1. การใชโปรแกรม SPSS ในการวิเคราะหขอมูลทางสถิติเพื่อการวิจัย

รวบรวมโดย
งานวิจัยและพัฒนา
ฝายวางแผนและพัฒนา
วิทยาลัยเทคนิคนครสวรรค

2. 2
การใชโปรแกรม SPSS ในการวิเคราะหขอมูลทางสถิติเพือการวิจัย
่
SPSS ยอมาจาก Statistical Package for Social Science
โปรแกรม SPSS ที่ใชในการอบรมครั้งนี้จะใช SPSS for Windows Version 12.0
การติดตั้งโปรแกรม
1. นําแผนซีดีโปรแกรม SPSS for Windows Version 12.0 ใสซีดีรอมไดรฟ
2. ดับเบิลคลิก My Computer
3. ดับเบิลคลิกซีดีรอมไดรฟ
4. ดับเบิลคลิกโฟลเดอร SPSS v12.0
5. ดับเบิลคลิกไอคอน SPSS12.exe
6. คลิกปุม Next แลวรอ
7. คลิกปุม Next
8. คลิกตรงวงกลมหนา I accept the terms in the license agreement
9. คลิกปุม Next 6 ครั้ง
10. คลิกปุม Install แลวรอ
11. คลิกปุม Finish
12. คลิก Start -> Run
13. ตรงบรรทัด Open ใหพิมพ C:Program FilesSPSSlicrenew.exe กดปุม OK
14. ปรากฏหนาจอ
ใหพิมพ 30066743322 กด Enter
ใหพิมพ 30066743322 กด Enter
กด Enter
การเรียกใชโปรแกรม
คลิก Start -> All Programs -> SPSS for Windows -> SPSS 12.0 for Windows
ถาปรากฏหนาจอ What would you like to do? ใหคลิกสี่เหลี่ยมดานลางซายใหมีเครื่องหมายถูก
แลวคลิกปุม OK คลิกปุม Cancel

3. 3
หมายเหตุ กรณีปรากฏหนาจอ
ถาตองการไมใหปรากฏหนาจอนี้
1. ดับเบิลคลิก My Computer
2. ตรงบรรทัด Address ใหพิมพ C:Program FilesSPSS แลวกด Enter
3. เลื่อน Vertical Scroll Bar จนปรากฏชื่อไฟล expoff.bat
4. ดับเบิลคลิกตรงไฟล expoff.bat
5. ปดหนาจอ
Windows ของ SPSS มี 5 ประเภท
1. Data ไฟลนามสกุล sav ใชเพิ่ม/แกไข/ลบ ขอมูล หรือ เรียกขอมูล
ที่ปอนจากโปรแกรมอื่นๆ
2. Output ไฟลนามสกุล spo เพื่อใหแสดงผลลัพธในรูปแบบ Graphics
3. Syntax ไฟลนามสกุล sps ใชพิมพคําสั่งหาคาทางสถิติ แทนการใชเมนู
4. Draft Output ไฟลนามสกุล rtf เพื่อใหแสดงผลลัพธในรูปแบบ Text
5. Script ไฟลนามสกุล sbs ใชเขียนโปรแกรมคําสั่งหาคาทางสถิติ
หมายเหตุ ในการอบรมใช Windows เฉพาะขอ 1 และขอ 2 สวนคําสั่งหาคาทางสถิติจะใชเมนู
การปอนขอมูลจากหนาจอ Data มีขั้นตอน
1. เปดหนาจอ SPSS Data Editor เลือกเมนู File -> New -> Data
2. การกําหนดชื่อและรายละเอียดของตัวแปร จากหนาจอ Variable View
3. ปอนขอมูล จากหนาจอ Data View
4. บันทึกขอมูล เลือกเมนู File -> Save
ตองการใหหนาจอ Data แสดงภาษาไทย ใหการแกไขฟอนต ดังนี้
เลือกเมนู View -> Fonts

4. 4
เลือก Font และ Size ตามที่ตองการ แลวคลิกปุม OK
หมายเหตุ ชื่อฟอนตท่เี ปนภาษาไทยสวนใหญจะลงทายดวย UPC

5. 5
ตัวอยางขอมูล ชื่อตัวแปร sex ประเภทตัวเลข ความกวาง 1 ไมมีจุดทศนิยม เลเบล เพศ
การกําหนดชื่อและรายละเอียดของตัวแปร จากหนาจอ Variable View
ที่หนาจอ SPSS Data Editor เรียกหนาจอ Variable View ทําได 2 วิธี
1. ดับเบิลคลิกตรงคอลัมนของบรรทัดแรก
2. คลิกแถบ Variable View ที่อยูดานลาง
1. Name ชื่อตัวแปร ใหพิมพตรงคอลัมน Name เชน Sex
2. Type ประเภทของตัวแปร
เลือก Numeric Width=1 Decimal Places=0 คลิกปุม OK
3. Label กําหนดขอความขยายชื่อตัวแปร เพื่ออธิบายชื่อตัวแปรและแสดงออกทางผลลัพธ
ใหพิมพตรงคอลัมน Label เชน เพศ
4. Values กําหนดคําอธิบายใหกับคาตัวแปร

6. 6
Missing กําหนดคาที่ไมนําไปวิเคราะห มี 2 แบบ
5.1 User Missing ผูวิจัยเปนผูกําหนด เชน 9, 99, 999, …
5.2 System Missing โปรแกรมจะกําหนดใหเอง
5. Column จํานวนความกวางของคอลัมน คือจํานวนความกวางมากสุดของ คาตัวแปร หรือ ชื่อตัว
แปร หรือ label ตัวแปร
จากตัวอยาง ชือตัวแปร และ label ตัวแปร มีความกวางมากสุดเทากับ 3
่
ใหพิมพ 4 (ความกวางมากสุดเทากับ 3 บวกเผื่อไว 1)
6. Align ใหแสดงคาตัวแปร ชิดซาย กึ่งกลาง ชิดขวา
7. Measure ระดับการวัดของขอมูล
7.1 Scale (Interval, Ratio)
7.2 Ordinal
7.3 Nominal
ใหกําหนดชื่อและรายละเอียดของตัวแปรใหครบทุกตัว

7. 7
ปอนขอมูล จากหนาจอ Data View
Data View เปนแบบตาราง การปอนขอมูลจะคลายกับ Excel
บรรทัดแรก จะเปนชื่อตัวแปร
บรรทัดตอไป จะเปนขอมูล
ดูจํานวนขอมูล ไปรายการสุดทาย กดปุม Ctrl+End
กลับไปรายการแรก กดปุม Ctrl+Home
การ Show Label (View -> Value Labels)

8. 8
การนําขอมูลเขาจาก Excel
ใหก็อปปไฟลทุกไฟลที่อยูในโฟลเดอร train_spssdata จากแผนซีดี ไปเก็บไวที่โฟลเดอร
 
C:train_spssdata
เงื่อนไข
1. ไฟลที่จะนําเขาตองไมเปดคางไวที่ Excel
2. ขอมูลที่ปอนใน Excel ตองเปนแบบ Numeric ไมเปนแบบ String เชน ‘1
3. บรรทัดแรก ตองเปนชื่อตัวแปร บรรทัดตอที่ 2 เปนตนไปจะเปนขอมูล
การนําเขา
1. เลือกเมนู File -> Open -> Data
File of type เลือก Excel (*.xls)
Look in เลือก C:train_spssdatatinybus.xls
คลิกปุม Open
คลิกปุม OK
2. เลือกเมนู File -> Save As

9. 9
Save as type เลือก SPSS (*.sav)
Save in เลือกชื่อ Drive ตามดวยชื่อพื้นที่ใน Harddisk เชน C:train_spssdata
File name พิมพชื่อไฟล เชน tinybus
คลิกปุม Save
หลังจากที่ไดไฟล tinybus.sav สิ่งแรกที่ตองทําคือ กําหนดรายละเอียดแตละตัวแปร


10. 10
การเปลี่ยนแปลงขอมูลกอนนําไปวิเคราะหขอมูลทางสถิติ
1. การเปลี่ยนแปลงเกี่ยวกับตัวแปร
2. การสรางตัวแปรใหมจากการคํานวณและเงื่อนไข
3. การเลือกขอมูลมาทําการวิเคราะห
4. การดําเนินการอื่นๆ กับขอมูล
1. การเปลี่ยนแปลงเกี่ยวกับตัวแปร
1.1 ตองการเปลี่ยนแปลงรายละเอียดตัวแปรใดให ดับเบิลคลิกที่ชื่อตัวแปร จากหนาจอ Data View
1.2 ตองการเปลี่ยนคาตัวแปร ทําได 2 ลักษณะ
1.2.1 การเปลี่ยนคาในตัวแปรเดิม วิธีนี้ไมเปนทีนยม
่ ิ
1.2.2 การเปลี่ยนคาและสรางเปนตัวแปรใหม
ที่หนาจอ Data View เลือกเมนู Transform -> Recode -> Into Different Variables
ตัวอยาง เปลี่ยนคาตัวแปร sex จาก 1 เปน 3, 2 เปน 4 สรางตัวแปรใหมชื่อ newsex
คอลัมนซายของหนาจอเลือกตัวแปร SEX คลิกปุม
คอลัมน Output Variable
Name พิมพ newsex
Label พิมพ ตัวแปรเพศใหม
คลิกปุม Change
คลิกปุม Old and New Values

11. 11
คอลัมน Old Value Value พิมพ 1 คอลัมน New Value Value พิมพ 3 คลิกปุม Add
คอลัมน Old Value Value พิมพ 2 คอลัมน New Value Value พิมพ 4 คลิกปุม Add
คลิกปุม Continue
คลิกปุม OK
ตัวแปรใหม newsex จะตอจากคอลัมนสุดทาย
ตัวอยาง เปลี่ยนคาตัวแปร age โดยกําหนดเปนชวง และสรางตัวแปรใหมชื่อ newage
1 เทากับ นอยกวา 25 ป
2 เทากับ 25 ป ถึง 34 ป
3 เทากับ 35 ป ถึง 44 ป
4 เทากับ ตั้งแต 45 ปขึ้นไป
เลือก Range Lowest through พิมพ 25 Value พิมพ 1 คลิกปุม Add
เลือก Range พิมพ 25 through พิมพ 34 Value พิมพ 2 คลิกปุม Add

12. 12
เลือก Range พิมพ 35 through พิมพ 44 Value พิมพ 3 คลิกปุม Add
เลือก Range พิมพ 45 through highest Value พิมพ 4 คลิกปุม Add
คลิกปุม Continue
คลิกปุม OK

13. 13
2. การสรางตัวแปรใหมจากการคํานวณและเงื่อนไข
ตัวอยาง เปดไฟล DATA.sav สรางตัวแปรใหมชื่อ newincome โดยเพิ่มรายไดขน 10% จากตัวแปร
ึ้
income เฉพาะเพศหญิง
เลือกเมนู Transform -> Compute
Target Variable พิมพ newincome
เลือกตัวแปร income คลิกปุม
Numeric Expression พิมพ income * 1.1
คลิกปุม Type & Label
Label พิมพ เพิ่มรายไดเพศหญิง
คลิกปุม Continue

14. 14
คลิกปุม If
เลือกตัวแปร sex คลิกปุม
เลือก Include if case satisfies condition
พิมพ sex = 2
คลิกปุม Continue
คลิกปุม OK
3. การเลือกขอมูลมาทําการวิเคราะห
ปกติโปรแกรมนําขอมูลทั้งหมดใน Data View มาทําการวิเคราะห ถาผูวิจัยตองการเลือกขอมูลบางชุด
มาทําการวิเคราะห ใหเลือกเมนู Data -> Select Cases

15. 15

16. 16
All cases ขอมูลทั้งหมด ทุกชุด ทุกตัวแปร
If condition is satisfied เลือกชุดขอมูลตามเงื่อนไขทีกําหนด
่
Random sample of cases เลือกขอมูลดวยวิธีสุมโดยกําหนดจํานวนชุดขอมูลที่ตองการจากการสุม

โดยประมาณ (Approximately) หรือ จํานวนชุดขอมูลที่แนนอน (Exactly)
Base on time or cases range เลือกชุดขอมูลโดยใชลําดับของชุดขอมูลเปนตัวกําหนด
Use Filter variable เลือกชุดขอมูลโดยใชคาของตัวแปรที่มีอยูเปนตัวกําหนด
Unselected Cases Are
Filtered เปนการเลือกชุดขอมูลแบบชั่วคราว ถาตองการกลับมาเลือกขอมูลทั้งหมด
ใหเลือกเมนู Data -> Select Cases -> All case
Deleted เปนการเลือกชุดขอมูลแบบถาวร โดยที่ขอมูลที่ไมถูกเลือกจะถูกลบออกจาก Data View
แตไมมีผลตอขอมูลของไฟลขอมูลเดิมถาไมบันทึก
ตัวอยาง ตองการเลือกชุดขอมูลเฉพาะเพศชาย
เลือกตัวแปร sex
เลือก If condition is satisfied
คลิกปุม If
เลือกตัวแปร sex คลิกปุม
พิมพ sex = 1
คลิกปุม Continue
เลือก Deleted
คลิกปุม OK

17. 17
หมายเหตุ
1. หามสั่งบันทึก จากเมนู File -> Save เพราะจะทําใหขอมูลเดิมสูญหาย
2. ถาตองการนําชุดขอมูลนี้ไปวิเคราะหครั้งตอไป ใหบันทึกชื่อไฟลใหม
จากเมนู File -> Save As

18. 18
4. การดําเนินการอื่นๆ กับขอมูล
การเรียงลําดับขอมูล เลือกเมนู Data -> Sort Cases
การกําหนดน้ําหนักแกชดขอมูล
ุ เลือกเมนู Data -> Weight Cases
การสลับที่ตัวแปรและชุดขอมูล เลือกเมนู Data -> Transpose
การแบงขอมูลเปนกลุมยอย เลือกเมนู Data -> Split File
การเปลี่ยนแปลงขอมูลของโปรแกรม เลือกเมนู Edit -> Options

19. 19
การวิเคราะหหาสถิติพื้นฐาน
การสรางตารางแจกแจงความถี่แบบทางเดียว
เปนการแจกแจงขอมูลตามลักษณะใดลักษณะหนึ่งของขอมูลเพียงลักษณะเดียว หรือจําแนกคาของ
ขอมูลโดยใชตวแปรตัวเดียว
ั
ตัวอยาง ตองการทราบความถี่ของระดับการศึกษา
1. เปดไฟลขอมูล data.sav
2. เลือกเมนู Analyze -> Descriptive Statistics -> Frequencies
เลือกตัวแปร Level of education คลิกปุม
หมายเหตุ โปรแกรมจะแสดง Label แทนชื่อตัวแปร
คลิกปุม OK จะไดผลลัพธดังนี้

20. 20

21. 21
ความหมายของผลลัพธ
คอลัมนท่ี 1 บอกจํานวนขอมูล
Valid จํานวนขอมูลที่นํามาแจกแจงความถี่
Missing จํานวนขอมูลที่ไมสมบูรณ
Total จํานวนขอมูลทั้งหมด
คอลัมนที่ 2 แสดงชื่อตัวแปร หรือ Label ของตัวแปร ตามคาที่เปนไปไดของตัวแปร
คอลัมนที่ 3 Frequency คือ คาที่แสดงความถี่ท่นับได ี
คอลัมนท่ี 4 Percent คือ คาที่แสดงความถี่ท่นับไดในรูปรอยละ คิดจากขอมูลทั้งหมด
ี
คอลัมนที่ 5 Valid Percent คือ คาที่แสดงความถี่ท่นับไดในรูปรอยละ ไมรวมคา Missing
ี
คอลัมนที่ 6 Cumulative Percent คือ คาที่แสดงความถี่สะสมของ Valid Percent
การสรางตารางแจกแจงความถี่แบบหลายทาง
เปนการจําแนกขอมูลตามลักษณะของขอมูลตั้งแต 2 ลักษณะมาแจกแจงความถี่พรอมกัน เรียกวา
ตารางแจกแจงความถี่รวม (Cross tab Table)
ตัวอยาง ตารางแจกแจงความถี่ จําแนกตามเพศและระดับการศึกษา
เลือกเมนู Analyze -> Descriptive Statistics -> Crosstabs

