top of page

RESEARCH PROCESS

หากสรุป Flowchart ในการทำวิจัย รวมไปถึง Software, Website & AI. ที่สามารถให้ความช่วยเหลือ
นักวิจัยได้โดยคร่าวๆ สามารถสรุปได้ดัง flow diagram ด้านล่างนี้ 
RESEARCH PROCESS.jpg

WHY 'SEM'

CAUSAL EFFECT MODEL

ในการเลือกใช้สถิตินั้น หากเป็นวิจัยเชิงประยุกต์ [applied research] เช่น การวิจัยเชิงสังคมศาสตร์ การวิจัยทางจิตวิทยา การวิจัยผู้บริโภค ฯลฯ หรือการวิจัยในระดับปริญญาโทหรือปริญญาตรีโดยทั่วไป เป็นการง่ายกว่าที่จะเลือกใช้ multiple regression และแยกอธิบายในแต่ละตัวแปร มีความยุ่งยากน้อยกว่า ใช้เวลาและโดยมากมีค่าใช้จ่ายน้อยกว่า หากเทียบกับการใช้ SEM ในการวิเคราะห์ แต่ก็แลกมาด้วยผลการศึกษาที่ประสิทธิภาพด้อยกว่า

 

ส่วนการวิจัยเชิงทฤษฎีหรือวิจัยบริสุทธิ์ [pure research] ที่จะต้องสร้างองค์ความรู้ใหม่ หรือหาความสัมพันธ์เชิงเหตุผลเชิงประจักษ์แล้ว SEM ก็จะเป็นสถิติที่เลี่ยงไม่ได้ ต้องใช้ความพยายามในการทบทวนวรรณกรรมมากกว่า หาหลักฐานมารองรับความสัมพันธ์ในแต่ละเส้นมากกว่า ทำความเข้าใจต่อเนื้อหาลึกซึ้งกว่า และที่สำคัญ เจอคำถามที่อยากกว่าในเวลา defend รวมไปถึงการส่งตีพิมพ์ 

ต่อไปนี้คือเหตุผลในเชิงหลักการว่า เพราะเหตุใดการวิเคราะห์โมเดลสมการโครงสร้าง จึงตอบโจทย์งานวิจัยในยุคสมัยใหม่นี้

SEM model sample 1.png
WWW. LONEWOLF_edited.png
รายงานทางการเงิน

01

ความสัมพันธ์ที่ซับซ้อน
[Complex relationship]

เมื่อนักวิจัยต้องการทำความเข้าใจความสัมพันธ์ที่ซับซ้อนระหว่างตัวแปรหลายตัว สามารถจัดการโมเดลที่มีตัวแปรแฝง (Latent variable / unobserved variable : ไม่ได้สังเกต) และตัวบ่งชี้หลายตัวสำหรับแต่ละภาวสันนิษฐาน [Construct]

03

ความแปรปรวนในการวัด [Measurement Error]

SEM สามารถอธิบายความแปรปรวนในการวัดในตัวแปรได้ ในสถานการณ์จริงหลายๆ ประการ ตัวแปรที่นักวิจัยสนใจนั้นไม่สามารถวัดได้อย่างสมบูรณ์แบบ SEM ช่วยให้นักวิจัยจำลองความแปรปรวนในการวัดได้อย่างชัดเจน ทำให้สามารถประมาณความสัมพันธ์ระหว่างตัวแปรได้แม่นยำยิ่งขึ้น

02

ตัวแปรส่งผ่านและตัวแปรกำกับ [Mediator & Moderator]

SEM ช่วยให้นักวิจัยสามารถตรวจสอบทั้งผลกระทบของการส่งผ่านหรือกำกับได้พร้อมๆ กัน การส่งผ่านเกิดขึ้นเมื่อผลกระทบของตัวแปรอิสระต่อตัวแปรตามถูกส่งผ่านโดยตัวแปรที่มีบทบาทระหว่างกลาง [intervening] ตั้งแต่หนึ่งตัวขึ้นไป การกำกับเกิดขึ้นเมื่อขนาด [strength] หรือทิศทาง [direction] ของความสัมพันธ์ระหว่างตัวแปรสองตัวขึ้นอยู่กับเงื่อนไข [contingent] ของตัวแปรอื่น

04

การประเมินความสอดคล้องของแบบจำลองกับข้อมูลเชิงประจักษ์
[Model fit assessment]

SEM มีดัชนีความสอดคล้อง [fit index] หลายดัชนี (เช่น Chi-square], ดัชนีความสอดคล้องเชิงเปรียบเทียบ [Compar-ative fit index : CFI] Root Mean Square Error of Assessment : RMSEA) ซึ่งช่วยให้นักวิจัยสามารถประเมินว่าแบบจำลองที่ตั้งสมมติฐาน [hypothesis] ไว้เหมาะสมกับข้อมูลที่สังเกตได้ดีเพียงใด เป็นสิ่งสำคัญในการรับรองว่าความสัมพันธ์ที่เสนอในแบบจำลองได้รับการสนับสนุนโดยข้อมูลเชิงประจักษ์ [empirical data] อย่างแท้จริง

ประชุมธุรกิจ
WWW. LONEWOLF_edited.png

05

การจัดการกับปัญหา multicollinearity  

ในการวิเคราะห์การถดถอย ความเป็น multicollinearity (ความสัมพันธ์สูงระหว่างตัวแปรตัวทำนาย) อาจทำให้เกิดปัญหา ยากต่อการตีความผลกระทบแต่ละอย่างของตัวทำนาย SEM สามารถจัดการ multicollinearity ได้อย่างมีประสิทธิภาพมากขึ้น ช่วยให้นักวิจัยสามารถแยกแยะ [disentangle] ผลกระทบเฉพาะของตัวทำนาย [predictor] ที่สัมพันธ์กัน

06

การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis : CFA)

SEM สามารถรวมการวิเคราะห์องค์ประกอบเชิงยืนยัน ซึ่งใช้เพื่อตรวจสอบความถูกต้องของมาตราส่วนในการวัด [Measurement Scale] นักวิจัยสามารถยืนยันได้ว่าตัวบ่งชี้ที่เลือกนั้นเป็นตัวแทนที่ดีของภาวสันนิษฐานพื้นฐานก่อนที่จะทำการวิเคราะห์ในภายหลัง เพื่อเพิ่มความเที่ยงตรง [validity] ของผลลัพธ์

07

การวิเคราะห์เส้นทาง
[Path analysis]

SEM ช่วยให้นักวิจัยทดสอบสมมติฐานเฉพาะเกี่ยวกับความสัมพันธ์ระหว่างตัวแปรโดยใช้การวิเคราะห์เส้นทาง การวิเคราะห์เส้นทางช่วยให้นักวิจัยสามารถสำรวจผลกระทบทั้งทางตรง [direct effect] และทางอ้อม [indirect effect] ของตัวแปรที่มีต่อกัน ทำให้มีความเข้าใจกระบวนการที่ซ่อนอยู่ได้ละเอียดยิ่งขึ้น

โดยสรุป นักวิจัยเลือกใช้ SEM เมื่อพวกเขาต้องการสร้างแบบจำลองความสัมพันธ์ที่ซับซ้อน คำนึงถึงความคลาดเคลื่อนในการวัด ประเมินความเหมาะสมของแบบจำลอง จัดการกับผลกระทบของตัวแปรส่งผ่านและตัวแปรกำกับ และสำรวจเส้นทางทั้งทางตรงและทางอ้อมระหว่างตัวแปร

WWW. LONEWOLF_edited.png
bottom of page