<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Akadet Kedcham on Medium]]></title>
        <description><![CDATA[Stories by Akadet Kedcham on Medium]]></description>
        <link>https://medium.com/@akadet.ke?source=rss-c0080f1f3f6a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*cXX7tUxVjwctzyN3</url>
            <title>Stories by Akadet Kedcham on Medium</title>
            <link>https://medium.com/@akadet.ke?source=rss-c0080f1f3f6a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 13:33:05 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@akadet.ke/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Structural Equation Modeling (SEM) in Advanced Research:Concepts, Equations, and Impact]]></title>
            <link>https://medium.com/@akadet.ke/structural-equation-modeling-sem-in-advanced-research-concepts-equations-and-impact-63d627170847?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/63d627170847</guid>
            <category><![CDATA[statistical-analysis]]></category>
            <category><![CDATA[structural-equation-model]]></category>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Mon, 22 Sep 2025 00:19:10 GMT</pubDate>
            <atom:updated>2025-09-22T00:19:10.369Z</atom:updated>
            <content:encoded><![CDATA[<p>Structural Equation Modeling (SEM) has become a cornerstone of advanced quantitative research, allowing scholars to test complex theoretical models that involve multiple variables, latent constructs, and indirect effects. Unlike traditional methods that test one relationship at a time, SEM integrates measurement and structural models in a single system. This dual capacity makes SEM particularly powerful for disciplines where constructs such as motivation, leadership, or well-being cannot be observed directly but must be inferred through multiple indicators (Kline, 2016; Bollen, 1989).</p><p><strong>Core Components of SEM</strong></p><p>1. <strong>Measurement Model (Confirmatory Factor Analysis, CFA)</strong><br> The measurement model defines how latent variables (unobserved constructs) are measured by observed indicators. A typical CFA equation can be written as:</p><p>x=Λxξ+δ, y=Λyη+ϵx</p><p>where:</p><p>o x and y are vectors of observed indicators,</p><p>o ξ and η are latent variables (exogenous and endogenous),</p><p>o Λx and Λy are factor loading matrices,</p><p>o δ and ϵ are measurement errors.</p><p>This part of the model ensures that constructs like “self-efficacy” or “brand love” are properly captured by multiple items rather than single measures, thereby reducing measurement error.</p><p>1. <strong>Structural Model (Path Model)</strong><br> The structural model specifies relationships among latent variables. A general form is:</p><p>η=Bη+Γξ+ζ</p><p>where:</p><p>o B is the matrix of relationships among endogenous variables,</p><p>o Γ represents effects of exogenous variables on endogenous variables,</p><p>o ζ denotes structural disturbances (errors).</p><p>This framework allows researchers to test direct, indirect (mediated), and moderated effects simultaneously.</p><p>Together, the measurement and structural models form the foundation of SEM, linking observed data with underlying theory.</p><p><strong>Path Diagrams: Visualizing SEM</strong><br> One of the strengths of SEM is its graphical representation through <strong>path diagrams</strong>, which combine circles (latent variables), rectangles (observed variables), and arrows (relationships). For example:</p><p>· A <strong>circle</strong> labeled “Academic Motivation” may have arrows pointing toward rectangles such as “I enjoy studying” or “I set learning goals.” These arrows represent factor loadings.</p><p>· Another arrow may connect “Academic Motivation” to “Achievement,” representing a hypothesized causal relationship.</p><p>Path diagrams serve as visual blueprints of the researcher’s theory, making SEM intuitive to interpret and communicate.</p><p><strong>Evaluating Model Fit</strong><br> SEM evaluates whether the hypothesized model fits the observed data. Researchers rely on several indices:</p><p>· <strong>Chi-square (χ2\chi²χ2)</strong>: Tests exact fit but is sensitive to sample size.</p><p>· <strong>CFI and TLI</strong>: Values above .90 or .95 indicate good incremental fit (Hu &amp; Bentler, 1999).</p><p>· <strong>RMSEA</strong>: Values &lt; .08 suggest acceptable fit, &lt; .05 suggest close fit.</p><p>· <strong>SRMR</strong>: Standardized residuals, with values &lt; .08 typically acceptable.</p><p>Instead of focusing on a single index, scholars are advised to consider multiple indicators, balancing statistical fit with theoretical justification (MacCallum &amp; Austin, 2000).</p><p><strong>Applications of SEM</strong></p><p>· <strong>Psychology and Education</strong>: Marsh et al. (2004) used SEM to clarify reciprocal effects between self-concept and achievement, showing that self-beliefs and performance reinforce each other.</p><p>· <strong>Marketing and Management</strong>: Fornell and Larcker (1981) demonstrated how latent constructs like satisfaction and loyalty can be modeled to predict consumer behavior, introducing methods still widely used in business research.</p><p>· <strong>Communication Studies</strong>: Holbert and Stephenson (2002) analyzed audience engagement and media effects by integrating psychological and social constructs in SEM models.</p><p>· <strong>Health Sciences</strong>: Schumacker and Lomax (2016) applied SEM to understand relationships among stress, coping, and quality of life.</p><p>These studies demonstrate SEM’s ability to bridge theory with empirical data, influencing both academic and applied practices.</p><p><strong>Covariance-Based vs. Partial Least Squares SEM</strong></p><p>· <strong>CB-SEM</strong> (e.g., LISREL, AMOS, Mplus) focuses on theory testing, requiring large samples and normally distributed data. It evaluates model fit comprehensively.</p><p>· <strong>PLS-SEM</strong> (e.g., SmartPLS) emphasizes prediction and exploration, working well with small samples and complex models (Hair et al., 2022).</p><p>Choosing between these approaches depends on the research goal: <em>theory confirmation</em> (CB-SEM) versus <em>prediction and exploration</em> (PLS-SEM).</p><p><strong>Challenges and Best Practices</strong></p><p>· <strong>Sample Size</strong>: Large samples are typically required; Kline (2016) suggests at least 200 cases or 10–20 per parameter.</p><p>· <strong>Model Identification</strong>: Models must be properly identified, ensuring enough data points to estimate parameters.</p><p>· <strong>Overfitting</strong>: Researchers must avoid adding unnecessary paths to improve fit without theoretical rationale.</p><p>· <strong>Use of Modification Indices</strong>: These should guide but not dictate revisions; theory must remain central.</p><p>Best practices involve pre-registering hypotheses, grounding models in strong theory, and reporting results transparently (Schreiber et al., 2006).</p><p><strong>The Impact of SEM on Research and Theory</strong><br> SEM’s influence lies in its ability to capture the complexity of human behavior, organizational systems, and social interactions. By modeling latent constructs and their interrelations, SEM enhances construct validity and improves theory testing.</p><p>For example, Marsh et al.’s (2004) work reshaped how educators view the interplay between beliefs and achievement, while Fornell and Larcker’s (1981) methodological contribution in marketing remains one of the most cited papers in social science. These examples underscore how SEM not only advances statistical practice but also drives theoretical innovation.</p><p><strong>Conclusion</strong><br> Structural Equation Modeling has transformed the landscape of advanced research by enabling scholars to move beyond simple associations and toward holistic, theory-driven models. Its combination of measurement precision, structural testing, and graphical clarity makes it indispensable across fields ranging from psychology to business.</p><p>Mastering SEM requires attention to both technical rigor and theoretical grounding. As Kline (2016) emphasized, SEM is not just about fitting models to data — it is about <strong>thinking differently about how theory and evidence connect</strong>. For researchers seeking to make impactful contributions, SEM provides both the tools and the mindset to explore complex realities with scientific precision.</p><p><strong>References</strong></p><p>Bollen, K. A. (1989). <em>Structural equations with latent variables</em>. Wiley.</p><p>Byrne, B. M. (2016). <em>Structural equation modeling with AMOS: Basic concepts, applications, and programming</em> (3rd ed.). Routledge.</p><p>Fornell, C., &amp; Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. <em>Journal of Marketing Research, 18</em>(1), 39–50.</p><p>Hair, J. F., Hult, G. T. M., Ringle, C. M., &amp; Sarstedt, M. (2022). <em>A primer on partial least squares structural equation modeling (PLS-SEM)</em> (3rd ed.). Sage.</p><p>Holbert, R. L., &amp; Stephenson, M. T. (2002). Structural equation modeling in the communication sciences, 1995–2000. <em>Human Communication Research, 28</em>(4), 531–551.</p><p>Hu, L. T., &amp; Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. <em>Structural Equation Modeling, 6</em>(1), 1–55.</p><p>Kline, R. B. (2016). <em>Principles and practice of structural equation modeling</em> (4th ed.). Guilford.</p><p>MacCallum, R. C., &amp; Austin, J. T. (2000). Applications of structural equation modeling in psychological research. <em>Annual Review of Psychology, 51</em>(1), 201–226.</p><p>Marsh, H. W., Hau, K. T., &amp; Wen, Z. (2004). In search of golden rules: Comment on hypothesis-testing approaches to setting cutoff values for fit indexes and dangers in overgeneralizing Hu and Bentler’s (1999) findings. <em>Structural Equation Modeling, 11</em>(3), 320–341.</p><p>Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A., &amp; King, J. (2006). Reporting structural equation modeling and confirmatory factor analysis results: A review. <em>Journal of Educational Research, 99</em>(6), 323–338.</p><p>Schumacker, R. E., &amp; Lomax, R. G. (2016). <em>A beginner’s guide to structural equation modeling</em> (4th ed.). Routledge.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=63d627170847" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Latent Profile Analysis: Uncovers Subgroups in Educational Research and Its Research Implications]]></title>
            <link>https://medium.com/@akadet.ke/latent-profile-analysis-uncovers-subgroups-in-educational-research-and-its-research-implications-f52d2345fc3f?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/f52d2345fc3f</guid>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Thu, 13 Mar 2025 02:32:28 GMT</pubDate>
            <atom:updated>2025-03-13T02:32:28.347Z</atom:updated>
