บทความนี้ จะมาสอนใช้ SmartPLS เบื้องต้นกันครับ ดูตาม ทำตามได้เลย ง่ายๆ มาดูกันครับ
Outline:
Smart PLS มีไว้ทำอะไร
ภาพรวมโปรแกรม
การจัดการข้อมูลดิบ และนำเข้าโปรแกรม
การสร้างโมเดล
การวิเคราะห์โมเดล
การอ่านผล
1. Smart PLS มีไว้ทำอะไร
ย้อนความไปสู่เรื่องการวิเคราะห์สมการโครงสร้าง (Structural Equation Modeling: SEM) ว่ามี 2 แนวทาง หรือ approach คือ CB-SEM (กลุ่ม AMOS, LISREL, Mplus) กับ PLS-SEM (กลุ่ม SmartPLS, WarpPLS) โดย CB-SEM นั้นใช้ฐานการวิเคราะห์แบบ Covariance-based ส่วน PLS-SEM ใช้ฐานการวิเคราะห์แบบ Variance-based (อ่านเพิ่มเติมเรื่อง CB-SEM vs PLS-SEM)
เพิ่มเติมอีกสักหน่อย การพิจารณาโมเดลแบบ PLS จะแตกต่างจาก CB-SEM โดยที่ CB-SEM จะพิจารณาค่า Model fit เช่น CFI, RMSEA, GFI เป็นต้น ในขณะที่ PLS จะพิจารณาค่า R-sqaure, f-square,Q-square เป็นหลัก
อยากทบทวนเนื้อหาเรื่องนี้แบบฟังเพลินๆ ใน Youtube ตามไปที่นี่ได้เลย https://www.youtube.com/watch?v=bQvZG08T_g0
.
2. ภาพรวมโปรแกรม
ภาพรวมของโปรแกรมขอแบ่งออกเป็น 3 ส่วน
ส่วนของการจัดการข้อมูล
ส่วนการสร้างโมเดล และ
ส่วนของการอ่านผล
2.1 ส่วนของการจัดการข้อมูล
Workspace
ตัวโปรแกรม SmartPLS จะต้องทำการสร้าง Workspace เพื่อกำหนดเป็นพื้นที่ในการทำงาน ซึ่งต่างจากโปรแกรมอื่น ที่สามารถสร้างโมเดลได้เลย แล้วค่อยไปบันทึกลงใน folder ที่กำหนดไว้
ผู้ใช้ ต้องกำหนด workspace ก่อน เพื่อให้โปรแกรมรู้ว่าพื้นที่ทำงานอยู่ตรงไหน จากนั้นการกำหนดไฟล์ดิบที่ใช้ โมเดลที่สร้าง และ output ต่างๆ จะอยู่ในที่เดียวกัน
New Project
เมื่อกำหนด workspace เสร็จแล้ว ทำการสร้างโปรเจคต่อ เนื่องจากใน 1 workspace มีได้หลายโปรเจค เช่น โปรเจคตัวอย่างจะตั้งเป็น TutorSmartPLS และในแต่ละโปรเจคสามารถสร้างได้หลายโมเดลเช่นกัน
Export file
มื่อสร้างโปรเจคเรียบร้อยแล้ว ก่อนไปสู่การสร้างโมเดล เราจะมาเตรียมข้อมูลดิบให้พร้อมสำหรับ SmartPLS ก่อน โดยต้องทำการแปลงไฟล์ให้เป็นนามสกุล .csv ก่อน ถึงจะทำงานร่วมกันได้
2.2 ส่วนการสร้างโมเดล
Create model
ทำการสร้างโมเดลคล้ายๆ AMOS แต่สร้างง่ายกว่า แต่ความอิสระอาจจะมีน้อยกว่า AMOS
2.3 ส่วนการอ่านผล
Output
ส่วนของการอ่านผล จะมีหลายเมนูย่อยให้เลือกการอ่านผล
.
