วันก่อนได้ดูคลิปวีดีโอ การทดสอบ Multiple Group Analysis (MGA) by Mplus วันนี้เลยอยากมาแนะนำการทดสอบ moderator นี้ใน AMOS กันดูครับ (วันนี้ขอเขียนแบบบทความก่อน แล้วจะไปซ้ำแบบคลิปวีดีโออีกทีครับ)
Outline:
ก่อนอื่น ขอเกริ่น อธิบายเกี่ยวกับ MGA กันสักหน่อย
ตัว Multiple Group Analysis หรือ MGA เนี่ย มักจะถูกนำไปทดสอบโมเดลเมื่องานนั้นๆ ต้องการทดสอบระหว่างกลุ่ม เช่น เพศ อายุ หรือตัวแปรอื่นใด ที่จำเป็นต้องแบ่งกลุ่ม สูง-ต่ำ และที่สำคัญมักเจอในการทดสอบ Moderator ตรงนี้เคยเล่าไว้แล้วในบทความที่เกี่ยวกับ Moderator (รวบรวมเป็น tag "moderator" ไว้ให้นะครับ) https://www.smartresearchthai.com/blog/search/moderator
คลิปที่พูดถึงคือคลิปของ James Gaskin เจ้าเก่า เจ้าเดิม ลองดูกันก่อนครับ
คลิปนี้ ได้อธิบายการทำ MGA ในโปรแกรม Mplus ไว้ ซึ่งถ้าใครใช้ Mplus เป็นอยู่แล้ว ก็ถือว่าไม่ยากเลยครับ ลองศึกษากันดูได้
ทีนี้ ประเด็นที่อยากพูดคุยกันก็คือ เคยศึกษาเรื่องการทดสอบ MGA มา ในบางบทความแนะนำว่าให้แยกกลุ่ม แล้วทดสอบทั้งแบบ constrained และ unconstrained ดังนั้น ถ้ามี 2 กลุ่ม ก็ต้องมี 4 โมเดล ก็คือ
Low Constrained
Low Unconstrained
High Constrained
High Constrained
แต่ทีนี้ ในคลิปของ James ไม่ได้ใช้แนวทางแบบนั้น แล้วเขาใช้อย่างไร ...
1.จัดการโมเดลหลักให้เรียบร้อย
คำว่าโมเดลหลัก เป็นทั้งนัยของโมเดลที่เป็นแบบ Path Analysis และแบบ SEM ก็คือรันตัวงานหลักที่ยังไม่แบ่งกลุ่มให้ฟิต ผ่านเกณฑ์ให้เรียบร้อยเสียก่อน จากนั้นถึงทำการทดสอบแบบแบ่งกลุ่มต่อไป
2.ทดสอบแบบ Unconstrained และ Constrained
หากมองในโปรแกรม Mplus ก็คือแบ่งเป็น 2 ไฟล์ คือไฟล์ Unconstrained กับไฟล์ Constrained แล้วทีนี้ในการเขียนคำสั่งในแต่ละไฟล์ ก็จะมีการกำกับว่า ตัวแปรใดคือตัวแปรแบ่งกลุ่ม แล้วก็ทำการกำกับระหว่างไฟล์ที่ต้อง Constrained กับ Unconstrained
ซึ่งในบางบทความอาจใช้คำว่า Equal model = Constrained model และ Free model = Unconstrained model
ทีนี้ ถ้ามาดูใน AMOS กันบ้าง ใน AMOS นั้นสามารถกำหนดในไฟล์เดียวได้เลย แล้วค่อยคลิกดูผลระหว่าง Unconstrained (free) model กับ Constrained (equal) model
... ... ... ... ...
