គំរូសមីការឋានសម្ព័ន្ធ (Structural Equation Modeling / SEM)៖ ពេលការវិភាគកត្តា ជួបនឹងដ្យាក្រាមផ្លូវ
ចុះបើអថេរដែលអ្នកចង់សិក្សា — ដូចជា «ការពេញចិត្តការងារ» ឬ «ភាពប្តេជ្ញាចិត្តចំពោះស្ថាប័ន» — មិនអាចវាស់ដោយផ្ទាល់ដោយសំណួរតែមួយបានសោះ? SEM ជាវិធីសាស្ត្រស្ថិតិដែលផ្សំការវិភាគកត្តា (ដើម្បីកំណត់អថេរកំណាត់ពីសូចនាករសង្កេតច្រើន) ជាមួយការវិភាគផ្លូវ/តំរែតំរង់ (ដើម្បីសិក្សាទំនាក់ទំនងរវាងអថេរកំណាត់ទាំងនោះ) ក្នុងគំរូតែមួយ។ មេរៀននេះដើរតាមគំរូវាស់ (measurement model) និងគំរូឋានសម្ព័ន្ធ (structural model) ការវិភាគកត្តាបញ្ជាក់ (CFA) ជាករណីពិសេស ដ្យាក្រាមផ្លូវ ការកំណត់អត្តសញ្ញាណគំរូ ស្ថិតិសមស្របគំរូ (CFI, TLI, RMSEA, SRMR) និងកំហុសដ៏ញឹកញាប់បំផុតដែលធ្វើឱ្យ SEM ក្លាយជាការស្វែងរក (exploratory) ដោយមិនដឹងខ្លួន ទោះអ្នកសរសេរថាជា «ការបញ្ជាក់» (confirmatory) ក៏ដោយ។
🎯 គោលបំណងនៃមេរៀន — បន្ទាប់ពីអានចប់ អ្នកនឹងអាច៖
- ពន្យល់ថា SEM ជាអ្វី ហើយវាផ្សំការវិភាគកត្តាបញ្ជាក់ (CFA) ជាមួយការវិភាគផ្លូវ/តំរែតំរង់ដោយរបៀបណា។
- បែងចែកគំរូវាស់ (measurement model) ចេញពីគំរូឋានសម្ព័ន្ធ (structural model) ហើយពន្យល់ពីអថេរកំណាត់ (latent) ទល់នឹងអថេរសង្កេត (observed)។
- អាន និងគូរដ្យាក្រាមផ្លូវដោយប្រើនិមិត្តសញ្ញាស្តង់ដារ (រង្វង់ ការេ ព្រួញទិសតែមួយ ព្រួញពីរទិស)។
- បកស្រាយស្ថិតិសមស្របគំរូស្នូល (CFI, TLI, RMSEA, SRMR) ជាមួយ cutoff ទម្លាប់ និងដែនកំណត់របស់វា ហើយយល់ពីការកំណត់អត្តសញ្ញាណគំរូ និងទំហំគំរូទាមទារ។
- ជៀសវាងកំហុសសំខាន់បំផុត៖ ប្រើ SEM ជា «ការស្វែងរក» ក្លែងបន្លំជា «ការបញ្ជាក់» ការកែគំរូលើស modification indices និងការច្រឡំស្ថិតិសមស្របគំរូល្អជាមួយសុពលភាពមូលហេតុ។
⚡ សង្ខេបក្នុង ៣០ វិនាទី
- SEM = CFA + ការវិភាគផ្លូវ — វារួបរួមការកំណត់អថេរកំណាត់ពីសូចនាករសង្កេតច្រើន (ដូច CFA) ជាមួយការសិក្សាទំនាក់ទំនងហេតុ-ផលសម្មតិកម្មរវាងអថេរកំណាត់ទាំងនោះ (ដូចការតំរែតំរង់) ក្នុងគំរូស្ថិតិតែមួយ។
- ពីរផ្នែកស្នូល៖ គំរូវាស់ (measurement model) ភ្ជាប់អថេរកំណាត់ទៅសូចនាករសង្កេត ខណៈគំរូឋានសម្ព័ន្ធ (structural model) ភ្ជាប់អថេរកំណាត់ទៅគ្នាឯង។ CFA គ្រាន់តែជាគំរូវាស់ដោយឯកឯង គ្មានគំរូឋានសម្ព័ន្ធ។
- ស្ថិតិសមស្របគំរូមិនមានន័យថាគំរូត្រឹមត្រូវ — CFI/TLI ≥ .95 និង RMSEA/SRMR ≤ .06–.08 (Hu & Bentler, ១៩៩៩) ជា cutoff ទម្លាប់ តែវាអាស្រ័យលើភាពស្មុគស្មាញគំរូ និងទំហំគំរូ — មិនមែនច្បាប់ដាច់ខាតទេ។
- ការកំណត់អត្តសញ្ញាណ (Identification) ត្រូវតែត្រឹមត្រូវមុនការប៉ាន់ប្រមាណ — degrees of freedom ត្រូវតែ ≥ ០ ហើយអថេរកំណាត់ម្នាក់ៗត្រូវការខ្នាត (ជាធម្មតាកំណត់ loading មួយ = ១ ឬ variance = ១)។
- SEM ច្រើនជា «ការស្វែងរក» ជាក់ស្ដែងជាង «ការបញ្ជាក់» — ការប្រើ modification indices ដើម្បីកែគំរូឡើងវិញម្តងហើយម្តងទៀតលើទិន្នន័យតែមួយ គឺជាទម្រង់មួយនៃ overfitting/p-hacking ទោះបីគំរូចុងក្រោយមានស្ថិតិសមស្របល្អក៏ដោយ។
- Fit ល្អមិនស្មើនឹងសុពលភាពមូលហេតុ — SEM ជាគំរូស្ថិតិផ្អែកលើសហសម្ព័ន្ធ/ប្រែប្រួលរួម (covariance-based) ហើយទាមទារការរចនាស្រាវជ្រាវ ទ្រឹស្ដី និងការសន្មតបន្ថែម ដើម្បីអះអាងមូលហេតុបាន។
០១ · ហេតុអ្វីសំខាន់ហេតុអ្វី SEM ជាឧបករណ៍ចាំបាច់សម្រាប់អថេរដែលមិនអាចវាស់ដោយផ្ទាល់
ការវិភាគតំរែតំរង់ (មេរៀនទី ១៥) សន្មតថាអថេរនីមួយៗ — ទាំងអថេរពន្យល់ និងអថេរលទ្ធផល — អាចវាស់បានដោយផ្ទាល់ដោយលេខតែមួយ (ឧ. អាយុ ម៉ោងសិក្សា ពិន្ទុប្រឡង)។ ប៉ុន្តែការស្រាវជ្រាវសង្គម ចិត្តវិទ្យា អប់រំ និងអាជីវកម្មភាគច្រើន ចង់សិក្សាគំនិតដែលមិនអាចសង្កេតដោយផ្ទាល់ — ដូចជា «ការពេញចិត្តការងារ» «ភាពប្តេជ្ញាចិត្តចំពោះស្ថាប័ន» ឬ «បំណងចាកចេញពីការងារ»។ គំនិតទាំងនេះហៅថា អថេរកំណាត់ (latent variables) — ពួកវាវាស់បានតែដោយប្រយោលតាមរយៈសំណួរសង្កេតបានច្រើន (ឧ. សំណួរកម្រងសំណួរ ៤–៦ ធាតុ)។
គំរូសមីការឋានសម្ព័ន្ធ (Structural Equation Modeling / SEM) ដោះស្រាយកម្រិតនេះ៖ វាផ្សំ (១) ការវិភាគកត្តាបញ្ជាក់ (confirmatory factor analysis) ដើម្បីកំណត់ថាសំណួរសង្កេតណាខ្លះវាស់អថេរកំណាត់ណា ជាមួយ (២) ការវិភាគផ្លូវ/តំរែតំរង់ ដើម្បីសិក្សាទំនាក់ទំនងសម្មតិកម្មរវាងអថេរកំណាត់ទាំងនោះ — ទាំងអស់ក្នុងគំរូស្ថិតិតែមួយ ដែលប៉ាន់ប្រមាណជាមួយគ្នា មិនមែនជាជំហានដាច់ដោយឡែកពីគ្នាទេ។
⚠️ ហេតុអ្វីនេះសំខាន់ចំពោះនិក្ខេបបទ
និក្ខេបបទជាច្រើនប្រើកម្រងសំណួរដែលមានអថេរកំណាត់ច្រើន (ឧ. ទ្រឹស្ដី TAM, Job Demands-Resources, Theory of Planned Behavior) ហើយចាំបាច់ត្រូវសាកល្បងថាគំរូវាស់ត្រឹមត្រូវ មុននឹងសន្និដ្ឋានពីទំនាក់ទំនងរវាងអថេរកំណាត់។ គណៈកម្មការការពារនិក្ខេបបទតែងសួរថា «ហេតុអ្វីអ្នកកែគំរូបន្ទាប់ពីមើលលទ្ធផល?» ឬ «តើគំរូនេះជាការបញ្ជាក់ ឬការស្វែងរកជាក់ស្ដែង?» — សំណួរទាំងនេះទាមទារការយល់ដឹងពីគណិតវិទ្យា និងទស្សនវិជ្ជានៅពីក្រោយ SEM មិនគ្រាន់តែចុចប៊ូតុងក្នុងកម្មវិធីទេ។
