แบบจำลองสมการโครงสร้าง
- ผู้เสนอ
- Sewall Wright
- ปี
- 1921
- ประเภท
- Method
- กลุ่มวิธี
- multivariate-modeling
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
แบบจำลองสมการโครงสร้าง (Structural Equation Modeling: SEM) เป็นกรอบการวิเคราะห์ทางสถิติที่ครอบคลุม ซึ่งผสมผสานการวิเคราะห์เส้นทาง (Path Analysis) (Sewall Wright, 1921) และการวิเคราะห์ปัจจัยยืนยัน (Confirmatory Factor Analysis) เพื่อทดสอบแบบจำลองเชิงสาเหตุที่ซับซ้อน ซึ่งเชื่อมโยงตัวแปรที่สังเกตได้ (Observed Variables) และตัวแปรแฝง (Latent Variables) SEM ซึ่งถูกทำให้เป็นรูปธรรมโดย Jöreskog (1973) ด้วยซอฟต์แวร์ LISREL ช่วยให้สามารถประมาณค่าความสัมพันธ์ของการวัด (Measurement Relationships) (ตัวแปรต่างๆ วัดโครงสร้างแฝงได้อย่างไร) และความสัมพันธ์เชิงโครงสร้าง (Structural Relationships) (โครงสร้างส่งผลต่อผลลัพธ์อย่างไร) ได้พร้อมกัน ทำให้มีประสิทธิภาพสูงในการทดสอบทฤษฎีในสาขาจิตวิทยา ระบาดวิทยา การวิจัยองค์กร และวิทยาศาสตร์สุขภาพ ซึ่งกระบวนการแบบทับซ้อน (Mediation) การปรับเปลี่ยน (Moderation) และกระบวนการแฝงที่ซับซ้อน จำเป็นต้องมีการวิเคราะห์แบบบูรณาการ
แนวคิดเบื้องหลังวิธีการ
คำถามวิจัยจำนวนมากเกี่ยวข้องกับสายโซ่เชิงสาเหตุที่ซับซ้อน: ตัวแปร X ส่งผลต่อผลลัพธ์ Y โดยตรงหรือไม่ หรือส่งผลทางอ้อมผ่านตัวกลาง M? ตัวแปรที่สังเกตได้หลายตัววัดโครงสร้างแฝงเดียวหรือไม่? SEM บูรณาการคำถามเหล่านี้เข้าไว้ในแบบจำลองเดียว กรอบการทำงานนี้ประกอบด้วยสองส่วน: (1) แบบจำลองการวัด (Measurement Model) - ตัวแปรที่สังเกตได้สัมพันธ์กับโครงสร้างแฝงอย่างไร (Factor Loadings) และ (2) แบบจำลองเชิงโครงสร้าง (Structural Model) - โครงสร้างมีความสัมพันธ์เชิงสาเหตุต่อกันอย่างไร (Path Coefficients) ซึ่งแตกต่างจากการวิเคราะห์การถดถอย (Regression) (ที่ไม่คำนึงถึงความคลาดเคลื่อนในการวัด) หรือการวิเคราะห์ปัจจัยเพียงอย่างเดียว (Factor Analysis) (ที่ไม่คำนึงถึงความสัมพันธ์เชิงสาเหตุ) SEM จะประมาณค่าเส้นทางเชิงโครงสร้างพร้อมทั้งคำนึงถึงความคลาดเคลื่อนในการวัดด้วย แนวทางแบบคู่ขนานนี้ให้การอนุมานที่ถูกต้องมากขึ้นเกี่ยวกับกระบวนการพื้นฐาน และช่วยให้สามารถทดสอบผลกระทบทางอ้อม (Mediation) การปรับเปลี่ยน (Moderation) และความสัมพันธ์แบบตอบโต้ (Reciprocal Relationships)
