ตัวแปรคั่นกลาง คือ อะไร? วิธีการวิเคราะห์ตัวแปรคั่นกลางใน SPSS ด้วย Baron & Kenny และ PROCESS Macro

การวิเคราะห์ตัวแปรคั่นกลาง (Mediation Analysis) เป็นวิธีการทางสถิติที่ช่วยให้เข้าใจว่า อย่างไร และ เพราะเหตุใด ตัวแปรอิสระ (Independent Variable) มีผลต่อตัวแปรตาม (Dependent Variable) แทนที่จะทดสอบเพียงว่า X มีผลต่อ Y หรือไม่ การวิเคราะห์ตัวแปรคั่นกลางจะสำรวจกลไกพื้นฐาน คือ ตัวแปรคั่นกลาง (Mediator Variable หรือ M) ที่ส่งผ่านผลกระทบจาก X ไปยัง Y

ในคู่มือการวิเคราะห์ตัวแปรคั่นกลางใน SPSS ฉบับสมบูรณ์นี้ คุณจะได้เรียนรู้สองวิธีปฏิบัติในการวิเคราะห์ตัวแปรคั่นกลางใน SPSS:

1. วิธี Baron & Kenny (พร้อม Sobel test) — แนวทางการถดถอย 3 ขั้นตอนแบบดั้งเดิม
2. วิธี PROCESS Macro (พร้อม bootstrapping) — มาตรฐานสมัยใหม่ที่แนะนำสำหรับงานวิจัย

ชุดข้อมูลตัวอย่าง: ดาวน์โหลดชุดข้อมูลตัวอย่างฟรีเพื่อทำตามทุกขั้นตอน ชุดข้อมูลประกอบด้วยตัวแปรสามตัว: Relationship (คุณภาพความสัมพันธ์), Discount (ส่วนลดส่วนบุคคลที่ได้รับ) และ Satisfaction (ความพึงพอใจของลูกค้า)

ตัวแปรคั่นกลาง คือ อะไร?

การวิเคราะห์ตัวแปรคั่นกลาง (Mediation Analysis) หรือที่เรียกว่า Mediator Analysis ทดสอบว่าความสัมพันธ์ระหว่างตัวแปรอิสระ (X) และตัวแปรตาม (Y) เกิดขึ้นผ่านตัวแปรที่สามที่เรียกว่า ตัวแปรคั่นกลาง (Mediator หรือ M) หรือไม่

คิดแบบนี้: X ไม่มีอิทธิพลต่อ Y โดยตรง แต่ X มีอิทธิพลต่อ M และ M จึงมีอิทธิพลต่อ Y ตัวแปรคั่นกลาง ทำหน้าที่เป็นกลไกหรือเส้นทางที่ X ส่งผลกระทบต่อ Y

ตัวอย่างคำถามวิจัย: "คุณภาพความสัมพันธ์ของลูกค้า (X) เพิ่มความพึงพอใจ (Y) เพราะนำไปสู่ส่วนลดส่วนบุคคลมากขึ้น (M) หรือไม่?"

ในตัวอย่างนี้:

• ตัวแปรต้น (Independent Variable - X): Relationship (คะแนนคุณภาพความสัมพันธ์)
• ตัวแปรคั่นกลาง (Mediator Variable - M): Discount (เปอร์เซ็นต์ส่วนลดส่วนบุคคล)
• ตัวแปรตาม (Dependent Variable - Y): Satisfaction (คะแนนความพึงพอใจของลูกค้า)

ทำความเข้าใจเส้นทางการคั่นกลาง (Mediation Paths)

การวิเคราะห์ตัวแปรคั่นกลางตรวจสอบเส้นทางสำคัญสี่เส้นทาง:

Path A (เส้นทาง A): ผลกระทบของ X ต่อ M (คุณภาพความสัมพันธ์เพิ่มส่วนลดหรือไม่?)

Path B (เส้นทาง B): ผลกระทบของ M ต่อ Y โดยควบคุม X (ส่วนลดเพิ่มความพึงพอใจหรือไม่?)

Path C (เส้นทาง C): ผลกระทบรวม (Total Effect) ของ X ต่อ Y (ความสัมพันธ์โดยรวมก่อนเพิ่มตัวแปรคั่นกลาง)

Path C' (เส้นทาง C'): ผลกระทบทางตรง (Direct Effect) ของ X ต่อ Y โดยควบคุม M (ความสัมพันธ์หลังจากเพิ่มตัวแปรคั่นกลาง)

เมื่อการคั่นกลางเกิดขึ้น ผลกระทบทางตรง (C') จะมีค่าน้อยกว่าผลกระทบรวม (C) หาก C' ลดลงเป็นศูนย์และไม่มีนัยสำคัญ คุณมี full mediation (การคั่นกลางเต็มรูปแบบ) หาก C' ลดลงแต่ยังคงมีนัยสำคัญ คุณมี partial mediation (การคั่นกลางบางส่วน)

แผนภาพแนวคิดของการวิเคราะห์ตัวแปรคั่นกลาง แสดงความสัมพันธ์ระหว่างตัวแปร X, M และ Y พร้อมเส้นทาง A, B, C และ C'

วิธีที่ 1: แนวทาง Baron & Kenny

วิธี Baron & Kenny เป็นแนวทางดั้งเดิมในการวิเคราะห์ตัวแปรคั่นกลาง พัฒนาโดยนักวิจัย Baron และ Kenny ในปี 1986 วิธีนี้ใช้การวิเคราะห์การถดถอยแยกกันสามครั้งเพื่อทดสอบการคั่นกลาง

ขั้นตอนที่ 1: ทดสอบผลกระทบรวม (Path C)

ก่อนอื่น ทดสอบว่า X ทำนาย Y ได้อย่างมีนัยสำคัญหรือไม่ โดยไม่มีตัวแปรคั่นกลางในโมเดล

ใน SPSS:

1. ไปที่ Analyze → Regression → Linear
2. ย้าย Satisfaction (Y) ไปยังช่อง Dependent
3. ย้าย Relationship (X) ไปยังช่อง Independent(s)
4. คลิก OK

