การวิจัยสำรวจแบบระยะยาว — การออกแบบการสำรวจแบบวัดซ้ำ
- ผู้เสนอ
- Survey methodology tradition; codified in social sciences by scholars including W.S. Robinson (1950) and later Scott Menard
- ปี
- Mid-20th century (formalized ~1950s–1970s)
- ประเภท
- Quantitative observational research design
- กลุ่มวิธี
- Survey / observational design
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิจัยสำรวจแบบระยะยาวเป็นการรวบรวมข้อมูลแบบสอบถามที่มีโครงสร้างจากบุคคล (หรือหน่วย) เดียวกัน ณ จุดเวลาสองจุดขึ้นไป การออกแบบนี้แตกต่างจากการสำรวจภาคตัดขวางแบบครั้งเดียว โดยสามารถจับการเปลี่ยนแปลง ความคงที่ และลำดับเวลาของตัวแปรได้ ซึ่งช่วยให้นักวิจัยสามารถติดตามแนวโน้ม ทดสอบลำดับเหตุและผล และแยกแยะผลกระทบของรุ่น (cohort effects) ออกจากผลกระทบของอายุ (aging effects) ภายในกรอบเชิงปริมาณ
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพว่าคุณต้องการทราบว่าหลักสูตรใหม่ของโรงเรียนช่วยปรับปรุงทัศนคติของนักเรียนต่อวิชาคณิตศาสตร์ได้จริงหรือไม่ตลอดทั้งปี — ไม่ใช่แค่ทัศนคติเป็นอย่างไร ณ ช่วงเวลาหนึ่ง การสำรวจแบบระยะยาวจะติดตามนักเรียนกลุ่มเดียวกัน ณ จุดเริ่มต้น กลางปี และสิ้นปี โดยถามคำถามเดียวกันหรือเทียบเคียงกันในแต่ละครั้ง เนื่องจากบุคคลกลุ่มเดียวกันตอบคำถามซ้ำๆ คุณจึงสามารถเปรียบเทียบการเปลี่ยนแปลงของแต่ละบุคคลได้โดยตรง แทนที่จะอนุมานจากการเปรียบเทียบคนต่างเวลากัน โครงสร้างตามเวลาคือสิ่งที่ทำให้การออกแบบนี้มีพลังในการวิเคราะห์: คุณสามารถสังเกตเห็นลำดับของการเปลี่ยนแปลง แทนที่จะเป็นภาพนิ่ง
ประวัติศาสตร์
การใช้แบบสำรวจที่ทำซ้ำเมื่อเวลาผ่านไปเริ่มปรากฏในสังคมศาสตร์ช่วงกลางศตวรรษที่ 20 บทความของ W.S. Robinson ในปี 1950 เกี่ยวกับสหสัมพันธ์เชิงนิเวศและรายบุคคล ได้ชี้ให้เห็นถึงข้อจำกัดของข้อมูลภาคตัดขวางในการอนุมานระดับบุคคล ซึ่งกระตุ้นให้เกิดการออกแบบแบบแผง (panel designs) โครงการวิจัยสำรวจแบบระยะยาวขนาดใหญ่ — รวมถึง Panel Study of Income Dynamics (PSID, เริ่มปี 1968) และ National Longitudinal Surveys (NLS) ในสหรัฐอเมริกา — ได้แสดงให้เห็นถึงความเป็นไปได้และคุณค่าทางวิทยาศาสตร์ของการติดตามผู้ตอบแบบสอบถามกลุ่มเดิมเป็นเวลาหลายทศวรรษ หนังสือของ Scott Menard (1991, ฉบับที่ 2 ปี 2002) และเล่มที่รวบรวมโดย Peter Lynn เกี่ยวกับระเบียบวิธีวิจัยสำรวจแบบระยะยาว (2009) ได้รวบรวมแนวปฏิบัติที่ดีที่สุดสำหรับการออกแบบกลุ่มตัวอย่าง การจัดการการสูญเสียกลุ่มตัวอย่าง และการวิเคราะห์
