18第十八章 SEM 结构方程模式实例.ppt

《18第十八章 SEM 结构方程模式实例.ppt》由会员分享，可在线阅读，更多相关《18第十八章 SEM 结构方程模式实例.ppt（60页珍藏版）》请在三一办公上搜索。

1、第十八章 SEM 結構方程模式實例,18-1 量表的設計與問卷的回收18-2 LISREL 測量模式分析18-3 LISREL 整體關係模式分析18-4 理論模型與因果關係之檢定和解釋,18-1 量表的設計與問卷的回收,SEM的全名是 Structural Equation Modeling(結構方程模式)是一種統計的方法學，早期的發展與心理計量學和經濟計量學息息相關，之後，逐漸受到社會學的重視，因為結構方程模式除了結合了因數分析和路徑分析兩大統計技術外，更是多用途的多變量分析技術。在使用Structural Equation Modeling(結構方程模式)時，需要有測量的工具 量表，量表對

2、於社會科學研究中從事量化研究的人員而言，是相當重要的一環，少了量表，我們就無法作到量化的效果，從事社會科學研究的人員常常會遇到在進行問卷調查設計時，發現自行發展量表並不是一件容易的事，必須經過嚴謹的處理，才能發展出一份適當的、穩定的量表，因此，我們可以借用發展成熟的量表，來進行量測，我們整理問卷發展的步驟如下：,圖一：問卷發展的步驟,問卷結構分為六個部分，以李克特五尺度法（Likert Scale）將程度分為五尺度衡量。在資料編碼上，依照答卷者勾選的程度強弱由15 進行編碼，例如極不同意則編碼為1，而非常同意則編碼為5。綜合以上述，本研究的問項問卷結構以及操作化參考來源如下表所示：表一：本研究

3、問卷結構以及參考來源,我們發展的問卷內容如右表：,表二：問卷內容,本研究問卷共發出957份，回收372份，扣除填答不全與胡亂填答之無效問卷22份，有效問卷350份，有效回收率為36.57%。,18-2 LISREL測量模式分析,模式基本適配度LISREL 測量模式中包含了兩種變數：潛在變數以及觀測變數。潛在變數是指無法直接觀察或測得，但可由觀測變數所推估出來，至於觀測變數在實證上則可利用問卷直接測得。在LISREL 測量模式中觀測變數與潛在變數間的關係須藉由估計所得之值來解釋，而值即為測量方程式的估計值，可用來衡量觀測變數對潛在變數之影響。當t 值1.96，表示已達到值為0.05 的顯著水準以

4、*表示；當t 值2.58以*表示，表示已達到值為0.01 的顯著水準；當t 值3.29，則表示已達到值為0.001的顯著水準以*表示。,我們執行量測模式的簡單步驟有三項，如下1.畫出量測模式的圖示,圖二：量測模式,2.寫出量測模式的語法,TI CFA of MI CO SQ IQ SV US DA NI=17 NO=350 NG=1 MA=CMCM FI=C:SEMSEM.COV SYLA MI1 MI2 MI3 CO1 CO2 CO3 SQ1 SQ2 SQ3 IQ1 IQ2 SV1 SV2 SV3 US1 US2 US3 SE1 2 3 4 5 6 7 8 9 10 11 12 13 14

5、15 16 17/MO NX=17 NK=6 LX=FU,FI PH=SY,FR TD=DI,FR LKMI CO SQ IQ SV US FI PH(1,1)PH(2,2)PH(3,3)PH(4,4)PH(5,5)PH(6,6)FR LX(1,1)LX(2,1)LX(3,1)LX(4,2)LX(5,2)LX(6,2)LX(7,3)LX(8,3)LX(9,3)FR LX(10,4)LX(11,4)LX(12,5)LX(13,5)LX(14,5)LX(15,6)LX(16,6)LX(17,6)VA 1.00 PH(1,1)PH(2,2)PH(3,3)PH(4,4)PH(5,5)PH(6,6)PD

