ความแตกต่าง Moderator กับ Mediator คืออะไร? พร้อมตัวอย่างการวิจัยจริง [คู่มือฉบับสมบูรณ์]

ความแตกต่างระหว่างตัวแปร Moderator และ Mediator คืออะไร? คำตอบง่ายๆ คือ Mediator อธิบายว่าอย่างไรหรือทำไม ผลกระทบจึงเกิดขึ้น ในขณะที่ Moderator อธิบายว่าเมื่อไหร่หรือกับใคร ผลกระทบจึงเกิดขึ้น

แม้ว่าตัวแปร Mediator และ Moderator จะมีบทบาทสำคัญในการทำความเข้าใจความสัมพันธ์ระหว่างตัวแปร แต่ทั้งสองมีวัตถุประสงค์ที่แตกต่างกันโดยพื้นฐาน Mediator ทำหน้าที่เป็น "คนกลาง" ที่ถ่ายทอดผลกระทบจาก Independent Variable ไปยัง Dependent Variable ในขณะที่ Moderator เปลี่ยนความแข็งแกร่งหรือทิศทางของความสัมพันธ์นั้น

การทำความเข้าใจความแตกต่างนี้มีความสำคัญอย่างยิ่งสำหรับการออกแบบการศึกษาวิจัยและการตีความผลลัพธ์อย่างถูกต้อง มาเจาะลึกความแตกต่างหลักระหว่างตัวแปรทั้งสองประเภทนี้ และวิธีที่ตัวแปรเหล่านี้ทำงานในการวิเคราะห์ทางสถิติ

Mediator กับ Moderator: ความแตกต่างหลัก

จากมุมมองเชิงกำหนดแล้ว ความแตกต่างหลักระหว่าง Mediator กับ Moderator มีดังนี้:

• Mediator คือ สาเหตุของผลกระทบ และทำหน้าที่เหมือน "คนกลาง" ในความสัมพันธ์ระหว่าง Independent Variable และ Dependent Variable หากตัวแปร Mediator ถูกเอาออก ความเชื่อมโยงเชิงสาเหตุระหว่าง Independent Variable และ Dependent Variable จะหายไป
• ตัวแปร Mediator จะต้อง เป็นผลเชิงสาเหตุของ Independent Variable และเป็นตัวนำเชิงสาเหตุของ Dependent Variable กล่าวอีกนัยหนึ่ง Mediator อธิบายกลไกของผลกระทบ
• ตัวแปร Moderator เปลี่ยนผลกระทบ (ระดับความแข็งแกร่ง ทิศทาง) ระหว่าง Independent Variable และ Dependent Variable
• ตัวแปร Moderator จะต้องไม่ เป็นผลเชิงสาเหตุของ Independent Variable

หากคุณมีปัญหาในการมองเห็นความแตกต่าง เราก็ไม่ตำหนิ มาทำทีละขั้นตอนและทำความเข้าใจวัตถุประสงค์ของแต่ละตัวแปร พร้อมดูตัวอย่าง Mediator กับ Moderator เพื่อให้แน่ใจว่าเรื่องนี้ชัดเจนอย่างแท้จริง

Moderator กับ Mediator: ตารางเปรียบเทียบอย่างรวดเร็ว

เพื่อช่วยให้คุณแยกความแตกต่างระหว่างตัวแปรทั้งสองประเภทนี้ได้อย่างรวดเร็ว นี่คือการเปรียบเทียบแบบครอบคลุม:

ตารางนี้ให้ข้อมูลอ้างอิงอย่างรวดเร็ว แต่เรามาเจาะลึกแต่ละแนวคิดกันต่อ

ผลลัพธ์การเรียนรู้

ในบทความนี้ เราจะให้ความกระจ่างเกี่ยวกับความแตกต่างหลักระหว่าง Mediator กับ Moderator นี่คือผลลัพธ์การเรียนรู้หลักที่คุณควรคาดหวังได้:

• ตัวแปร Mediator คืออะไร?
• ตัวแปร Moderator คืออะไร?
• ความแตกต่างหลักระหว่างตัวแปร Mediator กับ Moderator
• วิธีการทางสถิติสำหรับการทดสอบ Mediation และ Moderation
• ตัวอย่างจริงมากกว่า 10 รายการจากงานวิจัยจริง
• เรียนรู้การจำแนกตัวแปร Mediator กับ Moderator ในการศึกษา

ไม่ต้องรอช้า มาเริ่มกันเลย!

