3. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 3
“สี่เหลี่ยมกับวงรีแตกต่างกันอย่างไร”
Structural model for growth mindset
N = 1,030
PAS : parental autonomy support
TAS : teacher autonomy support
SOC : sense of coherence
GM : growth mindset
Gen : gender
SES, socioeconomic status
The coefficients shown are standardized
path coefficients. Statistically significant
and insignificant paths were presented by
solid lines and dotted lines, respectively.
This model explained 24.8% of the
variance in growth mindset. * p < 0.05
and *** p < 0.001.
χ2/df = 4.27, p < .001, CFI = .97,
TLI = .96, and RMSEA = 0.06.
Ma C, Ma Y and Lan X (2020) A Structural Equation Model of Perceived Autonomy Support and Growth
Mindset in Undergraduate Students: The Mediating Role of Sense of Coherence. Front. Psychol. 11:2055.
doi: 10.3389/fpsyg.2020.02055
4. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 4
χ2/df = 4.27, p < .001, CFI = .97,
TLI = .96, and RMSEA = 0.06.
Ma C, Ma Y and Lan X (2020) A Structural Equation Model of Perceived Autonomy Support and Growth
Mindset in Undergraduate Students: The Mediating Role of Sense of Coherence. Front. Psychol. 11:2055.
doi: 10.3389/fpsyg.2020.02055
“ลูกศรชี้ออกจากวงรีไปยังสี่เหลี่ยมคืออะไร”
“ลูกศรชี้ออกจากสี่เหลี่ยมไปวงรีคืออะไร”
“ลูกศรชี้ออกจากวงรีไปยังวงรีอีกวงคืออะไร”
16. SEM STATISTIC 16
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
การตรวจสอบความสัมพันธ์ของตัวแปรสังเกต
Davidson, William & Beck, Hall & Grisaffe, Douglas.
(2015). Increasing the Institutional Commitment of
College Students: Enhanced Measurement and Test of a
Nomological Model. Journal of College Student
Retention: Research, Theory & Practice. 17.
10.1177/1521025115578230.
ค่า correlation ในแต่ละคู่ควรมีสัมประสิทธิ์สหสัมพันธ์ [r] มากกว่า .300
17. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 17
การทดสอบขŒอมูลก‹อนวิเคราะห Structural Equation Model
ตรวจสอบ Multicollinearity
ตรวจสอบ Redundancy
ตรวจสอบ Outlier
ตรวจสอบ Missing Data
ตรวจสอบ Multivariate Normality
33. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 33
ปรากฏการณจริง - ทฤษฎี = ความคลาดเคลื่อน
(ปรากฎการณจริง = ทฤษฎี + ความควาดเคลื่อน)
โมเดลในการวิเคราะหขŒอมูล
ขŒอมูลที่จัดเก็บ – ขŒอมูลที่คาดหวัง = ความคลาดเคลื่อน
[ขŒอมูลที่จัดเก็บ = ขŒอมูลทีี่คาดหวัง + ความคลาดเคลื่อน]
Y = E(Y) + ε ถ้า E(Y) = xβ ดังนั้น Y = xβ + ε STATISTIC MODEL
PATH DIAGRAM MODEL
Y ε
β
X
34. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 34
ลักษณะของแบบจำลอง [model] ในทางสถิติ
Regression Model Path Analysis Model
Factor Analysis Model
Y = b1x1 + b2x2
Y = b1x2
X2 = b1x1
F = λ1x1 + λ2x2 + λ3x3
X1
X2
Y X1 X2 Y
Y
X1 X2 X3
35. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 35
การวิเคราะหขŒอมูลของโมเดล
First Generation Modeling : ANOVA, Regression Analysis, etc..