ขั้นตอนที่ 1: ระบุ กลุ่มที่ 1 และกลุ่มที่ 2
ทำการ manage group ก่อน ว่าในไฟล์นี้จะมีกี่กลุ่ม
ขั้นตอนที่ 2: ระบุชื่อไฟล์และระบุเลขของกลุ่ม
ในเมนูเลือกไฟล์ ให้ระบุว่าใช้ไฟล์ไหน และตัวแปรกลุ่มคือตัวไหน และระบุเลขช้อยให้ด้วย จากภาพจะเห็นว่า โปรแกรมจะทำการจำไฟล์ 2 ไฟล์ เสมือนเป็นการแบ่งกลุ่มไฟล์ให้เรา
Group number ทั้ง 2 ให้เลือกไฟล์เดียวกัน โดยไฟล์นั้นจะต้องมีตัวแปรที่จะใช้แบ่งกลุ่มแล้ว
Grouping value คือการบอกว่าจะใช้ตัวแปรอะไรเป็นตัวแบ่งกลุ่ม
Group value คือ ในแต่ละ group คือช้อยอะไร
Group number 1
ไฟล์ชื่อ = TAMdataset
Grouping value = ตัวแปรชื่อ Group
Group value = 0
Group number 2
ไฟล์ชื่อ = TAMdataset
Grouping value = ตัวแปรชื่อ Group
Group value = 1
ขั้นตอนที่ 3: เลือก models ใน multiple group analysis
จากภาพ จะเป็นการเสนอแต่ละรูปแบบของแต่ละโมเดลมาให้ ถ้าเลือกตามที่โปรแกรมแนะนำนี้ จะเป็นลักษณะของ Invariance ซึ่งเป็นการทดสอบในทุกมิติของ SEM เลยทีเดียว เช่น ทดสอบว่า ตัว Measure Model ของทั้ง 2 กลุ่ม ต่างกันหรือไม่ หรือตัว Strcutural Model ของทั้ง 2 กล่ม ต่างกันหรือไม่
ซึ่งถ้าตามหลักการของ Invariance แล้ว เป็นการทดสอบในทุกมิติของโมเดล SEM หากพบว่าทุกมิติ ต่างกัน ก็แสดงว่าข้อมูลจากทั้ง 2 กลุ่มนั้น ต่างกันจริง สามารถพิจารณานโยบาย การนำไปใช้แบบต่างกันได้ แต่ถ้าบางส่วนต่าง แต่บางส่วนไม่ต่าง ก็จำเป็นต้องจัดการแนวทางคนละแบบ
แต่ทีนี้ ตัวอย่างของ James และที่กำลังสื่อสารในบทความนี้ จะเป็นการทดสอบ Constrained (equal) และ Unconstrained (free) model ซึ่งเป็นส่วนนึงของการทดสอบ Moderator แบบ Multiple Group
ดังนั้น จากภาพที่โมเดลที่ 2 นี้ จึงเลือกแค่ Model (5) ที่ทำการทดสอบทุกมิติของ SEM ไปเลย
ย้ำอีกทีว่า ตรงนี้คือ Multiple Group สำหรับ Moderator ไม่ใช่ Invariance จึงไม่ทดสอบแยกทีละมิติ
คำถามคือ แล้วการระบุ Model (5) มันคือยังไง ก็คือ การบอกว่า โมเดลจะ Constrained (equal model หมายถึงทั้งสองกลุ่มจะมีค่าพารามิเตอร์ที่เท่ากัน)
การทำให้พารามิเตอร์ของทั้ง 2 กลุ่มเท่ากัน แล้วมันยังไง ก็คือจะไปส่งผลให้ค่า chi-square ที่จะออกมานั้น เกิดจากการที่ตัวเลขถูก fix ค่าไว้ มันจะไม่อิสระ นึกภาพเวลารัน SEM ปกติ อันนั้นคือการ free parameter ปล่อยให้มันคำนวณในทุกๆ จุดอย่างอิสระ ไม่ไปบังคับ ไม่ไป constrained อะไรมันทั้งนั้น
ขั้นตอนที่ 4: ทำการเลือก unconstrained path ที่ตัวแปร moderator
