วิธีการวิเคราะห์ตัวแปรคั่นกลางใน R [Mediation Analysis] 7 ขั้นตอนง่ายๆ

การเรียนรู้วิธีการวิเคราะห์ตัวแปรคั่นกลางใน R เป็นสิ่งสำคัญสำหรับการทำความเข้าใจผลกระทบทางอ้อม (indirect effects) ในงานวิจัยของคุณ คู่มือฉบับสมบูรณ์นี้จะแสดงวิธีการทำ Mediation Analysis ใน R โดยใช้ lavaan package และเทคนิค R mediation พร้อมการสอนแบบทีละขั้นตอนโดยใช้ชุดข้อมูลตัวอย่างจำนวน 30 คน

ไม่ว่าคุณจะต้องการรัน mediation analysis R สำหรับวิทยานิพนธ์ ทำความเข้าใจ R mediation analysis เพื่อตีพิมพ์ผลงาน หรือสร้าง mediation model in R สำหรับงานวิจัยเชิงสำรวจ บทเรียนนี้ครอบคลุมทุกอย่าง เราจะแสดงวิธีการใช้ mediation package in R ด้วย lavaan การแปลผล path coefficients (a, b, c) และการสร้างภาพแบบมืออาชีพด้วยแผนภาพ

ใน 7 ขั้นตอนที่เข้าใจง่าย คุณจะเชี่ยวชาญ mediation R workflows โดยใช้ทั้ง lavaan และ mediation packages และเรียนรู้วิธีการทำ R mediation analysis แบบสมบูรณ์ตั้งแต่การนำเข้าข้อมูลจนถึงการแปลผล

สิ่งที่คุณจะได้เรียนรู้

เมื่อจบบทเรียนนี้ คุณจะสามารถ:

• เข้าใจแนวคิดของการวิเคราะห์ตัวแปรคั่นกลางและจุดประสงค์ในการสำรวจผลกระทบทางอ้อม

• สร้างภาพแผนภาพ mediation model ด้วยแผนภาพง่ายๆ

• ติดตั้งและโหลด R packages ที่จำเป็นสำหรับการวิเคราะห์ตัวแปรคั่นกลาง

• นำเข้าและสำรวจชุดข้อมูลใน R โดยคำนวณสถิติเชิงพรรณนาและความสัมพันธ์ระหว่างตัวแปร

• กำหนด mediation model ใน R

• ประมาณค่าและปรับ mediation model เข้ากับชุดข้อมูลของคุณใน R

• แปลผลการวิเคราะห์ตัวแปรคั่นกลาง รวมถึง direct effects, indirect effects และ total effects

• สร้างภาพแสดงผลการวิเคราะห์ตัวแปรคั่นกลางใน R

• ประยุกต์ใช้กระบวนการวิเคราะห์ตัวแปรคั่นกลางกับคำถามวิจัยและชุดข้อมูลของคุณเอง

พร้อมแล้วหรือยัง? มาเริ่มต้นและสำรวจกระบวนการกันเลย!

Mediation Analysis คืออะไร?

ก่อนที่เราจะเริ่มวิเคราะห์ตัวเลข มาทำความเข้าใจกันก่อนว่าการวิเคราะห์ตัวแปรคั่นกลางคืออะไร นี่เป็นเทคนิคทางสถิติที่ช่วยให้เราเข้าใจว่าตัวแปรอิสระ (Independent Variable - X) มีอิทธิพลต่อตัวแปรตาม (Dependent Variable - Y) อย่างไรผ่านทางตัวแปรคั่นกลาง (Mediator Variable - M)

แผนภาพ mediation model พื้นฐานแสดงเส้นทาง X→M→Y

Mediation Analysis มีประโยชน์อย่างยิ่งในการกำหนดว่าผลกระทบของ X ต่อ Y นั้นถูกคั่นกลางโดย M แบบสมบูรณ์ บางส่วน หรือไม่มีการคั่นกลางเลย

