การวิจัยเชิงทดสอบโมเดล — การออกแบบเชิงทฤษฎีเพื่อยืนยันความถูกต้อง
- ผู้เสนอ
- Karl G. Joreskog (SEM/LISREL framework); formalized through structural equation modeling tradition
- ปี
- 1970s (Joreskog 1969–1973); widely adopted in social sciences by the 1980s–1990s
- ประเภท
- Confirmatory quantitative research design
- กลุ่มวิธี
- Survey / observational design
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิจัยเชิงทดสอบโมเดล (Model testing research) เป็นการออกแบบเชิงปริมาณเพื่อยืนยันความถูกต้อง (confirmatory quantitative design) ซึ่งผู้วิจัยระบุโมเดลเชิงทฤษฎี — ที่แสดงถึงความสัมพันธ์ที่ตั้งสมมติฐานไว้ระหว่างตัวแปรแฝง (constructs) — และทดสอบว่าโมเดลนั้นมีความสอดคล้องกับข้อมูลเชิงประจักษ์ได้ดีเพียงใด โดยอาศัยแบบจำลองสมการโครงสร้าง (structural equation modeling: SEM) และการวิเคราะห์ปัจจัยเชิงยืนยัน (confirmatory factor analysis: CFA) เป็นหลัก เพื่อประเมินว่าโครงสร้างความแปรปรวนร่วมที่ข้อมูลบ่งชี้สอดคล้องกับโครงสร้างที่ได้จากทฤษฎีหรือไม่ ซึ่งจะให้ค่าดัชนีวัดความสอดคล้อง (fit indices) ที่บ่งบอกถึงความสัมพันธ์ระหว่างโมเดลกับข้อมูล
แนวคิดเบื้องหลังวิธีการ
ลองนึกถึงการวิจัยเชิงทดสอบโมเดลว่าเป็นการนำพิมพ์เขียวมาตรวจสอบกับอาคารจริง คุณไม่ได้เริ่มต้นด้วยการถามว่า 'เกิดอะไรขึ้นในข้อมูลชุดนี้?' — แต่คุณเริ่มต้นด้วยภาพที่ได้จากทฤษฎีว่าตัวแปรควรจะสัมพันธ์กันอย่างไร จากนั้นจึงเก็บข้อมูลและถามว่า: โลกนี้มีลักษณะเหมือนพิมพ์เขียวของฉันหรือไม่? ค่าดัชนีวัดความสอดคล้องจะบอกคุณว่าอาคารตรงกับแผนแค่ไหน และค่าดัชนีการปรับปรุง (modification indices) จะช่วยระบุว่าต้องแก้ไขพิมพ์เขียวตรงไหน ตรรกะทั้งหมดเป็นแบบนิรนัยและยืนยันความถูกต้อง: ทฤษฎีก่อน ข้อมูลทีหลัง
ประวัติศาสตร์
รากฐานทางสถิติสำหรับการวิจัยเชิงทดสอบโมเดลถูกวางไว้โดย Karl Joreskog ซึ่งงานของเขาเกี่ยวกับการวิเคราะห์ปัจจัยเชิงยืนยัน (1969) และการวิเคราะห์โครงสร้างความแปรปรวนร่วม (1973) นำไปสู่ชุดซอฟต์แวร์ LISREL ในช่วงทศวรรษ 1980 SEM ได้แพร่หลายในสาขาจิตวิทยา การศึกษา การจัดการ และสังคมวิทยา โดยได้รับความนิยมจากนักวิจัยเช่น Peter Bentler (ซอฟต์แวร์ EQS, 1985) และ Michael Browne หนังสือเรียนของ Rex Kline ซึ่งตีพิมพ์ครั้งแรกในปี 1998 และปัจจุบันอยู่ในฉบับที่สี่ (2015) ยังคงเป็นเอกสารอ้างอิงระเบียบวิธีมาตรฐานสำหรับนักวิจัยประยุกต์ในสาขาสังคมศาสตร์
ควรใช้เมื่อใด
