ดาวน์โหลดงานนำเสนอ
งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ
1
การวิเคราะห์ข้อมูลพหุระดับ (Multilevel Analysis) ด้วยโปรแกรม HLM
ดร.นำชัย ศุภฤกษ์ชัยสกุล สถาบันวิจัยพฤติกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
2
การวิเคราะห์พหุระดับ
แนวคิดเบื้องต้นในการวิเคราะห์พหุระดับ ภาคทฤษฎีเกี่ยวกับแนวคิดการวิเคราะห์ การวิเคราะห์พหุระดับด้วยโปรแกรม HLM กรณีตัวอย่างงานวิจัย การใช้โปรแกรม HLM วิเคราะห์เพื่อตอบคำถามการวิจัย การอ่านและแปลผลการวิเคราะห์
3
ข้อมูลพหุระดับ Hierarchical Nested Data or Multiple-Level Data
4
ข้อมูลพหุระดับ Hierarchical Nested Data or Multiple-Level Data
5
ปัญหาของข้อมูลพหุระดับ
ลักษณะความเป็นกลุ่มส่งผลกระทบต่อการวิเคราะห์ทางสถิติ ละเมิดข้อตกลงเบื้องต้นเรื่อง Independent Observations ส่งผลให้เกิด Type I Error สูงเกินกว่าปกติหรือที่ตั้งไว้
6
ปัญหาของข้อมูลพหุระดับ
จำนวนสมาชิกต่อกลุ่ม ระดับของ Intraclass Correlation .00 .01 .05 .20 .40 .80 10 .06 .11 .28 .46 .75 25 .08 .19 .63 .84 50 .30 .59 .74 .89 100 .17 .43 .70 .81 .92 Barcikowski (1981)
7
ปัญหาของข้อมูลพหุระดับ
การวิเคราะห์การถดถอยทั่วไปใช้การประมาณค่าแบบ Ordinal Least Squares (OLS) ซึ่งมีปัญหาเนื่องจากละเมิด assumption การวิเคราะห์พหุระดับส่วนใหญ่ใช้วิธีประมาณค่า Maximum Likelihood (ML) ซึ่งให้ค่าประมาณที่เที่ยงตรงกว่าในกรณีที่ละเมิดข้อตกลงเบื้องต้นเรื่อง independent observations
8
กรณีตัวอย่าง X = เศรษฐฐานะของนักเรียน (SES)
Y = ผลสัมฤทธิ์ทางการเรียน (Achievement) W = ประเภทโรงเรียน (Type of School)
9
ลักษณะความสัมพันธ์ของตัวแปรพหุระดับ
10
วิธีการวิเคราะห์ กรณี 1 ใช้การวิเคราะห์ Pearson Correlation หรือ Regression กรณี 2 ใช้ ANCOVA หรือแปลงตัวแปร W ให้เป็นตัวแปร Dummy แล้วนำไปวิเคราะห์ Regression กรณี 3 การวิเคราะห์แบบเดิมไม่สามารถวิเคราะห์ได้ เนื่องจากมีข้อตกลงเบื้องต้นทางสถิติ กรณี 3 นี้เรียกว่า Cross Level Interaction เป็นความสัมพันธ์ที่ การวิเคราะห์พหุระดับถูกออกแบบเพื่อศึกษาโดยเฉพาะ
11
แนวการวิเคราะห์แบบเดิม
ไม่สนใจระดับการวิเคราะห์ ไม่นำเข้ามาวิเคราะห์ด้วย ใช้ได้เฉพาะกรณี 1 เท่านั้น ทำให้หน่วยการวิเคราะห์อยู่ในระดับเดียวกัน Aggregate Regression แปลงตัวแปรระดับหน่วยย่อยให้เป็นระดับกลุ่ม เสียข้อมูลจำนวนมาก Power ลดลง Type II Error สูงขึ้น Ecological Fallacy or Robinson Effect
12
แนวการวิเคราะห์แบบเดิม
ทำให้หน่วยการวิเคราะห์อยู่ในระดับเดียวกัน Disaggregate Regression แปลงตัวแปรระดับกลุ่มให้เป็นระดับหน่วยย่อย Type I Error สูงขึ้นกว่าปกติ Atomistic Fallacy การวิเคราะห์ 2 แนวทางก็ยังไม่สามารถวิเคราะห์ Cross Level Interaction ได้
13
แนวการวิเคราะห์แบบเดิม
การวิเคราะห์แบบเดิมจึงมีปัญหา Conceptual Problem Fallacy of the Wrong Level Statistical Problem Violate Independent Observation Assumption Alpha Inflate
14
การวิเคราะห์ข้อมูลพหุระดับ
Multilevel Data Analysis Hierarchical Linear Models (HLM) โดย Raudenbush & Bryk เป็นการนำเอาโครงสร้างความเป็นกลุ่มมาเป็นอิทธิพลสุ่ม (Random Effect) ในสมการ ไม่ใช่อิทธิพลคงที่ (Fixed Effect) เหมือนสมการถดถอยทั่วไป แยกสมการโดยนำเอาค่าสัมประสิทธิ์ทั้งค่า intercept และ slope มาเป็นตัวแปรตามแบบสุ่ม
15
สมการการวิเคราะห์พหุระดับ
16
แนวคิดเบื้องต้นของ HLM
17
Null Model One Way ANOVA with Random Effects Level 1 Model
18
Null Model มีแต่ค่า Intercepts ไม่มีตัวแปรอิสระ
เพื่อคำนวณค่า Intraclass Correlation
19
Regression with Random Intercepts Model
ANCOVA with Random Intercepts Level 1 Model Level 2 Model
20
Regression with Random Intercepts Model
เพื่อทดสอบว่าตัวแปรอิสระระดับที่ 1 ตัวแปรใดบ้างที่มีอิทธิพลต่อตัวแปรตาม
