top of page

Multiple - Parallel Mediator


Mediator variable หรือ ตัวแปรคั่นกลาง เป็นตัวแปรที่มาอยู่ตรงกลางระหว่างตัวแปรสองตัว

Mediator variable หรือ ตัวแปรคั่นกลาง เป็นตัวแปรที่มาอยู่ตรงกลางระหว่างตัวแปรสองตัว ขอแทนตัวแปรที่เกี่ยวข้องดังนี้


-X หมายถึงตัวแปรอิสระ (Independent)

-Y หมายถึงตัวแปรตาม (Dependent) และ

-M หมายถึงตัวแปรคั่นกลาง (Mediator)


ความพิเศษของตัวแปรคั่นกลางคือตัวแปรนี้จะมาทำหน้าที่คลายความกระจ่างในความสัมพันธ์ของตัวแปร X ที่มีต่อตัวแปร Y ความกระจ่างที่ว่านี้คือเราทราบความสัมพันธ์ดั้งเดิมของ X ที่มีต่อ Y อยู่แล้ว (ละไว้ในฐานที่เข้าใจว่า X มีความสัมพันธ์ต่อ Y) แต่เป็นไปได้หรือไม่ว่าในความสัมพันธ์ระหว่าง X ที่มีต่อ Y นั้น ยังมีตัวแปรอื่นที่เกี่ยวข้องอีกหรือไม่ เราจึงสนใจทำการทดสอบโดยการนำตัวแปร M เข้ามาอยู่ในความสัมพันธ์นี้แล้วดูว่า M ทำให้ความสัมพันธ์ของ X ที่มีต่อ Y นั้นเปลี่ยนไปหรือไม่


ซึ่งความสัมพันธ์จะเปลี่ยนไปนั้นเราจะต้องไปดูที่ M ว่ามีนัยสำคัญต่อ Y หรือไม่ ประเด็นนี้สำคัญเนื่องจากถ้า M ไม่มีนัยสำคัญต่อ Y ก็จะไม่เป็นตัวแปรคั่นกลางทันที ดังนั้น ก่อนอื่นเรามาทบทวนแนวคิดของตัวแปรคั่นกลางกันสักนิดนึงครับ



จากความสัมพันธ์ในแนวคิดของตัวแปรคั่นกลางนี้ มีคำอธิบายเพิ่มเติมดังนี้ครับ


1) ความสัมพันธ์จาก X ไปสู่ M ในเส้นการพยากรณ์ a

2) ความสัมพันธ์จาก M ไปสู่ Y ในเส้นการพยากรณ์ b

(หากมีความสัมพันธ์ทั้งในข้อ 1 และ 2 เรียกค่านี้ว่า indirect effect)

3) ความสัมพันธ์จาก X ไปสู่ Y โดยผ่านตัวแปรคั่นกลาง M ในเส้นการพยากรณ์ c’ (direct effect) (ความสัมพันธ์ที่มี M อยู่ในโมเดลด้วย)

4) ความสัมพันธ์จาก X ไปสู่ Y โดยยังไม่มีตัวแปรคั่นกลาง M ในเส้นการพยากรณ์ c (total effect) (ความสัมพันธ์เดิมที่ยังไม่มี M เข้ามา)


เมื่อทำการทดสอบแล้วสิ่งที่จำเป็นที่ต้องการให้เกิดขึ้นคือเส้น a และ b ซึ่งเป็นความสัมพันธ์จาก X ไปสู่ Y โดยผ่านทาง M เป็นความจำเป็นว่า X ต้องมีผลต่อ M และ M ต้องมีผลต่อ Y (เราเรียกว่าค่าอิทธิพลทางอ้อม หรือ indirect effect) จากนั้นจึงไปพิจารณาค่าในเส้น C' (อ่านว่า ซีพราม) ต่อไป