            <content:encoded><![CDATA[<p>Latent Profile Analysis (LPA) is a person-centered statistical technique used to identify unobserved (latent) subgroups within a population based on continuous variables (Collins &amp; Lanza, 2010). Unlike traditional clustering methods such as k-means clustering, LPA employs probabilistic modeling to classify individuals into distinct profiles based on their shared characteristics (Muthén &amp; Muthén, 2000).</p><p>Latent Profile Analysis (LPA) identifies subgroups within a dataset based on observed variables. Unlike variable-centered approaches (e.g., regression, factor analysis), LPA reveals hidden heterogeneity in a population, making it particularly useful in psychological, educational, and organizational research (Morin et al., 2016). Below are key strengths of LPA in research:</p><p><strong>1. Identifies Hidden Subgroups (Person-Centered Approach)</strong></p><p>Traditional methods assume that one model fits all individuals, but LPA identifies meaningful subgroups based on unique response patterns. For example, in Psychological Capital (PsyCap) research, LPA can reveal high, moderate, and low PsyCap profiles, helping to understand how different individuals experience resilience, hope, efficacy, and optimism (Chen et al., 2021).</p><p><strong>2. More Flexible Than Traditional Clustering Methods</strong></p><p>Unlike K-means clustering, LPA assigns individuals to latent groups based on probabilistic estimation, reducing classification errors (Spurk et al., 2020). LPA allows for model comparison using fit indices (e.g., BIC, AIC, entropy), improving accuracy in determining the optimal number of profiles (Nylund et al., 2007).</p><p><strong>3. Captures Complex Psychological Constructs</strong></p><p>Psychological variables like motivation, emotional regulation, or personality often do not form clear-cut categories but exist on a spectrum. LPA allows for continuous latent variables, making it suitable for research on behavioral, psychological, and educational phenomena (Morin et al., 2011).</p><p><strong>4. Can Be Combined With Other Methods (e.g., SEM, Longitudinal Analysis)</strong></p><p>LPA can be integrated with Structural Equation Modeling (SEM) to test predictors and outcomes of different profiles (Wang &amp; Hanges, 2011) or in longitudinal LPA (LLPA) allows researchers to track how PsyCap or personality profiles change over time, improving developmental psychology and organizational research (Spurk et al., 2020).</p><p><strong>How Latent Profile Analysis (LPA) Uncovers Subgroups in Educational Research and Its Research Implications</strong></p><p>Latent Profile Analysis (LPA) is a powerful statistical technique in educational research that helps uncover hidden subgroups (profiles) within a population based on continuous variables (Spurk et al., 2020). Instead of assuming that all students are the same, LPA identifies distinct student profiles that may have different learning behaviors, psychological characteristics, or academic outcomes. LPA is good for educational research implication for many reasons such as;</p><p>1. Personalized Education Strategies: Identifying subgroups helps tailor interventions to meet students’ specific needs (Wang &amp; Hanges, 2011). for example: If LPA reveals low-efficacy but high-resilience students, educators can design targeted self-efficacy training to boost their confidence.</p><p>2. Improving Student Support Systems: LPA helps institutions detect at-risk students early. If LPA identifies a low PsyCap, low-engagement group, universities can provide extra mentoring, counseling, or tutoring.</p><p>3. Enhancing Educational Policy and Curriculum Design: LPA findings can guide curriculum improvements by addressing the needs of specific student subgroups (Morin et al., 2016). For example If LPA finds that students with low self-regulated learning struggle in online courses, institutions can add more structured guidance.</p><p>4. Advancing Research on Psychological and Behavioral Differences: LPA provides a nuanced, data-driven approach to studying psychological diversity in education. Rather than treating all students as one group, LPA can show how different PsyCap profiles relate to academic resilience and career success.</p><p>5. Supporting Longitudinal and Cross-Cultural Comparisons: LPA allows for tracking changes in student profiles over time or comparing educational systems across countries. for example: A longitudinal study might show how PsyCap profiles evolve as students progress through college.</p><p>Latent Profile Analysis (LPA) is a valuable tool in educational research because it uncovers hidden subgroups among students, allowing for personalized interventions, improved policies, and deeper psychological insights. By using well-chosen input variables, LPA provides meaningful, actionable findings that can enhance education at both the individual and institutional levels.</p><p><strong>Considerations for Including Variables in Latent Profile Analysis (LPA)</strong></p><p>Latent Profile Analysis (LPA) relies heavily on input variables (also called indicator variables) because these are the foundation for identifying latent subgroups. The selection, quality, and conceptual relevance of input variables directly influence the accuracy, interpretability, and theoretical contribution of the profiles uncovered (Spurk et al., 2020). Including an excessive number of variables in Latent Profile Analysis (LPA) can lead to several methodological and interpretative challenges. Below are key issues that researchers should consider:</p><p><strong>1. Overfitting and Model Complexity</strong></p><p>An excessive number of variables can cause overfitting, where the model captures random noise rather than meaningful patterns. This may result in the creation of too many latent profiles that lack theoretical or practical relevance (Collins &amp; Lanza, 2010).</p><p><strong>2. Increased Computational Burden and Convergence Issues</strong></p><p>LPA relies on maximum likelihood estimation (MLE), which becomes computationally intensive as the number of variables increases. As a result, the model may fail to converge or require extended processing time (Masyn, 2013).</p><p><strong>3. Identifiability Issues</strong></p><p>With more variables, the number of estimated parameters increases, which can lead to model instability. The model may produce different results with each run due to difficulties in finding a unique solution (Nylund-Gibson &amp; Choi, 2018).</p><p><strong>4. Difficulty in Interpretation</strong></p><p>A higher number of variables can lead to complex and ambiguous profiles that are difficult to interpret. This may result in artificially separated profiles that do not reflect meaningful subgroups (Tein, Coxe, &amp; Cham, 2013) which are <strong>Spurious Profiles</strong>.</p><p><strong>5. Small Class Sizes and Poor Classification Accuracy</strong></p><p>Adding more variables increases the risk of generating small latent classes, which compromises the reliability of posterior probability estimates and reduces classification accuracy (Nylund-Gibson &amp; Choi, 2018).</p><p><strong>6. Decline in Model Fit and Entropy</strong></p><p>Excessive variables can lead to lower entropy values, indicating poorer classification certainty. Additionally, fit indices such as AIC and BIC may suggest a worse-fitting model due to unnecessary complexity (Tein et al., 2013).</p><p><strong>Spurious Profiles in LPA</strong></p><p>Spurious profiles refer to latent classes that appear in LPA results but do not represent real or meaningful subgroups in the population. These profiles often arise due to overfitting, poor variable selection, or inadequate sample size (Masyn, 2013). Awareness of spurious profiles is crucial before selecting variables and interpreting results.</p><p><strong>Causes of Spurious Profiles</strong></p><p>1. Too Many Variables: An excessive number of variables may create artificial distinctions between groups that do not exist in reality.</p><p>2. Small Sample Size: With limited data, LPA may generate classes based on random noise, leading to unstable solutions.</p><p>3. Overfitting: Selecting an excessive number of classes (e.g., forcing five or six when two or three are optimal) can result in meaningless subgroups.</p><p>4. Highly Correlated Variables: If variables are highly collinear, the model may generate unnecessary class separations that lack theoretical justification.</p><p>5. Inappropriate Model Selection: Relying solely on statistical fit indices (e.g., AIC, BIC, Entropy) without considering interpretability may lead to the selection of models with spurious profiles.</p><p><strong>Practical Limits for the Number of Variables in LPA</strong></p><p>Guidelines from prior research suggest that the number of variables included in an LPA model should remain manageable to ensure interpretability and model stability. A typical LPA model should not exceed 12 variables unless supported by a large sample size and advanced modeling techniques (Collins &amp; Lanza, 2010; Masyn, 2013; Nylund-Gibson &amp; Choi, 2018).</p><p><strong>Recommended Variable Limits Based on Sample Size:</strong></p><p>1. Small sample (&lt;200): ≤5 variables</p><p>2. Medium sample (200–500): 5–8 variables</p><p>3. Large sample (500–1000): Up to 10–12 variables</p><p>4. Very large sample (&gt;5000): 12- Variables</p><p><strong>References</strong></p><p>Collins, L. M., &amp; Lanza, S. T. (2010). Latent class and latent transition analysis: With applications in the social, behavioral, and health sciences. Wiley. <a href="https://doi.org/10.1002/9780470567333">https://doi.org/10.1002/9780470567333</a></p><p>Luthans, F., Avolio, B. J., Avey, J. B., &amp; Norman, S. M. (2007). Psychological capital: Measurement and relationship with performance and satisfaction. Personnel Psychology, 60(3), 541–572.</p><p>Masyn, K. E. (2013). Latent class analysis and finite mixture modeling. In T. D. Little (Ed.), The Oxford handbook of quantitative methods: Vol. 2. Statistical analysis (pp. 551–611). Oxford University Press. <a href="https://doi.org/10.1093/oxfordhb/9780199934898.013.0025">https://doi.org/10.1093/oxfordhb/9780199934898.013.0025</a></p><p>Morin, A. J. S., Morizot, J., Boudrias, J.-S., &amp; Madore, I. (2016). A person-centered evaluation of PsyCap. Journal of Positive Psychology, 11(6), 675–687.</p><p>Nylund-Gibson, K., &amp; Choi, A. Y. (2018). Ten frequently asked questions about latent class analysis. Translational Issues in Psychological Science, 4(4), 440–461. <a href="https://doi.org/10.1037/tps0000176">https://doi.org/10.1037/tps0000176</a></p><p>Spurk, D., Hirschi, A., Wang, M., Valero, D., &amp; Kauffeld, S. (2020). Latent profile analysis in vocational behavior research. Journal of Vocational Behavior, 120, 103426.</p><p>Tein, J. Y., Coxe, S., &amp; Cham, H. (2013). Statistical power to detect the correct number of classes in latent profile analysis. Structural Equation Modeling: A Multidisciplinary Journal, 20(4), 640–657. <a href="https://doi.org/10.1080/10705511.2013.824781">https://doi.org/10.1080/10705511.2013.824781</a></p><p>Wang, M., &amp; Hanges, P. J. (2011). Latent profile analysis and structural equation modeling. Journal of Applied Psychology, 96(2), 305–319.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f52d2345fc3f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[การประยุกต์ใช้สหสัมพันธ์สำหรับการวิจัยทางการศึกษา]]></title>
