การสร้างโมเดลสมการโครงสร้าง (Structural Equation Modeling: SEM)

การสร้างโมเดลสมการโครงสร้าง (Structural Equation Modeling: SEM)

รูปที่1

เป็นเทคนิคทางสถิติเทคนิคหนึ่งที่ใช้ในการทดสอบ (testing) และประมาณค่า (estimate) ความสัมพันธ์เชิงเหตผุล (causal relationships)

การสร้างโมเดลสมการโครงสร้างมีวัตุประสงค์ได้ทั้งเพื่อการทดสอบทฤษฎี (theory testing) หรือเพื่อสร้างทฤษฎี (theory building)

- กรณีการทดสอบทฤษฎี (theory testing) สร้างโมเดลด้วยวิธีการเชิงอนุมาน (deductive) หรือการวิจัยเชิงปริมาณ (quantitative research) เริ่มต้นจากการศึกษาทฤษฎีและงานวิจัยเพื่อกําหนดโมเดลสมมติฐานที่แสดงเป็นโมเดลความสัมพันธ์เชิงสาเหตุ (causalmodel) ที่จะได้รับการทดสอบจากข้อมูลที่รวบรวมได้ว่ามีความสอดคล้อง (fit) กันหรือไม่ โดยใช้การวิเคราะห์องค์ประกอบเชิงยืนยัน (confirmatory factor analysis)

- กรณีการสร้างทฤษฎี (theory building) สร้างโมเดลด้วยวิธีการเชิงอุปมาน (inductive) หรือการวิจัยเชิงคุณภาพ (qualitative research) แล้วใช้ข้อมูลประมาณค่าของพารามิเตอร์อิสระ (freeparameters) ซึ่งบ่อยครั้งที่สมมติฐานเบื้องต้นอาจมีการปรับโมเดล ในกรณีเช่นนี้ใช้การวิเคราะห์องค์ประกอบเชิงสํารวจ (exploratory factor analysis)

องค์ประกอบที่สําคัญของโมเดลสมการโครงสร้าง คือ ความสัมพันธ์เชิงสาเหตุ โมเดลสมการโครงสร้าง (structural equation model) ซึ่งแสดงถึงความสัมพันธ์เชิงสาเหตุ (causal relationship) ระหว่างตัวแปรภายนอกและตัวแปรภายใน (หรือระหว่างตัวแปรแฝง) ซึ่งอาจเป็นแบบทางเดียวและแบบเส้นเชิงบวก (recursive and linear additive) หรือแบบสองทางและแบบเส้นเชิงบวก (non- recursive and linear additive) และโมเดลการวัด (measurement model) ซึ่งแสดงถึงความสัมพันธ์ระหว่างตัวแปรแฝงกับตัวแปรสังเกตได้

การยืนยันหรือการทดสอบว่าโมเดลที่สร้างขึ้นมีความสอดคล้องกับข้อมูลเชิงประจักษ์หรือไม่นั้น มีสถิติวัดความสอดคล้อง ดังนี้ เช่น

1) ค่าไค-สแควร์ (chi-square) ที่ไม่มีนัยสําคัญ คือค่า p-value สูงกว่า 0.05

2) ค่าสัดส่วนไค-สแควร์/df มีค่าไม่ควรเกิน 2.00

3) ค่า goodness of fit index: GFI, adjusted goodness of fit index:AGFI, comparative fit index: CFI มีค่าตั้งแต่ 0.90 – 1.00

4) ค่า standardized root mean squared residual: standardized RMR, root mean square of error approximation: RMSEA มีค่าต่ำกว่า 0.05

5) ค่า critical n: CN มีค่าเท่ากับ หรือมากกว่า 200 ของกลุ่มตัวอย่าง

6) ค่า largest standardized residual มีค่า -2 ถึง 2

การวิเคราะห์โมเดลสมการโครงสร้าง (Structural Equation Model: SEM) พัฒนาโดย Karl G. Joreskogเมื่อ ปี ค.ศ. 1960 เป็นโมเดลที่บูรณาการ โมเดลการวัดตามหลักการวิเคราะห์องค์ประกอบและโมเดลโครงสร้างตามหลักการวิเคราะห์เส้นทาง กับวิธีการประมาณค่าพารามิเตอร์ตามหลักวิชาเศรษฐมิติ กล่าวได้ว่า การวิเคราะห์โมเดลสมการโครงสร้าง เป็นสถิติวิเคราะห์ขั้นสูงที่ได้รับการพัฒนาใหม่ แต่ยังคงมีหลักการพื้นฐานทางสถิติแบบเดิม ( Kuhnel, 2001 อ้างถึงในนงลักษณ์วิรัชชยั, 2548)