ใช้การวิจัยเชิงทดสอบโมเดลเมื่อคุณมีทฤษฎีที่พัฒนามาอย่างดีซึ่งระบุว่าตัวแปรแฝงหลายตัวสัมพันธ์กันอย่างไร และคุณต้องการประเมินว่าทฤษฎีนั้นสอดคล้องกับข้อมูลความแปรปรวนร่วมในระดับประชากรหรือไม่ เหมาะอย่างยิ่งสำหรับการตรวจสอบความตรงเชิงโครงสร้างมาตรวัด (CFA) การทดสอบห่วงโซ่การส่งผ่าน (mediation) และการปรับเปลี่ยน (moderation) และการเปรียบเทียบกรอบทฤษฎีที่แข่งขันกัน ต้องใช้ตัวอย่างอย่างน้อย N = 200 และมีตัวบ่งชี้หลายตัวต่อตัวแปรแฝงหนึ่งตัว อย่าใช้เป็นขั้นตอนแรกเมื่อทฤษฎียังไม่สมบูรณ์ — การวิเคราะห์ปัจจัยเชิงสำรวจ (exploratory factor analysis) หรือการวิจัยเชิงคุณภาพที่อิงตามข้อมูลจริง (grounded qualitative work) ควรมาก่อนการระบุโมเดล หลีกเลี่ยงเมื่อขนาดตัวอย่างน้อย เมื่อตัวแปรแฝงมีตัวบ่งชี้เพียงตัวเดียว หรือเมื่อเป้าหมายเป็นเพียงการพรรณนามากกว่าการขับเคลื่อนด้วยทฤษฎี
ข้อจำกัดและข้อควรพิจารณา
- ต้องการกลุ่มตัวอย่างขนาดใหญ่ (โดยทั่วไป N >= 200) ซึ่งนักวิจัยหลายคนไม่สามารถหาได้จริง
- ความสอดคล้องของโมเดลอาจดูเหมือนยอมรับได้แม้ว่าการตีความเชิงทฤษฎีจะไม่ถูกต้อง — ค่าดัชนีความสอดคล้องยืนยันความสอดคล้องทางสถิติ ไม่ใช่ความจริงเชิงทฤษฎี
- มีความไวสูงต่อการระบุโมเดลผิดพลาด (model misspecification) การละเว้นเส้นทางที่เกี่ยวข้องเชิงทฤษฎีจะทำให้ค่าสัมประสิทธิ์อื่นสูงเกินจริงและบิดเบือนความสอดคล้อง
- สมมติฐานการแจกแจงปกติหลายตัวแปร (multivariate normality) ภายใต้การประมาณค่าแบบ ML การละเมิดข้อสมมติฐานต้องการตัวประมาณค่าที่ทนทาน (robust estimators เช่น MLR, WLSMV) ซึ่งไม่คุ้นเคยกับนักวิจัยประยุกต์หลายคน
- การปรับปรุงโมเดลหลังการวิเคราะห์ (post-hoc model modification) โดยไม่มีการตรวจสอบความถูกต้องข้ามกลุ่ม (cross-validation) จะเปลี่ยนการศึกษาเชิงยืนยันเป็นการศึกษาเชิงสำรวจ ซึ่งบ่อนทำลายคุณค่าทางวิทยาศาสตร์
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ทดสอบกรอบทฤษฎีทั้งหมดพร้อมกัน แทนที่จะทดสอบสมมติฐานแบบสองตัวแปร (bivariate hypotheses) ที่แยกจากกัน
- แยกความคลาดเคลื่อนจากการวัด (measurement error) ออกจากความสัมพันธ์เชิงโครงสร้าง ทำให้ได้ค่าพารามิเตอร์ที่แม่นยำกว่าการวิเคราะห์การถดถอย (regression) เพียงอย่างเดียว
- อนุญาตให้เปรียบเทียบโมเดลที่แข่งขันกันอย่างเป็นทางการโดยใช้ค่าดัชนีความสอดคล้องและการทดสอบความแตกต่างของไคกำลังสอง
- สนับสนุนการประเมินการส่งผ่าน (mediation) การปรับเปลี่ยน (moderation) และผลกระทบทางอ้อม (indirect effects) ภายในกรอบการทำงานแบบบูรณาการเดียว
- สร้างค่าสัมประสิทธิ์ทั้งแบบมาตรฐาน (standardized) และไม่มาตรฐาน (unstandardized) ที่สามารถตีความได้โดยตรงในเชิงทฤษฎี
- ได้รับการยอมรับอย่างกว้างขวางในวารสารที่มีผลกระทบสูงในสาขาสังคมศาสตร์ พฤติกรรมศาสตร์ และสุขภาพ
การประยุกต์ใช้
- การตรวจสอบความตรงเชิงโครงสร้างมาตรวัด (psychometric scales) และการประเมินความตรงแบบลู่เข้า (convergent validity) และความตรงแบบจำแนก (discriminant validity) ผ่าน CFA
