7 เมนู Factor: Scale Analysis และ Reliability

Modified

5 ตุลาคม 2569

ผู้อ่านสามารถโหลดข้อมูลได้จาก Google Drive นี้

เมนู Factor ใน jamovi มีเครื่องมือที่เกี่ยวข้องกับการวิเคราะห์โครงสร้างของตัวแปรและการประเมินคุณภาพของแบบวัด ในบทนี้จะเน้นที่ Scale Analysis และโดยเฉพาะ Reliability Analysis

7.1 การวิเคราะห์สเกล (Scale Analysis)

Scale Analysis ใช้สำหรับประเมินชุดข้อคำถามหรือรายการวัด (items) ที่ออกแบบมาเพื่อวัดแนวคิดหรือคุณลักษณะเดียวกัน เช่น

ความพึงพอใจ
ทัศนคติ
ความวิตกกังวล
ความผูกพันต่อองค์กร
ความเชื่อมั่นในการใช้เทคโนโลยี

ตัวอย่างเช่น หากแบบสอบถามความพึงพอใจมีหลายข้อ แต่ละข้อควรให้ข้อมูลเกี่ยวกับแนวคิดเดียวกันในระดับหนึ่ง จึงควรตรวจสอบว่ารายการเหล่านั้นมีความสอดคล้องกันเพียงใด

Scale Analysis อาจครอบคลุมหลายแนวคิด เช่น

Reliability: ความสม่ำเสมอหรือความเชื่อถือได้ของคะแนนจากแบบวัด
Item analysis: การตรวจสอบพฤติกรรมของแต่ละข้อคำถาม
Factor analysis: การตรวจสอบโครงสร้างแฝงของชุดข้อคำถาม

Reliability ไม่เท่ากับ Validity

Reliability หมายถึงความสม่ำเสมอหรือความเชื่อถือได้ของการวัด

Validity หมายถึงความถูกต้องว่าตัววัดสามารถวัดสิ่งที่ต้องการวัดได้จริงหรือไม่

แบบวัดอาจมี reliability สูง แต่ไม่ได้หมายความว่าจะมี validity สูงเสมอไป

7.2 Reliability Analysis

Reliability Analysis ใช้ประเมินว่าคะแนนจากแบบวัดมีความสม่ำเสมอเพียงใด

Reliability สามารถพิจารณาได้หลายรูปแบบ เช่น

Internal consistency reliability
ตรวจสอบว่ารายการหลายข้อที่ตั้งใจวัดแนวคิดเดียวกันมีความสอดคล้องกันหรือไม่
Test-retest reliability
ตรวจสอบความสม่ำเสมอของคะแนนเมื่อวัดซ้ำในช่วงเวลาที่ต่างกัน
Inter-rater reliability
ตรวจสอบความสอดคล้องระหว่างผู้ประเมินหลายคน

ในเมนู Reliability Analysis ของ jamovi จะเน้นการประเมิน internal consistency ของรายการหลายข้อ โดยใช้สถิติ เช่น

Cronbach’s alpha
McDonald’s omega
Item-rest correlation
Reliability if an item is dropped

7.3 Cronbach’s Alpha

Cronbach’s alpha เป็นสถิติที่ใช้ประเมินความสอดคล้องภายในของชุดข้อคำถามที่ตั้งใจวัด construct เดียวกัน

สูตรของ Cronbach’s alpha สามารถเขียนได้เป็น

\[ \alpha = \frac{k}{k-1} \left( 1- \frac{\sum_{i=1}^{k}\sigma_i^2} {\sigma_T^2} \right) \]

โดยที่

\(k\) คือจำนวน items
\(\sigma_i^2\) คือความแปรปรวนของ item ที่ \(i\)
\(\sigma_T^2\) คือความแปรปรวนของคะแนนรวม

ค่า alpha ที่สูงขึ้นโดยทั่วไปบ่งชี้ว่ารายการต่าง ๆ มีความสอดคล้องกันมากขึ้น

อย่างไรก็ตาม ไม่ควรตีความค่า alpha ด้วยเกณฑ์ตายตัวเพียงอย่างเดียว เพราะค่า alpha ขึ้นอยู่กับ

จำนวน items
ความสัมพันธ์ระหว่าง items
ลักษณะของ construct
จุดประสงค์ในการใช้แบบวัด
กลุ่มตัวอย่างที่นำแบบวัดไปใช้

แนวทางการตีความแบบคร่าว ๆ

ในงานประยุกต์มักพบการใช้ค่าประมาณ เช่น

\(\alpha \geq 0.90\): สูงมาก
\(0.80 \leq \alpha < 0.90\): สูง
\(0.70 \leq \alpha < 0.80\): พอใช้ถึงดี
\(0.60 \leq \alpha < 0.70\): ควรพิจารณาร่วมกับบริบท
\(\alpha < 0.60\): อาจบ่งชี้ว่าความสอดคล้องภายในค่อนข้างต่ำ