ชุดข้อมูลของเรา: ภาพรวมโดยสังเขป

ในตัวอย่างของเรา เราจะทำงานกับชุดข้อมูลของผู้ตอบแบบสอบถาม 30 คน สมมติว่าผู้ตอบแบบสอบถามเหล่านี้เป็นพนักงาน และเราต้องการศึกษาความสัมพันธ์ระหว่างความพึงพอใจในงาน (job satisfaction - X), ผลการปฏิบัติงาน (job performance - Y) และแรงจูงใจในสถานที่ทำงาน (workplace motivation - M)

เราตั้งสมมติฐานว่าความพึงพอใจในงานมีอิทธิพลต่อผลการปฏิบัติงานโดยอ้อมผ่านทางแรงจูงใจในสถานที่ทำงาน ดังนั้น เราจะทำการวิเคราะห์ตัวแปรคั่นกลางเพื่อดูว่าสิ่งนี้เป็นจริงหรือไม่

เพื่อสร้างภาพสมมติฐานของเรา เราสามารถสร้างแผนภาพง่ายๆ ที่มีตัวแปรสามตัว: ความพึงพอใจในงาน (X), แรงจูงใจในสถานที่ทำงาน (M) และผลการปฏิบัติงาน (Y)

ตัวอย่าง Mediation model: job satisfaction → workplace motivation → job performance

ในแผนภาพนี้ ลูกศรจาก X ไปยัง M แสดงถึงผลกระทบของความพึงพอใจในงานต่อแรงจูงใจในสถานที่ทำงาน (a path) ลูกศรจาก M ไปยัง Y แสดงถึงผลกระทบของแรงจูงใจในสถานที่ทำงานต่อผลการปฏิบัติงาน (b path) ผลกระทบทางอ้อมของความพึงพอใจในงานต่อผลการปฏิบัติงานผ่านทางแรงจูงใจในสถานที่ทำงานคือผลคูณของ a และ b paths (a * b)

วิธีการวิเคราะห์ตัวแปรคั่นกลางใน R

ตอนนี้เราได้มีความเข้าใจที่ชัดเจนเกี่ยวกับชุดข้อมูลและสมมติฐานของเราแล้ว มาเริ่มใช้งาน R และทำงานกับข้อมูลกันเลย

ขั้นตอนที่ 1: ติดตั้งและโหลด Packages

ก่อนอื่น เราจะต้องติดตั้งและโหลด packages ที่จำเป็นสำหรับการทำ mediation analysis ใน R รวมถึงการสร้างภาพผลลัพธ์:

# Install packages
install.packages("psych")
install.packages("lavaan")
install.packages("ggplot2")
install.packages("readxl")
install.packages("semPlot")

# Load packages
library(psych)
library(lavaan)
library(ggplot2)
library(readxl)
library(semPlot)

นี่คือคำอธิบายโดยย่อของ packages ข้างต้น:

-psych: Package สำหรับการวิเคราะห์ทางจิตวิทยาและการวัดทางจิตมิติ เช่น factor analysis และสถิติเชิงพรรณนา

-lavaan: Package สำหรับการสร้างแบบจำลองสมการโครงสร้าง (Structural Equation Modeling - SEM) ด้วย syntax ที่เป็นมิตรกับผู้ใช้และดัชนีความพอดีหลายแบบ

-ggplot2: Package สร้างภาพข้อมูลที่ยืดหยุ่นอิงตาม Grammar of Graphics สำหรับสร้างกราฟที่ซับซ้อนและปรับแต่งได้

-readxl: Package น้ำหนักเบาสำหรับการนำเข้าไฟล์ Excel (.xls และ .xlsx) เข้าสู่ data frames ใน R

-semPlot: เครื่องมือสร้างภาพสำหรับสร้าง path diagrams ของแบบจำลองสมการโครงสร้าง (SEMs) พร้อมตัวเลือกการปรับแต่ง