- การทดสอบโมเดลส่งผ่านเชิงโครงสร้าง (structural mediation models) — ตัวอย่างเช่น ผลกระทบของภาระงาน (job demands) ต่อภาวะหมดไฟ (burnout) ถูกส่งผ่านโดยความเหนื่อยล้าทางอารมณ์ (emotional exhaustion) หรือไม่
- การเปรียบเทียบโครงสร้างปัจจัย (factor structures) หรือค่าสัมประสิทธิ์เส้นทาง (path coefficients) ระหว่างกลุ่มประชากรต่างๆ ผ่าน SEM แบบหลายกลุ่ม (multi-group SEM)
- การตรวจสอบวิถีการเติบโตตามช่วงเวลา (longitudinal growth trajectories) และสาเหตุซึ่งกันและกัน (reciprocal causation) ผ่านโมเดลแผงแบบไขว้ (cross-lagged panel models)
- การทดสอบกรอบทฤษฎีในพฤติกรรมองค์กร จิตวิทยาสุขภาพ และการวิจัยทางการศึกษา
- การประเมินคำอธิบายเชิงทฤษฎีที่แข่งขันกันโดยการเปรียบเทียบความสอดคล้องของแต่ละทฤษฎีกับชุดข้อมูลเดียวกันโดยใช้ AIC หรือ BIC
วิธีการทำงาน
วิธีการทำงาน
ผู้วิจัยนำเสนอโมเดลเชิงทฤษฎีที่เป็นทางการ — ซึ่งมักแสดงเป็นแผนภาพเส้นทาง (path diagram) — ที่ระบุว่าตัวแปรแฝงใดมีอยู่จริง ตัวแปรที่สังเกตได้ (indicators) สัมพันธ์กับตัวแปรแฝงเหล่านั้นอย่างไร (โมเดลการวัด: measurement model) และตัวแปรแฝงสัมพันธ์กันอย่างไร (โมเดลโครงสร้าง: structural model) ทุกเส้นทางที่รวมหรือยกเว้นสะท้อนถึงความมุ่งมั่นเชิงทฤษฎีที่สำคัญ ไม่ใช่การเลือกที่ขับเคลื่อนด้วยข้อมูล
ตัวแปรแฝงแต่ละตัวถูกทำให้เป็นรูปธรรม (operationalized) โดยการเลือกหรือพัฒนามาตรวัดแบบหลายข้อคำถาม (multi-item scales) ที่มีความน่าเชื่อถือ (reliability) และความตรง (validity) ที่เป็นที่ยอมรับหรือตั้งสมมติฐานไว้ มีการประมาณขนาดตัวอย่างที่ต้องการ (เกณฑ์ทั่วไปคือ 10–20 กรณีต่อพารามิเตอร์อิสระ) และแผนการสุ่มตัวอย่างจะสอดคล้องกับประชากรเป้าหมายเพื่อสนับสนุนการสรุปอ้างอิง (generalizability)
เก็บรวบรวมข้อมูล — โดยทั่วไปผ่านแบบสอบถามรายงานตนเอง (self-report surveys) หรือข้อมูลจากเอกสาร (archival measures) — จากกลุ่มตัวอย่างที่มีขนาดใหญ่พอที่จะตอบสนองความต้องการในการประมาณค่า (โดยทั่วไป N >= 200 สำหรับ SEM) มีการตรวจสอบการแจกแจงปกติหลายตัวแปร (multivariate normality) รูปแบบข้อมูลที่ขาดหาย (missing data patterns) และลักษณะของค่าผิดปกติ (outlier profiles) ก่อนดำเนินการประมาณค่าโมเดล
โมเดลที่ระบุจะถูกปรับให้เข้ากับเมทริกซ์ความแปรปรวนร่วมที่สังเกตได้ (observed covariance matrix) โดยใช้วิธีการประมาณค่า เช่น การประมาณค่าความควรจะเป็นสูงสุด (maximum likelihood: ML) การประมาณค่าจะได้เมทริกซ์ความแปรปรวนร่วมที่สร้างขึ้นใหม่ (reproduced covariance matrix) ความคลาดเคลื่อนระหว่างเมทริกซ์ที่สังเกตได้และเมทริกซ์ที่สร้างขึ้นใหม่จะถูกสรุปด้วยสถิติทดสอบความสอดคล้อง: การทดสอบไคกำลังสอง (chi-square test), CFI, TLI, RMSEA, และ SRMR