6、OU ME=ML SS SC IT=250,3.執行出量測模式的結果,執行我們研究模式的操作步驟如下：1.開啟 LISREL 軟體，出現圖如下：,2.按 File New，選擇 LISREL Project，輸入檔名CFAex9，按存檔再輸入研究模式的語法，如下圖：,3.按 Run LISREL，出現圖如下：,4.按 CTRL+F，出現適配度結果如下圖：,Degrees of Freedom=104 Minimum Fit Function Chi-Square=156.54(P=0.00067)Normal Theory Weighted Least Squares Chi-Square=1

7、51.32(P=0.0017)Estimated Non-centrality Parameter(NCP)=47.32 90 Percent Confidence Interval for NCP=(18.48;84.17)Minimum Fit Function Value=0.45 Population Discrepancy Function Value(F0)=0.14 90 Percent Confidence Interval for F0=(0.053;0.24)Root Mean Square Error of Approximation(RMSEA)=0.036 90 Pe

8、rcent Confidence Interval for RMSEA=(0.023;0.048)P-Value for Test of Close Fit(RMSEA 0.05)=0.97 Expected Cross-Validation Index(ECVI)=0.71 90 Percent Confidence Interval for ECVI=(0.63;0.82)ECVI for Saturated Model=0.88 ECVI for Independence Model=10.62 Chi-Square for Independence Model with 136 Deg

9、rees of Freedom=3672.71 Independence AIC=3706.71 Model AIC=249.32 Saturated AIC=306.00 Independence CAIC=3789.30 Model CAIC=487.36 Saturated CAIC=1049.26 Normed Fit Index(NFI)=0.96 Non-Normed Fit Index(NNFI)=0.98 Parsimony Normed Fit Index(PNFI)=0.73 Comparative Fit Index(CFI)=0.99 Incremental Fit I

10、ndex(IFI)=0.99 Relative Fit Index(RFI)=0.94 Critical N(CN)=314.16 Root Mean Square Residual(RMR)=0.025 Standardized RMR=0.033 Goodness of Fit Index(GFI)=0.95 Adjusted Goodness of Fit Index(AGFI)=0.93 Parsimony Goodness of Fit Index(PGFI)=0.65我們關掉路徑圖後，可以看到輸出報表結果CFAex9.OUT。,本研究有高階主管支持、團隊合作、系統品質、資訊品質、服

11、務品質和使用者滿意度等六個潛在變數，我們整理輸出報表結果，各別與其觀測變數關係之估計值如【表三】所示。模式內在結構適配度在評量模式內估計參數的顯著性、各指標及潛在變項的信度等，可說是模式的內在品質。檢測模式是否具細列誤差、辨認問題或者輸入有錯誤，其配適標準為誤差變異不能有負值、須達顯著水準、因素負荷量範圍為0.50.95且標準誤數值不能太大等（Hair et al.1992）。本研究模式之基本配適，觀察變項X的測量誤差介於0.12至0.38之間，亦無負的誤差變異存在。其誤差項皆為正值且估計值皆達顯著水準，因素負荷量區間則為 0.530.90，代表潛在變數與其所對應之觀測變數間的關係皆達到顯著水

12、準，顯示模式估計結果符合標準，標準誤皆小於0.05並無過大的標準誤出現，顯示理論模式並無違反辨認規則，如【表三】所示，本研究之理論模式已達到基本的適配標準。,表三：潛在自變數與其觀測變數關係之估計值,說明：()代表標準誤，*表示達0.001 之顯著水準。,信效度分析,內容效度（content validity）係指測量工具內容的適切性，若測量內容涵蓋本研究所要探討的架構及內容，就可說是具有優良的內容效度(Babbie 1992)。然而，內容效度的檢測相當主觀，假若問項內容能以理論為基礎，並參考學者類似研究所使用之問卷加以修訂，並且與實務從業人員或學術專家討論，即可認定具有相當的內容效度。本研究