ค่าเหล่านี้เป็นเพียง แนวทาง ไม่ใช่กฎตายตัว

Important

ค่า alpha สูงมาก เช่น มากกว่า 0.95 ไม่ได้หมายความว่าแบบวัดดีเสมอไป เพราะอาจเกิดจากข้อคำถามหลายข้อมีเนื้อหาซ้ำกันมากเกินไป

7.4 ตัวอย่าง Reliability Analysis

สมมติว่าต้องการวัด ความพึงพอใจของลูกค้าโรงแรม ด้วยข้อคำถาม 3 ข้อ

Item1: ความพึงพอใจต่อการบริการในห้องพัก
Item2: ความพึงพอใจต่อคุณภาพของอาหาร
Item3: ความพึงพอใจต่อการบริการของพนักงาน

ข้อมูลตัวอย่างมีดังนี้

\[ \begin{array}{c|ccc} \text{Customer} & \text{Item1} & \text{Item2} & \text{Item3}\\ \hline 1 & 4 & 5 & 3\\ 2 & 3 & 4 & 4\\ 3 & 5 & 3 & 5\\ 4 & 4 & 5 & 4\\ 5 & 3 & 4 & 4 \end{array} \]

สร้างไฟล์ข้อมูลสำหรับทดลองใน jamovi

Caution

ข้อมูลตัวอย่างนี้มีเพียง 5 คน จึงเหมาะสำหรับใช้ สาธิตขั้นตอนการใช้งานโปรแกรม เท่านั้น ไม่เหมาะสำหรับใช้สรุป reliability ของแบบวัดจริง

7.4.1 ขั้นที่ 1 นำเข้าข้อมูล

นำไฟล์ Cronbach.xlsx เข้าสู่ jamovi

ตรวจสอบว่า Item1, Item2 และ Item3 ถูกกำหนดเป็นตัวแปรเชิงตัวเลขและมีทิศทางของคะแนนตรงกัน

หากมีข้อคำถามที่เป็น reverse item ควรกลับคะแนนก่อนนำมาคำนวณ reliability

ตัวอย่างเช่น หากแบบวัด 5 ระดับ และต้องกลับคะแนนของข้อหนึ่ง สามารถใช้แนวคิด

\[ X_{\text{reverse}}=6-X \]

7.4.2 ขั้นที่ 2 เลือก Reliability Analysis

เลือกเมนู

Analyses → Factor → Reliability Analysis

แล้วนำ Item1, Item2 และ Item3 เข้าไปในช่อง Items

ควรเลือกแสดงผลเพิ่มเติม เช่น

Cronbach’s alpha
McDonald’s omega
Item-rest correlation
Alpha if item dropped
Omega if item dropped
Item means และ standard deviations เมื่อจำเป็น

7.5 การอ่านผล Reliability Analysis

การตีความไม่ควรพิจารณาเฉพาะค่า Cronbach’s alpha รวมเท่านั้น แต่ควรตรวจสอบแต่ละ item ประกอบด้วย

7.5.1 Item-Rest Correlation

Item-rest correlation แสดงความสัมพันธ์ระหว่างคะแนนของ item หนึ่งกับคะแนนรวมของ items ที่เหลือ

หาก item-rest correlation ต่ำมากหรือเป็นลบ อาจบ่งชี้ว่า

item นั้นอาจวัดคนละ construct
item อาจมีปัญหาในการเขียนคำถาม
item อาจเป็น reverse item ที่ยังไม่ได้กลับคะแนน
ข้อมูลอาจมีความผิดพลาด

ไม่ควรลบ item เพียงเพราะค่าหนึ่งต่ำ โดยควรพิจารณาเนื้อหาทางทฤษฎีร่วมด้วย

7.5.2 Alpha if Item Dropped

ค่านี้แสดงว่า Cronbach’s alpha ของทั้ง scale จะเป็นเท่าใดหากตัด item นั้นออก

หาก alpha เพิ่มขึ้นมากหลังลบ item หนึ่ง อาจเป็นสัญญาณให้ตรวจสอบ item นั้นเพิ่มเติม

อย่างไรก็ตาม การตัดข้อคำถามควรใช้ทั้ง

ผลทางสถิติ
ความหมายของข้อคำถาม
โครงสร้างทางทฤษฎีของ construct

ไม่ควรตัดข้อคำถามโดยอาศัย alpha เพียงอย่างเดียว

7.6 McDonald’s Omega

McDonald’s omega เป็นอีกสถิติหนึ่งที่ใช้ประเมิน internal consistency reliability

Omega ใช้แนวคิดจาก factor model และไม่ได้อาศัยสมมติฐานเรื่องความเท่าเทียมของ factor loadings ในระดับเดียวกับ coefficient alpha

ด้วยเหตุนี้ omega จึงมักเป็นประโยชน์ในกรณีที่ items มีความสัมพันธ์กับ latent construct ในระดับที่ไม่เท่ากัน

