การวิจัยเชิงอธิบาย — การออกแบบการวิจัยเชิงอธิบาย
- ผู้เสนอ
- Formalized by Earl Babbie and Fred Kerlinger among others
- ปี
- 1960s–1980s (codified in behavioral and social science methodology)
- ประเภท
- Non-experimental quantitative research design
- กลุ่มวิธี
- Survey / observational design
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิจัยเชิงอธิบาย (Explanatory research) เป็นการออกแบบการวิจัยเชิงปริมาณที่ไม่ใช่การทดลอง ซึ่งก้าวข้ามการบรรยายปรากฏการณ์ไปสู่การระบุสาเหตุของการเกิดปรากฏการณ์นั้น โดยตรวจสอบความสัมพันธ์หรือกลไกที่อธิบายรูปแบบที่สังเกตได้ การวิจัยนี้มีรากฐานมาจากระเบียบวิธีวิจัยทางสังคมศาสตร์เชิงบวก (positivist social science methodology) โดยใช้สมมติฐานที่ขับเคลื่อนด้วยทฤษฎีและการวิเคราะห์ทางสถิติเพื่อทดสอบว่าตัวแปรเฉพาะสามารถอธิบายความแปรปรวนของผลลัพธ์ได้หรือไม่ โดยไม่จำเป็นต้องทำการปรับเปลี่ยนตัวแปรเหล่านั้น
แนวคิดเบื้องหลังวิธีการ
หากการวิจัยเชิงพรรณนา (descriptive research) ตอบคำถามว่า 'เกิดอะไรขึ้น?' และการวิจัยเชิงสำรวจ (exploratory research) ถามว่า 'อาจเกิดอะไรขึ้นได้บ้าง?' การวิจัยเชิงอธิบายจะถามว่า 'เหตุใดจึงเกิดสิ่งนี้ขึ้น?' ลองจินตนาการว่าคุณได้สร้างข้อสรุปแล้วว่าแรงจูงใจของนักเรียนและผลสัมฤทธิ์ทางการเรียนมีความสัมพันธ์กัน การวิจัยเชิงอธิบายจะก้าวไปไกลกว่านั้น โดยตั้งสมมติฐานที่อิงทฤษฎีแรงจูงใจ รวบรวมข้อมูลเกี่ยวกับตัวแปรที่เสนอให้เป็นตัวอธิบาย (เช่น ความเชื่อมั่นในตนเอง, การมุ่งเน้นเป้าหมาย, การสนับสนุนจากผู้ปกครอง) และทดสอบทางสถิติว่าตัวแปรเหล่านั้นสามารถอธิบายความแตกต่างของผลสัมฤทธิ์ได้หรือไม่ จุดมุ่งหมายคือการสร้างหรือตรวจสอบคำอธิบาย ซึ่งเป็นบัญชีเชิงสาเหตุหรือเชิงความสัมพันธ์ ไม่ใช่เพียงแค่การบรรยาย
ประวัติศาสตร์
การแบ่งแยกระหว่างวัตถุประสงค์การวิจัยเชิงพรรณนา เชิงสำรวจ และเชิงอธิบาย ได้รับการทำให้เป็นระบบในตำราเรียนระเบียบวิธีวิจัยทางสังคมศาสตร์ในช่วงทศวรรษ 1960 ถึง 1980 โดยเฉพาะอย่างยิ่งในหนังสือ Foundations of Behavioral Research ของ Fred Kerlinger (1964, ฉบับปรับปรุง 1986) และ The Practice of Social Research ของ Earl Babbie (ฉบับแรก 1975) ผลงานเหล่านี้ได้กำหนดให้การวิจัยเชิงอธิบายเป็นระดับที่สามและมีความทะเยอทะยานที่สุดของการสืบค้นทางวิทยาศาสตร์ — รองจากการบรรยายและการสำรวจ — ซึ่งผู้วิจัยทำการทดสอบคำอธิบายเชิงทฤษฎีเกี่ยวกับสาเหตุที่รูปแบบต่างๆ เกิดขึ้น กรอบงานนี้ได้รับการยอมรับอย่างกว้างขวางในสาขา สังคมวิทยา จิตวิทยา การศึกษา และการวิจัยการจัดการ และยังคงเป็นหัวใจสำคัญของหลักสูตรวิธีการวิจัยระดับบัณฑิตศึกษา