ตรงนี้หมายถึง ในการทดสอบ Moderator แบบ multiple group นี้ อาจจะมีเพียงเส้นเดียวที่ทดสอบ moderator หรือมีหลายเส้นก็ได้ ให้เราไป ปล่อย free parameter ที่เส้นนั้น
สมมติว่าโมเดล Moderator เราเป็นแบบนี้
จากภาพ จะเห็นว่าเป็นโมเดล SEM ที่มีตัวแปร Group เป็น Moderator ซึ่งถ้าได้อ่านบทความที่พูดถึง Moderator ไว้ จะเข้าใจตรงกันว่าเมื่อต้องทดสอบ Moderator แบบตัวแปรที่เป็นช้อยนั้น ก็ต้องมาใช้วิธีการแบบ MGA นี่เอง
ต่อเนื่องจากที่กล่าวด้านบน ในเมื่อเส้นที่ทดสอบ Moderator คือเส้นจาก BI ไปหา ASU เพียงเส้นเดียว ดังนั้น เราจะทำการ "free parameter" เพียงเส้นเดียวเท่านั้น โดยการทำดังนี้
ภาพนี้ เป็นการบอกว่า parameter b7_1 คือเส้นที่ต้องการทดสอบ moderator เราจะจัดการกับเส้นนี้ (แต่ก่อนอื่น วิธีการที่จะแนะต่อไปนี้ เป็นวิธีการส่วนตัวนะครับ ตามคลิปอื่น หรือแม้แต่ของ James เอง ก็อาจจะสอนอีกแบบ แต่ได้ผลลัพธ์เหมือนกันครับ)
แนวทางส่วนตัวนี้ คือ เมื่อเรากดเลือก model ใน multiple group models ออกมาแล้ว มันจะปรากฏขึ้นทั้ง 5 โมเดลเลย โดยที่โมเดล unconstrained จนถึง model 4 จะมีค่าเหมือนกัน คือ ไม่ fix parameter ใดๆ ทั้งสิ้น ส่วน model5 จะทำการ fix ทุกเส้น
วิธีการส่วนตัวเป็นดังนี้
(1) ให้ลบโมเดลออกให้หมด เหลือเพียง model5 เท่านั้น
จากนั้นเปลี่ยนชื่อเป็น Constrained (หรือ equal model)
สร้างโมเดลใหม่ (ความหมายคือ copy) แล้วตั้งชื่อเป็น Unconstrained (free model)
จากนั้น copy parameter ของ constrained มาใส่ใน unconstrained
Highlight อยู่ตรงนี้
ณ parameter "b7_1 B7_2" (_1 แทนของกลุ่มที่ 1 และ _2 แทนของกลุุ่มที่ 2) ดังนั้น parameter b7_1 และ B7_2 คือเส้นทางจาก BI >> ASU ทั้งสองกลุ่ม ซึ่งก็คือเส้นที่เราทดสอบ Moderator เราจะทำการ "ลบ" parameter นี้ในโมเดล unconstrained เพื่อให้โปรแกรมเข้าใจว่าในโมเดล unconstrained (free) ที่เราเปลี่ยนชื่อมาใหม่นี้ เราจะไม่ "fix" ค่า ณ paramter b7 นะ ทั้งสองกลุ่มเลย ก็จะทำให้ค่าที่ออกมาของทั้งสองกลุ่มจะไม่เท่ากัน ตรงนี้จึงเป็นจุดสำคัญที่จะบอกผลของการทดสอบ moderator แบบตัวแปรช้อย
ขั้นตอนที่ 5 การอ่าน output
การอ่าน output ในเรื่องนี้ คือ จะเน้นไปดูที่ค่า chi-square ว่าระหว่าง equal model กับ free model มีค่า chi-square ต่างกันแค่ไหน
การทดสอบความแตกต่างของ chi-square ระหว่างโมเดลมักจะทดสอบด้วยการมีค่า df ต่างกัน "1" หมายถึง ใน equal model จะมี df ที่มากกว่า free model โดย ณ df ต่างกัน 1 แล้วถ้าค่า chi-square มากกว่า 3.84 จะแปลว่า สองโมเดล นั้นต่างกัน
