"ก่อนจะวิเคราะห์ Latent Moderator ต้องรู้อะไรบ้าง ... บันทึกนี้มีคำตอบ"
1.Type of Moderator
2.Software use
3.Interpret approach
SmartResearchThai ได้เขียนบันทึกเกี่ยวกับ Moderator ไว้หลายบันทึกมาก ดูได้จากบันทึกก่อนหน้านี้ที่ทำการรวบรวมบันทึกที่เกี่ยวกับ Moderator ไว้ "รวบรวมบันทึก Moderator for SEM" ในบันทึกนี้จึงอยากมาสรุปความ ในประเด็น "ก่อนจะวิเคราะห์ Latent Moderator ต้องรู้อะไรบ้าง" กันครับ โดยเน้นย้ำตัวแปรที่เป็น Latent
1. Type of Moderator
ลักษณะของตัวแปร moderator ซึ่งมีอยู่ 2 ลักษณะ คือ categorical และ continuos
1.1 categorical คือตัวแปรประเภทช้อย เช่น เพศชาย-เพศหญิง หรือ มีส่วนร่วมน้อย-มาก เป็นต้น
> ตัวแปรลักษณะนี้ แนวทางที่จะใช้ในการวิเคราะห์ Latent Moderator ก็คือ Multiple Group ซึ่งมีแนวทางย่อยคือ (1) ทดสอบ chi-square different test โดยการแบ่งกลุ่ม constraint และ unconstraint แล้ว fix เส้น path coefficient ของความสัมพันธ์ที่ต้องการทดสอบ จากนั้นเปรียบเทียบค่า chi-square different (2) ทดสอบ invariance เพื่อดูความต่างของโมเดล
a.Latent moderator concept model
b.Latent moderator table
ภาพ a. คือภาพแนวคิดของโมเดลที่ทดสอบ Moderator ด้วยตัวแปร categorical
ภาพ b. คือภาพตัวอย่างตารางที่ทำการเทียบ chi-square ระหว่าง constraint model กับ unconstraint model
ที่มา: Zainudin Awang (2014).Analyzing the Effect of a Moderator in a Model: The Multi-Group CFA Procedure in SEM. Universiti Sultan Zainal Abidin Terengganu Malaysia
1.2 continuos คือตัวแปรประเภทตัวเลขต่อเนื่อง เช่น รายได้จริง หรือค่าเฉลี่ยความพึงพอใจ เป็นต้น
> ตัวแปรลักษณะนี้ แนวทางที่ใช้ในการวิเคราะห์ Moderator ก็คือ Interaction คำว่า interaction ก็คือ "ปฏิสัมพันธ์" การกระทำก็คือนำตัวแปรสองตัวมา "คูณ" กัน เช่น ทดสอบความสัมพันธ์จาก X ไป Y โดยมี Mo เป็นตัวแปร moderator โดยเป็นตัวแปร continuos ก็ทำการคูณกันระหว่าง X กับ M เกิดเป็นตัวแปรใหม่ชื่อ "XM"
>> ทีนี้ ความต่างระหว่าง Moderator แบบ Interaction ที่เป็นตัวแปร Observed กับ Latent ก็คือ ตัวแปร observed นั้น ทำการ "คูณ" กันได้เลยทันที แต่สำหรับ Latent นั้น ไม่ง่ายอย่างนั้น
>>> การ "คูณ" ของตัวแปร Latent นั้น แนวทางเบื้องหลังก็คือนำตัวแปร observed ในแต่ละ latent มาคูณกัน แล้วสร้างใหม่ให้อยู่ภายใต้ latent ใหม่ แต่ถ้าใช้โปรแกรมที่มีคุณลักษณะเฉพาะที่สามารถวิเคราะห์ Latent Moderator ได้ ตัวโปรแกรมจะไปทำการ "คูณ" ให้เราเอง แล้วแสดงผลออกมาแต่ตัว Latent เท่านั้น เช่นจากโปรแกรม Mplus หรือ SmartPLS
ภาพ Moderator concept ที่เป็นตัวแปร Latent
ที่มา: อนุ เจริญวงศ์ระยับ. 2554. การวิเคราะห์อิทธิพลปฏิสัมพันธ์โดยใช้ตัวแปรแฝง. วารสารพฤติกรรมศาสตร์ ปีที่ 17 ฉบับที่ 1.