กล่องโต้ตอบ SPSS สำหรับการรันการถดถอยเชิงเส้นเพื่อทดสอบ Path C (ผลกระทบรวม)

สิ่งที่ต้องดู:

สถิติสำคัญสำหรับการตีความผลกระทบรวมในขั้นตอนที่ 1

หากความสัมพันธ์ระหว่าง X และ Y ไม่มีนัยสำคัญ (p > 0.05) การคั่นกลางอาจจะไม่เกิดขึ้น อย่างไรก็ตาม นักวิจัยบางคนโต้แย้งว่าคุณยังคงสามารถดำเนินการทดสอบผลกระทบทางอ้อมได้

ผลลัพธ์ SPSS แสดงนัยสำคัญของผลกระทบรวม (p = 0.000) บ่งชี้ว่าเราสามารถดำเนินการวิเคราะห์ตัวแปรคั่นกลางต่อได้ Path C = 0.472 (SE = 0.065)

ขั้นตอนที่ 2: ทดสอบ Path A (X → M)

ต่อไป ทดสอบว่า X ทำนาย M ได้อย่างมีนัยสำคัญหรือไม่

แผนภาพที่แสดง Path A: ผลกระทบของ X (Relationship) ต่อ M (Discounts)

ใน SPSS:

1. ไปที่ Analyze → Regression → Linear
2. กด Reset เพื่อล้างข้อมูลก่อนหน้า
3. ย้าย Discount (M) ไปยังช่อง Dependent
4. ย้าย Relationship (X) ไปยังช่อง Independent(s)
5. คลิก OK

กล่องโต้ตอบ SPSS สำหรับทดสอบ Path A (X → M)

สิ่งที่ต้องดู:

สถิติสำคัญสำหรับการตีความ Path A (X → M) ในขั้นตอนที่ 2

หาก X ไม่ ทำนาย M อย่างมีนัยสำคัญ การคั่นกลางไม่สามารถเกิดขึ้นได้ เพราะตัวแปรคั่นกลางไม่ได้รับอิทธิพลจากตัวแปรอิสระ

ผลลัพธ์ SPSS แสดง unstandardized coefficient Beta = 0.413 และ Std. Error = 0.084 สำหรับ Path A จดค่าเหล่านี้ไว้สำหรับการคำนวณผลกระทบทางอ้อม

ขั้นตอนที่ 3: ทดสอบ Paths B และ C' (M → Y และ X → Y)

สุดท้าย ทดสอบว่า M ทำนาย Y ได้หรือไม่ขณะที่ควบคุม X และผลกระทบทางตรงของ X ต่อ Y (C') ลดลงหรือไม่

แผนภาพแสดงโมเดลผลกระทบทางตรงที่มีทั้ง X และ M ทำนาย Y (Paths B และ C')

ใน SPSS:

1. ไปที่ Analyze → Regression → Linear
2. กด Reset เพื่อล้างข้อมูลก่อนหน้า
3. ย้าย Satisfaction (Y) ไปยังช่อง Dependent
4. ย้าย ทั้ง Relationship (X) และ Discount (M) ไปยังช่อง Independent(s)
5. คลิก OK

กล่องโต้ตอบ SPSS สำหรับทดสอบ Paths B และ C' โดยรวมทั้ง X และ M เป็นตัวทำนาย

สิ่งที่ต้องดู:

สถิติสำคัญสำหรับการตีความ Paths B และ C' ในขั้นตอนที่ 3

ผลลัพธ์ SPSS แสดง Beta = 0.733 และ Std. Error = 0.043 สำหรับ Path B (Discount → Satisfaction)

การคำนวณผลกระทบทางอ้อม (Indirect Effect)

ณ จุดนี้ คุณมีค่าสัมประสิทธิ์ทั้งหมดที่จำเป็นในการประเมินผลกระทบทางอ้อม:

Path A = 0.413 (SE = 0.084) — ผลกระทบของ X ต่อ M (ขั้นตอนที่ 2)

Path B = 0.733 (SE = 0.043) — ผลกระทบของ M ต่อ Y โดยควบคุม X (ขั้นตอนที่ 3)

Path C = 0.472 (SE = 0.065) — ผลกระทบรวมของ X ต่อ Y (ขั้นตอนที่ 1)

Path C' = 0.169 (SE = 0.028) — ผลกระทบทางตรงของ X ต่อ Y โดยควบคุม M (ขั้นตอนที่ 3)

ข้อสังเกตสำคัญ: สังเกตว่า Path C' (0.169) มีค่าน้อยกว่า Path C (0.472) มาก การลดลงนี้แสดงว่าการเพิ่มตัวแปรคั่นกลาง (Discount) อธิบายส่วนสำคัญของความสัมพันธ์ X→Y ผลต่างระหว่างค่าทั้งสองนี้เท่ากับผลกระทบทางอ้อม: 0.472 - 0.169 = 0.303

สรุปค่าสัมประสิทธิ์การถดถอยสำหรับเส้นทางการคั่นกลางทั้งหมด หมายเหตุ: Path C' (ผลกระทบทางตรง) = 0.169 ซึ่งน้อยกว่า Path C (ผลกระทบรวม) = 0.472 บ่งชี้ partial mediation

การทดสอบนัยสำคัญด้วย Sobel Test (SPSS Mediation)

เพื่อทดสอบว่าผลกระทบทางอ้อมมีนัยสำคัญทางสถิติหรือไม่ ให้ใช้ Sobel Test สำหรับการคั่นกลาง แม้ว่า SPSS จะไม่มี Sobel test ในตัว แต่คุณสามารถใช้เครื่องคำนวณ Sobel test ออนไลน์ เช่น quantpsy.org/sobel

ป้อนค่าต่อไปนี้ลงในเครื่องคำนวณและคลิก Calculate:

• a = 0.413 (Beta สำหรับ Path A)
• b = 0.733 (Beta สำหรับ Path B)
• s_a = 0.084 (SE สำหรับ Path A)
• s_b = 0.043 (SE สำหรับ Path B)

ผลลัพธ์ Sobel Test แสดง test statistic = 4.724, SE = 0.064 และ p-value = 0.0000023

ผลลัพธ์:

