โครงการอบรม เรื่อง การวิเคราะห์อํานาจการทดสอบทางสถิติด้วย เทคนิค Monte Carlo

 

โครงการฝึกอบรมด้านจิตวิทยา เรื่อง
การวิเคราะห์อํานาจการทดสอบทางสถิติด้วยเทคนิค Monte Carlo

 

 

 

 

 

การวิเคราะห์อำนาจการทดสอบทางสถิติ (power analysis) มีความสำคัญอย่างมากกับการออกแบบงานวิจัย โดยเฉพาะอย่างยิ่งการกำหนดจำนวนผู้เข้าร่วมการวิจัยอย่างเหมาะสม การวิเคราะห์อำนาจการทดสอบทางสถิติมี 2 กลุ่มใหญ่ คือ การวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี (analytic power) และการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงการจำลองข้อมูล ซึ่งการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎีจะวิเคราะห์อำนาจการทดสอบทางสถิติโดยสมการที่สะท้อนความสัมพันธ์ระหว่างขนาดอิทธิพล จำนวนผู้เข้าร่วมการวิจัย และระดับของการตัดสินใจผิดพลาดแบบ Type I และ Type II (ที่นักวิจัยมักจะวิเคราะห์ด้วยโปรแกรมต่าง ๆ เช่น G*Power) ถึงแม้ว่าการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎีอาจทำได้เร็วและง่าย แต่ก็อาจไม่ได้สะท้อน “งานวิจัยจริง” มากนัก กล่าวคือ การวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎีจะวิเคราะห์อำนาจการทดสอบทางสถิิติภายใต้กระบวนการวิจัยที่เป็น “อุดมคติ” เช่น การกระจายของข้อมูลไม่ได้เบี่ยงเบนไปจากการกระจายแบบโค้งปกติไม่มีความคลาดเคลื่อนของการวัด หรือไม่มีข้อมูลสูญหาย ความไม่สอดคล้องกันระหว่างงานวิจัยจริงและกระบวนการวิจัยที่เป็นอุดมคติอาจทำให้นักวิจัยที่วิเคราะห์อำนาจการทดสอบทางสถิติด้วยการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎีกำหนดจำนวนผู้เข้าร่วมการวิจัยที่น้อยกว่าที่ควรจะเป็น ซึ่งอาจเป็นปัญหาของงานวิจัยและศาสตร์จิตวิทยา (เช่น วิกฤตการทดสอบซ้ำ [replication crisis]) ในเวลาต่อมา

 

ด้วยเหตุนี้ โครงการนี้จะนำเสนอการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงการจำลองข้อมูล (simulation-based power) ด้วยเทคนิค Monte Carlo ซึ่งนักวิจัยจะสามารถวิเคราะห์อำนาจการทดสอบทางสถิติที่สะท้อนงานวิจัยจริงได้มากขึ้น เช่น สามารถกำหนดให้การกระจายของข้อมูลเบี่ยงเบนไปจากการกระจายแบบโค้งปกติได้ สามารถกำหนดความเที่ยงของการวัด (ที่มักจะน้อยกว่า 1.0) ได้ และสามารถกำหนดให้มีข้อมูลสูญหายได้

 

 

เนื้อหาในโครงการนี้มี 4 ส่วน (8 ชั่วโมง ส่วนละประมาณ 2 ชั่วโมง) ได้แก่

 

 

 

1. พื้นฐานของการวิเคราะห์อำนาจการทดสอบทางสถิติและโปรแกรม R สำหรับการจำลองข้อมูลด้วยเทคนิค Monte Carlo

พื้นฐานเกี่ยวกับนัยทางสถิติ อำนาจการทดสอบทางสถิติ และพื้นฐานของโปรแกรม R สำหรับการจำลองข้อมูลด้วยเทคนิค Monte Carlo (มีคลิปพื้นฐานของโปรแกรม R 3 ชั่วโมง ให้ดูล่วงหน้า)

 

2. ส่วนประกอบสำคัญของการจำลองข้อมูลด้วยเทคนิค Monte Carlo สำหรับการวิจัยทางจิตวิทยา (และศาสตร์อื่น ๆ ที่อาจมีตัวแปรทางจิตวิทยา)

ประกอบด้วยการกระจายของข้อมูลที่เบี่ยงเบนไปจากการกระจายแบบโค้งปกติ ความคลาดเคลื่อนของการวัด และข้อมูลสูญหาย

 

3. การวิเคราะห์อำนาจการทดสอบทางสถิติของวิเคราะห์พื้นฐาน

สถิติวิเคราะห์พื้นฐาน ได้แก่ การวิเคราะห์สหสัมพันธ์ Pearson, การเปรียบเทียบระหว่าง 2 เงื่อนไข (t-test), การวิเคราะห์ความแปรปรวน (ANOVA), และการวิเคราะห์สมการถดถอย (Regression) [ผู้เข้าร่วมโครงการควรมีพื้นฐานของสถิติวิเคราะห์เหล่านี้]