13、的問卷參考來源全部引用國外學者曾使用過的衡量項目並根據本研究需求加以修改，並與專家討論，經由學者對其內容審慎檢視。因此，依據前述準則，本研究使用之衡量工具應符合內容效度之要求。本研究係利用最大概似法（Maximum Likelihood），來針對各測量模型之參數進行估計。評估模式的適合度前，須先行檢定各個變項與構念的信度及效度。在收斂效度方面，Hair et al.（1998）提出必須考量個別項目的信度、潛在變項組成信度與潛在變項的平均變異粹取等三項指標，若此三項指標均符合，方能表示本研究具收斂效度。,1.個別項目的信度（Individual Item Reliability）,考慮每個項目的

14、信度，亦即每個顯性變數能被潛在變數所解釋的程度，Hair et al.(1992)建議因素負荷應該都在0.5以上，本研究所有觀察變項之因素負荷值皆大於0.5，值列於【表四】。運用LISREL模式分析時，可利用Squared Multiple Correlation（SMC）值來判斷。Bagozzi Yi（1988）認為除考慮模式的外在品質之外，內在品質也是不容忽略的一項指標，可進一步的針對模式的內在結構配適度加以檢定。而常用於評估模式內部結構的指標為多元相關平方（Squared Multiple Correlation，SMC），做為衡量各觀察變數與其所代表潛在變數相關程度之指標。SMC愈接近

15、1，則表示該觀察變數適宜做為潛在變數之衡量工具。而Bagozzi&Yi（1988）認為理想觀測變數的SMC 值應大於0.5，本研究各變項之SMC 值列於【表四】，十七個變數皆達到0.5 的評鑑水準，本研究中所有觀察變項之SMC值皆大於0.5，表示本研究的測量指標具有良好信度。,2.潛在變項組成信度（Composite Reliability,CR）,指構面內部變數的一致性，若潛在變項的CR值越高，其測量變項是高度互相關的，表示他們都在衡量相同的潛在變項，愈能測出該潛在變項。一般而言，其值須大於0.7（Hair et al.,1998），本研究中之潛在變項的組成信度值皆大於0.9，表本研究的構面

16、具有良好的內部一致性。,3.平均變異萃取(Average Variance Extracted;AVE),測量模式分析係基於檢定模式中兩種重要的建構效度：收斂效度（convergent validity）及區別效度（discriminant validity）。平均變異萃取(AVE)代表觀測變數能測得多少百分比潛在變數之值，不僅可用以評判信度，同時亦代表收斂效度(Discriminate validity)，Fornell Larcker(1981)建議0.5為臨界標準，表示具有收斂效度，由【表四】之平均變異萃取(AVE)值可看出，本研究之AVE介於0.540.76，六個構面的平均變異萃取(A

17、VE)皆大於0.5表示具有收斂效度。,本研究在個別項目的信度、潛在變項組成信度與潛在變項的平均變異抽取量的計算如右,MI構面標準化因素負荷量的總和=0.8+0.9+0.86=2.56測量誤差的總和=0.32+0.29+0.29=0.9構面信度=0.88CO構面標準化因素負荷量的總和=0.69+0.78+0.77=2.24測量誤差的總和=0.23+0.12+0.2=0.55構面信度=0.9SQ構面標準化因素負荷量的總和=0.75+0.75+0.72=2.22測量誤差的總和=0.15+0.15+0.21=0.51構面信度=0.91,IQ構面標準化因素負荷量的總和=0.65+0.65=1.3測量誤差

18、的總和=0.11+0.2=0.31構面信度=0.85SV構面標準化因素負荷量的總和=0.59+0.64+0.56=1.79測量誤差的總和=0.22+0.26+0.23=0.71構面信度=0.82US構面標準化因素負荷量的總和=0.56+0.62+0.65=1.83測量誤差的總和=0.24+0.36+0.34=0.94構面信度=0.78,MI構面標準化因素負荷平方後的總和=(0.8)+(0.9)+(0.86)=2.1896測量誤差之總和=0.32+0.29+0.29=0.9變異萃取=0.71平均的變異萃取=0.71CO構面標準化因素負荷平方後的總和=(0.69)+(0.78)+(0.77)=1.

