Upload
others
View
66
Download
1
Embed Size (px)
Citation preview
การใชโปรแกรม smart PLS สาหรบการวจยดวยตวแบบสมการโครงสราง
บรรยายในงาน มหกรรมวจยแหงชาต 2562 (Thailand Research Expo 2019)
10 เมษายน 2562 ณ โรงแรมเซนทาราแกรนด เซนทรลเวลด กรงเทพมหานคร
โดย
รองศาสตราจารย ดร.มนตร พรยะกล
ภาควชาสถต คณะวทยาศาสตร มหาวทยาลยรามคาแหง
Email: [email protected] line ID: mpiriyakul
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 1
PLS คออะไร
PLS (partial least square) เปนซอฟทแวรทรนชดของสมการถดถอยวนเวยนจนไดรบคาตอบ (convergence) ดวยวธ least square พฒนาอลกอรธมโดย Herman Wold (1982) โปรแกรม Smart PLS พฒนาโดย Christian M. Ringle, Sven Wende, and Alexander Will เวอรชน 2.0 ในป 2005
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 2
Smart PLS คออะไร
โปรแกรม smart PLS 3 เปนหนงในหลายโปรแกรมในกลม variance-based SEM ดาวนโหลดมาทดลองใชไดฟรนาน 1 เดอนจาก https://www.smartpls.com/downloads แต smart PLS 2 สามารถดาวนโหลดมาใชไดนาน 3 เดอนและจะตอไลเซนสใหฟร
หมายเหต Variance-based คอสถานการณทเราหาคาประมาณการถดถอยจากการ minimize ∑in ei2
ei2 = (Yi − �Yi)2 โดยท �Yi= �βo+�β1X1+�β2X2 + �β3X3 + ⋯+ �β1X1 + uiทงน∑in ei2 คอ sum square error ถาหารดวย degree of freedom คอ n-(k-1) กคอ variance เรยกวา error variance
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 3
โปรแกรม PLS บางสวนPLS-Graph (Chin, 2003),
Visual PLS (Fu, 2006),
SPAD-PLS (Test & Go, 2006),
XLSTAT (Henseler & Dijkstra, 2015),
PLS-GUI (Hubona, 2015),
Warp PLS (Kock, 2015),
Smart PLS (Ringle et al., 2015),
semPLS (Monecke & Heisch, 2012),
plspm (Sanchez, Trinchera and Russolillo, 2015)
LVPLS (Lohm¨oller, 1984),
PLSPath (Sellin, 1989)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 4
PLS algorithm
PLS จะการวนเวยนคานวณดวยวธ least square estimation ซ าจนกวาจะไดรบคาตอบโดยกระทากบสมการถดถอยทมจานวนมากเทากบจานวนสมการโครงสราง (structural model, inner model) และจานวนสมการมาตรวด (measurement model, outer model) รวมกน
1) ประมาณคาสมประสทธถดถอยสมการมาตรวดโดยรนทละบลอก 2) สรางคาของตวแปรแฝงของบลอก คาของ LV ถกสรางขนจาก MV ในบลอกของตนและให
นอรมอลไลซใหม SD =1 3) ประมาณคาสมประสทธเสนทางของสมการโครงสราง 4) พยากรณคาตวแปรแฝงขนมาใหมจากสมการโครงสราง 5) ประมาณคาสมประสทธถดถอยสมการมาตรวดใหมระหวาง LV คาใหมกบ MV เดม6) ทาขอ 2) ถง 5)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 5
Formative-Reflective indicator
MV (manifest variable) หรอ indicator มได 2 แบบคอ formative indicator กบ reflective indicator1. formative indicator ตวชวดจะเปนตวแทนจากทกสวน (domain/dimension/reality/parcel) ของตวแปรแฝงนน ขอถามตองมาจากตางสวนกนของตวแปรแฝง จงไมสมพนธกนและตดทงไมไดเพราะเทากบกบตดโดเมนทงไป ขอทเหลอไมอาจใหสารสนเทศแทนกนได
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 6
Formative-Reflective indicator
