จากบันทึกก่อนหน้าที่รวบรวมบันทึกเกี่ยวกับ Moderator for SEM มาเล่าสู่กันฟังไปแล้วนั้น วันนี้อยากจะมาเล่าเพิ่มเติมกับอีกประเด็นที่ทิ้งท้ายแนวทางการวิเคราะห์ Moderator SEM ที่เป็นแบบ Interaction แบบโดยตรง โดยใช้โปรแกรม Mplus มาลุยกันเลยครับ (อ่านบันทึกเก่าได้ที่นี่)
การวิเคราะห์ Moderator แบบ Interaction จากที่เคยเล่าไปในบันทึกก่อนคือการนำตัวแปรอิสระกับตัวแปรกำกับ (Moderator) มาคูณกันให้เป็นตัวแปรใหม่แล้วนำไปพยากรณ์ตัวแปรตาม ทีนี้ประเด็นอยู่ที่ว่าถ้าเป็นตัวแปร Observed หรือจะเรียกว่าการทดสอบในลักษณะของ Path Analysis อันนี้ไม่มีปัญหาเพราะเราสามารถทำการคูณตัวแปรแล้วสร้างเป็นตัวแปรใหม่ได้เลย อาจจะทำใน excel หรือ SPSS ก็ได้ หรือถ้าในบางโปรแกรมก็สามารถเขียนคำสั่งเพิ่มเติมเพื่อให้มันสร้างตัวแปรใหม่ให้เราได้เลยในทันที
แต่สำหรับตัวแปรที่เป็น Latent นั้นไม่ง่าย มีแนวทางการคูณ (Interaction) อยู่บ้าง เช่น ถ้า Latent ทั้ง 2 2 ตัวนั้นมี 4 Observed ก็จะต้องนำ Observed ที่ 1 กับที่ 5 มาคูณกัน กลายเป็น Observed ใหม่ใน Latent Interaction และทำต่อไปใน Observed ที่ 2 กับ 6 , ที่ 3 กับ 7 , และ ที่ 4 กับ 8 แบบนี้ก็จะได้ Latent ใหม่ที่มี Observed 4 ตัวซึ่งได้มาจากการทำ Interaction สำเร็จแล้ว (ขอเรียกว่าการทำ Moderator SEM ทางอ้อม) (ศึกษาเพิ่มเติมได้จากแนวทางการวิเคราะห์ Non-Linear SEM ของ อัชฌา ชื่นบุญ. 2561. การจำลองข้อมูลด้วยวิธีมอนติคาร์โลโดยใช้ LISREL สำหรับการวิเคราะห์โมเดลสมการโครงสร้างแบบไม่เป็นเส้นตรง. Retrieved from: http://sripatum-review.spu.ac.th/doc/51_01-06-2018_10-53-05.pdf)
ทีนี้ถ้าเราใช้แนวทางที่กล่าวข้างบน ถามว่าทำได้มั้ย มันก็ทำได้ครับ และถ้าใช้แนวทางนี้ก็จะทำให้เราสามารถใช้โปรแกรมได้หลากหลายไม่ว่าจะเป็น AMOS LISREL หรือ Mplus ไม่นับกลุ่ม PLS เนื่องจากโปรแกรมที่เป็นกลุ่ม PLS จะสามารถทำงานแบบทางตรงได้เลย ซึ่งในบันทึกนี้จะมาพูดถึงการทำ Moderator SEM ทางตรง แบบที่ไม่ใช้การคูณภายนอกอย่างที่ยกตัวอย่างไป แนวทางนี้ขออ้างอิงจากบทความของ อ.อนุ เจริญวงศ์ระยับ โดยใช้โปรแกรม Mplus (อนุ เจริญวงศ์ระยับ. 2554. การวิเคราะห์อิทธิพลปฏิสัมพันธ์โดยใช้ตัวแปรแฝง. วารสารพฤติกรรมศาสตร์ ปีที่ 17 ฉบับที่ 1 มกราคม 2554)
เริ่มต้นด้วยการวิเคราะห์ SEM แบบปกติให้เสร็จเรียบร้อย ปรับโมเดลตามแนวทางของ SEM พื้นฐานทั่วไป การทดสอบจะแบ่งออกเป็น 3 ขั้นตอน คือ 1) โมเดลที่ยังไม่มีตัวแปร Moderator 2) โมเดลที่มีตัวแปร Moderator แต่ยังไม่มีตัวแปรปฏิสัมพันธ์ และ 3) โมเดลที่มีตัวแปรปฏิสัมพันธ์ร่วมอยู่ด้วย
คำสั่งสำคัญที่ใช้ในการสร้างตัวแปรปฏิสัมพันธ์ใน Mplus คือ XWITH อธิบายเพิ่มเติมดังนี้ครับ
Analysis:
Type=Random;
Algorithm=Integration;
ตัวคำสั่งในหัวข้อ Analysis เพื่อบอกว่าการที่เราจะใช้คำสั่งสร้าง Interaction ได้นั้น ต้องกระทำโดย Type=Random และ Algorithm=Integration
และอีกคำสั่งคือ XWITH ตัวอย่างเช่น mpaymtru | mpay XWITH mtru;
