คนตอบ.com
กลับไปที่เทคนิคงานวิจัย

วิเคราะห์องค์ประกอบเชิงสำรวจ (EFA) ด้วย SPSS: KMO, Bartlett, Eigenvalue ครบทุกขั้น

โดย อ่าน 3 นาที
วิเคราะห์องค์ประกอบเชิงสำรวจ (EFA) ด้วย SPSS: KMO, Bartlett, Eigenvalue ครบทุกขั้น
สารบัญ (15)

หลังเก็บแบบสอบถามครบแล้ว คำถามที่ทำให้นักศึกษา ป.โท ติดอยู่ที่บทที่ 4 นานที่สุดข้อหนึ่งคือ “ข้อคำถาม 40 ข้อของเรา จริง ๆ แล้ววัดอยู่กี่เรื่อง?” การวิเคราะห์องค์ประกอบเชิงสำรวจ (Exploratory Factor Analysis หรือ EFA) คือเครื่องมือที่ตอบคำถามนี้ — มันดูรูปแบบความสัมพันธ์ระหว่างข้อคำถามทั้งหมด แล้วจัดกลุ่มข้อที่ “ขยับไปด้วยกัน” ให้อยู่องค์ประกอบเดียวกัน

บทความนี้พาทำทีละขั้นใน SPSS พร้อมเกณฑ์ตัดสินที่กรรมการถามจริง

EFA คืออะไร ใช้ตอนไหน (และตอนไหนไม่ควรใช้)

ใช้ EFA เมื่อ:

  • คุณ สร้างแบบสอบถามขึ้นใหม่ หรือดัดแปลงจากของเดิมจนโครงสร้างอาจเปลี่ยน
  • ต้องการ ลดจำนวนตัวแปร จากข้อคำถามหลายสิบข้อ ให้เหลือองค์ประกอบไม่กี่ตัวเพื่อเอาไปวิเคราะห์ถดถอยต่อ
  • ต้องการ หลักฐานความตรงเชิงโครงสร้าง (Construct Validity) มายืนยันเครื่องมือ

ไม่ควรใช้ EFA เมื่อ:

  • เครื่องมือของคุณมีทฤษฎีกำหนดโครงสร้างชัดเจนอยู่แล้ว และคุณแค่ต้องการยืนยัน — กรณีนี้ควรใช้ CFA
  • กลุ่มตัวอย่างน้อยกว่า 100 คน — ผลจะไม่เสถียร รันสองครั้งได้คนละคำตอบ
  • ข้อคำถามเป็นมาตรวัดเชิงสร้าง (Formative) เช่น “รายได้” “อายุ” ที่ไม่ได้สะท้อนแนวคิดร่วมกัน

จุดที่คนพลาดบ่อย: EFA กับ Cronbach’s Alpha ไม่ใช่เรื่องเดียวกัน EFA ตอบว่า “ข้อไหนอยู่กลุ่มเดียวกัน” (ความตรง) ส่วน Alpha ตอบว่า “ข้อในกลุ่มนั้นวัดสอดคล้องกันแค่ไหน” (ความเชื่อมั่น) ต้องทำทั้งคู่ และต้องทำ EFA ก่อน แล้วค่อยคำนวณ Alpha แยกรายองค์ประกอบ

ขั้นที่ 1: ตรวจว่าข้อมูลเหมาะจะทำ EFA ไหม

ก่อนวิเคราะห์ ต้องผ่านด่านสองอย่างนี้ก่อน ไม่ผ่านคือทำต่อไม่ได้

เกณฑ์ผ่าน/ไม่ผ่าน ก่อนทำ EFA

KMO
> 0.50

ยิ่งสูงยิ่งดี 0.80 ขึ้นไปถือว่าดีมาก ถ้าต่ำกว่า 0.50 แปลว่าข้อคำถามไม่เกาะกลุ่มกันพอ

Bartlett's Sig.
< 0.05

ต้องมีนัยสำคัญ (ตรงข้ามกับการทดสอบอื่น) เพื่อยืนยันว่าตัวแปรสัมพันธ์กันจริง

ค่า KMO คืออะไร (Kaiser-Meyer-Olkin)

ค่านี้บอกว่าข้อคำถามของคุณมีความสัมพันธ์กันมากพอที่จะจัดกลุ่มได้ไหม เกณฑ์ของ Kaiser (1974):

