第三章 研究方法
第四節 資料分析方法
一、信效度
「信度」是指所用的測量工具所衡量出來的結果之穩定性及一致性。
而衡量信度的值是以 Cronbach's α 值來進行判定，Cronbach's α 值是介於 0-1 之間的數值，當 Cronbach's α 值越高時，則表示信度越高。一般而言，
當Cronbach's α 值高於 0.9 時，則具有高信度，α 值介於 0.5 到 0.7 之間時，
表示還可以接受(表 3.1)( 吳明隆，2011；Whati, Senekal, Steyn, Nel, Lombard, and Norris, 2005)。
表3.1 信度範圍與可信賴程度表
信度範圍 可信賴程度
0.90＜Cronbach’s α 十分可信 0.70＜Cronbach’s α≦0.90 很可信 0.50＜Cronbach’s α≦0.70 可信 0.40＜Cronbach’s α≦0.50 尚可信 0.30＜Cronbach’s α≦0.40 勉強可信
Cronbach’s α ≦ 0.30 不可信 資料來源：吳明隆(2011)
效度是指測量資料的正確性，指一份問卷能真正測量到所要測量的能 力或程度，也就是要達到測量的目的才算是有效的測驗，此種有效的程度 即為效度，當效度越高， 抽樣設計的正確性與精確性也就越好(邱皓政，
2011)。在本研究中，主要是以使用內容效度來檢定問卷內容的適切性，內 容效度(Content validity)是指量表內容的適切性，即量表內容是否涵蓋所要 衡量的構念，其判斷方法為：(1)衡量工具是否可以真正衡量到研究者所要
衡量的變數；(2)衡量工具是否涵蓋了所要衡量的變數。本問卷內容乃由文 獻整理以及經過相關領域學者研擬而成，且依研究的程序設計問卷，因此 應具有相當的內容效度。在問卷初稿設計完成之後，本研究並將問卷進行 前測及加以修正，以使問卷內容更具完整性及使題意清楚明瞭(吳明隆，
2011)。
二、敘述性統計
統計資料(Statistical data)是指在某個特定的時間和空間中，依資料的特 性，加以計數(count)或測量(measure)所欲研究的全部個體或樣本所得的資 料。在統計資料收集完之後，通常只是一堆雜亂無章的數字資料，因此必 須加以整理簡化，使其所蘊含的特值得以顯現。而統計表與統計圖的目的 則是提供一套有系統、條理性的方式，表現出資料的主要內容及特性，以 供研究者迅速瞭解樣本結構(徐世輝，2009)。
因此在本研究中利用敘述性統計方式，針對所欲研究對象之受訪者基 本資料與背景進行分析，其中包含：填表者性別、年齡、教育程度、現任 職務、服務年資、服務學校性質、服務學校所在地以及服務學校規模等，
依據次數分配、百分比等統計數值，瞭解資料分佈情形。
三、t 檢定
t 檢定是指當自變項是類別變項(nominal scale)，依變項是等距(interval scale)時使用，但是僅是用於自變項只有兩類的變項中。在本研究中是採用 獨立樣本T 檢定，分析男、女性填卷者是否對衡量題項有認知差異。獨立 樣本T 檢定主要是用來檢測兩組分別來自不同母體之樣本，其母體之平均 值或中位數是否有差異，其檢定公式可分為兩方面討論，如下(徐世輝，
2009)：
當 與12 均未知，但22 12 22 2時，其檢定統計值
1 2 採One-way ANOVA，進行探討不同衡量變數在各研究構面之因素是否存 在顯著差異；如果有達顯著差異，則需進行事後檢定(Post Hoc)，再進一步 瞭解各構面的差異程度(吳明隆，2011)。
五、結構方程模式
SEM 之基本模式檢定了測量變數間之關係、測量變數與潛在因素間之 關係及潛在因素間因果關係。因此，SEM 可區分為測量模式(measurement model)與結構模式(structural model)二部分。測量模式為反應測量變數間之 關係式與測量變數與潛在因素間之關係式檢定模型。因素分析假設測量變 數間具有某種程度的共同內涵，亦即潛在因素可用測量變數加以建構。結 構模式為反應潛在因素間之關係式檢定模式，又稱潛在因素模式。此模型