21
Regression with Random Coefficients Model
Level 1 Model Level 2 Model
22
Regression with Random Coefficients Model
เพื่อทดสอบว่าอิทธิพลที่ตัวแปรอิสระระดับที่ 1 ที่มีต่อตัวแปรตามแตกต่างกันไปตามระหว่างกลุ่มระดับที่ 2 หรือไม่
23
Intercepts-as-Outcomes Model
Level 1 Model Level 2 Model
24
Intercepts-as-Outcomes Model
เพื่อทดสอบว่าตัวแปรอิสระระดับที่ 2 ตัวแปรใดบ้างที่มีอิทธิพลต่อตัวแปรตาม
25
Intercepts and Slopes-as-Outcomes Model
Cross-Level Interaction Model Level 1 Model Level 2 Model
26
Intercepts and Slopes-as-Outcomes Model
เพื่อทดสอบผลปฏิสัมพันธ์ของตัวแปรระดับที่ 2 ที่มีต่ออิทธิพลของตัวแปรระดับที่ 1 กับ ตัวแปรตาม
27
Centering Uncenterd Grand Mean Centered Group Mean Centered
28
ข้อดีของการ Centering
ทำให้ง่ายต่อการตีความค่า Intercept ลดความสัมพันธ์ระหว่างความคลาดเคลื่อนของ Random Intercepts and ความคลาดเคลื่อนของ Slopes ลดความสัมพันธ์ระหว่าง ตัวแปรระดับที่ 1 และ 2 และ ค่าปฏิสัมพันธ์ข้ามระดับ (Cross-level Interaction)
29
Uncentered ค่าเฉลี่ย เมื่อ = 0 ความแตกต่างของค่าเฉลี่ยระหว่างกลุ่ม Grand Mean Centered Adjusted Mean ค่าเฉลี่ยตัวแปรตามในกรณีที่มีค่าเฉลี่ยรวม ความแตกต่างของ Adjusted Mean ระหว่างกลุ่ม Group Mean Centered Unadjusted Mean ค่าเฉลี่ยตัวแปรตามในกรณีที่มีค่าเฉลี่ยกลุ่ม ความแตกต่างของ Unadjusted Mean ระหว่างกลุ่ม
30
Uncentered and Grand Mean Centered
คือ pooled-within regression slopes ความแตกต่างของ pooled-within slopes ระหว่างกลุ่ม Group Mean Centered คือ ค่าเฉลี่ย regression slopes ระหว่างกลุ่ม ความแตกต่างของค่าเฉลี่ย regression slopes ระหว่างกลุ่ม
31
การวิเคราะห์พหุระดับ ด้วยโปรแกรม HLM
32
กรณีตัวอย่างงานวิจัย
33
การเตรียมไฟล์ข้อมูล แยกไฟล์ข้อมูลออกเป็น 2 ไฟล์ คือ
ไฟล์ข้อมูลระดับที่ 1 ไฟล์ข้อมูลระดับที่ 2 ทั้ง 2 ไฟล์ต้องมีตัวแปร ID ของระดับที่ 2 เป็นตัวเชื่อม ไฟล์ระดับ 1 ต้องจัดกลุ่มตามตัวแปร ID ตัวแปร ID ถ้าเป็น string ต้องไม่ยาวเกิน 12 ตัวอักษร และค่าตัวแปร ID ต้องมีความยาวเท่ากันทุกค่า
34
ไฟล์ข้อมูลระดับที่ 1
35
ไฟล์ข้อมูลระดับที่ 2
36
การสร้างไฟล์ MDM HLM V.6 ใช้ .MDM (Multivariate Data Matrix)
HLM เวอร์ชั่นต่ำกว่า 6 ใช้ .SSM (Sufficient Statistics Matrix) Not Backward Compatible
37
การสร้างไฟล์ MDM File Make New MDM File Stat Package Input ให้เลือก Hierarchical Linear Models HLM 2 แล้วจะขึ้นกรอบหน้าต่างดังข้างล่าง
38
การสร้างไฟล์ MDM ตรงกรอบ Level-1 Specification ให้กดปุ่ม Browse แล้วเลือกไฟล์ข้อมูลระดับที่ 1 จากนั้นกดปุ่ม Choose Variables แล้วจะขึ้นหน้าต่างข้างล่าง
39
การสร้างไฟล์ MDM จากนั้นตรงกรอบ Level-2 Specification ให้กดปุ่ม Browse แล้วเลือกไฟล์ข้อมูลระดับที่ 2 จากนั้นกดปุ่ม Choose Variables แล้วจะขึ้นหน้าต่างข้างล่าง
40
การวิเคราะห์ Null Model
41
ผลการวิเคราะห์ Null Model
42
Intraclass Correlation
43
การวิเคราะห์ Regression with Random Intercept Model
44
ผลวิเคราะห์ Regression with Random Intercept Model
45
ผลวิเคราะห์ Regression with Random Intercept Model
46
ผลวิเคราะห์ Regression with Random Intercept Model
47
Variance Explained
48
Variance Explained
49
การวิเคราะห์ Intercepts-as-Outcomes Model
50
ผลวิเคราะห์ Intercepts-as-Outcomes Model
51
ผลวิเคราะห์ Intercepts-as-Outcomes Model
52
Variance Explained
53
การวิเคราะห์ Random Coefficients Model
54
ผลวิเคราะห์ Random Coefficients Model
55
ผลวิเคราะห์ Random Coefficients Model
56
การวิเคราะห์ Intercept-and-Slope as Outcome Model
57
ผลวิเคราะห์ Intercept-and-Slope as Outcome Model
58
จบการบรรยาย
งานนำเสนอที่คล้ายกัน
