Research Article วันนี้จะมากันในเรื่อง "บทบาทของการวิเคราะห์องค์ประกอบเชิงยืนยันในแบบจำลองสมการโครงสร้าง The Role of Confirmatory Factor Analysis (CFA) in Structural Equation Modeling" โดย จารุพร ตั้งพัฒนกิจ และ ปาณิก เสนาฤทธิไกร, 2565. [original source]
บทความนี้สำคัญมาก เนื่องจากเป็นบทความที่ SmartResearchThai มีส่วนร่วมในการเขียนนั่นเองครับ
"บทความนี้ได้นำเสนอประเด็นสำคัญเกี่ยวกับการวิเคราะห์ CFA ว่าควรทำอะไรบ้าง เพื่อเป็นการต่อยอดไปยังการวิเคราะห์ SEM ต่อไป"
Research Article ของเรานั้นจะเป็น series ที่นำบทความวิจัยมานำเสนอ ยกประเด็นสำคัญที่อยากเล่าสู่กันฟัง โดยเฉพาะประเด็นที่เชื่อมโยงกับสถิติ
สามารถย้อนไปดูบทความเก่าใน series นี้ได้ ด้วยคำค้นในเว็บไซต์ของ SmartResearchThai.com ได้เลย หรือคลิกลิงก์ด้านล่าง
โดยเรื่องที่ผ่านมา มีทั้งเกี่ยวกับการตรวจสอบ CFA, การวิเคราะห์ Moderator แบบ Multiple Group Analysis และการวิเคราะห์ SEM พื้นฐาน
.
บทความของเราในวันนี้ ผมเชื่อมั่นว่าจะเป็นประโยชน์แก่ผู้อ่านทุกท่านอย่างแน่นอนครับ โดยเฉพาะท่านที่กำลังทำวิจัยที่ต้องใช้การวิเคราะห์สมการโครงสร้าง หรือ SEM โดยบทความนี้ จะเน้นการแนะนำว่าก่อนจะไปถึงขั้นการวิเคราะห์ SEM นั้น ควรมีการตรวจสอบองค์ประกอบเสียก่อน ซึ่งก็คือการทดสอบ CFA นั่นเอง โดยเนื้อหาของบทความได้นำเสนอประเด็นต่างๆ ดังนี้
ได้นำเสนอให้เป็นความรู้พื้นฐาน เพื่อต่อยอดในระดับที่สูงขึ้น มีเนื้อหาอย่างไร โปรดติดตาม
ความหมายเกี่ยวกับ Reliability และ Validity
เกี่ยวกับ Reliability และ Validity ขอนำเสนอด้วยภาพนี้
ในภาพนี้เป็นเหมือนภาพคลาสสิคในการสอนหรือพูดถึงเกี่ยวกับเรื่อง Reliability และ Validity ในภาษาไทยอาจเรียกใช้เป็น ความเชื่อมั่น (Relia) กับ ความตรง (Valid) หากดูจากภาพจะเห็นว่าเป้าขวาสุดคือภาพที่มุ่งหวังเพราะทั้งเชื่อมั่น และ ตรง หมายถึงเครื่องมือที่สร้างขึ้นมานั้นมีความ "ตรง" ต่อเนื้อที่กำลังศึกษา และมีความ "เชื่อมั่น" เพียงพอที่จะนำไปใช้เก็บข้อมูลจริง
ในขณะที่เป้าอื่นๆ จะสะเปะสะปะไปบ้าง โดย "เชื่อมั่น" จะแทนด้วยความ "ซ้ำ" จุดที่ยิงเข้าเป้า อย่างเช่นภาพซ้าย (ขอเรียกเป็นภาพที่ 1-4) หรือภาพที่ 1 และ 4 มีความซ้ำกับจุดเข้าเป้า แสดงถึงความ เชื่อมั่น ที่สามารถยิงเข้าเป้าหมายตรงจุดเดิมแสดงว่าแม่นมาก
ต่อมาเรื่อง "ความตรง" เป้าหมายของความตรงคือคะแนนสูงสุดหรือจุดกลางของเป้า นั่นคือ เป้าหมายที่เราต้องการจะยิงให้โดน ก็เทียบได้กับเครื่องมือการวิจัยที่สร้างขึ้นมาแล้วตรงกับเรื่องที่ต้องการจะทำหรือไม่ ซึ่งจะเห็นว่าภาพ 4 มีความตรงมากที่สุด เพราะยิงเข้าเป้าหมายมากที่สุด ในขณะที่ภาพอื่นๆ จะมีความผิดพลาดเยอะ
