第三章 研究設計與實施
第五節 資料處理與分析
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
問卷於2013 年 6 月中旬寄發，過程中根據問卷回收狀況，輔以電話 聯繫進行催覆動作，截至2013 年月 6 月下旬回收完成。正式問卷回收後，
進行編碼輸入作業，以整體與反向題的回答情形做為篩選標準，剔除無效 問卷，再以統計軟體進行資料校正，確認資料無誤後，再進行統計分析。
第五節 資料處理與分析
本研究問卷回收後，首先檢視並刪除無效樣本，將有效問卷資料整理 編碼，依序輸入建檔。透過IBM SPSS Statistics 20.0 與 LISREL 8.80 統計 軟體進行分析，以回答本研究所要探討之相關問題。而所採用的統計方法 包含平均數、標準差之描述性統計分析及 t 考驗、單因子變異數分析及結 構方程模式等。
壹、 資料處理
一、 資料檢核
問卷回收後，對於受訪者所填問卷中，先將資料未完整填寫及回答明 顯不一致之亂填者予以剔除，以確保問卷之有效性。
二、 資料編碼與登錄
將有效問卷編碼，透過統計套裝軟體IBM SPSS Statistics 20.0 將各資 料欄位，依各變數屬性輸入及登錄。
三、 資料檢核
資料登錄完後，以IBM SPSS Statistics 20.0 統計套裝軟體進行次數分 配核對，藉以詳細檢核是否有資料遺漏值或登錄錯誤，並進行更正以確保 資料之正確性。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
貳、 資料分析
本問卷依下列統計方法進行分析：
一、 描述性統計分析
針對本研究中之問題一、二、三進行創新擴散模式、科技接受模式中 各變項的得分及次數分配進行百分比統計、平均數、標準差等描述性統計 分析，以瞭解受試者對各變數之主觀看法。
二、 獨立樣本 t 檢定
針對本研究之待答問題二，以問卷對象為「性別」的自變項，進行獨 立樣本 t 檢定，以瞭解不同性別的平均是否有差異。
三、 單因子變異數分析
以單因子變異數分析（one-way ANOVA）檢定創新擴散模式與教師科 技接受模式的差異性。若差異達統計顯著水準，則進一步再採Scheffé 法 進行事後比較 。
四、 結構方程模式
結構方程模式（structural equation modeling, SEM），是結合迴歸分析 及因素分析的原理，所構成的一種統計技術，它也是路徑分析和因素分析 的一種整合的技術（張芳全，2012）。在結構方程模式裡主要包含有觀察 變項、潛在變項以及干擾／誤差變項等三種類型的隨機變項，以及結構參 數。觀察變項是可以直接測量的變項，而潛在變項是可以用觀察變項來加 以建構。在SEM 中變項與變項之間的連結關係是以結構參數來呈現（黃 芳銘，2007）。
本研究所採用分析軟體是LISREL 8.8（Linear Structural Relation）。
陳正昌、程炳林、陳新豐和劉子鍵（2011）指出完整的結構方程包含測 量模式及結構模式兩部份，測量模式用來表示潛在變項與觀察變項的關
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
係，結構模式則用來表示潛在變項與潛在變項的關係。潛在變項有2 種：
潛在自變項是其他變項的因，又稱外因變項，以ξ表之；潛在依變項是 其他變項的果，又稱內因變項，以η表之。觀察變項也有2 種：X 變項、
Y 變項。而ξ、η、X、Y 4 種變項之間，又可構成 5 種關係：
潛在自變項ξ與潛在自變項ξ的關係，以Φ表示。
潛在自變項ξ與潛在依變項η的關係，以γ表示。
潛在依變項η與潛在依變項η的關係，以β表示。
潛在自變項ξ與X 變項的關係，以Λx 表示。
潛在依變項η與Y 變項的關係，以Λy 表示。
LISREL 模式還包括 3 種誤差：X 變項的測量誤差，以δ表之；Y 變項的測量誤差，以ε表之；潛在依變項所無法解釋的殘差，以ζ表之。
本研究運用線性結構關係模型檢定創新擴散各認知屬性構面對科技接受 各構面的影響程度。所建構之創新擴散與科技接受關係結構路徑，如圖 3-2 所示。本模式以創新擴散模式之各認知屬性為外因潛在變項對科技接 受各構面為內因潛在變項之影響路徑，左邊為創新擴散的五個認知屬性 組成的 15 個觀察變項，λx1～λx15 分別代表其估計值；右邊為科技接 受模式的三個構面所組成的9 個觀察變項，λy1~λy9 則分別代表其的估 計值；δ1～δ15、ε1～ε9 分別代表的估計誤差；γ1~γ10與β1 ~β3則 分別表示以創新擴散的五大認知屬性為外因潛在變項對以科技接受模式 的三大構面為內因潛在變項之間的影響力。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖3- 2 研究假設模式
本研究亦將針對SEM結構方程模式之適配度評鑑指標，係採以下三種 進行適配分析：
（一）整體適配指標：1.卡方檢定（chi aquare,χ2）；2.適配度指標
（goodness-of-fit, GFI）；3.調整後適配度指標（adjusted goodness-of-fit, AGFI）；4.殘差均方根（root mean square residual, RMR）；5.標準化殘差均 方根（standardized root mean squareresidual, SRMR）；6.近似誤差均方根
（root mean square error of approximation, RMSEA）。
（二）比較適配指標：1.正規化適配指標（normed fit index, NFI）；2.非正 規化適配指標（non-normed fit index, NNFI）；3.比較適配指標（comparative fit index, CFI）。
（三）簡效適配度檢定指標：1.精簡基準配合度指標（parsimony normed fit index, PNFI）；2.樣本規模適切性（critical N, CN）；3.模式精簡適合度指標
（parsimony goodness of fit index, PGFI）。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
本研究適配指標檢定標準參考多位研究者整理（張芳全，2012；劉文 章，2010；陳正昌、程炳林、陳新豐、劉子鍵，2011；張偉豪，2011）如 表3-7。
表3- 7 問卷結構方程模式適配指標檢定標準
指標名稱 理想數值 適用情形
χ2 p >.05 說明模型解釋能力
χ2/df < 3 不受模型複雜度影響 GFI > .90 說明模型解釋能力 AGFI > .90 不受模型複雜度影響 RMR 受尺度影響，故越小越好 瞭解殘差特性
SRMR ≦.05 瞭解殘差特性
RMSEA ≦.05 良好適配
.05~.08 不錯適配 .08~.1 普通適配
>.1 不良適配
NFI > .90 說明模型較虛無模型的改 善程度
NNFI > .90 不受模型複雜度影響 CFI > .90 說明模型較虛無模型的改
善程度，特別適合小樣本 IFI > .90
RFI > .90
PNFI > .50 說明模型的簡單程度 PGFI > .50 說明模型的簡單程度 CN > 200 判斷樣本數是否適當
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University