資料處理方法

本研究將有效問卷資料建入SPSS20 統計套裝軟體內，並採用 SPSS20 與AMOS20 統計套裝軟體進行實證資料分析，為達研究目的需求，本研究 所要進行的資料分析有五大部分，第一部分為問卷預試分析，第二部分為 樣本特徵分析，第三部分為驗證性因素分析，第四部分為現況分析，第五 部分為結構方程模型分析，以下茲就各步驟逐一詳細說明：

一、問卷預試分析

預試的主要目的是了解研究人員所設計的問卷，是否有語意不清，容 易引起誤解，或難以理解無法回答，或問卷中有錯別字，避免讓受測者誤 會詞義或認為問卷不嚴謹，甚至是問卷排版是否不當等問題（張偉豪，2011）。

除此之外，問卷預試還有一個更重要的目的是希望藉由預試問卷的分析，

以了解問卷是否具鑑別力，亦即問卷是否能產生足夠的變異，以供事後的 統計分析。問卷預試的分析方法採用項目分析（item analysis）又稱為題項 鑑別力分析，項目分析主要就量表中的每一個題目為對象，逐題分析其可 用程度，信度與效度是測驗的兩項重要特徵，這兩項特徵需視題目品質優 劣而定，而題目品質可透過項目分析來提高（郭生玉，1987）。李克特（Likert）

量表題目品質的分析可採用以下兩種方法：

1. 極端組比較法

極端組比較可作為 Likert 量表鑑別力的指標，主要目的在於求出問卷 個別題項之決斷（CR）值，以便將未達顯著水準的題項刪除，可事先刪除 不具鑑別力的題目以提高問卷的效度。此方法主要是把題目分成高分群與 低分群，高低分組的分類依據Kelley（1939）及 Cureton（1957）的建議，

以27 分位數及 73 分位數作為區分，比較該構面的所有題目分組平均數是 否有所差異，如果高低分組的t 檢定平均數達顯著差異，表示高低分組平 均數有所不同，沒有產生受測者回答過度集中的現象，表示該題目具有鑑

51

別力應予以保留。反之，若分析結果不顯著，表示高低分組沒有不同，該 題將予以刪除以精簡問卷的題目（張偉豪，2011）。

2. 同質性檢驗法

同質性檢驗也稱為內部一致性檢驗，其檢驗方法有二：一為求出量表 各題目與量表總分之積差相關係數，如果積差相關係數越高，表示該量表 題目在測量某一態度或行為特質上，與量表其他題目所要測量的態度或行 為特質上越趨一致，在積差相關係數的要求上，通常要達到統計顯著水準 且相關係數最好在.30 以上，如果可以達到中度或高度相關更佳；二為判 別量表的內部一致性α 係數，從題目刪除後量表 α 係數的改變情形，來判 斷量表題目的品質（吳明隆、涂金堂，2012）。

二、樣本特徵分析

樣本特徵分析的目的是了解樣本資料的人口統計變項，運用研究中的 類別變數執行次數分配表，次數分配可說是資料分析的基本工具，因為要 瞭解資料所表達的意義，首先就必須瞭解資料的結構，次數分配程序正是 顯示資料結構的一種工具，它計算出資料的次數、百分比、累計百分比和 一些基本統計量，並可顯示其次數分配圖（吳明隆、涂金堂，2012）。

三、驗證性因素分析（confirmatory factory analysis, CFA）

SEM 的分析研究中潛在構面（latent variable/ factors/ unobserved variables/ constructs/ dimentions）是非常重要的觀念，因此需要以觀察變數

（observed variables/ indicators/ manifest variables/ measurement variables）

進行間接測量，如果分析的重點是因素間的相關，而不是因素間的因果關 係，這種分析就稱為驗證性因素分析（confirmatory factory analysis, CFA）。

驗證性因素分析的主要功能是確認潛在變項是否真的能被幾個觀察變數 所代表，所以驗證性因素分析的主要功能是決定一組觀察變數是否真正屬 於某一特定構面的統計分析技術（張偉豪，2011）。CFA 是結構方程的次 模型，一般而言CFA 是進行整合性結構方程模型分析的前置步驟，當然也

52

可以獨立運行。CFA 所檢驗的是測量變數與潛在變數的假設關係可以說是 結構方程模型最基礎測量的部分，不但是結構方程模型中後續高階統計的 檢驗基礎，更可獨立應用於信、效度的考驗及理論有效性的確認（Bentler, 1980）。

CFA 是 SEM 大家族的一部分，而且在 SEM 模型分析中扮演非常重要 的角色（Brown, 2006; MacCallum & Austin, 2000）。當應用 SEM 分析的時 候，研究人於焉開始就要從測量模型（CFA）開始，由於 SEM 分析資料都 是從實際上調查而來，因此了解這些資料是否具有一定的信、效度就非常 重要。所以在執行SEM 前，要先能證明測量指標是否能真正反映出潛在 變數的特性。Thompson（2004）表示在 SEM 模型分析中，測量模型是結 構模型的一部分，如果沒有證據證明測量模型是值得進一步分析的話，那 麼SEM 就毫無意義。在許多的情況之下，SEM 模型出現問題，大多是因 為測量模型不佳的原因所導致（Brown, 2006）。Kenny（2006）主張在社會 及行為科學上我們從CFA 學到的遠比 SEM 還要多。因此，在 SEM 分析 之前，CFA 一定要單獨分析，並提出報告。CFA 的分析以表格呈現因素負 荷量及測量模型因素變數的共同性，呈現的內容包括標準化及非標準化負 荷量、標準誤、顯著性、組成信度、平均變異數萃取量、適當的適配度指 標。因此本研究先針對每個構面先作CFA 分析，確認構面信、效度沒問題 後再進行SEM 的模型分析。