ควรใช้เมื่อใด
ใช้การวิจัยสำรวจแบบระยะยาวเมื่อคำถามหลักเกี่ยวข้องกับการเปลี่ยนแปลงเมื่อเวลาผ่านไป ลำดับเวลาของตัวแปร หรือการพัฒนาผลลัพธ์ภายในบุคคลหรือหน่วย — คำถามที่การสำรวจภาคตัดขวางไม่สามารถตอบได้ เหมาะสำหรับการศึกษาการเปลี่ยนแปลงทัศนคติ แนวโน้มพัฒนาการ เส้นทางอาชีพ พฤติกรรมสุขภาพ และผลกระทบของนโยบาย เมื่อการจัดการทดลองไม่สามารถทำได้หรือผิดจรรยาบรรณ การออกแบบนี้ต้องการกลุ่มตัวอย่างที่คงที่และสามารถติดตามได้ มีเงินทุนเพียงพอและศักยภาพของสถาบันสำหรับการเก็บข้อมูลหลายคลื่น และความเต็มใจที่จะจัดการกับการสูญเสียกลุ่มตัวอย่าง **ห้าม** ใช้เมื่อ: (1) ต้องการเพียงการประมาณความชุก ณ จุดเวลาเดียว — การสำรวจภาคตัดขวางมีประสิทธิภาพมากกว่า; (2) ระยะเวลาการศึกษาไม่นานพอที่จะเกิดการเปลี่ยนแปลงที่มีความหมาย; (3) การติดตามผู้เข้าร่วมเป็นไปไม่ได้ในทางปฏิบัติ; หรือ (4) การวัดซ้ำมีแนวโน้มที่จะก่อให้เกิดผลกระทบจากการทดสอบ (testing effects) ที่ทำให้สิ่งที่ต้องการวัดบิดเบือน
ข้อจำกัดและข้อควรพิจารณา
- การสูญเสียกลุ่มตัวอย่าง (panel attrition) คุกคามความตรงภายใน (internal validity): ผู้เข้าร่วมที่หลุดออกมักจะแตกต่างอย่างเป็นระบบจากผู้ที่ยังคงอยู่ ทำให้เกิดความเอนเอียงจากการคัดเลือก (selection bias)
- การบริหารแบบสอบถามเดิมซ้ำๆ อาจก่อให้เกิดผลกระทบจากการทดสอบ (testing effects) — ผู้เข้าร่วมเรียนรู้หรือเกิดความไวต่อคำถาม ทำให้การเปลี่ยนแปลงที่ปรากฏดูสูงเกินจริง
- มีความซับซ้อนและมีค่าใช้จ่ายสูงในทางปฏิบัติ: การติดตามผู้เข้าร่วม การจัดการข้อมูลการติดต่อ และการรักษาความผูกพันตลอดหลายคลื่นต้องใช้ทรัพยากรจำนวนมาก
- กรอบเวลาที่ยาวนานหมายความว่าเหตุการณ์ภายนอก (ผลกระทบทางประวัติศาสตร์ การระบาดใหญ่ การเปลี่ยนแปลงนโยบาย) ระหว่างคลื่นจะกลายเป็นตัวแปรกวน (confounders) ที่ยากต่อการแยกแยะออกจากสิ่งที่ต้องการศึกษา
- ต้องสร้างความเท่าเทียมกันของการวัด (measurement invariance) ในทุกคลื่นก่อนที่จะตีความคะแนนการเปลี่ยนแปลง หากไม่ทดสอบ อาจนำไปสู่ข้อสรุปที่ผิดพลาดเกี่ยวกับการเปลี่ยนแปลง