ประวัติศาสตร์
Sewall Wright พัฒนาการวิเคราะห์เส้นทาง (Path Analysis) ในปี 1921 เพื่อแยกองค์ประกอบของสหสัมพันธ์ออกเป็นผลกระทบเชิงสาเหตุโดยตรงและทางอ้อมในสาขาสาธุศาสตร์ (Genetics) Karl Jöreskog ได้รวมการวิเคราะห์เส้นทางเข้ากับการวิเคราะห์ปัจจัยเพื่อสร้าง SEM และเปิดตัวซอฟต์แวร์ LISREL (Linear Structural Relations) ในปี 1973 ซึ่งช่วยให้สามารถทดสอบสมมติฐานที่ซับซ้อนได้ Bentler's EQS (1985) และ Arbuckle's AMOS (1995) ทำให้ SEM เข้าถึงได้ง่ายขึ้น การพัฒนาที่ทันสมัย ได้แก่ การประมาณค่าที่ทนทาน (Robust Estimation) (Yuan & Bentler, 2000), SEM แบบหลายระดับ (Multilevel SEM) (Hox & Maas, 2001), แบบจำลองโครงสร้างพลวัต (Dynamic Structural Models) (Latent Growth Curves; Bollen & Curran, 2006) และ Bayesian SEM (Lee, 2007)
ควรใช้เมื่อใด
ใช้ SEM เมื่อทดสอบทฤษฎีพหุตัวแปรที่ซับซ้อนซึ่งเกี่ยวข้องกับการทำ Mediation, Moderation, โครงสร้างแฝง และความสัมพันธ์เชิงสาเหตุแบบตอบโต้ จิตวิทยา: ทดสอบว่ากลไกการเผชิญปัญหา (Cognitive Coping) (ตัวแปรแฝง) ทำหน้าที่เป็นตัวกลางของผลกระทบจากความเครียดต่อภาวะซึมเศร้า หรือบุคลิกภาพส่งผลต่อพฤติกรรมผ่านแรงจูงใจอย่างไร ระบาดวิทยา: สร้างแบบจำลองเส้นทางความเสี่ยงต่อโรค (เช่น สถานะทางเศรษฐกิจและสังคม → พฤติกรรมสุขภาพ → ผลลัพธ์ทางโรคหัวใจและหลอดเลือด) การวิจัยองค์กร: ทดสอบว่าภาวะผู้นำ (วัดจากหลายรายการ) ส่งผลต่อประสิทธิภาพการทำงานผ่านการมีส่วนร่วมของพนักงาน (Engagement) (ตัวแปรแฝง) หรือไม่ การศึกษา: สร้างแบบจำลองผลกระทบของการจัดสรรทรัพยากรโรงเรียนต่อการเรียนรู้ของนักเรียนผ่านคุณภาพครูและบรรยากาศโรงเรียน (โครงสร้างแฝง) SEM จัดการกับตัวแปรแฝงได้อย่างเป็นธรรมชาติ ทำให้เหมาะสมเมื่อโครงสร้างมีความเป็นนามธรรมหรือวัดได้จากตัวบ่งชี้หลายตัวที่มีความคลาดเคลื่อน
ข้อจำกัดและข้อควรพิจารณา
- ต้องการกลุ่มตัวอย่างขนาดใหญ่และการออกแบบที่สมดุล: การประมาณค่าพารามิเตอร์ไม่เสถียรเมื่อ n น้อย หรือลักษณะกลุ่มตัวอย่างสุดขั้ว; ขั้นต่ำ n ≥ 100–200 เมื่อมีตัวแปรแฝงหลายตัว
- สมมติฐานว่าแบบจำลองที่ระบุไว้ถูกต้องล่วงหน้า: SEM ทดสอบแบบจำลองที่ระบุไว้; การระบุแบบจำลองที่ไม่ถูกต้อง (เส้นทางที่ละเว้น, ทิศทางเชิงสาเหตุผิด) อาจมีความกลมกลืนได้ดีแม้ว่าจะไม่ถูกต้องก็ตาม (Equivalent Models)
