factor analysis

การวิเคราะห์ องค์ ประกอบ

(Factor analysis)



1. ความหมายของการวิเคราะห์ องค์ ประกอบ

Factor analysis มีชื่อเรี ยกในภาษาไทย หลายคา เช่น การวิเคราะห์องค์ประกอบ

ั

การวิเคราะห์ตวประกอบ การวิเคราะห์องค์ประกอบ เป็ นต้น

สาหรับในการเขียนรายงานครั้งนี้จะใช้คาว่า การวิเคราะห์องค์ประกอบ

ู้

ซึ่ งมีผให้ความหมายไว้หลายท่าน ดังนี้

เพชรน้อย สิ งห์ช่างชัย (2549) ให้ความหมายคือ

ั

การวิเคราะห์องค์ประกอบเป็ นเทคนิคทางสถิติ สาหรับวิเคราะห์ตวแปรหลายตัว (Multivariate

ั ั

analysis techniques) ที่ออกแบบมาเพื่อช่วยให้นกวิจยได้ใช้แสวงหาความรู ้ความจริ งดังกล่าว เช่น

ั

นักวิจยสามารถใช้การวิเคราะห์องค์ประกอบเชิงสารวจ (Exploratory Factor Analysis หรื อ EFA)

ั

ในการพัฒนาทฤษฎี หรื อนักวิจยสามารถใช้การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory

Factor Analysis หรื อ CFA) ในการทดสอบหรื อยืนยันทฤษฎี

กัลยา วานิชบัญชา (2551) สรุ ปว่า

เป็ นการวิเคราะห์หลายตัวแปรเทคนิคหนึ่งเพื่อการสรุ ปรายละเอียดของตัวแปรหลายตัว

หรื อเรี ยกว่าเป็ นเทคนิคที่ใช้ในการลดจานวนตัวแปรเทคนิคหนึ่งโดยการศึกษาถึงโครงสร้างความสั

มพันธ์ของตัวแปร และสร้างตัวแปรใหม่เรี ยกว่า องค์ประกอบ

ั

โดยองค์ประกอบที่สร้างขึ้นจะเป็ นการนาตัวแปรที่มีความสัมพันธ์กนหรื อมีความร่ วมกันสู งมารวม

่

กันเป็ นองค์ประกอบเดียวกัน ส่ วนตัวแปรที่อยูคนละองค์ประกอบมีความร่ วมกันน้อย

ั

หรื อไม่มีความสัมพันธ์กนเลย

แมรี่ แอนเคาช์ลิน และวิลเลียม ไนท์ (Mary Ann Coughlin & William Knight)

ได้สรุ ปว่า เป็ นการทดสอบความสัมพันธ์ระหว่างตัวแปรหลาย ๆ ตัว เพื่อค้นหาว่า

ตัวแปรนี้สามารถรวมกลุ่มกันได้หรื อไม่ ซึ่ งจะกลายเป็ นองค์ประกอบเดียวกัน

โดยสรุ ปการวิเคราะห์องค์ประกอบ หมายถึง

เทคนิควิธีทางสถิติที่จะจับกลุ่มหรื อรวมกลุ่ม

ั

หรื อรวมตัวแปรที่มีความสัมพันธ์กนไว้ในกลุ่มเดียวกัน

ั

ซึ่ งความสัมพันธ์เป็ นไปได้ท้ งทางบวกและทางลบ ตัวแปรภายในองค์ประกอบเดียวกัน

ั

จะมีความสัมพันธ์กนสู ง ส่ วนตัวแปร

ั

ที่ต่างองค์ประกอบ จะสัมพันธ์กนน้อยหรื อไม่มี สามารถใช้ได้ท้ งการพัฒนาทฤษฎีใหม่ หรื อ

ั

การทดสอบหรื อยืนยันทฤษฎีเดิม

2









2. ประเภทของเทคนิคการวิเคราะห์ องค์ ประกอบ

เทคนิคของการวิเคราะห์องค์ประกอบ แบ่งออกเป็ น 2 ประเภทคือ

1. การวิเคราะห์องค์ประกอบเชิงสารวจ (Exploratory Factor Analysis)

2. การวิเคราะห์องค์ประกอบเชิงยืนยัน (Confirmatory Factor Analysis)

1. การวิเคราะห์ องค์ ประกอบเชิงสารวจ (Exploratory Factor Analysis)

ู้

การวิเคราะห์องค์ประกอบเชิงสารวจจะใช้ในกรณี ที่ผศึกษาไม่มีความรู ้

หรื อมีความรู ้นอยมากเกี่ยวกับโครงสร้างความสัมพันธ์ของตัวแปรเพื่อศึกษาโครงสร้างของตัวแปร

้

และลดจานวนตัวแปรที่มีอยูเ่ ดิมให้มีการรวมกันได้

2. การวิเคราะห์ องค์ ประกอบเชิงยืนยัน (Confirmatory Factor Analysis)



ู้

การวิเคราะห์องค์ประกอบเชิงยืนยันจะใช้กรณี ที่ผศึกษาทราบโครงสร้างความสัมพันธ์ของตัวแปร

หรื อคาดว่าโครงสร้างความสัมพันธ์ของตัวแปรควรจะเป็ นรู ปแบบใด

ั ่

หรื อคาดว่าตัวแปรใดบ้างที่มีความสัมพันธ์กนมากและควรอยูในองค์ประกอบเดียวกัน หรื อคาดว่า

ั ่

มีตวแปรใดที่ไม่มีความสัมพันธ์กน ควรจะอยูต่างองค์ประกอบกัน หรื อกล่าวได้วา

ั ่

้

ผูศึกษาทราบโครงสร้างความสัมพันธ์ของตัวแปร

่

หรื อคาดไว้วาโครงสร้างความสัมพันธ์ของตัวแปรเป็ นอย่างไรและจะใช้เทคนิคการวิเคราะห์องค์ปร

่

ะกอบเชิงยืนยันมาตรวจสอบหรื อยืนยันความสัมพันธ์วาเป็ นอย่างที่คาดไว้หรื อไม่

โดยการวิเคราะห์หาความตรงเชิงโครงสร้างนันเอง ่



3. วัตถุประสงค์ ของเทคนิค Factor Analysis

1) เพื่อศึกษาว่าองค์ประกอบร่ วมที่จะสามารถอธิ บายความสัมพันธ์ร่วมกันระหว่าง

ตัวแปรต่าง ๆ โดยที่จานวนองค์ประกอบร่ วมที่หาได้จะมีจานวนน้อยกว่าจานวนตัวแปรนั้น

จึงทาให้ทราบว่ามีองค์ประกอบร่ วมอะไรบ้าง โมเดลนี้ เรี ยกว่า Exploratory Factor Analysis

Model : EFA

2) เพื่อต้องการทดสอบสมมุติฐานเกี่ยวกับโครงสร้างขององค์ประกอบว่า

องค์ประกอบแต่ละองค์ประกอบด้วยตัวแปรอะไรบ้าง

ั

และตัวแปรแต่ละตัวควรมีน้ าหนักหรื ออัตราความสัมพันธ์กบองค์ประกอบมากน้อยเพียงใด

3



ตรงกับที่คาดคะเนไว้หรื อไม่

่

หรื อสรุ ปได้วาเพื่อต้องการทดสอบว่าตัวประกอบอย่างนี้ตรงกับโมเดลหรื อตรงกับทฤษฎีที่มีอยูหรื อ่

ไม่ โมเดลนี้ เรี ยกว่า Confirmatory Factor Analysis Model: CFA ซึ่งเทคนิคของ Factor Analysis

สามารถสรุ ปได้เป็ นรู ปแบบดังนี้









สรุ ปรู ปแบบการวิเคราะห์ ตัวประกอบ







Factor Analysis









Exploratory Factor Analysis Confirmatory Factor Analysis









Component Factor Model Common Factor Model







Principal Component Analysis - Principal Axis Factoring (PAF หรื อ PA2)

( PC หรื อ PA1) - Image Factor Analysis (IMAGE)

- Canonical Factor Analysis (ML)

- Alpha Factor Analysis (AFA)

- Unweighted Least Square (ULS)

- Generalized Least Squares (GLS)



4. ประโยชน์ ของเทคนิค Factor Analysis

4



่

1) ลดจานวนตัวแปร โดยการรวมตัวแปรหลาย ๆ ตัวให้อยูในองค์ประกอบเดียวกัน

องค์ประกอบที่ได้ถือเป็ นตัวแปรใหม่ ที่สามารถหาค่าข้อมูลขององค์ประกอบที่สร้างขึ้นได้ เรี ยกว่า

Factor Score จึงสามารถนาองค์ประกอบดังกล่าวไปเป็ นตัวแปรสาหรับการวิเคราะห์ทางสถิติต่อไป

เช่น การวิเคราะห์ความถดถอยและสหสัมพันธ์ (Regression and Correlation Analysis)

การวิเคราะห์ความแปรปรวน (ANOVA) การทดสอบสมมุติฐาน T – test Z – test

และการวิเคราะห์จาแนกกลุ่ม (Discriminant Analysis) เป็ นต้น









2)

ั

ใช้ในการแก้ปัญหาอันเนื่องมาจากการที่ตวแปรอิสระของเทคนิคการวิเคราะห์สมการความถดถอยมี

ั

ความสัมพันธ์กน (Multicollinearity) ซึ่ งวิธีการอย่างหนึ่งในการแก้ปัญหานี้ คือ

้

การรวมตัวแปรอิสระที่มีความสัมพันธ์ไว้ดวยกัน โดยการสร้างเป็ นตัวแปรใหม่หรื อเรี ยกว่า

องค์ประกอบ โดยใช้เทคนิค Factor Analysis

แล้วนาองค์ประกอบดังกล่าวไปเป็ นตัวแปรอิสระในการวิเคราะห์ความถดถอยต่อไป

3) ทาให้เห็นโครงสร้างความสัมพันธ์ของตัวแปรที่ศึกษา เนื่องจากเทคนิค Factor

Analysis จะหาค่าสัมประสิ ทธิ์ สหสัมพันธ์ (Correlation) ของตัวแปรทีละคู่

ั

แล้วรวมตัวแปรที่สัมพันธ์กนมากไว้ในองค์ประกอบเดียวกัน

จึงสามารถวิเคราะห์โครงสร้างที่แสดงความสัมพันธ์ของตัวแปรต่าง ๆ

่

ที่อยูในองค์ประกอบเดียวกันได้ ทาให้สามารถอธิ บายความหมายของแต่ละองค์ประกอบได้

่

ตามความหมายของตัวแปรต่าง ๆ ที่อยูในองค์ประกอบนั้น

ทาให้สามารถนาไปใช้ในด้านการวางแผนได้ เช่น

การพัฒนาพหุ ปัญญาสาหรับนักเรี ยนชั้นมัธยมศึกษาตอนต้นตามทฤษฎีพหุ ปัญญาของการ์ ดเนอร์