ขั้นตอนที่ 2: นำเข้าและสำรวจชุดข้อมูล

ต่อไป เราจะนำเข้าชุดข้อมูลของเราเข้าสู่ R และดูแถวแรกๆ เพื่อทำความคุ้นเคยกับข้อมูล คุณอาจใช้ชุดข้อมูลของคุณเอง หรือดาวน์โหลดชุดข้อมูลฝึกหัดจากแถบด้านข้าง (เพื่อการศึกษาเท่านั้น)

หมายเหตุ: หากชุดข้อมูลของคุณเป็นไฟล์ Excel .xlsx ให้ใช้ syntax ดังนี้:

# Import the dataset
data <- read_excel("path/to/your/dataset.xlsx")

#Explore dataset
head(data)

• หากชุดข้อมูลของคุณเป็นไฟล์ Excel .csv ให้ใช้ syntax ดังนี้:

# Import dataset
data <- read.csv("path/to/your/dataset.csv")

# Explore dataset
head(data)

สมมติว่าชุดข้อมูลของเราประกอบด้วยสามคอลัมน์ – job_satisfaction, workplace_motivation และ job_performance – ผลลัพธ์ควรมีลักษณะประมาณนี้:

ตัวอย่างชุดข้อมูลแสดง 6 แถวแรกของชุดข้อมูลการวิเคราะห์ตัวแปรคั่นกลางใน R

ขั้นตอนที่ 3: สถิติเชิงพรรณนาและความสัมพันธ์

ก่อนที่เราจะรันการวิเคราะห์ตัวแปรคั่นกลาง มาคำนวณสถิติเชิงพรรณนาและความสัมพันธ์สำหรับตัวแปรของเรากันก่อน

# Descriptive statistics
summary(data)

# Correlations
correlations <- cor(data)
print(correlations)

สิ่งนี้จะให้ภาพรวมของค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และความสัมพันธ์ของตัวแปรของเรา

ผลลัพธ์สถิติเชิงพรรณนาและ correlation matrix ใน R สำหรับตัวแปร mediation

การทำสถิติเชิงพรรณนาและการวิเคราะห์ความสัมพันธ์ก่อนการวิเคราะห์ตัวแปรคั่นกลางเป็นสิ่งสำคัญด้วยเหตุผลหลายประการ:

-การทำความเข้าใจข้อมูล: สถิติเชิงพรรณนาให้สรุปชุดข้อมูลของคุณและช่วยให้คุณเข้าใจแนวโน้มเข้าสู่ส่วนกลาง การกระจาย และรูปร่างของการแจกแจงสำหรับแต่ละตัวแปร ความเข้าใจนี้มีความสำคัญก่อนที่จะดำเนินการวิเคราะห์ที่ซับซ้อนกว่า เช่น mediation analysis เพราะจะช่วยให้คุณระบุปัญหาหรือค่าผิดปกติในข้อมูลได้

-การตรวจสอบข้อสมมติฐาน: เทคนิคทางสถิติหลายแบบ รวมถึง mediation analysis อาศัยข้อสมมติฐานบางประการเกี่ยวกับข้อมูล สถิติเชิงพรรณนาสามารถช่วยคุณประเมินว่าข้อสมมติฐานเหล่านี้ได้รับการปฏิบัติตามหรือไม่ ตัวอย่างเช่น การแจกแจงแบบปกติของตัวแปรมักเป็นข้อสมมติฐานใน mediation analysis และคุณสามารถตรวจสอบสิ่งนี้ผ่านสถิติเชิงพรรณนา เช่น skewness และ kurtosis

-ข้อมูลเชิงลึกเบื้องต้น: การวิเคราะห์ความสัมพันธ์ให้ความเข้าใจเบื้องต้นเกี่ยวกับความสัมพันธ์ระหว่างตัวแปรของคุณ มันช่วยให้คุณตรวจสอบความแข็งแกร่งและทิศทางของความสัมพันธ์ ซึ่งอาจเป็นประโยชน์ในการสร้างสมมติฐานหรือการกำหนด mediation model ความสัมพันธ์ที่แข็งแกร่งระหว่างตัวแปรอิสระ (X) และตัวแปรคั่นกลาง (M) รวมถึงระหว่างตัวแปรคั่นกลาง (M) และตัวแปรตาม (Y) อาจบ่งบอกถึงการมีอยู่ของ mediation effects

