_edited.png)
สารบัญ
Step4: Structural Validity
สารบัญคลิป
บทนำ
1. Descriptive Statistics
Percentage
Mean
2. Inferential Statistics
EFA (Exploratory Factor Analysis)
Extraction: PCA/ML
Rotation: Varimax
Option: Suppress
Regression
Model x→Y
EFA
เรามีปัจจัยตั้งต้น แต่ไม่รู้ว่าแต่ละปัจจัย (Factor) ประกอบด้วย Variables อะไรบ้าง
เราต้องการรู้ว่า Variable ตัวไหน อธิบายปัจจัย (Factor) ตัวไหนได้มากกว่ากัน
SPSS for EFA
ถ้าข้อมูลเป็นช่วง เช่น ช่วงอายุ ช่วงเงินเดือน เลือกเป็น Ordinal
ถ้าข้อมูลเป็นตัวเลข เช่น อายุ เงินเดือน การศึกษา เลือกเป็น Norminal
ในการวิเคราะห์ต้องเข้าใจใน Data เช่น กรณีนี้ไม่ใช้ Mean เนื่องจากข้อมูลคือ ตำแหน่งงาน เราไม่หาค่าเฉลี่ยว่าใครทำตำแหน่งไหนค่าเฉลี่ยเท่าใด
Factor Analysis
วิเคราะห์ว่ามี Factors กี่ตัว
KMO ใช้วัดว่าตัวแปรที่เราวิเคราะห์เหมาะกับการใช้ Factor analysis หรือไม่ (ค่าควรมากกว่าหรือเท่ากับ 0.6) ต้องหาอ้างอิงมา
การตั้งค่าแบบนี้ หมายถึง ถ้ามี value ต่ำกว่า 0.5 ไม่ต้องเอามาแสดง (Hair เรื่อง Factor Loading)
การแปรความหมาย: ตัวแปรที่เราเอาวิเคราะห์ มีความเหมาะสมมาก 0.964
Total Variance Explained
Factor Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 34.086 60.869 60.869 33.645 60.081 60.081 9.183 16.399 16.399
2 2.521 4.502 65.371 2.238 3.997 64.078 7.136 12.742 29.141
3 1.873 3.344 68.714 1.610 2.876 66.954 6.736 12.029 41.170
4 1.621 2.894 71.609 1.034 1.846 68.800 5.824 10.400 51.570
5 1.271 2.270 73.878 1.122 2.003 70.803 5.721 10.216 61.786
6 1.203 2.148 76.026 1.157 2.066 72.869 3.928 7.015 68.801
7 1.029 1.837 77.862 1.039 1.855 74.724 3.317 5.923 74.724
8 .988 1.764 79.627
9 .886 1.582 81.209
10 .751 1.340 82.549
11 .718 1.282 83.831
12 .705 1.259 85.090
13 .548 .979 86.068
14 .519 .926 86.994
15 .472 .843 87.838
16 .442 .790 88.627
17 .408 .729 89.356
18 .393 .702 90.058
19 .390 .697 90.756
20 .361 .644 91.400
21 .329 .588 91.988
22 .294 .525 92.513
23 .276 .493 93.006
24 .255 .455 93.461
25 .248 .443 93.904
26 .237 .423 94.327
27 .227 .406 94.733
28 .195 .349 95.082
29 .188 .336 95.418
30 .178 .318 95.736
31 .172 .307 96.043
32 .155 .277 96.320
33 .150 .268 96.587
34 .146 .260 96.848
35 .140 .251 97.098
36 .134 .239 97.337
37 .131 .234 97.571
38 .126 .226 97.797
39 .116 .207 98.004
40 .108 .194 98.197
41 .100 .178 98.376
42 .099 .177 98.552
43 .095 .169 98.721
44 .089 .159 98.880
45 .082 .146 99.026
46 .076 .135 99.161
47 .069 .123 99.284
48 .059 .105 99.389
49 .057 .101 99.490
50 .053 .095 99.585
51 .050 .090 99.674
52 .041 .074 99.748
53 .040 .071 99.819
54 .038 .068 99.888
55 .034 .061 99.949
