Recommended
Recommended
More Related Content
Featured
Featured (20)
SEM introduction.pdf
- 2. STRUCTURAL EQUATION MODEL (SEM) การวิจัยยุคสังคมความรู้ เนื้อหาส่วนใหญ่อิงมาจาก รศ.ดร. วิโรจน์ สารรัตนะ หลักสูตรศึกษาศาสตรดุษฎีบัณฑิตสาขาวิชาการบริหารการศึกษา มหาวิทยาลัยมหามกุฎราชวิทยาลัย 2556 SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 2
- 3. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 3 WHY EMPIRICAL RESEARCH การวิจัยเชิงประจักษ์เกี่ยวข้องกับการรวบรวมและ วิเคราะห์ข้อมูลในโลกแห่งความเป็นจริงอย่างเป็นระบบ เพื่อตอบคำถามการวิจัยที่เฉพาะเจาะจงหรือทดสอบ สมมติฐาน [hypothesis testing] มีจุดมุ่งหมายเพื่อ ให้ได้ข้อสรุปจากหลักฐานที่สังเกตได้ โดยมักใช้วิธีต่างๆ เช่น การทดลอง การสำรวจ การสังเกต หรือการ วิเคราะห์ข้อมูลที่เก็บถาวร [archival data analysis] ผลการวิจัยเชิงประจักษ์จะให้ข้อมูลเชิงลึก (insight] เกี่ยวกับปรากฏการณ์ต่างๆ ช่วยสร้างรากฐาน [foundation] ความรู้ในสาขาต่างๆ
- 4. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 4 ลัทธิประจักษ์นิยม (empiricism] เป็นแนวทางทางปรัชญาและวิทยาศาสตร์ ที่เน้นความสำคัญของประสบการณ์ทาง ประสาทสัมผัส การสังเกต และหลักฐาน เชิงประจักษ์ในฐานะแหล่งความรู้และความ เข้าใจหลักเกี่ยวกับโลก John Locke [29 August 1632 – 28 October 1704) นักปรัชญาและแพทย์ชาวอังกฤษ ได้รับการยกย่องอย่างกว้างขวางว่าเป็นหนึ่ง ในนักคิดที่มีอิทธิพลมากที่สุดของสำนัก enlightenment และเป็นที่รู้จักโดย ทั่วไปว่าเป็น "บิดาแห่งลัทธิเสรีนิยม"
- 5. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 5 WHY CAUSAL RELATIONSHIP การวิจัยมักพยายามสร้างความสัมพันธ์เชิงสาเหตุ เนื่องจากการทำความเข้าใจเชิงสาเหตุเป็นสิ่งสำคัญ สำหรับการตัดสินใจโดยอาศัยข้อมูลรอบด้าน คาด การณ์ผลลัพธ์ และออกแบบ intervention (วิธี การ/ขั้นตอนการจัดการ) ที่มีประสิทธิผล ความ สัมพันธ์เชิงสาเหตุช่วยให้เราระบุได้ว่าการ เปลี่ยนแปลงในตัวแปรหนึ่งนำไปสู่การเปลี่ยนแปลงใน อีกตัวแปรหนึ่งได้อย่างไร ทำให้เราสามารถเข้าใจ กลไกเบื้องหลังที่ขับเคลื่อนปรากฏการณ์ได้
- 6. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 6 WHY CAUSAL RELATIONSHIP [1/3] หากนักวิจัยสามารถแสดงให้เห็นความสัมพันธ์เชิงสาเหตุระหว่างปัจจัย บางอย่าง (เช่น การรักษาหรือกระบวนวิธี) กับผลลัพธ์ ก็จะเป็นไปได้ที่จะ ออกแบบกระบวนวิธีที่กำหนดเป้าหมายปัจจัยเหล่านั้นเพื่อให้บรรลุ ผลลัพธ์ที่ต้องการ การสร้างความสัมพันธ์เชิงสาเหตุช่วยให้นักวิจัยก้าวไปไกลกว่าความ สัมพันธ์เพียงอย่างเดียว (ความสัมพันธ์ระหว่างตัวแปร) เพื่อเปิดเผย ความสัมพันธ์ที่แท้จริงระหว่างตัวแปร ความเข้าใจนี้มีความสำคัญต่อการ สร้างทฤษฎีและแบบจำลองที่ถูกต้อง ความเข้าใจที่ถูกต้อง (ACCURATE UNDERSTANDING] พลังการคาดการณ์ [PREDICTIVE POWER] กระบวนวิธีที่มีประสิทธิผล [EFFECTIVE INTERVENTION] ความสัมพันธ์เชิงสาเหตุช่วยให้นักวิจัยสามารถคาดการณ์ได้อย่าง แม่นยำ เมื่อนักวิจัยทราบปัจจัยเชิงสาเหตุที่นำไปสู่ผลลัพธ์เฉพาะ นักวิจัย ก็สามารถคาดการณ์ได้ดีขึ้นว่าการเปลี่ยนแปลงของปัจจัยเหล่านั้นจะส่ง ผลต่อผลลัพธ์อย่างไร
- 7. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 7 WHY CAUSAL RELATIONSHIP [2/3] การพัฒนานโยบาย (POLICY DEVELOPMENT] ความสัมพันธ์เชิงสาเหตุเป็นรากฐานสำหรับการกำหนดนโยบายโดยอิง หลักฐานเชิงประจักษ์ รัฐบาล องค์กร และสถาบันใดๆ สามารถใช้ผลการ วิจัยเพื่อดำเนินนโยบายที่มีแนวโน้มที่จะให้ผลลัพธ์ที่ต้องการมากกว่า หากไม่ระบุสาเหตุ นักวิจัยอาจเข้าใจผิดว่าความสัมพันธ์โดยบังเอิญเป็น ความสัมพันธ์ที่มีความหมาย ซึ่งอาจนำไปสู่ข้อสรุปที่ไม่ถูกต้องและการ ตัดสินใจที่ไม่ดี การหลีกเลี่ยงความสัมพันธ์ปลอมๆ (AVOIDING SPURIOUS CORRELATION] การวิจัยเชิงสาเหตุช่วยเปิดเผยกลไกที่ตัวแปรมีปฏิสัมพันธ์และมีอิทธิพล ต่อกันและกัน ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับกลไกนี้สามารถนำไปสู่ นวัตกรรมและการค้นพบใหม่ๆ การสร้างความสัมพันธ์เชิงสาเหตุมีส่วนช่วยในการพัฒนาความรู้ใน สาขาต่างๆ ช่วยให้นักวิจัยสามารถต่อยอดการค้นพบที่มีอยู่และปรับแต่ง ทฤษฎีได้ การทำความเข้าใจกลไก [UNDERSTANDING MECHANISM] ความรู้ที่ก้าวหน้า [ADVANCING KNOWLEDGE]
- 8. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 8 WHY CAUSAL RELATIONSHIP [3/3] ในสาขาต่างๆ เช่น การแพทย์และจิตวิทยา การทำความเข้าใจสาเหตุถือ เป็นสิ่งสำคัญในการทำวิจัยด้านจริยธรรม ช่วยให้นักวิจัยระบุได้ว่าการ รักษาหรือกระบวนวิธีใดๆ มีส่วนรับผิดชอบต่อการเปลี่ยนแปลงที่สังเกต ได้ในสภาพของผู้ป่วยหรือไม่ การรู้ความสัมพันธ์เชิงสาเหตุช่วยให้จัดสรรทรัพยากรได้อย่างมี ประสิทธิภาพมากขึ้น ด้วยการมุ่งเน้นทรัพยากรไปที่ปัจจัยที่พิสูจน์ได้ว่ามี ผลกระทบเชิงสาเหตุ นักวิจัยและผู้กำหนดนโยบายสามารถบรรลุผลลัพธ์ ที่ดีขึ้นได้ การแสวงหาความสัมพันธ์เชิงสาเหตุผลักดันความก้าวหน้าทาง วิทยาศาสตร์โดยการผลักดันนักวิจัยให้ออกแบบการทดลองที่เข้มงวดและ พัฒนาวิธีการวิจัยที่ซับซ้อนมากขึ้น ข้อพิจารณาด้านจริยธรรม [ETHICAL CONSIDERATION] การจัดสรรทรัพยากร (RESOURCE ALLOCATION] ความก้าวหน้าทางวิทยาศาสตร์ (SCIENTIFIC PROGRESSION]
- 9. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 9 SEM is a causal effect model เพื่อทดสอบความสัมพันธ์เชิงสาเหตุ นักวิจัยใช้วิธีการ วิจัยที่หลากหลาย การเลือกวิธีการขึ้นอยู่กับปัจจัยต่างๆ เช่น คำถามการวิจัย ความเป็นไปได้ ข้อพิจารณาด้าน จริยธรรม และทรัพยากรที่มีอยู่ สำหรับระเบียบวิธีวิจัย ทั่วไปที่ใช้ในการทดสอบความสัมพันธ์เชิงสาเหตุ ได้แก่ ระเบียบวิธีต่อไปนี้
