บทที การทดสอบสถติ ิไร้พารามเิ ตอร์ ผลการประมวลปรากฏว่าค่าสถิติ K-S Z = . มนี ัยสาํ คัญที . นันคอื ยอมรบั H แสดงว่าความสามารถของนักเรียนชันประถมศกึ ษาทงั กล่มุ ไม่แตกต่างกนั . The Wald-Wolfowitz Runs Test ใช้ทดสอบสมมติฐานว่ากลุ่มตวั อย่างทเี ป็นอสิ ระกนั กล่มุ ถูกสุ่มมาจากประชากรเดียวกัน หรอื ไม่ ตวั อยา่ ง . ในการทดสอบวชิ าภาษาไทยของนักเรียน กล่มุ ปรากฏคะแนนการสอบดงั นี กล่มุ : กลุ่ม : จงทดสอบว่านักเรียน กล่มุ นมี าจากกลุ่มนักเรยี นทมี ีความสามารถพอ ๆ กันหรือไม่ ตังสมมติฐาน H : กล่มุ ตัวอย่างทงั กลุ่มมาจากประชากรทมี ีความสามารถเทา่ กัน H : กลุ่มตวั อย่างทงั กลุ่มมาจากประชากรทแี ตกต่างกัน ลงรหัสข้อมูลได้ดังนี ให้ group แทนตัวแปรจดั กล่มุ รหัส แทนกลุ่มที และรหัส แทนกลุ่มที ให้ score แทนคะแนนจากการสอบคณติ ศาสตร์ ประมวลผลได้ดงั นี Test Statisticsa,b Number of Runs Z Asymp. Sig. (1- -3.997 tailed) score Minimum Possible 8c -3.997 .000 .000 Maximum Possible 8c
ภาพประกอบ . ผลการประมวลปรากฏว่ามีนัยสาํ คญั ทางสถิตทิ ี . แสดงว่าปฏเิ สธ H ยอมรับ H แสดง ว่านกั เรยี นทงั กล่มุ มีความสามารถต่างกนั หรือเป็นกลุ่มตัวอย่างจากประชากรนักเรียนทมี ี ความสามารถต่างกนั การใช้ SPSS เพือการวิเคราะหข์ ้อมลู 4. การทดสอบกลุม ตัวอยา งมากกวา สองกลุมท่ีสมั พนั ธก นั ในการทดสอบกรณกี ลุ่มตัวอย่างสองกลุ่มสัมพนั ธก์ ันนี มสี ถติ ิทเี กียวข้องอยู่ ตวั คือ . The Cochran Q Test . The Friedman Test . Kendall Coeficient of Concordance สถิติในกลุ่มนีใช้เดียวกันคอื ใช้เมนู “Analyze” เมนูรอง “Nonparametric Test” เมนูย่อย "Legacy Dialogs" และคลิกเลอื ก “K Related Samples...” จะปรากฏหน้าต่าง ภาพประกอบ . เลือกตัวแปรทตี ้องการทดสอบใส่ช่อง “Test Variables:” และเลือกสถิตทิ ตี ้องการทดสอบใน ช่อง “Test Type” ป่ ุม “Statistics...” สาํ หรับกาํ หนดให้โปรแกรมประมวลค่าสถติ ิ . The Cochran Q Test ใช้ทดสอบความแตกต่างตามเกณฑข์ องจาํ นวนกลุ่ม เช่นโอกาสทคี นจะตอบว่า “ชอบ” มี จาํ นวนเท่า ๆ กนั ทุกกลุ่มหรอื ไม่ ตวั อยา่ ง . ทดลองให้นกั เรียนลองแก้ปัญหาทางคณติ ศาสตรข์ ้อหนงึ ซงึ มวี ิธีการแก้ปัญหาอยู่ วิธี โดย สุ่มตัวอย่างนักเรยี นมาจาํ นวน คน แล้วกาํ หนดโจทย์คณติ ศาสตร์ให้ทงั วธิ ี แล้วตรวจโดย กาํ หนดให้ เมือแก้ปัญหาโจทย์คณติ ศาสตรว์ ธิ นี นั ได้สาํ เรจ็ และให้ เมือแก้ปัญหาโจทย์คณติ ศาสตร์ วิธีนนั ไม่ได้ ผลการให้คะแนนปรากฏผลดังนี บทที การทดสอบสถติ ิไร้พารามเิ ตอร์ นกั เรียนคนที คะแนนจากการแก้โจทย์ปัญหาคณติ ศาสตร์โดย วธิ ที ี วิธีที วิธีที จงทดสอบความน่าจะเป็นในการแก้ปัญหาโจทย์คณติ ศาสตรข์ องนักเรียนทงั วิธี ตังสมมติฐาน H : ความน่าจะเป็นในการแก้ปัญหาโจทย์คณติ ศาสตร์ “ได้” จะเหมือนกนั ทงั วธิ ี H : ความน่าจะเป็นในการแก้ปัญหาโจทย์คณติ ศาสตร์ “ได้” จะต่างกนั ทงั วิธี ลงรหัสข้อมูลได้ดังนี ให้ score ถึง score แทนคะแนนจากการแก้โจทยป์ ัญหาคณติ ศาสตร์ทงั วิธี รหัส แทนแก้โจทยป์ ัญหาคณติ ศาสตร์ได้ถูกต้อง รหัส แทนแก้โจทย์ปัญหาคณติ ศาสตรไ์ ม่ถูกต้อง ผลการประมวลปรากฏดังนี Test Statistics N 12 Cochran's Q .250a df 2 Asymp. Sig. .882
ภาพประกอบ . ผลการประมวลปรากฏว่าค่าสถิติ Cochran's Q = . มนี ยั สาํ คัญทางสถิตทิ ี . นนั คือ ยอมรบั H แสดงว่าความน่าจะเป็นในการแก้ปัญหาโจทยค์ ณติ ศาสตร์ “ได้” จะเหมอื นกนั ทงั วิธี การใช้ SPSS เพือการวเิ คราะหข์ ้อมลู . The Friedman Test ใช้ทดสอบว่ากล่มุ ตวั อย่างได้รบั การส่มุ มาจากประชากรกลุ่มเดยี วหรือไม่ หรอื มาจาก ประชากรทมี กี ารแจกแจงเหมือนกนั หรือไม่ ตวั อยา่ ง . ดาํ เนินการทดลองวิธกี ารสอนทแี ตกต่างกัน วิธีให้กับนกั เรยี นทสี ุ่มมา คน จากนนั วัด เจตคตติ ่อวิธกี ารสอนหลงั เสรจ็ สินการสอนในแต่ละวิธี ปรากฏคะแนนเจตคตติ ่อวิธกี ารสอนดงั ตาราง ต่อไปนี นกั เรียน วธิ ีที วิธที ี วธิ ีที วธิ ที ี จงทดสอบว่านักเรยี นมเี จตคตติ ่อวิธกี ารสอนทงั วธิ ตี ่างกันหรอื ไม่ ตังสมมตฐิ าน H : นักเรียนมเี จตคตติ ่อวธิ กี ารสอนทงั วิธไี ม่แตกต่างกนั H : นักเรยี นมเี จตคติต่อวธิ ีการสอนทงั วธิ ีแตกต่างกัน ลงรหัสข้อมูลได้ดังนี ให้ score ถงึ score แทนคะแนนเจตคติต่อวิธกี ารสอนวธิ ีที - ผลการประมวลปรากฏดงั นี Ranks Mean Rank score1 1.50 score2 2.80 score3 3.30 score4 2.40 Test Statisticsa N 15 Chi-Square 15.872 df 3 Asymp. Sig. .001
ภาพประกอบ . บทที การทดสอบสถติ ไิ ร้พารามเิ ตอร์ ผลการประมวลปรากฏว่าค่าสถติ ิทดสอบ Chi-Square = . มีนัยสาํ คญั ที . นัน คอื ปฏเิ สธ H ยอมรบั H แสดงว่านกั เรียนมเี จตคติต่อวิธสี อนทงั วธิ ีแตกต่างกนั . Kendall Coeficient of Concordance สาํ หรับข้อมูลจดั อนั ดับ และมีจาํ นวนตัวแปรมากกว่า ตัวทสี มั พนั ธก์ นั ตวั อย่าง . ภาพได้ ผู้ตัดสินภาพศิลปะจาํ นวน คน จดั อนั ดบั ภาพศลิ ปะทสี ่งเข้าประกวดจาํ นวน ข้อมูลดังนี ภาพทสี ่งเข้าประกวด ผู้จดั อนั ดบั คนที . . . . . . . . . . คนที . . . . . . . . . . คนที . . . . . . . . . . ต้องการทราบว่า ผ้ตู ัดสนิ ภาพเข้าประกวด ตดั สินภาพได้สอดคล้องกันหรือไม่ ตังสมมติฐาน H : ผู้ตัดสินภาพทงั จัดอนั ดับภาพเข้าประกวดไม่สอดคล้องกัน H : ผ้ตู ัดสินภาพทงั จดั อนั ดบั ภาพเข้าประกวดสอดคล้องกนั ลงรหัสข้อมูลได้ดังนี order1 to order แทนลาํ ดบั ทผี ้จู ัดลาํ ดบั คนที , และ จดั ลาํ ดับรูปภาพทงั ภาพ ผลการประมวลปรากฏดงั นี Ranks Mean Rank order1 1.95 order2 2.10 order3 1.95 Test Statistics 10 .008 N .167 Kendall's Wa Chi-Square 2 df .920 Asymp. Sig.
การใช้ SPSS เพือการวเิ คราะหข์ ้อมูล ภาพประกอบ . ค่าสถิติ Kendall's W = . เมอื ทดสอบนัยสาํ คัญด้วยสถติ ิไคสแควรแ์ ล้วได้ค่า . ที df = มีนัยสาํ คญั ทางสถติ ิที . นนั คือผ้ตู ดั สินภาพทงั คนจัดอันดบั ภาพทงั ไม่สอดคล้องกนั 5. การทดสอบกลุมตวั อยา งมากกวา สองกลุมที่เปน อสิ ระตอกัน ในการทดสอบกรณกี ลุ่มตัวอย่างสองกลุ่มสมั พนั ธ์กนั นี มีสถติ ิทเี กยี วข้องอยู่ ตวั คือ . The Median Test for More Than Two Independent Sample . The Kruskal-Wallis One-Way Analysis of Variance Test สถติ ิในกลุ่มนีใช้เดียวกนั คอื ใช้เมนู “Analyze” เมนูรอง “Nonparametric Test” เมนูย่อย "Legacy Dialogs" และคลกิ เลือก “K Independent Samples...” จะปรากฏหน้าต่าง ภาพประกอบ . เลอื กตวั แปรตามใส่ช่อง “Test Variable List :” และตวั แปรจัดกล่มุ ใส่ช่อง “Grouping Variable:” และคลกิ ป่ มุ "Define group" เพือกาํ หนดค่าตาํ สดุ และค่าสูงสดุ ของรหัสกลุ่มทตี ้องการ ทดสอบความแตกต่าง และเลือกสถิตทิ ตี ้องการทดสอบในช่อง “Test Type” ป่ ุม “Options...” สาํ หรบั กาํ หนดให้โปรแกรมคาํ นวณสถติ พิ นื ฐานของตัวแปร . The Median Test for More Than Two Independent Sample เป็นวธิ ีการทใี ช้ทดสอบว่ากลุ่มตัวอย่างอสิ ระทมี ากกว่า กล่มุ สุ่มมาจากประชากรทมี ีค่ามัธย ฐานหรือการแจกแจงแตกต่างกนั หรือไม่ บทที การทดสอบสถติ ไิ ร้พารามเิ ตอร์ ตวั อยา่ ง . ในการทดสอบผลสมั ฤทธิทางการเรียนวิชาหนึงของนักเรยี นชันมธั ยมศกึ ษาปี ที ได้มีการ สุ่มตวั อย่างนกั เรยี นมา โรงเรียน โรงเรยี นละ คน ผลการทดสอบปรากฏดงั นี โรงเรียน ก โรงเรียน ข โรงเรียน ค จงทดสอบว่าคะแนนทนี ักเรยี นแต่ละโรงเรียนทาํ ได้มีค่ามัธยฐานเทา่ กันหรอื มกี ารแจกแจง เหมือนกันหรือไม่ ตังสมมติฐาน H : การแจกแจงของประชากรทงั โรงเรียนเหมอื นกนั H : การแจกแจงของประชากรทงั โรงเรยี นต่างกัน ลงรหัสข้อมูลได้ดังนี ให้ group แทนตวั แปรจดั กลุ่ม รหัส แทนโรงเรยี น ก รหัส แทนโรงเรยี น ข และรหัส แทนโรงเรยี น ค ให้ score แทนคะแนนผลสัมฤทธิทางการเรยี น ผลการประมวลปรากฏดงั นี score > Median Frequencies group 3.00 <= Median 2.00 5 1.00 3 3 3 5 5 Test Statisticsa score N 24 Median 15.0000 Chi-Square 1.343b df 2 Asymp. Sig. .511
