Answer is Here EP.6 Just Identification
EP.6 ประจำรายการ Answer is Here เป็นเรื่อง "Just Identification" เริ่มกันเลย
Outline:
Focus1: ประเด็นปัญหา
ประเด็นปัญหานี้เรียกว่า Just Identification เหตุการณ์ คือ เมื่อเป็นโมเดลที่มี 1 Latent 3 Observed จะพบว่าค่า โมเดลฟิต หลายๆ ค่าไม่ออก และค่าที่ออกจะเป็นค่าที่แปลความไม่ได้ จากภาพจะเห็นว่า chi-square =0.000, df=0, p-value ไม่ออกค่า ลองดูภาพถัดไป จะแสดงค่าโมเดลฟิต
จากผลตรงนี้ หมายความว่า เมื่อ parameter ที่เกิดขึ้นจริง กับ parameter ที่เป็นไปได้ ลบกันแล้ว มีค่าเท่ากับ 0 (df=0) ค่าโมเดลฟิตเหล่านี้จะไม่ออก โปรแกรมแจ้งว่า "Probability level cannot be computed เพราะมันไม่เหลือ df ไว้ให้คำนวณแล้ว
df ในทีนี้ แม้จะไม่ใช่การนำ n-1 แต่ก็ให้ความหมายใกล้เคัยงกัน คือ ไม่เหลือ parameter ไว้ให้คำนวณแล้ว จึงไม่สามารถออกค่าโมเดลฟิตต่างๆ ได้
Focus2: แล้วจะรู้ได้อย่างไรว่าโมเดลเรามีกี่ parameter และมีกี่ parameter ที่เป็นไปได้
จากรูปที่เป็นโมเดลตัวอย่าง ในวงกลมสีแดง ขอเรียกว่า "จุดที่เกิดการคำนวณ" จะเห็นว่ามีอยู่ 6 จุด ตรงนี้สามารถเรียกได้ว่าเป็น parameter ที่เกิดขึ้นจริง เนื่องจากโมเดลเรามี 3 observed และ ในจำนวน 3 ตัวนี้ จะเกิด "จุด" ที่สามารถคำนวณตัวเลขออกมาได้ 6 จุด นั่นคือ โมเดลที่เป็น 1:3 ขอเรียกว่า 1 ต่อ 3 ก็คือ 1 Latent กับ 3 Observed จะเป็นโมเดลที่มี 6 parameter
Focus3: แล้ว parameter ที่เป็นไปได้ คำนวณอย่างไร
สูตรการคำนวณ parameter ที่เป็นไปได้ คือ
p*(p+1)/2, p= จำนวน observed variable
ดังนั้น จากโมเดลตัวอย่าง มี 3 observed ถ้าเข้าสูตรแล้วจะได้เป็น 6 หมายความว่า parameter ที่เป็นไปได้ ในโมเดลลักษณะนี้ จะมีเท่ากับ 6 parameter
แล้ว parameter ที่เกิดขึ้นจริง ณ โมเดลนี้ ก็มี 6 parameter ดังนั้น เมื่อลบกันมันจึงได้ 0 จึงไม่เหลือ parameter ไว้ให้คำนวณอีก
ถามว่า แล้วนำเสนอผลได้หรือไม่ ก็ได้ เพราะมันเป็นเช่นนั้นจริง แต่ปัญหาคือคนอ่านหรือกรรมการไม่เข้าใจว่าทำไมค่าไม่ออก ซึี่งเราก็สามารถอธิบายได้ว่ามันคือกรณี Just Identification แต่ถ้ามีความจำเป็นจริงๆ ที่จะต้องแก้ไขให้มันมีตัวเลขออกมา ก็จะมีคำแนะนำ
.
.
Focus4: แล้วจะแก้ไขได้อย่างไรบ้าง
ขอแนะนำวิธีการแก้ไขอยู่ 2 แบบ 1) เพิ่ม observed variable 2) fix variance
.