- อาจมีแบบจำลองที่เทียบเท่ากันได้หลายแบบ: โครงสร้างเส้นทางที่แตกต่างกันสามารถสร้างเมทริกซ์ความแปรปรวนร่วมเดียวกันได้; SEM ไม่สามารถแยกแยะระหว่างแบบจำลองเหล่านี้ได้หากไม่มีทฤษฎีเพิ่มเติมหรือข้อจำกัด
- ข้อมูลที่ไม่ใช่การทดลองไม่สามารถบ่งชี้ถึงความเป็นสาเหตุได้: สัมประสิทธิ์เส้นทางแสดงถึงค่าน้ำหนักการถดถอย ไม่ใช่ผลกระทบเชิงสาเหตุ; ตัวแปรกวน (Confounding), ความเป็นสาเหตุย้อนกลับ (Reverse Causality) และอคติจากการเลือก (Selection Bias) ยังคงคุกคามความถูกต้อง
- ความสัมพันธ์แบบปฏิสัมพันธ์ที่ซับซ้อนและความสัมพันธ์ที่ไม่เป็นเชิงเส้นนั้นยากต่อการระบุและประมาณค่าใน SEM; โดยทั่วไปจะสมมติว่าเป็นความสัมพันธ์เชิงเส้น
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ส่วนประกอบของการวัดและโครงสร้างแบบบูรณาการ: ประมาณค่าพร้อมกันว่าตัวแปรต่างๆ วัดโครงสร้างอย่างไร (ความเที่ยงตรง) และโครงสร้างมีความสัมพันธ์กันอย่างไร (การทดสอบทฤษฎี)
- คำนึงถึงความคลาดเคลื่อนในการวัด: สัมประสิทธิ์เส้นทางได้รับการปรับแก้สำหรับความไม่น่าเชื่อถือในการวัด ทำให้ได้ค่าประมาณเชิงโครงสร้างที่ถูกต้องกว่าการวิเคราะห์การถดถอย
- ทดสอบความสัมพันธ์ที่ซับซ้อน: Mediation, Moderation, ผลกระทบทางอ้อม และความสัมพันธ์เชิงสาเหตุแบบตอบโต้ ในกรอบการทำงานที่สอดคล้องกันเพียงกรอบเดียว
- ยืดหยุ่นสำหรับข้อมูลที่ขาดหายไป: วิธีการประมาณค่าความน่าจะเป็นสูงสุดแบบเต็มข้อมูล (FIML) ช่วยให้สามารถวิเคราะห์ข้อมูลที่ไม่สมบูรณ์ภายใต้สมมติฐาน MCAR
- การวินิจฉัยความกลมกลืนของแบบจำลองที่ครอบคลุม: ดัชนีหลายตัว (CFI, RMSEA, Residuals) ช่วยให้สามารถประเมินแบบจำลองได้อย่างละเอียด และระบุแหล่งที่มาของความไม่กลมกลืนที่เฉพาะเจาะจง
การประยุกต์ใช้
- จิตวิทยาคลินิก: ทดสอบว่าการเผชิญเหตุการณ์สะเทือนใจส่งผลต่อภาวะซึมเศร้าผ่านรูปแบบความคิดเชิงลบ (Mediation) หรือไม่; สร้างแบบจำลองมิติแฝงของพยาธิสภาพทางจิต
- สาธารณสุข: ประเมินว่าการแทรกแซงตามแนวทางสังคม-นิเวศ (Social-Ecological Interventions) ส่งผลต่อพฤติกรรมสุขภาพอย่างไร (เช่น การมีส่วนร่วมของชุมชน → ความรู้ → การเปลี่ยนแปลงพฤติกรรม → ผลลัพธ์ทางสุขภาพ)
- การวิจัยทางการศึกษา: ประเมินว่าการจัดสรรทรัพยากรโรงเรียนส่งผลต่อการเรียนรู้ของนักเรียนผ่านคุณภาพครูและบรรยากาศโรงเรียน (โครงสร้างแฝง) หรือไม่