สูตร
\chi^2, \text{CFI}, \text{RMSEA}, \text{SRMR}ประเมินความสอดคล้องของโมเดลเทียบกับเกณฑ์มาตรฐานทั่วไป (เช่น CFI >= 0.95, RMSEA <= 0.06, SRMR <= 0.08) ค่าสัมประสิทธิ์เส้นทางแต่ละเส้น (path coefficients) ค่าความคลาดเคลื่อนมาตรฐาน (standard errors) และค่า R-squared จะถูกตีความตามสมมติฐานเชิงทฤษฎี ความสอดคล้องที่ไม่ดีบ่งชี้ว่าโมเดลเชิงทฤษฎีไม่ได้แสดงถึงกระบวนการสร้างข้อมูลอย่างเพียงพอ
เมื่อความสอดคล้องไม่เพียงพอ ค่าดัชนีการปรับปรุง (modification indices) อาจแนะนำการแก้ไขที่สมเหตุสมผลเชิงทฤษฎี — เช่น การเพิ่มเส้นทาง การทำให้ค่าความคลาดเคลื่อนของตัวแปรที่สังเกตได้มีความสัมพันธ์กัน หรือการพิจารณาโครงสร้างการวัดใหม่ การแก้ไขใดๆ หลังการวิเคราะห์ (post-hoc modifications) ต้องได้รับการตรวจสอบความถูกต้องอีกครั้งในกลุ่มตัวอย่างอิสระ (independent sample) เพื่อป้องกันการใช้ประโยชน์จากโอกาส (capitalization on chance) มิฉะนั้นการศึกษานี้จะเปลี่ยนจากการยืนยันความถูกต้องไปสู่การสำรวจ
ข้อผิดพลาดที่พบบ่อย
- การระบุโมเดลหลังจากตรวจสอบข้อมูล — สิ่งนี้จะเปลี่ยนการทดสอบโมเดลเป็นการสร้างโมเดล ทำให้ตรรกะเชิงยืนยันไม่ถูกต้อง
- การยอมรับความสอดคล้องปานกลางว่าเพียงพอ โดยการรายงานเฉพาะค่าดัชนีความสอดคล้องที่น่าพอใจเท่านั้น โดยละเว้นค่าที่ไม่ดี
- ปฏิบัติต่อดัชนีการปรับปรุงเสมือนสูตรสำเร็จในการปรับปรุงโดยไม่มีเหตุผลเชิงทฤษฎี — เส้นทางที่เพิ่มแต่ละเส้นควรสะท้อนถึงการให้เหตุผลที่สำคัญ ไม่ใช่เพียงการปรับปรุงทางสถิติ
- การใช้ตัวบ่งชี้ต่อตัวแปรแฝงน้อยเกินไป (โมเดลตัวบ่งชี้เดียวไม่สามารถแยกความแปรปรวนของตัวแปรแฝงออกจากความคลาดเคลื่อนจากการวัดได้ ซึ่งทำให้ข้อได้เปรียบหลักของ SEM ไร้ผล)
- การละเลยการทดสอบความคงสภาพ (invariance testing) เมื่อเปรียบเทียบกลุ่ม — ค่าสัมประสิทธิ์การวัด (factor loadings) และจุดตัดแกน (intercepts) ต้องแสดงว่าเทียบเท่ากันในแต่ละกลุ่มก่อนที่ความแตกต่างของค่าเฉลี่ยตัวแปรแฝงจะมีความหมาย
คำถามที่พบบ่อย
การวิจัยเชิงทดสอบโมเดลแตกต่างจากการวิจัยเชิงยืนยันโดยทั่วไปอย่างไร?
การวิจัยเชิงยืนยัน (Confirmatory research) เป็นหมวดหมู่กว้างๆ ที่รวมถึงการศึกษาใดๆ ที่ออกแบบมาเพื่อทดสอบสมมติฐานที่กำหนดไว้ล่วงหน้า การวิจัยเชิงทดสอบโมเดลเป็นประเภทเฉพาะของการออกแบบเชิงยืนยันที่ประเมินระบบความสัมพันธ์ที่ตั้งสมมติฐานไว้ทั้งหมดพร้อมกัน — โดยทั่วไปใช้ SEM หรือ CFA — แทนที่จะทดสอบสมมติฐานรายข้อทีละรายการ ลักษณะที่กำหนดคือการระบุโมเดลโครงสร้างหรือโมเดลการวัดอย่างเป็นทางการก่อนการเก็บรวบรวมข้อมูล
ฉันต้องการขนาดตัวอย่างเท่าใด?