19、6774測量誤差之總和=0.23+0.12+0.2=0.55變異萃取=0.75平均的變異萃取=0.75,SQ構面標準化因素負荷平方後的總和=(0.75)+(0.75)+(0.72)=1.6434測量誤差之總和=0.15+0.15+0.21=0.51變異萃取=0.76平均的變異萃取=0.76IQ構面標準化因素負荷平方後的總和=(0.65)+(0.65)=0.845測量誤差之總和=0.11+0.2=0.31變異萃取=0.73平均的變異萃取=0.735,SV構面標準化因素負荷平方後的總和=(0.59)+(0.64)+(0.56)=1.0713測量誤差之總和=0.22+0.26+0.23=0.71變異

20、萃取=0.60平均的變異萃取=0.6US構面標準化因素負荷平方後的總和=(0.56)+(0.62)+(0.65)=1.1205測量誤差之總和=0.24+0.36+0.34=0.94變異萃取=0.54平均的變異萃取=0.54,綜合以上所述，本研究在個別項目的信度、潛在變項組成信度與潛在變項的平均變異抽取量，均符合理想結果，亦即本研究中所有測量項目均收斂於各對應的構面具收斂效度，結果見表【表四】。,【表四】研究模式各變數之信度分析表,而在區別效度方面，若一個測量模型具有區別效度，其潛在構面間的關係程度必須小於潛在構面內的關係程度，因此，利用構面間的關係矩陣來加以檢定，潛在變項的平均變異抽取量（Av

21、erage variance extracted,AVE）之平方根值需大於其他不同構面下的相關係數（Hair et al.,1998）。潛在變項的平均變異抽取量（Average variance extracted,AVE）之平方根值的計算如下：MI 平均的變異萃取=0.71，開根號後的值=0.84CO 平均的變異萃取=0.75，開根號後的值=0.87SQ 平均的變異萃取=0.76，開根號後的值=0.87IQ 平均的變異萃取=0.735，開根號後的值=0.86SV平均的變異萃取=0.61，開根號後的值=0.78US平均的變異萃取=0.54，開根號後的值=0.74由【表五】可得各構面AVE值皆大

22、於構念間共享變異值，表示本研究構面潛在變項的平均變異抽取量之平方根值大於相關係數值，故顯示各構念應為不同的構念，具有區別效度。因此，本研究之測量工具能測量所建構理論的概念。,【表五】本研究潛在變項的相關係數矩陣,說明：對角線是AVE的開根號值，非對角線為各構面間的相關係數。此值若大於水平列或垂直欄的相關係數值，則代表具備區別效度。,模式適合度分析,LISREL 模式最常用的估計方法為最大概似法（Maximum Likelihood），Hair et al.(1995)，認為樣本數需大於100，且需小於400，樣本數若超過400，將會使得適合度指標變差，本研究符合適用估計參數時的樣本數為350。

23、本研究中採用各指標的理想建議值，係根據以下學者的建議：Hayduk(1987)認為/d.f.小於3，可視為良好之配適，其他學者認為其值小於5 即可接受(Bollen 1989;Hair et al.1998)。Gefen et al.(2000)及Hair et al.(1998)的建議，若GFI,NFI,IFI,CFI指標大於0.90，AGFI指標大於0.8，被認為提供可接受的模型適合度。此外，Hu&Benteler 主張CFI和RMSEA兩個指標都須報告在論文中，其中RMSEA指標，當研究者想去估計統計檢定力時特別適合，Bagozzi&Yi(1988)提出RMSEA指標的理想值小於0.05