22. 22
เลือกตัวแปร sex คลิกปุม เก็บไวในบอกซ Row(s)
เลือกตัวแปร Level of education คลิกปุม เก็บไวในบอกซ Column(s)
คลิกปุม Cells
ตรง Percentages เลือก Row, Column, Total
คลิกปุม Continue
คลิกปุม OK จะไดผลลัพธ

23. 23

24. 24
ความหมายของผลลัพธ
sex หมายถึง ตัวแปรทีแจกแจงทางดานแถว
่
Level of education หมายถึง ตัวแปรที่แจกแจงทางดานคอลัมน
Count 19 จํานวนที่นับได มีเพศชายที่จบการศึกษา ต่ํากวาปริญญาตรี 19 คน
% within 30.6% จํานวนรอยละเมื่อ มีเพศชายที่จบการศึกษา ต่ํากวาปริญญาตรีคิดเปน
sex
เทียบกับเพศชาย 30.6 % ของเพศชายทั้งหมด (62 คน)
% within 63.3% จํานวนรอยละเมื่อ มีเพศชายที่จบการศึกษา ต่ํากวาปริญญาตรีคิดเปน
Level
of education เทียบกับระดับ 63.3 % ของเพศที่จบต่ํากวาปริญญาตรีทั้งหมด (30
การศึกษา คน)
% of Total 19.4% จํานวนรอยละเมื่อ มีเพศชายที่จบการศึกษา ต่ํากวาปริญญาตรีคิดเปน
เทียบกับขอมูล 19.4 % ของขอมูลทั้งหมด (100 คน)
ทั้งหมด
การแจกแจงความถี่แบบ Multiple Response
เปนการจําแนกหรือการแจกแจงความถี่สําหรับตัวแปรทีมีคาไดหลายลักษณะ คือขอถามมีการตอบ
่
มากกวา 1 ขอ
ตัวอยาง ขอถาม ทานชมรายการทีวีใดบาง (ตอบไดมากกวา 1 ขอ)
ตัวแปร v6a ขาว/สารคดี
ตัวแปร v6b ละคร
ตัวแปร v6c เพลง
ตัวแปร v6d เกมโชว
คาของตัวแปร 1 ผูตอบเลือกตัวเลือก 9 ผูตอบไมเลือกตัวเลือก
เลือกเมนู Analyze -> Multiple Response -> Define Sets

25. 25

26. 26
เลือกตัวแปร v6a คลิกปุม เก็บไวในบอกซ Variables in Set
เลือกตัวแปร v6b คลิกปุม เก็บไวในบอกซ Variables in Set
เลือกตัวแปร v6c คลิกปุม เก็บไวในบอกซ Variables in Set
เลือกตัวแปร v6d คลิกปุม เก็บไวในบอกซ Variables in Set
ตรง Variables Are Coded As เลือก Dichotomies Counted value ปอน 1 ในชองสี่เหลี่ยม
Name ใหพิมพชื่อตัวแปรใหมชื่อ tv
Label ใหพิมพคําอธิบายตัวแปร รายการทีชอบ
่
คลิกปุม Add
คลิกปุม Close
เลือกเมนู Analyze -> Multiple Response -> Frequencies
เลือกตัวแปร รายการที่ชอง [$tv] คลิกปุม เก็บไวในบอกซ Table(s) for
คลิกปุม OK จะไดผลลัพธ

27. 27
การบรรยายลักษณะขอมูลดวยคาสถิตเิ บื้องตน
การอธิบายหรือบรรยายลักษณะขอมูลดวยคาสถิติเบื้องตน เปนการนําขอมูลที่เก็บรวบรวม นํามา
ดําเนินการหาคาที่จะเปนตัวแทนของกลุมขอมูล
คาสถิติเบื้องตนที่หาไดจะใชอธิบายหรือบรรยายกลุมขอมูลในรูปของผลสรุปแทนที่จะนําขอมูลทั้งหมด
มานําเสนอ ขอมูลที่จะนํามาหาคาสถิติเบื้องตนสามารถใชไดทั้งขอมูลประชากร (Population) และขอมูล
ตัวอยาง (Sample)
ขอมูลที่จะนํามาหาคาสถิติเบื้องตนตองเปนขอมูลที่มีการวัดอยูในระดับอัตราสวนหรือระดับชวง บาง

กรณีอาจจะใชขอมูลระดับเรียงอันดับ
การหาคาสถิตเิ บื้องตนจําแนกได 4 วิธี
1. การหาคาแนวโนมเขาสูสวนกลาง (Central Tendency)
1.1 คาเฉลี่ย (Mean) เชน
คาเฉลี่ยแบบเลขคณิต (Arithmetic Mean or Average, A.M),
คาเฉลี่ยแบบเรขาคณิต (Geometric Mean, F.M),
คาเฉลี่ยแบบฮารโมนิก (Harmonic Mean, H.M)
1.2 ฐานนิยม (Mode)
1.3 คาแสดงตําแหนงของขอมูล (N-Tiles) เชน มัธยฐาน (Median), ควอไทล (Quartiles),
เดไซล (Deciles) และเปอรเซ็นตไทล (Percentiles)
2. การหาคาการกระจายขอมูล (Dispersion)
2.1 พิสัย (Range)
2.2 สวนเบี่ยงเบนควอไทล (Quartile Deviation)
2.3 สวนเบี่ยงเบนเฉลี่ย (Mean Deviation)
2.4 สวนเบี่ยงเบนมาตรฐาน (Standard Deviaion)
2.5 สัมประสิทธิ์ของการแปรผันหรือการกระจาย (Coefficient of Variation)
3. การหาคาคะแนนมาตรฐาน (Standard Score)
4. การหาคาแสดงรูปรางของโคงความถี่ (Frequencies Curve, Distribution)
4.1 โคงปกติ (Normal Curve)
4.2 โคงเบ (Skewness Curve) เชน โคงเบซาย, โคงเบขวา

28. 28
การหาคาสถิตเิ บื้องตนแบบไมจําแนกกลุม
จากไฟล DATA.sav ตัวแปรที่สามารถคํานวณไดคือ age, income
ตัวอยาง คํานวณหาคาสถิตเิ บืองตน ตัวแปรอายุ
้
เลือก Analyze -> Descriptive Statistics -> Descriptives
เลือกตัวแปร age คลิกปุม เก็บไวในบอกซ Variable(s)
คลิกปุม Options ใหเลือกคาสถิติตามรูป
คลิกปุม Continue
คลิกปุม OK จะไดผลลัพธ

29. 29

30. 30
ความหมายของผลลัพธ
age ชื่อตัวแปรอายุที่ตองการหาคาสถิติเบื้องตน
N Statistic จํานวนขอมูลทั้งหมดไมรวม Missing
Range Statistic คาพิสัย
Minimum Statistic คาต่ําสุดของอายุ
Maximum Statistic คาสูงสุดของอายุ
Sum Statistic คาผลรวมของอายุ
Mean Statistic คาอายุเฉลี่ย
Std. Error คาความคาดเคลื่อนมาตรฐานของคาเฉลี่ย
Std. Statistic คาสวนเบี่ยงเบนมาตรฐาน แสดงถึงการกระจายของขอมูล
Variance Statistic คาความแปรปรวนของขอมูล
Skewness Statistic คาที่ใชวัดความเบของโคงความถี่ วาโคงปกติหรือโคงเบซายหรือโคงเบ
ขวา
Skewness = 0 หรือใกลศูนย โคงปกติ
Skewness < 0 โคงเบซาย
Skewness > 0 โคงเบขวา
Std. Error คาความคาดเคลื่อนมาตรฐานของ Skewness
Kurtosis Statistic คาที่ใชวัดความสูงของโคงปกติ
Kurtosis = 0 หรือใกลศูนย สูงปกติ
Kurtosis < 0 สูงมาก
Kurtosis > 0 สูงนอย
Std. Error คาความคาดเคลื่อนมาตรฐานของ Kurtosis
การหาคาสถิตเิ บื้องตนแบบจําแนกกลุม
เปนการหาคาสถิติเบื้องตนของขอมูลแตละกลุมยอยเพื่อนํามาเปรียบเทียบกัน เชน หาอายุเฉลี่ยระหวาง
เพศชายและหญิง เปรียบเทียบระดับความพึงพอใจของผูบริโภคอาชีพตางๆ