-การประเมิน Multicollinearity: การตรวจสอบความสัมพันธ์ยังสามารถช่วยคุณตรวจจับ multicollinearity ซึ่งเป็นสถานการณ์ที่ตัวแปรพยากรณ์สองตัวขึ้นไปมีความสัมพันธ์กันสูง Multicollinearity สามารถสร้างปัญหาใน mediation analysis เพราะอาจนำไปสู่การประมาณค่าที่ไม่เสถียรหรือ standard errors ที่สูงเกินจริง โดยการระบุ multicollinearity ตั้งแต่เนิ่นๆ คุณสามารถจัดการกับมันก่อนดำเนินการวิเคราะห์ตัวแปรคั่นกลาง

ขั้นตอนที่ 4: กำหนด Mediation Model

ตอนนี้เราเข้าใจชุดข้อมูลของเราแล้ว ได้เวลากำหนด mediation model เราจะใช้ R lavaan package เพื่อกำหนดโมเดลโดยใช้ syntax ดังนี้:

mediation_model <- '
 # Direct effects
 workplace_motivation ~ a*job_satisfaction
 job_performance ~ c * job_satisfaction + b*workplace_motivation

 # Indirect effect (a * b)
 indirect := a*b

 # Total effect (c + indirect)
 total := c + indirect
'

ในโมเดลนี้ เรากำหนดผลกระทบโดยตรง (direct effects) ของ job satisfaction (X) ต่อ workplace motivation (M) และ job performance (Y) เรายังกำหนด indirect effect (a*b) และ total effect (c + indirect)

หมายเหตุ: หากคุณสงสัยว่าทำไมคุณไม่ได้รับผลลัพธ์ใดๆ จากสคริปต์ R ข้างต้น เป็นเพราะสิ่งนี้เพียงแค่กำหนด mediation model เป็นสตริงแต่ไม่ได้ทำการวิเคราะห์หรือพิมพ์ผลลัพธ์ใดๆ การวิเคราะห์ตัวแปรคั่นกลางที่แท้จริงใน R จะถูกทำในขั้นตอนถัดไป

ขั้นตอนที่ 5: ประมาณค่า Mediation Model

เมื่อเรากำหนด mediation model แล้ว ตอนนี้เราสามารถประมาณค่ามันโดยใช้ lavaan package เราจะปรับโมเดลให้เข้ากับชุดข้อมูลของเราแล้วสรุปผลลัพธ์

# Estimate the mediation model
mediation_results <- sem(mediation_model, data = data)

# Summarize the results
summary(mediation_results, standardized = TRUE, fit.measures = TRUE)

ผลสรุปจะแสดง direct effects ที่ประมาณค่าได้ (a, b และ c paths), indirect effect (a*b) และ total effect (c + indirect) พร้อมกับระดับนัยสำคัญ – ดังที่เห็นด้านล่าง:

Lavaan SEM output แสดงผลการวิเคราะห์ตัวแปรคั่นกลางพร้อม path estimates และระดับนัยสำคัญ

เอาล่ะ แต่ตัวเลขทั้งหมดเหล่านี้หมายความว่าอย่างไร? มาคุยกันในหัวข้อถัดไป

ขั้นตอนที่ 6: การอ่านค่า / การแปลผล Mediation Output ใน R

จากผลลัพธ์ของการวิเคราะห์ตัวแปรคั่นกลางของคุณโดยใช้ชุดข้อมูลตัวอย่างที่เราใช้ในบทเรียนนี้ นี่คือวิธีการแปลผลการวิเคราะห์ตัวแปรคั่นกลางใน R:

Parameter Estimates:

• Path a (job satisfaction -> workplace motivation): ค่าสัมประสิทธิ์ที่ประมาณการได้สำหรับผลกระทบโดยตรงของ job satisfaction (X) ต่อ workplace motivation (M) คือ 1.218 สิ่งนี้แสดงให้เห็นว่าโดยเฉลี่ย การเพิ่มขึ้น 1 หน่วยของความพึงพอใจในงานมีความสัมพันธ์กับการเพิ่มขึ้น 1.218 หน่วยของแรงจูงใจในสถานที่ทำงาน สมมติว่ามีความสัมพันธ์เชิงเส้น (linear relationship) ค่าสัมประสิทธิ์มาตรฐาน (Std.all) คือ 1.000 ซึ่งบ่งบอกถึงความสัมพันธ์เชิงบวกที่แข็งแกร่งระหว่างความพึงพอใจในงานและแรงจูงใจในสถานที่ทำงาน

• Path b (workplace motivation -> job performance): ค่าสัมประสิทธิ์ที่ประมาณการได้สำหรับผลกระทบโดยตรงของ workplace motivation (M) ต่อ job performance (Y) คือ 0.727 สิ่งนี้แสดงให้เห็นว่าโดยเฉลี่ย การเพิ่มขึ้น 1 หน่วยของแรงจูงใจในสถานที่ทำงานมีความสัมพันธ์กับการเพิ่มขึ้น 0.727 หน่วยของผลการปฏิบัติงาน สมมติว่ามีความสัมพันธ์เชิงเส้น ค่าสัมประสิทธิ์มาตรฐาน (Std.all) คือ 0.632 ซึ่งบ่งบอกถึงความสัมพันธ์เชิงบวกในระดับปานกลางระหว่างแรงจูงใจในสถานที่ทำงานและผลการปฏิบัติงาน

• Path c (job satisfaction -> job performance): ค่าสัมประสิทธิ์ที่ประมาณการได้สำหรับผลกระทบโดยตรงของ job satisfaction (X) ต่อ job performance (Y) โดยไม่พิจารณาผลกระทบของการคั่นกลางคือ 0.516 สิ่งนี้แสดงให้เห็นว่าโดยเฉลี่ย การเพิ่มขึ้น 1 หน่วยของความพึงพอใจในงานมีความสัมพันธ์กับการเพิ่มขึ้น 0.516 หน่วยของผลการปฏิบัติงาน สมมติว่ามีความสัมพันธ์เชิงเส้น ค่าสัมประสิทธิ์มาตรฐาน (Std.all) คือ 0.368 ซึ่งบ่งบอกถึงความสัมพันธ์เชิงบวกในระดับอ่อนถึงปานกลางระหว่างความพึงพอใจในงานและผลการปฏิบัติงาน

Defined Parameters:

• Indirect effect (a*b): ผลกระทบทางอ้อมที่ประมาณการได้ของ job satisfaction (X) ต่อ job performance (Y) ผ่านทาง workplace motivation (M) คือ 0.885 สิ่งนี้แสดงให้เห็นว่าโดยเฉลี่ย การเพิ่มขึ้น 1 หน่วยของความพึงพอใจในงานส่งผลให้เกิดการเพิ่มขึ้น 0.885 หน่วยของผลการปฏิบัติงานโดยอ้อมผ่านทางผลกระทบต่อแรงจูงใจในสถานที่ทำงาน ผลกระทบทางอ้อมที่เป็นมาตรฐาน (Std.all) คือ 0.632 ซึ่งบ่งบอกถึงความสัมพันธ์เชิงบวกในระดับปานกลาง

• Total effect (c + indirect): ผลกระทบรวมที่ประมาณการได้ของ job satisfaction (X) ต่อ job performance (Y) โดยพิจารณาทั้งผลกระทบโดยตรงและทางอ้อมคือ 1.401 สิ่งนี้แสดงให้เห็นว่าโดยเฉลี่ย การเพิ่มขึ้น 1 หน่วยของความพึงพอใจในงานมีความสัมพันธ์กับการเพิ่มขึ้น 1.401 หน่วยของผลการปฏิบัติงานเมื่อพิจารณาทั้งผลกระทบโดยตรงและทางอ้อม ผลกระทบรวมที่เป็นมาตรฐาน (Std.all) คือ 1.000 ซึ่งบ่งบอกถึงความสัมพันธ์เชิงบวกที่แข็งแกร่ง