            <link>https://medium.com/@akadet.ke/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%A2%E0%B8%B8%E0%B8%81%E0%B8%95%E0%B9%8C%E0%B9%83%E0%B8%8A%E0%B9%89%E0%B8%AA%E0%B8%AB%E0%B8%AA%E0%B8%B1%E0%B8%A1%E0%B8%9E%E0%B8%B1%E0%B8%99%E0%B8%98%E0%B9%8C%E0%B8%AA%E0%B8%B3%E0%B8%AB%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A7%E0%B8%B4%E0%B8%88%E0%B8%B1%E0%B8%A2%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A8%E0%B8%B6%E0%B8%81%E0%B8%A9%E0%B8%B2-780fe1437187?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/780fe1437187</guid>
            <category><![CDATA[correlation]]></category>
            <category><![CDATA[สัมประสิทธิ์สหสัมพันธ์]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Mon, 02 Sep 2024 13:29:51 GMT</pubDate>
            <atom:updated>2024-09-02T13:29:51.764Z</atom:updated>
            <content:encoded><![CDATA[<p>ค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient) เป็นเครื่องมือที่สำคัญสำหรับการวิจัยทางการศึกษา เนื่องจากสามารถใช้ในการวิเคราะห์และอธิบายความสัมพันธ์ระหว่างตัวแปรที่มีความสำคัญในกระบวนการเรียนการสอน เช่น ความสัมพันธ์ระหว่างวิธีการสอนกับผลสัมฤทธิ์ทางการเรียน ความสัมพันธ์ระหว่างการมีส่วนร่วมของผู้ปกครองกับพฤติกรรมการเรียนรู้ของนักเรียน เป็นต้น การประยุกต์ใช้ค่าสหสัมพันธ์ในงานวิจัยทางการศึกษาไม่เพียงช่วยให้เข้าใจถึงความสัมพันธ์ระหว่างตัวแปร แต่ยังช่วยให้สามารถคาดการณ์แนวโน้มและพฤติกรรมของนักเรียนและบุคลากรทางการศึกษาได้ด้วย</p><p><strong>นิยามของสหสัมพันธ์และการประยุกต์ในการวิจัยทางการศึกษา</strong></p><p>ค่าสหสัมพันธ์ (Correlation) คือสถิติที่ใช้ในการวัดและอธิบายความสัมพันธ์ระหว่างตัวแปรสองตัว ซึ่งตัวแปรเหล่านี้ถูกเก็บรวบรวมจากกลุ่มตัวอย่างเดียวกัน การวัดความสัมพันธ์นี้จะช่วยให้นักวิจัยเข้าใจว่าตัวแปรสองตัวนั้นมีการเปลี่ยนแปลงในทิศทางเดียวกันหรือตรงกันข้าม ตัวอย่างเช่น หากเราต้องการทราบว่ามีความสัมพันธ์ระหว่างระดับความตั้งใจเรียนและผลสัมฤทธิ์ทางการเรียนหรือไม่ ค่าสหสัมพันธ์จะช่วยบอกได้ว่าความสัมพันธ์นั้นเป็นบวกหรือเป็นลบ และมีความแข็งแรงเพียงใด</p><p>ในงานวิจัยทางการศึกษา ค่าสหสัมพันธ์มีความสำคัญอย่างยิ่งในการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรต่าง ๆ เช่น การวิเคราะห์ความสัมพันธ์ระหว่างเวลาที่ใช้ในการศึกษาและคะแนนสอบที่นักเรียนได้รับ ในการศึกษานี้ ค่าสหสัมพันธ์ของเพียร์สัน (Pearson’s product moment correlation coefficient) ถูกใช้เพื่อหาค่าความสัมพันธ์ระหว่างตัวแปรทั้งสอง โดยผลลัพธ์ที่ได้จะช่วยให้นักวิจัยสามารถทำความเข้าใจความสัมพันธ์นั้นได้ดีขึ้น ตัวอย่างหนึ่งของการใช้สหสัมพันธ์ในงานวิจัยคือ การวิเคราะห์ความสัมพันธ์ระหว่างการใช้เวลาศึกษาและผลสัมฤทธิ์ทางการเรียน จากการวิจัยพบว่ามีค่าสหสัมพันธ์ที่สูงถึง 0.87 ซึ่งบ่งชี้ว่ามีความสัมพันธ์เชิงบวกที่สูงมากระหว่างสองตัวแปรนี้ กล่าวคือ เมื่อนักเรียนใช้เวลาศึกษามากขึ้น คะแนนสอบที่ได้รับก็มักจะเพิ่มขึ้นตามไปด้วย การวิเคราะห์นี้สามารถนำไปใช้เพื่อปรับปรุงการเรียนการสอนและวางแผนการศึกษาให้เหมาะสมมากขึ้น</p><p>ในการประยุกต์ใช้สหสัมพันธ์ นักวิจัยสามารถใช้ค่านี้ในการตรวจสอบสมมติฐาน คาดการณ์แนวโน้ม และตัดสินใจในเชิงปฏิบัติ เช่น การวางแผนการศึกษา การพัฒนาหลักสูตร และการประเมินความมีประสิทธิภาพของมาตรการต่าง ๆ ซึ่งค่าสหสัมพันธ์เป็นเครื่องมือที่มีประโยชน์ในการวิเคราะห์ข้อมูลและสร้างความเข้าใจในความสัมพันธ์ของตัวแปรที่มีผลต่อกัน ในกระบวนการวิจัยทางการศึกษา การหาค่าสหสัมพันธ์มักจะเริ่มต้นจากการเก็บข้อมูลตัวแปรที่สนใจ เช่น คะแนนการทดสอบ ความพึงพอใจของนักเรียน หรือความถี่ในการเข้าร่วมกิจกรรม จากนั้นจึงใช้ค่าสัมประสิทธิ์สหสัมพันธ์เพื่อวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรเหล่านี้ การวิเคราะห์ด้วยค่าสหสัมพันธ์มีหลายรูปแบบ แต่รูปแบบที่นิยมใช้มากที่สุดคือ ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson’s product moment correlation coefficient: rxy) ซึ่งเป็นสถิติที่ใช้ในการวัดความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรที่มีระดับการวัดแบบตัวเลขทั้งสองตัว</p><p>การประยุกต์ใช้ค่าสหสัมพันธ์ในการวิจัยทางการศึกษาอีกอย่างคือ การใช้สถิติดังกล่าวในกระบวนการสร้างแบบทดสอบและประเมินผลการเรียนรู้ เช่น การตรวจสอบความเที่ยง (Reliability) ของแบบทดสอบโดยใช้ค่าสหสัมพันธ์ระหว่างคะแนนที่ได้จากการทดสอบครั้งแรกและครั้งที่สอง นอกจากนี้ ค่าสหสัมพันธ์ยังสามารถใช้ในการตรวจสอบความตรง (Validity) โดยพิจารณาความสัมพันธ์ระหว่างคะแนนจากแบบทดสอบและผลลัพธ์ที่ต้องการวัด เช่น การตรวจสอบความสัมพันธ์ระหว่างคะแนนสอบและผลการเรียนของนักเรียน เพื่อยืนยันว่าแบบทดสอบนั้นสามารถวัดผลการเรียนรู้ได้อย่างถูกต้อง</p><p><strong>การวิเคราะห์สัมประสิทธิ์สหสัมพันธ์ในการวิจัยทางการศึกษา</strong></p><p>การใช้ค่าสหสัมพันธ์ในงานวิจัยมีความสำคัญอย่างยิ่ง เนื่องจากช่วยให้นักวิจัยสามารถวัดและทำความเข้าใจความสัมพันธ์ระหว่างตัวแปรสองตัวได้อย่างชัดเจน การวิเคราะห์ค่าสหสัมพันธ์เป็นเครื่องมือที่ช่วยให้เราเห็นภาพรวมของความสัมพันธ์ที่เกิดขึ้นระหว่างตัวแปรต่าง ๆ และช่วยในการตอบคำถามที่เกี่ยวข้องกับการเปลี่ยนแปลงของตัวแปรเหล่านั้น ตัวอย่างเช่น หากเราต้องการทราบว่าการใช้เวลาศึกษามีผลต่อผลสัมฤทธิ์ทางการเรียนหรือไม่ ค่าสหสัมพันธ์จะช่วยให้เราเห็นถึงความสัมพันธ์ระหว่างสองตัวแปรนี้ได้</p><p>การใช้ค่าสหสัมพันธ์สามารถบอกได้ว่าตัวแปรทั้งสองมีความสัมพันธ์กันในทิศทางใดและมีความสัมพันธ์ในระดับใด ซึ่งมีความสำคัญในการวิเคราะห์ข้อมูล สรุปผลการวิจัยและนัยของการนำผลการวิจัยไปใช้ การใช้ค่าสหสัมพันธ์ที่ถูกต้องจะช่วยให้นักวิจัยสามารถสรุปผลและเสนอแนะได้อย่างแม่นยำ เช่น หากค่าสหสัมพันธ์ที่ได้มีค่าเป็นบวกและมีความสัมพันธ์กันในระดับสูง หมายความว่าเมื่อตัวแปรหนึ่งเพิ่มขึ้น ตัวแปรอีกตัวหนึ่งจะเพิ่มขึ้นตามด้วย ในทางกลับกัน หากค่าสหสัมพันธ์เป็นลบ หมายความว่าตัวแปรทั้งสองมีความสัมพันธ์เชิงผกผัน เมื่อค่าของตัวแปรหนึ่งเพิ่มขึ้น ค่าของตัวแปรอีกตัวจะลดลง</p><p>การวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรทางการศึกษานั้นสามารถทำได้ในหลายสถานการณ์ เช่น การศึกษาเพื่อตรวจสอบความสัมพันธ์ระหว่างคุณภาพของการเรียนรู้และผลสัมฤทธิ์ทางการเรียน นักวิจัยสามารถรวบรวมข้อมูลจากนักเรียนโดยให้นักเรียนประเมินคุณภาพของการเรียนรู้ของตนเอง และนำข้อมูลเหล่านี้มาหาค่าสหสัมพันธ์กับคะแนนสอบหรือผลสัมฤทธิ์ทางการเรียนของนักเรียน เพื่อพิจารณาว่าคุณภาพของการเรียนรู้มีผลต่อผลสัมฤทธิ์ทางการเรียนของนักเรียนหรือไม่ ถ้าผลการวิเคราะห์ค่าสหสัมพันธ์เป็นบวกและมีค่าสูง แสดงว่าคุณภาพของการเรียนรู้เป็นปัจจัยที่มีความสำคัญต่อการเรียนรู้ของนักเรียน</p><p>การใช้ค่าสหสัมพันธ์ในงานวิจัยทางการศึกษายังสามารถใช้เพื่อตรวจสอบความสัมพันธ์ระหว่างปัจจัยอื่น ๆ ที่มีผลต่อการเรียนรู้ของนักเรียน เช่น ความสัมพันธ์ระหว่างจำนวนชั่วโมงที่นักเรียนใช้ในการเตรียมตัวสอบกับผลสัมฤทธิ์ทางการเรียน ความสัมพันธ์ระหว่างการมีส่วนร่วมของผู้ปกครองในกระบวนการเรียนรู้ของนักเรียนกับพฤติกรรมการเรียนรู้ของนักเรียน ความสัมพันธ์ระหว่างการใช้เทคโนโลยีสารสนเทศในห้องเรียนกับความสนใจในการเรียนรู้ของนักเรียน เป็นต้น</p><p>ค่าสหสัมพันธ์มีลักษณะเด่นที่สามารถบอกได้ทั้งทิศทางและขนาดของความสัมพันธ์ สำหรับทิศทางของความสัมพันธ์ ค่าสหสัมพันธ์สามารถเป็นได้ทั้งเชิงบวกและเชิงลบ หากค่าสหสัมพันธ์เป็นบวก หมายความว่าตัวแปรทั้งสองมีความสัมพันธ์ที่ตามกัน กล่าวคือ เมื่อค่าของตัวแปรหนึ่งสูงขึ้น ค่าของตัวแปรอีกตัวหนึ่งก็จะสูงขึ้นตาม เช่น ความสัมพันธ์ระหว่างระดับความเข้าใจในบทเรียนกับคะแนนสอบของนักเรียน หากค่าสหสัมพันธ์เป็นลบ หมายความว่าตัวแปรทั้งสองมีความสัมพันธ์ที่ตรงกันข้ามกัน กล่าวคือ เมื่อค่าของตัวแปรหนึ่งสูงขึ้น ค่าของตัวแปรอีกตัวหนึ่งจะลดลง เช่น ความสัมพันธ์ระหว่างความเครียดของนักเรียนกับความพึงพอใจในการเรียนรู้</p><p>ขนาดของความสัมพันธ์ที่ได้จากค่าสหสัมพันธ์สามารถบอกได้ว่าตัวแปรทั้งสองมีความสัมพันธ์กันมากน้อยเพียงใด ค่าสหสัมพันธ์มีค่าตั้งแต่ -1 ถึง 1 หากค่าสหสัมพันธ์มีค่าใกล้เคียงกับ 1 หรือ -1 แสดงว่าตัวแปรทั้งสองมีความสัมพันธ์กันมาก หากค่าสหสัมพันธ์มีค่าใกล้เคียงกับ 0 แสดงว่าตัวแปรทั้งสองมีความสัมพันธ์กันน้อยหรือไม่มีความสัมพันธ์กันเลย ในการวิจัยทางการศึกษา การพิจารณาขนาดของความสัมพันธ์นั้นมีความสำคัญ เนื่องจากช่วยให้เข้าใจถึงขนาดของความสัมพันธ์ระหว่างตัวแปร ซึ่งอาจนำไปสู่การพัฒนาแนวทางการเรียนการสอนที่มีประสิทธิภาพมากยิ่งขึ้น</p><p>นอกจากการวิเคราะห์ความสัมพันธ์เชิงเส้นตรงด้วยค่าสหสัมพันธ์เพียร์สันแล้ว การวิจัยทางการศึกษาอาจใช้สหสัมพันธ์แบบอื่น ๆ ที่เหมาะสมกับลักษณะของข้อมูล เช่น สหสัมพันธ์สเปียร์แมน (Spearman’s rank correlation coefficient) ซึ่งใช้กับข้อมูลที่มีการจัดอันดับ หรือสหสัมพันธ์พอยท์-ไบซีเรียล (Point-biserial correlation) ซึ่งใช้กับข้อมูลที่มีตัวแปรหนึ่งเป็นตัวเลขและอีกตัวแปรหนึ่งเป็นตัวแปรแบ่งกลุ่ม (Binary)</p><p><strong>ตัวอย่างการใช้ค่าสหสัมพันธ์ในการวิจัยทางการศึกษา</strong></p><p>การใช้ค่าสหสัมพันธ์ นักวิจัยจะต้องเริ่มต้นด้วยการรวบรวมข้อมูลจากกลุ่มตัวอย่างที่มีลักษณะสอดคล้องกัน เช่น การเก็บข้อมูลเกี่ยวกับชั่วโมงการศึกษาและคะแนนสอบของนักเรียนกลุ่มเดียวกัน จากนั้นใช้สูตรคำนวณค่าสหสัมพันธ์ เช่น ค่าสหสัมพันธ์ของเพียร์สัน (Pearson’s correlation coefficient) ซึ่งเป็นสถิติที่ใช้ในการวัดความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรทั้งสอง</p><p>เมื่อคำนวณค่าสหสัมพันธ์เสร็จสิ้น นักวิจัยสามารถนำผลที่ได้ไปวิเคราะห์เพิ่มเติมเพื่อเข้าใจความสัมพันธ์ในเชิงลึกมากขึ้น การสร้างแผนภาพการกระจาย (Scatter Plot) เป็นอีกหนึ่งวิธีที่ช่วยให้การตีความค่าสหสัมพันธ์ง่ายขึ้น ผู้อ่านสามารถเห็นลักษณะการกระจายตัวของข้อมูลและเข้าใจความสัมพันธ์ระหว่างตัวแปรได้โดยตรงแสดงดังแผนภาพ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/598/1*OWRAq5qNHv6fN1ViICANDg.png" /></figure><p>จากการวิเคราะห์แผนภาพการกระจาย (Scatter Plot) ของเวลาที่ใช้ในการศึกษาและคะแนนสอบข้างต้นเป็นการวิเคราะห์ความสัมพันธ์ระหว่างจำนวนชั่วโมงที่นักเรียนใช้ในการศึกษาและคะแนนสอบที่นักเรียนได้รับจากการสอบปลายภาค ข้อมูลที่รวบรวมมานี้เป็นตัวอย่างจากนักเรียนจำนวน 100 คน โดยแต่ละจุดในแผนภาพนี้แทนค่าของนักเรียนแต่ละคน จุดหนึ่งจุดแสดงถึงจำนวนชั่วโมงที่นักเรียนใช้ในการศึกษา (บนแกน x) และคะแนนสอบที่นักเรียนคนนั้นได้รับ (บนแกน y)</p><p>จากการวิเคราะห์ค่าสหสัมพันธ์ของเพียร์สัน (Pearson correlation coefficient) ที่ได้จากข้อมูลนี้ มีค่าเท่ากับ 0.87 ซึ่งบ่งชี้ถึงความสัมพันธ์เชิงบวกที่สูงมากระหว่างเวลาที่ใช้ในการศึกษากับคะแนนสอบ กล่าวคือเมื่อจำนวนนักเรียนใช้เวลาศึกษามากขึ้น คะแนนสอบที่นักเรียนได้รับก็มักจะเพิ่มขึ้นตามไปด้วย ซึ่งทำให้ผู้วิจัยสามารถยืนยันความสัมพันธ์ระหว่าง จำนวนเวลาที่ใช้ในการศึกษาและผลสัมฤทธิ์ทางการเรียนของนักเรียน และใช้ข้อมูลดังกล่าวในการออกแบบการจัดการเรียนรู้ของนักเรียนที่สนับสนุนให้นักเรียนใช้เวลากับบทเรียนมากยิ่งขึ้น เป็นต้น</p><p>การวิเคราะห์สหสัมพันธ์ร่วมกับแผนภาพการกระจายนี้แสดงให้เห็นความสัมพันธ์ระหว่างตัวแปรสองตัวได้อย่างชัดเจน ในกรณีนี้ ความสัมพันธ์เชิงบวกที่มีอยู่ระหว่างชั่วโมงการศึกษาและคะแนนสอบสามารถสังเกตได้จากลักษณะการกระจายตัวของจุดข้อมูลที่มีแนวโน้มไปทางทิศทางเดียวกัน จุดที่อยู่ในแผนภาพนี้จะจัดเรียงกันเป็นเส้นตรงที่ชันขึ้น ซึ่งสอดคล้องกับค่าความสัมพันธ์ที่สูง ด้วยค่าสหสัมพันธ์ที่ใกล้เคียงกับ 1 (ค่าสูงสุดที่เป็นไปได้คือ 1) ผู้อ่านสามารถเข้าใจได้ว่าเวลาที่ใช้ในการศึกษามีความสัมพันธ์กับผลลัพธ์ในการสอบอย่างชัดเจน ยิ่งนักเรียนใช้เวลาศึกษามากเท่าไหร่ โอกาสที่จะได้คะแนนสอบสูงก็ยิ่งเพิ่มมากขึ้น ซึ่งสามารถนำไปใช้ในการวางแผนการศึกษาได้อย่างมีประสิทธิภาพ</p><p><strong>สรุป</strong></p><p>การประยุกต์ใช้ค่าสหสัมพันธ์สำหรับการวิจัยทางการศึกษานั้นมีความหลากหลายและสามารถใช้ในหลายบริบท ไม่ว่าจะเป็นการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรต่าง ๆ ที่เกี่ยวข้องกับการเรียนการสอน การพัฒนาวิธีการสอน หรือการประเมินผลการเรียนรู้ การใช้ค่าสหสัมพันธ์เป็นเครื่องมือในการวิจัยทางการศึกษานั้นช่วยให้นักวิจัยสามารถวิเคราะห์และทำความเข้าใจถึงความสัมพันธ์ระหว่างตัวแปรต่าง ๆ ที่มีผลต่อการเรียนรู้ของนักเรียนได้อย่างมีประสิทธิภาพ การประยุกต์ใช้ค่าสหสัมพันธ์อย่างถูกต้องช่วยให้เราเห็นทิศทางและระดับของของความสัมพันธ์ ไม่ว่าจะเป็นความสัมพันธ์เชิงบวกหรือลบ การวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรทั้งสองสามารถนำเสนอผ่านแผนภาพการกระจาย ซึ่งทำให้ผู้วิจัยและผู้ที่สนใจสามารถมองเห็นความสัมพันธ์นี้ได้อย่างชัดเจนและนำไปใช้ในการวางแผนหรือปรับปรุงการศึกษาได้อย่างมีประสิทธิภาพ</p><p><strong>บรรณานุกรม</strong></p><p>Cohen, J. (1988). <strong>Statistical power analysis for the behavioral sciences</strong> (2nd ed.). Lawrence Erlbaum Associates.</p><p>Field, A. P. (2013). <strong>Discovering statistics using IBM SPSS statistics</strong> (4th ed.). Sage Publications.</p><p>Guilford, J. P., &amp; Fruchter, B. (1973). Fund<strong>amentals of statistics in psychology and education</strong>. McGraw-Hill.</p><p>Schober, P., Boer, C., &amp; Schwarte, L. A. (2018). Correlation coefficients: Appropriate use and interpretation. <strong>Anesthesia &amp; Analgesia</strong>, 126(5), 1763–1768.</p><p>Tabachnick, B. G., &amp; Fidell, L. S. (2019). <strong>Using multivariate statistics</strong> (7th ed.). Pearson Education.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=780fe1437187" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[การทดสอบสมมติฐานทางสถิติสำหรับการวิจัยทางการศึกษา]]></title>