3. การจัดการข้อมูลดิบ และนำเข้าโปรแกรม
เมื่อสร้างโปรเจคเรียบร้อยแล้ว ก่อนไปสู่การสร้างโมเดล เราจะมาเตรียมข้อมูลดิบให้พร้อมสำหรับ SmartPLS ก่อน โดยต้องทำการแปลงไฟล์ให้เป็นนามสกุล .csv ก่อน ถึงจะทำงานร่วมกันได้
Export file
ตัวอย่างจากการเตรียมไฟล์ใน SPSS และทำการ export ไปเป็น .csv
สามารถจัดการไฟล์ได้ทั้งจาก SPSS และ Excel ก่อนการกดบันทึก ให้เลือก Save as type เป็น Comma delimited (*.csv) จริงๆ ในโปรแกรมรับ .txt ได้ แต่อยากแนะนำให้ใช้เป็น csv จะได้จำง่ายขึ้น และที่สำคัญ ถ้า export จาก SPSS ต้องติ๊กเลือก Write variable names to file ไว้ด้วย เพื่อให้เป็นการกำกับชื่อตัวแปรไว้ในบรรทัดแรกของข้อมูล
Import data (to the project)
เมื่อจัดการข้อมูลให้พร้อมแล้ว (.csv) ให้บันทึกไฟล์ข้อมูลดิบไว้ใน workspace เดียวกัน เพื่อง่ายต่อการจัดการ
ทางด้านซ้ายของโปรแกรมจะขึ้นให้ผู้ใช้เลือก Import data โดยเมื่อทำการ double click แล้วก็จะเปิดหน้าต่างให้เลือกไฟล์ที่เตรียมไว้ (TAM100.csv)
จากนั้น ถ้า import เรียบร้อย ไฟล์ไม่มีปัญหาอะไร จะปรากฏหน้าต่างแสดงความสมบูรณ์ และพร้อมของไฟล์
เมื่อจัดการไฟล์เรียบร้อย ขั้นตอนต่อไปจะเป็นการสร้างโมเดล
.
4. การสร้างโมเดล
ทางเมนูด้านซ้าย ให้ double click เลือกสร้างโมเดล โดยเลือก "Latent Variable" และทำการสร้างตัวแปรแฝงแต่ละตัวในพื้นที่โมเดล ตามโมเดล
เมื่อกำหนด Latent Variable ในแต่ละตำแหน่งตามกรอบโมเดลแล้ว ลำดับต่อไปให้กำหนดชื่อในแต่ละ Latent โดยการคลิกขวาแล้วเลือก rename หรือกด F2
เมื่อทำการสร้าง Latent เสร็จแล้ว โมเดลยังคงเป็นสีแดงอยู่ จากนั้นให้ทำการ Move ตัวแปรสังเกตไปใส่ไว้ในแต่ละ Latent เมื่อ move แล้วจะกลายเป็นสีน้ำเงิน ส่วนตัวแปรสังเกตจะเป็นสีเหลือง
เมื่อทำการสร้าง Latent และกำหนดตัวแปรสังเกตในแต่ละ Latent ทุกตัวเรียบร้อยแล้ว โมเดลจะสมบูรณ์
สังเกตง่ายๆ ว่า ถ้าโมเดลสมบูรณ์พร้อมรันแล้ว จะมีสัสันเป็นแบบนี้ คือ Latent สีน้ำเงิน และ Observed สีเหลือง แต่ว่าถ้าใครใช้เวอร์ชั่นเต็มหรือทดลองครั้งแรกจะสามารถเปลี่ยนสีได้
จากรูปโมเดลนี้ เรายังสามารถซ่อน observed หรือ indicator ได้ด้วย โดยการคลิกขวาที่ Latent แล้วเลือก hide indicator หรือ alt+x
ขั้นตอนต่อไป คือ การวิเคราะห์ หรือ calculate
.
