"บทความนี้เป็นการย้อนบทความเดิมมาลงใหม่ในเว็บไซต์นี้ครับ"
บทความนี้จะนำเสนอการวิเคราะห์ Moderator แบบ Interaction term โดยใช้โปรแกรม Mplus ซึ่งจะเป็นในรูปแบบ Path Analysis (ยังมีรูปแบบอื่น คือ Latent Moderator - อ่านเพิ่มเติม)
ภาพบนนี้ คือกรอบการวิเคราะห์ Moderator
ในโมเดลนี้จะมีตัวแปรอิสระ(X) 2 ตัว ตัวแปรตาม(Y) 1 ตัว และตัวแปรปฏิสัมพันธ์(Mo) 2 ตัว
ภาพนี้ เป็นผลการวิเคราะห์โดยแสดงค่าอิทธิพลทุกเส้น
และภาพนี้คือภาพที่แสดงเส้นอิทธิพลที่มีนัยสำคัญเท่านั้น
มาแปลผลกัน
1.ตัว Int ต้องมีนัยสำคัญ และตัว Mo เดิม จะต้องไม่มีนัยสำคัญ ถึงจะบอกได้ว่าตัว Mo นั้นมีความเป็น Moderator จริง
2.เมื่อเป็นจริงดังข้อ 1 แล้ว ค่อยไปดูต่อว่า แล้วตัวแปรอิสระนั้นยังคงมีนัยสำคัญหรือไม่
2.1 ถ้ามีแปลว่าเป็น Partial Moderator
2.2 ถ้าไม่มีแปลว่าเป็น Full Moderator
แล้วจากผลข้างต้นล่ะแปลได้ว่าอย่างไร
1.เราพบว่า Int2 มีนัยสำคัญ และ Mo2 กลับไม่มี เราสนใจแค่นี้ อย่างน้อยตรงนี้เราแปลว่า Mo2 เป็น Moderator แน่นอน ส่วน Int1 เราก็ไม่สนใจ เพราะมันไม่มีนัยสำคัญ แม้ว่า Mo1 จะมีนัยสำคัญก็ตาม
2.เมื่อพบว่า Int2 มีนัยสำคัญ และ Mo2 กลับไม่มีนัยสำคัญ ตรงนี้สรุปได้ว่าเป็น Pure Moderator จึงไปดูต่ออีกว่า แล้ว X ทั้งสอง มีนัยสำคัญหรือไม่ ผลก็คือไม่มีนัยสำคัญเลย ไม่ว่าจะ X ใดก็ตาม นั่นทำให้แปลผลสุดท้ายได้ว่า
"Mo2 เป็น Moderator ระหว่าง Xs ไป Y อย่างมีนัยสำคัญ"
Coding from Mplus
title: moderator data: file is data_mplus.dat; variable: names are X1 X2 Y1 Y2 MO1 MO2 X0 Int1 Int2 Int3 Int4; usevariable are X1 X2 Y1 MO1 MO2 Int1 Int2; define: Int1="X1*MO1; Int2="X1*MO2; analysis: type = random; algorithm = integration; estimator = MLF; model: Y1 on X1 X2 MO1 MO2; Y1 on Int1 Int2;
สนใจเรียนสถิติพื้นฐานสำหรับการวิจัย Basic Statisitc by SPSS หรือสถิติขั้นสูงสมการโครงสร้าง Advanced Statistic SEM ติดต่อสอบถามได้ในทุกช่องทาง
ร่วมติดตามได้ทุกช่องทาง
follow or subscribe in any channel
tel.086-555-5949
line: @SmartResearchThai
Youtube: SmartResearchThai
Facebook: SmartResearchThai
Comments