Checklist 5 สิ่งที่ต้องมี เมื่อนำเสนอผล SEM

Nott Panik Senariddhikrai
2 days ago
3 min read

Checklist 5 สิ่งที่ต้องมีในการนำเสนอผล SEM

Outline:

1. การตรวจสอบเบื้องต้น (Data Screening)
2. การตรวจสอบความตรงของโมเดล (Validity)
3. ดัชนีความสอดคล้อง (Model Fit Indices)
4. การทดสอบสมมติฐาน (Hypothesis testing)
5. อิทธิพลทางตรง ทางอ้อม และรวม (Direct, Indirect, Total Effects)
6.สรุป

“Checklist 5 สิ่งที่ต้องมี เมื่อนำเสนอผล SEM: 1) การตรวจสอบเบื้องต้น (Data Screening) 2) การตรวจสอบความตรงของโมเดล (Validity) 3) ดัชนีความสอดคล้อง (Model Fit Indices) 4) การทดสอบสมมติฐาน (Hypothesis testing) 5) อิทธิพลทางตรง ทางอ้อม และรวม (Direct, Indirect, Total Effects)”

Checklist 5 สิ่งที่ต้องมี เมื่อนำเสนอผล SEM

1. การตรวจสอบเบื้องต้น (Data Screening)

ขั้นตอนแรกที่สำคัญ คือ การตรวจสอบข้อมูล ได้แก่

Normality: ทดสอบการแจกแจงเป็นโค้งปกติ รวมทั้งค่าความเบ้ ความโด่ง outlier พื้นฐาน
- ประเด็นนี้มักถกเถียงกันว่าควรนำเสนอค่าอะไรบ้าง ไม่ว่าจะเป็น เบ้ โด่ง หรือพวก VIF, Multicollinearity, Mahalanobis distance, Multivariate
- ขอแนะนำการตรวจสอบง่ายๆ แบบที่ทุกรายงานต้องมี คือ เบ้ โด่ง และ correlation < 0.80 (ซึ่งอาจนำเสนอในมิติของ Discriminant Validity ได้)
- VIF, Mahalanobis distance มักจะใช้ในการทดสอบ regression จึงอาจไม่ใช่ rule of thumb ของ SEM
Model identification: ภาษาไทยมักใช้คำว่า การประเมินความเป็นไปได้ของโมเดล ก็คือ ต้องดูก่อนว่าโมเดลหน้าตาเป็นอย่างไร มีตัวแปรกี่ตัว มีเส้นพยากรณ์กี่เส้น รวมแล้วเป็นกี่พารามิเตอร์ นำมาคำนวณความเป็นไปได้ของโมเดล หากมีพารามิเตอร์เพียงพอ ก็จะสามารถวิเคราะห์โมเดลได้ (ดูเพิ่มเติมเรื่อง model identification) https://www.smartresearchthai.com/post/model-identification

2. การตรวจสอบความตรงของโมเดล (Validity)

ต้องพิสูจน์ว่า "เครื่องมือวัด" ของเราดีจริง วัดได้จริง ตรงตามเรื่องที่ทำ ได้แก่

CR (Composite Reliability) และ AVE (Average Variance Extraction):
- ทั้ง CR และ AVE ล้วนสะท้อนถึงความเข้ากันได้ขององค์ประกอบ
- ทั้งสองค่า จะผันแปรไปตามค่าน้ำหนักขององค์ประกอบ โดยที่หากค่าน้ำหนักองค์ประกอบ (factor loading) มีค่า >0.70 ขึ้นไป ก็มีโอกาสทำให้ผลการคำนวณ CR และ AVE ผ่านเกณฑ์
- ซึ่งทั้งสองค่านี้ กำลังบอกว่า องค์ประกอบนั้นๆ ที่มีตัวชี้วัดต่างๆ นั้น อยู่ภายใต้องค์ประกอบนั้นจริงๆ ประมาณว่าเป็นลูกน้อง และเป็นหัวหน้าได้จริงๆ
- ค่าผ่านเกณฑ์ของ CR คือ >0.70
- ค่าผ่านเกณฑ์ของ AVE คือ >0.50
Discriminant Validity: หรือความตรงเชิงโครงสร้าง เป็นการบอกว่าองค์ประกอบนี้ กับ องค์ประกอบนั้นต่างกันจริงหรือไม่
- ตัวอย่างเช่น ในโมเดลมี 5 องค์ประกอบ การทดสอบ discriminant validity จะให้คำตอบว่า องค์ประกอบ 1 ต่างจากองค์ประกอบ 2 3 4 5 หรือไม่ และเช่นเดียวกัน คือ ทั้ง 5 องค์ประกอบต่างกันจริงหรือไม่
- การพิจารณา จะใช้หลักการของ Forenell & Larcker หรือ HTMT
- Forenell & Larcker จะสร้างตาราง latent correlation ค่าในแนวทแยงจะเป็น square root ของ AVE จากนั้น พิจารณาว่าค่านี้ สูงกว่าค่า latent correlation หรือไม่ หากสูงกว่าก็แสดงว่าแต่ละองค์ประกอบแยกออกจากกันได้ดี
- HTMT จะเป็นการคำนวณที่ซับซ้อนกว่า Forenell & Larcker แต่การพิจารณาจะดูง่ายกว่า โดยพิจารณาว่ามีค่าใดในตารางมากกว่า 0.85 หรือไม่ หากมีแสดงว่าองค์ประกอบนั้นมีปัญหา

