top of page

CFA series (1) Introduction CFA

ในการวิเคราะห์สมการโครงสร้าง (SEM) มักเลี่ยงไม่ได้เลยที่จะต้องวิเคราะห์องค์ประกอบเชิงยืนยัน หรือ CFA (Confirmatory Factor Analysis) ดังนั้น ครั้งนี้ได้โอกาสเขียนบทความเกี่ยวกับ CFA โดยจะนำเสนอในรูปแบบ series ซึ่งเตรียมไว้ทั้งหมด 4 ตอน ได้แก่ (1) Introduction CFA, (2) First/ Higher-Order model, (3) Formative model, และ (4) Validity สำหรับบทความนี้จะเป็น series ที่ 1 เรื่อง Introduction มาติดตามกันได้เลยครับ


 

CFA Series (1) : Introduction CFA




ในการวิเคราะห์ CFA นั้น มีได้ในหลายวัตถุประสงค์ เช่น เพื่อยืนยันองค์ตัวชี้วัดในองค์ประกอบนั้นๆ เพื่อตรวจสอบความตรงเชิงโครงสร้างในโมเดลนั้นๆ หรือ เพื่อเป็นส่วนหนึ่งในการวิเคราะห์สมการโครงสร้าง


บทแรก Introduction จึงขอเล่าเกี่ยวกับว่า



1. CFA คืออะไร


CFA ย่อมาจาก Confirmatory Factor Analysis ภาษาไทยเรียกว่า การวิเคราะห์องค์ประกอบเชิงยืนยัน มีจุดประสงค์เพื่อตรวจสอบองค์ประกอบ ว่า ตัวชี้วัดที่พัฒนาขึ้นมานั้นตรงกับองค์ประกอบที่สร้างหรือไม่ แต่ถ้าว่าในเชิงปฏิบัติจะพบว่า เป็นส่วนหนึ่งในการวิเคราะห์สมการโครงสร้าง (SEM)


ดังนั้น CFA ที่จะปรากฏใน SEM นั้น มักถูกนำมาเพื่อตรวจสอบความตรงเชิงโครงสร้าง (constructed validity) ซะเป็นส่วนใหญ่ แต่ว่าการทดสอบ CFA แบบเดี่ยวๆ ไม่ได้เป็นส่วนหนึ่งของ SEM ก็ยังมีให้พบเจอได้อยู่ เช่น งานที่เกี่ยวกับการสร้างตัวชี้วัด หรือการพัฒนาตัวชี้วัดใหม่


หากพูดถึงการพัฒนาตัวชี้วัดใหม่ จะต้องอ้างถึง EFA (Exploratory Factor Analysis) (บทความที่เกี่ยวข้อง) ซึ่งมักจะนำ CFA มาตรวจสอบการสร้างตัวชี้วัดเช่นกัน เพื่อให้แน่ใจว่า ตัวชี้วัดที่พัฒนาขึ้นมานี้ อยู่ภายใต้องค์ประกอบนั้นจริงๆ




2. ทำไมต้องวิเคราะห์ CFA


ในการวิเคราะห์ CFA นั้น วัตถุประสงค์หลักคือการตรวจสอบความตรงเชิงโครงสร้างขององค์ประกอบ เมื่อจะวิเคราะห์ SEM ก็ต้องทำการตรวจสอบก่อนว่าแต่ละองค์ประกอบ (ตัวแปร) ที่ปรากฏในโมเดลนั้น ตัวชี้วัดแต่ละตัวได้ผ่านการทดสอบโมเดลการวัดมาแล้วหรือไม่ เรียกง่ายๆ ว่าเรามั่นใจเราใช่มั้ยว่าตัวชี้วัดที่ปรากฏในองค์ประกอบนั้นถูกต้อง เชื่อถือได้ (ความเชื่อถือได้ มักดูจากค่า CR-AVE)


ภายในเรื่องความตรงเชิงโครงสร้างนั้น ยังมีเรื่อง discriminant validity ซึ่งเป็นการบอกว่าองค์ประกอบที่เราพัฒนาขึ้นมานั้น แตกต่างจากองค์ประกอบอื่นจริงหรือไม่



3.วิเคราะห์ CFA ต้องรู้อะไรบ้าง


คำศัพท์ที่เกี่ยวข้องที่จำเป็นต้องรู้

  • Factor Loading หรือ ค่าน้ำหนัก (เรียกเป็นภาษากรีกว่า Lambda) เป็น ค่าที่บ่งบอกถึงความสัมพันธ์ระหว่างตัวชี้วัด (indicator, items) ที่มีกับองค์ประกอบ (factor) นั้นๆ โดยค่าน้ำหนักนี้ควรมีค่าตั้งแต่ 0.3 ขึ้นไป แต่โดยปฏิบัติแล้วหากมี 0.7 ขึ้นไปในทุกๆ ตัวชี้วัดจะทำให้การตรวจองค์ประกอบผ่านเกณฑ์ การตรวจสอบองค์ประกอบที่ว่าก็คือ CR (Composite Reliability) กับ AVE (Average Variance Extraction)