- 10. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 10 CAUSAL EFFECT METHODOLOGY [1/11] นักวิจัยจะจัดการกับตัวแปรอิสระและ วัดผลกระทบที่มีต่อตัวแปรตามในขณะที่ ควบคุมตัวแปรอื่นๆ Randomised Controlled Trials (RCTs) เป็นรูปแบบ การทดลองที่ได้รับความนิยม โดยผู้เข้า ร่วมจะถูกสุ่มให้อยู่ในกลุ่มทรีทเมนท์ (ได้ รับการแทรกแซง) หรือกลุ่มควบคุม (ไม่ได้ รับสิ่งแทรกแซง) โดยการเปรียบเทียบ ผลลัพธ์ระหว่างสองกลุ่ม นักวิจัย สามารถสร้างความสัมพันธ์เชิงสาเหตุได้ การวิจัยเชิงทดลอง (Experimental Study] เมื่อถึงจุดใดก็ตาม นักวิจัยอาจสังเกตหรือรวบรวมขŒอมูลที่นำไปสู‹คำถามใหม‹ นี่อาจทำใหŒ นักวิจัยตŒองเริ่มตŒนกระบวนการก‹อนหรือหลังการทดสอบแรกเสร็จสิ้น
- 11. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 11 CAUSAL EFFECT METHODOLOGY [2/11] การศึกษากึ่งทดลองคล้ายกับการออกแบบการ ทดลอง แต่ไม่มีการมอบหมายแบบสุ่ม นักวิจัยใช้ ประโยชน์จากสภาวะหรือเหตุการณ์ที่เกิดขึ้นตาม ธรรมชาติเพื่อเปรียบเทียบกลุ่มที่ได้รับตัวแปรอิสระ ในระดับต่างๆ การออกแบบนี้ช่วยให้สามารถ อนุมานเชิงสาเหตุได้ แต่มีความอ่อนไหวต่ออคติและ ปัจจัยที่ทำให้เกิดความสับสนมากกว่าเมื่อเปรียบ เทียบกับ RCT การศึกษากึ่งทดลอง (Quasi Emperiment)
- 12. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 12 CAUSAL EFFECT METHODOLOGY [3/11] ในการศึกษาเชิงสังเกต นักวิจัยสังเกตและวัดตัวแปร โดยไม่ปรับเปลี่ยน พวกเขารวบรวมข้อมูลจากการ ตั้งค่าที่เกิดขึ้นตามธรรมชาติและวิเคราะห์ความ สัมพันธ์ระหว่างตัวแปร แม้ว่าการศึกษาเชิงสังเกต สามารถให้ข้อมูลเชิงลึกที่มีคุณค่า แต่การสร้าง ความเป็นเหตุเป็นผลนั้นเป็นสิ่งที่ท้าทายมากกว่า เนื่องจากตัวแปรที่อาจทำให้สับสนได้ อย่างไรก็ตาม เทคนิคขั้นสูง เช่น การจับคู่คะแนนความโน้มเอียง หรือตัวแปรเครื่องมือสามารถใช้เพื่อเสริมสร้าง การอนุมานเชิงสาเหตุได้ การศึกษาเชิงสังเกต (Observation Study)
- 13. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 13 CAUSAL EFFECT METHODOLOGY [4/11] การศึกษาระยะยาว (Longtitudinal Study) การศึกษาระยะยาวเกี่ยวข้องกับการรวบรวมข้อมูลจาก ผู้เข้าร่วมคนเดียวกันเป็นระยะเวลานาน ด้วยการวัด ตัวแปรที่จุดเวลาหลายจุด นักวิจัยสามารถตรวจสอบได้ ว่าการเปลี่ยนแปลงในตัวแปรอิสระมีความสัมพันธ์กับ การเปลี่ยนแปลงในตัวแปรตามอย่างไร การศึกษาระยะ ยาวสามารถช่วยสร้างลำดับความสำคัญทางโลกซึ่งเป็น เกณฑ์สำคัญในการอนุมานถึงสาเหตุได้ https://www.publichealthnotes.com/21-differences-between-cross-sectional-study-and-longitudinal-study/ SOURCE :
- 14. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 14 CAUSAL EFFECT METHODOLOGY [5/11] การวิเคราะห์อภิมาน [Meta Analysis] รวมและวิเคราะห์ข้อมูลจากการศึกษาอิสระ หลายรายการในหัวข้อเดียวกัน โดยการ สังเคราะห์สิ่งที่ค้นพบจากการศึกษาต่างๆ นักวิจัยสามารถประเมินความสอดคล้องและ ความแข็งแรงของความสัมพันธ์เชิงสาเหตุ การวิเคราะห์อภิมานให้การประมาณเชิง ปริมาณของขนาดอิทธิพล [Effect] และ เพิ่มความน่าเชื่อถือ [power] ทางสถิติ
- 15. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 15 CAUSAL EFFECT METHODOLOGY [6/11] ก า ร จั ด ก า ร ตั ว แ ป ร ใ น ส ภ า พ แวดล้อมจริง นักวิจัยแนะนำการ แทรกแซง [intervention] หรือ การรักษาและวัดผลกระทบต่อ ตัวแปรตาม การทดลองภาคสนาม ให้ข้อมูลเชิงลึก [insight] เกี่ยวกับ ความสัมพันธ์เชิงสาเหตุภายใน บริบททางธรรมชาติ แต่การ ควบคุมปัจจัยที่ทำให้เกิดความ สับสนอาจเป็นเรื่องที่ท้าทาย การทดลองภาคสนาม (Field Experiment) The Field Experiment Flow Chart https://brianhreily.wordpress.com/2016/01/04/the-field-experiment-flowchart/ SOURCE :
- 16. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 16 CAUSAL EFFECT METHODOLOGY [7/11] กรณีศึกษาเกี่ยวข้องกับการตรวจสอบ เชิงลึกของบุคคล กลุ่ม หรือองค์กรที่ เฉพาะเจาะจง นักวิจัยตรวจสอบตัวแปรที่ น่าสนใจและสำรวจกลไกเชิงสาเหตุที่อยู่ เบื้องหลังผลลัพธ์ที่เฉพาะเจาะจง แม้ว่า กรณีศึกษาจะให้ข้อมูลเชิงคุณภาพ มากมาย แต่การสร้างความสัมพันธ์เชิง สาเหตุที่สามารถสรุปได้โดยทั่วไปอาจ ทำได้ยากเนื่องจากขนาดตัวอย่างที่จำกัด และความเอนเอียงที่อาจเกิดขึ้น กรณีศึกษา (Case Study) The Case Study Research Process
- 17. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 17 CAUSAL EFFECT METHODOLOGY [8/11] ใช้แบบจำลองคอมพิวเตอร์หรือการจำลอง เพื่อทดสอบความสัมพันธ์เชิงสาเหตุ นักวิจัย สร้างแบบจำลองที่แสดงถึงระบบที่น่าสนใจ และจัดการตัวแปรเพื่อสังเกตผลกระทบ การ ศึกษาสถานการณ์จำลองสามารถช่วยให้ เข้าใจกลไกเชิงสาเหตุที่ซับซ้อนและประเมิน ผลกระทบของสถานการณ์ต่างๆ ได้ Simulation Study
- 18. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 18 CAUSAL EFFECT METHODOLOGY [9/11] การทดลองตามธรรมชาติ (Natural Experiment) การทดลองตามธรรมชาติเกิดขึ้นเมื่อปัจจัยหรือเหตุการณ์ ภายนอกสร้างเงื่อนไขที่คล้ายกับการทดลอง/การควบคุม นักวิจัยใช้ประโยชน์จากสถานการณ์ที่เกิดขึ้นตามธรรมชาติ เหล่านี้เพื่อตรวจสอบความสัมพันธ์เชิงสาเหตุ ตัวอย่างเช่น การเปลี่ยนแปลงนโยบายหรือภัยธรรมชาติสามารถสร้าง สถานการณ์ที่สามารถสังเกตผลกระทบของตัวแปรอิสระได้
- 19. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 19 CAUSAL EFFECT METHODOLOGY [10/11] การศึกษาทางพันธุกรรมใช้ประโยชน์ จากการแปรผันทางพันธุกรรมเพื่อ สำรวจความสัมพันธ์เชิงสาเหตุ นักวิจัย วิเคราะห์ข้อมูลทางพันธุกรรมเพื่อ ตรวจสอบผลกระทบของยีนหรือความ แปรปรวนของยีนที่เฉพาะเจาะจงต่อการ พัฒนาลักษณะหรือโรคบางอย่าง การ ศึกษาทางพันธุกรรมมักใช้เทคนิคต่างๆ เช่น การสุ่มแบบ Mendelian เพื่อสร้าง ความสัมพันธ์เชิงสาเหตุ การศึกษาทางพันธุกรรม (Genetic Studies} https://ecor.mgh.harvard.edu/Default.aspx?node_id=281/ SOURCE :