• Test statistic = 4.724
• Std. Error = 0.064
• p-value = 0.0000023

เนื่องจาก p < 0.05 ผลกระทบทางอ้อมมีนัยสำคัญทางสถิติ

ค่าประมาณจุดของผลกระทบทางอ้อม (Point Estimate of Indirect Effect):

คำนวณผลกระทบทางอ้อมโดยการคูณ Path A × Path B:

0.413 × 0.733 = 0.303

นี่หมายความว่าผลกระทบทางอ้อมของความสัมพันธ์ต่อความพึงพอใจผ่านส่วนลดคือ 0.303 ที่ p < 0.001

การตีความผลลัพธ์ Baron & Kenny

Full Mediation (การคั่นกลางเต็มรูปแบบ):

• Path C มีนัยสำคัญ (X → Y)
• Path A มีนัยสำคัญ (X → M)
• Path B มีนัยสำคัญ (M → Y)
• Path C' ไม่มีนัยสำคัญ (X → Y โดยควบคุม M)

Partial Mediation (การคั่นกลางบางส่วน):

• Path C มีนัยสำคัญ
• Path A มีนัยสำคัญ
• Path B มีนัยสำคัญ
• Path C' ยังคงมีนัยสำคัญแต่น้อยกว่า Path C

No Mediation (ไม่มีการคั่นกลาง):

• เส้นทางหนึ่งหรือมากกว่าไม่มีนัยสำคัญ
• Path C' ไม่ลดลงอย่างมีความหมาย

วิธีที่ 2: PROCESS Macro สำหรับการวิเคราะห์ตัวแปรคั่นกลางใน SPSS (แนะนำ)

PROCESS Macro สำหรับ SPSS ที่พัฒนาโดย Andrew Hayes เป็นมาตรฐานสมัยใหม่สำหรับการรันการวิเคราะห์ตัวแปรคั่นกลางใน SPSS PROCESS ให้ค่าประมาณของผลกระทบทางอ้อมที่แม่นยำกว่าโดยใช้ bootstrapping และคำนวณช่วงความเชื่อมั่นโดยอัตโนมัติ

การติดตั้ง PROCESS Macro

ก่อนที่คุณจะใช้ PROCESS คุณต้องติดตั้งใน SPSS กระบวนการติดตั้งใช้เวลาประมาณ 5 นาที

สำหรับคำแนะนำการติดตั้งโดยละเอียด ดูคู่มือของเรา: วิธีติดตั้ง PROCESS Macro ใน SPSS

การรันการวิเคราะห์ตัวแปรคั่นกลางด้วย PROCESS ใน SPSS

ใน SPSS:

1. ไปที่ Analyze → Regression → PROCESS v5.0 by Andrew F. Hayes
2. ย้าย Satisfaction (Y) ไปยังช่อง Outcome Variable (Y)
3. ย้าย Relationship (X) ไปยังช่อง Independent Variable (X)
4. ย้าย Discount (M) ไปยังช่อง Mediator(s) (M)
5. เลือก Model 4 (simple mediation model)
6. เลือก "Long variable names" หากตัวแปรของคุณมีมากกว่า 8 ตัวอักษร
7. คลิก Options

กล่องโต้ตอบ PROCESS Macro ที่ตั้งค่าสำหรับการวิเคราะห์ตัวแปรคั่นกลางแบบง่ายโดยใช้ Model 4

ในหน้าต่าง Options:

1. เลือก "Show total effect model (only models 4, 6, 80, 81, 82)"
2. เลือก "Standardized effect(s) (mediation-only models)"
3. ตั้งค่า bootstrap samples เป็น 5000 (ค่าเริ่มต้น)
4. คลิก Continue จากนั้นคลิก OK

หน้าต่าง PROCESS options แสดงการตั้งค่าที่แนะนำสำหรับการวิเคราะห์ตัวแปรคั่นกลาง

PROCESS จะใช้เวลาสักครู่ในการรันเนื่องจากการคำนวณ bootstrap

ทำความเข้าใจผลลัพธ์ PROCESS

ผลลัพธ์ PROCESS ให้ผลลัพธ์ที่ครอบคลุมสำหรับเส้นทางการคั่นกลางทั้งหมดและผลกระทบทางอ้อม

สรุปโมเดล

ผลลัพธ์ PROCESS แสดงภาพรวมโมเดลพร้อมตัวแปร X, Y, M และขนาดตัวอย่าง

Path A: X → M

ผลลัพธ์ PROCESS สำหรับ Path A แสดงผลกระทบที่มีนัยสำคัญ (p = 0.000) ของ Relationship ต่อ Discount

ผลกระทบทางตรงของ Relationship ต่อ Discount มีนัยสำคัญ (p < 0.001)

Paths B และ C': M → Y และ X → Y

ผลลัพธ์ PROCESS แสดงว่าทั้ง Relationship และ Discount ทำนาย Satisfaction อย่างมีนัยสำคัญ (ทั้งคู่ p = 0.000)

ตัวทำนายทั้งสอง (Relationship และ Discount) มีผลต่อ Satisfaction อย่างมีนัยสำคัญ (ทั้งคู่ p < 0.001)

ผลกระทบทางอ้อมและทางตรง

ผลลัพธ์ PROCESS แสดงผลกระทบทางอ้อม = 0.303 พร้อมช่วงความเชื่อมั่น bootstrap

ผลลัพธ์สำคัญ:

• Indirect Effect (ผลกระทบทางอ้อม) = 0.303
• Bootstrap Confidence Interval: ไม่รวมศูนย์
• สรุป: มีการคั่นกลางที่มีนัยสำคัญ

การตีความผลลัพธ์ PROCESS

การคั่นกลางที่มีนัยสำคัญ:

• Path a (X → M) มีนัยสำคัญ (p < 0.05)
• Path b (M → Y) มีนัยสำคัญ (p < 0.05)
• ช่วงความเชื่อมั่น bootstrap สำหรับผลกระทบทางอ้อมไม่รวมศูนย์

ประเภทของการคั่นกลาง:

• Full Mediation: Path c' (ผลกระทบทางตรง) ไม่มีนัยสำคัญ (p > 0.05) หรือช่วงความเชื่อมั่นรวมศูนย์
• Partial Mediation: Path c' ยังคงมีนัยสำคัญ (p < 0.05) และช่วงความเชื่อมั่นไม่รวมศูนย์

ช่วงความเชื่อมั่น bootstrapped เป็นมาตรฐานทองคำสำหรับการทดสอบผลกระทบทางอ้อม มันเชื่อถือได้มากกว่า Sobel test เพราะไม่สมมติการแจกแจงแบบปกติของการแจกแจงการสุ่มตัวอย่าง

การตีความผลกระทบทางอ้อม: หมายความว่าอย่างไร?

การค้นหาผลกระทบทางอ้อมที่มีนัยสำคัญเป็นเรื่องดี แต่คุณต้องเข้าใจว่า ตัวเลข บอกอะไรเกี่ยวกับคำถามวิจัยของคุณจริงๆ

ทำความเข้าใจค่าผลกระทบทางอ้อม

ในตัวอย่างของเรา ผลกระทบทางอ้อมคือ 0.303 นี่คือความหมาย:

การตีความ: สำหรับทุก 1 หน่วยที่เพิ่มขึ้นใน Relationship ความพึงพอใจของลูกค้าเพิ่มขึ้น 0.30 หน่วย ผ่านเส้นทางของ Discount นี่คือส่วนของความสัมพันธ์รวมที่ทำงานผ่านตัวแปรคั่นกลาง

การคำนวณสัดส่วนที่ถูกคั่นกลาง (Proportion Mediated)

เพื่อเข้าใจว่าผลกระทบรวมมีเท่าไหร่ที่ทำงานผ่านตัวแปรคั่นกลาง ให้คำนวณสัดส่วนที่ถูกคั่นกลาง:

สูตร: Proportion Mediated = Indirect Effect / Total Effect

ในตัวอย่างของเรา:

• Indirect Effect = 0.303
• Total Effect (Path C) = 0.169 + 0.303 = 0.472
• Proportion Mediated = 0.303 / 0.472 = 64.2%

สิ่งที่บอกคุณ: ประมาณ 64% ของความสัมพันธ์ระหว่าง Relationship และ Satisfaction ทำงานผ่าน Discount อีก 36% ที่เหลือคือผลกระทบทางตรง (ลูกค้าที่มีความสัมพันธ์ที่ดีกว่ามีความพึงพอใจมากขึ้นแม้ไม่มีส่วนลดเพิ่มเติม)

แนวทางขนาดผลกระทบ (Effect Size Guidelines)

ผลกระทบทางอ้อม 0.303 ถือว่าใหญ่แค่ไหน?

แม้ว่าจะไม่มีเกณฑ์สากล แต่นี่คือแนวทางทั่วไปจากงานวิจัยของ Kenny (2018):

แนวทางขนาดผลกระทบสำหรับผลกระทบทางอ้อมแบบมาตรฐาน (Kenny, 2018)

ในตัวอย่างของเรา: ผลกระทบทางอ้อม 0.303 แสดงถึงผลกระทบขนาดใหญ่ หมายความว่าตัวแปรคั่นกลางมีบทบาทสำคัญในการถ่ายทอดความสัมพันธ์ X→Y

หมายเหตุสำคัญ: การตีความขนาดผลกระทบขึ้นอยู่กับสาขาของคุณ ในจิตวิทยาเชิงทดลอง ผลกระทบเหนือ 0.20 ถือว่าสำคัญ ในการวิจัยธุรกิจเชิงสังเกต ผลกระทบเหนือ 0.15 เป็นที่น่าสังเกต เปรียบเทียบขนาดผลกระทบของคุณกับการศึกษาที่คล้ายกันในสาขาของคุณเสมอ

การตีความผลกระทบทางอ้อมเชิงลบ

ถ้าผลกระทบทางอ้อมของคุณเป็นลบ หมายความว่าตัวแปรคั่นกลางกลับหรือปราบปรามความสัมพันธ์ X→Y นี่เรียกว่า inconsistent mediation หรือ suppression

ตัวอย่าง: ถ้า X ทำนาย M เชิงบวก (path a > 0) แต่ M ทำนาย Y เชิงลบ (path b < 0) ผลกระทบทางอ้อม (a × b) จะเป็นลบ หมายความว่าตัวแปรคั่นกลางทำงานตรงข้ามกับผลกระทบทางตรง

จะเกิดอะไรขึ้นถ้าช่วงความเชื่อมั่นกว้างมาก?

ช่วงความเชื่อมั่นที่กว้าง (เช่น [0.05, 0.80]) บ่งชี้:

• ความแปรปรวนสูง ในการประมาณผลกระทบทางอ้อมของคุณ
• ขนาดตัวอย่างเล็ก (คุณต้องการข้อมูลมากขึ้นเพื่อการประมาณที่แม่นยำ)
• ความคลาดเคลื่อนในการวัด ในตัวแปรของคุณ

วิธีแก้: เพิ่มขนาดตัวอย่างหรือปรับปรุงความเชื่อถือของการวัดตัวแปรของคุณ การวิเคราะห์ตัวแปรคั่นกลางต้องการกำลังเพียงพอ — ตั้งเป้าที่ n > 200 เพื่อการประมาณที่มั่นคง

ทำไม Bootstrapping ใน SPSS จึงดีกว่า Sobel Test

ถ้าคุณใช้การวิเคราะห์ตัวแปรคั่นกลางสำหรับการตีพิมพ์ การเข้าใจว่าทำไม bootstrapping จึงดีกว่า Sobel test เป็นเรื่องสำคัญ

ปัญหาของ Sobel Test

Sobel test มีสมมติฐานที่แข็งแรงที่นักวิจัยหลายคนไม่ทราบ: มันสมมติว่าผลกระทบทางอ้อมมีการแจกแจงแบบปกติ

ทำไมนี่จึงเป็นปัญหา:

ผลกระทบทางอ้อมคำนวณเป็น a × b (ผลคูณของค่าสัมประสิทธิ์การถดถอยสองตัว) เมื่อคุณคูณตัวแปรสองตัว การแจกแจงที่ได้คือ:

• เบ้ (ไม่สมมาตร)
• ไม่ปกติ (โดยเฉพาะในตัวอย่างขนาดเล็ก)
• Leptokurtic (มีหางหนัก)

Bootstrapping แก้ปัญหานี้อย่างไร

Bootstrapping ไม่สมมติความเป็นปกติ แต่:

1. สุ่มตัวอย่างข้อมูลของคุณใหม่ 5,000 ครั้ง (ด้วยการแทนที่)
2. คำนวณผลกระทบทางอ้อมใหม่ สำหรับแต่ละการสุ่มตัวอย่างใหม่
3. สร้างการแจกแจงเชิงประจักษ์ ของผลกระทบทางอ้อมจากข้อมูลจริงของคุณ
4. คำนวณช่วงความเชื่อมั่น จากเปอร์เซ็นไทล์ที่ 2.5 และ 97.5 ของการแจกแจงนี้

ข้อได้เปรียบหลัก: ช่วงความเชื่อมั่น bootstrap ขึ้นอยู่กับการแจกแจงจริงของข้อมูลของคุณ ไม่ใช่สมมติฐานทางทฤษฎีเกี่ยวกับความเป็นปกติ

เมื่อไหร่ควรใช้แต่ละวิธี

การเปรียบเทียบวิธีการทดสอบการคั่นกลางกับข้อกำหนดขนาดตัวอย่าง

สรุป: ถ้าคุณมีข้อมูลดิบ ใช้ bootstrapping เสมอ Sobel test ล้าสมัยและยอมรับได้เฉพาะเมื่อวิธี bootstrap ไม่พร้อมใช้งาน

ควรใช้ Bootstrap Samples กี่ตัว?

PROCESS มีค่าเริ่มต้น 5,000 bootstrap samples เพียงพอหรือไม่?

คำแนะนำสำหรับขนาด bootstrap sample สำหรับการวิเคราะห์ตัวแปรคั่นกลาง

คำแนะนำ: ใช้ 5,000 สำหรับการวิจัยส่วนใหญ่ เพิ่มเป็น 10,000 ถ้าคุณมีตัวอย่างขนาดเล็ก (n < 100) หรือถ้าคุณกำลังส่งไปยังวารสารชั้นนำ

หมายเหตุการคำนวณ: bootstrap samples มากขึ้น = เวลาคำนวณนานขึ้น บนคอมพิวเตอร์สมัยใหม่ 5,000 samples ใช้เวลา 5-10 วินาที ในขณะที่ 10,000 ใช้เวลา 10-20 วินาที การลงทุนเวลาเล็กน้อยนี้คุ้มค่าสำหรับผลลัพธ์ที่แม่นยำขึ้น

เปรียบเทียบสองวิธี

การเปรียบเทียบแนวทาง Baron & Kenny และ PROCESS Macro สำหรับการวิเคราะห์ตัวแปรคั่นกลาง

ทั้งสองวิธีให้ผลลัพธ์ที่คล้ายกันในตัวอย่างของเรา:

• Baron & Kenny: Indirect effect = 0.303 (Sobel test)
• PROCESS: Indirect effect = 0.303 (Bootstrap CI)

การรายงานผลลัพธ์การวิเคราะห์ตัวแปรคั่นกลาง

เมื่อรายงานการวิเคราะห์ตัวแปรคั่นกลางในวิทยานิพนธ์หรือบทความวิจัยของคุณ ให้รวม:

1. สถิติเชิงพรรณนา สำหรับตัวแปรทั้งหมด (ค่าเฉลี่ย, SDs, ความสัมพันธ์)
2. ค่าสัมประสิทธิ์เส้นทาง สำหรับ a, b, c และ c'
3. ระดับนัยสำคัญ สำหรับแต่ละเส้นทาง
4. ขนาดผลกระทบทางอ้อม พร้อมช่วงความเชื่อมั่น 95%
5. ประเภทของการคั่นกลาง (เต็มหรือบางส่วน)
6. แผนภาพ ที่แสดงโมเดลการคั่นกลางพร้อมค่าสัมประสิทธิ์

ตัวอย่างการแถลงผลลัพธ์:

"การวิเคราะห์ตัวแปรคั่นกลางโดยใช้ PROCESS Model 4 (5,000 bootstrap samples) แสดงให้เห็นว่า Discount (M) เป็นตัวแปรคั่นกลางความสัมพันธ์ระหว่าง Relationship (X) และ Satisfaction (Y) อย่างมีนัยสำคัญ ผลกระทบทางอ้อมมีนัยสำคัญ ab = 0.30, 95% CI [0.12, 0.54] ผลกระทบทางตรงของ Relationship ต่อ Satisfaction ยังคงมีนัยสำคัญเมื่อควบคุม Discount (c' = 0.17, p < .001) บ่งชี้ partial mediation Relationship ทำนาย Discount อย่างมีนัยสำคัญ (a = 0.41, p < .001) และ Discount ทำนาย Satisfaction อย่างมีนัยสำคัญ (b = 0.73, p < .001)"

ตารางผลลัพธ์การคั่นกลางในรูปแบบ APA

ใช้แม่แบบนี้เพื่อรายงานผลลัพธ์การคั่นกลางของคุณในรูปแบบ APA แทนที่ค่าด้วยค่าสัมประสิทธิ์จริงของคุณ:

หมายเหตุ. N = 40. Bootstrap samples = 5,000. *SE สำหรับผลกระทบทางอ้อมเป็น bootstrap standard error. CI = ช่วงความเชื่อมั่น

หัวข้อตาราง: "ผลลัพธ์การวิเคราะห์ตัวแปรคั่นกลางแสดงผลกระทบของคุณภาพความสัมพันธ์ (X) ต่อความพึงพอใจของลูกค้า (Y) ผ่านส่วนลดส่วนบุคคล (M)"

เวอร์ชันคัดลอกวางสำหรับ Microsoft Word:

คัดลอกข้อความด้านล่างและวางใน Word จากนั้นใช้ ตาราง → แปลง → ข้อความเป็นตาราง เพื่อสร้างตารางที่จัดรูปแบบ