ตัวแปร Mediating คืออะไร? [คำจำกัดความ + วิธีการทำงาน]

คำจำกัดความ: ตัวแปร Mediating (หรือ Mediator) อธิบาย "ทำไม" และ "อย่างไร" เบื้องหลังความสัมพันธ์ระหว่าง Independent Variable (X) และ Dependent Variable (Y) กล่าวอีกนัยหนึ่ง Mediation เปิดเผยกลไกหรือเส้นทางที่ผลกระทบเกิดขึ้น

ใน Mediation Analysis นั้น Independent Variable ไม่ได้สรุปผล Dependent Variable โดยตรง แต่ผ่านตัวแปรที่สาม Mediator หรือ "คนกลาง" ระหว่างทั้งสอง กล่าวอีกนัยหนึ่ง หากเราเอาตัวแปร Mediator ออก ผลกระทบเชิงสาเหตุระหว่างตัวแปร X และ Y จะหยุดดำรงอยู่

โมเดล Mediated ประกอบด้วยสองเส้นทาง: เส้นทาง Direct Effect (c หรือ c') จาก X ไป Y และ เส้นทาง Indirect Effect (a และ b) จาก X → Me → Y ดังที่เห็นในรูปต่อไปนี้

โมเดล Mediation แสดง Paths a, b และ c (c') ดัดแปลงจาก Baron and Kenny (1986)

เมื่อเราพูดถึง Mediation โมเดลวิจัยของคุณจะต้องตรงตามเงื่อนไขต่อไปนี้:

• ตัวแปร X และ Y (path c) จะต้องมี Correlation อย่างมีนัยสำคัญก่อนทดสอบผลของ Mediator
• X, Me และ Y (paths a และ b) จะต้องแสดง Correlation อย่างมีนัยสำคัญ
• เมื่อเพิ่มตัวแปร Mediation ความแข็งแกร่งระหว่าง X และ Y (path c) ควรลดลงบางส่วนหรือทั้งหมด (กลายเป็น c')
• ตัวแปรใน Mediation Analysis คาดว่าจะมี Variance ร่วมกัน เนื่องจากทั้ง X และ Me อธิบาย Dependent Variable Y

หมายเหตุ: Correlations สามารถเป็นบวกหรือลบได้ขึ้นอยู่กับโมเดลทฤษฎีของคุณ สิ่งสำคัญคือจะต้องมีนัยสำคัญทางสถิติ

สิ่งสำคัญที่ต้องทราบคือ Correlation ไม่ได้หมายถึงความเป็นเหตุเป็นผล ระหว่างตัวแปร แต่ Correlation เป็นเงื่อนไขที่จำเป็น (แม้ว่าจะไม่เพียงพอ) สำหรับการสร้างความสัมพันธ์เชิงสาเหตุใน Regression Analysis

จากเงื่อนไขข้างต้น เราสามารถกล่าวได้ว่าผลของตัวแปร Mediator ต่อความสัมพันธ์ระหว่าง Independent Variable และ Dependent Variable สามารถเป็นบางส่วนหรือสมบูรณ์

• Partial Mediation เกิดขึ้นเมื่อ Mediator อธิบายความสัมพันธ์ระหว่าง X และ Y บางส่วน Direct Effect (path c') ลดลงแต่ยังคงมีนัยสำคัญ

• Complete Mediation เกิดขึ้นเมื่อ Direct Effect (path c') กลายเป็นไม่มีนัยสำคัญ หมายความว่าความสัมพันธ์ X→Y ทั้งหมดถูกอธิบายโดย Indirect Path ผ่าน Mediator (paths a และ b)

วิธีการทดสอบ Mediation: วิธีการทางสถิติ

การทดสอบ Mediation ต้องการขั้นตอนทางสถิติเฉพาะเพื่อกำหนดว่าตัวแปรทำหน้าที่เป็น Mediator จริงหรือไม่ นี่คือวิธีการหลัก:

1. วิธี Baron & Kenny 4 ขั้นตอน (1986)

วิธี Baron & Kenny แบบคลาสสิกประกอบด้วย 4 ขั้นตอน Regression:

ขั้นตอนที่ 1: ทดสอบว่า X ทำนาย Y อย่างมีนัยสำคัญ (Total Effect, path c)

• ผลลัพธ์: b₁ จะต้องมีนัยสำคัญ (p < 0.05)

ขั้นตอนที่ 2: ทดสอบว่า X ทำนาย Me อย่างมีนัยสำคัญ (path a)

• ผลลัพธ์: b₁ จะต้องมีนัยสำคัญ (p < 0.05)

ขั้นตอนที่ 3: ทดสอบว่า Me ทำนาย Y อย่างมีนัยสำคัญเมื่อควบคุม X (path b)

• ผลลัพธ์: b₂ จะต้องมีนัยสำคัญ (p < 0.05)

ขั้นตอนที่ 4: เปรียบเทียบ Direct Effect (path c') กับ Total Effect (path c)

• Partial Mediation: หาก c' เล็กกว่า c แต่ยังมีนัยสำคัญ
• Complete Mediation: หาก c' กลายเป็นไม่มีนัยสำคัญเมื่อเพิ่ม Me

หมายเหตุสำคัญ: แม้จะเป็นที่นิยมในอดีต แต่วิธี Baron & Kenny มีข้อจำกัด นักวิจัยสมัยใหม่แนะนำให้ใช้วิธี Bootstrapping แทน (Hayes, 2009)

2. Sobel Test

Sobel Test ตรวจสอบว่า Indirect Effect (a × b) แตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่:

