แต่ถ้า "ไม่มีเวลา" ให้เราช่วยดูแลให้ไหม?
น้องๆ เคยไหมครับ…
ทำวิจัยแทบตาย แต่พออาจารย์ถามกลับว่า
👉 “แล้วขนาดตัวอย่างคำนวณมายังไง?”
หัวใจหล่นไปอยู่ตาตุ่มเลยใช่ไหมครับ 😂
เพราะหลายคนคิดว่า “สุ่มๆ เอา 100 คนก็พอแล้วมั้ง”
แต่ความจริงคือ…ถ้าขนาดตัวอย่างผิด งานวิจัยมีสิทธิ์โดนตีตกแบบเจ็บจี๊ดครับ
วันนี้พี่จะพาน้องๆ มาดูแบบเข้าใจง่ายที่สุดว่า
ทำวิธีสุ่มตัวอย่างโดยใช้ G*Power ต้องทำยังไง
อ่านจบคือคำนวณเป็น ใช้ได้จริง ส่งอาจารย์ได้เลยครับ
1. เริ่มจากคำถามวิจัยก่อนเลยครับ
ก่อนเปิดโปรแกรม น้องต้องตอบให้ได้ก่อนว่า
📌 เราจะทดสอบอะไร? เปรียบเทียบอะไร? หาความสัมพันธ์อะไร?
ตัวอย่างเช่น
- เปรียบเทียบคะแนนก่อน-หลัง
- เปรียบเทียบ 2 กลุ่ม
- หาความสัมพันธ์ระหว่างตัวแปร
เพราะคำถามวิจัย = ตัวกำหนดสถิติทั้งหมดครับ
2. เลือกสถิติให้ถูก (สำคัญมากครับ)
ใน G*Power น้องต้องเลือก Test ให้ตรง เช่น
- t-test → เปรียบเทียบ 2 กลุ่ม
- ANOVA → เปรียบเทียบหลายกลุ่ม
- Correlation → หาความสัมพันธ์
- Regression → ทำนายตัวแปร
ถ้าเลือกผิด ขนาดตัวอย่างจะผิดทั้งระบบเลยครับ
3. ตั้งค่า Effect Size (ขนาดอิทธิพล)
Effect Size คือ “ความแรงของผลที่เราคาดว่าจะเจอ”
พี่พูดง่ายๆ คือ
- ถ้าผลชัดมาก → ใช้ตัวอย่างน้อยก็พอ
- ถ้าผลเบาๆ → ต้องใช้ตัวอย่างเยอะขึ้นครับ
ค่ามาตรฐานที่นิยม เช่น
- Cohen’s d = 0.2 (เล็ก)
- Cohen’s d = 0.5 (กลาง)
- Cohen’s d = 0.8 (ใหญ่)
ถ้าน้องไม่รู้จะตั้งเท่าไร พี่แนะนำเริ่มที่ 0.5 ก่อนครับ
4. ตั้งค่า Power (กำลังการทดสอบ)
Power คือโอกาสที่เราจะ “เจอผลจริง” ถ้ามันมีอยู่
ค่ามาตรฐานที่ใช้กันคือ
✅ Power = 0.80
แปลว่าเรามีโอกาส 80% ที่จะตรวจพบผลจริงครับ
5. ตั้งค่า Alpha (ค่าความผิดพลาด)
Alpha คือโอกาสผิดพลาดแบบ “เจอผลทั้งที่จริงไม่มี”
ค่ามาตรฐานคือ
✅ Alpha = 0.05
ใช้เหมือนกันแทบทุกงานวิจัยครับ
6. ใส่ค่าลงใน G*Power แล้วกด Calculate
ขั้นตอนในโปรแกรมคือ
- เลือก Test
- เลือก Type of power analysis
- ใส่ Effect size
- ใส่ Alpha = 0.05
- ใส่ Power = 0.80
- กด Calculate
แล้วโปรแกรมจะบอกเลยว่า
📌 ต้องใช้กลุ่มตัวอย่างอย่างน้อยกี่คนครับ
ถ้าอ่านมาถึงตรงนี้แล้วยังรู้สึกมึนๆ หรืออยากหาคนช่วย [รับทำวิจัย] แบบมืออาชีพ ที่การันตีผลงาน ทักหาพี่ได้เลยนะครับ
💡 มุมมองจากพี่ (ประสบการณ์ 15 ปี)
พี่เจอเคสจริงมาเยอะครับ
นักศึกษาหลายคนทำวิจัยดีทุกอย่าง
แต่พังตรง “ขนาดตัวอย่างไม่สมเหตุสมผล”
บางคนใช้ 30 คน ทั้งที่ควรใช้ 150 คน
อาจารย์ถามคำเดียว
👉 “อ้างอิงการคำนวณจากอะไร?”
