資料處理與分析

本研究將資料所得進行編碼，輸入電腦建檔後預計以SPSS 18.0 與 AMOS 18.0 版套裝軟體進行統計分析。本研究欲考驗統計假設所使用的 統計方法如下(表 3-10)：

一、以百分比、平均值、標準差等，描述研究對象之社會人口學變項、

健康信念、行動線索、自我效能及接受口腔黏膜健康檢查可能性之 分佈情形。

二、以χ²檢定、單因子變異數分析(ANOVA)檢驗不同健康風險組之社會 人口學變項、健康信念、行動線索、自我效能及接受口腔黏膜健康 檢查可能性之差異。

三、以結構方程模式(structural equation modeling [SEM] )驗證整體模式的 適配度和解釋變異量，並瞭解健康信念、行動線索與自我效能於預 測接受口腔黏膜健康檢查可能性之整體關係路徑模式。

四、以拔靴法(Bootstrap method)估算間接效果及 bias-corrected 95%信賴 區間(Confidence intervals [C.I.] )，同時驗證「行動線索」與「自我 效能」是否具多重中介作用(multiple simultaneous mediators)。

五、以結構方程模式多群組分析(SEM multigroup analysis)比較不同健康 風險組之模型預測力與影響接受口腔黏膜健康檢查可能性之路徑。

表 3-10 研究問題資料分析表

( bias-corrected confidence

模式的配適度指標是用來判斷研究者所建構的理論模式是否能夠 對實際觀測所得的資料給予合理的解釋，Hair, Black, Babin, and Anderson (2010)將其分成三種類型：絕對適配指標、增量適配指標極精簡適配指 標等，各項指標參考值及意義(表 3-11)。ㄧ般評鑑模型適配指標採「多 數決」，亦即多數指標呈現適配狀況良好，即可接受模型配適度佳。概念 性模型能否與觀察資料適配，SEM 以 chi-squares test 作為觀察指標之 ㄧ，但因χ ²test 易受樣本數大小影響，導致卡方檢定很容易拒絕虛無假 設(因為進行 SEM 時樣本數通常較大)，因此 Bagozzi & Yi(1988)建議應 考量樣本的大小，故也可以使用 χ² /df 來取代卡方值，以檢定模型配適 度。此外，依據Hu & Bentler, 1999; Kline, 2005 提出 SEM 必須報告之黃 金適配指標應包含：χ²或χ²/df、CFI、TLI、SRMR、RMSER 等指標。

表3-11 驗證性因素分析之整體模式配適度檢定摘要表

適配指標 標準 指標意義

χ²（Joreskog & Sorbom,1996） Ns. 理論模型與觀察值的契合度 χ² /df(Bagozzi & Yi;Kline ,1998) <3 考慮模式複雜度後的卡方值 GFI（Joreskog & Sorbom,1996） > .9 假設模型可以解釋觀察資料的比例 AGFI（Joreskog & Sorbom,1996） > .9 考慮模式複雜度後的GFI

SRMR（Hu & Bentler,1999） ≦.08 標準化假設模型整體殘差 絕對

適配 指標

RMSEA(McDonald & Ho,2002) < .08 模式與母群體共變數矩陣適配缺乏 性

表3-11 驗證性因素分析之整體模式配適度檢定摘要表(續)

適配指標 標準 指標意義

NFI（Bentler & Bonnett,1980） > .9 比較假設模型與獨立模型的卡方值 TLI（Tucker & Lewis,1973） > .9 考慮模式複雜度後的NFI 增量

適配

指標 CFI（Bentler,1990） > .9 假設模型與獨立模型的的非中央性 PGFI（Joreskog & Sorbom,1996） > .5 考慮模式的簡約性

精簡 適配 指標

CN(Hoelter,1983) >200 精簡調整後的規範適配指標

註1.

χ²: Chi-square,

χ² / df: Normed Chi-square, GFI: Goodness of Fit Index,

AGFI: Adjust Goodness of Fit Index,

SRMR: Standardized Root Mean Square Residual, RMSEA: Root Mean Square Error of Approximation, NFI: Normed fit index,

TLI: Tucker Lewis index CFI: Comparative Fit Index,

PGFI: Parsimony Goodness of Fit Index, CN: Critical N

第四章 研究結果

第一節 接受口腔黏膜健康檢查可能性之模式建構與考驗

一、社會人口學變項分布情形

在回收的有效樣本中，男性有 662 人(76.3%)，女性有 204 人 (23.7%)。平均年齡 45.65 歲（SD=14.08 歲）。教育程度在高中職以下佔 576 人(66.5%)，大學(含以上)者佔 290 人（33.5%）。目前有工作的為574 人（66.3%），無工作的為 292 人(33.7%)。已婚的為 642 人（74.2%），沒 有婚姻狀況的為224 人(25.8%)。

研究對象在有無飲酒、嚼檳榔及吸菸等不健康習慣上，調查結果顯 示有飲酒習慣者佔32.1%( 15.45 年/平均，約 672.5c.c./每天平均)，已戒 酒者佔14.5%，無喝酒習慣者佔 54.3%。有嚼檳榔習慣者佔 28.1%( 13.47 年/平均，約 16.08 顆/每天平均)，已戒檳者佔 19.8%，無嚼檳榔習慣者佔 52.1%。有吸菸習慣者佔 43.6%( 18.52 年/平均，約 18.30 支/每天平均) ， 已戒菸者佔15.6%，無吸菸習慣者佔 40.7%。曾經接受過口腔癌篩檢行 為者共185 人(21.3%)。詳如下表 4-1.

