เครื่องมือวิเคราะห์สถิติเพื่องานวิจัยในชั้นเรียน

1เตรียมข้อมูลPrepare

2ตรวจข้อตกลงCheck

3วิเคราะห์Analyze

4แปลผลInterpret

5รายงานReport

01

สถิติเชิงพรรณนา

กรอกคะแนนแบบตารางแนวนอนเพื่อเห็นลำดับข้อมูลในหน้าเดียว สามารถเพิ่ม/ลดจำนวนข้อมูลได้ตามจริง

ชื่อกลุ่มคะแนน (สำหรับรายงาน)

วิธีกรอกข้อมูล

📊

ผลการวิเคราะห์จะแสดงที่นี่หลังกดปุ่ม "วิเคราะห์ผล"

02

t-test แบบกลุ่มเดียว

เปรียบเทียบค่าเฉลี่ยของกลุ่มตัวอย่างกับเกณฑ์ที่กำหนด โดยกรอกข้อมูลเป็นตารางแนวนอน

ค่าเกณฑ์ที่ต้องการเทียบ (μ₀)

ระดับนัยสำคัญ (α)

รูปแบบสมมติฐาน

ลักษณะข้อมูล

ข้อตกลงเบื้องต้นของสถิติ (Assumptions)

ตัวแปรควรเป็นข้อมูลเชิงปริมาณที่ค่าเฉลี่ยมีความหมาย
หน่วยตัวอย่างเป็นอิสระจากกัน
พิจารณารูปร่างการแจกแจง ค่าผิดปกติ และขนาดตัวอย่างร่วมกัน ไม่ใช้ Shapiro-Wilk เพียงค่าเดียว
กำหนดสมมติฐานก่อนอ่านผล

คำนวณเกณฑ์จากคะแนนเต็มและร้อยละ (ไม่บังคับ)

คะแนนเต็ม

เกณฑ์ร้อยละ

🎯

ผลการวิเคราะห์จะแสดงที่นี่หลังกดปุ่ม "วิเคราะห์ผล"

03

t-test สองกลุ่มอิสระ

วางสองกลุ่มเทียบกันในตารางเดียว แต่ละคอลัมน์เป็นลำดับข้อมูล คนในสองแถวไม่จำเป็นต้องเป็นบุคคลเดียวกัน และจำนวนแต่ละกลุ่มสามารถไม่เท่ากันได้

ชื่อกลุ่มที่ 1

ชื่อกลุ่มที่ 2

ระดับนัยสำคัญ (α)

วิธีรายงานผลหลัก

ข้อตกลงเบื้องต้นของสถิติ (Assumptions)

สองกลุ่มเป็นอิสระจากกัน สมาชิกหนึ่งคนอยู่เพียงกลุ่มเดียว
ข้อมูลเชิงปริมาณและไม่มีค่าผิดปกติรุนแรงที่ทำให้ค่าเฉลี่ยบิดเบือน
Welch's t-test ไม่สมมติความแปรปรวนเท่ากัน จึงใช้เป็นค่าเริ่มต้นของ STAT LAB; Levene/Brown–Forsythe แสดงเพื่อประกอบการวินิจฉัย

⚖️

ผลการวิเคราะห์จะแสดงที่นี่หลังกดปุ่ม "วิเคราะห์ผล"

04

t-test ก่อน–หลัง (จับคู่)

ข้อมูลของบุคคลเดียวกันวางในคอลัมน์เดียวกัน จึงตรวจการจับคู่ได้ง่ายและลดการสลับลำดับก่อน–หลัง

ระดับนัยสำคัญ (α)

สมมติฐานของผลต่าง (หลัง − ก่อน)

การจับคู่

ข้อตกลงเบื้องต้นของสถิติ (Assumptions)

พิจารณาการแจกแจงของ คะแนนผลต่าง (หลัง − ก่อน) เป็นหลัก
แต่ละคอลัมน์ต้องเป็นบุคคลเดียวกัน และแต่ละคู่เป็นอิสระจากคู่อื่น
เมื่อ n เล็กมาก ระบบจะแสดงคำเตือนให้พิจารณากราฟ ค่าผิดปกติ และบริบทเพิ่ม และแม้ n จะมากขึ้นก็ไม่ใช้เกณฑ์ n > 30 เป็นกฎตายตัวในการละเลย Normality

📈

ผลการวิเคราะห์จะแสดงที่นี่หลังกดปุ่ม "วิเคราะห์ผล"

05

Wilcoxon Signed-Rank Test

ข้อมูลจับคู่วางก่อน–หลังในคอลัมน์เดียวกัน เหมาะกับข้อมูลอย่างน้อยระดับอันดับหรือกรณีที่ Paired t-test ไม่เหมาะสม

ระดับนัยสำคัญ (α)

โครงสร้างข้อมูล

เมื่อไรควรใช้

ข้อมูลเป็นคู่ของหน่วยตัวอย่างเดียวกันและแต่ละคู่เป็นอิสระจากคู่อื่น
ข้อมูลอยู่ระดับอันดับขึ้นไปและผลต่างสามารถจัดอันดับได้
ไม่ควรเลือก Wilcoxon เพียงเพราะ Shapiro-Wilk มีนัยสำคัญ

🔗

ผลการวิเคราะห์จะแสดงที่นี่หลังกดปุ่ม "วิเคราะห์ผล"

06

ประสิทธิภาพนวัตกรรม E1/E2

ใช้ประเมินประสิทธิภาพของสื่อ ชุดการสอน หรือกิจกรรมการเรียนรู้ โดย E1 มาจากคะแนนที่เก็บระหว่างกระบวนการเรียนรู้ทั้งหมด และ E2 มาจากคะแนนหลังเรียน

หลักที่ต้องจำ: คะแนนเก็บครั้งที่ 1 + ครั้งที่ 2 + ... + ครั้งสุดท้าย → คะแนนระหว่างเรียนรวมของผู้เรียนแต่ละคน → E1
คะแนนหลังเรียน → E2
สำคัญ: E1 ไม่ใช่ คะแนนก่อนเรียน (Pre-test)

ดูตัวอย่างก่อนกรอก (แนะนำ)

ตัวอย่าง: มีคะแนนเก็บ 5 กิจกรรม กิจกรรมละ 10 คะแนน → คะแนนเต็มระหว่างเรียนรวม = 50 คะแนน

ผู้เรียน	ก1	ก2	ก3	ก4	ก5	รวมสำหรับ E1
คนที่ 1	8	7	9	8	9	41/50
คนที่ 2	7	8	8	9	8	40/50

ดังนั้น ถ้ารวมคะแนนไว้แล้ว ให้กรอก 41, 40, ... แต่ถ้ายังไม่ได้รวม ให้เลือกวิธี “กรอกแยกแต่ละกิจกรรม” แล้ว STAT LAB จะรวมให้เอง

ขั้นที่ 1 — รูปแบบคะแนน E1

วิธีกรอกข้อมูล

คะแนนเต็ม E1 รวม

คะแนนเต็ม E2 / หลังเรียน

⚠️ ข้อมูลจำลองเพื่อฝึกใช้ระบบ: กำหนดจำนวนผู้เรียน n แล้วกด “สร้างข้อมูลตัวอย่าง” เพื่อทดลองคำนวณ E1/E2 และอ่านตัวอย่างสรุปผล ข้อมูลที่สร้างขึ้นไม่ใช่ข้อมูลวิจัยจริง

ตารางแบบยืดหยุ่น: 1 แถว = ผู้เรียน 1 คน สามารถเพิ่มหรือลบผู้เรียนได้ตามข้อมูลจริง หากเลือก “คะแนนแยกแต่ละกิจกรรม” สามารถเพิ่ม/ลดคอลัมน์กิจกรรมและกำหนดคะแนนเต็มของแต่ละกิจกรรมได้เอง ระบบจะรวมคะแนน E1 ต่อคนให้อัตโนมัติ

ขั้นที่ 3 — เกณฑ์ E1 (%)

เกณฑ์ E2 (%)

ควรกำหนดเกณฑ์ เช่น 80/80 ไว้ล่วงหน้าตามแผนการวิจัย ไม่ควรเลือกเกณฑ์ภายหลังจากเห็นผลแล้ว

หลักการพิจารณาเกณฑ์ E1/E2

หมายเหตุ: โหมดตามชัยยงค์จะแยกสถานะ “อยู่ในช่วงเกณฑ์”, “ต่ำกว่าเกณฑ์เกิน 2.5” และ “สูงกว่าเกณฑ์เกิน 2.5” พร้อมตรวจว่าค่า E1 กับ E2 ต่างกันมากเกินประมาณ 5 จุดร้อยละหรือไม่ ส่วน Strict Criterion เป็นกฎที่ผู้วิจัยอาจกำหนดเองและจะถูกระบุแยกจากเกณฑ์ตามเอกสารอ้างอิง

⚙️

ผลการคำนวณ E1/E2 จะแสดงที่นี่

07

วิจัยเชิงปฏิบัติการ PAOR

สำหรับสรุปผลการวิจัยเชิงปฏิบัติการในชั้นเรียนเป็นวงรอบ โดยเชื่อม Plan → Act → Observe → Reflect และใช้ผลสะท้อนของวงรอบหนึ่งเพื่อปรับการดำเนินงานในวงรอบถัดไป

เข้าใจง่าย ๆ: วงรอบหนึ่งไม่ได้มีแค่ “คะแนน” แต่ต้องตอบให้ได้ว่า วางแผนอะไร → ทำอะไร → เกิดอะไรขึ้น → เรียนรู้อะไรและจะปรับอะไรต่อ
หมายเหตุ: PAOR เป็นกระบวนการแบบวงจร/เกลียวต่อเนื่อง ไม่ได้กำหนดว่าทุกงานต้องมี 3 วงรอบ ระบบจึงให้เลือกจำนวนวงรอบได้ โดยตั้งต้นที่ 3 วงรอบ

📌 ต้องเตรียมข้อมูลอะไร?