- 20. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 20 โมเดลสมการโครงสร้าง (Structural Equation Modeling: SEM) Bollen, K. A. & Long. S. J. (1993). Testing Structural Equation Model. Sage focus edition, vol. 154. Retrieved March 18, 2020. From http://en.Wikipedia.org/wiki/Structural_equation_modeling#cite_note-3 CAUSAL EFFECT METHODOLOGY [11/11] เป็นเทคนิคทางสถิติเทคนิคหนึ่งที่ใช้ในการทดสอบ (testing) และประมาณค่า (estimate) ความสัมพันธ์เชิงเหตุผล (causal relationship) โมเดลสมการโครงสร้างจึงสามารถใช้เพื่อการ ยืนยัน (confirmation) และเพื่อการสำรวจ (exploration) หมายความว่า การสร้างโมเดล อาจมีวัตถุประสงค์เพื่อสดสอบ ทฤษฎี (theory testing) หรือเพื่อสร้างทฤษฎี (theory building)
- 21. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 21 REASONING APPROACH กรณีการทดสอบทฤษฎี (Theory Testing) สร้างโมเดลด้วยวิธีการเชิงอนุมาน (Deductive) หรือการวิจัยเชิงปริมาณ (Quantitative Research) เริ่มต้นจาก การศึกษาทฤษฎีและงานวิจัยเพื่อกำหนด โมเดลสมมติฐานที่แสดงเป็นโมเดลความ สัมพันธ์เชิงสาเหตุ (Causal Model) ที่จะได้ รับการทดสอบจากข้อมูลที่รวบรวมได้มาว่า มีความสอดคล้อง (Fit) กันหรือไม่ โดยการ ใช้การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis) กรณีการสร้างทฤษฎี (Theory Building) สร้างโมเดลด้วยวิธีการเชิงอุปมาน (Inductive) หรือการวิจัยเชิงคุณภาพ (Qualitative Research) แล้วใช้ข้อมูล ประมาณค่าของพารามิเตอร์อิสระ (Free parameters) ซึ่งบ่อยครั้งที่สมมติฐาน เบื้องต้นอาจมีการปรับโมเดล ในกรณีเช่น นี้ ใช้การวิเคราะห์องค์ประกอบเชิงสำรวจ (Exploratory Factor Analysis)
- 22. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 22 Almost quantitative research practices ‘Deduction’ method H0 : retain model H1 : reject model Hypothesis Testing กรณีการทดสอบทฤษฎี (Theory Testing) สร้างโมเดลด้วยวิธีการเชิงอนุมาน (Deductive) หรือการวิจัยเชิงปริมาณ (Quantitative Research) เริ่มต้นจาก การศึกษาทฤษฎีและงานวิจัยเพื่อกำหนด โมเดลสมมติฐานที่แสดงเป็นโมเดลความ สัมพันธ์เชิงสาเหตุ (Causal Model) ที่จะได้ รับการทดสอบจากข้อมูลที่รวบรวมได้มาว่า มีความสอดคล้อง (Fit) กันหรือไม่ โดยการ ใช้การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis)
- 23. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 23 SEM : CONFIRM or EXPLORE ในบทความ What if Structural Equation Model? ให้ทัศนะว่า SEM นั้นโดยส่วนใหญ่เป็นเทคนิคเพื่อการยินยัน (confirmatory) มากกว่าการสำรวจ (exploratory) นั่นคือนักวิจัยมักจะใช้ SEM ในการประเมินว่าโมเดลที่กำหนดนั้นใช้ได้หรือไม่ (valid) มากกว่าที่ จะใช้ SEM ในการค้นหาโมเดลที่เหมาะสม แม้ว่าในการวิเคราะห์ SEM หลายครั้งจะเกี่ยวข้องกับการสำรวจก็ตาม http://www2.gsu.edu/mkteer/sem.html Garson (2009) ให้ทัศนะว่า SEM มักถูกมองในมุมยืนยัน มากกว่าที่จะใช้สำรวจ Garson, G.D. (2009). Structural Equation Modeling. Retrieved March 18, 2010. From http://faculty.chass.ncsu.edu/garson/PA765/structr Confirmatory Research Exploratory Research Test a priori hypothesis Normally based on existing study Stringent research restriction Deal with knowns/unknowns Generate a posteriori hypothesis Discover new knowledge Less stringent research restrictions Deals with unknown
- 24. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 24 VARIABLE TYPE สำหรับโมเดลสมการโครงสร้าง [SEM] ผู้สร้างโมเดลจะต้องคำนึงถึงตัวแปรที่แตกต่างกัน 2 ประเภท ได้แก่ ตัวแปรภายนอก (Exogenous Variables) และตัวแปรภายใน (Endogenous Variable) ตัวแปรภายนอก จะถูกพิจารณาให้เป็นจุดเริ่มต้นของโมเดล เป็นจุดเริ่มต้นของหัวลูกศร ตัวแปรภายนอกจึงเป็นได้เฉพาะตัวแปรต้น/ตัวแปรอิสระ ส่วน ตัวแปรภายในเป็นได้ทั้งตัวแปรต้น/ตัวแปรอิสระและตัวแปรตาม (dependent variable) ที่ถูกทำนายด้วยตัวแปรภายนอก และตัวแปรภายในอื่นๆ ซึ่งทุก ตัวแปรต้องอยู่ภายใต้ทฤษฎีในการเชื่อมโยงกัน ซึ่งแตกต่างจากตัวแปรต้น/ตัวแปรอิสระที่ส่งผลหรือทำนายตัวแปรตามของการวิเคราะห์สหสัมพันธ์ ถดถอยพหุ [Multiple Regression] Structural Equation Model Multiple Regression Model
- 25. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 25 INDEPENDENT VARIABLE EXOGENOUS ENDOGENOUS INDEPENDENT VARIABLE & DEPENDENT VARIABLE DEPENDENT VARIABLE
- 26. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 26 องค์ประกอบที่สำคัญของโมเดลสมการโครงสร้าง คือ โมเดลโครงสร้าง (structural model/structural equation model) ที่แสดงถึง ความสัมพันธ์เชิงสาเหตุ (causal relationship) ระหว่างตัวแปรภายนอกกับตัวแปรภายใน (หรือระหว่างตัวแปรแฝง : latent variable) ซึ่งอาจเป็นแบบทางเดียวและแบบเส้นเชิงบวก (recursive and linear additive) หรือแบบสองทางและแบบเส้นเชิงบวก (non-recursive and linear additive) กับโมเดลการวัด (measurement model) ซึ่งแสดงถึงความสัมพันธ์ระหว่างตัวแปรแฝงกับตัวแปรที่สังเกตได้ Family Background Learning Achievement Career Achievement Socio-Economic Status Parent’s Education Parent’s Career English Score Mathematic Score Science Score Acceptance Salary Level Job Satisfaction การวิเคราะห์ตามหลักการวิเคราะห์เส้นทาง (Path Analysis) การวิเคราะห์องค์ประกอบ (Factor Analysis) ลักษณะขององค์ประกอบของโมเดลสมการโครงสร้าง มีทั้ง ’โมเดลโครงสร้าง’ และ ‘โมเดลการวัด’ ทำให้แตกต่างจากโมเดลการวิเคราะห์ องค์ประกอบ (Factor analysis model) ที่ประกอบไปด้วยโมเดลทางการวัด (measurement model) เท่านั้น และแตกต่างจากโมเดลเส้น ทาง (path diagram) ที่มีเฉพาะโมเดลโครงสร้าง (structural model) เท่านั้น โมเดลสมการโครงสร้าง สะท้อนให้ เห็นถึงทั้งการวิเคราะห์เส้นทาง (Path Analysis) และการวิเคราะห์ องค์ประกอบ (Factor Analysis)
