第三章 休閒參與量表編製
第四節 資料分析方法
屬構面是否適切進行內容效度評鑑（Assessment of Content Validity and
Relevance），若不甚適切，則如何調整並提供用字遣詞及增刪題目之修正意見，
如遇題項有爭議之情況，例如有2 位專家建議刪除題目，1位專家則建議修改即 可，則與指導教授討論後再決定刪除或修改，彙整修妥完成之後為預試問卷，隨即 進行預試。
（二）折半信度考驗（Spill-half Reliability）
為了測驗本量表問卷題項的一致性及可靠程度，因此，在正式發放問卷 中將另外採用折半信度來評估信度。折半信度屬於內在一致性係數，作法是將 調查量表項目分為數目相等的兩半獨立計分，然後計算這兩半得分的相關係 數，進而估計整個量表的信度。
本研究設定以預試及正式量表題項中，將題項依休閒活動的性質區分為兩 份類似之量表，重覆進行折半信度考驗以驗證其編制之量表是否具有一致性及 可靠性信度。
測量模型（Measurement Model）的因素負荷量，檢驗五大類休閒活動、參與頻 率、參與持續時間、心理涉入程度之間的適配程度之外，亦進行收斂效度
（Convergent Validity）與區別效度（Discriminant Validity）之驗證。進而探討彼 此之間的關聯性，呈現觀察變項與各潛在變項間的因果關係與適配度。以下說明 各分析方法：
一、敘述性統計分析（Descriptive Statistics）
本研究進行敘述統計分析，了解人口學特質分布情形，本研究欲藉由性別、
婚姻、年齡、就讀年級、住宿情形、打工情形、休閒時數及支配所得等問項，進 行各項資料分析。
二、信度分析（Reliability Analysis）
本研究以SPSS17.0版統計軟體，進行Cronbach’s α信度係數，以及量表的
折半信度相關係數分析，檢視量表整體的內部一致性是否良好。
三、結構方程模式（Structural Equation Modeling，SEM）
LISREL 是由瑞典學者Jöreskog 在1969 年所發展出來的一套軟體。它是藉
由分析一個封閉理論模式中多個線性迴歸方程式，了解模式中變數間之因果關 係，對結構模式中因子間的關係強 度進行參數估計或檢定此模式的適合度，並同 時處理一系列依變數間的關係。結合結構方程式與因素分析模式，克服路徑分析 的假設限制，允許變數存在測量誤差，也允許方程式存在著誤差（或殘差），並 估計潛在變數間的因果關係。驗證性因素分析雖已考慮變數的測量誤差，也分析 潛在變數間的相關。
近年來在社會科學和行為科學研究中常使用路徑分析（Path Analysis）、因 果模式（Causal Modeling）、線性因果分析（Linear Causal Analysis）、結構方
根據理論知識及實證研究，研究者在使用實證的數據驗證時，就已先提出觀 察變項與潛在變項之間的關係，並建立一套結構模式（謝智謀，1999 ）。然後 根據所蒐集到的數據去驗證這個理論假設模式，如果適合度（Goodness of Fit）
考驗適配，這個結構模式予以採用。其目的在以線性結構關係模式驗證正式 量表 之建構效度。
（一）LISREL 模式的分析步驟
1. 理論發展（Theoretical Development）：LISREL 模式的建立必須以理論為 基礎，依據文獻回顧選擇變 數與決定變數間的因果關係，以建立假想理論 模式。
2. 模式界定（Model Specification）：將 理論所呈現的假設以因果關係路徑圖 或方程式來表達。
3. 模式識別（Model Identification）： 若模式是可識別的，則理論上模式中的 每個參數皆可導出一個唯一的估計值。也就是說模式必須是可識別的，分 析才能順利進行。
4. 確認變項與蒐集資料：蒐集實際的測量資料與選擇用於模式中的測量變數 來檢驗模式的適當性。
5. 模式估計（Model Estimation）：選擇適當的估計法來評估變數間關係。
6. 適配度評鑑（Assessment of Fit）：評估模式與所蒐集資 料間適配的程度。