(2546)



้

5. ข้ อตกลงเบืองต้ นของการใช้ สถิติการวิเคราะห์ องค์ ประกอบ

้

สถิติการวิเคราะห์องค์ประกอบ มีขอตกลงเบื้องต้น (Stevens, 1992, 1996; Tabachnick

& Fidell, 2001; Munro, 2001 : 309 อ้างใน เพชรน้อย สิ งห์ช่างชัย, 2549)

1) ตัวแปรที่คดเลือกมาวิเคราะห์องค์ประกอบ ต้องเป็ นตัวแปรที่มีค่าต่อเนื่อง

ั

หรื อมีค่าในมาตราระดับช่วง (Interval scale) และมาตราอัตราส่ วน (Ratio scale)

5



เนื่องจากการวิเคราะห์องค์ประกอบ

ั

ตัวแปรที่คดเลือกมาวิเคราะห์องค์ประกอบควรมีความสัมพันธ์ระหว่างตัวแปร

ั

2) ตัวแปรที่คดเลือกมาวิเคราะห์องค์ประกอบ

ควรมีความสัมพันธ์ระหว่างตัวแปรในระดับสู ง (r = 0.30 – 0.70)

รู ปแบบความสัมพันธ์ระหว่างองค์ประกอบและตัวแปรที่อยูในรู ป ่

เชิงเส้น (linear) เท่านั้น

ั

3) จานวนตัวแปรที่คดเลือกมาวิเคราะห์องค์ประกอบ ควรมีจานวนมากกว่า 30 ตัวแปร

4) กลุ่มตัวอย่าง ควรมีขนาดใหญ่และควรมีมากกว่าจานวนตัวแปร

ซึ่ งมักมีคาถามว่าควรมากกว่ากี่เท่า

มีบางแนวคิดที่เสนอแนะให้ใช้จานวนข้อมูลมากกว่าจานวนตัวแปรอย่างน้อย 5 – 10 เท่า

หรื ออย่างน้อยที่สุด สัดส่ วนจานวนตัวอย่าง 3 ราย ต่อ 1 ตัวแปร

5) กรณี ที่ใช้เทคนิคการวิเคราะห์องค์ประกอบหลัก (Principle component analysis)

ตัวแปรแต่ละตัวหรื อข้อมูล ไม่จาเป็ นต้องมีการแจกแจงแบบปกติ

่

แต่ถาตัวแปรบางตัวมีการแจกแจงเบ้ค่อนข้างมาก และมีคาต่าสุ ด และค่าสู งสุ ดผิดปกติ (Outlier)

้

ผลลัพธ์ที่ได้อาจจะไม่ถูกต้อง









6. ข้ อจากัดและปัญหาของการใช้ สถิติการวิเคราะห์ องค์ ประกอบ

1.) ข้อจากัดเรื่ องจานวนตัวอย่าง

เนื่องจากการใช้สถิติการวิเคราะห์องค์ประกอบต้องใช้จานวนตัวอย่าง (sample size) จานวนมาก

หากใช้ตวอย่างน้อยค่าสัมประสิ ทธิ์ สหสัมพันธ์จะต่า

ั

การประมาณจานวนตัวอย่างที่ใช้ในการวิเคราะห์องค์ประกอบมีหลายแนวคิด

สามารถสรุ ปตามแนวคิดของนักสถิติ ดังตาราง 1



ตาราง 1 แนวคิดการใช้ ขนาดตัวอย่าง เสนอแนะขนาดตัวอย่าง (n) และเหตุผล

สาหรับการใช้ สถิติการวิเคราะห์ องค์ ประกอบใ

นการวิจัย แนวคิดการใช้ ขนาดตัวอย่าง

6



1. พิจารณาการใช้ขนาดตัวอย่างสาหรับ 1.1) ได้เสนอแนะขนาดตัวอย่างดังนี้

วิเคราะห์องค์ประกอบอย่างเดียว จานวน 50 ราย ถือว่า แย่มาก (very poor)

1.1 คอมเลย์และลี (Comrey & Lee, 1992) จานวน 100 ราย ถือว่า ไม่ดี (poor)

1.2) ตามกฎหัวแม่มือหรื อกฎอย่างง่าย จานวน 200 ราย ถือว่า พอใช้ได้ (fair)

(rule of thumb) จานวน 300 ราย ถือว่า ดี (as a good)

จานวน 500 ราย ถือว่า ดีมาก (as exellent)

1.2)

การวิเคราะห์องค์ประกอบควรมีขนาดตัวอย่างอ

ย่างน้อย 300 ราย

่ ั

2. การใช้ขนาดตัวอย่างขึ้นอยูกบจานวน 2.1) ขนาดตัวอย่างแค่ 150 รายก็เพียงพอ

้

องค์ประกอบที่ตองการวิเคราะห์ 2.2) ไม่จาเป็ นต้องระบุจานวนตัวอย่าง

ั

2.1) ถ้าการวิจยนั้นมีจานวนองค์ประกอบ 2.3) ตัวอย่างควรมีมากกว่า 150 ราย

น้อย (2-3 องค์ประกอบ) 2.4) ขนาดตัวอย่าง ควรมีอย่างน้อย 300

และ/หรื อมีค่าน้ าหนักองค์ประกอบต่ามาก

2.2) กรณี มีจานวนองค์ประกอบ 4

องค์ประกอบ หรื อมีค่าน้ าหนัก

องค์ประกอบมากกว่า 0.6 หรื อ

2.3) จานวนองค์ประกอบมีเท่ากับ 10

องค์ประกอบหรื อน้ าหนักองค์ประกอบ

น้อยกว่า 0.4

ั

2.4) การวิจยนั้นมีจานวนองค์ประกอบน้อย

(2 – 3 องค์ประกอบ) และ/หรื อมีค่า

น้ าหนักองค์ประกอบต่ามาก



จากตาราง 1 เป็ นการสรุ ปเกี่ยวกับการใช้ขนาดตัวอย่าง

สาหรับการวิเคราะห์องค์ประกอบจากหลายแนวคิด

ั ั ั

แต่ท้ งนี้นกวิจยควรใช้ขนาดตัวอย่างให้สอดคล้องกับหลักการคิดขนาดตัวอย่างตามหลักสถิติ นันคือ่

ขนาดตัวอย่างต้องมีความเป็ นตัวแทนของประชากรที่ศึกษา

1.2) ข้อจากัดเกี่ยวกับระดับข้อมูลในการวิเคราะห์องค์ประกอบ

ข้อมูลต้องมีระดับการวัดประเภทมาตราวัดอันตรภาค (Interval scale) และมาตราอัตราส่ วน (Ratio

scale) ส่ วนตัวแปรที่มีระดับการวัดแบบกลุ่ม นักวิจยต้องทาให้เป็ นตัวแปรหุ่น (dummy variable)

ั

ั

เสี ยก่อน นอกจากนี้ลกษณะข้อมูลต้องมีการกระจายเป็ นโค้งปกติ

7



2) ปัญหาการวิเคราะห์องค์ประกอบมี 3 ประเด็น ดังนี้

ั

2.1) การวิเคราะห์องค์ประกอบไม่มีตวแปรตาม

ซึ่ งแตกต่างกับการทดสอบสถิติการวิเคราะห์ถดถอยเชิงพหุ แบบปกติ

สถิติการวิเคราะห์ถดถอยโลจิสติค สถิติการวิเคราะห์จาแนกประเภท และการวิเคราะห์เส้นทาง

ั ้

ดังนั้น สถิติการวิเคราะห์องค์ประกอบ จึงไม่สามารถใช้แก้ปัญหาการวิจยที่ตองการหาตัวทานายได้

2.2) ขั้นตอนการสกัดองค์ประกอบไม่สามารถระบุจานวนรอบของการสกัดได้

ั

ดังนั้นหลังจากขั้นตอนการสกัดองค์ประกอบนักวิจยจึงไม่สามารถระบุจานวนรอบของการสกัดองค์

่

ประกอบได้วามีกี่รอบจึงจะพอดี

ั ั ้

2.3) ในปัจจุบนการวิจยที่ตองการทดสอบเพื่อลดจานวนตัวแปร มีเพียงสถิติ

การวิเคราะห์องค์ประกอบเท่านั้น เนื่องจากสถิติน้ ีสามารถรวมตัวแปรหลาย ๆ

่

ตัวให้อยูในองค์ประกอบเดียวกัน และทาให้เห็นโครงสร้างความสัมพันธ์ของตัวแปรที่ศึกษา

โดยการหาค่าสัมประสิ ทธิ์ สหสัมพันธ์ (Correlation) ของตัวแปรทีละคู่

ั

แล้วรวมตัวแปรที่สัมพันธ์กนมากไว้ในองค์ประกอบเดียวกัน

หลังจากนี้จึงสามารถวิเคราะห์ถึงโครงสร้างที่แสดงความสัมพันธ์ของตัวแปรต่าง ๆ

่

ที่อยูในองค์ประกอบเดียวกันได้

ั ั

ดังนั้นเมื่อนักวิจยต้องการวิเคราะห์ให้ได้ผลการวิเคราะห์ดงกล่าวข้างต้น

จึงมีสถิติให้เลือกใช้เฉพาะสถิติการวิเคราะห์องค์ประกอบเพียงตัวเดียว

ั ิ ิ ั ั ิ

แต่ยงไม่มีวธีการทางสถิติวธีอื่น ๆ จึงทาให้นกวิจยต้องเลือกใช้วธีการวิเคราะห์องค์ประกอบทั้ง ๆ

ิ ้

ที่วธีน้ ีมีขอจากัดดังกล่าวข้างต้น









7. ความหมายของคาต่ างๆ ในการวิเคราะห์ องค์ ประกอบ

ความหมายของคาต่างๆ ในการวิเคราะห์องค์ประกอบ มีดงนี้ ั

1) องค์ ประกอบร่ วมกัน (Common Factor) หมายถึง

่

องค์ประกอบที่ประกอบด้วยตัวแปร 2 ตัวขึ้นไปมารวมกันอยูในองค์ประกอบเดียวกัน

โดยองค์ประกอบร่ วมจะอาศัยจากค่าสัมประสิ ทธิ์ สหสัมพันธ์ หรื อค่า r

8



ั

องค์ประกอบที่ประกอบด้วยตัวแปรที่มีค่าความสัมพันธ์กนมาก

จะเป็ นองค์ประกอบที่มีความหมายในการวิเคราะห์องค์ประกอบ

ั

2) องค์ ประกอบเฉพาะ (Specific Factor) ได้แก่ องค์ประกอบที่มีตวแปรเพียง

ตัวเดียว

3) ความร่ วมกัน (Communalities) หมายถึง

่

ค่าสัมประสิ ทธ์สหสัมพันธ์ระหว่างตัวแปรหนึ่งกับตัวแปรอื่นๆ ที่เหลือทั้งหมด มีค่าอยูระหว่าง 0