ตัวแปรที่ใชหาคาสถิติเบื้องตนตองคํานวณได คือ ระดับชวงหรืออัตราสวนหรือระดับเรียงอันดับ
ตัวแปรที่นํามาใชเปนตัวแปรกลุมควรเปนตัวแปรระดับนามบัญญัตหรือเรียงอันดับ
ิ
ตัวอยาง ตองการคํานวณหาคาสถิติเบื้องตนของอายุเฉลี่ย จําแนกตามเพศ

31. 31
เลือกเมนู Analyze -> Compare Means -> Means
เลือกตัวแปร age คลิกปุม เก็บไวในบอกซ Dependent List
เลือกตัวแปร sex คลิกปุม เก็บไวในบอกซ Independent List

32. 32
คลิกปุม OK จะไดผลลัพธ
ความหมายของผลลัพธ
age ชื่อตัวแปรที่ถกนํามาคํานวณหาคาสถิติเบืองตน
ู ้
sex ชื่อตัวแปรที่ถกกําหนดใหเปนตัวแบงกลุม
ู
Male คาของตัวแปร sex
Female คาของตัวแปร sex
Mean คาเฉลี่ยของตัวแปร age ในแตกลุมของตัวแปร sex
N จํานวนขอมูล ในแตละกลุมของตัวแปร sex
Std. Deviation คาสวนเบี่ยงเบนมาตรฐานของตัวแปร age ในแตละกลุมของตัวแปร sex

33. 33
การตรวจสอบเครื่องมือและขอมูลที่ใชในการวิจัย
งานวิจัยสิงที่ถอวาสําคัญที่สุด คือ ขอมูล กอนที่จะนําขอมูลไปวิเคราะหจะตองตรวจขอมูลกอน
่ ื
ตัวอยางเครื่องมือในงานวิจย เชน แบบสัมภาษณ แบบสอบถาม แบบสํารวจ เครื่องทอลอง ฯ
ั
การหาความเชือมั่นของแบบสอบถามที่ใชในการเก็บรวบรวมขอมูล
่
ตัวอยาง ผูวิจัยตองการหาความเชื่อมั่นของแบบสอบถามที่สํารวจจากผูใชบริการรถเมล ขสมก. จํานวน
 
20 คําถาม มีผลตอบ 15 คน
การใชโปรแกรมชวยในการหาคาความเชือมั่น ดังนี้
่
1. เปดไฟล DATA10A.sav
2. เลือกเมนู Analyze -> Scale -> Reliability Analysis
เลือกตัวแปรทีตองการความเชื่อมั่น เลือกทุกตัวคลิกปุม
่
Model เลือก Alpha ซึ่งเปนวิธีทดสอบของ Cronbach
3. คลิกปุม Statistics

34. 34
เลือก Scale if item deleted
คลิกปุม Continue
4. คลิกปุม OK จะไดผลลัพธ

35. 35

36. 36
ความหมายของผลลัพธ
Cronbach’s Alpha คาความเชื่อมั่นของเครื่องมือเทากับ .606
คอลัมนที่ 1 คือ ตัวแปรขอถาม
Scale Mean if Item Deleted คาคะแนนเฉลี่ยรวมทุกขอถามที่เหลือหลังจากลบขอถาม
บรรทัดนี้ออก
Scale Variance if Item Deleted คาความแปรปรวนรวมทุกขอถามที่เหลือหลังจากลบ
ขอถามบรรทัดนี้ออก
Corrected Item-Total Correlation คาสัมประสิทธิ์ความสัมพันธระหวางคะแนนรวมทุก
ขอถามกับขอถาม
Cronbach's Alpha if Item Deleted คาระดับความเชื่อมั่นของเครื่องมือที่เหลือหลังจากขอถาม
บรรทัดนี้ออก
สรุป เครื่องมือที่ใชมีความเชือมั่นเทากับ 0.606 อยูในระดับที่พอใช ถาจะใหดีตองตั้งแต 0.8 ขึ้นไป
่
ถาตองการความเชื่อมั่นสูงตองลบขอถามที่แสดงคา Cronbach's Alpha if Item Deleted สูงสุด
ออก

37. 37
การประมาณคาและการทดสอบสมมติฐานทางสถิติ
การประมาณคา เปนวิธการอนุมานทางสถิติวิธีหนึ่ง เพื่อจะหาคาที่คาดวานาจะเปนคาของขอมูลทั้งหมดหรือ
ี
เรียกวาคาพารามิเตอรของประชากร โดยใชคาของขอมูลตัวอยางที่เรียกวาคาสถิติ
การประมาณคา คือ การประมาณคาพารามิเตอรซึ่งเปนลักษณะของประชากรโดยใชคาสถิติของขอมูล
ตัวอยาง หรืออาจกลาวไดวาเปนการประมาณคาพารามิเตอรดวยคาสถิติ เชน

ประมาณคาเฉลี่ยประชากร (µ) ดวยคาเฉลี่ยตัวอยาง ( x )
ประมาณคาสัดสวนหรือรอยละ (π) คาสัดสวนตัวอยาง (p)
ประมาณคาความแปรปรวนประชาการ (σ2)ดวยคาความแปรปรวนตัวอยาง (s2)
การทดสอบสมมติฐานทางสถิติ เปนวิธีการอนุมานทางสถิติวิธีหนึ่งทีใชตรวจสอบสมมติฐานวิจยที่ผูวจย
่ ั ิั
คาดเดา แตการตรวจสอบนันจะไมทํากับสมมติฐานวิจยโดยตรงแตจะเปนการตรวจสอบจากสมมติฐานทาง
้ ั
สถิติที่ผูทดสอบตั้งขึ้นมาใหสอดคลองกับสมมติฐานวิจยและนําไปสรุปสมมติฐานวิจัย
ั
หลักเกณฑ การตั้งสมมติฐานทางสถิติ สมมติฐานหลัก (H0) ตองมีเครื่องหมายเทากับรวมอยูดวย
หลักเกณฑ การปฏิเสธหรือยอมรับสมมติฐาน H0
การทดสอบคาเฉลี่ย การทดสอบคาสัดสวน และการทดสอบคาความแปรปรวน ใชหลักเกณฑเดียวกัน
การทดสอบสมมติฐานคาเฉลี่ยสําหรับ 1 กลุมตัวอยาง
สมมติฐาน เขตปฏิเสธสมมติฐาน H0
แบบสองทาง H0 : µ = µ0 Sig. (2-tailed) < α
(Two-tails Test) H1 : µ ≠ µ0
แบบทางเดียว H0 : µ ≤ µ0 Sig. (2 - tailed)
(One-tails Test) H1 : µ > µ0 1. 2 <α
2. t > 0
H0 : µ ≥ µ0 Sig. (2 - tailed)
H1 : µ < µ0 1. 2 <α
2. t < 0
หมายเหตุ 1. µ0 เปนคาคงที่
2. α ผูวจยเปนผูกําหนด
ิั
3. สมมติฐานแบบทางเดียว จะปฏิเสธสมมติฐาน H0 ก็ตอเมื่อ
เงื่อนไขทั้ง 2 ขอเปนจริงเทานั้น

