จากแนวคิดสู่การปฏิบัติ : แนวทางการเลือกใช้ Covariance-Based SEM และ Variance-Based SEM (Partial Least Square: PLS-SEM) ในการวิเคราะห์สมการโครงสร้าง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิเคราะห์สมการโครงสร้าง (Structural Equation Modeling: SEM) เป็นเครื่องมือสำคัญในการวิจัยเชิงปริมาณเพื่อวิเคราะห์ความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรแฝงและตัวแปรสังเกตได้ โดยมีสองแนวทางหลัก คือ สมการโครงสร้างที่เน้นการทดสอบทฤษฎีโดยใช้ความแปรปรวนร่วมเป็นฐาน (Covariance-Based SEM: CB-SEM) และสมการโครงสร้างที่เน้นการพัฒนาทฤษฎีโดยใช้ความแปรปรวนเป็นฐานหรือกำลังสองบางส่วนเป็นฐาน (Variance-Based SEM: VB-SEM หรือ Partial Least Squares SEM: PLS-SEM)-- มักนิยมเรียกเป็น วิธีกำลังสองบางส่วน (Partial Least Square: PLS) ซึ่งมีความแตกต่างกันทั้งในแนวคิดและกระบวนการวิเคราะห์ บทความนี้นำเสนอการเปรียบเทียบการวิเคราะห์สมการโครงสร้าง (Structural Equation Modeling: SEM) ด้วย CB-SEM และ VB-SEM (PLS-SEM) ผ่านโปรแกรม AMOS และ SmartPLS ตามลำดับ โดยใช้ตัวแบบการยอมรับเทคโนโลยี (Technology Acceptance Model: TAM) เป็นกรณีศึกษา โดยใช้ข้อมูลตัวอย่างจากเว็บไซต์ www.smartpls.com จำนวน 1,190 ตัวอย่าง และทำการสุ่มมา 100 ตัวอย่าง เพื่อให้สามารถใช้งานได้ในเวอร์ชันนักศึกษา (Student version) สำหรับโปรแกรม SmartPLS และใช้จำนวนตัวอย่างเท่ากันในโปรแกรม AMOS รวมถึงปรับเปลี่ยนตัวแบบเพื่อให้เหมาะสมกับจำนวนตัวอย่าง ผลการศึกษาพบว่า CB-SEM เหมาะสำหรับการยืนยันทฤษฎีและข้อมูลขนาดใหญ่ ในขณะที่ VB-SEM (PLS-SEM) มีความยืดหยุ่นสูง เหมาะกับข้อมูลขนาดเล็กและตัวแบบที่ซับซ้อน บทความนี้สรุปข้อดี ข้อจำกัดของแต่ละวิธี พร้อมข้อเสนอแนะสำหรับนักวิจัยในการเลือกใช้อย่างเหมาะสม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using partial least squares. In R. H. Hoyle (Ed.), Statistical strategies for small sample research (pp. 307-341). SAGE.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Ezeugwa, B., Talukder, M. F., Amin, M. R., Hossain, S. I., & Arslan, F. (2022). Minimum sample size estimation in SEM: Contrasting results for models using composites and factors. Data Analysis Perspectives Journal, 3(4), 1-7. https://scriptwarp.com/dapj/2022_DAPJ_3_4/Ezeugwa_etal_2022_DAPJ_3_4_MinSampleSizeCompsFactors.pdf
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Pearson, New York.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139-152. https://doi.org/10.2753/MTP1069-6679190202
Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40, 414-433. https://doi.org/10.1007/s11747-011-0261-6
Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). SAGE.
Hair, J. F., Sarstedt, M., Ringle, C. M., Sharma, P. N., & Liengaard, B. D. (2024). Going beyond the untold facts in PLS-SEM and moving forward. European Journal of Marketing, 58(13), 81-106. https://doi.org/10.1108/EJM-08-2023-0645
Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on rönkkö and evermann (2013). Organizational Research Methods, 17(2), 182-209. https://doi.org/10.1177/1094428114526928
Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Paul, J., Modi, A., & Patel, J. (2016). Predicting green product consumption using theory of planned behavior and reasoned action. Journal of Retailing and Consumer Services, 29, 123-134. https://doi.org/10.1016/j.jretconser.2015.11.006
Reinartz, W. J., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based and variance-based SEM. International Journal of Research in Marketing, 26(4), 332-344. https://doi.org/10.1016/j.ijresmar.2009.08.001
Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP, 39(3), 4-16. https://doi.org/10.15358/0344-1369-2017-3-4
Ringle, C. M., Wende, S., & Becker, J.-M. (2024). Blindfolding. SmartPLS Documentation. https://www.smartpls.com/documentation/algorithms-and-techniques/blindfolding
Sarstedt, M., Ringle, C. M., Smith, D., Reams, R., & Hair, J. F. (2014). Partial least squares structural equation modeling (PLS-SEM): A useful tool for family business researchers. Journal of Family Business Strategy, 5(1), 105-115. https://doi.org/10.1016/j.jfbs.2014.01.002
Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies!. Journal of Business Research, 69(10), 3998-4010. https://doi.org/10.1016/j.jbusres.2016.06.007
Sarstedt, M., Adler, S. J., Ringle, C. M., Cho, G., Diamantopoulos, A., Hwang, H., & Liengaard, B. D. (2024). Same model, same data, but different outcomes: Evaluating the impact of method choices in structural equation modeling. Journal of Product Innovation Management, 41(6), 1100-1117. https://doi.org/10.1111/jpim.12738
Schumacker, R. E., & Lomax, R. G. (2004). A beginner’s guide to structural equation modeling (2nd ed.). Lawrence Erlbaum Associates.
Sharma, P. N., Liengaard, B. D., Hair, J. F., Sarstedt, M., & Ringle, C. M. (2023). Predictive model assessment and selection in composite-based modeling using PLS-SEM: extensions and guidelines for using CVPAT. European Journal of Marketing, 57(6), 1662-1677. https://doi.org/10.1108/EJM-08-2020-0636
SmartPLS. (n.d.). Sample projects: TAM. https://www.smartpls.com/documentation/sample-projects/tam
Tama, R. A. Z., Hoque, M. M., Liu, Y., Alam, M. J., & Yu, M. (2023). An application of partial least squares structural equation modeling (PLS-SEM) to examining farmers’ behavioral attitude and intention towards conservation agriculture in Bangladesh. Agriculture, 13(2), Article 503. https://doi.org/10.3390/agriculture13020503
Tangpattanakit, J., & Senariddhikrai, P. (2022). The role of confirmatory factor analysis (CFA) in structural equation Modeling (SEM). Journal of Management Sciences Kasetsart University, 1(2), 99-110. (in Thai). https://kuojs.lib.ku.ac.th/index.php/jmsku/article/view/5185