เส้นทาง                    ค่าสัมประสิทธิ์    SE      t       p         95% CI
ผลกระทบรวม (c)         0.47          0.07    7.25    < .001    [0.34, 0.60]
ผลกระทบทางตรง (c')      0.17          0.03    6.02    < .001    [0.11, 0.23]
Path a (X → M)         0.41          0.08    4.94    < .001    [0.24, 0.58]
Path b (M → Y)         0.73          0.04    17.24   < .001    [0.65, 0.82]
ผลกระทบทางอ้อม (ab)    0.30          0.11*   —       —         [0.12, 0.54]

หมายเหตุ: *SE สำหรับผลกระทบทางอ้อมเป็น bootstrap standard error จาก 5,000 samples

ข้อสมมติของการวิเคราะห์ตัวแปรคั่นกลาง

เช่นเดียวกับวิธีทางสถิติทั้งหมด การวิเคราะห์ตัวแปรคั่นกลางต้องอาศัยข้อสมมติหลักหลายข้อ การละเมิดข้อสมมติเหล่านี้อาจนำไปสู่การประมาณผลกระทบทางอ้อมที่มีอคติ

1. ความเป็นเส้นตรง (Linearity)

ข้อสมมติ: ความสัมพันธ์ระหว่าง X→M, M→Y และ X→Y ต้องเป็นเส้นตรง

วิธีทดสอบ: สร้างกราฟการกระจายสำหรับแต่ละความสัมพันธ์ มองหารูปแบบเส้นโค้ง ถ้าความสัมพันธ์เป็นเส้นโค้ง ให้พิจารณา:

• การแปลงตัวแปร (logarithm, square root หรือ polynomial terms)
• ใช้โมเดลการคั่นกลางแบบไม่เชิงเส้น (มีใน R packages เช่น mediation)

จะเกิดอะไรขึ้นถ้าละเมิด: ผลกระทบทางอ้อมจะถูกประมาณต่ำเกินไปถ้าความสัมพันธ์ที่แท้จริงเป็นเส้นโค้ง

2. ไม่มีตัวแปรกวนที่ไม่ได้วัด (No Unmeasured Confounding)

ข้อสมมติ: ไม่มีตัวแปรที่ถูกละเว้นซึ่งมีผลต่อทั้ง M และ Y (หรือทั้ง X และ M)

วิธีทดสอบ: ข้อสมมตินี้ไม่สามารถทดสอบทางสถิติได้ คุณต้องพึ่งพา:

• ความรู้ทางทฤษฎี ในสาขาวิจัยของคุณ
• รวมตัวแปรควบคุม ที่อาจสร้างความสับสนในความสัมพันธ์
• การวิเคราะห์ความไว เพื่อประเมินว่าผลลัพธ์ของคุณแข็งแกร่งเพียงใดต่อตัวแปรกวนที่เป็นไปได้

จะเกิดอะไรขึ้นถ้าละเมิด: การประมาณผลกระทบทางอ้อมจะมีอคติ ถ้าตัวแปรที่ไม่ได้วัดทำให้เกิดทั้ง M และ Y คุณอาจพบการคั่นกลางเทียม

3. ลำดับเวลา (Temporal Precedence)

ข้อสมมติ: X ต้องเกิดก่อน M และ M ต้องเกิดก่อน Y

วิธีรับประกัน: ใช้:

• ข้อมูลตามยาว (วัด X ที่เวลา 1, M ที่เวลา 2, Y ที่เวลา 3)
• การออกแบบการทดลอง ด้วยการสุ่มไปที่ X
• ข้อมูลภาคตัดขวางพร้อมทฤษฎีที่แข็งแกร่ง (เฉพาะเมื่อข้อมูลตามยาวไม่สามารถทำได้)

จะเกิดอะไรขึ้นถ้าละเมิด: คุณไม่สามารถอ้างเหตุและผลได้ การคั่นกลางภาคตัดขวางสามารถแสดงเฉพาะรูปแบบทางสถิติ ไม่ใช่กลไกเชิงสาเหตุ

4. ไม่มีความคลาดเคลื่อนในการวัด (No Measurement Error)

ข้อสมมติ: X, M และ Y ถูกวัดโดยไม่มีความคลาดเคลื่อน (หรือความคลาดเคลื่อนในการวัดน้อยที่สุด)

วิธีทดสอบ: คำนวณความเชื่อถือได้ (Cronbach's alpha สำหรับมาตรวัด) ตั้งเป้าที่ α > 0.70

จะเกิดอะไรขึ้นถ้าละเมิด: ความคลาดเคลื่อนในการวัดใน M ทำให้ผลกระทบทางอ้อมมีอคติลง (attenuation bias) หมายความว่าคุณมีแนวโน้มที่จะพลาดผลกระทบการคั่นกลางที่แท้จริง

วิธีแก้: ใช้การคั่นกลางตัวแปรแฝง (structural equation modeling) ซึ่งแก้ไขความคลาดเคลื่อนในการวัด

5. ความเป็นอิสระของการสังเกต (Independence of Observations)

ข้อสมมติ: ข้อมูลของผู้เข้าร่วมแต่ละคนเป็นอิสระ (ไม่มีการจัดกลุ่มหรือซ้อน)

จะเกิดอะไรขึ้นถ้าละเมิด: ถ้าผู้เข้าร่วมถูกซ้อน (เช่น นักเรียนในโรงเรียน) ความคลาดเคลื่อนมาตรฐานจะเล็กเกินไป นำไปสู่นัยสำคัญที่พองตัว

วิธีแก้: ใช้โมเดลการคั่นกลางแบบหลายระดับถ้าข้อมูลมีการจัดกลุ่ม

6. ไม่มีปฏิสัมพันธ์ X × M (No X × M Interaction)

ข้อสมมติ: ผลกระทบของ M ต่อ Y ไม่ขึ้นอยู่กับระดับของ X

วิธีทดสอบ: เพิ่มเทอมปฏิสัมพันธ์ X × M ในโมเดลการถดถอยของคุณที่ทำนาย Y ถ้ามีนัยสำคัญ คุณมี moderated mediation ไม่ใช่การคั่นกลางธรรมดา