 

4. การวิเคราะห์อำนาจการทดสอบทางสถิติด้วยโปรแกรมสำเสร็จรูป (package) เฉพาะทาง

มีการสาธิตการใช้งานโปรแกรมสำเร็จรูปสำหรับการวิเคราะห์อำนาจการทดสอบทางสถิติของสถิติวิเคราะห์อื่น ๆ ที่มักจะอยู่ในการวิจัยทางจิตวิทยาและศาสตร์อื่น ๆ ที่เกี่ยวข้อง

 

 

โครงการนี้เหมาะสำหรับ – นักวิชาการ นิสิต/นักศึกษา ป.โท-เอก ที่สนใจเรื่อง Sample Size Planning

 

 

 

รูปแบบการจัดกิจกรรม

 

---

กลุ่ม Learner Track

---

• บรรยายความรู้ ระยะเวลา 8 ชั่วโมง ในวันอาทิตย์ที่ 15 และ 22 กุมภาพันธ์ 2569 เวลา 13.00 – 17.30 น.
  ออนไลน์ผ่านโปรแกรม Zoom meeting
• ได้รับ Certificate of Attendance

 

---

กลุ่ม Practitioner Track

---

• บรรยายความรู้ ระยะเวลา 8 ชั่วโมง ในวันอาทิตย์ที่ 15 และ 22 กุมภาพันธ์ 2569 เวลา 13.00 – 17.30 น.
  ออนไลน์ผ่านโปรแกรม Zoom meeting
• และมีการให้คำแนะนำกลุ่มย่อยโดยวิทยากร ในวันเสาร์ที่ 28 กุมภาพันธ์ และวันอาทิตย์ที่ 1 มีนาคม 2569 จำนวน 5 กลุ่ม กลุ่มละ 1.5 ชั่วโมง ผ่านโปรแกรม Zoom meeting
  • • กลุ่มที่ 1 : 28 ก.พ. 2569 เวลา 13.00 – 14.30 น.
    • กลุ่มที่ 2 : 28 ก.พ. 2569 เวลา 15.00 – 16.30 น.
    • กลุ่มที่ 3 : 1 มี.ค. 2569 เวลา 13.00 – 14.30 น.
    • กลุ่มที่ 4 : 1 มี.ค. 2569 เวลา 15.00 – 16.30 น.
    • กลุ่มที่ 5 : 1 มี.ค. 2569 เวลา 17.00 – 18.30 น.
• ได้รับ Certificate of Achievement
  • • โดยผู้เข้าร่วมการอบรมจะต้องทำ self-test online ได้คะแนนอย่างน้อยร้อยละ 80 (ทำกี่ครั้งก็ได้ก่อนกำหนด) และ
    • ส่งงาน project เล็ก ๆ สำหรับการใช้เทคนิคนี้คำนวณ Sample size ของงานวิจัย ซึ่งอาจเป็นงานวิจัยของตัวเอง/งานวิจัยที่สนใจ/โจทย์ที่วิทยากรเตรียมไว้ให้ (เข้ารับคำแนะนำตาม Slot เวลา)

 

 

อัตราค่าลงทะเบียน

 

ประเภท	ค่าลงทะเบียน
Learner Track [Online]	2,400 บาท
Practitioner Track [Online]	3,000 บาท

 

หมายเหตุ

1. บุคลากรของรัฐและหน่วยงานราชการที่ได้รับอนุมัติจากผู้บังคับบัญชาแล้ว สามารถเข้าร่วมการอบรมได้โดยไม่ถือเป็นวันลา และมีสิทธิเบิกค่าลงทะเบียนได้ตามระเบียบของทางราชการ
2. สงวนสิทธิ์การยกเลิกการลงทะเบียนเข้าร่วมโครงการและไม่คืนเงินค่าลงทะเบียนเข้าร่วมอบรมทุกกรณี เว้นแต่คณะจิตวิทยามีการยกเลิกจัดโครงการ ซึ่งจะมีการแจ้งให้ผู้ลงทะเบียนเข้าร่วมอบรมทราบล่วงหน้า
3. ขอยกเลิกจัดโครงการ กรณีมีผู้ลงทะเบียนเข้าร่วมอบรมไม่ถึง 20 คน

 

 

เงื่อนไขการลงทะเบียน

 

