กำลังการทดสอบและอิทธิพลร่วมของตัวแปรแฝงในการวิเคราะห์โมเดลสมการโครงสร้างแบบไม่เป็นเส้นตรง ระหว่างวิธี LISREL-PI วิธี LMS และวิธี PLS-PI
Article Sidebar
Main Article Content
Abstract
การวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบกำลังการทดสอบและอิทธิพลร่วมของตัวแปรแฝงในการวิเคราะห์โมเดลสมการโครงสร้างแบบไม่เป็นเส้นตรง ระหว่างวิธี LISREL-PI วิธี LMS และวิธี PLS-PI ตัวแปรขนาด กลุ่มตัวอย่าง มี 6 ขนาด (20, 50, 100, 150, 200 และ 500 คน) และจำนวนตัวบ่งชี้ในแต่ละตัวแปรแฝงมี 6 ขนาด (2, 4, 6, 8, 10 และ 12 ตัว) เป็นการศึกษาสถานการณ์จำลองด้วยวิธีมอนติคาร์โล ทดลองซ้ำ 500 ครั้ง วิเคราะห์โดยใช้วิธี LISREL-PI และวิธี LMS นำผลมาเปรียบเทียบกับวิธี PLS-PI และเพื่อศึกษาผลการวิเคราะห์อิทธิพลร่วมของความสัมพันธ์เชิงสาเหตุของความผาสุกทางจิตใจต่อผลการเรียนรู้ของนักศึกษา โดยมีบรรยากาศในการเรียนเป็นตัวแปรกำกับ ด้วยวิธี LISREL-PI วิธี LMS และวิธี PLS-PI เป็นการประยุกต์กับข้อมูลจริง กลุ่มตัวอย่างเป็นนักศึกษาระดับปริญญาตรีของวิทยาลัยเซนต์หลุยส์ ปีการศึกษา 2558 จำนวน 500 คน ผลการศึกษาปรากฏว่า
1. กำลังการทดสอบในการวิเคราะห์โมเดลสมการโครงสร้างแบบไม่เป็นเส้นตรงที่มีค่ามากกว่า 0.80 เรียงลำดับตามวิธีดังนี้ วิธี LISREL-PI (33 เงื่อนไข) วิธี LMS (13 เงื่อนไข) และวิธี PLS-PI (9 เงื่อนไข) และทุกขนาดของจำนวนตัวบ่งชี้ในแต่ละตัวแปรแฝงทั้ง 3 วิธี ให้ค่ากำลังการทดสอบมากกว่า 0.80 กรณีกลุ่มตัวอย่างขนาด 500 คน และค่าอิทธิพลร่วมของตัวแปรแฝงในการวิเคราะห์โมเดลสมการโครงสร้างแบบไม่เป็นเส้นตรงที่มีความลำเอียงสัมพัทธ์เฉลี่ยน้อยกว่า 10% เรียงลำดับตามวิธีดังนี้ วิธี LMS (29 เงื่อนไข) วิธี PLS-PI (18 เงื่อนไข) และวิธี LISREL-PI (6 เงื่อนไข) แสดงว่า วิธี LMS ใช้ได้ดีกรณีตัวบ่งชี้ในแต่ละตัวแปรแฝงมีจำนวนมาก (8, 10 และ 12 ตัว) และทุกขนาดกลุ่มตัวอย่าง วิธี PLS-PI ใช้ได้ดี กรณีตัวบ่งชี้ในแต่ละตัวแปรแฝงมีจำนวนมาก (6, 8, 10 และ 12 ตัว) และกลุ่มตัวอย่างขนาด 20, 50, 100, 150 และ 200 คน และวิธี LISREL-PI ใช้ได้ดีกรณีตัวบ่งชี้ในแต่ละตัวแปรแฝงมี 2 ตัว และกลุ่มตัวอย่างขนาด 100, 150, 200 และ 500 คน
2. ค่าอิทธิพลร่วมของความสัมพันธ์เชิงสาเหตุของความผาสุกทางจิตใจต่อผลการเรียนรู้ของนักศึกษา โดยมีบรรยากาศในการเรียนเป็นตัวแปรกำกับ วิธี LISREL-PI มีนัยสำคัญทางสถิติที่ระดับ .01 และวิธี PLS-PI มีนัยสำคัญทางสถิติที่ระดับ .05 สำหรับวิธี LMS ค่าอิทธิพลร่วมของความผาสุกทางจิตใจกับบรรยากาศในการเรียนไม่ส่งผลต่อผลการเรียนรู้ของนักศึกษา แสดงว่า วิธี LISREL-PI และวิธี PLS-PI ใช้ได้ดีกับการวิเคราะห์อิทธิพลร่วมของความสัมพันธ์เชิงสาเหตุของความผาสุกทางจิตใจต่อผลการเรียนรู้ของนักศึกษา โดยมีบรรยากาศในการเรียนเป็นตัวแปรกำกับ
Power of the Test and the Interaction Effect of Latent Variables in Analyzing Nonlinear Structural Equation Modeling am
This research aimed to compare the power of the test and the interaction effects of latent variables in analyzing nonlinear structural equation modeling among LISREL-PI, LMS, and PLS-PI. Monte Carlo simulation was computed with various sample sizes (20, 50, 100, 150, 200, and 500) and number of indicators per latent variables (2, 4, 6, 8, 10, and 12), generating 500 replications for each sample size. The results from LISREL-PI, and LMS techniques were compared to the results from the PLS-PI. Additionally, the empirical data were also used to test the interaction effect of a causal relationship between psychological well-being and academic performance with academic climate used as a moderator variable, while the LISREL-PI, LMS, and PLS-PI were compared. The sample involved 500 undergraduate students at Saint Louis College in the academic year 2015. The results were as follows:
1. The power of the test of latent variables in analyzing nonlinear structural equation modeling exceed 0.80; with the LISREL-PI (33 conditions), the LMS (13 conditions), and the PLS-PI (9 conditions) and with all numbers of indicators per latent variables, the power of the test of latent variables in analyzing nonlinear structural equation modeling exceed 0.80 for the three approaches when the sample size was 500. The interaction effect of latent variables in analyzing nonlinear structural equation modeling was assessed by the mean relative bias and it did not exceed 10%; the LMS (29 conditions), the PLS-PI (18 conditions), and the LISREL-PI (6 conditions). The results show that the LMS was suitable for large numbers of indicators per latent variables (8, 10, and 12) and all sample sizes; the PLS-PI was suitable for large numbers of indicators per latent variables (6, 8, 10, and 12) and sample sizes 20, 50, 100, 150, and 200; and the LISREL-PI was suitable for two indicators per latent variables and sample sizes 100, 150, 200, and 500.
