พื้นฐานความเข้าใจเกี่ยวกับแนวคิด ทฤษฎี พื้นฐานสถิติ และขั้นตอนการวิเคราะห์โมเดลสมการโครงสร้าง รวมไปถึงหลักการทดสอบโมเดล การนำเสนอโมเดล ข้อตกลงเบื้องต้นทางสถิติ การนำเสนอผล และรายละเอียดปลีกย่อย เช่น ความเที่ยงตรงเชิงโครงสร้าง CR, AVE, direct effect, indirect effect, modification index, EPC, localized ill fit, ฯลฯ

1. DECODING RELATIONSHIPS
AN IN-DEPTH LOOK AT STRUCTURAL EQUATION MODELING
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง

2. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 2
SEM เปšนแนวทางที่ไดŒรับการพัฒนาใหŒมีความยืดหยุ‹นและครอบคลุมในการวิเคราะหความสัมพันธ
ระหว‹างตัวแปรหลายตัวในเชิงความเปšนเหตุเปšนผล [causal relationship] โดยผสมผสานองคประกอบ
ของการวิเคราะหการถดถอย [regression analysis] การวิเคราะหองคประกอบ [factor analysis]
และการวิเคราะหโครงสรŒางความแปรปรวนร‹วม [covariance structure analysis] ช‹วยใหŒนักวิจัย
ประเมินโมเดลที่ซับซŒอน [complex model] และรับรูŒขŒอมูลเชิงลึก [insight] เกี่ยวกับโครงสรŒางที่รองรับ
[underlying structure] ของขŒอมูลที่สังเกตไดŒ
SEM definition

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”

5. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 5
ผลการประมาณค่าสัมประสิทธิ์มาตรฐาน [Standardized Coefficient]
https://statswork.medium.com/sem-using-amos-22ce2bdac41e
ค่าที่แรเงาคืออะไร

6. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 6
ผลการประมาณค่าสัมประสิทธิ์มาตรฐาน [Standardized Coefficient] “ถูกต้องหรือไม่”
ความสอดคล้องข้อมูลเชิงประจักษ์กับโมเดล
สมการโครงสร้างที่ได้รับการปรับ
สมศรี เนาวรัตน์, วรรณโณ ฟองสุวรรณ และบัณฑิต
ผังนิรันดร์. [2556] ปัจจัยที่ส่งผลต่อภาวะซึมเศร้าของ
วัยรุ่นไทยที่ตั้งครรภ์ในจังหวัดเพชรบุรี วารสารสมาคม
นักวิจัย, 18(2), 99-113.

7. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 7
ค‹าสถิติความสอดคลŒอง [Fit Index] เพราะอะไรค่า χ2 จึงห้าม significant
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

8. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 8
Univariate Analysis
‘สถิติวิเคราะห’ จำแนกตามจำนวนตัวแปร
Mean, Median, Mode, Standard Deviation, Variance, etc..
Bivariate Analysis Cross Tabulation, Correlation, t-test, etc..
Multivariate Analysis Factor Analysis, Latent Class Analysis, Multiple
Regression Analysis, Structural Equation Model, etc..

9. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 9
สถิติวิเคราะหหลายตัวแปร [Multivariate Analysis]
Factor Analysis
Cluster Analysis
Latent Class/Profile Analysis
Multidimensional Scaling
etc..
Continuous Dependent Variable
: Multiple Correlation, Multiple
Regression
Categorical Dependent
Variable : Logit, Probit,
Poisson, Mlogit, Conjoint
Analysis
etc..
Path Analysis
Structural Equation Model (SEM]
Confirmatory Factor Analysis
Principal Component Analysis
etc..
Hierarchical Linear Model
Multilevel Factor Analysis
Multilevel SEM
etc,,
Multivariate Analysis
Interdependence Technique Dependence Technique Structural Equation Model
Technique
Multilevel SEM Technique

10. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 10
จำนวนตัวอย่างขั้นต่ำสำหรับการวิเคราะห์
สรุปต้องใช้ตัวอย่างขั้นต่ำ 1,258 ตัวอย่าง
ใช้ Statistics Calculator
https://www.danielsoper.com/
statcalc/calculator.aspx?id=89

11. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 11
Effect Size
Definition
ขนาดของความสัมพันธ [correlation] หรือความแตกต‹าง [statistic difference] ระหว‹างสองกลุ‹มหรือ
เงื่อนไขที่กำลังศึกษา โดยจะบอกว‹าตัวแปรอิสระ [independent variable] มีผลกระทบต‹อตัวแปรตาม
[dependent variable] มากนŒอยเพียงใด
Interpretation
ขนาด effect size ที่ใหญ‹ขึ้นบ‹งชี้ถึงความสัมพันธที่แน‹นแฟ‡น [robust] ยิ่งขึ้นระหว‹างตัวแปร ในขณะที่ขนาด
effect size ที่เล็กกว‹าบ‹งบอกถึง effect ที่อ‹อนกว‹าหรือละทิ้งไปไดŒ โดยมีขนาดเล็ก [0.1] ปานกลาง [0.3] และ
ขนาดใหญ‹ [0.5]
Importance
การทราบขนาด effect ช‹วยตีความนัยสำคัญเชิงปฏิบัติของสิ่งที่คŒนพบ โดยไม‹คำนึงถึงนัยสำคัญทางสถิติ แมŒแต‹
ผลลัพธที่พบนัยสำคัญทางสถิติเองก็อาจมี effect size ขนาดเล็ก ที่ไม‹ถือว‹าส‹งผลกระทบในสถานการณจริง

12. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 12
Power
Definition
ความน‹าจะเปšนที่จะตรวจพบผลกระทบ [effect] ที่แทŒจริง (หากมี) ใน
การศึกษาใดๆ ซึ่งสะทŒอนถึงความอ‹อนไหว [sensitivity] ของการ
ศึกษาวิจัยในการตรวจจับความแตกต‹างที่มีนัยสำคัญทางสถิติ
Interpretation
มักแสดงเปšนเปอรเซ็นตโอกาส (เช‹น 80% power) โดยหลักการแลŒว
การศึกษาใดๆ พยายามใหŒมีระดับ Power 80% หรือสูงกว‹าเพื่อลด
ความเสี่ยงที่จะพลาดเอฟเฟกตของแทŒ (Genuine Factor : Type II
error)
Importance
Power สูงจะเพิ่มความน‹าเชื่อถือ [credibility] และความสามารถใน
การขยายผล [generalizability] การวิจัยไดŒ การศึกษา power ต่ำมี
ความอ‹อนไหวต‹อการตรวจจับ false negative ซึ่งเปšนอุปสรรคต‹อ
ความสามารถในการสรุปผลที่เชื่อถือไดŒ

13. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 13
Effect Size, Power & Error
Effect size

14. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 14
ตัวแปรจะตŒองมีความสัมพันธเชิงเสŒนตรง [Linearity]
ขŒอตกลงเบื้องตŒนของ Multivariate Analysis
มีการกระจายแบบ Multivariate Normal Distribution
มีคุณสมบัติ Homogeneity of Variance-Covariance Matrix
ทุกเงื่อนไขจะตŒองไดŒรับการทดสอบทางสถิติ หากมีการละเมิดเงื่อนไขใด จะตŒองมีการปรับปรุงโมเดล
[model modification] หรือเปลี่ยนวิธีประมาณ [estimation] ค‹าสัมประสิทธิ์

15. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 15
CRITERIA FOR SEM
ผลการทดสอบความเชื่อมั่น (Reliability]
ตัวแปรหรือภาวสันนิษฐาน [Construct] ทุกตัวมีค‹า Cronbach’s Alpha มากกว‹า .70
ค‹าสัมประสิทธิ์สหสัมพันธ [r : Correlation Coefficient] ระหว‹างตัวแปรส‹วนใหญ‹มี
ค‹ามากกว‹า .30
หากผ‹านเงื่อนไขขŒอตกลงเบื้องตŒน [Statistic Assumption] แลŒว กลุ‹มตัวแปรที่นำมาใชŒในการ
สรŒางองคประกอบจึงจะถือไดŒว‹ามีระดับความเชื่อมั่นสูง และมีระดับความสัมพันธระหว‹างกันสูง
เพียงพอที่จะนำมาวิเคราะหองคประกอบ [factor anlaysis] ซึ่งเปšนหนึ่งในการวิเคราะหพื้นฐาน
โมเดลสมการโครงสรŒางต‹อไปไดŒ

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

18. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 18
การตรวจสอบ Multicollinearity
Definition เกิดขึ้นเมื่อตัวแปรทำนายตั้งแต‹ 2 ตัวขึ้นไปในโมเดลมีความสัมพันธกันอย‹างมาก ทำใหŒยากต‹อการแยกแยะผลกระทบ
ของตัวแปรแต‹ละตัวที่มีต‹อตัวแปรตาม
Consequence ค‹าความแปรปรวนมาตรฐานสูงเกินจริง [Inflated standard errors] ค‹าสัมประสิทธิ์ที่ไม‹เสถียร [unstable
coefficients] และการคŒนพบที่ไม‹น‹าเชื่อถือ
Detection
Variance Inflation Factor (VIF) ค‹าที่สูงกว‹า 5 (หรือ 10) บ‹งชี้ความเปšนไปไดŒในการเกิด multicollinearity ค‹า VIF สามารถ
คำนวณไดŒจากการวิเคราะห multiple regression ในแต‹ละตัวแปรแฝง
Condition index [CI] ค‹าที่สูงกว‹า 30 จากการวิเคราะห PCA บ‹งชี้ถึงความเปšนไปไดŒในการเกิด multicollinearity
Correlation matrix inspection
[การตรวจสอบ correlation
matrix]
ความสัมพันธที่สูง (ค‹า r สูงกว‹า .80) ระหว‹างตัวทำนาย เกิดป˜ญหา multicollinearity
ค‹าสหสัมพันธระหว‹างตัวบ‹งชี้ [แต‹ละขŒอคำถาม] ของแต‹ละองคประกอบ / ภาวสันนิษฐาน
[construct] : r > |.30|
ค‹าสหสัมพันธระหว‹างชุดตัวแปรแฝง : r > |.30|
Mitigation
ลบตัวแปร collinear ตัวใดตัวหนึ่งออกหากไม‹เกี่ยวขŒองกันในทางทฤษฎี
รวมตัวแปร collinear variables เปšนตัวแปร composite variable ตัวเดียวกัน
ใชŒเทคนิคการทำใหŒเปšนมาตรฐาน [regularization techniques] เช‹น ridge regression หรือ lasso technique

19. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 19
การตรวจสอบ Redundancy [ความซ้ำซŒอน]
Definition เมื่อตัวแปรทำนายหลายตัวในโมเดลใหŒขŒอมูลที่ทับซŒอนกัน ทำใหŒบางส‹วนซ้ำซŒอนกัน และอาจทำใหŒ
ความแปรปรวนที่อธิบายไวŒในโมเดลเพิ่มขึ้น
Consequence โมเดลที่ซับซŒอนมากเกินไป เพิ่มความยากในการตีความผลกระทบเฉพาะตัวแปร และลด power
ในการตรวจสอบความสัมพันธที่แทŒจริง
Detection
ตรวจสอบนัยยะสำคัญของแต‹ละเสŒนทาง path coefficients โดยเสŒนทางที่ไม‹มีนัยสำคัญ [Non-significant
paths] อาจมีการซ้ำซŒอนเกิดขึ้น
ประเมินดัชนีความสอดคลŒองของโมเดล เช‹น AIC [Akaike Information Criterion] หรือ BIC [Bayesian
Information Criterion] ซึ่งจะลด [penalize] ความซับซŒอนของโมเดลลง
Mitigation
ลบตัวแปรที่ซ้ำซŒอนโดยยึดเหตุผลทางทฤษฎีและ non-significant pathways ออกไป
จัดลำดับความสำคัญของโมเดล [parsimonious models] โดยเริ่มตŒนจากความสำคัญของทฤษฎีที่สรŒางขึ้น
ก‹อน [strong theoretical grounding]

20. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 20
การตรวจสอบ Outliers [คำตอบนอกกรอบ] [1/3]
Definition จุดขŒอมูลที่เบี่ยงเบนไปจากรูปแบบหลักในการกระจายขŒอมูลอย‹างมาก
Consequence สามารถบิดค‹าสัมประสิทธิ์ [coefficients] เพิ่มความคลาดเคลื่อนมาตรฐาน [standard
errors] และนำไปสู‹ขŒอสรุปที่ทำใหŒเขŒาใจผิด
Detection
วิเคราะห Boxplots, scatterplots และสถิติเชิงพรรณนาสามารถเปดเผยค‹า outlier ไดŒ
การวิเคราะห Cook's distance & Mahalanobis distance สามารถระบุค‹า outlier ที่มีอิทธิพลไดŒ
[วิเคราะหผ‹าน multiple regression ใน SPSS ไดŒ]
Mitigation
ตรวจสอบแหล‹งที่มาของค‹า outlier และพิจารณาแยกออกหากไม‹ไดŒเปšนตัวแทนของประชากร
ใชŒวิธีการประมาณค‹าที่มีประสิทธิภาพซึ่งมี sensitivity ต‹อค‹า outlier นŒอยกว‹า

21. SEM STATISTIC 21
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
การตรวจสอบ Outliers [คำตอบนอกกรอบ] [2/3]
Boxplot

22. SEM STATISTIC 22
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
การตรวจสอบ Outliers [คำตอบนอกกรอบ] [3/3]
Boxplot Scatter plot

23. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 23
Missing Data [ขŒอมูลที่กรอกไม‹ครบ]
Definition ค‹าที่หายไปในชุดขŒอมูล
Consequence สามารถทำใหŒการประมาณค‹า [estimation] ผิดพลาด ลด Power และจำกัดการขยาย
ขอบเขตในการอภิปราย [generalizability]
Detection
บ‹งชี้ขŒอมูลที่หายดŒวยในซอฟตแวร
วิเคราะหสถิติเชิงพรรณนา [descriptive statistic เช‹น run คำสั่ง analyze/descriptive/frequency หรือ
analyze/descriptive/descriptive ใน SPSS] ทีละขŒอคำถาม เพื่อตรวจสอบเกี่ยวกับรูปแบบการสูญหาย
Mitigation
เลือกวิธีการใส‹ขŒอมูลสูญหายที่เหมาะสมตามประเภทและรูปแบบของการสูญหาย
พิจารณาใชŒการวิเคราะห sensitivity analysis เพื่อประเมินผลกระทบของขŒอมูลที่ขาดหายไปต‹อผลลัพธ

24. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 24
การตรวจสอบ Multivariate Normality [1/2]
Mardia's multivariate kurtosis test
ตรวจสอบการเบี่ยงเบนจาก multivariate normality โดยการวิเคราะหความโด‹ง [kurtosis]
-5 < kurtosis < 5
Multivariate skewness test
ประเมินสถานะความเบŒของพหุตัวแปร [multivariate skewness] ของขŒอมูล
-3 < skewness < 3
Multivariate omnibus normality test
ดำเนินการทดสอบแบบผสมผสานเกี่ยวกับ multivariate normality โดยใชŒทั้งความเบŒและความโด‹ง

25. SEM STATISTIC 25
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
การตรวจสอบ Multivariate Normality [2/2]
ตรวจสอบด้วย IMB SPSS AMOS
กรณีผ่านเงื่อนไข ใช้ MLE
[Maximum Likelihood Estimation]
กรณีไม่ผ่านเงื่อนไข ใช้ WLS
[Weighted Least Square] หรือ MLR [Robust
Maximum Likelihood]
Multivariate Normality Criteria
-3 < skewness < 3
-5 < kurtosis < 5
-1.96 < c.r. < 1.96

26. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 26
ขŒอควรพิจารณาที่สำคัญ
Sensitivity [ความอ‹อนไหว]
SEM ค‹อนขŒางแข็งแกร‹งต‹อการเบี่ยงเบนเล็กนŒอยจาก normality ดังนั้น ค‹าที่อยู‹นอกช‹วงเหล‹านี้เล็กนŒอยก็ไม‹ควร
ทำใหŒการวิเคราะหเปšนโมฆะเสมอไป
Multivariate vs. univariate [หลายตัวแปรเทียบกับตัวแปรเดียว]
ช‹วงเหล‹านี้มีไวŒสำหรับ univariate normality เปšนหลัก ซึ่งหมายถึง normality ที่ประเมินสำหรับตัวแปรแต‹ละตัว
ส‹วน multivariate normality สำหรับโมเดลทั้งหมดนั้นมีความซับซŒอนกว‹า และมักประเมินผ‹านดัชนีความ
สอดคลŒอง (Fit index]
Type of Analysis [ทางเลือกประเภทการวิเคราะห]
จุดตัดเฉพาะอาจแตกต‹างกัน ขึ้นอยู‹กับประเภทของการวิเคราะห SEM (เช‹น วิธีการ maximum likelihood หรือ
robust estimation)
Sample Size [ขนาดตัวอย‹าง]
ขนาดตัวอย‹างที่มีขนาดใหญ‹จะมีความอ‹อนไหว [sensitive] ต‹อการละเมิดสภาวะ normality นŒอยกว‹า

27. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 27
Variance & Covariance
สถิติเบื้องตŒนที่ควรทราบ
Variance – Covariance Matrix
Correlation Matrix : Pearson’s vs. Spearman’s
X1 X2 X3
X1 Varx1
X2 Covx1x2 Varx2
X3 Covx1x3 Covx2x3 Varx3
X1 X2 X3
X1 1
X2 rx1x2 1
X3 rx1x3 rx2x3 1
Standardize

28. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 28
การรวบรวมชุดตัวแปรโดยการหาความสัมพันธ [correlation] กับตัวแปรอื่นๆ ภายใตŒการควบคุม
ความซ้ำซŒอนในการอธิบายตัวแปรตาม
Linear Combination ของตัวแปร
Y = b0 + b1x1 + b2x2 + b3x3 + …. + bixi : i = 1,…,n
การรวมชุดของตัวแปรโดยใชŒความแปรปรวนร‹วม [Covariance] ของตัวแปร
F = w1x1 + w2x2 + w3x3 + …. + wixi : i = 1,…,n

29. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 29
ตัวแปรสังเกต [observed variable] สามารถวัดค‹าไดŒโดยตรงไม‹มีความคลาดเคลื่อนในการวัด
[measurement error]
ลักษณะของตัวแปรในงานวิจัย
ตัวแปรแฝง [latent variable] ไม‹สามารถวัดค‹าไดŒโดยตรง ตŒองวัดผ‹านพฤติกรรมที่แสดงออก ทัศนคติหรือ
ความคิดเห็น
ดังนั้นตัวแปรแฝงที่ไดŒจึงมีความคลาดเคลื่อนในการวัด
ประเภทตัวแปร
ตัวแปร Concept
(ตัวแปรสังเกต – Observed /
Manifested Variable)
ภาวสันนิษฐาน [Construct]
(ตัวแปรแฝง – Latent Variable]
Demographic : เพศ อายุ การศึกษา รายได้ Y
Psychological : Engagement, Loyalty, Purchase
Intention
Y
Perception : Image, Satisfaction Y

30. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 30
ตัวแปรสังเกต [Manifested/Observed Variable]
วัดหรือประเมินไดŒโดยตรง
แทนดŒวยสัญลักษณสี่เหลี่ยม
ตัวแปรแฝง [Latent Variable/Construct]
ไม‹สามารถวัดไดŒโดยตรง ตŒองสรŒางจากชุดของตัวแปรสังเกต
แทนดŒวยสัญลักษณวงรี
สัญลักษณมาตรฐานที่ควรรูŒจัก
มีความรู้และทักษะ
สุภาพอ่อนน้อม
สนใจเอาใจใส่
Tangible
Reliability
Responsiveness
Assurance
Empathy

31. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 31
ตัวแปรสังเกต [Manifested/Observed Variable]
ขŒอมูลแบบต‹อเนื่อง [Continuous Data]
ลักษณะขŒอมูลของตัวแปรในโมเดล
ขŒอมูลเชิงปริมาณ [Quantity Data]
ขŒอมูลจำนวนนับ [Count Data]
ขŒอมูลแบบแบ‹งกลุ‹ม [Categorical Data]
ทุกชุดขŒอมูลจะตŒองกำหนดวิธีการประมาณค‹า [estimation]
ตัวแปรแฝง [Latent Variable]
ขŒอมูลแบบต‹อเนื่อง [Continuous Data]
ขŒอมูลแบบแบ‹งกลุ‹ม [Categorical Data]

32. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 32
ตัวแปรภายนอก [Exogenous Variable] ไดŒแก‹ตัวแปรที่ไม‹ไดŒรับอิทธิพลจากตัวแปรใดๆ
หรือตัวแปรตŒน [Independent Variable] ในโมเดล
ตัวแปรในโมเดล
ตัวแปรภายใน [Endogenous Variable] ไดŒแก‹ตัวแปรที่ไดŒรับอิทธิพลจากตัวแปรอื่นๆ หรือตัวแปร
ตาม [dependent] ในแบบโมเดล
SERVICE
QUALITY
SATISFACTION
PURCHASE
INTENTION
Exogenous Variable
Independent Variable
Endogenous Variable
Dependent Variable /
Independent Variable
Dependent Variable

33. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 33
ปรากฏการณจริง - ทฤษฎี = ความคลาดเคลื่อน
(ปรากฎการณจริง = ทฤษฎี + ความควาดเคลื่อน)
โมเดลในการวิเคราะหขŒอมูล
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
การวิเคราะหขŒอมูลของโมเดล
First Generation Modeling : ANOVA, Regression Analysis, etc..
Second Generation Modeling : Structural Equation Modeling
การวิเคราะหขŒอมูลของ 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]
การวิเคราะหขŒอมูล

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

37. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 37
มาตรวัด 4 ระดับ [Scale of Measurement]

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

43. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 43
MEASUREMENT MODEL
Y = ΛF + e
Y = ΠF + ε
Reflective Indicator [Effect Model]
Formative Indicator [Causal Model]
เป็นโมเดลที่ถือว่าตัวแปรสังเกตมีสาเหตุจากตัวแปรแฝงที่
กำลังวัด ตัวอย่างเช่น วัดตัวแปรแฝง "ความฉลาด" โดย
ใช้ตัวชี้วัด "คะแนน IQ“ และ "ความคล่องทาง
วาจา“ [Verbal Fluency] จะถือว่าคะแนน IQ และความ
คล่องทางวาจามีสาเหตุมาจากความฉลาดทั้งคู่
โดยมากเป็น confirmatory factor analysis
เป็นโมเดลที่ถือว่าตัวแปรสังเกตทำให้เกิดตัวแปรแฝงที่
กำลังวัด ตัวอย่างเช่น วัดตัวแปรแฝง "สถานะทาง
เศรษฐกิจและสังคม" โดยใช้ตัวบ่งชี้ "รายได้" และ
"ระดับการศึกษา" เป็นตัวแปรสังเกต ก็จะถือว่ารายได้
และระดับการศึกษามีส่วนทำให้เกิดสถานะทาง
เศรษฐกิจและสังคมทั้งคู่
โดยมากเป็น Exploratory factor analysis
F
X1
X2
X3
e1
e2
e3
λ1
λ3
λ2
F
X1
X2
X3
ε
π1
π3
π2

44. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 44
STRUCTURAL EQUATION MODEL
HM : Hedonic Motivation
UM : Utilitarian Motivation
PI : Purchase Intention
PI = b1HM + b2UM + ε
1.Measurement Model [โมเดลการวัด]
ε
HM b1
UM
b2
PI
HM
HM1
e1
HM2
HM3
w1
w2
w3
e2
e3
HM = w1HM1+ w2HM2 + w3HM3 HM1 = w1HM + e1; HM2 = w2HM + e2; HM3 = w3HM + e3
UM
UM1
e4
UM2
UM3
w4
w5
w6
e5
e6
PI
PI1
e7
PI2
PI3
w7
w8
w9
e8
e9
UM = w4UM1+ w5UM2 + w6UM3 UM1 = w4UM + e4; UM2 = w5UM + e5; UM3 = w6UM + e6
PI1 = w7PI + e7; PI2 = w8PI + e8; PI3 = w9PI + e9
PI = w7PI1+ w8PI2 + w9PI3

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

47. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 47
พัฒนาโมเดลเพื่ออธิบายความสัมพันธเชิงสาเหตุระหว‹างตัวแปรหลายตัว
[อาจเปšน Covariance Matrix หรือ Correlation Matrix]
ตŒองการใชŒโมเดลแสดงหรือตรวจสอบสมมติฐาน
ความสัมพันธหรือความเกี่ยวขŒองกันของตัวแปรสังเกต [Observed/Manifested Variable]
การกำหนดหรือนิยามตัวแปรแฝง [Latent Variable] จากชุดของตัวแปรสังเกต
ประเมินระดับความสัมพันธหรือความเกี่ยวขŒองกันของตัวแปรแฝง
ทำไมตŒองโมเดลสมการโครงสรŒาง
ตรวจสอบว‹าโมเดลที่พัฒนาสอดคลŒอง [Fit] กับขŒอมูลเชิงประจักษหรือไม‹

48. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 48
การวิเคราะหองคประกอบ [Factor Analysis]
ขŒอตกลงเบื้องตŒนที่ตŒองตรวจสอบเมื่อตŒองใชŒโมเดลสมการโครงสรŒาง
ขŒอตกลงเบื้องตŒนของโมเดลการวัด
ความเที่ยงตรง [validity] ของโมเดล
การวิเคราะหเสŒนทาง [Path Analysis]
ขŒอตกลงเบื้องตŒนของ การวิเคราะหการถดถอยพหุ [Regression Assumption]
ตัวประมาณค‹า
Best estimators : Unbiased, efficient & Consistence

49. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 49
ทฤษฎีหรือกรอบแนวคิด
การกำหนดโมเดล [Model Specification]
การระบุความเปšนไปไดŒค‹าเดียวของโมเดล [Model Identification]
การสรŒางเครื่องมือวัดการเก็บขŒอมูลและการตรวจสอบ
การประมาณค‹าสัมประสิทธิ์ของโมเดล [Model Estimation]
การทดสอบโมเดล [Model Testing]
การปรับปรุงโมเดล [Model Modification]
การตรวจสอบความเขŒมแข็งของโมเดลหรือการทำซ้ำ
การอธิบายและตีความโมเดลที่ไดŒ
ขั้นตอนในการวิเคราะหโมเดลสมการโครงสรŒาง
1
2
3
4
5
6
7
8
9

50. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 50
เปšนหัวใจสำคัญของโมเดลสมการโครงสรŒาง
เชื่อมทฤษฎีกรอบแนวคิด แสดงออกมาใหŒเห็นในเชิงประจักษ
ทราบโมเดลสำหรับการวิเคราะห
โมเดลตŒองสมเหตุสมผลและสอดคลŒองกับความเปšนจริง
ทราบตัวแปรสังเกตและตัวแปรแฝง รวมทั้งลักษณะของความสัมพันธ
โมเดลที่เหมาะสมตŒองสอดคลŒองกับขŒอมูลเชิงประจักษ
2. การกำหนดโมเดล [Model Specification]