表 4-1. 社會人口學變項描述性統計

672.51 694.37

嚼檳榔習慣

4-1. 社會人口學變項描述性統計(續)

變項 人數（N） 百分比(%) 平均數(mean) 標準差SD 吸菸習慣

無 354 40.7

已戒 135 15.6

有 377 43.6

吸食幾年 1(最小值) 60(最大值) 18.52 10.74 每天平均幾支 0(最小值) 100(最大值) 18.30 11.30 曾經接受口腔癌篩

檢

沒有 681 78.7

曾經有過 185 21.3

二、

資料的準備與篩檢 ~ 資料常態性檢定

進行 SEM 前，必須檢視資料是否滿足多變項常態分佈

(multivariatenormality)之假設以免違反假設而造成結果偏誤情形，由表 4-2 顯示本研究資料符合單變量與多變量常態性檢定，故可執行最大概 似估計法(maximum likelihood)進行統計推論。

(一) 單變量常態性檢定(univariate normality)：Kline(2005)的建議，當各觀 察變項標準差(S.D)大於+3 以及小於-3 的觀察值，列為極端值

(outlier)，結果顯示此研究觀察變項未有標準差(S.D)大於+3 以及小於 -3 的觀察值，也就是無極端值(outlier)出現。各觀察值的偏態係數 (Skewness)介於-1.33~ .45，峰度係數(kurtosis)介於- .80~2.33，滿足偏 態係數＜3 及峰度係數＜10 的常態分配要求(Kline, 2005)

表 4-2 模式測量變項的描述性統計

(二)多變量常態性檢定(multivariatenormality)：比較 Mardia 係數與觀察變 數的數量，Bollen(1989) 提出當 Mardia 的係數小於 p(p+2)時(P 為觀 察變數的數量)，即可確認樣本資料符合多元常態性假設。 本研究觀 察變項為 29，故 p(p+2)=29(29+2)= 899＞Mardia 係數(525.88)。

三、測量模式之估計與驗證(Measurement model test)

本研究採用 Anderson and Gerbing (1988)建議的兩階段模式(two-step modeling)的方法進行假設模式的檢定。第一階段先以驗證性因素分析 (confirmatory factor analysis[CFA] )檢驗所有潛在變項所組成的測量模式 (measurement model)，目的在了解模式中測量部分的合適性與檢驗觀察 變數和潛在變數間關係。第二階段進行結構迴歸模式(structural regression model)的檢驗，目的在於驗證各潛在變項間因果路徑關係，亦即主要針 對潛在變數進行路徑分析(path analysis)，以檢驗結構模型配適性、潛在 變項間影響效果(Hair, Black, Babin, & Anderson, 2010; Kline, 2005)。

(一)測量模型之配適度

在進行模型配適度驗證之前，首先檢視有無違反驗證性因素分析檢 定情形產生，亦即資料必須在誤差變異數無負值、標準化迴歸加權係數 未過於接近1，以及未有過大之標準誤出現(Kline, 2005)，由表 4-4 顯示 本研究測量模型所輸出之估計參數未出現上述三項違反估計之情形。

驗證性因素增強因素分析的理論與邏輯的合理性，雖然可由個別信 度及組合信度判斷其各測量變量是否符合或解釋該構念，在此測量模式 中，表4-3 顯示 AMOS 提供了多種模型適合度指標，用來判斷模型與實 際觀察值之間的適配情形。其中，概念性模型能否與觀察資料適配，SEM 以 chi-squares test 作為觀察指標之ㄧ，但因 χ² test 易受樣本數大小影響，

導致卡方檢定很容易拒絕虛無假設，本研究的χ²值，因為樣本數大，複 雜度略高，結果具顯著性(p < .001)，因此 Bagozzi & Yi (1988)建議應考 量樣本的大小，故也可以使用 χ²/df 來取代卡方值，以檢定模型適配度。

因此本研究將 χ²值除以由自度，以去除模式複雜的影響，其結果小於5，

表示理論模型與觀察模型的契合度良好。在適合度指標上，值越大越好，

只有 PGFI > .5 即可。測量模式中，GFI、CFI、NFI、TLI 皆大於 .9，

表示模型解釋力良好，PGFI 也大於 .5，替代性指標顯示 CN 也達判斷 標 準 ， 表 示 測 量 模 式 符 合 簡 約 原 則 。 殘 差 分 析 方 面 SRMR=.035, RMSEA=.064，無論 SRMR 與 RMSEA 顯示兩種測量模式之殘差特性良 好。