56 .029 .051 100.000
Extraction Method: Maximum Likelihood
การแปรความหมาย: มีทั้งหมด 56 ปัจจัย และอธิบายได้ 74.724%
การแปรความหมาย: มีทั้งหมด 7 ปัจจัย ปัจจัยตัวที่ 1 ประกอบด้วย Computer Abuse Prevention, ……
(บาง Items ไม่โชว์ value คือค่าต่ำกว่า 0.5 (ตามที่ set ไว้ใน Option) ให้ตัดทิ้ง และต้องทำการตั้งชื่อปัจจัยทั้ง 7 ใหม่)
Note:
EFA is not needed when the construct is conceptualized according to the theoretical concepts of measurement theory. หมายถึง
ถ้ายังไม่ได้จัดกลุ่มตัวแปร ก็ใช้ EFA ช่วยในการจัดกลุ่มได้ แต่ตัวแปรจะอยู่กลุ่มใหม่ ต้องทำ Literature Review ใหม่มาเพื่อสนับสนุนการจัดกลุ่ม
ถ้าจัดกลุ่มมาแล้ว ก็ไม่ต้องทำ EFA แต่อาจจะต้องใช้การทำ Item Parceling เพื่อหารค่า Mean รวมของตัวแปรบางตัวที่มีข้อคำถามหลายข้อ
Item Parceling
Regression
วิเคราะห์ตัวแปรต้นมีผลต่อตัวแปรตามอย่างไร
ตัวแปรต้น (Independent) กี่ตัวก็ได้
ตัวแปรตาม (Dependent) ได้ทีละตัว
การแปรความหมาย: ตัวแปรต้นทั้งหมดสามารถอธิบายการเกิดตัวแปรตามได้ 48.8%
ดูช่อง Sig ที่ต่ำกว่า 0.05 (significant) แล้ว report ค่า Beta ด้วย
Correlation
ศึกษาความสัมพันธ์ของปัจจัย
ตัวแปรต้น ตัวแปรตาม มีกี่ตัวก็ได้
ความสัมพันธ์ของตัวแปร (Pearson Correlation) ควรจะมีมาก แต่ไม่ควรจะสูงเกิน 0.9 เพราะอาจจะหมายความว่าเป็นตัวเดียวกัน
โมเดลสมการโครงสร้าง (Structural Equation Model: SEM)
SEM เป็นเทคนิคการวิเคราะห์ และตรวจสอบโครงสร้างความสัมพันธ์ของตัวแปรหลายๆ ตัว ทั้งตัวแปรสังเกตได้ (Observed Variable) และตัวแปรแฝง (Latent or Unobserved Variable) SEM เป็นเทคนิคที่นำเอาโมเดลทางสถิติหลายโมเดลที่สามารถใช้อธิบายความสัมพันธ์ของตัวแปรหลาย ๆ ตัวได้ในเวลาเดียวกัน มาทำงานร่วมกันเพื่อทำการวิเคราะห์ข้อมูล ซึ่งการนำ SEM มาวิเคราะห์โครงสร้างความสัมพันธ์ หรือ การศึกษาความแปรปรวนร่วม (Covariance) ระหว่างตัวแปร ทำให้มีการเรียก SEM ในชื่ออื่นๆ ด้วย เช่น Covariance Structure Analysis และ Covariance Structure Modeling หรือบางกรณีมีการใช้ SEM ในรูปแบบการศึกษาความสัมพันธ์เชิงเส้น ก็จะเรียกว่า โมเดลความสัมพันธ์โครงสร้างเชิงเส้น (Linear Relationship Model หรือ LISREL Model)
ประเภทของตัวแปรที่ใช้ใน SEM
แบ่งตามที่มาของตัวแปร
ตัวแปรสังเกตได้ (Observed Variable) หรือ ตัวแปรบ่งชี้ (Indicator Variable) หรือ ตัวแปรวัด (Measurement Variable) หรือ Manifest Variable หรือ Reference Variable เป็นตัวแปรที่ผู้วิจัยสามารถเก็บ หรือวัดได้โดยตรง เช่น คำถามในแบบสอบถาม และนำมาสร้างเป็นตัวแปร และจะใช้สัญลักษณ์ "สี่เหลี่ยม" ในโมเดล