- 27. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 27 การยืนยันหรือทดสอบว่าโมเดลที่สร้างขึ้นมีความสอดคล้อง (fit) กับ ข้อมูลเชิงประจักษ์ (empirical data) หรือไม่นั้น สถิติที่ประเมินความ สอดคล้องมีดังนี้ ค่า Chi-Square ที่ไม่มีนัยสำคัญ คือค่า p-value สูงกว่า .05 ค่าสัดส่วน Chi-Square/df (degree of freedom) มีค่าไม่ควรเกิน 2.00 ค่า GFI (Goodness of fit index}, AGFI (Adjusted Goodness of Fit Index), CFI (Comparative Fit Index) มีค่าตั้งแต่ 0.90 ถึง 1.00 ค่า Standardized Root Mean Square Residual (Standardized RMR) และค่า Root Mean Square of Error Approximation (RMSEA) มีค่าต่ำกว่า .05 ค่า Critical n (CN) มีค่าเท่ากับหรือมากกว่า 200 ค่า Largest Standard Residual มีค่า -2 ถึง 2 TEST OF MODEL FIT
- 28. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 28 TRADITIONAL RESEARCH MODEL นงลักษณ์ วิรัชชัย (2548). แนวโน้มการวิจัยในยุคสังคมความรู้. วารสารบริหารการศึกษา มหาวิทยาลัยขอนแก่น, 1(2),9-18 งานวิจัย ‘ยุคก่อนสังคมความรู้’ ส่วนใหญ่ มีโมเดลการวิจัย เป็นโมเดลแสดงความสัมพันธ์เชิงสาเหตุระหว่างตัวแปร โดย มีหลักฐานจากทฤษฎีและงานวิจัยรองรับ มีคำถามวิจัยที่ง่าย ไม่ซับซ้อน มีการตั้งสมมติฐานแยกเป็นข้อๆ ยกตัวอย่างเช่น การวิเคราะห์เส้นทาง (path analysis) ก็เป็นกรณีตัวอย่าง หนึ่งของโมเดลการวิจัยแบบดั้งเดิม เป็นการศึกษาอิทธิพล ระหว่างตัวแปรต่างๆ เพื่อดูว่ามีอิทธิพลทางตรงและอิทธิพล ทางอ้อมของตัวแปรที่สันนิษฐานว่าเป็นส่าเหตุต่อตัวแปรที่ เป็นผลหรือไม่ สัมประสิทธิ์เส้นทาง (path coefficient) เป็น ค่าที่บ่งบอกถึงอิทธิพลทางตรงของตัวแปรที่เป็นสาเหตุที่ ทำให้ตัวแปรอีกตัวหนึ่งเปลี่ยนแปลงไป ซี่งยังเป็นยุคที่ยังไม่มี การแบ่งแยกตัวแปร latent และ manifest variable
- 29. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 29 TRADITIONAL RESEARCH MODEL ในการวิเคราะห์เส้นทางเพื่อศึกษาปรากฏการณ์ (Phenomenon) ต่างๆ ว่า มีสาเหตุจากอะไรนั้น ผู้วิจัยต้องอาศัยทฤษฎีและผลงานวิจัยต่างๆ มาตั้ง สมมติฐาน (hypothesis) โดยสร้างเป็นแผนภาพเส้นทางแสดงอิทธิพล ระหว่างตัวแปรต่างๆ จากนั้นจึงดำเนินการทดสอบแผนภาพตามสมมติฐาน นั้นว่าเหมาะสม [หรือสอดคล้อง : Fit] หรือไม่ โดยใช้สถิติการวิเคราะห์เส้น ทาง (path analysis) ซึ่งมีข้อตกลงเบื้องต้นทางสถิติดังต่อไปนี้ ความสัมพันธ์ระหว่างตัวแปรในโมเดลจะต้องเป็นเส้นตรง (linear relationship) ความคลาดเคลื่อน (error) แต่ละตัวต้องไม่สัมพันธ์กับตัวแปร ภายในโมเดล เส้นทางเชิงสาเหตุจะต้องเป็นระบบทิศทางเดียว ตัวแปรจะต้องถูกวัดในมาตรอันตรภาค (interval scale) ในการวิเคราะห์เส้นทางจะเกี่ยวข้องอยู่ 2 โมเดล ได้แก่ โมเดล ทิศทางเดียวเต็มรูป (identified model) และโมเดลทิศทาง เดียวที่มีการตัดเส้นทางที่ไม่มีนัยสำคัญหรือไม่มีความหมาย ออกจากโมเดล (over just identified model)
- 30. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 30 TRADITIONAL RESEARCH MODEL การวิเคราะห์เส้นทางที่เป็นโมเดลทิศทางเดียวเต็มรูป (identified model) การวิเคราะห์เส้นทางที่เป็นโมเดลแสดงทิศทางเดียวที่มีการตัด เส้นทางที่ไม่มีนัยสำคัญหรือไม่มีความหมายออกจากโมเดล (over just identified model) จากกรณีศึกษาจากโมเดลด้านซ้ายมือ สามารถแยกสมมติฐานการวิจัยออกได้ 2 ข้อ สมมติฐานข้อแรก เศรษฐานะทางสังคม (SES : socio-economic status) และระดับสติปัญญา (IQ : intelligent quotient) ของ ประชากร มีอิทธิพลต่อความต้องการความสำเร็จ (nAch : need for achievement) โดยประชากรที่มี SES ดีและ ระดับ IQ สูง มีแนวโน้มที่จะมี nAch สูงกว่ากลุ่มอื่น สมมติฐานข้อสอง ประชากรที่มี IQ และ nAch ต่างกันในระดับสูง จะมีผล การเรียนเฉลี่ย (GPA : grade point average) ดีกว่า ประชากรกลุ่มอื่น
- 31. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 31 TRADITIONAL RESEARCH MODEL การตั้งสมมติฐานการวิจัยที่แยกกันเป็นสองข้อ มีจุดอ่อนได้แก่ โมเดลการวิจัยกับโมเดลการวิเคราะห์ไม่ตรงกัน เสมือนแยกโมเดลการวิจัยออกเป็นสองโมเดล ผลการวิจัยจึงไม่สมบูรณ์เท่าที่ควร เนื่องจากสถิติวิเคราะห์ในอดีตไม่สามารถวิเคราะห์ข้อมูลที่มีหลายตัวพร้อมกันได้ นักวิจัยสนใจศึกษาแต่อิทธิพลหลัก (direct effects) ไม่สนใจศึกษาอิทธิพลจากปฏิสัมพันธ์ (interaction) หรืออิทธิพลทาง อ้อม (indirect effects) ซึ่งมีผลทำให้ได้ผลการวิจัยค่อนข้างจำกัด ไม่สมบูรณ์ตามสภาพความเป็นจริง หากโมเดลการวิจัยมีตัวแปรหลายระดับ เช่น มีตัวแปรวัดระดับองค์กร และมีตัวแปรวัดระดับบุคคลเป็นต้น ผลการวิเคราะห์ข้อมูล จะให้ผลที่มีการประมาณค่าอิทธิพลของตัวแปรขนาดองค์กรได้ต่ำกว่าที่ควร แต่หากใช้เทคนิคการวิเคราะห์โมเดลเชิงเส้นระดับลด หลั่น (Hierarchical Linear Model : HLM) จะได้ผลการวิเคราะห์ตรงตามความเป็นจริงมากขึ้น โมเดลการวิจัยมิได้รวมเทอม (term) ความคลาดเคลื่อน [error] ในการวัดตัวแปร จึงต้องมีข้อตกลงเบื้องต้น (assumption) ว่า ตัวแปรทุกตัวต้องไม่มีความคลาดเคลื่อนในการวัด [measurment error] ซึ่งเป็นข้อตกลงที่ไม่สอดคล้องกับสภาพความเป็นจริง
- 32. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 32 ในยุคสังคมความรู้ การวิจัยมีลักษณะคำถามวิจัยเกี่ยวกับความสัมพันธ์เชิงสาเหตุที่ซับซ้อนลึกซึ้งกว่ายุคก่อน โมเดลการวิจัยยุค สังคมความรู้จึงมีลักษณะแตกต่างจากโมเดลการวิจัยยุคก่อน ตัวแปรมีทั้งตัวแปรสังเกตได้ (observed variable) และตัวแปรแฝง (latent variable) โดยที่ตัวแปรแฝงเป็นตัวแปรที่มี ‘ไม่มีความคลาดเคลื่อนในการวัด’ ซึ่งวัดได้จากตัวบ่งชี้ที่เป็นตัวแปรที่สังเกตได้ โมเดลการวิจัยประกอบด้วยโมเดลการวัด (measurement model) 5 โมเดล และโมเดล สมการโครงสร้าง (structural equation model) 1 โมเดล กรณีของ “โมเดลการวัด” ทีมีหลักฐานทาง ทฤษฎีและงานวิจัยเกี่ยวกับตัวแปรแต่ละตัว รองรับ สนับสนุนทั้ง 5 โมเดล โดยใช้วงรีเป็นสัญลักษณ์แทน ตัวแปรแฝง (latent variable) และรูปสี่เหลี่ยมแทน ตัวแปรสังเกตได้ (observed variable) สัมฤทธิ กางเพ็ง. (2551). ปัจจัยทางการบริหารที่มีอิทธิพลต่อ ประสิทธิผลของโรงเรียน : การพัฒนาและตรวจสอบความตรง ของตัวแบบ. ดุษฎีนิพนธ์ปริญญาศึกษาศาสตร์ดุษฎีบัณฑิต สาขา วิชาบริการการศึกษา มหาวิทยาลัยขอนแก่น.