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- สร้างลำดับเวลาก่อนเหตุการณ์ (temporal precedence) — เงื่อนไขเบื้องต้นสำหรับการอนุมานเชิงสาเหตุ — โดยการจับลำดับการเปลี่ยนแปลงของตัวแปรภายในผู้เข้าร่วมกลุ่มเดียวกัน
- แยกการเปลี่ยนแปลงภายในบุคคลออกจากความแตกต่างระหว่างบุคคล ให้การประมาณค่าที่แม่นยำกว่าการเปรียบเทียบภาคตัดขวาง
- ตรวจจับผลกระทบของรุ่น (cohort effects) ช่วงเวลา (period effects) และอายุ (age effects) ที่จะปรากฏให้เห็นก็ต่อเมื่อติดตามบุคคลกลุ่มเดียวกันเมื่อเวลาผ่านไป
- สามารถปรับขนาดให้มีกลุ่มตัวอย่างขนาดใหญ่ที่เป็นตัวแทนของประเทศได้ ช่วยให้สามารถอนุมานระดับประชากรเกี่ยวกับการเปลี่ยนแปลงแนวโน้มได้
- เข้ากันได้กับเทคนิคการวิเคราะห์ที่หลากหลาย (GCM, CLPM, SEM) ที่ใช้ประโยชน์จากโครงสร้างตามเวลาของข้อมูล
- มีประสิทธิภาพมากกว่าการสรรหากลุ่มตัวอย่างรุ่นใหม่ในแต่ละคลื่นเมื่อศึกษาประชากรกลุ่มเดียวกันเมื่อเวลาผ่านไป
การประยุกต์ใช้
- การติดตามการเปลี่ยนแปลงแรงจูงใจทางวิชาการ ความรู้สึกถึงความสามารถของตนเอง หรือความเป็นอยู่ที่ดีของนักเรียนตลอดปีการศึกษาหรือหลักสูตรปริญญา
- การติดตามวิวัฒนาการของทัศนคติทางการเมือง เจตจำนงในการลงคะแนนเสียง หรือการมีส่วนร่วมของพลเมืองในกลุ่มตัวอย่างการเลือกตั้งระดับชาติ
- การศึกษาการเปลี่ยนแปลงพฤติกรรมสุขภาพ — การออกกำลังกาย อาหาร การใช้สารเสพติด — ตลอดหลายเดือนหรือหลายปีในการศึกษาแบบรุ่น (cohort studies)
- การประเมินผลลัพธ์ระยะยาวในตลาดแรงงานของผู้สำเร็จการศึกษาจากเส้นทางการศึกษาที่แตกต่างกัน
- การประเมินผลกระทบที่ยั่งยืนของแคมเปญสาธารณสุขหรือการแทรกแซงทางการศึกษาหลังจากสิ้นสุดโครงการที่ดำเนินการจริง
- การตรวจสอบว่าทัศนคติในองค์กร (ความพึงพอใจในงาน ความผูกพัน) ตอบสนองต่อการเปลี่ยนแปลงนโยบายในที่ทำงานเมื่อเวลาผ่านไปอย่างไร
วิธีการทำงาน
วิธีการทำงาน
ผู้วิจัยกำหนดคำถามวิจัย เลือกประชากรเป้าหมาย กำหนดจำนวนคลื่นการวัดและช่วงเวลาระหว่างคลื่น และสร้างหรือปรับเครื่องมือสำรวจที่สอดคล้องกันในทุกคลื่น ขนาดตัวอย่างต้องคำนึงถึงการสูญเสียที่คาดว่าจะเกิดขึ้น และขั้นตอนการขอความยินยอมโดยได้รับข้อมูลแล้ว (informed consent) ควรครอบคลุมการเข้าร่วมหลายคลื่นตั้งแต่ต้น