            <link>https://medium.com/@akadet.ke/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%94%E0%B8%AA%E0%B8%AD%E0%B8%9A%E0%B8%AA%E0%B8%A1%E0%B8%A1%E0%B8%95%E0%B8%B4%E0%B8%90%E0%B8%B2%E0%B8%99%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%AA%E0%B8%96%E0%B8%B4%E0%B8%95%E0%B8%B4%E0%B8%AA%E0%B8%B3%E0%B8%AB%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A7%E0%B8%B4%E0%B8%88%E0%B8%B1%E0%B8%A2%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A8%E0%B8%B6%E0%B8%81%E0%B8%A9%E0%B8%B2-9b2cc4a90467?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/9b2cc4a90467</guid>
            <category><![CDATA[statistical-analysis]]></category>
            <category><![CDATA[hypothesis-testing]]></category>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Tue, 05 Mar 2024 06:28:46 GMT</pubDate>
            <atom:updated>2024-03-05T06:28:46.930Z</atom:updated>
            <content:encoded><![CDATA[<p>กระบวนการวิเคราะห์ข้อมูลทางสถิติมีความสำคัญต่อกระบวนการวิจัยในหลายขั้นตอน ประกอบด้วย 1) การวัดพฤติกรรมหรือสิ่งที่สนใจให้ออกมาเป็นตัวเลข ผ่านขั้นตอนการนิยามเชิงปฏิบัติการและการวัดค่าเชิงปริมาณ (Operationalization and quantification) เช่น การวัดผลสัมฤทธิ์ทางการเรียนของนักศึกษาด้วยข้อสอบผ่านผังข้อสอบ (Test blueprint) ที่สอดคล้องกับหลักสูตรเป็นค่าคะแนน เป็นต้น 2) การใช้ข้อมูลตัวเลขเพื่อตอบจุดประสงค์การวิจัยหรือเพื่อการทดสอบสมมติฐาน และ 3) การสรุปและแปลผลข้อมูลและนำไปตัดสินใจ ความถูกต้องของการวิจัยนั้น (Research validity) จึงอยู่บนพื้นฐานของคุณภาพของข้อมูลที่ผู้วิจัยเก็บมาและกระบวนการวิเคราะห์ข้อมูลทางสถิติที่ถูกต้อง การวิจัยจึงมีความสัมพันธ์กับสถิติเป็นอย่างมากตั้งแต่ การเลือกกลุ่มตัวอย่าง การวิเคราะห์ข้อมูล การสรุปผลการวิจัยและอ้างอิงข้อสรุปไปยังประชากรที่ต้องการศึกษา</p><p><strong>แนวคิดพื้นฐานทางสถิติ (Basic concepts for statistics)</strong></p><p>เพื่อเป็นการสร้างความเข้าใจเกี่ยวกับการวิเคราะห์ข้อมูลและสถิติที่ใช้ในการวิจัยทางการศึกษา ผู้เขียนขอนำเสนอแนวคิดพื้นฐานทางสถิติที่เป็นรากฐานสำคัญดังนี้</p><p><strong>สถิติ (Statistics)</strong> มีความหมายในหลายความหมายได้แก่ ความหมายที่หนึ่งหมายถึงตัวเลขที่ใช้อธิบายหรือบรรยายลักษณะของข้อมูลจากตัวอย่างที่ศึกษา เช่น รายได้เฉลี่ยต่อครอบครัวของนักเรียน อัตราการรู้หนังสือของประชาชนในประเทศ ผลสัมฤทธิ์ทางการเรียนของนักเรียน เป็นต้น นอกจากนั้น สถิติยังหมายถึงศาสตร์แขนงหนึ่งที่ประกอบด้วยกระบวนการ 4 ขั้นตอน ซึ่งประกอบด้วย การเก็บรวบรวมข้อมูล การนำเสนอข้อมูล การวิเคราะห์ข้อมูล และการแปลความหมายและสรุปผลข้อมูล ซึ่งเป็นกระบวนการที่สำคัญของกระบวนการวิจัย</p><p>สถิติสามารถแบ่งเป็น 2 ประเภท คือ สถิติเชิงบรรยาย (Descriptive Statistics) และสถิติเชิงอ้างอิง (Inferential statistics) โดยมีรายละเอียดของสถิติแต่ละประเภทดังนี้ ประเภทที่หนึ่งสถิติเชิงบรรยายเป็นสถิติที่ประกอบด้วยการเก็บรวบรวมข้อมูล การวิเคราะห์ข้อมูลโดยมีจุดประสงค์สำคัญเพื่อใช้บรรยายลักษณะของประชากร หรือตัวอย่างที่ศึกษา เช่น การหาความถี่และร้อยละของนักเรียนที่ทดสอบ หรือการหาค่าเฉลี่ยคะแนนความรับผิดชอบในการเรียนของนักเรียนเป็นต้น ซึ่งช่วยทำให้เข้าใจลักษณะของสิ่งที่เราศึกษาและใช้เป็นข้อมูลพื้นฐานในการตัดสินใจ สถิติประเภทนี้ ประกอบด้วย 1) การนำเสนอข้อมูลในรูปตาราง กราฟ แผนภูมิ หรือรูปภาพ 2) การแจกแจงความถี่ 3) การวัดแนวโน้มเข้าสู่ส่วนกลาง 4) การวัดการกระจายของข้อมูล เป็นต้น ประเภทที่สองสถิติเชิงอ้างอิง เป็นสถิติที่ใช้ในการประมาณค่า และสรุปอ้างอิงโดยใช้ข้อมูลจากกลุ่มตัวอย่างที่เป็นบางส่วนของประชากรไปยังประชากรที่ต้องการศึกษาทั้งหมด สถิติเชิงอ้างอิง ประกอบด้วยกระบวนการ 2 แบบ ได้แก่ การประมาณค่าพารามิเตอร์ (Parameter estimation) และการทดสอบสมมติฐานทางสถิติ (Hypothesis testing) ทั้งนี้ความถูกต้องของผลการวิเคราะห์อยู่บนพื้นฐานของข้อมูลที่สุ่มมานั้น เป็นกลุ่มตัวอย่างที่เป็นตัวแทนที่ดีของประชากร (Good representative sample) ซึ่งได้มาจากกระบวนการคัดเลือกตัวอย่างที่เหมาะสม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*h6ahyTEx6yDYETs6GU5Few.png" /><figcaption><strong>ภาพที่ 1</strong> ความสัมพันธ์ระหว่างสถิติเชิงบรรยายและสถิติเชิงอ้างอิง</figcaption></figure><p>จากแผนภาพความสัมพันธ์ระหว่างสถิติเชิงบรรยายและสถิติเชิงอ้างอิงสามารถสรุปได้ว่า สถิตเชิงบรรยายนั้นเป็นสถิติที่ใช้ในการวิเคราะห์และสรุปข้อมูล และบรรยายลักษณะของทั้งประชากรและกลุ่มตัวอย่าง ทั้งนี้หากมีการคำนวณหรือวิเคราะห์ค่าตัวเลขจากประชากร ค่าตัวเลขที่คำนวณที่ได้จากประชากรทั้งหมดจะเรียกว่า<strong>ค่าพารามิเตอร์ (Parameter)</strong> ซึ่งจะเขียนอยู่ในรูปตัวอักษรกรีก เช่น m (มิว) หมายถึงค่าเฉลี่ยของประชากร s (ซิกม่า) หมายถึงส่วนเบี่ยงเบนมาตรฐานของประชากร หรือ r (โร) หมายถึงค่าความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรในประชากร เป็นต้น และหากมีการคำนวณจากกลุ่มตัวอย่าง ค่าตัวเลขนั้นจะเรียกว่า<strong>ค่าสถิติ</strong> <strong>(Statistics)</strong> และเขียนอยู่ในรูปตัวอักษรภาษาอังกฤษ เช่น</p><p>หมายถึงค่าเฉลี่ยของกลุ่มตัวอย่าง SD หมายถึงส่วนเบี่ยงเบนมาตรฐาน หรือ r หมายถึงความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรของกลุ่มตัวอย่าง เป็นต้น</p><p>จากแนวคิดพื้นฐานทางสถิติที่ได้บรรยายข้างต้นนั้นสามารถเชื่อมโยงกับกระบวนการการวิจัยและพัฒนานวัตกรรมการเรียนรู้ ที่สำคัญคือการใช้สถิติเชิงบรรยายในการสรุปและทำความเข้าใจเกี่ยวกับลักษณะข้อข้อมูลจากกลุ่มตัวอย่าง เช่น การวิเคราะห์ความถี่ ร้อยละ ค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐาน นอกจากนั้นการวิจัยโดยทั่วไปจะใช้สถิติเชิงอ้างอิงในการสรุปและตอบวัตถุประสงค์การวิจัย เนื่องจากการวิจัยส่วนใหญ่มักทำการศึกษากับกลุ่มตัวอย่าง แต่เป้าหมายของการศึกษานั้นเพื่ออธิบายหรือสรุปผลข้อมูลของทั้งประชากร เพราะฉะนั้นการใช้สถิติเชิงอ้างอิงจึงมีความสำคัญในการอธิบายข้อสรุปไปยังประชากรที่ทำการศึกษา เช่น การใช้สถิติทดสอบทีแบบไม่อิสระ (Dependent t-test) ในการยืนยันว่านวัตกรรมการเรียนรู้ที่ผู้วิจัยพัฒนาขึ้นมานั้นสามารถช่วยทำให้ผลสัมฤทธิ์ทางการเรียนเพิ่มสูงขึ้นหลังจากใช้นวัตกรรม ซึ่งค่าเฉลี่ยผลสัมฤทธิ์ทางการเรียนที่สูงขึ้นหลังจากที่ใช้นวัตกรรมบ่งชี้ว่านวัตกรรมการเรียนการสอนที่ผู้วิจัยพัฒนาขึ้นมานั้น สามารถช่วยเพิ่มผลสัมฤทธิ์ทางการเรียนของนักเรียนได้ เป็นต้น</p><p>จากการใช้สถิติเชิงอ้างอิงจึงเป็นกระบวนการที่มีความสำคัญในการสรุปผลการวิจัย โดยข้อมูลการใช้นวัตกรรมการเรียนรู้จากกลุ่มตัวอย่างไปยังประชากรที่ต้องการศึกษาด้วยการใช้สถิติทดสอบทีแบบไม่อิสระ เป็นต้น เพื่อสร้างความเข้าใจเกี่ยวกับการวิเคราะห์ข้อมูลและสถิติที่ใช้ในการวิจัยและพัฒนานวัตกรรมการเรียนรู้ ผู้เขียนจึงนำเสนอเนื้อหาทางสถิติที่สอดคล้องกับกระบวนการวิจัยตามประเภทของสถิติ คือ</p><p>1) สถิติเชิงบรรยาย (Descriptive statistics) ซึ่งประกอบด้วย ตารางแจกแจงความถี่ การวัดแนวโน้มเข้าสู่ส่วนกลาง (ค่าเฉลี่ย ค่ามัธยฐานและค่าฐานนิยม) และการวัดการกระจาย (พิสัย ความแปรปรวนและส่วนเบี่ยงเบนมาตรฐาน)</p><p>2) สถิติเชิงอ้างอิงที่ใช้ในการวิจัยที่เกี่ยวกับนวัตกรรมการเรียนรู้ ประกอบด้วย แนวคิดเกี่ยวกับการทดสอบสมมติฐานทางสถิติ สถิติทดสอบทีแบบไม่อิสระ (Dependent t-test) สถิติทดสอบทีแบบอิสระ (Independent t-test) และสัมประสิทธิ์สหสัมพันธ์ (Correlation) โดยมีจุดมุ่งเน้นที่ช่วยสร้างความเข้าใจเกี่ยวกับกระบวนการวิเคราะห์ข้อมูลทางสถิติ และเป็นพื้นฐานความเข้าใจสำหรับการค้นคว้าด้วยตนเองต่อไป</p><p><strong>ขั้นตอนการทดสอบสมมติฐานทางสถิติสำหรับการวิจัย</strong></p><p>เพื่อเป็นการทดสอบว่าค่าพารามิเตอร์ที่ศึกษามีค่าเป็นไปตามสมมติฐานที่ตั้งไว้หรือไม่ จะมีขั้นตอนในการทดสอบสมมติฐานทางสถิติ 5 ขั้นตอนดังนี้ (อรุณ จิรวัฒน์กุล, 2556)</p><p>1. กำหนดสมมติฐานหลักและสมมติฐานทางเลือก ในขั้นตอนดังกล่าวนั้น ผู้วิจัยต้องมีความรู้เกี่ยวกับวัตถุประสงค์ของการวิจัย สมมติฐานการวิจัย การเลือกใช้สถิติที่เหมาะสมกับการวิจัยเพื่อจะได้ตั้งสมมติฐานทางสถิติที่สอดคล้องกับจุดประสงค์ของการวิจัย โดยมีหลักการตั้งสมมติฐานหลักและสมมติฐานทางเลือกตามรายละเอียดของหัวข้อหลักการทดสอบสมมติฐานข้างต้น</p><p>2. เลือกใช้สถิติที่ใช้ในการทดสอบสมมติฐานทางสถิติ ทั้งนี้ในกระบวนการทดสอบสมมติฐานทางสถิตินั้นผู้วิจัยจะต้องคำนึงถึง ทั้งความสอดคล้องกับสมมติฐานทางสถิติ ทั้งนี้สถิติทดสอบนั้นมีหลายประเภท เช่น การทดสอบซี (Z test) การทดสอบทีประเภทต่าง ๆ (t-tests) การทดสอบเอฟ (F-test) หรือการทดสอบไคกำลังสอง (c2) เป็นต้น</p><p>3. กำหนดระดับนัยสำคัญทางสถิติ (a) และพื้นที่วิกฤติ ทั้งนี้ระดับนัยสำคัญทางสถิติหมายถึงเกณฑ์ในการยอมรับความคลาดเคลื่อนประเภทที่ 1 ที่ผู้วิจัยยอมให้เกิดขึ้นได้ ซึ่งโดยทั่วไปมักจะกำหนดระดับนัยสำคัญที่ 0.05 หรือ 0.01 และการกำหนดพื้นที่วิกฤติ ในการกำหนดพื้นที่วิกฤตินั้นจะต้องทราบถึงทิศทางในการทดสอบ ค่าองศาอิสระที่คำนวณจากกลุ่มตัวอย่าง และต้องเปิดตารางสถิติทดสอบเพื่อกำหนดจุดวิกฤติ เช่น ตารางคะแนนซี (Z score table) ตารางการแจกแจงที (t-distribution table) ตารางแจกแจงเอฟ (F-distribution table) หรือ ตารางการแจกไคกำลังสอง (c2-distribution table) โดยพื้นที่วิกฤตินั้นจะมีความสอดคล้องกับทิศทางของสมมติฐานทางเลือก จุดวิกฤตินี้จะแบ่งพื้นที่ในการตัดสินใจทางสถิติเป็น 2 ส่วนคือ นอกพื้นที่วิกฤติและพื้นที่วิกฤติซึ่งใช้ในการสรุปผลทางสถิติ</p><p>4. คำนวณค่าสถิติทดสอบและ/หรือคำนวณหาค่าพี (P-value) จากสถิติที่เลือกในขั้นตอนที่ 2 ผู้วิจัยนำข้อมูลที่เก็บจากกลุ่มตัวอย่างมาคำนวณค่าสถิติที่ใช้ทดสอบหรือสามารถเรียกได้ว่าสถิติทดสอบที่คำนวณได้ เช่น ค่าทีคำนวณ ค่าเอฟคำนวณ เป็นต้น ทั้งนี้ค่าสถิติทดสอบบ่งชี้ว่าข้อมูลที่เก็บมานั้นมีความแตกต่างจากสมมติฐานหลักมากน้อยเพียงใด ยิ่งสถิติทดสอบเป็นค่าบวกหรือลบมาก ๆ บ่งชี้ว่าข้อมูลที่ผู้วิจัยเก็บรวบรวมมานั้นแตกต่างจากสมมติฐานหลักมาก ในขณะที่พื้นที่วิกฤติจะเป็นเกณฑ์ที่ใช้ในการตัดสินใจว่าความแตกต่างที่เกิดขึ้นระหว่างข้อมูลที่เก็บรวมรวมมากับสมมติฐานหลัก มีมากจนไม่สามารถจะสรุปผลตามสมมติฐานหลักได้ซึ่งเรียกว่า <strong>มีนัยสำคัญทางสถิติ (Statistical significant)</strong></p><p>ในการทดสอบสมมติฐานทางสถิติแบบดั้งเดิมนั้น จะเป็นการคำนวณค่าสถิติที่สามารถคำนวณได้จากกลุ่มตัวอย่างกับพื้นที่วิกฤติ แต่ปัจจุบันเนื่องจากมีการพัฒนาด้านโปรแกรมวิเคราะห์ทางสถิติที่ช่วยหาค่าพี <br> (P-value) หรือค่านัยสำคัญที่คำนวณได้ ซึ่งบ่งชี้ว่าจากข้อมูลที่เก็บมานั้นมีความน่าจะเป็นที่จะเกิดความคลาดเคลื่อนประเภทที่ 1 เท่าใด โดยค่าพีนั้นมีชื่อเรียกว่า <strong>ระดับนัยสำคัญที่คำนวณได้ (Observed significant level)</strong> (ราชบัณฑิตยสภา, 2561)</p><p>5. ตัดสินใจทางสถิติและสรุปผล การสรุปผลการทดสอบสมมติฐานทางสถิติสามารถทำได้ 2 รูปแบบ รูปแบบที่หนึ่งคือการเปรียบเทียบค่าสถิติทดสอบที่คำนวณได้ ในการทดสอบสมมติฐานทางสถิติองค์ประกอบที่สำคัญคือ ค่าสถิติทดสอบที่คำนวณได้ และพื้นที่วิกฤติ ถ้าหากค่าสถิติทดสอบที่คำนวณได้นั้นตกนอกพื้นที่วิกฤติจะสรุปผลตามสมมติฐานหลัก แต่ถ้าค่าสถิติทดสอบที่คำนวณได้นั้นตกในพื้นที่วิกฤติจะสรุปผลตามสมมติฐานทางเลือก เช่น ถ้าพื้นที่วิกฤติมีค่าเท่ากับ t &gt; 1.833 และค่าสถิติทดสอบทีที่คำนวณได้มีค่าเท่ากับ 3.51 ผู้วิจัยจะสรุปผลตามสมมติฐานหลัก แต่ถ้าสถิติทดสอบทีที่คำนวณได้มีค่าเท่ากับ 0.82 จะสรุปผลตามสมมติฐานหลัก เป็นต้น</p><p>โดยสรุปการประยุกต์ใช้สถิติเพื่อใช้ในการวิเคราะห์ข้อมูลสำหรับการวิจัยมีความสำคัญเพื่อให้สามารถตอบปัญหาวิจัยได้อย่างถูกต้องและสอดคล้องกับจุดประสงค์ของการวิจัย องค์ประกอบสำคัญของแนวคิดด้านสถิติประกอบด้วย ประชากรและกลุ่มตัวอย่าง ค่าสถิติและค่าพารามิเตอร์ สถิติเชิงพรรณนาเป็นสถิติที่ใช้ในการสรุปและเข้าใจลักษณะของข้อมูล เช่น ตารางแจกแจงความถี่ การวัดแนวโน้มเข้าสู่ส่วนกลางและการวัดการกระจาย สถิติเชิงอ้างอิงเป็นสถิติที่ใช้ในการประมาณค่าพารามิเตอร์ของประชากรโดยใช้ข้อมูลจากตัวอย่างเพื่อตอบปัญหาวิจัย โดยสถิติเชิงอ้างอิงที่ใช้ในการวิจัยด้านนวัตกรรมทางการศึกษา เช่น สถิติทดสอบทีแบบไม่อิสระ สถิติทดสอบทีแบบอิสระ และค่าสัมประสิทธิ์สหสัมพันธ์ ซึ่งใช้กระบวนการทดสอบสมมติฐานทางสถิติในการสรุปผล</p><p><strong>รายการอ้างอิง</strong></p><p>ผ่องพรรณ ตรัยมงคลกูลและสุภาพ ฉัตราภรณ์. (2555). <strong>การออกแบบการวิจัย</strong> (พิมพ์ครั้งที่ 7). สำนักพิมพ์มหาวิทยาลัยเกษตรศาสตร์.</p><p>ราชบัณฑิตยสภา. (2561). <strong>พจนานุกรมศัพท์สถิติศาสตร์ ฉบับราชบัณฑิตยสภา</strong> (พิมพ์ครั้งที่ 2). สำนักงาน<br> ราชบัณฑิตยสภา.</p><p>สุชาดา บวรกิติวงศ์. (2548). <strong>สถิติประยุกต์ทางพฤติกรรมศาสตร์</strong>. สำนักพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย.</p><p>อรุณ จิรวัฒน์กุล. (2556). <strong>สถิติทางวิทยาศาสตร์สุขภาพเพื่อการวิจัย</strong> (พิมพ์ครั้งที่ 3). วิทยพัฒน์.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9b2cc4a90467" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[แบบวัดความเข้มแข็งทางจิตใจทางบุคลิกภาพ (Trait-Resilience Measurement)]]></title>
            <link>https://medium.com/@akadet.ke/%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%A7%E0%B8%B1%E0%B8%94%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%A1%E0%B9%81%E0%B8%82%E0%B9%87%E0%B8%87%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%88%E0%B8%B4%E0%B8%95%E0%B9%83%E0%B8%88%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%9A%E0%B8%B8%E0%B8%84%E0%B8%A5%E0%B8%B4%E0%B8%81%E0%B8%A0%E0%B8%B2%E0%B8%9E-trait-resilience-measurement-99782e71b62f?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/99782e71b62f</guid>
            <category><![CDATA[resilience]]></category>
            <category><![CDATA[measurement]]></category>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Wed, 23 Aug 2023 21:57:20 GMT</pubDate>
            <atom:updated>2023-08-23T21:57:20.141Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/700/0*xqbdNjKiugHxblNp.jpg" /><figcaption>Resilience improve your quality of life</figcaption></figure><p>ความเข้มแข็งทางจิตใจนั้นเป็นปัจจัยที่ทำให้บุคคลสามารถบรรลุเป้าหมายที่ตั้งไว้ได้ซึ่งความเข้มแข็งทางจิตใจมีอิทธิพลต่อผลกระทบทางบวก (Positive effect) และช่วยทำให้บุคคลมีทัศนคติที่ดีต่อตนเอง เห็นคุณค่าในเองรวมทั้งมีความเชื่อมั่นในความสามารถของตนเองมากยิ่งขึ้น และปัจจัยดังกล่าวช่วยผลักดันที่ทำให้บุคคลสามารถไปถึงเป้าหมายได้ (Benetti &amp; Kambouropoulos, 2006) ความเข้มแข็งทางจิตใจนั้นเป็นแหล่งทรัพยากรภายใน (Internal resource) ตัวบุคคลที่ช่วยทำให้ปรับตัวต่อสิ่งแวดล้อมที่ไม่คุ้นเคย หรือสถานการณ์ที่มีความกดดันสูงได้เป็นอย่างดี ทำให้สามารถจัดการสถานการณ์ในเชิงบวกได้อย่างเหมาะสมและสร้างสรรค์ ซึ่งความเข้มแข็งทางจิตใจนี้ทำให้บุคคลปรับตัวในสองมิติ มิติที่หนึ่งคือการปรับตัวกับเหตุการณ์และมิติที่สองคือการปรับตัวและการจัดการกับอารมณ์ เช่น การจัดการความเครียด การควบคุมตนเองภายใต้ความวิตกกังวล เป็นต้น ทั้งนี้บุคคลที่มีความเข้มแข็งทางจิตใจเมื่อต้องเผชิญกับปัญหาและเกิดความรู้สึกทางลบ บุคคลนั้นจะไม่เพียงแต่ปรับตัวและรับมือกับความรู้สึกของตนเองได้เท่านั้น แต่จะสามารถพลิกสถานการณ์ดังกล่าวกลับมาเป็นประสบการณ์เชิงบวกได้อีกด้วย (Connor &amp; Davidson, 2003; Campbell &amp; Stein, 2007) การศึกษาเกี่ยวกับความเข้มแข็งทางจิตใจและการศึกษาเกี่ยวกับแบบวัดความเข้มแข็งทางจิตใจจึงมีความสำคัญต่อการพัฒนาสุขภาพจิต และช่วยพัฒนาบุคคลได้อย่างมีประสิทธิภาพ ผู้เขียนนำเสนอรายละเอียดเกี่ยวกับความเข้มแข็งทางจิตใจแบ่งเป็น 2 มิติประกอบด้วย ทฤษฎีพื้นฐานของความเข้มแข็งทางจิตใจและการวัดความเข้มแข็งทางจิตใจทางบุคลิกภาพ โดยมีรายละเอียดดังนี้</p><p><strong>1. ทฤษฎีพื้นฐานของความเข้มแข็งทางจิตใจ</strong></p><p>ความเข้มแข็งทางจิตใจเป็นแนวคิดที่ได้รับความสนใจเป็นอย่างมากโดยเฉพาะอย่างยิ่งในการวิจัยด้านสุขภาพจิตและจิตวิทยาเชิงบวก ทั้งนี้เนื่องจากความเข้มแข็งทางจิตใจนั้นมีนักวิจัยที่ทำการศึกษาตัวแปรดังกล่าวด้วยหลักการและแนวคิดที่แตกต่างกัน เนื่องจากทฤษฎีที่เกี่ยวข้องกับความเข้มแข็งทางจิตใจนั้นยังไม่มีทฤษฎีที่ใช้อธิบายได้อย่างครอบคลุมหรือได้การยอมรับอย่างชัดเจนอย่างไรก็ตาม ทฤษฎีของความเข้มแข็งทางจิตใจสามารถแบ่งได้เป็น 2 กลุ่มหลัก ๆ ได้แก่ ทฤษฎีความเข้มแข็งทางจิตใจจากแหล่งต่าง ๆ ในชีวิต และความเข้มแข็งทางจิตใจในเชิงบุคลิกภาพซึ่งมีรายละเอียดดังนี้</p><p><strong>ทฤษฏีความเข้มแข็งทางจิตใจจากแหล่งต่าง ๆ ในชีวิต (Source of resilience)</strong></p><p>แนวคิดที่สำคัญในการศึกษาความเข้มแข็งทางจิตใจในทฤษฎีนี้ มีรากฐานจากการศึกษาเกี่ยวกับความเข้มแข็งทางจิตใจในโครงการ The International Resilience Research Project (IRRP) ปี ค.ศ. 1993 โดย Edith Grotberg (Grotberg, 1995) โครงการดังกล่าวทำการศึกษาความเข้มแข็งทางจิตใจในกลุ่มตัวอย่างจากหลายประเทศทั่วโลก รวมถึงประเทศไทยโครงการดังกล่าวมีวัตถุประสงค์เพื่อศึกษาปัจจัยที่เสริมสร้างความเข้มแข็งทางจิตใจของเด็กและการพัฒนาความเข้มแข็งทางจิตใจในชีวิต โครงการวิจัยดังกล่าวดำเนินการสัมภาษณ์บิดามารดาหรือผู้ปกครองเกี่ยวกับการตอบสนองต่อสถานการณ์ที่ยากลำบากต่าง ๆ ซึ่งสถานการณ์ดังกล่าวที่นำมาสัมภาษณ์นั้นเป็นสถานการณ์ที่ผู้วิจัยสร้างขึ้นและสถานการณ์จริงในชีวิตของกลุ่มตัวอย่าง ผลจากการศึกษาพบว่าองค์ประกอบที่เสริมสร้างให้เกิดความเข้มแข็งทางจิตใจมีความคล้ายคลึงกันในทุกประเทศที่ทำการศึกษาและสามารถสรุปเกี่ยวกับแหล่งของความเข้มแข็งของชีวิตได้ ดังนี้</p><p>Grotberg (1995) ได้เสนอองค์ประกอบของที่เป็นแหล่งของความเข้มแข็งทางจิตใจ ได้แก่ 3 แหล่งได้แก่ฉันเป็น (I am) ฉันสามารถ (I can) และฉันมี (I have) โดยองค์ประกอบของความเข้มแข็งทางจิตใจของเด็กและวัยรุ่นมีรายละเอียดดังนี้</p><p>1. องค์ประกอบฉันเป็น (I am) หมายถึง การที่บุคคลมีทรัพยากรภายในตนเองที่ช่วยทำให้เอื้อให้ต่อสู้ผ่านพ้นอุปสรรคต่าง ๆ ซึ่งเป็นความคิดความรู้สึก ทัศนคติและความเชื่อทางบวกเกี่ยวกับตนเอง ได้แก่ การเป็นที่รักและแสดงความรักต่อผู้อื่นอย่างเหมาะสม มีความเห็นอกเห็นใจและความเข้าใจผู้อื่น มีความภาคภูมิใจในตนเอง การเป็นตัวของตนเองและมีความรับผิดชอบการกระทำของตนเอง และมีความหวัง และศรัทธากับสิ่งที่ถูกต้อง ซึ่งคุณสมบัติดังกล่าวนั้นเป็นสิ่งที่ช่วยทำให้บุคคลนั้นจัดการปัญหาได้เป็นอย่างดี</p><p>2. องค์ประกอบฉันสามารถ (I can) หมายถึง ความสามารถและทักษะของบุคคลในการจัดการสถานการณ์ของชีวิต ประกอบด้วย ความสามารถในการสื่อสารกับบุคคลอื่น ความสามารถในการแก้ปัญหาและการจัดการกับปัญหาที่เกิดขึ้น ความสามารถในการจัดการกับความรู้สึกและสิ่งยั่วยุ การรู้เท่าทันอารมณ์และความรู้สึกของตนเองและผู้อื่น ความสามารถในการสร้างสัมพันธภาพที่น่าไว้วางใจ</p><p>3. องค์ประกอบฉันมี (I have) หมายถึง การที่บุคคลนั้นมีแหล่งสนับสนุนจากภายนอก ที่ช่วยส่งเสริมให้บุคคลนั้นเกิดความรู้สึกมั่นคงและปลอดภัย และก่อให้เกิดความเข้มแข็งทางจิตใจ ประกอบด้วย การมีความสัมพันธ์ที่ไว้วางใจได้จากบุคคลรอบข้างการมีกรอบกฎเกณฑ์ที่ถูกต้องในการใช้ชีวิต การมีตัวอย่างที่ดี การได้รับอิสระและพึ่งพาตนเอง และการได้รับสวัสดิการที่สำคัญ ๆ เช่น การศึกษา การบริการทางสุขภาพและความปลอดภัย แนวคิดดังกล่าวนั้นเป็นแนวคิดที่ได้รับการยอมรับและนำมาศึกษาอย่างต่อเนื่องจนถึงปัจจุบัน (กรมสุขภาพจิต, 2552; สุคนธ์จิต อุปนันชัย, 2556 และดวงพร กิตติสุนทร, 2559)</p><p><strong>ความเข้มแข็งทางจิตใจเชิงบุคลิกภาพ (Trait resilience)</strong></p><p>ความเข้มแข็งทางจิตใจในแนวคิดทฤษฎีของกลุ่มนี้ให้ความสนใจเกี่ยวกับคุณลักษณะส่วนบุคคลหรือองค์ประกอบภายในบุคคลที่สำคัญต่อการพัฒนาตนเอง มีความยืดหยุ่นและมีความสามารถในการปรับตัวได้เป็นอย่างดี โดยมีจุดมุ่งเน้นให้บุคคลนั้นมีสุขภาพจิตที่ดีเนื่องจากในเวลาที่บุคคลต้องเผชิญกับสภาพปัญหา หรือวิกฤตต่าง ๆ ในชีวิต หรือสถานการณ์ที่ไม่พึงประสงค์ในชีวิตประจำวัน เช่น การเปลี่ยนแปลงที่เกิดขึ้นในชีวิต ความเจ็บป่วย ความยากลำบากต่าง ๆ เหล่านั้นจะเป็นปัจจัยที่ช่วยส่งเสริมให้บุคคลได้เรียนรู้และมีความเข้มแข็งทางจิตใจและก้าวผ่านอุปสรรคต่าง ๆ ไปได้ (Connor &amp; Davidson, 2003)</p><p>ความเข้มแข็งทางจิตใจนั้น จะมุ่งเน้นการศึกษาเกี่ยวกับคุณลักษณะของบุคคลในการเผชิญอุปสรรคต่าง ๆ ในชีวิตได้อย่างเข้มแข็ง รวมทั้งสามารถปรับตัวได้อย่างเหมาะสม และสามารถกลับมาใช้ชีวิตได้ปกติได้อย่างรวดเร็วเมื่อต้องเผชิญกับความตึงเครียดในชีวิต ซึ่งเป็นความเข้มแข็งทางจิตใจตามสถานการณ์ (State resilience) ซึ่งความเข้มแข็งดังกล่าวนั้นขึ้นอยู่กับบริบทของเหตุการณ์และสภาพปัญหาที่เกิดขึ้น ซึ่งลักษณะของความเข้มแข็งดังกล่าวนั้นไม่คงที่สามารถเปลี่ยนแปลงได้ ในขณะที่การศึกษาในยุคหลัง ๆ นั้นเริ่มให้ความสำคัญของความเข้มแข็งทางจิตใจที่เป็นลักษณะนิสัยหรือบุคลิกภาพของบุคคลมากยิ่งขึ้น (Trait resilience) ซึ่งข้อดีของความเข้มแข็งทางจิตใจดังกล่าวนั้น เป็นคุณลักษณะของบุคคลที่ค่อนข้างคงที่มีการแสดงพฤติกรรมอย่างสม่ำเสมอ ซึ่งความเข้มแข็งทางจิตใจดังกล่าว ให้ความสำคัญกับความสามารถของบุคคลในการเผชิญกับปัญหาและความตึงเครียด โดยมีการปรับตัวเปลี่ยนแปลงตนเองต่อสถานการณ์รอบตัว และเป็นคนที่มีความยืดหยุ่นในการใช้ชีวิต ซึ่งปัจจัยดังกล่าวนั้น จะเกิดขึ้นได้จากปัจจัยภายในของบุคคล ทำให้บุคคลสามารถจัดการกับปัญหาหรือพัฒนาตนเองให้จัดการกับปัญหาได้ในที่สุด (Connor &amp; Davidson, 2003; Campbell &amp; Stein, 2007)<br>Earvolino‐Ramirez (2007) ได้อธิบายกลไกลการเกิดความเข้มแข็งทางจิตใจแบ่งออกเป็น 3 ส่วน ได้แก่ ส่วนที่หนึ่งคือคุณลักษณะของบุคคล (Attributes) ส่วนที่สองคือปัจจัยนำเข้า (Antecedents) และส่วนสุดท้ายคือผลที่เกิดขึ้น (Consequence) ทั้งนี้โดยกระบวนการที่ทำให้บุคคลมีความเข้มแข็งทางจิตใจ ประกอบด้วย</p><p>1. ปัจจัยที่ทำให้บุคคลมีความเข้มแข็งทางจิตใจนั้น ประกอบด้วยกันสองปัจจัยหลัก คือปัจจัยป้องกัน (Protective factors) ซึ่งเป็นสภาพแวดล้อมของบุคคลที่ช่วยทำให้สามารถเผชิญหน้าและแก้ไขปัญหาได้ ได้แก่ การมีสัมพันธภาพที่ดีกับผู้อื่น รวมทั้งการได้รับการสนับสนุนจากสังคมที่เพียงพอ ในขณะเดียวกันปัจจัยภายในบุคคลนั้นก็มีส่วนช่วยที่ทำให้บุคคลเกิดความเข้มแข็ง ได้แก่ การรับรู้ความสามารถของตนเอง (Self-efficacy) เป็นคนที่มีความยืดหยุ่น (Flexible) รวมทั้งเป็นบุคคลที่มองโลกในแง่ดีและมีความคาดหวังหรือการตั้งเป้าหมายในตนเองเชิงบวก</p><p>2. ปัจจัยนำเข้า (Antecedents) ความเข้มแข็งทางจิตใจนั้นเป็นภาวะที่ต้องมีสิ่งกระตุ้นจากภายนอก ปัจจัยนำเข้านี้จัดได้ว่าเป็นเงื่อนไขหรือสิ่งที่กระตุ้นบุคคลมีความเข้มแข็งทางจิตใจได้ สิ่งกระตุ้นที่ก่อให้เกิดความเข้มแข็งทางจิตใจคือ ความทุกข์ ความยากลำบาก หรือการเปลี่ยนแปลงที่เกิดขึ้นจาก สภาพแวดล้อมรอบ ๆ ตัว เหตุการณ์หรือบุคคลที่ไม่พึงประสงค์ การเผชิญกับปัจจัยนำเข้านี้ทำให้บุคคลเกิดการเรียนรู้และพัฒนาตนเองได้</p><p>3. ผลที่เกิดขึ้น (Consequence) ในการเผชิญกับปัญหา ความทุกข์หรือความยากลำบาก และการจัดการสถานการณ์ต่าง ๆ ที่เกิดขึ้นกับตนเองนั้น จะช่วยทำให้บุคคลเกิดการเรียนรู้เพื่อเอาชนะวิกฤตหรือปัญหาต่าง ๆ ซึ่งผลของการจัดการปัญหาที่เกิดนั้นจะส่งผลดีต่อบุคคลหลายประการ เช่น เกิดทักษะการแก้ปัญหาอย่างมีประสิทธิภาพ ความสามารถในการปรับตัวต่อปัญหา ความสามารถในการจัดการอารมณ์ เป็นต้น ซึ่งผลที่เกิดขึ้นนั้นก่อให้เกิดความเข้มแข็งทางจิตใจและช่วยให้บุคคลสามารถดำเนินชีวิตได้อย่างปกติสุข</p><p>ความเข้มแข็งทางจิตใจนั้นเป็นปัจจัยที่ทำให้บุคคลสามารถบรรลุเป้าหมายที่ตั้งไว้ได้ซึ่งความเข้มแข็งทางจิตใจมีอิทธิพลต่อผลกระทบทางบวก (Positive effect) และช่วยทำให้บุคคลมีทัศนคติที่ดีต่อตนเอง เห็นคุณค่าในเองรวมทั้งมีความเชื่อมั่นในความสามารถของตนเองมากยิ่งขึ้น และปัจจัยดังกล่าวช่วยผลักดันที่ทำให้บุคคลสามารถไปถึงเป้าหมายได้ (Benetti &amp; Kambouropoulos, 2006)</p><p><strong>2. การวัดความเข้มแข็งทางจิตใจทางบุคลิกภาพ</strong></p><p>จากการศึกษางานวิจัยเกี่ยวกับความเข้มแข็งทางจิตใจ มีนักวิจัยที่ให้ความสนใจและสร้างเครื่องมือวัดที่มีความหลากหลายเนื่องจาก ความเข้มแข็งทางจิตใจนั้นมีผู้ที่ให้ความสนใจมากและมีทฤษฎีที่ใช้ในการศึกษาที่แตกต่างกัน โดยมีรายละเอียดของการวัดความเข้มแข็งทางจิตใจดังนี้</p><p>1. มาตรวัดความเข้มแข็งทางจิตใจ (Resilience scale: RS) ซึ่งถูกพัฒนาโดย Wagnild and Young (1993) แบบวัดดังกล่าวนั้นมีข้อคำถามจำนวน 25 ข้อ มีลักษณะเป็นมาตรประมาณค่า 7 ระดับ โดยมุ่งวัดความเข้มแข็งทางจิตใจเชิงบุคลิกภาพของบุคคล ซึ่งมาตรวัดนี้พัฒนาจากการสัมภาษณ์เชิงลึกกับกลุ่มตัวอย่างที่สามารถปรับตัวได้หลังเผชิญเหตุการณ์ทางลบ มีสององค์ประกอบคือการรับรู้ในความสามารถของตนเอง (Personal competence) และการยอมรับชีวิตและตนเอง (acceptance of life and self) แบบวัดดังกล่าวนั้นมีความเที่ยงแบบสอดคล้องภายในสูงและมีความตรงเชิงโครงสร้างที่ดี โดยทำการตรวจสอบด้วยวิธีกลุ่มรู้ชัด (Known group) ซึ่งผลการตรวจสอบพบว่ามาตรวัดมีความตรงเป็นอย่างดี อย่างไรก็ตามข้อคำถามนี้นั้นได้มาจากกลุ่มตัวอย่างที่เป็นเพศหญิงเท่านั้นซึ่งทำให้แบบวัดดังกล่าวอาจะมีข้อจำกัดในการใช้งาน</p><p>2. มาตรวัดความเข้มแข็งทางจิตใจสำหรับวัยรุ่น (Adolescent resilience scale: ASR) เป็นมาตรวัดที่ใช้วัดความเข้มแข็งทางจิตใจสำหรับกลุ่มวัยรุ่นที่ถูกพัฒนาโดย Oshio et al. (2003) แบบวัดดังกล่าวมีจำนวนข้อคำถามจำนวน 21 ข้อ โดยมีองค์ประกอบย่อย 3 องค์ประกอบ ได้แก่ การค้นหาสิ่งใหม่ (Novelty seeking) การจัดการอารมณ์ (Emotional regulation) และการมุ่งเน้นอนาคตเชิง (Positive future orientation) เครื่องมือนี้มีความเที่ยงแบบสอดคล้องภายในในระดับดีโดยมีค่าอยู่ระหว่าง 0.72 ถึง 0.75 และมีความตรงตามสภาพกับการรับรู้ภาวะสุขภาพโดยทั่วไป (General health) โดยมีความสัมพันธ์กันอย่างมีนัยสำคัญทางสถิติที่ระดับ 0.01 อย่างไรก็ตามความเข้มแข็งทางจิตใจนั้นไม่มีความสัมพันธ์กับระดับเหตุการณ์ในชีวิตทางลบ (Negative life events) โดยสรุปมาตรวัดดังกล่าวเป็นมาตรวัดที่มีความตรงและความเที่ยงอยู่ในระดับดีสามารถนำไปใช้ได้ อย่างไรก็ตามเนื่องจากกลุ่มตัวอย่างที่ใช้ในการศึกษานั้นเป็นกลุ่มวัยรุ่นในประเทศญี่ปุ่นเพราะฉะนั้นเครื่องมือดังกล่าวอาจยังมีข้อจำกัดในการไปใช้กับบริบทของประเทศอื่น ๆ</p><p>3. มาตรวัดความเข้มแข็งทางจิตใจสำหรับผู้ใหญ่ (Resilience scale for adults: RSA) เป็นมาตรวัดที่วัดความเข้มแข็งทางจิตใจสำหรับกลุ่มตัวอย่างที่อยู่ในวัยผู้ใหญ่ แบบวัดดังกล่าวพัฒนาโดย Friborg et al. (2003) โดยมีข้อคำถามจำนวน 37 ข้อ โดยมี 5 องค์ประกอบ ได้แก่ ความเชื่อมั่นในความสามารถของตนเอง (Personal competence) ความสามารถด้านการเข้าสังคม (Social competence) ความสัมพันธ์ภายในครอบครัว (Family coherence) การสนับสนุนทางสังคม (Social support) และการวางแผนของบุคคล (Personal structure) แบบวัดดังกล่าวมีค่าความเที่ยงแบบสอดคล้องภายในระหว่าง 0.67–0.90 และมีความเที่ยงแบบคงที่โดยเว้นระยะห่าง 4 เดือน มีค่าอยู่ระหว่าง 0.69 ถึง 0.84 นอกจากนี้ผู้พัฒนาได้ตรวจสอบความตรงตามสภาพโดยทำการวิเคราะห์ความสัมพันธ์ทางบวกกับมากวัดการรับรู้ความเชื่อมโยง (The sense of coherence scale) และมีความสัมพันธ์ทางลบกับมาตรวัดความเครียดและภาวะซึมเศร้า HSCL-25 (The Hopkins Symptom Check List-25)</p><p>4. มาตรวัดความเข้มแข็งทางจิตใจของ Connor-Davidson (Connor-Davidson resilience scale: CD-RISC) มาตรวัดความเข้มแข็งทางจิตใจนี้พัฒนาโดย Connor &amp; Davidson (2003) มีข้อคำถามจำนวน 25 ข้อ โดยมุ่งเน้นในการวัดความเข้มแข็งทางจิตใจเชิงบุคลิกภาพ แบบวัดดังกล่าวมีจุดเด่นที่สำคัญคือ เป็นแบบวัดที่สามารถนำมาประยุกต์ใช้ได้กับทุกกลุ่มประชากร ซึ่งในขั้นตอนการพัฒนาเครื่องมือนี้ได้นำมาใช้กับตัวอย่างที่มีความหลายหลาย ได้แก่ กลุ่มบุคคลทั่วไป กลุ่มผู้ป่วยทั่วไป กลุ่มผู้ป่วยจิตเวช กลุ่มผู้ป่วยโรควิตกกังวล และมีการใช้เครื่องมือดังกล่าวกับหลายกลุ่มอายุทั้ง วัยรุ่น ผู้ใหญ่และผู้สูงอายุ ประกอบด้วย 5 องค์ประกอบ ได้แก่ การรับความสามารถของตนและการยืนหยัดความเชื่อในตนเอง ความต้านทานต่อความเครียด การยอมรับการเปลี่ยนแปลงชีวิตและการมีความสัมพันธ์ที่มั่นคง ความรู้สึกว่าตนมีความสามารถในการควบคุมสิ่งต่าง ๆ และความเชื่อด้านจิตวิญญาณ ในการทดสอบความเที่ยงของมาตรวัดพบว่ามีค่าเท่ากับ 0.89 และในการทดสอบความตรง นอกจากนั้นแบบวัดนี้ได้ถูกพัฒนาให้เป็นฉบับ 10 ข้อคำถามโดย Campbell-Sills &amp; Stein (2007) เพื่อปรับปรุงแก้ไขเกี่ยวกับโครงสร้างของแบบวัดฉบับ 25 คำถามให้มีความคงที่ของโครงสร้างและเพิ่มประสิทธิภาพในการวัดมากยิ่งขึ้นผลทั้งนี้มาตรวัดความเข้มแข็งทางจิตใจของ Connor-Davidson ฉบับ 10 ข้อคำถามนั้นมุ่งเน้นความเข้มแข็งทางจิตใจเชิงบุคลิกภาพโดยมีลักษณะเป็นเอกมิติ (Uni-dimension) มีความเที่ยงแบบสอดคล้องภายในดีมาก (α =0.85) และมีความตรงเชิงโครงสร้างเป็นอย่างดีโดยมีค่าน้ำหนักองค์ประกอบระหว่าง 0.44–0.74 และมีประสิทธิภาพสูงในการเก็บข้อมูลวิจัยเนื่องจากมีข้อคำถามน้อยและได้รับการยอมรับในการศึกษาความเข้มแข็งทางจิตใจอย่างแพร่หลายและถูกแปลในหลายประเทศทั่วโลก</p><p>5. แบบวัดความเข้มแข็งทางจิตใจของนักเรียนระดับชั้นมัธยมศึกษาตอนปลาย (ฑิตยา สิทธิโสภาสกุล และอัครเดช เกตุฉ่ำ, 2562) ซึ่งเป็นแบบวัดความเข้มแข็งทางจิตใจที่แปลและปรับปรุงจากมาตรวัดความเข้มแข็งทางจิตใจของ Connor-Davidson (2003) ฉบับ 10 ข้อคำถาม (Connor-Davidson Resilience Scale: CD-RISC) มีลักษณะเป็นมาตรประมาณค่า 5 ระดับ มีคะแนนระหว่าง 1–5 คะแนน (1 = ไม่เห็นตัวยอย่างยิ่ง และ 5 = เห็นด้วยอย่างยิ่ง) ซึ่งแบบวัดดังกล่าวนั้นเป็นแบบวัดที่มีประสิทธิภาพมีความเที่ยง และความตรงเชิงโครงสร้างเป็นอย่างดีและถูกนำมาแปลหลายภาษา (Campbell-Sills et al., 2007; Wang et al., 2010) เป็นแบบวัดที่มีประสิทธิภาพสูงนอกจากนี้ โดยผลการวิเคราะห์ความตรงเชิงโครงสร้างด้วยการวิเคราะห์องค์ประกอบเชิงยืนยันพบว่า แบบวัดดังกล่าวนั้นมีค่าน้ำหนักองค์ประกอบระหว่าง 0.42–0.69 โดยทุกตัวมีนัยสำคัญทางสถิติที่ระดับ .01 ค่าน้ำหนักองค์ประกอบมาตรฐานมีค่าระหว่าง 0.43–0.53 โดยมีความเที่ยงของข้อคำถามระหว่าง 0.18–0.47 และมีคำความเที่ยงของตัวแปรแฝง (Construct Reliability) เท่ากับ 0.82 และมีความแปรปรวนของตัวแปรที่สกัดได้จากองค์ประกอบเฉลี่ยเท่ากับ 0.32 ซึ่งถือได้ว่าเป็นแบบวัดที่มีประสิทธิภาพและมีความเหมาะสมในการศึกษาความเข้มแข็งทางจิตใจของนักเรียนหรือนักศึกษาโดยมีรายละเอียดของข้อคำถามดังนี้</p><p><strong>แบบวัดความเข้มแข็งทางจิตใจของนักเรียนระดับชั้นมัธยมศึกษาตอนปลาย</strong></p><p>1. ฉันสามารถปรับตัวเพื่อรองรับการเปลี่ยนแปลง</p><p>2. ไม่ว่าอะไรจะเกิดขึ้นก็ตามฉันสามารถรับมือหรือจัดการสิ่งนั้นได้</p><p>3. ฉันพยายามมองปัญหาในแง่มุมที่ดีหรือเป็นประโยชน์กับตนเอง</p><p>4. ฉันเชื่อว่าการเผชิญกับปัญหาหรือความเครียดสามารถทำให้เข้มแข็งขึ้น</p><p>5. ฉันสามารถกลับมาเป็นเหมือนเดิมได้ หลังจากผ่านความเจ็บป่วยหรือต้องเผชิญกับความยากลำบาก</p><p>6. ฉันเชื่อว่าจะสามารถไปถึงเป้าหมายของตนเองได้แม้จะมีอุปสรรคก็ตาม</p><p>7. ฉันสามารถคิดและตัดสินใจได้ดี ถึงแม้จะอยู่ภายใต้สถานการณ์ที่กดดัน</p><p>8. ความล้มเหลวไม่ทำให้ฉันท้อถอยหรือหมดกำลังใจอย่างง่ายดาย</p><p>9. ฉันคิดว่าตัวเองเป็นคนที่เข้มแข็ง</p><p>10. ฉันสามารถจัดการหรือควบคุมความรู้สึกที่ไม่ดี เช่น ความเศร้าความเสียใจ ความผิดหวังได้เป็นอย่างดี</p><p>ความเข้มแข็งทางจิตใจเป็นคุณลักษณะหรือบุคลิกภาพของบุคคล ที่ช่วยบุคคลดังกล่าวนั้นจัดการสถานการณ์ที่ยากลำบากและเผชิญกับปัญหาได้อย่างมีประสิทธิภาพ สามารถจัดการความเครียดและการปรับตัวต่ออุปสรรคในชีวิต ทั้งการจัดการตนเองทั้งด้านอารมณ์ ความคิดและความเครียดที่เกิดจากปัญหา การมีมุมมองที่ดีต่อปัญหาที่เกิดขึ้นและสามารถปรับตัวต่อความยากลำบาก ไม่ท้อถอยจนบรรลุเป้าหมายของตนเอง การประยุกต์ใช้แบบวัดความเข้มแข็งทางจิตใจในบริบทต่าง ๆ นั้นจึงมีความสำคัญและสามารถได้สารสนเทศที่เป็นประโยชน์ในการพัฒนาสุขภาพจิตและส่งเสริมสุขภาวะทางจิตใจได้อย่างมีประสิทธิภาพ</p><p><strong>รายการอ้างอิง</strong></p><p>Benetti, C., &amp; Kambouropoulos, N. (2006). Affect-regulated indirect effects of trait anxiety and trait resilience on self-esteem. <strong>Personality and Individual Differences</strong>, 41, 341–352.</p><p>Campbell‐Sills, L., &amp; Stein, M. B. (2007). Psychometric analysis and refinement of the connor–davidson resilience scale (CD‐RISC): Validation of a 10‐item measure of resilience. <strong>Journal of traumatic stress</strong>, 20(6), 1019–1028.</p><p>Connor, K. M. and Davidson, J. R. (2003). Development of a new resilience scale: The Connor Davidson Resilience Scale (CD-RISC). <strong>Depression and Anxiety</strong>, 18:76- 82.</p><p>Earvolino‐Ramirez, M. (2007, April). <strong>Resilience: A concept analysis</strong>. Nursing forum, Malden, USA.</p><p>Friborg, O., Hjemdal, O., Rosenvinge, J. H., &amp; Martinussen, M. (2003). A new rating scale for adult resilience: what are the central protective resources behind healthy adjustment?. <strong>International Journal of Methods in Psychiatric Research</strong>, 12(2), 65–67.</p><p>Grotberg, E. H. (1995). A Guide to Promoting Resilience in Children: Strengthening the Human Spirit. <strong>Early Childhood Development Practice and Reflections №8</strong>. The Netherlands: Bernard van Leer Foundation.</p><p>Oshio, A., Kaneko, H., Nagamine, S., &amp; Nakaya, M. (2003). Construct validity of the Adolescent Resilience Scale. <strong>Psychological Reports</strong>, 93(3), 143–149.</p><p>Wagnild G. &amp; Young H.M. (1990) Resilience among older women. <strong>Image: Journal of Nursing Scholarship</strong> <strong>22</strong>(4), 252–255.</p><p>กรมสุขภาพจิต. (2551). <strong>RQ พลังสุขภาพจิต พาคุณก้าวผ่านวิกฤตและความไม่แน่นอนของชีวิตได้ อย่างสง่างาม</strong>. ดีน่าดู.</p><p>ฑิตยา สิทธิโสภาสกุล และอัครเดช เกตุฉ่ำ. (2562). การพัฒนาแบบวัดความเข้มแข็งทางจิตใจของนักเรียนระดับชั้นมัธยมศึกษาตอนปลาย. <strong>วารสารครุศาสตร์สาร,</strong> 13(1). 1–14.</p><p>ดวงพร กิตติสุนทร. (2559). <strong>ผลของกลุ่มการปรึกษาเชิงจิตวิทยาแนวปัญญาพฤติกรรมนิยมต่อความสามารถในการฟื้นพลังและความสามารถในการกำกับอารมณ์ในวัยเด็กตอนกลาง</strong>. (วิทยานิพนธ์ศิลปศาสตรมหาบัณฑิต, จุฬาลงกรณ์มหาวิทยาลัย).</p><p>สุคนธ์จิต อุปนันชัย. (2556). <strong>อิทธิพลของการสนับสนุนทางสังคม การเห็นคุณค่าแห่งตนและการรับรู้ความสามารถของตนที่มีต่อความยืดหยุ่นทางอารมณ์ของนักเรียนในจังหวัดนนทบุรี</strong>. (วิทยานิพนธ์มหาบัณฑิต, มหาวิทยาลัยศรนครินทรวิโรฒ).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=99782e71b62f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[แบบวัดความพึงพอใจในชีวิตสำหรับนักเรียนมัธยมศึกษาตอนปลาย]]></title>
            <link>https://medium.com/@akadet.ke/%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%A7%E0%B8%B1%E0%B8%94%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%9E%E0%B8%B6%E0%B8%87%E0%B8%9E%E0%B8%AD%E0%B9%83%E0%B8%88%E0%B9%83%E0%B8%99%E0%B8%8A%E0%B8%B5%E0%B8%A7%E0%B8%B4%E0%B8%95%E0%B8%AA%E0%B8%B3%E0%B8%AB%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%99%E0%B8%B1%E0%B8%81%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%A1%E0%B8%B1%E0%B8%98%E0%B8%A2%E0%B8%A1%E0%B8%A8%E0%B8%B6%E0%B8%81%E0%B8%A9%E0%B8%B2%E0%B8%95%E0%B8%AD%E0%B8%99%E0%B8%9B%E0%B8%A5%E0%B8%B2%E0%B8%A2-3412d24b827e?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/3412d24b827e</guid>
            <category><![CDATA[life-satisfaction]]></category>
            <category><![CDATA[psychometric-testing]]></category>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Tue, 07 Feb 2023 07:02:44 GMT</pubDate>
            <atom:updated>2023-02-07T07:02:44.460Z</atom:updated>
