ความแม่นยำของการประมาณค่าพารามิเตอร์ในการวิเคราะห์องค์ประกอบเชิงยืนยัน ภายใต้โมเดลที่มีการระบุผิดพลาด

Abstract

การวิจัยนี้มีวัตถุประสงค์คือเปรียบเทียบความแม่นยำของการประมาณค่าพารามิเตอร์ และวิเคราะห์ผลกระทบของปัจจัย ในการวิเคราะห์องค์ประกอบเชิงยืนยัน ด้วยวิธีการ 4 วิธี ได้แก่ วิธีภาวะความควรจะเป็นสูงสุด (ML) วิธีภาวะความควรจะเป็นสูงสุดที่มีความแกร่ง (RML) วิธีกำลังสองน้อยสุดทั่วไป (GLS) และวิธีกำลังสองน้อยสุดถ่วงน้ำหนัก (WLS) ภายใต้สถานการณ์ที่มีการระบุพารามิเตอร์ความแปรปรวนร่วมของความคลาดเคลื่อนจากการวัดผิดพลาด และตัวแปรสังเกตได้มีการแจกแจงไม่ปกติ การวิจัยใช้ระเบียบวิจัยเชิงทดลองโดยใช้ข้อมูลจำลองด้วยเทคนิคมอนติคาร์โล ภายใต้ 20 เงื่อนไขการจำลองจาก 3 ปัจจัย ประกอบด้วย (1) ระดับการระบุโมเดลผิดพลาด 3 ระดับ คือ ต่ำ (RMSEA=.02) ปานกลาง (RMSEA=.04) และสูง (RMSEA=.06) (2) การแจกแจงความน่าจะเป็นของตัวแปรสังเกตมี 3 ระดับ คือ แบนราบกว่าปกติระดับน้อย (ku=-1) โด่งกว่าปกติระดับน้อย (ku=1) และโด่งกว่าปกติระดับมาก (ku=2) (3) ขนาดตัวอย่างเท่ากับ 200, 400, 600 และ 800 หน่วยตัวอย่าง โดยแต่ละเงี่อนไขการจำลองจะทำซ้ำ 1000 รอบ และใช้ค่าความเอนเอียงสัมพัทธ์ (RB) เป็นเกณฑ์การเปรียบเทียบความแม่นยำของการประมาณค่าพารามิเตอร์

ผลการวิจัยพบว่า (1) วิธี ML และ RML มีความเอนเอียงสัมพัทธ์ไม่แตกต่างกัน และมีความเอนเอียงสัมพัทธ์ต่ำกว่าวิธี GLS และ WLS (2) ปัจจัยที่ส่งผลกระทบต่อความเอนเอียงสัมพัทธ์ของค่าประมาณพารามิเตอร์อย่างมีนัยสำคัญทางสถิติ (p-value= .000) เรียงตามขนาดอิทธิพลได้แก่ ประเภทของพารามิเตอร์ วิธีการประมาณค่าพารามิเตอร์ ระดับของการระบุโมเดลผิดพลาด และขนาดตัวอย่าง ขณะที่ระดับความโด่งของการแจกแจงความน่าจะเป็นของตัวแปรสังเกตมีไม่มีผลกระทบต่อค่า RB ของค่าประมาณพารามิเตอร์อย่างมีนัยสำคัญทางสถิติ (p-value= .237)

This research aimed to compare the accuracy of parameter estimation methods and effects of factors in confirmatory factor analysis with four parameter estimation methods including maximum likelihood (ML), robust maximum likelihood (RML), generalized least squares (GLS), and weighted least squares (WLS) when measurement error covariances are misspecified and observed variables are abnormally distributed. Data was generated by using the Monte Carlo technique under 20 simulation conditions from three factors consisting of (1) misspecification level included low (RMSEA=.02), moderate (RMSEA=.04), and high (RMSEA=.06) (2) kurtosis level of the observed variables distribution included low platykurtic (ku=-1), moderate leptokurtic (ku=1) and high leptokurtic (ku=2) and (3) sample sizes included 200, 400, 600 and 800 units. Each condition was repeated 1000 times. The relative bias (RB) was used to compare the accuracy of the estimation methods.

The results were: 1) ML and RML methods were equa tol RB and less RB than GLS and WLS methods; and 2) the factors that significantly affected RB of the estimated parameters (p-value= .000) were sorted by their effect size by the type of parameters, estimation methods, misspecification level, and sample size, while the kurtosis of the observed variable distribution did not significantly affect RB of tje estimated parameters (p-value= .237).