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‹างคือเปšนองคประกอบที่รวบรวมความแปรปรวน [variance] ของตัวแปรสังเกต
มากกว‹า 1 ตัว
UNIQUE FACTORS : เปšนองคประกอบที่กำหนดลักษณะเฉพาะของตัวแปรสังเกตเพียงตัวแปรเดียว
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
วิธีการสกัดองคประกอบ [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

57. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 57
Path Analysis Model
Total Effect [TE] = Direct Effect [DE] + Indirect Effect [IE]
[ตัวแปรรายได้ [Income] และความเป็นตัวของตัวเอง [Autonomy] เป็นตัวแปรส่งผ่าน [Mediator]]
อิทธิพลของตัวแปรรายได้ผู้ปกครอง [Parental Income] และอายุ [Age] ส่งผ่านตัวแปรรายได้ [Income] ไปยังความพึงพอใจต่องาน [Job Satisfaction]
อิทธิพลของตัวแปรอายุ [Age] ส่งผ่านความเป็นตัวของตัวเอง [Autonomy] ส่งผ่านรายได้ [Income] ไปยังความพึงพอใจต่องาน [Job Satisfaction]
อิทธิพลของตัวแปรอายุ [Age] ส่งผ่านความเป็นตัวของตัวเอง [Autonomy] ไปยังความพึงพอใจต่องาน [Job Satisfaction]
อิทธิพลของตัวแปรอายุ [Age] ส่งผ่านรายได้ [Income] ไปยังความพึงพอใจต่องาน [Job Satisfaction]
อิทธิพลทางตรงของตัวแปรอายุ [Age] ต่อความพึงพอใจต่องาน [Job Satisfaction]
อิทธิพลทางตรงของตัวแปรความเป็นตัวของตัวเอง [Autonomy] ต่อความพึงพอใจต่องาน [Job Satisfaction]
อิทธิพลทางตรงของตัวแปรรายได้ [Income] ต่อความพึงพอใจต่องาน
source : https://maksimrudnev.com/istanbul2019/Lecture2.html#confirmatory_factor_analysis

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‹าพารามิเตอรไดŒหรือไม‹
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]

64. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 64
4. การสรŒางเครื่องมือวัด เก็บขŒอมูล และตรวจสอบ [1/6]
Define Latent Constructs Clearly [กำหนดภาวสันนิษฐานแฝงอย‹างชัดเจน]
กำหนดภาวสันนิษฐานแฝงที่ตŒองการวัดใหŒชัดเจน ตรวจสอบใหŒแน‹ใจว‹ามีกรอบทางทฤษฎีที่แสดงความ
สัมพันธระหว‹างภาวสันนิษฐานเหล‹านี้
Develop Multiple Indicators [สรŒางขŒอคำถามหลายๆ คำถาม]
ใชŒคำถามหลายขŒอเพื่อวัดภาวสันนิษฐานแฝงแต‹ละรายการ ซึ่งจะช‹วยลดความคลาดเคลื่อนในการวัด
[measurement error] และใหŒการประมาณค‹าตัวแปรแฝงที่เชื่อถือไดŒมากขึ้น
การสรŒางเครืองมือวัด [แบบสอบถาม : questionnaire] เพื่อใชŒสำหรับการวิเคราะหการสรŒางโมเดลสมการโครงสรŒาง
สิ่งสำคัญคือตŒองออกแบบคำถามที่สามารถจับประเด็นพื้นฐานที่น‹าสนใจของภาวสันนิษฐาน [contructs] ไดŒอย‹างมี
ประสิทธิภาพ SEM เปšนเรื่องของการทดสอบและการประมาณความสัมพันธระหว‹างตัวแปรแฝง ซึ่งไม‹ไดŒสังเกตโดยตรง
แต‹อนุมานจากตัวแปร ขŒอคำถามหรือตัวแปรสังเกตหลายรายการ ซึ่งต‹างไปจากแบบสอบถามทั่วๅ ไป แนวทางการสรŒาง
แบบสอบถามที่เหมาะกับ SEM จะเปšนดังนี้

65. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 65
4. การสรŒางเครื่องมือวัด เก็บขŒอมูล และตรวจสอบ [2/6]
Use Theory to Guide Item Creation
ใชŒทฤษฎีในการกำหนดการสรŒางแบบสอบถาม
ค‹อยๆ ก‹อร‹าง [ground] ขŒอคำถามภายใตŒกรอบแนวคิดเชิงทฤษฎี
และความสัมพันธเชิงทฤษฎี คำถามควรสอดรับกับกรอบแนวคิด
เชิงทฤษฎี [theoretical framework] ของงานวิจัย
Consider Formative or Reflective Measurement
[พิจารณาการวัดแบบตรงตัวหรือแบบสะทŒอน]
ทำความเขŒาใจว‹าภาวสันนิษฐานแฝงเปšนแบบ formative หรือแบบ
reflective ภาวสันนิษฐานแบบ reflective จะถูกวัดโดยตัวบ‹งชี้
(indicator) หลายตัวที่คาดว‹าจะมีความสัมพันธกันสูง ในขณะที่
ภาวสันนิษฐานแบบ formative จะถูกกำหนดโดยชุดตัวบ‹งชี้ที่แสดง
ถึงแง‹มุมต‹างๆ ของภาวสันนิษฐาน

66. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 66
4. การสรŒางเครื่องมือวัด เก็บขŒอมูล และตรวจสอบ [3/6]
Ensure Unidimensionality
[ตรวจสอบใหŒแน‹ใจว‹ามีมิติเดียว]
ตัวบ‹งชี้แต‹ละตัวควรสะทŒอนถึงภาวสันนิษฐานพื้นฐานเปšนหลัก และ
ไม‹ไดŒรับอิทธิพลจากป˜จจัยอื่นๆ ประเมินความเปšนมิติเดียว
[unidimensionality] โดยดำเนินการวิเคราะหองคประกอบ
[factor analysis] เพื่อใหŒแน‹ใจว‹าแต‹ละขŒอคำถามสอบถามเกี่ยวกับ
ภาวสันนิษฐานหลักเพียงอย‹างเดียว
Use Proper Scaling
[ใชŒมาตรวัดที่เหมาะสม]
กำหนด scale การวัดที่เหมาะสมสำหรับคำถาม มาตรวัดแบบ
Likert-type มักเปšนที่นิยมใขŒ แต‹ตŒองแน‹ใจว‹ามีการใชŒมาตรวัดนั้นๆ
อย‹างสม่ำเสมอกับทุกขŒอคำถาม หลีกเลี่ยงการผสมมาตรวัด หรือ
ป˜ญหาที่จะตามมาจากการวางรูปแบบคำตอบ

67. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 67
4. การสรŒางเครื่องมือวัด เก็บขŒอมูล และตรวจสอบ [4/6]
Test for Common Method Bias
[ทดสอบความลำเอียงของระเบียบวิธี]
ตระหนักถึงความลำเอียงของระเบียบวิธี ซึ่งอาจเกิดขึ้นไดŒจากทุกๆ
คำถามหากเปšนแบบผูŒเขŒาร‹วมงานวิจัยตอบดŒวยตนเอง [self-
report] หรืออาจะเกิดขึ้นจากคำถามบางขŒอที่ใชŒวิธีถามที่ต‹างออก
ไปหรือใชŒแหล‹งขŒอมูลที่ต‹างออกไป
Avoid Endogeneity
[หลีกเลี่ยงภาวะภายนอก]
ตรวจสอบใหŒแน‹ใจว‹าตัวบ‹งชี้ [ indicator : q’naire item] ไม‹ไดŒรับ
อิทธิพลจากภาวสันนิษฐานแฝง [latent construct] ที่ตั้งใจจะวัด
กล‹าวอีกนัยหนึ่งก็คือ หลีกเลี่ยงความสัมพันธแบบวงกลมซึ่ง
ตัวแปรแฝงกลับมีอิทธิพลต‹อคำถามเสียเอง

68. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 68
4. การสรŒางเครื่องมือวัด เก็บขŒอมูล และตรวจสอบ [5/6]
Use Well-Worded Items
[ใชŒขŒอคำถามที่ใชŒคำไดŒเหมาะสม]
ค‹อยๆ สรŒางขŒอคำถามอย‹างระมัดระวังเพื่อใหŒครอบคลุมเนื้อหาของภาวสันนิษฐานที่ตŒองการอย‹าง
แม‹นยำ [accuracy] หลีกเลี่ยงความคลุมเครือ [ambiguity] คำถามตีความไดŒหลายความหมาย หรือ
ศัพทเฉพาะ [jargon] ที่อาจทำใหŒผูŒตอบสับสน
Pilot Test the Questionnaire
[ทดสอบนำร‹องแบบสอบถาม]
ก‹อนดำเนินการเก็บขŒอมูลจริง ใหŒทดสอบแบบสอบถามดŒวยตัวอย‹างเล็กๆ [ปกตินิยม 30 ตัวอย‹าง แต‹ที่
ควรเปšนคือ 64 ตามทฤษฎีการวัด / t-test อย‹างต่ำควรมี 16 ตัวอย‹าง เมื่อนำ top 16 ทดสอบความ
แตกต‹างจาก bottom 16 ว‹า significant หรือไม‹] เพื่อระบุและแกŒไขป˜ญหาใดๆ เกี่ยวกับการใชŒถŒอยคำ
ความเขŒาใจ หรือรูปแบบการตอบกลับ
สรŒางแบบฟอรมใหŒผูŒเชี่ยวชาญในดŒานที่ตŒองการศึกษาวิจัยประเมินความเที่ยงตรงของแบบสอบถาม ที่ไŒดŒ
รับความนิยมมี 3 แนวทางไดŒแก‹ ดัชนีควาสอดคลŒองกับวัตถุประสงค [IOC : index of item objective]
ดัชนีความเที่ยงตรงตามเนื้อหา [CVI : content validity index] และดัชนีความเที่ยงตรงตามเนื้อหาทั้ง
ฉบับ [I-CVI : content validity index for item]

69. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 69
4. การสรŒางเครื่องมือวัด เก็บขŒอมูล และตรวจสอบ [ุ6/6]
Consider Factor Loadings
[พิจารณาค‹าน้ำหนักองคประกอบ]
ความแข็งแรงของความสัมพันธระหว‹างภาวสันนิษฐานแฝงและตัว
บ‹งชี้จะถูกนำเสนอดŒวยค‹าน้ำหนักองคประกอบ [factor loading]
ควรตรวจสอบใหŒแน‹ใจว‹าแต‹ละขŒอคำถามมีน้ำหนักเพียงพอที่จะตอบ
สนององคประกอบแฝงไดŒ
Assess Reliability and Validity
ประเมินความเชื่อมั่นและความเที่ยงตรง
คำนวณมาตรวัดความเชื่อมั่น (เช‹น Cronbach's alpha) เพื่อใหŒ
มั่นใจถึงความสอดคลŒองภายใน [internal consistency] ภายใน
ภาวสันนิษฐานแฝงแต‹ละตัวแปร และประเมินความเที่ยงตรงแบบ
convergent & discriminant validity ของภาวสันนิษฐานแฝง
แต‹ละตัว

70. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 70
5. Model Estimation : การประมาณค‹าสัมประสิทธิ์ของโมเดล [1/4]
การสรŒางโมเดลสมการโครงสรŒาง (SEM) มีการใชŒวิธีการประมาณค‹าประเภทต‹างๆ เพื่อวิเคราะหและตรวจสอบความถูกตŒอง
[validate] ของโมเดลที่เสนอ [proposed model] ดังต‹อไปนี้
Maximum Likelihood (ML)
วิธีการประมาณค‹ายอดนิยมใน SEM โดยมีขŒอตกลงเบื้องตŒน [assumption] ว‹าขŒอมูลมีความเปšน
multivariate normality และคำนวณค‹าประมาณที่เพิ่มความเปšนไปไดŒสูงสุด [maximize the likelihood]
จากขŒอมูลตัวอย‹างที่กำหนดใหŒกับโมเดล
Generalized Least Square [GLS)
วิธีนี้กำหนดขŒอตกลงเบื้องตŒนมีความเปšน multivariate normality ทำใหŒช‹องว‹าง [discrepancy] ระหว‹าง
ตัวอย‹างและ implied covariance matrix มีค‹านŒอยที่สุด [minimize] โดยนัย
Asymptotically Distribution-Free (ADF)
เปšนที่ทราบกันว‹าวิธีการนี้ไม‹กำหนดความเปšน normality มันเปšนวิธีที่แข็งแรง [robust] สำหรับขŒอมูลแบบ
non-normality แต‹ตŒองการจำนวนตัวอย‹างมหาศาลเพื่อใหŒการประมาณค‹ามีความแม‹นยำ

71. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 71
5. Model Estimation : การประมาณค‹าสัมประสิทธิ์ของโมเดล [2/4]
Weighted Least Squares (WLS)
วิธีนี้ใชŒเมื่อตŒองจัดการกับขŒอมูล non-normal หรือมาตรเรียงลำดับ [ordinal scale] โดยจะใหŒการประมาณ
ค‹าที่แม‹นยำยิ่งขึ้นในสถานการณดังกล‹าว แต‹ตŒองใชŒขนาดตัวอย‹างที่ใหญ‹กว‹าเมื่อเทียบกับวิธีการประมาณค‹า
แบบ Maximum LIkelihood [ML]
Robust Maximum Likelihood (MLR)
ส‹วนขยายของวิธี ML โดยจะปรับค‹า Chi-square และความคลาดเคลื่อนมาตรฐาน [standard errors]
เพื่อชดเชย non-normality จากขŒอมูล
Bayesian Estimation
เปšนวิธีการที่ค‹อนขŒางใหม‹สำหรับ SEM ซึ่งรวมความรูŒหรือความเชื่อที่มีก‹อนหนŒาไวŒในการวิเคราะห และ
สามารถใหŒค‹าประมาณแมŒขนาดตัวอย‹างจะมีขนาดเล็กก็ตาม
แต‹ละวิธีมีจุดแข็งและขŒอจำกัดของตัวเอง และการเลือกวิธีมักจะขึ้นอยู‹กับคุณลักษณะของขŒอมูล (เช‹น การกระจายตัวและขนาด
ตัวอย‹าง) และขŒอกำหนดเฉพาะของการวิเคราะห SEM

72. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 72
รายละเอียดเพิ่มเติมเกี่ยวกับวิธีการประมาณค‹า [1/3]
Assumptions ตŒองการ multivariate normality สำหรับตัวแปรสังเกต [observed variables]
Process คŒนหาค‹า parameter values ซึ่งจะทำใหŒความใกลŒเคียง [likelihood] ในการสังเกตขŒอมูล
มีค‹าสูงสุด โดยมีขŒอตกลงเบื้องตŒนว‹าเปšนไปตามโมเดลที่กำหนด [followed the specified
model] และมีการกระจายแบบปกติ [normality]
Advantages มีประสิทธิภาพและวิเคราะหเชิงสถิติไดŒอย‹างเต็มความสามารถ [Powerful] ใหŒค‹าประมาณที่
แม‹นยำภายใตŒขŒอตกลงเบื้องตŒนที่ถูกตŒอง
Disadvantages มีความอ‹อนไหว [sensitivity] สูงที่จะละเมิดความเปšน normality นำไปสู‹การประมาณค‹าที่
เบี่ยงเบนและความแปรปรวนมาตรฐานที่ไม‹ถูกตŒอง [biased estimates and incorrect
standard errors]
Maximum Likelihood Estimation (MLE)

73. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 73
รายละเอียดเพิ่มเติมเกี่ยวกับวิธีการประมาณค‹า [2/3]
Assumptions มีความผ‹อนปรนมากกว‹า MLE ไม‹ตŒองการ multivariate normality ที่เคร‹งครัดนัก
Process กำหนดค‹าน้ำหนัก [weights] ใหŒกับตัวแปรสังเกตแต‹ละตัว ขึ้นอยู‹กับค‹าความแปรปรวนของ
ความคลาดเคลื่อนที่ประมาณการ [estimated error variance] โดยใหŒน้ำหนักมากขึ้น
กับตัวแปรสังเกตที่น‹าเชื่อถือสูง [reliable] และลดค‹าน้ำหนักตัวแปรที่มีความเชื่อถือต่ำ ทำใหŒ
ค‹ารวม sum square residual ระหว‹างโมเดลสังเกตกับโมเดลทำนายมีค‹าสูงสุด
Advantages มีความแข็งแรง [robust] มากกว‹าสำหรับการเบี่ยงเบนออกจาก normality โดยเฉพาะ
อย‹างยิ่งในกรณีจำนวนตัวอย‹างนŒอย
Disadvantages ประสิทธิภาพต่ำกว‹าวิธี MLE มีความเปšนไปไดŒที่จะทำใหŒค‹าความคลาดเคลื่อนมาตรฐาน
[standard error] สูงขึ้นเล็กนŒอย
Weighted Least Squares (WLS)

74. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 74
รายละเอียดเพิ่มเติมเกี่ยวกับวิธีการประมาณค‹า [3/3]
Assumptions ผสานเทคนิคของ MLE & WLS เขŒาดŒวยกัน มีขŒอตกลงเบื้องตŒนว‹าความคลาดเคลื่อนของ
โมเดลมีลักษณะ multivariate normality แต‹ไม‹จำเปšนสำหรับตัวแปรสังเกต
Process ใชŒการประมาณค‹า robust sandwich estimator ในการคำนวณความคลาดเคลื่อน
มาตรฐาน ทำใหŒความคลาดเคลื่อนมาตรฐานลดความอ‹อนไหว [sensitive] กับ outliers
และ non-normality ลงไป
Advantages ใหŒความสมดุลระหว‹างประสิทธิภาพ [efficiency] และความแข็งแรง [robustness] นำมา
ซึ่งการประมาณค‹าที่แม‹นยำ แมŒจะมีความเบี่ยงเบนระดับปานกลาง [moderate
deviations] จาก normality
Disadvantages ค‹อนขŒางซับซŒอนในการนำไปประยุกตใชŒเมื่อเทียบกับ MLE หรือ WLS
Robust Maximum Likelihood (MLR)

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

76. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 76
5. Model Estimation : การประมาณค‹าสัมประสิทธิ์ของโมเดล [4/4]
Sample size [ขนาดตัวอย‹าง]
ตัวอย‹างที่ใหญ‹กว‹ามีแนวโนŒมที่จะทนทานต‹อการละเมิดภาวะ normality มากกว‹า ทำใหŒ MLE ทำงานไดŒ [viable]
Normality of data [ความปกติของขŒอมูล]
หากมีหลักฐานชัดเจนถึง multivariate normality การใชŒ MLE ก็จะมีประสิทธิภาพ
Presence of outliers [การมีอยู‹ของคำตอบนอกกรอบ]
ถŒาสงสัยว‹าจะมีoutliers หรือ non-normality แลŒว วิธีการ WLS หรือ MLR จะมีความเหมาะสมมากกว‹า
Software capabilities [ความสามารถของ Software]
ไม‹ใช‹ software ทุกตัวจะรองรับการประมาณค‹า
ขอแนะนำใหŒรายงานผลลัพธจากวิธีการประมาณค‹าหลายวิธี โดยเฉพาะอย‹างยิ่งกับตัวอย‹างที่มีขนาดเล็กหรือ outlier ที่
อาจเกิดขึ้น เพื่อใหŒมั่นใจถึงความน‹าเชื่อถือ [stability] ของการคŒนพบ
วิธีการประมาณค‹าที่ดีที่สุดสำหรับการวิเคราะห SEM ขึ้นอยู‹กับป˜จจัยหลายประการ

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 ทางทฤษฎีที่ตั้งสมมติฐานความสัมพันธระหว‹างตัวแปรที่สังเกตและตัวแปรแฝง หลังจาก
ประมาณค‹าพารามิเตอรของ 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‹าน้ำหนักองคประกอบ หรือค‹าสหสัมพันธ) ไม‹ fit กับขŒอมูลเชิงประจักษไดŒเปšนอย‹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‹าสูงสำหรับพารามิเตอรบางตัว มันคือการแนะนำว‹าควรเพิ่มอิสระ [free]
โดยลดขŒอจำกัดของขŒอตกลงเบื้องตŒนบางขŒอ หรือเพิ่มความสำคัญในการวิเคราะหพารามิเตอรนั้นๆ ดŒวยการปรับ
โมเดลตามที่ค‹า MI เสนอมาอาจสามารถปรับปรุงโมเดลใหŒ Fit เพิ่มมากขึ้นไดŒ
Addressing Localized Ill Fit
เมื่อระบุ Localized Ill Fit แลŒว นักวิจัยอาจพยายามแกŒไขโมเดลเพื่อปรับปรุงระดับความ FIT โดยใชŒวิธีการเพิ่มหรือ
ลบเสŒนทาง รวมถึงการเชื่อม cross loading เชื่อมโยงหรือตัดขาดความสัมพันธบางคู‹ 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

82. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 82
6.3 Model Testing : Residual Matrix [1/4]
Residual Matrix เปšนองคประกอบสำคัญที่แสดงความแตกต‹างหรือช‹องว‹าง [discrepancy] ระหว‹างขŒอมูลที่สังเกตไดŒกับ
ขŒอมูลที่ทำนาย [predicted] โดยโมเดล หรือเปšน matrix สำคัญสำหรับการประเมินความ Fit ของโมเดลกับขŒอมูลที่เก็บมา
Basics of the Residual Matrix
Residual Matrix มักถูกนำเสนอในรูปแบบ matrix ของ ‘สิ่งที่เหลือตกคŒาง/residual‘ หรือ ‘residual
covariances'
สามารถคำนวณเปšนค‹าความแตกต‹างระหว‹าง observed covariance [หรือ correlation) matrix ของ
ขŒอมูลกับ covariance หรือ correlation matrix ที่ถูกทำนายโดยโมเดล SEM
Types of Residual Matrices
Covariance Residuals ความแตกต‹างระหว‹างความแปรปรวนร‹วม [covariance] ที่สังเกตไดŒและความ
แปรรวนร‹วมที่คาดการณโดยโมเดล
Correlation Residuals ความแตกต‹างระหว‹างค‹าสหสัมพันธ [correlation] ที่สังเกตไดŒและค‹าสหสัมพันธ
ที่คาดการณโดยโมเดล

83. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 83
6.3 Model Testing : Residual Matrix [2/4]
Interpreting the Residual Matrix
ค‹า Residual นŒอย บ‹งชี้ว‹าโมเดล fit กับขŒอมูลมากกว‹า ซึ่งหมายความว‹าโมเดลสามารถจับ [capture]
ความสัมพันธระหว‹างตัวแปรที่สังเกตไดŒอย‹างแม‹นยำ
ค‹า Residual มาก แสดงใหŒเห็นว‹าบริเวณที่โมเดลสามารถจับความสัมพันธระหว‹างตัวแปรไดŒมีไม‹เพียงพอ
[inadequate] พื้นที่เหล‹านี้ชี้ใหŒเห็นว‹าควรปรับโมเดล [model modification] หรือตŒองกำหนดโมเดลใหม‹
[re-speicifation]
Importance in Model Evaluation
Residual matrix เปšนเครื่องมือสำคัญในการประเมินโมเดลว‹ามีความสอดคลŒอง [fit] กับขัอมูลเชิงประจักษฺ
หรือไม‹ โดยใหŒขŒอมูลอย‹างละเอียดเกี่ยวกับตำแหน‹งที่โมเดลอาจลŒมเหลวในการอธิบายรูปแบบ [pattern] ของ
ขŒอมูลที่สังเกตไดŒ
มักใชŒร‹วมกับดัชนี fit index อื่นๆ (เช‹น Chi-square, RMSEA, CFI, TLI) เพื่อใหŒเขŒาใจเกี่ยวกับความ fit
ของโมเดลครอบคลุมมากยิ่งขึ้น

84. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 84
6.3 Model Testing : Residual Matrix [3/4]
Role in Model Modification
ดŒวยการตรวจสอบรูปแบบ [pattern] และขนาด [magnitude] ของ residual นักวิจัยสามารถระบุลักษณะ
เฉพาะของโมเดลที่อาจตŒองปรับแกŒไดŒ
การปรับปรุง [modification] อาจรวมถึงการเพิ่มหรือลบเสŒนทาง [path] การอนุญาตใหŒความคลาด
เคลื่อน [error] เชื่อมโยงกัน หรือการระบุตัวแปรแฝงอีกครั้ง
Limitations
ไม‹ควรพึ่งพา Residual Matrix มากเกินไปสำหรับการปรับโมเดล เนื่องจากอาจทำใหŒโมเดลสอดคลŒองมาก
เกินไป [overfitting] หรือการปรับโมเดลที่ขาดการสนับสนุนทางทฤษฎี
โดยสรุป Residual Matrix ใน SEM คือการใหŒรายละเอียดของความห‹าง [discrepancy] ของโมเดลกับขŒอมูลที่สังเกตไดŒ
Matrix นี้มีบทบาทสำคัญในการประเมิน [evaluation] การวินิจฉัย [diagnostic] และการปรับปรุงความสอดคลŒองของ
โมเดล [improving model fit]

85. SEM STATISTIC 85
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
6.3 Model Testing : Residual Matrix [4/4]
เทพฤทธิ์ วิชญสิริ. (2564) การพัฒนาแบบประเมินคุณภาพบริการในช่องทางการจำหน่ายอุปกรณ์ไฟฟ้า แบบ Multi-channel และ Omni-channel.
[สารนิพนธ์การจัดการมหาบัณฑิต]. มหาวิทยาลัยมหิดล.

86. SEM STATISTIC ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง 86
7. Model Modification: การปรับโมเดล [1/5]
เกิดขึ้นเมื่อโมเดลไม‹สอดคลŒอง [fit] กับขŒอมูลเชิงประจักษ
เพิ่ม new parameters
อนุญาตใหŒ measurement error มีความสัมพันธกันไดŒ
เพิ่มเสŒนความสัมพันธทางตรงในโมเดล
พิจารณาจากค‹า Modification Index [MI] ใน AMOS text output
ค‹า MI มีค‹าลดลงหากเพิ่ม new parameter
ค‹าพารามิเตอรที่คาดหวัง [Expected Parameter Change : E.P.C. ควรเปšน 0]
การเพิ่ม new parameter ตŒองมีเหตุผลและสอดคลŒองกับความจริง

87. SEM STATISTIC 87
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
7. Model Modification: การปรับโมเดล [2/5]
เทพฤทธิ์ วิชญสิริ. (2564) การพัฒนาแบบประเมินคุณภาพบริการในช่องทางการจำหน่ายอุปกรณ์ไฟฟ้า
แบบ Multi-channel และ Omni-channel. [สารนิพนธ์การจัดการมหาบัณฑิต]. มหาวิทยาลัยมหิดล.

88. SEM STATISTIC 88
ถอดรหัสความสัมพันธ์ : มุมมองในเชิงลึกต่อโมเดลสมการโครงสร้าง
7. Model Modification: การปรับโมเดล [3/5]
เทพฤทธิ์ วิชญสิริ. (2564) การพัฒนาแบบประเมินคุณภาพบริการในช่องทางการจำหน่ายอุปกรณ์ไฟฟ้า
แบบ Multi-channel และ Omni-channel. [สารนิพนธ์การจัดการมหาบัณฑิต]. มหาวิทยาลัยมหิดล.