ขอให้ทราบว่าผลลัพธ์ที่นำเสนอที่นี่อิงจาก ชุดข้อมูลสมมติที่สร้างขึ้นเพื่อการสาธิตเท่านั้น และการแปลผลไม่ควรถือว่ามีความหมาย อย่างไรก็ตาม กระบวนการแปลผลการวิเคราะห์ตัวแปรคั่นกลางยังคงเหมือนเดิมสำหรับชุดข้อมูลในชีวิตจริง

ขั้นตอนที่ 7: สร้างภาพ Mediation ใน R

เพื่อให้ผลลัพธ์ของเราเข้าถึงได้มากขึ้น มาสร้างแผนภาพโดยใช้ package ggplot2:

# Load the necessary libraries
library(ggplot2)

# Create a bar plot to visualize the path coefficients
ggplot(path_data, aes(x = path, y = coefficient, fill = path)) +
 geom_bar(stat = "identity", position = position_dodge()) +
 geom_text(aes(label = round(coefficient, 3)), vjust = -0.3, size = 4) +
 theme_minimal() +
 theme(legend.position = "none") +
 ylab("Coefficient") +
 xlab("Path") +
 ggtitle("Mediation Analysis Results")

สคริปต์ข้างต้นจะสร้างแผนภูมิแท่งที่แสดงค่าสัมประสิทธิ์สำหรับแต่ละ path ใน mediation model ของเรา:

Bar chart แสดง path coefficients (a, b, c, indirect, total) จากการวิเคราะห์ตัวแปรคั่นกลาง

แผนภูมิแท่งที่เราสร้างข้างต้นเป็นการแสดงที่ดีของการวิเคราะห์ตัวแปรคั่นกลางของเรา แต่เราสามารถผลักดันสิ่งนี้ให้ไกลยิ่งขึ้นและสร้างแผนภาพ mediation พร้อมการประมาณค่า path ที่แสดงบนลูกศร ทำให้ง่ายต่อการแปลผลความสัมพันธ์ระหว่างตัวแปรโดยใช้สคริปต์ R ดังนี้:

# Load the necessary libraries
library(ggplot2)
library(semPlot)

# Create a bar plot to visualize the path coefficients
bar_plot <- ggplot(path_data, aes(x = path, y = coefficient, fill = path)) +
 geom_bar(stat = "identity", position = position_dodge()) +
 geom_text(aes(label = round(coefficient, 3)), vjust = -0.3, size = 4) +
 theme_minimal() +
 theme(legend.position = "none") +
 ylab("Coefficient") +
 xlab("Path") +
 ggtitle("Mediation Analysis Results")

# Plot the bar plot
print(bar_plot)

# Plot the mediation diagram with path estimates
semPaths(mediation_fit, whatLabels = "est", style = "lisrel", intercepts = FALSE)

สิ่งนี้จะสร้างแผนภาพ mediation พร้อมการประมาณค่า path ที่แสดงบนลูกศร ทำให้ง่ายต่อการแปลผลความสัมพันธ์ระหว่างตัวแปรในโมเดลของเรา:

Path diagram ที่สร้างด้วย semPlot แสดง mediation model พร้อมค่าสัมประสิทธิ์ที่ประมาณการได้

นี่คือคำอธิบายโดยย่อเกี่ยวกับวิธีการแปลผลแผนภาพข้างต้น:

-X -> M (a path): ลูกศรนี้แสดงผลกระทบของ job satisfaction (X) ต่อ workplace motivation (M) ตัวเลขบวกหมายความว่าเมื่อความพึงพอใจในงานเพิ่มขึ้น แรงจูงใจในสถานที่ทำงานก็เพิ่มขึ้นด้วย ตัวเลขลบบ่งบอกว่าเมื่อความพึงพอใจในงานเพิ่มขึ้น แรงจูงใจในสถานที่ทำงานจะลดลง ขนาดของตัวเลขสะท้อนถึงความแข็งแกร่งของความสัมพันธ์นี้