- 33. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 33 ตัวแปรแผงภายนอก (Exogenous Latent Variable) ได้แก่ โมเดลการวัดตัวแปรแฝง Potent (ปัจจัยสมรรถนะขององค์กร วัดจากตัวแปรสังเกต 5 ตัวแปร ได้แก่ การจัดโครงสร้างที่เหมาะสม (STRUC) วิสัยทัศน์ พันธกิจ และยุทธศาสตร์ (VISION) ความรู้ ความสามารถของบุคลากร (KNOW] การจัดทรัพยากรการเรียนรู้ (RESOU} และการใช้เทคโนโลยีสารสนเทศและการสื่อสารในการ บริหาร (ICT] โมเดลการวัดตัวแปรแฝง ACADEM (ปัจจัยภาวะผู้นำทางวิชาการ) วัดจากตัวแปรสังเกต 4 ตัวแปร ได้แก่ การนิยามและการสื่อสารเป้า หมายร่วม (DEFF] การกำกับติดตามและให้ข้อมูลป้อนกลับเกี่ยวกับ กระบวนการเรียนการสอน (MORN] การส่งเสริมการพัฒนา วิชาชีพ (DEVEL] และการเป็นผู้นำการเปลี่ยนแปลง (CHANGE)
- 34. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 34 ตัวแปรแผงภายใน (Endogenous Latent Variable) ได้แก่ โมเดลการวัดตัวแปรแฝง PROCESS (ปัจจัยการจัดกระบวนการเรียนรู้) วัดจาก 5 ตัวแปร ได้แก่ การเน้นเรียนรู้ผู้เรียนเป็นสำคัญ (CHILD] การจัด กิจกรรมส่งเสริมคุณภาพผู้เรียนอย่างหลากหลาย (ACTIV] การ เน้นกระบวนการคิด (THINK] การจัดบรรยากาศให้เอื้อต่อการเรียน รู้ (LEARN] และการมีส่วนร่วมของผู้เกี่ยวข้อง (PAR] โมเดลการวัดตัวแปรแฝง ENVIR [ปัจจัยบรรยากาศ] วัดจากตัวแปร 5 ตัวแปร ได้แก่ ความคาดหวัง (EXPEC] บรรยากาศเชิงบวก [POSIT] การให้ความเป็นกันเองและไว้วางใจกันและกัน (TRUST) การส่งเสริม การตัดสินใจร่วม (SHARE] และการจัดระบบการจูงใจ (MOTIV] โมเดลการวัดตัวแปรแฝง EFFECTIV [ปัจจัยประสิทธิผล] วัดจากตัวแปร 4 ตัวแปร ได้แก่ ผลสัมฤทธิ์ทางการเรียน (NT] คุณลักษณะของผู้เรียน [CHAR] ความพึงพอใจของผู้สอน (SATIS) และการเป็นองค์กรแห่ง การเรียนรู้ (LO]
- 35. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 35 สำหรับโมเดลสมการโครงสร้าง มีหลักทางทางทฤษฎีและงานวิจัย สนับสนุนว่าตัวแปรแฝง POTENT กับตัวแปรแฝง ACADEM มีความ สัมพันธ์กัน และต่างมีอิทธิพลต่อตัวแปรแฝง PROCESS กับตัวแปร แฝง ENVIR และมีอิทธิพลทั้งทางตรงและทางอ้อมต่อตัวแปรแฝง EFFECTIV สำหรับอิทธิพลทางอ้อม (indirect effect) มีตัวแปรแฝง PROCESS และ ตัวแปรแฝง ENVIR เป็นตัวแปรคั่นกลาง (Intervening variable) หรือตัวแปรส่งผ่าน (Mediating Variable} และตัวแปรแฝง ACADEM มีอิทธิพลทางอ้อมต่อตัวแปรแฝง EFFECTIV ด้วย โดย ส่งผ่านตัวแปร PROCESS THEORETICAL MODEL
- 36. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 36 โมเดลการวิจัยควรกำหนดสมมติฐานการวิจัยเป็นข้อความบรรยายรูปแบบอิทธิพลในโมเดลเป็นภาพรวม เช่น โมเดลสมการ โครงสร้างที่สร้างขึ้นมีความสอดคล้อง [FIT] กับข้อมูลเชิงประจักษ์ ใช้สถิติวิเคราะห์ที่สามารถวิเคราะห์ประมาณค่าพารามิเตอรใน โมเดลสมการถดถอยทุกโมเดลไปพร้อมกัน (Simultaneous Equation Model) และมีการทดสอบความกลมกลืนของโมเดล (Model Goodness of Fit Test) การวิเคราะห์โมเดลสมการโครงสร้างจึงต้องใช้โปรแกรมคอมพิวเตอร์สำหรับการวิเคราะห์ SEM สำหรับ โปรแกรมที่นิยมกันมากได้แก่ LISREL, M-PLUS และ IBM SPSS AMOS เป็นต้น
- 37. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 37 SEM FOUNDER การวิเคราะห์โมเดลสมการโครงสร้างหรือสถิติวิเคราะห์ SEM พัฒนาโดย Karl G. Joreskog เมื่อปี 1960 เป็นโมเดลที่บูรณาการโมเดล การวัดตามหลักการวิเคราะห์องค์ประกอบ และโมเดลโครงสร้างตามหลักการวิเคราะห์เส้นทาง กับวิธีการประมาณค่าพารามิเตอร์ตามหลัก วิชา Econometric นักสถิติชาวสวีเดน เกิด 25 เมษายน 1935 Jöreskog เป็นศาสตราจารย์กิตติคุณ ณ Uppsala University และเป็นผู้ร่วมพัฒนาโปรแกรม LISREL กับ Dag Sörbom เขายังเป็นสมาชิกของราชสมาคมวิทยาศาสตร์แห่งสวีเดน Jöreskog ได้รับปริญญาตรี โท และเอกที่ Uppsala University เขายังเป็นนักสถิติของ Educational Testing Service (ETS) และยังเป็นอาจารย์พิเศษที่ Princeton University กล่าวได้ว่า การวิเคราะห์โมเดลสมการโครงสร้าง เป็นสถิติวิเคราะห์ชั้นสูงที่ได้รับการพัฒนาใหม่ แต่ยังคงมีหลักการพิ้นฐานทางสถิติแบบเดิม โดย Kuhnel (2001, อ้างใน นงลักษณ์ วิรัชชัย, 2548) สรุปว่า นงลักษณ์ วิรัชชัย (2548). แนวโน้มการวิจัยในยุคสังคมความรู้. วารสารบริหารการศึกษา มหาวิทยาลัยขอนแก่น, 1(2), 9-18. ‘การเรียนรู้ด้านการวิเคราะห์โมเดลสมการโครงสร้าง ไม่เพียงแต่จะช่วยให้ผู้เรียนสามารถวิเคราะห์ข้อมูลที่มีตัวแปรจำนวนมากในการ วิจัยที่มีพื้นฐานทางทฤษฎีรองรับเท่านั้น แต่การเรียนรู้เรื่องการวิเคราะห์โมเดลสมการโครงสร้าง ยังจะเป็นประโยชน์ช่วยให้ผู้เรียนได้ เรียนรู้หลักการพื้นฐานทางสถิติวิเคราะห์ทั้งหมด และมีประสบการณ์ตรงในการทำความเข้าใจบทบาทของสถิติวิเคราะห์ต่อการวิจัยด้วย’
- 38. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 38 นงลักษณ์ วิรัชชัย (2548] ได้กล่าวว่า เมื่อศึกษาหลักการของสถิติวิเคราะห์ของสถิติวิเคราะห์ส่วนที่เป็นสถิติวิเคราะห์อภิมาน (meta analysis) เปรียบเทียบกับหลักการของสถิติวิเคราะห์ที่ได้รับการพัฒนาใหม่ พบว่ามีความเกี่ยวข้องเชื่อมโยงถึงกันของ สถิติวิเคราะห์แบบเดิม 3 ประเภท ดังนี้ NONPARAMETRIC STATISTICS FACTOR / CLUSTER ANALYSIS Hierarhcical Linear Model [HLM] LISREL / SEM MRA, ANCOVA ANOVA t-test Hoteling T2 MANOVA MMRA, MANCOVA, PATH ANALYSIS 1 2 3