ทีนี้ลองมาดูผลลัพธ์ของตัวอย่างนี้กันครับ ว่า ระหว่าง equal model กับ free model ต่างกันหรือไม่
จากภาพ จะเป็นส่วนของ output ใน AMOS ในหัวข้อ Model fit ก็จะนำเสนอค่า chi-square (CMIN) ทั้งของ equal model และ free model ซึ่งจากผลจะเห็นว่า df ของทั้งสองโมเดลต่างกันอยู่ "1" พอดี และค่า chi-square เมื่อนำมาลบกัน มีค่ามากกว่า 3.84 (diff = 23.726, p=0.000)
[ถ้าเรากำกับการทดสอบตัวแปรกำกับหลายเส้น ค่า df ก็จะต่างกันมากกว่า 1
ถ้าเป็นเช่นนั้น เราต้องอาศัยผลลัพธ์จากโปรแกรม ไม่อย่างนั้นต้องเปิดตาราง chi-square distribution เพื่อหาค่า p-value แต่ถ้ามีค่า df=1 เราสามารถพิจารณาที่ 3.84 ได้เลย]
3.แปลผล
จากผลข้างต้นจะพบว่าค่า chi-square different = 23.726 ซึ่งมีค่า p-value = 0.000 ดังนั้นจึงแปลว่า equal model กับ free model มีความแตกต่างกัน
ในเรื่องของโมเดล เราสรุปได้แล้วว่าต่างกัน และในประเด็นของความเป็น moderator ก็สามารถสรุปได้ว่า ตัวแปร GROUP นั้นมีความเป็นตัวแปรกำกับ (moderator variable) ในเส้นทางของ BI >> ASU
4.สรุป
ในบทความนี้ได้นำเสนอหลักการพื้นฐาน เพื่อทำความเข้าใจเกี่ยวกับการวิเคราะห์ระหว่างกลุ่ม (Multiple Group Analysis: MGA) ด้วยโปรแกรม AMOS ซึ่งในต้นบทความได้เกริ่นถึงตัวอย่างการวิเคราะห์โดยใช้โปแกรม Mplus
ดังนั้น จึงขอสรุปสาระสำคัญของการวิเคราะห์ MGA ดังนี้คือ
MGA เป็นการวิเคราะห์ความแตกต่างระหว่างกลุ่ม
MGA จะนำค่า Chi-square มาเปรียบเทียบกัน (chi-square different) โดยใช้ค่า df มาเกี่ยวข้อง
ค่า Chi-square different ถ้า ณ df=1 จะสามารถพิจารณาค่า chi-diff ที่ 3.84 ได้เลย แต่ถ้ามากกว่านั้นต้องไปเปิดตารางเทียบ ซึ่งในโปรแกรมเทียบไว้ให้แล้ว
MGA สามารถนำไปใช้กับการทดสอบ Moderator ได้ โดยหากเป็นตัวแปรแบบ category ควรใช้วิธีการ MGA นี้
MGA ยังสามารถขยับไปถึงการทดสอบแบบ invariance ได้ ซึ่งถือว่าเป็นขั้นกว่าของการทดสอบระหว่างกลุ่ม
Unconstrained model หรือ Free model คือ โมเดลที่ทำการเปิดให้คำนวณ parameter ตามที่ผู้วิเคราะห์กำหนด
Constrained model หรือ Equal model คือ โมเดลที่ทำการปิด parameter โดยจะทำให้ผลของการทดสอบเท่ากันในทุกๆ กลุ่ม (High-Low)
ไม่ว่าจะเป็นโปรแกรม AMOS LISREL หรือ Mplus ก็จะใช้หลักการเดียวกัน
ร่วมติดตามได้ทุกช่องทาง
follow or subscribe in any channel
tel.086-555-5949
line: @SmartResearchThai
Blockdit: SmartResearchThai
Youtube: SmartResearchThai
Facebook: SmartResearchThai
Comments