數位學習遷移動機影響因素驗證

本研究為驗證所發展的數位學習遷移動機影響因素量表中其潛在構 念確實可以由觀察變項所反映，而各觀察變項也是其潛在構念的反應指 標（reflective indicatior），在本節中將運用測量模式來驗證其相對應關係，

亦即運用驗證性因素分析驗證探索性因素分析所歸納的構念結構。根據 探索性因素分析的結果，本研究有 13 個潛在變項（含括 1 個依變項）

和 79 個觀察變項之間的關係（含括依變項 4 題），因素 1 持續學習 文化有 5 個觀察變項、因素 2 知覺組織支持有 6 個觀察變項、因素 3 遷移設計有 4 個觀察變項、因素 4 科技促進有 4 個觀察變項、因素 5 系統品質有 4 個觀察變項、因素 6 服務品質有 13 個觀察變項、因素 7 學習滿意度有 12 個觀察變項、因素 8 內容效度有 5 個觀察變項、

因素 9 內容使用有 6 個觀察變項、因素 10 主管支持有 6 個觀察變 項、因素 11 績效結果期望有 3 個觀察變項、因素 12 遷移能力有 7 個 觀察變項。

本研究使用 Lisrel 軟體分析，採用最大概似估計法估計參數。依據 Bagozzi 和 Yi（1988）的建議來驗證假設模式與實際資料是否契合，涵 括三方面：1. 基本適配度指標（perliminary fit criteria）。2. 整體模式適 配度指標（overall model fit），屬於模式外在品質的考驗。3. 模式內在結 構適配度指標（fit of internal structural model），屬於模式內在品質檢核。

一、基本適配度指標

Bagozzi 和 Yi（1988）認為在量測模式適配標準上，有五個項目要 衡量以評鑑基本模式適配程度，包含：1. 不能有負的誤差變異、2. 誤 差變異必須達到顯著水準、3. 估計參數之間相關絕對值不能太接近 1，

最好小於 0.90、4. 因素負荷量不能太高或太低，最好介於 0.50 - 0.95 以

118

119

120 表 4-10 估計參數間的相關係數

因素 1 2 3 4 5 6 7 8 9 10 11 12 13

1 持續學習文化 1

2 知覺組織支持 0.72 1

3 遷移設計 0.52 0.61 1 4 科技促進 0.41 0.37 0.53 1 5 系統品質 0.47 0.46 0.62 0.70 1 6 服務品質 0.50 0.47 0.59 0.70 0.69 1 7 學習滿意度 0.50 0.54 0.74 0.53 0.68 0.58 1 8 內容效度 0.46 0.42 0.59 0.61 0.59 0.59 0.65 1 9 內容使用 0.56 0.66 0.54 0.44 0.47 0.50 0.56 0.57 1

10 主管支持 0.53 0.58 0.57 0.52 0.55 0.56 0.60 0.56 0.58 1 11 績效結果期望 0.52 0.57 0.71 0.60 0.66 0.63 0.76 0.66 0.62 0.81 1 12 遷移能力 0.53 0.66 0.55 0.30 0.45 0.41 0.55 0.44 0.62 0.60 0.61 1 13 依變項-遷移動機 0.53 0.56 0.59 0.48 0.55 0.57 0.63 0.57 0.61 0.81 0.83 0.63 1

二、整體模適配度指標

本研究在量測模式驗證使用絕對適配度指標評鑑模式的預測或再製 程度，包含規範卡方（normed chi-square）、漸進誤差均方根（root mean square error of approximation, RMSEA ） 以 及 標 準 化 均 方 根 殘 差

（standardized root mean square residual, SRMR）等指標。進而利用增值 適 配 度 指 標 確 認 測 量 模 式 適 配 改 進 比 率 ， 其 指 標 包 含 契 合 度 指 標

（goodness of fit index, GFI）、調整後契合度指標（adjusted goodness of fit index, AGFI）、比較適配指標（comparative fit index, CFI）、非規範適配 指標（non-normed fit index, NNFI）等。此外，尚透過簡約適配指標確認 研究量測模式是否有過度適配情形，使用指標包含簡效規範適配指標