០២ · ប្រវត្តិសង្ខេបពី Spearman និង Wright ដល់ lavaan៖ ប្រវត្តិដែលជួបគ្នារវាងពីរផ្លូវវិទ្យាសាស្ត្រ
SEM កើតចេញពីការជួបគ្នារវាងពីរផ្លូវវិទ្យាសាស្ត្រដែលដំណើរការដោយឡែកពីគ្នារយៈពេលជាង ៥០ ឆ្នាំ។ ផ្លូវទីមួយ ចាប់ផ្ដើមដោយ Charles Spearman ដែលបានស្នើការវិភាគកត្តា (factor analysis) ក្នុងអត្ថបទ «”General Intelligence,” Objectively Determined and Measured» (Spearman, ១៩០៤) ដើម្បីពន្យល់ថាហេតុអ្វីតេស្តសមត្ថភាពផ្សេងៗសហសម្ព័ន្ធគ្នា — ដោយសន្មតថាកត្តាទូទៅមួយ (អថេរកំណាត់) ពន្យល់សហសម្ព័ន្ធទាំងនោះ។ ផ្លូវទីពីរ ចាប់ផ្ដើមដោយអ្នកកំណើតសត្វ Sewall Wright ដែលបានបង្កើតការវិភាគផ្លូវ (path analysis) ក្នុងអត្ថបទ «Correlation and Causation» (Wright, ១៩២១) ដើម្បីបំបែកសហសម្ព័ន្ធមួយទៅជាផ្លូវមូលហេតុសម្មតិកម្មច្រើន។
ទសវត្សរ៍ ១៩៦០–១៩៧០ Karl Jöreskog បានផ្សំគំនិតទាំងពីរនេះចូលគ្នា។ អត្ថបទ «A General Approach to Confirmatory Maximum Likelihood Factor Analysis» (Jöreskog, ១៩៦៩) បានបង្កើតមូលដ្ឋានគណិតវិទ្យាសម្រាប់ CFA ហើយអត្ថបទ «A General Method for Estimating a Linear Structural Equation System» (Jöreskog, ១៩៧៣) បានពង្រីកវាទៅជាគំរូពេញលេញដែលមានទាំងគំរូវាស់ និងគំរូឋានសម្ព័ន្ធ — គំរូនេះត្រូវស្គាល់ថា LISREL (LInear Structural RELations) ហើយក្លាយជាកម្មវិធីពាណិជ្ជកម្មដំបូងសម្រាប់ SEM។ ស្របពេលគ្នា Peter Bentler និង David Weeks បានស្នើគំរូទូទៅមួយទៀត (Bentler & Weeks, ១៩៨០) ដែលជាមូលដ្ឋានឱ្យកម្មវិធី EQS។
ទសវត្សរ៍ ១៩៨០–១៩៩០ ការស្រាវជ្រាវផ្ដោតលើស្ថិតិសមស្របគំរូ (model fit) — Michael Browne និង Robert Cudeck បានស្នើ RMSEA ជាស្ថិតិសមស្របគំរូដែលមិនអាស្រ័យខ្លាំងលើទំហំគំរូ (Browne & Cudeck, ១៩៩៣) ខណៈ Li-tze Hu និង Peter Bentler បានបោះពុម្ពការសិក្សាត្រាប់តាមដ៏ធំមួយ ដើម្បីស្នើ cutoff សម្រាប់ស្ថិតិសមស្របគំរូផ្សេងៗ (Hu & Bentler, ១៩៩៩) ដែលក្លាយជាឯកសារដែលត្រូវបានដកស្រង់ញឹកញាប់បំផុតមួយក្នុងផ្នែកស្ថិតិសង្គមវិទ្យា។ ឆ្នាំ ២០១២ Yves Rosseel បានចេញផ្សាយកញ្ចប់ lavaan សម្រាប់ភាសា R (Rosseel, ២០១២) ដែលធ្វើឱ្យ SEM ចូលដំណើរការបានដោយឥតគិតថ្លៃសម្រាប់អ្នកស្រាវជ្រាវទូទាំងពិភពលោក ជំនួសកម្មវិធីពាណិជ្ជកម្មថ្លៃៗដូច LISREL, EQS, Amos, ឬ Mplus។
០៣ · និយមន័យSEM ជាអ្វី? ការផ្សំការវិភាគកត្តា និងការវិភាគផ្លូវ
គំរូសមីការឋានសម្ព័ន្ធ (SEM) ជាក្របខ័ណ្ឌស្ថិតិទូទៅសម្រាប់សាកល្បងទ្រឹស្ដីដែលមានអថេរកំណាត់ (latent variables) ច្រើន ហើយអថេរកំណាត់ទាំងនោះមានទំនាក់ទំនងសម្មតិកម្មគ្នា។ SEM ផ្សំពីរបច្ចេកទេសចូលគ្នា៖
① ការវិភាគកត្តា (Factor Analysis)
- កំណត់ថាសំណួរ/ធាតុសង្កេត (items) ណាខ្លះវាស់អថេរកំណាត់ (construct) ណា។
- ផ្ដោតលើ «តើធាតុសង្កេតទាំងនេះជាសូចនាករល្អនៃអថេរកំណាត់នេះទេ?»។
- CFA (confirmatory) សាកល្បងរចនាសម្ព័ន្ធដែលកំណត់ជាមុន — ផ្ទុយពី EFA (exploratory) ដែលស្វែងរករចនាសម្ព័ន្ធដោយគ្មានការកំណត់ជាមុន។
② ការវិភាគផ្លូវ/តំរែតំរង់ (Path/Regression)
- សិក្សាទំនាក់ទំនងសម្មតិកម្មរវាងអថេរ (ឧ. X ទាយ Y) តាមរយៈ coefficient ។
- ផ្ដោតលើ «តើអថេរកំណាត់មួយទាយ ឬឥទ្ធិពលលើអថេរកំណាត់មួយទៀតដែរឬទេ ប៉ុន្មាន?»។
- អនុញ្ញាតឱ្យមានការសម្រុះសម្រួល (mediation) ផ្លូវផ្ទាល់ និងផ្លូវប្រយោល ក្នុងគំរូតែមួយ។
នៅក្នុង SEM ទាំងពីរផ្នែកនេះប៉ាន់ប្រមាណជាមួយគ្នា មិនមែនជាជំហានពីរដាច់ដោយឡែកពីគ្នាទេ (ទោះបីជាការអនុវត្តន៍ល្អបំផុតស្នើឱ្យសាកល្បងផ្នែកកត្តាជាមុនផ្នែកឋានសម្ព័ន្ធ ដូចឃើញនៅផ្នែកទី ១២)។ ចំណុចខុសគ្នាស្នូលពីការតំរែតំរង់ធម្មតា គឺថាការតំរែតំរង់ប្រើតែអថេរសង្កេតដោយផ្ទាល់ ខណៈ SEM អនុញ្ញាតឱ្យអថេរកំណាត់ (ដែលមិនអាចសង្កេតដោយផ្ទាល់ ហើយកំណត់តម្លៃដោយធាតុសង្កេតច្រើន) ដើរតួជាអថេរពន្យល់ ឬអថេរលទ្ធផលផងដែរ — ដែលជួយកាត់បន្ថយកំហុសវាស់ (measurement error) ដែលមាននៅក្នុងសំណួរនីមួយៗ។
០៤ · គំរូវាស់គំរូវាស់ (Measurement Model)៖ ពីធាតុសង្កេត ទៅអថេរកំណាត់
គំរូវាស់ ចែងទំនាក់ទំនងរវាងអថេរកំណាត់ម្នាក់ៗ និងធាតុសង្កេត (indicators) របស់វា។ និមិត្តសញ្ញាគណិតវិទ្យាសម្រាប់ធាតុសង្កេតមួយ (ជាទូទៅហៅ x ឬ y) មានទម្រង់ស្រដៀងសមីការតំរែតំរង់៖
🧮 សមីការស្នូលនៃគំរូវាស់ (ឧទាហរណ៍ធាតុសង្កេតមួយ)
x = λη + δ
x = តម្លៃសង្កេតនៃធាតុសំណួរមួយ · λ (lambda) = factor loading — កម្លាំងទំនាក់ទំនងរវាងអថេរកំណាត់ និងធាតុសង្កេតនេះ · η (eta) = តម្លៃអថេរកំណាត់ (មិនអាចសង្កេតដោយផ្ទាល់) · δ (delta) = កំហុសវាស់ (measurement error) ចំពោះធាតុសង្កេតនេះ។
Factor loading (λ) ជាគន្លឹះនៃគំរូវាស់៖ loading ខ្ពស់ (ជាទូទៅ ≥ .៦០ សម្រាប់ loading ស្តង់ដារ) បញ្ជាក់ថាធាតុសង្កេតនោះជាសូចនាករល្អនៃអថេរកំណាត់។ Loading ទាបពេក (< .៤០) ប្រាប់ថាធាតុសង្កេតនោះប្រហែលជាវាស់គំនិតផ្សេង ឬមានកំហុសវាស់ច្រើនពេក ហើយអាចត្រូវលុបចេញ — ប៉ុន្តែការលុបត្រូវផ្អែកលើទ្រឹស្ដី មិនមែនគ្រាន់តែ «ដើម្បីកែ fit» ទេ (ផ្នែកទី ១៣)។
💡 ហេតុអ្វីត្រូវការធាតុសង្កេតច្រើន?