ควรใช้เมื่อใด
ใช้การวิจัยเชิงอธิบายเมื่อมีข้อมูลพื้นฐานเชิงพรรณนาอยู่แล้ว และเป้าหมายคือการทำความเข้าใจว่าเหตุใดหรืออย่างไรรูปแบบที่สังเกตได้จึงเกิดขึ้น โดยทดสอบคำอธิบายเชิงทฤษฎีที่เฉพาะเจาะจง แทนที่จะเพียงแค่บันทึกรูปแบบเหล่านั้น เหมาะสำหรับสถานการณ์ที่การทดลองแบบสุ่ม (randomized experiments) ไม่สามารถปฏิบัติได้จริงหรือผิดจริยธรรม และเมื่อการควบคุมทางสถิติสามารถทดแทนการปรับเปลี่ยนโดยการทดลองได้ เหมาะสมเมื่อขนาดกลุ่มตัวอย่างมีขนาดใหญ่พอสำหรับการวิเคราะห์หลายตัวแปร (multivariate analysis) และเมื่อมีมาตรวัดที่ผ่านการตรวจสอบความตรงของโครงสร้างเชิงอธิบาย (explanatory constructs) ที่พร้อมใช้งาน อย่าใช้การวิจัยเชิงอธิบายเมื่อปรากฏการณ์นั้นยังไม่เป็นที่เข้าใจดีพอจนไม่มีทฤษฎีที่น่าเชื่อถืออยู่เลย (ให้ใช้การวิจัยเชิงสำรวจแทน) เมื่อขนาดกลุ่มตัวอย่างเล็กเกินไปสำหรับแบบจำลองทางสถิติที่ตั้งใจไว้ หรือเมื่อคำถามวิจัยต้องการหลักฐานเชิงสาเหตุที่การทดลองที่ควบคุมได้เท่านั้นที่สามารถให้ได้
ข้อจำกัดและข้อควรพิจารณา
- หากไม่มีการสุ่มจัดกลุ่ม (random assignment) การวิจัยนี้ไม่สามารถสร้างข้อสรุปเชิงสาเหตุได้อย่างเด็ดขาด — ความสัมพันธ์ (correlation) และการควบคุมทางสถิติ (statistical control) ไม่สามารถทดแทนการทดลองได้
- การออกแบบภาคตัดขวาง (Cross-sectional designs) ไม่สามารถตัดความเป็นไปได้ของการเกิดสาเหตุย้อนกลับ (reverse causation) หรือสร้างลำดับเวลาของตัวแปรที่จำเป็นสำหรับการอนุมานเชิงสาเหตุได้
- พลังการอธิบายขึ้นอยู่กับคุณภาพของกรอบทฤษฎีอย่างสมบูรณ์ — แบบจำลองที่ระบุผิดพลาด (misspecified model) จะให้ผลลัพธ์ที่ทำให้เข้าใจผิดได้ แม้ว่าข้อมูลจะถูกต้องก็ตาม
- ความคลาดเคลื่อนในการวัด (Measurement error) ในตัวแปรอธิบายจะทำให้ค่าสัมประสิทธิ์การถดถอยอ่อนลง และอาจนำไปสู่การประเมินความสัมพันธ์ที่แท้จริงต่ำเกินไป
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ยกระดับการสืบค้นให้ก้าวข้ามการบรรยายไปสู่การทดสอบคำอธิบายที่ได้มาจากทฤษฎีเกี่ยวกับสาเหตุที่ปรากฏการณ์เกิดขึ้น
- สามารถนำไปใช้ในบริบทที่การปรับเปลี่ยนโดยการทดลองนั้นไม่สามารถปฏิบัติได้จริง ผิดจริยธรรม หรือเป็นไปไม่ได้
- การควบคุมทางสถิติแบบหลายตัวแปร (Multivariate statistical controls) ช่วยให้สามารถตรวจสอบตัวแปรอธิบายหลายตัวพร้อมกันได้ ในขณะที่ตัวแปรอื่น ๆ ถูกคงไว้
- เข้ากันได้กับกลุ่มตัวอย่างขนาดใหญ่และเป็นตัวแทน ทำให้สามารถสรุปผลการอธิบายไปยังประชากรที่กำหนดได้
- เป็นการสะสมความรู้: ผลการวิจัยสามารถบูรณาการข้ามการศึกษาผ่านการวิเคราะห์อภิมาน (meta-analysis) เพื่อสร้างแบบจำลองอธิบายที่แข็งแกร่งขึ้น