- 39. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 39 NONPARAMETRIC STATISTICS FACTOR / CLUSTER Hierarhcical Linear Model [HLM] LISREL / SEM MRA, ANCOVA ANOVA t-test Hoteling MANOVA MMRA, MANCOVA, 1 2 3 ประเภท เป็นสถิติสิเคราะห์ใช้ทดสอบความแตกต่างของค่าเฉลี่ยระหว่าง ประชากรสองกลุ่ม ประเภท t-test & z-test ต่อจากนั้นขยาย ขอบเขตการวิเคราะห์เป็นการทดสอบความแตกต่างของค่าเฉลี่ย ระหว่างประชากรตั้งแต่สามกลุ่มขึ้นไป โดยการวิเคราะห์ความ แปรปรวน (ANOVA : Analysis of Variance) กล่าวได้ว่า t-test เป็นกรณีหนึ่งของ ANOVA เมื่อนักวิจัยศึกษาเรื่องการวิเคราะห์การถดถอยพหุคูณ (MRA : multiple regression analysis) นักวิจัยได้เรียนรู้ว่า ANOVA, ANCOVA (analysis of covariance) เป็นกรณีหนึ่งของ MRA เมื่อนักวิจัยเรียนรู้ถึงสถิติการวิเคราะห์ตัวแปรพหุนาม (Multivariate Statistical Analysis) จะเห็นว่า สถิติวิเคราะห์ทั้ง ANOVA, ANCOVA & MRA เป็นส่วนหนึ่งของการวิเคราะห์ความ แปรปรวนพหุนาม (MANOVA : multivariate analysis of variance) และการวิเคราะห์การถดถอยพหุคูณตัวแปรพหุนาม (MMRA : Multivariate Multiple Regression Analysis) สถิติวิเคราะห์ในกรณีที่มีโมเดลการวิจัยรองรับ มีการขยายขอบเขต การวิเคราะห์ให้ครอบคลุมถึงการวิเคราะห์เส้นทาง (path analysis) สำหรับกรอบรูปสามเหลี่ยมในภาพ แสดงถึงสถิติวิเคราะห์ความแปรปรวน และการวิเคราะห์ถดถอยพหุคูณสำหรับการวิเคราะห์พหุระดับ ที่เรียกว่า การวิเคราะห์โมเดลเชิงเส้นระดับลดหลั่น (Hierarchical Linear Model : HLM) สถิตวิเคราะห์ทั้งหมดนี้เป็นสถิติวิเคราะห์ที่มีตัวแปรต้นตัวแปรตาม รวมเรียกว่าเทคนิคทางสถิติกรณีตัวแปรมีความสัมพันธ์เชิงเหตุเชิงผล (Dependence Statistic Technique) 1
- 40. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 40 NONPARAMETRIC STATISTICS FACTOR / CLUSTER Hierarhcical Linear Model [HLM] LISREL / SEM MRA, ANCOVA ANOVA t-test Hoteling MANOVA MMRA, MANCOVA, 1 2 3 ประเภท และ 2 3 2 3 ในกรอบทางซ้ายมือเป็นเทคนิคทางสถิติกรณีตัวแปรมีความสัมพันธ์เชิงเหตุเชิงผล สำหรับการวิเคราะห์ข้อมูลประเภทที่ไม่มีข้อกำหนดเกี่ยวกับพารามิเตอร์ ซึ่งข้อมูลมี ระดับการวัดของตัวแปรระดับนามบัญญัติ (nominal scale) และมาตรอันตรภาค หรือเรียงลำดับ (ordinal scale) สถิติวิเคราะห์ในกลุ่มนี้ได้แก่ สถิติ non- parametric statistics) ในกรอบด้านขวามือของภาพ เป็นสถิติวิเคราะห์ประเภทที่ข้อมูลไม่มีการระบุตัวแปร ต้นหรือตัวแปรตาม ข้อมูลมีเพียงชุดของตัวแปรที่สัมพันธ์กัน เรียกว่า เทคนิคทาง สถิติกรณีตัวแปรสัมพันธ์ระหว่างกัน (Interdependent Statistical Technique) ได้แก่ สถิติวิเคราะห์ในกลุ่มการวิเคราะห์องค์ประกอบ (Factor Analysis) การวิเคราะห์มาตรพหุมิติ (Multidimensional Scaling)
- 41. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 41 นงลักษณ์ วิรัชชัย (2548) ได้กล่าวอีกว่า สถิติวิเคราะห์ SEM เป็นสถิติวิเคราะห์ที่เหมาะสมกับงานวิจัยทางสังคมศาสตร์และ พฤติกรรมศาสตร์ ด้วยเหตุผลสรุปดังนี้ มีศักยภาพสามารถวิเคราะห์ข้อมูลได้กว้างขวาง เพราะมีหลักการวิเคราะห์ที่สามารถวิเคราะห์ข้อมูลได้เช่นเดียวกับสถิติวิเคราะห์ที่ ง่ายที่สุด เช่น t-test ไปถึงสถิติขั้นสูงที่ซับซ้อน สามารถใช้สถิติวิเคราะห์เป็นภาพรวมได้ตามโมเดลการวิจัย และมีสถิติทดสอบความตรง (validity) ของโมเดลการวิจัย การผ่อนคลายข้อตกลงเบื้องต้นทางสถิติ ปกติสถิติวิเคราะห์ยิ่งเป็นสถิติชั้นสูงจะยิ่งมีข้อตกลงเบื้องต้น (assumption) ทางสถิติมาก ขึ้น แต่สถิติวิเคราะห์ SEM กลับมีข้อตกลงเบื้องต้นทางสถิติน้อยลง การที่สถิติวิเคราะห์ SEM นำเทอมความคลาดเคลื่อน (error) มาวิเคราะห์ด้วย ทำให้สามารถวิเคราะห์ข้อมูลกรณีที่เทอมความคลาดเคลื่อนสัมพันธ์กันได้ ตัวแปรในโมเดลการวิจัยมีตัวแปรแฝงได้ ตัวแปรทำนายอาจมีความสัมพันธ์กันได้ โมเดลการวิเคราะห์ไม่จำเป็นต้องเป็นโมเดลอิทธิพลแบบบวกและมีอิทธิพลทางเดียว อาจเป็น โมเดลแบบคูณและมีอิทธิพลย้อนกลับได้ นอกจากนี้ยังสามารถวิเคราะห์กรณีตัวแปรหลายตัวในโมเดล อนึ่ง ในโมเดลการวิจัยยังมี ระดับการวัดแบบ nominal และ ordinal scale ได้ด้วย ในการวิจัยเชิงทดลอง เมื่อตัวแปรตามสร้างขึ้นตามโมเดลการวัด และตัวแปรตามอยู่ในรูปของตัวแปรแฝง การวิเคราะห์ด้วยสถิติ SEM จะให้ผลการวิเคราะห์ถูกต้องมากกว่าการวิเคราะห์ด้วย ANOVA หรือ MANOVA แบบดั้งเดิม นงลักษณ์ วิรัชชัย (2548). แนวโน้มการวิจัยในยุคสังคมความรู้. วารสารบริหารการศึกษา มหาวิทยาลัยขอนแก่น, 1(2), 9-18.
- 42. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 42 แม้การวิเคราะห์ SEM เป็นสถิติวิเคราะห์ที่มีความเหมาะสมกับงานวิจัยทางสังคมศาสตร์และพฤติกรรมศาสตร์มากขึ้น แต่ก็ยังมี จุดอ่อน [ซึ่งในอนาคตจะมีการพัฒนาให้เหมาะสมมากขึ้น] โดยจุดอ่อนหลักจะมี 3 ประการ ต้องใช้ตัวอย่างขนาดใหญ่ การวิเคราะห์ SEM ต้องใช้กลุ่มตัวอย่างขนาดใหญ่เช่นเดียวกับการวิเคราะห์การถดถอย เกณฑ์ สำหรับการกำหนดขนาดกลุ่มตัวอย่างนั้นต้องระบุขนาดกลุ่มตัวอย่างเป็นฟังก์ชั่นของจำนวน พารามิเตอร์ที่จะต้องประมาณค่า นั่นคือต้องมีขนาดกลุ่มตัวอย่างประมาณ 20 คนต่อหนึ่ง พารามิเตอร์ จุดอ่อนในการวิเคราะห์เพื่อครวจสอบความเที่ยงตรงของโมเดล เป็นการทดสอบสมมติฐานทาง สถิติที่ว่า เมทริกซ์ความแปรปรวน-ความแปรปรวนร่วม (variance-covariance matrix) จาก ข้อมูลเชิงประจักษ์ ไม่แตกต่างจากเมทริกซ์ความแปรปรวน-ความแปรปรวนร่วมที่คำนวณจากค่า พารามิเตอร์ในโมเดล การวิเคราะห์เพื่อตรวจสอบ ความเที่ยงตรงของโมเดล H0 : Σ = Σθ การทดสอบดังกล่าวเป็นการทดสอบด้วย Chi-Square test เมื่อนักวิจัยไม่สามารถปฏิเสธ สมมติฐานทางสถิติ การแปลความหมายจะถือว่าโมเดลสอดคล้อง (FIT) กับข้อมูลเชิงประจักษ์ แต่ ในความเป็นจริง โมเดลที่นักวิจัยทดสอบยังอาจไม่ใช่โมเดลที่ดีที่สุดก็ได้