ค่า KMOการแปลผล
0.90 – 1.00ดีมาก (Marvelous)
0.80 – 0.89ดี (Meritorious)
0.70 – 0.79ปานกลาง (Middling)
0.60 – 0.69พอใช้ (Mediocre)
0.50 – 0.59ต่ำ (Miserable) — ยังทำได้แต่ต้องระวัง
ต่ำกว่า 0.50ยอมรับไม่ได้ ต้องทบทวนเครื่องมือ

ถ้า KMO รวมต่ำ ให้ดูตาราง Anti-image Correlation ค่าในแนวทแยง (มีเครื่องหมาย a กำกับ) คือ KMO รายข้อ ข้อไหนต่ำกว่า 0.50 ให้พิจารณาตัดออกทีละข้อ แล้วรันใหม่

Bartlett’s Test of Sphericity

ค่านี้ต้อง Sig. < 0.05 ซึ่งกลับด้านกับการทดสอบส่วนใหญ่ที่เราคุ้นเคย เหตุผลคือสมมติฐานหลัก (H₀) ของมันคือ “เมทริกซ์สหสัมพันธ์เป็นเมทริกซ์เอกลักษณ์” หรือแปลง่าย ๆ ว่า “ตัวแปรทุกตัวไม่สัมพันธ์กันเลย” — ซึ่งเป็นสิ่งที่เราอยากปฏิเสธ

ในทางปฏิบัติ ถ้ากลุ่มตัวอย่างของคุณเกิน 200 คน Bartlett’s Test มักมีนัยสำคัญเสมอ จึงเป็นด่านที่ผ่านง่าย ตัวที่ต้องระวังจริง ๆ คือ KMO

ขั้นที่ 2: สกัดองค์ประกอบ (Extraction)

ใน SPSS ไปที่ Analyze > Dimension Reduction > Factor แล้วตั้งค่าตามนี้

  • Method: Principal Components (PCA) — เป็นค่ามาตรฐานที่วิทยานิพนธ์ไทยใช้มากที่สุด ถ้าอาจารย์เน้นทฤษฎีอาจขอ Principal Axis Factoring แทน
  • Extract: Eigenvalues greater than 1 (เกณฑ์ของ Kaiser)
  • ติ๊ก Scree plot ไว้ด้วย

อ่าน Eigenvalue อย่างไร

Eigenvalue คือปริมาณความแปรปรวนที่องค์ประกอบนั้นอธิบายได้ เทียบเป็นหน่วย “เท่าของตัวแปรหนึ่งตัว” องค์ประกอบที่มี Eigenvalue น้อยกว่า 1 แปลว่ามันอธิบายได้น้อยกว่าข้อคำถามเดี่ยว ๆ หนึ่งข้อเสียอีก จึงไม่คุ้มที่จะเก็บไว้

ดูที่ตาราง Total Variance Explained และตรวจสองอย่าง:

  1. มีกี่องค์ประกอบที่ Eigenvalue > 1 — นั่นคือจำนวนองค์ประกอบที่ SPSS แนะนำ
  2. % of Cumulative Variance รวมได้เท่าไร — ควรได้อย่างน้อย 60% ขึ้นไปจึงถือว่าโมเดลอธิบายข้อมูลได้ดีพอ (ในงานสังคมศาสตร์ 50% ก็พอรับได้)

เมื่อ Eigenvalue ไม่ตรงกับทฤษฎี

กรณีคลาสสิก: คุณออกแบบแบบสอบถามไว้ 4 ด้าน แต่ SPSS สกัดออกมาได้ 6 องค์ประกอบ ทางเลือกคือ

  • ดู Scree Plot หาจุดหักศอก (Elbow) — จำนวนองค์ประกอบก่อนจุดที่กราฟเริ่มแบนราบ มักสมเหตุสมผลกว่าเกณฑ์ Eigenvalue > 1
  • บังคับจำนวนองค์ประกอบ ตามทฤษฎี โดยเลือก Fixed number of factors แล้วใส่ 4 — วิธีนี้ยอมรับได้ถ้าคุณอ้างอิงทฤษฎีชัดเจนในบทที่ 2

ขั้นที่ 3: หมุนแกน (Rotation)

ผลดิบก่อนหมุนแกนมักอ่านไม่รู้เรื่อง เพราะข้อคำถามขึ้นหลายองค์ประกอบพร้อมกัน การหมุนแกนช่วยให้แต่ละข้อ “เลือกข้าง” ชัดขึ้น