สรุปว่า “ การเรียนรู้เรื่องการวิเคราะห์โมเดลสมการโครงสร้างไม่เพียงแต่จะช่วยให้ผู้เรียนสามารถวิเคราะห์ข้อมลูที่มีตัวแปรจํานวนมากในการวิจัยที่มีพื้นฐานทางทฤษฎีรองรับเท่านั้น แต่การเรียนรู้เรื่องการวิเคราะห์โมเดลสมการโครงสร้างยังจะเป็นประโยชน์ช่วยให้ผู้เรียนเรียนรู้หลักการพื้นฐานของสถิติวิเคราะห์ทั้งหมดและมีประสบการณ์ตรงในการทําความเข้าใจบทบาทของสถิติวิเคราะห์ต่อการวิจัยด้วย ”

สถิตวิเคราะห์ SEM ยังมีศักยภาพสามารถวิเคราะห์โมเดลความสัมพันธ์เชิงสาเหตพุหุระดับ (multi-levelcausal model) โมเดลการวิเคราะห์องค์ประกอบระยะยาว (longitudinal factor analysis model) โมเดลกลุ่มพหุ (multiple population model) โมเดลโค้งพัฒนาการแบบมีตัวแปรแฝง (latent growth curve model) และโมเดลอื่น ๆ อีกมาก (Joreskog and Sorbom , 1996 อ้างถึงใน นงลักษณ์ วิรัชชัย, 2548) รวมทั้งสามารถวิเคราะห์โมเดล SEM ที่ความสัมพันธ์ระหว่างตัวแปรไม่เป็นแบบเส้นตรงได้อีกหลายโมเดล (Joreskog, et al, 1999 อ้างถึงใน นงลักษณ์ วิรัชชัย, 2548)

สถิติวิเคราะห์ SEM เป็นสถิติวิเคราะห์ที่เหมาะสมกบังานวิจัยทางสังคมศาสตร์และพฤติกรรมศาสตร์ในยุคสังคมความรู้ด้วยเหตผุลโดยสรุปดังนี้ (นงลักษณ์ วิรัชชัย, 2548)

  • มีศักยภาพสามารถวิเคราะห์ข้อมูลได้กว้างขวาง เพราะมีหลักการวิเคราะห์ที่สามารถวิเคราะห์ข้อมูลได้ เช่นเดียวกบัสถิติวิเคราะห์ทีง่ายทีสดุเช่นt-testไปจนถึงสถิติขนัสงูทีซบัซ้อนดงักล่าวแล้วข้างต้น
  • สามารถใช้สถิติวิเคราะห์เป็นภาพรวมได้ตามโมเดลการวิจัยและมีสถิติทดสอบความตรงของโมเดลการวิจัย
  • การผ่อนคลายข้อตกลงเบื้องต้นทางสถิติ ปกติสถิติวิเคราะห์ถ้ายิ่งเป็นสถิติขั้นสูงจะยิ่งมีข้อตกลงเบื้องต้นทางสถิติมากขึ้น แต่สถิติวิเคราะห์ SEM กลับมีข้อตกลงเบื้องต้นทางสถิติน้อยลง การทีสถิติวิเคราะห์ SEM นําเทอมความคลาดเคลื่อนมาวิเคราะห์ด้วยทําให้สามารถวิเคราะห์ข้อมูลกรณีที่เทอมความคลาดเคลือนสัมพันธ์กันได้ตัวแปรในโมเดลการวิจัยมีความคลาดเคลื่อนในการวัดได้หรือโมเดลการวิจัยมีตัวแปรแฝงได้ตัวแปรทํานายอาจมีความสัมพันธ์กันได้ โมเดลการวิเคราะห์ไม่จําเป็นต้องเป็นโมเดลอิทธิพลแบบบวกและมีอิทธิพลทางเดียวอาจเป็นโมเดลแบบคูณและมีอิทธิพลย้อนกลับได้ นอกจากนี้ยังสามารถวิเคราะห์กรณีตัวแปรหลายตัวในโมเดลการวิจัย มีระดับการวัดแบบนามบัญญัติ หรือแบบเรียงอันดับได้ด้วย
  • ในการวิจยัเชิงทดลองเมื่อตัวแปรตามสร้างขึ้นตามโมเดลการวัดและตวัแปรตามอยู่ในรูปของตัวแปรแฝง การวิเคราะห์ด้วยสถิติวิเคราะห์ SEM จะให้ผลการวิเคราะห์ถูกต้องมากกว่าการวิเคราะห์ด้วย ANOVA, MANOVA แบบเดิม

แสดงความคิดเห็น

*

  • เข้าสู่ระบบ