Second Generation Modeling : Structural Equation Modeling
การวิเคราะหขŒอมูลของ SEM
Variance-based ใชŒ PLS-SEM [Partial Least Squares] ซึ่งอาจใชŒวิธี OLS [Ordinary
Least Squares] ในการประมาณค‹าสัมประสิทธิ์ [parameter] ในแบบจำลองแต‹ละ block
Covariance-based ใชŒ Maximize Similarly ระหว‹าง Covariance Structure ของกรอบ
แนวคิด [conceptual model] กับขŒอมูลเชิงประจักษ [Empirical Data]
การวิเคราะหขŒอมูล
36. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 36
ตัวแปรมีมาตรวัดระดับอันตรภาค [Interval] หรือ
อัตราส‹วน [ Ratio scale]
Pearson Correlation Matrix
วิธีการประมาณค‹าสัมประสิทธิ์ [Parameter Estimation]
ตัวแปรมีมาตรวัดที่หลากหลาย
Variance-Covariance Matrix
ตัวแปรมีมาตรวัดเรียงลำดับ [Ordinal scale]
Polychoric Correlation Matrix
ตัวแปรทั้งหมดเปšน Binary variable
Tetrachoric Correlation Matrix
GLS, MLE & MLR
Generalized Least Squares
Maximum Likelihood Estimation
Robust Maximum Likelihood
WLS, FIML, MLR
Weighted Least Square
Full Information Maximum Likelihood
Robust Maximum Likelihood
38. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 38
กรณีที่ตัวแปรสังเกตมีมาตรวัดแบบอันตรภาค [interval] และเรียงลำดับ [ordinal]
Pearson Correlation Matrix
https://www.chegg.com/homework-help/
questions-and-answers/manager-hotel-
uitm-selected-250-customers-randomly-
assessed-level-satisfaction-hotel-s-ser-
q82069891
Polychoric Correlation Matrix
Ranzijn, Rob & Keeves, John & Luszcz, Mary & Feather,
N. (1998). The Role of Self-Perceived Usefulness and
Competence in the Self-Esteem of Elderly Adults:
Confirmatory Factor Analyses of the Bachman Revision
of Rosenberg's Self-Esteem Scale. The journals of
gerontology. Series B, Psychological sciences and social
sciences. 53. P96-104. 10.1093/geronb/53B.2.P96.
39. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 39
กรณีที่ตัวแปรสังเกตมีมาตรวัดแบบอันตรภาค [interval]
ผลการวิเคราะห์องค์ประกอบ อิงจาก
Pearson Correlation Matrix
Calzada, Ines & Gómez Garrido, María & Moreno,
Luis & Fuentes, F.J.. (2014). It is not Only About
Equality. A Study on the (Other) Values That
Ground Attitudes to the Welfare State.
International Journal of Public Opinion Research.
Online Early View. 10.1093/ijpor/edt044.
40. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 40
กรณีที่ตัวแปรสังเกตมีมาตรวัดแบบเรียงลำดับ [ordinal]
ผลการวิเคราะห์องค์ประกอบ อิงจาก
Polychoric Correlation Matrix
Stein, Dan & Rothbaum, Barbara & Baldwin, David
& Szumski, Annette & Pedersen, Ronald &
Davidson, Jonathan. (2013). Factor analysis of
posttraumatic stress disorder symptoms using
data pooled from two venlafaxine extended-release
clinical trials. Brain and behavior. 3. 738-46.
10.1002/brb3.183.
41. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 41
Disturbance / Residual : ตัวรบกวนหรือค‹าคลาดเคลื่อน
Residual & Measurement Error [1/2]
Y = b0 + b1X + ε เทอมความคลาดเคลื่อนของ Y
SERVICE QUALITY SATISTFACTION ε
X Y ε
42. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 42
Measurement Error : ความคลาดเคลื่อนในการวัด
Residual & Measurement Error [2/2]
X = True Score (T) + Error (e)
Measurement Error : Variance[e]
Factor
T X ε
Variance[X] = Variance[T] + Variance[e]
Observed Variable Error
F = λ1x1 + λ2x2 + λ3x3 F
X1
X2
X3
e1
e2
e3
45. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 45
STRUCTURAL EQUATION MODEL
2. Structural Model [โมเดลโครงสร้าง]
HM
UM
PI εPI
εHM
εUM
HM : Hedonic Motivation
UM : Utilitarian Motivation
PI : Purchase Intention
b1
b2
b3
46. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 46
STRUCTURAL EQUATION MODEL
Measurement & Structural Model
HM : Hedonic Motivation
UM : Utilitarian Motivation
PI : Purchase Intention
HM
UM
PI
εHM
εUM
b1
b2
b3
HM1
e1
HM2
HM3
w1
w2
w3
e2
e3
UM1
e4
UM2
UM3
w4
w5
w6
e2
5
e6
PI1 e7
PI2
PI3
w7
w8
w9
e8
e9
โมเดลสมการโครงสร้างคือการผสม