-M -> Y (b path): ลูกศรนี้แสดงถึงผลกระทบของ workplace motivation (M) ต่อ job performance (Y) สมมติว่า job satisfaction (X) ถูกควบคุมให้คงที่ ตัวเลขบวกหมายความว่าเมื่อแรงจูงใจในสถานที่ทำงานเพิ่มขึ้น ผลการปฏิบัติงานก็เพิ่มขึ้นด้วย ตัวเลขลบบ่งบอกว่าเมื่อแรงจูงใจในสถานที่ทำงานเพิ่มขึ้น ผลการปฏิบัติงานจะลดลง ขนาดของตัวเลขสะท้อนถึงความแข็งแกร่งของความสัมพันธ์นี้

-X -> Y (c path): ลูกศรนี้แสดงผลกระทบโดยตรงของ job satisfaction (X) ต่อ job performance (Y) โดยไม่พิจารณาตัวแปรคั่นกลาง (workplace motivation) ตัวเลขบวกหมายความว่าเมื่อความพึงพอใจในงานเพิ่มขึ้น ผลการปฏิบัติงานก็เพิ่มขึ้นด้วย ตัวเลขลบบ่งบอกว่าเมื่อความพึงพอใจในงานเพิ่มขึ้น ผลการปฏิบัติงานจะลดลง ขนาดของตัวเลขสะท้อนถึงความแข็งแกร่งของความสัมพันธ์นี้

ในการแปลผลผลลัพธ์ ให้พิจารณาเครื่องหมาย (บวกหรือลบ) และขนาดของ path coefficients ค่าสัมบูรณ์ที่ใหญ่กว่าบ่งบอกถึงความสัมพันธ์ที่แข็งแกร่งกว่าระหว่างตัวแปร

หาก indirect effect (a* b) มีนัยสำคัญ จะแสดงให้เห็นว่า workplace motivation เป็นตัวแปรคั่นกลางในความสัมพันธ์ระหว่าง job satisfaction และ job performance ในกรณีนี้ ส่วนหนึ่งของผลกระทบของความพึงพอใจในงานต่อผลการปฏิบัติงานสามารถอธิบายได้ผ่านทางแรงจูงใจในสถานที่ทำงาน

คำถามที่พบบ่อย

สรุป

ในคู่มือที่ครอบคลุมนี้ คุณได้เรียนรู้ วิธีการวิเคราะห์ตัวแปรคั่นกลางใน R โดยใช้ lavaan package ด้วยกระบวนการ 7 ขั้นตอนที่สมบูรณ์ ตั้งแต่การติดตั้ง packages ไปจนถึงการสร้างภาพผลลัพธ์ ตอนนี้คุณเข้าใจวิธีการทำ mediation in R การแปลผล path coefficients (a, b, c) และการทดสอบ indirect effects แล้ว

mediation analysis R workflow ที่เราครอบคลุม—ตั้งแต่การนำเข้าข้อมูลผ่านการแปลผล R mediation analysis—ให้พื้นฐานที่มั่นคงสำหรับการสืบสวนผลกระทบทางอ้อมในงานวิจัยของคุณ ไม่ว่าคุณจะสร้าง mediation model in R สำหรับวิทยานิพนธ์ของคุณหรือสำรวจกลไกการคั่นกลางในข้อมูลจริง lavaan package มีความยืดหยุ่นและความแม่นยำที่คุณต้องการ

ต้องการความช่วยเหลือในการวิเคราะห์ที่เกี่ยวข้องหรือไม่? ดูคู่มือของเราเกี่ยวกับ การวิเคราะห์ตัวแปรคั่นกลางใน SPSS, การวิเคราะห์ตัวแปรกำกับใน R หรือเรียนรู้เกี่ยวกับ mediators vs moderators เพื่อเพิ่มความเข้าใจของคุณเกี่ยวกับเทคนิคทางสถิติขั้นสูง