การศึกษาประสิทธิภาพของเกณฑ์การคัดเลือกตัวแบบการวิเคราะห์พหุระดับ

Abstract

          การวิจัยครั้งนี้มีวัตถุประสงค์ศึกษาประสิทธิภาพของเกณฑ์การคัดเลือกตัวแบบการวิเคราะห์พหุระดับทั้ง 2 วิธี คือ เกณฑ์สารสนเทศของอะกะอิเกะ (Akaike’sInformation Criteria: AIC) และเกณฑ์สารสนเทศของเบส์ (Bayesian Information Criteria: BIC) งานวิจัยนี้จำลองแบบปัญหาด้วยเทคนิคมอนติคาร์โล ซึ่งมีเงื่อนไขการจำลองแบบปัญหา คือ 1) ประชากรมีการแจกแจงปรกติ 2) ประชากรมีการแจกแจงเบ้ซ้ายและความโด่งต่ำกว่าปรกติ 3) ประชากรมีการแจกแจงเบ้ขวาและความโด่งสูงกว่าปรกติ 4) ตัวแปรอิสระระดับละ 2 ตัวแปร 5) ค่าสัมประสิทธิ์สหสัมพันธ์ภายในชั้นเท่ากับ 0.10 และ 0.20 6) ขนาดตัวอย่างระดับละ 4 ขนาด (ระดับที่ 1 ขนาดกลุ่ม คือ 5, 15, 30 และ 50; ระดับที่ 2 จำนวนกลุ่ม คือ 15, 30, 50 และ 100) โดยในแต่ละสถานการณ์จำลองชุดข้อมูลจำนวน 1,000 ชุด ผลการวิจัยพบว่าเมื่อจำนวนกลุ่มมีขนาดเล็กประสิทธิภาพของเกณฑ์การคัดเลือกตัวแบบค่อนข้างต่ำ และเมื่อจำนวนกลุ่มมากขึ้นพบว่าประสิทธิภาพการคัดเลือกตัวแบบจะสูงขึ้น ในกรณีจำนวนกลุ่ม เท่ากับ 100 พบว่าโดยส่วนใหญ่ประสิทธิภาพการคัดเลือกตัวแบบด้วยเกณฑ์ BIC ดีกว่าเกณฑ์ AIC เมื่อประมาณค่าพารามิเตอร์ด้วยวิธีภาวะน่าจะเป็นสูงสุดแบบจำกัด (Restricted Maximum Likelihood: RML)           This research aimed to study the effectiveness of model selection criteria for multilevel analysis. Both criteria were Akaike’s Information Criteria (AIC) and Bayesian Information Criteria (BIC). The simulation was applied by Monte Carlo technique. The conditions for simulation were 1) populations were having normal distribution; 2) populations were having negative skewness and platykurtic distributions; 3) populations were having positive skewness and leptokurtic distributions; 4) independent variables were divided into two variables for each level; 5) intraclass correlation coefficient were 0.10 and 0.20; and 6) the sample size was divided into four sizes for each level (level 1, the group sizes were 5, 15, 30 and 50; level 2 , the number of groups were 15, 30, 50 and 100.). Each condition was simulated with 1,000 data set. The results revealed that when the number of groups was small, the effectiveness of model selection criteria was considerable low. Whereas the higher the number of groups, the better effectiveness of criteria. Furthermore, when the number of groups was 100, it was found in most cases that the model selection of BIC yielded better effective than AIC when estimating parameter with Restricted Maximum Likelihood (RML).