Correlation มีนัยสำคัญ แต่ Regression ไม่มีนัยสำคัญ เกิดขึ้นได้อย่างไร? และควรแปลผลอย่างไร

ในการวิเคราะห์ข้อมูลงานวิจัย อาจพบสถานการณ์ที่ตัวแปรสองตัวมีความสัมพันธ์กันอย่างมีนัยสำคัญทางสถิติเมื่อวิเคราะห์ด้วย Pearson Correlation แต่เมื่อนำตัวแปรเดียวกันเข้าสู่ Multiple Regression กลับพบว่าไม่มีนัยสำคัญทางสถิติ หลายคนจึงสงสัยว่าผลลัพธ์ทั้งสองขัดแย้งกันหรือไม่ และควรเลือกเชื่อผลจากการวิเคราะห์แบบใด

คำตอบคือ ผลลัพธ์ลักษณะนี้สามารถเกิดขึ้นได้ตามปกติ และไม่ได้หมายความว่าการวิเคราะห์ผิด เพราะ Pearson Correlation และ Multiple Regression กำลังตอบคำถามคนละแบบ

Correlation พิจารณาความสัมพันธ์ระหว่างตัวแปรสองตัวโดยตรง ขณะที่ Multiple Regression พิจารณาความสัมพันธ์ของ Independent Variable แต่ละตัวกับ Dependent Variable โดยคำนึงถึง Independent Variables ตัวอื่นที่อยู่ใน Model พร้อมกัน ดังนั้น ตัวแปรที่สัมพันธ์กับ Y เมื่อพิจารณาเพียงลำพัง อาจไม่ได้แสดงความสัมพันธ์ที่ชัดเจนเหมือนเดิมเมื่อพิจารณาร่วมกับปัจจัยอื่น

Correlation Significant แต่ Regression ไม่ Significant หมายความว่าอย่างไร?

สมมติว่างานวิจัยต้องการศึกษาปัจจัยที่เกี่ยวข้องกับ Purchase Intention โดยมี Customer Experience, Service Quality และ Brand Trust เป็น Independent Variables

เมื่อวิเคราะห์ Pearson Correlation แยกเป็นคู่ อาจพบผลดังนี้

ความสัมพันธ์ที่ศึกษา	Pearson Correlation
Customer Experience กับ Purchase Intention	Significant
Service Quality กับ Purchase Intention	Significant
Brand Trust กับ Purchase Intention	Significant

หากดูเพียง Correlation อาจสรุปได้ว่า Independent Variables ทั้งสามมีความสัมพันธ์กับ Purchase Intention แต่เมื่อนำทั้งสามตัวแปรเข้าสู่ Multiple Regression พร้อมกัน ผลอาจเปลี่ยนเป็น

Independent Variable	Multiple Regression
Customer Experience	Not Significant
Service Quality	Significant
Brand Trust	Significant

ผลดังกล่าวไม่ได้หมายความว่า Customer Experience ไม่มีความสัมพันธ์กับ Purchase Intention แต่หมายความว่า Customer Experience มีความสัมพันธ์กับ Purchase Intention เมื่อพิจารณาแบบสองตัวแปร ขณะที่เมื่อพิจารณาร่วมกับ Service Quality และ Brand Trust แล้ว Customer Experience อาจไม่ได้มีความสัมพันธ์เฉพาะเพิ่มเติมกับ Purchase Intention มากพอที่จะมีนัยสำคัญทางสถิติใน Regression Model นั้น นี่คือความแตกต่างสำคัญระหว่างการอ่านผล Correlation กับ Regression

ทำไมผล Correlation และ Regression จึงแตกต่างกัน?

