ซักซ้อม SEM อย่างเป็นระบบ: จากผลทางอ้อมสู่การเปรียบเทียบโมเดล

SEM, mediation และการเปรียบเทียบโมเดลตอบคำถามต่างกันอย่างไร

SEM หรือการวิเคราะห์แบบจำลองสมการโครงสร้างใช้ตรวจความสัมพันธ์ระหว่างตัวแปรแฝง ตัวชี้วัด และเส้นทางเชิงโครงสร้างภายใต้แบบจำลองที่ผู้วิจัยกำหนดจากทฤษฎี ส่วน mediation ถามอย่างเฉพาะเจาะจงว่า ความสัมพันธ์ระหว่างตัวแปรต้นกับตัวแปรตามอาจส่งผ่านตัวแปรคั่นกลางตามลำดับที่ประกาศไว้หรือไม่ การเปรียบเทียบโมเดลถามอีกเรื่องหนึ่งว่า แบบจำลองทางเลือกที่วางบนข้อมูลและเงื่อนไขเดียวกันให้หลักฐานแตกต่างกันอย่างไร ทั้งสามเรื่องจึงสนับสนุนกัน แต่ใช้แทนกันไม่ได้

ตัวอย่างเช่น งานด้านการศึกษาสามารถตั้งทฤษฎีว่า การสนับสนุนจากอาจารย์สัมพันธ์กับความตั้งใจเรียนโดยส่งผ่านความเชื่อมั่นของผู้เรียน แบบจำลอง SEM ช่วยตรวจทั้งส่วนการวัดและเส้นทางที่ประกาศไว้ mediation ช่วยแยกผลโดยตรง ผลทางอ้อม และผลรวม ส่วนการเปรียบเทียบโมเดลช่วยพิจารณาโมเดลที่มีหรือไม่มีเส้นทางบางเส้นโดยไม่ตัดสินจากค่าดัชนีตัวเดียว ResearchOS จัดสิ่งเหล่านี้เป็นการซักซ้อม เพื่อให้ผู้วิจัยเห็นสิ่งที่ต้องตรวจและบันทึกเหตุผลก่อนวิเคราะห์ยืนยัน

• SEM ตรวจแบบจำลองการวัดและความสัมพันธ์ตามทฤษฎีที่ระบุไว้
• Mediation ตรวจผลทางอ้อมตามลำดับตัวแปรที่ผู้วิจัยเลือกไว้ล่วงหน้า
• การเปรียบเทียบโมเดลใช้หลักฐานหลายด้านและต้องรักษาเงื่อนไขให้เทียบกันได้

Identification คืออะไร และทำไมค่า fit อย่างเดียวจึงไม่พอ

Identification หมายถึง แบบจำลองมีข้อมูลเพียงพอให้ประมาณพารามิเตอร์ที่ต้องการได้อย่างมีคำตอบชัดเจนหรือไม่ ก่อนอ่าน CFI, TLI, RMSEA หรือ SRMR ผู้วิจัยต้องตรวจจำนวนข้อมูลที่สังเกตได้ จำนวนพารามิเตอร์ องศาอิสระ การกำหนดสเกลของตัวแปรแฝง โครงสร้างเส้นทาง และปัญหาความแปรปรวนหรือเมทริกซ์ที่ไม่เหมาะสม หากแบบจำลองยังระบุเอกลักษณ์ไม่ได้ ค่าที่คำนวณภายหลังย่อมไม่ใช่หลักฐานที่ควรนำไปตีความ

แม้แบบจำลองจะผ่าน identification และ optimizer รายงานว่า converged ก็ยังไม่แปลว่าแบบจำลองถูกต้อง ค่า fit สรุปความต่างระหว่างโครงสร้างที่กำหนดกับข้อมูลภายใต้สมมติฐานหนึ่ง ๆ แต่ไม่พิสูจน์เหตุและผล ไม่รับรองคุณภาพการวัด และไม่บอกว่าไม่มีแบบจำลองอื่นอธิบายข้อมูลได้ดีพอ ๆ กัน จึงต้องอ่านค่าพารามิเตอร์ ช่วงความไม่แน่นอน residual ความสมเหตุสมผลทางทฤษฎี คุณภาพข้อมูล และการออกแบบวิจัยร่วมกัน

