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
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
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
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
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.