กับ 1 ถ้าตัวแปรใดมีค่านี้ต่า ตัวแปรนั้นจะถูกตัดออก ค่านี้ดูได้จาก Initial Statistic

หรื อค่าทแยงมุมของ Reproduced Correlation Matrix ความร่ วมกัน





X1 พิจารณาจากค่า r X2, X4, X5,

X6,…..,Xn

X3

ตัวแปรที่เหลือ





X1 และ X3 มีองค์ประกอบร่ วม

ภาพที่ 1 แสดงความร่ วมกัน (Communalities)

9





้

4) นาหนักองค์ ประกอบ (Factor Loading)

เป็ นค่าความสัมพันธ์ระหว่างตัวแปรกับองค์ประกอบ ซึ่ งควรมีค่ามากกว่า 0.3 (วิยะดา ตันวัฒนากูล

อ้างใน ยุทธ ไกรวรรณ์, 2551) ตัวแปรใดมีน้ าหนักในองค์ประกอบใดมาก

ควรจัดตัวแปรนั้นได้ในองค์ประกอบนั้น ในโปรแกรม SPSS

น้ าหนักองค์ประกอบของแต่ละองค์ประกอบดูได้จากตาราง Component Matrix

ก่อนการหมุนแกนองค์ประกอบ หรื อดูได้จากเส้นทแยงมุมของแมทริ กซ์ของค่าไอเกน (Eigen

Value)

5) คะแนนองค์ ประกอบ (Factor Score)

เป็ นคะแนนที่ได้จากน้ าหนักองค์ประกอบและค่าของตัวแปรในปั จจุบนนั้น ั

เพื่อใช้เป็ นค่าของตัวแปรใหม่ ที่เรี ยกว่า องค์ ประกอบ คะแนนองค์ประกอบของแต่ละองค์ประกอบ

ั

อาจมีความสัมพันธ์กนบ้าง ถ้าจัดจานวนองค์ประกอบเอาไว้มาก นันหมายความว่า

่

่

ตัวแปรเดียวกันอาจอยูในหลายองค์ประกอบได้ตามน้ าหนักองค์ประกอบ

ดังแสดงในภาพที่ 2

คะแนนองค์ ประกอบ 2

คะแนนองค์ ประกอบ

(คานวณ



คะแนนองค์ ประกอบจาก



Fac1 Fac2 ค่ า



ตัวแปร x2, x3 และ x5)

x1, x2, x6

x3, x5 x2 และน้าหนักองค์ ประกอบ



(Factor Loading)









ภาพที่ 2 แสดงการได้ คะแนนองค์ ประกอบ

ในโปรแกรม SPSS

คะแนนองค์ประกอบคานวณจากทุกตัวแปรในแต่ละองค์ประกอบตามความมากน้อยของน้ าหนักอง

ค์ประกอบ

6) ค่ าไอเกน (Eigen Value)

เป็ นค่าความผันแปรของตัวแปรทั้งหมดในแต่ละองค์ประกอบ ในการวิเคราะห์องค์ประกอบ

10



องค์ประกอบร่ วม (Common Factor) ที่ได้องค์ประกอบแรก

จะเป็ นองค์ประกอบที่แยกความผันแปรของตัวแปรออกมาจากองค์ประกอบอื่นได้มากที่สุด

ั ่

จึงมีตวแปรร่ วมอยูมากที่สุด ดังแสดงในภาพที่ 3









่

องค์ ประกอบร่ วมทีสอง องค์ ประกอบร่ วมองค์ ประกอบแรก



X2 X14

X1 X3 X12 X2 X8

X3 X4

X4 X5 X6 แยกองค์ ประกอบ X14 X15

X10 X11 X12

X5 X7

X7 X9 X13

X8 X10

X11





X1 X6

่

องค์ ประกอบร่ วมทีสาม

X9 X11





ภาพที่ 3 แสดงค่ าความแปรผันของตัวแปรทั้งหมดของแต่ ละองค์ ประกอบ



่

องค์ประกอบที่มีตวแปรร่ วมอยูมาก จึงมีค่าไอเกน มากตามด้วย ใน SPSS

ั

่

จะกาหนดค่าไอเกน เป็ น 1 อยูแล้ว (default = 1) ค่าไอเกนจะเท่ากับจานวนตัวแปร

ดังนั้นจึงเป็ นไปไม่ได้ที่องค์ประกอบแต่ ละองค์ประกอบจะมีค่าไอเกนต่ากว่า 1

ั ้ิั

ในงานวิจยถ้าผูวจยกาหนดตัวแปรเอาไว้

จานวนมาก ในการวิเคราะห์องค์ประกอบ (จริ ง) ควรให้ได้จานวนน้อยกว่าตัวแปรมาก ๆ และมี

จานวนที่เหมาะสมเพื่อ สะดวกในการวิเคราะห์ค่าสถิติอื่นๆ ต่อไป ค่าไอเกน หาได้จากสู ตร

11



2

Eigen Value = (ของนาหนักองค์ ประกอบของแต่ ละตัวแปรในองค์ ประกอบนั้น)

้

(ขององค์ ประกอบใด)









8. ขั้นตอนการวิเคราะห์ องค์ ประกอบ

ั

ขั้นตอนการวิเคราะห์ องค์ ประกอบมีข้นการทดสอบดังนี้

ั

ขั้นที่ 1 กา หนดปั ญหาการวิจย ทบทวนองค์ประกอบตัวแปรจากทฤษฎี เก็บข้อมูล

และเลือกวิธีวเิ คราะห์องค์ประกอบตามวัตถุประสงค์การวิจย ั

่

ขั้นที่ 2 ตรวจสอบข้อมูลที่ใช้วเิ คราะห์วาเป็ นไปตามข้อตกลงหรื อไม่ และสร้างเมทริ กซ์

สหสัมพันธ์ (Correlation Matrix)

ขั้นที่ 3 สกัดองค์ประกอบ (Extraction Factor Analysis : Factor Extraction หรื อ

Initial Factors)

ขั้นที่ 4 เลือกวิธีการหมุนแกน (Factors Rotation)

ขั้นที่ 5 เลือกค่าน้า หนักองค์ประกอบ (Factors Score)

ขั้นที่ 6 ตั้งชื่อองค์ประกอบที่วเิ คราะห์ได้



9. การออกแบบวิจัยและการประยุกต์ ใช้ สถิติการวิเคราะห์ องค์ ประกอบ



ั

1) การออกแบบวิจยสาหรับการใช้สถิติการวิเคราะห์องค์ประกอบ

ั

การออกแบบวิจยสาหรับการใช้สถิติการวิเคราะห์องค์ประกอบ

ั

ส่ วนใหญ่นิยมออกแบบวิจยแบบไม่ทดลอง (Non-Experimental Research Design)

ั

ที่เป็ นการวิจยแบบอธิบายความสัมพันธ์ (Explanatory research)

ั ั ้

ที่มีลกษณะคาถามการวิจยที่ตองการคาดคะเนความสัมพันธ์เพื่อใช้อธิ บายความสัมพันธ์ระหว่างตัว

แปรใช้ตรวจสอบโครงสร้างของชุดตัวแปรในรู ปของ

้ ่

จานวนที่นอยที่สุดของตัวแปรแฝงที่สังเกตไม่ได้หรื อวัดได้โดยตรง หรื ออาจเรี ยกได้วาเป็ น

ตัวแปรแฝง หรื อองค์ประกอบ ซึ่ง ตัวแปรแฝงที่สังเกตไม่ได้ เหล่านี้จะถูกเรี ยกว่า องค์ประกอบ

ั

(Joreskog & Sorbom, 1993) ตัวอย่าง หัวข้อวิจยที่ใช้สถิติการวิเคราะห์องค์ประกอบ ดังตาราง 2

12









่

ตาราง 2 ตัวอย่างหัวข้ อการวิจัยทีใช้ สถิติการวิเคราะห์ องค์ ประกอบ หัวข้ อการวิจย

ั



ั

หัวข้ อการวิจย วัตถุประสงค์ และวิธีการใช้ ั

ผลการวิจยแบบย่ อ

วิธีการวิเคราะห์ องค์ ประกอบ

1. ความตรงเชิงโครงสร้างของ 1.1) ้

ผลการวิเคราะห์ดวย EFA ได้

แบบวัดมาตราประมาณค่า เพื่อพัฒนาแบบวัดความตรง องค์ประกอบทั้งหมด 4

เกี่ยวกับลักษณะจิตวิญญาณ เชิงโครงสร้างของลักษณะ องค์ประกอบ (F) คือ

และการพยาบาลด้าน จิตวิญญาณและการพยาบาล F1 : Spirtuality (existential

จิตวิญญาณใช้ขนาดตัวอย่าง ด้าน element) มีจานวน 5 ตัวแปร

549 ราย จิตวิญญาณ F2: Spiritual Care มีจานวน 5

(The construct validity of a 1.2) วิธีการใช้ Exploratory ตัวแปร

rating scale designed to assess Factor Analysis (EFA) F3: Religiosity มี 3 ตัวแปร

spirituality and spiritual care) เนื่องจากเป็ น เครื่ องมือใหม่ F4: Personalised Care มี 3 ตัวแปร

(McSherry, Draper & ั

นักวิจยสร้าง

Kendrick, 2002) เครื่ องมือ โดยการศึกษานา

ร่ อง แล้วนาผลมาพัฒนาเป็ น

แนวคาถามแบบมาตรา

ประมาณค่า 5 ระดับ

2. การพัฒนาเครื่ องมือเกี่ยวกับ 2.1) ้

ผลการวิเคราะห์ดวย EFA

ั

วิธีการวัดและตัวชี้วดคุณภาพ เพื่อพัฒนาแบบวัดความตรง ได้องค์ประกอบทั้งหมด 4

การความเจ็บป่ วยหลังผ่าตัด เชิงโครงสร้างเครื่ องมือ องค์ประกอบ (F) คือ

ใช้ขนาดตัวอย่าง 209 ราย เกี่ยวกับวิธีการวัดและตัวชี้วด

ั F1: Communication มี 3 ตัวแปร

(Development of an instrument คุณภาพการจัดการความ F2: Action มี 4 ตัวแปร

to measure strategic and clinical เจ็บปวดหลังผ่าตัด F3: Trust มี 4 ตัวแปร

quality indicators in post- 2.2) วิธีการใช้ Exploratory F4: Environment มี 3 ตัวแปร