สาเหตุหลักคือ Correlation มองความสัมพันธ์ระหว่างตัวแปรเป็นคู่ ขณะที่ Multiple Regression พิจารณาหลายตัวแปรพร้อมกัน

ลองสมมติว่า Customer Experience มีความสัมพันธ์กับ Purchase Intention แต่ Customer Experience เองก็มีความสัมพันธ์กับ Service Quality และ Brand Trust ด้วย ความสัมพันธ์ที่ Customer Experience มีกับ Purchase Intention จึงอาจมีบางส่วนทับซ้อนกับสิ่งที่ Service Quality และ Brand Trust สามารถอธิบายได้เช่นกัน

เมื่อวิเคราะห์ Pearson Correlation ระหว่าง Customer Experience กับ Purchase Intention ความสัมพันธ์ส่วนที่ทับซ้อนนี้ยังรวมอยู่ในความสัมพันธ์ที่เห็น แต่เมื่อใส่ตัวแปรทั้งหมดเข้า Multiple Regression พร้อมกัน Model จะพิจารณาว่า หลังจากคำนึงถึงตัวแปรอื่นแล้ว Customer Experience ยังมีความสัมพันธ์กับ Purchase Intention เพิ่มเติมอีกหรือไม่

สามารถมองความแตกต่างอย่างง่ายได้ดังนี้

Pearson Correlation	Multiple Regression
พิจารณาตัวแปรสองตัว	พิจารณาหลายตัวแปรร่วมกัน
ดูความสัมพันธ์โดยตรงระหว่าง X กับ Y	ดูความสัมพันธ์ของ X กับ Y โดยคำนึงถึงตัวแปรอื่นใน Model
ไม่ได้แยกความสัมพันธ์ที่ X อาจมีร่วมกับ Predictor อื่น	ช่วยแยก Contribution ของ Predictor แต่ละตัว
Significant ไม่ได้หมายความว่าจะ Significant ใน Regression	ผลอาจเปลี่ยนเมื่อเพิ่ม Predictor อื่นเข้า Model

ดังนั้น การที่ผลเปลี่ยนจาก Significant เป็น Not Significant ไม่ได้หมายความว่าผลสองชุดขัดแย้งกัน แต่สะท้อนว่าคำถามที่ Statistical Method แต่ละวิธีตอบแตกต่างกัน

Shared Variance คืออะไร?

หนึ่งในแนวคิดที่ช่วยอธิบายเรื่องนี้คือ Shared Variance หรือส่วนของความแปรปรวนที่ตัวแปรหลายตัวมีร่วมกัน

ตัวอย่างเช่น Service Quality และ Customer Satisfaction เป็นคนละ Construct แต่ในชีวิตจริงมักมีความเกี่ยวข้องกัน เพราะลูกค้าที่ได้รับบริการดีก็มีแนวโน้มที่จะมีความพึงพอใจสูง หากทั้ง Service Quality และ Customer Satisfaction มีความสัมพันธ์กับ Customer Loyalty ความสัมพันธ์บางส่วนของทั้งสองตัวแปรกับ Customer Loyalty จึงอาจทับซ้อนกัน

Pearson Correlation ที่พิจารณา Service Quality กับ Customer Loyalty เพียงสองตัวแปรไม่ได้แยกส่วนที่ทับซ้อนกับ Customer Satisfaction ออก แต่ Multiple Regression พิจารณาตัวแปรเหล่านี้ร่วมกัน จึงช่วยให้เห็นว่า Service Quality ยังมีความสัมพันธ์กับ Customer Loyalty มากน้อยเพียงใดเมื่อคำนึงถึง Customer Satisfaction แล้ว

นี่เป็นเหตุผลหนึ่งที่ตัวแปรอาจ Significant ใน Correlation แต่ไม่ Significant ใน Regression

Multicollinearity เกี่ยวข้องหรือไม่?

