Tourism Logistics - โลจิสติกส์สำหรับการท่องเที่ยว

Home เคล็ดลับวิจัย เกร็ดการทำวิจัย เกร็ดการทำวิจัยตอนที่ 29: ทำอย่างไรเมื่อแบบจำลองไม่มีนัยสำคัญ
Welcome


Tourism
Logistics



CMSE
Conference



Journal EEQEL




คลังหนังสือ
Komsan
Suriya



















เกร็ดการทำวิจัยตอนที่ 29: ทำอย่างไรเมื่อแบบจำลองไม่มีนัยสำคัญ Print E-mail
คมสัน สุริยะ
14 ธันวาคม 2552
 


 
แบบจำลองที่ไม่มีนัยสำคัญ  (Insignificant)  อาจจะเกิดจาก หนึ่ง จำนวนตัวอย่างน้อยเกินไป สอง แบบจำลองผิด หรือสาม สมมติฐาน Ho อาจจะถูกจริง ๆ ก็ได้
 



หนึ่ง  จำนวนตัวอย่างน้อยเกินไป
 

การแก้ไขเรื่องจำนวนตัวอย่างน้อยเกินไป หากสามารถเก็บข้อมูลมาเพิ่มเติมได้ก็จะเห็นภาพที่ชัดเจนขึ้น   แต่หากไม่ได้ก็คงต้องลองใช้แบบจำลองแบบอื่นดู
 



สอง  แบบจำลองผิด
 


1.   แบบจำลองที่เราใช้อยู่อาจจะผิด โดยมากเกิดจากการเลือกตัวแปรตาม (dependent variable: Y) ที่ผิด คือ ในเรื่องนั้นไม่ควรใช้ตัวแปรตัวนี้ ทางแก้ในเบื้องต้นมีสองวิธีคือ


  • ลองเปลี่ยนตัวแปรตามเป็นอย่างอื่นไปเลย   ลองดูตัวที่สามารถให้ความหมายใกล้เคียงกับสิ่งที่เราต้องการทดสอบมากกว่าที่เป็นอยู่  คือ ตีความใหม่ว่าเรื่องนั้นน่าจะหมายถึงเรื่องอะไร  แล้วเลือกตัวแปร Y เสียใหม่  

  • ลองเปลี่ยนจากตัวแปรที่เป็นสองค่า เช่น 0 กับ 1 ให้เป็นตัวแปรค่าต่อเนื่อง (continuous)  มักจะทำให้อะไร ๆ ดีขึ้นได้บ้าง
 



2.   นอกจากนั้นก็เกิดจากการเลือกตัวแปรต้น (independent variable: X) ที่ผิด โดยเลือกตัวแปรที่ไม่มีอิทธิพลกับตัวแปรตาม       ดังนั้นจึงไม่พบนัยสำคัญ   การแก้ไขก็คือลองเปลี่ยนตัวแปรต้นไปเรื่อย ๆ  โดยสังเกตว่าตัวแปรไหนที่มีค่าสหสัมพันธ์ (correlation) กับตัวแปรตามมาก ๆ  




อย่างไรก็ตามวิธีนี้อาจจะถูกวิจารณ์ว่าเป็นการสร้างแบบจำลองจากการทำเหมืองข้อมูล (data mining) มากกว่าที่จะอิงจากทฤษฎี (theoretical model) 




การสร้างแบบจำลองอิงทฤษฎี   หากไม่พบนัยสำคัญก็คือไม่มีนัยสำคัญ  จึงไม่ต้องขวนขวายทำอะไรเพิ่ม  ยกตัวอย่างเรื่องอุปสงค์ ที่ปริมาณขึ้นกับราคาสินค้านั้น ราคาสินค้าอื่น และรายได้ สามอย่างหลัก ๆ นี้ขาดไม่ได้  แต่เมื่อรันออกมาแล้วหากพบว่าไม่มีนัยสำคัญก็คือไม่มีนัยสำคัญ  ปัญหาอาจจะอยู่ที่ตัวอย่างน้อยเกินไป (ข้อ 1.)  หรือไม่ปริมาณสินค้านั้นก็ไม่มีการเปลี่ยนแปลงเลยจริง ๆ  (ข้อ 3.)