13



operation pain management Factor

(Idvall, Hamrin & Unosson, Analysis (EFA) เนื่องจากเป็ น

2002) ั

เครื่ องมือใหม่ นักวิจยสร้าง

เครื่ องมือโดยการศึกษานาร่ อง

แล้วนาผลมาพัฒนาเป็ นแนว

คาถามใหม่









ั

หัวข้ อการวิจย วัตถุประสงค์ และวิธีการใช้ ั

ผลการวิจยแบบย่ อ

วิธีการวิเคราะห์ องค์ ประกอบ

3. การสร้างแบบวัดคุณธรรม 3.1) ผลการวิเคราะห์ดวย EFA้

เพือสร้างแบบวัดคุณธรรม

จริ ยธรรมพื้นฐานสาหรับนักเรี ย ่ พิจารณาค่าถ่วงน้ าหนักตั้งแต่ 0.3

นมัธยมศึกษาตอนต้น จริ ยธรรมพื้นฐาน ขึ้นไป

คมกฤช ใจคาปัน ในด้านความกตัญญูกตเวที ได้จานวนข้อที่เป็ นไปตามเกณฑ์ 39

ศึกษาศาสตรมหาบัณฑิต การพึ่งตนเอง ข้อ จาก 157 ข้อ ดังนี้

สาขาการวัดและประเมินผลทา ั

การรู้จกประมาณตนและ ความกตัญญูกตเวที 11 ข้อ

งการศึกษา ความเอื้อเฟื้ อเผื่อแผ่ การพึ่งตนเอง 8 ข้อ

มหาวิทยาลัยเชียงใหม่ 3.2) วิธีการใช้ Exploratory ั

การรู้จกประมาณตน 8 ข้อ

กุมภาพันธ์ 2544 Factor Analysis (EFA) ความเอื้อเฟื้ อเผื่อแผ่ 12 ข้อ

เนื่องจากเป็ นการสร้างเครื่ อง

มือใหม่ EFA

4. การพัฒนาแบบสอบถามการ 4.1 เพื่อทดสอบโครงสร้าง ้

ผลการวิเคราะห์ดวย CFA ได้

รับรู ้เกี่ยวกับกิจกรรมทาง เครื่ องมือการรับรู ้เกี่ยวกับ องค์ประกอบทั้งหมด 4

ร่ างกายของวัยรุ่ นในไต้หวัน กิจกรรมทางร่ างกายของวัยรุ่ องค์ประกอบ (F) คือ

ใช้ขนาดตัวอย่าง 923 ราย น F1: Perceived self – efficacy

(Wu. Et al., 2002) 4.2 วิธีการใช้ Confirmatory มี 13 ตัวแปร

Factor Analysis (CFA) F2 : Perceived Benefits มี 12

เนื่องจากเป็ นเครื่ องมือที่มีอยู่ ตัวแปร

ั

แล้ว และนักวิจยได้นามา F3 : Perceived Barriers มี 14

ทดสอบความตรงเชิง ตัวแปร

14



โครงสร้างอีกครั้ง









ั

หัวข้ อการวิจย วัตถุประสงค์ และวิธีการใช้ ั

ผลการวิจยแบบย่ อ

วิธีการวิเคราะห์ องค์ ประกอบ

5. 5.1) 1.

การศึกษาการทางานเป็ นทีม เพื่อศึกษาองค์ประกอบการ คะแนนการทางานเป็ นทีมของพนักงานทั้ง1

และการสร้างโมเดลการ ทางานเป็ นทีมของพนักงาน 0 องค์ประกอบย่อย

ฝึ กอบรมเพื่อพัฒนาการทางา 5.2) มีค่าสัมประสิ ทธิ์ สหสัมพันธ์ต้ งแต่ .067 -

ั

น วิธีการใช้การวิเคราะห์องค์ปร .736

เป็ นทีมของพนักงาน ะกอบเชิงยืนยัน ั

และมีความสัมพันธ์อย่างมีนยสาคัญทางสถิติ

ธนวัฒน์ ภมรพรอนันต์ (Confirmatory factor ที่ระดับ .05 ทุกค่า

ั

ปริ ญญาการศึกษาดุษฎีบณฑิ analysis) 2. โมเดลการวิเคราะห์เชิงยืนยัน

ต ้ิั

ผูวจยต้องการศึกษาว่าคะแน อันดับที่ 1

สาขาวิชาจิตวิทยาการให้ นการทางานเป็ นทีม ของการทางานเป็ นทีมของพนักงาน

คาปรึ กษา มี 2 องค์ประกอบคือ F1: การสร้างทีมงาน มี 5 ตัวแปร

มหาวิทยาลัยศรี นคริ นทรวิโ องค์ประกอบที่ 1 คือ มีค่าน้ าหนักองค์ประกอบตั้งแต่

รฒ การสร้างทีมงาน 0.28-0.58

ธันวาคม 2551 มีองค์ประกอบย่อย 5 F2 : กระบวนการทางาน มี 5 ตัวแปร

องค์ประกอบ ได้แก่ ค่าน้ าหนักองค์ประกอบตั้งแต่ 0.20-0.26

เป้ าหมายของทีมงาน ค่าความเชื่อถือได้ของการวัด (R2)

วิสัยทัศน์ทีมงาน แต่ละองค์ประกอบย่อยมีค่าตั้งแต่0.21 – 1.18

ภาระงานและทักษะที่จาเป็ น 3. โมเดลการวิเคราะห์เชิงยืนยัน

รู ปแบบพฤติกรรมทางสังคม อันดับที่ 2

้

และการเป็ นผูนา ของการทางานเป็ นทีมของพนักงาน

15



ส่ วนองค์ประกอบที่ F1: การสร้างทีมงาน มี 5 ตัวแปร

2กระบวนการทางานเป็ นทีม มีค่าน้ าหนักองค์ประกอบตั้งแต่

มีองค์ประกอบย่อย 5 0.32 - 0.75

องค์ประกอบได้แก่ F2 : กระบวนการทางาน มี 5 ตัวแปร

การวางแผน ค่าน้ าหนักองค์ประกอบตั้งแต่

การดาเนินงานตามแผน 0.20 - 0.26

การประสานกิจกรรม ค่าความเชื่อถือได้ของการวัด (R2)

ความพึงพอใจของทีมงาน แต่ละองค์ประกอบย่อยมีค่าตั้งแต่0.21 – 1.47

และการประเมินผล 4.

โมเดลโครงสร้างการทางานเป็ นทีมมีความเ

ั

หมาะสมพอดีกบข้อมูลเชิงประจักษ์







2) การประยุกต์ใช้สถิติการวิเคราะห์องค์ประกอบ มีหลักในการประยุกต์ใช้ กล่าวคือ

ั ั

ส่ วนใหญ่นกวิจยใช้เทคนิคนี้ ในการตรวจสอบความตรงเชิ งโครงสร้างของเครื่ องมือวิจย ั

จึงขออธิ บายในส่ วนของความตรงเชิงโครงสร้างหรื อทฤษฎี (Construct) หมายถึง

คุณลักษณะที่สันนิษฐานขึ้นจากพฤติกรรมของมนุษย์ เช่น อัตมโนทัศน์ การรับรู้ พลังอานาจ

สมรรถนะแห่งตน เป็ นต้น โดยทัวไปแล้วไม่มีเครื่ องมือใดที่สะท้อนให้เห็นโครงสร้างได้โดยตรง

่

นอกจากนิยามโครงสร้างให้เป็ นมโนทัศน์ทางวิทยาศาสตร์ เพื่อสามารถตรวจสอบอ้างอิงได้เท่านั้น

การติดสิ นว่า สิ่ งใดมี “โครงสร้าง” เพียงใด ทาได้โดยการตรวจสอบความตรงตามโครงสร้าง

ความตรงตามโครงสร้าง (Construct Validity) หมายถึง ขอบเขต ความหมาย

ั

หรื อลักษณะประจาตามทฤษฎีที่เครื่ องมือวิจยนั้น ๆวัดได้

ั

หรื อหมายถึงความสามารถของเครื่ องมือวิจยที่สามารถวัดทฤษฎี

หรื อลักษณะของพฤติกรรมได้ตามที่สามารถวัดพฤติกรรมได้ตามสมมติฐานที่ต้ งไว้ ั

ั

เครื่ องวิจยที่มีความตรงตามโครงสร้างจะแสดงให้เห็นว่า

ั

ผลที่ได้จากการวัดมีความสัมพันธ์กบทฤษฎี หรื อลักษณะที่กาหนดมากน้อยเพียงไร

การตรวจสอบความตรงตามโครงสร้างจะต้องตรวจสอบทั้งเชิงเหตุผล (Logical)

และการตรวจสอบเชิงประจักษ์ (Empirical)

การวิเคราะห์องค์ประกอบจึงเป็ นวิธีทางสถิติสาหรับตรวจสอบโครงสร้าง

โดยการลดจานวนตัวแปรลงให้เป็ นจานวนองค์ประกอบ หรื อลักษณะร่ วม ซึ่งมีจานวนไม่กี่รายการ

ลักษณะเช่นนี้จะช่วยให้คาบรรยายพฤติกรรมต่างๆ ง่ายขึ้น หรื ออาจกล่าวได้วา

16



การวิเคราะห์องค์ประกอบเป็ นเทคนิคทาสถิติที่เกี่ยวข้องกับคน (หรื อผูให้ขอมูล) จานวนมาก

้ ้

ตัวแปรจานวนมาก และองค์ประกอบจานวนมาก การวิเคราะห์องค์ประกอบจึงมีลาดับขั้น ดังนี้



ทฤษฎี นามธรรม (Construct)



องค์ประกอบ (Factor)



ตัวแปร (Variable)



ข้อคาถาม (Item)



ลาดับขั้นของการอธิ บายจากการวิเคราะห์องค์ประกอบ หมายความว่า หลายๆข้อคาถาม

อธิบายตัวแปร 1 ตัว หลายๆตัวแปรอธิบายองค์ประกอบ 1 ตัว และองค์ประกอบหลาย ๆ ตัว

จึงจะอธิบายทฤษฎีหรื อนามธรรมได้ 1 อย่าง







ผลจากการวิเคราะห์องค์ประกอบจะได้กลุ่มของความสัมพันธ์ระหว่างข้อคาถามต่าง ๆ

ในแบบเชิงเส้นตรงที่เรี ยกว่า องค์ ประกอบ (Factor) องค์ประกอบแต่ละตัวจะเป็ นอิสระจากกัน