เกี่ยวข้องได้ แต่ไม่ควรสรุปว่าทุกกรณีเกิดจาก Multicollinearity Multicollinearity เกิดขึ้นเมื่อ Independent Variables ใน Regression Model มีความสัมพันธ์กันเองสูง จนทำให้ Model แยกความสัมพันธ์ของ Predictor แต่ละตัวออกจากกันได้ยากขึ้น

ตัวอย่างเช่น หากงานวิจัยมี Service Quality, Service Experience และ Service Satisfaction ซึ่งถูกวัดด้วยคำถามที่มีลักษณะใกล้เคียงกันมาก ตัวแปรทั้งสามอาจมีความสัมพันธ์กันสูง เมื่อวิเคราะห์ Correlation กับ Customer Loyalty แยกทีละตัว ทุกตัวอาจ Significant แต่เมื่อใส่ทั้งหมดเข้า Multiple Regression พร้อมกัน บางตัวอาจกลายเป็น Not Significant

อย่างไรก็ตาม Correlation Significant แต่ Regression Not Significant ไม่ได้แปลว่ามี Multicollinearity เสมอไป จึงควรตรวจสอบข้อมูลและ Regression Model เพิ่มเติมก่อนสรุปสาเหตุ

มีสาเหตุอื่นอีกหรือไม่?

นอกจาก Shared Variance และความสัมพันธ์ระหว่าง Independent Variables แล้ว ยังมีปัจจัยอื่นที่อาจทำให้ผล Correlation และ Regression แตกต่างกัน

ปัจจัย	ผลที่อาจเกิดขึ้น
Independent Variables มีความสัมพันธ์กัน	ความสัมพันธ์ของ Predictor แต่ละตัวอาจทับซ้อนกัน
Multicollinearity	ทำให้แยก Contribution ของ Predictor แต่ละตัวได้ยากขึ้น
Sample Size	หากกลุ่มตัวอย่างไม่เหมาะสม อาจตรวจพบความสัมพันธ์ของแต่ละ Predictor ได้ยากขึ้น
Outliers	ข้อมูลบางค่าที่แตกต่างจากกลุ่มมากอาจส่งผลต่อผลวิเคราะห์
ตัวแปรที่ใส่ใน Model	ผลของ Predictor หนึ่งตัวอาจเปลี่ยนเมื่อเพิ่มหรือลดตัวแปรอื่น
Research Model	การกำหนดตัวแปรและความสัมพันธ์ตั้งแต่ต้นมีผลต่อการตีความผล

ดังนั้น เมื่อพบว่า Correlation Significant แต่ Regression ไม่ Significant ไม่ควรพิจารณาเฉพาะ P-Value แต่ควรดูภาพรวมของ Model และข้อมูลประกอบด้วย

ถ้า Regression ไม่ Significant ต้องตัดตัวแปรออกไหม?

ไม่จำเป็น เพราะการตัด Independent Variable ออกจาก Regression Model ไม่ควรทำเพียงเพราะพบ P-Value > 0.05

หากตัวแปรนั้นถูกกำหนดไว้จาก Research Framework, Theory, Previous Research หรือ Hypothesis ตั้งแต่ต้น การตัดออกเพียงเพื่อให้ Model เหลือเฉพาะตัวแปรที่ Significant อาจทำให้การวิเคราะห์ไม่สอดคล้องกับกรอบแนวคิดเดิมของงานวิจัย

ในทางกลับกัน หากตรวจพบว่าตัวแปรหลายตัววัดแนวคิดที่ใกล้เคียงกันมาก หรือมีปัญหา Multicollinearity ก็ควรตรวจสอบ Model เพิ่มเติมว่าการกำหนดตัวแปรเหมาะสมหรือไม่

การตัดหรือเก็บตัวแปรจึงควรมีเหตุผลจากทั้ง Research Design และ Statistical Analysis ไม่ควรตัดสินจาก P-Value เพียงอย่างเดียว

ถ้า Regression ไม่ Significant แปลว่าสมมติฐานไม่เป็นจริงหรือไม่?

