|
3、测量模式分析 本研究以结构方程模型(Structural Equation Model, SEM)来进行数据分析，SEM的基本概念形成于1970年初期，SEM的优点在于(1)SEM因素分析若从不同母体抽样，是否可导出相同的因素模式；(2)可经由结构模式同时估计一系列单独但互依的复回归方程式；(3)回归与因素分析皆无法处理共线性，但SEM可以；(4)SEM可以解释潜在变量间之因果关联；(5)一般而言，测量的信度越低，越难观察出潜在变量及其它变量间之关系，但SEM可以使用重要性排序，来处理未知的测量信度问题(Reisinger and Turner, 1999)。 SEM包含二个阶段：测量模式分析(Measurement Model Analysis)与结构模式分析(Structural Model Analysis)。测量模式是验证研究模式中，各测量变量是否能正确的测量到其他潜在变项，此测量方式包含信度(个别项目信度与潜在变项的组成信度)与效度(建构效度)之检定。 (1) 信度分析 ——个别项目信度(Individual Item Reliability)： 主要是以测量潜在变量对该变项之因素负荷量，同时检视每个负荷量是否具有统计显著性。依据Chin(1998)对PLS法的见解，因素负荷量最好大于0.7，0.5或0.6亦可以接受。在删除因素负荷值低的题目后，从表3中显示，本研究各变量皆具有统计显著性，因素负荷量皆大于0.7，即各构念有良好的信度。 ——变项的组成信度(composite reliability, CR)： 本研究模式在潜在变项的组成信度，如表3所示介于0.910~0.948之间，皆高于Hair et al.(1998)的建议值0.7，表示各构念指标具有高度的内部一致性，CR值愈高代表测量变量愈能测出该潜在变项。 表3 各研究变量之信度分析
（2）效度分析 内容效度(Content Validity) 内容效度反映问卷本身内容的广度及适切度，系针对问卷的目标和内容，以系统的逻辑方法作分析。本研究中的各项变数是透过理论、文献及相关研究的汇整、搜集而来，另外对于测量工具的选择亦是经过理论、文献及相关研究的支持，因此其所能涵盖内容主题的程度符合内容效度(Content Validity)的要求。 收敛效度(Convergent Validity) 平均变异抽取量(Average Variance Extracted, AVE)，是用来计算潜在变项之各测量变项对该潜在变项的变异解释力，若平均变异抽取量之值愈高，则表示潜在变项有愈高的收敛效度，Fornell and Larcker(1981)建议其标准值须大于0.5以上。表4各构念之AVE值介于0.671~0.785，故可知本研究模式具有良好的收敛效度。 区别效度(Discriminate Validity) 由表4可知本研究各构念间之区别效度(Discriminate Validity)，所有构念之平均变异抽取量(AVE)的均方根皆大于构念间之相关系数，由此可得知本研究模式之各构念具有足够的区别效度 (Fornell and Larcker, 1981)。根据经验法则，两构念相关系数绝对值大于 0.6 时可怀疑以回归模式进行数据分析会产生共线性，而预测变數间的相关程度高所产生的共线性问题可由本研究采用的PLS法来克服，藉由同时将预测变數与解释变數有关連的部分纳入模型，可避免以传统的主成分分析法可能删错成分的失误，并且结合主成分分析与路径分析以找出一组预测变數与解释变數的最适回归系數组合。 表4 测量模式的构念相关矩阵
注: 对角线之数值(阴影部份)代表平均变异抽取量(AVE)之均方根，非对角线为各构念间之相关系数。 |