2. reflective indicator ตวชวดจะเปนตวแทนของตวแปรแฝง เปนตวอยางสวนหนงของตวชวดของแปรแฝงจงมความสมพนธกนสง (co-vary) เพราะวดเรองเดยวกนและสามารถทดแทนกน (interchangeability) ได คอตดทงไปบางขอไดโดยขอทเหลออยซงสมพนธกนกบขอทถกตดทงไป (ทจรงคอสมพนธกบตวแปรแฝง) กสามารถใหสารสนเทศแทนขอทตดทงไปได เรากาหนดวาตวชวดแบบนมความสมพนธทางบวกกบตวแปรแฝง คา loading จงตองเปนปรมาณบวก
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 7
Formative-Reflective indicator
ตวอยางเชน มาตรวดความพงพอใจในโรงแรมทพก กรณ reflective indicator จะวดรวมๆ ทวไปหมด เชน ความชอบ ความรสกสะดวกสบาย ความตงใจบอกตอ แตในกรณ formative indicator จะวดแยกเปนโดเมน เชนดานพนกงาน ดานหองพก ดานความสงบ ดานสงบรการเสรมเชนฟตเนส
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 8
Research Design
1. Causality ตวแปรแฝงโยงถงกนเปนเครอขายโดยแตละเสนทางมทฤษฎกากบ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 9
Research Design
2. non-recursive model/reciprocal model ตวแปรแฝงโยงถงกนเปนเครอขายโดยทแตละเสนทางมทฤษฎกากากบ บางเสนทางเปนความสมพนธยอนกลบ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 10
Research Design
3. Second order model ตวแปรแฝงโยงถงกนเปนเครอขายโดยแตละเสนทางมทฤษฎกากากบ ตวแปรแฝงบางตวหรอทกตวม sub-construct ซงกคอ sub-domain ของเนอหา
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 11
Research Design
4. Mediation model ตวแบบมตวแปรคนกลาง ตวแปรคนกลางเปนตวแปรทซอนเรนเชอมโยงระหวางตวแปรตนทางกบตวแปรปลายทาง (hidden transmitting variables) ซงนกวจยขดคนนามาแสดงใหประจกษ เปนตวแปรทมอทธพลตอตวแปรปลายทางแตอาจไมคอยเกยวของกบตวแปรตนทาง ถามหลายตวเรยกวา multiple mediation model อาจเปน parallel mediation หรอ serial mediation ขนอยกบทฤษฎหรอ sequential exploratory analysis
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 12
Research Design5. Moderation model ตวแบบมตวแปรกากบ ตวแปรกากบเปนตวแปรทซอนเรนควบคมความสมพนธระหวางตวแปรตนทางกบตวแปรปลายทาง คอมปฏสมพนธกบตวแปรตนทางแลวสงผลตอตวแปรปลายทางซงนกวจยขดคนนามาแสดงใหประจกษ ตวแปรกากบมกขนอยกบ sequential exploratory analysis มไดหลายลกษณะตามประสบการณของผเชยวชาญ
ถาเปนตวแปรนามบญญตใหวเคราะหแบบพหกลม ถาเปนตวแปรปรมาณใหวเคราะหตามปกตแตตองจดรปกรอบการวจยเปน statistical model เสยกอนและตองวเคราะห conditional effect ดวย
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 13
PLS running process
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 14
การรน smart PLS 3
1. การเตรยมขอมล อาจเตรยมผาน SPSS หรอ Excel ไฟลใชงานจะเปน text file จงใหเซฟเปน filename.csv หรอ filename.raw
2. ตองไมม missing data หากมใหแกปญหาใหเสรจกอน
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 15
เกณฑคณภาพ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 16
Cronbach’s alpha และ Composite reliability
1. Cronbach’s alpha
Cronbach’s alpha ≥ 0.60 for exploratory purpose
Cronbach’s alpha ≥ 0.70 acceptable scale
Cronbach’s alpha ≥ 0.80 good scale
2. Composite reliability (CR)
CR ≥ 0.60 for exploratory purpose
CR ≥ 0.70 acceptable confirmatory purpose
CR ≥ 0.80 good confirmatory purpose
CR ≥ 0.90 check for minor wording invariant
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 17
Average Variance Extract (AVE)