1) หากเส้น c' (อิทธิพลจาก X ไปสู่ Y โดยที่มี M อยู่ในโมเดล) มีอิทธิพลลดลงแต่ยังคงมีนัยสำคัญ ถ้าเป็นลักษณะนี้เราเรียกว่า "เกิดอิทธิพลคั่นกลางบางส่วน - partial mediation"

2) หากเส้น c' (อิทธิพลจาก X ไปสู่ Y โดยที่มี M อยู่ในโมเดล) มีอิทธิพลลดลงจนไม่มีนัยสำคัญ ถ้าเป็นลักษณะนี้เราเรียกว่า "เกิดอิทธิพลคั่นกลางสมบูรณ์ - full (complete) mediation"


แนวคิดตัวแปรคั่นกลางที่มักอ้างกันคือแนวคิดของ Baron and Kenny ครับ [1] ดูเพิ่มเติมจากเว็บนี้ได้



 

สำหรับบทความในวันนี้ นอกจากจะทบทวนเรื่องราวของ Mediator แล้ว จะมาเพิ่มเติมให้มากขึ้น ในกรณีที่ถ้าหากมีตัวแปรคั่นกลางหลายตัวจะทำอย่างไร การมีตัวแปรคั่นกลางหลายตัวเราเรียกว่า "ตัวแปรคั่นกลางพหุ - multiple mediator" ทีนี้ ประเด็นที่จะแตกหน่อเพิ่มขึ้นมาคือถ้ามีตัวแปรคั่นกลางหลายตัวแล้วตัวแปรไหนมีอิทธิพลมากกว่า - จะขอข้ามในประเด็นว่าแล้วตัวแปรคั่นกลางตัวไหนมีอิทธิพลบ้าง ซึ่งตรงนี้ก็สามารถใช้หลักการตัวแปรคั่นกลางปกติได้เลย




ตัวอย่างงานที่มีตัวแปรคั่นกลางหลายตัว ตัวอย่างนี้เป็นงานของ Leanne Kane and Andrea R. Ashbaugh (2017) [2] ทำการศึกษาว่า Gender มีผลต่อ Sensation Seeking ผ่านตัวแปรคั่นกลางทั้ง 3 ตัวหรือไม่ ประกอบด้วย Physical Concerns. Social Concerns, และ Cognitive Concerns ทีนี้ ความพิเศษที่เพิ่มเข้ามาของงานนี้คือ นอกจากจะเป็นตัวแปรคั่นกลางพหุแล้ว (multiple mediator) ยังนับได้ว่าเป็นตัวแปรคั่นกลางแบบขนาน (parallel) ด้วยเช่นกัน คำว่าแบบขนานหรือ parallel หมายถึงตัวแปรคั่นกลางที่อยู่ในโมเดลที่มีมากกว่า 1 ตัวนั้นอยู่ในตำแหน่งเดียวกัน ก็คือ อยู่คั่นตรงกลางระหว่าง X กับ Y เหมือนกัน ซึ่งอาจเกิดคำถามว่าแล้วถ้ามันไม่อยู่ตรงกลางล่ะ มันจะไปอยู่อย่างไร ในงานนี้ก็ทำการศึกษาต่อในอีกลักษณะเช่นกันดังรูป


จากรูปนี้ เป็นอีกลักษณะของตัวแปรคั่นกลางพหุ และไม่ได้เป็นแบบขนาน แต่สามารถเรียกอีกอย่างว่าเป็น serial mediator เนื่องจากตัวแปร M1 (Anxiety Sensitivity) มีการพยากรณ์ไปยัง M2 (Negative Urgency) ก่อนจะพยากรณ์ไปยัง Y ต่อไป


ทีนีเรากลับมาเรื่อง Parallel Mediator จากตัวอย่างด้านบนเรามี M ทั้งหมด 3 ตัว จึงเกิดการทดสอบ 3 เส้น (ย้อนกลับไปดูแนวคิดทางด้านบน) จะแบ่งเป็น a1 a2 a3 และ b1 b2 b3 ในขณะที่ใช้ C และ C' เดิม