38. 38
การทดสอบสมมติฐานผลตางระหวางคาเฉลี่ยสําหรับ 2 กลุมตัวอยาง
สมมติฐาน เขตปฏิเสธสมมติฐาน H0
แบบสองทาง H0 : µ1 - µ2 = µ0 Sig. (2-tailed) < α
(Two-tails Test) H1 : µ1 - µ2 ≠ µ0
แบบทางเดียว H0 : µ1 - µ2 ≤ µ0 Sig. (2 - tailed)
(One-tails Test) H1 : µ1 - µ2 > µ0 1. 2 <α
2. t > 0
H0 : µ1 - µ2 ≥ µ0 Sig. (2 - tailed)
H1 : µ1 - µ2 < µ0 1. 2 <α
2. t < 0
หมายเหตุ 1. µ0 เปนคาคงที่
2. α ผูวจยเปนผูกําหนด
ิั
3. สมมติฐานแบบทางเดียว จะปฏิเสธสมมติฐาน H0 ก็ตอเมื่อ
เงื่อนไขทั้ง 2 ขอเปนจริง หรือ ขอใดขอหนึ่งไมจริง
การทดสอบสมมติฐานคาเฉลี่ย
การทดสอบสมมติฐานคาเฉลี่ยสําหรับ 1 กลุมตัวอยาง
เปนการศึกษาโดยการตรวจสอบวาคุณลักษณะใดคุณลักษณะหนึ่งของขอมูลเปนไปตามที่คาดหวังหรือ
กําหนดไวหรือไม โดยพิจารณาจากคาเฉลี่ย คุณลักษณะ เชน อายุ รายได ระดับความพึงพอใจ ฯ ซึ่งถือวา
เปนตัวแปรหนึ่งตัวแปร หรือเรียกไดวา การวิเคราะหขอมูลแบบ 1 ตัวแปร
ตัวแปรที่นามาทดสอบตองเปนตัวแปรที่คํานวณได คือ ระดับชวง อัตราสวน ระดับเรียงอันดับ
ํ
ตัวสถิติที่ใชในการทดสอบ 2 ตัว
กรณีทราบการกระจาย (σ) ของขอมูลประชากร ใช Z-Test
กรณีไมทราบการกระจาย (σ) ของขอมูลประชากร แตทราบทราบการกระจายของขอมูลตัวอยาง
ใช T-Test สําหรับการวิจยจะใชตวนี้ เพราะเปนการวิจยจากขอมูลตัวอยาง
ั ั ั
ตัวอยาง
สมมติฐานวิจย ั คนขับรถแท็กซี่ใน กทม. มีรายไดไมต่ํากวา 1,000 บาท
สมมติฐานทางสถิติ H0 : รายไดคนขับแท็กซี่ไมต่ํากวา 1,000 บาท
H1 : รายไดคนขับแท็กซี่ต่ํากวา 1,000 บาท
กําหนดเปนสัญญาลักษณ H0 : µ ≥ 1,000
H1 : µ < 1,000

39. 39
วิธีการหาคา T-Test
1. เปดไฟล DATA11.sav
2. เลือกเมนู Analyze -> Compare Means -> One – Sample T Test
เลือกตัวแปร One-sample [income] คลิกปุม เก็บไวในบอกซ Test Variable(s)
Test Value: พิพม 1000
3. คลิกปุม Options
Confidence Interval พิมพ 95
คลิกปุม Continue
4. คลิกปุม OK ไดผลลัพธ

40. 40

41. 41
ความหมายของผลลัพธ
One-Sample Statistics
N จํานวนขอมูล
Mean คาเฉลี่ยของรายได
Std. Deviation คาสวนเบี่ยงเบนมาตรฐานของรายได ที่แสดงการกระจายของขอมูล
Std. Error คาความคาดเคลื่อนมาตรฐานของรายได
Mean
One-Sample Test
Test Value = 1000 คาที่ผูทดสอบกําหนดไวในสมมติฐาน
t, df, Sig.(2-tailed) คาที่ใชในการตัดสินใจวาจะยอมรับหรือปฏิเสธสมมติฐาน H0
Mean Difference ผลตางของคาเฉลี่ยประชากรและคาเฉลี่ยของตัวอยาง คาติดลบ
หมายความวาคาเฉลี่ยตัวอยางนอยกวาคาเฉลี่ยของประชากร
95% Confidence คาที่แสดงขอบเขตบนและขอบเขตลางของการประมาณคาผลตาง
ระหวางรายไดเฉลี่ยตัวอยางกับรายไดเฉลี่ยของประชากรที่ชวงความ
เชื่อมั่น 95%
การตัดสินใจวาจะยอมรับหรือปฏิเสธสมมติฐาน H0 จะตองพิจารณาจาก คา t และ Sig.(2-tailed)
สําหรับคา t จะอาศัยตารางสถิติมาตรฐาน
สําหรับคา Sig.(2-tailed) จะพิจารณาตามประเภทของสมมติฐานทางสถิติ
กรณีกําหนดสมมติฐานแบบสองทาง (Two-tails Test)
จะปฏิเสธสมมติฐาน H0 เมื่อคา Sig.(2-tailed) มีคานอยกวาคา α ที่ผูวิจัยกําหนด
กรณีกําหนดสมมติฐานแบบทางเดียว (One-tails Test)
จะปฏิเสธสมมติฐาน H0 เมื่อคา Sig.(2-tailed) หารดวย 2 มีคานอยกวาคา α ที่ผูวิจัยกําหนด
จากตัวอยางไดกําหนดสมมติฐานแบบทางเดียว
การตัดสินใจปฏิเสธสมมติฐาน H0 เมื่อคา Sig.(2-tailed) หารดวย 2 มีคานอยกวาคา α ที่ผูวิจัย
กําหนดและ
คา t < 0
H0 : µ ≥ 1,000
H1 : µ < 1,000

42. 42
ผูทดสอบกําหนดชวงความเชื่อมั่น 95% จะไดคา α = 0.05 คา Sig.(2-tailed) ทีคํานวณไดเทากับ
 ่
0.387
เนื่องจากตัวอยางเปนการทดสอบสมมติฐานแบบทางเดียวกอนที่จะคา α เปรียบเทียบคา Sig.(2-tailed)
ตองนํา คา Sig.(2-tailed) หารดวย 2 กอน คาจากตัวอยางคือ 0.387/2 = 0.1935 ซึ่งมีคามากคา α ที่
กําหนดคือ 0.05 (0.1935 > 0.05)
ดังนันจึงตัดสินใจ ยอมรับสมมติฐาน H0 : µ ≥ 1,000
้
สรุปผลไดวา รายไดเฉลี่ยของคนขับแท็กซี่ไมต่ํากวา 1,000 บาทที่ระดับนัยสําคัญ 0.05