            <content:encoded><![CDATA[<p>ความพึงพอใจในชีวิตเป็นความรู้สึกที่มีอยู่ภายในตัวบุคคลที่ผ่านกระบวนการคิดและประเมินสภาพความเป็นอยู่ของตนเองในภาพรวม ซึ่งความพึงพอใจในชีวิตนี้เป็นตัวบ่งชี้ที่สะท้อนคุณภาพชีวิตของแต่ละบุคคล (Ferrans &amp; Powers, 1995) การศึกษาความพึงพอใจในชีวิตที่ผ่านมานั้นจะถูกมองว่าความสุข (Happiness) ความพึงพอใจในชีวิต (Life satisfaction) และความผาสุกเชิงอัตวิสัย (Subjective well–being) มีความหมายเหมือนกันและใช้แทนกันได้ (Interchangeability)</p><p>ความพึงพอใจในชีวิตเป็นลักษณะที่เป็นนามธรรมที่มีความซับซ้อน ซึ่งความพึงพอใจของบุคคลแต่ละบุคคลนั้น อาจจะแตกต่างกัน ถึงแม้ว่าอาจจะอยู่ในสิ่งแวดล้อมเดียวกัน ดังนั้น ในการให้ความหมายของความพึงพอใจในชีวิตจึงมีผู้ที่อธิบายความหมายของความพึงพอใจในชีวิตแตกต่างกันไป ซึ่งอาจสรุปได้ดังนี้</p><p>Neugarten, Havighurst &amp; Tobin (1961) ให้ความหมายความพึงพอใจในชีวิตไว้ว่าหมายถึง ความรู้สึกที่ดีต่อสภาพความเป็นอยู่ของตนเอง และการรับรู้ว่าชีวิตมีความหมายและมีความสุขในการดำเนินชีวิต มีความตั้งใจและความอดทนต่อชีวิต ชีวิตนั้นมีความสอดคล้องระหว่างเป้าหมายที่ตั้งไว้กับสิ่งที่ทำได้สำเร็จ การรับรู้ว่าตนเองมีสุขภาพกาย สุขภาพจิต และสังคมที่ดี การแสดงออกที่แสดงถึงความสุข การมีทัศนคติและอารมณ์ในทางที่ดี</p><p>Diener (2003) ให้คำความหมายของความพึงพอใจในชีวิตไว้ว่า เป็นองค์ประกอบหนึ่งของความสุข (Happiness) หรือความผาสุก (Wellbeing) ซึ่งเป็นความรู้สึกน่ายินดีหรือความรู้สึกเชิงบวกที่มีมากกว่าประสบการณ์ความรู้สึกที่ไม่น่าพอใจและความรู้สึกที่เป็นลบ</p><p>Romney et al. (1992) ได้เสนอไว้ว่าความพึงพอใจในชีวิตเป็นแนวคิดที่ให้ความหมายที่สามารถเป็นที่ยอมรับอย่างเป็นสากล เนื่องจากเหตุผล 3 ประการ คือ 1) ความพึงพอใจในชีวิตเป็นความรู้สึกที่ผ่านกระบวนการทางความคิด มีการตีความ และอยู่ในบริบททางภาษาและวัฒนธรรมที่แตกต่างกัน เพราะฉะนั้นจึงเกิดความคลาดเคลื่อนจากมุมมอง ประสบการณ์พื้นฐาน ความรู้และความเข้าใจในชีวิตที่แตกต่างกัน จึงทำให้มีการรับรู้คุณภาพชีวิตที่แตกต่างกันตามแต่ละบุคคล 2) ความพึงพอใจในชีวิตเป็นปัจจัยอยู่บนพื้นฐานของคุณค่า (Value) ที่แฝงอยู่ค่อนข้างมาก การกำหนดความหมายและกรอบความหมายของความพึงพอใจในชีวิตจึงต้องอาศัยกรอบความคิดที่มีความชัดเจน เพื่อให้สามารถวัดและประเมินได้ กระบวนการและผลต่าง ๆ ทั้งนี้การกำหนดคุณค่าของบุคคลนั้นส่วนใหญ่มักจะได้รับอิทธิพลจากคุณค่าที่สังคมตนเองให้ความสำคัญ <br> 3) กระบวนการทางคิดของบุคคลได้รับอิทธิพลจากค่านิยม ซึ่งมีผลต่อการประเมินความพึงพอใจในชีวิต และเนื่องจากค่านิยมแต่ละสังคมนั้นก็มีความแตกต่างกัน แต่ละสังคมจึงมีความคาดหวังและมุมมองต่อความพึงพอใจในชีวิตที่แตกต่างเช่นเดียวกันการกำหนดความหมายให้ความพึงพอใจในชีวิตมีความสอดคล้องกันโดยมีรากฐานของค่านิยมที่แตกต่างกันนั้นจึงเป็นไปได้ยาก อย่างไรก็ตาม Pavot &amp; Diener (1993) ได้เสนอแนวคิดเกี่ยวกับการประเมินความพึงพอใจในชีวิต นั้นสามารถเกิดขึ้นได้การประเมินชีวิตในภาพรวมของตนเอง บุคคลแต่ละคนจะสร้างหรือกำหนดมาตรฐานที่เหมาะสมกับตนเองที่อยู่บนพื้นฐานการรับรู้ของตน จากนั้นบุคคลจะเปรียบเทียบระหว่างมาตรฐานที่ตนสร้างหรือกำหนดขึ้นกับสิ่งที่เกิดขึ้นหรือสิ่งที่ได้รับในชีวิตจริง ซึ่งแนวคิดดังกล่าวนั้นเป็นการประเมินความพึงพอใจที่เกิดขึ้นจากภายในตัวบุคคลมากกว่าที่จะเป็นการประเมินด้วยมาตรฐานจากภายนอก</p><p>สรุปได้ว่าความพึงพอใจในชีวิตเป็นกระบวนการที่เกิดจากการใช้ประสบการณ์ในการตัดสินใจ ใช้เหตุผล ความรู้ความเข้าใจ เป็นการประเมินตนเองของบุคคลซึ่งเมื่อบุคคลเปรียบเทียบสภาพชีวิตโดยรวมของตนกับมาตรฐานทางสังคม หรือเกณฑ์ต่างๆ ในการดำเนินชีวิต แล้วพบว่าประสบการณ์หรือสภาพชีวิตของตนเกินมาตรฐาน หรือเกณฑ์ที่ตนเองและสังคมกำหนดไว้ บุคคลนั้น จะประเมินและรับรู้ว่าตนเองมีความพึงพอใจในชีวิตและความพึงพอใจในชีวิตของบุคคลจะเกิดขึ้น จากการได้รับการยอมรับ และการยกย่องว่าได้ดำเนินชีวิตตามบรรทัดฐานของสังคม มีภาพลักษณ์ทางบวก มีความสามารถที่จะทำประโยชน์ต่อคนในครอบครัวและต่อคนอื่นในสังคมอันช่วยส่งเสริมให้บุคคลรู้สึกว่าตนเองมีคุณค่าและมีความสำคัญ</p><p>การวัดความพึงพอใจในชีวิตจึงอยู่บนพื้นฐานของการประเมินชีวิตโดยรวมของบุคคล ซึ่งกระบวนการดังกล่าวนั้นเป็นการบวนทางเชิงปัญญา (Cognitive process) ทั้งนี้ในการประเมินความพึงพอใจในชีวิตนั้น บุคคลจะกำหนดมาตรฐานในการประเมินคุณภาพชีวิตดังกล่าวตามการรับรู้และประสบการณ์ของตนเอง จากนั้นจึงเปรียบเทียบมาตรฐานนั้นกับสิ่งที่เกิดขึ้นจริงหรือสิ่งที่ตนเองได้รับในชีวิต จากกระบวนการดังกล่าวนั้นบ่งชี้ให้เห็นว่าการประเมินความพึงพอใจในชีวิตเป็นกระบวนการที่เกิดขึ้นจากภายในตัวบุคคล มีลักษณะค่อนข้างคงที่และไม่ได้ขึ้นอยู่กับภาวะอารมณ์ในขณะประเมิน (Pavot and Diener, 1991) เมื่อบุคคลเปรียบเทียบมาตรฐานหรือเกณฑ์ที่คาดหวังในชีวิตไว้ และเปรียบเทียบกับการดำเนินชีวิตของตนหรือประสบการณ์ที่เกิดขึ้น แล้วพบว่าประสบการณ์ที่เกิดขึ้นนั้น มีคุณค่ามากกว่าเกณฑ์ที่ตนกำหนด บุคคลนั้นจะประเมินชีวิตในภาพรวมของตนเองว่าดีและรับรู้ว่าตนมีความพึงพอใจในชีวิตที่ดี</p><p>จากแนวคิดดังกล่าวนั้นทำให้ Diener et al. (1985) ได้ทำการพัฒนาเครื่องมือชื่อมาตรวัดความพึงพอใจในชีวิต (The Satisfaction with Life Scale: SWLS) โดยมุ่งวัดความพึงพอใจในชีวิตในภาพรวมของบุคคลซึ่งเป็นองค์ประกอบย่อยของความผาสุกเชิงอัตวิสัย (Subjective wellbeing) ในการศึกษาในครั้งนี้ให้ความหมายเกี่ยวกับความพึงพอใจในชีวิตว่าเป็นกระบวนการทางความคิดเชิงตัดสิน (Cognitive-judgmental process) ต่อสภาพเป็นอยู่ของชีวิตในภาพรวม ซึ่งแตกต่างจากการศึกษาความพึงพอใจในชีวิตที่ผ่านมาที่มักจะเอาอารมณ์ทางบวกและทางลบเข้าซึ่งเป็นตัวแปรด้านอารมณ์และความรู้สึก (Affective domain) มาประเมินคุณภาพชีวิตด้วย ซึ่งผลจากการวิจัยในครั้งนี้จึงยืนยันว่าความพึงพอใจในชีวิตนั้นมีความแตกต่างจากคุณภาพชีวิต (Quality of life) และความผาสุกเชิงอัตวิสัย (Subjective wellbeing) เนื่องจากในการศึกษาเกี่ยวกับคุณภาพชีวิต ทั้งนี้เนื่องจากการศึกษาเกี่ยวกับความพึงพอใจในชีวิตที่ผ่านมานั้นจะจะมีการใช้ตัวแปรอื่น ๆ แทนความพึงพอใจในชีวิต เช่น ความสุข (Happiness) หรือความผาสุกเชิงอัตวิสัย (Subjective wellbeing) (Ramia, 2012) และเป็นตัวแปรที่ใช้แทนกันได้ (Interchangeability) อย่างไรก็ตามผลการศึกษาของ Diener et al. (1985) นั้นช่วยความชัดเจนของความพึงพอใจในชีวิตมีความชัดเจนและทำให้มีความแตกต่างระหว่างความสุข และความผาสุกเชิงอัตวิสัย ผลการศึกษาพบว่า ความสุขและความพึงพอใจในชีวิตมีความแตกต่างกันในแง่ของพื้นฐานของตัวแปร เนื่องจากความพึงพอใจในชีวิตนั้นอยู่บนพื้นฐานของกระบวนการทางความคิด (Cognitive) และมีความคงที่มากกว่า ในขณะที่ความสุขนั้นอยู่บนพื้นฐานของอารมณ์ (Affective) มีความเปลี่ยนแปลงได้ง่ายหรือมีเหตุการณ์ต่าง ๆ เข้ามากระทบและพัฒนามาตรวัดความพึงพอใจในชีวิต (Satisfaction with life scale: SWLS) ซึ่งใช้ประเมินความพึงพอใจในชีวิตในภาพรวมของบุคคล ด้วยกระบวนการคิดและการตัดสินคุณค่าต่อชีวิตและความเป็นอยู่ของตนเองทั้งหมดมีลักษณะเป็นมาตรประมาณค่า 5 ระดับ แบบวัดดังกล่าวนั้นเป็นแบบวัดที่มีประสิทธิภาพสูงเนื่องจากมีจำนวนข้อคำถามเพียง 5 ข้อ มีความเที่ยงแบบสอดคล้องภายในสูง (α=0.87) และมีความเที่ยงแบบคงที่โดยวัดความพึงพอใจในชีวิตในช่วงระยะเวลา 2 เดือนเท่ากับ 0.82 รวมทั้งมีความตรงเชิงโครงสร้างเป็นอย่างดี ซึ่งเป็นเครื่องมือมาตรฐานในการศึกษาความพึงพอใจในชีวิตโดยมีการแปลในหลายภาษา (Diener &amp; Diener, 2009) และเป็นเครื่องมือที่ใช้ในการศึกษาความพึงพอใจในชีวิตจนถึงปัจจุบัน</p><p>การปรับปรุงและพัฒนาแบบวัดดังกล่าวเป็นภาษาไทย โดยนำไปทดสอบใช้กับนักเรียนชั้นมัธยมศึกษาตอนปลายโดย อัครเดช เกตุฉ่ำและธัชพงศ์ เศรษฐบุตร (2563) โดยมีการกำหนดนิยามเชิงปฏิบัติการดังนี้ ความพึงพอใจในชีวิต หมายถึงความรู้สึกที่นักเรียนมีต่อชีวิตในภาพรวมของตนเอง ด้วยกระบวนการคิดและการตัดสินคุณค่าต่อชีวิตและความเป็นอยู่ของตนเองทั้งหมด ประกอบด้วย ความรู้สึกว่าชีวิตของตนเองนั้นเป็นไปตามอุดมคติหรือมีสิ่งที่ต้องการ รวมทั้งมีความรู้สึกว่าชีวิตของตนเองดีและพึงพอใจกับชีวิต โดยไม่คิดจะเปลี่ยนแปลงชีวิตของตนเอง ซึ่งสามารถวัดได้จากแบบวัดความพึงพอใจในชีวิตที่ผู้วิจัยแปลและปรับปรุงจากแนวคิดของ Diener et al. (1985) โดยมีข้อคำถามดังนี้</p><p><strong>ความพึงพอใจในชีวิต</strong></p><p>1. โดยรวมแล้วชีวิตของฉันใกล้เคียงกับชีวิตที่ฉันคาดหวังไว้</p><p>2. สภาพทั่ว ๆ ไปของชีวิตฉันดีเยี่ยม</p><p>3. ฉันรู้สึกพึงพอใจในชีวิตของตนเอง</p><p>4. ในวันนี้ฉันมีสิ่งต่าง ๆ ที่ฉันต้องการแล้ว</p><p>5. หากย้อนเวลากลับไปได้ ฉันจะไม่เปลี่ยนแปลงชีวิตของตนเอง</p><p>แบบวัดความพึงพอใจในชีวิตมีลักษณะเป็นมาตรประมาณค่าแบบลิกเคิร์ท (Likert scale) โดยให้กลุ่มตัวอย่างประเมินตนเองตามพฤติกรรมตามข้อคำถามในแต่ละข้อ ว่าตรงกับสภาพที่เกิดขึ้นจริงโดยมีการประเมินค่าของข้อคำถามดังนี้</p><p><strong>เกณฑ์ในการประเมินค่าของคำถาม</strong></p><p>5 หมายถึง ข้อความนี้ตรงกับสภาพที่เกิดขึ้นจริงกับตัวนักเรียนในระดับมากที่สุด</p><p>4 หมายถึง ข้อความนี้ ตรงกับสภาพที่เกิดขึ้นจริงกับตัวนักเรียนในระดับมาก</p><p>3 หมายถึง ข้อความนี้ ตรงกับสภาพที่เกิดขึ้นจริงกับตัวนักเรียนในระดับปานกลาง</p><p>2 หมายถึง ข้อความนี้ ตรงกับสภาพที่เกิดขึ้นจริงกับตัวนักเรียนในระดับน้อย</p><p>1 หมายถึง ข้อความนี้ ตรงกับสภาพที่เกิดขึ้นจริงกับตัวนักเรียนในระดับน้อยที่สุด</p><p>ผลการวัดของแบบวัดมีค่าคะแนนแต่ละข้อระหว่าง 1 คะแนน (ข้อความตรงกับสภาพความเป็นจริงกับตัวนักเรียนน้อยที่สุด) ถึง 5 คะแนน (ข้อความตรงกับสภาพความเป็นจริงกับตัวนักเรียนมากที่สุด) และมีคะแนนเฉลี่ยที่เป็นไปได้ระหว่าง 1 ถึง 5 คะแนน โดยมีเกณฑ์ในการแปลคะแนนรวมดังนี้</p><p><strong>เกณฑ์ในการแปลความหมายคะแนนความพึงพอใจในชีวิต</strong></p><p>4.50–5.00 คะแนน หมายถึง มีระดับความพึงพอใจในชีวิตสูงมาก</p><p>3.50–4.49 คะแนน หมายถึง มีระดับความพึงพอใจในชีวิตสูง</p><p>2.50–3.49 คะแนน หมายถึง มีระดับความพึงพอใจในชีวิตปานกลาง</p><p>1.50–2.49 คะแนน หมายถึง มีระดับความพึงพอใจในชีวิตน้อย</p><p>1.00–1.49 คะแนน หมายถึง มีระดับความพึงพอใจในชีวิตน้อยมาก</p><p><strong>ผลการตรวจสอบคุณลักษณะทางจิตมิติของแบบวัด</strong></p><p>ผลการตรวจสอบความเที่ยงแบบสอดคล้องภายในมีค่าเท่ากับ 0.74 และผลการวิเคราะห์องค์ประกอบเชิงยืนยันพบว่าผลการวัดจากเครื่องมือดังกล่าวนั้นมีความตรงเชิงโครงสร้าง (c2=1.01, df=1, p-value=0.60, AGFI=0.99 CFI=1.00, RMSEA&lt;0.01) โดยมีค่าน้ำหนักองค์ประกอบมาตรฐานระหว่าง 0.24 ถึง 0.88 และแบบวัดดังกล่าวนั้นมีความไม่แปรเปลี่ยนในการวัดระหว่างเพศแบบเคร่งครัดบางส่วน (Partial strict gender invariance) ซึ่งสามารถใช้เปรียบเทียบค่าเฉลี่ยระหว่างเพศได้อย่างมีประสิทธิภาพ</p><p><strong>ภาพที่ 1</strong> ผลการวิเคราะห์ความไม่แปรเปลี่ยนโมเดลการวัดแบบเคร่งครัดบางส่วนระหว่างเพศด้วยค่าสัมประสิทธิ์สมการโครงสร้างมาตรฐาน</p><p>สำหรับนักวิจัยที่มีความสนใจจะใช้เครื่องมือวิจัยดังกล่าวสามารถใช้แบบวัดได้โดยมีเอกสารอนุญาตให้ใช้เครื่องมือที่ใช้ในการวิจัยโดยสามารถดาวน์โหลดบันทึกโดยไม่ต้องติดต่อกับผู้วิจัยได้ที่ Link <a href="https://drive.google.com/file/d/1pMYvlOO4mdB3FZjrtfukt-Lf73uez2jo/">https://drive.google.com/file/d/1pMYvlOO4mdB3FZjrtfukt-Lf73uez2jo/</a> โดยสามารถอ้างอิงเครื่องมือวิจัยดังนี้</p><p>อัครเดช เกตุฉ่ำและธัชพงศ์ เศรษฐบุตร. (2563). คุณสมบัติทางจิตมิติของแบบวัดความพึงพอใจในชีวิตฉบับภาษาไทยของนักเรียนชั้นมัธยมศึกษาตอนปลาย: การทดสอบความไม่แปรเปลี่ยนระหว่างเพศ. <strong>วารสารมนุษยศาสตร์และสังคมศาสตร์มหาวิทยาลัยราชพฤกษ์,</strong> 6(1), 186–197.</p><p><strong>รายการอ้างอิง</strong></p><p>Diener, E. D., Emmons, R. A., Larsen, R. J., &amp; Griffin, S. (1985). The satisfaction with life scale. <strong>Journal of personality assessment</strong>, 49(1), 71–75.</p><p>Diener, E., &amp; Diener, M. (2009). Cross-cultural correlates of life satisfaction and self-esteem. In <strong>Culture and well-being</strong> (pp. 71–91). Springer, Dordrecht.</p><p>Ferrans, C. E., &amp; Powers, M. J. (1985). Quality of life index: development and psychometric properties. <strong>Advances in nursing science</strong>, 8(1), 15–24.</p><p>Neugarten, B. L., Havighurst, R. J., &amp; Tobin, S. S. (1961). The measurement of life satisfaction. <strong>Journal of gerontology</strong>, 16, 134–143.</p><p>Pavot, W., &amp; Diener, E. (1993). The affective and cognitive context of self-reported measures of subjective well-being. <strong>Social Indicators Research</strong>, 28(1), 1–20.</p><p>Pavot, W., &amp; Diener, E. (2008). The satisfaction with life scale and the emerging construct of life satisfaction. <strong>The Journal of Positive Psychology</strong>, 3(2), 137–152.</p><p>Pavot, W., &amp; Diener, E. (2009<strong>). Review of the satisfaction with life scale. In Assessing well-being</strong>. Springer, Dordrecht.</p><p>Ramia, I. (2012). <strong>The paradox of subjective well-being and tertiary education. An investigation of Australian data using a heterogeneity and life-domain approach</strong> (Doctoral dissertation, UNSW Sydney).</p><p>Romney, D. M., Jenkins, C. D., &amp; Bynner, J. M. (1992). A structural analysis of health-related quality of life dimensions. <strong>Human Relations</strong>, 45(2), 165–176.</p><p>อัครเดช เกตุฉ่ำและธัชพงศ์ เศรษฐบุตร. (2563). คุณสมบัติทางจิตมิติของแบบวัดความพึงพอใจในชีวิตฉบับภาษาไทยของนักเรียนชั้นมัธยมศึกษาตอนปลาย: การทดสอบความไม่แปรเปลี่ยนระหว่างเพศ. <strong>วารสารมนุษยศาสตร์และสังคมศาสตร์มหาวิทยาลัยราชพฤกษ์,</strong> 6(1), 186–197.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3412d24b827e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[การวิเคราะห์โมเดลสมการโครงสร้างเชิงสำรวจ]]></title>