การประยุกต์ใช้
- ทดสอบว่าความเชื่อมั่นในตนเอง คุณค่าของงาน และการสนับสนุนจากผู้ปกครอง ร่วมกันอธิบายความแปรปรวนในผลสัมฤทธิ์ทางการเรียนของนักเรียน หลังจากควบคุมผลสัมฤทธิ์ก่อนหน้าแล้วหรือไม่
- ตรวจสอบว่าปัจจัยองค์กรใด (รูปแบบความเป็นผู้นำ, บรรยากาศการสื่อสาร, ความชัดเจนในบทบาท) ที่อธิบายความแตกต่างของอัตราการหมดไฟของพนักงานในแต่ละแผนก
- สืบค้นว่าเหตุใดบางละแวกจึงมีอัตราโรคเรื้อรังสูง โดยการทดสอบตัวแปรอธิบาย เช่น การเข้าถึงอาหาร คุณภาพอากาศ และความขาดแคลนทางเศรษฐกิจและสังคม
- ประเมินคำอธิบายเชิงทฤษฎีที่แข่งขันกันเกี่ยวกับอัตราการออกมาใช้สิทธิเลือกตั้ง โดยการทดสอบตัวทำนายทางประชากรศาสตร์ ทัศนคติ และโครงสร้าง ในชุดข้อมูลสำรวจระดับชาติ
- วิเคราะห์เส้นทางที่ความเข้มข้นของการฝึกซ้อม การปฏิบัติเพื่อการฟื้นฟู และความพร้อมทางจิตใจ อธิบายความแปรปรวนของผลการปฏิบัติงานในหมู่นักกีฬาระดับแข่งขัน
วิธีการทำงาน
วิธีการทำงาน
ผู้วิจัยระบุปรากฏการณ์ที่ต้องการคำอธิบาย และสร้างสมมติฐานที่เฉพาะเจาะจงและอิงทฤษฎีเกี่ยวกับสาเหตุของการเกิดปรากฏการณ์นั้น สมมติฐานเหล่านี้ระบุว่าตัวแปรอิสระใดที่คาดว่าจะอธิบายความแปรปรวนในตัวแปรตาม และในทิศทางใด โดยอ้างอิงจากวรรณกรรมก่อนหน้าหรือกรอบทฤษฎีที่จัดตั้งขึ้น
เลือกการออกแบบการวิจัยที่ช่วยให้สามารถทดสอบสมมติฐานได้พร้อมการควบคุมที่เหมาะสม แบบสำรวจภาคตัดขวาง (cross-sectional surveys) ชุดข้อมูลทุติยภูมิ หรือบันทึกจากเอกสาร (archival records) เป็นสิ่งที่พบได้ทั่วไป เนื่องจากโดยทั่วไปการวิจัยเชิงอธิบายไม่ใช่การทดลอง ผู้วิจัยจึงใช้การควบคุมทางสถิติ (เช่น การวิเคราะห์การถดถอย, ANCOVA, การวิเคราะห์เส้นทาง) เพื่อแยกส่วนการอธิบายของตัวแปรแต่ละตัวออกจากการสุ่มผู้เข้าร่วมเข้าสู่เงื่อนไขต่างๆ
รวบรวมข้อมูลจากกลุ่มตัวอย่างที่มีขนาดใหญ่พอที่จะตรวจจับขนาดอิทธิพลที่คาดหวังและสนับสนุนเทคนิคทางสถิติที่วางแผนไว้ เครื่องมือที่เป็นมาตรฐาน (standardized instruments) มาตรวัดที่ผ่านการตรวจสอบความตรง (validated scales) หรือบันทึกทางการบริหาร (administrative records) จะเป็นที่นิยมเพื่อเพิ่มความน่าเชื่อถือของการวัดให้สูงสุด ความเป็นตัวแทนของกลุ่มตัวอย่างมีความสำคัญ เนื่องจากเป้าหมายคือการสรุปผลการอธิบายให้ครอบคลุมเกินกว่ากลุ่มตัวอย่าง