（parsimonious normed fit index, PNFI）、簡效良性適配指標（parsimonious goodness of fit index, PGFI）、Akaike 標準訊息指標（Akaike information criterion, AIC）以及胡特臨界數（Hoelter’s critical n, CN）。

在本研究的初始模式中，增值適配指標的 GFI = 0.72（建議為 ≥ .90

121

較好）、AGFI = 0.69 （建議為 ≥ .90 較好）以及簡約適配指標的 AIC = 7154.69 （>飽和 AIC = 6320.00，建議應小於較好）、CN = 198.64（建 議 ≥ 200 較好）四個適配度指標未達建議的值（表 4-11），顯示本模式 還有改進的空間。根據 Jöreskog（1993; 引自黃芳銘，2007）的建議可 進一步參考修正指標（modification indices, MI）來處理，並建議 MI 值 最好低於 3.84，修正時可從最大的修正指標進行修正，當最大的修正指 標無法具有理論意義，則選擇次大指標，直到有意義指標方給予估計。

在初始模式中發現有相當多的 MI 值大於 3.84，從最大的 MI 值開 始刪除，首先優先刪除 MI 值大於 40 的題目，並題目對理論的貢獻斟 酌刪除的題項，首次刪題共計刪除 14 題（題號 1-4、4-1、6-1、6-3、

6-11、6-13、7-1、7-3、7-4、7-12、9-1、10-2、12-2、12-5），檢測結果 AIC

= 3825.96（< 飽和 AIC = 4160.00 和獨立 AIC = 148299.78）、CN = 249.74 已符合簡效約適配指標，然而 GFI = 0.80 和 AGFI = 0.78 其值明顯提 高，但是仍未達建議值，繼續進行第二次的修正。第二次修正以 MI 值 大於 15 者優先刪除，共計刪除 13 題（題號 1-1、2-3、2-6、6-2、6-4、

6-6、7-6、7-8、7-11、8-4、9-5、9-6、12-6），此次 GFI = 0.85 和 AGFI

= 0.82 其值同樣提高，但是仍未達建議值，繼續進行第三次的修正。重 新進行估計，第三次修正以 MI 值大於 5 者優先刪除，然而在 MI 值 9 以上就停止模式適配值的增長，故停止刪題，本次共計刪除 8 題（題 號 3-1、5-1、6-12、7-9、8-3、10-1、10-6、13-1）。經三次修正後，由 於 MI 值 9 以上之間的題項刪除後已無法提升指標，而且已接近適配 度標準，最後量測模式驗證的絕對適配度為 Normed χ² = 1.537（≤ 3 較 好）、RMSEA = .033（0.5 良好）、SRMR = .034（≤ 0.5 較好）；而其增 值適配度為 GFI = 0.89（≥ .90 較好）、AGFI = .86（≥ .90 較好）、CFI = .99

（≥ .95 較好）、NNFI = .99（≥ .90 較好）；簡約適配度為 PNFI = .85（≥ .5

122

較好）、PGFI = .74（≥ .5 較好）、模式 AIC = 1543.86（< 飽和 AIC = 1980.00、獨立 AIC =64398.04 較好）、CN = 310.13（≥ 200 較好）。

本研究模式大半已達適配標準，顯示在適配指標方面，模式適配度 極為理想。在 AGFI 未達建議值，Hu 和 Bentler 曾說明當潛在變數獨 立且以 0.90 門檻值決定模式接受或拒絕，若樣本不夠大容易產生高拒 絕現象（引自黃芳銘，2007），MacCallum、Browne 和 Sugawara（1996）