ប្រសិនបើប្រើធាតុសង្កេតតែមួយក្នុងការវាស់អថេរកំណាត់ (ឧ. សួរសំណួរតែមួយសម្រាប់ «ការពេញចិត្តការងារ») កំហុសវាស់ (δ) របស់ធាតុនោះច្របាច់ចូលជាមួយតម្លៃអថេរកំណាត់ដោយគ្មានផ្លូវបំបែក — SEM ត្រូវការធាតុសង្កេតយ៉ាងហោចណាស់ ៣ ធាតុក្នុងមួយអថេរកំណាត់ ដើម្បីឱ្យគំរូកំណត់អត្តសញ្ញាណបាន (ផ្នែកទី ០៦)។
០៥ · គំរូឋានសម្ព័ន្ធគំរូឋានសម្ព័ន្ធ (Structural Model) និង CFA ជាករណីពិសេស
ក្រោយពីគំរូវាស់កំណត់ថាធាតុសង្កេតណាខ្លះវាស់អថេរកំណាត់ណា គំរូឋានសម្ព័ន្ធ ចែងទំនាក់ទំនងសម្មតិកម្មរវាងអថេរកំណាត់ទៅគ្នាឯង — ប្រើគោលគំនិតដូចការតំរែតំរង់ ប៉ុន្តែអថេរគឺជាអថេរកំណាត់ជំនួសអថេរសង្កេតដោយផ្ទាល់។ អថេរកំណាត់ដែលមិនត្រូវបានទាយដោយអថេរកំណាត់ផ្សេងក្នុងគំរូ ហៅថា exogenous (ដូច independent variable) ខណៈអថេរកំណាត់ដែលត្រូវបានទាយ ហៅថា endogenous (ដូច dependent variable)។
CFA ជាករណីពិសេសមួយនៃ SEM៖ ប្រសិនបើគំរូមានតែគំរូវាស់ ដោយអនុញ្ញាតឱ្យអថេរកំណាត់ទាំងអស់សហសម្ព័ន្ធគ្នាដោយសេរី (ដោយគ្មានទិសដៅ/ព្រួញមូលហេតុរវាងពួកវា) នោះវាគ្រាន់តែជា CFA។ នៅពេលបន្ថែមព្រួញទិសដៅសម្មតិកម្មរវាងអថេរកំណាត់ (ឧ. ការពេញចិត្តការងារ → ភាពប្តេជ្ញាចិត្ត) វាក្លាយជា SEM ពេញលេញ។ ហេតុនេះហើយទើបអ្នកជំនាញស្នើឱ្យសាកល្បង CFA (គំរូវាស់) ឱ្យមានស្ថិតិសមស្របល្អជាមុនសិន មុននឹងបន្ថែមផ្លូវឋានសម្ព័ន្ធ — ប្រសិនបើគំរូវាស់ខ្លួនឯងមិនសមទិន្នន័យ ភាគច្រើនគំរូឋានសម្ព័ន្ធក៏នឹងមិនសមដែរ ហើយអ្នកនឹងមិនដឹងថាបញ្ហាមកពីការវាស់ ឬមកពីទ្រឹស្ដីទំនាក់ទំនងទេ (Anderson & Gerbing, ១៩៨៨)។
០៦ · ដ្យាក្រាម · អត្តសញ្ញាណ · ទំហំគំរូដ្យាក្រាមផ្លូវ និមិត្តសញ្ញា ការកំណត់អត្តសញ្ញាណគំរូ និងទំហំគំរូទាមទារ
និមិត្តសញ្ញាស្តង់ដារនៃដ្យាក្រាមផ្លូវ
SEM ប្រើភាសាក្រាហ្វិកស្តង់ដារដែលអ្នកស្រាវជ្រាវទូទាំងពិភពលោកអាចអានបាន៖
រង្វង់ (circle/ellipse)
អថេរកំណាត់ (latent variable) — គំនិតដែលមិនអាចសង្កេតដោយផ្ទាល់ ឧ. ការពេញចិត្តការងារ។
ការេ (square/rectangle)
អថេរសង្កេត (observed variable) — ធាតុសំណួរ ឬអថេរវាស់ដោយផ្ទាល់ ឧ. ចម្លើយកម្រងសំណួរ។
ព្រួញទិសតែមួយ (single-headed arrow)
ទំនាក់ទំនងទាយ/ឥទ្ធិពលសម្មតិកម្ម — ពី loading (រង្វង់→ការេ) ឬ path coefficient (រង្វង់→រង្វង់)។
ព្រួញពីរទិស (double-headed arrow)
សហសម្ព័ន្ធ/ប្រែប្រួលរួម (covariance) ដោយគ្មានទិសដៅមូលហេតុកំណត់ — ជាទូទៅភ្ជាប់អថេរ exogenous ឬភាពខុសគ្នា/កំហុសគ្នា។
ការកំណត់អត្តសញ្ញាណគំរូ (Model Identification)
មុននឹងកម្មវិធីអាចប៉ាន់ប្រមាណ parameter បានឡើយ គំរូត្រូវតែ កំណត់អត្តសញ្ញាណបាន (identified) — មានន័យថាមានព័ត៌មានគ្រប់គ្រាន់ក្នុងទិន្នន័យ ដើម្បីរកដំណោះស្រាយតែមួយគត់សម្រាប់ parameter នីមួយៗ។ លក្ខខណ្ឌចាំបាច់ (ប៉ុន្តែមិនគ្រប់គ្រាន់) គឺ degrees of freedom (df) របស់គំរូត្រូវតែ ≥ ០៖
ក្បួនទូទៅ (មិនគ្រប់គ្រាន់ ប៉ុន្តែមានប្រយោជន៍)៖ អថេរកំណាត់ម្នាក់ៗគួរមានធាតុសង្កេតយ៉ាងហោចណាស់ ៣ ធាតុ (ល្អបន្ថែមទៀតប្រសិនបើ ៤ ឬច្រើនជាងនេះ) ហើយអថេរកំណាត់ម្នាក់ៗត្រូវការខ្នាត — ជាធម្មតាធ្វើដោយកំណត់ loading របស់ធាតុសង្កេតមួយ = ១ (marker variable) ឬកំណត់ variance របស់អថេរកំណាត់ = ១ (standardized)។
ទំហំគំរូទាមទារ (Sample Size)
SEM ទាមទារទំហំគំរូធំជាងការវិភាគស្ថិតិសាមញ្ញភាគច្រើន ព្រោះចំនួន parameter ដែលត្រូវប៉ាន់ច្រើន។ ច្បាប់ទូទៅចែងពី N:q ratio (ចំនួនការសង្កេត : ចំនួន parameter ដែលត្រូវប៉ាន់ប្រមាណ) ចាប់ពី ១០:១ ទៅ ២០:១ (Wolf et al., ២០១៣)៖ ទំហំគំរូទាមទារកើនឡើងទាមទារតាមចំនួនធាតុសង្កេត ចំនួនអថេរកំណាត់ និងកម្លាំង loading — គំរូដែលមានធាតុសង្កេតច្រើន (ឧ. ៣០+) ជាទូទៅទាមទារ N ≥ ២០០–៣០០ ដើម្បីទទួលបានការប៉ាន់ប្រមាណស្ថិតិថ្លែរ (MacCallum, Browne & Sugawara, ១៩៩៦; Shi, Lee & Terry, ២០១៨)។ ការធ្វើ power analysis ផ្លូវការលើ RMSEA (MacCallum et al., ១៩៩៦) ត្រឹមត្រូវជាងការអនុវត្តច្បាប់ N:q ដាច់ខាត។
០៧ · ស្ថិតិសមស្របគំរូស្ថិតិសមស្របគំរូ (Fit Indices)៖ CFI, TLI, RMSEA, SRMR
បន្ទាប់ពីប៉ាន់ប្រមាណគំរូ (ជាទូទៅដោយ Maximum Likelihood) ត្រូវវាយតម្លៃថាគំរូដែលសន្មតនោះ «សមស្រប» ជាមួយទិន្នន័យសង្កេតប៉ុណ្ណា។ ព្រោះ chi-square test ជាមូលដ្ឋាន (ដែលសាកល្បងថាគំរូត្រូវ/មិនត្រូវទិន្នន័យទាំងស្រុង) ប្រែប្រួលតាមទំហំគំរូយ៉ាងខ្លាំង (គំរូធំតែងច្បាស់បង្ហាញភាពខុសគ្នាបន្តិចបន្តួចជា «ស្ថិតិសារៈសំខាន់») អ្នកស្រាវជ្រាវតែងរាយការណ៍ស្ថិតិសមស្របបន្ថែមទៀត៖
| ស្ថិតិសមស្រប | ប្រភេទ | Cutoff ទម្លាប់ | ចំណាំ |
|---|---|---|---|
| CFI (Comparative Fit Index) | Incremental — ប្រៀបធៀបនឹងគំរូ baseline | ≥ .៩៥ (ល្អ) / ≥ .៩០ (សមរម្យ) | ធន់ទល់នឹងទំហំគំរូល្អជាង chi-square |
| TLI (Tucker-Lewis Index) | Incremental | ≥ .៩៥ (ល្អ) | ដាក់ពិន័យភាពស្មុគស្មាញគំរូខ្លាំងជាង CFI |
| RMSEA (Root Mean Square Error of Approximation) | Absolute (parsimony-adjusted) | ≤ .០៦ (ល្អ) / ≤ .០៨ (សមរម្យ) | មានចន្លោះទំនុកចិត្ត ៩០% — គួររាយការណ៍ជានិច្ច (Browne & Cudeck, ១៩៩៣) |
| SRMR (Standardized Root Mean Square Residual) | Absolute | ≤ .០៨ (ល្អ) | វាស់ភាពខុសគ្នាមធ្យមរវាងសហសម្ព័ន្ធសង្កេត និងសហសម្ព័ន្ធគំរូទាយ |
⚠️ Cutoff ទាំងនេះមិនមែនច្បាប់ដាច់ខាត
Hu & Bentler (១៩៩៩) ខ្លួនឯងសន្មតលក្ខខណ្ឌជាក់លាក់ (ឧ. ទំហំគំរូ ប្រភេទគំរូ) ក្នុងការសិក្សាត្រាប់តាមរបស់ពួកគេ ដែលមិនតែងតែត្រូវនឹងគំរូជាក់ស្ដែងរបស់អ្នក។ cutoff តែមួយសម្រាប់ស្ថិតិសមស្របទាំងអស់ អាចនាំឱ្យច្រានចេញគំរូត្រឹមត្រូវ ឬទទួលយកគំរូខុស — អ្នកស្រាវជ្រាវគួររាយការណ៍ស្ថិតិសមស្របច្រើនប្រភេទជាមួយគ្នា ពន្យល់ហេតុផលជ្រើស cutoff ហើយពិចារណាលើភាពស្មុគស្មាញគំរូ និងទំហំគំរូរបស់ខ្លួនជាក់ស្ដែង មិនមែនអនុវត្ត cutoff ដោយមិនគិតអ្វីទេ។
