คุณลักษณะของ formative model (formative construct) และ Reflective model (reflective construct)
Formative
model (formative construct)
โครงสร้างโมเดลการวัดแบบก่อตัว
(Formative model) เป็นการสร้างโมเดลการวัด (Measurement
Model) ในลักษณะที่ตัวชี้วัด (indicator) จะเป็นสาเหตุ
(Cause) ของตัวแปรแฝง
สำหรับโครงสร้างโมเดลการวัดแบบสะท้อนนั้นจะพบว่าไม่มีความแปรปรวนร่วม (Covariance)
ระหว่างตัวชี้วัด
เนื่องจากตัวชี้วัดเหล่านั้นมาจากสาเหตุที่แตกต่างกัน (different theme) จึงไม่สามารถละเลยตัวชี้วัดตัวใดตัวหนึ่งออกจากโครงสร้างโมเดลได้
เนื่องจากจะก่อให้เกิดปัญหาเรื่อง Content Validity โดยทันที
ดังนั้นความครบถ้วนของนิยามตัวแปรประเภท Formative construct ที่จะส่งต่อเป็นตัวชี้วัดจึงมีความสำคัญอย่างยิ่ง
Reflective model (reflective construct)
โครงสร้างโมเดลการวัดแบบสะท้อน (Reflective model) เป็นการสร้างโมเดลการวัด (Measurement Model) ในลักษณะที่ตัวชี้วัด (Indicators) จะเป็นผลสะท้อนที่เกิดจากตัวแปรแฝง (Latent Variable) หรืออีกนัยหนึ่งคือ ตัวแปรแฝงจะเป็นตัวทำนาย (Predictor) และตัวชี้วัดจะเป็นผล (Outcome) ที่สะท้อนมาจากตัวแปรแฝงนั้นๆ สำหรับโครงสร้างโมเดลการวัดแบบสะท้อนนั้นจะพบว่ามีความแปรปรวนร่วม (Covariance) ระหว่างตัวชี้วัด เนื่องจากตัวชี้วัดเหล่านั้นสะท้อนการชี้วัดมาจากสิ่งเดียวกัน (common theme)
ภาพ path diagram ของ formative model (formative construct)
ภาพ path diagram ของ reflective model (reflective construct)
เทคนิคในการวิเคราะห์ข้อมูลที่ได้รับความนิยมเทคนิคหนึ่ง คือ การวิเคราะห์แบบจำลองสมการโครงสร้าง (Structural equation modelling)
Structural equation modeling มีข้อดีอย่างไร
การวิเคราะห์ SEM
มีความสามารถในการผนวกตัวแปรแฝง (Latent Variable) และแบบจําลองการวิเคราะห์อิทธิพล (Path Analysis)
เอาไว้ในแบบจําลองเดียวกัน เกิดเป็นแบบจําลองการวิเคราะห์อิทธิพลที่มีตัวแปรแฝง (Latent
Variable Path Analysis) ซึ่งสามารถให้คําตอบได้พร้อมกัน
จากการวิเคราะห์ว่างานวิจัยนั้นวัดตัวแปรทางทฤษฎีผ่านตัวแปรสังเกตได้เที่ยงตรง (Validity)
มากน้อยเพียงใด และตัวแปรทางทฤษฎีที่ศึกษานั้นมี
ความสัมพันธ์เชิงสาเหตุกันอย่างไร ยิ่งไปกว่านั้น ยังสามารถกำหนดแบบจําลองการวิเคราะห์ให้สอดคล้องกับสมมติฐานการวิจัยได้หลากหลายและครอบคลุม
ทั้งการวิเคราะห์ข้อมูลที่เก็บมาเพียงแค่ช่วงเวลาเดียว (Cross-sectional
data) และการวิเคราะห์ข้อมูลช่วงยาว (Longitudinal data) ที่มีการเก็บข้อมูลหลายครั้ง การวิเคราะห์ SEM จึงได้รับความนิยมในการนําไปใช้วิเคราะห์ข้อมูลงานวิจัยในปัจจุบัน
(Raykov & Marcoulides, 2006)
Structural equation modeling มีข้อจำกัดอย่างไร
แม้ว่าวัตถุประสงค์หลักของการวิเคราะห์ SEM คือการศึกษาความสัมพันธ์เชิงสาเหตุแต่หลักฐานที่ ได้จากการวิเคราะห์ข้อมูลเพียงลำพังยังไม่สามารถ ยืนยันหรือให้ข้อสรุปของความสัมพันธ์เชิงสาเหตุได้ อย่างหนักแน่น (Schneider, Carnoy, Kilpatrick, Schmidt, & Shavelson, 2007) แบบแผนการวิจัยเชิงทดลองยังคงเป็นแบบแผนการวิจัยสำคัญที่สามารถศึกษาความสัมพันธ์เชิงสาเหตุของตัวแปรได้ ชัดเจนและหนักแน่นมากที่สุด เพราะมีการควบคุมตัวแปรแทรกซ้อนต่างๆ ด้วยการจัดกระทำทางการวิจัยที่เกิดขึ้นจริงแตกต่างจากการศึกษาความสัมพันธ์เชิง สาเหตุโดยใช้การวิเคราะห์สถิติหลายตัวแปร ซึ่งเป็นการควบคุมทางสถิติที่เป็นการสมมติตัวเลขในข้อมูลตามเงื่อนไขของตัวแปรที่ควบคุมโดยที่เงื่อนไขนั้นอาจจะไม่ได้เกิดขึ้นจริงเลยก็ตาม
---------------------------------------------------------------------------------------------------
รายละเอียดเพิ่มเติม:
ไม่มีความคิดเห็น:
แสดงความคิดเห็น