(二) 驗證性因素分析

本研究以驗證性因素分析(CFA)檢測因素結構與理論之相符程 度，故將觀察變項依據理論建構成測量模式，依 AMOS 分析結果，再予 判斷其中參數估計值、t-值、信度指標、組合信度及萃取變異量等，以

決定測量變項堪用程度。本研究的模式定義7 個潛在變數，包含知覺罹 測量變項與其相對應因素間之強度，根據Hatcher (1994)& Segars (1997) 指出當因素負荷量需達 .7 以上或當各觀察變項的因素負荷量的 t-值達 顯著時(Espinoza,1999)，則表示該潛在變項具有收斂效度。因此，由表 4-4 顯 示 知 覺 罹 患 性 潛 在 變 項 共 3 個 測 量 題 項 ， 因 素 負 荷 量 介 於 .721~ .910 之間；知覺嚴重性潛在變項共 6 個測量題項，因素負荷量 介於 .849~ .910 之間；知覺行動利益潛在變項共 3 個測量題項，因素負

荷量介於 .842~ .960 之間；知覺行動障礙潛在變項共 5 個測量題項，因 素負荷量介於 .705~ .886 之間；行動線索潛在變項共 4 個測量題項，因 素負荷量介於 .783~ .859 之間；自我效能潛在變項共 5 個測量題項，因 素負荷量介於 .723~ .892 之間與接受口腔黏膜健康檢查的可能性潛在變 項共 3 個測量題項，因素負荷量介於 .897~ .905 間，且 7 個潛在構面之 其觀察變項的因素負荷量

t-值及誤差變異量具有統計上顯著的意義

(p< .001.)。

圖 4-1 理論概念之測量模型圖(N=866) 註.橢圓形代表潛在變數，矩形代表測量變數

測 量 變 項 與 潛 在 變 項 的 多 元 相 關 平 方 (Squared Multiple Correlations [SMC] )，此反映了測量變項能夠被潛在變項解釋的百分 比，類似迴歸分析的R²，且也反映了測量變項的信度(Reliability)。所以 測量模型中，個別變項之效度可以檢定係數大小與顯著性(p-value)處 理；SMC 則可為變項的個別信度。Hatcher (1994)指出 SMC 需大於 .5 以上，表示潛在變項之測量變項得的個別信度佳。由表 4-4 得知各子信 念構面之多元相關平方數值(SMC)皆介於 .497~ .922 之間。

由上述結果呈現知覺罹患性、知覺嚴重性、知覺行動利益與障礙、

行動線索、自我效能與接受口腔黏膜健康檢查可能性等潛在構面之測量 變項具有良好之信度與效度，代表測量模型的內在品質佳。

表4-4 測量模型之驗證性因素分析表 標準因素

負荷量 標準誤 t 值 誤差

變異數 t 值 多元相關

平方 知覺罹患性

sus1 .721 .322 18.181^*** .520 sus2 .880 .003 24.415^*** .169 10.396^*** .775 sus3 .910 .003 24.306^*** .123 7.879^*** .829 知覺嚴重性

sev1 .849 .198 17.596^*** .721 sus2 .910 .003 24.306^*** .196 17.782^*** .712 sev3 .865 .001 33.564^*** .17 17.102^*** .749 sev4 .874 .002 33.651^*** .162 16.905^*** .764 sev5 .874 .002 33.613^*** .174 16.762^*** .764 sev6 .861 .001 32.787^*** .16 17.245^*** .741

表 4-4 測量模型之驗證性因素分析表(續)

四、

結構模式之估計與驗證(Structural model test) (一) 結構模式模型之配適度

第二階段進行假設結構迴歸模式的檢驗，以接受口腔黏膜健康檢查 的可能性為潛在依變項，其餘六個為潛在變項為自變項，以最大概似法 進行模式估計，結果整體模式χ² =4011.22, p＜.001，SRMR= .125，初步 顯示未達適配標準，進一步檢視其他指標，其中CFI= .934，TLI= .972，

RMSEA= .032 均符合模式適配的參考標準。但 SRMR= .125，則表現稍 差，代表模式對觀察資料的配適度未十分理想，模式尚有改善的空間。

Diamantopoulos & Siguaw(2000)建議可以根據初始模型的參數顯 著性檢驗結果和AMOS 提供的模型修正指標(Modification Index [MI])來 進行模型擴展(model building)或模型限制(model trimming)，模型擴展是 指透過釋放部份原有限制的路徑或增加新路徑，使模型結構更加合理，

而提高模型適配程度。故近一步檢視模式中各項估計值的合理性，參考 MI 值，並考量學理上的意義，進行結構模式的修正。修正結果，開放 2

而提高模型適配程度。故近一步檢視模式中各項估計值的合理性，參考 MI 值，並考量學理上的意義，進行結構模式的修正。修正結果，開放 2

在文檔中 運用修正型健康信念模式建立不同健康風險族群接受口腔黏膜健康檢查可能性之預測模型-以台灣無檳社區居民為例 (頁 97-192)