สูตร:

โดยที่:

• a คือ Coefficient ของ X → Me
• b คือ Coefficient ของ Me → Y (ควบคุม X)
• SE_a และ SE_b = Standard Errors

ข้อจำกัด: Sobel Test สมมติว่า Indirect Effect มีการแจกแจงแบบปกติ ซึ่งมักถูกละเมิดในตัวอย่างขนาดเล็ก Bootstrapping เป็นที่แนะนำในปัจจุบัน

3. วิธี Bootstrapping (Hayes, 2009) - แนะนำ

Bootstrapping เป็น มาตรฐานทองคำ สำหรับการทดสอบ Mediation เพราะว่า:

• ไม่มีสมมติฐานเกี่ยวกับการแจกแจงของ Indirect Effect
• ให้ Confidence Intervals ที่แม่นยำกว่า
• มีพลังทางสถิติมากกว่า Sobel Test

วิธีการทำงาน:

1. สุ่มตัวอย่างข้อมูลของคุณด้วยการแทนที่หลายพันครั้ง (เช่น 5,000 รอบ)
2. คำนวณ Indirect Effect (a × b) สำหรับแต่ละชุดข้อมูลที่สุ่มใหม่
3. สร้าง Confidence Interval 95% จากการแจกแจงของ Indirect Effects
4. หาก CI ไม่รวมศูนย์ Mediation มีนัยสำคัญ

การตีความ:

• หาก 95% CI ไม่รวมศูนย์ → Mediation Effect มีนัยสำคัญ
• ตัวอย่าง: CI [0.12, 0.54] แสดงถึง Mediation อย่างมีนัยสำคัญ

4. PROCESS Macro สำหรับ SPSS, SAS และ R

วิธีที่ง่ายที่สุดในการดำเนินการ Mediation Analysis คือการใช้ PROCESS Macro ที่พัฒนาโดย Andrew Hayes ดูคู่มือการติดตั้ง SPSS ทีละขั้นตอนของเราเพื่อเริ่มต้น

ข้อดี:

• ทำ Bootstrapping โดยอัตโนมัติ (แนะนำ: 5,000 ตัวอย่าง)
• ให้ Bias-Corrected Confidence Intervals
• ทดสอบ Direct และ Indirect Effects
• มีให้สำหรับ SPSS, SAS และ R
• ดาวน์โหลดได้ฟรี

PROCESS Syntax (SPSS):

PROCESS y=DV/x=IV/m=Mediator/model=4/boot=5000/conf=95.

การตีความ Output:

• Total Effect (c): ผลกระทบโดยรวมของ X ต่อ Y
• Direct Effect (c'): ผลกระทบของ X ต่อ Y เมื่อควบคุม Mediator
• Indirect Effect (a×b): ผลกระทบที่ถ่ายทอดผ่าน Mediator
• Bootstrap CI: หาก CI ไม่รวมศูนย์ Mediation มีนัยสำคัญ

สำหรับบทแนะนำโดยละเอียดเกี่ยวกับ Mediation Analysis ดูคู่มือของเราเกี่ยวกับวิธีการวิเคราะห์ตัวแปรคั่นกลางใน SPSS

ต่อไป มาดูกันว่า Moderation คืออะไรและควรใช้เมื่อใดในการวิจัยทางสถิติ

ตัวแปร Moderating คืออะไร? [คำจำกัดความ + วิธีการทำงาน]

คำจำกัดความ: ตัวแปร Moderating (หรือ Moderator) คือตัวแปรที่สามที่ส่งผลต่อความแข็งแกร่งหรือทิศทางของความสัมพันธ์ระหว่าง Independent (X) และ Dependent (Y) Variables Moderation ถูกวัดเชิงปริมาณโดย Linear Regression Coefficient ของ Interaction Term

พูดง่ายๆ Moderators ตอบคำถามว่า "เมื่อไหร่" หรือ "กับใคร" ความสัมพันธ์ระหว่าง X และ Y เป็นจริง

โมเดล Moderation แสดงว่า Moderator Mo ส่งผลต่อความแข็งแกร่งของความสัมพันธ์ X→Y อย่างไร ดัดแปลงจาก Baron and Kenny (1986)

ใน Regression นั้น Interaction Term (หรือที่เรียกว่า Product Term) หมายถึงผลกระทบที่สังเกตได้ใน Dependent Variable โดยอิงจากวิธีที่ตัวแปรที่สาม (Mo) ส่งผลต่อความสัมพันธ์ระหว่าง X และ Y

แผนภาพแสดงว่า Moderator (Mo) ส่งผลต่อความสัมพันธ์ X→Y อย่างไร ตัวแปร Moderation สามารถส่งผลต่อความแข็งแกร่งของความสัมพันธ์นี้ และน้อยกว่านั้น เปลี่ยนทิศทางของผลกระทบ (Whisman & McClelland, 2005)