จบเลยครับ งานโดนแก้ใหม่ทั้งเล่ม 😅
เทคนิคลับพี่คือ
📌 ทำ G*Power แนบในภาคผนวกไปเลย
อาจารย์เห็นแล้วเชื่อทันทีครับ
บทสรุป
สรุปง่ายๆ นะครับน้องๆ
- G*Power ใช้คำนวณขนาดตัวอย่างแบบมีหลักฐาน
- ต้องรู้คำถามวิจัย + สถิติที่จะใช้
- ตั้งค่า Effect Size, Alpha = 0.05, Power = 0.80
- กด Calculate แล้วได้จำนวนตัวอย่างที่เหมาะสม
ทำถูกตั้งแต่แรก งานวิจัยผ่านง่ายขึ้นเยอะครับ
📌 “คำนวณ G*Power ไม่ผ่าน อาจารย์ถามแล้วตอบไม่ได้? ให้พี่ช่วยดูฟรีครับ ทัก Line ได้เลยครับ”
ใส่ค่าใน G*Power จากเหตุผล ไม่ใช่เลือกตามค่าตั้งต้น
G*Power จะคำนวณได้ก็ต่อเมื่อเราเลือกการทดสอบและสมมติฐานถูกครับ โปรแกรมไม่รู้ว่าการออกแบบเหมาะหรือไม่ และไม่สามารถแก้ปัญหาการสุ่มหรือการสูญหายได้ ดังนั้นก่อนเปิดโปรแกรม ให้เขียนคำถาม ตัวแปร จำนวนกลุ่ม และผลหลักที่ต้องการตรวจให้ชัดครับ
ข้อมูลหลักที่ต้องเตรียม
- Test family และ statistical test: ต้องตรงกับแผนวิเคราะห์จริง
- Type of power analysis: เช่น a priori ก่อนเก็บ หรือ sensitivity เมื่อขนาดถูกกำหนด
- Effect size: ขนาดผลที่มีเหตุผลทางวิชาการ
- Alpha: ความเสี่ยงผิดแบบที่หนึ่งที่กำหนดล่วงหน้า
- Power: โอกาสตรวจพบผลเมื่อผลมีอยู่ตามขนาดที่ตั้ง
- กลุ่ม ตัวทำนาย หรือพารามิเตอร์อื่น: ตามแบบทดสอบ
เลือก effect size อย่างไร
ใช้ข้อมูลจากงานเดิมที่ใกล้กลุ่ม วิธี และตัวแปรที่สุด หรือใช้ผลจาก pilot ที่มีคุณภาพ พร้อมพิจารณาขนาดที่เล็กที่สุดซึ่งมีความหมายในทางปฏิบัติ อย่าเลือกค่าปานกลางอัตโนมัติเพียงเพื่อให้จำนวนพอดีทรัพยากร หากหลักฐานไม่แน่นอน ให้คำนวณหลายสถานการณ์และอธิบายการตัดสินใจครับ
แยกการทดสอบหลักออกจากการวิเคราะห์รอง
กำหนด primary outcome หรือสมมติฐานหลักที่จะใช้คำนวณ หากมีหลายผลและหลายการทดสอบ ต้องพิจารณาการควบคุมความผิดพลาดและเลือกขนาดที่รองรับคำถามสำคัญที่สุด ไม่ควรคำนวณจากการทดสอบที่ต้องการคนน้อยสุดแล้วใช้กับทุกการวิเคราะห์ครับ
เผื่อการสูญเสียอย่างมีฐาน