จะเกิดอะไรขึ้นถ้าละเมิด: ผลกระทบทางอ้อมแตกต่างกันในระดับของ X คุณต้องใช้ PROCESS Model 7, 8 หรือ 14 (moderated mediation models)

การคั่นกลาง vs. การกำกับ: อย่าสับสนการคั่นกลางกับการกำกับ ในการคั่นกลาง M ถ่ายทอดผลกระทบของ X ต่อ Y ในการกำกับ M เปลี่ยนความแข็งแรงของความสัมพันธ์ X-Y เรียนรู้เพิ่มเติม: Moderator vs Mediator

การแก้ไขปัญหาทั่วไป

ข้อผิดพลาด "PROCESS command not found"

ปัญหา: เมื่อคุณรัน PROCESS, SPSS บอกว่าคำสั่งไม่มีอยู่

วิธีแก้:

1. ตรวจสอบการติดตั้ง: ไปที่ Analyze → Regression และตรวจสอบว่า PROCESS v5.0 by Andrew F. Hayes ปรากฏในเมนู
2. ติดตั้ง PROCESS ใหม่: ดาวน์โหลดเวอร์ชันล่าสุดจาก processmacro.org และทำตามคำแนะนำการติดตั้ง
3. ตรวจสอบ syntax: ถ้ารัน PROCESS ผ่าน syntax ให้แน่ใจว่าคุณใช้รูปแบบคำสั่งที่ถูกต้องสำหรับ v5.0 (syntax เปลี่ยนจาก v4.x)
4. รีสตาร์ท SPSS: บางครั้ง SPSS ต้องการรีสตาร์ทหลังการติดตั้งเพื่อให้ PROCESS ปรากฏ

ช่วงความเชื่อมั่น Bootstrap รวมศูนย์

ปัญหา: ผลกระทบทางอ้อมของคุณไม่มีนัยสำคัญเพราะ CI bootstrap รวมศูนย์ (เช่น [-0.05, 0.23])

ความหมาย: ไม่มีหลักฐานเพียงพอสำหรับการคั่นกลาง ผลกระทบทางอ้อมอาจเป็นศูนย์ได้

วิธีแก้:

1. ตรวจสอบทฤษฎีของคุณ: การคั่นกลางมีความเป็นไปได้ทางทฤษฎีหรือไม่? บางทีการกำกับหรือกลไกอื่นกำลังทำงาน
2. เพิ่มขนาดตัวอย่าง: ตัวอย่างขนาดเล็ก (n < 100) มีกำลังต่ำในการตรวจจับการคั่นกลาง ตั้งเป้าที่ n > 200
3. ปรับปรุงการวัด: ความเชื่อถือต่ำ (Cronbach's α < 0.70) ลดทอนผลกระทบการคั่นกลาง ใช้มาตรวัดที่ผ่านการตรวจสอบ
4. ตรวจสอบการปราบปราม: ดูที่เครื่องหมายของ Path a และ Path b ถ้ามีเครื่องหมายตรงข้าม คุณอาจมี inconsistent mediation

เส้นทางทั้งหมดมีนัยสำคัญแต่ผลกระทบทางอ้อมไม่มี

ปัญหา: Path a มีนัยสำคัญ Path b มีนัยสำคัญ แต่ CI bootstrap สำหรับ ab รวมศูนย์

ทำไมเกิดขึ้น: ผลคูณ a × b อาจไม่มีนัยสำคัญแม้ว่าทั้งสองเส้นทางมีนัยสำคัญแยกกัน สิ่งนี้เกิดขึ้นเมื่อ:

• ขนาดผลกระทบเล็ก: ทั้งสองเส้นทางอ่อน (เช่น a = 0.15, b = 0.18) ทำให้ผลคูณยิ่งเล็กลง (ab = 0.027)
• ความแปรปรวนสูง: หนึ่งหรือทั้งสองเส้นทางมีความคลาดเคลื่อนมาตรฐานใหญ่
• ขนาดตัวอย่างไม่เพียงพอ: คุณต้องการข้อมูลมากขึ้นเพื่อตรวจจับผลกระทบทางอ้อม

วิธีแก้:

1. เพิ่ม bootstrap samples: ลอง 10,000 samples สำหรับการประมาณ CI ที่แม่นยำยิ่งขึ้น
2. ตรวจสอบความคลาดเคลื่อนในการวัด: ตัวแปรที่ไม่เชื่อถือลดทอนผลกระทบทางอ้อม
3. เพิ่มขนาดตัวอย่าง: นี่มักเป็นปัญหาหลัก — ตั้งเป้าที่ n > 200

PROCESS ใช้เวลานานเกินไปในการรัน

ปัญหา: PROCESS กำลังรันหลายนาทีหรือดูเหมือนค้าง

สาเหตุ:

• bootstrap samples มากเกินไป: ถ้าคุณตั้ง bootstrap > 50,000 จะใช้เวลานาน
• ชุดข้อมูลขนาดใหญ่: PROCESS ช้าลงด้วยชุดข้อมูลขนาดใหญ่มาก (n > 10,000)
• โมเดลซับซ้อน: โมเดลที่มีตัวแปรคั่นกลาง/กำกับหลายตัวใช้เวลานานกว่า

วิธีแก้:

1. ลด bootstrap samples: 5,000 เพียงพอสำหรับการวิจัยส่วนใหญ่ ใช้ 10,000 เฉพาะสำหรับการตีพิมพ์
2. ใช้ตัวอย่างสุ่ม: ถ้า n > 5,000 วิเคราะห์ชุดย่อยสุ่ม (n = 1,000-2,000) เพื่อทดสอบโมเดลของคุณก่อน
3. ตรวจสอบลูปไม่สิ้นสุด: ถ้า PROCESS ค้างจริงๆ (> 10 นาที) บังคับปิดและรีสตาร์ท SPSS

ผลกระทบทางอ้อมเป็นลบแต่ฉันคาดว่าจะเป็นบวก

ปัญหา: โมเดลทางทฤษฎีของคุณทำนายการคั่นกลางเชิงบวก แต่คุณได้ผลกระทบทางอ้อมเชิงลบ

ความหมาย: คุณมี inconsistent mediation (suppression) ตัวแปรคั่นกลางทำงานตรงข้ามกับผลกระทบทางตรงแทนที่จะถ่ายทอดมัน