.
วิธีที่ 1: เพิ่ม Observed Variable
ในเมื่อปัญหาอยู่ที่ค่า parameter ดังนั้น ถ้าเราเพิ่มจำนวน observed ก็จะทำให้ parameter ที่เป็นไปได้นั้น เพิ่มขึ้นด้วย และ parameter ที่เกิดขึ้นจริง ก็จะเพียงพอ
ลองมาคำนวณกันดูว่า จากโมเดลนี้ จะได้ค่าอย่างไรบ้าง
parameter ที่เป็นไปได้ จากสูตร p*(p+1)/2 = 4*(4+1)/2 = 10 parameter ที่เป็นไปได้
parameter ที่เกิดขึ้นจริง นับอย่างง่าย มี 4 observed ก็จะเกิดจุดที่ต้องคำนวณ 8 จุด ดังนั้น เมื่อเปรียบเทียบแล้วค่า df จะยังเหลือไว้คำนวณได้เท่ากับ 10-8 = 2
.
.
.
วิธีที่ 2: fix variance
การ fix ค่า variance คือการที่เราไปกำกับให้ค่าที่ต้องคำนวณออกมานั้น มีค่าอยู่แล้ว ก็จะส่งผลให้ paramter ที่ต้องคำนวณจะลดลง กล่าวคือ ถ้าโมเดล 3 observed มี parameter ที่เกิดขึ้นจริง 6 parameter พอเราไปกำกับค่า variance 1 ตัว ก็จะทำให้ค่า parameter ที่เกิดขึ้นจริงนั้นเหลือ 5 ตัว
ดังนั้น ค่า parameter ที่เป็นไปได้ 6 ตัว ส่วนค่า parameter ที่เกิดขึ้นจริง 5 ตัว จึงทำให้ df=1 ก็จะเหลือพอต่อการคำนวณค่าโมเดลต่างๆ
พอทำการ fix ตามวิธีที่ 2 ผลก็จะออกมาเป็นดังนี้
จากรูปจะเห็นค่าโมเดลฟิตต่างๆ ปรากฏขึ้นมาครบ และค่า df เหลือ 1
สรุป
ปัญหา Just Identification มักจะเกิดขึ้นในกรณีที่เราต้องการทดสอบ CFA เดี่ยวๆ และในโมเดลเดี่ยวนั้น มีเพียง 3 observed จึงมีคำแนะนำไว้ว่า ควรสร้าง observed ให้มี 4 ตัวขึ้นไป ซึ่งเป็นที่มาของการสร้างคำถามในแบบสอบถามว่ควรมี 3 5 7 ข้อขึ้นไป
ทีนี้ อาจมีคำถามว่า แล้วถ้ามีแค่ 2 observed ล่ะ จะเป็นอย่างไร ก็จะเกิดกรณี Under Identification ซึ่งนอกจากจะไม่ออกค่าโมเดลฟิตแล้ว ผลใดๆ ก็จะไม่ออกด้วยไม่ว่าจะเป็นค่าน้ำหนักหรือค่า error ต่างๆ (อ่านเพิ่มเติมเรื่อง identification)
เรายังมีในรูปแบบ VDO ด้วย มาชมกันได้เลย
และนี่ก็เป็นอีกปัญหา ที่อาจพบเจอได้ และถ้าเราไม่เข้าใจในเรื่องสถิติของการวิเคราะห์ CFA SEM นี้ ก็จะทำให้เรา งง และไม่สามารถลุยงานต่อได้
หากสนใจเรียน CFA SEM ด้วย AMOS สามารถติดต่อสอบถามเข้ามาได้ในทุกช่องทางเลยนะครับ
ร่วมติดตามได้ทุกช่องทาง
follow or subscribe in any channel
.
tel.086-555-5949
line: @SmartResearchThai
Blockdit: SmartResearchThai
Youtube: SmartResearchThai
Facebook: SmartResearchThai
Comments