  • Varimax (Orthogonal) — สมมติว่าองค์ประกอบเป็นอิสระต่อกัน เป็นตัวเลือกมาตรฐานและอ่านง่ายที่สุด ใช้ตัวนี้ถ้าไม่มีเหตุผลอื่น
  • Promax / Direct Oblimin (Oblique) — ยอมให้องค์ประกอบสัมพันธ์กันได้ เหมาะเมื่อทฤษฎีบอกว่าองค์ประกอบเกี่ยวข้องกัน เช่น “ความพึงพอใจ” กับ “ความภักดี”

ในหน้าต่าง Options ให้ติ๊ก Sorted by size และ Suppress small coefficients ที่ 0.50 ตาราง Rotated Component Matrix จะอ่านง่ายขึ้นมาก เพราะเหลือแต่ค่าที่เข้าเกณฑ์

ขั้นที่ 4: อ่าน Factor Loading และตัดข้อที่มีปัญหา

Factor Loading คือค่าสหสัมพันธ์ระหว่างข้อคำถามกับองค์ประกอบ ยิ่งสูงยิ่งแปลว่าข้อนั้นเป็นตัวแทนขององค์ประกอบได้ดี

เกณฑ์ตัดข้อ

1. Loading ต่ำเกินไป — วิทยานิพนธ์ไทยนิยมใช้เกณฑ์ 0.50 ส่วน Hair et al. (2010) ให้เกณฑ์ตามขนาดกลุ่มตัวอย่าง:

ขนาดกลุ่มตัวอย่าง (n)Factor Loading ขั้นต่ำ
1000.55
1500.45
2000.40
2500.35
350 ขึ้นไป0.30

2. Cross-loading — ข้อที่ขึ้นสององค์ประกอบพร้อมกัน โดยค่าต่างกันน้อยกว่า 0.20 เช่น ข้อหนึ่งได้ 0.55 ในองค์ประกอบ 1 และ 0.48 ในองค์ประกอบ 2 ข้อแบบนี้วัดไม่ชัด ควรตัด

3. องค์ประกอบที่มีข้อเดียว — องค์ประกอบควรมีอย่างน้อย 3 ข้อ ถ้าเหลือ 1-2 ข้อ ให้พิจารณายุบรวมหรือตัดทิ้ง

ตัดทีละข้อเสมอ

นี่คือจุดที่คนทำผิดบ่อยที่สุด — อย่าตัดข้อที่ไม่ผ่านทั้งหมดพร้อมกัน เพราะการตัดข้อหนึ่งออกจะเปลี่ยนโครงสร้างความสัมพันธ์ทั้งหมด ข้อที่เดิมไม่ผ่านอาจกลับมาผ่านได้

ขั้นตอนที่ถูกต้อง: ตัดข้อที่แย่ที่สุด หนึ่งข้อ → รันใหม่ → ดูผล → ตัดต่ออีกหนึ่งข้อถ้ายังมีปัญหา → วนไปจนทุกข้อเข้าเกณฑ์

ขั้นที่ 5: ตั้งชื่อองค์ประกอบและตรวจความเชื่อมั่น

เมื่อโครงสร้างนิ่งแล้ว ให้ดูว่าข้อคำถามในแต่ละองค์ประกอบมีความหมายร่วมกันอย่างไร แล้วตั้งชื่อให้สื่อความ เช่น องค์ประกอบที่รวมข้อเกี่ยวกับความเร็วในการตอบกลับ ความสุภาพ และความเอาใจใส่ อาจตั้งชื่อว่า “คุณภาพการให้บริการ”

จากนั้นคำนวณ Cronbach’s Alpha แยกรายองค์ประกอบ ไม่ใช่รวมทั้งฉบับ เพราะแต่ละองค์ประกอบวัดคนละเรื่องกัน — คำนวณ Cronbach’s Alpha ออนไลน์ได้ที่นี่ ถ้าค่า Alpha ขององค์ประกอบไหนต่ำกว่า 0.70 ให้อ่าน วิธีแก้ค่า Alpha ต่ำ ประกอบ

วิธีเขียนรายงานในบทที่ 4

เขียนให้ครบ 4 ส่วนนี้ กรรมการจะไม่ถามซ้ำ:

ผู้วิจัยตรวจสอบความเหมาะสมของข้อมูลก่อนการวิเคราะห์องค์ประกอบ พบว่าค่า Kaiser-Meyer-Olkin (KMO) เท่ากับ .873 ซึ่งอยู่ในระดับดี และการทดสอบ Bartlett’s Test of Sphericity มีนัยสำคัญทางสถิติ (χ² = 4,281.62, df = 435, p < .001) แสดงว่าข้อมูลมีความเหมาะสมสำหรับการวิเคราะห์องค์ประกอบ

การสกัดองค์ประกอบด้วยวิธี Principal Component Analysis และหมุนแกนแบบ Varimax โดยใช้เกณฑ์ค่าไอเกน (Eigenvalue) มากกว่า 1 ได้องค์ประกอบจำนวน 4 องค์ประกอบ สามารถอธิบายความแปรปรวนสะสมได้ร้อยละ 68.42

ผู้วิจัยคัดเลือกข้อคำถามที่มีค่าน้ำหนักองค์ประกอบ (Factor Loading) ตั้งแต่ .50 ขึ้นไป และตัดข้อคำถามที่มีค่าน้ำหนักคาบเกี่ยวสององค์ประกอบออก คงเหลือข้อคำถามทั้งสิ้น 26 ข้อ จากเดิม 30 ข้อ

อย่าลืมแนบ ตาราง Rotated Component Matrix และตารางค่าความเชื่อมั่นรายองค์ประกอบไว้ในภาคผนวก

เช็กลิสต์ก่อนส่ง

  • KMO > 0.50 และรายงานค่าจริง ไม่ใช่แค่บอกว่า “ผ่านเกณฑ์”
  • Bartlett’s Test มีนัยสำคัญ พร้อมรายงาน χ² และ df
  • Cumulative Variance รวมอย่างน้อย 60%
  • ทุกข้อมี Factor Loading เข้าเกณฑ์ตามขนาดกลุ่มตัวอย่าง
  • ไม่มีข้อที่ Cross-loading เหลืออยู่
  • ทุกองค์ประกอบมีอย่างน้อย 3 ข้อ
  • คำนวณ Cronbach’s Alpha แยกรายองค์ประกอบแล้ว
  • ชื่อองค์ประกอบสอดคล้องกับความหมายของข้อคำถามในกลุ่ม

ข้อมูลไม่พอ ผลก็ไม่นิ่ง

ปัญหาที่พบบ่อยที่สุดของ EFA ในวิทยานิพนธ์ ป.โท ไม่ใช่การตั้งค่าใน SPSS ผิด แต่คือ กลุ่มตัวอย่างน้อยเกินไป ที่ 100-150 คนกับข้อคำถาม 30 ข้อ โครงสร้างองค์ประกอบจะไม่เสถียร ตัดข้อหนึ่งออกแล้วทั้งตารางพลิก ทำให้ต้องนั่งวนอยู่หลายวัน

ถ้าอัตราส่วนของคุณยังไม่ถึง 5 คนต่อข้อ ทางแก้ที่เร็วที่สุดคือเก็บข้อมูลเพิ่ม — ไม่ใช่ปรับเกณฑ์ให้หลวมลง เพราะกรรมการจะจับได้ในห้องสอบ


อ่านต่อ:

คำถามที่พบบ่อย

ค่า KMO ต้องมากกว่าเท่าไรถึงทำ EFA ได้?

เกณฑ์ที่ยอมรับกันคือ KMO ต้องมากกว่า 0.50 จึงจะทำ EFA ได้ โดย Kaiser (1974) จัดระดับไว้ว่า 0.90 ขึ้นไปคือดีมาก 0.80-0.89 ดี 0.70-0.79 ปานกลาง 0.60-0.69 พอใช้ และ 0.50-0.59 ต่ำแต่ยังพอไปได้ ถ้าต่ำกว่า 0.50 แปลว่าข้อคำถามไม่มีความสัมพันธ์กันมากพอที่จะจัดกลุ่มได้ ต้องกลับไปทบทวนเครื่องมือใหม่

Bartlett's Test ต้องมีนัยสำคัญหรือไม่มีนัยสำคัญ?