ស្ថិតិសមស្របគំរូល្អ ប្រាប់តែថាគំរូសមនឹងរចនាសម្ព័ន្ធសហសម្ព័ន្ធ/ប្រែប្រួលរួមក្នុងទិន្នន័យ — វាមិនបញ្ជាក់ថាទ្រឹស្ដីគឺពិត ឬព្រួញទិសដៅមូលហេតុដែលអ្នកគូរគឺត្រឹមត្រូវទេ។ គំរូផ្សេងគ្នាច្រើន (ឧ. ប្រែបម្រួញទិសព្រួញខ្លះ) អាចផ្ដល់ស្ថិតិសមស្របដូចគ្នាបានឥតខ្ចោះ — បញ្ហានេះហៅថា equivalent models។ ហេតុនេះហើយទើប fit index ល្អមិនស្មើនឹងសុពលភាពមូលហេតុ (ផ្នែកទី ១៣)។
០៨ · ឧទាហរណ៍ឧទាហរណ៍អនុវត្តតែមួយ៖ ការពេញចិត្តការងារ ភាពប្តេជ្ញាចិត្ត និងបំណងចាកចេញ
(ឧទាហរណ៍សម្មត បង្កើតឡើងសម្រាប់បង្រៀនតែប៉ុណ្ណោះ — មិនមែនទិន្នន័យពិតពីការសិក្សាជាក់ស្ដែងណាមួយទេ)។ និស្សិតម្នាក់សិក្សាថាតើការពេញចិត្តការងារ (Job Satisfaction, JS) ប៉ះពាល់ដល់បំណងចាកចេញពីការងារ (Turnover Intention, TI) ដោយផ្ទាល់ និងដោយប្រយោលតាមរយៈភាពប្តេជ្ញាចិត្តចំពោះស្ថាប័ន (Organizational Commitment, OC) ដែរឬទេ — ប្រមូលទិន្នន័យពីបុគ្គលិកពេញម៉ោង N = ៤១២ នាក់ ក្នុងក្រុមហ៊ុនផលិតកម្មអន្តរជាតិបី។
ជំហាន ១ — គំរូវាស់ (CFA) ត្រូវសាកល្បងមុន
CFA មួយមាន ៣ អថេរកំណាត់ (JS, OC, TI) ដែលម្នាក់ៗមានធាតុសង្កេត ៣–៤ (សរុប ១១ ធាតុ) ត្រូវប៉ាន់ប្រមាណមុន។ Loading ស្តង់ដារទាំងអស់លើសពី .៦០ ហើយគំរូវាស់មានស្ថិតិសមស្របល្អ៖ CFI = .៩៧, RMSEA = .០៤៦។
ជំហាន ២ — បន្ថែមផ្លូវឋានសម្ព័ន្ធ តាមទ្រឹស្ដី
ផ្អែកលើទ្រឹស្ដីការប្តេជ្ញាចិត្តរបស់ Meyer & Allen និក្ខេបបទបន្ថែមផ្លូវ JS → OC, OC → TI, និងផ្លូវផ្ទាល់ JS → TI — មិនបន្ថែមផ្លូវដែលគ្មានមូលដ្ឋានទ្រឹស្ដីទេ ទោះបីជាអាចបង្កើន fit បន្តិចក៏ដោយ។
ជំហាន ៣ — ប៉ាន់ប្រមាណគំរូពេញលេញ
គំរូពេញលេញ (measurement + structural) មានស្ថិតិសមស្របស្រដៀងគំរូវាស់ដោយឡែក (CFI = .៩៧, TLI = .៩៦, RMSEA = .០៤៦, SRMR = .០៤១) — ប្រាប់ថាការបន្ថែមផ្លូវឋានសម្ព័ន្ធមិនបានបន្ថយ fit ច្រើនទេ។
ជំហាន ៤ — បកស្រាយផ្លូវផ្ទាល់ និងប្រយោល
JS → OC (β = .៥៨) OC → TI (β = -.៤១) ទាំងពីរសំខាន់ស្ថិតិ។ ឥទ្ធិពលប្រយោលរបស់ JS លើ TI តាមរយៈ OC (β = -.២៤, bootstrap CI 95%: -.៣៤ ដល់ -.១៥) សំខាន់ស្ថិតិ ខណៈឥទ្ធិពលផ្ទាល់ (β = -.១៨) តូចជាងតែនៅតែសំខាន់ — បង្ហាញ partial mediation។
ជំហាន ៥ — កុំកែគំរូបន្ទាប់ពីមើលលទ្ធផល
និស្សិតមិនប្រើ modification indices ដើម្បីបន្ថែមផ្លូវថ្មីក្រោយមើលលទ្ធផល ហើយរាយការណ៍ច្បាស់ថាគំរូត្រូវបានកំណត់ទាំងស្រុងជាមុន (a priori) — រក្សានូវលក្ខណៈបញ្ជាក់ (confirmatory) ពិតប្រាកដនៃការសិក្សា (ផ្នែកទី ១៣)។
០៩ · ប្រៀបធៀបតារាងប្រៀបធៀប៖ CFA · ការវិភាគផ្លូវ · SEM ពេញលេញ
| លក្ខណៈ | CFA (ការវិភាគកត្តាបញ្ជាក់) | ការវិភាគផ្លូវ (Path Analysis) | SEM ពេញលេញ |
|---|---|---|---|
| អថេរកំណាត់? | មាន (ជាគោលបំណងស្នូល) | គ្មាន — ប្រើតែអថេរសង្កេត | មាន |
| ភ្ជាប់អថេរកំណាត់ទៅគ្នាឯងតាមទិសដៅ? | ទេ — សហសម្ព័ន្ធសេរីតែប៉ុណ្ណោះ | បាទ/ចាស៎ (រវាងអថេរសង្កេត) | បាទ/ចាស៎ (រវាងអថេរកំណាត់) |
| ត្រូវការកំហុសវាស់ (measurement error)? | បាទ/ចាស៎ — ជាគោលបំណងនៃគំរូវាស់ | ជាទូទៅសន្មតថាគ្មានកំហុសវាស់ | បាទ/ចាស៎ (ក្នុងផ្នែកគំរូវាស់) |
| ប្រើពេលណាសមស្រប? | សាកល្បង/សុពលភាពកម្រងសំណួរ ឬមុន SEM ពេញលេញ | អថេរទាំងអស់វាស់ដោយផ្ទាល់ច្បាស់លាស់ | ទ្រឹស្ដីមានអថេរកំណាត់ច្រើន ហើយមានទំនាក់ទំនងរវាងពួកវា |
| ឧបករណ៍កម្មវិធីទូទៅ | lavaan, Mplus, Amos | lavaan (path only), AMOS, regression software | lavaan, Mplus, LISREL, EQS, AMOS |
១០ · ករណីសិក្សាករណីសិក្សា៖ ពីគំនិតមិនច្បាស់ ដល់គំរូដែលកំណត់អត្តសញ្ញាណបាន
ករណីនេះតាមដាននិស្សិតបណ្ឌិតម្នាក់ ដែលសិក្សាកត្តាទាយបំណងបន្តការសិក្សានៅកម្រិតឧត្តមសិក្សា ចាប់ពីគំនិតមិនច្បាស់ រហូតដល់គំរូដែលកំណត់អត្តសញ្ញាណបាន និងសាកល្បងបាន។
ជំហាន ១ — គំនិតដំបូង (ទូលំទូលាយ និងលាយឡំ)
«តើកត្តាអ្វីទាយបំណងបន្តការសិក្សា?» — គ្មានការបែងចែកថាតើគំនិតមួយណាជាអថេរកំណាត់ ឬជាអថេរសង្កេតដោយផ្ទាល់ទេ។
ជំហាន ២ — កំណត់អថេរកំណាត់ដោយផ្អែកលើទ្រឹស្ដី
និស្សិតកំណត់អថេរកំណាត់បី៖ «ការគាំទ្រពីគ្រួសារ» «ជំនឿលើសមត្ថភាពខ្លួនឯង (self-efficacy)» និង «បំណងបន្តការសិក្សា» ដោយម្នាក់ៗកំណត់ដោយកម្រងសំណួរ ៤ ធាតុ ផ្អែកលើការពិនិត្យអក្សរសិល្ប៍ (ម៉ូឌុល A)។
ជំហាន ៣ — សាកល្បងគំរូវាស់ (CFA) ដោយឡែកមុន
CFA ៣ កត្តាបង្ហាញថា loading ទាំងអស់ > .៦០ លើកលែងធាតុមួយរបស់ «ជំនឿលើសមត្ថភាពខ្លួនឯង» (.៣៨) ដែលនិស្សិតពិចារណាលុបចេញ ដោយផ្អែកលើការបកប្រែពាក្យមិនច្បាស់ ជំនួសគ្រាន់តែ «ព្រោះវាបន្ថយ fit»។
ជំហាន ៤ — ត្រួតពិនិត្យការកំណត់អត្តសញ្ញាណ មុនបន្ថែមផ្លូវឋានសម្ព័ន្ធ
ជាមួយអថេរកំណាត់ ៣ និងធាតុសង្កេត ១១ (បន្ទាប់ពីលុបមួយ) គំរូពេញលេញមាន df = ៤១ (overidentified) — អនុញ្ញាតឱ្យធ្វើតេស្តស្ថិតិសមស្របគំរូបាន។
ជំហាន ៥ — បន្ថែមផ្លូវឋានសម្ព័ន្ធ ហើយកំណត់ a priori
និស្សិតកំណត់ផ្លូវ «ការគាំទ្រពីគ្រួសារ → ជំនឿលើសមត្ថភាពខ្លួនឯង → បំណងបន្តការសិក្សា» ជាគំរូសម្មតិកម្មតែមួយគត់ មុននឹងមើលទិន្នន័យ — ជៀសវាងសេរីភាពកែគំរូបន្ទាប់ពីឃើញលទ្ធផល (ផ្នែកទី ១៣)។
ជំហាន ៦ — រាយការណ៍ដែនកំណត់មូលហេតុយ៉ាងច្បាស់
ទោះគំរូមានស្ថិតិសមស្របល្អ (CFI = .៩៥, RMSEA = .០៥៧) និស្សិតនៅតែសរសេរច្បាស់ថាការរចនាជា cross-sectional មិនអាចបញ្ជាក់ទិសដៅមូលហេតុពិតប្រាកដបានទេ — គំរូបង្ហាញភាពស៊ីគ្នានឹងទ្រឹស្ដីដែលសន្មត មិនមែនភស្តុតាងដាច់ខាតនៃមូលហេតុទេ។
១១ · ការសម្រេចចិត្តតើគួរប្រើ CFA ការវិភាគផ្លូវ ឬ SEM ពេញលេញ?
