Title	การกำหนดขนาดตัวอย่างแบบมอนติคาร์โลในโมเดลการวิเคราะห์องค์ประกอบเชิงยืนยันสำหรับข้อมูลที่ไม่มีการแจกแจงปกติ
Author	ยมล คงเจริญ
Imprint	2559
Connect to	http://cuir.car.chula.ac.th/handle/123456789/55705
Descript	-

การวิจัยนี้มีวัตถุประสงค์คือ (1) เพื่อพัฒนาวิธีการกำหนดขนาดตัวอย่างแบบมอนติคาร์โลในโมเดลการวิเคราะห์องค์ประกอบเชิงยืนยันเมื่อข้อมูลไม่มีการแจกแจงปกติ (2) เพื่อเปรียบเทียบประสิทธิภาพของวิธีการกำหนดขนาดตัวอย่าง 4 วิธี ได้แก่ วิธีการกำหนดขนาดตัวอย่างแบบมอนติคาร์โล วิธีการกำหนดขนาดตัวอย่างด้วยกฎเกณฑ์อย่างง่าย วิธีการกำหนดขนาดตัวอย่างตามแนวคิดของ Soper และวิธีการกำหนดขนาดตัวอย่างด้วยอำนาจการทดสอบสมมติฐานของการตรวจสอบความสอดคล้องเชิงประจักษ์ของโมเดล จำลองข้อมูลด้วยเทคนิคมอนติคาร์โลจำนวน 12 สถานการณ์ (1) ระดับของการระบุพารามิเตอร์น้ำหนักองค์ประกอบในโมเดลผิดพลาด 3 ระดับ คือ ต่ำ (RMSEA=.02) ปานกลาง (RMSEA=.04) และสูง (RMSEA=.06) และ (2) ความโด่ง 4 ระดับของการแจกแจงความน่าจะเป็นของตัวแปร คือ แบนราบกว่าปกติระดับน้อย (ku=-1) ปกติ (ku=0) โด่งกว่าปกติระดับน้อย (ku=1) และโด่งกว่าปกติระดับมาก (ku=2) ประสิทธิภาพของวิธีการกำหนดขนาดตัวอย่างพิจารณา 2 ด้านประกอบด้วย ประสิทธิภาพด้านการประมาณค่าพารามิเตอร์ และ ประสิทธิภาพด้านการตรวจสอบความสอดคล้องเชิงประจักษ์ด้วยอำนาจการทดสอบ ผลการวิจัย พบว่า (1) วิธีการกำหนดขนาดตัวอย่างแบบมอนติคาร์โลที่พัฒนาขึ้นมี 6 ขั้นตอนดังต่อไปนี้ 1) การกำหนดโมเดลการวิจัย 2) ตรวจสอบความสอดคล้องของโมเดลการวิจัยกับข้อมูลเชิงประจักษ์ที่ทำการเก็บมาได้ โดยพิจารณาจากดัชนี RMSEA ให้มีค่าเท่ากับ .000 เรียกโมเดลนี้ว่า โมเดลประชากรโดยประมาณ 3) จำลองข้อมูลในการวิเคราะห์ รวม 12 สถานการณ์ 4) วิเคราะห์องค์ประกอบเชิงยืนยัน แล้วบันทึกค่า ขนาดตัวอย่าง ค่าความเอนเอียงสัมพัทธ์ ค่าความคลาดเคลื่อนมาตรฐานแบบมอนติคาร์โลและอำนาจการทดสอบสมมติฐานของสถิติทดสอบไคสแควร์ 5) นำค่าบันทึกที่ได้มาเปรียบเทียบกับเกณฑ์ โดยที่ค่าความเอนเอียงสัมพัทธ์และค่าความคลาดเคลื่อนมาตรฐานแบบมอนติคาร์โลมีค่าไม่เกิน 10% หรือ อำนาจการทดสอบสมมติฐานของสถิติทดสอบไคสแควร์มีค่าไม่ต่ำกว่า .8 และ 6 ) จะได้ขนาดตัวอย่างที่เหมาะสมและมีประสิทธิภาพ (2) สำหรับการระบุโมเดลผิดพลาดทุกระดับ การกำหนดขนาดตัวอย่าแบบมอนติคาร์โลมีประสิทธิภาพสูงสุด กรณีมีการระบุโมเดลผิดพลาดระดับปานกลางกับสูง การกำหนดขนาดตัวอย่างที่ดีที่สุดคือ การกำหนดขนาดตัวอย่างด้วยกฎเกณฑ์อย่างง่าย และกรณีมีการระบุโมเดลผิดพลาดระดับสูง การกำหนดขนาดตัวอย่างที่เหมาะสมที่สุดคือวิธีการกำหนดขนาดตัวอย่างด้วยกฎเกณฑ์อย่างง่าย และพบว่า RML เป็นวิธีประมาณค่าที่มีประสิทธิภาพดีที่สุด
The purposes of this research were: 1) to develop Monte Carlo sample size determination method in confirmatory factor analysis, and 2) to compare the efficiency between four sample size determination methods included Monte Carlo method for non-normal data, rule of thumb method, Soper’s sample size determination methods and power based for structural equation model method. Data were generated by using Monte Carlo technique under 12 simulation conditions : (1) Three misspecification levels including low (RMSEA=.02), moderate (RMSEA=.04), and high (RMSEA=.06), and Four kurtosis levels distribution including low platykurtic (ku=-1), normal (ku=0), moderate leptokurtic (ku=1), and high leptokurtic (ku=2). Two criteria of sample size determination were parameter and power to the test of goodness of fit. The research results were: 1) Developed Monte Carlo sample size determination method consisted of six steps: first step specified research model, second step population model estimation by using observed data and adjusted the model until RMSEA =.000, third step was data simulation under 12 conditions, forth step was analysied confirmatory factor analysis and recorded sample sizes , relative biases values , monte carlo standard errors and power of the test, fifth step compared relative biases values and monte carlo standard errors to ≤ .10 or power of the test of goodness of fit test via chi-square statistic closed to .8, and final step got lowest sample size with desired power of the goodness of fit test guarantee 2) Monte Carlo sample size determination method was the most efficient method for all misspecification levels. Rule of thumb method was the most efficient method in case misspecification moderate and high. Power based method was the most efficient method in high misspecification level and RML was the best parameter estimation