การสร้างแบบจำลองด้วย  Data Mining  จะใช้ได้ดีเมื่อไม่มีทฤษฎีในเรื่องนั้นมาก่อนหรือทฤษฎีในเรื่องนั้นยังอ่อนอยู่และมีช่องให้ปรับปรุงทฤษฎีได้  เช่น เศรษฐศาสตร์การท่องเที่ยวซึ่งยังไม่มีทฤษฎีที่แน่นหนามารองรับ   ตัวอย่างหนึ่งของ Data Mining คือ Neural Networks  เพราะบอกเหตุผลอะไรไม่ได้ว่าทำไมตัวแปรต้นถึงได้ทำนายตัวแปรตามได้  (อ่านเรื่อง แบบจำลอง Neural Networks)





3.   สาเหตุที่ทำให้แบบจำลองผิดอีกประการคือวิธีการทดสอบที่ผิด ดังเช่นตัวอย่างต่อไปนี้
 


  • แบบจำลองโลจิตที่มีปัญหา Endogeneity (เช่น ปัญหาไก่เกิดก่อนไข่หรือไข่เกิดก่อนไก่) ไม่สามารถรันเดี่ยว ๆ ได้ ต้องรันเป็นระบบสมการที่เรียกว่า Bivariate Probit     


  • แบบจำลองที่เลือกเพียงบาง observation มารัน ต้องใช้  Heckman Selection Model  เพื่อป้องกันปัญหา Selection bias   

  • การรัน OLS หลาย ๆ สมการแยกกันอาจจะไม่ถูกต้อง เพราะสมการเหล่านั้นอาจจะมีความสัมพันธ์กันเอง ดังนั้นทางที่ถูกกว่าคือการรันด้วย SURE (Seemingly Unrelated Regression)


  • การทำ Pooling data จากข้อมูล Time series และ Cross-section หากพบว่าไม่มีการเปลี่ยนแปลงของตัวแปรสำคัญตามกาลเวลาก็ไม่ควรใช้ Fixed effect model เพราะแบบจำลองดังกล่าวจะเน้นไปที่ความแตกต่างระหว่างกาลเวลาของหน่วย (unit)  หนึ่ง ๆ     หากพบปัญหาดังกล่าวควรใช้ Random effect model มากกว่าเพราะคำนึงถึงความแตกต่างระหว่างแต่ละหน่วยด้วย


  • แบบจำลองที่มีค่าตัวแปรตาม (Y) เท่ากับศูนย์มาก ๆ หากใช้ OLS ก็ไม่ถูกต้อง ควรต้องใช้ Tobit จะดีกว่า


  • การรันแบบจำลองที่มีตัวแปรตาม (Y) มีค่าอยู่ระหว่างช่วงหนึ่งที่แน่นอน เช่น สัดส่วนร้อยละ ซึ่งอยู่ระหว่าง 0 ถึง 100       (เช่น สัดส่วนความยากจนของคนในจังหวัด) ไม่สามารถรันด้วย OLS ได้ แต่ควรแปลงให้เป็นสมการ logistics ก่อน คือ แทนที่จะรัน Y = a + bX ก็แปลงให้เป็น   Y = 1 / 1 + e ^ -(a + bX)   โดยป้อนข้อมูลเป็นทศนิยม ตั้งแต่ 0.00 (0%) ? 1.00 (100%)   จากนั้นให้รัน  ln (Y / 1-Y) = a + bX แทน   (อ่านวิธีการแปลงค่าแบบนี้ได้ในบทที่ 1 ของเรื่องแบบจำลองโลจิต)


  • แบบจำลอง Multiplicative Interaction  มีปัญหาว่าหากใส่ตัวแปรที่ทั้ง  X, Z, และ XZ  เข้าไปพร้อม ๆ กันแล้วอาจจะก่อให้เกิดปัญหาตัวแปรต้นมีความสัมพันธ์กันเอง (Multicollinearity) จนก่อปัญหาเช่น  เครื่องหมายผิด  ดังนั้นอาจจะต้องถอดตัวแปร  Z  ออกหากเกิดปัญหาเช่นนี้  (อ่านเรื่อง แบบจำลอง Multiplicative Interaction)


  • การรัน OLS ที่ตัวแปรต่าง ๆ สร้างปัญหา Multicollinearity, Autocorrelation, Heteroscedasticity, และEndogeneity เหล่านี้ย่อมทำให้แบบจำลองนั้นผิด บางทีก็จะไม่พบนัยสำคัญ บางที่ก็พบนัยสำคัญง่ายเกินไป หรือบางทีเครื่องหมายก็ผิด   ทางแก้ไขก็คือต้องแก้ปัญหาเหล่านั้นให้หมดก่อนแล้วค่อยรันใหม่   หรือไม่ก็อาจจะต้องเปลี่ยนวิธีการรันแบบใหม่ที่ไม่ใช่ OLS ไปเลย (อ่านเรื่อง รู้เรื่องเศรษฐมิติตอนที่ 5: นัยสำคัญที่หลอกตา  และ ตอนที่ 6: ปัญหาสี่อย่างที่ต้องรู้)
 