3. Average variance extracted (AVE) = 1mi∑jmi loadingj2 คอคาเฉลยความผนแปรใน
กลมตวชวดท LV สามารถอธบายตวชวดได
AVE ใชแสดง LV reliability
เกณฑคอ AVEi ≥ 0.50 และตองมากกวา cross loading
AVEi = 0.50 แสดงวา LV อธบายความผนแปรตวชวดไดโดยเฉลยรอยละ 50
(Note: Reliability is a capability to measure the right concept. Reliability is the accuracy in measurements when the measurements are repeated)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 18
Loading
4. Loading คออทธพลท LV ถายทอดไปยงตวชวด
1) ตองเปนปรมาณบวก เพราะ SEM ถอวา MV ตองมความสมพนธทางบวกกบ LV
2) ตองมคาขนตา 0.707 และตองมนยสาคญ (Henseler, Ringle and Sarstedt, 2012)
อาจตากวา 0.707 ไดแตตองไมตากวา 0.50 และ AVEi ตองไมตากวา 0.50 (Hair et al., 2014)
ทงน loadingj2 ใชแสดง indicator reliability เฉพาะขอท j (Hair et al., 2014)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 19
loading
5. Indicator reliability ใหพจารณาทง loading และ weigh รวมกน
1) Loading ตองมคาไมตากวา 0.707 และมนยสาคญ (คอ loadingj2 ≥ 0.50)
2) ถา loading ตากวา 0.50 แตมนยสาคญ และ weight ไมมนยสาคญใหทง
ขอถามนนถาเหนวาไมใชขอทมความสาคญ (theoretical importance)
3) ถา loading สงและมนยสาคญ แต weight ไมมนยสาคญใหคงขอถามนนถา
เหนวามความสาคญ (theoretical importance)
หมายเหต ตวอยางของ theoretical importance เชนมาตรวดของความตงใจจะตองม
เงอนไขอยดวย ถามบางขอไมมเงอนไขอยในเนอความกใหพจารณาตดทง
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 20
data cleaning
โดยปกต เมอพบเหตการณตามขอ 2) นกวจยตองพจารณาดาเนนการ data cleaning กอน เชน
แกปญหา outlier ตามวธ Winsorizing หรอแทนทขอมลสญหายดวยวธทเหมาะสมกวาเดม หรอพจารณาตดหนวยวเคราะหทมขอมลไมนาเชอถอทงไป เชนกรณแบบสอบถาม
เปนชนดไลเกอรท 5 คาตอบ ถาขอมลรายการใด (case, record) มคาเฉลยประมาณ 3 และ CV ตามากใหตดหนวยนนทง
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 21
Standardized Root Mean Square Residual
6. Standardized Root Mean Square Residual (SRMR) คอ mean square ของผลตางของสหสมพนธระหวาง observed correlation กบ model-implied correlation เกณฑ
ขนสงคอ SRMR ≤ 0.08 (Smart PLS กาหนดใหใช SRMR ≤ 0.12)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 22
Cross –loading
7. Cross –loading ใชเปนทางเลอกของการใช AVE ในการวเคราะหความเทยงตรง
เชงจาแนก (discriminant validity)
เกณฑคอ cross-loading ≤ 0.30, 0.40
ถามากกวานแสดงวามาตรวดขาดความเทยงตรงเชงจาแนก ทงนเพราะตวแบบทดนน
ตวชวดจะตองสมพนธ (load) กบ LV ของตนเองมากกวากบ LV อน คา cross-loading
จงควรมคาตา
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 23
Heterotrait-Monotrait Correlation Ratio (HTMT)
8. Heterotrait-Monotrait Correlation Ratio (HTMT) ใชวดความเทยงตรงเชงจาแนกโดยเปรยบเทยบเปนคๆระหวางคตวแปรแฝง คานตองนอยกวา 1 ถามากกวา 1 แสดงวาขาดความเทยงตรงเชงจาแนก
HTMT(ij ) ≤ 1.00, 0.90, 0.85; i ≠ j
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 24
Fornell-Larcker Criterion
9. Fornell-Larcker Criterion
Average variance extracted (AVE) = 1mi∑jmi loadingj2
loadingj2 คอคาเฉลยของ indicator reliability ใชเปน LV reliability