- พฤติกรรมองค์กร: ทดสอบว่ารูปแบบภาวะผู้นำส่งผลต่อประสิทธิภาพองค์กรผ่านแรงจูงใจและความผูกพันของพนักงาน (ตัวกลางแฝง) หรือไม่
- การวิจัยพัฒนาการตามช่วงเวลา: แบบจำลองการเติบโตแฝง (Latent Growth Curve Models) ติดตามการเปลี่ยนแปลงของบุคคลเมื่อเวลาผ่านไป โดยทำนายแนวโน้มจากลักษณะพื้นฐาน
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการ SEM โดย: (1) การระบุแบบจำลองล่วงหน้าตามทฤษฎี (วาดหรือแสดงแผนภาพโครงสร้างเชิงสาเหตุที่ตั้งสมมติฐาน) (2) การกำหนดตัวแปรแฝง (โครงสร้างนามธรรมที่คุณสังเกตได้ทางอ้อมผ่านตัวแปรที่วัดได้) และตัวบ่งชี้ (Indicators) ของตัวแปรเหล่านั้น (3) การระบุเส้นทางเชิงโครงสร้าง (สมมติฐานเชิงสาเหตุที่เชื่อมโยงตัวแปร/โครงสร้าง) (4) การรวบรวมข้อมูลเกี่ยวกับตัวแปรที่สังเกตได้ทั้งหมด (โดยทั่วไปเป็นตัวแปรต่อเนื่อง; SEM สามารถจัดการกับข้อมูลอันดับ (Ordinal) หรือข้อมูลประเภท (Categorical) ได้ด้วยวิธีการประมาณค่าที่เหมาะสม) (5) การตรวจสอบให้แน่ใจว่ามีขนาดตัวอย่างเพียงพอ (ขั้นต่ำ n ≥ 100 โดยควรมี n ≥ 200; กฎทั่วไปคือ n > 10 เท่าของจำนวนพารามิเตอร์ที่ประมาณค่า) รวบรวมข้อมูลโดยมีค่าสูญหาย (Missing Values) น้อยที่สุด; วิธีการประมาณค่าความน่าจะเป็นสูงสุดแบบเต็มข้อมูล (Full-Information Maximum Likelihood: FIML) ของ SEM สามารถจัดการกับข้อมูลที่ขาดหายไปภายใต้สมมติฐานการสุ่มสมบูรณ์ (Missing Completely At Random: MCAR) กำหนดตัวแปรต้น (Exogenous Variables) (สาเหตุ โดยทั่วไปไม่สัมพันธ์กัน) และตัวแปรตาม (Endogenous Variables) (ผลลัพธ์ อาจเกิดจากตัวแปรอื่น)
ประมาณค่า SEM โดยใช้วิธีการประมาณค่าความน่าจะเป็นสูงสุด (Maximum Likelihood: ML) หรือวิธีการประมาณค่าที่ทนทาน (Robust Estimation Methods) (MLR สำหรับข้อมูลที่ไม่เป็นไปตามการแจกแจงปกติ) ผลลัพธ์ประกอบด้วย: (1) สัมประสิทธิ์เส้นทางมาตรฐาน (Standardized Path Coefficients) (ค่าน้ำหนักการถดถอยระหว่างตัวแปร): สามารถเปรียบเทียบได้โดยตรงระหว่างเส้นทางต่างๆ; สัมประสิทธิ์ 0.4 บ่งชี้ถึงผลกระทบปานกลาง (2) ค่า Factor Loadings: ความสัมพันธ์ระหว่างตัวแปรแฝงและตัวบ่งชี้ของตัวแปรเหล่านั้น (≥0.5 ยอมรับได้, ≥0.7 แข็งแรง) (3) ค่าความคลาดเคลื่อนมาตรฐาน (Standard Errors) และสถิติทดสอบ z (z-statistics): ทดสอบว่าสัมประสิทธิ์แตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่ (4) ผลกระทบทางอ้อม (Indirect Effects) (Mediation): ผลคูณของสัมประสิทธิ์เส้นทางตามเส้นทางทางอ้อม; ทดสอบโดยการทำ Bootstrapping (≥1000 รอบ) (5) ค่า R² สำหรับตัวแปรตาม: สัดส่วนความแปรปรวนที่อธิบายได้ (6) ดัชนีความกลมกลืนของแบบจำลอง (Fit Indices): CFI > 0.95, TLI > 0.95, RMSEA < 0.06, SRMR < 0.08 (Hu & Bentler, 1999) (7) ค่าความคลาดเคลื่อน (Residuals): ค่ามาตรฐานควรใกล้เคียงศูนย์; ค่าความคลาดเคลื่อนสูงบ่งชี้ว่าแบบจำลองไม่กลมกลืนกับความสัมพันธ์บางส่วน (8) ดัชนีการปรับเปลี่ยน (Modification Indices): แนะนำเส้นทางทางเลือก; อย่างไรก็ตาม การปรับเปลี่ยนตามข้อมูลอาจลดทอนความถูกต้อง ควรปรับเปลี่ยนตามทฤษฎีเท่านั้น
ตีความสัมประสิทธิ์เส้นทางมาตรฐานดังนี้: สัมประสิทธิ์ 0.5 สำหรับเส้นทาง X→Y หมายความว่าการเพิ่มขึ้น 1 ส่วนเบี่ยงเบนมาตรฐาน (1-SD) ของ X ทำนายการเพิ่มขึ้น 0.5 ส่วนเบี่ยงเบนมาตรฐาน (0.5-SD) ของ Y (ผลกระทบโดยตรง) โดยที่ตัวแปรอื่นคงที่ หากค่า p < 0.05 ผลกระทบนั้นมีนัยสำคัญทางสถิติ ผลกระทบทางอ้อม: คูณสัมประสิทธิ์ตามเส้นทางตัวกลาง ตัวอย่างเช่น หากสัมประสิทธิ์ X→M คือ 0.3 และ M→Y คือ 0.4 ผลกระทบทางอ้อม = 0.3×0.4 = 0.12; ช่วงความเชื่อมั่น 95% จากการทำ Bootstrapping ควรไม่รวมศูนย์จึงจะมีนัยสำคัญ ผลกระทบรวม (Total Effect) = ผลกระทบโดยตรง + ผลกระทบทางอ้อม; เปรียบเทียบกับศูนย์เพื่อประเมินความสัมพันธ์โดยรวม ความกลมกลืนของแบบจำลอง: การเป็นไปตามเกณฑ์ความกลมกลืนทั้งหมด (CFI, RMSEA ฯลฯ) บ่งชี้ว่าแบบจำลองสามารถจำลองโครงสร้างความแปรปรวนร่วม (Covariance Structure) ที่สังเกตได้ได้อย่างเพียงพอ ค่าความคลาดเคลื่อนใกล้ศูนย์ยืนยันความกลมกลืนในแต่ละเส้นทาง ดัชนีการปรับเปลี่ยน > 3.84 แนะนำเส้นทางที่อาจปรับปรุงความกลมกลืนได้ แต่การเพิ่มเส้นทางตามอำเภอใจจะเพิ่มความคลาดเคลื่อนประเภทที่ 1 (Type I Error); ควรปรับเปลี่ยนแบบจำลองใหม่ตามเหตุผลทางทฤษฎีหรือตรวจสอบความถูกต้องบนกลุ่มตัวอย่างอิสระเท่านั้น
ข้อผิดพลาดที่พบบ่อย
- การปรับเปลี่ยนแบบจำลองตามข้อมูล: การเพิ่มเส้นทางซ้ำๆ ตามดัชนีการปรับเปลี่ยน เป็นการใช้ประโยชน์จากโอกาสและสร้างแบบจำลองที่อาจไม่สามารถทำซ้ำได้ การปรับเปลี่ยนต้องมีเหตุผลทางทฤษฎีล่วงหน้า หรือทดสอบบนกลุ่มตัวอย่างอิสระ
