บทความนี้ จะพูดถึงการวิเคราะห์ตัวแปรกำกับ หรือ Moderator ด้วยโปรแกรม SmartPLS สำหรับเนื้อหาเกี่ยวกับ Moderator ที่เคยเขียนไว้ มีดังนี้
ซึ่งเขียนไว้หลายบทความเลยทีเดียว และสำหรับบทความนี้จะมาเสริมเนื้อหาเกี่ยวกับ Moderator เข้าไปอีก ด้วยการวิเคราะห์ด้วยโปรแกรม SmartPLS (นำเสนอด้วย version 3 เนื่องจากตอนนี้มีถึง version 4 แล้ว) เนื้อหาเป็นอย่างไร มาติดตามกันได้เลยครับ
ขอกล่าวถึงการใช้งาน SmartPLS เบื้องต้นก่อน โดยอ่านจากบทความนี้ได้เลย https://www.smartresearchthai.com/post/processmacro-by-spss
มาเริ่มกันเลย
Outline:
1.Moderator Concept Framework
ตัวอย่างโมเดลจะขอนำโมเดล TAM มาตัดต่อให้เหลือเพียง 3 ตัวแปร เพื่อเป็นตัวอย่างในการทดสอบ Moderator เท่านั้น
ภาพนี้เป็น กรอบความคิดเรื่องการวิเคราะห์ข้อมูลด้วยตัวแปรกำกับ หรือ Moderator Conceptual framework โดยสรุป คือ ตัวแปรอิสระ Usefulness มีอิทธิพลต่อตัวแปรตาม BI โดยมี ตัวแปรกำกับ Attitude เข้ามาแทรกหรือกำกับไว้
ดังนั้น ถ้าเห็นกรอบแนวคิดแบบนี้ ยืนยันได้เลยว่า เป็นการวิเคราะห์ตัวแปรกำกับ หรือ Moderator แน่นอน
แต่ในการวิเคราะห์จริง เราจะต้องแปลงให้เป็น Stat Framework หรือ กรอบทางสถิติก่อน โดยจะมีแนวทางแบบนี้
2.Moderator Stat Framework
เมื่อทำการแปลงให้เป็นกรอบทางสถิติแล้ว จะได้ว่า
ตัวแปรอิสระ Usefulness มีอิทธิพลต่อ BI
ตัวแปรกำกับ Attitude มีอิทธิพลต่อ BI
ตัวแปรปฏิสัมพันธ์ มีอิทธิพลต่อ BI
**ตัวแปรปฏิสัมพันธ์ คือ การนำตัวแปรอิสระ Usefulness มาทำการ "คูณ" กับตัวแปรกำกับ Attitude ให้เกิดเป็นตัวแปรใหม่ อาจตั้งชื่อว่า "Interaction variable" หรือตั้งโดยการนำ 2 ตัวแปรมาคูณกัน**
ดังนั้น จากภาพกรอบสถิติ จะเห็นว่า ทั้งตัวแปรอิสระ และตัวแปรกำกับ ต่างก็ต้องไปพยากรณ์ตัวแปรตาม และทำการสร้างตัวแปรใหม่ขึ้นมา (ปฏิสัมพันธ์) โดยตัวแปรปฏิสัมพันธ์นี้แหละ จะเป็นตัวตัดสินใจว่า มีความเป็นตัวแปรกำกับหรือไม่
จากนั้น จึงเข้าสู่โปรแกรม SmartPLS เพื่อทำการวาดโมเดลและวิเคราะห์ต่อไป
3.Moderator SmartPLS Concept
จากกรอบแนวคิด และ กรอบสถิติข้างต้น เข้าสู่แนวทางการวิเคราะห์ในโปรแกรม จากตัวอย่างโมเดล ให้เราสร้างตัวแปร Usefulness, Attitude, และ BI ตามกรอบสถิติข้างต้น ได้เลย และทำการเลือกเมนูคำสั่งในการวิเคราะห์ Moderator ดังนี้
