資料分析方法

一個量表是否能正式測量研究主題真正想要的特性，乃取決於量表之效度；而量表

各項目是否能測量相同的特性(一致性)，則決定於量表之信度。故通常一個好的測量工 具，其信度通常介於合理的範圍之內，因此在問卷設計之前，需先對信度的內容與測量 方式進行瞭解。而在後續驗證分析上，本研究會應用到結構方程模式，因此將相關分析 方法陳述如下。

3.4.1 驗證型因素分析

探索性因素分析與驗證型因素分析最大的不同，在於測量的理論架構(因素結構)在 分析過程中所扮演的角色與檢驗時機。對於探索性因素分析而言，測量變項的理論架構 是因素分析的產物，因素結構是從一組獨立的測量指標或題目間，以數學程序與研究者 主觀判斷所決定一個具有計量合理性與理論適切性的結構，並以該結構代表所測量的概 念內容，換句話說，理論架構的出現在探索性因素分析是一個事後(posterior)的概念；相 對之下，驗證型因素分析的進行則必須有特定的理論觀點或概念架構作為基礎，然後藉 由數學程序來確認該理論觀點所導出的計量模型是否確實、適當，換句話說，理論架構 對於驗證型因素分析的影響適於分析之前發生的，計量模型具有理論的先驗性，其作用 是一種事前(priori)的概念。

驗證型因素分析的執行可以分成兩個步驟，第一個步驟是發展假設模型(hypothetic model)。也就是針對測量的題目的潛在結構關係，基於特定的理論基礎或是先期的假 設，提出一個有待檢驗的因素結構模式，也就是要建立一套假設的測量模型。第二步驟 是進行模式的辨識，也就是將研究者所欲檢驗的測量模型，轉換成符合結構方程模式分 析的模型，以便利用統計軟體來進行分析。此一步驟的完成，必須非常謹慎的計算模型 的辨識性，以避免結構方程模式執行失敗。

在驗證型因素分析當中，模型修飾多從三個方向來進行，第一是個題目與潛在變項 (因素)之間的關係的確認。檢測個別的題目是否如同假設般的受到特定因素的影響，或 者是受到其他的因素影響，甚至於是否受到多個因素共同的影響。第二是從測量殘差的 修正來著手進行模型修飾，也就是利用測量誤差間相關性，來檢視測量模型的契合度。

第三是從因素間的相關情形來檢驗整理測量模型的契合度。

3.4.2 信度分析

所謂信度(Reliability)分析用來測試問卷的穩定性，一個測量工具具有信度即表示受 訪者在回答相同或類似問題時，具有一致性或穩定性。使用態度量表作為量測工具時，

因同一態度量表內通常包含若干項目，而這些項目應衡量相同的態度，故各項目之間應 具有一致性，亦即量表中各問項具有內部一致性(internal consistency)或內部同質性 (internal consistency)，因此 Cronbach’s α係數則可以反應每個構念內問項的一致性。

Cronbach’s α係數檢定方法公式如下：

)

Cronbach’s α係數之大小以及所代表的可信程度，根據不同研究性質，須達到最低 之水準，而Bogozzi and Yi[46]採較低標準準則，認為信度在 0.6 以上，表示構面的信度 良好，此觀點與學者Diamantopoulos and Siguaw[47]所題的論點相同。本研究在信度分 析將採用Cronbach's α 係數來衡量問卷的一致性，至於α係數要達到多少才認為其有信 度，本研究根據Bogozzi and Yi(1988)所提出之 0.6 為判別標準，當 Cronbach's α大於 0.6 即為可信。

3.4.3 結構方程模式

結構方程模式(Structural Equation Modeling, SEM)主要由兩個部分所構成，一是結構 模式(structural model)，其是用表示潛在變項之間的關係；另一是測量模式(measurement model)，用來表示測量指標及潛在變項之間的關係。

在建構效度考驗上，研究者通常是採取探索性因素分析(exploratory factor analysis, EFA)，然而假使有合理的模式結構假設存在時，就可以採用驗證性因素分析(confirmatory factor analysis, CFA)以檢驗所假設之模式，近年來在量化研究中，學者多採用統計軟體 進行驗證性因素分析。

