5 วิธีคำนวณขนาดกลุ่มตัวอย่างสำหรับการวิเคราะห์ SEM

Nott Panik Senariddhikrai
Jul 18
2 min read

Updated: Jul 19

Outline:

10-20 เท่า : Observed (Schumacker & Lomax, 2004)
10-20 เท่า : Parameter (Kline, 2011)
100-500 (Hair et al., 2010)
Monte carlo simulation (Wolf et al., 2013)
Sample size calculator (Soper, 2025)
สรุป

“บทความนี้สรุป 5 วิธีที่ใช้ในการคำนวณขนาดกลุ่มตัวอย่างสำหรับ SEM พร้อมข้อเสนอแนะแนวทางเชิงปฏิบัติที่เหมาะสม”

การวิเคราะห์โมเดลสมการโครงสร้าง (Structural Equation Modeling: SEM) ถือเป็นหนึ่งในวิธีวิเคราะห์ขั้นสูงที่ได้รับความนิยมอย่างมากในหลากหลายสาขาวิจัย ความท้าทายสำคัญที่นักวิจัยหลายคนประสบคือ “การกำหนดขนาดกลุ่มตัวอย่าง (sample size)” ที่เหมาะสมกับโมเดลของตนเอง บ้างใช้แนวทางทั่วไป Taro Yamane, Krejcie Morgan, หรือ GPower แต่ที่นิยมคือ 10 เท่าของตัวแปรสังเกต

บทความนี้สรุป 5 วิธีที่ใช้ในการคำนวณขนาดกลุ่มตัวอย่างสำหรับ SEM พร้อมข้อเสนอแนะแนวทางเชิงปฏิบัติที่เหมาะสม

1.10-20 เท่า : Observed (Schumacker & Lomax, 2004)

วิธีนี้เป็นแนวทางที่ใช้กันอย่างแพร่หลาย โดยกำหนดขนาดกลุ่มตัวอย่างเป็น 10–20 เท่าของจำนวนตัวแปรสังเกต (observed variables) ทั้งหมดในโมเดล

เช่น กำหนด 10 เท่า เมื่อโมเดลมีตัวแปรสังเกต 15 ตัว → ควรมีกลุ่มตัวอย่างจำนวน 150–300 คน

📚 อ้างอิง:Schumacker, R. E., & Lomax, R. G. (2004). A beginner's guide to structural equation modeling.

🟢 ข้อดี: ใช้ง่าย เหมาะสำหรับการประเมินเบื้องต้น

🔴 ข้อจำกัด: ไม่สะท้อนความซับซ้อนของพารามิเตอร์ในโมเดล

2.10-20 เท่า : Parameter (Kline, 2011)

วิธีนี้ให้พิจารณาจำนวนพารามิเตอร์ทั้งหมดในโมเดล เช่น path coefficients, factor loadings, error variances ฯลฯ แล้วกำหนดกลุ่มตัวอย่างเป็น 10–20 เท่าของจำนวนพารามิเตอร์

ตัวอย่างการนับพารามิเตอร์ง่ายๆ เช่น CFA 1 องค์ประกอบมี 10 observed ให้คูณ 2 เท่ากับ 20 พารามิเตอร์ และบวกองค์ประกอบตัวเองอีก 1 พารามิเตอร์ เท่ากับ 21

เช่น มีพารามิเตอร์ 21 ค่า → ควรมีกลุ่มตัวอย่าง 210–420 คน

📚 แหล่งอ้างอิง:Kline, R. B. (2011). Principles and practice of structural equation modeling.

🟢 ข้อดี: แม่นยำขึ้นกับความซับซ้อนของโมเดล

🔴 ข้อจำกัด: ต้องประเมินโมเดลเพื่อทราบจำนวนพารามิเตอร์

3.100-500 (Hair et al., 2010)

บางตำราแนะนำให้ใช้เกณฑ์ขั้นต่ำในการวิเคราะห์ SEM คือ กลุ่มตัวอย่าง 100-150 คนขึ้นไป เพื่อให้โมเดลมีความเสถียรในการประมาณค่า (Anderson, J. C., & Gerbing, D. W., 1988)

Hair (2010) แนะนำว่า ขนาดกลุ่มตัวอย่างที่เหมาะสมสำหรับการวิเคราะห์ SEM อยู่ที่ 100–500 คน ขึ้นอยู่กับความซับซ้อนของโมเดล และคุณภาพของข้อมูลที่ใช้ในการวิเคราะห์

📚 แหล่งอ้างอิง: Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis (7th ed.). Pearson.

