因素分析於生活品質量表上之應用 文章摘錄自「因素分析於生活品質量表上之應用」(作者:姚開屏、翁儷禎) 探索性因素分析的研究設計 探索性因素分析可以用來做為發展測量工具及資料分析之用,其中在對測量工具的發展時,可用在篩選量表題目(即變項)及驗證量表之建構效度(construct validity)兩方面。通常說來,一個好的題目需在所對應之因素上有較高的因素負荷量,如果因素負荷量太低,或在多個因素上皆有相等的因素負荷量,則我們需考慮應該要將此題目修改或刪除;這是由於通常我們所設計的一個題目是有其所歸屬的一個向度,理想上一個好的題目是能在原所設計歸屬的因素上有較高的因素負荷量,而在別的因素上因素負荷量相對地較低。在對量表之建構效度驗證方面,乃是指對題目作因素分析所找得到的因素,與原先所構想的量表之因素能相呼應,如果不能,研究者需思考原先之研究架構是否適當或檢視量表題目是否適當或需修改,之後再進行分析。在做實質的探索性因素分析時,需注意以下數點: 1. 研究者最好事前就對資料分析的方法能有所計畫。 2. 根據過去的理論或自己的研究經驗提出因素結構之初步假設,而後可能再加以修正。 3. 變項或說題目最初的設計,應盡量避免同時測多個因素。通常一個因素會用三個或三個以上的變項來界定它,應盡量避免以兩個變項來界定一個因素。 4. 若事前已知資料是有階層性的(hierarchical)關係,應盡量避免把不同階層的變項合在一起分析。應該要以低階層資料為主來分析。 5. 能用來作因素分析的變項最好是以連續的等距性資料為主。 所收集到的變項是可信的(reliable)且需大致上符合常態分配,變項間是線性相關(linear relationship)。若變項所採用的是李克氏量尺(Likert’s scale),則通常建議點數要五點或五點以上。 6. 資料收集所使用的樣本需有找房子代表性,人數通常建議至少兩百人或題目數的五  倍以上,並避免將預知其因素組成可能不同之族群的樣本合起來分析。 7. 依資料之特性來對資料採用適當的相關係數法求相關矩陣,以對資料進行因素分析,並注意對共通性估計、決定因素數目,及因素負荷量之估計的方式是否適當(見前一節所述)。 8. 選用適當的方法以估計共通值、決定因素數目、估計因素負荷量、做因素轉軸。 9. 對結果作適當的解釋或修改原先之因素假設並繼續作分析、研究,累積性之長期研究是應被鼓勵的。 10. 可用其它的分析方法來看是否得到同樣的結果,例如:聚落分析或多元尺 度分析法等。 11. 若是可能,可用不同的樣本重複檢視結果是否相同(cross-validation),或用 驗證性因素分析以評量因素結構之適合度。 總結,研究者在問卷編製或因素分析之前,應該對研究變項間的結構有初步的瞭解或假設,在因素分析時須考慮因素抽取方式是否適當?因素數目的決定是否合宜?如何轉軸才合於理論觀點?在完成一個樣本的因素分析後,最好能以其他樣本重複檢視,或作驗證性因素分析以評量該因素結構的適合度,由此再重新檢討理論或修訂量表。研究者宜盡量避免報告出未經因素旋轉之分析結果、或將第一個因素解釋為一般因素(general factor)、或只用一次收集的資料分析出之結果來當作最終之結果。因素分析是一種資料分析的方式,是一種研究的工具,在上述的這些過程中,研究者的主觀判斷非常重要,研究者宜對研究議題的理論背景加強瞭解,再參酌自己的研究經驗以做判斷,避免被資料分析的結果牽著鼻子走。 驗證性因素分析的簡介 前面已經談過驗證性因素分析是用在對因素結構有較清楚的瞭解,而想驗證所觀察的資料是否與所假設的因素結構相符合,或說該假設是否能解釋資料變項間的共變關係。例如:圖二為WHOQOL-BREF量表之假設因素土地買賣結構,是一個一共有四個因素(生理、心理、社會、環境)來影響二十四個層面的結構。我們可採用驗證性因素分析法來估計各因素與層面間的係數,並估計這些係數複製回去的變項間之共變數,以此與所觀察的變項間共變數來比較,以瞭解此假設模式是否符合原資料之情形。以下略談驗證性因素分析的步驟,關於驗證性因素分析較詳盡的介紹,讀者可參見林清山[18]、Bollen[12]、Long[3]、Schumacker與Lomax[4]等的著作。 