類似路徑分析，但異於路徑分析。路徑分析僅能檢驗單向之因果關係。結 構模式則探討潛在因素間之單向與雙向之因果關係。
在 SEM 中，變數有兩種基本型態，即測量變數與潛在因素。測量變 數(measured variables)係指可直接經由測量或觀察而得之變數，故又稱顯性 變數。測量變數為 SEM 中真正用於分析與計算之基本元素。潛在因素係 指無法直接觀察而得，需透過測量變數所推估之變數。變數亦可進一步區 分為外衍變數(exogenous)與內衍變數(endogenous)。外衍變數又稱自變數 (independent)，係指模式當中不受任何變數影響但卻能影響其他變數之變 數。內衍變數又稱應變數(dependent)，係指會受任何一個其他變數影響之 變數。因此，在 SEM 之變數共可區分成為外衍測量變數、內衍測量變數、
外衍潛在因素及內衍潛在因素等四種類型。
Byrne(2005)指出在 SEM 典範中，驗證性因素分析(Confirmatory Factor Analysis；CFA)經常被獨立使用，視為是結構方程模式之一種特例。驗證 性因素分析具有理論檢驗與確認之功能。CFA 必須具備特定之理論觀點或 概念架構以作為其基礎，藉由數學程序來確認該理論觀點所導出之計量模 型是否確實。一階驗證性因素分析(First-order CFA)檢驗測量變數與潛在因 素之假設關係，係為 SEM 之根基，其中一種基本之結構方程模式模型如 下圖3.2 所示：
圖3. 2 基本結構方程模式 資料來源：Byrne(2005)
SEM 之檢定主要區分為模型理論性發展及模型估計評鑑兩階段。結構 方程模式之概念架構彙總如圖3.3：
圖3. 3 結構方程模式之概念構架
階段一：模型理論性發展
模式建構是根據觀察變量的基本因果關係建立具體的模式。這就需要 清晰地說明變量間的因果聯繫，透過路徑圖的方式，對變量間假定的因果 聯繫予以描述。模式的建立必須以正確的理論為基礎，如果某一路徑缺乏 理論依據，則它無法正確解釋變量間的因果聯繫。模式識別的判定模式形 成的重要階段是判定模式能否被識別。要能識別某個模式，就需要說明線 性方程的各個系統參數。這些系統參數可根據觀察變項所提供的資訊進行 估計(Everitt & Dunn, 2001)。
階段二：估計與檢驗
模式估計把統計模式與觀察數據相擬合。根據研究的需要，選用適當 的指標來檢定模式與數據的擬合程度。由於對觀察變項的分佈和屬性所作 的假設不同，因而擬定的規則與估計方法也有所差異(Bollen, 1989；
Joreskog & Sorbom, 1993)。模式檢驗對於一個模式，只要它滿足模式識別 的基本條件，就可以對該模式與數據進行檢驗。模式的檢驗可採用多種指 標(Bentler, 1990)，根據不同的目的選用不同的適配指標加以檢驗。但模式 適配度只表示模式與觀察數據的一致性程度。
在 SEM 中，共有下列幾種方法進行參數估計：工具性變項方法 (Instrumental Variable Method, IV)、二階段最小平方法(Two-Stage Least Squares, TSLS)、未加權最小平方法(Unweighted Least Squares, ULS)、最大 概似法(Maximum Likelihood ML)、一般化最小平方法(Generalized Least Squares, GLS)、橢圓分配理論法(Elliptical Distribution Theory, EDT)或漸進 分配自由法(Asymptotic Distribution Free, ADF)。一般而言，在參數估計方 面，多採行最大概似法(ML)用以估計各參數值，其原因為此方法乃是一種 有效率的不偏估計法(邱皓政，2003)；另外，進行參數估計時，樣本數至 少大於200 以上，因為樣本數太少可能導致無法收斂或得到不當解，但如