expected frequencies less than 5. The minimum expected cell frequency is 3.7. ภาพประกอบ . การใช้ SPSS เพือการวิเคราะห์ข้อมลู ผลการวเิ คราะห์ปรากฏว่าค่าสถิติทดสอบ Chi-Square = . df = 2 มีนัยสาํ คญั ที . นนั คือยอมรับ H แสดงว่าคะแนนทนี กั เรียนแต่ละโรงเรียนทาํ ได้มคี ่ามธั ยฐานเทา่ กันหรอื มีการแจกแจง เหมือนกนั . The Kruskal-Wallis One-Way Analysis of Variance Test เพอื ทดสอบว่ากลุ่มตัวอย่าง K กล่มุ ทไี ด้จากการประชากร K กล่มุ มกี ารแจกแจงเหมือนกนั หรือไม่ หรือถูกส่มุ มาจากประชากรทมี คี ่าเฉลยี เท่ากนั หรอื ไม่ ตวั อย่าง . ในการสอนวิชาภาษาไทย ผู้สอนต้องการเปรยี บเทยี บวธิ ีสอน วธิ ี ว่าจะให้ผลแตกต่างกัน หรือไม่ หลังจากการสอนด้วยวิธีสอนทงั วิธีแล้วจงึ ทาํ การทดสอบวัดผลสัมฤทธทิ างการเรียนของ นกั เรียนทสี อนแต่ละวิธี คะแนนจากการทดสอบเป็นดงั นี วิธีที วิธที ี วิธีที จงทดสอบว่าวิธสี อนต่างกนั จะให้ผลสัมฤทธิทแี ตกต่างกันหรอื ไม่ ตังสมมติฐาน H : วิธีสอนทแี ตกต่างกนั ให้ผลสัมฤทธทิ างการเรยี นทไี ม่แตกต่างกนั H : วธิ ีสอนทแี ตกต่างกันให้ผลสัมฤทธิทางการเรียนทแี ตกต่างกัน ลงรหัสข้อมูลได้ดงั นี ให้ group แทนตวั แปรจัดกลุ่ม รหัส แทนวิธีสอนที รหัส แทนวธิ สี อนที และรหัส แทนวิธสี อนที ให้ score แทนผลสมั ฤทธิทางการเรียน ผลการประมวลปรากฏดงั นี group Ranks Mean Rank score 1.00 N 15.64 7 11.42 2.00 6 6.63 3.00 8 Total 21 Test Statisticsa,b score บทที การทดสอบสถติ ิไร้พารามเิ ตอร์ Chi-Square 7.955 df 2 Asymp. Sig. .019
ภาพประกอบ . ผลการวิเคราะห์ปรากฏว่า Chi-Square = . df = มีนัยสาํ คัญที . นนั คอื ปฏเิ สธ H ยอมรับ H แสดงว่าวิธกี ารสอนทงั วธิ ีให้ผลสัมฤทธทิ างการเรียนแตกต่างกัน ป่ มุ Options... หรือ Statistics... ใช้สาํ หรับการแสดงผลสถติ ิพืนฐานของการทดสอบสถติ ิไร้พารามิเตอร์ . แสดงสถิติตวั แปรเดยี ว (Univariabe statistics) จะพมิ พค์ ่าเฉลยี , ค่าสงู สุด, ค่าตาํ สุด, ส่วนเบยี งเบนมาตรฐาน และจาํ นวนข้อมูลในแต่ละตัวแปร . พมิ พค์ ่าในตาํ แหน่งควอไทลท์ ี , และ และจาํ นวนข้อมูลในแต่ละตัวแปร การวเิ คราะหอ งคป ระกอบ การคาํ นวณหาความเทยี งตรงเชิงโครงสร้างโดยการวเิ คราะห์องคป์ ระกอบนยิ มใช้กนั มากใน การตรวจสอบคณุ ภาพของแบบวัดทางจติ วิทยา เช่น แบบวดั เชาวน์ปัญญา แบบวดั ความถนัด แบบวัด เจตคติ แบบวัดความสนใจ แบบวัดบคุ ลิกภาพ ฯลฯ Daniel ( ) ได้พูดถงึ การวเิ คราะห์องคป์ ระกอบไว้ว่า “การวเิ คราะห์องคป์ ระกอบถูก ออกแบบมาเพือใช้ตรวจสอบโครงสร้างของชุดตัวแปรและเพือใช้อธบิ ายความสัมพันธ์ระหว่างตัวแปร ในรูปของจาํ นวนทนี ้อยทสี ุดของตัวแปรแฝงทสี ังเกตไม่ได้ ซึงตัวแปรแฝงทสี งั เกตไม่ได้เหล่านจี ะถูก เรยี กว่า องคป์ ระกอบ” Joreskog และ Sorbom ( ) ได้อธิบายว่า “แนวคิดทสี าํ คญั ภายใต้รูปแบบของการ วิเคราะห์องค์ประกอบ คือ มตี ัวแปรบางตวั ทไี ม่สามารถสังเกตหรอื วัดได้โดยตรง หรอื อาจเรยี กได้ว่า เป็นตวั แปรแฝงหรือองค์ประกอบ ตัวแปรทไี ม่สามารถสังเกตหรอื วัดได้โดยตรงนัน สามารถอ้างองิ ได้ ทางอ้อมจากข้อมูลของตวั แปรทสี งั เกตได้ การวิเคราะห์องค์ประกอบเป็นกระบวนการทางสถติ สิ าํ หรบั เปิ ดเผย (uncooering) ตวั แปรแฝงทมี อี ยู่ โดยศกึ ษาผ่านความแปรปรวนระหว่างชุดของตัวแปรที สงั เกตได้” กระบวนการวิเคราะห์องคป์ ระกอบถือกาํ เนดิ ขึนมาในช่วงต้นศตวรรษที โดย Spearman ( ) แต่การวิเคราะห์องค์ประกอบในสมัยนันยงั เป็นวิธกี ารทยี ุ่งยาก ซบั ซ้อนและเสียเวลามากใน การวเิ คราะห์ ดังนนั การวิเคราะห์องคป์ ระกอบจงึ ยังไม่เป็นทแี พร่หลายในหมู่นกั วิจยั สมยั นัน จนกระทงั คอมพิวเตอรไ์ ด้ถอื กาํ เนดิ ขึนมาและตามมาด้วยโปรแกรมคอมพิวเตอร์ทจี ะช่วยเหลอื ในการ วิเคราะห์องค์ประกอบ ดังนันการวเิ คราะห์องค์ประกอบจงึ ได้แพร่หลายออกไปในหมู่นกั วจิ ัยกนั อย่าง กว้างขวาง Kerlinger ( ) ได้กล่าวถงึ ประโยชนข์ องการวเิ คราะห์องค์ประกอบไว้ว่า “เป็นเครืองมือ อย่างหนงึ ทมี ปี ระโยชน์มาก ถูกสร้างขนึ มาเพอื ใช้ศกึ ษาปัญหาทซี บั ซ้อนในศาสตร์ทางพฤติกรรม” จุดมุ่งหมายในการวเิ คราะห์องค์ประกอบมี ประการคอื . เพือสาํ รวจหรือค้นหาตัวแปรแฝงทซี ่อนอย่ภู ายใต้ตวั แปรทสี งั เกตหรอื วัดได้ เรียกว่า การวิเคราะห์องคป์ ระกอบเชิงสาํ รวจ (Exproratory factor analysis) . เพือพิสจู น์ ตรวจสอบหรือยืนยนั ทฤษฎีทผี ้อู นื ค้นพบ เรียกว่า การวเิ คราะห์ องค์ประกอบเชิงยนื ยนั (Confirmatory factor analysis) ในโปรแกรม SPSS มีความสามารถวิเคราะห์ได้เพียงการวิเคราะห์องค์ประกอบเชงิ สาํ รวจเท่านัน บทที การวเิ คราะหอ์ งค์ประกอบ การวิเคราะห์องค์ประกอบเชิงสาํ รวจจะใช้ในการสาํ รวจข้อมูล กาํ หนดจาํ นวนองคป์ ระกอบ อธิบายความแปรปรวนร่วมระหว่างตวั แปรเมือผ้วู จิ ยั ไม่มหี ลักฐานอ้างองิ เพยี งพอสาํ หรับเป็นกรอบของ สมมติฐานเกียวกับจาํ นวนขององค์ประกอบภายใต้ข้อมูลทสี อบวัดได้ ตวั อยา่ ง . แบบสอบถามวัดบุคลกิ ภาพความเป็นครจู าํ นวน ข้อ สอบกบั กลุ่มตวั อย่าง คน นาํ มา หาความเทยี งตรงเชิงโครงสร้างโดยวิธวี เิ คราะห์องค์ประกอบ ข้อมูลมีดังนี การใช้ SPSS เพือการวเิ คราะหข์ ้อมูล ใช้เมนู “Analyze” เมนูรอง “Dimension Reduction” และเมนูย่อย “Factor...” ภาพประกอบ . จะปรากฏหน้าต่าง ภาพประกอบ . เลอื กชุดตวั แปรทตี ้องการวเิ คราะห์องค์ประกอบใส่ช่อง “Variables:” และเลือกผลลพั ธ์ที ต้องการโดยใช้ป่ มุ ต่าง ๆ ด้านข้าง บทที การวิเคราะห์องคป์ ระกอบ ภาพประกอบ . ป่ ุมแรก “Descriptives...” สาํ หรบั ให้โปรแกรมแสดงค่าสถติ พิ ืนฐานหรอื แสดงเมตริกซ์ของ ค่าต่าง ๆ ในกลุ่มของ Statistics มใี ห้เลอื กวเิ คราะห์ Univariate descriptives สาํ หรบั แสดงค่าเฉลยี และส่วนเบยี งเบนมาตรฐานของตวั แปรแต่ละตวั สาํ หรบั ตวั เลอื กในกลุ่ม Correlation Matrix จะมี ตวั เลือก Coefficients จะแสดงเมตรกิ สมั ประสทิ ธิสหสมั พนั ธ์ ตวั เลอื ก Significance levels สาํ หรับ แสดงระดับนยั สาํ คญั ของสัมประสทิ ธิสหสัมพันธ์ ตวั เลอื ก Determinant สาํ หรบั แสดงค่าดเี ทอรม์ แิ นนท์ ของเมตริกสหสัมพันธ์ ซึงค่า Determinant นจี ะใช้ในการตรวจสอบ Multicollinearity หรือ singularity ซงึ ค่า Determinant ของเมตรกิ สหสมั พนั ธค์ วรจะมีค่ามากกว่า . ถ้าน้อยกว่านีแล้วแสดงว่า ความสัมพันธร์ ะหว่างตวั แปรมคี ่าสูงมาก (R > . ) ควรพจิ ารณาขจดั ตวั แปรออก นนั คือตัวแปร ตัว ทมี ีความสัมพันธก์ นั สงู มากกเ็ ปรยี บเสมือนเป็นตวั แปรตวั เดียวกัน ต้องพจิ ารณาขจดั ออก ตัว การจะ ขจัดตัวแปรใดนนั ต้องพิจารณาคัดเลอื กจากข้อคาํ ถามให้เหมาะสม Descriptive Statistics Mean Std. Deviation Analysis N x1 2.00 .695 30 x2 1.80 .664 30 x3 2.40 .621 30 x4 2.13 .819 30 x5 2.20 .761 30 x6 2.23 .898 30 x7 2.27 .785 30 x8 2.33 .758 30 x9 2.17 .791 30 x10 1.87 .937 30 x11 1.50 .974 30 x12 1.73 .640 30 x13 1.73 1.015 30 การใช้ SPSS เพือการวเิ คราะห์ข้อมลู x14 2.10 .759 30 x15 2.30 .794 30 Correlation Matrixa x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 Correlation x1 1.000 .149 .319 .303 .196 .442 .063 .393 .000 .212 -.051 .388 .000 .065 .187 x2 .149 1.000 .451 .494 .150 .254 .106 .342 .197 .454 .373 .438 .327 .246 .444 x3 .319 .451 1.000 .501 .335 .507 .057 .366 .351 .391 .228 .191 .339 .497 .587 x4 .303 .494 .501 1.000 .288 .425 .372 .426 .230 .383 .173 .465 .500 .200 .307 x5 .196 .150 .335 .288 1.000 .485 -.092 -.120 .057 .135 .140 -.028 .295 .203 .297 x6 .442 .254 .507 .425 .485 1.000 .153 .287 .283 .325 .178 .112 .184 .521 .672 x7 .063 .106 .057 .372 -.092 .153 1.000 .367 .315 .144 .135 .284 .006 .069 .088 x8 .393 .342 .366 .426 -.120 .287 .367 1.000 -.038 .404 .234 .403 .254 .360 .115 x9 .000 .197 .351 .230 .057 .283 .315 -.038 1.000 .217 .470 .227 .057 .316 .466 x10 .212 .454 .391 .383 .135 .325 .144 .404 .217 1.000 .340 .341 .360 .165 .241 x11 -.051 .373 .228 .173 .140 .178 .135 .234 .470 .340 1.000 .277 .174 .257 .111 x12 .388 .438 .191 .465 -.028 .112 .284 .403 .227 .341 .277 1.000 .259 .128 .163 x13 .000 .327 .339 .500 .295 .184 .006 .254 .057 .360 .174 .259 1.000 .394 .103 x14 .065 .246 .497 .200 .203 .521 .069 .360 .316 .165 .257 .128 .394 1.000 .521 x15 .187 .444 .587 .307 .297 .672 .088 .115 .466 .241 .111 .163 .103 .521 1.000 Sig. (1- x1 .215 .043 .052 .150 .007 .370 .016 .500 .131 .395 .017 .500 .366 .161 tailed) x2 .215 .006 .003 .214 .087 .289 .032 .149 .006 .021 .008 .039 .095 .007 x3 .043 .006 .002 .035 .002 .383 .023 .029 .016 .113 .156 .033 .003 .000 x4 .052 .003 .002 .062 .010 .022 .010 .110 .018 .180 .005 .002 .145 .049 x5 .150 .214 .035 .062 .003 .314 .265 .382 .238 .231 .441 .057 .141 .056 x6 .007 .087 .002 .010 .003 .209 .062 .065 .040 .174 .278 .165 .002 .000 x7 .370 .289 .383 .022 .314 .209 .023 .045 .224 .238 .064 .488 .358 .321 x8 .016 .032 .023 .010 .265 .062 .023 .420 .013 .107 .014 .088 .025 .273 x9 .500 .149 .029 .110 .382 .065 .045 .420 .125 .004 .114 .382 .045 .005 x10 .131 .006 .016 .018 .238 .040 .224 .013 .125 .033 .032 .025 .192 .100 x11 .395 .021 .113 .180 .231 .174 .238 .107 .004 .033 .069 .178 .085 .279 x12 .017 .008 .156 .005 .441 .278 .064 .014 .114 .032 .069 .084 .250 .195 x13 .500 .039 .033 .002 .057 .165 .488 .088 .382 .025 .178 .084 .016 .295 x14 .366 .095 .003 .145 .141 .002 .358 .025 .045 .192 .085 .250 .016 .002 x15 .161 .007 .000 .049 .056 .000 .321 .273 .005 .100 .279 .195 .295 .002
บทที การวเิ คราะหอ์ งคป์ ระกอบ สาํ หรบั ตัวเลือก KMO and Bartlett’s test of Sphericity เป็นการคาํ นวณค่าสถิติ ตัวคอื Kaiser-Meyer-Olkin (KMO) และ Bartlett’s test โดยค่า KMO เป็นการตรวจสอบความเหมาะสมของ กลุ่มตัวอย่าง โดยค่าของ KMO ควรจะมากกว่า . ถ้าขนาดกล่มุ ตวั อย่างเหมาะสม สาํ หรบั Bartlett’s test นนั เป็นตรวจสอบเมตริกสหสัมพันธ์ของประชากรว่าเป็นเมตรกิ เอกลกั ษณห์ รือไม่ (identity matrix : คือเมตริกซท์ แี นวทแยงมคี ่าเป็น และเหนอื และตาํ กว่าแนวทแยงมีค่าเป็น ) ถ้าเมตริกสหสัมพนั ธ์ ของประชากรเป็นเมตริกเอกลักษณแ์ ล้ว หมายความว่า ตัวแปรแต่ละตัวไม่มีความสัมพนั ธก์ นั (ค่าสหสัมพันธ์ระหว่างตัวแปรมีค่าเข้าใกล้ ) ถ้าเป็นเมตริกเอกลักษณแ์ ล้วหมายความว่าตวั แปรแต่ละ ตวั มคี วามเป็นอสิ ระจากกันอย่างสมบูรณ์ ดงั นนั การจัดกล่มุ ของตวั แปรเพือให้เกดิ องคป์ ระกอบจะไม่ เกิดขนึ จงึ ไม่ควรวเิ คราะห์องค์ประกอบต่อ ดังนนั ค่าสถิติ Bartlett's test ควรจะมีนยั สาํ คัญทางสถติ ิ (Sig < 0.05) หมายความว่าเมตริกสหสมั พันธไ์ ม่เป็นเมตริกเอกลกั ษณ์ KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .629 170.118 Bartlett's Test of Sphericity Approx. Chi-Square 105 df .000 Sig. ตัวเลือก Inverse เป็นเมตรกิ อินเวอร์สของเมตริกสหสมั พนั ธ์ ตวั เลือก Reproduces เป็น การหาเมตรกิ สหสัมพันธ์ทคี าํ นวณบนพนื ฐานของโมเดลการวเิ คราะห์องคป์ ระกอบ (แตกต่างจากการ คาํ นวณด้วยคะแนนสงั เกต) ความแตกต่างระหว่างเมตริกสหสมั พันธ์ทคี าํ นวณบนพืนฐานของโมเดล และเมตริกซท์ คี าํ นวนจากคะแนนสังเกต ทแี สดงถงึ ความคลาดเคลอื นในโมเดล ซงึ โปรแกรม SPSS จะ แสดงเมตรกิ ความคลาดเคลอื นใต้ตาราง Reproduces สาํ หรบั ตัวเลอื ก Anti-image เป็นการแสดง เมตรกิ ความแปรปรวนร่วมและสหสมั พันธ์ ค่าในแนวทแยงของเมตรกิ สหสัมพันธ์นีจะบ่งบอกถึงความ เหมาะสมของกลุ่มตวั อย่างสาํ หรับแต่ละตวั แปร โดยจะปรากฎว่า Measures of sampling adequacy (MSA) คล้ายกับการวดั KMO โดยควรจะมคี ่าเกนิ กว่า . ถ้ากลุ่มตัวอย่างมคี วามเหมาะสมในตวั แปร ทงั คู่ และถ้าทุก ๆ ค่ขู องตวั แปรทงั หมดมีค่าน้อยกว่า . แล้ว ควรละเว้นการวิเคราะห์องคป์ ระกอบ ส่วนสมาชิกนอกแนวทแยงนันควรจะมีค่าน้อยเสมอ (ใกล้ ) จึงจะดี การใช้ SPSS เพือการวิเคราะหข์ ้อมูล ภาพประกอบ . ป่ มุ ทสี อง “Extraction...” สาํ หรับเลือกเทคนคิ การสกดั องคป์ ระกอบในช่อง “Method:” ซึง เทคนิคการสกดั องคป์ ระกอบนันมีอย่หู ลายวิธดี ้วยกนั โดยปกติวธิ ีทนี ยิ มใช้กันคอื Principal Component และมีเทคนคิ อนื ให้เลือกใช้เช่น principal axis factoring และ image factoring การ วิเคราะห์ด้วย Principal Component เป็นวธิ ีทดี ีกว่าวิธีอนื ๆ เพราะปกตผิ ลทไี ด้จากวิธนี ีและวธิ อี ืน ๆ จะคล้ายคลงึ กนั แต่การวิเคราะห์ด้วยวิธนี ี โดยเฉพาะการวิเคราะห์ทใี ช้กล่มุ ตวั อย่างกันจะช่วยให้ได้ โครงสร้างขององคป์ ระกอบทเี หมอื นกัน สมมตวิ ่ากล่มุ ตวั อย่างถูกเลือกมาอย่างส่มุ และตวั แปรถูกวดั เป็นเพียงส่วนหนงึ ของตวั แปรที สนใจ ซงึ นักวิจยั อาจจะสนใจทจี ะพัฒนาเทคนคิ จากข้อมูลทเี กบ็ รวบรวมได้ โดยสรุปผลการวเิ คราะห์ จากกล่มุ ตัวอย่างอ้างอิงไปยังประชากรขนาดใหญ่ อย่างไรกต็ าม ผลทไี ด้จากการวเิ คราะห์จะเป็นจริง เฉพาะชุดของตัวแปรทถี ูกวัด เทคนิคในกลุ่มนีจะสรปุ ด้วย maximum likelihood และ kaiser's alpha factoring การเลือกวธิ กี ารสกดั องคป์ ระกอบวธิ ใี ดขนึ อย่กู ับผ้วู ิจัย ในกลุ่มของ Analyze มี ตัวเลือกคอื Correlation matrix หรือ Covariance matrix การ วเิ คราะห์เมตริกสหสมั พนั ธโ์ ดยปกติจะเป็น default ของโปรแกรม ดังนนั ถ้าตัวแปรถูกวัดในสเกลการ วัดทแี ตกต่างกันจะไม่มีอทิ ธพิ ลต่อการวเิ คราะห์ เพราะเป็นค่าสหสมั พนั ธ์ทมี าจากค่ามาตรฐาน เช่น ทุก ตัวแปรวัดด้วยมาตรประมาณค่า ระดบั ยกเว้นตัวแปรเดยี วทวี ัดในสเกลทแี ตกต่างออกไป การ วิเคราะห์สหสมั พนั ธ์กม็ นั ใจได้ว่าถูกต้อง ความแตกต่างของสเกลสามารถอธิบายได้ นอกจากนที ุกตัว แปรทถี ูกวดั โดยใช้สเกลทตี ่างกนั อาจมคี วามแปรปรวนทแี ตกต่างกันได้ และจะสร้างปัญหาในการ วเิ คราะห์ด้วย principal component การใช้เมตรกิ สหสัมพันธ์สามารถขจดั ปัญหานีได้ เหตุผลทางสถติ ิ ทดี ีสาํ หรับการเลอื กวิเคราะห์ความแปรปรวนร่วมคือตวั แปรควรจะถูกวัดในสเกลเดยี วกนั ในกลุ่มของ Display มี ตวั เลอื กคอื Unrotated factor solution และ Scree plot ซงึ Scree plot ใช้ในการพจิ ารณาจาํ นวนองคป์ ระกอบทไี ด้จากการวเิ คราะห์ ส่วน Unrotated factor solution เป็นการแสดงค่านาํ หนกั องค์ประกอบก่อนหมุนแกน มีประโยชน์ในการประเมนิ ผลทไี ด้ บทที การวเิ คราะหอ์ งคป์ ระกอบ หลังจากหมุนแกน นนั คือถ้าหลังจากหมุนแกนแล้วค่านาํ หนักองคป์ ระกอบทไี ด้ดกี ว่าเพียงเลก็ น้อย เป็นไปได้ว่าจะใช้วิธกี ารหมุนแกนทไี ม่เหมาะสม กลุ่ม Extract เป็นตวั เลอื กทใี ช้ในการกาํ หนดจาํ นวนองค์ประกอบ โดยระบเุ กณฑ์ของ ค่าไอเกน ซึงจาํ นวนองคป์ ระกอบทไี ด้จะขึนอยู่กับค่าไอเกน หรืออาจกาํ หนดจาํ นวนองคป์ ระกอบ โดย ระบจุ าํ นวนองค์ประกอบทตี ้องการ ในช่อง Eigenvalues over มคี ่าเป็น ซงึ เป็น default ของ โปรแกรม ที Kaiser แนะนาํ สาํ หรับค่าไอเกนทเี กนิ แต่ผ้วู จิ ยั อาจเปลียนแปลงได้ ซงึ Jolliffe's แนะนาํ ว่าค่าไอเกนควรจะเป็น . หรือมากกว่า แต่ดีทสี ดุ สาํ หรับการวิเคราะห์บนพืนฐานของ ค่าไอเกนทเี กิน และยังสามารถเลือก Scree plot เพอื เปรยี บเทยี บผลทไี ด้ ถ้าวเิ คราะห์ Scree plot และไอเกนเกิน แล้วจะได้จาํ นวนองคป์ ระกอบทเี หมือนกัน หรอื อาจระบจุ าํ นวนองคป์ ระกอบที ต้องการได้ในช่องของ Number of factors และพมิ พ์จาํ นวนองคป์ ระกอบในช่องว่างทกี าํ หนด ภาพประกอบ . ป่ มุ ทสี าม “Rotation...” สาํ หรับเลือกเทคนคิ การหมุนแกน การแปลความหมายของ องคป์ ระกอบ จาํ เป็นต้องผ่านการหมุนแกนเสยี ก่อน การหมุนแกนจะบรรจุตวั แปรแต่ละตัวเข้าไปในแต่ ละองค์ประกอบ วิธีการหมุนแกนจะประกอบด้วย Varimax, Quartimax และ Equamax เป็นการหมุน แกนแบบ Orthogonal โดยสมมตวิ ่าองคป์ ระกอบทไี ด้เป็นอิสระจากกัน ส่วนการหมุนแกนแบบ direct oblimin และ promax เป็นการหมุนแกนแบบ Olique โดยสมมติว่าองคป์ ระกอบทไี ด้มีความสมั พนั ธ์ กัน การหมุนแกนแบบ Quarimax จะพยายามหาจาํ นวนสูงสดุ ของค่านาํ หนักองค์ระกอบ สาํ หรบั ตวั แปรในแต่ละองคป์ ระกอบ ดังนนั การแปลผลจะง่าย อย่างไรกต็ าม ผลทไี ด้ตัวแปรจะทมี คี ่านาํ หนกั สงู เพยี งองค์ประกอบเดียว ส่วน Varimax จะตรงกนั ข้าม โดยพยายามให้ค่าสูงสุดกระจายไปภายใน องคป์ ระกอบ ดังนนั วิธีนจี ะพยายามบรรจุจาํ นวนตัวแปรจาํ นวนน้อยทมี คี วามสัมพนั ธก์ นั สงู ในแต่ละ องค์ประกอบ การแปลความหมายจะได้ผลเป็นกลุ่มขององคป์ ระกอบ ส่วน Equarmax จะเป็นการผสม กันระหว่าง กระบวนการ และรายงานอย่างเอาแน่เอานอนไม่ได้ สาํ หรับการวเิ คราะห์นันโดยปกตจิ ะ เลอื กเป็นแบบ Varimax เพราะเป็นกระบวนการทดี ีทสี ุด ง่ายในการแปลความหมายองค์ประกอบ การใช้ SPSS เพือการวเิ คราะหข์ ้อมูล ในกรณขี องการหมุนแกนในกล่มุ ของ Oblique จะมคี วามซับซ้อน เพราะมคี วามสมั พนั ธ์ ระหว่างตวั แปรเข้ามาเกยี วข้อง ในกรณขี อง Direct Obliman ระดบั ขององค์ประกอบทจี ะอนุญาตให้ สมั พนั ธ์กนั จะต้องถูกกาํ หนดโดยระบุค่า delta ค่า default ของโปรแกรมจะมคี ่าเป็น และแน่ใจว่าจะ ไม่มคี วามสัมพนั ธ์กันระหว่างองค์ประกอบ ถ้าเลอื กกาํ หนดค่า delta ทมี ากกว่า (เช่น กาํ หนดที . ) แล้ว แสดงว่าผ้วู ิจยั คาดหวงั ว่าจะมีความสัมพนั ธก์ นั สงู ระหว่างองคป์ ระกอบ ถ้ากาํ หนดค่า delta น้อย กว่า (เช่น กาํ หนดที - . ) แสดงว่าผู้วิจยั คาดหวงั ว่าจะมคี วามสมั พนั ธ์กันน้อย สาํ หรบั การหมุน แกนแบบ Promax นันจะคล้ายกบั Direct Oblimin จะเป็นกระบวนการทเี รว็ กว่าทถี ูกออกแบบมา สาํ หรับข้อมูลทมี ีจาํ นวนมหาศาล การเลือกวิธีการหมุนแกนนนั ขึนอยู่กับแนวคิดทเี กยี วข้องกับองค์ประกอบของผู้วิจัย ถ้าผ้วู ิจัย คาดหวงั ว่าองคป์ ระกอบจะเป็นอิสระจากกนั กค็ วรจะเลือกวธิ ีการหมุนแกนวิธหี นึงในกลุ่มของ Orthogonal (แนะนาํ ให้เป็น varimax) ถ้าตามทฤษฎีแล้วองค์ประกอบทไี ด้อาจจะสมั พนั ธก์ นั กค็ วร เลอื กวธิ หี มุนแกนแบบ Direct Oblimin จะดีกว่า สาํ หรบั กลุ่ม Display จะมีตัวเลือกคือ Rotated solution และ Loading plog(s) โดย Rotated solution จะเป็น default ของโปรแกรมและจาํ เป็นสาํ หรบั การแปลความหมายหลังจากหมุน แกนเสรจ็ สนิ ส่วน Loading plot จะแสดงแผนภาพของตัวแปรแต่ละตวั ทบี รรจุอยู่ในองคป์ ระกอบ ซึง จะแสดงได้สูงสดุ เพียง องค์ประกอบ (โปรแกรม SPSS สามารถแสดงแผนภาพได้สงู สดุ เพยี ง มิติ ไม่สามารถแสดงมติ ทิ ี หรอื ได้) แผนภาพนีจะใช้ค่านาํ หนกั องค์ประกอบของตัวแปรแต่ละตวั พลอ็ ตลงบนแกนของแต่ละองคป์ ระกอบ สาํ หรับตวั เลอื กสุดท้าย Maximum Iterations for Covergence จะเป็นการกาํ หนดจาํ นวน ครังของการประมวลผลสาํ หรับค้นหาค่าทเี หมาะสมทสี ุด โดยมาก default ของโปรแกรมจะอย่ทู ี ครงั หรือมากกว่า อย่างไรกต็ าม ถ้าข้อมูลมีขนาดใหญ่แล้วคอมพิวเตอรอ์ าจจะลาํ บากในการค้นหาค่าที เหมาะสม (สาํ หรบั การหมุนแกนแบบ Oblique) อาจจะกาํ หนดจาํ นวนครังการประมวลให้มากขึนได้ ภาพประกอบ . ป่ ุมทสี ี “Score...” สาํ หรบั เลอื กการแสดงคะแนนองคป์ ระกอบ ในตัวเลอื กทมี อี ยู่จะอนุญาต ให้ผ้วู จิ ยั บันทกึ คะแนนองคป์ ระกอบ สาํ หรับกลุ่มตัวอย่างแต่ละคนในหน้าต่าง data editor โปรแกรม SPSS จะสร้างตัวแปรใหม่เท่ากับจาํ นวนองคป์ ระกอบทถี ูกสกัดได้ และบันทกึ คะแนนองคป์ ระกอบลง บทที การวิเคราะห์องคป์ ระกอบ ไปในกล่มุ ตวั อย่างแต่ละคน คะแนนสามารถนาํ มาใช้ในการวิเคราะห์ต่อไปได้ หรอื อย่างง่าย ๆ กค็ ือใช้ ในการพจิ ารณาว่ากล่มุ ตัวอย่างคนไหนมคี ะแนนสงู ในองค์ประกอบไหน ซงึ มีวธิ ีการ วิธใี นการเลอื ก วิเคราะห์คะแนนองคป์ ระกอบ ถ้าแต่ใจว่าคะแนนองค์ประกอบไม่สมั พันธก์ นั แล้ว ควรเลอื กวธิ ี Anderson - Rubin ถ้ายอมรับว่าคะแนนองคป์ ระกอบมคี วามสมั พันธ์กัน ควรเลอื กวิธี Regression สาํ หรบั ตัวเลือกสดุ ท้าย Display factor score coefficient matrix โปรแกรมจะแสดงเมตรกิ สมั ประสทิ ธิคะแนนองค์ประกอบของตวั แปรแต่ละตวั ซึงเมตริกนีจะมีประโยชน์ในการสร้างสมการ องคป์ ระกอบ ค่าในเมตรกิ กค็ ือค่าสัมประสทิ ธิ สาํ หรับตัวแปรแต่ละตัว ภาพประกอบ . ป่ มุ ทหี ้า “Options...” ป่ มุ สุดท้าย ข้อมูลทผี ดิ พลาด (Missing Values) จะมปี ัญหาในการ วเิ คราะห์องคป์ ระกอบเช่นเดียวกับการวิเคราะห์สถิตอิ นื ๆ โปรแกรม SPSS จะเลอื กไม่ควรกลุ่ม ตวั อย่างหรอื ขจัดกล่มุ ตัวอย่างทมี คี ่าผดิ พลาดออกไปจากการวิเคราะห์ ซึง Tabachnick และ Fidell (1996) แนะนาํ ว่า ให้พิจารณาการแจกแจงของข้อมูลทผี ดิ พลาด ถ้าข้อมูลทผี ดิ พลาดนันไม่มกี ารแจก แจงเป็นโค้งปกติ (non-normally distributed) หรอื ขนาดของกลุ่มตัวอย่างทไี ม่รวมกลุ่มคนทมี คี ่า ผิดพลาดนนั มีจาํ นวนน้อยเกนิ กว่าจะวเิ คราะห์ข้อมูลได้ ให้โปรแกรม SPSS ใช้ค่าเฉลียแทนทคี ่า ผดิ พลาดเหล่านนั (Replace with mean) ถ้าข้อมูลทผี ิดพลาดเป็นไปอย่างสุ่ม ผ้วู ิจยั อาจจะพิจารณา ขจัดกลุ่มตวั อย่างทมี ขี ้อมูลผดิ พลาดออกไปหมดทุกตัวแปร (exclude cases listwise) หรอื อาจจะขจัด เฉพาะตัวแปรทผี ิดพลาดนนั กบั ตัวแปรทมี าสมั พันธก์ บั ตัวแปรทมี คี ่าผดิ พลาดนนั ออกไป (exclude cases pairwise) อกี ตวั เลอื กสุดท้ายนีน จะเกียวข้องกับการแสดงค่านาํ หนกั องค์ประกอบ โดย default ของโปรแกรมจะเรียงตวั แปรตามลาํ ดบั การนาํ เข้าของตัวแปรในหน้าต่าง data editor โดยปกติรูปแบบนี จะเป็นทนี ิยมกนั มาเพราะสะดวก อย่างไรกต็ าม เมอื มกี ารแปลผลองค์ประกอบ บางครังอาจจะมี ประโยชน์ถ้ามีการเรยี บตัวแปรตามขนาดของค่านาํ หนักองค์ประกอบ โดยการเลอื ก Sorted by size โปรแกรมจะเรยี งลาํ ดับตัวแปรโดยใช้ค่านาํ หนักองค์ประกอบโดยเรยี งค่านาํ หนักองคป์ ระกอบทมี ีค่า การใช้ SPSS เพือการวเิ คราะห์ข้อมูล มากทสี ุดก่อนจนถงึ ตัวแปรทมี คี ่านาํ หนักองคป์ ระกอบน้อยทสี ุดตามลาํ ดบั และอกี ตวั เลอื กหนึง Suppress absolute values less than สาํ หรบั ระบุเกณฑ์ของค่านาํ หนักองคป์ ระกอบ ซงึ ช่วงของค่าที ระบุตงั แต่ลบจนถึงบวกจะไม่แสดงในผลการวเิ คราะห์ เช่น ระบคุ ่า . ดังนนั นาํ หนักองคป์ ระกอบที อยู่ในช่วง - . ถงึ . จะไม่แสดงในผลการวเิ คราะห์ ซงึ ตัวเลือกนจี ะมีประโยชน์ในการแปลผลการ วเิ คราะห์ ซึงโดยปกตเิ กณฑ์ของค่านาํ หนกั องค์ประกอบทมี ีนัยสาํ คญั จะขึนอยู่กับขนาดของกลุ่มตวั อย่าง ตามตาราง . ตวั อย่างผลลพั ธจ์ ากการวิเคราะห์ข้อมูลมีดังนี Communalities Initial Extraction x1 1.000 .726 x2 1.000 .542 x3 1.000 .643 x4 1.000 .621 x5 1.000 .564 x6 1.000 .795 x7 1.000 .562 x8 1.000 .638 x9 1.000 .782 x10 1.000 .486 x11 1.000 .594 x12 1.000 .589 x13 1.000 .712 x14 1.000 .494 x15 1.000 .756 Extraction Method: Principal Component Analysis. Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings % of Cumulative % of Cumulative % of Cumulative Component Total Variance % Total Variance % Total Variance % 1 4.927 32.846 32.846 4.927 32.846 32.846 3.102 20.680 20.680 2 1.823 12.155 45.001 1.823 12.155 45.001 2.435 16.236 36.916 3 1.470 9.802 54.803 1.470 9.802 54.803 2.246 14.971 51.887 4 1.285 8.568 63.371 1.285 8.568 63.371 1.723 11.484 63.371 5 .985 6.569 69.940 6 .926 6.177 76.117 บทที การวเิ คราะหอ์ งคป์ ระกอบ 7 .788 5.252 81.368 8 .680 4.535 85.903 9 .572 3.810 89.713 10 .498 3.319 93.032 11 .328 2.187 95.219 12 .264 1.763 96.982 13 .184 1.225 98.207 14 .165 1.097 99.304 15 .104 .696 100.000 Extraction Method: Principal Component Analysis. Component Matrixa Component 1234 x1 .424 .117 -.596 .420 x2 .664 .173 .080 -.254 x3 .758 -.250 -.075 -.011 x4 .726 .232 -.181 -.089 x5 .386 -.536 -.265 -.238 การใช้ SPSS เพือการวเิ คราะหข์ ้อมลู x6 .706 -.422 -.192 .288 .449 x7 .316 .443 .254 .122 .256 x8 .566 .501 -.228 -.231 -.216 x9 .472 -.145 .687 .050 -.661 x10 .611 .243 .005 -.021 .273 x11 .451 .129 .572 x12 .530 .553 -.016 x13 .508 .054 -.121 x14 .602 -.337 .137 x15 .660 -.482 .116 Extraction Method: Principal Component Analysis.