ประเด็น Reliability และ Validity จึงสามารถสรุปคร่าวๆ ได้ว่า เครื่องมือวิจัยที่สร้างขึ้นมานั้นมีความตรงตามเนื้อหา และมีความเชื่อมั่นในตัวเครื่องมือมากน้อยเพียงใด
ขอทวนคำว่าเครื่องมือสักนิด เครื่องมือในการวิจัย โดยเฉพาะสายสังคมศาสตร์ก็จะหนีไม่พ้น "แบบสอบถาม" ซึ่งการพัฒนาแบบสอบถามขึ้นมานั้น เอาจริงๆ ก็ไม่ใช่เรื่องง่าย หรือยากจนเกินไป เพียงแต่ต้องมีที่มา ที่ไป มักจะมาจากคำนิยาม ความหมาย แนวคิดในเชิงทฤษฎี เพราะฉะนั้นจึงต้องแปลงให้เป็นคำถามสั้นๆ รายข้อ แล้วใช้วิธีการทางสถิติเพื่อย้อนตรวจสอบว่าที่เราสร้างขึ้นมานั้น มันถูกต้องหรือไม่ มัน "ตรง" กับเรื่องที่ศึกษาหรือไม่ และมัน "เชื่อมั่น" ต่อการนำไปเก็บข้อมูลจริงได้แค่ไหน เรื่องนี้จึงเกี่ยวข้องกับ CFA ซึ่งจะว่ากันในหัวข้อต่อไป
อ่านทบทวนได้ในบทความ CFA Series (4) Validity .
การตรวจสอบองค์ประกอบด้วยค่า CR AVE และ Discriminant Validity
ในเรื่องนี้จะต่อยอดมาจากเรื่อง Reliability และ Validity ที่ได้กล่าวไปแล้วก่อนหน้า ว่า เราต้องทำการตรวจสอบเครื่องมือที่พัฒนาขึ้นมานั้นมีความตรงและมีความเชื่อมั่นมากแค่ไหน โดยสิ่งที่จะยืนยันได้ว่ามัน "ตรง" และ "เชื่อมั่น" ก็คือการตรวจสอบด้วยค่า CR AVE และ Discriminant Validity
CR ย่อมาจาก Composite Reliability
AVE ย่อมาจาก Average Variance Extraction
ทั้งสองค่านี้จะได้มาจากการคำนวณด้วยค่าน้ำหนักองค์ประกอบ
ค่าน้ำหนักองค์ประกอบก็มาจากการวิเคราะห์ CFA นั่นเอง
มาถึงตรงนี้ กำลังชี้ให้เห็นว่าการวิเคราะห์ CFA นั้น ทำให้เราได้ information ที่หลากหลายและเป็นประโยชน์ต่องานอย่างมาก โดย CR จะดูในเรื่องความเชื่อมั่นองค์ประกอบ และ AVE จะดูในเรื่องความตรง ซึ่งยังไม่พอ ยังไปเกี่ยวข้องกับ Discriminant Validity ซึ่งเป็นการนำค่า AVE สร้างตารางความสัมพันธ์ระหว่างตัวแปรองค์ประกอบ
จากภาพตัวอย่าง จะเห็นว่า ตัวแปรองค์ประกอบทั้ง 4 ตัว มาหาความสัมพันธ์กัน เช่น ความรู้กับทัศนคติ มีค่าสหสัมพันธ์เท่ากับ 0.140 และได้นำค่า AVE มาหารากที่สอง หรือ Square Root แล้วมาใส่ในแนวทแยง เพื่อนำไปสู่การแปลว่าที่ว่า ค่าในแนวทแยงมีค่ามากกว่าค่าสหสัมพันธ์ในตารางหรือไม่ หากมีค่ามากกว่า แสดงว่า ในแต่ละองค์ประกอบนั้นมีความตัวของตัวเองสูง ไม่ปนกัน ไม่ทับซ้อนกัน ต่างคนต่างอยู่ ต่างเป็นตัวแปรตัวของตัวเองอย่างแท้จริง
อ่านทบทวนได้ในบทความ CFA Series (4) Validity.