โมเดลไม่ซับซ้อน เช่น ไม่เกิน 3 องค์ประกอบ สามารถคำนวณกลุ่มตัวอย่างไม่เกิน 150 ได้

🟢 ข้อดี: ใช้งานง่าย เหมาะกับการประเมินเบื้องต้น

🔴 ข้อจำกัด: ไม่ได้คำนวณจากโครงสร้างโมเดลเฉพาะของแต่ละงานวิจัย ใช้ช่วงกว้าง ทำให้บางครั้งอาจไม่แม่นยำเท่าการจำลอง (simulation)

4.Monte carlo simulation (Wolf et al., 2013)

Wolf และคณะเสนอให้ใช้การจำลองข้อมูลด้วย Monte Carlo Simulation เพื่อคำนวณขนาดกลุ่มตัวอย่างที่เหมาะสม โดยอิงจากพารามิเตอร์ของโมเดลที่ต้องการศึกษา ตามเงื่อนไขต่างๆ

การจำลองข้อมูลจะกำหนดค่าต่างๆ ในโมเดล เช่น path coefficient, factor loading, variances, communality เป็นต้น

📚 แหล่งอ้างอิง: Wolf EJ, Harrington KM, Clark SL, Miller MW. Sample Size Requirements for Structural Equation Models: An Evaluation of Power, Bias, and Solution Propriety. Educ Psychol Meas. 2013 Dec;76(6):913-934. doi: 10.1177/0013164413495237. PMID: 25705052; PMCID: PMC4334479.

การจำลองหลายครั้งจะช่วยให้เห็นว่า โมเดลสามารถ converge ได้หรือไม่ ภายใต้ขนาดกลุ่มตัวอย่างต่าง ๆ

🟢 ข้อดี: ประเมินขนาดกลุ่มตัวอย่างแบบละเอียด อิงจากโมเดลจริง ทำให้แม่นยำสูง มีความยืดหยุ่นสูงในการปรับตัวแปรจำลอง

🔴 ข้อจำกัด: ต้องใช้โปรแกรมเฉพาะ (เช่น Mplus, R, หรือ Lavaan) ใช้เวลาจำลองข้อมูลนานพอสมควร ต้องมีความรู้เชิงเทคนิค

5.Sample size calculator (Soper, 2025)

Daniel Soper ได้พัฒนาเครื่องมือออนไลน์สำหรับคำนวณขนาดกลุ่มตัวอย่าง SEM โดยใช้หลักการ power analysis ซึ่งอิงจากโครงสร้างโมเดลของผู้ใช้:

กรอกจำนวน latent และ observed variables
เลือกค่าพารามิเตอร์ เช่น alpha, power, effect size
โปรแกรมจะคำนวณ sample size ที่เหมาะสมให้อัตโนมัติ

📚 แหล่งอ้างอิง: Soper, D. S. (2025). A-priori Sample Size Calculator for Structural Equation Models. https://www.danielsoper.com/statcalc

ตัวอย่างกำหนด Effect size =0.2, Power level=0.8, Latent=3, Observed=15, p level=0.05, sample size=296

🟢 ข้อดี: ประเมินจากโมเดลจริงที่ผู้วิจัยใช้ สะดวก ใช้งานฟรีออนไลน์ ใช้แนวคิด power analysis ตามหลักการของ Cohen, J. (1988). มีพลังใกล้เคียงกับการใช้ Monte carlo

🔴 ข้อจำกัด: ควรมีความเข้าใจในเรื่อง Power Analysis (คล้ายกับการใช้ G*Power) จำนวนจะผันแปรไปตาม effect, power level และ p level.

สรุป:

ยังมีข้อถกเถียงอยู่ว่า ควรใช้วิธีการใด เนื่องจากวิธี 10-20 เท่า ของจำนวนตัวแปรสังเกต หรือ พารามิเตอร์นั้น ถือว่าเข้าใจง่ายในขณะที่วิธี Monte carlo จะมีประสิทธิภาพมากเพราะคำนวณจากโมเดลจริงๆ แต่ผู้วิจัยต้องมีความรู้เกี่ยวกับการจำลองข้อมูล และการใช้โปรแกรมอย่างเชี่ยวชาญ
ผู้เขียนเสนอยังคงมองว่า วิธีการ 10-20 เท่าของตัวแปรสังเกต ยังมีความเหมาะสม แต่มีข้อเสนอแนะว่าสามารถนำวิธีของ Soper มาใช้ได้