เนื่องจาก Moderation Effect โดยพื้นฐานแล้วทดสอบ Residual Variance ในโมเดล จึงเป็นสิ่งสำคัญที่จะต้องสืบสวนว่า Main Effects ระหว่างตัวแปร X และ Y คืออะไรก่อนที่จะทดสอบว่า Interaction Term มีนัยสำคัญหรือไม่ (p-value < 0.05)

เพื่อที่จะทำเช่นนั้น เราจะต้องตรวจสอบ Coefficient Beta (β) ซึ่งบอกว่าความสัมพันธ์ระหว่าง X และ Y แตกต่างกันเท่าใดเป็นฟังก์ชันของการเปลี่ยนแปลงหนึ่งหน่วยในตัวแปร Mo

สิ่งสำคัญที่ต้องคำนึงถึงคือทางสถิติแล้ว การตรวจจับผลกระทบ Moderation เป็นเรื่องที่ท้าทาย เหตุผลหนึ่งคือคุณอาจล้มเหลวในการตรวจจับผลกระทบที่เกิดขึ้นจริง (Type 2 Error)

วิธีหนึ่งที่จะหลีกเลี่ยงปัญหานี้คือการทำ Purposive Sampling แทน Convenience Sampling กล่าวอีกนัยหนึ่ง ตัวอย่างของคุณจำเป็นต้องมีกรณีที่รุนแรงร่วมกัน คือกรณีที่รุนแรงในทั้งสองระดับ นั่นหมายความว่าอะไร?

ดูที่แผนภาพต่อไปนี้ที่แสดงว่าตัวแปร Moderator (Mo) เปลี่ยนความแข็งแกร่งของความสัมพันธ์ X→Y อย่างไร กราฟแสดง 3 ระดับของ Moderator (ต่ำ กลาง สูง) แสดงให้เห็นว่าเมื่อ Moderator เพิ่มขึ้น ความชันของความสัมพันธ์จะชันขึ้น สำหรับ Moderation Analysis เราจำเป็นต้องเก็บข้อมูลที่แสดงถึงความแปรปรวนในระดับ Moderator โดยมีค่าที่กระจายตามปกติ

ผลของ Moderation: กราฟแสดงว่าความสัมพันธ์ระหว่าง X และ Y แข็งแกร่งขึ้นอย่างไรเมื่อ Moderator เพิ่มขึ้นจากระดับต่ำไปสูง

สิ่งนี้อาจค่อนข้างท้าทายหากเราเลือก Convenience Sampling (ไม่ใช้รูปแบบการคัดเลือกเมื่อสุ่มตัวอย่างประชากร) สำหรับการศึกษา เว้นแต่ขนาดตัวอย่างจะมีขนาดใหญ่พอที่จะพอดีกับโมเดล

แนวทางที่ดีกว่าจะเป็น Purposive Sampling ที่เราสามารถเลือกสมาชิกของประชากรตามเกณฑ์การคัดเลือกเฉพาะ (เช่น อายุ เพศ ฯลฯ)

ตัวอย่างเช่น การเลือก Purposive Sampling เมื่อสืบสวนผลกระทบของอายุต่อความสัมพันธ์ระหว่างการอ่านและการเก็บข้อมูล ช่วยให้เราเลือกสมาชิกจากกลุ่มอายุต่างๆ ที่แสดงถึงระดับความแข็งแกร่งต่างๆ (เช่น อายุระหว่าง 20-30, 31-40 ฯลฯ) สิ่งนี้จะยากมากหากใช้ Convenience Sampling ที่ผู้ตอบแบบสอบถามถูกเลือกตามความสะดวกมากกว่าเกณฑ์การคัดเลือกเฉพาะ

วิธีการทดสอบ Moderation: วิธีการทางสถิติ

การทดสอบ Moderation เกี่ยวข้องกับการตรวจสอบว่าความสัมพันธ์ระหว่าง X และ Y เปลี่ยนแปลงเป็นฟังก์ชันของตัวแปรที่สาม (Moderator) หรือไม่ นี่คือวิธีการทำ:

1. Hierarchical Multiple Regression

แนวทางมาตรฐานในการทดสอบ Moderation ใช้ Hierarchical Regression พร้อม Interaction Term:

ขั้นตอนที่ 1: Center ตัวแปรของคุณ (แนะนำ)

• สร้างเวอร์ชัน Mean-Centered ของ X และ Mo
• X_centered คือ X - Mean(X)
• Mo_centered คือ Mo - Mean(Mo)
• ทำไม? ลด Multicollinearity และช่วยในการตีความ

ขั้นตอนที่ 2: สร้าง Interaction Term

• Interaction คือ X_centered × Mo_centered

ขั้นตอนที่ 3: ทำ Hierarchical Regression

Model 1 (Main Effects เท่านั้น):

Model 2 (เพิ่ม Interaction):

การตีความ:

• หาก b₃ มีนัยสำคัญ (p < 0.05) Moderation มีอยู่
• R² Change จาก Model 1 ไป Model 2 บอกถึง Variance ที่อธิบายโดย Moderation
• β Coefficient ของ Interaction Term แสดง Moderation Effect Size