การวิเคราะห์แบบ First Order และ Higher Order
เกี่ยวกับประเด็นนี้ การวิเคราะห์ CFA จะขึ้นกับองค์ประกอบที่สร้างขึ้นมา ว่าแบ่งเป็นกี่ระดับ มีความซ้อนทับกันของตัวแปรนิยามมากแค่ไหน จะเป็น First หรือ Second order นั้นจะขึ้นกับนิยาม ความหมาย แนวคิดของตัวแปรนั้นๆ เช่น ส่วนประสมการทางการตลาด มี 4P Product Price Place Promotion สามารถมองได้หลายแบบ คือ ในตัว product มีข้อคำถามกี่ข้อ ถือเป็นตัวแทนของเรื่อง product ซึ่งสามารถวาดโมเดลได้ว่า
จากภาพแทนด้วยตัวแปร Cognitive ซึ่งประกอบด้วย 5 ข้อคำถาม (items/ indicators) เป็นการทำการทดสอบแยกในแต่ละองค์ประกอบ
ต่อมาลองดูภาพตัวอย่าง ในกรณีที่ทำการทดสอบหลายๆ องค์ประกอบในที่เดียวกัน ซึ่งจะมี information ที่ต่างออกไป ลองดูภาพ
จากภาพนี้จะเป็นการรวมของหลายๆ องค์ประกอบเข้าไว้ด้วยกัน เราเรียกว่า common factor ผลลัพธ์ที่ได้คือค่าน้ำหนักที่เกิดขึ้นย่อมมีผลมาจากหลายๆตัวแปร ความหมายคือ ถ้าทดสอบเพียงองค์ประกอบเดียวแยกกัน กับ ทดสอบหลายองค์ประกอบในที่เดียวกัน ผลย่อมต่างกัน แต่ก็ควรต่างกันไม่มาก เพื่อสะท้อนความแตกต่างกันจริงระหว่างองค์ประกอบ ... ย้อนไปหัวข้อก่อนหน้าที่ทดสอบ discriminant validity
ในขณะที่ถ้าแนวคิดมีความซับซ้อนมากขึ้น ตัวอย่างเช่น ส่วนประสมการตลาด 4P ถ้ามองว่าอยู่ภายใต้ Marketing Mix เราสามารถทดสอบในระดับที่สูงขึ้น เรียกว่า Second Order หรือ Higher Order มักใช้ทดสอบกับงานที่ต้องการสร้างและยืนยันเครื่องมือการวัด ลองดูตัวอย่าง
จากตัวอย่างเป็นการยืนยันว่า Cognitive กับ Affective อยู่ภายใต้ Enjoyment ใช่หรือไม่ จากการทดสอบบแบบนี้ จะทำให้เห็นว่าผลของค่าน้ำหนักในแต่ละองค์ประกอบได้กว้างขึ้น ลองดูภาพแล้วทำความเข้าใจตาม จะได้ว่า CI1-CI5 อยู่ภายใต้ Cognitive // AI1-AI5 อยู่ภายใต้ Affective ในขณะที่ Cognitive กับ Affective อยู่ภายใต้ Enjoyment
มาถึงตรงนี้ จะเห็นได้ว่าการทดสอบแบบ First Order หรือ Common Factor หรือ Second Order นั้น ไม่ได้เป็นการบังคับว่าต้องทำทั้งหมด หรือทำแค่อย่างใด อย่างนึง แต่เป็นแจกแจงว่าแต่ละแบบมีจุดเด่น จุดด้อย จุดสำคัญอย่างไร เราต้องการผลอะไร หรือเพื่อไปทำอะไรต่อ
อีกประเด็นสำคัญในเรื่องนี้ ที่เกี่ยวข้องกับ SEM ก็คือ บางงานเลือกที่จะนำเสนอแบบ second order ให้ปรากฎอยู่ใน Full SEM เลย แต่ในบางงานวิจัยจะไปทำการหาค่าเฉลี่ยรวมเสียก่อน เช่น จากตัวอย่างจะเฉลี่ยรวม Cognitive กับ Affective ให้กลายเป็น 2 ตัวแปร อยู่ภายใต้เรื่อง Enjoyment แล้วไปพยากรณ์ตัวแปรอื่นต่อไป
อ่านทบทวนได้ในบทความ CFA Series (2) First-Order Higher-Order .