ข้อมูลเชิงปริมาณ: คะแนนท้ายวงรอบหรือคะแนนตัวชี้วัดของผู้เรียน เพื่อคำนวณ n, M, SD, ร้อยละเฉลี่ย และจำนวน/ร้อยละผู้ผ่านเกณฑ์
Plan: ปัญหา/เป้าหมายและแผนที่จะดำเนินการในวงรอบนั้น
Act: สิ่งที่นำไปปฏิบัติจริง เช่น กิจกรรม วิธีสอน นวัตกรรม หรือการปรับแผน
Observe: สิ่งที่สังเกตพบ หลักฐาน พฤติกรรมผู้เรียน คำพูด/ความคิดเห็น หรือบันทึกหลังสอน
Reflect: สิ่งที่ได้ผล ปัญหา/สาเหตุ และแนวทางปรับปรุงวงรอบถัดไป

ตัวแปร/ผลลัพธ์เชิงปริมาณที่ติดตาม

จำนวนวงรอบ (ปรับได้ 1–10)

คะแนนเต็มของผลลัพธ์แต่ละวงรอบ

เกณฑ์ผ่านรายบุคคล (%)

เป้าหมายผู้เรียนผ่านเกณฑ์อย่างน้อย (%)

ตัวอย่างเกณฑ์: ผู้เรียนได้คะแนนอย่างน้อยร้อยละ 70 และมีผู้เรียนผ่านเกณฑ์ไม่น้อยกว่าร้อยละ 70 ทั้งนี้ผู้วิจัยควรกำหนดเกณฑ์ตามวัตถุประสงค์ไว้ล่วงหน้า

รูปแบบใหม่: คะแนนเชิงปริมาณจัดเป็นตาราง “ผู้เรียน × วงรอบ” และข้อมูล Plan–Act–Observe–Reflect จัดเป็นตารางแนวนอนเพื่อให้เห็นความต่อเนื่องของแต่ละวงรอบในหน้าเดียว ผู้ใช้สามารถเพิ่ม/ลบผู้เรียนและปรับจำนวนวงรอบตามงานวิจัยได้

ข้อมูลเชิงคุณภาพ: STAT LAB จะช่วย จัดโครงสร้างและเรียบเรียง สิ่งที่ผู้วิจัยบันทึกตาม PAOR เพื่อประกอบบทที่ 4 แต่ไม่ได้ทำการวิเคราะห์เนื้อหาเชิงความหมายแทนผู้วิจัย ผู้วิจัยยังต้องตรวจสอบความถูกต้องของประเด็น หลักฐาน และการตีความจากข้อมูลต้นฉบับ

🔄

ผลการวิเคราะห์แต่ละวงรอบและร่างบทที่ 4 จะแสดงที่นี่

📚 เรียนรู้สถิติ

เรียนรู้แนวคิดที่จำเป็นก่อนเลือกและแปลผลสถิติ โดยเน้นความเข้าใจมากกว่าการจำกฎตายตัว

🔔

การแจกแจงปกติ

เข้าใจโค้งระฆังคว่ำ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และกฎประมาณ 68–95–99.7 พร้อมหลักการว่าข้อมูลจริงไม่จำเป็นต้องเป็นระฆังสมบูรณ์แบบ

📏

SD, SE และช่วงความเชื่อมั่น

SD อธิบายการกระจายของข้อมูล ส่วน SE อธิบายความไม่แน่นอนของตัวประมาณ และ CI ช่วยแสดงช่วงค่าที่สอดคล้องกับข้อมูลภายใต้แบบจำลอง

🎯

p-value และ Effect Size

ไม่ตีความ p-value แยกจากขนาดอิทธิพล ช่วงความเชื่อมั่น ทิศทางของผล และบริบททางการศึกษา

🧭

เลือกสถิติอย่างมีเหตุผล

เริ่มจากคำถามวิจัย แบบแผน จำนวนกลุ่ม การจับคู่ ระดับการวัด รูปร่างข้อมูล ค่าผิดปกติ และข้อตกลง ไม่เลือกจาก Shapiro–Wilk เพียงค่าเดียว

กฎ 68–95–99.7 ใช้อย่างไร?

μ ± 1σ ≈ 68%μ ± 2σ ≈ 95%μ ± 3σ ≈ 99.7%

กฎนี้เป็นคุณสมบัติโดยประมาณของการแจกแจงปกติ ไม่ใช่เกณฑ์ตัดสินว่าข้อมูลจริง “ปกติหรือไม่ปกติ” และไม่ควรใช้แทน Histogram, Q-Q Plot, การตรวจค่าผิดปกติ และการพิจารณาขนาดตัวอย่าง

📚 Learn Statistics

Learn the statistical ideas needed before selecting and interpreting a procedure. STAT LAB emphasizes reasoning rather than rigid cutoffs.

🔔

Normal distribution

Understand the bell-shaped model, mean, standard deviation, and the approximate 68–95–99.7 rule. Real data do not need to form a perfect bell.

📏

SD, SE & confidence intervals

SD describes variability among observations; SE describes sampling uncertainty of an estimator; confidence intervals communicate estimation uncertainty.

🎯

p-values & effect sizes

Interpret p-values together with effect size, confidence intervals, direction, descriptive statistics, and substantive context.

🧭

Reasoned test selection

Begin with the research question, design, grouping, pairing, measurement level, distribution, outliers, and assumptions—not Shapiro–Wilk alone.

How to use the 68–95–99.7 rule

μ ± 1σ ≈ 68%μ ± 2σ ≈ 95%μ ± 3σ ≈ 99.7%

This is an approximate property of a normal distribution, not a standalone normality test. Use it for conceptual learning rather than as a replacement for graphical diagnostics and study-specific judgment.

📝 คู่มือและรายงาน

รวมวิธีใช้ วิธีอ่านผล และแนวทางนำผลไปเรียบเรียงเป็นรายงานวิจัย

🧩

คู่มือการใช้ระบบ

ลำดับตั้งแต่เตรียมข้อมูล เลือกสถิติ ตรวจ assumptions วิเคราะห์ และดาวน์โหลดรายงาน

📖

วิธีอ่านผล

ความหมายของ M, SD, Mdn, IQR, t, U, W, p, CI และ Effect Size พร้อมข้อควรระวัง

📄

Research Word Report

รายงาน Word ของ STAT LAB เป็นร่างประกอบการเขียนผลการวิจัย ผู้วิจัยต้องตรวจรูปแบบตาราง ตัวเลข การอ้างอิง และความสอดคล้องกับแบบแผนก่อนส่งจริง

🧪

Practice / Simulation Mode

สร้างข้อมูลจำลองเพื่อฝึกอ่านผลได้ แต่ระบบจะติดป้ายเตือนและ Word จะระบุชัดว่าไม่ใช่ข้อมูลวิจัยจริง

📝 Guide & Reports

Instructions for using STAT LAB, interpreting output, and preparing research-style reports.

🧩

User guide

From data preparation and test selection to assumptions, analysis, and report export.

📖

Interpret results

Definitions and cautions for M, SD, Mdn, IQR, t, U, W, p, confidence intervals, and effect sizes.

📄

Research Word Report

STAT LAB exports a research-oriented draft. Researchers should still verify tables, numerical values, citations, design alignment, and institutional formatting requirements.

🧪

Practice / Simulation Mode

Generate synthetic data for learning. Simulation output is visibly marked and must not be presented as real research evidence.

ℹ️ เกี่ยวกับ STAT LAB

ข้อมูลระบบ ผู้พัฒนา การอ้างอิง ความเป็นส่วนตัว สถิติการใช้งาน และการตรวจสอบแกนคำนวณภายใน

👨‍💻

ผู้พัฒนาระบบ

แนวคิด A-NAN Research Flow ประวัติผู้พัฒนา และช่องทางข้อเสนอแนะ

📚

อ้างอิงทางวิชาการ

แหล่งอ้างอิงที่ใช้ประกอบสูตร ข้อตกลง การตีความ E1/E2 และ PAOR

🔒

Privacy & System Information

หลักการประมวลผลข้อมูล ความเป็นส่วนตัว ข้อจำกัด และสถานะลิขสิทธิ์ของระบบ

📊

สถิติการใช้งาน

ดูจำนวนการเข้าชมและจำนวนครั้งที่วิเคราะห์แบบ aggregate โดยไม่ใช้เป็นจำนวนผู้ใช้แบบไม่ซ้ำ

INTERNAL REGRESSION CHECK

ตรวจสอบแกนคำนวณของเบราว์เซอร์นี้

ตรวจค่าตัวอย่างอ้างอิงของ Descriptive, One-Sample t, Student/Welch t, Brown–Forsythe, Paired t, Wilcoxon, Mann–Whitney และ Shapiro–Wilk เพื่อค้นหาความผิดปกติหลังการอัปเดตโค้ด ผลนี้เป็น internal self-check ไม่ใช่การรับรองจากหน่วยงานภายนอก

ยังไม่ได้ตรวจสอบใน session นี้

ℹ️ About STAT LAB

Developer information, references, privacy, usage statistics, and an internal numerical regression check.

👨‍💻

Developer

A-NAN Research Flow, developer background, and feedback channel.

📚

Academic references

References supporting statistical formulas, assumptions, E1/E2, and PAOR guidance.

🔒

Privacy & system information

Local data processing, limitations, privacy information, and copyright status.

📊

Usage statistics

Aggregate visit and analysis counts; these are not unique-user counts.

INTERNAL REGRESSION CHECK

Check the numerical core in this browser

Runs reference cases for descriptive statistics, t tests, Brown–Forsythe, Wilcoxon, Mann–Whitney, and Shapiro–Wilk. This is an internal self-check, not external certification.

Not checked in this session.

📘 คู่มือการใช้ STAT LAB

ทำตามขั้นตอนต่อไปนี้เพื่อใช้งานเครื่องมืออย่างเป็นระบบ และตรวจสอบความเหมาะสมของการวิเคราะห์ก่อนนำผลไปใช้รายงาน

1️⃣ วิธีกรอกข้อมูล

คั่นคะแนนด้วยจุลภาค เว้นวรรค หรือขึ้นบรรทัดใหม่ก็ได้ เช่น

15, 18, 20, 17, 16

ข้อมูลแบบจับคู่ เช่น ก่อนเรียน–หลังเรียน ต้องเรียงคะแนนของบุคคลเดียวกันไว้ในตำแหน่งเดียวกันทุกคู่

2️⃣ การตรวจสอบข้อมูล

ระบบจะแจ้งเตือนเมื่อพบข้อมูลว่าง ค่าที่ไม่ใช่ตัวเลข จำนวนคู่ก่อน–หลังไม่เท่ากัน หรือข้อมูลไม่มีความแปรปรวน (SD = 0) โดยไม่ลบข้อมูลผิดปกติอย่างเงียบ ๆ

ผู้ใช้ยังต้องตรวจสอบ ค่าที่ขาดหาย (missing data) ความถูกต้องของการจับคู่ และความสมเหตุสมผลของช่วงคะแนนจากแหล่งข้อมูลต้นฉบับด้วยตนเอง

3️⃣ วิธีเลือกสถิติ

พิจารณาร่วมกันจาก วัตถุประสงค์/สมมติฐานการวิจัย รูปแบบการวิจัย จำนวนกลุ่ม ความเป็นอิสระหรือการจับคู่ ระดับการวัด ลักษณะการแจกแจง และค่าผิดปกติ ไม่ควรเลือกสถิติจากค่า Shapiro-Wilk เพียงค่าเดียว

หากไม่แน่ใจ ให้ใช้เมนู “เลือกสถิติ” เป็นตัวช่วยเริ่มต้น แล้วตรวจสอบเหตุผลอีกครั้งก่อนรายงานผล

🔔 เข้าใจ Normality และ “โค้งระฆังคว่ำ” ก่อนเลือกสถิติ

ตามทรงศักดิ์ ภูสีอ่อน (2561) สถิติพาราเมตริกหลายชนิดมีข้อตกลงเบื้องต้นเกี่ยวกับการแจกแจงแบบปกติ และการตรวจสอบเป็นหน้าที่ของผู้วิจัย รูปร่างการแจกแจงปกติมีลักษณะคล้าย ระฆังคว่ำแบบสมมาตร โดย Histogram สามารถใช้ดูแนวโน้มของรูปทรงข้อมูลร่วมกับการทดสอบทางสถิติได้