- 43. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 43 Meehl & Waller (2002 อ้างใน นงลักษณ์ วิรัชชัย, 2548) เสนอทางเลือกในการแก้ไขจุดอ่อนของ SEM ดังนี้ การพัฒนาโมเดลที่มีความเป็นไปได้ตามทฤษฎีทั้งหมด นำมาวิเคราะห์เพื่อให้ได้โมเดลที่สอดคล้องกับข้อมูลเชิงประจักษ์ทีดีที่สุด Joreskog & Sorbom (1996, อ้างอิงในนงลักษณ์ วิรัชชัย, 2548) เสนอให้รวบรวมข้อมูลจำนวนมาก แยกกลุ่มตัวอย่างเป็น สองกลุ่ม กลุ่มแรก เป็นกลุ่มตัวอย่างสำหรับการวิเคราะห์ (analysis sample) และกลุ่มที่สอง เป็นกลุ่มสำหรับตรวจสอบความ ตรง (validated sample) เพื่อตรวจสอบยืนยันความตรงของการวิเคราะห์ข้อมูล มีโมเดลและกระบวนการวิเคราะห์ยุ่งยาก เนื่องจากมีตัวแปรหลายประเภท มีเทอมความคลาดเคลื่อน [measurement error] ในโมเดล รวมทั้งมีเส้นทางอิทธิพลแบบต่างๆ แม้จะมีโปรแกรมคอมพิวเตอร์ช่วยในการวิเคราะห์ก็ตาม แต่กระบวนการวิเคราะห์ข้อมูลไม่ใช่การวิเคราะห์ครั้งเดียวและได้ผลการ วิเคราะห์ในทันทีแบบโปรแกรม SPSS กระบวนการวิเคราะห์ต้องมีการปรับโมเดลหลายครั้งจนกระทั่งค่าดัชนีความสอดคล้องต่างๆ (Fit index) อยู่ในระดับที่ยอมรับได้ การวิเคราะห์ SEM ต้องวิเคราะห์ข้อมูลแล้วนำผลการวิเคราะห์มาพิจารณา หากโมเดลยังไม่สอดคล้องกับข้อมูลต้องพิจารณาปรับโมเดลในส่วนของ การผ่อนคลายข้อตกลงเบื้องต้นแล้ววิเคราะห์ใหม่ ซึ่งนักวิจัยอาจต้องปรับโมเดลและวิเคราะห์ใหม่หลายครั้งกว่าจะได้ผลการวิเคราะห์ข้อมูลที่ยอมรับได้
- 44. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 44 เนื่องจากสถิติ SEM ใช้หลักการสถิติแบบเดิมเป็นพื้นฐาน ดังนั้นในกรณีที่นักวิจัยยังคงตั้งคำถามวิจัยแบบเดิม กำหนดสมมติฐานวิจัยเป็น รายข้อ แม้ผลการวิเคราะห์ SEM จะมีความถูกต้องมากขึ้น แต่ผลการวิเคราะห์ก็มิได้แตกต่างมากมายไปจากผลการวิเคราะห์แบบเดิม นัก วิจัยอาจพิจารณาถึงความคุ้มค่าในการเรียนรู้สถิติวิเคราะห์ SEM โดยพิจารณาเรียนรู้เฉพาะ ‘การอ่านผล’ การวิจัยที่ใช้สถิติวิเคราะห์ SEM โดยไม่ต้องเรียนรู้ที่จะใช้ ‘สถิติวิเคราะห์ SEM’ ในการวิจัยก็ได้ อย่างไรก็ตาม ในกรณีที่นักวิจัยกำหนดปัญหาวิจัยที่มีความซับซ้อน ลึกซึ้งกว่าในอดีต มีการสร้างโมเดลการวิจัยที่มีตัวแปรแฝง และมีการ กำหนดสมมติฐานการวิจัยเป็นภาพรวมแล้ว สถิติวิเคราะห์ SEM เป็นเรื่องสำคัญที่นักวิจัยควรใช้ เพราะจะทำให้ได้ผลการวิจัยที่ตอบคำถาม วิจัยได้อย่างถูกต้องสมบูรณ์ งานวิจัยในยุคสังคมความรู้ส่วนใหญ่จึงเป็นงานที่ใช้สถิติ วิเคราะห์ SEM มากขึ้นสำหรับการเรียนการสอน นักศึกษาระดับปริญญามหาบัณฑิตทุกคน ควรได้เรียนรู้ สถิติวิเคราะห์ SEM เพียงพอที่จะอ่านงานวิจัยยุคสังคม ความรู้ได้เข้าใจ และนำผลการวิจัยไปใช้ประโยชน์ได้ นักศึกษาระดับปริญญาดุษฎีบัณฑิตทุกคนควรได้เรียนรู้ สถิติวิเคราะห์ SEM ถึงขั้นใช้วิเคราะห์ข้อมูลสำหรับการ วิจัยตนเองได้ Knowledge Intake : Knowledge & Comprehension Bachelor Degree Knowledge Generation : Synthesis & Evaluation Ph.D. Knowledge Utilization : Application & Analysis Master Degree
- 45. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 45 ทฤษฎีผสมกับงานวิจัย เป็นจุดเริ่มต้นการสร้างโมเดลสมการโครงสร้างเพื่อการยืนยันหรือทดสอบทฤษฎี การทบทวนทฤษฎีและงานวิจัยที่เกี่ยวข้องในบทที่ 2 เพื่อสร้างโมเดลสมการโครงสร้างที่เป็นโมเดลการวิจัยหรือโมเดลสมมติฐาน ถือว่าเป็นจุดเริ่มต้นที่สำคัญ หากศึกษาไม่ตรงเรื่อง ตรงประเด็น ผลที่เกิดตามมาก็จะไม่ตรงเรื่องตรงประเด็นด้วย ผลลัพธ์คือได้โมเดลสมการโครงสร้างที่ถือเป็นโมเดลสมมติฐานหรือโมเดลการวิจัย
- 46. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 46 ดำเนินการวิจัยตามวิธีการที่กำหนดในบทที่ 3 ประชากรและกลุ่มตัวอย่าง ขนาดกลุ่มตัวอย่างประมาณ 20 คนต่อหนึ่งพารามิเตอร์ สร้างเครื่องมือที่ใช้ในการวิจัย (ลักษณะ การสร้าง การตรวจสอบความเที่ยงตรง (validity) จากผู้ทรงคุณวุฒิ และการทดลองใช้ (pilot test) เพื่อหาค่าความเชื่อมั่น (reliability) ) การรวบรวมข้อมูลจากกลุ่มตัวอย่างของประชากร การวิเคราะห์ข้อมูล โดยใช้สถิติวิเคราะห์ SEM เช่น LISREL, MPLUS, AMOS หรือ EQS ซึ่งนักวิจัยในสาขาที่ไม่ได้ศึกษาลงลึก จะต้องเข้ารับ การฝึกอบรมเพื่อให้มีความรู้ สามารถใช้โปรแกรมอย่างถูกต้องได้ด้วยตัวเอง เกณฑ์การวัดความสอดคล้อง เช่น ค่า Chi-square ค่า Chi-square/df, GFI, AGFI, CFI, standardized RMR, RMSEA, largest standardized residual และการทำ Q-plot เป็นต้น ซึ่งหากผลการวิเคราะห์ข้อมูลไม่เป็นไปตามเกณฑ์ ก็ต้องมีการปรับโมเดล ผลการวิจัยคือโมเดลสมการโครงสร้างที่สร้างขึ้นจากทฤษฎี มีความสอดคล้องกับข้อมูลเชิงประจักษ์
- 47. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 47 คุณภาพของโมเดลสมการโครงสร้าง เริ่มต้นตั้งแต่บทที่ 2 โดยจะ ต้อง review ตัวทฤษฎีและงานวิจัยที่เกี่ยวข้อง เพื่อสนับสนุนการ สร้างโมเดลอย่างหนักแน่นเข้มแข็ง (robust) ตรงเรื่องตรงประเด็น ซึ่งหากขาดคุณภาพ ไม่ว่าเทคนิควิธีการทางสถิติดีอย่างไร ผลที่ได้ จากการพัฒนาก็ย่อมด้อยประสิทธิภาพไปด้วย SEM เป็นการวิจัยเชิงปริมาณ มีวัตถุประสงค์และระเบียบวิธีวิจัย ชัดเจน สิ่งที่ควรให้ความสำคัญได้แก่ theory & literature review เพื่อสนับสนุนการสร้างโมเดลในบทที่ 2 ว่าจะต้องตรงเรื่อง ตรงประเด็นอย่างเป็นเหตุเป็นผล
- 48. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 48 ข้อควรคำนึงในบทที่ 2 ไม่อ้างอิงทฤษฎีและงานวิจัยที่ไม่ตรง ไม่นำเรื่องราวเรื่องอื่นๆ มาแทนหรือมาแทรก ไม่สังเคราะห์เนื้อหาเพื่อกำหนดตัวแปรที่ต้องการไว้ล่วงหน้าว่าต้องการมีกี่ตัวแปร มีอะไรบ้าง ไม่ว่าเนื้อหาที่ศึกษามานั้น จะกล่าวถึง ตัวแปรอื่นๆ ไว้นอกเหนือจากนั้นก็ตาม ให้นำทุกตัวแปรมาสร้างตารางเพื่อสังเคราะห์ (synthesize) หากพบว่ามีจำนวนมากให้ กำหนดเกณฑ์เพื่อคัดเลือก ไม่นำเสนอเนื้อหาแบบกว้างเกินไป ไม่ชี้เฉพาะเจาะจง (specific) ไม่ทราบว่าเนื้อหาจุดในกล่าวถึงตัวแปรใดบ้าง จึงควรทำตาราง สังเคราะห์และระบุให้ชัดว่ามีตัวแปรอะไรบ้างเป็นข้อๆ ไม่กำหนดตัวแปรตามใจคิด : ตัวแปรสังเกต (Observed/indicator variable) ไม่สามารถนำไปรวมกันตามอำเภอใจ (arbitrary) เพิ่อสร้างตัวแปรแฝง ยกตัวอย่างเช่น การนำเพศ เชื้อชาติ หรือตัวแปรเชิงประชากรอื่นๆ มาสร้างเป็นตัวแปรแฝงนั้น ไม่มีความ เหมาะสม เนื่องจากมันจะไม่สามารถสะท้อนความหมายที่ต่อเนื่องของตัวแปรตัวใดตัวหนึ่ง ขั้นตอนการวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis : CFA) ใน SEM เป็นการทดสอบความหมายของ ตัวแปรแฝงและตัวบ่งชี้ (indicator) แต่นักวิจัยมักคาดหวังจะนำไปใช้ในการทดสอบตามแบบแผน (เช่น ทดสอบค่า Cronbach’s Alpha) หรือวิเคราะห์องค์ประกอบตามแบบแผน (traditional factor analysis เช่น principal axis factoring) เป็นต้น