ดูเพิ่มเติมได้ที่

https://www.smartresearchthai.com/post/construct-validity

3. ดัชนีความสอดคล้อง (Model Fit Indices)

ส่วนนี้คือ "หน้าตา" ของโมเดล ต้องนำเสนอตัวเลขสำคัญๆ ให้ครบ:

Chi-square / df: (ควรน้อยกว่า 2 หรือ 3)
GFI, CFI, TLI: (ควรมากกว่า 0.90 หรือ 0.95)
RMSEA, SRMR: (ควรน้อยกว่า 0.05 หรือ 0.08)
ถ้าค่าไหนไม่ผ่าน แล้วเราไปปรับโมเดล (Model Modification) ต้องอธิบายเหตุผลทางทฤษฎีประกอบด้วยเสมอ (ประเด็นถกเถียงกันมาก เพราะว่าบางครั้งเราปรับโดยไม่มีเป้าหมาย ต้องการแค่ให้งานผ่าน แต่จริงๆ แล้วต้องย้อนกลับไปที่จุดประสงค์ของงาน ว่าเป็นการพิสูจน์โมเดล หรือเป็นการพัฒนาโมเดล)
การรายงานค่า โมเดลฟิต เหล่านี้เป็นสิ่งที่จำเป็นในการวิเคราะห์ SEM อย่างมาก เพื่อให้แน่ใจว่าโมเดลโอเคแล้ว ผ่านแล้ว มักใช้คำว่า โมเดลมีความสอดคล้องกับข้อมูลเชิงประจักษ์
มักจะมีเกณฑ์ที่ต่างกัน เกณฑ์ดั้งเดิมที่ค่อนข้างเข้มงวด และเกณฑ์สมัยใหม่ที่ยืดหยุ่นมากขึ้น

4. การทดสอบสมมติฐาน (Hypothesis testing)

หัวข้อที่ 4 กับ 5 จะมาพร้อมกัน คือ การนำเสนอค่าอิทธิพลในแต่ละสมติฐาน ค่า p-value, ค่า r-square และบางครั้งอาจนำเสนอค่า S.E. , t-value ร่วมด้วย

Path Coefficient (beta): คือค่าสัมประสิทธิ์อิทธิพล (ซึ่งเป็นค่าเดียวกันกับค่า อิทธิพลทางตรง เพราะค่าเหล่านี้จะเกิดขึ้นจากเส้นอิทธิพลที่เป็นทางตรง นอกจากนี้หากพิจารณาในแง่อักษรกรีก ยังมีคำเรียกเกี่ยวกับค่าอิทธิพล คือ Gamma กับ Beta ด้วย
p-value / t-value: คือค่าที่เกี่ยวกับนัยสำคัญ p-value ไว้นำเสนอว่ามีนัยสำคัญหรือไม่ หากตั้งระดับนัยสำคัญไว้ที่ 0.05 แล้วค่า p น้อยกว่า 0.05 ก็แสดงว่ามีนัยสำคัญ ส่วนค่า t จะเป็นค่าจากการกระจายแบบที (t-distribution) มักพิจารณาด้วยเกณฑ์ +-1.96 หากอยู่นอกช่วงก็จะแปลว่ามีนัยสำคัญ เช่น ค่า t = 2.22 มีค่ามากกว่า +1.96 ก็แสดงว่ามีนัยสำคัญ หรือ t=-2.22 มีค่าน้อยกว่า -1.96 ก็แสดงว่ามีนัยสำคัญ แต่ถ้าหาก t มีค่าระหว่าง -1.96 ถึง +1.96 แสดงว่าไม่มีนัยสำคัญ
R^2 (R-square หรือ Coefficient of Determination): เป็นค่าที่บอกว่าตัวแปรตามตัวนี้ มีอำนาจในการพยารกณ์แค่ไหน หากพิจารณาในมิติของ regression ก็จะบอกว่าโมเดลนี้มีอำนาจการพยากรณ์แค่ไหน แต่พอเป็น SEM โมเดลอาจมีตัวแปร "ถูกพยากรณ์" หลายตัว ดังนั้น จะพูดรวมๆ ทั้งโมเดลไม่ได้ แต่จะเน้นพูดถึงตัวแปรตามสุดท้าย ของแต่ละโมเดลนั้นๆ