ตัวแปรแฝง หรือปัจจัยแฝง (Latent Variable หรือ Unobserved Variable หรือ Constructed Variable หรือ Factor Variable) เป็นตัวแปรที่ผู้วิจัยไม่สามารถเก็บ หรือวัดได้โดยตรง ต้องนำตัวแปรสังเกตได้มาเป็นตัวบ่งชี้ หรือ ตัวแปรแฝงเป็นตัวแทนของตัวแปรสังเกตได้หลายๆ ตัว เช่น การวัดพฤติกรรม หรือประสิทธิภาพในการนอน ซึ่งไม่อาจถามได้โดยตรงว่า "คุณนอนหลับลึกไหม" จึงจำเป็นต้องถามคำถามหลายๆ ข้อเพื่อวัดว่าผู้ตอบนอนหลับลึกหรือไม่ โดยคำตอบที่ได้ จะถือว่าเป็นตัวแปรสังเกตได้ ตัวแปรแฝง จะใช้สัญลักษณ์ "วงกลม หรือวงรี" ในโมเดล
*ตัว e ในโมเดล หมายถึง ความคลาดเคลื่อนของตัวแปรสังเกตได้ เนื่องจากไม่สามารถวัดตัวแปรดังกล่าวได้ครบ 100%
แบ่งตามสถานะของตัวแปร
ตัวแปรภายนอก (Exogeneous Variable) เป็นตัวแปรแฝง หรือตัวแปรอิสระ เนื่องจากไม่มีตัวแปรตันเหตุที่มีอิทธิพลต่อตัวแปรเอง ถึงแม้ว่าจะมีความสัมพันธ์กับตัวแปรอื่นๆ ในโมเดล
ตัวแปรภายใน (Endogeneous Variable) เป็นตัวแปรแฝงที่สามารถเป็นได้ทั้งตัวแปรคั่นกลาง (Mediating Variable) และตัวแปรตาม (Dependent Variable)
*ตัวแปรคั่นกลาง (Mediating Variable) อาจจะเป็นได้ทั้ง ตัวแปรอิสระ หรือตัวแปรตาม
ส่วนประกอบของ SEM
โมเดลการวัด (Measurement Model) คือโมเดลที่ผู้วิจัยต้องการยืนยันว่า "ตัวแปรสังเกตได้หลายๆ ตัวแปร สามารถเป็นตัวบ่งชี้ของตัวแปรแฝงตัวนัันหรือไม่" ในโมเดลการวัดจะใช้เทคนิค การวิเคราะห์ปัจจัยเชิงยืนยัน (Confirmatory Factor Analysis: CFA)
โมเดลโครงสร้าง (Structural Model) เป็นโมเดลการหาสาเหตุโดยการใช้หลักการวิเคราะห์ความถดถอย ทั้งในรูปแบบเชิงเส้น หรือเชิงซ้อน
Confirmatory Factor Analysis (CFA)
เรามีปัจจัยตั้งต้นที่ประกอบด้วย Items อะไรบ้างอยู่แล้ว
Steps การทำ SEM
4-Step Modeling
Convergent Validity (การทดสอบความกลมกลืน ใช้ CFA ในการพิสูจน์ คือตัวแปรที่เราเอามาใช้สามารถวัดปัจจัยนั้นๆ ได้หรือไม่)
Discriminant Validity
Measurement Validity
Structural Validity
ในขณะที่การทำแบบ 2-Step Modeling จะทำขั้นที่ 1 และ 4 เท่านั้น
ข้อเสีย คือจะไม่มีการตัดปัญหาที่เกิดขึ้นในอนาคต เช่น Content Similarity และ Structure Similarity
การวาด Latent Variable
คลิป 1: การวาดแบบปกติ
คลิป 2: มีการกำหนด Constraint เนื่องจาก Degree of Freedom เป็น 0 (ผลจากการ Drop Variables)
*ถ้าทำผิดอย่าลบ ให้สร้างใหม่
*ก่อนใช้คำสั่งอื่น uncheck คำสั่งเดิมก่อน
การ Move
Latent ใช้ตัวพิมพ์ใหญ่ Double click แล้วพิมพ์
เพื่อหลีกเลี่ยงกรณีที่ตัวแปรแรกอาจจะถูกตัดออก ให้ทำการย้าย Contraint (เลข 1) ไปที่ Latent แทน
ให้คลิกที่ลูกศร แล้วลบค่า Variation ออก
ให้คลิกที่ Latent แล้วใส่ค่า 1 ในส่วนของ Parameter
การใส่ค่า Error
การ Link Data
เลือก แล้วลากมาวาง
Analyze properties
ในกรณีที่เชื่อม error ตามคำแนะนำแล้วยังคงไม่ significant ให้เปลี่ยนค่าThreshold เป็น 1
Calculate Estimate
ค่ามากกว่า 1.0 เพราะเลือกเป็น Unstandard estimates
ต้องเลือก Standard estimates
เมื่อเลือกเป็น Standard estimates
ค่า Factor Loading
ควรจะทำการ Drop ตัวที่ค่า Factor Loading ต่ำกว่า 0.7 ออกไป (Hair et al.)