សូមសួរខ្លួនឯងតាមលំដាប់ខាងក្រោម មុននឹងជ្រើសប្រភេទគំរូ។
សំណួរទី ១៖ តើអថេរដែលអ្នកសិក្សាអាចវាស់ដោយធាតុសង្កេតតែមួយច្បាស់លាស់ដែរឬទេ?
ប្រសិនបើបាទ/ចាស៎ (ឧ. អាយុ ប្រាក់ចំណូល) → ប្រហែលជាមិនចាំបាច់ SEM ទេ ការវិភាគផ្លូវ/តំរែតំរង់សាមញ្ញគ្រប់គ្រាន់។ ប្រសិនបើគំនិតដែលមិនអាចវាស់ដោយផ្ទាល់ (ឧ. ការលើកទឹកចិត្ត ភាពពេញចិត្ត) → ត្រូវការគំរូវាស់ (CFA ឬ SEM)។
សំណួរទី ២៖ តើគោលបំណងគ្រាន់តែសុពលភាពកម្រងសំណួរ ឬសិក្សាទំនាក់ទំនងផងដែរ?
ប្រសិនបើគ្រាន់តែសាកល្បងថាសំណួរវាស់អថេរកំណាត់ដែលចង់វាស់ត្រឹមត្រូវដែរឬទេ → CFA គ្រប់គ្រាន់។ ប្រសិនបើចង់សិក្សាផងដែរថាអថេរកំណាត់មួយទាយមួយទៀត → ត្រូវការ SEM ពេញលេញ។
សំណួរទី ៣៖ តើទំហំគំរូគ្រប់គ្រាន់សម្រាប់ចំនួន parameter ដែលត្រូវប៉ាន់ទេ?
គណនា N:q ratio (ផ្នែកទី ០៦) — ប្រសិនបើគំរូតូចពេកធៀបនឹងចំនួន parameter (ឧ. < ១០:១) → សម្រួលគំរូឱ្យសាមញ្ញជាង ឬប្រមូលទិន្នន័យបន្ថែម មុននឹងទៅដល់ SEM ស្មុគស្មាញ។
សំណួរទី ៤៖ តើគំរូកំណត់អត្តសញ្ញាណបានទេ?
ត្រួតពិនិត្យថា df ≥ ០ និងអថេរកំណាត់ម្នាក់ៗមានធាតុសង្កេត ≥ ៣ និងមានខ្នាត (ផ្នែកទី ០៦)។ ប្រសិនបើមិនអាចកំណត់អត្តសញ្ញាណបាន → សម្រួលគំរូ ឬបន្ថែមធាតុសង្កេត។
ជំហានចុងក្រោយ៖ សាកល្បងគំរូវាស់ដោយឡែកមុន
មិនថាគោលបំណងចុងក្រោយជា SEM ពេញលេញប៉ុណ្ណាក៏ដោយ សាកល្បង CFA នៃផ្នែកវាស់ជាមុនជានិច្ច (Anderson & Gerbing, ១៩៨៨) — ប្រសិនបើគំរូវាស់មិនសមទិន្នន័យ គំរូឋានសម្ព័ន្ធក៏នឹងមិនអាចទុកចិត្តបានដែរ។
១២ · ការសរសេររបៀបសរសេរផ្នែក «SEM» ក្នុងនិក្ខេបបទ
ផ្នែកនេះជាទូទៅចែកជាបី៖ ជំពូកវិធីសាស្ត្រ (ពន្យល់គំរូ estimator និងកម្មវិធី) ជំពូកគំរូវាស់ (CFA — loading និងស្ថិតិសមស្រប) និងជំពូកគំរូឋានសម្ព័ន្ធ (path coefficient និងស្ថិតិសមស្របចុងក្រោយ)។ ប្រវែងប្រហាក់ប្រហែល៖ និក្ខេបបទអនុបណ្ឌិត ~៨០០–១២០០ ពាក្យ និង និក្ខេបបទបណ្ឌិត ~១៥០០–៣០០០ ពាក្យ (កាន់តែវែង ប្រសិនបើប្រៀបធៀបគំរូជំនួសច្រើន ឬមានក្រុមច្រើន)។
គំរូ ៥ ជំហាន
📝 រចនាសម្ព័ន្ធផ្នែកវិភាគ SEM
ជំហានទី ១ ប្រាប់ estimator (ML, MLR, WLSMV) កញ្ចប់កម្មវិធី/version និងវិធីដោះស្រាយទិន្នន័យបាត់ (missing data)។
ជំហានទី ២ រាយអថេរកំណាត់ទាំងអស់ និងធាតុសង្កេតរបស់ពួកវា ជាមួយប្រភពកម្រងសំណួរ។
ជំហានទី ៣ រាយការណ៍លទ្ធផលគំរូវាស់ (CFA)៖ loading ស្តង់ដារ និងស្ថិតិសមស្រប មុននឹងទៅដល់គំរូឋានសម្ព័ន្ធ។
ជំហានទី ៤ រាយ path coefficient (β, SE, p-value, CI ៩៥%) និងស្ថិតិសមស្របគំរូពេញលេញ (CFI, TLI, RMSEA, SRMR)។
ជំហានទី ៥ បកស្រាយផ្លូវផ្ទាល់ ប្រយោល និង mediation ជាភាសាធម្មតា ប្រកាសច្បាស់ពីដែនកំណត់មូលហេតុ។
កថាខណ្ឌគំរូ (ភាសាអង់គ្លេស)
ខាងក្រោមនេះជាកថាខណ្ឌគំរូដែល Eksastra សរសេរឡើងសម្រាប់ជាឧទាហរណ៍ (សម្រាប់ករណីសិក្សាផ្នែកទី ០៨ ខាងលើ)។ កុំចម្លងទាំងស្រុង — ត្រូវសរសេរឡើងវិញតាមការសិក្សារបស់អ្នក។
MODEL PARAGRAPH · SEM RESULTS
A structural equation model was estimated to examine whether job satisfaction predicted turnover intention directly and indirectly through organizational commitment, using data from 412 full-time employees across three multinational manufacturing firms. The measurement model, estimated via confirmatory factor analysis, showed that all standardized factor loadings exceeded .60 and the three-factor structure fit the data well, χ²(41) = 78.3, p < .001, CFI = .97, TLI = .96, RMSEA = .046 [90% CI: .030, .061], SRMR = .041. In the structural model, job satisfaction had a significant positive effect on organizational commitment (β = .58, p < .001), and organizational commitment, in turn, significantly predicted lower turnover intention (β = −.41, p < .001). The indirect effect of job satisfaction on turnover intention through organizational commitment was significant (β = −.24, 95% bootstrap CI: −.34, −.15), while the direct effect of job satisfaction on turnover intention was smaller but still significant (β = −.18, p = .006), indicating partial mediation. No post-hoc modification indices were used to alter the originally specified model, and the cross-sectional design precludes definitive causal conclusions.
ហេតុអ្វីកថាខណ្ឌនេះល្អ? (១) រាយការណ៍លទ្ធផលគំរូវាស់ដោយឡែកពីគំរូឋានសម្ព័ន្ធ។ (២) រាយស្ថិតិសមស្របច្រើនប្រភេទជាមួយគ្នា មិនមែនតែមួយ។ (៣) រាយផ្លូវផ្ទាល់ និងប្រយោលដោយឡែក ជាមួយ CI bootstrap សម្រាប់ឥទ្ធិពលប្រយោល។ (៤) ប្រកាសច្បាស់ថាគ្មានការកែគំរូក្រោយមើលទិន្នន័យ។ (៥) ប្រកាសច្បាស់ពីដែនកំណត់មូលហេតុ។
១៣ · ជៀសវាងកំហុស ៨ យ៉ាងដែលគណៈកម្មការឃើញញឹកញាប់
ប្រើ SEM ជា «ការស្វែងរក» ក្លែងបន្លំជា «ការបញ្ជាក់»
សរសេរថាកំពុង «សាកល្បង» គំរូដែលកំណត់ជាមុន (confirmatory) ប៉ុន្តែពិតជាកំពុងសាកល្បងគំរូច្រើនបន្តបន្ទាប់រហូតដល់បានគំរូដែល fit ល្អ — នេះគឺជាការស្វែងរក (exploratory) លាក់កំបាំង។ ដំណោះស្រាយ៖ ប្រកាសច្បាស់ថាដំណាក់កាលណាជាការបញ្ជាក់ (a priori) និងដំណាក់កាលណាជាការស្វែងរក (post-hoc)។
ប្រើ modification indices ដើម្បីកែគំរូឡើងវិញម្តងហើយម្តងទៀត
បន្ថែម/លុបផ្លូវតាម modification indices រហូតដល់បាន fit ល្អ ដោយមិនផ្អែកលើទ្រឹស្ដី — បង្កហានិភ័យ overfitting ខ្លាំង ដូច stepwise regression ក្នុងការតំរែតំរង់ (មេរៀនទី ១៥)។ ដំណោះស្រាយ៖ កំណត់គំរូទាំងអស់ដោយទ្រឹស្ដីជាមុន ប្រសិនបើត្រូវកែ រាយការណ៍ច្បាស់ថាជាការស្វែងរកបន្ថែម ហើយសាកល្បងនឹងគំរូថ្មី (cross-validation)។
ច្រឡំស្ថិតិសមស្របគំរូល្អជាមួយសុពលភាពមូលហេតុ