ต้องพิจารณาว่าสมมติฐานถูกตั้งไว้อย่างไร และกำหนด Statistical Test ใดไว้สำหรับการทดสอบสมมติฐานนั้น

ตัวอย่างเช่น หาก Hypothesis ต้องการทดสอบว่า Customer Experience มีความสัมพันธ์กับ Purchase Intention และกำหนด Pearson Correlation เป็นวิธีทดสอบ ผล Correlation จะเป็นผลที่ใช้ตอบสมมติฐานดังกล่าว

แต่หาก Hypothesis ต้องการศึกษาว่า Customer Experience มีความสัมพันธ์กับ Purchase Intention เมื่อพิจารณาร่วมกับปัจจัยอื่น และกำหนด Multiple Regression เป็นวิธีทดสอบ ผล Regression จะตรงกับ Research Question มากกว่า

ดังนั้น ไม่ควรเลือกใช้ผล Correlation หรือ Regression หลังจากเห็นผลแล้วเพียงเพราะวิธีหนึ่ง Significant แต่อีกวิธีไม่ Significant แต่ควรกำหนด Statistical Analysis ให้สัมพันธ์กับ Research Objective และ Hypothesis ตั้งแต่ก่อนวิเคราะห์ข้อมูล

ควรอธิบายผลในงานวิจัยอย่างไร?

หาก Correlation Significant แต่ Regression ไม่ Significant ควรรายงานผลของแต่ละวิธีตามสิ่งที่การวิเคราะห์นั้นตอบ โดยไม่เขียนว่าผลทั้งสองขัดแย้งกัน

ตัวอย่างเช่น หาก Customer Experience มีความสัมพันธ์กับ Purchase Intention อย่างมีนัยสำคัญจาก Pearson Correlation แต่ไม่มีนัยสำคัญใน Multiple Regression สามารถอธิบายได้ว่า ผล Correlation แสดงให้เห็นว่า Customer Experience มีความสัมพันธ์กับ Purchase Intention เมื่อพิจารณาความสัมพันธ์ระหว่างสองตัวแปร อย่างไรก็ตาม เมื่อวิเคราะห์ร่วมกับ Independent Variables อื่นใน Multiple Regression พบว่า Customer Experience ไม่มีความสัมพันธ์อย่างมีนัยสำคัญกับ Purchase Intention ภายใต้ Model ดังกล่าว

จากนั้นจึงอภิปรายเพิ่มเติมว่าความแตกต่างของผลอาจเกี่ยวข้องกับความสัมพันธ์ระหว่าง Independent Variables หรือความทับซ้อนของข้อมูลที่ Predictor หลายตัวใช้อธิบาย Dependent Variable

สิ่งที่ควรหลีกเลี่ยงคือการสรุปว่า Correlation บอกว่ามีความสัมพันธ์ แต่ Regression บอกว่าไม่มีความสัมพันธ์ เพราะ Regression ไม่ได้กำลังบอกว่าตัวแปรทั้งสองไม่มีความสัมพันธ์กันเลย แต่กำลังพิจารณาความสัมพันธ์ของ Predictor นั้นภายใต้เงื่อนไขที่มีตัวแปรอื่นอยู่ใน Model ด้วย

Correlation กับ Regression แบบไหนควรเชื่อ?

ไม่ควรมองว่า Correlation และ Regression แข่งขันกันว่าวิธีใดน่าเชื่อถือกว่า เพราะทั้งสองวิธีตอบ Research Question ต่างกัน

หาก Research Question ต้องการทราบว่า...	วิธีที่ตรงกับคำถามมากกว่า
X และ Y มีความสัมพันธ์กันหรือไม่	Pearson Correlation
X และ Y มีความสัมพันธ์ในทิศทางใด	Pearson Correlation
X มีความสัมพันธ์กับ Y อย่างไรเมื่อพิจารณา Predictor อื่นร่วมด้วย	Multiple Regression
Predictor หลายตัว ตัวใดยังมีความสัมพันธ์กับ Y เมื่อพิจารณาพร้อมกัน	Multiple Regression
ต้องการสร้าง Model เพื่ออธิบายหรือทำนาย Y	Regression

หากยังไม่แน่ใจถึงความแตกต่างพื้นฐานของทั้งสองวิธี สามารถอ่าน Pearson Correlation กับ Linear Regression ต่างกันอย่างไร? ควรเลือกใช้แบบไหนในการวิเคราะห์ข้อมูล ซึ่งอธิบายเรื่องการเลือกใช้ Correlation และ Regression ไว้โดยเฉพาะ

สำหรับรายละเอียดของแต่ละวิธี สามารถอ่าน Pearson Correlation คืออะไร?  และ Regression Analysis คืออะไร?