5. การวิเคราะห์โมเดล
ขั้นตอนสุดท้ายในการทำงานก่อนการอ่านผลการวิเคราะห์ ก็คือ การคำนวณ calculator ซึ่งจะอยู่หลายฟังชั่น ดังนั้น ณ ที่นี้จะขอแนะนำเพียง 3 ฟังชั่นหลักๆ ได้แก่ 1) PLS algorithm 2) Bootstrapping และ 3) Blindfolding มาดูกันเลย
เมื่อทำการเลือกการวิเคราะห์แบบใด แบบหนึ่งแล้ว จะมีอีกหน้าต่างสำหรับการเลือก option ซึ่งจะแตกต่างไปในแต่ละแบบ ตัวอย่างนี้จะแนะนำแบบ algorithm อย่างเดียว
ใน option ของการวิเคราะห์แบบ PLS algorithm นั้น เราไม่จำเป็นต้องตั้งค่าอะไรเพิ่มเลย สามารถเลือก option ตาม default ที่กำหนดมาได้เลย จากนั้นคลิก Start Calculation จะไปสู่ขั้นตอนถัดไป คือ การอ่านผล
PLS algorithm
การวิเคราะห์นี้ จะเป็นตัวพื้นฐานของ SmartPLS เลย คือ จะออกผลหลักๆ ที่จำเป็น เช่นค่าอิทธิพล (path coefficient), ค่าน้ำหนัก (factor loading), ค่า R-square, f-square, Constructed Validity, Discriminant Validity, และค่า Model fit ต่างๆ เป็นต้น
จากภาพจะเห็นว่าเป็นผลของการวิเคราะห์จาก PLS algorithm โดยจุดที่แตกต่างคือ จะมีแต่ค่า path efficient แต่จะไม่มีค่า t-value, p-value ถ้าต้องการนำเสนอค่าเหล่านี้เพิ่ม ต้องไปเลือกวิเคราะห์ bootstrapping เพิ่ม
Bootstrapping
จากที่กล่าวในหัวข้อ pls algorithm หากต้องการค่า t-value, p-value เพิ่ม ต้องมาคลิกคำนวณตัวนี้ ถึงจะออกค่าเพิ่มได้ โดยค่าที่เพิ่มมานอกเหนือจากที่กล่าวแล้ว ยังมีค่า CI (confident inteval) ด้วย
Blindfolding
สำหรับ Blindfolding จะเป็นการเลือกเพื่อออกค่า Q-square เท่านั้น ค่านี้มีความหมายที่ใกล้เคียงกับค่า R-square แต่เป็นค่าเฉพาะที่มีใน PLS
.
6. การอ่านผล
เมื่อทำการวิเคราะห์เสร็จแล้ว ก็จะมาอ่านผลกัน โดยเมื่อรันเสร็จ โปรแกรมจะพาไปสู่หน้าต่างของผลทันที หากเราต้องการดูผลในรูปโมเดลที่เป็นค่าบนเส้น ต้องคลิกย้อนกลับไปที่ tab model และถ้าจะกลับมาดูผล ก็จะคลิกมาที่ tab output
จากภาพจะเห็นว่ามี tab แสดงขึ้นมา 3 tab คือ TAM100.txt (ข้อมูลดิบ), TutorSmartPLS (โมเดล), และ PLS algorithm Run no.1 (ผลจากการวิเคราะห์แบบ pls algorithm)
ดังนั้น หากเรากด calculate ใหม่ ด้วยวิธีการอื่น เช่น bootstrapping ก็จะเกิดผล output อีกแบบ ที่เป็นแบบ bootstrapping ขึ้นมาอีก tab นึง
แนวทางการพิจารณาของ Hair และคณะ 2011. อ้างอิงจากบทความของ Hair, Sarstedt, และ Ringle (2011) เรื่อง An assessment of the use of partial least square structural equation modeling in marketing research. แนะนำไว้ว่า
Refective model
ค่าน้ำหนักองค์ประกอบ (Standardized Factor Loading) >= 0.70
ค่าความเชื่อมั่น (Cronbach Alpha) >= 0.70
ค่าความแปรปรวนเฉลี่ยที่สกัดได้ (Average Variance Extraction: AVE) >=0.50
Discriminant Validity ... ค่า AVE > Square Correlation ตามสูตรของ Fornell-Larcker
Formative model
VIF < 5
Tolerance > 0.20
R-square จะพิจารณาตามแต่ละสาขาของงานวิจัย
f-square = 0.02 for weak, 0.15 for moderate, 0.35 for strong
Q-square > 0
สรุปสั้นๆ ก็คือ หากโมเดลมีโมเดลการวัด หรือ measurement model แบบ reflective ให้เน้นค่าแบบ reflective แต่หากมีโมเดลการวัดแบบ formative ให้เน้นค่าแบบ formative (อ่านเพิ่มเติม)
ทีนี้อาจมีคำถามว่า ถ้าทำเป็น reflective model แล้วจะพิจารณาอย่างไรว่าโมเดล SEM โอเคหรือไม่
คำแนะนำก็คือสามารถพิจารณาค่า R-square, f-square, Q-square ร่วมด้วย
สนใจเรียนการใช้โปรแกรม สามารถติดต่อสอบถามเพิ่มเติมได้ในทุกช่องทาง (ดูคอร์สโปรแกรมอื่นๆ)
source:
CB-SEM vs PLS-SEM
Partial Least Square criteria
ร่วมติดตามได้ทุกช่องทาง
follow or subscribe in any channel
.
tel.086-555-5949
line: @SmartResearchThai
Blockdit: SmartResearchThai
Youtube: SmartResearchThai
Facebook: SmartResearchThai
Comments