確立因素結構關係(Specification) 研究者宜根據過去文獻上的理論、研究結果,再加上自己的研究經驗,而建立一個假設的因素結構,模式可含觀察變項及潛在變項。為了較易於瞭解整個模式架構,可將因素與變項間之模式圖畫出。這個模式只可說是所有可能的模式中之一種,而非唯一。 找出單一組解(Identification) 我們都瞭解要解三個未知數,需要有三個(非線性相依)聯立方程式,才能得到唯一一組解。相似地,為了能對假設模式之參數求得適當的解,資料的訊息(來自於觀察變項之共變數)需要足夠。此步驟研究者需判斷是否資料的訊息足夠讓假設模式得到單一組解,若是不能則需稍修改模式,例如假設在某些參數值固定之下,來得其他參數之解。 估計參數(Estimation) 估計的方法有許多種,例如:maximum likelihood(ML)、 unweighted least squares(ULS)、generalized least squares(GLS)、reweighted least squares、diagonally weighted least squares(DWLS)、instrumental variables(IV)、two-stage least squares(TSLS)等。這些方法除了ML外,皆為最小平方法(least squares)之一種。估計參數時亦需同時考慮變項的分配。 評估模式(Evaluation) 此步驟最主要的是要檢驗資料與假設模式之間的適合度情形,研究者可先檢查資料分析之前是否有不適當的資料(如:極端值、資料分配不是常態等)出酒店經紀現,再看資料分析之後估計出之參數是否符號及數值符合預期、參數之標準誤(standard errors)是否合理、模式之解釋變異量有多少、殘差有多少,另外還可採用多種適合度指標來看出估計(由參數複製出的變項共變矩陣)與觀察(原有變項間的共變矩陣)共變數間的差距。這些指標有:chi-square test、chi-square difference test for nested models、NFI及NNFI、comparative fix index(CFI)、goodness-of-fit indices、Akaike information criterion(AIC)、consistent AIC、single-sample cross-validation index、root mean square error of approximation、incremental fit index、relative fit index、parsimony normed fit index、parsimony goodness-of-fit index、critical N法等許多種。每一種指標有其判斷此差距大小的標準,在可容許之差距範圍內,則表示假設之模式算是符合所觀察的資料。若指標顯示模式與資料間有差距,研究者可考慮將模式作一些修正,例如增加或減少某些變項間之關係(模式中以箭頭來表示),而後再求修正後的模式之適合度指標。研究者需特別注意的是:資料與假設模式相符合只表示此模式乃可接受之模式的一種,但非唯一最好之模式。經過修正的模式應以另外收集的新資料再次驗證。 不論是探索性因素分析或驗證性因素分析,都可被用來作為發展測量工具及驗證研究假設的工具。這兩種方法通常都需要藉助電腦的幫忙來得到結果。在過程中,研究者切記勿被電腦之結果被動式的導引,而全盤接受電腦結果。反之,研究者應該站在主動的立場,憑自己研究上的經驗來做判斷、做取捨。由此觀之,研究者對研究議題的深入瞭解,及對此些研究方法的判斷能力,就顯得格外重要了。


.msgcontent .wsharing ul li { text-indent: 0; }



分享

Facebook
Plurk
YAHOO!

酒店打工
arrow
arrow
    全站熱搜

    cy09cygvfl 發表在 痞客邦 留言(0) 人氣()