  • Latent variable หรือ ตัวแปรแฝง เป็นตัวแปรที่เป็นนามธรรม ซึ่งสามารถเรียกรวมๆ ว่าคือองค์ประกอบ จุดมุ่งหมายที่สำคัญประการหนึ่งของ CFA คือ ตรวจสอบว่านามธรรมที่ว่านี้ ประกอบไปด้วยตัวชี้วัดต่างๆ ที่เรานำมาทดสอบ จริงหรือไม่ รูปสัญลักษณ์แทนด้วย "วงรี หรือ วงกลม"

  • Observed variable หรือ ตัวแปรสังเกต เป็นตัวแปรที่ที่เอาไว้วัด ก็คือเป็นตัวชี้วัดหรือข้อคำถาม ที่เราจะไปเก็บข้อมูลจริงๆ จากกลุ่มตัวอย่าง แล้วนำข้อมูลเหล่านี้มา "วัด" มาตรวจสอบว่าตัวชี้วัดหรือข้อคำถามนั้นๆ อยู่ภายใต้องค์ประกอบที่กำลังวัดอยู่หรือไม่ รูปสัญลักษณ์แทนด้วย "สี่เหลี่ยม"

  • Measurement model หรือ โมเดลการวัด เป็นอีกคำเรียกกว้างๆ ของการทดสอบ CFA เนื่องจาก เราจำเป็นต้อง "วัด" ก่อนว่าตัวชี้วัดที่นำเข้ามาใช้นี้ มันตรงกับองค์ประกอบที่กำลังศึกษาอยู่หรือไม่

  • ยังมีอีกหลายคำศัพท์ที่เกี่ยวข้อง เช่น Communality, Specific error, Delta, Xi เป็นต้น แต่หยิบมาเฉพาะตัวที่สำคัญๆ ก่อน



4. วิเคราะห์ CFA จำเป็นต้องตรวจสอบอะไรบ้าง


ในการวิเคราะห์ CFA นั้น สิ่งสำคัญที่ต้องตรวจสอบก่อนทำการวิเคราะห์นั้น ก็จะมีตั้งแต่ การแจกแจงเป็นปกติของตัวแปร ตัวแปรมีลักษณะเป็น continuous ตัวแปรในแต่ละองค์ประกอบควรผ่านการทดสอบ reliability ด้วย cronbach alpha และอีกประเด็นสำคัญเมื่อวิเคราะห์ CFA ควรมีค่าน้ำหนักผ่านเกณฑ์ที่ 0.7 ขึ้น ซึ่งเป็นตัวเลขที่ผ่านเกณฑ์ต่างๆ จริงๆ แล้วในตำรากำหนดไว้เพียง 0.3 แต่เมื่อต้องไปตรวจสอบเรื่องอื่นต่อ เพื่อให้มั่นใจว่าโมเดลการวัดนี้ผ่านจริงๆ โดยที่หากมีค่าน้ำหนัก 0.7 ขึ้น ก็จะผ่านเกณฑ์ เรื่องที่ว่า ที่ต้องตรวจสอบก็ได้แก่


Convergent validity กับ Discriminant validity (มี 2 บทความที่เกี่ยวข้อง part1 และ part2)


Convergent validity การตรวจสอบ convergent นั้นจะประกอบด้วย ความเชื่อมั่นองค์ประกอบ หรือ composite reliability (CR) และ ค่าเฉลี่ยของความแปรปรวนที่สกัดได้ หรือ average variance extraction (AVE) โดยความหมายของเรื่องนี้ คือ ตัวชี้วัดที่พัฒนาขึ้นเหล่านี้ อยู่ในองค์ประกอบ จริงหรือไม่ โดยพิจารณาจากค่าน้ำหนักเป็นหลัก เมื่อเข้าคำนวณตามสูตร ก็จะได้ค่า CR ออกมาซึ่งควรมีค่ามากกว่า 0.7 ขึ้นไป ส่วนค่า AVE ควรมีค่า 0.5 ขึ้นไป


Discriminant validity การตรวจสอบ discriminant นั้น เป็นการตรวจสอบว่าองค์ประกอบแต่ละองค์ประกอบที่เกิดขึ้นนั้น มีความต่างจากองค์ประกอบอื่นจริงหรือไม่ โดยจะพิจารณาจากค่า สหสัมพันธ์ระหว่างองค์ประกอบ หรือ Latent Correlation กับ ค่า AVE โดยตัว discriminant นี้ จะมีสองสูตรด้วยกัน โดยสูตรแรก จะใช้ค่าสหสัมพันธ์ระหว่างองค์ประกอบ (latent correlation) กับค่ารากที่สองของ AVE หรือ square root of AVE แสดงในแนวทะแยง ในขณะที่อีกสูตร จะใช้ค่าสหสัมพันธ์ระหว่างองค์ประกอบกำลังสอง (square latent correlation) กับค่า AVE ในแนวทะแยง (อ่านเพิ่มเติมจากบทความเก่าได้)


 

สนใจเรียน CFA SEM สามารถสอบถามรายละเอียดได้ในทุกช่องทาง หรือดูรายละเอียดการสอนได้ที่



ร่วมติดตามได้ทุกช่องทาง

follow or subscribe in any channel

.

tel.086-555-5949

line: @SmartResearchThai

Blockdit: SmartResearchThai

Youtube: SmartResearchThai

Facebook: SmartResearchThai

4,481 views0 comments

Recent Posts

See All

Comments


bottom of page