24、是可接受的，其他學者Browne&Cudek(1993)和Jarvenpaa et al.(2000)皆指出RMSEA之理想值小於0.08即可接受，【表六】顯示本研究契合度指標皆符合學者建議的理想數值。,【表六】量測模式評估結果,18-3 LISREL 整體關係模式分析,結構關係模式建立在進行LISREL 模式分析時，須先建立關聯模式的潛在變數與觀測變數之路徑結構關係圖，再進一步檢定整體模式的適合度，最後方能完成驗證假說。而LISREL可用來分析模式中變數的因果關係，在潛在變數中不受任何其他變項影響，但影響他人的變項，稱之為潛在自變數（Latent Independent Variable），

25、其符號以表示之；而會受到任何一個其他變項影響，則稱之為潛在應變數（Latent Dependent Variable），其符號以表示之。在模式中潛在變項不能單獨存在，必須由觀測變項中所估計出來。而本研究所提之研究模式中，針對潛在變數所作之符號定義如【表七】所示：,【表七】LISREL潛在變數之符號定義,在觀測變數中，屬於潛在自變數的衡量指標，則稱之為X 變數，而屬於潛在應變數的衡量指標，則稱之為Y變數。而本研究中的一個自變數以及五個應變數，其相對應的觀測指標之符號定義如【表八】所示：,【表八】LISREL觀測變數之符號定義,典型的LISREL模式包括結構方程式與測量模式兩部分，結構方程式主要是

26、描述潛在變數間的關係，而測量模式則是用以描述潛在變數與觀測變數間的關係。在定義模式之潛在與觀測變數後，即可構建結構方程式與測量模式。,1.結構方程式：,1=11 1+12=21 1+23=31 1+34=41 1+45=52 2+53 3+54 4+5其中1、2、3、4、5分別為應變數1、2、3、4、5本身之誤差項，將結構方程式等式轉換成結構方程式矩陣，如下所示：,2.測量方程式,(1)自變數測量方程式X1=11 1+1X2=21 1+2X3=31 1+3其中1、2、3 為觀察變項X的測量誤差，將測量方程式等式轉換為結構方程式矩陣，如下所示：,(2)應變數測量方程式Y1=4 1+1Y2=5 1

27、+2Y3=6 1+3Y4=7 2+4Y5=8 2+5Y6=9 2+6Y7=10 3+7Y8=11 3+8Y9=12 4+9Y10=13 4+10Y11=14 4+11Y12=15 5+12Y13=16 5+13Y14=17 5+14其中i 為觀察變項Y的測量誤差，i=1,2,314。將測量方程式等式轉換成結構方程式矩陣，如下所示：,經由相關變數之定義、結構方程式以及測量方程式之建立，可將線性結構關係模式以路徑圖方式呈現，透過此路徑圖將更清楚表現出本研究的模式架構，右圖即為初步得到的滿意度模式路徑關係圖。,初步關聯模式路徑圖,我們結構模式的簡單步驟有三項，如下1.畫出結構模式的圖示,2.寫出結構

28、模式的語法,TI MI-CO SQ IQ SV USDA NI=17 NO=350 NG=1 MA=CMCM FI=C:SEMSEM.COV SYLA MI1 MI2 MI3 CO1 CO2 CO3 SQ1 SQ2 SQ3 IQ1 IQ2 SV1 SV2 SV3 US1 US2 US3 SE4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 2 3/MO NX=3 NY=14 NK=1 NE=5 LX=FU,FI LY=FU,FI GA=FU,FI BE=FU,FI LECO SQ IQ SV USLKMI FR LX(1,1)LX(2,1)LX(3,1)FR LY(1