ั

เมื่อมีการสร้างองค์ประกอบขึ้น องค์ประกอบนี้จะเข้าไปสัมพันธ์กบข้อคาถามแต่ละข้อ

ทาให้เกิดเป็ นน้ าหนักองค์ประกอบ (Factor Loading) ขึ้นมา

ดังนั้นน้ าหนักขององค์ประกอบแต่ละตัวจะแทนค่าสหสัมพันธ์ของเครื่ องมือกับองค์ประกอบแต่ละ

ตัวด้วย เรี ยกว่า ความตรงเชิงองค์ ประกอบ หมายถึง

ค่าสหสัมพันธ์ของแบบสอบนั้นกับอะไรก็ตามที่เป็ นตัวร่ วมกับกลุ่มแบบสอบกลุ่มใดกลุ่มหนึ่ง

่

หรื อจะกล่าวได้วา ความตรงเชิงองค์ประกอบ ควรเรี ยกว่า ส่ วนประกอบขององค์ ประกอบ

(Factorial Composition)

ดังนั้น ประโยชน์หลักของการวิเคราะห์องค์ประกอบ มี 3 ด้าน คือ ด้านที่หนึ่ง

ใช้ตรวจสอบความตรงเชิงโครงสร้างของเครื่ องมือ ด้านที่สอง

ั ั

ใช้ในการแก้ปัญหาที่ตวแปรอิสระมีความสัมพันธ์กนสู งสาหรับเทคนิคการวิเคราะห์ถดถอยที่ตวแป ั

ั

รอิสระมีความสัมพันธ์กนเชิงพหุ สูงมาก

ั ้

วิธีการอย่างหนึ่งการรวมตัวแปรอิสระที่มีความสัมพันธ์กนไว้ดวยกัน โดยการสร้างเป็ นตัวแปรใหม่

หรื อเรี ยกว่าองค์ประกอบ

17



หลังจากนั้นจึงนาองค์ระกอบดังกล่าวไปเป็ นตัวแปรอิสระในการวิเคราะห์ความถดถอยต่อไป

และสุ ดท้าย ใช้ตรวจสอบหรื อยืนยันทฤษฎีต่างๆ ที่วดได้จากพฤติกรรมของมนุษย์

ั







10. คาสั่ งของ SPSS for Windows สาหรับเทคนิค Factor Analysis

Analyze  Data Reduction  Factor …









ภาพประกอบ 1







จะปรากฏหน้าต่าง

18





ภาพประกอบ 2

ภาพประกอบ 2 ประกอบด้วย

่

Variables ตัวแปรที่อยูใน box นี้ควรเป็ นชนิ ดตัวเลข โดยต้องเลือกตัวแปรใส่ ใน box ของ

Variables อย่างน้อย 2 ตัว เลือกปุ่ ม Descriptives … จะปรากฏหน้าต่าง









ภาพประกอบ 3



ภาพประกอบ 3 มี 2 ส่ วนดังนี้

้ ั

ส่ วนที่ 1 : Statistics ซึ่ งผูใช้สามารถเลือกทางเลือกต่าง ๆ ได้ดงนี้

Univariate descriptive จะแสดงจานวนข้อมูล , ค่าเฉลี่ย และค่าเบี่ยงเบนมาตรฐานของตัว

แปรแต่ละตัว

Initial solution จะแสดงค่า initial communalities, eigenvalue และ percentage of vareance

explained

ส่ วนที่ 2 : Correlation Matrix ซึ่ งมีทางเลือกต่อไปนี้

Coefficients จะให้ค่าเมทริ กซ์สัมประสิ ทธิ์ สหสัมพันธ์ของตัวแปรทุกคู่

Significance levels เมื่อเลือกทางเลือกนี้ ผลลัพธ์จะแสดงค่า one-tailed significance level

ของการทดสอบค่าสัมประสิ ทธิ์ สหสัมพันธ์ของตัวแปรแต่ละคู่

19



Diterminant จะแสดงค่า determinant ของเมทริ กซ์สัมประสิ ทธิ์ สหสัมพันธ์

KMO and Bartlett’s test of sphericity ถ้าเลือกทางเลือกนี้ผลลัพธ์จะแสดงค่า KMO และ

Bartlett’s test ซึ่ งมีความหมายดังนี้

ั

KMO (Kaiser-Meyer-Olkin) ซึ่ งเป็ นค่าที่ใช้วดความเหมาะสมของข้อมูลตัวอย่างที่จะ

นามาวิเคราะห์โดยเทคนิค Factor Analysis โดยที่





KMO 

r i

2







 r   ( partialcor relation )

i

2 2









r = ค่าสัมประสิ ทธิ์ สหสัมพันธ์ซ่ ึ งทาให้ค่า 0 < KMO < 1

ถ้าค่า KMO มีค่าน้อย (เข้าสู่ ศูนย์) แสดงว่าเทคนิค Factor Analysis ไม่เหมาะสมกับข้อมูลที่มีอยู่

ถ้าค่า KMO มีค่ามาก (เข้าสู่ หนึ่ง) แสดงว่าเทคนิค Factor Analysis เหมาะสมกับ

ข้อมูลที่มีอยู่

่

โดยทัวไปถ้าค่า KMO < .5 จะถือว่า ข้อมูลที่มีอยูไม่เหมาะสมที่จะใช้เทคนิค Factor Analysis

่

Bartlett’s Test of sphericity เป็ นค่าสถิติที่ใช้ทดสอบสมมติฐาน

H 0 : Correlation matrix เป็ น Identity matrix หรื อ

H1 : ตัวแปรต่าง ๆ ไม่มีความสมั พันธ์กน ั

ั

ดังนั้นถ้ายอมรับ H 0 แสดงว่าตัวแปรไม่มีความสมั พันธ์กน จึงไม่ควรใช้ Factor Analysis

Inverse จะแสดงค่า inverse ของ Correlation matrix

Reproduced แสดง Matrix ของ reproduced correlations และค่า residual

Anti-image จะแสดง anti-inage covariance และ correlation matrix

เลือกปุ่ ม Extraction … จะปรากฏหน้าต่าง

20









ภาพประกอบ 4



ภาพประกอบ 4 ประกอบด้วย 5 ส่ วนดังนี้

ส่ วนที่ 1 : Method เป็ นการให้เลือกวิธีการสกัดปั จจัย ซึ่ งแบ่งออกเป็ น 2 วิธีใหญ่ ๆ คือ

1. Principal Component Analysis (PCA)

เป็ นวิธีการสกัดปั จจัยที่ได้รับความนิยมมากที่สุด

2. Common Factor Analysis (CFA)

ั

เป็ นเทคนิคที่มีวตถุประสงค์เหมือนเทคนิค PCA คือ จะสร้าง Factor เพื่อลดจานวนตัวแปร

แต่หลักเกณฑ์ของ CFA จะพยายามทาให้ค่าแปรปรวนเฉพาะส่ วนของ common factor มากที่สุด

โดยไม่พิจารณาถึงค่า Unique Factor

เทคนิค CFA มีเทคนิคย่อย 6 เทคนิคดังนี้

2.1 Unweighted Least Square

ั

เป็ นเทคนิคที่มีวตถุประสงค์ เพื่อสกัดปั จจัย โดยจะต้องกาหนดจานวนปั จจัยไว้แน่นอน

ก่อน แล้วหา Factor pattern matrix

ที่ทาให้ผลบวกกาลังสองของระยะห่างระหว่างเมตริ กซ์สัมประสิ ทธิ์ สหสัมพันธ์ที่คานวณได้จากข้อ

มูล กับเมตริ กซ์สัมประสิ ทธิ์ สหสัมพันธ์ที่สร้างขึ้นใหม่ให้มีค่าน้อยที่สุด

2.2 Generalized Least Square

21



มีหลักเกณฑ์เหมือนวิธี Unweighted Least Square

แต่จะมีการถ่วงน้ าหนักค่าสัมประสิ ทธิ์ สหสัมพันธ์ ด้วยค่าผกผันของ Uniques ของตัวแปรนั้น

นันคือจะให้น้ าหนักแก่ตวแปรที่มีค่าUnique สู งน้อยกว่าตัวแปรที่มีค่า unique ต่า

่ ั

2.3 Maximum Likelihood Method

วิธีน้ ีจะสกัดปั จจัยโดยการประมาณค่าพารามิเตอร์ ที่ทาให้

ั

เมตริ กซ์สัมประสิ ทธิ์ สหสัมพันธ์ที่คานวณได้ มีค่าใกล้กบเมตริ กซ์ที่ได้จากข้อมูล โดยมีเงื่อนไขว่า

ข้อมูลตัวอย่างนั้น (ตัวแปร) ต้องมี

การแจกแจงแบบ Multivariate Nomal

2.4 Alpha Method

2.5 Image Factoring



้

ส่ วนที่ 2 : Display ผูใช้สามารถเลือก

Unrotate factor solution เมื่อต้องการให้แสดงผลลัพธ์ของ Factor โดยไม่มีการหมุนแกน

ปัจจัย โดยผลลัพธ์จะแสดงค่า communality , eigenvalues

Scree plot แสดงกราฟค่า eigenvalues โดยเรี ยงลาดับจากมากไปน้อย โดยใช้ Factor ที่หมุน

แกนปัจจัยแล้ว



้ ้

ส่ วนที่ 3 : Extract ผูใช้ตองเลือกทางเลือกใดทางเลือกหนึ่ งจากทางเลือกต่อไปนี้

Eigenvalues over : โดยผูใช้ระบุค่า eigenvalues ที่ตองการให้แสดงเมื่อมากกว่าที่กาหนด

้ ้

โปรแกรม SPSS จะกาหนดเป็ น 1 ตัวเลขที่ใส่ ใน box ดังกล่าวจะต้องมีค่าระหว่าง ศูนย์

กับจานวนตัวแปรที่นามาวิเคราะห์

้

Number of factors : ให้ใส่ เลขจานวนเต็มบวก ซึ่งหมายถึง จานวน Factor ที่ตองการ



ส่ วนที่ 4 : Maximum Iterations for Convergence

เป็ นการกาหนดจานวนรอบสู งสุ ดของการสกัดปั จจัยโดยโปรแกรม SPSS กาหนดเป็ น 25 รอบ

้

ผูใช้สามารถเปลี่ยนได้ โดยระบุเป็ นเลขจานวนเต็มบวก

เลือกปุ่ ม Rotation … จะปรากฏหน้าต่าง

22









ภาพประกอบ 5



ภาพประกอบ 5 ประกอบด้วย 3 ส่ วนดังนี้

่

ส่ วนที่ 1 : Method เมื่อสกัดปั จจัยได้แล้ว จะต้องมีการจัดตัวแปรแต่ละตัวว่าควรจะอยูในปั จจัยใด

