1. ดร.นำชัย ศุภฤกษ์ชัยสกุล การวิเคราะห์ข้อมูลพหุระดับ (Multilevel Analysis) ด้วยโปรแกรม HLM 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. ปัญหาของข้อมูลพหุระดับปัญหาของข้อมูลพหุระดับ • ลักษณะความเป็นกลุ่มส่งผลกระทบต่อการวิเคราะห์ทางสถิติ • ละเมิดข้อตกลงเบื้องต้นเรื่อง Independent Observations • ส่งผลให้เกิด Type I Error สูงเกินกว่าปกติหรือที่ตั้งไว้

6. ปัญหาของข้อมูลพหุระดับปัญหาของข้อมูลพหุระดับ Barcikowski (1981)

7. ปัญหาของข้อมูลพหุระดับปัญหาของข้อมูลพหุระดับ • 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. ลักษณะความสัมพันธ์ของตัวแปรพหุระดับลักษณะความสัมพันธ์ของตัวแปรพหุระดับ

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. แนวการวิเคราะห์แบบเดิมแนวการวิเคราะห์แบบเดิม • ไม่สนใจระดับการวิเคราะห์ ไม่นำเข้ามาวิเคราะห์ด้วย • ใช้ได้เฉพาะกรณี 1 เท่านั้น • ทำให้หน่วยการวิเคราะห์อยู่ในระดับเดียวกัน • Aggregate Regression • แปลงตัวแปรระดับหน่วยย่อยให้เป็นระดับกลุ่ม • เสียข้อมูลจำนวนมาก Power ลดลง Type II Error สูงขึ้น • Ecological Fallacy or Robinson Effect

12. แนวการวิเคราะห์แบบเดิมแนวการวิเคราะห์แบบเดิม • ทำให้หน่วยการวิเคราะห์อยู่ในระดับเดียวกัน • Disaggregate Regression • แปลงตัวแปรระดับกลุ่มให้เป็นระดับหน่วยย่อย • Type I Error สูงขึ้นกว่าปกติ • Atomistic Fallacy • การวิเคราะห์ 2 แนวทางก็ยังไม่สามารถวิเคราะห์ Cross Level Interaction ได้

13. แนวการวิเคราะห์แบบเดิมแนวการวิเคราะห์แบบเดิม • การวิเคราะห์แบบเดิมจึงมีปัญหา • Conceptual Problem • Fallacy of the Wrong Level • Statistical Problem • Violate Independent Observation Assumption • Alpha Inflate

14. การวิเคราะห์ข้อมูลพหุระดับการวิเคราะห์ข้อมูลพหุระดับ • Multilevel Data Analysis • Hierarchical Linear Models (HLM) โดย Raudenbush & Bryk • เป็นการนำเอาโครงสร้างความเป็นกลุ่มมาเป็นอิทธิพลสุ่ม (Random Effect) ในสมการ ไม่ใช่อิทธิพลคงที่ (Fixed Effect) เหมือนสมการถดถอยทั่วไป • แยกสมการโดยนำเอาค่าสัมประสิทธิ์ทั้งค่า intercept และ slope มาเป็นตัวแปรตามแบบสุ่ม

15. สมการการวิเคราะห์พหุระดับสมการการวิเคราะห์พหุระดับ

16. แนวคิดเบื้องต้นของ HLM

17. Null Model • One Way ANOVA with Random Effects • Level 1 Model • Level 2 Model

18. Null Model • มีแต่ค่า Intercepts ไม่มีตัวแปรอิสระ • เพื่อทดสอบว่าค่าเฉลี่ยตัวแปรตาม (Intercepts) มีค่าแตกต่างกันไปตามระหว่างกลุ่มระดับที่ 2 หรือไม่ • 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. การวิเคราะห์พหุระดับด้วยโปรแกรม 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