• ตรวจสถานะ identification และ convergence ก่อนอ่านดัชนีความพอดี
• อย่าแปล CFI หรือ RMSEA ตัวเดียวเป็นคำตัดสินว่าโมเดลถูกหรือผิด
• ตรวจค่าประมาณที่ผิดปกติ standard error ที่ขาด และความแปรปรวนติดลบก่อนสรุป

ควรประกาศผลโดยตรง ผลทางอ้อม และผลรวมก่อนคำนวณอย่างไร

ผลโดยตรงคือเส้นทางจากตัวแปรต้นไปยังตัวแปรตามโดยไม่ผ่านตัวแปรคั่นกลาง ผลทางอ้อมคือผลคูณของสัมประสิทธิ์ตามห่วงโซ่ที่ประกาศ เช่น X ไป M และ M ไป Y ส่วนผลรวมรวมผลโดยตรงกับผลทางอ้อมที่เลือกไว้ ผู้วิจัยควรเขียนลำดับตัวแปรและเหตุผลทางทฤษฎีก่อนเห็นผล ไม่ควรให้ระบบค้นเส้นทางที่ดูน่าสนใจจากข้อมูลแล้วเพิ่มเข้าโมเดลให้อัตโนมัติ

Statistics Lab ให้ผู้วิจัยเลือก planned effects เฉพาะจากเส้นทางที่มีอยู่ในแบบจำลอง บันทึกเป็น snapshot ที่ล็อกนิยาม รุ่นชุดข้อมูล กฎจัดการค่าว่าง และการตั้งค่า bootstrap ไว้ด้วยกัน การบันทึกนี้ช่วยแยกสิ่งที่ตั้งใจทดสอบออกจากข้อสังเกตภายหลัง หากต้องแก้เส้นทาง ควรสร้าง snapshot รุ่นใหม่และบันทึกเหตุผล แทนการเขียนทับนิยามเดิมจนไม่รู้ว่าผลใดมาจากสมมติฐานชุดใด

• เขียนตัวแปรต้น ตัวแปรคั่นกลางตามลำดับ และตัวแปรตามให้ครบ
• ระบุว่าต้องการอ่าน direct, indirect และ total effect ใดก่อนประมวลผล
• เปลี่ยนโมเดลด้วย snapshot รุ่นใหม่เพื่อรักษาร่องรอยการตัดสินใจ

ช่วง bootstrap และรอบที่ล้มเหลวควรอ่านอย่างไร

ผลทางอ้อมมักมีการกระจายที่ไม่สมมาตร การใช้ bootstrap จึงช่วยประมาณช่วงความเชื่อมั่นจากการสุ่มตัวอย่างซ้ำ ResearchOS ใช้ seed และจำนวนรอบที่ล็อกไว้กับ snapshot เพื่อให้การซักซ้อมชุดเดิมทำซ้ำได้ ระบบรายงานทั้งจำนวนรอบที่ขอ จำนวนรอบที่สำเร็จ จำนวนรอบที่ล้มเหลว และช่วงเปอร์เซ็นไทล์ 95% เฉพาะเมื่ออัตราความสำเร็จผ่านเกณฑ์ที่กำหนด หากสำเร็จไม่เพียงพอ ระบบจะงดช่วงแทนการเติมค่าที่ดูสมบูรณ์เกินหลักฐาน

เมื่อช่วงของผลทางอ้อมไม่คร่อมศูนย์ ผู้วิจัยอาจรายงานว่า ผลซักซ้อมให้หลักฐานสอดคล้องกับผลทางอ้อมภายใต้โมเดลและข้อมูลชุดนี้ แต่ไม่ควรเขียนว่า mediation ได้รับการพิสูจน์โดยอัตโนมัติ ต้องดูทิศทาง ขนาดผล ความแม่นยำ จำนวนรอบที่สำเร็จ ความเหมาะสมของข้อมูล และสมมติฐานเชิงเวลา หากมีรอบล้มเหลวจำนวนมาก ควรตรวจแบบจำลอง ค่าผิดปกติ ขนาดตัวอย่าง และความไม่เสถียรในโปรแกรมเฉพาะทางก่อนนำผลไปใช้

• อ่านช่วงความเชื่อมั่นพร้อมจำนวนรอบที่ขอและรอบที่สำเร็จเสมอ
• ช่วงไม่คร่อมศูนย์ไม่ใช่หลักฐานยืนยันเหตุและผล
• เก็บ seed, snapshot, รุ่นข้อมูล และกฎค่าว่างไว้ในรายงานทำซ้ำ

เมื่อใดโมเดลผู้สมัครจึงเปรียบเทียบกันอย่างเป็นธรรม

โมเดลที่จะวางในตารางเดียวกันต้องใช้ชุดข้อมูลเดียวกัน รุ่นเดียวกัน เนื้อหาไฟล์เดียวกัน ตัวแปรสังเกตชุดเดียวกัน แถวตัวอย่างที่ใช้จริงชุดเดียวกัน กฎจัดการค่าว่างและวิธีประมาณค่าเดียวกัน ResearchOS ตรวจร่องรอยเหล่านี้ก่อนอนุญาตให้เปรียบเทียบ snapshot ที่ประมวลผลสำเร็จได้สูงสุดสามแบบ โมเดลที่เงื่อนไขไม่ตรงยังเปิดดูแยกได้ แต่จะไม่ถูกจัดไว้เป็นการแข่งขันเดียวกัน

ตารางเปรียบเทียบควรอ่านทั้ง N จำนวนพารามิเตอร์ convergence องศาอิสระ CFI, TLI, RMSEA, SRMR, AIC, BIC คำเตือน residual และ planned effects ดัชนีบางตัวใช้เปรียบเทียบได้ภายใต้เงื่อนไขเฉพาะ และค่าที่เล็กหรือใหญ่กว่าไม่ชดเชยโมเดลที่ขาดเหตุผลทางทฤษฎี การเปรียบเทียบจึงเป็นการจัดหลักฐานให้เห็นพร้อมกัน ไม่ใช่ระบบจัดอันดับหรือประกาศผู้ชนะ

• เทียบได้สูงสุดสาม snapshot ที่ผ่านเงื่อนไขความเข้ากันได้
• ไม่เปรียบเทียบโมเดลที่ใช้ตัวแปรหรือกลุ่มตัวอย่างจริงคนละชุด
• ใช้ตารางร่วมกับไดอะแกรมและบันทึกโมเดล ไม่ใช้ดัชนีเดียวตัดสิน

ทำไมต้องบันทึกเหตุผลแทนการเลือกตัวเลขที่เล็กที่สุด

การเลือกโมเดลหลักควรบันทึกว่าโมเดลตอบคำถามวิจัยอย่างไร สอดคล้องกับทฤษฎีและแผนที่ประกาศไว้เพียงใด มีคำเตือนใด และต้องตรวจอะไรต่อ เหตุผลนี้สำคัญกว่าประโยคว่า AIC ต่ำกว่า เพราะช่วยให้ผู้วิจัย อาจารย์ที่ปรึกษา และผู้ประเมินเห็นหลักคิดที่ใช้ตัดสินใจ รวมทั้งแยกการตัดสินใจก่อนเห็นผลออกจากการอธิบายภายหลัง

ResearchOS จึงไม่จัดอันดับ best model และไม่เลือก snapshot หลักให้อัตโนมัติ ผู้วิจัยต้องเลือกพร้อมใส่เหตุผลในหน้าเดียวกับตารางและไดอะแกรม หากผลชี้คนละทิศ เช่น fit บางค่าดีขึ้นแต่ residual หรือค่าพารามิเตอร์แย่ลง ควรบันทึกความขัดแย้งและนำไปตรวจต่อ ไม่ควรแก้โมเดลซ้ำจนได้ค่าที่ต้องการโดยไม่มีทฤษฎีรองรับ การซักซ้อมที่ดีทำให้เหตุผลตรวจย้อนกลับได้ แม้ผลสุดท้ายจะไม่สนับสนุนสมมติฐานเดิม

จะทำซ้ำ snapshot ใน JASP หรือ R lavaan ได้อย่างไร

เริ่มจากส่งออกหลักฐานของ snapshot และผลวิเคราะห์ ResearchOS รองรับหกรูปแบบ ได้แก่ Markdown, ชุด CSV, JSON, Mermaid, SVG และสคริปต์ R lavaan แต่ละชุดแนบรหัส snapshot รุ่นชุดข้อมูล hash ของเนื้อหา วิธีประมาณค่า กฎค่าว่าง seed จำนวน bootstrap และคำเตือนที่เกี่ยวข้อง Markdown เหมาะกับบันทึกวิธีและเหตุผล CSV กับ JSON เหมาะกับตรวจตาราง Mermaid และ SVG เหมาะกับสื่อสารโครงสร้าง ส่วน R lavaan เป็นจุดเริ่มต้นสำหรับทำซ้ำด้วยซอฟต์แวร์เฉพาะทาง

