態現象，則該題項不容易測量出受測者之間的個別差異程度。內部一致性效標分析 則是檢定各個題項是否具備鑑別力，故需將所得資料加以分組，一般將所有受測者 得分加總，以高低排列，找出得分前27％作為高分組，得分後27％者為低分組。而 後進行各題項之高低分組平均數的T考驗或F考驗，若達到顯著水準(P<0.05)，則表 示該題項具有區別高低分組的效果，也就是具有『鑑別力』，應加以保留。而吳明隆 (2003)進一步指出，要判別T值或F值是否達顯著，除了上述方式之外，也可以差異 值之95％信賴區間(95％ confidence interval of the difference)加以判斷，如 果差異值之95％信賴區間不包含0在內，則表示高低分組差異達到顯著，該題項也要 加以保留。

接著，需要確認該研究所使用之問卷工具是否可以測出所欲測量的概念，而用 以檢視構成問卷的概念的手段就是效度。根據 Ronald 和 Smith(1991)的說法，效度 就是研究者測量出其所欲測量內容的程度。此外，Babbie(1995)則認為效度涉及一 個實證測量的範圍，其能正確反映研究所思考的概念之真實意義。另一方面效度也 可以叫做正確性，所以指的是一份量表可以真正測量到研究者所要測量的概念或觀 念，也就是要能夠達到測量目的的量表才能算是有效，以打靶來說，所謂效度就是 能不能命中靶心。

一般而言，效度可以分成三種類型，分別是『表面效度與內容效度』(face and content validity) 、『 同 時 效 度 與 預 測 效 度 』 (concurrent and predictive validity)、『建構效度』(construct validity)，逐項說明於下。

『表面效度』指的是這個問卷看上去，是否合乎測驗的目的，而非這個測驗是 否確實恰當，也就是說問卷中的每一個問題或題項必須與目的具有邏輯上的連結。

表面效度與內容效度不同，主要在於表面效度涉及問卷內容，對於使用該問卷所做

出的決策，其表面上的相關程度，而不是問卷內容能否證明與問題的決策有關連。

但是，也不能因此就忽略了表面效度，因為，如果一份問卷看上去與所使用的目的 似乎不相干，可能會削弱其實際的使用。

『內容效度』包括對內容範圍的邏輯分析，以及在實務中題目將如何運作的統 計分析。對內容範圍的邏輯分析就是指所有題項必須涵蓋所欲測量的議題或態度的 所有範疇。問卷題目最後的選擇將根據這些分析結果來確定，且藉由施測過程中，

從內容範疇選擇有代表性的題目，把內容效度置於問卷之中。『同時效度』指以該測 量工具與另一種同時進行的測量工具一起加以比較，視該工具結果如何作為判斷標 準。『預測效度』則指以該工具所能預測結果的程度作為判斷依據。

建構效度則是根據『概念』或『構念』分析問卷分數的意義。建構效度的評估，

如 Hood 和 Johnson(2002) 所 提 ， 共 計 四 種 方 式 ， 分 為 收 斂 效 度 (convergent validity)、發散效度(divergent validity)、內部一致性(internal consistency)、

處理效度(treatment validity)。收斂效度指的是某一個測驗的分數與測量同一構 念的其他測驗分數之間的相似性程度。發散效度指某一測驗分數與已知的測量無關 構念的測驗分數間沒有相關性的程度。內部一致性則指測驗題目或來自分量表題目 相互之間以及問卷總分或分量表總分之間的相關程度。處理效度則指問卷結果對個 人進行決策的相關程度。綜合上述，本研究主要採用建構效度檢驗本研究所採行工 具之效度。

接著進行研究架構之徑路分析(path analysis)。徑路分析乃是利用迴歸分析的 方法，將之應用於變項之間因果關係探討的一種重要統計方法。徑路係數，即是指 迴歸分析中所估計得到的標準化迴歸係數。然而，徑路分析本身並不是一個發現或 者驗證因果關係的統計方法，這個方法是研究者經由理論的建構或者考量之後，應 用在因果模式建立的一種方式。言下之意就是若要使用徑路分析，則研究者必須先 有嚴謹的理論架構作為基礎，以此形成假設性的因果模式，之後，才可以使用徑路 分析來檢定假設的正確性。所以 MacDonald(1977)指出『如果因果模式並不是正確 的模式，使用徑路分析也可以得到參數估計值，但此時沒有任何警鈴會響起』。

在多元迴歸分析中，逐步迴歸方式(stepwise)，是運用甚為廣泛的複迴歸方法 之一，同時結合了順向選擇法與反向剔除法的優點，複迴歸分析中，強迫輸入法也 是一種常見的方法，乃是強迫所有變數依照研究者的本身的重要順序，逐次有順序 的進入迴歸方程式中，本研究並沒有這樣的前提假設，是以僅採用逐步迴歸方式加 以分析。

在多元迴歸分析中，要特別留意『共線性』的問題，共線性指的就是由於自變 項之間的相關性太高，導致迴歸模式中的參數不能完全的被估計出來，一般用以檢 視自變項間有無共線性問題的方式，其一可以看 R 平方值的大小，R 平方值(介於 0 到 1 間)是該自變數與其他自變數間的多元相關係數之平方值，若 R 平方值過大，

表示模式中的其他變數可以有效的解釋這個變數，而造成對該變數而言的迴歸係數 估計值，產生不穩定的現象。其二，則可檢視 VIF 值大小，VIF 值即『變異數波動 因素』(variance inflation factor)，是(1-R 平方)的倒數，當 VIF 值越大，表示 該變數與其他變數間的共線性問題越加嚴重，通常若 VTF 值>10，即表示共線問題嚴 重，將造成迴歸模型的不穩定現象。