STAT LAB จึงไม่ตัดสินจาก จำนวนกลุ่มตัวอย่าง (n) เพียงค่าเดียว แต่พิจารณาร่วมกันจาก รูปแบบการวิจัย ระดับการวัด จำนวนกลุ่ม/การจับคู่ Histogram + Normal Curve, Q-Q Plot, Shapiro-Wilk, ค่าผิดปกติ และความแปรปรวน สำหรับ Paired t-test หนังสือระบุเพิ่มเติมว่า Normality ของคะแนนความต่างเป็นข้อตกลงสำคัญ และข้อนี้ไม่เคร่งครัดนักเมื่อ n > 30 (โดยอ้าง Coakes & Steed, 2001) อย่างไรก็ตามระบบยังแสดง diagnostics เพื่อให้ผู้วิจัยพิจารณาหลักฐานร่วมกัน

ทางเลือกเมื่อข้อตกลงไม่เหมาะสม: ทรงศักดิ์ ภูสีอ่อน (2561, บทที่ 10) จับคู่ Independent t-test กับ Mann-Whitney U, Dependent/Paired t-test กับ Wilcoxon Signed-Rank, One-way ANOVA กับ Kruskal-Wallis และ Repeated-Measures ANOVA กับ Friedman; แนวคิดสถิติไม่อิงพารามิเตอร์ยังสอดคล้องกับ ประเสริฐ เรือนนะการ (2559)

4️⃣ วิธีวิเคราะห์และตรวจ Assumptions

กด “วิเคราะห์ผล” ระบบจะแสดง diagnostics ที่เกี่ยวข้องกับสถิตินั้น เช่น Shapiro-Wilk, ค่าผิดปกติ และ Levene/Brown–Forsythe สำหรับสองกลุ่มอิสระ

Assumptions ไม่เหมือนกันทุกสถิติ และบางข้อ เช่น ความเป็นอิสระของข้อมูลหรือความถูกต้องของการจับคู่ ระบบไม่สามารถตรวจจากตัวเลขเพียงอย่างเดียว ผู้วิจัยต้องยืนยันจากวิธีเก็บข้อมูล

5️⃣ วิธีอ่านผล

พิจารณา p-value, 95% CI, Effect Size, ทิศทางของผล และบริบทของการวิจัย ร่วมกัน ไม่ควรตัดสินข้อค้นพบจาก p-value เพียงค่าเดียว

สำหรับสถิติไม่อิงพารามิเตอร์ ควรอ่าน Median/IQR, Mean Rank, Sum of Ranks และ Rank-Biserial Correlation ตามชนิดของการทดสอบด้วย

6️⃣ วิธีนำผลไปเขียนบทที่ 4

แต่ละการวิเคราะห์มี “สรุปผลสำหรับบทที่ 4” และ “คำแนะนำเชิงระเบียบวิธีวิจัย” แยกกัน ข้อความสำหรับบทที่ 4 เป็น ร่างการรายงานผล ผู้ใช้ต้องตรวจให้สอดคล้องกับวัตถุประสงค์ สมมติฐาน ชื่อตัวแปร และรูปแบบของสถาบันก่อนนำไปใช้ สำหรับการวิเคราะห์ที่ใช้ค่าเฉลี่ย ระบบรายงานในรูป M = ค่าเฉลี่ย, SD = ส่วนเบี่ยงเบนมาตรฐาน อย่างสม่ำเสมอ ส่วนสถิติไม่อิงพารามิเตอร์จะใช้ Mdn/IQR หรือสถิติอันดับตามหลักของการทดสอบนั้น

7️⃣ วิธีดาวน์โหลด Word

กด “ดาวน์โหลดผลเป็นไฟล์ Word” ระบบจะสร้างไฟล์ .doc แบบ Word-compatible HTML ที่จัดเรียงในรูปแบบร่างรายงานวิจัย ได้แก่ วัตถุประสงค์ วิธีวิเคราะห์ ข้อตกลง ผลการวิเคราะห์ ตาราง การทดสอบสมมติฐาน และข้อความสรุปสำหรับบทที่ 4 โดยผู้วิจัยควรตรวจชื่อของตัวแปร สมมติฐาน หมายเลขตาราง และรูปแบบตามข้อกำหนดของสถาบันก่อนนำไปใช้

8️⃣ ข้อควรระวังในการตีความ

ผลทางสถิติไม่สามารถทดแทนคุณภาพของแบบแผนการวิจัย การสุ่มตัวอย่าง เครื่องมือวัด หรือการควบคุมตัวแปรแทรกซ้อนได้ ตัวอย่างเช่น One-Group Pretest–Posttest แสดงการเปลี่ยนแปลงตามเวลา แต่ไม่สามารถยืนยันเหตุ–ผลได้โดยลำพัง

9️⃣ การใช้ E1/E2 — เตรียมคะแนนอย่างไรจึงถูกต้อง

หลักสำคัญ: E1 ใช้คะแนนที่เกิดจากกิจกรรมระหว่างกระบวนการเรียนรู้ที่กำหนดไว้ เช่น ใบงาน แบบฝึก กิจกรรม หรือแบบทดสอบย่อย เมื่อนำคะแนนเหล่านี้มารวมกัน จะได้ “คะแนนระหว่างเรียนรวมของผู้เรียนแต่ละคน” แล้วจึงใช้คะแนนรวมดังกล่าวคำนวณ E1 ส่วน E2 ใช้คะแนนหลังเรียนเมื่อสิ้นสุดกระบวนการเรียนรู้

ลำดับที่ถูกต้อง: คะแนนเก็บกิจกรรม 1 + กิจกรรม 2 + ... + กิจกรรมสุดท้าย → คะแนนระหว่างเรียนรวมต่อคน → E1 | คะแนนหลังเรียน → E2

ตัวอย่าง: หากมีกิจกรรม 5 ครั้ง ครั้งละ 10 คะแนน คะแนนเต็มระหว่างเรียนรวมเท่ากับ 50 คะแนน ผู้เรียนคนที่ 1 ได้ 8, 7, 9, 8, 9 คะแนน จึงมีคะแนนระหว่างเรียนรวม 41/50 คะแนน; ผู้เรียนคนที่ 2 ได้ 7, 8, 8, 9, 8 คะแนน จึงรวมเป็น 40/50 คะแนน เป็นต้น

STAT LAB มี 2 วิธีกรอก E1: (1) หากรวมคะแนนมาแล้ว ให้กรอกคะแนนรวมของผู้เรียนแต่ละคน เช่น 41, 40, ... และกรอกคะแนนเต็มรวม 50 หรือ (2) หากยังไม่ได้รวม ให้เลือก “กรอกแยกแต่ละกิจกรรม” กรอกคะแนนเต็มของแต่ละกิจกรรม และกรอกคะแนนผู้เรียน 1 คนต่อ 1 บรรทัด ระบบจะรวมคะแนนให้โดยอัตโนมัติ

ข้อควรตรวจสอบ: กิจกรรมที่จะนำมาคิด E1 ควรกำหนดไว้เป็นส่วนหนึ่งของกระบวนการเรียนรู้ตามแผน ไม่ควรเลือกเฉพาะกิจกรรมบางครั้งภายหลังจากเห็นคะแนน และจำนวนผู้เรียนของ E1 กับ E2 ควรเป็นผู้เรียนชุดเดียวกันตามรูปแบบการประเมินที่กำหนด

E1 ไม่ใช่ Pre-test และ E1/E2 ไม่ใช่การทดสอบความแตกต่างก่อน–หลัง หากต้องการตอบว่าหลังเรียนแตกต่างหรือสูงกว่าก่อนเรียนหรือไม่ ให้ใช้ Paired-Samples t-test หรือ Wilcoxon ตามความเหมาะสม

🔟 การใช้ PAOR — กรอกอย่างไรและอ่านผลอย่างไร

PAOR ใช้สรุปงานวิจัยเชิงปฏิบัติการเป็นวงรอบ: P = Plan วางแผน, A = Act ปฏิบัติ, O = Observe สังเกต/เก็บข้อมูล และ R = Reflect สะท้อนผล โดยผลสะท้อนของวงรอบหนึ่งควรนำไปใช้ปรับแผนของวงรอบถัดไป

ข้อมูลเชิงปริมาณ: กรอกคะแนนของผู้เรียนในแต่ละวงรอบ ระบบจะคำนวณ n, M, SD, ร้อยละเฉลี่ย, จำนวนและร้อยละผู้ผ่านเกณฑ์ พร้อมแสดงแนวโน้มข้ามวงรอบ

ข้อมูลเชิงคุณภาพ: ในแต่ละวงรอบให้บันทึก 1) ปัญหา/แผน 2) สิ่งที่ปฏิบัติ 3) สิ่งที่สังเกตและหลักฐาน 4) สิ่งที่ได้ผล 5) ปัญหา/สาเหตุ และ 6) สิ่งที่จะปรับในวงรอบถัดไป ระบบจะจัดเรียงเป็น P–A–O–R และสร้างร่างข้อความสำหรับบทที่ 4

สำคัญ: ไม่ควรรายงานเฉพาะคะแนนวงรอบ 1–2–3 แต่ต้องแสดงความเชื่อมโยง R₁ → P₂ และ R₂ → P₃ เพื่อให้เห็นกระบวนการปรับปรุงอย่างต่อเนื่อง และไม่ควรอ้างเหตุ–ผลจากแนวโน้มคะแนนเพียงอย่างเดียว

📘 STAT LAB User Guide

Follow these steps to use the application systematically and to evaluate the suitability of each analysis before reporting the results.

1️⃣ Enter the data

Enter scores separated by commas, spaces, or line breaks. For paired data (e.g., pretest–posttest), values in the same position must belong to the same participant.

2️⃣ Validate the data

STAT LAB checks for empty input, nonnumeric values, unequal numbers of paired observations, and zero variance. Researchers must also verify missing data, pairing accuracy, score ranges, and source-data integrity.

3️⃣ Select an appropriate statistical procedure

Base the choice on the research objective and hypothesis, study design, number of groups, independent versus paired observations, level of measurement, distributional characteristics, outliers, and test-specific assumptions. Do not select a procedure solely from the Shapiro–Wilk p-value.

🔔 Normality and the bell-shaped distribution

Based on Songsak Phusee-orn's discussion of preliminary data analysis and mean-comparison procedures, the suitability of a parametric analysis depends on the research design, measurement scale, grouping/paired structure, distributional form, outliers, and test-specific assumptions. A normal distribution is described visually as approximately symmetric and bell-shaped; a histogram with a normal curve can support this assessment.

STAT LAB therefore does not use sample size alone as a switch between parametric and nonparametric procedures. The advisor combines design information with Histogram + Normal Curve, Q-Q Plot, Shapiro-Wilk, outlier screening, and variance diagnostics. For paired designs, the difference score is especially important.

4️⃣ Run the analysis and review assumptions

Click Analyze. The system displays diagnostics relevant to the selected procedure, such as Shapiro–Wilk, potential outliers, and Levene/Brown–Forsythe for independent groups. Some assumptions—especially independence and correct pairing—must be justified from the study design rather than from the numeric data alone.