การสำรวจคลื่นแรก (เวลาที่ 1) จะดำเนินการกับกลุ่มตัวอย่างที่ได้รับการคัดเลือก โดยรวบรวมการวัดค่าพื้นฐานของตัวแปรหลักทั้งหมด — ผลลัพธ์ ตัวทำนาย และตัวแปรร่วม อัตราการตอบสนองที่สูงในคลื่นนี้มีความสำคัญอย่างยิ่ง เนื่องจากผู้เข้าร่วมที่สูญเสียไป ณ จุดเริ่มต้นจะไม่สามารถกู้คืนได้ในการวิเคราะห์ครั้งต่อๆ ไป
ณ คลื่นการสำรวจแต่ละครั้งถัดไป (เวลาที่ 2, เวลาที่ 3, …) ผู้เข้าร่วมกลุ่มเดิมจะได้รับการติดต่ออีกครั้งและดำเนินการสำรวจด้วยเครื่องมือเดิม การใช้คำถาม รูปแบบการตอบ และวิธีการดำเนินการที่สอดคล้องกันในทุกคลื่น จะรักษาความเท่าเทียมกันของการวัด (measurement equivalence) และช่วยให้สามารถแยกแยะการเปลี่ยนแปลงของคะแนนที่แท้จริงออกจากการวัดที่เกิดจากสิ่งแปลกปลอมได้
การสูญเสียกลุ่มตัวอย่าง (panel attrition) — การหลุดออกของผู้เข้าร่วมระหว่างคลื่น — จะถูกประเมินโดยการเปรียบเทียบผู้ที่ทำแบบสำรวจเสร็จสิ้นในแต่ละคลื่นกับผู้ที่ไม่เสร็จสิ้น โดยพิจารณาจากลักษณะพื้นฐาน หากผู้ที่หลุดออกมีความแตกต่างอย่างเป็นระบบจากผู้ที่เข้าร่วมต่อไป (selective attrition) จะมีการใช้กลยุทธ์การวิเคราะห์ เช่น การแทนค่าที่ขาดหายไปหลายครั้ง (multiple imputation) การถ่วงน้ำหนักความน่าจะเป็นผกผัน (inverse probability weighting) หรือการประมาณค่าความน่าจะเป็นสูงสุดโดยใช้ข้อมูลทั้งหมด (full-information maximum likelihood estimation) เพื่อลดความเอนเอียง
ข้อมูลแบบระยะยาวจะถูกวิเคราะห์ด้วยวิธีการที่เหมาะสมกับการวัดซ้ำ: การสร้างแบบจำลองเส้นโค้งการเติบโต (growth curve modeling) แบบจำลองคะแนนการเปลี่ยนแปลงแฝง (latent change score models) แบบจำลองแผงแบบไขว้ (cross-lagged panel models) สมการประมาณค่าทั่วไป (generalized estimating equations) หรือการถดถอยแบบผสมผล (mixed-effects regression) แบบจำลองที่เลือกขึ้นอยู่กับว่าความสนใจหลักอยู่ที่การเปลี่ยนแปลงระดับเฉลี่ย แนวโน้มรายบุคคล หรือความสัมพันธ์เชิงสาเหตุแบบตอบโต้ระหว่างตัวแปรเมื่อเวลาผ่านไป
ข้อผิดพลาดที่พบบ่อย
- การละเลยการสูญเสียกลุ่มตัวอย่างแบบเลือก (selective attrition): การสันนิษฐานว่าผู้ที่ทำแบบสำรวจเสร็จสิ้นในแต่ละคลื่นเป็นตัวแทนของกลุ่มตัวอย่างเดิมโดยไม่ได้ทดสอบการหลุดออกที่แตกต่างกัน จะทำให้การประมาณค่าการเปลี่ยนแปลงมีความเอนเอียง