รวมถึงการวิเคราะห์แบบ Formative
ประเด็นนี้ คือรูปแบบของการวิเคราะห์ CFA แบ่งเป็น 2 แบบ คือ Reflective กับ Formative
สิ่งที่เราได้พูดถึงไปข้างต้น และมักอธิบายความต่างๆ จะเป็นในลักษณะของ Reflective ทั้งนั้น อธิบายง่ายๆ คือ แบบ reflective เป็นความหมายว่า "องค์ประกอบ" นั้นๆ มีตัวชี้วัดอะไรอยู่บ้าง ดังตัวอย่างข้างต้น องค์ประกอบ Cognitive ประกอบไปด้วยตัวชี้วัด CI1-CI5 ซึ่งสามารถลดหรือเพิ่มไปจาก 5 ตัวชี้วัดได้ จึงมีความหมายตามชื่อ คือ การสะท้อนตัวชี้วัดมาจากองค์ประกอบนั่นเอง
ส่วน Formative จะตรงกันข้ามกัน จะให้ความหมายว่า ตัวชี้วัดที่เกิดขึ้นนั้น ร่วมกัน ก่อร่าง ให้เป็นองค์ประกอบนั้นๆ ความต่างที่สำคัญก็คือ ตัวชี้วัดใน Formative จะลดจะเพิ่มไม่ได้ ต้องเป็นเช่นนั้น ต้องตรงกับทฤษฎี ตัวอย่างในเรื่อง Formative นั้น หาได้ค่อนข้างยากเนื่องจากเป็นงานที่ต้องพิสูจน์ทั้งในเชิงสถิติและเชิงแนวคิด เราจะยืนยันอย่างหนักแน่นได้อย่างไรว่า องค์ประกอบที่เราสนใจนี้ ต้องประกอบไปด้วยตัวชี้วัดนี้ เท่านั้น ยกตัวอย่างเช่น Marketing Mix เราบอกว่า ประกอบไปด้วย 4P ถ้าองค์ความรู้ในเรื่องนี้ เดินทางมาถึงจุดอิ่มตัว จุดที่มั่นใจได้แล้วว่า Marketing Mix ต้องประกอบไปด้วย 4P แน่ๆ ขาดไปจากนี้ หรือเพิ่มไปจากนี้ "ไม่ได้" เมื่อนั้น เราก็ย่อมพูดได้ว่า 4P เป็น Formative model ของ Marketing Mix ลองดูภาพแนวคิด 4 มิติดังนี้
จากภาพ แสดงมิติหรือประเภทของโมเดล 4 แบบ เป็นความสัมพันธ์ที่เกิดขึ้นได้ของ Reflective model กับ Formative model โดย model 1 Reflective-Reflective จะพบเจอมากที่สุด เพราะคือแนวคิดและเนื้อหาของ CFA ที่เราเรียนๆ กันนั่นเอง
อีกความยากของการทดสอบ Formative คือโปรแกรม หากเราใช้ AMOS LISREL Mplus โปรแกรมเหล่านี้จะเรียกว่า Co-Variance Based เนื่องจากใช้หลักการของ Co-Variance เข้ามาช่วยในการคำนวณ ดังนั้น การจะวิเคราะห์ Formative จึงไม่ง่าย แต่ีมัคำแนะนำว่าให้ใช้ MIMIC model มาช่วยในการวิเคราะห์ formative ได้ ในกรณีที่เราต้องใช้โปรแกรม co-variance based
แต่ถ้าเราเลือกใช้โปรแกรมตระกูล PLS ทั้งหลาย เช่น SmartPLS แบบนี้จะอยู่ใน Variance-Based ทำให้สามารถลดข้อจำกัดและทำการวิเคราะห์ Formative ได้ (อ่านเพิ่มเติมเกี่ยวกับ Co-Variance based vs Variance based)
อ่านทบทวนได้ในบทความ CFA Series (3) Formative .
โดยสรุป
บทความนี้ต้องการนำเสนอความสำคัญในมุมของ CFA ว่ามีส่วนเกี่ยวข้องอย่างไรกับ SEM ด้วยแนวคิดที่ว่า การวิเคราะห์ SEM นั้น ต้องทำอะไรบ้าง และหนึ่งในนั้นคือการวิเคราะห์ CFA ใช่หรือไม่
ดังนั้นบทความนี้จึงเป็นคำตอบให้แก่ทุกท่านในการไขข้อสงสัยนี้ (คลิกเพื่ออ่านต้นฉบับ)
นอกจากนี้ หากสนใจบทความที่อยู่ในบล็อคภายใต้เว็บไซต์ SmartResearchThai สามารถอ่านบทความเก่าใน series CFA ได้ ตามลิงก์นี้เลย
ต้องการเรียนสถิติ อยากปรึกษาสถิติทั้งเรื่อง Factor Analysis, CFA, SEM หรือเรื่องอื่นๆ สามารถติดต่อสอบถามเข้ามาได้เลย
.
'นึกถึงสถิติ นึกถึงเรา Smart Research Thai'
ร่วมติดตามได้ทุกช่องทาง
follow or subscribe in any channel
.
tel.086-555-5949
line: @SmartResearchThai
Blockdit: SmartResearchThai
Youtube: SmartResearchThai
Facebook: SmartResearchThai
Comentários