2. Simple Slopes Analysis

หลังจากพบ Interaction ที่มีนัยสำคัญ ให้ทำ Simple Slopes Analysis เพื่อทำความเข้าใจลักษณะของ Moderation:

สิ่งที่มันทำ: ตรวจสอบความสัมพันธ์ระหว่าง X และ Y ในระดับต่างๆ ของ Moderator:

• Mo ต่ำ (โดยทั่วไป Mean - 1 SD)
• Mo กลาง (Mean)
• Mo สูง (Mean + 1 SD)

ตัวอย่างการตีความ:

• ที่การสนับสนุนทางสังคมต่ำ (Mo) ความเครียด (X) ทำนายภาวะซึมเศร้า (Y) อย่างแข็งแกร่ง: β = 0.65, p < 0.001
• ที่การสนับสนุนทางสังคมสูง (Mo) ความเครียดทำนายภาวะซึมเศร้าอย่างอ่อน: β = 0.22, p = 0.08
• สรุป: การสนับสนุนทางสังคมเป็น Moderator ความสัมพันธ์ความเครียด-ภาวะซึมเศร้า

3. การสร้างภาพผลกระทบ Moderation

สร้างภาพ Interaction เสมอเพื่อช่วยในการตีความ:

• แกน X: Independent Variable
• แกน Y: Dependent Variable
• เส้น: ระดับต่างๆ ของ Moderator (ต่ำ กลาง สูง)

รูปแบบ Interaction:

• Enhancing: ความชันชันขึ้นเมื่อ Mo เพิ่มขึ้น
• Buffering: ความชันราบลงเมื่อ Mo เพิ่มขึ้น
• Cross-over: เส้นตัดกัน บ่งชี้การกลับทิศทาง

4. PROCESS Macro สำหรับ Moderation

เช่นเดียวกับ Mediation, PROCESS Macro ทำให้ Moderation Analysis ง่ายขึ้น สำหรับบทแนะนำทีละขั้นตอนแบบสมบูรณ์ ดูคู่มือของเราเกี่ยวกับวิธีการวิเคราะห์ตัวแปรกำกับใน SPSS ด้วย PROCESS

PROCESS Syntax (SPSS):

PROCESS y=DV/x=IV/w=Moderator/model=1/plot=1.

ข้อดี:

• Center ตัวแปรโดยอัตโนมัติ
• คำนวณ Interaction Term
• ทำ Simple Slopes Analysis
• สร้างกราฟ Interaction
• ให้ Johnson-Neyman Regions of Significance

Output ประกอบด้วย:

• Interaction Effect: ทดสอบว่า X × Mo มีนัยสำคัญหรือไม่
• Conditional Effects: ผลกระทบของ X ต่อ Y ที่ Mo ต่ำ กลาง สูง
• Visualization: กราฟ Interaction

5. Categorical Moderators

เมื่อ Moderator เป็น Categorical (เช่น เพศ กลุ่มการรักษา):

แนวทาง 1: Multiple Group Analysis

• แบ่งตัวอย่างตามกลุ่ม Moderator
• ทำ Regressions แยกสำหรับแต่ละกลุ่ม
• เปรียบเทียบ Regression Coefficients

แนวทาง 2: Dummy Coding

• สร้าง Dummy Variables สำหรับหมวดหมู่
• ทดสอบ Interaction กับ Dummy Variables

ตัวอย่าง:

โดยที่ Gender ถูกเข้ารหัส 0 สำหรับชาย, 1 สำหรับหญิง

หาก b₃ มีนัยสำคัญ ความสัมพันธ์ X→Y แตกต่างกันระหว่างชายและหญิง

ข้อพิจารณาสำคัญ

Statistical Power: ผลกระทบ Moderation ตรวจจับได้ยากอย่างฉาวโฉ่ คุณอาจต้องการ:

• ขนาดตัวอย่างที่ใหญ่ขึ้น (แนะนำ n > 200)
• Purposive Sampling เพื่อให้แน่ใจว่ามีความแปรปรวนใน Moderator
• มาตรการที่เชื่อถือได้เพื่อลดข้อผิดพลาดในการวัด

Effect Sizes: แม้แต่ผลกระทบ Moderation ที่มีนัยสำคัญมักจะเล็ก:

• ΔR² = 0.01 ถือว่าเล็ก
• ΔR² = 0.04 ถือว่ากลาง
• ΔR² = 0.09 ถือว่าใหญ่

ตัวอย่าง Moderator กับ Mediator [กรณีวิจัยจริง]

จนถึงตอนนี้เราครอบคลุมตัวแปร Mediator กับ Moderator จากมุมมองทฤษฎีเท่านั้น มาดูตัวอย่างจากงานวิจัยจริงเพื่อช่วยให้คุณระบุว่าคุณกำลังจัดการกับตัวแปรประเภทใดในการศึกษาของคุณเอง

ตัวอย่าง Mediator

ตัวอย่างที่ 1: การนอนหลับ → ความสามารถทางปัญญา → ผลการทำงาน

คำถามวิจัย: ทำไมการนอนหลับจึงปรับปรุงผลการทำงาน?