5️⃣ Interpret the results

Interpret the p-value together with the confidence interval, effect size, direction of the effect, descriptive statistics, and the substantive context. For nonparametric procedures, also consider the median, IQR, mean ranks, rank sums, and rank-biserial effect size as appropriate.

6️⃣ Report the findings

Each analysis includes a Suggested report for Chapter 4 / Results and a separate Methodological note. The generated text is a reporting draft and must be checked against the research question, hypothesis, variable names, and institutional or journal reporting requirements. Mean-based analyses report M = mean and SD = standard deviation consistently; nonparametric summaries retain Mdn/IQR or rank-based statistics as appropriate to the procedure.

7️⃣ Export to Microsoft Word

The current export is a Word-compatible .doc file. Before submission, verify table numbering, typography, statistical symbols, and the formatting requirements of your institution or target journal.

8️⃣ Interpret within the research design

Statistical significance cannot compensate for limitations in research design, sampling, measurement quality, or control of confounding variables. For example, a one-group pretest–posttest design can demonstrate change over time but, by itself, cannot establish a causal treatment effect.

9️⃣ Using E1/E2 — How to prepare process scores correctly

Core principle: E1 is based on scores earned from the instructional-process activities specified in the learning plan, such as worksheets, exercises, learning tasks, or quizzes. These activity scores are summed for each learner to obtain that learner’s total process score, which is then used to calculate E1. E2 is based on the post-instruction score collected at the end of the learning process.

Correct sequence: Activity 1 + Activity 2 + ... + final process activity → total process score per learner → E1 | post-instruction score → E2

Example: If there are five activities worth 10 points each, the maximum total process score is 50. A learner scoring 8, 7, 9, 8, and 9 has a total process score of 41/50.

STAT LAB provides two E1 input methods: (1) if process scores have already been summed, enter each learner’s total (e.g., 41, 40, ...) and the combined maximum (50); or (2) choose the separate-activities option, enter each activity maximum and one learner per row, and STAT LAB will sum the scores automatically.

Important: Activities included in E1 should be defined as part of the instructional process in advance rather than selected after examining the scores. E1 is not the pretest, and E1/E2 is not a pretest–posttest significance test.

🔟 Using PAOR — data entry and interpretation

PAOR structures classroom action research as iterative cycles: Plan, Act, Observe, Reflect. Reflection from one cycle should inform revision of the next cycle.

Quantitative evidence: enter learner scores for each cycle. STAT LAB reports n, mean, SD, mean percentage, number/percentage meeting the individual criterion, and cross-cycle trends.

Qualitative evidence: record the plan/problem, action taken, observations/evidence, what worked, problems/causes, and the next-cycle adjustment. STAT LAB organizes these notes into a PAOR narrative for the Results section.

Important: do not report only Cycle 1–2–3 scores. The report should show how reflection informed subsequent planning (e.g., R₁ → P₂). The program structures researcher-entered qualitative notes; it does not replace formal qualitative content analysis or researcher interpretation.

📖 วิธีอ่านผลสถิติ

ความหมายของค่าต่าง ๆ ที่ปรากฏในผลการวิเคราะห์ แบ่งตามหน้าที่ของสถิติ

🔢 1. สถิติเชิงพรรณนา

n / N

จำนวนหน่วยตัวอย่างหรือจำนวนข้อมูลที่ใช้วิเคราะห์ โดยข้อมูลแบบจับคู่ n หมายถึงจำนวนคู่ข้อมูลที่สมบูรณ์

Mean (M)

ค่าเฉลี่ยเลขคณิตของข้อมูล ใช้บอกแนวโน้มเข้าสู่ส่วนกลางเมื่อการตีความค่าเฉลี่ยเหมาะสมกับระดับการวัดและลักษณะข้อมูล

Median (Mdn)

ค่ากึ่งกลางของข้อมูลเมื่อเรียงลำดับ มีความทนทานต่อค่าผิดปกติมากกว่าค่าเฉลี่ย และมักรายงานคู่กับ IQR

SD

ส่วนเบี่ยงเบนมาตรฐาน แสดงการกระจายของข้อมูลรอบค่าเฉลี่ย ค่า SD มากหมายถึงข้อมูลกระจายมากขึ้น

SE

ความคลาดเคลื่อนมาตรฐานของค่าเฉลี่ย (Standard Error of the Mean) สะท้อน sampling variability และความแม่นยำของค่าเฉลี่ยตัวอย่างในการประมาณค่าเฉลี่ยประชากร โดยทั่วไป SE จะลดลงเมื่อขนาดตัวอย่างเพิ่มขึ้น

Q1 / Q3 / IQR

Q1 และ Q3 คือควอไทล์ที่ 1 และ 3 ส่วน IQR = Q3 − Q1 แสดงการกระจายของข้อมูลส่วนกลาง 50% ระบบใช้ linear interpolation แบบ (n−1)q ซึ่งเทียบเคียง R type 7 / Excel PERCENTILE.INC

⚙️ ประสิทธิภาพนวัตกรรม E1/E2

E1 — ประสิทธิภาพของกระบวนการ

ร้อยละของคะแนนเฉลี่ยที่ผู้เรียนทำได้ระหว่างกระบวนการเรียนรู้ เทียบกับคะแนนเต็มของกิจกรรมระหว่างเรียนทั้งหมดที่กำหนดไว้สำหรับการประเมินประสิทธิภาพ

E2 — ประสิทธิภาพของผลลัพธ์

ร้อยละของคะแนนเฉลี่ยหลังสิ้นสุดกระบวนการเรียนรู้ เทียบกับคะแนนเต็มของการประเมินหลังเรียน โดย E2 ไม่ใช่การทดสอบนัยสำคัญทางสถิติ

เกณฑ์ E1/E2 เช่น 80/80

เกณฑ์เป้าหมายที่ผู้วิจัยกำหนดไว้ล่วงหน้าเพื่อประเมินประสิทธิภาพของสื่อหรือชุดการสอน ตัวเลขตัวแรกเป็นเกณฑ์ E1 และตัวที่สองเป็นเกณฑ์ E2

🔄 วิจัยเชิงปฏิบัติการ PAOR

P — Plan

กำหนดปัญหา เป้าหมาย และแผนการเปลี่ยนแปลงหรือการแก้ปัญหาที่จะนำไปใช้ในวงรอบนั้น

A — Act

นำแผนไปปฏิบัติจริงในบริบทชั้นเรียน พร้อมบันทึกสิ่งที่ดำเนินการและการเปลี่ยนแปลงจากแผนเดิม

O — Observe

เก็บและพิจารณาหลักฐานที่เกิดขึ้น ทั้งคะแนน พฤติกรรม การสังเกต บันทึกหลังสอน ความคิดเห็น และหลักฐานอื่นที่เกี่ยวข้อง

R — Reflect

สังเคราะห์สิ่งที่ได้ผล สิ่งที่ยังเป็นปัญหา สาเหตุ และข้อเรียนรู้ เพื่อนำไปปรับแผนของวงรอบถัดไป

ร้อยละผู้ผ่านเกณฑ์

จำนวนผู้เรียนที่มีคะแนนถึงเกณฑ์รายบุคคล ÷ จำนวนผู้เรียนที่มีข้อมูลในวงรอบนั้น × 100 ใช้ร่วมกับค่าเฉลี่ยและหลักฐานเชิงคุณภาพเพื่ออธิบายพัฒนาการ

🧪 2. สถิติอนุมานและการทดสอบสมมติฐาน

Mean Difference

ผลต่างระหว่างค่าเฉลี่ยที่นำมาเปรียบเทียบ เครื่องหมายบวก/ลบแสดงทิศทางตามลำดับการลบ เช่น หลัง − ก่อน หรือ กลุ่มที่ 1 − กลุ่มที่ 2

t

ค่าสถิติทดสอบที่เปรียบเทียบขนาดของผลต่างกับความคลาดเคลื่อนมาตรฐาน ค่า |t| ที่มากขึ้นหมายถึงผลต่างมีขนาดมากเมื่อเทียบกับความไม่แน่นอนของการประมาณ ส่วนเครื่องหมายบวก/ลบแสดงทิศทาง

df

องศาอิสระ (degrees of freedom) เป็นค่าที่เกี่ยวข้องกับจำนวนข้อมูลและข้อจำกัดในการประมาณ ใช้กำหนดการแจกแจงอ้างอิงของสถิติ โดยสูตรแตกต่างกันตามชนิดการทดสอบ และ Welch's t-test อาจให้ df เป็นทศนิยม

p-value

ความน่าจะเป็นที่จะได้ค่าสถิติทดสอบที่เท่ากับหรือสุดโต่งกว่าที่สังเกตได้ ภายใต้สมมติว่า H₀ และแบบจำลองทางสถิติที่ใช้เป็นจริง ค่า p ไม่ใช่ความน่าจะเป็นที่ H₀ เป็นจริง และไม่ใช่ความน่าจะเป็นที่ผล “เกิดจากความบังเอิญ”

95% CI

ช่วงความเชื่อมั่นสะท้อนความไม่แน่นอนของค่าประมาณ ในการสุ่มตัวอย่างซ้ำและสร้างช่วงด้วยวิธีเดียวกัน ประมาณ 95% ของช่วงดังกล่าวจะครอบคลุมค่าพารามิเตอร์จริง ควรอ่านป้ายกำกับว่าเป็น CI ของค่าเฉลี่ยหรือ CI ของผลต่าง

📏 3. ขนาดอิทธิพล

Cohen's d

ขนาดอิทธิพลที่แสดงผลต่างของค่าเฉลี่ยในหน่วยส่วนเบี่ยงเบนมาตรฐาน ใช้กับ One-Sample หรือ Independent-Samples ตามสูตรที่เหมาะสม เครื่องหมายแสดงทิศทาง ส่วนระดับ small/medium/large เป็นเพียงเกณฑ์อ้างอิงทั่วไปและควรตีความร่วมกับบริบท

Cohen's d_z

ขนาดอิทธิพลสำหรับข้อมูลจับคู่ คำนวณจากค่าเฉลี่ยของผลต่างหารด้วย SD ของผลต่าง (หรือ t/√n) จึงต้องระบุว่าเป็น d_z และไม่ควรสับสนกับ Cohen's d ของกลุ่มอิสระ

Rank-Biserial Correlation (r_rb)

ขนาดอิทธิพลสำหรับข้อมูลอันดับ ใช้กับ Wilcoxon และ Mann–Whitney ในระบบนี้ ค่าอยู่ระหว่าง −1 ถึง +1 โดยเครื่องหมายแสดงทิศทางตามลำดับการเปรียบเทียบ และค่าสัมบูรณ์ที่มากแสดงการแยก/ทิศทางของอันดับที่เด่นชัดขึ้น

🔍 4. การตรวจสอบข้อตกลงเบื้องต้น

Shapiro-Wilk (W, p)