43. 43
การทดสอบสมมติฐานผลตางระหวางคาเฉลี่ยสําหรับ 2 กลุมตัวอยาง มี 2 กรณี
เปนการทดสอบผลตางระหวางคาเฉลี่ยของลักษณะที่สนใจของ 2 กลุมตัวอยางวาแตกตางกันหรือไม
1. กรณีที่ 2 กลุมตัวอยางเปนอิสระตอกัน
2. กรณีที่ 2 กลุมตัวอยางเปนแบบจับคู
1. กรณีที่ 2 กลุมตัวอยางเปนอิสระตอกัน
เปนการศึกษาเปรียบเทียบและตรวจสอบวาคุณลักษณะใดคุณลักษณะหนึ่งของขอมูลระหวาง 2 กลุมมี
ความแตกตางกันหรือไม และถาแตกตางกันนั้นแตกตางกันอยางไร โดยพิจารณาจากคาเฉลี่ยของคุณลักษณะ
นั้นๆ
การทดสอบแบบนี้จัดอยูในประเภทของการวิเคราะหขอมูลแบบ 2 ตัวแปร (Bivariate data analysis)
เนื่องจากการทดสอบจะตองใชตัวแปร 2 ตัว คือตัวแปรหนึ่งแทนคุณลักษณะอีกตัวแปรหนึ่งใชแบงกลุม
ขอมูลตัวแปรคุณลักษณะ ตองคํานวณได คือ ระดับชวงและอัตราสวน
ขอมูลตัวแปรแบงกลุม ตองคํานวณไมได คือ Nominal, Ordinal
การทดสอบคาเฉลี่ยของขอมูล 2 กลุมแบบพาราเมตริก กรณี 2 กลุมเปนอิสระตอกัน
ขอมูลที่จะทดสอบตองมีคุณสมบัติที่สามารถใชวิธการการทดสอบแบบพาราเมตริก คือ ขอมูลหรือ
ี
ตัวแปรที่ตองการทดสอบจะตองมีการแจกแจงแบบปกติหรือใกลเคียงแบบปกติ และสามารถ
คํานวณได
คือตัวแปรระดับชวงและอัตราสวน
ตัวสถิติที่ใชทดสอบ
กรณีทราบการกระจายของขอมูลของประชากรทั้ง 2 กลุม (ทราบ σ1, σ2) ใช Z-Test
กรณีไมทราบการกระจายของขอมูลของประชากรทั้ง 2 กลุม (ไมทราบ σ1, σ2) ใช T-Test
ถาผูวิจัยไมทราบการกระจายของขอมูลทัง 2 ประชากร และไมทราบการกระจายแตกตางกัน
้
หรือไม ให
ใชขอมูลตัวอยางมาทดสอบเพื่อพิจารณาวาการกระจายของขอมูลประชากรมีความแตกตางกัน
หรือไม

44. 44
โดยกําหนดสมมติฐาน ดังนี้
H0 : การกระจายขอมูลของประชากรทั้ง 2 กลุมไมแตกตางกัน หรือ H0 : σ1 = σ2
H1 : การกระจายขอมูลของประชากรทั้ง 2 กลุมแตกตางกัน หรือ H1 : σ1 ≠ σ2
ตัวสถิติที่ใชทดสอบคือ F-Test
ตัวอยาง ผูวิจยตองการทราบวาคาใชจายแตละวันระหวางนักศึกษา 2 คณะแตกตางกันหรือไม
ั
สมมติฐานทางสถิติ H0 : คาใชจายนักศึกษา 2 คณะไมแตกตางกัน หรือ H0 : µ1 = µ2
H1 : คาใชจายนักศึกษา 2 คณะแตกตางกัน หรือ H1 : µ1 ≠ µ2
1. เปดไฟล DATA12a.sav
2. เลือกเมนู Analyze -> Compare Means -> Independent Samples T Test

45. 45
เลือกตัวแปร expenses คลิกปุม เก็บไวในบอกซ Test Variable(s)
เลือกตัวแปร faculty คลิกปุม เก็บไวในบอกซ Grouping Variable
3. คลิกปุม Define Groups
Group 1 พิมพ 1
Group 2 พิมพ 2
คลิกปุม Continue
4. คลิกปุม OK จะไดผลลัพธ

46. 46

47. 47
ความหมายของผลลัพธ
Group Statistics
N จํานวนขอมูลของแตละกลุมยอย

Mean คาเฉลี่ยของคาใชจายแตละกลุมยอย
Std. Deviation คาสวนเบี่ยงเบนมาตรฐานของคาใชจายแตละกลุมยอย
Std. Error คาความคาดเคลื่อนมาตรฐานของคาใชจายแตละกลุมยอย
Mean
ใหพิจารณา 2 ขั้นตอน
ขั้นตอนที่ 1 ตองทําการทดสอบการกระจายของขอมูลประชากรกอนวาแตกตางกันหรือไม
ใหพิจารณาคาสถิติจากคอลัมน Levene's Test for Equality of Variances
F คาสถิติที่คํานวณไดจากขอมูลตัวอยางใชเทียบคาจากตาราง F มาตราฐาน
Sig. คาความนาจะเปนในการยอมรับหรือปฏิเสธสมมติฐาน H0
การทดสอบการกระจายของขอมูลประชากรกอนวาแตกตางกันหรือไม
กําหนดสมมติฐานทางสถิติ
H0 : การกระจายขอมูลของประชากรทั้ง 2 กลุมไมแตกตางกัน หรือ H0 : σ1 = σ2
H1 : การกระจายขอมูลของประชากรทั้ง 2 กลุมแตกตางกัน หรือ H1 : σ1 ≠ σ2
โดยกําหนด α = 0.05
ใหดูคา Sig. ตรงบรรทัด Equal variances assumed
คา Sig. ที่คํานวณไดเทากับ 0.336
จะปฏิเสธสมมติฐาน H0 เมื่อ คา Sig. มีคานอยกวา α ที่ผูวิจัยกําหนด
คา Sig. มากกวา α (0.336 > 0.05)
ดังนันจึงตัดสินใจ ยอมรับสมมติฐาน H0 : σ1 = σ2
้
สรุปผลไดวา การกระจายขอมูลของประชากรทั้ง 2 กลุมไมแตกตาง

48. 48
ขั้นตอนที่ 2 หลังจากทราบการกระจายของขอมูลวาแตกตางกันหรือไม ใหพิจารณาผลลัพธถัดไป
ใหพิจารณาคาสถิติจากคอลัมน t-test for Equality of Means
t, df คาสถิติที่คํานวณไดจากขอมูลตัวอยาง
Sig.(2-tailed) คาความนาจะเปนในการยอมรับหรือปฏิเสธสมมติฐาน H0
Mean Difference คาผลตางระหวางคาเฉลี่ยทั้ง 2 กลุม
Std. Error Difference คาความคาดเคลื่อนมาตรฐานของคาผลตาง
95% Confidence คาที่แสดงขอบเขตชวงความเชื่อมั่น 95% ของผลตางคาเฉลี่ย
ถาการกระจายของขอมูลไมแตกตางกัน (σ1= σ2) ใหดแถว Equal variances assumed
ู
ถาการกระจายของขอมูลแตกตางกัน(σ1 ≠ σ2) ใหดูแถว Equal variances not assumed
เพื่อใชในการตัดสินใจของสมมติฐานทางสถิติของการวิจัยตอไป
จากขั้นตอนที่ 1 ทราบวาการกระจายขอมูลของประชากรทั้ง 2 กลุมไมแตกตางกัน (σ1 = σ2)
ใหดคา Sig.(2-tailed) ตรงบรรทัด Equal variances assumed
ู 
คา Sig.(2-tailed) ที่คํานวณไดเทากับ 0.719
จะปฏิเสธสมมติฐาน H0 เมื่อ คา Sig. มีคานอยกวา α ที่ผูวิจัยกําหนด
คา Sig.(2-tailed) มากกวา α (0.719 > 0.05)
ดังนันจึงตัดสินใจ
้ ยอมรับสมมติฐาน H0 : µ1 = µ2
สรุปผลไดวา คาใชจายของนักศึกษาทั้ง 2 คณะไมแตกตางกันที่ระดับนัยสําคัญ 0.05
สมมติฐานแบบ 2 ทาง คา 95% สามารถสรุปผลไดวา คาใชจายของนักศึกษาทั้ง 2 คณะไมแตกตาง
กัน ตั้งแต -39.01 ถึง 27.51 บาท ที่ชวงความเชื่อมั่น 95%
จากขั้นตอนที่ 1 สมมติวาการกระจายขอมูลของประชากรทั้ง 2 กลุมแตกตางกัน (σ1 ≠ σ2)
ใหดูคา Sig.(2-tailed) ตรงบรรทัด Equal variances not assumed
คา Sig.(2-tailed) ที่คํานวณไดเทากับ 0.727
จะปฏิเสธสมมติฐาน H0 เมื่อ คา Sig. มีคานอยกวา α ที่ผูวิจัยกําหนด
คา Sig.(2-tailed) มากกวา α (0.727 > 0.05)
ดังนันจึงตัดสินใจ
้ ยอมรับสมมติฐาน H0 : µ1 = µ2
สรุปผลไดวา คาใชจายของนักศึกษาทั้ง 2 คณะไมแตกตางกันที่ระดับนัยสําคัญ 0.05