• Independent Variable (X): คุณภาพการนอนหลับ
• Dependent Variable (Y): ผลการทำงาน
• Mediator (Me): ความสามารถทางปัญญา

ทำไมจึงเป็น Mediator: การนอนหลับไม่ได้ปรับปรุงผลการทำงานโดยตรง แต่การนอนหลับช่วยเพิ่มความสามารถทางปัญญา (ความจำ ความสนใจ การแก้ปัญหา) ซึ่งจากนั้นจะปรับปรุงผลการทำงาน เส้นทางคือ: การนอนหลับ → การทำงานของสมองดีขึ้น → ผลการทำงานดีขึ้น

การทดสอบ: การนอนหลับส่งผลต่อความสามารถทางปัญญาหรือไม่? ใช่ การนอนหลับช่วยให้สมองฟื้นตัว ดังนั้นความสามารถทางปัญญาจึงเป็น Mediator ที่อธิบายว่าการนอนหลับส่งผลต่อผลการทำงานอย่างไร

ตัวอย่างที่ 2: การออกกำลังกาย → Endorphins → การปรับปรุงอารมณ์

คำถามวิจัย: การออกกำลังกายปรับปรุงอารมณ์ได้อย่างไร?

• Independent Variable (X): ความถี่ของการออกกำลังกาย
• Dependent Variable (Y): อารมณ์/ความเป็นอยู่ทางอารมณ์
• Mediator (Me): ระดับ Endorphin

ทำไมจึงเป็น Mediator: การออกกำลังกายกระตุ้นการปล่อย Endorphins (ฮอร์โมน "รู้สึกดี") ซึ่งจากนั้นจะปรับปรุงอารมณ์ หากคุณบล็อกการผลิต Endorphin การออกกำลังกายจะไม่ปรับปรุงอารมณ์มากนัก

ตัวอย่างที่ 3: การศึกษา → รายได้ → พฤติกรรมการตรวจสุขภาพ

คำถามวิจัย: ทำไมคนที่มีการศึกษาจึงได้รับการตรวจสุขภาพมากกว่า?

• Independent Variable (X): ระดับการศึกษา
• Dependent Variable (Y): ความถี่ของการตรวจสุขภาพ
• Mediator (Me): ระดับรายได้

ทำไมจึงเป็น Mediator: การศึกษานำไปสู่งานที่จ่ายสูงขึ้น และรายได้ที่สูงขึ้นจะให้ทรัพยากรสำหรับการตรวจสุขภาพ การศึกษา → รายได้สูงขึ้น → การตรวจสุขภาพมากขึ้น

การทดสอบ: การศึกษาสามารถส่งผลต่อรายได้ได้หรือไม่? ใช่ การศึกษาที่สูงขึ้นมักนำไปสู่งานที่จ่ายดีกว่า ดังนั้นรายได้จึงเป็น Mediator

ตัวอย่างที่ 4: การใช้โซเชียลมีเดีย → ความกลัวที่จะพลาด (FOMO) → ความวิตกกังวล

คำถามวิจัย: ทำไมโซเชียลมีเดียจึงเพิ่มความวิตกกังวล?

• Independent Variable (X): การใช้โซเชียลมีเดีย
• Dependent Variable (Y): ระดับความวิตกกังวล
• Mediator (Me): FOMO (Fear of Missing Out)

ทำไมจึงเป็น Mediator: การเปิดรับโซเชียลมีเดียสร้าง FOMO โดยการแสดงไฮไลท์ของผู้อื่น และ FOMO จากนั้นกระตุ้นความวิตกกังวล กลไกคือ: โซเชียลมีเดีย → FOMO → ความวิตกกังวล

ตัวอย่างที่ 5: การบำบัด → การปรับโครงสร้างทางปัญญา → การลดภาวะซึมเศร้า

คำถามวิจัย: Cognitive Behavioral Therapy (CBT) ลดภาวะซึมเศร้าได้อย่างไร?

• Independent Variable (X): เซสชันการบำบัด CBT
• Dependent Variable (Y): อาการซึมเศร้า
• Mediator (Me): การปรับโครงสร้างทางปัญญา (การเปลี่ยนรูปแบบความคิดเชิงลบ)

ทำไมจึงเป็น Mediator: CBT ทำงานโดยการสอนผู้ป่วยให้ปรับโครงสร้างความคิดเชิงลบ และการเปลี่ยนแปลงทางปัญญานี้จะลดภาวะซึมเศร้า CBT → รูปแบบความคิดที่เปลี่ยนไป → ภาวะซึมเศร้าน้อยลง

ตัวอย่าง Moderator

ตัวอย่างที่ 6: การฝึกฟิตเนส × อายุ → การเพิ่มกล้ามเนื้อ

คำถามวิจัย: ผลของการฝึกฟิตเนสต่อการเพิ่มกล้ามเนื้อขึ้นอยู่กับอายุหรือไม่?