ถาให rij คอสหสมพนธของคะแนนปจจยระหวางตวแปรแฝงท i กบตวแปรแฝงท j ดงนน rij2 คอสดสวนความผนแปรทตวแปรแฝงทงสองตางอธบายกนและกน
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 25
การแปลผล Fornell-Larcker Criterion
1. AVEi > rij ; all i ≠ j แสดงวาความสมพนธระหวางตวชวดภายในกลมเดยวกนสง
กวาความสมพนธระหวางคะแนนปจจยของตวแปรแฝงทสนใจกบตวแปรแฝงอน
แสดงวามความเทยงตรงเชงจาแนก หรอ
2. AVEi > rij2 แสดงถง indicator reliability (คอคาถวเฉลย loadingj2ภายในกลมตวแปร
แฝงท i คอ AVEi) สงกวาสดสวนความผนแปรทตวแปรแฝงท i กบตวแปรแฝงท j ตาง
ควบคมความผนแปรของกนและกน แสดงวามความเทยงตรงเชงจาแนก
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 26
multicollinearity
10. ภาวะรวมเสนตรงพห (multicollinearity) ใชแสดงใหเหนวาตวแบบมตวแปรสาเหตทสมพนธกนสงเกนไป ถาปรบแกแลวจงจะเปน well-fitting model เกณฑคอ
VIFj = 11−Rj
2 < 4 หรอ 5
เกณฑนกาหนดคอนขางเครงครดเพราะกาหนดให Rj2= 0.75, 0.80 (สามารถผอนผน
ลงไดเปน 0.90) โดยวดกบตวแปรผลลพธทกตวในตวแบบ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 27
multicollinearity
Multicollinearity คอความสมพนธเชงเสนระหวางปจจยสาเหต หากเกดปญหานขนแสดงวาปจจยสาเหตมความสมพนธกนสงเกนระดบยนยอม
ผลกระทบ เราไมอาจใชปจจยสาเหตนนเปนสงอธบายปจจยผลลพธไดอยางถกตอง และไมอาจแนใจไดวาตวแปรสาเหตคทสมพนธกนสงนนตวใดกนแนทมอทธพลตอตวแปรผลลพธ หรอหรอตวชวดคทสมพนธกนสงนนตวใดกนแนทมอทธพลตอตวแปรแฝง (formative measurement model) หรอเปนผลสะทอนของตวแปรแฝง (reflective measurement model)
อาการทแสดงออก คอ t-statistics มคาตา (เพราะ SE มคาสงมากจงทาให tj=βjse�βj
มคาตา)
ทาใหสมประสทธเสนทางหลายเสนทางไมมนยสาคญ หรอเครองหมายผด
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 28
วธแกปญหา multicollinearity
วธแกปญหา multicollinearity คอ1) รวมตวแปรแฝงทสมพนธกนสงเปนกลมเดยวกน อาจรวมในชอใหมและจด
ใหตวแปรแฝงเดมแตละตวทาหนาทเปน parcel/sub-construct/sub-domain คอแกใหเปนการวจยแบบ second order model
2) ตดตวแปรแฝงทซ าซอนกนทงไป 3) ตามไปด multicollinearity ของตวชวดแลวหาทางตดตวชวดทสมพนธกน
สงเกนไปทง (item/indicator/MV) 4) ตดรายการขอมล (case/record) 5) ถาเปน path model อาจใชวธ mean-centered
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 29
Residual variance
12. Residual variance ตองมคาตาและไมมนยสาคญ (Ho:σe2 = 0 vs H1:σe2 ≠ 0) ถามคาสงและมนยสาคญแสดงวาตกหลนตวแปรสาคญ ใหตรวจสอบวรรณกรรม
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 30
Goodness of fit ของ PLS-PM
Goodness of fit ของ PLS-PM วดแบบเดยวกบในสมการถดถอย ดงน
1. R2 เรยกวา overall effect size เกณฑคอ R2 = 0.19, 0.33, 0.67 แสดงวาปจจยสาเหตมอทธพลรวมกนตอปจจยผลลพธตา ปานกลาง และสงตามลาดบ (Chin, 1998; Hock and Ringle, 2006)
2. Effect size (f2) ใชแสดงอทธพลของตวแปรสาเหตทมตอตวแปรผลลพธเดยวกน คานสามารถใชรวมกบคาสมประสทธเสนทาง (โดยปกตจะเสนอเปนคาปรบมาตรฐาน) ตวแปรใดมคาสมประสทธเสนทางสงกวาแสดงวามอทธพลตอตวแปรผลลพธมากกวา
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 31
Effect size
Effect size ของปจจยใดมคา fi2 สงกวาแสดงวาปจจยนนมอทธพลมากกวา เกณฑ