ในแบบจำลอง one-factor อย่างง่าย แนวคิดของ omega total สามารถเขียนโดยย่อได้เป็น

\[ \omega = \frac{ \left(\sum_{i=1}^{k}\lambda_i\right)^2 }{ \left(\sum_{i=1}^{k}\lambda_i\right)^2+ \sum_{i=1}^{k}\theta_i } \]

โดยที่

\(\lambda_i\) คือ factor loading ของ item ที่ \(i\)
\(\theta_i\) คือ error variance ของ item ที่ \(i\)

ค่า omega ยิ่งสูงโดยทั่วไปยิ่งแสดงถึง internal consistency ที่สูงขึ้น แต่เช่นเดียวกับ alpha ควรตีความร่วมกับบริบทและโครงสร้างของแบบวัด

Alpha กับ Omega

ไม่จำเป็นต้องเลือกใช้เพียงค่าใดค่าหนึ่งเสมอไป

ในการรายงานงานวิจัย ผู้วิเคราะห์อาจรายงานทั้ง

\[ \alpha \quad \text{และ} \quad \omega \]

เพื่อให้เห็นความเชื่อถือได้ของแบบวัดจากมากกว่าหนึ่งแนวทาง

7.7 Reliability กับจำนวน Items

Cronbach’s alpha สามารถเพิ่มขึ้นได้เมื่อจำนวน items เพิ่มขึ้น แม้ว่าความสัมพันธ์ระหว่าง items จะไม่ได้เพิ่มขึ้นมาก

ดังนั้น scale ที่มีจำนวนข้อคำถามมากอาจได้ alpha สูงโดยธรรมชาติ

ด้วยเหตุนี้จึงควรพิจารณาเพิ่มเติม เช่น

inter-item correlations
item-rest correlations
จำนวน items
เนื้อหาของแต่ละ item
dimensionality ของแบบวัด

7.8 Reliability ไม่ได้บอก Dimensionality

การได้ Cronbach’s alpha สูงไม่ได้พิสูจน์ว่าแบบวัดมีเพียง factor เดียว

หากต้องการตรวจสอบว่า items สามารถอธิบายด้วย latent factors จำนวนกี่ factor ควรใช้การวิเคราะห์ เช่น

Exploratory Factor Analysis (EFA)
Confirmatory Factor Analysis (CFA)

ดังนั้น

Reliability Analysis ใช้ตอบคำถามเรื่อง “ความสอดคล้องของการวัด”

ขณะที่

Factor Analysis ใช้ตอบคำถามเรื่อง “โครงสร้างของตัวแปรแฝง”

7.9 แนวทางการรายงานผล

ตัวอย่างรูปแบบการรายงานแบบสั้น

แบบวัดประกอบด้วย 3 ข้อคำถาม ผลการวิเคราะห์ความสอดคล้องภายในด้วย Cronbach’s alpha และ McDonald’s omega แสดงว่าแบบวัดมีระดับ reliability ตามค่าที่ได้จากการวิเคราะห์ โดยควรพิจารณา item-rest correlations และผลเมื่อถอดแต่ละ item ร่วมด้วย

เมื่อเขียนรายงานจริงควรระบุค่าที่ได้ เช่น

\[ \alpha = \cdots,\qquad \omega = \cdots \]

และอธิบายจำนวน items และกลุ่มตัวอย่างที่ใช้วิเคราะห์

7.10 สรุป

แนวคิด	ใช้ตอบคำถาม
Reliability	คะแนนจากแบบวัดมีความสม่ำเสมอเพียงใด
Cronbach’s alpha	Internal consistency ภายใต้กรอบ coefficient alpha
McDonald’s omega	Internal consistency จากแนวคิด factor model
Item-rest correlation	Item หนึ่งสอดคล้องกับ items ที่เหลือเพียงใด
Alpha/Omega if item dropped	Reliability จะเปลี่ยนอย่างไรหากตัด item หนึ่งออก
Factor Analysis	Items มีโครงสร้าง latent factors อย่างไร
Validity	แบบวัดวัดสิ่งที่ต้องการวัดได้ถูกต้องเพียงใด

7.11 Learning Check

Reliability และ validity แตกต่างกันอย่างไร?
Cronbach’s alpha สูงหมายความว่าแบบวัดมี validity สูงเสมอหรือไม่?
หาก item-rest correlation ของข้อหนึ่งเป็นค่าติดลบ ควรตรวจสอบเรื่องใดบ้าง?
หาก alpha เพิ่มขึ้นเมื่อถอดข้อคำถามหนึ่งออก ควรลบข้อนั้นทันทีหรือไม่ เพราะเหตุใด?
McDonald’s omega แตกต่างจาก Cronbach’s alpha ในแนวคิดพื้นฐานอย่างไร?
ถ้า Cronbach’s alpha สูง สามารถสรุปได้หรือไม่ว่าแบบวัดมีเพียง factor เดียว?