Rotated Component Matrixa Component 123 4 x1 .406 .622 -.070 -.412 .243 x2 .235 .310 .576 .118 .028 x3 .678 .210 .355 -.201 .009 x4 .321 .517 .500 .394 -.026 x5 .605 -.237 .318 .800 .163 x6 .859 .231 .055 .657 .164 x7 -.025 .619 -.154 -.035 .272 x8 .094 .736 .295 .287 x9 .360 .097 -.053 x10 .170 .360 .548 x11 .054 .082 .390 x12 -.020 .673 .330 x13 .143 .003 .831 x14 .597 .020 .251 x15 .816 .091 .010 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Component Component Transformation Matrix 4 1 123 .270 .653 .491 .508 บทที การวเิ คราะห์องคป์ ระกอบ 2 -.690 .698 .183 .057 3 -.168 -.224 -.076 .957 4 .261 .471 -.838 .090 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. ภาพประกอบ . ผลจากการวเิ คราะห์องค์ประกอบ สกดั องค์ประกอบด้วยวธิ ี PC เพอื จะค้นหาองค์ประกอบ ร่วมทเี กดิ จากตัวแปรต่าง ๆ ว่าจะประกอบไปด้วยกีองคป์ ระกอบ ให้พิจารณาทคี ่าไอเกน (Eigen value) ทเี กนิ . ค่า Eigenvalue เป็นค่าทบี ่งบอกถึงความสามารถขององคป์ ระกอบว่าจะอธิบาย ความแปรปรวนของกล่มุ ตวั แปรได้มากน้อยเพียงไร โดยปกตถิ ้าองคป์ ระกอบนันอธบิ ายความ แปรปรวนของกล่มุ ตัวอย่างได้น้อยกว่า 1 Eigenvalue แล้วกไ็ ม่มีประโยชน์ทจี ะนาํ องคป์ ระกอบนันมา ใช้ หากตวั แปรทนี าํ มาวเิ คราะห์มีจาํ นวนน้อย การวิเคราะห์อาจจะให้ผลเป็นองค์ประกอบแค่ - องค์ประกอบเท่านัน ถ้าหากตัวแปรทนี าํ มาวเิ คราะห์มีจาํ นวนมากอาจจะได้จาํ นวนองค์ประกอบมาก แต่ เราอาจจะกาํ หนดเกณฑ์อนื ๆ สาํ หรบั เลอื กจาํ นวนองคป์ ระกอบได้ ในตวั นมี ีค่า Eigenvalue ทเี กิน อยู่ ค่านันคอื แบบสอบถามฉบับนวี ดั องค์ประกอบ โดยองคป์ ระกอบที สามารถอธบิ ายความ แปรปรวนของกล่มุ ตวั แปรได้ . % องคป์ ระกอบที อธิบายได้ . % องคป์ ระกอบที อธิบายได้ . % และองคป์ ระกอบที อธบิ ายได้ . % รวมทงั องคป์ ระกอบนสี ามารถ อธิบายความแปรปรวนของกล่มุ ตัวแปรได้ . % จากนันโปรแกรมจะคาํ นวณค่านาํ หนกั องคป์ ระกอบก่อนหมุนแกน (Component Matrix) ซึง ยากแก่การแปลความหมายว่าตัวแปรต่าง ๆ เหล่านนั ควรจดั อย่ใู นองคป์ ระกอบใด จงึ ต้องทาํ การหมุน แกนด้วยวธิ ี Varimax จะได้ค่า communality ค่า communality คอื เปอรเ์ ซน็ ต์ความแปรปรวนของตัว แปรแต่ละตัวกับองค์ประกอบ ค่า communality ของข้อ คอื . จะเท่ากับนาํ หนักองคป์ ระกอบ ของข้อ ในทุกองคป์ ระกอบยกกาํ ลังสองแล้วบวกกัน หรอื กค็ อื ( . ) + ( . ) + (- . ) +( . ) = . ค่านาํ หนกั องค์ประกอบ (factor loading) หลงั หมุนแกน (Rotated Component Matrix) ใช้ ในการพิจารณาว่าตัวแปรใดควรจัดเข้าอย่ใู นองค์ประกอบใด โดยพจิ ารณาจากค่านาํ หนักองคป์ ระกอบ ของตวั แปรต่าง ๆ ว่ามคี ่ามากทสี ดุ อยู่ทอี งค์ประกอบใด กจ็ ัดว่าเป็นตวั แปรทวี ดั องคป์ ระกอบนนั แต่มี ข้อแม้ว่าค่านาํ หนกั องคป์ ระกอบควรจะมีค่าตงั แต่ . - . ขนึ ไปในกรณที กี ล่มุ ตวั อย่างมีจาํ นวนมาก Hair ( : ) ได้เสนอตารางแสดงความสมั พันธ์ระหว่างค่า loading ทมี ีนยั สาํ คญั ทางสถิติที ระดบั .05 ต่อจาํ นวนกล่มุ ตัวอย่าง แสดงในตาราง . ตาราง . ค่า loading ทมี ีนัยสาํ คญั ทางสถติ ทิ รี ะดับ .05 ต่อจาํ นวนกลุ่มตัวอย่าง Factor loading .30 .35 .40 .45 .50 .55 .60 .65 .70 .75 การใช้ SPSS เพือการวเิ คราะห์ข้อมูล จาํ นวนกลุ่มตวั อย่าง 350 250 200 150 120 100 85 70 60 50 เมือคัดเลอื กข้อสอบทวี ัดในองค์ประกอบได้แล้ว ถดั มาคอื ตงั ชือให้แต่ละองค์ประกอบ โดยมี กฎในการตังชือดังนี ชือขององค์ประกอบควรจะ - สนั อาจตังชือเพยี ง - คาํ - มคี วามหมายสอดคล้องกบั โครงสร้างขององคป์ ระกอบ โดยพจิ ารณาความคล้ายคลงึ กันระหว่างตัวแปรทอี ยู่ในองค์ประกอบ ถ้าผู้วจิ ัยค้นคว้ามาตาม โครงสร้างของทฤษฎี ผ้วู ิจัยอาจจะต้องการใช้ชือองค์ประกอบตามทฤษฎที ไี ด้ค้นคว้ามา หรอื ผ้วู จิ ัย อาจจะตงั ชือใหม่ทสี อดคล้องกบั แนวความคดิ ของผ้วู จิ ัยเอง การทดสอบขอตกลงเบอื้ งตน บางประการของสถติ ิ ในการใช้สถิตินนั ถ้าหากจะได้ผลการวิเคราะห์สามารถเชือถอื ได้สูง ค่าทไี ด้ถูกต้องตรงตาม ความเป็นจริงแล้วล่ะก็ จาํ เป็นอย่างยงิ ในการเลอื กใช้สถิตแิ ต่ละตัว จะต้องคาํ นงึ ถึงข้อตกลงเบอื งต้นบาง ประการของสถิติเสยี ก่อน ซึงสถิตแิ ต่ละตวั กม็ ีข้อตกลงเบืองต้นแตกต่างกนั ไป ข้อตกลงเบืองต้นบาง ประการของสถติ ิผู้วจิ ยั สามารถจัดกระทาํ ได้โดยตรง เช่น สถติ ิพาราเมตรกิ ซท์ ุกตวั จะมีข้อตกลงเบืองต้น ว่าการวัดจะต้องอยู่ในมาตราการวดั ตังแต่ระดบั อันตรภาคชัน (Interval Scale) ขึนไป เป็นต้น แต่ ข้อตกลงเบอื งต้นบางประการของสถิติผู้วิจยั ไม่สามารถจะจัดกระทาํ ได้ ต้องอาศยั การทดสอบทางสถติ ิ เข้าช่วย เพอื พิจารณาดูว่าข้อมูลทไี ด้เป็นไปตามข้อตกลงเบืองต้นหรอื ไม่ ข้อตกลงเบอื งต้นบางประการทตี ้องใช้การทดสอบทางสถิตเข้าช่วยมดี งั นี 1. คะแนนจะตอ งมาจากประชากรทม่ี กี ารแจกแจงเปนโคงปกติ (Normal Distribution) ข้อตกลงข้อนีเป็นข้อตกลงเบืองต้นในสถติ ิพาราเมตรกิ ซ์ ลกั ษณะการแจกแจงของประชากร จะต้องเป็นโค้งปกติ เราสามารถทดสอบข้อมูลทเี กบ็ รวบรวมมาว่ามาจากประชากรทมี ีการแจกแจงเป็น โค้งปกติหรอื ไม่โดยใช้สถติ ิไคสแควรก์ ลุ่มตัวอย่างเดียว (Chi-Square Goodness of Fit) หรือ The kolmogorow-Smirnov Test สามารถตงั สมมติฐานได้ว่า H : ข้อมูลมีการแจกแจงเป็นโค้งปกติ H : ข้อมูลมกี ารแจกแจงไม่เป็นโค้งปกติ ดวู ิธีการคาํ นวณในบทที การทดสอบสถติ ิไร้พารามิเตอร์ในหัวข้อสถิตไิ คสแควร์กล่มุ ตวั อย่างเดยี ว และ The Kolmogorow-Smirnov Test 2. ความเปนเอกพันธของความแปรปรวน (Homogeneity of Variance) ข้อตกลงข้อนีเป็นข้อตกลงเบืองต้นในสถิตพิ าราเมตรกิ ซ์ ประชากรทุกกล่มุ ทศี ึกษาจะต้องมี การความแปรปรวนเท่ากัน การทดสอบนัน มีสถิติทใี ช้อย่หู ลายสตู รด้วยกัน ขึนอย่กู ับจาํ นวนของกล่มุ การใช้ SPSS เพือการวเิ คราะหข์ ้อมลู . กรณกี ล่มุ ตวั อย่างสองกลุม่ ใช้สูตร F = S12 ตังสมมตฐิ านได้ว่า S22 df = n - และ df = n - H : 12 2 2 H : 12 22 ในการใช้โปรแกรม SPSS for Windows ให้ใช้การทดสอบ t-test Independent ทดสอบ ความแปรปรวนของสองกล่มุ ตวั อย่าง ดใู นบทที . กรณหี ลายกลมุ่ ตวั อยา่ ง การทดสอบความแปรปรวนหลายกล่มุ ตัวอย่าง มวี ธิ กี ารทดสอบคอื Bartlett Box F, Cochran’ C และ Hartley’s F max ตงั สมมติฐานได้ว่า H : 12 2 ... 2 2 k H : มคี วามแปรปรวนอย่างน้อย คู่ทไี ม่เท่ากนั ในการใช้โปรแกรม SPSS for Windows ให้ใช้การทดสอบความแปรปรวนแบบทศิ ทางเดียว (One-way ANOVA) ดูในบทที 3. ความสัมพนั ธเชิงเสน ตรง (Linearity) เป็นข้อตกลงในสถิตทิ เี กียวกบั ความสมั พันธร์ ะหว่างตวั แปร เช่น การวิเคราะห์การถดถอย และการวิเคราะห์สหสมั พันธ์ ว่าตวั แปรอสิ ระและตวั แปรตามทจี ะวิเคราะห์นัน จะต้องมคี วามสัมพนั ธ์ กนั เชิงเส้นตรง (Linearity) ตังสมมตฐิ านได้ว่า H : ตวั แปรทงั สองมีความสมั พนั ธก์ ันเชิงเส้นโค้ง H : ตวั แปรทงั สองมคี วามสัมพนั ธ์กนั เชิงเส้นตรง ตวั อยา่ ง . ตัวแปร X และ Y มขี ้อมูลดงั นี X Y บทที การทดสอบข้อตกลงเบอื งต้นบางประการของสถติ ิ ใช้คาํ สงั “Analyze” เมนูรอง “Compare Means…” และเมนูย่อย “Means…” คลิกเลือกตวั แปร X คือตวั แปรอสิ ระ ใส่ในช่อง “Independent List :” และตวั แปร Y คอื ตัวแปรตาม ใส่ในช่อง “Dependent List :” คลิกป่ มุ “Options…” คลิกเลือกที “Test for linearity” ผลการวเิ คราะห์มดี งั นี ANOVA Table Sum of Mean F Sig. Squares df Square 1.786 .208 6.988 .025 x*y Between (Combined) 12.500 4 3.125 .984 Groups Linearity .052 12.228 1 12.228 Deviation from .272 3 .091 Linearity Within Groups 17.500 10 1.750 30.000 14 Total Measures of Association x*y R R Squared Eta Eta Squared .638 .408 .645 .417 ในการทดสอบ Linearity มีค่า F-test . มนี ยั สาํ คญั ทางสถติ ิ แสดงว่าตวั แปรทงั สองมี ความสัมพันธก์ ันเชิงเส้นตรง และ Deviation from Linearity มีค่า F-test . ไม่มนี ัยสาํ คญั ทางสถิติ นันคอื ตวั แปรทงั สองไม่มคี วามสัมพนั ธก์ ันเชิงเส้นโค้ง สาํ หรับค่า Eta นันเป็นค่าสหสัมพนั ธก์ รณคี วามสมั พันธร์ ะหว่างตัวแปรทงั สองเป็นเส้นโค้ง และค่า Eta Square แปลความหมายเช่นเดียวกบั ค่า R Square หรอื กค็ ือสมั ประสิทธิการอธบิ าย เป็น การบ่งบอกถึงความสามารถของตัวแปร X สามารถอธิบาย Y ได้เท่าไหร่ 4. ตัวแปรอิสระแตละตัวตองไมมีความสัมพันธกนั เป็นข้อตกลงเบืองต้นในการวิเคราะห์การถดถอยพหุคูณนัน เป็นการศกึ ษา ความสมั พันธร์ ะหว่างตัวแปรตามตวั หนึงกบั ตวั แปรอสิ ระหลาย ๆ ตัว ซงึ การวิเคราะห์นีมี ข้อตกลงข้อหนึงว่าตวั แปรอสิ ระเหล่านีจะต้องมไี ม่มคี วามสมั พันธก์ นั หรือหากสมั พันธก์ นั กจ็ ะต้อง มคี วามสมั พันธก์ นั ไม่สงู มากนัก แต่ในทางปฏบิ ตั บิ างครงั จะพบว่าตัวแปรอสิ ระมคี วามสมั พันธก์ นั สงู ในกรณีทตี วั แปรอสิ ระเพียง ตัวมคี วามสมั พันธก์ นั สงู จะเรยี กว่า Collinearity และในกรณที ี ตัวแปรอสิ ระมากกว่า ตัว มคี วามสมั พันธก์ นั สงู จะเรียกว่า Multicollinearity การใช้ SPSS เพือการวิเคราะหข์ ้อมูล ตัวอย่าง . ในการวิเคราะห์การถดถอยของตวั แปรเกณฑค์ อื อตั ราดอกเบยี ทไี ด้รับ ต่อปี (DIVI) บนตวั แปรอสิ ระ ตัวคอื อตั ราของรายได้ต่อปี (EARN) และจาํ นวนปี (TREND) ข้อมลู แสดงดังนี DIVI 2.80 3.16 3.40 3.70 4.10 4.50 5.00 5.00 EARN 4.13 4.63 5.17 5.80 6.21 6.83 7.35 7.91 TREND 1 2 3 4 5 6 7 8 สหสมั พันธข์ องตัวแปรทงั