ระดบอทธพลคอ fi2 = 0.02, 0.15, 0.35 แสดงวามอทธพลนอย ปานกลาง และสง
ตามลาดบ (Cohen, 1988)
ขอควรระวง การตดตวแปรกรณ multicollinearity โดยเฉพาะตวแปรทมคา fi2 สงจะ
กอใหเกดความเสยหายมาก
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 32
ตวอยางการคานวณหาคา fi2
antecedent R2 ∆Ri2 fi2
X1, X2 0.4308 - -
X1 (X2 omitted) 0.3828 0.4328-0.3828 = 0.0480 0.04800.5692
= 0.0843
X2 (X1 omitted) 0.2186 0.4328-0.2186 = 0.2122 0.21220.5692
= 0.3728
1 − Roriginal2 = 1- 0.4308 = 0.5692
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง
จากสมการ Y= f(X1, X2) + u สามารถคานวณหาคา fi2 ตามสตร fi2= Roriginal2 −Romitted
2
1−Roriginal2 ไดดงน
33
residual
3. Standardized residual ถาพบวามคาเกนขอบเขต ±1.96 คอม outlier แสดงวาตกหลน
ตวชวดทสาคญ
4. Residual covariance ควรมคาตาและไมมนยสาคญ หากมคาสงและมนยสาคญแสดง
วาตกหลนตวชวดทสาคญ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 34
Vanishing Tetrad/Confirmatory Tedtrad Analysis (CTA-PLS)
5. Vanishing tetrad ใชรวมพจารณาตดสนวาตวชวดควรเปนแบบใด
1) ถา Vanishing tetrad ไมมนยสาคญแสดงวาตวชวดเปน reflective indicator
2) ถา Vanishing tetrad มนยสาคญแสดงวาวาตวชวดเปน formative indicator
สมมตทางสถตคอ Ho: reflective indicator vs H1: formative indicator
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 35
Stone-Gleisser Q2
6. Stone-Gleisser Q2 ใชชวยประเมนวาตวแปรสาเหตตวใดมผลในทางชวยพยากรณคาตวชวด
ของตวแปรผลลพธ (predictive relevance) มากนอยเพยงใด
Q2 = 1 − SSESSO
โดยท SSE = sum square error และ SSO = sum square observed
เกณฑตดสนใจคอ Q2 = 0.02, 0.15, 0.35
(เรยกวา effect size) แสดงวาตวแปรสาเหตมผลในทางชวยการพยากรณคาตวชวดของตวแปร
ผลลพธ (indicator cross-validated redundancy) หรอตวแปรผลลพธ (construct cross-validated
redundancy) ไดนอย ปานกลาง และมาก ตามลาดบ
Q2 ≤ 0 แสดงวาตวแปรสาเหตไมมสวนชวยคาดคะเนเลย
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 36
Stone-Gleisser Q2
เราจะคานวณหาคา Q2 ของทกตวแปรทเปนสาเหตของทกตวแปรผลลพธทมในตวแบบ
กระบวนการวเคราะหใชวธ blindfolding cross validation โดย
1. ทาใหคาสงเกตจรงของตวชวดทกตวของตวแปรผลลพธหายไปชวคราว D หนวย
2. แทนท missing data ดวย mean
3. รน SEM แลวพยากรณคาทสญหายไปนดวยคาตวแปรตนทางคณกบคาสมประสทธเสนทาง
แลวพยากรณตอไปจนถงคาของตวชวดทเปนคาสญหายแลวหาคาผลตางระหวางคาจรง (ทสง
ใหหายไปชวคราวเรยกวาคา observe) กบคาทพยากรณได เรยกวา error
4. วนทาเชนนทกระยะเวนระหวาง case โดยแนะนาใหเวน D = 7 case วนเวยนเรอยไปจน
สนสดไฟลและครบทก case
5. คานวณหา Q2 = 1 − SSESSO
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 37
𝐐𝐐𝟐𝟐 vs 𝐑𝐑𝟐𝟐
Q2 ใชแสดงวาตวแปรสาเหตทกตวชวยกนพยากรณคาของตวชวดของตวแปรผลลพธไดดเพยงใด
q2 ใชแสดงวา ตวแปรสาเหตแตละตวสามารถพยากรณคาของตวชวดของตวแปรผลลพธไดดเพยงใด
Q2 และ q2 คดตามแนวทางเดยวกบกบ R2 และ f2 ตางกนท
R2 ใชแสดงวาตวแปรสาเหตทกตวชวยกนอธบายความผนแปรของตวแปรผลลพธไดดเพยงใด
f2 ใชแสดงวาตวแปรสาเหตแตละตวอธบายความผนแปรของตวแปรผลลพธไดดเพยงใด
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 38
Importance-Performance Map Analysis (IPMA)