四、現況分析

現況分析的目的是了解受試者的看法，可以藉由平均數、標準差與變 異數來做現況分析，平均數可以了解測量變數集中的情形，大家的看法是 偏高或偏低；標準差及變異數可以測量變數的離散程度，標準差為變異數 的開根號值，所以是一樣意義，如果變異數太小，代表這個測驗題目所有 的樣本填答很一致，例如集中在6、7 或 2、3 等，代表這題目沒鑑別力，

53

應該從測量變數中刪除，如果只有極少的比例有此一情形，仍可以保留，

因為在CFA 的分析中影響不大。

五、結構方程模型分析

結構方程模型（structural equational modeling, SEM）這些年來已逐漸 在社會科學、行為研究及教育領域普及起來，甚至於在生物學、經濟學、

行銷及醫學研究領域也受到重視（Raykov & Marcoulides, 2006）。目前諸多 研究人員應用SEM 來建立模型，企圖了解變數與變數之間潛在的意義，

藉此建立估計及檢定假設關係，進而蒐集資料加以驗證。SEM 可以評估假 設模型與資料的配適程度，並從資料所重製的共變異數矩陣中，分析觀察 變數之間的相互關係。本研究方法主要是結合了路徑分析（觀察變數之間 的關係）及因素分析（變數之間的共同因素），SEM 的主要任務是研究假 設模型與樣本之間配適的程度為何（張偉豪，2011）。由於本研究屬於潛在 心理變數之間相關的研究，因此採用結構方程模型來分析是最洽當不過了。

本研究之結構方程模型分析步驟包括：信度與效度分析、Bollen 二階段檢 定、違犯估計檢定、常態檢定與修正、配適度報告與修正、交叉效度評估、

模型路徑係數，如圖3-3 結構方程模型分析步驟圖所示，以下茲就各步驟 逐一詳細說明：

圖3-3 結構方程模型分析步驟圖 資料來源：本研究整理。

(一)信度與 效度分析

(二) Bollen 二階段檢定

(三) 違犯 估計檢定

(四)常態檢 定與修正

(五)配適度 報告與修正

(六)交叉效 度評估

(七)模型路 徑係數

54

(一) 信度與效度分析

CFA 可以在多重目的下使用，包含發展新的測量工具、評估新的或現 存的心理特性、方法效應的檢定。除此之外，CFA 也可以用來檢驗構面信、

效度及一個測量工具是否跨群組不變性。測量模型分析（CFA）品質係基 於檢定模型中的建構效度而得，建構效度包含兩個重要概念：收斂效度

（convergent validity）及區別效度（discriminant validity）。以下分別詳細 說明：

1. 收斂效度（convergent validity）

收斂效度是利用同一構面中變數之間相關程度的大小加以評估，又稱 為內部一致性效度，主要是確保一個構面的變數之間至少有中度的相關。

Cronbach’s α 是最常使用來建立內部一致性的方法，在探索性目的下，0.6 被視為可接受，在驗證性目的下，0.7 被視為可接受，0.8 被認為是比較好 的，但是在SEM 分析中，多半採用組成信度（composite reliability, CR）。

Hair et al.（2009）指出收斂效度包括以下三個部分：

(1) 因素負荷量（measurement weight）：因素負荷量的大小是收斂效度的 重要考量，較高的收斂效度一定有較高的因素負荷量，代表測量變數 可以收斂到一個潛在變數上。一般而言，標準化的因素負荷量至少要≥ 0.5，理想情況下要 ≥0.7，標準化的因素負荷量介於-1 到+1 之間。

(2) 組成信度（composite reliability, CR）：雖然 Cronbach’s α 容易被低估，

但是仍普遍被應用在信度分析上，但在SEM 多採用不同的信度分析，

稱為組成信度。根據經驗法則，良好的組成信度建議要 ≥0.7，組成信 度在0.6~0.7 之間為可接受。

(3) 平均變異數萃取量（average variance extracted, AVE）：平均變異數萃取 量就是構面所有標準化因素負荷量的平方加總取平均，所以AVE ≥0.5 被視為具有適當的收斂程度，AVE<0.5 表示構面解釋測量變數其不可

55

解釋變異大於可解釋變異，表示收斂程度不是很理想。AVE 必須每個 構面單獨來執行，因為AVE 還和區別效度有關。

2. 區別效度（discriminant validity）

區別效度分析是驗證不同的兩個構面相關在統計上是否有差異，在不 同構面的題目應該不具有高度相關，如有高度相關（如0.85 以上），就表 示這些題目是衡量同一件事，通常這會發生在構面的定義有過度重疊時。

檢定構面之間的區別效度有以下三種方法：

(1) 相關係數法：檢查所有構面的直接相關，如果構面之間標準化相關係

(1) 相關係數法：檢查所有構面的直接相關，如果構面之間標準化相關係