คือ Correlations: DIVI (Y) EARN (X ) TREND (X ) DIVI (Y) . . ** . ** EARN (X ) . ** . . ** TREND (X ) . ** . ** . ในหน้าต่างของการวิเคราะห์การถดถอยจะมีป่ ุมทชี ือว่า “Statistics…” คลกิ ทปี ่ ุมนีจะ ปรากฏหน้าต่าง “Linear Regression Statistics” จะมเี มนูทชี ือว่า “Collinearity diagnostics” ให้ คลิกเลอื กทเี มนูนี โปรแกรมจะประมวลผลแสดงค่าสถติ ิต่าง ๆ ทเี กยี วข้อง ภาพประกอบ . มีดชั นีทแี สดงถึงปัญหา multicollinearity หลายตัวด้วยกนั ดงั นี บทที การทดสอบข้อตกลงเบอื งต้นบางประการของสถติ ิ . องคป์ ระกอบการขยายความแปรปรวน (Variance inflation factor : VIF) VIF เป็นความสมั พันธข์ องตัวแปร X ตัวหนึงโดยการถดถอยบนตัวแปร X อนื ๆ มสี ตู ร คาํ นวณคือ VIF (Xi) = 1 1 R 2 i เมือ Ri คอื สมั ประสทิ ธขิ องการตดั สนิ ใจ โดยการถดถอย Xi บนตัวตัวแปรอสิ ระอนื ๆ ทเี หลือ ถ้าตัวแปรอสิ ระทงั หมดไม่สมั พันธก์ นั แล้ว ค่า VIF จะมีค่าเป็น ซงึ ค่า VIF โดยปกติจะ มพี ิสยั ตังแต่ ถงึ อนันต์ เกณฑใ์ นการพิจารณา VIF นัน ขนึ อยู่กบั ดุลยพินิจของผู้วิจัยอกี เช่นกนั แต่มีตาํ ราบาง เล่มเสนอแนะว่า ตวั แปรอสิ ระทงั สองตัวจะเกดิ ปัญหา multicollinearity กต็ ่อเมือ ค่า VIF มีค่า ตังแต่ ขนึ ไป . Tolerence ค่า tolerance สามารถคาํ นวณได้ด้วยสตู ร Tolerance = - R = 1 VIF ค่า tolerance มีค่าตังแต่ ถงึ ถ้าหากค่าเข้าใกล้ แสดงว่าตัวแปรเป็นอสิ ระจากกนั แต่ถ้าค่าเข้าใกล้ แสดงว่าเกดิ ปัญหา multicollinearity Variable SE Beta Correl Part Cor Partial Tolerance VIF TREND . . E- EARN . . . . . E- . . -. -. . จะเหน็ ว่าค่า Tolerence มคี ่า . มีค่าเข้าใกล้ มาก สว่ นค่า VIF มีค่า . จะเหน็ ว่าค่าทงั สองเป็นไปตามเกณฑ์ของการเกดิ multicollinearity . Condition Index และ Variance-Decomposition Proportions ดัชนี ตวั ทเี ราจะใช้ในการพิจารณาการเกดิ multicollinearity ได้กค็ อื condition number (CN) และ condition index (CI) มีสตู รดงั นี CN = max CIi = min max i การใช้ SPSS เพือการวิเคราะหข์ ้อมลู เมอื max = ค่าไอเกนทมี ากทสี ดุ (Largest eigenvalue) ; min = ค่าไอเกนทนี ้อยทสี ดุ (smalles eigenvalue) และ ร = ค่าไอเกนตัวที i นอกจากนียงั ต้องพิจารณาจาก Variance-Decomposition Proportions ซึงจะประกอบ ไปด้วยสว่ นของจุดตัดและตัวแปรอสิ ระแต่ละตัว Variance proportions กค็ ือสดั สว่ นของความแปรปรวนของจุดตดั (a) และสมั ประสทิ ธิ การถดถอย (b) แต่ละตัวทสี มั พันธก์ บั Condition index แต่ละตัว ซงึ ในแต่ละสดมภ์จะมีผลรวม เป็น . การแปลความหมายจะต้องนาํ ไปคูณ ดังเช่นในตวั แปร EARN จะแปลผลได้ว่า % ของความแปรปรวนใน bEARN สมั พันธก์ บั Condition index ตัวแรก และ % สมั พันธก์ บั Condition index ตวั ทสี อง และ . % สมั พันธก์ บั Condition index ตวั ทสี าม สว่ นสมั ประสทิ ธิ bTREND กแ็ ปลความได้เช่นเดยี วกนั Number Eigenval Cond Variance Proportions Index Constant EARN TREND . . ... . . ... . . ... การพิจารณา multicollinearity ในกรณนี ีมตี ัวแปร ตวั ทสี มั พันธก์ นั ให้พิจารณาที Condition index ทมี ีค่าสงู สดุ อยู่ในบรรทดั สดุ ท้าย จากนันพิจารณาที variance proportion จะเหน็ ว่ามคี ่าสงู พอ ๆ กนั ในตัวแปรทงั ตวั ทสี มั พันธก์ นั การวิเคราะหรปู แบบการวิจยั เชิงทดลอง การวิจัยเชิงทดลองเป็นการวจิ ยั ทผี ู้วิจัยจะต้องจัดกระทาํ กับตวั แปรอิสระ โดยจะใช้เป็น ตัวแปรจดั กระทาํ (เพอื ศกึ ษาสิงทเี กดิ ขึนกบั ตัวอย่างทใี ช้ศกึ ษา) โดยจะต้องนาํ มาประยุกต์ใช้และอ้างอิง ผลไปยังประชากร ตัวแปรอิสระทถี ูกจัดกระทาํ บ่อย ๆ ในการวจิ ัยทางการศึกษา เช่น วธิ สี อน, สอื การเรียนการสอน, การให้รางวัลแก่นักศกึ ษา, ชนิดของคาํ ถามทถี ามโดยครู ฯลฯ ตัวแปรตามทถี ูก ศึกษาบ่อย ๆ เช่น ผลสัมฤทธทิ างการเรียน, ความสนใจในวชิ าทเี รียน, ความเอาใจใส่ในการเรียน, เจตคติต่อโรงเรยี น ฯลฯ หลงั จากผ้วู ิจยั ได้ดาํ เนนิ การทดลองกับกลุ่มตวั อย่างภายในระยะเวลาทเี หมาะสมแล้ว ผ้วู จิ ัย จะสงั เกตหรอื วัดกลุ่มทไี ด้รับตวั แปรทดลองทแี ตกต่างกัน โดยจะพจิ ารณาความแตกต่างของทงั กล่มุ หรอื จะพูดอกี อย่างหนึงคอื ผู้วจิ ยั ต้องการเหน็ ความแตกต่างของตวั แปรทดลอง โดยคะแนนเฉลยี ของ ทงั กล่มุ หลงั การทดลองควรจะมีความแตกต่างกนั ถ้าหากไม่มีความแตกต่างกนั แล้ว ผ้วู จิ ยั กจ็ ะยตุ ิ การทดลอง แต่ผ้วู จิ ัยจะมันใจได้อย่างไรว่า ผลของตัวแปรตามทไี ด้จากการทดลองเป็นผลแท้จริงจากตวั แปรทดลอง เนืองจากมีตัวแปรภายนอกมากมายทอี าจส่งผลคกุ คามความเทยี งตรงภายในของงานวิจัย เชิงทดลอง เช่น . คุณลกั ษณะของตวั อย่าง (Subject Characteristic) ในการทดลองอาจมีคณุ ลักษณะของตัวอย่างบางประการทสี ่งผลต่อการทดลองเช่น เพศ ทแี ตกต่างกัน หรอื ระดบั สติปัญญาทแี ตกต่าง อาจส่งผลให้ตวั แปรตามมคี ่าผิดไปจากความเป็นจรงิ . การหายไปของกล่มุ ตวั อย่าง (Mortality) อาจจะทาํ ให้คะแนนหลงั การทดลองลดตาํ ลงหรือสูงขนึ กว่าเดิม ถ้ามสี มาชิกของกล่มุ ตัวอย่างบางคนขอถอนตัวจากการทดลอง หรอื ไม่มาให้ทดลอง . สถานทที ดลอง (Location) ถ้าสถานทใี นการทดลองและ/หรือเกบ็ รวบรวมข้อมูลมีความแตกต่างกันทงั กล่มุ แล้วอาจจะมผี ลต่อคะแนนสอบหลังทดลอง ดงั นนั สถานทคี วรจะควบคุมให้ได้มาตรฐานทเี ทา่ เทยี มกัน . เครืองมอื (Instrumentation) . ความเสือมของเครอื งมอื (Instrument Decay) เครืองมอื ทเี สือม ไร้คณุ ภาพหรอื ล้าสมยั จะมผี ลต่อการทดลอง ดงั นันควรเลือกใช้ เครอื งมอื อย่างระมัดระวัง การใช้ SPSS เพือการวิเคราะห์ข้อมลู . คณุ ลกั ษณะของผ้เู กบ็ รวบรวมข้อมูล (Data Collector Characteristic) ความแตกต่างของผ้เู กบ็ รวบรวมข้อมูลอาจมีผลต่อการทดลอง ควรควบคุมโดยใช้ ผ้เู กบ็ รวมข้อมูลคนเดยี วกันหรือมคี ณุ ลกั ษณะทเี หมือนกนั ในทุก ๆ กล่มุ . ความลาํ เอยี งของผ้เู กบ็ รวบรวมข้อมูล (Data Collector Bias) ควรจะควบคมุ โดยการฝึกผู้เกบ็ รวมข้อมูลในเรอื งของการใช้เครอื งมอื การจัด สอบการคมุ สอบ การให้ความสาํ คัญกับสมาชิกทุก ๆ หน่วยในกล่มุ ตวั อย่างอย่างเท่าเทยี มกนั . การทดสอบ (Testing) การสอบก่อนอาจมผี ลต่อการสอบหลงั ทดลอง อาจแก้ไขโดยใช้แบบทดสอบคู่ขนาน . ประวตั ิของกล่มุ ตวั อย่าง (History) เหตุการณภ์ ายนอกอาจมีผลให้คะแนนแตกต่างไปจากทคี วรจะเป็น เช่นความร้ทู ไี ด้มา จากโทรทศั น์ หรืออ่านหนังสอื . วุฒิภาวะ (Maturation) การเจริญเตบิ โตของสมาชิกในกล่มุ ตัวอย่างอาจมีผลต่อคะแนนสอบ ควรดาํ เนินการ ทดลองในช่วงเวลาทเี หมือน ๆ กนั ทงั กล่มุ ทดลองและกลุ่มควบคมุ . ผลของการรูต้ วั (Attitudinal Effect) ถ้าสมาชิกในแต่ละกล่มุ ได้ร้วู ่าพวกเขาได้รับความเอาใจใส่เป็นพเิ ศษ สมาชิกในกลุ่ม ตวั อย่างกอ็ าจมีพฤตกิ รรมทไี ม่เหมือนเดมิ . การถดถอย (Regression) จะไม่มีผลต่อคะแนนสอบหลงั ทดลองถ้าหากกลุ่มตวั อย่างถูกส่มุ มาบนพนื ฐานของ คะแนนทเี ทา่ เทยี มกนั . การประยกุ ตใ์ ชเ้ ครืองมอื (Implementation) เครืองมือทนี าํ ไปใช้อาจมีอทิ ธพิ ลต่อคะแนนสอบหลังทดลอง เครอื งมือเดยี วกนั อาจจะ ไม่เหมาะสมกบั ตวั แปรทดลองทุก ๆ ตัว ควรเลอื กใช้เครอื งมือทหี ลากหลายให้เหมาะสมกับตวั แปร ทดลองแต่ละตัว วธิ กี ารควบคุมตวั แปรภายนอกทอี าจคกุ คามงานวิจัยเชิงทดลองมอี ยู่หลายวิธี แต่วิธีทใี ช้ ได้ผลดวี ิธหี นึงกค็ อื การใช้รูปแบบการวิจยั รูปแบบการวิจัยทดี จี ะสามารถควบคุมตวั แปรคกุ คามได้มาก ส่วนรูปแบบทไี ม่ดีจะควบคุมตัวแปรคุกคามได้น้อย ตัวแปรคุกคามนถี ้าควบคุมไว้ได้มากเท่าไร ย่อม เป็นผลให้งานวจิ ัยเชิงทดลองมีความเทยี งตรงภายในมากยงิ ขนึ ในหนังสือเล่มนีจะนาํ เสนอวธิ ีการวิเคราะห์รูปแบบการวจิ ยั เชิงทดลองแบบต่าง ๆ ดังนี . รปู แบบสุ่มสมบูรณ์ (Complete Randomized Design) . รปู แบบกล่มุ สุ่ม (Randomized Block Design) . รูปแบบแฟคทอเรียล (Factorial Design) . รปู แบบเชือมโยง (Nested Design) . รูปแบบจตั ุรสั ลาตนิ (Latin Square Design) . Split-Plot Factorial Design . รปู แบบการวิเคราะห์ความแปรปรวนร่วม (Analysis of Covariance) บทที การวิเคราะห์รปู แบบการวิจัยเชงิ ทดลอง . รูปแบบการวัดซาํ (Repeated Measurement Design) ส่วนขันตอนการคาํ นวณทางสถติ ิในแต่ละรูปแบบไม่ขอนาํ เสนอในทนี ี ทา่ นสามารถอ่านได้ จากหนังสอื ทเี กยี วกบั การวิเคราะห์แบบแผนเชิงสถติ ขิ องการทดลองทวั ไป 1. รูปแบบสมุ สมบูรณ (Complete Randomized Design) เป็นแบบแผนการทดลองทหี น่วยทดลองแต่ละหน่วยมาจากการส่มุ และแต่ละกล่มุ การ ทดลองจะได้รบั ตวั แปรทดลองอย่างส่มุ ลกั ษณะของรูปแบบการทดลอง . มตี ัวแปรอิสระหรอื ตัวแปรทดลองเพยี ง ตวั ทแี บ่งออกเป็นหลายระดับ . หน่วยทดลองแต่ละหน่วยทนี าํ มาเป็นกลุ่มตัวอย่างจะต้องมาจากการส่มุ . กลุ่มทดลองแต่ละกลุ่มจะได้รับตัวแปรทดลองเพียงตัวเดยี วโดยการส่มุ ตวั อย่าง . (Kirk. : ) ในการทดลองผลของปริมาณการนอนทมี ตี ่อประสทิ ธภิ าพการทาํ งาน ผู้วิจยั ดาํ เนนิ การ ทดลองโดยส่มุ กลุ่มตัวอย่างมา คน แบ่งออกเป็น กล่มุ เทา่ ๆ กัน แล้วสุ่มระดบั การทดลอง ระดบั เข้ากลุ่มทดลองคือ ปรมิ าณการนอน ชัวโมง ชัวโมง ชัวโมง และ ชัวโมง คะแนนของ ประสทิ ธิภาพการทาํ งานปรากฏดงั ตาราง ชัวโมง ชัวโมง ชัวโมง ชัวโมง ลงรหัสข้อมูลได้ดงั นี ชัวโมง level แทน ระดบั ของตวั แปรทดลอง ชัวโมง รหัส แทนปรมิ าณการนอน ชัวโมง และ รหัส แทนปริมาณการนอน ชัวโมง รหัส แทนปริมาณการนอน รหัส แทนปริมาณการนอน การใช้ SPSS เพือการวเิ คราะหข์ ้อมลู score แทน คะแนนประสทิ ธิภาพการทาํ งาน มีขันตอนการวิเคราะห์ดังนี . ป้ อนข้อมูล ตวั แปรคือ level และ score (ดวู ิธีการป้ อนข้อมูลในบทที ) . เริมวิเคราะห์ข้อมูลโดยเลอื กเมนูหลัก “Analyze” เมนูรอง “General Linear Model” และเมนูย่อย “Univariate…” จะปรากฎหน้าต่าง “Univariate” ภาพประกอบ . . เลือกตวั แปรตาม “score” ใส่ช่อง “Dependent Variable :” และตัวแปรอสิ ระ “level” ในทนี เี ป็น “fixed effect” ใส่ในช่อง “Fixed Factor(s) :“ . ในกรณที ี main effect มีนัยสาํ คญั เราสามารถเปรยี บเทยี บพหุคณู ได้ ด้วยการคลกิ ที ป่ มุ “Post Hoc…” จะปรากฏหน้าต่าง “Univariate: Post Hoc Multiple Comparisons for Observed Means” บทที การวเิ คราะห์รปู แบบการวิจยั เชงิ ทดลอง ภาพประกอบ . . ในช่อง “Factor(s)” จะปรากฏตวั แปร “level” อยู่ ให้คลิกมาอย่ใู นช่อง “Post Hoc Tests for:” คลิกเลอื กสถติ ทิ ตี ้องการใช้ในการเปรยี บเทยี บพหุคูณ โดยมีสถติ ิให้เลือก กล่มุ คอื สถติ ิ ในกล่มุ ทคี วามแปรปรวนเป็นเอกพันธ์ (Equal Variances Assumed) และสถติ ิในกลุ่มทคี วาม แปรปรวนเป็นววิ ิธพันธก์ นั (Equal Variances Not Assumed) เสรจ็ แล้วคลิกป่ มุ “Continue” แล้วคลกิ ป่ ุม “OK” โปรแกรมจะประมวลผล ได้ผลดังนี Tests of Between-Subjects Effects Dependent Variable: score Type III Sum of Source Squares df Mean Square F Sig. Corrected Model 49.000a 3 16.333 7.497 .001 265.311 .000 Intercept 578.000 1 578.000 .001 7.497 level 49.000 3 16.333 Error 61.000 28 2.179 Total 688.000 32 Corrected Total 110.000 31
การใช้ SPSS เพือการวิเคราะหข์ ้อมูล Multiple Comparisons Dependent Variable: score Scheffe Mean Difference 95% Confidence Interval (I-J) Std. Error (I) level (J) level Sig. Lower Bound Upper Bound 1.00 2.00 -.5000 .73800 .927 -2.6942 1.6942 3.00 -1.2500 .73800 .427 -3.4442 .9442 4.00 -3.2500* .73800 .002 -5.4442 -1.0558 2.00 1.00 .5000 .73800 .927 -.7500 .73800 .794 -1.6942 2.6942 3.00 .73800 .009 4.00 -2.7500* .73800 .427 -2.9442 1.4442 3.00 1.00 1.2500 .73800 .794 2.00 .7500 .73800 .085 -4.9442 -.5558 4.00 -2.0000 .73800 .002 4.00 1.00 3.2500* -.9442 3.4442 -1.4442 2.9442 -4.1942 .1942 1.0558 5.4442 2.00 2.7500* .73800 .009 .5558 4.9442 3.00 2.0000 .73800 .085 -.1942 4.1942 Based on observed means. . The error term is Mean Square(Error) = 2.179. *. The mean difference is significant at the .05 level. ภาพประกอบ จากตารางวิเคราะห์ความแปรปรวน ปรมิ าณการนอนทแี ตกต่างกันมผี ลให้ประสิทธภิ าพการ ทาํ งานแตกต่างกนั อย่างมนี ัยสาํ คัญทางสถิติทรี ะดบั .01 (F-test = 7.497) จึงดาํ เนนิ การเปรียบเทยี บ พหุคณู เพือให้ทราบว่ามีปรมิ าณการนอนคู่ใดบ้างทมี ีผลให้ประสทิ ธิภาพการทาํ งานแตกต่างกัน จากผลการเปรยี บเทยี บพหุคณู พบว่า level (ปริมาณการนอน ชัวโมง) จะมี ประสทิ ธภิ าพการทาํ งานสูงกว่า level (ปรมิ าณการนอน ชัวโมง), level (ปรมิ าณการนอน ชัวโมง) และ level (ปริมาณการนอน ชัวโมง) หากต้องการทราบสถิตพิ ืนฐานของกล่มุ ทงั กล่มุ สามารถคลิกทปี ่ มุ "Options…" คลิก เลือกตัวแปร "level" ย้ายไปในช่อง "Display Means for:" และคลิกเลือก "Discriptive Statistics" ที อย่ใู นช่อง "Display" อาจเลือกทดสอบความเป็นเอกพนั ธข์ องความแปรปรวนด้วยการเลอื ก "Homogeneity tests" บทที การวิเคราะห์รปู แบบการวิจัยเชงิ ทดลอง ภาพประกอบ . ผลการทดสอบความเป็นเอกพนั ธ์ของความแปรปรวนด้วยสถิติ Levene's Test พบค่าสถิติ F = 1.293 และค่า Sig. = .296 นันคือไม่มีนยั สาํ คัญทางสถติ ิ ความแปรปรวนของทงั กล่มุ มคี วาม เป็ นเอกพันธ์ Descriptive Statistics Dependent Variable: score level Mean Std. Deviation N 1.00 3.0000 1.51186 8 8 2.00 3.5000 .92582 8 8 3.00 4.2500 1.03510 32 4.00 6.2500 2.12132 Total 4.2500 1.88372 Levene's Test of Equality of Error Variancesa Dependent Variable: score F df1 df2 Sig. 1.293 3 28 .296 Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
ภาพประกอบ . การใช้ SPSS เพือการวิเคราะห์ข้อมูล 2. รปู แบบกลมุ สมุ (Randomized Block Design) เป็นแบบแผนการทดลองทหี น่วยตวั อย่างแต่ละหน่วยจะต้องมาจากการส่มุ และกลุ่มตัวอย่าง แต่ละกลุ่มจะต้องได้รับตัวแปรทดลองทุก ๆ ระดับอย่างสุ่ม ลักษณะของรปู แบบการทดลอง . มตี ัวแปรอิสระหรอื ตัวแปรทดลอง ตวั ซึงแบ่งออกเป็นหลายระดบั . มีการจดั ออกเป็นกลุ่ม (Block) แต่ละกล่มุ จะมคี วามคลาดเคลือนภายในน้อยทสี ุด . กลุ่มทดลองทุก ๆ กลุ่ม จะต้องได้รับตัวแปรทดลองทุก ๆ ระดับ โดยการสุ่ม ตวั อย่าง . (Kirk. : ) ในการประเมนิ อายุการใช้งานของแบตเตอร์รีรถยนต์ ชนิด โดยใช้รถยนตท์ แี ตกต่างกนั ยหี ้อ จากโจทยต์ ัวแปรตามคอื อายุการใช้งานของแบตเตอรร์ ี ตวั แปรอิสระคอื แบตเตอร์รีรถยนต์ แบ่งเป็น ชนิดแทนด้วย A, B, C และ D ตวั แปรจดั กล่มุ คือ รถยนตท์ แี ตกต่าง ยีห้อ แทนด้วย BL , BL , ... ,BL ข้อมูลปรากฏดงั ตาราง ABCD BL BL BL BL BL BL BL BL ลงรหัสตัวแปรได้ดงั นี brand แทน ชนดิ ของแบตเตอร์รี รหัส แทนชนิด A รหัส แทนชนดิ B รหัส แทนชนิด C และ รหัส แทนชนดิ D block แทน ยหี ้อรถยนต์ ยหี ้อ score แทน อายุการใช้งานของแบตเตอร์รี มขี ันตอนการวิเคราะห์ดงั นี . ป้ อนข้อมูล ตวั แปรคอื brand, block และ score (ดวู ิธีการป้ อนข้อมูลในบทที ) . เรมิ วิเคราะห์ข้อมูลโดยเลือกเมนู “Analyze” เมนูรอง “General Linear Model” และ เมนูย่อย “Univariate…” บทที การวิเคราะหร์ ปู แบบการวิจยั เชิงทดลอง . เลือกตวั แปรตาม “score” ไปไว้ในช่อง “Dependent Variable :” ตัวแปรอิสระ “brand” เป็น “fixed effect” ไว้ในช่อง “Fixed Factor(s) :” และตวั แปรจัดกลุ่ม “block” ไว้ในช่อง “Random Factor(s) :” ดงั ภาพประกอบ ภาพประกอบ . . เนืองจากการวิเคราะห์แบบนจี ะคล้ายกับว่ามตี วั แปรอิสระ ตัว เพยี งแต่จะไม่เกิด ปฏสิ ัมพันธ์ระหว่างตัวแปรทงั สอง ดงั นันเราจะไม่ให้โปรแกรมวิเคราะห์ปฏสิ มั พันธ์โดยคลกิ ป่ มุ “Model…” จากนันคลกิ ที custom ในช่องตรงกลางเลือก “main effect” แล้วมาคลกิ ตัวแปรทงั สองทาง ซ้ายมอื ให้ย้ายไปอยู่ทางขวามอื หมายความว่าจะวิเคราะห์เฉพาะ main effect ของตวั แปรอิสระและตวั แปรจดั กลุ่ม ดงั ภาพประกอบ แล้วคลิกป่ ุม “continue” สงั เกตตรงด้านล่าง Sum of squares : จะมีให้เลือกคาํ นวณอยู่ แบบ ดังนี Type I เป็นการคาํ นวณโมเดลการวิเคราะห์ความแปรปรวนทมี ีจาํ นวนตัวอย่างเทา่ กันใน แต่ละกลุ่ม วเิ คราะห์ nested model และใช้ได้เฉพาะ polynomial regression model Type II เป็นการคาํ นวณเหมอื น Type I ใช้กบั regression model ได้ทุกโมเดล Type III เป็นการคาํ นวณเหมอื น Type II แต่จาํ นวนตัวอย่างไม่จาํ เป็นต้องเทา่ กันในแต่ละ กลุ่มและจะต้องไม่มีเซลใด ๆ ว่าง Type IV เป็นการคาํ นวณเหมือน Type III แต่อาจจะมีบางเซลทเี ป็นเซลว่างได้ การใช้ SPSS เพือการวเิ คราะห์ข้อมลู ภาพประกอบ . . หากจะวิเคราะห์เปรยี บเทยี บพหุคูณใช้ป่ ุม "Post Hoc…" เช่นเดยี วกบั แบบแผนสุ่ม สมบูรณ์ เมอื คลกิ “OK” ปรากฏผลลัพธด์ ังนี Tests of Between-Subjects Effects Dependent Variable: score Type III Sum of df Mean Square F Sig. Squares 128.444 .000 Source 1 578.000 Intercept Hypothesis 578.000 11.627 .000 7 4.500a Error 31.500 3 16.333 3.203 .018 brand Hypothesis 49.000 21 1.405b 29.500 7 4.500 Error 31.500 block Hypothesis 21 1.405b 29.500 Error
บทที การวเิ คราะหร์ ปู แบบการวิจยั เชิงทดลอง Multiple Comparisons Dependent Variable: score Scheffe Mean Difference 95% Confidence Interval (I-J) Std. Error (I) brand (J) brand Sig. Lower Bound Upper Bound 1.00 2.00 -.5000 .59261 .869 -2.2992 1.2992 3.00 -1.2500 .59261 .248 -3.0492 .5492 4.00 -3.2500* .59261 .000 -5.0492 -1.4508 2.00 1.00 .5000 .59261 .869 -.7500 .59261 .664 -1.2992 2.2992 3.00 .59261 .002 4.00 -2.7500* .59261 .248 -2.5492 1.0492 3.00 1.00 1.2500 .59261 .664 2.00 .7500 .59261 .026 -4.5492 -.9508 4.00 .59261 .000 4.00 1.00 -2.0000* -.5492 3.0492 3.2500* -1.0492 2.5492 -3.7992 -.2008 1.4508 5.0492 2.00 2.7500* .59261 .002 .9508 4.5492 3.00 2.0000* .59261 .026 .2008 3.7992 Based on observed means. . The error term is Mean Square(Error) = 1.405. *. The mean difference is significant at the .05 level. ภาพประกอบ จากผลการวิเคราะห์ แบตเตอรที มี ียหี ้อต่างกนั มีอายุการใช้งานแตกต่างกันอย่างมนี ยั สาํ คัญ ทางสถิติทรี ะดบั . เมือพจิ ารณาผลการเปรยี บเทยี บรายค่พู บว่า แบตเตอรีชนิด D มอี ายุการใช้งาน เฉลยี แตกต่างจากชนดิ A, B และ C อย่างมนี ัยสาํ คญั ทางสถติ ิ ตามหลกั ของการจดั กลุ่ม (block) ควรจะมนี ยั สาํ คัญทางสถิติ (ศกึ ษารายละเอียดเพมิ เติมได้ ในหนงั สอื แบบแผนเชิงสถิติของการทดลองทวั ไป) 3. รปู แบบแฟคทอเรียล (Factorial Design) รูปแบบนีจะศึกษาตวั แปรทดลองตงั แต่ ตวั ขนึ ไปทมี ีผลต่อตวั แปรตาม ลกั ษณะของรปู แบบการทดลอง . มีตวั แปรทดลองตงั แต่ ตวั ขนึ ไป . มีการศึกษาปฏสิ มั พันธ์ (Interaction) ระหว่างตัวแปรทดลอง . กล่มุ ตัวอย่างใดจะได้รับตัวแปรทดลองใด จะต้องเป็นไปอย่างส่มุ การใช้ SPSS เพือการวเิ คราะหข์ ้อมลู ตวั อย่าง . (Kirk. : ) ในการทดลองวธิ ีสอน วิธีว่าจะมผี