ใช้ตรวจว่ามีหลักฐานว่าการแจกแจงแตกต่างจากปกติหรือไม่ หาก p < .05 แสดงว่ามีหลักฐานการเบี่ยงเบนจากปกติอย่างมีนัยสำคัญ แต่ ไม่ควรใช้ผลนี้เพียงอย่างเดียว ในการตัดสินเลือก Parametric หรือ Nonparametric ต้องพิจารณาขนาดตัวอย่าง รูปร่างการแจกแจง และค่าผิดปกติร่วมด้วย สำหรับ Paired t-test ให้ตรวจผลต่างคะแนน

Levene / Brown–Forsythe Test

ตรวจความเป็นเนื้อเดียวกันของความแปรปรวนระหว่างกลุ่ม ระบบใช้รูปแบบ median-centered (Brown–Forsythe variant) หาก p ≥ .05 หมายถึงยังไม่พบหลักฐานว่าความแปรปรวนแตกต่างกัน ไม่ใช่การพิสูจน์ว่าเท่ากัน และไม่ควรใช้เป็นเกณฑ์เลือก Student/Welch เพียงอย่างเดียว

Outlier (1.5 × IQR)

ค่าที่อยู่นอก Q1 − 1.5×IQR หรือ Q3 + 1.5×IQR ถือเป็น potential outlier ระบบจะแจ้งเตือนแต่ไม่ลบข้อมูลโดยอัตโนมัติ ผู้ใช้ต้องตรวจสอบความถูกต้องและเหตุผลเชิงเนื้อหา

📶 5. สถิติไม่อิงพารามิเตอร์

Mean Rank

ค่าเฉลี่ยของอันดับในแต่ละกลุ่ม ใช้ช่วยอธิบายทิศทางของ Mann–Whitney U โดยกลุ่มที่มี Mean Rank สูงกว่ามีแนวโน้มมีค่าข้อมูลสูงกว่า

Sum of Ranks

ผลรวมอันดับของแต่ละกลุ่มหรือแต่ละทิศทาง เป็นองค์ประกอบสำคัญในการคำนวณ Mann–Whitney U และ Wilcoxon Signed-Rank

Wilcoxon T / W

Wilcoxon Signed-Rank ใช้ทิศทางและอันดับของค่าสัมบูรณ์ของผลต่าง ระบบรายงาน W+ และ W− และกำหนด T = min(W+, W−) พร้อมระบุจำนวนคู่ที่ผลต่างเป็นศูนย์

Mann-Whitney U

ค่าสถิติสำหรับเปรียบเทียบอันดับ/การแจกแจงของข้อมูลระหว่างสองกลุ่มอิสระ ไม่ใช่การทดสอบค่าเฉลี่ยโดยตรง และการตีความเป็นความแตกต่างของมัธยฐานต้องพิจารณารูปร่างการแจกแจงของสองกลุ่มประกอบ

Statistical Significance vs Practical Significance

นัยสำคัญทางสถิติบอกระดับความไม่สอดคล้องระหว่างข้อมูลกับ H₀ ภายใต้แบบจำลองที่ใช้ แต่ไม่ได้บอกว่าผลมีขนาดใหญ่หรือสำคัญทางการศึกษา/เชิงปฏิบัติเพียงใด จึงควรพิจารณา Effect Size, Confidence Interval และบริบทของการวิจัยร่วมกัน

📖 Interpreting Statistical Results

Academic definitions of the statistics and diagnostic quantities reported by STAT LAB.

🔢 1. Descriptive statistics

n / N

The number of observational units included in an analysis. In paired analyses, n denotes the number of complete pairs.

Mean (M)

The arithmetic mean, used to summarize central tendency when the scale of measurement and distribution make a mean substantively meaningful.

Median (Mdn)

The middle ordered value. It is less sensitive to extreme observations than the mean and is commonly reported with the interquartile range.

SD

The standard deviation, which summarizes the dispersion of observations around the mean.

SE

The standard error of the mean. It describes sampling variability and the precision with which a sample mean estimates the corresponding population mean.

Q1 / Q3 / IQR

Q1 and Q3 are the first and third quartiles. IQR = Q3 − Q1 and contains the middle 50% of the ordered data. STAT LAB uses linear interpolation equivalent to R type 7 / Excel PERCENTILE.INC.

⚙️ Instructional efficiency E1/E2

E1 — Process efficiency

The mean process score expressed as a percentage of the maximum total process score specified for the instructional-efficiency evaluation.

E2 — Product/outcome efficiency

The mean post-instruction score expressed as a percentage of the maximum posttest score. E2 is not a statistical significance test.

E1/E2 criterion (e.g., 80/80)

A prespecified target used to evaluate the efficiency of instructional media or an instructional package. The first value is the E1 criterion and the second is the E2 criterion.

🧪 2. Inferential statistics

Mean Difference

The difference between two means. The sign indicates direction according to the subtraction convention used, such as posttest − pretest or Group 1 − Group 2.

t

The Student/Welch t statistic. Its magnitude reflects the observed mean difference relative to its standard error; its sign indicates direction.

df

Degrees of freedom, which determine the reference t distribution. Welch's procedure may produce noninteger degrees of freedom.

p-value

The probability, assuming the null hypothesis and the statistical model are correct, of obtaining a test statistic at least as extreme as the one observed. It is not the probability that the null hypothesis is true and is not the probability that the result was “caused by chance.”

95% CI

A 95% confidence interval quantifies uncertainty in an estimated parameter. Under repeated sampling, approximately 95% of intervals constructed by the same valid procedure would contain the true parameter.

📏 3. Effect sizes

Cohen's d

A standardized mean difference. The sign indicates direction; the magnitude should be interpreted in the substantive context. Conventional small/medium/large benchmarks are heuristic, not universal thresholds.

Cohen's d_z

A standardized effect size for paired observations, computed from the mean of the paired differences divided by the standard deviation of those differences (equivalently, t/√n).

Rank-biserial correlation (r_rb)

An effect-size measure for rank-based analyses. Values range from −1 to +1; the sign follows the stated comparison direction.

🔍 4. Assumption diagnostics

Shapiro–Wilk (W, p)

A test of departure from normality. A statistically significant result indicates evidence that the distribution differs from normality, but it should not be used as the sole rule for choosing between parametric and nonparametric procedures.

Levene / Brown–Forsythe

A test of homogeneity of variance across groups. STAT LAB uses the median-centered Brown–Forsythe variant. A nonsignificant result means there is insufficient evidence of unequal variances; it does not prove that population variances are identical.

Potential outlier (1.5 × IQR)

An observation below Q1 − 1.5×IQR or above Q3 + 1.5×IQR. STAT LAB flags these values but does not remove them automatically.

📊 5. Nonparametric statistics

Mean Rank

The average rank within a group, used to help describe the direction of rank-based group differences.

Sum of Ranks

The total of the assigned ranks for a group or signed direction; it is a core component of Mann–Whitney and Wilcoxon calculations.

Wilcoxon T / W

Statistics based on the signed ranks of paired differences. STAT LAB reports W+, W−, zero differences, and T = min(W+, W−).

Mann–Whitney U

A rank-based statistic for comparing two independent groups. It is not a direct test of arithmetic means; interpretation as a location or median shift requires additional distributional considerations.

Statistical vs practical significance

Statistical significance addresses incompatibility with a null model at a specified threshold; it does not establish that an effect is large, educationally important, or practically meaningful. Effect sizes, confidence intervals, study quality, and context should be considered together.

📖 คู่มืออธิบายสถิติแต่ละตัว

อธิบายอย่างละเอียดด้วยภาษาที่เข้าใจง่าย พร้อมตัวอย่างเปรียบเทียบในชีวิตจริง กดที่หัวข้อเพื่อดูรายละเอียด

🔢 กลุ่มที่ 1: สถิติพื้นฐาน (บอกลักษณะของข้อมูล)

Meanค่าเฉลี่ย (M หรือ X̄)▾

ค่าเฉลี่ยคือการเอาคะแนนของทุกคนมาบวกกันแล้วหารด้วยจำนวนคน เป็นตัวเลขตัวเดียวที่ใช้แทน "ภาพรวม" ของกลุ่มทั้งหมด

🍕 ลองนึกภาพ: ถ้าเพื่อน 5 คนสั่งพิซซ่ามากินด้วยกัน แล้วเอาจำนวนชิ้นที่แต่ละคนกินมาเฉลี่ย ค่าเฉลี่ยก็คือ "ถ้าแบ่งให้เท่ากันทุกคน แต่ละคนจะได้กี่ชิ้น" — ค่าเฉลี่ยของคะแนนสอบก็เหมือนกัน คือ "ถ้าแบ่งคะแนนรวมของทั้งห้องให้เท่ากันทุกคน แต่ละคนจะได้กี่คะแนน"

M = (ผลรวมคะแนนทุกคน) ÷ (จำนวนคน)

💡 ข้อควรระวัง: ค่าเฉลี่ยถูกดึงง่ายมากถ้ามีคนได้คะแนนสูงหรือต่ำผิดปกติ (outlier) เช่น ถ้าเด็ก 9 คนได้ 20 คะแนน แต่มีคนหนึ่งได้ 0 คะแนน ค่าเฉลี่ยจะลดลงทันที ทั้งที่คนส่วนใหญ่ทำได้ดี

Medianมัธยฐาน (ค่ากลาง)▾

มัธยฐานคือคะแนนที่อยู่ "ตรงกลางพอดี" เมื่อเรียงคะแนนทุกคนจากน้อยไปมาก — ครึ่งหนึ่งของคนได้คะแนนน้อยกว่านี้ อีกครึ่งหนึ่งได้มากกว่านี้

🏃 ลองนึกภาพ: เด็ก 9 คนยืนเข้าแถวตามความสูง คนที่ยืนอยู่ตรงกลางแถวพอดี (คนที่ 5) คือค่ามัธยฐาน — ไม่ว่าคนที่สูงที่สุดจะสูงแค่ไหน หรือคนเตี้ยที่สุดจะเตี้ยแค่ไหน ก็ไม่ทำให้ตำแหน่งตรงกลางเปลี่ยน

💡 เมื่อไรควรใช้แทนค่าเฉลี่ย: เมื่อข้อมูลมีค่าผิดปกติเยอะ หรือคะแนนกระจายไม่สมมาตร มัธยฐานจะให้ภาพที่ตรงกับความเป็นจริงมากกว่าค่าเฉลี่ย

SDส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation)▾

SD บอกว่า คะแนนของแต่ละคนห่างจากค่าเฉลี่ยโดยเฉลี่ยแล้วประมาณเท่าไร ถ้า SD น้อย แปลว่าคะแนนของทุกคนใกล้เคียงกันมาก ถ้า SD มาก แปลว่าคะแนนกระจายตัวกว้าง บางคนเก่งมาก บางคนอ่อนมาก

🎯 ลองนึกภาพ: นักกีฬายิงธนู 2 คน ยิงได้คะแนนเฉลี่ยเท่ากันคือ 8 คะแนน แต่คนแรกยิงเข้าใกล้เคียงตำแหน่ง 8 ทุกครั้ง (SD ต่ำ = แม่นยำสม่ำเสมอ) ส่วนคนที่สองบางครั้งได้ 10 บางครั้งได้ 6 (SD สูง = ผลงานไม่แน่นอน) แม้ค่าเฉลี่ยจะเท่ากัน แต่ SD บอกเรื่องราวที่ต่างกันมาก