            <link>https://medium.com/@akadet.ke/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%A7%E0%B8%B4%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%B0%E0%B8%AB%E0%B9%8C%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B8%AA%E0%B8%A1%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%82%E0%B8%84%E0%B8%A3%E0%B8%87%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87%E0%B9%80%E0%B8%8A%E0%B8%B4%E0%B8%87%E0%B8%AA%E0%B8%B3%E0%B8%A3%E0%B8%A7%E0%B8%88-1704632edb2f?source=rss-c0080f1f3f6a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1704632edb2f</guid>
            <category><![CDATA[structural-equation-model]]></category>
            <category><![CDATA[sem]]></category>
            <category><![CDATA[measurement-model]]></category>
            <dc:creator><![CDATA[Akadet Kedcham]]></dc:creator>
            <pubDate>Wed, 06 Jul 2022 14:46:44 GMT</pubDate>
            <atom:updated>2022-07-06T14:46:44.063Z</atom:updated>
            <content:encoded><![CDATA[<p>การวิเคราะห์สมการโครงสร้างหรือโมเดลสมโครงสร้างเชิงสำรวจ (Exploratory structural equation model: ML-ESEM) เป็นเทคนิคการวิเคราะห์ทางสถิติที่ใช้การจำลองโมเดลทางสถิติ (Statistical modeling) ซึ่งเทคนิคโมเดลสมโครงสร้างเชิงสำรวจนี้เป็นโมเดลการวัดขั้นสูงที่มีจุดประสงค์ในการตรวจสอบโครงสร้างของตัวแปรที่มีจำนวนโครงสร้างหลายองค์ประกอบ และตรวจสอบรูปแบบความสัมพันธ์ระหว่างตัวแปรโครงสร้าง (Construct variable) หรือตัวแปรแฝง (Latent variable) กับตัวบ่งขี้ของตัวแปร (Indicator) ซึ่งเรียกว่าตัวแปรสังเกตได้ (Observed variable) โดยมีแนวคิดเกี่ยวกับโมเดลสมการโครงสร้างเชิงสำรวจดังนี้</p><p><strong>แนวคิดพื้นฐานเกี่ยวกับโมเดลสมการโครงสร้างเชิงสำรวจ</strong></p><p>ในการวัดทางพฤติกรรมศาสตร์ สังคมศาสตร์หรือแม้กระทั่งตัวแปรทางการศึกษาก็ตาม ตัวแปรที่ผู้วิจัยทำการศึกษามักเป็นตัวแปรที่มีลักษณะเป็นเชิงนามธรรม ที่ไม่สามารถวัดและสังเกตได้โดยตรง หรือในทางจิตวิทยาเรียกตัวแปรเหล่านี้ว่า ตัวแปรโครงสร้างเชิงสมมติฐาน (Hypothetical construct) หรือตัวแปรโครงสร้างทางจิตวิทยา (Psychological construct) หรือเรียกว่าตัวแปรแฝง (Latent variable) ในการวิเคราะห์สมการโครงสร้าง ในกระบวนการวัดนั้นผู้วิจัยจะต้องทำการวิเคราะห์ความหมายตามโครงสร้างทางทฤษฎีเพื่อพัฒนาความหมายเชิงปฏิบัติการ (Operational definition) เพื่อให้สามารถวัดและสังเกตได้โดยตรงหรือเรียกว่าตัวแปรสังเกตได้ (Observed or manifest variable) หรือตัวบ่งชี้การวิเคราะห์สมการโครงสร้างนั้นจะทำการศึกษาความสัมพันธ์ระหว่างตัวแปรแฝงหรือตัวแปรที่ผู้วิจัยต้องการจะวัดอย่างแท้จริงกับตัวแปรสังเกตได้หรือตัวบ่งชี้ที่ผู้วิจัยพัฒนาขึ้นมา โดยพิจารณาว่าตัวแปรสังเกตได้นั้นสามารถตัวตัวแปรแฝงได้ดีมากน้อยเพียงใด และมีความคลาดเคลื่อนในการวัดอย่างไร</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/269/1*2PXiKRScmoD5JeZKm4VrMw.png" /><figcaption><strong>ภาพที่ 1 โมเดลการวัดตัวแปรแฝงความรู้สึกเป็นส่วนหนึ่งของโรงเรียนกับตัวแปรสังเกตได้</strong></figcaption></figure><p>หลักการดังกล่าวนั้นเป็นกระบวนการวิเคราะห์องค์ประกอบและสามารถใช้ในการตรวจสอบความตรงเชิงโครงสร้างของเครื่องมือวิจัยต่อไป ทั้งนี้ในการวิเคราะห์สมการโครงสร้างใช้วงกลมหรือวงรีเพื่อแสดงว่าตัวแปรดังกล่าวนั้นเป็นตัวแปรแฝง ในขณะที่ตัวแปรสังเกตได้นั้นจะใช้สัญลักษณ์สี่เหลี่ยมแสดงดังภาพที่ 1 ซึ่งเป็นโมเดลการวัดตัวแปรแฝงความรู้สึกเป็นส่วนหนึ่งของโรงเรียนซึ่งแสดงอยู่ในรูปวงรีกับข้อคำถามที่ใช้วัดความรู้สึกเป็นส่วนหนึ่งของโรงเรียนจำนวน 6 คำถาม ซึ่งข้อคำถามที่วัดความรู้สึกเป็นส่วนหนึ่งของโรงเรียนดังกล่าวนั้นเป็นตัวแปรสังเกตได้ ซึ่งสามารถวัดหรือสังเกตได้โดยตรงซึ่งแสดงอยู่ในรูปสี่เหลี่ยมโดยรายละเอียดของโมเดลนั้นจะอธิบายในส่วนองค์ประกอบของโมเดลต่อไป</p><p><strong>โมเดลการวัด (Measurement model)</strong></p><p>เป็นโมเดลทางสถิติที่จำลองรูปแบบความสัมพันธ์ระหว่างตัวแปรแฝง (Latent variable) กับตัวแปรสังเกตได้ (Observed variable) โดยใช้เทคนิคการวิเคราะห์องค์ประกอบ (Factor analysis) ในการตรวจสอบความสัมพันธ์ระหว่างตัวแปรแฝงที่เป็นตัวแปรตามทฤษฎี (Psychological construct variable) กับตัวแปรสังเกตได้หรือพฤติกรรมต่าง ๆ ที่ผู้วิจัยกำหนดความหมายเชิงปฏิบัติการ (Operational definition) และพัฒนาเป็นข้อคำถามในการวัดตัวแปรเชิงทฤษฎีดังกล่าว ซึ่งในโมเดลการวัดนี้จะทำการสกัดความแปรปรวนของคะแนนที่ได้มาออกเป็นสองส่วน ได้แก่ ความแปรปรวนวัดตัวแปรเชิงทฤษฎีนั้นและความแปรปรวนของความคลาดเคลื่อนในการวัด ผลการวิเคราะห์โมเดลการวัดนี้จะบ่งชี้ว่าตัวแปรสังเกตได้แต่ละตัวแปรนั้นวัดตัวแปรแฝงได้ดีหรือไม่จะสามารถพิจารณาได้จากค่าน้ำหนักองค์ประกอบ (Lambda) หรือค่าน้ำหนักองค์ประกอบมาตรฐาน (l) ซึ่งความแปรปรวนที่ได้จากตัวแปรสังเกตได้แต่ละตัวแปรนั้นจะสกัดเป็นความแปรปรวนของตัวแปรแฝง ด้วยเหตุนี้เองผลการวิเคราะห์ที่ได้จากโมเดลการวัดทำให้ตัวแปรแฝงนั้นปราศจากความคลาดเคลื่อนในการวัด และทำให้ผลการวิเคราะห์มีความตรงตามทฤษฎีที่กำหนด ซึ่งโมเดลการวัดนี้เป็นการใช้การวิเคราะห์สมการโครงสร้างในการตรวจสอบความตรงเชิงโครงสร้าง (Construct validity) ของเครื่องมือวัด ซึ่งใช้การวิเคราะห์องค์ประกอบ (Factor analysis) ซึ่งประกอบด้วยการวิเคราะห์องค์ประกอบเชิงสำรวจและการวิเคราะห์เชิงยืนยันเพื่อใช้ในการตรวจสอบโครงสร้างของตัวแปรและเป็นพื้นฐานหลักของการวิเคราะห์โมเดลสมการโครงสร้างเชิงสำรวจ</p><p><strong>การวิเคราะห์องค์ประกอบเชิงสำรวจและเชิงยืนยันและโมเดลสมการโครงสร้างเชิงสำรวจ</strong></p><p>โมเดลสมการโครงสร้างเชิงสำรวจเป็นเทคนิคการวิเคราะห์องค์ประกอบขั้นสูงที่ประยุกต์ใช้การวิเคราะห์องค์ประกอบเชิงสำรวจ (Exploratory factor analysis) ร่วมกันกับการวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory factor analysis) ซึ่งเทคนิคการวิเคราะห์องค์ประกอบทั้งสองชนิดนั้นต่างเป็นโมเดลทางสถิติที่มีจุดประสงค์เพื่อตรวจสอบโครงสร้างของตัวแปร หรือการพิจารณาความสัมพันธ์ระหว่างตัวแปรสังเกตได้ของตัวแปรแฝงมาสร้างเป็นองค์ประกอบ (Factor) (Hair et al., 2010)</p><p>การวิเคราะห์องค์ประกอบเชิงสำรวจ (Exploratory factor analysis) เป็นการวิเคราะห์องค์ประกอบที่นักวิจัยมุ่งศึกษาโมเดลการวัด (Measurement model) โดยที่ไม่มีการระบุลักษณะรูปแบบการวัดระหว่างตัวแปรแฝงหรือองค์ประกอบกับตัวแปรสังเกตได้หรือข้อคำถามที่ใช้วัดในการศึกษาเนื่องจากในการพัฒนาแบบวัดนั้นอาจจะไม่ได้พัฒนาการทฤษฎีที่ชัดเจน แต่ใช้ข้อมูลและกระบวนการทางสถิติเพื่อตรวจสอบโครงสร้างของตัวแปร และความสัมพันธ์กับข้อคำถามที่วัดองค์ประกอบดังกล่าว โดยปกติแล้วผู้วิจัยอาจจะไม่ทราบชัดเจนว่าข้อคำถามหรือตัวแปรสังเกตได้นั้นวัดในองค์ประกอบใดบ้าง หรือโครงสร้างของตัวแปรนั้นควรมีจำนวนเท่าใดและองค์ประกอบแต่ละด้านมีตัวแปรสังเกตได้ใดบ้างที่ใช้ในการวัด โดยสามารถวิเคราะห์องค์ประกอบเชิงสำรวจได้โดยใช้โปรแกรมสำเร็จรูปทางสถิติโดยทั่วไป เช่น SPSS PSPP หรือโปรแกรมอื่น ๆ</p><p>การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory factor analysis) เป็นการวิเคราะห์องค์ประกอบที่นักวิจัยมุ่งศึกษาโมเดลการวัด (Measurement model) โดยที่มีการระบุลักษณะรูปแบบการวัดระหว่างตัวแปรแฝงกับตัวแปรสังเกตได้หรือข้อคำถามที่ใช้วัดในการศึกษา อย่างชัดเจน และทราบจำนวนองค์ประกอบที่ใช้ในการศึกษาเนื่องจากในการพัฒนาแบบวัดนั้นอยู่บนทฤษฎีที่มีความชัดเจน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/463/1*SLAU3yS_PKQvdgfgHeRM3Q.png" /><figcaption><strong>ภาพที่ 2 การเปรียบเทียบโมเดลการวัดของการวิเคราะห์องค์ประกอบเชิงยืนยันและเชิงสำรวจ</strong></figcaption></figure><p>ตัวอย่างการตรวจสอบโครงสร้างของตัวแปรความรู้สึกเป็นส่วนหนึ่งของโรงเรียนแสดงดังภาพที่ 2 ซึ่งเป็นการเปรียบเทียบโมเดลการวัดของการวิเคราะห์องค์ประกอบเชิงยืนยันและเชิงสำรวจ จากโมเดลการวัดดังกล่าวนั้นมีการกำหนดตัวแปรแฝงจำนวน 2 โครงสร้าง (องค์ประกอบ) ซึ่งหมายถึงองค์ประกอบความรู้สึกเป็นส่วนหนึ่งของโรงเรียน (Sense of belonging) และความรู้สึกแปลกแยกจากโรงเรียน (Alienation) จากแบบวัดจำนวน 6 ข้อคำถาม ซึ่งหากผู้วิจัยต้องการวิเคราะห์องค์ประกอบเชิงยืนยันของแบบวัดดังกล่าว ผู้วิจัยจะต้องระบุความสัมพันธ์ระหว่างตัวแปรแฝงกับตัวแปรสังเกตได้ให้ชัดเจนว่าตัวแปรแฝงแต่ละตัวนั้นวัดจากข้อคำถามไหนเป็นหลัก เช่น ตัวแปรแฝงความรู้สึกเป็นส่วนหนึ่งของโรงเรียนวัดจากข้อคำถามจำนวน 3 ข้อ ได้แก่ ข้อคำถามที่ 1 ถึง 3 เป็นต้น</p><p>การวิเคราะห์องค์ประกอบเชิงสำรวจนั้น โดยปกติแล้วผู้วิจัยอาจจะไม่กำหนดจำนวนองค์ประกอบไว้อย่างชัดเจน แต่จะใช้ผลการวิเคราะห์องค์ประกอบเชิงสำรวจในการพิจารณาว่าน่าจะมีโครงสร้างของแบบวัดดังกล่าวทั้งหมดกี่โครงสร้าง โดยเกณฑ์ในการพิจารณาจำนวนองค์ประกอบนั้นมีด้วยกันหลายเทคนิควิธีเช่น การพิจารณาค่าไอเกนที่มากกว่า 1 หรือการพิจารณาจากจุดโค้งหักจากผลการวิเคราะห์ Scree plot ซึ่งการกำหนดจำนวนองค์ประกอบหรือโครงสร้างจากข้อมูลดังกล่าวนั้นถือเป็นข้อจำกัดที่สำคัญของการวิเคราะห์องค์ประกอบเชิงสำรวจเนื่องจากทำให้ผลการวิเคราะห์มีความอัตนัยสูง (Subjective) และขึ้นอยู่กับลักษณะของคุณภาพของข้อมูลเป็นหลักและอาจจะทำให้ข้อค้นพบของการศึกษานั้นขาดความน่าเชื่อถือ</p><p>อย่างไรก็ตามการวิเคราะห์องค์ประกอบเชิงสำรวจอาจจะกำหนดจำนวนองค์ประกอบโดยผู้วิจัยได้ เช่นจากภาพที่ 2 ในการวิเคราะห์องค์ประกอบเชิงสำรวจที่มีการกำหนดจำนวนองค์ประกอบ 2 องค์ประกอบ ในการประมาณค่าน้ำหนักองค์ประกอบที่สะท้อนความสัมพันธ์ระหว่างตัวแปรแฝงกับตัวแปรที่ใช้วัดนั้นจะมีการประมาณค่าน้ำหนักองค์ประกอบข้ามกลุ่มทั้งหมด ในขณะที่การวิเคราะห์องค์ประกอบเชิงยืนยันนั้นจะไม่ประมาณค่าน้ำหนักองค์ประกอบข้ามกลุ่มซึ่งมีความสอดคล้องกับข้อตกลงเบื้องต้นเกี่ยวกับการวัดว่า ตัวแปรสังเกตได้หรือตัวแปรที่ใช้วัดนั้นควรจะวัดในประเด็นเดียวหรือมีมิติเดียวเท่านั้น (Hair et al., 2010) อย่างไรก็ตามในทางปฏิบัติในการวิเคราะห์องค์ประกอบเชิงยืนยันที่ไม่ประมาณค่าน้ำหนักองค์ประกอบข้ามกลุ่มเนื่องจากการกำหนดโมเดลการวัดให้มีความสอดคล้องกับทฤษฎีหรือโมเดลการวัดที่ผู้วิจัยกำหนด และอาจจะไม่สามารถตรวจสอบได้อย่างชัดเจนว่าข้อคำถามดังกล่าวนั้นมีคุณสมบัติในการวัดในมิติเดียวหรือไม่ เนื่องจากไม่มีการประมาณค่าน้ำหนักองค์ประกอบข้ามกลุ่ม (Cross-loading) การไม่ประมาณค่าน้ำหนักองค์ประกอบข้ามกลุ่มของการวิเคราะห์องค์ประกอบเชิงยืนยันนั้น ส่งผลเสียต่อการประมาณค่าน้ำหนักองค์ประกอบซึ่งทำให้ค่าน้ำหนักองค์ประกอบนั้นมีความลำเอียง (Bias) และอาจทำให้ตัวแปรนั้นขาดความตรงเชิงจำแนก (Discrimination validity) (Marsh et al., 2014; Tóth-Király et al., 2017)</p><p>เพื่อแก้ไขข้อจำกัดของการวิเคราะห์องค์ประกอบเชิงสำรวจและการวิเคราะห์องค์ประกอบเชิงยืนยัน จึงมีการพัฒนาเทคนิคการวิเคราะห์โมเดลสมการโครงสร้างเชิงสำรวจ (Marsh et al., 2014; Tóth-Király et al., 2017) เป็นโมเดลทางสถิติที่ใช้ในการตรวจสอบความตรงเชิงโครงสร้างที่มีประสิทธิภาพสูง โดยเป็นการประยุกต์ใช้ข้อดีของการวิเคราะห์องค์ประกอบเชิงสำรวจ (Exploratory Factor Analysis: EFA) สามารถประมาณค่าน้ำหนักองค์ประกอบข้ามกลุ่ม (Cross-loadings) ซึ่งช่วยลดความลำเอียง (Bias) ในการประมาณค่าสัมประสิทธิ์ค่าน้ำหนักองค์ประกอบและมีผลต่อความตรงเชิงจำแนก (Discrimination validity) และประยุกต์ข้อดีของการวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis: CFA) ที่มีประสิทธิภาพในการตรวจสอบความตรงเชิงโครงสร้างของผลการวัดจากเครื่องมือ การวิเคราะห์โมเดลสมการโครงสร้างเชิงสำรวจจึงเป็นเทคนิคทางสถิติที่มีความเหมาะสมในการศึกษาเกี่ยวกับโครงสร้างของตัวแปรที่มีหลายองค์ประกอบเป็นโมเดลการวัดที่มีประสิทธิภาพที่มีความสอดคล้องกับข้อมูลเชิงประจักษ์ ช่วยเพิ่มความตรงเชิงจำแนกระหว่างองค์ประกอบ และเป็นเทคนิคทางสถิติที่สะท้อนธรรมชาติของข้อมูลมากที่สุด (Marsh et al., 2014; Tóth-Király et al., 2017)</p><p><strong>รายการอ้างอิง</strong></p><p>Hair, J. F., Black, W. C., Babin, B. J., &amp; Anderson, R. E. (2010). <strong>Multivariate data analysis: International version</strong>. Pearson.</p><p>Marsh, H. W., Morin, A. J., Parker, P. D., and Kaur, G. (2014). Exploratory structural equation modeling: An integration of the best features of exploratory and confirmatory factor analysis. <strong>Annual Review of Clinical Psychology</strong>, 10, 85–110.</p><p>Tóth-Király, I., Bõthe, B., Rigó, A., and Orosz, G. (2017). An illustration of the exploratory structural equation modeling (ESEM) framework on the passion scale. <strong>Frontiers in Psychology</strong>, 8, 1–15.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1704632edb2f" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>