一般的研究通常採用最大概似法(Maximum Likelihood, ML)進行的參數估計，而使 用最大概似法需假設觀察變數是呈多變量常態分配，其樣本要求需在100 至 400。

(三) 將部分已知的結構參數加以改變

1. 改變潛在內衍變項與潛在外衍變項的路徑參數之固定與自由估計狀態。

2. 改變潛在外衍變項之間的共變估計狀態。

3. 改變干擾項之間的共變估計狀態。

至於線性結構方程式模式評估的方法，可分為測量模式與結構方程式的評估，與整 體模式適合度的評估兩大部分，其內容分述如下；

(一) 測量模式與結構方程式的評估

一個研究模式的良好測量模式，必須滿足兩件事：首先，研究模式中各觀察變數必 須能正確測量各潛在變數；其次，同一觀察變數不能對於不同的潛在變數都產生顯著的 負荷量，可用的指標有四個相關內容與檢定方式如下所述：

1. 觀察變數之個別信度(individual item reliability)

個別項目的信度是各觀察變數對其潛在變數的因素負荷量的平方值，應達 0.5 以 上為佳。

2. 潛在變數的組成信度(composite reliability)

潛在變數的組成信度是其所有的觀察變數之信度組成，其值建議為 0.6 以上。若 潛在變數之組成信度愈高，則表示其觀察變數愈能測出該潛在變數。

3. 估計參數的顯著水準

該指標是指檢定觀察變數對該潛在變數的因素負荷量(factor loading)是否達到顯 著水準，它是一個標準化值，假如t-value 的絕對值大於 1.96 時，則代表在信心水準 為95％下，因素負荷量是顯著的。

4. 標準化殘差

當殘差愈小時，表示該測量所得到之模式愈接近實際觀測值，若測量模式有良好 的適配度，其值應呈現常態分配的分佈並且其絕對值小於2.58。

(二) 整體模式適合度的評估

常見的結構方程模式適配度指標有相當多項，而在這些指標中又以(χ²)及(χ²/df) 最為重要，通常在結構方程模式統計分析後，最先要看這兩個指標。以下就分別敘述各 種指標之內容。

1. 卡方檢定(χ² 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，測驗統計量之p-value 應大於 0.05 的顯著水準。χ²值越大表示模式的適配度越差。反之，若χ²值越小表示模式的適配

度越佳。然而，卡方檢定受樣本影響，因此Rigdon[48]建議除了卡方檢定之外，還必 須觀測其他指標。

2. 適配度指標(goodness of fit index，GFI)

Tanaka 與 Huba[49]提出之 GFI 值為量測適合度之指標。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 值與樣本數無關，其對偏離常態分配具穩健性(Robustness)，

GFI 值介於 0 至 1 之間，當值越大(越接近 1)時，表示模式適合度不錯。GFI 指標 計算理論與觀察資料共變矩陣之間變異與共變量。

3. 調整後適配度指標( Adjusted goodness of fit index，AGFI)

調整後適配度指標類似迴歸分析當中的調整後可解釋變異量。當參數愈多時，

AGFI 值也愈大，愈有利於得到理想的契合結論。一個能夠契合觀察資料的結構方程 模型，其GFI 與 AGFI 都會非常接近 1(Hu and Bentler, 1999)[50]。

4. 殘差均方根(Root Mean Square Residual，RMSR)

RMSR 是適配殘差變異-共變數的平均值的平方根，反映的是觀測資料的變異-共 變數與推估的變異-共變數的殘差大小，可用來評估同一組資料的兩個不同模式擬合 的情形，RMSR 值越小表示模式適合度越佳，一般而言 RMSR 需小於 0.05 方可接 受。

除了上述指標外，還有 NCP(rescaled noncentrality parameter)、MDN(McDonald＇s transformation of the noncentrality parameter)、TLI(Tucker-Lewis index)和 RNI(relative noncentrality index)等指標可做為整體模式適合度的評估之參考依據。