2. The interaction effect of academic climate as a moderator in a causal relationship model of psychological well-being and academic performance for the LISREL-PI, and the PLS-PI was statistically significant at the .01 and .05 levels respectively, but the interaction effect for the LMS was not significant. The results also show that the LISREL-PI, and the PLS-PI were suitable for measuring the interaction effect of academic climate as a moderator between a causal relationship model of psychological well-being and academic performance.
Article Details
References
อนุ เจริญวงศ์ระยับ. (2554). การวิเคราะห์อิทธิพลปฏิสัมพันธ์โดยใช้ตัวแปรแฝง. วารสารพฤติกรรมศาสตร์, 17(1), 1-4.
Abbott, R. A., Ploubdis, G. B., Huppert, F. A., Kuh, D., Wadsworth, M. J. & Croudace, T. J. (2006). Psychometric evaluation and predictive validity of Ryff's psychological well-being items in a UK birth cohort sample of women. Health and quality of life outcomes, 4(76), 5-6.
Barendse, M. T., Oort, F. J., & Garst, G. J. A. (2010). Using restricted factor analysis with latent moderated structures to detect uniform and nonuniform measurement bias: a simulation study. Advances in statistical analysis, 94, 117–127.
Chin, W. W., Marcolin, B. L., & Newsted, P. R. (2003). A partial least squares latent variable modeling approach for measuring interaction effects: results from a monte carlo simulation study and an electronic-mail emotion/adoption study. Information system research, 14(2), 189–217.
Dijkstra, T. K. & Schermelleh-Engel, K. (2014). Consistent partial least squares for nonlinear structural equation models. Psychometrika, 79(4), 585-604. Doi: 10.1007/s11336-013-9370-0
Goodhue, D., Lewis, W., & Thompson, R. (2007). Statistical power in analyzing interaction effects: questioning the advantage of PLS with product indicators. Information system research, 18, 211–227.
Harring, Jeffrey R., Weiss, Brandi A., Hsu, & Jui-Chen. (2012). A comparison of methods for estimating quadratic effects in nonlinear structural equation models. Psychological Methods, 17(2), 193-214.
Jöreskog, K. G., & Yang, F. (1996). Nonlinear structural equation models: the Kenny-Judd model with interaction effects. In G.A. Marcoulides, & R. E. Schumacker (Eds.), Advanced structural equation modeling: Issues and techniques. (pp. 57-88). Mahwah, New Jersey: Erlbaum.
Kelava, A., Moosbrugger, H., Dimitruk, P., & Schermelleh-Engel, K. (2008). Multicollinearity and missing constraints: a comparison of three approaches for the analysis of latent nonlinear effects. Methodology, 4, 51–66.
Klein, A. G., & Muthén, B. O. (2007). Quasi maximum likelihood estimation of structural equation models with multiple interaction and quadratic effects. Multivariate behavioral research, 42, 647–673.
Marsh, H. W., Wen, Z., & Hau, K. T. (2004). Structural equation models of latent interactions: evaluation of alternative estimation strategies and indicator construction. Psychological Methods, 9(3), 275-300.
Moosbrugger, H., Schermelleh-Engel, K., Kelava, A., & Klein, A. G. (2009). Testing multiple nonlinear effects in structural equation modeling: a comparison of alternative estimation approaches. In: Teo, T., Khine, M.S. (eds.) Structural equation modeling in educational research: Concepts and applications, pp. 103–136.
Muthén, L. K., & Muthén, B. O. (2002). How to use Monte Carlo study to decide on sample size and determine power. Structural Equation Modeling, 9(4), 599-620. Doi: 10.1207/S15328007SEM0904_8
Rania, N., Siri, A., Bagnasco, A., Aleo, G., & Sasso, L. (2012). Academic climate, well-being and academic performance in a university degree course. Journal of Nursing Management, 22(6), 751-760. Doi: 10.1111/j.1365-2834.2012.01471.x.
Schermelleh-Engel, K., Werner, C. S, Klein, A. G., & Moosbrugger, H. (2010). Nonlinear
structural equation modeling: Is partial least squares an alternative?. Advances in Statistical Analysis, 94, 167–184.
Schumacker, R. E., & Lomax, R. G. (2010). A beginner’s guide to structural equation Modeling (3rd ed.). New Jersey: Lawrence Erlbaum Associates.
Song, X. Y., & Lee, S. Y. (2007). Bayesian analysis of latent variable models with non-ignorable missing outcomes from exponential family. Statistics in Medicine, 26, 681–693.