Page 97 -

โครงการหนังสืออิเล็กทรอนิกส์ เฉลิมพระเกียรติสมเด็จพระเทพรัตนราชสุดาฯ สยามบรมราชกุมารี

จากขางตน จะเห็นไดวา เมื่อสวนของคา Partial Correlation เทากับ 0.00 แสดงวา ตัวแปร

ที่สังเกตไดตางๆ สะทอนปจจัยรวมหนึ่งๆ ดวยกัน และคา KMO จะเทากับ 1.00 สรุปไดวาขอมูลมี
ความเหมาะสมที่จะวิเคราะหปจจัย แตถาสวนของคา Partial Correlation มีคามาก เทากับ 1.00

แสดงวา ตัวแปรที่สังเกตไดตางๆ ไมไดสะทอนปจจัยรวมหนึ่งๆ ดวยกัน และคา KMO จะเทากับ

0.00 หมายถึง ไมควรนําขอมูลนั้นมาวิเคราะหปจจัย ในทางปฏิบัติจึงจะพิจารณาเพื่อใหไดคา

KMO สูงๆ สําหรับการวิเคราะหปจจัย เกณฑพิจารณาคา KMO ตรวจสอบไดจากตารางตอไป

ตารางที่ 25. เกณฑพิจารณาคาสถิติ Kaiser-Meyer-Olkin
คา KMO ระดับการมีความแปรปรวนรวมกัน
0.90 – 1.00 ดีมาก

0.80 – 0.89 ดี

0.70 – 0.79 ปานกลาง
0.60 – 0.69 แย
0.50 – 0.59 แยมาก

0.00 – 0.49 ไมควรนํามาวิเคราะหปจจัย

ที่มา : Kaiser (1970) Cerny and Kaiser (1977) Dziuban & Shirkey (1974)

อยางไรก็ดี บางเอกสาร เชน Factor Analysis: North Carolina State University Statnotes
(Garson, 2012) เสนอวา ขอมูลจะเหมาะสมเพื่อการวิเคราะหปจจัยหากคา KMO > 0.60

การคํานวณ Anti-Image Correlation Matrix

Anti-Image Correlation Matrix เปนการแสดงคา KMO ของเฉพาะแตละตัวแปรที่สังเกตได และ

อยูในรูปคาในแนวเสนทแยงมุม หรือที่เรียกวา คา Measure of Sampling Adequacy, MSA
i
โดยหากมีคานอยกวา 0.5 ควรตัดตัวแปรที่สังเกตไดนั้นออกจากการวิเคราะห คา MSA ของแตละ
i
ตัวแปรที่สังเกตไดที่เปนคาในแนวเสนทแยงมุมของ Anti-Image Correlation Matrix คํานวณจาก

r ij 2
MSA =  j i ; i  j ; i, j = 1, 2, ...., p
i
r ij 2  a 2 ij
 j i  j i
โดยที่ :

MSA = คา Measure of Sampling Adequacy
i
r = คา Correlation ระหวางตัวแปรที่สังเกตได i และ j
ij
a = คา Partial Correlation ของคูตัวแปรที่สังเกตได i และ j
ij
p = จํานวนตัวแปรที่สังเกตไดทั้งหมด

- 94 -