ระหว่างโมเดลการวิเคราะห์องค์ประกอบ
และโมเดลโครงสร้าง
SEM = CFA + Path Analysis
51. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 51
Exploratory Factor Analysis Model
Confirmatory Factor Analysis Model
Latent Class/Profile Model
Path Analysis Model
Structural Equation Model
Latent Growth Curve Model
Multilevel Model / Multiple-group Model
ตัวอย‹างสถิติที่มีโมเดล
52. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 52
Exploratory Factor Analysis Model
A simple exploratory factor analysis model for
six items loading on two correlated factors
source : https://www.thetaminusb.com/intro-measurement-r/dimensionality.html
53. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 53
Common vs. Unique Factor
COMMON FACTORS : เปšนผลบวกเชิงเสŒน [linear combination] ของตัวแปรสังเกต [observed
variable] กล‹าวอีกอย‹างคือเปšนองคประกอบที่รวบรวมความแปรปรวน [variance] ของตัวแปรสังเกต
มากกว‹า 1 ตัว
UNIQUE FACTORS : เปšนองคประกอบที่กำหนดลักษณะเฉพาะของตัวแปรสังเกตเพียงตัวแปรเดียว
ตัวแปรสังเกต [x] = Common Factor + Unique Factor
COMMUNALITY [h2] UNIQUE FACTORS
TRUE SCORE MEASUREMENT
ERROR
COMMON VARIANCE SPECIFIC VARIANCE ERROR VARIANCE
54. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 54
วิธีการสกัดองคประกอบ [Factor Extraction]
Principal Component Analysis [PCA]
ใชŒความแปรปรวนทั้งหมดของตัวแปรสังเกต [Common Variance +Specific Variance]
Diagonal ของ Correlation Matrix จะเท‹ากับ 1
Common Factor Analysis เช‹น Principal Axis Factoring [PAF] หรือ Maximum
Likelihood [ML]
ใชŒเฉพาะ Common Variance [CV]
Diagonal ของ Correlation Matrix จะนŒอยกว‹า 1
เรียกว‹า Anti-image correlation คือ Communality [h2]
55. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 55
Principal Component Analysis vs. Common Factor Analysis
Common Factor Analysis
COMMUNALITY [h2] UNIQUE FACTORS
TRUE SCORE
MEASUREMENT
ERROR
COMMON VARIANCE SPECIFIC VARIANCE ERROR VARIANCE
Principal Component Analysis
56. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 56
Confirmatory Factor Analysis Model
โมเดลมีความเที่ยงตรงและมีความเชื่อมั่นเชิงโครงสร้างหรือไม่
โมเดลมีความแปรปรวนคงที่ระหว่างกลุ่มหรือไม่
source : https://maksimrudnev.com/istanbul2019/Lecture2.html#confirmatory_factor_analysis
ความเที่ยงตรงของโมเดล ประเมินจากค่า AVE :
Average Variance Extract
ความเชื่อมั่นของโมเดล ประเมินจากค่า CR :
Composite Reliability
58. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 58
Structural Equation Model
The final model was an over-identified model (df = 124 > 0, χ2 = 339.752, p < .001) according to the t-rule, and there are no outliers
>1 in the model, and it had a good fitness with a CMIN/df = 2.740, RMSEA = 0.032, GFI = .977, AGFI = .968, PGFI = .709, NFI = .978,
RFI = .973, IFI = .986, and CFI = .986.
Li XY, Liu Q, Chen P, Ruan J, Gong X, Luo D, Zhou Y, Yin C, Wang XQ, Liu L and Yang BX. (2022) Predictors of Professional Help-Seeking Intention Toward Depression
Among Community-Dwelling Populations: A Structural Equation Modeling Analysis. Front. Psychiatry 13:801231. doi: 10.3389/fpsyt.2022.801231
The test for multivariate normal distribution
showed that the kurtosis coefficients of all
variables ranged from −1.340 to 0.575, the
skewness coefficients ranged from −1.036
to 2.022, indicating that the data satisfied
the assumption of multivariate normality.
59. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 59
SEM with moderation effect
Afsar, Bilal & Badir, Yuosre & Safdar, Umar. (2015). Linking spiritual leadership and employee pro-environmental behavior: The influence of workplace spirituality,
intrinsic motivation, and environmental passion. Journal of Environmental Psychology. 45. 10.1016/j.jenvp.2015.11.011.
Df = 173, χ2 = 503.43, CMIN/df = 2.91,
RMSEA = .072, GFI = .90, SRMR = .061, and CFI = .96.
60. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 60
แบบจำลองสามารถประมาณค‹าพารามิเตอรไดŒหรือไม‹
3. Model Identification : การระบุความเปšนไปไดŒค‹าเดียวของโมเดล [1/4]
Over or Just Identified Model
Over Identified Model
ตัวแปรแฝงแต‹ละตัวถูกกำหนดใหŒวัดค‹าไดŒ
Variance-Covariance Matrix มีสมาชิกมากกว‹าจำนวนค‹าพารามิเตอร [NP] ในโมเดล
พิจารณาจากค‹าองศาความเปšนอิสระ [Degree of freedom : DF] ตŒองมีค‹ามากกว‹า 0 [เปšนค‹าบวก]
DF = [NO x [NO + 1]/2] - NP
NO : number of observed variable [จำนวนตัวแปรสังเกต] ในโมเดล
NP : number of parameter [จำนวนที่จะตŒองประมาณค‹า] ในโมเดล
61. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 61
3. Model Identification : การระบุความเปšนไปไดŒค‹าเดียวของโมเดล [2/4]
Under Identified Model
พิจารณาจากค‹าองศาความเปšนอิสระ [Degree of freedom : DF]
DF = [NO x [NO + 1]/2] - NP
DF = [2 x [2 + 1]/2] – 4 = -1
ε
HM b1
UM
b2
PI
e1
e2
HM UM
HM γ11
UM γ21 γ21
62. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 62
3. Model Identification : การระบุความเป็นไปได้ค่าเดียวของโมเดล [3/4]
พิจารณาจากค่าองศาความเป็นอิสระ [Degree of freedom : DF]
DF = [NO x [NO + 1]/2] - NP
DF = [4 x [4 + 1]/2] – 8 = 2
[Over identified model]
63. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 63
3. Model Identification : การระบุความเป็นไปได้ค่าเดียวของโมเดล [4/4]
พิจารณาจากค่าองศาความเป็นอิสระ [Degree of freedom : DF]
DF = [NO x [NO + 1]/2] - NP
DF = [10 x [10 + 1]/2] – 25 = 30
[Over identified model]
75. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 75
5. Model Estimation : การประมาณค‹าสัมประสิทธิ์ของโมเดล [3/4]
Continuous variable
Maximum Likelihood (ML) Multivariate Normality
Maximum Likelihood with Robust Standard Error (MLR)
Binary or ordered categorical variable
Weighted least Square (WLS]
Weighted Least Square with Robust Standard Errors [WLSM]
Censored, unordered or count variable : WLS, WLSM
Type of analysis เช‹น multi-level, multiple group เปšนตŒน
77. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 77
6. Model Testing : การทดสอบโมเดล
Overall Model Fit
ค‹า χ2 สูงกว‹า .05 [ไม‹ significant]
Fit Measure : CFI, AGFI, TLI, RMSEA, RMR, SRMR, etc.. ผ‹านเกณฑ
ตรวจสอบเฉพาะจุดที่คิดว‹าจะมีป˜ญหา Localized Ill Fit และพิจารณาค‹า residual matrix ซึ่ง
จะตŒองมีค‹ามากกว‹า 0 ในแต‹ละ cell
Parameter ไม‹ควรเปšน 0 และควรมี significant
78. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 78
6.1 Overall Model Fit : ค‹าสถิติความสอดคลŒอง [Fit Index]
ดัชนีวัดความเหมาะสม ( FIT indices ) เกณฑ์ใช้วัดดัชนีความเหมาะสม
ดัชนี ตัวย่อ Good Fit Acceptable Fit
Statistic of Chi-square χ2 0.00 ≤ χ2 ≤ 2.00 sd. 0.00 ≤ χ2 ≤ 5.00 sd.