49. 49
สมมติฐานแบบ 2 ทาง คา 95% สามารถสรุปผลไดวา คาใชจายของนักศึกษาทั้ง 2 คณะไมแตกตาง
กัน
ตั้งแต -40.45 ถึง 28.95 บาท ที่ชวงความเชื่อมั่น 95%

50. 50
การทดสอบคาเฉลี่ยของขอมูล 2 กลุมแบบน็อนพาราเมตริก กรณี 2 กลุมเปนอิสระตอกัน
เปนขอมูลตัวอยางที่จะนํามาทดสอบที่เลือกจากประชากรที่ไมทราบการแจกแจง หรือทราบการ
แจกแจงแตไมใชการแจกแจงแบบปกติ กลุมตัวอยางที่นามาทดสอบมีจํานวนนอย (นอยกวา
 ํ
30)
ตัวแปรที่นํามาทดสอบตองเปนขอมูลเชิงปริมาณ(คํานวณได)และตัวแปรเชิงคุณภาพ(คํานวณ
ไมได)
ตัวสถิติที่ใชในการทดสอบคือ NPar-Test
ตัวอยาง สมมติฐานทางสถิติ
H0 : เวลาที่ใชในการทานอาหารของเพศชายและหญิงไมแตกตางกัน หรือ H0 : µ1 = µ2
H1 : เวลาที่ใชในการทานอาหารของเพศชายและหญิงไมแตกตางกัน หรือ H1 : µ1 ≠ µ2
1. เปดไฟล DATA12B.sav
2. เลือกเมนู Analyze -> Nonparametric Test -> 2 Independent Samples
เลือกตัวแปร minute คลิกปุม เก็บไวในบอกซ Test Variable(s)
เลือกตัวแปร sex คลิกปุม เก็บไวในบอกซ Grouping Variable
3. คลิกปุม Define Groups

51. 51
Group 1 พิมพ 1
Group 2 พิมพ 2
คลิกปุม Continue
4. คลิกปุม OK จะไดผลลัพธ

52. 52
ความหมายของผลลัพธ
Ranks
sex ชื่อตัวแปรที่เปนตัวแบงกลุมพรอมแสดงคา
N จํานวนขอมูลของแตละกลุมยอย
Mean Rank คาเฉลี่ยของอันดับในแตละกลุม
Sum of Ranks คาผลรวมของอันดับในแตละกลุม
Test Statistics
Mann-Whitney U คาสถิติ U ที่ใชเปรียบเทียบกับคาที่ไดจากตาราง U
มาตรฐาน
Wilcoxon W คาผลรวมของอันดับที่มีคานอยจะใชคานี้เทียบกับคาที่ได
จากตาราง W มาตรฐาน
Z คาสถิติ Z ใชแทน U เมื่อขอมูลมีจํานวนมาก
Asymp. Sig. (2-tailed) คาความนาจะเปนในการยอมรับสมมติฐาน
Exact Sig. [2*(1-tailed คาความนาจะเปนในการยอมรับสมมติฐาน เมื่อขอมูลมี
Sig.)]
จํานวนนอย ถาเปนการทดสอบแบบทางเดียวจะตองนําคา
นี้ไปหารดวย 2

53. 53
จะปฏิเสธสมมติฐาน H0 เมื่อคา Asymp. Sig. หรือ Exact Sig. มีคานอยกวาคา α ที่ผูวิจย
ั
กําหนด
จากตัวอยางกลุมตัวอยางมีขนาดเล็กจะพิจารณาจากคา Exact Sig. คือ 0.068 ซึ่งมีคามากกวา
α ที่
กําหนดไว 0.05
การตัดสินไจ ยอมรับสมมติฐาน H0 : µ1 = µ2
สรุปผลไดวา เวลาที่ใชในการทานอาหารของเพศชายและหญิงไมแตกตางกันที่ระดับนัยสําคัญ
0.05
2. กรณีที่ 2 กลุมตัวอยางเปนแบบจับคูที่มความสัมพันธกัน
ี
เปนการทดสอบความแตกตางของคาเฉลี่ยระหวางกลุม 2 กลุมตัวอยาง เมื่อขอมูลตัวอยางที่จะ
ใช
ทดสอบมีความสัมพันธกัน
การทดสอบแบบนี้ จะเปนการทดสอบความแตกตางเปนคูๆ โดยแตละคูมีความสัมพันธกน จึง ั
เรียก
การทดสอบนีอีกอยางหนึ่งคือ การทดสอบความแตกตางแบบจับคู (Paired Difference Tests)
้
การพิจารณาวากลุมตัวอยางจะใชการทดสอบแบบจับคูที่มีความสัมพันธกัน ใหพิจารณาจาก
1. การเปรียบเทียบวิธีการ 2 วิธีกับขอมูลชุดเดียวกัน เชนผลตางของคะแนนกอนอบรมและ
หลังอบรม ขอมูลที่ไดแตละคูมาจากคนเดียวกัน
2. การเปรียบเทียบขอมูล 2 ชุดกับคุณสมบัตที่เหมือนกัน เชน นําขาราชการที่มีระดับ
ิ
การศึกษาและมีประสบการณในการทํางานเหมือนกันมาเปรียบเทียบเงินเดือนเปนคู
3. การเปรียบเทียบขอมูล 2 ประเภททีไดมาจากแหลงขอมูลเดียวกัน เชน การเปรียบเทียบ
่
ยอดขายสินคา 2 ยี่หอ มาจากรานคา 20 รานคา
4. การเปรียบเทียบขอมูล 2 ประเภททีไดมาจากชวงเวลาเดียวกัน เชน ยอดขายอาหารของ
่
รานอาหาร 2 ราน ที่ไดในแตละวันในเดือนเดียวกัน
การทดสอบคาเฉลี่ยของขอมูล 2 กลุม แบบพาราเมตริก กรณี 2 กลุมตัวอยางมีความสัมพันธกัน
เปนการทดสอบเมื่อผลตางของขอมูล 2 กลุม มีคุณสมบัติที่สามารถทําการทดสอบแบบพารา

เมตริก

54. 54
กลาวคือ คาของผลตางที่ไดจากการวัดอยูในระดับชวงหรืออัตราสวน และตองมีการแจกแจงแบบ

ปกติ
หรือใกลเคียงแบบปกติ
ตัวสถิติที่ใชในการทดสอบคือ T-Test
ตัวอยาง ผูวิจยตองการทดสอบวาการอบรมจะทําใหผูเรียนมีความรูเพิ่มขึ้นหรือไม
ั
กําหนดสมมติฐานทางสถิติ
H0 : คะแนนเฉลี่ยกอนและหลังการอบรมไมแตกตางกัน หรือ H0 : µd = 0
H1 : คะแนนเฉลี่ยกอนและหลังการอบรมแตกตางกัน หรือ H1 : µd ≠ 0
1. เปดไฟล DATA13A.sav
2. เลือกเมนู Analyze -> Compare Means -> Paired-Samples T Test
เลือกตัวแปร pre และ post คลิกปุม เก็บไวในบอกซ Paired Variables

55. 55
3. คลิกปุม OK จะไดผลลัพธ
ความหมายของผลลัพธ มี 2 ขั้นตอน
ขั้นตอนที่ 1 พิจาราณวาขอมูล 2 กลุมมีความสัมพันธกันหรือไม
Paired Samples Correlations เปนสวนแสดงคาสถิติสัมประสิทธิ์สหสัมพันธ
Correlation คาสัมประสิทธิ์สหสัมพันธของเปยรสัน (r) ที่แสดงถึงความสัมพันธของ 2
กลุมที่นํามาทดสอบ คาที่ได 0.972 แสดงวาคะแนนกอนและหลังการ
อบรม มีความสัมพันธกันคอนขางสูงและไปในทิศทางเดียวกัน
-1 ≤ r ≤ 1
บวก ทิศทางเดียวกัน
ลบ ทิศทางเดียวตรงขาม
Sig. คาความนาจะเปนที่จะใชในการทดสอบสมมติฐานเกียวกับความสัมพันธ
่
ภายใตสมมติฐานทางสถิติ ดังนี้
H0 : คะแนนทดสอบกอนและหลังการอบรมไมมีความสัมพันธกัน
H1 : คะแนนทดสอบกอนและหลังการอบรมมีความสัมพันธกัน
คา Sig. เทากับ 0.000 มีคานอยกวาคา α ที่ผูทดสอบกําหนดคือ 0.05