วางแผนการวิเคราะห์ตั้งแต่ต้นช่วยได้อย่างไร?

เราไม่สามารถป้องกันไม่ให้ Correlation และ Regression ให้ผลแตกต่างกัน เพราะผลดังกล่าวอาจสะท้อนความสัมพันธ์ที่เกิดขึ้นจริงในข้อมูล แต่สามารถลดปัญหาในการวิเคราะห์และแปลผลได้ด้วยการวาง Research Design และ Analysis Plan ให้ชัดเจนตั้งแต่ต้น

ควรกำหนดว่า Research Objective ต้องการศึกษาความสัมพันธ์แบบใด ตัวแปรใดเป็น Independent และ Dependent Variable แต่ละ Hypothesis จะใช้ Statistical Test ใด และ Constructs ที่นำมาใช้ใน Research Framework มีความแตกต่างกันชัดเจนเพียงพอหรือไม่

สำหรับผู้ที่ยังอยู่ในขั้นตอนออกแบบงานวิจัย บริการออกแบบและตรวจสอบแบบสอบถามให้สอดคล้องกับวัตถุประสงค์ ตัวแปร สมมติฐาน และแผนการวิเคราะห์ข้อมูล สามารถช่วยตรวจสอบโครงสร้างของตัวแปรและแบบสอบถามก่อนเริ่มเก็บข้อมูล

ส่วนผู้ที่วิเคราะห์ข้อมูลแล้วพบว่า Correlation Significant แต่ Regression ไม่ Significant และไม่แน่ใจว่าควรอธิบายผลอย่างไร บริการวิเคราะห์ข้อมูลทางสถิติด้วย SPSS ของ Data Investigator ครอบคลุมการตรวจสอบข้อมูล การวิเคราะห์ Correlation และ Regression การตรวจสอบ Model และการแปลผลให้สอดคล้องกับ Research Objectives และ Hypotheses ของงาน

สรุป: ทำไม Correlation Significant แต่ Regression ไม่ Significant?

Correlation Significant แต่ Regression ไม่ Significant สามารถเกิดขึ้นได้ตามปกติ และไม่ได้หมายความว่าการวิเคราะห์ผิดหรือผลทั้งสองขัดแย้งกัน

ความแตกต่างสำคัญคือ Pearson Correlation พิจารณาความสัมพันธ์ระหว่างตัวแปรสองตัวโดยตรง ขณะที่ Multiple Regression พิจารณาความสัมพันธ์ของ Predictor แต่ละตัวกับ Dependent Variable เมื่อคำนึงถึง Predictor ตัวอื่นใน Model ด้วย

ดังนั้น ตัวแปรที่มีความสัมพันธ์กับ Y เมื่อพิจารณาเพียงสองตัวแปร อาจไม่มีความสัมพันธ์เฉพาะเพิ่มเติมที่ชัดเจนเพียงพอเมื่อพิจารณาร่วมกับตัวแปรอื่น โดย Shared Variance, Multicollinearity, Sample Size, Outliers และโครงสร้างของ Regression Model ล้วนเป็นปัจจัยที่อาจเกี่ยวข้อง

สิ่งสำคัญจึงไม่ใช่การเลือกว่าจะเชื่อ Correlation หรือ Regression แต่คือการเข้าใจว่าแต่ละวิธีตอบ Research Question แบบใด และแปลผลให้สอดคล้องกับ Research Objective, Hypothesis และ Model ที่กำหนดไว้

สอบถามข้อมูลเพิ่มเติมกรุณาติดต่อ:

อีเมล์: info@datainvestigatorth.com

ไลน์: @datainvestigator       โทร: 063-969-7944