โดยพิจารณาจากค่า Factor loading นันคือ ถ้าค่า Factor loading ของตัวแปรหนึ่งมีค่ามาก (เข้าสู่ ±1)

่

่

ในปั จจัยหนึ่งและมีค่าน้อย (เข้าสู่ ศูนย์) ในปัจจัยอื่น ๆ จะจัดตัวแปรนั้นอยูในปั จจัยที่ทาให้ค่า

Factor loading มาก แต่ถาค่าFactor loading มีค่ากลาง ๆ ไม่ชดเจนว่าควรจัดตัวแปรอยูใน Factor

้ ั ่

ใดก็ตองมีการหมุนแกนปั จจัย เพื่อเปลี่ยนเมตริ กซ์ ทาให้ค่า Factor loading

้

่

มีค่ามากสาหรับปั จจัยใดปั จจัยหนึ่งเท่านั้น จึงสามารถจัดตัวแปรต่าง ๆ ว่าควรอยูในปั จจัยใด

วิธีการหมุนแกนปั จจัยมี 2 วิธีใหญ่ ๆ คือ

Orthogonal Rotation

ั

เป็ นการหมุนแกนปั จจัยที่ยงคงทาให้ปัจจัยยังคงตั้งฉากกัน หรื อปัจจัยต่าง ๆ ยังคงเป็ นอิสระ

ิ ่

กัน โดยมีวธียอยหลายวิธีดงนี้ ั

1.1 Varimax เป็ นเทคนิคที่ทาให้มีจานวนตัวแปรที่นอยที่สุด มีค่า Factor loading มากใน

้

แต่ละปั จจัย จึงเป็ นวิธีที่นิยมใช้มากที่สุด

1.2 Quartimax เป็ นวิธีที่หมุนแกนปัจจัย โดยจะพยายามทาให้มีจานวนปั จจัยน้อยที่สุด ใน

การอธิ บายตัวแปรแต่ละตัว

ั

1.3 Equamax เป็ นเทคนิคที่ใช้เกณฑ์ท้ งของ Varimax และ Quartimax

Oblique Rotation

ั

เป็ นการหมุนแกนที่ เมื่อหมุนแล้วปั จจัยอาจจะไม่ต้ งฉากกัน หรื อปัจจัย ไม่เป็ นอิสระกัน

23



โดยใน SPSS เรี ยกเป็ น Direct Oblimin และ Promax?

้

ผูใช้จะต้องเลือกทางเลือกใดทางเลือกหนึ่งเพียงทางเลือกเดียว ถ้าเลือก ¤

้

Noneแสดงว่าไม่ตองการให้มีการหมุนแกนปั จจัย



้

ส่ วนที่ 2 : Display ผูใช้สามารถเลือกที่จะแสดงค่าต่าง ๆ ดังนี้

Rotated solution

ถ้าเลือก Orthogonal Rotation (Varimax , Quartimax หรื อ Equamax) จะแสดง pattern matrix

ถ้าเลือก Directed Oblimin หรื อ Promax จะแสดงเมตริ กซ์ pattern , Structure และ Factor

correlation

้

Loading plot(s) จะแสดงกราฟของปั จจัยต่าง ๆ ใน 3 dimension ของ 3 Factor แรก แต่ถามี 2

Factor จะแสดงกราฟ 2 dimension

ส่ วนที่ 3 : Maximum Iteration for Convergence

เป็ นการกาหนดจานวนรอบสู งสุ ดของการหมุนแกนปั จจัยเพื่อให้ค่า Factor loading ชัดเจนขึ้น

้

โปรแกรม SPSS กาหนด default เป็ น 25 รอบ ผูใช้สามารถกาหนดเลขจานวนเต็มบวก

เลือกปุ่ ม Scores … จะปรากฏหน้าต่าง









ภาพประกอบ 6



ภาพประกอบ 6 เป็ นการบันทึก Factor Score โดยมี 2 ทางเลือกคือ

Save as variables

เมื่อเลือกทางเลือกนี้จะเป็ นการ save Factor score ในรู ปของตัวแปรโดยที่ 1 Factor ถือเป็ น 1 ตัว

้

แปร โดยตารางผลลัพธ์จะแสดงชื่อ และ label ของตัวแปรใหม่ โดยผูใช้จะต้องเลือกวิธีการคานวณ

24



ิ ้ ้

Factor score โดยมีวธีการคานวณให้เลือก 3 วิธี ซึ่งผูใช้ตองเลือกเพียงทางเลือกเดียว

Regression ใช้เทคนิค regression ในการหาค่า Factor score

Fi = b i 1 Z 1 + b i 2 Z 2 + ... + b ip Z p

โดยวิธีน้ ีให้ค่าแปรปรวนเท่ากับ (สัมประสิ ทธิ์ สหสัมพันธ์ระหว่างค่า Factor score ที่ประมาณ

ิ

ได้ กับค่า Factor score จริ ง) 2 ส่ วนใหญ่นิยมใช้วธีน้ ี

Bartlett

Anderson-Rubin

Display factor score coefficient matrix จะแสดงเมตริ กซ์ค่าสัมประสิ ทธิ์ ของ Factor score

และCovariance matrix ของ Factor score

เลือกปุ่ ม Options … จะปรากฏหน้าต่าง









ภาพประกอบ 7



ภาพประกอบ 7 ประกอบด้วย 3 ส่ วนดังนี้

้ ้

ส่ วนที่ 1 : Missing ผูใช้ตองเลือกเพียงทางเลือกเดียวจาก

Exclude case listwise จะวิเคราะห์เฉพาะ case ที่มีค่าของทุกตัวแปร

Exclude case pairwise จะไม่รวม case ที่มี missing ของตัวแปรคู่ใดคู่หนึ่ง

Replace with mean แทนค่ า missing value ด้วยค่าเฉลี่ยของตัวแปรนั้น ๆ และใช้ทุก case

ในการวิเคราะห์ปัจจัย

ส่ วนที่ 2 : Coefficient Display Format ผูใช้สามารถเลือกที่จะแสดงค่าสัมประสิ ทธิ์

้

25



Sorted by size จะแสดงค่ า Factor loading เรี ยงตามลาดับ โดยตัวแปรที่มีค่า Factor loading

่ ้

สู ง ๆ ในปั จจัยเดียวกัน จะอยูดวยกัน

Supress absolute values less than จะไม่แสดงค่าสัมประสิ ทธิ์ สหสัมพันธ์ หรื อ Factor

loading ที่มีค่าน้อยกว่าที่ระบุ โดยค่าที่จะระบุมีค่า 0 ถึง 1

ตัวอย่างการใช้ SPSS for windows ในการจาแนกกลุ่มตัวแปรด้วย Factor Analysis

ิ

ตัวอย่าง สมมติว่าผู้วจัยต้ องการศึกษาพฤติกรรมของผู้ทานอาหารในร้ าน KFC

่ ้

โดยสนใจทีจะศึกษาตัวแปรต่ อไปนีว่าสามารถจัดกลุ่มตัวแปรได้ อย่ างไร

NO เลขที่ AGE อายุ

INCOME รายได้/รายรับต่อเดือน EXPENSE ค่าใช้จ่ายทั้งหมดต่อเดือน

WEIGHT น้ าหนักลูกค้า FREQUENT จานวนครั้งที่ซ้ื อต่อเดือน

NOR_PIEC จานวนชิ้นที่ซ้ื อปกติ MAX_PIEC จานวนชิ้นที่เคยซื้ อมากที่สุด

่ ่

NOR_TIME ระยะเวลาที่อยูในร้านโดยเฉลี่ย MAX_TIME ระยะเวลาที่เคยอยูในร้านนานที่สุด

TOTAL_EX จานวนเงินที่ใช้โดยเฉลี่ยต่อครั้ง

ั

ข้อมูลสมมติมีดงนี้









MAX_TIME

FREQUENT









TOTAL_EX

NOR_TIME

MAX_PIEC

NOR_PIEC

EXPENSE

INCOME









WEIGHT









NO AGE





1 25 8500 7000 55 10 2 5 20 45 120

2 17 5000 4500 45 8 2 4 15 30 80

3 40 15000 10000 60 12 3 5 17 50 150

4 20 9000 8000 50 13 2 4 18 28 140

5 22 60000 3000 35 5 2 2 20 40 80

6 21 7500 6000 47 8 3 3 25 30 100

7 13 3000 2500 39 12 2 3 30 50 90

8 19 4500 4000 50 20 2 2 30 30 100

9 23 6000 4500 38 9 3 4 25 40 140

10 28 12000 8000 70 9 3 5 20 45 180

11 19 8500 7000 40 7 2 2 15 25 100

12 19 5000 4500 40 10 2 4 15 25 90

26



13 40 15000 10000 60 12 3 5 17 50 150

14 20 6000 3000 30 5 2 2 10 20 90

15 19 5000 3000 45 11 3 4 20 40 100

16 21 7000 6000 50 10 3 4 10 60 120

17 17 8000 7000 30 3 1 2 10 15 80

18 18 4500 4000 50 9 2 3 10 30 110

19 22 6900 4500 40 8 2 4 20 40 110

20 28 13000 8000 60 9 3 5 20 45 180









ภาพประกอบ 8



จะปรากฏหน้าต่าง

27









ภาพประกอบ 9



จากภาพประกอบ 9

เลือกตัวแปรทุกตัวยกเว้น no ใส่ ใน box ของ Variables

เลือกปุ่ ม Descriptives …

ในส่ วนของ Statistics เลือก

 Univariae descriptives

 Initial solution

ในส่ วนของ Correlation เลือก

 Coefficients

 KMO and Bartlett’s test of sphericity

เลือกปุ่ ม Extraction …

ในส่ วนของ Method เลือกวิธี Principal Components

ในส่ วนของ Display เลือก

 Unrotated factor solution

 Scree plot

เลือกปุ่ ม Rotation …

ในส่ วนของ Method เลือก  Vatimax

ในส่ วนของ Display เลือก

 Rotated solution

 Loading plot (s)