ลต่อผลสัมฤทธทิ างการเรยี นหรอื ไม่ แต่ในการทดลองนี ผ้วู จิ ยั คดิ ว่าตัวแปรระดับเชาวนป์ ัญญาอาจจะมีผลต่อผลสัมฤทธิทางการเรยี น จงึ ได้นาํ มาเป็นตัวแปร อิสระในกระบวนการทดลองอกี ตัวหนึง โดยตัวแปรเชาวน์ปัญญานจี ะแบ่งออกเป็น ระดับ ผ้วู ิจยั ส่มุ กลุ่มตวั อย่างมา คน สอบวัดเชาวน์ปัญญาแล้วแบ่งเดก็ ออกเป็น กล่มุ แต่ละ กลุ่มจะได้รับวิธสี อน วิธี ผลการทดลองปรากฏดงั ตาราง วธิ ีสอน วิธสี อน วธิ สี อน เชาวน์ เชาวน์ เชาวน์ เชาวน์ เชาวน์ เชาวน์ เชาวน์ เชาวน์ เชาวน์ ลงรหัสตวั แปรได้ดังนี แทนระดับเชาวน์ (ตาํ ) แทน method แทน วธิ ีสอนวธิ ที ี , และ intel แทน ระดบั เชาวน์ปัญญา ระดับ โดย ระดบั เชาวน์ (ปานกลาง) และ แทนระดับเชาวน์ (สูง) score แทน คะแนนผลสมั ฤทธิทางการเรยี น ขันตอนการวิเคราะห์มดี ังนี . ป้ อนข้อมูล ตวั แปรคือ method, intel และ score (ดูวธิ ีการป้ อนข้อมูลในบทที ) . เริมวเิ คราะห์ข้อมูลโดยเลือกเมนู “Analyze” เมนูรอง “General Linear Model” และ เมนูย่อย “Univariate…” . เลอื กตัวแปรตาม “score” ไปไว้ในช่อง “Dependent Variable :” ตัวแปรอสิ ระ “method” และ “intel” เป็น fixed effect ไว้ในช่อง “Fixed Factor(s) :” ดงั ภาพประกอบ บทที การวิเคราะหร์ ปู แบบการวจิ ัยเชิงทดลอง ภาพประกอบ . . เนืองจากมี ตวั แปรเราดูการมีปฏสิ ัมพันธ์ของตวั แปรทงั โดยคลิกป่ ุม “Plots…” แล้วเลอื กตัวแปรเพอื ให้เป็นแกนนอน “Horizontal Axis” และตัวแปรแยกเส้น “Separate Lines” ใน ทนี สี ร้าง ภาพ โดยให้ตวั แปร “method” เป็นแกนนอน และ “intel” เป็นตัวแปรแยกเส้น แล้วคลกิ ป่ มุ “add” จากนนั ให้ตัวแปร “method” เป็นตัวแปรแยกเส้น และ “intel” เป็นแกนนอน แล้วคลิกป่ ุม “add” จะปรากฏดังภาพประกอบ จากนันคลกิ ป่ มุ “continue” ภาพประกอบ . การใช้ SPSS เพือการวิเคราะหข์ ้อมูล . หากต้องการเปรียบเทยี บพหุคณู ให้คลกิ ป่ ุม "Post Hoc…" เมือคลกิ ป่ มุ “OK” จะได้ ผลลัพธ์ดงั นี Tests of Between-Subjects Effects Dependent Variable: score Type III Sum of Source Squares df Mean Square F Sig. Corrected Model 2970.000a 8 371.250 5.940 .000 882.000 .000 Intercept 55125.000 1 55125.000 .232 1.520 .000 method 190.000 2 95.000 12.347 .003 4.947 intel 1543.333 2 771.667 method * intel 1236.667 4 309.167 Error 2250.000 36 62.500 Total 60345.000 45 Corrected Total 5220.000 44
ภาพประกอบ . จากตารางวเิ คราะห์ความแปรปรวนพบว่า วธิ ีสอนแตกต่างกนั ไม่มีผลต่อคะแนนผลสมั ฤทธิ ทางการเรยี น (sig. = . ) ส่วนระดบั เชาวน์ปัญญาแตกต่างกันมผี ลให้คะแนนผลสมั ฤทธทิ างการ เรยี นแตกต่างกันอย่างมนี ยั สาํ คัญทางสถิตทิ รี ะดบั . (sig. = . ) และยังมีผลร่วมกนั ระหว่างวธิ ี สอนและเชาวนป์ ัญญาส่งผลให้คะแนนผลสมั ฤทธิทางการเรียนแตกต่างกนั อย่างมนี ยั สาํ คัญทางสถติ ทิ ี ระดับ . (sig. = . ) สาํ หรบั กราฟแสดงปฏสิ ัมพนั ธ์ ในภาพด้านขวา พบว่าเส้นตัดกนั สังเกตวิธสี อนที ใช้ ได้ผลดีมากในกลุ่มทมี รี ะดับสตปิ ัญญาสูง (ค่าเฉลยี สูงสุด) แต่ใช้ไม่ได้ผลในกล่มุ ทมี ีระดับสติปัญญาตาํ (ค่าเฉลียตาํ สุด) บทที การวิเคราะหร์ ปู แบบการวจิ ยั เชิงทดลอง 4. Nested Design ในรปู แบบ “Hierarchical Designs” หรือเรยี กอีกชือว่า “Nested Design” จะมีระดบั ของตวั แปรทดลองอย่างน้อย ตวั แปรที Nested ในอีกตัวแปรทดลองหนงึ และตวั แปรทดลองทเี หลืออยู่จะ crossed อย่างสมบรู ณ์ ถ้าในแต่ละระดับของตวั แปรทดลอง B จะปรากฏเฉพาะในระดับใดระดบั หนงึ ของตัวแปรทดลอง A; B อาจพดู ได้ว่าเป็น การ Nested ใน A เราจะใช้สญั ลักษณว์ ่า B(A) และอ่านว่า “B within A” ความแตกต่างระหว่างตัวแปร nested และ ตวั แปร crossed จะแสดงในภาพประกอบ (a) a (b) a a a b bb b bbbbbbbb ภาพประกอบ . ในภาพประกอบ . เปรยี บเทยี บรูปแบบทมี ีตวั แปร nested กบั ตัวแปร crossed ใน ภาพ (a) ตวั แปรทดลอง B(A) คือตวั แปร B nested อยู่ในตัวแปร A เพราะว่า b และ b ปรากฏ เฉพาะใน a เช่นเดียวกับ b และ b ปรากฏเฉพาะใน a ในรูปภาพ (b) ตวั แปรทดลอง A และ B เป็น crossed เพราะว่าในแต่ละระดับของตัวแปรทดลอง B จะปรากฏในแต่ละระดบั ของตัวแปรทดลอง A ลักษณะของรปู แบบการวจิ ยั . มีตัวแปรทดลองอย่างน้อย ตวั แปร . มีตัวแปรทดลองอย่างน้อย ตวั แปรจะถูก Nested โดยตัวแปรทเี หลือ . ไม่มีปฏสิ ัมพนั ธร์ ่วมระหว่างตวั แปรทดลอง ตวั อยา่ ง . การทดลองวิธีสอน วธิ ีทมี ีต่อผลสัมฤทธิทางการเรียน โดยมจี าํ นวนห้องเรียน ห้อง nested กับวิธีสอนทงั คะแนนผลสัมฤทธิทางการเรียนปรากฏดงั นี วิธสี อน ห้องเรียนที การใช้ SPSS เพือการวิเคราะหข์ ้อมลู ลงรหัสตัวแปรได้ดงั นี method แทน วธิ ีสอน วิธี room แทน ห้องเรยี น ห้อง score แทน คะแนนผลสมั ฤทธิทางการเรียน ขนั ตอนการวเิ คราะห์มดี งั นี . ป้ อนข้อมูล ตวั แปรคือ method, room และ score . เรมิ วิเคราะห์ข้อมูลโดยเลือกเมนู “Analyze” เมนูรอง “General Linear Model” และ เมนูย่อย “Univariate…” . เลอื กตวั แปรตาม “score” ไปไว้ในช่อง “Dependent Variable :” ตวั แปรอสิ ระ “method” เป็น fixed effect ใส่ไว้ในช่อง “Fixed Factor(s) :” และตวั แปรห้องเรียนที nested กับ วธิ ีสอน room(method) เป็น random effect ไว้ในช่อง “Random Factor(s) :” ดงั ภาพประกอบ . ภาพประกอบ . . ในรปู แบบนีเราสนใจเฉพาะตัวแปร “method” และ “room within method” ให้คลิกที ป่ ุม “Model…” คลกิ “custom” ในช่องตรงกลางให้เลือก “main effect” แล้วคลิกตัวแปร “method” จากซ้ายให้ย้ายมาขวา ดังภาพประกอบ แล้วคลกิ ป่ ุม “continue” บทที การวิเคราะห์รปู แบบการวิจยั เชิงทดลอง ภาพประกอบ . . เนอื งจากเราไม่สามารถวิเคราะห์ “room within method” ได้จากเมนูต่าง ๆ ทมี ใี ห้ ดังนนั จาํ เป็นทจี ะต้องเขยี นโปรแกรมเพิม โดยคลกิ ป่ มุ “Paste…” ทอี ย่ดู ้านล่างของหน้าต่าง “Univariate…” จะปรากฏหน้าต่าง “Systex” ดังภาพประกอบ ภาพประกอบ . . เขยี นคาํ สังเพิมทบี รรทดั “/DESIGN = method.” โดยเพิมคาํ สัง “room within method” ในบรรทดั นีจะกลายเป็น “/DESIGN = method room within method.” ดงั ภาพประกอบ . จากนนั ทาํ แถบดาํ ทงั คาํ สัง แล้วคลิกทปี ่ ุม เพอื ทาํ การวิเคราะห์ข้อมูล การใช้ SPSS เพือการวิเคราะหข์ ้อมูล ภาพประกอบ . . ผลการวเิ คราะห์ข้อมูลปรากฏดงั นี Tests of Between-Subjects Effects Dependent Variable: score Source Type III Sum of df Mean Square F Sig. Squares 53.081 .000 Intercept Hypothesis 1 924.500 924.500 6.459 .044 Error 6 17.417a 104.500 1 112.500 22.595 .000 method Hypothesis 112.500 6 17.417a 104.500 6 17.417 room(method) Error 104.500 Hypothesis 24 .771b 18.500 Error
ภาพประกอบ . จากตารางวเิ คราะห์ความแปรปรวนพบว่าวิธสี อน วธิ ใี ห้ผลแตกต่างกันอย่างมีนยั สาํ คัญทาง สถิติที . และมผี ลจากการเชือมโยงห้องเรยี นกับวิธสี อนอย่างน้อย ค่ทู แี ตกต่างกันอย่างมีนยั สาํ คญั ทางสถิติที . 5. รปู แบบจตั รุ ัสลาตนิ (Latin Square Design) เป็นรูปแบบทมี ตี ัวแปรภายนอกหรอื ตวั แปรแทรกซ้อน ตัว เป็นตวั แปรจดั กลุ่มเพอื ลด ความแปรปรวน ลักษณะเฉพาะของรูปแบบการวจิ ัย . มตี วั แปรทดลอง ตวั และมรี ะดบั ของตวั แปรมากกว่าหรือเท่ากับ . มตี ัวแปรจดั กล่มุ (Block) ตวั (ด้านแถวและสดมภ)์ แต่ละตัวมี p ระดบั เทา่ กัน . ไม่มีปฏสิ ัมพันธร์ ะหว่างตัวแปรจดั Block และไม่มีปฏสิ มั พนั ธร์ ะหว่างตวั แปรทดลอง กับตวั แปรจดั กล่มุ (Block) บทที การวิเคราะหร์ ปู แบบการวิจยั เชิงทดลอง . จาํ นวนระดบั การทดลองจะเทา่ กบั จาํ นวนระดบั ของตัวแปรจัดกล่มุ (Block) . สุ่มระดับของตวั แปรทดลองไปยงั หน่วยทดลองภายในแต่ละแถวและสดมภ์ โดยทแี ต่ละ ระดบั ของตวั แปรทดลองจะปรากฏในแถวและสดมภ์เพยี งครังเดยี ว ตวั อยา่ ง . ตัวแปรอิสระเป็นยางรถยนต์ ประเภททมี ีส่วนผสมต่างกัน (a1, a2, a3, a4) ตวั แปรจดั กล่มุ (Block) มี ตวั คอื ) ตาํ แหน่งของล้อ (b1, b2, b3, b4) ) ประเภทของรถยนต์ แบบ (c1, c2, c3, c4) ตัวแปรตามคอื ความหนาของยางรถยนต์หลังจากวงิ ไปแล้ว , ไมล์ ทาํ การทดลอง ครงั ต่อ เซล ได้ผลการทดลองดงั ตาราง C1 C2 C3 C4 B1 A1 A2 A3 A4 1259 2368 B2 A2 A3 A4 A1 3892 4683 B3 A3 A4 A1 A2 5 10 3 5 7 11 2 4 B4 A4 A1 A2 A3 7636 10 3 4 7 ลงรหัสตัวแปรได้ดังนี A แทน ตวั แปรทดลอง B และ C แทน ตัวแปรจดั กลุ่ม (Block) measure แทน ความหนาของยางรถยนต์หลังจากวงิ ไปแล้ว 10,000 ไมล์ ขันตอนการวเิ คราะห์มีดงั นี . ป้ อนข้อมูล ตัวแปรคอื a, b, c และ measure (ดวู ธิ กี ารป้ อนข้อมูลในบทที ) . เรมิ วิเคราะห์ข้อมูลโดยเลือกเมนู “Analyze” เมนูรอง “General Linear Model” และ เมนูย่อย “Univariate…” การใช้ SPSS เพือการวิเคราะหข์ ้อมูล . เลอื กตัวแปรตาม “measure” ไปไว้ในช่อง “Dependent Variable :” ตวั แปรอสิ ระ “a”, ”b” และ “c” เป็น fixed effect ใส่ไว้ในช่อง “Fixed Factor(s) :” ดังภาพประกอบ ภาพประกอบ . จากนันคลิกทปี ่ ุม “Model…” จะปรากฏหน้าต่าง “Univariate : Model” ให้คลิกเลือก “Custom” ในช่องตรงกลางให้คลิก “Main Effect” และเลอื กตวั แปรทางขวามอื ทงั ตัวมาไว้ทาง ซ้ายมอื เพอื ให้โปรแกรมคาํ นวณหา Main Effect ทงั ตวั แปร และในช่องตรงกลางคลิก “All 3-way” และคลกิ ตัวแปรทางขวามอื ทงั ตวั มาไว้ทางซ้ายมือเพือเป็นการหา Residual ของรปู แบบนี จากนนั คลกิ ป่ มุ “Continue” แล้วคลกิ ป่ มุ “OK” โปรแกรมจะประมวลผลข้อมูล |
Spss จ ดกล ม หาค า mean max min
ลิขสิทธิ์ © 2024 th.apacode Inc.