จากคำสั่งนี้ ทางซ้ายคือชื่อตัวแปรใหม่ที่ทำการ Interaction กัน โดยตั้งชื่อให้ต่างจากชื่ออื่นและสื่อให้ชัดว่าเป็นการกระทำจาก Interaction โดยคั่นด้วยสัญลักษณ์ | (มักจะอยู่ตรง ฅ และ ฃ ในคีย์บอร์ด) ส่วนด้านขวาหมายถึงจะนำตัวแปรอะไรมาทำการ Interaction กันบ้าง จากตัวอย่างนี้คือ จะสร้างตัวแปรใหม่ชื่อ mpaymtru โดยสร้างมาจากการคูณกันระหว่าง mpay กับ mtru นั่นเอง โดยผ่านคำสั่ง XWITH หลังจากนั้นก็นำตัวแปร mpaymtru ไปพยากรณ์ตัวแปรตามต่อไป
[แนวทางการใช้โปรแกรม ตอนนี้ยังไม่มีบันทึกเขียนไว้นะครับ มีแต่เป็นการสอนใช้งาน ใครสนใจติดต่อสอบถามได้เลยครับ]เรื่องต่อมาคือการแปลผล เป็นเรื่องสำคัญในการวิเคราะห์ Moderator แนวทางนี้นะครับ อย่างที่กล่าวไว้ข้างต้นว่าเราจะต้องทำ 3 ขั้นตอนตั้งแต่ SEM พื้นฐาน แล้วก็ใส่ตัวแปร Moderator แต่ไม่มีปฏิสัมพันธ์ แล้วก็ใส่ตัวแปรปฏิสัมพันธ์เข้าไป
การทดสอบอันดับแรกคือเมื่อวิเคราะห์ในขั้นที่ 3 เรียบร้อยแล้วให้พิจารณาก่อนเลยว่าตัวแปรปฏิสัมพันธ์ (Interaction Moderator) นั้นมีนัยสำคัญหรือไม่ ถ้ามีก็บอกได้ว่าตัวแปร Moderator ที่เราสนใจนั้นเป็น Moderation จริง แต่จะจริงและหนักแน่นได้ทั้งหมดนั้นต้องพิจารณาขั้นตอนที่ 1 และ 2 ด้วย ดังนี้ครับ
ในแต่ละขั้นตอน ตั้งแต่ขั้นที่ 1 ถึง ขั้นที่ 3 เมื่อวิเคราะห์ผลออกมาแล้วเราจะพิจารณาค่า Model fit อยู่ 3 ค่าหลักๆ คือ AIC BIC และ ABIC (การวิเคราะห์ SEM พื้นฐานมักจะพิจารณาพวกค่า Chi-square, RMSEA, CFI เป็นต้น แต่เมื่อเราใส่คำสั่ง Algorithm=Integration เข้าไปค่าเหล่านี้จะไม่ออกและไม่สามารถแสดงค่า Standardized ได้ด้วยครับ ดังนั้นเราจึงนำหลักการการเทียบเคียงค่าโมเดลฟิตมาใช้ครับ) แนวทางการเทียบจะเป็นดังนี้ครับ
จากภาพนะครับ จะเห็นว่าเมื่อทำการวิเคราะห์ในแต่ละขั้นแล้วก็จะนำค่า AIC BIC ABIC มาเปรียบเทียบกัน โดยหลักการคือ โมเดลที่มีตัวแปรปฏิสัมพันธ์จะมี df มากกว่าโมเดลที่ไม่มีตัวแปรปฏิสัมพันธ์ แล้วพิจารณาต่อว่า เมื่อ df ที่มากขึ้นจะมีค่าโมเดลฟิตน้อยลงหรือไม่ จากภาพตัวอย่างจะเห็นว่าโมเดลที่ตัวแปรปฏิสัมพันธ์ (df=70) กลับมีค่าโมเดลฟิตทั้ง 3 ตัวน้อยกว่าโมเดลที่ไม่มีปฏิสัมพันธ์ (df=69)
พอผลเป็นแบบนี้ก็พิจารณาได้ว่าโมเดลที่มีตัวแปรปฏิสัมพันธ์นั้น ดีกว่า โมเดลที่ไม่มีตัวแปรปฏิสัมพันธ์ในขณะเดียวกันตัวแปร Moderator นั้นก็มีความสามารถเป็น Moderating variable ได้
โดยสรุป
การวิเคราะห์ Moderator SEM แบบทางตรง (Interaction term แบบภายในโปรแกรม) นั้น ถ้าเป็นโปรแกรมประเภท Co-Variance based (AMOS, LISREL, Mplus) เท่าที่สัมผัสและทราบว่าจะมีเพียง Mplus ที่สามารถทำได้ ถ้าต้องการทำในอีก 2 โปรแกรมต้องใช้หลักการ Interaction term ทางอ้อม หรือปรับตัวแปรให้เป็น Observed แต่ถ้าเปลี่ยนไปใช้โปรแกรมกลุ่ม Variance based (PLS) ก็จะสามารถทำได้เช่นเดียวกัน
หากมีโอกาสจะนำแนวทางการวิเคราะห์ Moderator SEM โดยกลุ่มโปรแกรม PLS มาฝากกันครับ
พูดคุยเพิ่มเติมกันได้ที่
Nott 086-555-5949
line: @SmartResearchThai
FB:SmartResearchThai