จะพบเมนูคำสั่ง "Moderating Effect" ให้ทำการคลิก ที่คำสั่ง และไปคลิกเลือกที่ตัวแปรตาม BI
จากนั้น จะขึ้นหน้าต่างสำหรับการตั้งค่าวิเคราะห์ Moderator ขึ้นมา โดยทำการเลือกว่า
ตัวแปร Moderator คือตัวแปรอะไร ณ ที่นี้ เลือกเป็น "Attitude"
ตัวแปร Independent คือตัวแปรอะไร ณ ที่นี้ เลือกเป็น "Usefulness"
Calculation method คือ ใช้วิธีการทำคำนวณแบบใด ให้เลือกเป็น Product Indicator เนื่องจากเป็นการสร้างตัวแปรปฏิสัมพันธ์ขึ้นมาใหม่
Product term Generation คือ จะสร้างตัวแปรปฏิสัมพันธ์นั้นอย่างไร ให้เลือกเป็น "Mean Centered" เนื่องจากจะเป็นการนำค่าเฉลี่ยมาลบกับค่าแต่ละเคส เพื่อให้ได้ค่าเฉลี่ยตรงกลางที่สุด
จากนั้น คลิก "OK" เพื่อ สร้างโมเดล ได้เลย โดยจะมีหน้าต่างอย่างนี้
จากภาพ จะเห็นว่าโปรแกรมได้สร้างตัวแปร "ปฏิสัมพันธ์" ขึ้นมาใหม่ และทำการชี้พยากรณ์ไปยัง BI ซึ่งเมื่อเทียบกับ Stat Framework แล้วก็จะตรงกันพอดี
มาถึงตรงนี้ หากใครเคยลองวิเคราะห์ด้วย AMOS จะทราบว่า ไม่มีคำสั่งให้ทำอย่างนี้โดยตรง ถ้าหากจะทำจะต้องไปสร้างตัวแปรปฏิสัมพันธ์ขึ้นมาก่อนโดยทำใน SPSS จากนั้นค่อยสร้างเป็นตัวแปร Latent แล้วชี้พยากรณ์ไปยังตัวแปรตามอีกที จากนั้น กด Calculate ด้วยเงื่อนไขปกติของ SmartPLS ได้เลย (ย้อนดูตัวอย่างการใช้งาน smartpls เบื้องต้น)
4.Result and Interpretation
เมื่อกดรัน Calculate เรียบร้อย มาอ่านผลกัน
ผลแรก คือ ค่า Path Coefficient
จากภาพ จะเห็นว่าเกิดผลจากตัวแปรปฏิสัมพันธ์ขึ้นมา ที่เราตั้งชื่อว่า "Usefulness x Attitude" โดยมีค่า 0.020 ทีนี้ จำได้มั้ยครับว่า ในการกดรันแบบ PLS Algorithm มันจะไม่ได้ออกค่า p-value มาให้เรา ดังนั้น ก็จะพิจารณายากหน่อยว่า แล้วมันมีนัยสำคัญหรือไม่
ดังนั้น จึงทำการกดรันอีกครั้งแบบ Bootstrapping
เมื่อกดรันอีกครั้งแบบ Bootstrapping ก็จะปรากฏค่า p-value ออกมา ก็จะสามารถอ่านผลได้ ซึ่งผลตัวอย่างนี้ บอกว่า ค่า p = 0.755 ซึ่งมากกว่า 0.05 แปลว่า ตัวแปรปฏิสัมพันธ์นี้ ไม่มีนัยสำคัญทางสถิติ
ดังนั้น เบื้องต้นเราบอกได้เลยว่าตัวแปร Attitude นั้น มีโอกาสที่จะ ไม่เป็นตัวแปรกำกับระหว่าง Usefulness ต่อ BI ได้
ทำไมถึงอธิบายเช่นนี้ ขอยกแนวทางการแปลความของ Sharma 1981. ที่ได้นำเสนอไปในบทความเรื่อง "PROcessMacro by SPSS หัวข้อ Moderation Analysis by PROcessMacro Model No.1 " เรามาย้อนดูกันอีกรอบ
กรณีที่ 1 Non-Moderator