วิธีการรันแปลก ๆ เหล่านี้สามารถหาเรียนได้ในวิชาเศรษฐมิติ ซึ่งไม่ต้องกังวลอะไรมาก ค่อย ๆ เรียนรู้ไป ใช้เวลาเก็บเกี่ยวประสบการณ์ไปเรื่อย ๆ   และลองทำวิจัยไปเรื่อย ๆ ก็จะค่อย ๆ ชำนาญขึ้นมาเอง  (อ่านเรื่อง รู้เรื่องเศรษฐมิติ ตอนที่1: ไม่รู้ก็ไม่ได้แปลว่าโง่   และ ตอนที่ 7: จะเก่งไม่เก่งอยู่ที่ทัศนคติ)
 




 
สาม  สมมติฐาน Ho อาจจะถูกจริง ๆ ก็ได้
 


พูดง่าย ๆ ก็คือสิ่งที่เราพยายามค้นหานัยสำคัญนั้นจริง ๆ แล้วมันไม่มีนัยสำคัญ แต่เราคาดหวังเอาเอง เหมือนภาพยนตร์เรื่อง Great Expectations
 



วิธีง่าย ๆ สำหรับการตรวจสอบว่าเราหวังไว้มากเกินความเป็นจริงหรือเปล่า ทำได้ดังนี้
 


1.  ย้อนกลับไปดูกราฟว่ามันพอจะให้ความหวังเราได้ไหม มันช่วยให้เราเล่าเรื่องความสัมพันธ์ระหว่างตัวแปรต่าง ๆ ได้ไหม หากกราฟไม่บอกอะไรที่เข้าเค้าเลยก็ยากที่จะหวังต่อ
 



2.    ทดสอบอะไรดูง่าย ๆ เช่น หากตัวแปรตาม (Y) เป็นค่าต่อเนื่อง (continuous) ให้ลองทดสอบ t-test ดูก่อนกับตัวแปรต้น (X)      ทีละตัว    แต่หากตัวแปรตามมีสองค่า เช่น 1 กับ 0 ให้ลองทดสอบไคสแควร์ดูก่อน หากการทดสอบไม่พบนัยสำคัญในขั้นนี้ก็ยากที่จะพบนัยสำคัญด้วยวิธีการพิศดารแบบอื่น   
 



สาเหตุที่เราไม่ใช้เพียง t-test หรือไคสแควร์ในการทำวิจัยก็เพราะว่า สองวิธีนี้ไม่สามารถตอบปัญหาเรื่องไก่หรือไข่เกิดก่อนกัน (Causalities) ทำให้การศึกษาเป็นเพียงการพบความสัมพันธ์ (Correlation) เท่านั้น  และไม่สามารถบอกเรื่อง Marginal effect ได้ ส่วนหนึ่งเพราะคำนวณออกมาไม่ได้ อีกส่วนหนึ่งเพราะไม่แน่ใจว่าอะไรเป็นเหตุอะไรเป็นผล คือ ไม่รู้ว่าอะไรก่อให้เกิดอะไรกันแน่   (อ่านเรื่อง  ไคสแควร์ต่างจากโลจิตอย่างไร)
 



3.   หากมั่นใจมากว่าเรื่องของเราถูกต้อง เช่น เรามั่นใจว่าอย่างไรการท่องเที่ยวชุมชนก็ต้องช่วยให้คนพ้นจากความยากจนได้แน่ ๆ   ด้วยข้อมูลเบื้องต้นที่ยืนยันมาทางนี้   แต่จนแล้วจนรอดก็ยังไม่พบนัยสำคัญจากแบบจำลอง   ก็ต้องหาทางทดลองด้วยวิธีใหม่ ๆ ตามที่ได้แนะนำไปแล้วข้างต้น ซึ่งก็ต้องอาศัยสามอย่าง คือ ความรู้เรื่องเศรษฐมิติ ศิลปะการใช้เศรษฐมิติ และดวง ประกอบกันจึงจะประสบความสำเร็จได้ในที่สุด
 