合度指標會變得不佳(李茂能，2006)。
依據理論建立適當之假設模型後，進入 SEM 分析運轉之核心程序，
即參數估計。參數估計乃運用變數本身之變異量與變數間之共變異量進行 估計，將參數估計值與標準誤相除之統計檢定值(t 值)檢定其參數之顯著 性。若 t 值呈現顯著，則表示用以檢驗之假說成立。並根據模式估計結果 檢定因果模式路徑圖之配適度(goodness of fit)。本研究參數估計之方法為 最大概似法(Maximum likelihood)，其函數式如下：
FML log logS tr S( 1)p (3) 其中變數之定義如下：
Σ 為變異數共變異數矩陣；
S 為實際觀察資料所得的 X 與 Y 變項之 p* q 階共變異矩陣；
tr 為矩陣中對角線元素的總合 p 為測量變數之各數。
關於模式配適度檢定方面，可區分為整體模式、測量模式與結構模式 等 3 種檢定。一般而言，必須在整體模式逹到配適時，才進一步進行測量 模式與結構模式之檢定。在模式適配度評鑑標準方面，依據 Bagozzi and Yi(1988)之建議，本研究將由基本適配標準(preliminary fit creteria)、整體模 式適配度(overall model fit)及模式內在結構適配度(fit of internal structure of model)三方面進行評鑑。根據 Bagozzi and Yi(1988)所提出之結構方程模式 的基本配適度標準，不能有負的誤差變異；誤差變異必須達顯著水準；不 能有很大的標準誤等三項標準。若分析結果違反了上述指標，意即該模式 可能有細微誤差、辨認問題或輸入有誤。本研究依此三個標準進行模式基 本配適度的檢測工作。整體模式之檢定主要有卡方考驗、模型契合指標、
替代指標及殘差分析指標等4 種檢定。
(一)卡方考驗 1. 卡方值(χ2)
卡方值為整體模式配適度最基本與最常用之檢定法則。當卡方值越小，
表示其整體模式配適度越佳。
2. 卡方自由度比
卡方自由度比越小，表示模型契合度越高。一般而言，卡方自由度比以 3 做為判斷基準。
(二)模型契合指標
1. 契合度指數(Goodness of Fit Index; GFI)
契合度指數類似於迴歸分析中之可解釋變異量(R2)。GFI 值域介於 0 與 1 之間。當GFI 之係數值越接近 1，顯示模型契合度越高。
2. 調整後之契合度指數(Adjusted GFI; AGFI)
調整後之契合度指數類似於迴歸分析中之調整後可解釋變異量。當AGFI 之係數值越接近1，表示其模型之契合度越高。
3. 基準契合度指數(Normed Fit Index; NFI)
基準契合度指數反應假設模型與獨立模型的差異程度。NFI 可視為假設 模型相對於最糟糕模型之改善情形。當 NFI 之係數值越接近 1，表示模 型契合度越高。
4. 增量契合度指數(Incremental Fit Index; IFI)
增量契合度指數進一步處理 NNFI 波動之問題與樣本大小對 NFI 之影 響。當 IFI 之係數值越接近 1，表示模型契合度越高。
(三)替代指標
1. 平均概似平方誤根係數(Root Mean Square Error of Approximation;
RMSEA)
平均概似平方誤根係數比較假設模型與完美契合模型之差距程度。
2. 比較契合指標(Comparative-Fit Index; CFI)
比較契合指標反應考慮假設模型與中央卡方分配之離散性下，假設模型 與獨立模型之差異程度。CFI 指數越接近 1 越理想，顯示能有效改善非
比較契合指標反應考慮假設模型與中央卡方分配之離散性下，假設模型 與獨立模型之差異程度。CFI 指數越接近 1 越理想，顯示能有效改善非