- การเปลี่ยนแปลงเครื่องมือสำรวจระหว่างคลื่น: แม้แต่การปรับเปลี่ยนคำถามเล็กน้อยหรือการปรับมาตราส่วนการตอบ ก็ทำให้การเปรียบเทียบคะแนนโดยตรงเมื่อเวลาผ่านไปไม่ถูกต้อง
- กลุ่มตัวอย่างเริ่มต้นมีกำลังไม่เพียงพอ (under-powered): การคำนวณขนาดตัวอย่างเพียงเพื่อกำลังของการสำรวจภาคตัดขวางโดยไม่ได้เพิ่มเผื่อสำหรับการสูญเสียที่คาดว่าจะเกิดขึ้น จะทำให้การศึกษามีกำลังไม่เพียงพอในคลื่นต่อๆ ไป
- การปฏิบัติต่อคลื่นเสมือนเป็นปัจจัยคงที่โดยไม่ได้สร้างแบบจำลองการเติบโต: การทำการวิเคราะห์ ANOVA แยกกันในแต่ละคลื่นแทนที่จะใช้แบบจำลองการเติบโตหรือแบบจำลองผสม จะทำให้ข้อมูลแบบระยะยาวสูญเสียไปและเพิ่มความคลาดเคลื่อนประเภทที่ 1 (Type I error)
- การรายงานเฉพาะค่าเฉลี่ยระดับกลุ่ม: ความหลากหลายของแนวโน้มรายบุคคลมักเป็นข้อค้นพบที่สำคัญในเชิงเนื้อหา แนวโน้มโดยรวมอาจบดบังกลุ่มย่อยที่แตกต่างกัน
คำถามที่พบบ่อย
การวิจัยสำรวจแบบระยะยาวแตกต่างจากการศึกษาแบบแผงอย่างไร?
คำศัพท์เหล่านี้มีความหมายทับซ้อนกันอย่างมาก การศึกษาแบบแผง (panel study) เป็นประเภทเฉพาะของการสำรวจแบบระยะยาว ซึ่งมีการสำรวจบุคคลกลุ่มเดียวกันเป๊ะๆ ในแต่ละคลื่น การวิจัยสำรวจแบบระยะยาวเป็นหมวดหมู่ที่กว้างกว่า ซึ่งรวมถึงการศึกษาแนวโน้ม (trend studies) (กลุ่มตัวอย่างสุ่มที่แตกต่างกันจากประชากรเดียวกันในแต่ละคลื่น) และการศึกษาแบบรุ่น (cohort studies) (รุ่นที่เกิดหรือเข้าร่วมเดียวกัน แต่ไม่จำเป็นต้องเป็นผู้ตอบแบบสอบถามคนเดิม) เมื่อผู้คนพูดว่า 'การสำรวจแบบระยะยาว' พวกเขามักจะหมายถึงการออกแบบแบบแผง แต่ความแม่นยำมีความสำคัญเมื่อเลือกกลยุทธ์การวิเคราะห์
ต้องใช้กี่คลื่น?
ต้องมีอย่างน้อยสองคลื่นเพื่อสังเกตการเปลี่ยนแปลง แต่สองคลื่นรองรับแบบจำลองที่จำกัดเท่านั้น (คะแนนผลต่าง การถดถอยก่อน-หลังแบบง่าย) ต้องใช้สามคลื่นขึ้นไปเพื่อประมาณแนวโน้มการเติบโต ทดสอบการเปลี่ยนแปลงที่ไม่เป็นเชิงเส้น และใช้แบบจำลองแผงแบบไขว้ จำนวนคลื่นที่เหมาะสมขึ้นอยู่กับรูปร่างของการเปลี่ยนแปลงที่คาดหวังและแบบจำลองการวิเคราะห์ — คลื่นที่มากขึ้นให้กำลังในการตรวจจับและอธิบายแนวโน้มได้ดีขึ้น
ฉันจะจัดการกับข้อมูลที่ขาดหายไปจากการหลุดออกได้อย่างไร?
