驗證性因素分析

本研究之探討構面共有經驗、顯性知識、認知基模、決策效力、情感記憶、

情感反應、羊群效應及直覺決策等八項構面，且研究假設構面間具有層級關係及 間接效果之中介構面，為確保後續研究進行構面間之關係探討，本節將針對各潛 在變數之可觀測變項進行驗證性因素分析，以確保後續探討結構性方程模型之模

型配適度。

本研究以最大概似法（Maximum Likelihood）作為驗證性因素分析之參數估 計方式，模型之適合度衡量指標選用卡方自由度比、GFI（Goodness of Fit Index）、

AGFI （ Adjusted GFI ）、 NFI（ Normed Fit Index ）； 替 代 性 衡 量 指 標 為 CFI

（Comparative Fit Index）、RMSEA（Root Mean Square Error of Approximation），

而殘差分析則使用 RMR（Root Mean Square Residual）作為模型之衡量指標，如 表 5.4 所示，並搭配各觀察變項路徑之顯著程度（*表 P 值＜0.05；**表 P 值＜

0.01；***表 P 值＜0.001）及修正指標（Modification Indices）作為模型修正基準。

表5.4 模型契合度衡量指標

指標名稱 性質 範圍 判斷值 適用情形

卡方自由度比

（χ²/df）

考慮模式複雜度後 的卡方值

視觀察資料樣

本大小而定 <3 不受模式複雜度影 響

GFI 理論模型可解釋觀

察資料的比例 0～1 >0.90 說明模型解釋觀察 資料能力 AGFI 考慮模式複雜度後

的 GFI 0～1 >0.90 不受模式複雜度影 響

NFI 比較理論模型與獨

立模型的卡方差異 0～1 >0.90 說明模型較獨立模 型改善程度

CFI

理論模型與獨立模 型的非中央式差異

程度

0～1 >0.90 說明模型較獨立模 型改善程度 RMSEA 比較理論模式與飽

和模型之差距 0～1 <0.08 不受樣本數與模式 複雜度影響 RMR 未標準化理論模型

整體殘差

視觀察資料樣 本大小及變異

量而定

<0.08

瞭解殘差特性是否 反應觀察資料的變

異量 資料來源：邱皓政（2006）

圖5.2 經驗構面驗證性因素分析

50

將其分析結果彙集整理而成表 5.5 所示。由於本問卷量表之構面數量偏多因而不 條列其驗證性因素分析繪製圖，僅列舉經驗構面之分析結果，如圖 5.2 所示。

為解決驗證性因素分析模型不顯著的問題，可放寬構面之模型假設，若觀察 變項之 P 值呈現顯著，但模型配適度無法滿足指標衡量標準，則藉由增加觀察變 項間之相關性可使模式配適度提高；若觀察變項之 P 值呈現不顯著，且模式配適 度亦無達到各項指標標準，則頇藉由刪除觀察變項動作以提高模式配適度。經初 步驗證性因素分析後頇修正之構面有：顯性知識、認知基模、決策效力、情感記 憶、羊群效應、直覺決策，修改動作如 5.6 所示。

透過驗證性因素分析各項衡量指標對原始模型進行修正動作，針對修正後之 各項模型構面，本研究將採用 Cronbach’sα、變異數萃取估計量、因素負荷量及 t 值顯著檢定以分別對模型進行信、效度分析。旅客直覺決策模型各項構面之 Cronbach’s α整體而言皆能接近 Cronbach（1951）建議之 0.7 值，惟羊群構面之 值為 0.588 略顯偏低，而組合信度方面，各構面之混合信度皆高於標準值 0.6。

接著對各構面之變異數萃取估計量進行估計，發現各構面皆超過其標準值 0.5，

顯示該問卷構面之觀察變項具一致性及穩定性，達足夠信度以進行下一階段結構 性方程模型之路徑分析。

經模型配適度評估指標修正後之問卷構面已達良好之模型配適度，因此本研 究將進一步利用收斂效度以進行模型效度分析，如表 5.6 所示。由彙集整理而成 之總表顯示問卷構面之各觀察變項檢定統計量及 P 值均能達到顯著水準，代表各 觀察變項與其潛在變項間之相關性為顯著。而透過驗證性分析後之各觀察變項標 準化因素負荷量均有達到 0.4 以上之值，惟其中 CS4、HB4 及 ID2 三項略低於標 準，但由於其指標皆具有收斂效度，因而將其變項保留以作進一步結構方程模型 之分析，整體而言，顯示出旅客直覺決策模型之量表內容皆具有良好之收斂效度。

52

Cronbach’s α