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 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
ยิ่งสูงยิ่งดี 0.80 ขึ้นไปถือว่าดีมาก ถ้าต่ำกว่า 0.50 แปลว่าข้อคำถามไม่เกาะกลุ่มกันพอ
ต้องมีนัยสำคัญ (ตรงข้ามกับการทดสอบอื่น) เพื่อยืนยันว่าตัวแปรสัมพันธ์กันจริง
KMO (Kaiser-Meyer-Olkin)
ค่านี้บอกว่าข้อคำถามของคุณมีความสัมพันธ์กันมากพอที่จะจัดกลุ่มได้ไหม เกณฑ์ของ Kaiser (1974):
| ค่า KMO | การแปลผล |
|---|---|
| 0.90 – 1.00 | ดีมาก (Marvelous) |
| 0.80 – 0.89 | ดี (Meritorious) |
| 0.70 – 0.79 | ปานกลาง (Middling) |
| 0.60 – 0.69 | พอใช้ (Mediocre) |
| 0.50 – 0.59 | ต่ำ (Miserable) — ยังทำได้แต่ต้องระวัง |
| ต่ำกว่า 0.50 | ยอมรับไม่ได้ 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:
- มีกี่องค์ประกอบที่ Eigenvalue > 1 — นั่นคือจำนวนองค์ประกอบที่ SPSS แนะนำ
- % 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 |
|---|---|
| 100 | 0.55 |
| 150 | 0.45 |
| 200 | 0.40 |
| 250 | 0.35 |
| 350 ขึ้นไป | 0.30 |
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:
- คำนวณ Cronbach’s Alpha ออนไลน์ — ตรวจความเชื่อมั่นรายองค์ประกอบหลังทำ EFA เสร็จ
- คำนวณค่า IOC ความตรงเชิงเนื้อหา — ด่านก่อนหน้า ทำก่อนเก็บข้อมูลจริง
- ตาราง Krejcie & Morgan ออนไลน์ — เช็กว่ากลุ่มตัวอย่างพอสำหรับ EFA หรือยัง
- ทดลองใช้เครื่องมือกับ 30 คนก่อน (Pilot Test)
- ตรวจสอบข้อตกลงเบื้องต้นและการแจกแจงปกติใน SPSS
📚 บทความที่เกี่ยวข้อง
สนใจบริการหาผู้ตอบแบบสอบถาม?
เราช่วยให้งานวิจัยของคุณเสร็จทันเวลา ด้วยกลุ่มตัวอย่างที่แม่นยำและรวดเร็ว