ประการแรก ให้ประเมินว่าการสูญเสียกลุ่มตัวอย่างเป็นการสูญเสียแบบสุ่มสมบูรณ์ (missing completely at random - MCAR) การสูญเสียแบบสุ่ม (missing at random - MAR) หรือการสูญเสียแบบไม่สุ่ม (missing not at random - MNAR) โดยเปรียบเทียบผู้ที่หลุดออกกับผู้ที่ทำเสร็จสิ้นโดยใช้ตัวแปรพื้นฐาน ภายใต้สมมติฐาน MAR — ซึ่งเป็นสมมติฐานที่น่าเชื่อถือที่สุดในการศึกษาแบบแผงส่วนใหญ่ — การประมาณค่าความน่าจะเป็นสูงสุดโดยใช้ข้อมูลทั้งหมด (FIML) หรือการแทนค่าที่ขาดหายไปหลายครั้ง (multiple imputation) เป็นแนวทางที่แนะนำ การลบรายการที่ไม่สมบูรณ์ (listwise deletion) แทบจะไม่เหมาะสมเลย เพราะเป็นการทิ้งข้อมูลที่ใช้ได้และทำให้การประมาณค่ามีความเอนเอียงเมื่อการหลุดออกไม่เป็นไปตามที่คาดหวัง
การสำรวจแบบระยะยาวสามารถสร้างความเป็นเหตุเป็นผลได้หรือไม่?
ลำดับเวลา (เงื่อนไขที่จำเป็นสำหรับความเป็นเหตุเป็นผล) สามารถแสดงให้เห็นได้เมื่อตัวทำนาย ณ คลื่นที่ 1 ทำนายผลลัพธ์ ณ คลื่นที่ 2 หลังจากควบคุมผลลัพธ์ ณ คลื่นที่ 1 แล้ว โดยใช้แบบจำลองแผงแบบไขว้หรือการถดถอยคะแนนผลต่าง อย่างไรก็ตาม ตัวแปรกวนที่ไม่ได้วัดซึ่งคงที่หรือเปลี่ยนแปลงระหว่างคลื่นยังคงสามารถบิดเบือนการประมาณค่าเชิงสาเหตุได้ การสำรวจแบบระยะยาวให้หลักฐานที่แข็งแกร่งกว่าการออกแบบภาคตัดขวาง แต่ยังคงเป็นการสังเกตการณ์ การทดลองแบบสุ่มเป็นการวัดมาตรฐานทองคำสำหรับการอนุมานเชิงสาเหตุ
ฉันจะสร้างความมั่นใจได้อย่างไรว่าเครื่องมือสำรวจของฉันวัดโครงสร้างเดียวกันในแต่ละคลื่น?
ผ่านการทดสอบความเท่าเทียมกันของการวัด (measurement invariance testing) โดยใช้การวิเคราะห์ปัจจัยยืนยัน (confirmatory factor analysis - CFA) (Vandenberg & Lance, 2000) อย่างน้อยที่สุด ควรสร้างความเท่าเทียมกันเชิงโครงสร้าง (configural invariance) และความเท่าเทียมกันเชิงเมตริก (metric invariance) ก่อนที่จะเปรียบเทียบค่าเฉลี่ยแฝง (latent means) ความเท่าเทียมกันเชิงสเกลาร์ (scalar invariance) เป็นสิ่งจำเป็นสำหรับการเปรียบเทียบค่าเฉลี่ยที่สังเกตได้ หากพบความเท่าเทียมกันบางส่วน (partial invariance) ให้จำกัดเฉพาะพารามิเตอร์ที่เท่าเทียมกัน และตีความการเปลี่ยนแปลงในรายการที่ไม่เท่าเทียมกันด้วยความระมัดระวัง
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Menard, S. (2002). Longitudinal Research (2nd ed.). Sage Publications.
ISBN: 978-0761922452คัดลอกแล้วLynn, P. (Ed.). (2009). Methodology of Longitudinal Surveys. Wiley.
ISBN: 978-0470018712คัดลอกแล้ว