Sample moment = 10
Parameters = 8
Probability = 0.01 (ใน AMOS ค่าของ Model ต้องมีค่ามากกว่า 0.05 ถึงจะ Significant)
ถ้าไม่ผ่าน ให้ทำขั้นตอน
1. ดูที่ Estimates ก่อน (ค่า p-value ของแต่ละเส้นต้องน้อยกว่าหรือเท่ากับ 0.05)
2. ให้กดที่ Modification Indices
3. ให้ทำตามแนะนำในการเชื่อม error ในกรณีมีหลายคำแนะนำ ให้ดูที่ค่า M.I. ที่สูง
ดูค่า P ของแต่ละเส้น *** คือ 0.000 คือน้อยกว่า 0.05 แก้ได้ (ถ้าสูงกว่าลากเพิ่มไม่ได้ต้องตัดทิ้ง)
ให้กดที่ Modification Indices
· คำแนะนำ ให้ลาก e3 กับ e4
ในกรณีมีหลายคำแนะนำ ให้ดูที่ค่า M.I. ที่สูง
กดลูกศรลง และเลือกที่ Draw covariances
หมายเหตุ
เมื่อลาก ตาม M.I. แล้วต้องตรวจสอบค่า P-value ของเส้นที่ลากด้วย ถ้าต่ำกว่า 0.05 เส้นนั้นห้ามลาก
Model Fit
เลือก Plugins -> Standard RMR -> Calculate estimates
View Text
นำไปอภิปรายผล
Construct Validity STEP 2: Discriminant Validity
Compare Latent Variables
ทำการเปรียบเทียบทุก Latent Variables ต้อง hold discriminant คือมีความแตกต่างกัน
ค่าที่ได้ต้องไม่เกิน 0.85 (ถ้าเกินจะถือว่าเป็นตัวเดียวกัน)
เพราะฉะนั้นต้องระวังเรื่อง Similarity (Content + Structure)
ขั้นตอนการทำ
กำหนด Criteria ในการทำก่อน เช่น ตัดค่า Factor Loading ที่ต่ำกว่า 0.7 ออก ก่อนการทำ CFA
วิเคราะห์ตัวแปรแต่ละชุด ดูค่า p-value ของ Model (ต้องมากกว่า 0.05)
ถ้ามีการ drop ตัวแปร ต้องระวังเรื่อง Degree of Freedom (เลือกใส่ "1" หรือ "a")
ถ้าค่า p-value ไม่ได้ ต้องทำการ Modify
ลากเส้นตาม M.I.
ทำ Discriminant Validity
นำ Model ที่ต้องการทำ มาวางไว้ใน file เดียวกัน (ไม่ต้องลาก M.I)
ทำซ้ำขั้นตอน CFA
การลาก Discriminant Validity
ค่าต้องไม่เกิน 0.85
Step3: Measurement Validity
หรือ Nomological Validity
Step4: Structural Validity
อย่าลืมนำ weight 1 ออกจาก r และ ไม่ต้องใส่ 1 ให้กับ Latent Variables
Comments