คำเตือน  หากสามารถรันแบบจำลองด้วยการถอดตัวแปรบางอย่างแล้วใส่ตัวแปรอีกอย่างเข้าไปแล้วจู่ ๆ เกิดนัยสำคัญขึ้น   อย่าพึ่งดีใจ   เพราะหากอีกหลาย ๆ ครั้งที่ใช้ตัวแปรอย่างอื่นไม่มีนัยสำคัญ  นั่นอาจจะเกิดปัญหาทางเทคนิคบางประการที่ทำให้แบบจำลองบังเอิญมีนัยสำคัญ   นัยสำคัญที่เกิดเพียงบางครั้งบางคราวอย่างนี้เรียกว่า ไม่โรบัส  (Not robust)   นัยสำคัญที่ดีก็คือต้องโรบัส (Robust)  คือ เกิดขึ้นได้ตลอด แม้ว่าจะเปลี่ยนตัวแปรต้น (X) ตัวอื่น ๆ ไปอย่างไรก็ตาม  (อ่านเรื่อง  Robustness test หมากบังคับที่ต้องทำ)





4. คำถามยอดฮิตคือ ถ้าแบบจำลองทั้งหลายทั้งปวงต่างก็พากันบอกว่าตัวแปรของเราไม่มีนัยสำคัญเลย เราจะจบไหม   คำตอบง่ายที่สุดก็คือไม่จบ   เพราะคำว่า Thesis แปลว่า  "เราคิดว่ามันต้องเป็นอย่างนั้น"   เมื่อมันไม่เป็นอย่างนั้นเราก็ไม่มี Thesis   และเมื่อไม่มี Thesis เราก็ไม่จบ   




แต่ก็นั่นแหละยังมีการศึกษามากมายในโลกนี้ที่พยายามทดสอบสมมติฐานต่าง ๆ และไม่พบนัยสำคัญแต่ถือว่าเป็นเรื่องพลิกโลก เช่น การทดสอบซ้ำผลการศึกษาของบุคคลสำคัญแล้วพบว่าทฤษฎีนั้นไม่จริง (ดูหลาย ๆ ตัวอย่างจากตำราเรื่อง เศรษฐศาสตร์การพัฒนา: ทฤษฎีสำหรับการวิจัย บทที่ว่าด้วย ทำเลที่ตั้ง สถาบัน และทรัพยากรธรรมชาติ มีผลต่อการเจริญเติบโตทางเศรษฐกิจหรือไม่)  




แต่การศึกษาเหล่านี้มี Thesis มาก่อนหน้าอยู่แล้วว่า เขาเชื่อด้วยเหตุผลที่เขาเล่ามาทั้งหมดว่า "มันจะต้องไม่มีนัยสำคัญ"   ดังนั้นการไม่มีนัยสำคัญจึงสมเหตุสมผลตามที่เขาอ้าง  




หากงานวิทยานิพนธ์ของเราเล่ามาอย่างดิบดีด้วยเหตุผลอันสวยหรูว่า "มันจะต้องมีนัยสำคัญ"   แต่หากไม่มีนัยสำคัญขึ้นมา ก็ต้องย้อนกลับไปดูสาเหตุสามประการ ซึ่งก็คือสิ่งที่กล่าวไว้ตั้งแต่ต้นว่า      


  • จำนวนตัวอย่างน้อยเกินไป
  • แบบจำลองผิด 
  • สมมติฐาน H0 อาจจะถูกจริง ๆ
 

แล้วก็ดูว่าน่าจะเป็นสาเหตุข้อไหนแล้วหาทางแก้ไขกันไป   ถ้าแก้ไม่ได้ก็คงต้องหาเหตุผลมาสนับสนุนว่าเพราะอะไร      (อาจจะหน้าแตกบ้างที่ตอนแรกเชียร์ Thesis นี้เหลือเกิน) แล้วเปลี่ยนไปตั้ง Thesis  เรื่องอื่นต่อ     เพื่อที่อย่างน้อยก็น่าจะต้องค้นพบอะไรใหม่ ๆ บ้าง  




อย่าลืมว่า งานวิจัยมีเป้าหมายที่การสร้าง  "องค์ความรู้ใหม่"  ถ้าไม่มีองค์ความรู้ใหม่เกิดขึ้นก็อาจจะเสร็จได้  แต่ไม่บรรลุเป้าหมาย  
 







Link








 

เกี่ยวกับลิขสิทธิ์เนื้อหาในเว็บไซต์ิ์

ผู้เขียนไม่หวงห้ามที่ท่านจะคัดลอกบทความ บนเว็บไซต์นี้ไปใช้ในรายงานของท่าน  

แต่ขอความกรุณาเพื่อนนักวิชาการ เพื่อนผู้ทำเว็ปไซต์ 
น้อง ๆ นักเรียน นักศึกษา ทุกท่าน 
ได้โปรดเขียนอ้างอิงในรายงานของท่านตามหลักสากล

การไม่เขียนอ้างอิงดังกล่าวถือว่าละเมิดลิขสิทธิ์
และมีความผิดตามกฎหมาย  
 
 ขอขอบคุณทุกท่านมากครับ