1. กรุณาชำระค่าลงทะเบียนเข้าร่วมงานก่อนกรอกแบบฟอร์มลงทะเบียน
   หากลิงค์รับสมัครยังคง activate ท่านสามารถดำเนินการสมัครและชำระค่าลงทะเบียนได้เลย
2. การส่งแบบฟอร์มลงทะเบียน จะต้องแนบหลักฐานการชำระเงินค่าลงทะเบียนมาด้วย จึงจะถือว่าการลงทะเบียนสมบูรณ์
3. เมื่อผู้จัดงานได้ตรวจสอบการลงทะเบียนเรียบร้อยแล้ว จะแจ้งยืนยันการลงทะเบียนให้ทราบภายใน 3 วัน
4. ใบเสร็จรับเงินอิเล็กทรอนิกส์จะจัดส่งให้ทางอีเมล กรุณาตรวจสอบข้อมูล ชื่อ ที่อยู่ และอีเมล
5. เมื่อชำระเงินค่าลงทะเบียนแล้ว จะไม่สามารถขอรับเงินคืนได้ทุกกรณี

 

 

 

 

สอบถามข้อมูลเพิ่มเติมได้ที่ คุณวาทินี สนลอย งานบริการวิชาการ คณะจิตวิทยา จุฬาลงกรณ์มหาวิทยาลัย

Tel. 02-218-1307 ระหว่างเวลา 09.00 – 16.00 น. (จันทร์ – ศุกร์)
E-mail: wathinee.s@chula.ac.th
Line OA ของ งานบริการวิชาการกลาง

 

 

 

---

 

ประโยชน์ของการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงการจำลองข้อมูล (simulation-based power) ด้วยเทคนิค Monte Carlo

 

 

Benefit 1 : การวิจัยเชิงทดลอง

 

การจำลองข้อมูลด้วยเทคนิค Monte Carlo

• ไม่จำเป็นต้องระบุขนาดอิทธิพล (เช่น partial eta square ของอิทธิพลปฏิสัมพันธ์ [เงื่อนไข x ช่วงเวลาที่วัด]) นักวิจัยสามารถระบุ “ผลการทดลองที่คาดหมาย” เช่น ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของแต่ละเงื่อนไข/ช่วงเวลาที่วัดได้โดยตรง เพื่อที่จะวิเคราะห์อำนาจการทดสอบทางสถิติ
• วิเคราะห์อำนาจการทดสอบทางสถิติสำหรับการทดลองที่มีโครงสร้างซับซ้อน เช่น มีมากกว่า 2 เงื่อนไข หรือมีการวัดมากกว่า 1 ช่วงเวลา (pre-test post-test และ follow-up) ได้ง่าย

 

 

 

ความแตกต่างระหว่างการจำลองข้อมูลด้วยเทคนิค Monte Carlo และการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี (เช่น G*Power) สำหรับการวิจัยเชิงทดลอง

 

มิติเกี่ยวกับการวิจัยเชิงทดลอง	การวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี	การจำลองข้อมูลด้วยเทคนิค Monte Carlo
โครงสร้างของการทดลอง เช่น กลุ่มทดลอง กลุ่มควบคุม pre-/post-test	ลดรูปเหลือขนาดอิทธิพลเพียงค่าเดียว	สะท้อนโครงสร้างของการทดลองโดยตรง
การระบุผลการทดลองโดยตรง	ไม่สามารถระบุได้	ระบุค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานได้
การทบทวนวรรณกรรมเพื่อค้นหาขนาดอิทธิพล	จำเป็น	ไม่จำเป็น (แต่สามารถคำนวณได้)
การสะท้อนอิทธิพลปฏิสัมพันธ์ (ระหว่างเงื่อนไขและช่วงเวลาที่วัด)	โดยอ้อม	โดยตรง
ความยืดหยุ่นต่อการออกแบบการทดลอง ที่ซับซ้อนมากขึ้น	จำกัด	ยืดหยุ่น
แนวคิดของการกำหนดจำนวนผู้เข้าร่วมการวิจัย	ขับเคลื่อนด้วยขนาดอิทธิพล (เท่านั้น)	ขับเคลื่อนด้วยรายละเอียดของการทดลอง
การวิเคราะห์อำนาจการทดสอบทางสถิติโดยรวม	โดยประมาณ	ใกล้เคียงกับความเป็นจริง

 

 

 

 

Benefit 2 : การวิเคราะห์สมการถดถอยพหุ

การจำลองข้อมูลด้วยเทคนิค Monte Carlo

• สามารถให้ความสำคัญกับทั้งสัมประสิทธิ์การอธิบาย (R²) และสัมประสิทธิ์การทำนาย (b หรือ beta) ของตัวแปรทำนายแต่ละตัวแปรไปพร้อมกันได้
• พิจารณาความสัมพันธ์ระหว่างตัวแปรทำนาย ซึ่งจะสอดคล้องกับปรากฏการณ์จริงมากกว่า

 

 

 