กฎทั่วไปที่ใช้กันคือ 10–20 การสังเกตต่อพารามิเตอร์ที่ประมาณค่าอย่างอิสระ โดยมีค่าต่ำสุดที่แน่นอนมักอ้างถึงที่ N = 200 สำหรับค่าประมาณ ML ที่เสถียร โมเดลที่ซับซ้อนซึ่งมีตัวแปรแฝงและเส้นทางจำนวนมากต้องการกลุ่มตัวอย่างที่ใหญ่ขึ้น ซอฟต์แวร์วิเคราะห์อำนาจ (power analysis software) เช่น WebPower หรือการจำลองแบบมอนติคาร์โล (Monte Carlo simulation) ใน Mplus สามารถให้ค่าประมาณขนาดตัวอย่างที่แม่นยำยิ่งขึ้นสำหรับโครงสร้างโมเดลที่กำหนด
ฉันควรรายงานค่าดัชนีความสอดคล้องใด และค่าใดที่ยอมรับได้?
รายงานอย่างน้อย: ค่าไคกำลังสองพร้อมองศาความเป็นอิสระและค่า p (degrees of freedom and p-value), CFI หรือ TLI (ยอมรับได้ >= 0.90, ดี >= 0.95), RMSEA พร้อมช่วงความเชื่อมั่น 90% (ยอมรับได้ <= 0.08, ดี <= 0.06), และ SRMR (ยอมรับได้ <= 0.10, ดี <= 0.08) ไม่มีดัชนีใดดัชนีเดียวที่ชี้ขาด; จำเป็นต้องมีหลักฐานที่สอดคล้องกันจากหลายดัชนี ค่าไคกำลังสองเพียงอย่างเดียวไวต่อกลุ่มตัวอย่างขนาดใหญ่เกินไป
ฉันสามารถปรับปรุงโมเดลของฉันหลังจากเห็นข้อมูลแล้วยังคงเรียกว่าการทดสอบโมเดลได้หรือไม่?
หากมีการปรับปรุงโดยอาศัยดัชนีการปรับปรุงหรือค่าความคลาดเคลื่อนจากชุดข้อมูลเดียวกัน การศึกษานั้นได้เปลี่ยนจากการยืนยันเป็นการสำรวจ การปรับปรุงหลังการวิเคราะห์ (post-hoc modifications) สามารถทำได้ก็ต่อเมื่อมีการตรวจสอบความถูกต้องข้ามกลุ่ม (cross-validated) ในกลุ่มตัวอย่างสำรองอิสระ (independent holdout sample) มิฉะนั้น การศึกษาควรถูกอธิบายว่าเป็นการพัฒนาโมเดลเชิงสำรวจ ไม่ใช่การทดสอบโมเดล
ฉันจำเป็นต้องใช้ซอฟต์แวร์ SEM หรือสามารถใช้การวิเคราะห์การถดถอยแทนได้หรือไม่?
สำหรับโมเดลอย่างง่ายที่มีเฉพาะตัวแปรที่สังเกตได้ การวิเคราะห์การถดถอยอาจเพียงพอ อย่างไรก็ตาม การวิเคราะห์การถดถอยไม่สามารถรองรับตัวแปรแฝง แยกความคลาดเคลื่อนจากการวัด หรือทดสอบความสอดคล้องโดยรวมของโมเดลได้ ซอฟต์แวร์ SEM โดยเฉพาะ — เช่น Mplus, lavaan (R), AMOS, หรือ LISREL — จำเป็นต้องใช้เมื่อใดก็ตามที่โมเดลมีตัวแปรแฝง ผลกระทบทางอ้อม หรือตัวแปรตามหลายตัวที่วัดพร้อมกัน
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
ISBN: 978-1462523344คัดลอกแล้วJoreskog, K. G., & Sorbom, D. (1993). LISREL 8: Structural Equation Modeling with the SIMPLIS Command Language. Scientific Software International.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว