3. วิจัยในฐานะเครื่องมือเชิงวิทยาศาสตร์ ที่ต้องการทำหน้าที่เข้าใจ อธิบาย ทำนาย และควบคุมปรากฎการณ์ต่างๆ ล้วนต้องการ
ประสิทธิภาพที่สูงขึ้น งานวิจัยใน journal ระดับท็อปต่างต้องการ SEM มาใช้ในการหักล้าง [reject] หรือคงไว้ซึ่ง [retain]
โมเดลในการอธิบายต่างๆ ส่งผลให้นักวิจัยและสถาบันการศึกษาต่างๆ เลี่ยงไม่ได้ที่จะต้องปรับตัวตาม และปล่อยให้นักวิจัยที่ไม่
พัฒนาตนเองล้มหายตายจากไปตาม industry life cycle
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
4. นักวิจัยอาจเลือกใช้การสร้างแบบจำลองสมการโครงสร้าง (SEM) ก่อนการวิเคราะห์การถดถอยด้วยเหตุผลหลายประการ ขึ้นกับ
วัตถุประสงค์การวิจัยและลักษณะของข้อมูล ทั้งนี้ SEM เป็นเทคนิคทางสถิติที่ช่วยให้นักวิจัยทดสอบความสัมพันธ์ที่ซับซ้อนระหว่าง
ตัวแปรได้ ยกตัวอย่างเช่นแบบจำลอง (model) ด้านล่าง
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
5. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
ความสัมพันธ์ที่ซับซ้อน [Complex relationship] เมื่อนักวิจัยต้องการทำความเข้าใจความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรหลายตัว
สามารถจัดการโมเดลที่มีตัวแปรแฝง (Latent variable / unobserved variable : ไม่ได้สังเกต) และตัวบ่งชี้ (indicator) หลายตัว
สำหรับแต่ละภาวสันนิษฐาน [Construct] ส่วนการถดถอยอย่างง่าย [Simple regression] จำกัดอยู่เพียงการตรวจสอบความสัมพันธ์
ระหว่างตัวแปรสองตัว (ตัวแปรต้นและตัวแปรตาม) ในแต่ละครั้ง
6. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
ตัวแปรส่งผ่านและตัวแปรกำกับ [Mediator & Moderator] SEM ช่วยให้นักวิจัยสามารถตรวจสอบทั้งผลกระทบของการส่งผ่านหรือกำกับ
ได้พร้อมๆ กัน การส่งผ่านเกิดขึ้นเมื่อผลกระทบของตัวแปรอิสระต่อตัวแปรตามถูกส่งผ่านโดยตัวแปรที่มีบทบาทระหว่างกลาง [intervening]
ตั้งแต่หนึ่งตัวขึ้นไป การกำกับเกิดขึ้นเมื่อขนาด [strength] หรือทิศทาง [direction] ของความสัมพันธ์ระหว่างตัวแปรสองตัวขึ้นอยู่กับเงื่อนไข
[contingent] ของตัวแปรอื่น SEM สามารถจัดการกับความสัมพันธ์ที่ซับซ้อนเหล่านี้ได้อย่างมีประสิทธิภาพมากกว่าการวิเคราะห์การถดถอย
แบบธรรมดา
7. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
ความคลาดเคลื่อนในการวัด [Measurement Error] SEM สามารถอธิบายความคลาดเคลื่อนในการวัดในตัวแปรได้ ในสถานการณ์จริง
หลายๆ ครั้งตัวแปรที่นักวิจัยสนใจนั้นไม่สามารถวัดได้อย่างสมบูรณ์แบบ SEM ช่วยให้นักวิจัยจำลองความคลาดเคลื่อนในการวัดได้อย่าง
ชัดเจน ทำให้สามารถประมาณความสัมพันธ์ระหว่างตัวแปรได้แม่นยำยิ่งขึ้น
8. TANGIBILITY
RELIABILITY
RESPONSIVENESS
ASSURANCE
EMPATHY
SERVICE
QUALITY
การวิเคราะห์การถดถอยพหุคูณ [Multiple regression] เป็นเทคนิคทางสถิติที่ใช้ในการตรวจสอบความสัมพันธ์ระหว่างตัวแปร
ตามและตัวแปรอิสระสองตัวขึ้นไป เมื่อดำเนินการถดถอยหลายครั้ง จำเป็นต้องพิจารณาข้อตกลงเบื้องต้น (assumption) หลาย
ประการเพื่อให้แน่ใจว่าผลลัพธ์มีความถูกต้อง
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
..772
.594
.649
.281
.837
9. TANGIBILITY
RELIABILITY
RESPONSIVENESS
ASSURANCE
EMPATHY
SERVICE
QUALITY
..772
.594
.649
.281
.837
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
ความสัมพันธ์เชิงเส้นตรง [Linearity] ควรมีความสัมพันธ์เชิง
เส้นระหว่างตัวแปรอิสระและตัวแปรตาม ซึ่งหมายความว่าการ
เปลี่ยนแปลงในตัวแปรอิสระสัมพันธ์กับการเปลี่ยนแปลงอย่างต่อ
เนื่องและสม่ำเสมอ [constant & consistent] ในตัวแปรตาม
ความเป็นอิสระ [Independence] การสังเกต data point ควร
เป็นอิสระจากกัน กล่าวอีกนัยหนึ่ง ค่าของตัวแปรตามสำหรับกรณี
หนึ่งไม่ควรได้รับอิทธิพลจากค่าของตัวแปรตามสำหรับกรณีอื่น
ดังนั้น ความเป็นอิสระของการสังเกตจึงเป็นสิ่งสำคัญเพื่อหลีก
เลี่ยงความผิดพลาด (bias) ในการคำนวณสัมประสิทธิ์การ
ถดถอย
ความเป็นเนื้อเดียวกัน [Homoscedasticity] ความแปรปรวน
ของความคลาดเคลื่อน ค่า residual (ส่วนที่เหลือที่ใช้ทำนายไม่
ได้) ควรคงที่ในทุกระดับของตัวแปรอิสระ ข้อตกลงเบื้องต้นนี้ถูก
เรียกว่า homoscedasticity นั่นคือ ถ้าความแปรปรวนของค่า
คงเหลือเพิ่มขึ้นหรือลดลง หรือแปรผันไปตามระดับของตัวแปร
อิสระแล้ว จะเป็นการบ่งชี้ถึงความไม่เป็นเนื้อเดียวกัน
[Heteroscedasticity] ซึ่งอาจนำไปสู่การประมาณค่าสัมประสิทธิ์
การถดถอยที่ไม่มีประสิทธิภาพ
ข้อตกลงเบื้องต้น [Assumption]
11. TANGIBILITY
RELIABILITY
RESPONSIVENESS
ASSURANCE
EMPATHY
SERVICE
QUALITY
..772
.594
.649
.281
.837
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
ไม่มีความสัมพันธ์อัตโนมัติ [No Autocorrelation]
ความคลาดเคลื่อนที่ตกค้าง [residual] ควรเป็นอิสระจากกัน
หมายความว่าไม่ควรมีรูปแบบของความคลาดเคลื่อนที่ตกค้าง
อย่างเป็นระบบเมื่อเวลาผ่านไปหรือจากการสังเกตอื่นๆ
ความสัมพันธ์อัตโนมัติซึ่งเกิดขึ้นเมื่อความคลาดเคลื่อนตกค้าง
มีความสัมพันธ์กับความคลาดเคลื่อนตกค้างด้วยกันเอง จะนำ
ไปสู่ความคลาดเคลื่อนมาตรฐาน [standard error] ที่ผิดพลาด
และส่งผลต่อผลลัพธ์ของการทดสอบสมมติฐานต่างๆ
Additivity ผลกระทบของการเปลี่ยนแปลงในตัวแปรอิสระ
ต่อตัวแปรตามมีความสอดคล้องกัน โดยไม่คำนึงถึงค่าของ
ตัวแปรอื่นๆ
ข้อตกลงเบื้องต้นนี้บอกเป็นนัยว่าตัวแปรอื่นๆ ไม่มีปฏิสัมพันธ์
ในลักษณะที่ส่งผลกระทบอย่างมีนัยสำคัญต่อความสัมพันธ์ที่
กำลังศึกษา
12. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
13. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
การประเมินความพอดีของแบบจำลอง [Model fit
assessment] SEM มีดัชนีความพอดี [fit index]
หลายดัชนี (เช่น Chi-square], ดัชนีความพอดีเชิงเปรียบ
เทียบ [Comparative fit index : CFI] Root Mean
Square Error pf Assessment : RMSEA) ซึ่งช่วยให้
นักวิจัยสามารถประเมินว่าแบบจำลองที่ตั้งสมมติฐาน
[hypothesis] ไว้เหมาะสมกับข้อมูลที่สังเกตได้ดีเพียงใด
เป็นสิ่งสำคัญในการรับรองว่าความสัมพันธ์ที่เสนอในแบบ