5. อิทธิพลทางตรง ทางอ้อม และรวม (Direct, Indirect, Total Effects)

บางครั้งตารางในหัวข้อที่ 4 อาจไม่นำเสนอ เพราะเป็นการบอกรายละเอียดทุกอย่างในผลทางตรง แต่จะมารวบนำเสนอในตาราง นี้ แทน เพราะเน้นการนำเสนอค่าตรงทาง ทางอ้อม ให้เห็นภาพว่าตัวแปรแต่ละตัวมีอิทธิพลทางตรงไปยังใครบ้าง และมีอิทธิพลทางอ้อมไปยังใครบ้าง เช่นกัน

ค่าอิทธิพล
- อิทธิพลทางตรง (Direct Effect: DE) ให้นึกถึงค่าจากตัวแปร A ไปยัง ตัวแปร B และจาก B ไป C หรือตัวต่างๆ ซึ่งในตัวโปรแกรมที่มีการแสดงค่าบนเส้นโมเดล ก็จะเห็นเป็นตัวเลขได้
- อิทธิพลทางอ้อม (Indirect Effect: IE) คือค่าอิทธิพลที่เกิดจาก ตัวแปรทางตรง 2 ตัวมาคูณกัน เช่น มีการเดินทางจาก A ไป B และจาก B ไป C เราสามารถหาค่าทางอ้อมจาก A ไป C ได้ โดยการนำค่าอิทธิพลของ A ไป B ไปคูณกับค่าอิทธิพลของ B ไป C ก็จะได้ค่าอิทธิพลทางอ้อมจาก A ไปยัง C ผ่าน B นั่นเอง
- อิทธิโดยรวม (Total Effect: TE) ค่านี้คิดง่ายๆ คือ นำเอาค่าทางตรง กับ ค่าทางอ้อม มาบวกกัน ก็จะได้ค่าอิทธิพลโดยรวม
การนำเสนอเป็นแผนภาพ (Diagram) การนำเสนอด้วยภาพทำให้เห็นตัวเลขได้ชัดเจน เข้าใจง่าย รู้ได้เลยว่าตัวแปรมีอะไรบ้าง แต่ละเส้นทางมีค่าเท่าไร และโปรแกรมสว่นใหญ่ก็มักจะมีการแสดงภาพเหล่านี้ ไม่ว่าจะเป็น AMOS, Lisrel, Mplus รวมถึง Smartpls, jamovi เพราะว่าโปรแกรมส่วนใหญ่ในปัจจุบันจะมี feature การนำเสนอภาพโมเดลอยู่แล้ว

6.สรุป

โดยสรุป ค่าที่สำคัญที่ควรนำเสนอในการวิเคราะห์ SEM ได้แก่ เบ้ โด่ง correlation, CR-AVE, discriminant validity, ตารางนำเสนอค่าอิทธิพลในโมเดล พร้อมภาพประกอบ รวมถึงแสดงค่าโมเดลฟิตด้วย สิ่งเหล่านี้ทำให้การนำเสนอสมบูรณ์ เหล่านี้เป็นค่าสำคัญ แต่อย่างไรก็ตามก็สามารถนำเสนอค่าอื่นๆ ประกอบด้วยได้ เช่นตารางนำเสนอผล CFA ตารางนำเสนอค่าเฉลี่ยของตัวแปรต่างๆ หรือง่ายๆ ดูงานเก่าๆ รายงานผลอะไรบ้าง ก็นำเสนอตามนั้น หรือในวารสารนำเสนอค่าอะไรบ้าง ก็นำเสนอตามนั้นเช่นกัน