អះអាងថា «ព្រោះ CFI = .៩៧ ដ្យាក្រាមផ្លូវនេះពិត» ខណៈ fit ល្អគ្រាន់តែប្រាប់ថាគំរូសមនឹងរចនាសម្ព័ន្ធសហសម្ព័ន្ធ — គំរូផ្សេងច្រើន (equivalent models) អាចផ្ដល់ fit ដូចគ្នាបានឥតខ្ចោះ។ ដំណោះស្រាយ៖ ប្រកាសច្បាស់ថា fit ល្អមិនស្មើនឹងសុពលភាពមូលហេតុទេ ហើយពិភាក្សាគំរូជំនួស (alternative models) ប្រសិនបើអាច។
រំលងការសាកល្បងគំរូវាស់ (CFA) ដោយឡែកមុន
ទៅដល់ SEM ពេញលេញភ្លាមៗដោយមិនបានសាកល្បង CFA នៃផ្នែកវាស់ជាមុន — ប្រសិនបើគំរូមិនសមទិន្នន័យ មិនអាចដឹងថាបញ្ហាមកពីការវាស់ ឬមកពីផ្លូវឋានសម្ព័ន្ធទេ។ ដំណោះស្រាយ៖ អនុវត្តតាមវិធីពីរជំហាន (Anderson & Gerbing, ១៩៨៨)៖ CFA ជាមុន រួចបន្ថែមផ្លូវឋានសម្ព័ន្ធ។
ទំហំគំរូតូចពេកធៀបនឹងចំនួន parameter
ប៉ាន់ប្រមាណគំរូដែលមានធាតុសង្កេត ២០+ ជាមួយ N < ១០០ ដែលធ្វើឱ្យការប៉ាន់ប្រមាណមិនថ្លែរ ឬបញ្ហាដំណោះស្រាយមិនស្រប (improper solutions, ឧ. negative variance)។ ដំណោះស្រាយ៖ គណនា N:q ratio ឬធ្វើ power analysis លើ RMSEA (MacCallum et al., ១៩៩៦) មុនប្រមូលទិន្នន័យ។
រាយការណ៍ cutoff តែមួយ ដោយមិនពន្យល់ហេតុផល
សរសេរថា «CFI ≥ .៩៥ ដូច្នេះគំរូល្អ» ដោយមិនពន្យល់ថាហេតុអ្វីជ្រើស cutoff នោះ ឬមិនរាយស្ថិតិសមស្របផ្សេងទៀត។ ដំណោះស្រាយ៖ រាយ CFI, TLI, RMSEA, SRMR ជាមួយគ្នា ហើយពន្យល់ថា cutoff ជា «ច្បាប់ទូទៅ» មិនមែនច្បាប់ដាច់ខាត (Hu & Bentler, ១៩៩៩)។
មិនត្រួតពិនិត្យ factor loading ទាបមុនបកស្រាយផ្លូវឋានសម្ព័ន្ធ
បន្តទៅការបកស្រាយ path coefficient ទោះបីជាធាតុសង្កេតមួយចំនួនមាន loading ទាប (< .៤០) ដែលបញ្ជាក់ថាវាស់អថេរកំណាត់ដែលចង់វាស់មិនល្អ។ ដំណោះស្រាយ៖ ត្រួតពិនិត្យ loading ទាំងអស់ដំបូង ពិចារណាលុបធាតុសង្កេតទាបដោយផ្អែកលើទ្រឹស្ដី មិនមែនគ្រាន់តែលេខទេ (ផ្នែកទី ០៤)។
ប្រើ estimator ខុសប្រភេទទិន្នន័យ
ប្រើ Maximum Likelihood (ML) ធម្មតាជាមួយធាតុសង្កេត Likert-scale ចំនួនកម្រិតតិច (ឧ. ៣–៤ កម្រិត) ដែលសន្មតថាជាអថេរបន្ត ធម្មតា — ប៉ុន្តែទិន្នន័យពិតជាប្រភេទលំដាប់ (ordinal)។ ដំណោះស្រាយ៖ ប្រើ estimator ត្រឹមត្រូវតាមប្រភេទទិន្នន័យ (ឧ. WLSMV សម្រាប់ ordinal, MLR សម្រាប់ non-normal continuous) ហើយរាយការណ៍ច្បាស់ពីហេតុផលជ្រើស។
១៤ · ការការពារនិក្ខេបបទសំណួរ ៦ ដែលគណៈកម្មការតែងតែសួរ — និងរបៀបឆ្លើយ
«ហេតុអ្វីអ្នកសាកល្បង CFA ដោយឡែកមុននឹងទៅដល់គំរូឋានសម្ព័ន្ធពេញលេញ?»
គន្លឹះឆ្លើយ៖ ពន្យល់វិធីពីរជំហាន (Anderson & Gerbing, ១៩៨៨) — ប្រសិនបើគំរូវាស់មិនសមទិន្នន័យ គំរូឋានសម្ព័ន្ធក៏នឹងមិនអាចទុកចិត្តបានដែរ ដូច្នេះត្រូវដកចែកបញ្ហាទាំងពីរផ្នែក។
«ហេតុអ្វីអ្នកកែប្រែគំរូ ហើយហានិភ័យអ្វីពីការប្រើ modification indices?»
គន្លឹះឆ្លើយ៖ ប្រសិនបើប្រើ ត្រូវប្រកាសច្បាស់ថាជាការស្វែងរកបន្ថែម មិនមែនការបញ្ជាក់ទ្រឹស្ដីដំបូង ហើយទទួលស្គាល់ថាគំរូចុងក្រោយអាចសមទិន្នន័យពិសេសនេះ ដោយមិនអាចទូទៅទៅសំណាកផ្សេង (ហានិភ័យ overfitting)។
«តើគំរូនេះអាចអះអាងពីទិសដៅមូលហេតុបានទេ ឬគ្រាន់តែបង្ហាញភាពស៊ីគ្នា?»
គន្លឹះឆ្លើយ៖ ឆ្លើយដោយស្មោះត្រង់ថា SEM ជាគំរូផ្អែកលើសហសម្ព័ន្ធ/ប្រែប្រួលរួម — ការអះអាងមូលហេតុទាមទារការរចនាស្រាវជ្រាវបន្ថែម (ឧ. longitudinal, experimental) ហើយទទួលស្គាល់ថាមានគំរូសមមូល (equivalent models) ដែលអាចផ្ដល់ fit ដូចគ្នា។
«ហេតុអ្វីអ្នកជ្រើស cutoff ទាំងនេះសម្រាប់ CFI/RMSEA ហើយវាដាច់ខាតទេ?»
គន្លឹះឆ្លើយ៖ ពន្យល់ប្រភពរបស់ cutoff (Hu & Bentler, ១៩៩៩) ហើយទទួលស្គាល់ច្បាស់ថាវាជាគោលការណ៍ទូទៅ អាស្រ័យលើភាពស្មុគស្មាញគំរូ និងទំហំគំរូ មិនមែនច្បាប់ដាច់ខាតទេ។
«តើទំហំគំរូរបស់អ្នកគ្រប់គ្រាន់ទេសម្រាប់ចំនួន parameter ដែលត្រូវប៉ាន់?»
គន្លឹះឆ្លើយ៖ រាយ N:q ratio ជាក់ស្ដែង ប្រៀបធៀបនឹងច្បាប់ទូទៅ (Wolf et al., ២០១៣) ហើយប្រសិនបើអាច រាយការណ៍លទ្ធផល power analysis លើ RMSEA (MacCallum et al., ១៩៩៦)។
«ហេតុអ្វីអ្នកជ្រើស estimator នេះ (ML, MLR, WLSMV) ហើយមិនមែនមួយផ្សេង?»
គន្លឹះឆ្លើយ៖ ភ្ជាប់ការសម្រេចចិត្តទៅនឹងប្រភេទទិន្នន័យធាតុសង្កេត (continuous/ordinal) និងភាពធម្មតា (normality) របស់វា — ឧ. WLSMV សម្រាប់ទិន្នន័យ ordinal, MLR សម្រាប់ទិន្នន័យ continuous ដែលមិនធម្មតា។
១៥ · ប្រវត្តិពី Spearman ដល់ lavaan៖ ពេលវេលាសំខាន់ៗ
តារាងពេលវេលាខាងក្រោម តាមដានការវិវត្តន៍នៃ SEM ចាប់ពីការកំណើតនៃការវិភាគកត្តា និងការវិភាគផ្លូវ រហូតដល់កម្មវិធីបើកចំហសព្វថ្ងៃ។
Charles Spearman បោះពុម្ពការវិភាគកត្តា ដើម្បីពន្យល់សហសម្ព័ន្ធរវាងតេស្តសមត្ថភាពផ្សេងៗ។
Sewall Wright បង្កើតការវិភាគផ្លូវ (path analysis) សម្រាប់បំបែកសហសម្ព័ន្ធទៅជាផ្លូវមូលហេតុសម្មតិកម្ម។
Karl Jöreskog បោះពុម្ពវិធីទូទៅសម្រាប់ CFA ជាមួយ maximum likelihood។
Jöreskog ពង្រីកគំនិតទៅជាគំរូពេញលេញ (LISREL) ដែលមានទាំងគំរូវាស់ និងគំរូឋានសម្ព័ន្ធ។
Peter Bentler និង David Weeks ស្នើគំរូទូទៅមួយទៀត ជាមូលដ្ឋានឱ្យកម្មវិធី EQS។
James Anderson និង David Gerbing ស្នើវិធីពីរជំហាន៖ CFA មុន រួចគំរូឋានសម្ព័ន្ធ។
Michael Browne និង Robert Cudeck ស្នើ RMSEA ជាស្ថិតិសមស្របគំរូដែលធន់ទល់នឹងទំហំគំរូ។
MacCallum, Browne និង Sugawara បោះពុម្ពវិធី power analysis ផ្លូវការលើ RMSEA។
Hu និង Bentler បោះពុម្ពការសិក្សាត្រាប់តាមដ៏ធំ ស្នើ cutoff សម្រាប់ស្ថិតិសមស្របគំរូផ្សេងៗ។
MacCallum និង Austin ពិនិត្យការអនុវត្ត SEM ក្នុងការស្រាវជ្រាវចិត្តវិទ្យា។
Yves Rosseel ចេញផ្សាយកញ្ចប់ lavaan សម្រាប់ R ធ្វើឱ្យ SEM ចូលដំណើរការបានដោយឥតគិតថ្លៃ។
SEM ពង្រីកបន្តទៅជា SEM ពហុកម្រិត (multilevel SEM, មេរៀនបន្ទាប់) SEM Bayesian និង PLS-SEM សម្រាប់គំរូ composite-based។
១៦ · តេស្តខ្លួនឯងសំណួរត្រួតពិនិត្យការយល់ដឹង (ចុចដើម្បីមើលចម្លើយ)
១. តើអថេរកំណាត់ (latent variable) ខុសពីអថេរសង្កេត (observed variable) ដូចម្តេច?