7. Importance-Performance Map Analysis (IPMA) ใชชวยตรวจสอบวาตวแปรสาเหต
ตวใดมความสาคญหรอไม
ตวแปรท large Importance แต low performance จะตองไดรบการปรบปรงแกไข
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 39
Importance-Performance Map Analysis (IPMA)
Importance = absolute total effect (คอไมตองสนใจเครองหมายวาลบหรอบวก สนใจ
แตปรมาณ) ของตวแปรสาเหตของตวแปรผลลพธ
Performance = คาเฉลยของ unstandardized latent variable score ทได normalize และ
ทาเปนรอยละแลว กลาวคอ
Normalized latent score variable = x−minmax−min
* 100
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 40
Importance-Performance Map Analysis (IPMA)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง
Construct performance
Incentives 16.558
SES 33.030
Construct importance
Incentives 0.502
SES -0.628
41
Goodness of Fit (GoF)
8. GoF = R2 com (Tenenhaus et al., 2005) โดยท com = AVE เปน global criteria และ R2 คอ global effect size
ใชแสดงวาตวแปรตนทางทงหมดสามารถคาดคะเนความผนแปรตวชวดของตวแปรผลลพธไดดเพยงใด
จดออน ไมเหมาะใชแสดงความเหมาะสมของตวแบบ (Henseler & Sarstedt, 2013) และใชไมดกบตวแบบทไมถกตอง (mispecified model) (Hair et al., 2014)
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 42
Goodness of Fit (GoF)
GoF มเกณฑดงน
GoF = R2 com = 0.19 ∗ 0.50 = 0.308 ตวแบบมความเหมาะสมตา
GoF = R2 com = 0.35 ∗ 0.50 = 0.406 ตวแบบมความเหมาะสมปานกลาง
GoF = R2 com = 0.67 ∗ 0.50 = 0.578 ตวแบบมความเหมาะสมสง
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 43
Redundancy
9. Redundancy ของตวแปรผลลพธท i ใชแสดงวาตวแปรตนทางสามารถคาดคะเน
ความผนแปรตวชวดของตวแปรผลลพธท i ไดดเพยงใด
Redundancyi = Comi*Ri2
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 44
Redundancy criterion
Redundancy of ith endogenous variable
ตวแปรตนทางสามารถคาดคะเน
ความผนแปรตวชวดของตวแปร
ผลลพธท i ได
Redundancyi = Comi*Ri2 = 0.50 * 0.19 = 0.095 ตา
Redundancyi = Comi*Ri2 = 0.50* 0.35 = 0.175 ปานกลาง
Redundancyi = Comi*Ri2 = 0.50 * 0.67 = 0.335 สง
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง
หมายเหต Redundancy และ GoF ไมมแสดงใน smart PLS3
45
การรนโปรแกรม Smart PLS
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 46
คลกทไอคอนซอฟทแวร จะพบหนาซอฟทแวร ม 3 หนาตาง
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 47
กด New Project > พมพชอโครงการ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 48
ม 2 ไอคอนเพมเขามาคอ Double click to import data กบ ไอคอนชอโปรเจค
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 49
Dbl click ทไอคอน double click to import data > ใสชอแฟมขอมล
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 50
คลกไอคอนชอแฟมขอมลจะแสดงขอมล ถาไมแสดงแปลวาแฟมขอมลมปญหา missing data หรอมขอมลผดปกต เชนมขอความปนอย
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 51
คลกไอคอนชอโปรเจค ขอมลหนาตางท 2 จะแสดงเปนชอตวแปรและหนาตางท 3 พรอมใชงาน ถาหนาตางท 2 ไมแสดงอะไรแปลวามปญหาเรองขอมลหรอไลเซนต
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 52