• Independent Variable (X): ความเข้มข้นของการฝึกฟิตเนส
• Dependent Variable (Y): การเพิ่มกล้ามเนื้อ
• Moderator (Mo): อายุ

ทำไมจึงเป็น Moderator: การฝึกฟิตเนสทำงานแตกต่างกันสำหรับกลุ่มอายุต่างๆ คนหนุ่มสาว (20s) เพิ่มกล้ามเนื้อได้ง่ายกว่าผู้สูงอายุ (60s+) ด้วยระบบการฝึกเดียวกัน อายุไม่ได้อธิบายว่าฟิตเนสสร้างกล้ามเนื้ออย่างไร แต่เปลี่ยนความแข็งแกร่งของความสัมพันธ์

การทดสอบ: ฟิตเนสสามารถส่งผลต่ออายุของคุณได้หรือไม่? ไม่ คุณไม่สามารถเปลี่ยนอายุของคุณผ่านการออกกำลังกาย ดังนั้นอายุจึงเป็น Moderator ที่ส่งผลต่อว่าฟิตเนสมีประสิทธิภาพมากที่สุดกับใคร

ตัวอย่างที่ 7: ความเครียด × การสนับสนุนทางสังคม → สุขภาพจิต

คำถามวิจัย: การสนับสนุนทางสังคมเปลี่ยนแปลงวิธีที่ความเครียดส่งผลต่อสุขภาพจิตหรือไม่?

• Independent Variable (X): ระดับความเครียด
• Dependent Variable (Y): ผลลัพธ์ด้านสุขภาพจิต
• Moderator (Mo): การสนับสนุนทางสังคม

ทำไมจึงเป็น Moderator: สำหรับคนที่มีการสนับสนุนทางสังคมสูง ความเครียดมีผลกระทบต่อสุขภาพจิตน้อยกว่า (ผล Buffering) สำหรับผู้ที่มีการสนับสนุนทางสังคมต่ำ ความเครียดเดียวกันทำให้เกิดปัญหาสุขภาพจิตที่รุนแรงกว่า การสนับสนุนทางสังคมเปลี่ยนเมื่อใด/กับใครที่ความเครียดเป็นอันตราย

ตัวอย่างที่ 8: ความหลากหลายทางเพศ × โครงสร้างความเป็นเจ้าของ → การเปิดเผยข้อมูลของบริษัท

คำถามวิจัย: ผลกระทบของความหลากหลายทางเพศต่อความโปร่งใสของบริษัทขึ้นอยู่กับโครงสร้างความเป็นเจ้าของหรือไม่?

• Independent Variable (X): ความหลากหลายทางเพศในคณะกรรมการ
• Dependent Variable (Y): คุณภาพการเปิดเผยข้อมูลของบริษัท
• Moderator (Mo): โครงสร้างความเป็นเจ้าของ (ครอบครัว vs. สาธารณะ)

ทำไมจึงเป็น Moderator: ความหลากหลายทางเพศอาจปรับปรุงการเปิดเผยข้อมูลมากกว่าในบริษัทที่เป็นเจ้าของสาธารณะมากกว่าบริษัทที่เป็นของครอบครัว โครงสร้างความเป็นเจ้าของเปลี่ยนความแข็งแกร่งของความสัมพันธ์ความหลากหลาย-การเปิดเผยข้อมูล

การทดสอบ: ความหลากหลายทางเพศสามารถส่งผลต่อโครงสร้างความเป็นเจ้าของได้หรือไม่? ไม่ การมีผู้หญิงมากขึ้นในคณะกรรมการไม่ได้เปลี่ยนแปลงว่าใครเป็นเจ้าของบริษัท ดังนั้นโครงสร้างความเป็นเจ้าของจึงเป็น Moderator

ตัวอย่างที่ 9: เวลาเรียน × สติปัญญา → ผลการสอบ

คำถามวิจัย: ประโยชน์ของการเรียนขึ้นอยู่กับสติปัญญาของนักเรียนหรือไม่?

• Independent Variable (X): เวลาเรียน
• Dependent Variable (Y): คะแนนสอบ
• Moderator (Mo): ระดับสติปัญญา (IQ)

ทำไมจึงเป็น Moderator: นักเรียนที่มี IQ สูงขึ้นอาจได้รับประโยชน์มากขึ้นจากแต่ละชั่วโมงของการเรียนมากกว่านักเรียนที่มี IQ ต่ำกว่า สติปัญญาเปลี่ยนว่าการเรียนมีประสิทธิภาพมากที่สุดกับใคร แต่ไม่ได้อธิบายว่าการเรียนปรับปรุงผลการปฏิบัติอย่างไร

ตัวอย่างที่ 10: ปริมาณยา × น้ำหนักตัว → การตอบสนองต่อการรักษา

คำถามวิจัย: ผลของยาขึ้นอยู่กับน้ำหนักตัวของผู้ป่วยหรือไม่?

