第三章 研究方法
第二節 量表建構流程研究對象與資料蒐集
本 研 究 首先是透過質性研究，以具有相關實務經驗的4位專家，以及現職服務 年資為3年以上的員工14位進行實際訪談。並將彙整訪談結果，設計出初始問卷的構 面及題項。當初始構面及題項產生後，便開始發放問卷，詳見表9。
表9
專家樣本資料
專家 資深員工 發放 4份 14份 有效 4份 14份 有效百分比 100％ 100％
有效樣本共 18份
本研究的樣本資料蒐集，主要是以 T 公司資訊部門員工以及 S 公司員工為研究 對象。問卷發放是採用不具名的方式，且不危害基本的原則下，進行內部服務品質的 問卷調查。問卷發放期間於2007年11月1日至2007年11月23日，共23天。發放問卷樣 本為180份，回收問卷為180份，扣除未回收、填答不完全等，共計有1份無效問卷，
有效問卷為179份，問卷有效回收率為99.44%，且以李克特五點量表(Likert Scale)來衡 量，分為別「非常不同意」、「不同意」、「沒意見」、「同意」、「非常同意」，
以1至5分來代表該題項的分數，若無法評估該題項的滿意程度時，可勾選「沒意見」
來表示。故所回收有效問卷的樣本資料如表10所示。
表10
問卷樣本資料
T公司資訊部門員工 S公司員工
發放 150份 30份
有效 149份 30份
有效百分比 99.3％ 100％
有效樣本共 179份
第三節 量表建構的資料分析工具及方法
本研究使用的分析工具有SPSS 12.0版以及結構方程模式(Structural Equation Model；SEM)－LISREL 8.72版等統計套裝軟體，主要分析方法包含敘述統計分析 (Descriptive Statistics Analysis)、信度分析(Reliability Analysis)、效度分析(Validity Analysis)、探索性因素分析(Exploratory Factor Analysis；EFA)、驗證性因素分析 (Confirmatory Factor Analysis；CFA)以及迴歸分析等統計分析方法，分述如下：
一、敘述統計分析(Descriptive Sataistics Analysis)
本研究用SPSS統計軟體分析受訪者性別、年齡、婚姻狀況、教育程度、職位及 年資等基本資料，說明其樣本特性。
二、信度分析(Reliability Analysis)
信度分析主要是用來衡量題項之間是否具有一致性及穩定性，通常都是使用 Cronbach’s α係數方式來衡量同一個構面下各題項之間的內部一致性。Nunnally(1978) 提出判斷信度之準則如表11所示。Nunnally(1978)建議Cronbach’s α係數需大於0.7。
表11
Cronbach’s α判斷準則
α < 0.3 信度低 0.35 < α < 0.7 中信度 0.7 < α 高信度
資料來源：”Psychometric theory 2nd(Eds.)”,by Nunnally, J.C.,McGraw-Hill : New York(1978).
三、內部一致性分析(Internal Consistency Analysis)
內部一致性分析主要針對量表題項、構面與整體構念相互之間的關係進行檢測，
首先檢測「題項總分」之項目總相關值(Item-to-Total Correlation)部份，若該題項之「題 項總相關」小於0.4或呈負值，則考慮刪除之。接著再檢視「提升Cronbach α係數值」
部份，若刪除該題項能夠幫助提升Cronbach α係數值，也尌是能夠提升量表信度時，
則應考慮刪除之。當以上二者皆成立時，則將該題項予以刪除。當所有數值皆達到標 準，則表示題項之間有較高的相關性。
四、效度分析(Validity Analysis)
效度分析主要是檢測衡量工具是否真正能夠測量出研究主題。本研究的效度分析 包括了內容效度、建構效度，分別說明如下：
(一)內容效度(Content Validity)
內容效度主要在檢測該衡量工具足夠涵蓋研究主題的程度。由於內容效度的檢測 相當主觀，是以邏輯判別法來決定測驗是否具有內容代表性，並參考以往學者類似之 研究，加上與實務或專家的討論，即可視為具有相當的內容效度。
(二)建構效度(Construct Validity)
建構效度主要是檢測衡量工具能測量所建構理論概念的程度，如果所產生的結構 能符合原先結構，則具有良好的建構效度。常見的建構效度有收斂效度(Convergent Validity)和區別效度(Discriminate Validity)等兩種(張紹勳，2004)。收斂效度是檢測題 項是否能夠有效地代表該構面，也尌是說測量變項與潛在變項之間是否具有較高的相 關性。Fornell and Larcker(1981)建議若各構面的平均變異抽取量(Average Variance Extracted；AVE值)均大於0.5，表示具有收斂效度。區別效度是指說不同的構面之間 應具有較低的相關性，相關性愈低表示不同的構面之間有較大的差異性。
五、探索性因素分析(Exploratory Factor Analysis)
探索性因素分析主要目的在簡化測量的題項，將為數眾多的題項加以歸併，透過 共同因素的抽取，重新歸併成幾個新的、為數較少的題項構面。它可以用較少的維數 (dimension，即構面因子)來表示原有的資料結構，而又能保存原有資料結構所提供 的大部分資訊（何金銘，2001）。在進行因素分析前，先以KMO(Kaiser-Meyer-Olin
Coefficient)與Bartlett檢定方法來判斷資料是否適合進行因素分析，Kaiser(1974)提出，
利用KMO係數是用來判別取樣適切性量數之標準，如表12所示。
表12
Kaiser 取樣適切性量數之標準
KMO統計量值 因素分析適合性
0.90 以上 極適合進行因素分析
0.80 以上 適合進行因素分析
0.70 以上 尚可進行因素分析
0.60 以上 勉強進行因素分析
0.50 以上 不適合進行因素分析
0.50 以下 非常不適合進行因素分析
資料來源：”An Index of factorial simplicity”, by Kaiser, H.F., Psychometrika,Volume.
39(1), pp.31-36.
此外，本研究的抽取方法是透過主成分分析法(Principle Component Methods)，抽 取共同變異(Common Factor)，再依據特徵值(Eigenvalue)大於1為標準來萃取因素個 數，並利用最大變異轉軸法來進行萃取。Antil and Bennett(1979)建議題項因素負荷量 若低於0.5以下，或者是與其他的因素之因素負荷量相差為絕對值小於0.3，皆可考慮 刪除，此外必頇排除只擁有單一題項之因素。
六、驗證性因素分析(Confirmatory Factor Analysis)
驗證性因素分析主要是檢測測量題項與潛在題項之間的關係，根據理論知識及實 證研究得知，研究者必頇先提出測量題項與潛在題項之間的關係，並建立一套結構模 型。本研究以LISREL8.50統計軟體進行驗證性因素分析，來評估整體模型的適配度，
且檢驗測量變項與潛在變項之間的信效度、及評估整體模型的適配度。Hair et al.(1998)將評量整體模型適配方面分為三種類型：絕對適配衡量指標、相對適配衡量 指標、及簡效適配衡量指標等，其衡量指標如表13所示。
表13
適配度指標
整體模型適配衡量 性質 判斷值
絕對適配衡量指標
卡方值(X2 test) 理論模型與觀察模型的契合程度 P<0.05 X2/df 考慮模型複雜度後的卡方值 <3.00
GFI 假設模型可以解釋觀察資料的比例 >0.90
AGFI 考慮模型複雜度後的GFI >0.90
RMR 未標準化整體模型的標準殘差 愈小愈好
SRMR 建立絕對的標準化來檢定模型的適配度 <0.05
RMSEA 比較理論模型與飽和模的差距 <0.05
相對適配衡量指標
NFI 比較假設模型與獨立模型的卡方差異 >0.90
NNFI 考慮模型複雜度的NFI >0.90
CFI 假設模型與獨立模型的非中央性差異 >0.90 簡效適配衡量指標
PNFI 每一個自由度所能達較高適配程度 >0.50
PGFI 考慮模型的簡約性 >0.50
CN 產生不顯著卡方值的樣本規模 >200
資料來源：海外團體套裝旅遊外部服務品質量表之建構與驗證，林心韻，2008，碩士 論文，頁51。
本研究即利用這三種指標作為評估整體模型適配度，此三種類型說明如下：
(一)絕對適配衡量指標(Absolute Fit Measures)
用以確定整體模型可以預測共變數或相關矩陣的程度，詳細說明如下：
1.卡方值(Chi-Square)：
線性結構方程式模型中，卡方值越小表示模型適配情形越好，樣本大小會影響卡 方值大小，樣本越多，卡方值越大。因此通常以卡方值與自由度的比值來檢定模型適 配度。Hair et al.(1998)建議，此比值應小於3，代表有良好的模型適配。
2.最佳適合度指標(Good-of Fit Index)：
GFI不會受到樣本大小和偏離常態分配所影響；GFI的值介於0與1之間，其值愈 接近1時，表示模型適合度愈佳，愈接近0時，表示模型適合度愈低。Byrne(1994)建議 GFI值應大於0.9，代表有良好的模型適配度。
3.調整後的適合度指標(Adjusted Goodness of Fit Index)：
AGFI是依據題項數目和模型的自由度修正GFI值而來的，且不受樣本大小和偏離
常態分配所影響，Byrne(1994)建議AGFI值應大於0.9，代表有良好的模型適配。
4.均方根殘差(Root Mean Square Residual)：
RMR模型是一種平均殘差共變數，用來作為比較同一資料在兩個不同模型的比 較。Hair et al.(1998)建議RMR數值較小者，表示該模型相對較佳。RMR 的可接受標 準，隨著其輸入矩陣的型態而異，若分析矩陣是相關矩陣，則必頇低於0.05；若分析 矩陣是共變異矩陣，則RMR較難判定其意義，不過一般而言，RMR至少需小於0.1，
方可接受。
5.標準化均方根殘差(Root mean square Residual)：
RMR無法建立絕對的標準來檢定模型的適配性，利用相關矩陣修改公式，成為 SRMR指標。SRMR數值介於0與1之間，數值愈接近0表示模型適配愈佳。Hair et al.(1998)建議此數值必頇小於0.05。
6.近似殘差均方根(Root Mean Square Error of Approximation)：
RMSEA主要在說明模型較些虛無模型改善程度。Hair et al.(1998)建議RMSEA數 值小於0.05，表示理論模型可以被接受，表示此模型為「良好適配」；若RMSEA數 值介於0.05到0.08之間，表示此模型為「不錯適配」；0.08到0.10之間，表示此模型為
「中度適配」；RMSEA大於0.1時，則表示此模型為「不良適配」。
(二)相對適配衡量指標：
主要是比較所發展的理論模型與基準線模型(baseline model)的差異，其衡量指標 詳細說明如下：
1.標準適配度指標(Normed Fit Index)與非標準適配度指標(Non-Normed Fit Index)：
NFI與NNFI主要是測量模型是否達到契合度，通常NFI與NNFI的值一般均在0到1 之間，越大表示契合度越高。Byrne(1994)建議NFI與NNFI值應大於0.9來判定測量模 型是否達到契合標準。
2.比較適配度指標(Comparative Fit Index)：
CFI指標主要是反應出假設模型與獨立模型的非中央性差異，用來說明模型較虛 無模型的改善程度。Bentler(1990)建議以0.9為評量的標準。
(三)簡效適配衡量指標：
估計係數所能獲致的適合程度，衡量指標如下：
1.簡效規範適配指標(Parsimonious Normed Fit Index；PNFI)：
PNFI為每一個自由度所能達較高適配程度，若值愈高愈好。Bentler(1990)建議 PNFI大於0.5，表示此模型通過標準。
2.簡效良性適配指標(Parsimonious Goodness-of-Fit Index；PGFI)：
PGFI主要考慮模型簡約性，說明模型簡單程度。Bentler(1990)建議大於0.5，表示 此模型接受的標準。
3.臨界N指數(Critical N；CN)：
1983年Hoelter (Hoelter’s Critical N)提出臨界數，主要的目的檢測樣本數是否足夠 估計模型參數及模型適配的合理指標。Hair et al.(1998)建議CN值若大於200，表示樣 本數足夠檢定模型。
七、迴歸分析
迴歸分析分為簡單迴歸分析與複雜迴歸分析，本研究採取簡單迴歸分析來探討工 具、環境、政策與程序、團隊合作、溝通、訓練、信賴、目標認同、獎酬與褒揚及管 理支持對工作滿意度之影響。