更提出當自由度大於 70 以上，其樣本必須在 500 人才容易達到該門 檻，本研究樣本數為 426 人，由此觀點可解釋該指標較難達到之原因。

整體模式刪除較大 MI 值後，題數由 79 題縮減至 44 題，並達成較好 的整體模式配度，利用此些題項（附錄八）繼續進行模式內在結構檢驗。

123 square error of approximation,

0.055 0.044 0.039 0.033

標準化均方根

0.043 0.038 0.034 0.034

增 goodness of fit index,AGFI）

198.64 249.74 275.84 310.13 註：指標適配度指標說明整理自黃芳銘（2007）。

124 三、模式內在結構適配度指標

依據 Bagozzi 與 Yi（1988）提出的內在結構適配度的準則，有六項 指標建議，分別為：1. 個別項目的信度（individual item reliability）大於 0.50、2. 潛在變項的組成信度（composite reliability, CR）大於 0.60、3. 潛 在變項的平均變異萃取量（average variance extracted, AVE）大於 0.50、

4. 所有估計參數均達顯著、5. 標準化殘差（standardized residuals）的絕 對值小於 1.96（Jöreskog & Sörbom（2000）提出修正該指標可為 2.58）、

6. 修正指標（modification indeces, MI）小於 3.84。在整體模式配度指 標的檢驗過程中，即使用 6. 修正指標進行模式修正，本研究基於理論 模式的模式可解釋性及簡約性而停止修正，所以在內在結構適配指標則 不再進行修正。因此，本研究將就五項指標進行檢驗，以確認本研究模 式的內在結構適配度，並將數據呈現於表 4-12。

(一) 個別項目信度分析

個別項目信度分析主要針對各觀察變數對其潛在變數的因素負 荷量能否負載潛在變數，當因素負荷量低於 0.50 的題項則不適合負 載該潛在變數。本研究模式的個別信度從表 4-8 的標準化因素負荷 量（

λ

）欄可得知均在 0.50 以上，介於 0.61 - 0.91 之間，說明每 一題項都具備良好的信度。

(二) 潛在變項的組成信度分析

CR 是一個介於 0 至 1 的比值，潛在變數的組成信度是其所有 觀察變數之信度的組成，其概念如同 Cronbach’s α，數值越高代表

「真實變異佔總變異的比例越高」，亦即內部一致性也是越高，建議 潛在變項的 CR 值能達到 0.60 以上。其計算公式如下：

CR = (

Σ

Loading)² /

［

(

Σ

Loading)² +

Σ

error

］

125

在表 4-8 CR 欄位中可見，本研究的量測模式 CR 值介於 0.80 - 0.92，顯示具有良好的信度。

(三) 潛在變項的平均變異萃取量分析

AVE 量是計算潛在變數之各觀察變數對該潛在變數的平均變異 解釋力。若 AVE 量愈高，則表示潛在變數有愈高的收斂效度，建 議其標準值須大於 .50。其計算公式如下：

AVE =

Σ

Loading² / (

Σ

Loading² +

Σ

error)

從表 4-8 AVE 欄位可見本研究量測模式各潛在構念的 AVE 量 皆大於 0.50，介於 0.54 - 0.78 之間，具有良好的收斂效度。

(四) 估計參數顯著情形分析

估計參數的顯著是檢定觀察變數對該潛在變數的因素負荷量是 否達到顯著水準，它是一個標準化值，判別方式可從 t 值進行檢視，

當其絕對值至少為 1.96 時，p 值就達 0.05 的顯著水準。從表 4-8 的 t 值欄可判別其值皆在 1.96 之上，達顯著水準，所以量測模式 的估計參數皆達顯著，符合內部結構適配指標。

(五) 標準化殘差分析

標準化殘差是用來計算估計值與樣本值之間的誤差，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（Jöreskog

& Sörbom, 2000）。在本研究的測量模式標準化殘差值有 946 個，其 絕對值超過 2.58 者有 25 個，整體不符合比率為 2.64%，其餘 97.36% 皆分布在絕對值 2.58 內，因此，有很高比例的標準化殘差 值皆通過檢驗，本研究量測模式的殘差結構尚屬良好。

126

127

128

129

在文檔中 員工數位學習遷移動機影響因素之研究 (頁 131-143)