จำลองได้รับการสนับสนุนโดยข้อมูลเชิงประจักษ์
[empirical data]
การวิเคราะห์การถดถอยไม่ได้นำเสนอการประเมินความ
เหมาะสมของแบบจำลองที่ครอบคลุมดังกล่าว
14. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
การจัดการกับปัญหา multicollinearity ในการวิเคราะห์การถดถอย ความเป็น multicollinearity (ความสัมพันธ์สูงระหว่างตัวแปรตัว
ทำนาย) อาจทำให้เกิดปัญหา ยากต่อการตีความผลกระทบแต่ละอย่างของตัวทำนาย SEM สามารถจัดการ multicollinearity ได้อย่างมี
ประสิทธิภาพมากขึ้น ช่วยให้นักวิจัยสามารถแยกแยะ [disentangle] ผลกระทบเฉพาะของตัวทำนาย [predictor] ที่สัมพันธ์กันได้
15. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis : CFA) SEM สามารถรวมการวิเคราะห์องค์ประกอบเชิงยืนยัน
ซึ่งใช้เพื่อตรวจสอบความถูกต้องของมาตราส่วนในการวัด [Measurement Scale] นักวิจัยสามารถยืนยันได้ว่าตัวบ่งชี้ (indicator) ที่เลือกนั้น
เป็นตัวแทนที่ดีของภาวสันนิษฐานพื้นฐานก่อนที่จะทำการวิเคราะห์ SEM ในภายหลัง เพื่อเพิ่มความเที่ยงตรง [validity] ของผลลัพธ์
16. MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
การวิเคราะห์เส้นทาง [Path analysis] SEM ช่วยให้นักวิจัยทดสอบสมมติฐานเฉพาะเกี่ยวกับความสัมพันธ์ระหว่างตัวแปร โดยใช้การ
วิเคราะห์เส้นทาง การวิเคราะห์เส้นทางช่วยให้นักวิจัยสามารถสำรวจผลกระทบทั้งทางตรง [direct effect] และทางอ้อม [indirect effect] ของ
ตัวแปรที่มีต่อกัน ทำให้มีความเข้าใจกระบวนการที่ซ่อนอยู่ได้ละเอียดยิ่งขึ้น
17. โดยสรุป นักวิจัยจะเลือกใช้ SEM มากกว่าการวิเคราะห์การถดถอย เมื่อพวกเขาต้องการสร้างแบบจำลองความสัมพันธ์ที่ซับซ้อน
คำนึงถึงความคลาดเคลื่อนในการวัด ประเมินความเหมาะสมของแบบจำลอง จัดการกับผลกระทบของตัวแปรส่งผ่านและตัวแปร
กำกับ และสำรวจเส้นทางทั้งทางตรงและทางอ้อมระหว่างตัวแปร
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
18. ในการเลือกใช้สถิตินั้น หากเป็นวิจัยเชิงประยุกต์ [applied research] เช่น การวิจัยเชิงสังคมศาสตร์ การวิจัยทางจิตวิทยา การวิจัย
ผู้บริโภค ฯลฯ หรือการวิจัย วิทยานิพนธ์ (thesis) สารนิพนธ์ (thematic paper) ในระดับปริญญาโทหรือปริญญาตรีโดยทั่วไป
เป็นการง่ายกว่าที่จะเลือกใช้ multiple regression โดยแยกอธิบายในแต่ละตัวแปรแทน เป็นการประหยัดเวลาและค่าใช้จ่ายหาก
เทียบกับจะต้องใช้ SEM ในการวิเคราะห์ ส่วนการวิจัยเชิงทฤษฎีหรือวิจัยบริสุทธิ์ [pure research] หรือดุษฎีนิพนธ์ (dissertation)
ที่จะต้องสร้างองค์ความรู้ใหม่ หรือหาความสัมพันธ์เชิงเหตุผลเชิงประจักษ์แล้ว SEM ก็จะเป็นสถิติที่เลี่ยงไม่ได้ ต้องใช้ความพยายาม
ในการทบทวนวรรณกรรมมากกว่า หาหลักฐานมารองรับความสัมพันธ์ในแต่ละเส้นมากกว่า ทำความเข้าใจต่อเนื้อหาลึกซึ้งกว่า และที่
สำคัญ เจอคำถามที่อยากกว่าในเวลา defend หรือส่งตีพิมพ์
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL
MULTIPLE REGRESSION vs. STRUCTURAL EQUATION MODEL