จากงานที่นำมาเป็นตัวอย่างในวันนี้ใช้โปรแกรม PROcessMacro ในการวิเคราะห์ ดูภาพตัวอย่างซึ่งเป็นภาพที่ปรากฏอยู่ในงานชิ้นนี้ด้วย



ความพิเศษของ PROcess คือสามารถออกค่าต่างๆให้เยอะมาก และมากพอที่จะพิจารณาความสัมพันธ์ต่างๆ ได้อย่างสะดวกและครบถ้วน ตั้งแต่การให้เลือกรัน Bootstrap การให้แสดงผล Pairwise comparison แล้วมันพิเศษอย่างไร ขอเล่าความสั้นๆ ดังนี้

-Bootstrap จะแสดงในส่วนของ indirect effect ว่ามีนัยสำคัญหรือไม่ โดยดูจากค่า lower และ upper ว่าตัวเลขนั้นคร่อม 0 หรือไม่ เช่น ถ้าค่า lower = 1.234 และ upper = 2.345 ถ้าค่าเป็นเช่นนี้เรียกว่าไม่คร่อม 0 แบบนี้แปลความได้ว่าเส้นทางอ้อม (indirect) นั้นมีนัยสำคัญ เช่นกันว่าถ้าหากค่า lower = -1.234 และ upper = 1.234 แบบนี้เรียกว่าคร่อม 0 แปลว่าไม่มีนัยสำคัญ

-Pairwise เป็นการแสดงค่าเปรียบเทียบระหว่างเส้นทางอ้อมเช่นจากตัวอย่างที่มี 3 เส้นทาง จะเกิดการเปรียบเทียบ 3 คู่ คือ (1)M1 vs M2 , (2)M1 vs M3 , และ (3)M2 vs M3 ซึ่งในโปรแกรมจะแสดงเป็นตัวแปร C1 C2 C3 และจะมีการระบุไว้ให้ว่าตัวแปรคือการเปรียบเทียบระหว่าง M ตัวใดบ้าง


สรุป

การทดสอบตัวแปรคั่นกลางนั้นคือการทดสอบว่ามีตัวแปรใดอยู่มีเข้ามาอิทธิพลระหว่างตัวแปรอื่นหรือไม่ และการทดสอบตัวแปรคั่นกลางนั้นยังทำได้ในหลายโปรแกรมไม่ว่าจะเป็น PROcessMacro หรือ AMOS LISREL Mplus SmartPLS ได้อย่างหลาก แต่ขึ้นกับว่าลักษณะตัวแปรนั้นเป็นเช่นไร เช่นว่า หากตัวแปรเป็นลักษณะ Latent variable ก็มีความจำเป็นต้องเลือกใช้ AMOS LISREL Mplus หรือ SmartPLS แต่ถ้าเป็นลักษณะของ Observed variable ก็สามารถเลือกใช้ได้หลากหลาย โดยเฉพาะ PROcess สำหรับตัว PROcess นั้นมีบันทึกเก่าลองย้อนกลับไปติดตามกันดูครับ (http://reservedsmartresearchthai.zohosites.com/blogs/post/Process-by-SPSS/) และถ้าใครสนใจโปรแกรม PROcess สามารถดาวน์โหลดได้ที่ http://processmacro.org/index.html

สุดท้ายนี้ ใครสนใจอยากพูดคุยกันเพิ่มเติม สามารถติดต่อเข้ามาได้ทุกช่องทางครับ

Nott 086-555-5949
line: @SmartResearchThai
www.SmartResearchThai.com

 

References

[1] Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic and statistical considerations. Journal of Personality and Social Psychology, 51, 1173-1182.


[2] Leanne Kane and Andrea R. Ashbaugh. (2017). Simple and Parallel mediation: A tutorial exploring sensitivity, sensation seeking, and gender. The Quantitative Methods for Psychology. Vol 13 no.3.


944 views0 comments

Comments


bottom of page