ចម្លើយ៖ អថេរកំណាត់មិនអាចសង្កេតដោយផ្ទាល់ទេ (ឧ. ការពេញចិត្ត) ហើយកំណត់តម្លៃដោយធាតុសង្កេតច្រើន ខណៈអថេរសង្កេតអាចវាស់ដោយផ្ទាល់ (ឧ. ចម្លើយកម្រងសំណួរ)។
២. ហេតុអ្វីគួរសាកល្បង CFA ដោយឡែកមុននឹងទៅដល់គំរូឋានសម្ព័ន្ធ?
ចម្លើយ៖ ដើម្បីដឹងថាបញ្ហាណាមួយមកពីគំរូវាស់ ឬគំរូឋានសម្ព័ន្ធ — ប្រសិនបើគំរូវាស់មិនសមទិន្នន័យ គំរូឋានសម្ព័ន្ធក៏នឹងមិនអាចទុកចិត្តបានដែរ (Anderson & Gerbing, ១៩៨៨)។
៣. គំរូមួយមាន df = -២ តើមានន័យថាអ្វី?
ចម្លើយ៖ គំរូ underidentified — មិនមានព័ត៌មានគ្រប់គ្រាន់ក្នុងទិន្នន័យ ដើម្បីប៉ាន់ប្រមាណ parameter ទាំងអស់បានទេ ត្រូវកំណត់/កាត់បន្ថយ parameter មុននឹងប៉ាន់ប្រមាណ។
៤. CFI = .៩៧ និង RMSEA = .០៤៦ តើមានន័យថាដ្យាក្រាមផ្លូវដែលគូរគឺត្រឹមត្រូវ ១០០% ដែរឬទេ?
ចម្លើយ៖ ទេ — ស្ថិតិសមស្របល្អប្រាប់តែថាគំរូសមនឹងរចនាសម្ព័ន្ធសហសម្ព័ន្ធក្នុងទិន្នន័យ មិនមែនបញ្ជាក់ទិសដៅមូលហេតុទេ — គំរូសមមូល (equivalent models) ច្រើនអាចផ្ដល់ fit ដូចគ្នាបានឥតខ្ចោះ។
៥. ហេតុអ្វីការប្រើ modification indices ម្តងហើយម្តងទៀតគ្រោះថ្នាក់?
ចម្លើយ៖ វាធ្វើឱ្យគំរូចុងក្រោយសមនឹងទិន្នន័យពិសេសនេះខ្លាំងពេក (overfitting) ដោយមិនផ្អែកលើទ្រឹស្ដី ហើយលទ្ធផលមិនអាចទូទៅទៅសំណាកផ្សេងបាន — ស្រដៀងបញ្ហា stepwise regression (មេរៀនទី ១៥)។
៦. Factor loading ស្តង់ដាររបស់ធាតុសង្កេតមួយ = .២៥ តើគួរធ្វើអ្វី?
ចម្លើយ៖ loading ទាបពេក (< .៤០) បង្ហាញថាធាតុសង្កេតនោះប្រហែលជាវាស់អថេរកំណាត់ដែលចង់វាស់មិនល្អ — ត្រូវពិចារណាលុបចេញដោយផ្អែកលើទ្រឹស្ដី/ការបកប្រែពាក្យ មិនមែនគ្រាន់តែដើម្បីកែ fit ទេ។
៧. តើភាពខុសគ្នារវាង CFA និង SEM ពេញលេញនៅត្រង់ណា?
ចម្លើយ៖ CFA មានតែគំរូវាស់ ដោយអនុញ្ញាតឱ្យអថេរកំណាត់សហសម្ព័ន្ធគ្នាដោយសេរី ខណៈ SEM ពេញលេញបន្ថែមព្រួញទិសដៅសម្មតិកម្ម (គំរូឋានសម្ព័ន្ធ) រវាងអថេរកំណាត់ទាំងនោះ។
៨. លំហាត់អនុវត្ត៖ តើគំរូមួយដែលមាន parameter ត្រូវប៉ាន់ ៥០ ប៉ុន្តែគំរូមានតែ N = ១២០ បង្កបញ្ហាអ្វី?
ការណែនាំ៖ ចំអាលទៅលើច្បាប់ N:q ratio (ផ្នែកទី ០៦) — គណនាសមាមាត្រ (១២០:៥០ = ២.៤:១) ប្រៀបធៀបនឹងច្បាប់ទូទៅ ១០–២០:១ ហើយពន្យល់ហានិភ័យដំណោះស្រាយមិនស្រប (improper solutions) និងការប៉ាន់ប្រមាណមិនថ្លែរ។
១៧ · វាក្យសព្ទវាក្យសព្ទសំខាន់ ខ្មែរ–អង់គ្លេស
| English | ខ្មែរ | ន័យសង្ខេប |
|---|---|---|
| Latent variable | អថេរកំណាត់ | អថេរដែលមិនអាចសង្កេតដោយផ្ទាល់ កំណត់ដោយធាតុសង្កេត |
| Observed / manifest variable | អថេរសង្កេត | អថេរដែលវាស់ដោយផ្ទាល់ ឧ. ចម្លើយកម្រងសំណួរ |
| Measurement model | គំរូវាស់ | ផ្នែកនៃគំរូដែលភ្ជាប់អថេរកំណាត់ទៅធាតុសង្កេត |
| Structural model | គំរូឋានសម្ព័ន្ធ | ផ្នែកនៃគំរូដែលភ្ជាប់អថេរកំណាត់ទៅគ្នាឯង |
| Factor loading | Loading (ទម្ងន់កត្តា) | កម្លាំងទំនាក់ទំនងរវាងអថេរកំណាត់ និងធាតុសង្កេត |
| Path coefficient | Path coefficient | កម្លាំងទំនាក់ទំនងរវាងអថេរកំណាត់ពីរក្នុងគំរូឋានសម្ព័ន្ធ |
| Exogenous / endogenous variable | អថេរ exogenous / endogenous | អថេរកំណាត់ដែលមិនត្រូវទាយ / ត្រូវទាយក្នុងគំរូ |
| Identification | ការកំណត់អត្តសញ្ញាណគំរូ | លក្ខខណ្ឌចាំបាច់ដើម្បីប៉ាន់ប្រមាណ parameter បានតែមួយគត់ |
| Degrees of freedom (df) | ដឺក្រេសេរីភាព (df) | ចំនួនព័ត៌មានលើសពី parameter ដែលត្រូវប៉ាន់ |
| Fit index | ស្ថិតិសមស្របគំរូ | ឧបករណ៍វាស់ថាគំរូសមនឹងទិន្នន័យប៉ុណ្ណា |
| CFI / TLI | CFI / TLI | ស្ថិតិសមស្រប incremental ប្រៀបធៀបនឹងគំរូ baseline |
| RMSEA | RMSEA | ស្ថិតិសមស្រប absolute ដាក់ពិន័យភាពស្មុគស្មាញគំរូ |
| Modification index | Modification index | លេខស្នើថាការបន្ថែមផ្លូវណាកើនបង្កើន fit ប៉ុន្មាន |
| Mediation / indirect effect | ការសម្រុះសម្រួល / ឥទ្ធិពលប្រយោល | ឥទ្ធិពលតាមរយៈអថេរកំណាត់ទីបី មិនមែនផ្ទាល់ |
| Equivalent models | គំរូសមមូល | គំរូផ្សេងគ្នាដែលផ្ដល់ស្ថិតិសមស្របដូចគ្នាបានឥតខ្ចោះ |
📌 ពាក្យបច្ចេកទេសខ្មែរមួយចំនួនមិនទាន់មានស្តង់ដារឯកភាពនៅឡើយ។ ក្នុងនិក្ខេបបទជាភាសាខ្មែរ ត្រូវសរសេរពាក្យអង់គ្លេសក្នុងវង់ក្រចកនៅពេលប្រើលើកដំបូង ហើយប្រើពាក្យដដែលឱ្យស៊ីសង្វាក់។
១៨ · អានបន្ថែមឯកសារគួរអាន — ពីមូលដ្ឋានដល់កម្រិតខ្ពស់
📗 អានមុនគេ (សម្រាប់អនុបណ្ឌិត និងបណ្ឌិតឆ្នាំទី ១)
- Kline, R. B. (២០១៦), Principles and Practice of Structural Equation Modeling (៤th ed.) — សៀវភៅណែនាំដ៏ច្បាស់បំផុតសម្រាប់អ្នកចាប់ផ្ដើម ពន្យល់គំនិតស្នូលទាំងអស់ដោយគណិតវិទ្យាតិច។
- Brown, T. A. (២០១៥), Confirmatory Factor Analysis for Applied Research (៤២nd ed.) — ជំពូកលម្អិតអំពី CFA ជាមុនជំហាននៃ SEM ពេញលេញ។
- Hu, L.-T., & Bentler, P. M. (១៩៩៩) — អត្ថបទដើមស្ដីពី cutoff ស្ថិតិសមស្របគំរូ ចាំបាច់អានសម្រាប់គ្រប់គំរូ SEM។
📕 កម្រិតខ្ពស់ (សម្រាប់បណ្ឌិត)
- Bollen, K. A. (១៩៨៩), Structural Equations with Latent Variables — សៀវភៅគណិតវិទ្យាស្រាវជ្រៅសម្រាប់មូលដ្ឋានទ្រឹស្ដីពេញលេញនៃ SEM។
- MacCallum, R. C., & Austin, J. T. (២០០០) — ការពិនិត្យអំពីការអនុវត្ត SEM ក្នុងការស្រាវជ្រាវចិត្តវិទ្យា រួមទាំងកំហុសញឹកញាប់។
- MacCallum, R. C. (១៩៨៦) — អត្ថបទដើមស្ដីពីហានិភ័យនៃ specification search និង modification indices។
- Rosseel, Y. (២០១២) — ឯកសារកញ្ចប់ lavaan សម្រាប់ R ចាំបាច់សម្រាប់អ្នកចង់អនុវត្តជាក់ស្ដែង។
- Wolf, E. J., et al. (២០១៣) និង MacCallum, Browne, & Sugawara (១៩៩៦) — អត្ថបទដើមស្ដីពីទំហំគំរូ និង power analysis សម្រាប់ SEM។
១៩ · FAQសំណួរដែលសួរញឹកញាប់
តើ SEM ខុសពីការតំរែតំរង់ពហុគុណ (មេរៀនទី ១៥) ដូចម្តេច?