• Independent Variable (X): ปริมาณยา
• Dependent Variable (Y): ประสิทธิผลการรักษา
• Moderator (Mo): น้ำหนักตัว

ทำไมจึงเป็น Moderator: ปริมาณเดียวกันอาจมีประสิทธิภาพสูงสำหรับผู้ป่วย 120 ปอนด์ แต่ไม่เพียงพอสำหรับผู้ป่วย 220 ปอนด์ น้ำหนักตัวเป็น Moderator ว่าเมื่อใด/กับใครที่ปริมาณเฉพาะจะได้ผล

การทดสอบ: ปริมาณยาสามารถเปลี่ยนน้ำหนักตัวของคุณได้หรือไม่? ไม่โดยตรงในโมเดลนี้ น้ำหนักตัวเป็น Moderator ที่ส่งผลต่อความสัมพันธ์ปริมาณ-การตอบสนอง

ตัวอย่างที่ 11: โปรแกรมการฝึกอบรม × ประสบการณ์เดิม → การได้รับทักษะ

คำถามวิจัย: ประสิทธิผลของการฝึกอบรมขึ้นอยู่กับประสบการณ์เดิมหรือไม่?

• Independent Variable (X): การมีส่วนร่วมในโปรแกรมการฝึกอบรม
• Dependent Variable (Y): การได้รับทักษะใหม่
• Moderator (Mo): ระดับประสบการณ์เดิม

ทำไมจึงเป็น Moderator: ผู้เริ่มต้นและผู้เชี่ยวชาญเรียนรู้แตกต่างกันจากการฝึกอบรมเดียวกัน ผู้เรียนขั้นสูงอาจได้รับประโยชน์มากขึ้นจากโปรแกรมที่ท้าทาย ในขณะที่ผู้เริ่มต้นต้องการการฝึกอบรมพื้นฐาน ประสบการณ์เดิมเป็น Moderator ว่าแนวทางการฝึกอบรมแต่ละแบบใช้ได้ดีที่สุดกับใคร

กฎการตัดสินใจอย่างรวดเร็ว

เพื่อกำหนดว่าตัวแปรเป็น Mediator หรือ Moderator ให้ถาม:

1. X สามารถทำให้ตัวแปรนี้เกิดขึ้นได้หรือไม่?

   • ใช่ → Mediator ที่เป็นไปได้
   • ไม่ → Moderator ที่เป็นไปได้

2. ตัวแปรนี้อธิบายว่าอย่างไร/ทำไม X ส่งผลต่อ Y หรือไม่?

   • ใช่ → Mediator
   • ไม่ → ตรวจสอบคำถามถัดไป

3. ตัวแปรนี้เปลี่ยนแปลงเมื่อใด/กับใคร X ส่งผลต่อ Y หรือไม่?

   • ใช่ → Moderator

คำถามที่พบบ่อย

คำแนะนำ: เริ่มต้นด้วย PROCESS Macro มันเป็นมิตรกับผู้ใช้ ฟรี และให้ Output ที่พร้อมตีพิมพ์

สรุป

โดยสรุป การทำความเข้าใจความแตกต่างระหว่าง Mediators และ Moderators เป็นพื้นฐานสำหรับการดำเนินการวิจัยที่เข้มงวดและการสร้างโมเดลทฤษฎีที่แข็งแกร่ง

สรุปสำคัญ:

• Mediators อธิบายอย่างไรหรือทำไมผลกระทบจึงเกิดขึ้น (กลไก)

  • จะต้องเกิดจาก X และจะต้องทำให้เกิด Y
  • ทดสอบผ่าน Indirect Effects และ Bootstrapping

• Moderators อธิบายเมื่อไหร่หรือกับใครผลกระทบจึงเกิดขึ้น (เงื่อนไข)

  • ไม่สามารถเกิดจาก X
  • ทดสอบผ่าน Interaction Terms ใน Regression

• ตัวแปรทั้งสองประเภทให้ข้อมูลเชิงลึกที่มีคุณค่าแต่มีวัตถุประสงค์ทางทฤษฎีที่แตกต่างกัน

• ใช้ตารางเปรียบเทียบและกฎการตัดสินใจในบทความนี้เมื่อสงสัย

• การวิเคราะห์สมัยใหม่ใช้ PROCESS Macro พร้อม Bootstrapping สำหรับ Mediation และ Hierarchical Regression สำหรับ Moderation

เมื่อเราทำวิจัย เรากำลังสร้างทฤษฎี การระบุและทดสอบ Mediators และ Moderators อย่างถูกต้องช่วยให้เราเข้าใจไม่เพียงแค่ว่าความสัมพันธ์มีอยู่ แต่อย่างไร ทำไม เมื่อไหร่ และกับใครที่มันเกิดขึ้น

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. https://doi.org/10.1037/0022-3514.51.6.1173

Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420. https://doi.org/10.1080/03637750903310360

Whisman, M. A., & McClelland, G. H. (2005). Designing, Testing, and Interpreting Interactions and Moderator Effects in Family Research. Journal of Family Psychology, 19(1), 111–120. https://doi.org/10.1037/0893-3200.19.1.111