ตัวแปร Int ไม่มีนัยสำคัญ แต่ ตัวแปร Mod ยังคงมีนัยสำคัญต่อ Y จึงไม่ถือว่าเป็น ตัวแปรกำกับ
กรณีที่ 2 Homologizer Moderator
ตัวแปร Int ไม่มีนัยสำคัญ แต่ ตัวแปร Mod ไม่มีนัยสำคัญด้วย
ตรงนี้จะถือว่าผลไม่ปกติ ควรต้องทำการทดสอบ conditinal effect ต่อ
กรณีที่ 3 Quasi Moderator
ตัวแปร Int มีนัยสำคัญ และ ตัวแปร Mod มีนัยสำคัญ
แสดงว่าตัวแปร Mod มีความสามารถในการเป็นตัวแปรกำกับเพียงบางส่วน
กรณีที่ 4 Pure Moderator
ตัวแปร Int มีนัยสำคัญ แต่ ตัวแปร Mod ไม่มีนัยสำคัญ
แสดงว่าตัวแปร Mod มีความสามารถในการเป็นตัวแปรกำกับเต็มที่
ดังนั้น จากผลในตัวอย่างนี้ เกิดเป็นกรณีที่ 2 Homologizer Moderator ก็คือตัวแปรปฏิสัมพันธ์ไม่มีนัยสำคัญ แต่มีโอกาสที่เมื่อแบ่งกลุ่มแล้ว จะเกิดความแตกต่างในแต่ละกลุ่มได้ จึงต้องทดสอบแบบ Sub-group ต่อไป
>> อ่านมาถึงตรงนี้ อาจเกิดคำถามว่า แล้วจะทดสอบ sub-group ต่อได้ อย่างไร ใน SmartPLS คำตอบคืออาจจะต้องไปทำต่อในตัว MGA (Multiple Group Analysis) เพื่อดูความแตกต่างระหว่างกลุ่ม
แต่ก่อนอื่น ต้องกลับมาหาคำตอบก่อนว่า จะแบ่งกลุ่มอย่างไร เนื่องจากตัวแปร Attitude เป็น continuous ไม่ใช่ categorical คำแนะนำก็คือ แบ่งตามค่า + - SD แล้วรันดูผลตามแต่ละกลุ่ม ซึ่งตรงนี้ ถ้าใช้เป็น PROcessMacro โปรแกรมจะมีคำสั่งให้แบ่งได้เลย
5.สรุป
โดยสรุป สิ่งสำคัญในการวิเคราะห์ Moderator คือแนวคิด แนวทาง ต้องทำความเข้าใจเนื้อหาเสียก่อน ให้รู้เสียก่อนว่า ทำไมต้องทำ Moderator และแนวทางนั้นจะทำอย่างไร ถึงจะเลือกใช้โปรแกรมเป็นลำดับต่อมา บางโปรแกรมยากง่ายต่างกัน แต่ก็ให้ข้อมูล Information ต่างกัน ความตื้นหรือลึกของผลต่างกันด้วย เช่นกัน
อ้างอิง
Subhasg Sharma, Richard M Durand, and Oded Gur-Arie. 1981.Identification and Analysis of Moderator Variables. JMR Journal of Marketing Research (pre-1986) p.291.
หากใครสนใจศึกษาในประเด็นนี้ต่อ สามารถลงเรียนแบบ Software Tutoring จะเป็นการเรียนเนื้อหาบทเรียนแบบละเอียด สอนแบบตัวต่อตัว มีเอกสารและไฟล์ VDO สอนฝึกทำให้
.
.
.
หรือต้องการผู้ช่วยในการให้คำแนะนำในการวิเคราะห์แบบ Stat Coaching
ร่วมติดตามได้ทุกช่องทาง
follow or subscribe in any channel
.
tel.086-555-5949
line: @SmartResearchThai
Blockdit: SmartResearchThai
Youtube: SmartResearchThai
Facebook: SmartResearchThai