- การละเลยแบบจำลองการวัด: การมุ่งเน้นเฉพาะเส้นทางเชิงโครงสร้างในขณะที่ปล่อยให้แบบจำลองการวัดได้รับการประมาณค่าอย่างอิสระ; การวัดที่ไม่เพียงพอจะบ่อนทำลายความถูกต้องเชิงโครงสร้าง
- การรายงานความกลมกลืนของแบบจำลองโดยไม่ตรวจสอบค่าความคลาดเคลื่อน: ดัชนีความกลมกลืนโดยรวมที่ดีไม่ได้รับประกันว่าทุกเส้นทางจะกลมกลืนกันดี ตรวจสอบค่าความคลาดเคลื่อนมาตรฐาน (Standardized Residuals) และดัชนีการปรับเปลี่ยนเพื่อระบุความไม่กลมกลืนเฉพาะจุด
- การปฏิบัติต่อ SEM ในฐานะการยืนยัน (Confirmatory) เมื่อใช้ในเชิงสำรวจ (Exploratory): หากแบบจำลองได้มาจากข้อมูล (การระบุแบบจำลองหลังการวิเคราะห์) ควรรายงานว่าเป็นแบบจำลองเชิงสำรวจและตรวจสอบความถูกต้องบนกลุ่มตัวอย่างอิสระ
- การสับสนระหว่างนัยสำคัญทางสถิติกับนัยสำคัญในทางปฏิบัติ: เส้นทางที่มีนัยสำคัญ (p < 0.05) ไม่ได้หมายความว่าผลกระทบนั้นมีขนาดใหญ่หรือมีความหมาย ควรรายงานขนาดของผลกระทบ (สัมประสิทธิ์มาตรฐาน) และช่วงความเชื่อมั่น
- การใส่ตัวแปรแฝงมากเกินไปในแบบจำลอง: ตัวแปรแฝงมากเกินไปเมื่อเทียบกับจำนวนตัวบ่งชี้และขนาดตัวอย่าง ทำให้การประมาณค่าไม่เสถียร; ควรใช้ SEM แบบกลุ่ม (Multigroup SEM) หรือแบบจำลอง Bifactor อย่างระมัดระวัง
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างผลกระทบโดยตรงและผลกระทบทางอ้อม (Mediation)?
ผลกระทบโดยตรงคือเส้นทางจาก X ไปยัง Y ซึ่งวัดปริมาณว่า X ส่งผลต่อ Y โดยตรงอย่างไร ผลกระทบทางอ้อมคือเส้นทาง X→M→Y ซึ่งวัดปริมาณว่า X ส่งผลต่อ Y ผ่านตัวกลาง M อย่างไร ผลกระทบทางอ้อมเท่ากับผลคูณของสัมประสิทธิ์เส้นทาง X→M คูณกับสัมประสิทธิ์เส้นทาง M→Y ผลกระทบรวม = ผลกระทบโดยตรง + ผลกระทบทางอ้อม การทำ Mediation เกิดขึ้นเมื่อ: (1) ผลกระทบโดยตรง X→Y ลดลงหลังจากควบคุมตัวแปร M และ (2) ผลกระทบทางอ้อม X→M→Y มีนัยสำคัญ (ช่วงความเชื่อมั่นจากการทำ Bootstrapping ไม่รวมศูนย์) การทำ Mediation สมบูรณ์ (Full Mediation): ผลกระทบโดยตรงไม่เหลือความมีนัยสำคัญหลังจากรวมตัวกลาง การทำ Mediation บางส่วน (Partial Mediation): ทั้งผลกระทบโดยตรงและทางอ้อมมีนัยสำคัญ ซึ่งหมายความว่า X ส่งผลต่อ Y ผ่านหลายเส้นทาง
ฉันจะทราบได้อย่างไรว่าแบบจำลองของฉันมีความกลมกลืนกันดี? ค่า CFI และ RMSEA หมายถึงอะไร?