29、,1)LY(2,1)LY(3,1)FR LY(4,2)LY(5,2)LY(6,2)FR LY(7,3)LY(8,3)FR LY(9,4)LY(10,4)LY(11,4)FR LY(12,5)LY(13,5)LY(14,5)FR GA(1,1)FR BE(2,1)BE(3,1)BE(4,1)FR BE(5,2)BE(5,3)BE(5,4)PDOU ME=ML SS SC IT=250,3.執行結構模式的結果,執行我們研究模式的操作步驟如下：1.開啟 LISREL 軟體，出現圖如下：,2.按 File New，選擇 LISREL Project，輸入檔名SEMex9，按存檔再輸入研究模式的語法，如

30、下圖：,3.按 Run LISREL，出現圖如下：,4.按 CTRL+F，出現適配度結果如下圖：,Degrees of Freedom=112 Minimum Fit Function Chi-Square=333.42(P=0.0)Normal Theory Weighted Least Squares Chi-Square=340.07(P=0.0)Estimated Non-centrality Parameter(NCP)=228.07 90 Percent Confidence Interval for NCP=(176.39;287.37)Minimum Fit Function

31、Value=0.96 Population Discrepancy Function Value(F0)=0.65 90 Percent Confidence Interval for F0=(0.51;0.82)Root Mean Square Error of Approximation(RMSEA)=0.076 90 Percent Confidence Interval for RMSEA=(0.067;0.086)P-Value for Test of Close Fit(RMSEA 0.05)=0.00 Expected Cross-Validation Index(ECVI)=1

32、.21 90 Percent Confidence Interval for ECVI=(1.06;1.38)ECVI for Saturated Model=0.88 ECVI for Independence Model=10.62 Chi-Square for Independence Model with 136 Degrees of Freedom=3672.71 Independence AIC=3706.71 Model AIC=422.07 Saturated AIC=306.00 Independence CAIC=3789.30 Model CAIC=621.24 Satu

33、rated CAIC=1049.26 Normed Fit Index(NFI)=0.91 Non-Normed Fit Index(NNFI)=0.92 Parsimony Normed Fit Index(PNFI)=0.75 Comparative Fit Index(CFI)=0.94 Incremental Fit Index(IFI)=0.94 Relative Fit Index(RFI)=0.89 Critical N(CN)=157.72 Root Mean Square Residual(RMR)=0.067 Standardized RMR=0.10 Goodness o

34、f Fit Index(GFI)=0.90 Adjusted Goodness of Fit Index(AGFI)=0.86 Parsimony Goodness of Fit Index(PGFI)=0.66我們關掉路徑圖後，可以看到輸出報表結果 SEMex9.OUT。,模式適合度評鑑,整體模式適配度用來評量整個模式與觀察資料的適配程度，可說是模式的外在品質，以瞭解實證結果是否與理論模式相符，以下分別敘述主要評鑑標準，【表表十一】整體模式評估結果整理表：1./d.f.：Bagozzi Yi（1988）/d.f.是很常用的一個評鑑指數，必須小於3。由於2 的期望值正好是其自由度，因此當2 與

35、自由度差距過大，顯示觀測模式與理論模式之間有顯著的差異（Bollen,1989）。由【表十一】可知，本理論模式之卡方值比率是2.99，與判別指標3略為接近，但Bollen(1989)和Kettinger&Lee(1994)認為其值小於5即可接受，所以仍屬可以接受的範圍表示理論模式在解釋觀察資料時具有相當的解釋能力。,2.適配度指數（Goodness of Fit Index,GFI）與調整後適配度指數（AdjustedGoodness of Fit Index,AGFI）：GFI與AGFI指數衡量由理論模式所能解釋的變異與共變的量，AGFI是將GFI依自由度的數目加以調整後所得。若此二指數愈接

36、近1表示整體適配度愈高，模型的解釋能力愈高；指數愈接近0 則解釋能力愈低。本理論模式的GFI 為0.90、AGFI為0.86，Scott(1994)認為AGFI值在0.8以上即可接受（Segars&Grover,1993），故本研究之理論模式應有相當的適配程度。3.增值適配指數（Normed Fit Index,NFI）、（Non-Normed Incremental FitIndex,NNFI）與（Incremental Fit Index,IFI）：NFI、IFI 及NNFI 等三項指數都是以理論模式的2值或自由度和基準線模式（獨立模式）的值或自由度相比較而來，由於基準線模式是適配度最差的

37、模式，所以這三個指數反映的都是理論模式的增值適配度（incrementalfit）。NFI的值介於01之間，而IFI及NNFI的最大值則可能超過1；Bentler&Bonett（1980）認為此三指數若大於0.9 以上則表示模式的適配度佳。本理論模式的NFI值為0.93、NNFI值為0.94、IFI值為0.95，代表理論模式與獨立模式相較之下，具有極佳的適配度。,4.平均概似平方誤根係數（root mean square error of approximation;RMSEA）：RMSEA來作為對模式適合度的母群體推估考驗，比較理論模式與飽和模式的差距，不受樣本數與模式複雜度影響。Brown

38、e&Cudek(1993)和Jarvenpaa et al.(2000)皆指出RMSEA之理想值應小於0.08，本研究之RMSEA=0.076故在理想值之內。綜合以上所述的各項指標，本研究整體模式的配適情況十分良好，因此可知本研究所提出之關聯模式為一個可被接受之模式。,整體模式之結構關係,在確定整體模式之適合度與合理性後，可進一步評估測量方程式與結構方程式之估計值，藉以探討觀測變數與潛在變數以及潛在變數之間的關係，而可得最終整體模式的結構關係。綜合上述的評鑑標準，本研究所提出之理論模式已達到一定的適配水準，將可繼續進行模式的因果關係之驗證。在LISREL 的結構方程式中，潛在變數間的因果關係須

39、藉由估計所得之值與值來解釋，其中值與值為結構方程式中的估計值，可用來衡量潛在變數間的影響關係。結構關係模式中，觀測變數與潛在變數間的關係須藉由估計所得之值來解釋，本研究其值皆已達到值為0.001的顯著水準，代表測量方程式的觀測變數對潛在變數有顯著影響，本研究潛在自變數與其觀測變數關係之估計值與潛在應變數與其觀測變數關係之估計值則如【表九】所示，可得知本研究潛在自變數、應變數與其所對應之觀測變數間的關係皆達到顯著水準。,【表九】潛在自變數/應變數與其觀測變數關係之估計值,說明：()代表標準誤，*表示達0.001 之顯著水準。,而本研究藉由BETA值()與GAMMA值()的顯著性檢定，將可判斷各潛

40、在變項間（與）是否有顯著的因果關係存在。潛在變數間的因果關係估計值如【表十】所示，而潛在變數間之因果關係是否達到顯著水準，亦是以t值為判斷依據。由【表十】可知，高階主管支持影響ERP專案團隊團隊合作，顯著水準為0.001以上，而其估計值為0.37；團隊合作影響ERP之系統、資訊和服務品質，顯著水準為0.001以上，而其估計值分別為0.53、0.52和0.59，團隊合作與系統品質、資訊品質和服務品質這三者間之關係則呈現正相關;影響使用者滿意的因素為系統、資訊和服務品質，顯著水準皆為0.001以上，而其估計值為0.25、0.42和0.44，其中影響使用者滿意度最主要的因素為資訊品質。,【表十】潛在

41、變數之因果關係估計值,說明：()代表標準誤，*表示達0.001 之顯著水準。,18-4 理論模型與因果關係之檢定和解釋,綜合前兩小節的敘述，本研究將評鑑模式適配度的各項標準整理成【表十一】。,【表十一】整體模式適配度各評鑑項目之總結,本研究以LISREL之最大概似估計法的估計結果與模型路徑圖，可知各潛在變數的關係。除了以路徑係數衡量潛在自變數對潛在應變數之直接影響外，潛在自變數尚可能經由其他變數對潛在應變數產生間接影響。其中，直接影響又稱為直接效果，間接影響又稱為間接效果，二者皆可經由路徑係數計算而得。直接效果與間接效果之加總，稱為總效果（Total Effects）。在直接效果方面，本研究高