💡 ทำไมสำคัญ: ห้องเรียนสองห้องอาจมีคะแนนเฉลี่ยเท่ากัน แต่ห้องหนึ่งเด็กเก่ง-อ่อนกระจายกันมาก (SD สูง) อีกห้องเด็กทำคะแนนใกล้เคียงกันหมด (SD ต่ำ) ซึ่งต้องการวิธีสอนที่ต่างกัน

SEความคลาดเคลื่อนมาตรฐาน (Standard Error)▾

SE บอกว่า ถ้าเราสุ่มกลุ่มตัวอย่างใหม่ซ้ำ ๆ ค่าเฉลี่ยที่ได้แต่ละครั้งจะแกว่งไปมาแค่ไหน — ไม่ใช่การกระจายของคะแนนแต่ละคน (นั่นคือ SD) แต่เป็นความแม่นยำของ "ค่าเฉลี่ย" ที่เราคำนวณได้

👥 ลองนึกภาพ: โรงเรียนมีนักเรียนจำนวนมาก ถ้าเราสุ่มนักเรียนครั้งละ 30 คนหลาย ๆ ครั้ง ค่าเฉลี่ยของแต่ละกลุ่มจะไม่เท่ากันทั้งหมด การกระจายของ “ค่าเฉลี่ยจากการสุ่มซ้ำ” คือแนวคิดของ SE — เมื่อขนาดกลุ่มตัวอย่างมากขึ้น ค่าเฉลี่ยจากแต่ละกลุ่มมักแกว่งน้อยลง

💡 ความสัมพันธ์: SE = SD ÷ √n ดังนั้นกลุ่มตัวอย่างที่ใหญ่ขึ้นจะทำให้ SE เล็กลงเสมอ แม้ SD จะเท่าเดิม

IQRพิสัยระหว่างควอร์ไทล์ และค่าผิดปกติ (Outlier)▾

ถ้าเรียงคะแนนทุกคนจากน้อยไปมากแล้วแบ่งเป็น 4 ส่วนเท่า ๆ กัน IQR คือช่วงคะแนนของ "กลุ่มกลาง 2 ส่วน" (ไม่รวม 25% ที่ต่ำสุด และ 25% ที่สูงสุด) ใช้บอกการกระจายของข้อมูลที่ไม่ถูกรบกวนจากค่าผิดปกติ

📏 ลองนึกภาพ: เข้าแถวตามคะแนน 100 คน แบ่งเป็น 4 กลุ่มเท่า ๆ กัน (กลุ่มละ 25 คน) IQR คือช่วงคะแนนของคน 50 คนตรงกลาง — ถ้ามีใครสักคนได้คะแนนต่ำหรือสูงผิดปกติมาก ๆ ระบบจะเตือนว่านี่อาจเป็น "ค่าผิดปกติ (outlier)" ที่ควรตรวจสอบก่อนเชื่อผลการวิเคราะห์

💡 ทำไมสำคัญ: ค่าผิดปกติ (เช่น กรอกคะแนนผิด หรือมีเด็กที่ไม่ได้ตั้งใจทำข้อสอบ) อาจทำให้ค่าเฉลี่ยและผล t-test ผิดเพี้ยนได้มาก ระบบจะแจ้งเตือนแต่ไม่ลบให้อัตโนมัติ เพราะต้องให้ผู้วิจัยตรวจสอบเองว่าค่านั้นถูกต้องหรือไม่

⚙️ ประสิทธิภาพนวัตกรรม E1/E2

E1/E2E1/E2 คืออะไร และกรอกคะแนนอย่างไร▾

E1 คือประสิทธิภาพของกระบวนการ ใช้คะแนนที่เกิดขึ้น ระหว่างเรียน เช่น ใบงาน แบบฝึก กิจกรรม หรือแบบทดสอบย่อยที่กำหนดไว้ โดยตามการใช้งานทั่วไปต้อง รวมคะแนนระหว่างเรียนทุกกิจกรรมของผู้เรียนแต่ละคนก่อน แล้วนำคะแนนรวมต่อคนไปคำนวณ E1 ส่วน E2 คือประสิทธิภาพของผลลัพธ์ ใช้คะแนน หลังเรียน เมื่อสิ้นสุดกระบวนการเรียนรู้

🛣️ ลองนึกภาพ: E1 เปรียบเหมือนดูว่า “ระหว่างเดินทางผู้เรียนทำได้ดีเพียงใด” ส่วน E2 คือดูว่า “เมื่อถึงปลายทางแล้วผู้เรียนทำได้ดีเพียงใด” ดังนั้น E1 ไม่ใช่ Pre-test

E1 = (คะแนนเฉลี่ยระหว่างเรียน ÷ คะแนนเต็มระหว่างเรียน) × 100
E2 = (คะแนนเฉลี่ยหลังเรียน ÷ คะแนนเต็มหลังเรียน) × 100

💡 ตัวอย่างการเตรียม E1: มีกิจกรรม 5 ครั้ง ครั้งละ 10 คะแนน ผู้เรียนคนหนึ่งได้ 8, 7, 9, 8, 9 จึงรวมเป็น 41/50 คะแนน เมื่อทำเช่นนี้กับผู้เรียนทุกคนแล้วจึงหาค่าเฉลี่ยคะแนนรวมระหว่างเรียน หากค่าเฉลี่ยเท่ากับ 42.50 จาก 50 คะแนน จะได้ E1 = 85.00 ส่วนคะแนนหลังเรียนเฉลี่ย 17.50 จาก 20 คะแนน จะได้ E2 = 87.50 ดังนั้น E1/E2 = 85.00/87.50

⚠️ ข้อควรระวัง: E1/E2 เป็นเกณฑ์ประเมินประสิทธิภาพ ไม่ได้ตอบว่าคะแนนก่อนและหลังแตกต่างกันอย่างมีนัยสำคัญหรือไม่ หากต้องการตอบคำถามนั้นต้องใช้ Paired-Samples t-test หรือ Wilcoxon ตามความเหมาะสม

🧪 กลุ่มที่ 2: การทดสอบสมมติฐาน (t-test แต่ละแบบ)

แนวคิดt-test คืออะไร ทำไมต้องมี▾

t-test เป็นเครื่องมือสำหรับประเมินว่า ผลต่างที่สังเกตได้มีขนาดมากเพียงใดเมื่อเทียบกับความไม่แน่นอนจากการสุ่มตัวอย่าง ภายใต้สมมติฐานศูนย์ (H₀) และแบบจำลองที่กำหนด

🪙 ลองนึกภาพ: โยนเหรียญ 10 ครั้งได้หัว 6 ครั้ง ก้อย 4 ครั้ง — นี่ไม่ได้แปลว่าเหรียญไม่เที่ยงตรง เพราะแค่สุ่มมาแบบนี้ก็เกิดขึ้นได้บ่อย ๆ แต่ถ้าโยน 1,000 ครั้งได้หัว 600 ครั้ง แบบนี้เริ่มน่าสงสัยว่าเหรียญอาจไม่เที่ยงตรงจริง ๆ — t-test ก็ทำหน้าที่คล้ายกัน คือช่วยบอกว่าผลต่างที่เห็นนั้น "น่าเชื่อถือ" แค่ไหน โดยพิจารณาทั้งขนาดของผลต่างและขนาดกลุ่มตัวอย่างไปพร้อมกัน

02One-Sample t-test (เทียบกับเกณฑ์)▾

ใช้เมื่อต้องการเปรียบเทียบคะแนนเฉลี่ยของกลุ่มเดียวกับตัวเลขคงที่ตัวหนึ่ง (ไม่ใช่อีกกลุ่ม) เช่น เกณฑ์ผ่านของโรงเรียน หรือคะแนนมาตรฐานระดับประเทศ

📏 ลองนึกภาพ: โรงเรียนกำหนดเกณฑ์เฉลี่ย 21 คะแนน หลังจัดการเรียนรู้เด็กในห้องได้เฉลี่ย 24.20 คะแนน One-Sample t-test ใช้ประเมินว่าผลต่าง 3.20 คะแนนนี้มีความสอดคล้องกับ H₀ ที่กำหนดไว้มากน้อยเพียงใด โดยคำนึงถึงความแปรปรวนและขนาดตัวอย่างร่วมด้วย

💡 ใช้เมื่อ: มีข้อมูลคะแนนกลุ่มเดียว และมี "เกณฑ์" หรือ "ค่ามาตรฐาน" ที่ต้องการเทียบ

03Independent-Samples t-test (สองกลุ่มอิสระ)▾

ใช้เมื่อต้องการเปรียบเทียบคะแนนเฉลี่ยของคนสองกลุ่มที่แยกจากกัน เช่น ห้อง ก. สอนด้วยวิธีใหม่ ห้อง ข. สอนด้วยวิธีเดิม — คนในสองกลุ่มนี้เป็นคนละคนกัน ไม่เกี่ยวข้องกัน

👥 ลองนึกภาพ: แบ่งเด็ก 14 คนเป็น 2 กลุ่มอิสระ กลุ่มหนึ่งเรียนด้วยเกม อีกกลุ่มเรียนแบบบรรยาย หลังสอบกลุ่มเกมได้เฉลี่ย 26.4 คะแนน กลุ่มบรรยายได้ 21.0 คะแนน Independent t-test ใช้ประเมินผลต่างค่าเฉลี่ย 5.4 คะแนนเมื่อเทียบกับความแปรปรวนและขนาดตัวอย่างของทั้งสองกลุ่ม

💡 ข้อสำคัญ: ต้องเป็นคนละคนกันในแต่ละกลุ่ม (ถ้าเป็นคนเดิมวัด 2 ครั้ง ต้องใช้ Paired t-test แทน)

04Paired-Samples t-test (ก่อน-หลัง)▾

ใช้เมื่อต้องการเปรียบเทียบคะแนนของคนกลุ่มเดียวกัน ที่วัด 2 ครั้ง เช่น ก่อนเรียนและหลังเรียน — เป็นคนคนเดิมทุกคน จึงเรียกว่า "จับคู่ (paired)" ได้ ระหว่างคะแนนก่อนกับหลังของแต่ละคน

📈 ลองนึกภาพ: ชั่งน้ำหนักเด็ก 10 คนก่อนเริ่มโครงการออกกำลังกาย แล้วชั่งอีกครั้งหลังจบโครงการ 1 เดือน — เราสนใจ "ผลต่างของแต่ละคน" (คนที่หนักลดเยอะ กับคนที่ลดน้อย) มากกว่าจะเทียบค่าเฉลี่ยของสองกลุ่มที่ไม่เกี่ยวข้องกัน เพราะจริง ๆ แล้วเป็นคนเดิมแค่วัดต่างเวลา ทำให้การทดสอบแบบนี้มีความไวในการตรวจจับการเปลี่ยนแปลงมากกว่า Independent t-test

💡 ข้อควรระวัง: ผลที่ได้บอกแค่ว่า "คะแนนเปลี่ยนไป" แต่ไม่ได้พิสูจน์ 100% ว่าเปลี่ยนเพราะวิธีสอนอย่างเดียว อาจมีสาเหตุอื่นร่วมด้วย เช่น เด็กโตขึ้นตามธรรมชาติ หรือคุ้นชินกับข้อสอบ