ใช้วิธีการทางสถิติเชิงอนุมาน (inferential statistical methods) เช่น การวิเคราะห์การถดถอย (regression analysis), การสร้างแบบจำลองสมการโครงสร้าง (structural equation modeling), การวิเคราะห์ความแปรปรวน (analysis of variance) หรือการวิเคราะห์การถ่ายทอด/การปรับเปลี่ยน (mediation/moderation analysis) เพื่อทดสอบว่าตัวแปรอธิบายที่ตั้งสมมติฐานไว้สามารถอธิบายความแปรปรวนที่มีนัยสำคัญในตัวแปรตามได้หรือไม่ มีการรายงานค่าสถิติความเหมาะสมของแบบจำลอง (goodness-of-fit statistics), ขนาดอิทธิพล (effect sizes) และช่วงความเชื่อมั่น (confidence intervals) ควบคู่ไปกับการทดสอบนัยสำคัญ
ตีความผลลัพธ์โดยพิจารณาจากกรอบทฤษฎีเดิม ผู้วิจัยประเมินว่าหลักฐานสนับสนุน สนับสนุนบางส่วน หรือปฏิเสธสมมติฐานแต่ละข้อหรือไม่ อภิปรายคำอธิบายทางเลือก ยอมรับข้อจำกัดของการอนุมานจากข้อมูลภาคตัดขวางหรือไม่ใช่การทดลอง และจัดวางผลการวิจัยให้อยู่ในบริบทของวรรณกรรมที่กว้างขึ้น
ข้อผิดพลาดที่พบบ่อย
- การอ้างเหตุผลเชิงสาเหตุจากหลักฐานเชิงสหสัมพันธ์ — การวิจัยเชิงอธิบายสามารถสนับสนุนการตีความเชิงสาเหตุได้ แต่ไม่สามารถพิสูจน์ได้หากไม่มีการออกแบบการทดลองหรือข้อมูลตามยาว (longitudinal data) ที่มีลำดับเวลาที่เหมาะสม
- การละเลยตัวแปรที่เกี่ยวข้อง — ตัวแปรแทรกซ้อน (confounding variables) ที่ถูกละเลยออกจากแบบจำลองจะทำให้ส่วนการอธิบายที่ปรากฏของตัวแปรที่รวมอยู่ในแบบจำลองเพิ่มขึ้นหรือลดลง นำไปสู่การประมาณค่าที่เอนเอียง (biased estimates)
- กลุ่มตัวอย่างที่มีอำนาจไม่เพียงพอ (Underpowered samples) — การวิเคราะห์การถดถอยและ SEM ต้องการขนาดกลุ่มตัวอย่างที่เพียงพอเมื่อเทียบกับจำนวนตัวทำนาย (predictors) มีกฎทั่วไปแนะนำให้มีกรณี (cases) อย่างน้อย 10–20 ต่อตัวทำนายสำหรับการวิเคราะห์การถดถอย
- การปฏิบัติต่อความสำคัญทางสถิติ (statistical significance) เสมือนกับความสำคัญเชิงอธิบาย — กลุ่มตัวอย่างขนาดใหญ่อาจให้ผลที่มีนัยสำคัญแต่มีขนาดเล็กน้อย (trivially small effects) ควรรายงานและตีความขนาดอิทธิพลเสมอ
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างการวิจัยเชิงอธิบายและการวิจัยเชิงยืนยัน (confirmatory research)?
คำทั้งสองมีความเกี่ยวข้องกันอย่างใกล้ชิด แต่มีความเน้นที่แตกต่างกัน การวิจัยเชิงอธิบายมุ่งเน้นไปที่เป้าหมาย — การทำความเข้าใจว่าเหตุใดปรากฏการณ์จึงเกิดขึ้น — และครอบคลุมการออกแบบที่หลากหลาย ตั้งแต่การสำรวจที่ใช้การถดถอยไปจนถึงแบบจำลองเส้นทาง การวิจัยเชิงยืนยันเน้นเฉพาะการทดสอบสมมติฐานที่ลงทะเบียนไว้ล่วงหน้า (pre-registered hypothesis testing) ซึ่งสมมติฐาน ขนาดกลุ่มตัวอย่าง และแผนการวิเคราะห์ที่แน่นอนจะถูกระบุไว้ก่อนการรวบรวมข้อมูล ตามหลักการยืนยันสมมติฐานอย่างเข้มงวด การวิจัยเชิงยืนยันทั้งหมดมีเจตนาเชิงอธิบาย แต่ไม่ใช่การวิจัยเชิงอธิบายทั้งหมดที่จะเป็นไปตามมาตรฐานระเบียบวิธีที่เข้มงวดของการวิจัยเชิงยืนยัน
การวิจัยเชิงอธิบายสามารถสร้างข้อสรุปเชิงสาเหตุได้หรือไม่?