ความกลมกลืนของแบบจำลองตัดสินโดยใช้ดัชนีหลายตัว (เกณฑ์ของ Hu & Bentler, 1999): CFI (Comparative Fit Index) เปรียบเทียบแบบจำลองของคุณกับแบบจำลองศูนย์ (Null Model) (ตัวแปรทั้งหมดไม่สัมพันธ์กัน); CFI > 0.95 บ่งชี้ความกลมกลืนที่ดี (ช่วง 0–1) RMSEA (Root Mean Square Error of Approximation) วัดค่าความคลาดเคลื่อนระหว่างแบบจำลองกับข้อมูลต่อองศาความเป็นอิสระ (Degrees of Freedom); RMSEA < 0.06 ดีเยี่ยม, 0.06–0.08 ดี, >0.10 แย่ (ยิ่งใกล้ศูนย์ยิ่งดี) แนะนำให้ใช้ TLI > 0.95 และ SRMR < 0.08 ด้วย การเป็นไปตามเกณฑ์ทั้งหมดพร้อมกันบ่งชี้ถึงความกลมกลืนที่ดี อย่างไรก็ตาม ความกลมกลืนโดยรวมที่ดีไม่ได้รับประกันว่าทุกเส้นทางจะกลมกลืนกันดี; ควรตรวจสอบค่าความคลาดเคลื่อนมาตรฐาน (Standardized Residuals) (ควรน้อยกว่า |2|) และดัชนีการปรับเปลี่ยน
ตัวแปรแฝงคืออะไร และฉันจะวัดมันได้อย่างไร?
ตัวแปรแฝงคือโครงสร้างที่ไม่สามารถสังเกตได้โดยตรง (เช่น ภาวะซึมเศร้า, ความฉลาด, วัฒนธรรมองค์กร) ซึ่งวัดได้ทางอ้อมผ่านตัวบ่งชี้ที่สังเกตได้หลายตัว (รายการในแบบสอบถาม, คะแนนสอบ) ตัวบ่งชี้แต่ละตัวสะท้อนถึงโครงสร้างแฝงบวกกับความคลาดเคลื่อนในการวัด ใน SEM คุณระบุว่าตัวแปรที่สังเกตได้ใดบ้างที่วัดโครงสร้างแฝงใดผ่านค่า Factor Loadings ตัวอย่างเช่น ตัวแปรแฝง 'ภาวะซึมเศร้า' อาจวัดได้จากรายการ: ความเศร้า, ความสิ้นหวัง, การรบกวนการนอนหลับ (ตัวบ่งชี้ที่สังเกตได้) ค่า Loading แต่ละค่าควรมีค่า ≥0.5; หากตัวบ่งชี้มีค่า Loading ต่ำ ควรพิจารณาลบออกหรือปรับเปลี่ยนแนวคิดของโครงสร้างแฝง
ฉันสามารถใช้ SEM เพื่อสร้างความเป็นสาเหตุจากข้อมูลเชิงสังเกตได้หรือไม่?
ไม่ได้ SEM ประมาณค่าความสัมพันธ์และทดสอบว่าแบบจำลองเชิงสาเหตุที่ตั้งสมมติฐานไว้สามารถจำลองโครงสร้างสหสัมพันธ์ในข้อมูลได้หรือไม่ สัมประสิทธิ์เส้นทางแสดงถึงค่าน้ำหนักการถดถอย (ความสัมพันธ์แบบมีเงื่อนไข) ไม่ใช่ผลกระทบเชิงสาเหตุ ความเป็นสาเหตุต้องการ: (1) ลำดับเวลา (X วัดก่อน Y) (2) ความสัมพันธ์ร่วม (X และ Y สัมพันธ์กัน) (3) ไม่มีคำอธิบายทางเลือกที่เป็นไปได้ (ตัวแปรกวน, ความเป็นสาเหตุย้อนกลับ) SEM เชิงสังเกตละเมิดเกณฑ์ที่ 3: ตัวแปรกวนและสาเหตุที่ไม่ได้วัดคุกคามความถูกต้อง ความกลมกลืนของแบบจำลองทางสถิติเพียงอย่างเดียวไม่สามารถพิสูจน์ความเป็นสาเหตุได้ ใช้ SEM ร่วมกับทฤษฎี หลักฐานเชิงคุณภาพ และการออกแบบการศึกษา (การสุ่ม, ตัวแปรเครื่องมือ) เพื่อเสริมสร้างการอนุมานเชิงสาเหตุ พิจารณาการวิเคราะห์ความไว (Sensitivity Analyses) เพื่อทดสอบแบบจำลองทางเลือก
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วHu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วWright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว