各結構問項的計分

各結構問項的填答方式以七點李克特尺度(likert scale)單向尺度量表來做衡 量。在各結構問項的計分方面均採 1~7 的計分方式：受訪者填答七點李克特尺度

Table 3-7-5 The score method and score mean of variables

變項名稱 計分方式 分數意義

本研究的統計分析方法主要採用 SPSS(statistical package for the social science)

for Windows 12.0 版套裝軟體及 LISREL(linear structural relationships) for Windows 8.80 版套裝軟體。基本分析以 SPSS 12.0 為分析工具；整體模式分析以 LISREL 8.80 為分析工具，其分析方式分述如下：

3.8.1 敘述性統計分析

敘述性統計分析是對於樣本基本資料及研究構面進行次數分配、百分比、平 均數以及標準差等基本統計分析，藉以瞭解樣本各構面之間分布情形，說明樣本 資料結構。

3.8.2 信度分析

信度(reliability)指的是一份測驗各量表問卷所測得分數的可信度或穩定性。一 般以 Cronbach’s α 來檢定各因素之衡量變數的內部一致性程度。Cronbach’s α 是量 測內部一致性的方法，適合針對李克特量表進行信度分析。Cronbach’s α 值小於 0.35 為低信度，0.35 至 0.7 之間則為尚可，Cronbach’s α 值大於 0.7 屬於高信度。本研 究將以此來檢定各因素之衡量變數的內部一致性程度。

3.8.3 項目分析

設計問卷過程中最基本的一項檢定分析程序，主要目的是針對到墾丁國家公 園之龍鑾潭生態保護區遊客於行為理論模式中各變項進行適切性(鑑別度)的評 估，藉此瞭解其是否具有實質的鑑別度，未達顯著性的差異水準時，則調整文字 詮釋方式或刪除該項目。

3.8.4 獨立樣本 t 檢定

其使用時機為自變項均為間斷變數，且為二分變項，依變項為連續變項時測 定樣本平均數差異的方法。

3.8.5 單因子變異數分析

其使用時機為自變數皆為間斷變項，且為三分變項以上，依變項則為連續變 項，受測樣本的群體不同。如果具有顯著差異時，則運用 Scheffe 事後多重比較法，

將有顯著差異存在的平均數加以辨識。

3.8.6 結構方程式分析

結 構 方 程 式 模 式 (structure equation modeling, SEM) 是 一 種 統 計 的 方 法 學 (statistical methodology)，用以處理複雜的多變量研究數據。結構方程式(SEM)被歸 類於高等統計學，屬於多變量統計(multivariate statistics)的一環(邱皓政，2007)。結 構方程模式涉及結構化(structural)、假設等式(equation)與模型分析(modeling)等數 項基本內涵，並可從假設考驗、結構化檢驗與模型分析等概念來說明。從統計的 語言來說，結構方程式模式(SEM)是用來檢定有關於觀察變項(observed variables) 與潛在變項(latent variable)之間假設關係，融合因素分析(factor analysis)及徑路分析 (path analysis)兩種統計取向(黃芳銘，2007)。

結構方程式模式能夠同時處理多組變數之間的關係，提供研究者從探索性分 析(exploratory analysis)轉成驗證性分析(confirmatory analysis)的機會。結構方程式 模式使用於分析因果關係模式的統計方法，亦可以進行路徑分析(path analysis, PA)、因素分析、迴歸分析和變異數分析(李明聰，2010)。結構方程式模式能夠同 時處理多組變數之間的關係，提供研究者從探索性分析(exploratory analysis)轉成驗 證性分析(confirmatory analysis, CFA)的機會。方程式如下：

SEM = CFA + PA

LISREL 模式可分為測量模式(measurement model)和結構方程式模式(structural equation model)模式兩種模式(李明聰，2010)，詳見圖 3-2：

A.測量模式(measurement model)：敘述潛在變數或假設構念如何從觀察變數獲 得；因此，可以敘述觀察變數之信度和效度，亦即敘述潛在變項與觀察變項 之關係。

B.結構方程式模式(structural equation model)：敘述潛在變數間之因果關係、形 容因果效果及指配解釋及未解釋變異 LISREL 模式適合於特定結構方程式 模型。包括潛在變數及獨立變數及依變數之測量誤差、雙向因果關係，同時 發生及相互依賴性。

圖 3-2 測量模式和結構方程式模式圖 Figure 3-2 Measurement model and structure model

資料來源：李明聰(2010) 3.8.6.1 結構方程式分析程序

構方程式模式是以迴歸為基礎的多變量統計方式，其目的在探討潛在變數之 間的路徑關係，且需建立於理論(theory)為基礎，必須透過觀念釐清、文獻彙整及 推理提出待檢驗的假設模型(邱皓政，2007)，理論是假設模式成立主要的解釋依 據。若發現假設模式與觀察資料的適配度不佳，研究者將模式進行適當修正(吳明 隆，2006)，模式改變即為模式界定(model specification)，對初始理論模式進行局部 的修改或調整，提高假設模式的適配度，如果模式可識別，則表示理論上模式中 的每個參數皆可導出估計值，決定模式識別(model identification)。接著選擇施測觀 察變項及資料，利用結構方程式多元迴歸的基礎，對結構方程式模式進行模式估 計(model estimation)，如果模式未達適配度評鑑(assessment of fit)時，此時則需將參 數釋放或固定，進行模式修正(model modification)重新估計模式，直到找到一個最 合適的模式為止，最終則對模式的統計結果加以解釋(interpretation)(黃芳銘，

2007)，如圖 3-1 所示。Anderson 和 Weitz(1992)所提出的二步驟程序，先使用驗證 性因素分析(confirmatory factor analysis, CFA)發展出一個配適度佳的測量模式再進

一步分析理論之模式。

理 論

模式界定

模式識別

選擇測量變項及蒐集資料

模式評估

模式修正 適配度評鑑

解釋 未達可接受程度

達可接受程度

圖 3-3 結構方程式分析步驟之徑路圖

Figure 3-3 Analysis of path of structure equation model 資料來源：黃芳銘(2007)

3.8.6.2 驗證性因素分析

驗證性因素分析(confirmatory factor analysis, CFA)即為測量模式之分析，說明 潛在變項與觀察變項之關係，亦即界定潛在變項與觀察變項之間的線性關係，出 現於探索性因素分析(exploratory factor analysis, EFA)之後，驗證性因素分析可以使 研究者進一步檢驗不同項目的因素與不同方法的因素結構組成下的因素模型的檢

驗(邱皓政，2007)。

驗證性因素分析所檢驗的測量變項與潛在變項的假設關係，為結構方程式模 式最基礎的測量部分，不但是結構方程式模式中的基礎，更可應用在項目效度與 信效度考驗與理論有效性的確認(劉珈灝，2008)。良好的測量模式，必須滿足兩件 事：一為研究模式中各觀察變數必須能正確測量出各潛在變數，以及同一觀察變 數不能對於不同的潛在變數都產生顯著的負荷量(Bagozzi & Yi, 1988)。根據上述學 者的建議，研究模式要滿足以上兩件事，可用的指標有下列四項：聚合效度評鑑、

觀察變數之個別信度、估計參數的顯著水準、標準化殘差等，茲分述如下：

A、聚合效度評鑑

該指標是各觀察變數對其潛在變數的因素負荷量(λ)，Bagozzi 和 Yi(1988) 建議因素負荷量應該都在 0.5 以上。

B、觀察變數之個別信度

該指標是由 CFA 所計算出個別變項的 R²，變異比率，建議因素負荷量雖 未明確地提出任判斷標準，但黃芳銘(2004)建議，只要 t 值大到顯著，R² 就可接受。

C、估計參數的顯著水準

檢視觀察變項對潛在變項的因素負荷(factor loading)是否達到顯著水準，

為一個標準化值，因此模式中各變項關係的 t 值必須大於 1.96。

D、標準化殘差

分析目的在於檢視模型特定參數設定是否理想，用來計算估計值與樣本值 之間的誤差，若殘差值大於 ± 3.5，問項就需要修正，亦是在檢視問項誤 差的相關。當標準化殘差大於 3 代表估計變異數或共變量不足；或數值小 於 3 時，代表觀察變項的共變有過度解釋的現象，兩者都會造成模型不良 的契合狀況。若測量模式有良好適配度，其值應呈現常態分佈並且絕對值 小於 2.58，本研究參數值若超過 ± 2.58 則進行修正。

3.8.6.3 結構方程式模式評鑑

模式的配適度指標為判斷研究者所建構出的理論模式是否能夠對實際觀測所 得的資料給予合理性的解釋，整體適配度指標分為三類：基本適配指標、模式的 整體配適度(overall model fit)及模式的內在結構配適度(fit of internal structural)三類 型來評鑑模式的配適度，故本研究依此論點進行模式評鑑。

為了檢測本研究所提出的假設結構模型(hypothesized structural model)之配適 度(goodness of fit, GOF)為何。假設模型中的每一個參數被順利估計後，結構方程 式模式即可進行整體模型評估，透過不同的統計程序或契合度指標(goodness of fit index) 計 算 。 本 研 究 以 整 體 模 式 配 適 度 的 衡 量 ： 絕 對 適 配 指 標 (absolute fit measures)、相對適配指標(relative fit measures)及簡效適配指標(parsimonious fit measures)三方面的評鑑。藉此研判假設模型與實際觀察資料的契合情形。茲就一 般常用的配適度指標、各項指標之意義、範圍及判定標準，如表 3-15 所示。

表 3-8-1 配適度指標及判定標準表

Table 3-8-1 The overall model fit and standard requirements of structural equation model (goodness of fit

index)

GFI 為假設模型可以解釋觀察 資 料 的比 例 ，表 示 模式 合 適

度；GFI 值愈大表適合度愈佳。 0~1 GFI ＞ 0.9 調整後適配度指數 AGFI 為考慮模式複雜度後的 0~1 AGFI ＞

分

(adjusted goodness of fit index)

GFI，但 AGFI 不受模式複雜

(root mean residual)

RMR 受到樣本數、每一因素 (standardized root mean square residual)

由於 RMR 無法建立絕對的標 (root mean square

error (comparative fit

index) (normed fit index)

NF 為比較假設模型與獨立模 (non normed fit

又稱 Tucker-Lewis index(TLI) 與 ρ²指標。NNFI 為考慮模式 複雜度後的 NFI，但 NNFI 不

0~1 NNFI ＞ 0.9

分

類 指標 意義 範

圍

一般判定 標準 index) 受模式複雜度影響；NNFI 值愈

大表示契合度愈佳。

增值適配指數 IFI (incremental fit

index)

又稱為 Delta2(△2)。IFI 值愈大 表示模式適配度愈好，愈小表

示愈差。 0~1 IFI ≧ 0.9

相對適配指數 RFI (relative fit index)

RFI 其值愈大，表示模式適配 normed fit index)

PNFI 是 NFI 的修正。 goodness of fit index)

PGFI 是 GFI 乘以簡效比值獲得

(Akaike information criterion)

AIC 數值愈接近 0，表示模式 適配愈加且愈簡效。

AIC=χ²– 2 × df 0~1 AIC ≦ 1 資料來源：彙整自李明聰(2010)及吳明隆(2006)

四 四四

四、、、結果與討論、結果與討論結果與討論 結果與討論

本 章 將 針對研究樣本進行資料分析，首先將研究樣本之基本特徵進行描述，

再針對測量模型進行內在配適檢驗以及整體模式配適，而後針對本研究所提出之 結構模進行研究假設之檢定。

4.1 受訪者的社經背景

本研究剔除無效問卷後統計發現，龍鑾潭生態保護區受訪遊客社經背景分佈 如表 4-1-1 所示：男女性別平均，但以男性稍多，佔 50.2 %；在年齡層方面，遊客 以 31~40 歲最多，佔 28.4 %，其次為 41~50 歲，佔 21.5 %，依次為 21~30 歲，佔 19.7 %；在教育程度方面，以大學學歷者居多，佔 38.8 %，其次為專科學歷，佔 19.9 %；在個人平均月收入方面，以平均 30,001~40,000 元收入者為眾，佔 17.0 %，

其次為收入 40,001~50,000 元，佔 15.1 %；在職業方面，以學生為最多，佔 29.0 %，

其次為軍公教，佔 20.2 %，依序為服務業，佔 10.4 %；在居住地方面，以高雄市 最多，佔 30.0 %；其次為屏東縣，佔 12.3 %，依次為台中市，佔 11.4 %；在隨行 同伴方面，以 5 人含以上，佔 52.1 %，其次為 3 人，佔 16.7 %；在與誰同行至此

其次為軍公教，佔 20.2 %，依序為服務業，佔 10.4 %；在居住地方面，以高雄市 最多，佔 30.0 %；其次為屏東縣，佔 12.3 %，依次為台中市，佔 11.4 %；在隨行 同伴方面，以 5 人含以上，佔 52.1 %，其次為 3 人，佔 16.7 %；在與誰同行至此