2. Software use
ตัวแปรโปรแกรมที่ใช้ในการวิเคราะห์ ในข้อนี้มีคำแนะนำอยู่ 2 ประการคือ software กลุ่ม Covariance-based และกลุ่ม Variance-based
2.1 software กลุ่ม Covaraince-based เช่น AMOS LISREL Mplus เป็นต้น
> กลุ่มนี้จะเป็นกลุ่มดั้งเดิมของการวิเคราะห์ SEM มีเงื่อนไขหลายประการ เช่น ต้องมีจำนวน N เยอะๆ เช่น 10-20 เท่าของตัวแปรสังเกต หรือการพิจารณาการผ่านเกณฑ์ (model fit criteria) มีเกณฑ์ชัดเจนต้องผ่านค่านี้เท่านั้น จึงจะถือว่าโมเดลมีประสิทธิภาพ ดังนั้น เวลาวิเคราะห์ Latent Moderator ด้วยโปรแกรมกลุ่มนี้มีจะมีความยากขึ้นมาพอสมควร
>> ในการวิเคราะห์ Latent Moderator ด้วยโปรแกรมกลุ่มนี้ ต้องทำการสร้าง interaction latent ขึ้นมาก่อน ก็คือ ต้องไปทำการ "คูณ" ตัวแปรมาก่อนถึงจะเข้าไปทดสอบได้ แล้วการทดสอบก็ทดสอบในลักษณะของ SEM ทั่วไป แปลความตาม latent ที่ส่งผลทั่วไป
>>> ข้อที่น่าสนใจก็คือ Mplus นั้นมีคำสั่งนึงที่สามารถทดสอบ Latent Moderator ให้เราได้ โดยไม่ต้องไปทำการ "คูณ" เองก่อน คำสั่งนั้นก็คือ "XWITH" เป็นการสั่งให้ทำการ "คูณ" ตัวแปรนั้นให้เราด้วยเลย แล้วก็เขียนคำสั่งการพยากรณ์ต่อไป
2.2 software กลุ่ม Variance-based เช่น SmartPLS WarpPLS เป็นต้น
> กลุ่มนี้จะเป็นกลุ่มแนวทางใหม่ที่กำลังได้รับความนิยมอย่างมาก เนื่องจากลดข้อจำกัดทั้งหลายของ covariance-based เช่น มี N น้อยๆ ก็ยังทำได้ การพิจารณาค่าผ่านเกณฑ์ (model fit criteria) มีความผ่อนปรนมากขึ้น โดยหันไปพิจารณาค่าต่างๆ ที่เกิดขึ้นในโมเดลแทน เป็นการบอกว่า หากค่าในโมเดลผ่านเกณฑ์ (ซึ่งเป็นเกณฑ์พื้นฐาน) ก็ถือว่าโมเดลนั้นโอเคแล้ว
>> การทดสอบ Latent Moderator ในกลุ่มนี้ ทำได้ไม่ยากนัก ก็คือสร้างโมเดลวิเคราะห์ SEM แบบพื้นฐานก่อนแล้วไปกำหนดว่า latent ไหนที่เป็น Moderator จากนั้นก็ทำการวิเคราะห์อีกครั้ง ก็จะได้ผลแล้วทำการแปลความต่อไป
ภาพ Moderator effect โดย WarpPLS
ที่มา: http://cits.tamiu.edu/kock/pubs/journals/2016JournalIJeC_VisModEffs/Kock_IJeC_2016_VisModEffs.pdf
3. Interpret approach
ในหัวข้อนี้คือแนวทางในการแปลความ มีคำแนะนำอยู่ 2 แนวทาง คือ Model comparison กับ Classical interpretation
3.1 model comparison สำหรับแนวทางนี้ ขออ้างอิงจาก อนุ เจริญวงศ์ระยับ. 2554. การวิเคราะห์อิทธิพลปฏิสัมพันธ์โดยใช้ตัวแปรแฝง. วารสารพฤติกรรมศาสตร์ ปีที่ 17 ฉบับที่ 1.