28



เลือกปุ่ ม Scores …

เลือก  Save as Variables

ในส่ วนของ Method เลือก ¤ Regression

เลือกปุ่ ม Option …

ในส่ วนของ Coefficient Distpay Format เลือก

 Sorted by Size

 Suppress absolute values less than และใส่ 0.2 ลงใน box

ั

จะได้ผลลัพธ์ดงต่อนี้

Factor Analysis









ตารางที่ 1 Descriptive Statistics









ความหมายของผลลัพธ์ตารางที่ 1 Descriptive Statistics

29



จากข้อมูลตัวอย่าง 20 ราย แสดงค่าเฉลี่ย และค่าเบี่ยงเบนมาตรฐานของตัวแปรทั้ง 10 ตัว เช่น

ตัวแปร

้

AGE หรื อ อายุเฉลี่ยของผูทานอาหารในร้าน KFC เป็ น 22.55 ค่าเบี่ยงเบนมาตรฐานเป็ น 6.947









ตารางที่ 2 Correlation Matrix

30





ความหมายของผลลัพธ์ตารางที่ 2 Correlation Matrix

ค่าสัมประสิ ทธิ์ สหสัมพันธ์ในตารางที่ 2 เป็ นค่าสัมประสิ ทธิ์ สหสัมพันธ์ของ Pearson

(Pearson Correlation) จะพบว่าตัวแปร INCOME และ EXPENSE มีความสัมพันธ์กนมากที่สุด ั

(มากกว่าตัวแปรคู่อื่น ๆ )

โดยมีค่าสัมประสิ ทธิ์ สหสัมพันธ์ .927 ดังนั้นตัวแปร INCOME และ EXPENSE ควรอยูใน ่

Factor เดียวกัน









ตารางที่ 3 KMO and Bartlett’s Test









ความหมายของผลลัพธ์ตารางที่ 3 KMO and Bartlett’s Test

31



ั

Kaiser-Meyer-Olkin ใช้วดความเหมาะสมของข้อมูล ในการใช้เทคนิค Factor Analysis ใน

่

ที่น้ ีได้ค่าเป็ น.724 ซึ่ งมากกว่า .5 และเข้าสู่ 1 จึงพอสรุ ปได้วา ข้อมูลที่มีอยูเ่ หมาะสมที่จะใช้เทคนิค

Factor Analysis Bartlett’s Test of Sphericity ใช้ทดสอบสมมติฐาน

H 0 : ตัวแปรต่าง ๆ (AGE, INCOME, …, TOTAL_EX) ไม่มีความสัมพันธ์กน ั

H 1 : ตัวแปรต่าง ๆ (AGE, INCOME, …, TOTAL_EX) มีความสัมพันธ์กน ั

สถิติทดสอบ จะมีการแจกแจงโดยประมาณแบบ Chi-Square = 151.461 ได้ค่า Significance = .000

ซึ่ งน้อยกว่า .05 จึงปฏิเสธ H 0 นันคือตัวแปร AGE, INCOME, …, TOTAL_EX มีความสัมพันธ์กน

่ ั

จึงต้องใช้ Factor Analysis วิเคราะห์ต่อไป









ตารางที่ 4 Communalities

32









ความหมายของผลลัพธ์ตารางที่ 4 Communalities

จากตาราง 4 จะพบว่าสาหรับแต่ละตัวแปร จะมีค่า initial communalities และ Extraction

communalities

Communalities เป็ นค่าสัดส่ วนของค่าแปรปรวนของตัวแปรที่สามารถอธิบายได้โดย Common

Factor Factor ทั้งหมด : F 1 , F 2 , … , F m ) หรื อคือค่า (Multiple Correlation) 2

ของตัวแปรกับ Factors

โดยที่ 0 < communality < 1

ถ้า communality = 0 แสดงว่า Common Factor ไม่สามารถอธิ บายความผันแปร (ค่าแปรปรวน)

้

ของตัวแปร แต่ถาค่า communality = 1 แสดงว่า Common Factor สามารถอธิบายความผันแปรได้

ทั้งหมด

Initial Communality จากวิธี Principal Component จะกาหนดให้ Initial communality ของตัว

แปรทุกตัวเป็ น 1

Extraction Communality เป็ นค่า communality ของตัวแปรหลังจากที่ได้สกัดปั จจัยแล้ว

จะพบว่า

ค่า Extraction communality ของตัวแปร NOR_PICE มีค่าต่าสุ ด = .627 แต่ก็ยงไม่ต่ามาก น่าจะ

ั

่

สามารถจัดอยูใน Factor ใด Factor หนึ่งได้ชดเจนั

33





ตารางที่ 5 Total Variance Explained









ความหมายของผลลัพธ์ตารางที่ 5 Total Variance Explained

ตารางที่ 5 แสดงค่าสถิติสาหรับแต่ละ Factor ทั้งก่อนและหลังการสกัดปั จจัย โดยวิธี Principle

Component ในการสกัดปั จจัย ซึ่ งมีรายละเอียดดังนี้









ผลลัพธ์ ความหมาย

34



 Component หมายถึง Factor หรื อปั จจัย

โดยทัวไปจะสกัดให้มีจานวนปั จจัย = จานวนตัวแปร

่

ในตัวอย่างนี้มี 10 ตัวแปร จึงมี 10 ปัจจัยหรื อ 10 Component

 Total

Eigenvalues หมายถึง ค่าความผันแปร

หรื อความแปรปรวนทั้งหมดในตัวแปรเดิมที่สามารถอธิ บายได้โดย

Factor หรื อ Eigenvalue คือ ผลบวกค่าของ Factor loading

ยกกาลังสอง ของ

แต่ละตัวแปรใน Factor หนึ่ง ๆ

ดังนั้นจะไม่พิจารณา Factor ที่มีค่า Eigenvalue น้อยกว่า 1

จะพบว่ามีเพียง Factorหรื อComponent ที่ 1 และ 2 เท่านั้นที่มีค่า

Eigenvalue มากกว่า 1 จึงควรมีเพียง 2 Factor เท่านั้น

% of Variance

หมายถึง เปอร์ เซ็นต์ที่แต่ละ Factor สามารถอธิบายความผันแปรได้

ั

เนื่องจากเดิมมีตวแปร 10 ตัว และจากตารางที่ 4

จะพบว่าแต่ละตัวมีค่า Communality เริ่ มต้นเป็ น 1 เสมอ

จึงมีความผันแปรทั้งหมด

= 10 เช่น

- % of Variance ของ Factor ที่ 1 = (5.538/10)*100 = 55.38 %

หมายถึง Factor ที่1 สามารถอธิ บายความผันแปรทั้งหมดได้55.38 %

- % of Variance ของ Factor ที่ 2 = (1.878/10)*100 = 18.78 %

หมายถึง Factor ที่ 2 สามารถอธิบายความผันแปรของข้อมูลได้

18.78 %

- % of Variance ของ Factor ที่ 3 = (.849/10)*100 = 8.49 %

หมายถึง Factor ที่ 3 สามารถอธิบายความผันแปรของข้อมูลได้

8.49 %

-…

- % of Variance ของ Factor ที่ 10 = (.01647/10)*100

= .1647 % หมายถึง Factor ที่ 9

สามารถอธิบายความผันแปรของข้อมูลได้ .1647 %

35





ผลลัพธ์ ความหมาย

Comulative %

หมายถึง ผลบวกสะสมของ % of Variance

- % of Cumulative ของ 2 Factor แรก = 55.38 + 18.78 = 74.16

หมายถึง Factor ที่ 1-2 อธิ บายค่าแปรปรวนของตัวแปรทั้ง 10 ตัวได้

74.16 %

 Extraction Sums of Squared Loadings

โดยวิธี Principal component ค่า Initial Eigenvalue ใน และค่า

Extraction Sums of Squared Loadings จะเท่ากัน

และจะแสดงเฉพาะ Factor ที่มีค่า Eigenvalue มากกว่า 1

 Rotation Sums of Squared Loadings

จะให้ค่า Eigenvalue, % of Variance และ Cumulative % ของ

Factor ต่างๆ เมื่อทาการหมุนแกนปั จจัยไปในลักษณะที่ปัจจัยต่าง ๆ

ยังคงตั้งฉากกัน หรื อเป็ นอิสระกัน ในตัวอย่างนี้ เลือกวิธี Varimax

เป็ นวิธีหมุนแกนปั จจัยจะพบว่าค่า Eigenvalue, % of Variance ของ

Factor ที่ 1 เมื่อหมุนแกน น้อยกว่าเมื่อยังไม่ได้หมุนแกนใน หรื อ

ในขณะที่ของ Factor ที่ 2 มีค่ามากกว่าของFactor ที่ 1 แต่

Cumulative ของทั้ง 2 Factor ยังคงเท่าเดิม







สรุ ปผลลัพธ์ ตารางที่ 5

1. จะพบว่าควรมี Factor เพียง 2 Factor เนื่องจาก เฉพาะ 2 Factor แรกเท่านั้นที่มีค่า Eigenvalue

มากกว่า 1

2. Factor ที่สาคัญที่สุดคือ Factor ที่ 1

เนื่องจากอธิ บายหรื อดึงความแปรปรวนของข้อมูลได้มากที่สุดในตัวอย่างนี้ได้ถึง 55.38 % ส่ วน

Factor ที่ 2 จะสาคัญรองลงมา

3. โปรแกรม SPSS จะกาหนดให้หาค่าใน และ เฉพาะ Factor ที่มีค่า Eigenvalues เกิน 1

ถ้าตัวแปรทุกตัว (10 ตัว) เป็ นอิสระกัน จะมี 10 Factor หรื อ 10 Component

โดยที่แต่ละตัวมีค่าแปรปรวน = 1

36





4. ในทางปฏิบติเมื่อใช้ขอมูลที่เกิดขึ้นจริ งมักจะพบว่ามีบาง Factor ที่มีค่า Eigenvalue ใกล้ 1

ั ้

ทาให้ผวเิ คราะห์ตองตัดสิ นใจว่าควรมีกี่ Factor

ู้ ้

ภาพประกอบ 11 : Scree Plot









ความหมายของผลลัพธ์รูปที่ 11 : Scree Plot

Scree Plot เป็ นกราฟที่พล็อตค่า Eigenvalue ของแต่ละ Factor โดยเรี ยงจากมากไปน้อยใช้ในการ

พิจารณาว่าควรมีกี่ Factor โดยพิจารณาจากค่า Eigenvalue ที่ลดลงอย่างรวดเร็ ว

ในที่น้ ีอาจจพิจารณาว่ามี 2 Factor เนื่องจากค่า Eigenvalue ของ Factor ทั้งสองมีEigenvalue