คำอธิบายที่เป็นไปได้:

1. ทฤษฎีผิด: กลไกสมมติฐานของคุณไม่ถูกต้อง
2. เครื่องหมายตรงข้าม: ตรวจสอบว่า Path a และ Path b มีเครื่องหมายตรงข้าม (หนึ่งบวก หนึ่งลบ)
3. ตัวแปรที่สาม: ตัวแปรกวนที่ไม่ได้วัดอาจสร้างความสัมพันธ์เทียม

ขั้นตอนต่อไป:

1. รายงานอย่างซื่อสัตย์: ผลกระทบทางอ้อมเชิงลบเป็นผลการค้นพบทางวิทยาศาสตร์ที่ถูกต้อง
2. แก้ไขทฤษฎีของคุณ: อธิบายว่าทำไมตัวแปรคั่นกลางปราบปรามแทนที่จะถ่ายทอดผลกระทบ
3. สำรวจทางเลือก: พิจารณาว่าคุณกำลังวัดตัวแปรคั่นกลางที่ถูกต้องหรือไม่

Path c' กลายเป็นไม่มีนัยสำคัญแต่ CI Bootstrap รวมศูนย์

ปัญหา: ผลกระทบทางตรง (c') กลายเป็นไม่มีนัยสำคัญหลังรวมตัวแปรคั่นกลาง แต่ผลกระทบทางอ้อมไม่มีนัยสำคัญ (CI รวมศูนย์)

ความหมาย: ทั้งผลกระทบทางตรงและทางอ้อมไม่มีนัยสำคัญ นี่แนะนำว่า:

• ความสัมพันธ์เดิม X→Y อาจเป็นความสัมพันธ์เทียม
• ขนาดตัวอย่างไม่เพียงพอ
• ตัวแปรคั่นกลางไม่ใช่ตัวที่ถูกต้อง

วิธีแก้:

1. เพิ่มขนาดตัวอย่าง: คุณต้องการกำลังมากขึ้นเพื่อตรวจจับผลกระทบเล็ก
2. พิจารณาทฤษฎีใหม่: บางทีความสัมพันธ์ X→Y เกิดจากปัจจัยที่สาม
3. ทดสอบตัวแปรคั่นกลางทางเลือก: กลไกสมมติฐานของคุณอาจผิด

Output PROCESS แสดงค่าแปลก (NaN, Inf)

ปัญหา: Output PROCESS แสดง NaN (Not a Number) หรือ Inf (infinity) สำหรับค่าสัมประสิทธิ์บางตัว

สาเหตุ:

• Multicollinearity: X และ M มีความสัมพันธ์แน่นมาก (r > 0.90)
• ความแปรปรวนศูนย์: หนึ่งในตัวแปรไม่มีความแปรปรวน (ผู้เข้าร่วมทุกคนมีค่าเดียวกัน)
• ค่าที่หายไป: ค่าที่หายไปมากเกินไปในข้อมูล

วิธีแก้:

1. ตรวจสอบความสัมพันธ์: รัน Analyze → Correlate → Bivariate เพื่อตรวจสอบ multicollinearity
2. ตรวจสอบค่าพรรณนา: แน่ใจว่าตัวแปรทั้งหมดมีความแปรปรวน (SD > 0)
3. จัดการค่าที่หายไป: ตัดกรณีที่มีข้อมูลหายไปหรือใช้การ imputation

คำถามที่พบบ่อย

สรุป

คุณได้เรียนรู้สองวิธีในการรันการวิเคราะห์ตัวแปรคั่นกลางใน SPSS:

1. แนวทาง Baron & Kenny: วิธีคลาสสิก 3 ขั้นตอนโดยใช้การถดถอยแยกกัน (ดีสำหรับการเรียนรู้ตรรกะ)
2. PROCESS Macro: วิธีสมัยใหม่พร้อมช่วงความเชื่อมั่น bootstrapped (ดีที่สุดสำหรับงานวิจัยจริง)

สำหรับวิทยานิพนธ์หรือโครงการวิจัยของคุณ เราแนะนำ PROCESS Model 4 เพราะให้ผลลัพธ์ที่แม่นยำและน่าเชื่อถือมากขึ้นผ่าน bootstrapping

จำไว้ว่า: การวิเคราะห์ตัวแปรคั่นกลางเปิดเผยกลไก แต่ไม่ได้พิสูจน์เหตุและผล ตีความผลลัพธ์ของคุณภายในบริบทของการออกแบบการวิจัยและกรอบทฤษฎีของคุณเสมอ

ขั้นตอนถัดไป:

• ดาวน์โหลดชุดข้อมูลตัวอย่างของเรา (มีใน sidebar) และรันทั้งสองวิธีด้วยตัวคุณเองเพื่อเสริมการเรียนรู้ของคุณ
• เรียนรู้การวิเคราะห์ตัวแปรกำกับเพื่อทดสอบว่าความสัมพันธ์เกิดขึ้นเมื่อใด: ตัวแปรกำกับ คือ อะไร? วิธีการวิเคราะห์ตัวแปรกำกับใน SPSS
• ทำความเข้าใจพื้นฐาน Linear Regression: Linear Regression คืออะไร? วิธีการวิเคราะห์ใน SPSS
• สำรวจเทคนิคขั้นสูง: วิธีการวิเคราะห์ตัวแปรคั่นกลางใน R

เอกสารอ้างอิง

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.

Fritz, M. S., & MacKinnon, D. P. (2007). Required sample size to detect the mediated effect. Psychological Science, 18(3), 233-239.

Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408-420.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). New York: Guilford Press.

Kenny, D. A. (2018). Mediation. Retrieved from http://davidakenny.net/cm/mediate.htm

Shrout, P. E., & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7(4), 422-445.

Sobel, M. E. (1982). Asymptotic intervals for indirect effects in structural equations models. In S. Leinhart (Ed.), Sociological methodology 1982 (pp. 290-312). San Francisco: Jossey-Bass.