จำนวนจากโปรแกรมคือจำนวนที่ใช้วิเคราะห์ได้ ไม่ใช่จำนวนที่ต้องเชิญเสมอ หากคาดว่าข้อมูลใช้ไม่ได้หรือมีคนถอน ให้หารด้วยอัตราคงเหลือ เช่น ต้องการ 100 และคาดคงเหลือ 80% ควรเชิญประมาณ 125 คน แต่ใช้อัตราจากบริบทใกล้เคียง ไม่เพิ่มเปอร์เซ็นต์แบบเดาครับ
ระวังข้อมูลแบบกลุ่มและวัดซ้ำ
นักเรียนอยู่ในห้อง ผู้ป่วยอยู่ในโรงพยาบาล หรือพนักงานอยู่ในทีม ข้อมูลอาจคล้ายกันภายในกลุ่ม ทำให้ขนาดมีประสิทธิผลลดลง ต้องพิจารณา design effect หรือการวิเคราะห์หลายระดับ ส่วนการวัดซ้ำต้องใช้ความสัมพันธ์ระหว่างการวัดและจำนวนเวลา ไม่ควรคำนวณเหมือนกลุ่มอิสระครับ
Post hoc power ไม่ใช่คำตอบทุกอย่าง
หลังได้ผลแล้ว การคำนวณ observed power จากขนาดอิทธิพลที่พบมักให้ข้อมูลซ้ำกับ p-value หากต้องการอธิบายข้อจำกัดของขนาดตัวอย่าง อาจใช้ sensitivity analysis เพื่อแสดงว่าด้วยขนาดและเกณฑ์ที่มี สามารถตรวจพบผลขั้นต่ำประมาณใด พร้อมรายงานช่วงความเชื่อมั่นของผลจริงครับ
บันทึกหน้าจอและเหตุผล
- เวอร์ชันโปรแกรม
- test family และ statistical test
- ชนิด power analysis
- effect size และแหล่งที่มา
- alpha, power และพารามิเตอร์
- ผลจำนวนขั้นต่ำและจำนวนหลังเผื่อ
เก็บไฟล์หรือภาพผลไว้ในภาคผนวกตามความเหมาะสม แต่ในเนื้อหาต้องอธิบายเหตุผล ไม่ใช่ใส่ภาพอย่างเดียวครับ
เช็กลิสต์ก่อนยืนยันจำนวน
- การทดสอบตรงกับวัตถุประสงค์และการออกแบบ
- effect size มีแหล่งหรือเหตุผล
- จำนวนรองรับผลหลักและตัวแปรสำคัญ
- เผื่อการสูญเสียและโครงสร้างกลุ่มแล้ว
- จำนวนยังเป็นไปได้ด้านเวลาและจริยธรรม
- รายงานค่าป้อนและผลครบให้ผู้อื่นทำซ้ำได้
ตัวเลขที่ดีไม่ใช่ตัวเลขใหญ่ที่สุด แต่เป็นจำนวนที่มีเหตุผลและตอบคำถามได้ครับ หากน้องรู้สถิติที่จะใช้และมีงานอ้างอิงแล้ว ส่งค่าที่มีมาให้พี่ช่วยตรวจการตั้ง G*Power ก่อนเก็บจริงได้ครับ
❓ FAQ (คำถามที่พบบ่อย)
ได้เกือบทุกงานที่มีการทดสอบสถิติครับ แต่ต้องเลือก Test ให้ถูกครับ
เริ่มจากค่ามาตรฐานกลางๆ เช่น 0.5 หรือดูจากงานวิจัยที่ใกล้เคียงครับ
มาตรฐานคือ 0.80 ครับ ใช้ได้เกือบทุกงาน
เพราะ Effect Size เล็ก หรือใช้ Regression หลายตัวแปรครับ
พี่แนะนำแนบครับ เพิ่มความน่าเชื่อถือสุดๆ