ความแตกต่างระหว่างการจำลองข้อมูลด้วยเทคนิค Monte Carlo และการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี (เช่น G*Power) สำหรับการวิเคราะห์สมการถดถอยพหุ

 

มิติเกี่ยวกับการวิเคราะห์สมการถดถอยพหุ	การวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี	การจำลองข้อมูลด้วยเทคนิค Monte Carlo
แนวคิดของการวิเคราะห์อำนาจการทดสอบทางสถิติ	ใช้ข้อมูลสรุป เช่น R2	ใช้ข้อมูลความสัมพันธ์ระหว่างตัวแปร ซึ่งมีความละเอียดมากกว่า
นัยสำคัญทางสถิติของสัมประสิทธิ์การทำนาย ของตัวแปรทำนายแต่ละตัวแปร	ไม่ได้ทดสอบ	ทดสอบ
สัมประสิทธิ์การทำนายมาตรฐาน (beta) ของตัวแปรทำนายแต่ละตัวแปร	มักจะสมมติให้เท่ากัน	กำหนดให้แตกต่างกันได้
ความสัมพันธ์ระหว่างตัวแปรทำนาย	ไม่ถูกนำมาพิจารณา	ถูกนำมาพิจารณาเพื่อวิเคราะห์อำนาจการทดสอบทางสถิติ
เป้าหมายของการวิเคราะห์อำนาจการทดสอบทางสถิติ	R2 หรือ ∆R2	สัมประสิทธิ์ที่อยู่ในความสนใจของนักวิจัย เช่น R2 ∆R2 และสัมประสิทธิ์การทำนายของตัวแปรทำนายแต่ละตัวแปร
การรองรับตัวแปรทำนายที่เป็นตัวแปรแบ่งประเภท (dummy variable)	ไม่รองรับ	รองรับ
การวิเคราะห์อำนาจการทดสอบทางสถิติโดยรวม	โดยประมาณ	ใกล้เคียงกับความเป็นจริง

 

 

 

 

Benefit 3 : การวิเคราะห์อิทธิพลส่งผ่าน

 

การจำลองข้อมูลด้วยเทคนิค Monte Carlo

• วิเคราะห์อำนาจการทดสอบทางสถิติของอิทธิพลส่งผ่านด้วยการระบุขนาดอิทธิพล a (ตัวแปรทำนาย -> ตัวแปรส่งผ่าน) และ b (ตัวแปรส่งผ่าน -> ตัวแปรเกณฑ์) ได้โดยตรง
• มีกระบวนการที่สอดคล้องกับวิธีมาตรฐานของการทดสอบนัยสำคัญทางสถิติของอิทธิพลส่งผ่าน เช่น bootstrap confidence interval และรองรับโมเดลที่ซับซ้อน (เช่น มีตัวแปรทำนาย ตัวแปรส่งผ่าน และ/หรือ ตัวแปรเกณฑ์ มากกว่า 1 ตัวแปร) ได้

 

 

 

ความแตกต่างระหว่างการจำลองข้อมูลด้วยเทคนิค Monte Carlo และการวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี (เช่น G*Power) สำหรับการวิเคราะห์อิทธิพลส่งผ่าน

 

 

มิติเกี่ยวกับการวิเคราะห์อิทธิพลส่งผ่าน	การวิเคราะห์อำนาจการทดสอบทางสถิติเชิงทฤษฎี	การจำลองข้อมูลด้วยเทคนิค Monte Carlo
การทดสอบนัยสำคัญทางสถิติของอิทธิพลส่งผ่าน	ทดสอบโดยอ้อม (R2 Sobel หรือ RMSEA)	ทดสอบ a x b โดยตรง
ลักษณะของอิทธิพลส่งผ่าน	สมมติให้เป็นการกระจายแบบโค้งปกติ (ซึ่งมักจะไม่ตรงกับความเป็นจริง)	ยอมให้เบี่ยงเบนไปจากการกระจายแบบโค้งปกติได้
การระบุสัมประสิทธิ์การทำนาย (ของแต่ละเส้น)	ทำไม่ได้หรือทำได้ทางอ้อม	ระบุสัมประสิทธิ์การทำนายของแต่ละเส้น ได้อย่างชัดเจน
ความสอดคล้องกับวิธีมาตรฐาน (เช่น bootstrapping) ของการทดสอบนัยสำคัญทางสถิติของอิทธิพลส่งผ่าน	ไม่สอดคล้อง	สอดคล้อง
การรองรับโมเดลที่ซับซ้อนมากขึ้น	ทำได้ยากและไม่ละเอียด	ทำได้ง่ายและละเอียด
การวิเคราะห์อำนาจการทดสอบทางสถิติโดยรวม	โดยประมาณ	ใกล้เคียงกับความเป็นจริง