มากกว่า 1

ตารางที่ 6 Component Matrix a

37









ความหมายของผลลัพธ์ตารางที่ 6 : Component Matrix

· ค่าในตารางที่ 6 เป็ นสัมประสิ ทธิ์ หรื อที่เรี ยกกันว่า Factor loading

เป็ นค่าที่แสดงความสัมพันธ์

ั

ของตัวแปรกับ Factor ทั้ง 2 Factor โดยที่ยงไม่มีการหมุนแกนปั จจัย ในตัวอย่างนี้ในเทคนิค

Principal

Component Analysis ซึ่งทาให้ Factor ตั้งฉากกัน หรื อเป็ นอิสระกัน ซึ่ งทาให้ค่า Factor

loading เป็ นค่าสัมประสิ ทธิ์ สหสัมพันธ์ของตัวแปรกับ Factor

· ค่าสัมประสิ ทธิ์ สหสัมพันธ์ระหว่างตัวแปร INCOME กับ Factor ที่ 1 เป็ น .902 ในขณะที่ค่า

สัมประสิ ทธิ์ สหสัมพันธ์ระหว่างตัวแปร INCOME กับ Factor ที่ 2 มีค่าน้อยกว่า .2 จึงไม่แสดงค่า

่ ั

จึงสามารถสรุ ปได้วา ตัวแปร INCOME สัมพันธ์กบ Factor ที่ 1 มาก จึงควรจัดตัวแปร ABSORB

่

ให้อยูใน Factor ที่ 1

่

สรุ ปการจัดตัวแปรว่าควรอยูใน Factor ใด

่

การพิจารณาว่าตัวแปรใดควรอยูใน Factor ใดนั้นจะพิจารณาจากค่า Factor loading ถ้าค่า Factor

loading ของตัวแปรใน Factor ใดมีค่ามาก (เข้าสู่ +1 หรื อ -1) และของ Factor อื่นๆ มีค่า Factor

่

loading ต่า (เข้าสู่ ศูนย์) จะจัดตัวแปรให้อยูใน Factor ที่มีค่า Factor loading สู ง แต่ถาค่า Factor

้

ั

loading ใน Factor ต่าง ๆ แตกต่างกันไม่ชดเจน ทาให้ไม่สามารถจัดตัวแปรได้

ควรทาการหมุนแกนปั จจัย โดยในที่น้ ีเลือกหมุนแบบยังคงให้ Factor ทั้ง 2 ตั้งฉากกัน

หรื อเป็ นอิสระกันได้ผลลัพธ์ในตารางที่ 7

38





ตารางที่ 7 Rotation Component Matrix a









ความหมายของผลลัพธ์ตารางที่ 7 : Rotation Component Matrix

ค่าในตารางที่ 7 เป็ นค่า Factor loading เมื่อมีการหมุนแกนปัจจัยโดยวิธี Varimax จะพบว่าค่า

Factor loading เปลี่ยนแปลงไปเมื่อเทียบกับค่า Factor loading

เมื่อยังไม่มีการหมุนแกนแล้วทาให้ค่า Factor loading ของบาง Factor มีค่ามากเมื่อเทียบกับของ

Factor อื่นๆ ในที่น้ ีควรจัดให้

Factor ที่ 1 ประกอบด้วยตัวแปร 7 ตัวแปรคือ INCOME, AGE, EXPENSE, MAX_PIEC,

NOR_PIEC, TOTAL_EX, WEIGHT

Factor ที่ 2 ประกอบด้วยตัวแปร 3 ตัวแปรคือ FREQUENT, MAX_TIME, NOR_TIME

่

และจากผลลัพธ์ ในตาราง ที่ 5 สรุ ปได้วา Factor ทั้ง 2 อธิบายความแปรปรวนของตัวแปร

ได้ 74.154 % Factor ที่ 1 อธิ บายได้ 51.926% และ Factor ที่ 2 ได้ 22.229 %

39









ตารางที่ 8 : Component Transformation Matrix









ความหมายของผลลัพธ์ตารางที่ 8 Component Transformation Matrix

ตารางที่ 8 เป็ นค่า Rotation matrix ที่ใช้ในการหมุนแกนปั จจัยเพื่อเปลี่ยนค่า loading factor ใน

ิ

ตารางที่ 6 เป็ นค่า Factor loading ใหม่ในตารางที่ 7 โดยการหมุนแกนใช้วธี Varimax

40



ภาพประกอบ 12 : Component Plot in Rotated Space



ความหมายของภาพประกอบที่ 12 : Component Plot in Rotated Space

รู ปที่ 12 แสดงค่า Factor loading ของแต่ละ Factor ถ้า Factor สามารถแทนตัวแปรต่างๆ ได้ดี

่ ่

ตัวแปรจะต้องอยูที่ปลายแขน (มีค่า Factor loading มาก) ถ้ามีตวแปรอยูใกล้จุด Intersection (จุด

ั

ั ั ่

(0,0,0)) แสดงว่าตัวแปรเหล่านั้นไม่สัมพันธ์กบ Factor ใดเลยในที่น้ ีตวแปรทั้ง 10 ตัวอยูที่ปลายแขน

่ ่

จึงจัดตัวแปรให้อยูใน Factor ต่างๆ ได้ หรื อตัวแปรที่อยูใน Factor เดียวกันมีความสัมพันธ์กนมาก ั

การคานวณหา Factor Score

จากตัวแปร 10 ตัวสามารถจัดให้เหลือเพียง 2 Factor เท่ากับเป็ นการลดตัวแปรจาก 10 ตัว เหลือ

2 ตัวแปร นันคือถือว่า Factor เป็ นตัวแปรใหม่ โปรแกรม SPSS จะคานวณค่าตัวแปร หรื อ Factor

่

ทั้ง 2 ให้

โดยชื่อว่า fac1_1 และ fac2_1 โดยชื่อ

fac1_1 มีความหมายดังนี้ 1 ตัวแรก หมายถึง Factor ที่ 1 และเลข 1 ตัวที่ 2 หมายถึงการ

วิเคราะห์ครั้งที่ 1

fac2_1 หมายถึง Factor ที่ 2 ของการวิเคราะห์ครั้งที่ 1

้

เนื่องจากผูใช้อาจจะทาการวิเคราะห์หลายครั้งต่อเนื่องกัน

จึงต้องมีหมายเลขแสดงครั้งที่ทาการวิเคราะห์ต่อท้าย

สาหรับค่ า Factor score ได้ จากสมการ

F ik = W i1 Z 1k + W i2 Z 2k + … + W ip Z pk ; k = 1, 2, …, n

i = 1, 2, …, m

โดยที่ Z jk เป็ นค่าตัวแปรตัวที่ j ที่ Standardized แล้วของ case ที่ k

n = จานวนข้อมูล, m = จานวน Factor

W ij = ค่าสัมประสิ ทธิ์ หรื อ loading factor ของตัวแปรที่ j ในFactor ที่ I

F ik = Factor score ของ Factor ที่ i ของ case ที่ k สาหรับค่า Factor score ของ Factor 1-3

แสดงในรู ปที่ 13

41









ภาพประกอบ 13 : แสดงค่าของตัวแปร fac1_1 และ fac2_1

การนา Factor score ไปใช้

1. เนื่องจากแต่ละตัว Factor เป็ นตัวแปรตัวหนึ่ง จึงสามารถนา fac1_1 และ fac2_1 ไปทาการ

้

วิเคราะห์ขอมูลต่อไป เช่น ทดสอบสมมติฐาน

2. ใช้ค่า Factor score ในการเปรี ยบเทียบประสิ ทธิภาพ เช่น ถ้าต้องการเปรี ยบเทียบ

ั

ประสิ ทธิภาพของพนักงานในบริ ษท ซึ่งมี 100 คน ถือว่า พนักงาน 1 คน เป็ น 1 case ตัว

แปร หรื อข้อมูลของพนักงานแต่ละคน อาจประกอบด้วย อายุ, เพศ, ระดับการศึกษา,

ั

ระยะเวลาที่ทางานกับบริ ษท, ผลงาน เช่น ยอดขาย ถ้าเป็ นพนักงานขาย, รายได้ ฯลฯ

2.1 ทาการ Standardized ตัวแปรทุกตัว เนื่องจากตัวแปรมีหน่วยต่างกัน

2.2 ใช้คาสั่ง Analyze Data ReductionFactor Analysis … แล้วเลือกวิธีสกัดปั จจัย

เป็ นวิธีPrincipal Component และ Rotation เป็ น Orthogonal

2.3 คานวณค่า Factor score

42









2.4 เปรี ยบเทียบ Factor score ของ Factor ที่ 1 case ใด หรื อพนักงานคนใดมีค่า Factor

score เป็ นบวกมากที่สุด แสดงว่ามีประสิ ทธิ ภาพดีที่สุด

2.5 ให้เรี ยงลาดับค่า Factor score ของ Factor ที่ 1 จากค่ามากไปน้อย จะเป็ นการเรี ยงลาดับ

พนักงานตามประสิ ทธิภาพ

43





บรรณานุกรม



ั

กัลยา วานิชย์บญชา. 2546. การวิเคราะห์ สถิติช้ ั นสู งด้ วย SPSS for Windows. พิมพ์ครั้งที่ 3.

กรุ งเทพฯ : ธรรมสาร.

ี

บุญชม ศรี สะอาด. 2543. การวิจัยทางการวัดผลและประเมินผล. กรุ งเทพฯ : สุ วริยาสาส์น.

ั

วิรัช วรรณรัตน์. 2538. “การวิเคราะห์ตวประกอบ (Factor analysis)”, วารสารการวัดผลการศึกษา.

48 (มกราคม-เมษายน 2538), 37-42.

ั ิ ั

ศิริชย พงษ์วชย. 2544. การวิเคราะห์ ข้อมูลทางสถิติด้วยคอมพิวเตอร์ . พิมพ์ครั้งที่ 11. กรุ งเทพฯ :

จุฬาลงกรณ์มหาวิทยาลัย.

สุ ชาติ ประสิ ทธิ์ รัฐสิ นธุ์. 2540. เทคนิคการวิเคราะห์ ตัวแปรหลายตัวสาหรับการวิจัย

ทางสั งคมศาสตร์ และพฤติกรรมศาสตร์ . พิมพ์ครั้งที่ 4. กรุ งเทพฯ : เลี่ยงเชียง.

WWW.Watpon.com การใช้ SPSS เพือการวิเคราะห์ ข้อมูล.

่

WWW.Watpon.com การวิเคราะห์ องค์ ประกอบเชิงยืนยัน.