- 49. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 49 ทำตารางสังเคราะห์ภายหลังการ review แต่ละตัวแปร การสังเคราะห์จากหลายแหล่งเป็นทักษะการคิด ขั้นสูงสุดตาม Bloom’s taxonomy อนุกรมวิธานของ Bloom เป็นกรอบลำดับชั้นที่จัดระดับการเรียนรู้ทางปัญญา ในระดับต่างๆ ได้รับการพัฒนาโดยนักจิตวิทยาการศึกษาเบนจามิน บลูม ใน ทศวรรษที่ 1950 และมีการใช้กันอย่างแพร่หลายในด้านการศึกษาเพื่อ ทำความเข้าใจและจัดหมวดหมู่วัตถุประสงค์การเรียนรู้ประเภทต่างๆ อนุกรม วิธานโดยทั่วไปจะแสดงเป็นปิรามิดที่มีหกระดับ เริ่มจากทักษะการคิดระดับล่าง และก้าวหน้าไปสู่ทักษะการคิดระดับสูง วัตถุประสงค์การวิจัย ควรกำหนดเพื่อเรียนรู้ในคำถามและสถิติขั้นพื้นฐานด้วย
- 50. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 50 Armstrong, P. (2010). BLOOM’S TAXONOMY. Vanderbilt University Center for Teaching. Retrieved [todaysdate] from https://cft.vanderbilt.edu/guides-sub-pages/blooms-taxonomy/. EXPLAIN IDEAS OR CONCEPTS Classify, describe, discuss, explain, identify, locate, recognise, report, select & translate. remember RECALL FACTS AND BASIC CONCEPTS Define, duplicate, list, memorise, repeat & state. understand USE INFORMATION IN NEW SITUATION Execute, implement, solve, use, demonstrate, interpret, operate, schedule & sketch. apply DRAW CONNECTIONS AMONG IDEAS Differentiate, organise, relate, compare, contrast, distinguish, examine, experiment, question, test. analyze JUSTIFY A STAND OR DECISION Appraise, argue, defend, judge, select, support, value, critique & weigh. EVALUATE PRODUCE NEW OR ORIGINAL WORK Design, assemble, construct, conjecture, develop, formulate, author & investigate CREATE
- 51. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 51 ในการวิเคราะห์โมเดลสมการโครงสร้าง ผู้วิจัยต้องทำหน้าที่ศึกษาค้นคว้าทฤษฎีและงานวิจัยที่เกี่ยวข้อง ผู้วิจัยเป็นนักทดสอบหรือยืนยันทฤษฎี ผู้วิจัยเป็นนักสร้างโมเดลสมการโครงสร้างเชิงเหตุผล ผู้วิจัยเป็นนักออกแบบงานวิจัยเชิงปริมาณ ผู้วิจัยเป็นนักสังเคราะห์ข้อมูลหรือตัวแปร ผู้วิจัยเป็นนักวิเคราะห์ข้อมูลด้วยสถิติ SEM ผู้วิจัยเป็นนักวิเคราะห์องค์ประกอบและเส้นทางอิทธิพล ผู้วิจัยเป็นนักสร้างโมเดลเชิงทฤษฎัเพื่อเป็นแนวทางการพัฒนา ผู้วิจัยเป็นนักวิทยาศาสตร์ทางสังคมศาสตร์เชิงเหตุผล ผู้วิจัยเป็นนักสร้างองค์ความรู้ใหม่จากการสังเคราะห์ตัวแปร
- 52. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 52 แนะนำให้ใช้ตัวแปรสังเกตกี่ตัว? ปัญหาของการมีตัวบ่งชี้น้อยกว่า 3 ตัวต่อตัวแปรคืออะไร โดยทั่วไปแนะนำให้ใช้ 4 คำถาม 3 ข้อก็สามารถใช้ได้ แต่ถ้า 2 ข้อจะมีปัญหา ไม่สามารถสร้างแบบจำลองความคลาดเคลื่อนในการวัดได้ การ ใช้ตัวบ่งชี้เพียง 2 ตัวมีแนวโน้มที่จะไม่เพียงพอที่จะตรวจสอบ (underidentified) และ/หรือล้มเหลวในการสร้างเป็นโมเดล และการประมาณ ค่า error estimation อาจไม่น่าเชื่อถือ โดยทั่วไปแล้ว ตัวแปรแต่ละตัวในโมเดลจะถูกกำหนดเป็นตัวแปรแฝง โดยวัดจากตัวบ่งชี้ (indicators หรือจำนวนข้อคำถาม) หลายตัว ตัวบ่งชี้หลายตัวได้รับการพัฒนาสำหรับตัวแปรแฝงแต่ละตัว โดยมีตัวบ่งชี้อย่างน้อย 2 ตัว และจำนวนที่พึงประสงค์ควรเป็น 3 ตัว หรือมากกว่าต่อตัวแปรแฝง ตัวแปรตัวบ่งชี้ (indicator variable) ก็คือตัวแปรสังเกต (observed variable) บางครั้งเรียกตัวแปร manifested หรือตัวแปร อ้างอิง (reference) คำถามในเครื่องมือสำรวจก็คือเป็นตัวบ่งชี้ ควรใช้ตัวบ่งชี้ตั้งแต่ 4 ตัวขึ้นไป แม้ว่าเพียง 3 ตัวจะเป็นที่ยอมรับได้ และปฏิบัติกันทั่วไป (common practice) ตัวบ่งชี้เพียง 2 ตัวอาจยอมรับได้หากผู้วิจัยมั่นใจในความเที่ยงตรง (validity) และความ เชื่อมั่น (reliability) ของมาตรวัด
- 53. SEM STATISTIC เพราะต้องอธิบายเหตุผลเชิงประจักษ์ให้โลกฟัง 53 ขนาดของกลุ่มตัวอย่าง ในมุมมองเกี่ยงเนื่องกับพารามิเตอร์ Kline แนะนำให้ใช้ 10 เท่าของจำนวนพารามิเตอร์ (ในทางอุดมคติคือ 20 เท่า) เขาระบุว่าจำนวน 5 เท่านั้นไม่เพียงพอในการตรวจสอบนัยสำคัญอิทธิพลของโมเดล ในการสร้างความเชื่อมั่นในการทดสอบ Goodness of Fit test จำนวนกลุ่มตัวอย่างที่แนะนำได้แก่ 100 – 200 ตัวอย่าง (Hoyle, 1995) โดยทั่วไปแล้ว โมเดลหนึ่งๆ ควรจะมีจำนวน 10-20 เท่าของจำนวนตัวแปรสังเกต (Observed variables – Mitchell, 1993) ขนาดของกลุ่มตัวอย่าง เช่นเดียวกับการวิเคราะห์องค์ประกอบ ผู้วิจัยจะต้องมีจำนวนข้อมูลจำนวนมากเมื่อจะต้องวิเคราะห์ SEM โดยปกติ แล้ว มันจะเป็น rules of thumb สำหรับโมเดลปกติ จำนวน 200 ตัวอย่างก็เพียงพอ ในขณะที่ความสัมพันธ์ระหว่างองค์ประกอบต่างๆ ของโมเดลมีความแข็งแรงเพียงพอ จำนวน 10 ตัวอย่างต่อจำนวนพารามิเตอร์ที่ประมาณการได้ก็เพียงพอ Rex B. Kline. (1998). Principles and practice of Structural Equation Modeling. NY ; Guilford Press. Karl L. Wuensch. (2009). Department of Psychology, East Carolina University. Greenville, NC, USA.