เสริมWelch's t-test คืออะไร ต่างจากแบบธรรมดายังไง▾

เป็น t-test สำหรับสองกลุ่มอิสระเหมือนกัน แต่ใช้เมื่อความผันผวนของคะแนนในสองกลุ่มไม่เท่ากัน (กลุ่มหนึ่งคะแนนกระจายกว้าง อีกกลุ่มคะแนนใกล้เคียงกันหมด)

⚖️ ลองนึกภาพ: เปรียบเทียบส่วนสูงของนักบาสเก็ตบอล (สูงใกล้เคียงกันหมด) กับนักเรียนทั่วไป (สูงหลากหลายมาก) — ถ้าใช้สูตรธรรมดาที่สมมติว่าทั้งสองกลุ่มผันผวนเท่ากัน อาจให้ผลไม่แม่นยำ Welch's t-test จึงปรับสูตรให้เหมาะกับกรณีที่ความผันผวนต่างกันมากโดยเฉพาะ

💡 วิธีเลือก: ระบบแสดงทั้ง Student's และ Welch's t-test พร้อม Levene/Brown–Forsythe เป็นข้อมูลประกอบ โดย Welch's t-test ไม่ต้องสมมติว่าความแปรปรวนของสองกลุ่มเท่ากัน และไม่ควรใช้ Levene เป็นเกณฑ์ตัดสินเพียงอย่างเดียว

✅ กลุ่มที่ 3: การตรวจสอบข้อตกลงเบื้องต้น

Normalityโค้งระฆังคว่ำคืออะไร และ n เกี่ยวข้องอย่างไร▾

ทรงศักดิ์ ภูสีอ่อน (2561) อธิบายว่าการตรวจสอบการแจกแจงแบบปกติเป็นข้อตกลงเบื้องต้นที่สำคัญของสถิติพาราเมตริกหลายชนิด และ Histogram ใช้พิจารณาว่ารูปร่างข้อมูลมีแนวโน้มเข้าใกล้โค้งปกติหรือไม่ โดยโค้งปกติมีลักษณะคล้าย ระฆังคว่ำแบบสมมาตร

🔔 อ่านรูปง่าย ๆ: กลางกราฟควรสูงกว่าเพราะคนส่วนใหญ่อยู่ใกล้ค่ากลาง ส่วนปลายซ้ายและขวาค่อย ๆ ลดลงและมีรูปร่างใกล้เคียงกัน หากด้านหนึ่งยาวกว่าอย่างชัดเจนเรียกว่า “เบ้” และหากมีคะแนนโดดออกไปไกลมากควรตรวจสอบว่าเป็น outlier หรือข้อมูลผิดพลาดหรือไม่

จำนวนคนไม่ใช่กฎตายตัว: n ใช้ประกอบการพิจารณา แต่ไม่ควรใช้กฎว่า “ต่ำกว่า 30 = nonparametric, มากกว่า 30 = parametric” กับทุกกรณี หนังสือระบุเฉพาะกรณี Dependent/Paired t-test ว่าข้อตกลง Normality ของคะแนนความต่างไม่เคร่งครัดนักเมื่อ n > 30 (อ้าง Coakes & Steed, 2001) ดังนั้นต้องอ่าน n ควบคู่กับรูปการแจกแจงและค่าผิดปกติ

📚 ฐานอ้างอิง: ทรงศักดิ์ ภูสีอ่อน (2561), เนื้อหาเรื่องการตรวจสอบการแจกแจงแบบปกติ และบทที่ 6 การเปรียบเทียบค่าเฉลี่ย; ประเสริฐ เรือนนะการ (2559) สำหรับหลักสถิติไม่อิงพารามิเตอร์

ตรวจสอบShapiro-Wilk Test (ตรวจโค้งปกติ)▾

t-test ทำงานได้ดีที่สุดเมื่อข้อมูลมีรูปร่างการกระจายคล้าย "โค้งระฆังคว่ำ" (คนส่วนใหญ่อยู่ตรงกลาง คนน้อยมากอยู่สุดขอบทั้งสองด้าน) — Shapiro-Wilk คือการทดสอบว่าข้อมูลของเรามีรูปร่างแบบนั้นหรือไม่

🔔 ลองนึกภาพ: ถ้าคะแนนสอบทั้งห้องส่วนใหญ่กระจุกอยู่แถวคะแนนกลาง ๆ และมีน้อยคนที่ได้คะแนนสูงมากหรือต่ำมาก แบบนี้จะดูเหมือนระฆังคว่ำ ซึ่งเป็นรูปร่างที่ t-test "ชอบ" — แต่ถ้าคะแนนกระจุกอยู่แค่ 2 กลุ่ม (เก่งมาก กับอ่อนมาก ไม่มีกลุ่มกลาง) แบบนี้ไม่ใช่โค้งปกติ Shapiro-Wilk จะช่วยตรวจจับความผิดปกตินี้

💡 อ่านผลยังไง: หาก p < .05 แสดงว่ามีหลักฐานว่าการแจกแจงแตกต่างจากปกติอย่างมีนัยสำคัญ แต่ ไม่ควรเปลี่ยนไปใช้ Wilcoxon หรือ Mann-Whitney โดยอัตโนมัติ ต้องพิจารณาขนาดตัวอย่าง รูปร่างการแจกแจง ค่าผิดปกติ ระดับการวัด และคำถามวิจัยร่วมกัน

ตรวจสอบLevene / Brown–Forsythe Test (ตรวจความแปรปรวน)▾

ใช้ตรวจสอบข้อตกลงเรื่องความเป็นเนื้อเดียวกันของความแปรปรวนระหว่างสองกลุ่ม ระบบใช้รูปแบบ median-centered (Brown–Forsythe variant) เป็นข้อมูลประกอบการเลือกวิธีวิเคราะห์

💡 อ่านผลยังไง: หาก p < .05 มีหลักฐานว่าความแปรปรวนแตกต่างกัน ส่วน p ≥ .05 หมายถึงยังไม่พบหลักฐานว่าต่างกัน ไม่ใช่การพิสูจน์ว่าเท่ากัน ระบบแสดงทั้ง Student's และ Welch's t-test และให้ผู้ใช้พิจารณาวิธีรายงานอย่างมีเหตุผล

🎯 กลุ่มที่ 4: ค่าที่ใช้ตัดสินใจว่า "มีนัยสำคัญ" หรือไม่

p-valueค่า p คืออะไรกันแน่▾

ค่า p (p-value) เป็นค่าที่ใช้ช่วยพิจารณาว่า ผลที่พบจากข้อมูลมีหลักฐานทางสถิติเพียงพอที่จะปฏิเสธสมมติฐานศูนย์ (H₀) หรือไม่ โดยทั่วไป หากกำหนดระดับนัยสำคัญที่ .05

📌 หลักการอ่านอย่างง่าย:
• p < .05 หมายถึง มีหลักฐานทางสถิติเพียงพอที่จะปฏิเสธ H₀
• p ≥ .05 หมายถึง ยังไม่มีหลักฐานทางสถิติเพียงพอที่จะปฏิเสธ H₀

🎲 ตัวอย่าง: หากผลการวิเคราะห์ได้ p = .03 และกำหนดระดับนัยสำคัญไว้ที่ .05 เนื่องจาก .03 < .05 จึงสรุปได้ว่า ผลที่พบมีนัยสำคัญทางสถิติ และมีหลักฐานเพียงพอที่จะปฏิเสธ H₀

⚠️ ข้อควรระวัง: ค่า p ไม่ได้บอกว่าผลที่พบมีความสำคัญมากเพียงใด และไม่ได้บอกความน่าจะเป็นที่ H₀ เป็นจริง ดังนั้นควรพิจารณา ขนาดอิทธิพล (Effect Size) ช่วงความเชื่อมั่น (95% CI) และบริบทของการวิจัยร่วมด้วย

CIช่วงความเชื่อมั่น 95% (95% CI) คืออะไร▾

เป็นช่วงที่ใช้แสดงความไม่แน่นอนของค่าประมาณ ภายใต้การตีความแบบ frequentist หากสุ่มตัวอย่างและสร้างช่วงด้วยวิธีเดียวกันซ้ำจำนวนมาก ประมาณ 95% ของช่วงที่สร้างจะครอบคลุมค่าพารามิเตอร์จริง

🎣 ลองนึกภาพ: การประมาณค่าเฉลี่ยจากกลุ่มตัวอย่างเหมือนการทอดแหจับปลาเพื่อเดาว่าปลาตัวจริง (ค่าประชากรจริง) อยู่ตรงไหนในบ่อ — 95% CI คือ "ขนาดของแห" ถ้าทอดแหแบบนี้ซ้ำ 100 ครั้ง ประมาณ 95 ครั้งแหจะครอบคลุมตำแหน่งปลาตัวจริงได้ ช่วงที่แคบ = ประมาณการแม่นยำ ช่วงที่กว้าง = ยังไม่แน่ใจมาก

💡 วิธีใช้ประกอบ p-value: ถ้าช่วง CI ของผลต่างไม่ครอบคลุมเลข 0 แปลว่าผลต่างนั้นมีนัยสำคัญทางสถิติ (สอดคล้องกับ p < α) และ CI ยังบอกขนาดของผลต่างที่เป็นไปได้ด้วย ไม่ใช่แค่ "ต่างหรือไม่ต่าง"

Effect SizeCohen's d / dz คือขนาดของความแตกต่างที่แท้จริง▾

p-value ไม่ได้บอกขนาดหรือความสำคัญเชิงปฏิบัติของผล — Cohen's d (และ d_z สำหรับข้อมูลจับคู่) ใช้แสดงขนาดของผลต่างในหน่วยส่วนเบี่ยงเบนมาตรฐาน จึงควรพิจารณาร่วมกับ p-value และช่วงความเชื่อมั่น

📐 ลองนึกภาพ: ผลต่างคะแนน "3 คะแนน" ฟังดูเหมือนกัน แต่ถ้าคะแนนเต็ม 100 และคนทั่วไปคะแนนกระจายกันมาก (SD สูง) 3 คะแนนนี้อาจเล็กน้อยมาก แต่ถ้าคะแนนเต็ม 10 และทุกคนได้คะแนนใกล้เคียงกันมาก (SD ต่ำ) 3 คะแนนนี้อาจถือว่าเยอะมาก — Cohen's d ช่วยเทียบผลต่างให้อยู่ใน "หน่วยมาตรฐานเดียวกัน" ทำให้เปรียบเทียบข้ามบริบทได้

💡 เกณฑ์อ้างอิงทั่วไป (Cohen, 1988): d ≈ 0.2 = น้อย, 0.5 = ปานกลาง, 0.8 = มาก — แต่เป็นเพียงแนวทางทั่วไป ควรพิจารณาบริบทของศาสตร์นั้น ๆ ประกอบด้วยเสมอ อย่าใช้เป็นเกณฑ์ตายตัว

ทางเลือกWilcoxon / Mann-Whitney U คืออะไร ใช้ตอนไหน▾

เป็นสถิติไม่อิงพารามิเตอร์ที่ใช้ข้อมูลอันดับ (rank) ในการวิเคราะห์ เหมาะเมื่อข้อมูลอยู่ระดับอันดับ หรือเมื่อรูปแบบข้อมูล/คำถามวิจัยทำให้การใช้ t-test ไม่เหมาะสม การเลือกใช้ไม่ควรอาศัย Shapiro-Wilk เพียงค่าเดียว

🏁 ลองนึกภาพ: แทนที่จะเปรียบเทียบเวลาวิ่งจริง (ซึ่งอาจมีคนวิ่งช้าผิดปกติทำให้ค่าเฉลี่ยเพี้ยน) เราเปลี่ยนมาเปรียบเทียบ "อันดับที่เข้าเส้นชัย" แทน (ที่ 1, ที่ 2, ที่ 3, ...) วิธีนี้ทนทานต่อกรณีสุดขั้วมากกว่า

💡 Wilcoxon Signed-Rank ใช้กับข้อมูลจับคู่ โดยจัดอันดับค่าสัมบูรณ์ของผลต่างและพิจารณาทิศทาง ส่วน Mann-Whitney U ใช้กับสองกลุ่มอิสระและเปรียบเทียบอันดับ/การแจกแจง ระบบรายงาน Median/IQR และ Rank-Biserial Effect Size เพื่อช่วยตีความ ไม่ใช่ใช้แทน t-test แบบอัตโนมัติ

📘 Statistical Concepts and Interpretation

A concise academic overview of the concepts used by STAT LAB.