42、階主管支持是直接影響團隊合作的重要因素，影響效果為0.37，其結果為高階主管支持程度越高，產生團隊成員合作的程度越高；團隊合作程度越高，產生ERP系統的系統品質、資訊品質和服務品質也會越高，影響效果分別為0.53、0.52和0.59；ERP系統的品質越好，則使用者滿意度會越高，其直接影響效果依序為服務品質0.44、資訊品質0.42和系統品質0.25。在間接效果方面，高階主管支持對ERP系統的系統、資訊和服務三項品質與使用者滿意度只有正向間接效果，影響效果為系統0.196、資訊0.192和服務品質0.218以及使用者滿意度0.23。而團隊合作對使用者滿意度也只有正向的間接效果，其中透過系統品質0

43、.133相對資訊品質0.218和服務品質0.259對使用者滿意度的間接影響較小。,在總效果方面，高階主管支持對使用者滿意度只有間接效果，所以其間接效果即為影響使用者滿意度的總效果0.23，而團隊合作對使用者滿意度也只有間接效果，所以其間接效果總合也即為影響使用者滿意度的總效果0.62。高階主管支持對團隊合作只有顯著的直接關係，其總效果為直接效果0.37，團隊合作對ERP系統的系統、資訊和服務品質只有顯著的直接關係，其總效果為直接效果，上述三項ERP系統的品質對使用者滿意度均只有顯著的直接關係，其總效果為直接效果。各變數間之影響效果的整理如【表十二】。以模式解釋度而言，亦由【表十二】可得，高階主

44、管支持潛在變項對團隊合作潛在變項影響的解釋度(Squared Multiple Correlations for Structural Equations)為14%，團隊合作潛在變項對系統、資訊和服務品質三個潛在變項的解釋度分別為28%、27%和35%，上述三個潛在變項對使用者滿意度潛在變項的整體解釋能力為67%，顯示模式解釋潛在變項程度不錯。,【表十二】各變數間影響效果整理表,說明：間接效果計算方式：(1)0.37x0.53;(2)0.37x0.52;(3)0.37x0.59;(4)0.37x0.53x0.25+0.37x0.52x0.42+0.37x0.59x0.44;(5)0.53x0.

45、25+0.52x0.42+0.59x0.44。而本研究對關聯模式之研究假設是否成立，根據實證結果整理如下：假設一：高階主管支持與強化ERP專案團隊的團隊合作有正向關係。有正向之直接影響參數估計值11=0.37（t值=6.05*），表示高階主管支持與團隊合作間呈現顯著正相關。假設二、三、四：團隊合作對系統品質、資訊品質和服務品質有正向之直接影響參數估計值21=0.53、31=0.52和41=0.61（t值=8.64*、t值=8.10*和t值=8.89*），表示團隊合作與這三者有顯著正相關。假設五、六、七：系統品質、資訊品質和服務品質對使用者滿意度有正向之直接影響參數估計值52=0.25、53=0

46、.41和54=0.44（t值=4.39*、t值=6.15*和t值=6.14*），表示這三者對使用者滿意度有顯著正相關。【表表十三】關聯模式之驗證假說結果。,【表十三】關聯模式之驗證假說結果,綜合上述對於潛在變數與觀測變數關係之估計，以及潛在變數間的因果關係分析，可得本研究之LISREL 整體模式關係路徑圖與初步關聯模式路徑圖比較，則可得到下圖所示之LISREL 最後整體架構關係之路徑圖。,關聯模式結果路徑,整體關聯模式之衡量構面,本研究目的在探討高階主管支持、團隊合作、ERP系統品質與使用者滿意度之關聯性，以及各因素間的因果關係。經由相關文獻之理論探討，建立初步的研究模式，再經由實證分析與研究，而獲得了本研究最後整體架構關係路徑圖之結果。,