Fit-test of Chi-square χ2 / SD 0.00 ≤ χ2/sd ≤ 2.00 0.00 ≤ χ2 /sd ≤ 5.00
Root Mean Square of Approximation RMSEA .00 ≤ RMSEA ≤ .05 .00 ≤ RMSEA ≤ .10
Root Mean Square Residual RMR .00 ≤ RMR ≤ .05 .00 ≤ RMR ≤ .08
Standardized Root Mean Square Residual SRMR .00 ≤ SRMR ≤ .05 .00 ≤ SRMR ≤ .10
Normed Fit Index NFI .95 ≤ RMR ≤ 1.00 .90 ≤ RMR ≤ .95
Non-normed Fit Index NNFI .95 ≤ RMR ≤ 1.00 .90 ≤ RMR ≤ .95
Chi-square / df ( CMIN / df ) < 3 < 5
Comparative Fit Index CFI CFI ≥ .95 .95 > CFI ≥ .90
Goodness of Fit Index GFI GFI ≥ .95 .95 > GFI ≥ .90
Adjusted Goodness of Fit index AGFI AGFI ≥ .95 .95 > AGFI ≥ .90
Incremental Fit Index IFI IFI ≥ .95 .95 > IFI ≥ .90
Relative Fit Index RFI - RFI ≥ .95
Tucker Lewis Index TLI - TLI ≥ .95
79. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 79
6.2 Model Testing : ความสอดคลŒองของโมเดล [1/3]
Model Fit
SEM คือการสรŒาง model ทางทฤษฎีที่ตั้งสมมติฐานความสัมพันธระหว‹างตัวแปรที่สังเกตและตัวแปรแฝง หลังจาก
ประมาณค‹าพารามิเตอรของ model นักวิจัยจะประเมินว‹า model นั้นสอดคลŒอง [Fit] กับขŒอมูลที่สังเกตไดŒดีเพียงใด
โดยทั่วไปจะใชŒ Fit Index และการทดสอบต‹างๆ (เช‹น การทดสอบ χ2, RMSEA, CFI, TLI เปšนตŒน)
Localized Ill Fit
แมŒว‹าดัชนี Fit Index โดยรวมจะใหŒภาพรวมว‹าโมเดล fit กับขŒอมูลเพียงใด แต‹ก็อาจไม‹สามารถระบุพื้นที่เฉพาะของ
โมเดลที่เปšนป˜ญหาไดŒเสมอไป Localized Ill Fit เกิดขึ้นเมื่อโมเดล ‘ส‹วนใหญ‹’ fit กับขŒอมูลเปšนอย‹างดี แต‹มีบางส‹วน (เช‹น
เสŒนทางบางเสŒนทาง ค‹าน้ำหนักองคประกอบ หรือค‹าสหสัมพันธ) ไม‹ fit กับขŒอมูลเชิงประจักษไดŒเปšนอย‹างดี มัน
สะทŒอนว‹าความไม‹ fit นั้นไม‹ไดŒแพร‹กระจายไปทั่วทั้งโมเดล แต‹กระจุกตัวอยู‹ในบางพื้นที่เท‹านั้น
80. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 80
6.2 Model Testing : ความสอดคลŒองของโมเดล [2/3]
Identifying Localized Ill Fit
นักวิจัยสามารถระบุพื้นที่ที่ไม‹ Fit เฉพาะที่ โดยตรวจสอบผ‹านการวินิจฉัย [diagnostics] ต‹างๆ เช‹น ตรวจสอบค‹า
Modification Index [MI] ค‹า Standard Residuals หรือดัชนีความสอดคลŒอง [Fit index] เฉพาะบางส‹วนของ
โมเดล ยกตัวอย‹างเช‹น เมื่อพบค‹า MI ที่มีค‹าสูงสำหรับพารามิเตอรบางตัว มันคือการแนะนำว‹าควรเพิ่มอิสระ [free]
โดยลดขŒอจำกัดของขŒอตกลงเบื้องตŒนบางขŒอ หรือเพิ่มความสำคัญในการวิเคราะหพารามิเตอรนั้นๆ ดŒวยการปรับ
โมเดลตามที่ค‹า MI เสนอมาอาจสามารถปรับปรุงโมเดลใหŒ Fit เพิ่มมากขึ้นไดŒ
Addressing Localized Ill Fit
เมื่อระบุ Localized Ill Fit แลŒว นักวิจัยอาจพยายามแกŒไขโมเดลเพื่อปรับปรุงระดับความ FIT โดยใชŒวิธีการเพิ่มหรือ
ลบเสŒนทาง รวมถึงการเชื่อม cross loading เชื่อมโยงหรือตัดขาดความสัมพันธบางคู‹ หรือกำหนดลักษณะเฉพาะ
อย‹างของโมเดลอีกครั้ง อย‹างไรก็ตาม การแกŒไขใดๆ ควรสมเหตุสมผลตามหลักทฤษฎี ไม‹ใช‹แค‹อิงจากขŒอมูลเท‹านั้น
81. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 81
6.2 Model Testing : ความสอดคลŒองของโมเดล [3/3]
Caution in Model Modification
สิ่งสำคัญคือตŒองแกŒไขโมเดลดŒวยความระมัดระวังเพื่อหลีกเลี่ยงความสอดคลŒองที่มากเกินไป [overfitting] และเพื่อ
ใหŒแน‹ใจว‹าโมเดลที่ปรับปรุงนั้นยังคงมีความสอดคลŒองกันทฤษฎี [theoretical coherent] และยังคงมีความหมาย
อย‹างมาก [substantively meaningful]
แนวคิด Localized Ill Fit เปšนแนวคิดที่สำคัญใน SEM เนื่องจากจะช‹วยใหŒการปรับปรุงโมเดลไดŒตรงเป‡าหมายยิ่งขึ้น และมีขŒอมูล
สอดรับตามหลักทฤษฎีมากขึ้น