1. Describing a distribution

Mean (M) summarizes the arithmetic center of a quantitative variable, whereas the median (Mdn) summarizes the middle ordered value. Standard deviation (SD) describes dispersion around the mean. For skewed data or data affected by extreme observations, the median and interquartile range (IQR) often provide a more robust summary.

The standard error (SE) is conceptually different from the SD: SD describes variability among observations, whereas SE describes sampling variability of an estimator such as the sample mean.

2. Instructional efficiency (E1/E2)

E1 (process efficiency) expresses the mean score obtained during instruction as a percentage of the maximum total process score. E2 (product/outcome efficiency) expresses the mean post-instruction score as a percentage of the maximum posttest score.

E1/E2 is an instructional-efficiency criterion rather than a pretest–posttest significance test. E1 is not the pretest. A criterion such as 80/80 should be specified before interpreting the results.

3. t tests

One-sample t test: tests whether a population mean differs from, exceeds, or falls below a prespecified criterion (μ₀).

Independent-samples t test: compares means from two independent groups. Student's version assumes equal population variances; Welch's version does not require that assumption and is generally robust when variances and/or sample sizes differ.

Paired-samples t test: analyzes the mean of within-pair differences. The normality consideration applies to the difference scores, not separately to the pretest and posttest distributions.

4. Diagnostics and assumptions

Shapiro–Wilk evaluates evidence of departure from normality. A significant result is not, by itself, a rule requiring a nonparametric test. Sample size, distributional shape, influential outliers, measurement level, and the estimand of interest should also be considered.

Levene/Brown–Forsythe evaluates homogeneity of variance. A nonsignificant result indicates insufficient evidence of unequal variances; it does not demonstrate that the variances are exactly equal.

5. Statistical inference

A p-value is computed under the null hypothesis. It should be interpreted together with a confidence interval and an effect size. Statistical significance does not, by itself, establish substantive, educational, or practical importance.

Cohen's d standardizes a mean difference in standard-deviation units. For paired designs, STAT LAB reports d_z, which uses the standard deviation of the within-pair differences.

6. Rank-based alternatives

Wilcoxon Signed-Rank is a rank-based procedure for paired data. It uses the direction and ranked magnitude of nonzero paired differences. Mann–Whitney U is a rank-based procedure for two independent groups. Neither procedure should be described simply as a “test of means.”

When interpreting Mann–Whitney as a location or median shift, the shapes of the group distributions should be considered. Rank-based methods also have assumptions and should not be chosen solely because a normality test is statistically significant.

3. การวิจัยเชิงปฏิบัติการ PAOR

การวิจัยเชิงปฏิบัติการเป็นกระบวนการปรับปรุงการปฏิบัติอย่างเป็นวงจร/เกลียว โดยใช้การวางแผน การปฏิบัติ การสังเกต และการสะท้อนผลเป็นฐานสำหรับการปรับวงรอบถัดไป การรายงานผลจึงควรแสดงทั้งหลักฐานเชิงปริมาณและหลักฐานเชิงคุณภาพของแต่ละวงรอบ รวมถึงความเชื่อมโยงจาก Reflection ไปสู่การปรับ Plan รอบต่อไป

📌 แนวทางรายงาน: รายงานผลแต่ละวงรอบเป็น P–A–O–R แล้วจึงทำตารางสังเคราะห์แนวโน้มข้ามวงรอบ เช่น ค่าเฉลี่ย ร้อยละเฉลี่ย ร้อยละผู้ผ่านเกณฑ์ และประเด็นสะท้อนสำคัญ

⚠️ ข้อควรระวัง: ค่าเฉลี่ย/ร้อยละที่เพิ่มขึ้นเป็นหลักฐานพัฒนาการในบริบทการดำเนินงาน แต่ไม่ควรตีความเป็นเหตุ–ผลโดยอัตโนมัติ และการสรุปข้อมูลเชิงคุณภาพต้องอิงข้อมูลต้นฉบับและการพิจารณาของผู้วิจัย

3. Action Research (PAOR)

Action research is an iterative process in which planning, action, observation, and reflection support progressive revision of practice. Results should therefore present quantitative and qualitative evidence within each cycle and show how reflection informed subsequent planning.

📌 Reporting approach: report each cycle as P–A–O–R, followed by a cross-cycle synthesis of means, percentages, criterion attainment, and key researcher-entered reflective evidence.

⚠️ Caution: upward score trends document development within the study context but do not automatically establish causality. Qualitative interpretation remains the responsibility of the researcher and should be grounded in the original evidence.

📚 เอกสารอ้างอิงและหลักวิชาการของระบบ

หลักการวิเคราะห์และแนวทางการแปลผลของระบบพัฒนาขึ้นโดยอ้างอิงจากตำราและเอกสารวิชาการด้านสถิติ การวิจัย และการวัดและประเมินผลดังต่อไปนี้ (ตรวจสอบรายละเอียดบรรณานุกรมผ่านการสืบค้นแล้ว)

ภาษาไทย

ชัยยงค์ พรหมวงศ์. (2556). การทดสอบประสิทธิภาพสื่อหรือชุดการสอน. วารสารศิลปากรศึกษาศาสตร์วิจัย, 5(1), 7–20. https://so05.tci-thaijo.org/index.php/suedureasearchjournal/article/view/28419

บุญชม ศรีสะอาด. (2556). วิธีการทางสถิติสำหรับการวิจัย เล่ม 1 (พิมพ์ครั้งที่ 5). กรุงเทพฯ: สุวีริยาสาส์น.

ทรงศักดิ์ ภูสีอ่อน. (2561). การประยุกต์ใช้ SPSS วิเคราะห์ข้อมูลงานวิจัย (พิมพ์ครั้งที่ 8). มหาสารคาม: ตักสิลาการพิมพ์.

ประเสริฐ เรือนนะการ. (2559). สถิติศาสตร์ไม่อิงพารามิเตอร์. มหาสารคาม: ตักศิลาการพิมพ์.

วราพร เอราวรรณ์. (2556). เอกสารประกอบการสอนวิชาการวัดและประเมินผลการศึกษา. ภาควิชาวิจัยและพัฒนาการศึกษา คณะศึกษาศาสตร์ มหาวิทยาลัยมหาสารคาม.

สุวิมล ว่องวาณิช. (2559). การวิจัยปฏิบัติการในชั้นเรียน (พิมพ์ครั้งที่ 18). กรุงเทพฯ: สำนักพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย. [Thai; classroom action research, data analysis and reporting]

สากล

American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.).

Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates.

Kemmis, S., & McTaggart, R. (Eds.). (1988). The action research planner (3rd ed.). Deakin University Press.

Kemmis, S., McTaggart, R., & Nixon, R. (2014). The action research planner: Doing critical participatory action research. Springer. https://doi.org/10.1007/978-981-4560-67-2

Levene, H. (1960). Robust tests for equality of variances. In Contributions to Probability and Statistics. Stanford University Press.

Brown, M. B., & Forsythe, A. B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364–367. https://doi.org/10.1080/01621459.1974.10482955

Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18(1), 50–60.

Royston, P. (1995). Remark AS R94: A remark on Algorithm AS 181: The W test for normality. Applied Statistics, 44(4), 547–551.

Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611.

Welch, B. L. (1947). The generalization of "Student's" problem when several different population variances are involved. Biometrika, 34(1/2), 28–35.

Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83.

หมายเหตุ: รายการอ้างอิงใช้เพื่อระบุฐานทางวิชาการของระบบและไม่ได้หมายความว่านักวิชาการหรือสถาบันที่อ้างถึงรับรอง STAT LAB ผู้ใช้ที่นำรายการอ้างอิงไปใช้ต่อในงานวิชาการควรตรวจสอบรายละเอียดกับเอกสารต้นฉบับหรือฐานข้อมูลห้องสมุดอีกครั้ง

📚 References and Methodological Foundations

STAT LAB's statistical procedures and reporting guidance are informed by established sources in statistics, research methodology, measurement, and educational evaluation.

Thai-language sources

ชัยยงค์ พรหมวงศ์. (2556). การทดสอบประสิทธิภาพสื่อหรือชุดการสอน. วารสารศิลปากรศึกษาศาสตร์วิจัย, 5(1), 7–20. https://so05.tci-thaijo.org/index.php/suedureasearchjournal/article/view/28419 [Thai; methodological source for E1/E2]

บุญชม ศรีสะอาด. (2556). วิธีการทางสถิติสำหรับการวิจัย เล่ม 1 (พิมพ์ครั้งที่ 5). กรุงเทพฯ: สุวีริยาสาส์น. [Thai]

ทรงศักดิ์ ภูสีอ่อน. (2561). การประยุกต์ใช้ SPSS วิเคราะห์ข้อมูลงานวิจัย (พิมพ์ครั้งที่ 8). มหาสารคาม: ตักสิลาการพิมพ์. [Thai]

ประเสริฐ เรือนนะการ. (2559). สถิติศาสตร์ไม่อิงพารามิเตอร์. มหาสารคาม: ตักศิลาการพิมพ์. [Thai]

วราพร เอราวรรณ์. (2556). เอกสารประกอบการสอนวิชาการวัดและประเมินผลการศึกษา. ภาควิจัยและพัฒนาการศึกษา คณะศึกษาศาสตร์ มหาวิทยาลัยมหาสารคาม. [Thai]

สุวิมล ว่องวาณิช. (2559). การวิจัยปฏิบัติการในชั้นเรียน (พิมพ์ครั้งที่ 18). กรุงเทพฯ: สำนักพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย. [Thai; classroom action research]

International sources