ការតំរែតំរង់ប្រើតែអថេរសង្កេតដោយផ្ទាល់ និងសន្មតថាគ្មានកំហុសវាស់ ខណៈ SEM អនុញ្ញាតឱ្យអថេរកំណាត់ (ដែលកំណត់ដោយធាតុសង្កេតច្រើន និងបែងចែកកំហុសវាស់ដោយឡែក) ដើរតួជាអថេរពន្យល់ ឬអថេរលទ្ធផល — ជាទូទៅផ្ដល់ការប៉ាន់ប្រមាណថ្លែរជាង ប្រសិនបើគំរូវាស់ត្រឹមត្រូវ។
តើ CFA និង EFA (exploratory factor analysis) ខុសគ្នាដូចម្តេច?
EFA ស្វែងរករចនាសម្ព័ន្ធកត្តាដោយគ្មានការកំណត់ជាមុនថាធាតុណាវាស់កត្តាណា — សមស្របសម្រាប់ដំណាក់កាលដំបូងនៃការអភិវឌ្ឍន៍កម្រងសំណួរ។ CFA សាកល្បងរចនាសម្ព័ន្ធដែលកំណត់ជាមុនរួចស្រេច (ផ្អែកលើទ្រឹស្ដី ឬលទ្ធផល EFA មុន) — សមស្របសម្រាប់ដំណាក់កាលបញ្ជាក់។
តើការកំណត់អត្តសញ្ញាណ (identification) ជាអ្វីជាភាសាសាមញ្ញ?
វាសួរថា «តើមានព័ត៌មានគ្រប់គ្រាន់ក្នុងទិន្នន័យ ដើម្បីរកដំណោះស្រាយតែមួយគត់សម្រាប់ parameter ម្នាក់ៗទេ?» — ដូចព្យាយាមដោះសមីការ ២ ប៉ុន្តែមានអថេរមិនស្គាល់ ៣ (មិនអាចដោះបាន) ទល់នឹងមានសមីការ ៣ សម្រាប់អថេរមិនស្គាល់ ២ (អាចដោះបាន ហើយអាចត្រួតពិនិត្យថាដំណោះស្រាយត្រឹមត្រូវដែរឬទេ)។
តើ SEM អាចបញ្ជាក់មូលហេតុបានទេ?
មិនដោយខ្លួនឯងទេ។ SEM ជាគំរូផ្អែកលើសហសម្ព័ន្ធ/ប្រែប្រួលរួម (covariance-based) — ភាពស៊ីគ្នារវាងគំរូ និងទិន្នន័យ មិនមែនភស្តុតាងនៃទិសដៅមូលហេតុទេ (ផ្នែកទី ០៧)។ ការអះអាងមូលហេតុទាមទារការរចនាស្រាវជ្រាវបន្ថែម ដូចការសន្និដ្ឋានមូលហេតុទូទៅ (មេរៀនទី ០៦)។
តើទំហំគំរូអប្បបរមាសម្រាប់ SEM ប៉ុន្មាន?
អាស្រ័យលើចំនួន parameter ដែលត្រូវប៉ាន់ ច្បាប់ទូទៅស្នើ N:q ratio ១០–២០:១ (Wolf et al., ២០១៣) ប៉ុន្តែគំរូស្មុគស្មាញ ឬ loading ទាប ទាមទារទំហំគំរូធំជាងនេះទៀត — ការធ្វើ power analysis ផ្លូវការលើ RMSEA (MacCallum et al., ១៩៩៦) ត្រឹមត្រូវជាង។
តើ PLS-SEM ខុសពី SEM ផ្អែកលើសហសម្ព័ន្ធ (covariance-based, ដូចក្នុងមេរៀននេះ) ដូចម្តេច?
PLS-SEM (Partial Least Squares SEM) ប៉ាន់ប្រមាណអថេរផ្សំ (composite) ជំនួសអថេរកំណាត់ពិតប្រាកដ ដោយផ្ដោតលើការអតិបរមានៃភាពប្រែប្រួលពន្យល់បាន (variance explained) ជំនួសការសមទិន្នន័យទាំងមូល — សមស្របជាងសម្រាប់គំរូស្មុគស្មាញ ឬទំហំគំរូតូច ប៉ុន្តែមិនមានស្ថិតិសមស្របគំរូដូច CFI/RMSEA ដែលបកស្រាយបានដូចគ្នាទេ។ ជាប្រធានបទដែលស៊ីជម្រៅជាងនេះ សម្រាប់អ្នកសិក្សាបន្ថែម។
២០ · ប្រភពឯកសារយោង និងរូបភាព
- Spearman, C. (1904). “General Intelligence,” Objectively Determined and Measured. American Journal of Psychology, 15(2), 201–292.
- Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20, 557–585.
- Jöreskog, K. G. (1969). A general approach to confirmatory maximum likelihood factor analysis. Psychometrika, 34(2), 183–202.
- Jöreskog, K. G. (1973). A general method for estimating a linear structural equation system. In A. S. Goldberger & O. D. Duncan (Eds.), Structural Equation Models in the Social Sciences (pp. 85–112). Seminar Press.
- Bentler, P. M., & Weeks, D. G. (1980). Linear structural equations with latent variables. Psychometrika, 45(3), 289–308.
- Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In K. A. Bollen & J. S. Long (Eds.), Testing Structural Equation Models (pp. 136–162). Sage.
- Bollen, K. A. (1989). Structural Equations with Latent Variables. Wiley.
- Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411–423. doi:10.1037/0033-2909.103.3.411
- MacCallum, R. C. (1986). Specification searches in covariance structure modeling. Psychological Bulletin, 100(1), 107–120.
- Hu, L.-T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. doi:10.1080/10705519909540118
- MacCallum, R. C., Browne, M. W., & Sugawara, H. M. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130–149. doi:10.1037/1082-989X.1.2.130
- MacCallum, R. C., & Austin, J. T. (2000). Applications of structural equation modeling in psychological research. Annual Review of Psychology, 51, 201–226. doi:10.1146/annurev.psych.51.1.201
- Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934. doi:10.1177/0013164413495237
- Shi, D., Lee, T., & Terry, R. A. (2018). Revisiting the model size effect in structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 25(1), 21–40. doi:10.1080/10705511.2017.1369088
- Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. doi:10.18637/jss.v048.i02
- Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
📷 ឥណទានរូបភាព
រូបភាពក្នុងអត្ថបទនេះ បង្ហោះនៅ Wikimedia Commons (ចំណាត់ថ្នាក់ Category:Structural equation modeling)៖ (១) ដ្យាក្រាមផ្លូវ «Example Structural equation model.svg» ប្រើជារូបភាពក្បាលអត្ថបទ និងក្នុងផ្នែកទី ០៥ និង ០៨។ (២) «SEM-wikipedia.JPG» ប្រើជារូបភាពគម្របសម្រាប់ចែករំលែក — ទិន្នន័យ metadata ដែលបង្កប់ក្នុងឯកសារដើមបញ្ជាក់ឥណទានថា Jody Condit Fagan (Commons/Wikipedia username «faganjc»)។ ចំណាំ៖ ការចូលប្រើប្រាស់ផ្ទាល់ទៅទំព័រ Wikimedia Commons ត្រូវបានរារាំងដោយគោលការណ៍បច្ចេកទេសក្នុងអំឡុងពេលរៀបរៀងអត្ថបទនេះ ដូច្នេះលក្ខខណ្ឌអាជ្ញាបណ្ណពិតប្រាកដ (public domain ឬ CC BY-SA ជាដើម) របស់ឯកសារទាំងពីរ មិនបានផ្ទៀងផ្ទាត់ដោយផ្ទាល់ពីទំព័រ Commons ទេ — សូមផ្ទៀងផ្ទាត់លក្ខខណ្ឌពេញលេញនៅទំព័រឯកសារ Commons ដោយខ្លួនឯង មុននឹងប្រើប្រាស់ឡើងវិញក្រៅពីគោលបំណងអប់រំ។ ចុចលើរូបភាពណាមួយ ដើម្បីមើលទំហំធំ។
🎓 អត្ថបទនេះជាឯកសារសិក្សាសម្រាប់ជាជំនួយ។ វាមិនជំនួសការណែនាំរបស់គ្រូណែនាំ ឬបទប្បញ្ញត្តិនិក្ខេបបទរបស់សាកលវិទ្យាល័យអ្នកឡើយ។ ឧទាហរណ៍ “ការពេញចិត្តការងារ-ភាពប្តេជ្ញាចិត្ត-បំណងចាកចេញ” និងលេខស្ថិតិសមស្របគំរូទាំងអស់ត្រូវបានបង្កើត/សរសេរដោយ Eksastra សម្រាប់ជាឧទាហរណ៍បង្រៀនតែប៉ុណ្ណោះ — មិនមែនទិន្នន័យពិតពីការសិក្សាជាក់ស្ដែងណាមួយទេ — សូមកុំចម្លងចូលក្នុងនិក្ខេបបទដោយផ្ទាល់។
🔬 ស៊េរីវិធីសាស្ត្រស្រាវជ្រាវ — ផែនការមេរៀនទាំង ២៤
ស៊េរីនេះរៀបចំសម្រាប់និស្សិតថ្នាក់អនុបណ្ឌិត និងបណ្ឌិត ពីមូលដ្ឋានទស្សនវិជ្ជា រហូតដល់ការបោះពុម្ព និងការការពារនិក្ខេបបទ។ មេរៀនថ្មីនឹងបន្ថែមជាបន្តបន្ទាប់។