การวิจัยเชิงอธิบายที่ไม่ใช่การทดลองสามารถให้หลักฐานที่แข็งแกร่งซึ่งสอดคล้องกับการตีความเชิงสาเหตุได้ โดยเฉพาะอย่างยิ่งเมื่อรวมกับข้อมูลตามยาว ตัวแปรเครื่องมือ (instrumental variables) หรือการควบคุมทางสถิติที่เข้มงวด แต่ไม่สามารถสร้างข้อสรุปเชิงสาเหตุได้อย่างเด็ดขาดในลักษณะเดียวกับการทดลองแบบสุ่มที่มีการควบคุม (randomized controlled experiment) ผู้วิจัยต้องยอมรับข้อจำกัดนี้และอภิปรายคำอธิบายทางเลือกสำหรับความสัมพันธ์ที่สังเกตได้
การวิจัยเชิงอธิบายแตกต่างจากการวิจัยเชิงสำรวจอย่างไร?
การวิจัยเชิงสำรวจดำเนินการเมื่อมีความรู้น้อยเกี่ยวกับปรากฏการณ์ และเป้าหมายคือการสร้างสมมติฐานหรือระบุตัวแปรที่เกี่ยวข้อง การวิจัยเชิงอธิบายเริ่มต้นที่การสำรวจสิ้นสุดลง: โดยสันนิษฐานว่ามีพื้นฐานทางทฤษฎีเพียงพออยู่แล้ว และทดสอบสมมติฐานที่เฉพาะเจาะจงเกี่ยวกับสาเหตุที่ปรากฏการณ์เกิดขึ้น ในทางปฏิบัติ โปรแกรมการวิจัยมักจะเคลื่อนที่จากการสำรวจไปสู่ระยะเชิงอธิบายผ่านการศึกษาหลายครั้ง
วิธีการทางสถิติใดที่เป็นที่นิยมในการวิจัยเชิงอธิบาย?
การวิเคราะห์การถดถอยเชิงเส้นพหุคูณหรือโลจิสติก (multiple linear or logistic regression), การวิเคราะห์การถดถอยแบบลำดับชั้น (hierarchical regression), การสร้างแบบจำลองสมการโครงสร้าง (SEM), การวิเคราะห์ความแปรปรวนร่วม (ANCOVA), การวิเคราะห์การถ่ายทอดและการปรับเปลี่ยน (mediation and moderation analysis) (เช่น PROCESS macro) และการวิเคราะห์เส้นทาง (path analysis) ล้วนเป็นที่นิยมใช้กันทั่วไป การเลือกขึ้นอยู่กับจำนวนและประเภทของตัวแปรอธิบาย ลักษณะของตัวแปรตาม และว่ามีการตั้งสมมติฐานเกี่ยวกับเส้นทางการถ่ายทอดหรือการปรับเปลี่ยนหรือไม่
ฉันต้องการกลุ่มตัวอย่างขนาดเท่าใด?
ข้อกำหนดขนาดกลุ่มตัวอย่างขึ้นอยู่กับเทคนิคทางสถิติ จำนวนตัวทำนาย และขนาดอิทธิพลที่คาดหวัง สำหรับการวิเคราะห์การถดถอยพหุคูณ (multiple regression) กฎทั่วไปคือ 10–20 กรณีต่อตัวแปรทำนาย สำหรับ SEM มักมีการอ้างอิงขั้นต่ำ 200 กรณี การวิเคราะห์อำนาจการทดสอบ (power analysis) (เช่น การใช้ G*Power) ก่อนการรวบรวมข้อมูลเป็นสิ่งที่แนะนำอย่างยิ่งเพื่อให้แน่ใจว่าการศึกษาจะสามารถตรวจจับขนาดอิทธิพลที่ระบุโดยทฤษฎีที่กำลังทดสอบได้
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Kerlinger, F. N. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.
ISBN: 978-0030417559คัดลอกแล้วBabbie, E. (2010). The Practice of Social Research (12th ed.). Wadsworth/Cengage Learning.
ISBN: 978-0495598428คัดลอกแล้ว