56. 56
การตัดสินใจ ปฏิเสธสมมติฐาน H0 ยอมรับ H1
สรุปผลไดวา คะแนนกอนและหลังการอบรมมีความสัมพันธกันทางสถิติที่ระดับนัยสําคัญ
0.05
ถาขอมูล 2 กลุมไมมีความสัมพันธกัน ไมควรใชกรณีนทดสอบ และไมตองดูผลลัพธในสวน
้ี 
ถัดไป

57. 57
ขั้นตอนที่ 2 ขอมูล 2 กลุมมีความสัมพันธกัน
Paired Samples Test แสดงคาสถิติสําหรับใชในการทดสอบคาเฉลี่ย
Mean คาเฉลี่ยของผลตางระหวางคะแนนกอนและหลังการอบรม
Std. Deviation คาสวนเบี่ยงเบนมาตรฐานของผลตาง
Std. Error Mean คาความคาดเคลื่อนมาตรฐานของผลตาง
95% Confidence คาที่แสดงขอบเขตชวงความเชื่อมั่น 95% ของผลตางคาเฉลี่ย
t, df คาสถิติที่คํานวณไดจะใชเทียบกับคาจากตารางมาตรฐาน
Sig.(2-tailed) คาความนาจะเปนในการยอมรับหรือปฏิเสธสมมติฐาน H0
คา Sig.(2-tailed) เทากับ 0.060 มีคามากกวาคา α ที่ผูวิจัยกําหนดคือ 0.05
การตัดสินใจ ยอมรับสมมติฐาน H0
สรุปผลไดวา คะแนนกอนและหลังการอบรมไมแตกตางกันที่ระดับนัยสําคัญ 0.05

58. 58
การทดสอบคาเฉลี่ยของขอมูล 2 กลุม แบบน็อนพาราเมตริก กรณี 2 กลุมตัวอยางมีความสัมพันธกัน
ตัวแปรที่ทดสอบหรือผลตางของตัวแปรที่จะทดสอบมีการวัดเพียงระดับเรียงอันดับเทานั้น
ตัวสถิติที่ใชในการทดสอบคือ Wilcoxon matched-pairs signed-rank test ซึ่งเปน
การทดสอบเชิงอันดับ
ตัวอยาง ผูวิจัยตองการทดสอบความแตกตางของจํานวนสินคาทีไมมีคุณภาพระหวางผูที่มีและ
่
ไมมีประสบการณในการทํางาน
กําหนดสมมติฐานทางสถิติแบบสองทาง
H0 : จํานวนสินคาที่ไมมีคุณภาพที่ผลิตโดยคนงาน 2 กลุมมีจํานวนเฉลี่ยไมแตกตางกัน
H1 : จํานวนสินคาที่ไมมีคุณภาพที่ผลิตโดยคนงาน 2 กลุมมีจํานวนเฉลี่ยแตกตางกัน
กําหนดเปนสัญญาลักษณทางสถิติ
H0 : µไมมี = µมี
H1 : µไมมี ≠ µมี
กําหนดสมมติฐานทางสถิติแบบทางเดียว
H0 : จํานวนสินคาที่ไมมีคุณภาพที่ผลิตโดยคนงานที่ไมมีประสบการณมีจํานวนเฉลี่ย
นอยกวาหรือเทากับที่ผลิตโดยคนงานที่มประสบการณ
ี
H1 : จํานวนสินคาที่ไมมีคุณภาพที่ผลิตโดยคนงานที่ไมมีประสบการณมีจํานวนเฉลี่ย
มากกวาที่ผลิตโดยคนงานที่มีประสบการณ
กําหนดเปนสัญญาลักษณทางสถิติ
H0 : µไมมี ≤ µมี
H1 : µไมมี > µมี
การใชโปรแกรมวิเคราะหขอมูล
1. เปดไฟล DATA13B.sav
2. เลือกเมนู Analyze -> Nonparametric Test -> 2 Related Samples

59. 59
เลือกตัวแปร exp และ non_exp คลิกปุม เก็บไวในบอกซ Test Pair(s) List

60. 60
3. คลิกปุม OK จะไดผลลัพธ
ความหมายของผลลัพธ
Wilcoxon Signed Ranks Test เปนสวนแสดงคาสถิตของการจัดอันดับของผลตางระหวาง
ิ
ตัวแปร
N แสดงจํานวนคูของผลตางระหวางตัวแปร
Negative Ranks จํานวนคูของตัวแปรที่เปนตัวลบ นอยกวา ตัวตั้ง
Positive Ranks จํานวนคูของตัวแปรที่เปนตัวลบ มากกวา ตัวตั้ง
Ties จํานวนคูของตัวแปรที่เปนตัวลบ เทากับ ตัวตั้ง
Total จํานวนคูทั้งหมด
Mean Rank คาเฉลี่ยของอันดับในแตละกลุม
Sum of Ranks คาผลรวมของอันดับในแตแตละกลุม

61. 61
Test Statistics เปนสวนแสดงคาสถิติ Wilcoxon ที่ใชในการทดสอบความแตกตางของ
คาเฉลี่ย
Z คาสถิติ Z ใชแทนคา Wilcoxon เมื่อขอมูลมีจํานวนมาก คา Z
จากคูที่มีผลตางเปนลบ จะใชคานี้สําหรับการสรุปผลที่ตองอาศัย
ตารางสถิติมาตรฐานของ Z
Asymp. Sig. (2-tailed) คาความนาจะเปนในการยอมรับหรือปฏิเสธสมมติฐาน โดยไม
ตองใชอาศัยตารางสถิติมาตรฐาน

62. 62
การสรุปผล
กรณีที่กําหนดสมมติฐานแบบสองทาง H0 : µไมมี = µมี
H1 : µไมมี ≠ µมี
เมื่อกําหนด α เปน 0.05
จะปฏิเสธสมมติฐาน H0 เมื่อ คา Asymp. Sig. มีคานอยกวา α ที่ผูวจัยกําหนด
ิ
จากตัวอยาง คา Asymp. Sig. เทากับ 0.005 มีคานอยกวา α ที่กําหนดไวคือ 0.05
การตัดสินใจ ปฏิเสธสมมติฐาน H0 : µไมมี = µมี ยอมรับ H1 : µไมมี ≠ µมี
สรุปผลไดวา จํานวนสินคาที่ไมมีคุณภาพที่ผลิตโดยคนงาน 2 กลุมมีจานวนเฉลี่ยแตกตางกัน
ํ
กรณีที่กําหนดสมมติฐานแบบทางเดียว H0 : µไมมี ≤ µมี
H1 : µไมมี > µมี
เมื่อกําหนด α เปน 0.05
จะปฏิเสธสมมติฐาน H0 เมื่อ คา Asymp. Sig. หารดวย 2 มีคานอยกวา α ที่ผูวิจัยกําหนด
จากตัวอยาง คา Asymp. Sig. เทากับ 0.005/2 = 0.0025 มีคานอยกวา α ที่กําหนดไวคือ
0.05
การตัดสินใจ ปฏิเสธสมมติฐาน H0 : µไมมี = µมี ยอมรับ H1 : µไมมี ≠ µมี
สรุปผลไดวา จํานวนสินคาที่ไมมีคุณภาพ ซึ่งผลิตโดยคนงานที่ไมมีประสบการณจะมีจานวน
ํ
มากกวาผูที่มประสบการณที่ระดับนัยสําคัญ 0.05
ี