ใน JASP ให้สร้างแบบจำลองจากตัวแปรและเส้นทางเดียวกับ snapshot ตรวจการจัดการค่าว่าง estimator จำนวนตัวอย่างที่ใช้จริง และตัวเลือก bootstrap ให้ตรง จากนั้นเปรียบเทียบค่าพารามิเตอร์ ดัชนี fit คำเตือน และช่วงความเชื่อมั่นทีละส่วน ใน R ให้ตรวจ mapping ของชื่อคอลัมน์กับ alias ที่สคริปต์สร้าง อ่าน syntax ของตัวแปรแฝงและ planned indirect effects ก่อนรัน และเก็บเวอร์ชัน R กับแพ็กเกจไว้ในรายงาน หากโปรแกรมให้ผลต่างกัน อย่าปรับตัวเลขให้ตรงด้วยมือ ให้ตรวจรุ่นข้อมูล กฎค่าว่าง estimator การสร้างตัวแปร และการตั้งค่า bootstrap ก่อน

• ยืนยันว่าไฟล์ข้อมูลและแถวที่ใช้ตรงกับ hash และ manifest ของ snapshot
• ตรวจ syntax, estimator, missing-data rule, seed และจำนวน bootstrap ก่อนรัน
• บันทึกเวอร์ชัน JASP หรือ R/lavaan และอธิบายความต่างของผลอย่างโปร่งใส

ResearchOS ไม่รับรองอะไร และเมื่อใดต้องใช้ผู้เชี่ยวชาญ

ResearchOS ใช้สำหรับซักซ้อม ตรวจความพร้อม จัดร่องรอย และช่วยอ่านผลเบื้องต้น ระบบไม่รับรองว่าแบบจำลองเป็นจริง ไม่พิสูจน์เหตุและผล ไม่ยืนยันความตรงของเครื่องมือ ไม่แทนนักสถิติ อาจารย์ที่ปรึกษา คณะกรรมการจริยธรรม หรือข้อกำหนดของสถาบัน รุ่นปัจจุบันประมาณค่าด้วย MLW กับข้อมูลแบบ complete case เป็นค่าตั้งต้น และเมื่อผู้วิจัยบันทึกแผนขั้นสูงไว้ ระบบจะ execute FIML, ตัวประมาณเชิงอันดับ DWLS หรือการแก้ค่าแบบ robust ตามแผนนั้นจริง โดยผลและไฟล์ส่งออกจะระบุตัวประมาณค่ากับกฎข้อมูลขาดหายที่ใช้จริงเสมอ ส่วน multi-group analysis และ measurement invariance ยังไม่ execute ภายในระบบ และสคริปต์ R lavaan จะช่วยตั้งต้นการตรวจซ้ำภายนอก ทุกผลยังต้องอาศัยการตรวจทานและการรันซ้ำในซอฟต์แวร์มาตรฐาน

ควรปรึกษาผู้เชี่ยวชาญเมื่อข้อมูลเป็นลำดับหรือจัดหมวดหมู่ มีการสุ่มแบบซับซ้อน น้ำหนักตัวอย่าง การวัดซ้ำ หลายระดับ หลายกลุ่ม ขนาดตัวอย่างจำกัด แบบจำลองไม่ converge มีค่าผิดปกติ หรือข้อสรุปมีผลต่อการตัดสินใจสำคัญ ก่อนส่งวิทยานิพนธ์หรือบทความ ให้ทำซ้ำใน JASP, R lavaan หรือโปรแกรมที่สถาบันยอมรับ ตรวจ output ฉบับเต็ม และให้ผู้มีความรู้ด้านสถิติกับเนื้อหาสาขาทบทวนร่วมกัน

• ใช้ผลเป็นหลักฐานซักซ้อม ไม่ใช้เป็นใบรับรองความถูกต้องทางสถิติ
• อย่าขยายผลเกินประชากร การออกแบบ และคุณภาพข้อมูลที่มี
• นำผลไปทำซ้ำและตรวจโดยผู้เชี่ยวชาญก่อนสรุปเชิงวิชาการ