7. 模式修正（Model Modification）：當適配 度未達可接受的程度，則依理論 假設和統計結果進行修正，再重新估計模式。
8. 解釋（Interpretation）：對模式的統計結果作解釋。
（二）整體模式適配度檢定
LISREL的輸出結果中提供多種不同的模式適配度評鑑指標，邱皓政
（2004）、張紹勳（2001）與黃芳銘（2003）歸納出以下幾種模式適配度評鑑
1. Chi-square（χ2）：在考驗假設模式與實徵資料的配適程度，χ2的值越小表 示假設模式與實徵資料越契合，通常 p 值應大於 .05。但由於 χ2 的值往往 會受到模式複雜度（自由度）與樣本數所影響，因此，建議可採用其他配適 度指標來考驗模式的配適度。
2. χ2 與自由度比值（χ2/df）：由於 χ2 值會受自由度的影響，因此以 χ2 與自 由度比值來考驗模式配適度較 χ2 值更為合適。一般建議越小越好，Byrne
（1989）認為當 χ2/df 比值小於 2 時，顯示模式具有良好的配適度。
3. Goodness of fit index（GFI，配適度指標）：GFI 值已將自由度納入考慮，
且將χ2 值轉換為介於0~1 的指標。GFI 值越大表示假設模式與實徵資料越 契合，根據Bentler and Bonett（1980）的建議，GFI 值大於 .90 以上表示模 式具有良好的配適度。
4. Adjusted GFI（AGFI，調整後配適度指標）：將GFI 指標納入模式自由度
與相對應之參數比值後調整出更穩定之指標，不易受模式複雜度所影響。而 根據Bentler and Bonett（1980）的建議，AGFI 值大於 .90 以上表示模式具 有良好的配適度。
5. Normed fit index（NFI，基準配適度指標）：NFI 值是計算假設模式 χ2 與
虛無模式 χ2 的差異量所推導出的指標。根據Bentler and Bonett（1980）的 建議，其適配值需大於.90。
6. Comparative fit index（CFI，比較配適度指標）：將NFI 加以修改後的數值，
具備更穩定的特性，CFI 值需大於 .90 以上（Bentler, 1990）。
7. Root mean square residual（RMR，殘差均方根）：為未標準化假設模型之整 體殘差，一般要求其值需小於.05。
8. Root mean square error of approximation（RMSEA，漸近誤差均方根）：為 比較假設模型與實際模型間的差異。RMSEA 值小於 .05 為良好配適度，
RMSEA 值介於.05 ~ .08 之間可視為還算不錯的配適度，而RMSEA 值介
表3-2 驗證性因素分析適合度指標一覽表 適合度指標 代表值 適合度之說明
χ2 卡方列表的值
以卡方值愈小愈好，對應自由度所 得的值。
χ2/df 1.0 ∼ 3.0
1.0 ∼ 2.0 代表非常好之適合度 2.0 ∼ 3.0 代表可接受的適合度 Goodness-of-Fit（GFI）
0（完全不適合）
到1（完全適合）
值高於 0.90 代表可接受的模式 適合度
Adjusted GFI（AGFI）
0（不適合）到 1（完全適合）
依據變數數目和模式的自由度修 正GFI，值高於 0.90 代表可接受 的模式適合度
Root-Mean-Square- Residual（RMR）
由研究者自定水準
（level）
代表 ε 和 s 矩陣的相近程度。
Root-mean-square error of approximation
（RMSEA）
小於 0.05
值小於 0.05 代表良好的模式適 合度。
Comparative Fit Index
（CFI）
0（完全不適合）
到1（完全適合）
值高於 0.9 代表可接受的模式適 合度。
資料來源：Schumacker & Lomax（1996）. A Beginner’s Guide to Modeling Structural Equation.（引自謝智謀，1999）