> ในบทความที่ท่านอาจารย์ อนุ ได้นำเสนอนั้น ใช้โปรแกรม Mplus ในการทดสอบ ขั้นตอนคือ ทดสอบ SEM ทั่วไปก่อน จากนั้นเพิ่มคำสั่งที่มี interaction latent moderator เข้าไป แล้วทำการเปรียบเทียบว่า ค่า AIC BIC ABIC นั้นลดลงหรือไม่ ขยายความคือ เมื่อเราเพิ่มตัวแปร interaction latent moderator เข้าไป จะมีพารามิเตอร์เพิ่มขึ้น แล้วการที่มีพารามิเตอร์เพิ่มขึ้นเนี่ย ทำให้ค่า AIC BIC ABIC เหล่านี้ลดลงหรือไม่ หากลดลงแสดงว่าโมเดลที่มีพารามิเตอร์มากกว่า นั้น ให้ผลลัพธ์ที่ดีกว่า
>> แนวทางนี้ นอกจากเราจะแปลความแบบ classical ได้แล้ว เรายังสามารถได้ผลเชิงเปรียบเทียบได้ด้วยว่าโมเดลแบบไหน (มี หรือไม่มี moderator) นั้นดีกว่ากัน
ภาพนี้บอกว่า โมเดลที่มีปฏิสัมพันธ์ (interaction latetn moderator) ที่มีพารามิเตอร์มากกว่า โมเดลที่ไม่มีตัวแปรปฏิสัมพันธ์นั้น มีค่า AIC BIC ABIC ดีกว่า จึงแปลความได้ว่า ตัวแปร Moderator นี้มีปฏิสัมพันธ์ระหว่างตัวแปรอิสระไปสู่ตัวแปรตาม จริง
>>> อ่านทบทวนได้ที่ https://www.smartresearchthai.com/post/moderator-sem-by-mplus
3.2 classical interpretation แนวทางเป็นแนวทางดั้งเดิม การอ่านผลแบบเดิม เช่นนั้น มาย้ำกันอีกทีว่าเป็นอย่างไร
> เมื่อทำการทดสอบตัวแปร interaction แล้ว ให้พิจารณาค่านัยสำคัญ (p-value) ของตัวแปรปฏิสัมพันธ์นั้น ว่ามีนัยสำคัญหรือไม่ หากมีนัยสำคัญให้พิจารณาต่อว่า แล้วตัวแปร Moderator เดิมนั้น ผลเป็นเช่นไร (นึกภาพ concept ที่ว่า X ไปสู่ Y แล้วมี Mo เป็นตัวแปร moderator จากนั้นสร้างตัวแปรปฏิสัมพันธ์ XM แล้วพยากรณ์ Y)
>> ผลของตัวแปร Moderator (ไม่ใช่ interaction) มี 4 ทางเลือกดังนี้
ภาพ Moderator type มี 4 ทางเลือก ดังนี้
(1) "NO Moderator"ตัวแปร interaction ไม่มีนัยสำคัญ และตัวแปร moderator มีนัยสำคัญ
(2) "Homologizer Moderator"ตัวแปร interaction ไม่มีนัยสำคัญ และตัวแปร moderator ไม่มีนัยสำคัญ
(3) "Quasi Moderator"ตัวแปร interaction มีนัยสำคัญ และตัวแปร moderator มีนัยสำคัญ
(4) "Pure Moderator"ตัวแปร interaction มีนัยสำคัญ และตัวแปร moderator ไม่มีนัยสำคัญ
ที่มา: Subhash Sharma, Richard M Durand, and Oded Gur-Arie. 1981.Identification and Analysis of Moderator Variables. JMR Journal of Marketing Research (pre-1986) p.291.
4 ทางเลือกของ Moderator นี้ น่าสนใจมาก เพราะว่าสามารถนำไปใช้ในกรณีของ observed moderator ด้วยเช่นกัน และจากทางเลือกนี้ ก็พิจารณาได้ง่ายมากทีเดียว
เป็นอย่างไรกันบ้างครับ กับ เรื่องราวของ Moderator กันอีกครั้ง ในหัวข้อ "3 things before doing Latent Mediator" หรือ "ก่อนจะวิเคราะห์ Latent Moderator ต้องรู้อะไรบ้าง ... บันทึกนี้มีคำตอบ"
ร่วมติดตามและพูดคุยกันเพิ่มเติมได้ครับ
Nott 086-555-5949
line: @SmartResearchThai