ต้องมีนัยสำคัญ คือ Sig. น้อยกว่า 0.05 ซึ่งตรงข้ามกับการทดสอบอื่นที่มักต้องการค่า Sig. มากกว่า 0.05 เพราะสมมติฐานหลักของ Bartlett's Test คือเมทริกซ์สหสัมพันธ์เป็นเมทริกซ์เอกลักษณ์ (ตัวแปรไม่สัมพันธ์กันเลย) ถ้าปฏิเสธสมมติฐานนี้ได้ แปลว่าตัวแปรสัมพันธ์กันมากพอที่จะทำ EFA

Factor Loading ต่ำกว่าเท่าไรต้องตัดข้อทิ้ง?

เกณฑ์ที่นิยมใช้ในวิทยานิพนธ์ไทยคือตัดข้อที่มี Factor Loading ต่ำกว่า 0.50 ออก ส่วน Hair et al. (2010) ให้เกณฑ์ตามขนาดกลุ่มตัวอย่าง เช่น n = 100 ควรใช้ 0.55 ส่วน n = 350 ขึ้นไปใช้ 0.30 ได้ นอกจากนี้ต้องตัดข้อที่ขึ้นสององค์ประกอบพร้อมกัน (Cross-loading) โดยมีค่าห่างกันน้อยกว่า 0.20 ด้วย

EFA ต่างจาก CFA อย่างไร ต้องทำอันไหนก่อน?

EFA ใช้สำรวจว่าข้อคำถามจัดกลุ่มเป็นกี่องค์ประกอบโดยไม่กำหนดโครงสร้างไว้ล่วงหน้า เหมาะกับเครื่องมือที่สร้างขึ้นใหม่ ส่วน CFA ใช้ยืนยันโครงสร้างที่มีทฤษฎีรองรับอยู่แล้ว โดยทั่วไปทำ EFA ก่อนเพื่อค้นหาโครงสร้าง แล้วจึงเก็บข้อมูลชุดใหม่มาทำ CFA ยืนยัน ไม่ควรทำ EFA และ CFA บนข้อมูลชุดเดียวกัน

ต้องใช้กลุ่มตัวอย่างกี่คนถึงจะทำ EFA ได้?

เกณฑ์ที่ใช้กันมากคืออัตราส่วน 5-10 คนต่อ 1 ข้อคำถาม เช่น แบบสอบถาม 30 ข้อ ควรมีอย่างน้อย 150-300 คน และ Comrey & Lee (1992) ให้เกณฑ์ภาพรวมว่า 100 คนคือแย่ 200 พอใช้ 300 ดี และ 500 ขึ้นไปดีมาก ในทางปฏิบัติวิทยานิพนธ์ ป.โท ควรมีอย่างน้อย 200 คนขึ้นไป

ทำ EFA ใน SPSS ทีละขั้นตอนต้องทำอย่างไร? (EFA SPSS tutorial)

ไปที่ Analyze → Dimension Reduction → Factor ย้ายข้อคำถามทุกข้อเข้าช่อง Variables กด Descriptives ติ๊ก KMO and Bartlett's test of sphericity กด Extraction เลือก Principal components และ Eigenvalues greater than 1 พร้อม Scree plot กด Rotation เลือก Varimax แล้วกด Options ติ๊ก Sorted by size และ Suppress small coefficients ที่ 0.50 จากนั้นกด OK และดูผลตาราง KMO, Total Variance Explained และ Rotated Component Matrix ตามลำดับ

ⓘ บทความนี้เป็นข้อมูลทั่วไปเพื่อช่วยให้เริ่มต้นได้ง่ายขึ้น ไม่ใช่คำแนะนำเฉพาะสำหรับงานของคุณ ก่อนนำไปใช้ในงานวิจัยจริง กรุณาตรวจสอบกับตำรา ข้อกำหนดของคณะ และอาจารย์ที่ปรึกษา — คนตอบ.com เป็นทีมที่ช่วยนักวิจัยหาผู้ตอบแบบสอบถาม

📚 บทความที่เกี่ยวข้อง

★★★★★ 4.8/5 · จาก 83 รีวิวจริงบน Fastwork

ยังหาผู้ตอบแบบสอบถามไม่ครบ?

ส่งลิงก์แบบสอบถามมา เราช่วยหาผู้ตอบที่ตรงกลุ่มเป้าหมายจนครบจำนวน

ปรึกษาฟรี ไม่มีข้อผูกมัดชำระปลอดภัยผ่าน Fastwork EscrowPDPA 100%ตอบกลับใน 24h
Fast-Track ปรึกษาเราฟรี