Shift click ตวชวดของตวแปรในหนาตางท 2 แลวลากไปวางในหนาตางท 3 เชอมโยงและตงชอตวแปรแฝง
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 53
กด calculation แนะนาใหเลอกใช Consistent PLS Algorithm
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 54
ไดอะลอก setting เปดขนใหกาหนดเอง ถาไมประสงคจะกาหนดกปลอยใหทางานตาม default แตควรกาหนดจานวนการวนหาคาตอบเปน 5,000-10,000 รอบ
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 55
กด start calculation จากนใหดผลจากภาพและ report วาตรงตามเกณฑคณภาพหรอไม ถาไมตรงเกณฑตองปรบแกใหตรงเกณฑและตรงตามวรรณกรรม
ผลการรน consistent PLS Algorithm ปรากฏดงน
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 56
ผลการรน consistent PLS Algorithm
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 57
กด calculation เลอก Bootstrapping
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 58
ผลการรน Bootstrapping
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 59
ผลการรน Bootstrapping
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 60
เอกสารอางองChin, W. W. (1998). The partial least squares approach for structural equation modeling. Pp. 295-336 in
Macoulides, G. A., ed. Modern methods for business research. Mahwah, NJ: Lawrence Erlbaum Associates.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Mahwah, NJ: Lawrence Erlbaum
Garson, G. D. (2016). Partial Least Squares: Regression and Structural Equation Models. Asheboro, NC:
Statistical Associates Publishers.
Hair, Joseph F., Jr.; Hult, G. Tomas M.; Ringle, Christian M.; & Sarstedt, Marko (2014). A primer on
partial least squares structural equation modeling (PLSSEM). Thousand Oaks, CA: Sage Publications.
Henseler, Jörg; Ringle, C. M.; & Sarstedt, M. (2016). Testing measurement invariance of composites using
partial least squares. International Marketing Review. Forthcoming
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 61
เอกสารอางองHenseler, Jörg & Sarstedt, Marko (2013). Goodness of fit indices for partial least squares path modeling.
Computational Statistics 28(2): 565-580.
Höck, Michael & Ringle, Christian M. (2006). Strategic networks in the software industry: An empirical
analysis of the value continuum. IFSAM VIIIth World Congress, Berlin 2006. Retrieved 2/22/2009 from
http://www.iblunihh.de/IFSAM06.pdf.
Tenenhaus M., Esposito Vinzi V., Chatelin Y.M., Lauro N.C. (2005): PLS Path Modeling. Computational
Statistics and Data Analysis, 48, 159-205.
Temme, D., Kreis and Hildebrandt, L. (2010). A Comparison of Current PLS Path Modeling Software:
Features, Ease-of-Use, and Performance. In book: Handbook of Partial Least Squares.
Wold, Herman (1982). Soft modeling: The basic design and some extensions. Pp. 1-54 in Jöreskog, K. G. & Wold, H., eds., Systems under indirect observations:, Part II. Amsterdam: North-Holland.
รองศาสตราจารย ดร.มนตร พรยะกล ภาควชาสถต มหาวทยาลยรามคาแหง 62