ວິຊາ software

ກາຌຌາແຆ໅ software ຾ຑໄ ບກາຌທໂິ ຅ ຖະຍຍົ 12+4 ຘາງ຃ູ ຓຈັ ຋ະງຓົ ICT ທ຋ິ ະງາໂຖ຃ນູ ທຼ ຄຌາ໅ ຋າ ປຽຍປຽຄເຈງ: ບາ຅າຌ ຿ຈຄ ຋ບຄຘຄິ ຘກົ ປຽຌ : 2017 - 2018 1

຃າຌາ ບຄີ ຉາຓ຃ບຈຂບຄຖາງທຆິ າ Software ຘາຖຍັ ກາຌທໂິ ຅຋ໄ ີ຋າຄກຓົ ຘາ໅ ຄ຃ູທາຄບບກຂາ໅ ຑະ຾຅າົ໅ ໂຈແ໅ ຆ຃໅ ທາຓ ຑະງາງາຓ຃ຌົ໅ ຃ທາ໅ ຆບກນາ຾ຌບ໅ ແຌ຋ໄ ຉີ ບ໅ ຄກາຌ຅າກ຾ບກະຘາຌຉໄ າຄໃ຅າກຎຓ໅ ນຼາງນທົ ຋ຄັ ຈາທເນຼຈ຅າກບຌິ ຾ຉ຿ີ ຌຈ ຾ຑໄ ບຌາຓາປຽຍປຽຄຎະກບຍ຾ຎັຌ຾ນຼຓັ໅ ເຈງຘຓົ ຋ຍົ ກຍັ ຃ທາຓປູ຋໅ ໄ ຂີ າ໅ ຑະ຾຅າົ໅ ຾຃ງີ ປຽຌຓາ ຓນີ ຼາງດໄ າຄ຋ໄ ຂີ າ໅ ຑະ຾຅າົ໅ ຾ບາົ ຃ທາຓປູ຋໅ ໄ ຓີ ຂີ ຽຌຂຌ໅ ຓາ຾ບຄ ຾ຑໄ ບ຾ຎັຌ຾ບກະຘາຌແນ຿໅ ກໄ ຌກັ ປຽຌໂຈ຃໅ ຌົ໅ ຃ທໄ າ໅ ຿ຖະ຾ຎັຌຍໄ ບຌບຄີ ນຼ຾ຎັຌ຾ບກະຘາຌ຾ຑໄ ບ ຃ຌົ໅ ຃ທາ໅ ຿ຉໄ ຄ຿ຏຌກາຌຘບຌແນ຿໅ ກໄ ບາ຅າຌຘບຌ ຾ຊຄີ ຿ຌທແຈກຉາຓຂາ໅ ຑະ຾຅າົ໅ ງບຓປຍັ ທໄ າກາຌປຽຍປຽຄທຆິ າຌ຿ີ໅ ຓໄ ຌຓ຃ີ ທາຓນງຄ໅ ງາກນຼາງດໄ າຄເຈງຘະ຾ຑາະ ຿ຓໄ ຌກາຌ຿ຎຑາຘາ,ກາຌຎັຍ຾ຌບ໅ ແຌແນ຾໅ ໝາະຘຓົ ກຍັ ຖະຈຍັ ຂບຄຌກັ ປຽຌນຼ຾ໝາະຘຓົ ກຍັ ຘະຑາຍຂບຄ຋ບ໅ ຄຊໄ ຌິ ຿ຖະ ໂຖງະ຾ທຖາແຌກາຌປຽຍປຽຄໜບ໅ ງ ຈໄ ຄັ ຌຌັ໅ ແຌຍາຄ຾ຖໄ ບຄ,ຍາຄນທົ ຂ຋໅ ໄ ຾ີ ນຌັ ທໄ າຍໄ ຅າ຾ຎັຌນຼຍໄ ຾ໝາະຘຓົ ກຍັ ຖະຈຍັ ຃ທາຓ ປຍັ ປູຂ໅ ບຄຌກັ ປຽຌຂາ໅ ຑະ຾຅າົ໅ ໂຈຉ໅ ຈັ ບບກ ບີກຈາ໅ ຌໜໄ ຄ຾ຑໄ ບ຾ຎັຌກາຌຎັຍຎຄ຃ຌຌະຑາຍກາຌປຽຌ - ກາຌຘບຌທຆິ າ software ຾ຑໄ ບກາຌທໂິ ຅ ແນຈ໅ ຂີ ຌຶ໅ ຾຋ໄ ບຖະກາ໅ ທ ຅ໄ ຄຂປຽກປບ໅ ຄ຾ຊີຄ຋ໄ າຌຏູບ໅ ໄ າຌ ຿ຖະ ຏູ຋໅ ໄ ຌີ າແຆຎ໅ ຓ໅ ຾ນຼຓັ໅ ຌນີ໅ າກຑຍົ ຾ນຌັ ຂຂ໅ າຈຉກົ ຍກົ ຑໄ ບຄກະຖຌາ຿຅ຄ໅ ແນຂ໅ າ໅ ຑະ຾຅າົ໅ ປຍັ ຆາຍ຾ຑໄ ບ຅ະໂຈຈ໅ ຈັ ຿ຎຄແນຊ໅ ກຉບ໅ ຄຂຌ໅ ກທໄ າ຾ກໄ າົ ຉາຓ຋ໄ ດີ ໄ ູຉໄ ໂຎຌີ໅ ບາ຅າຌ ຿ຈຄ ຋ບຄຘຄິ ນບ໅ ຄກາຌ຃ູບະຌຍາຌ-ຎະຊຓົ ທ຋ິ ະງາໂຖ຃ູນທຼ ຄຌາ໅ ຋າ ຂບຍແ຅ ຏູປ໅ ຽຍປຽຄ ບາ຅າຌ ຿ຈຄ ຋ບຄຘຄິ 2

ຘາຖະຍາຌ ໜາ໅ ຾ຌບ໅ ແຌ 1 1 ຍຈົ ຋ໄ ີ 1 ຃ທາຓປູ຾໅ ຍບ໅ ຄຉຌົ໅ ກໄ ຽທກຍັ ຘະຊຉິ ິ 1 2 1. ຃ທາຓໝາງຂບຄຘະຊຉິ ິ 4 5 2. ຎະ຾ຑຈຂບຄຘະຊຉິ ິ 7 7 3. ຖະຈຍັ ຂບຄກາຌທຈັ 9 9 4. ຎະຆາກບຌ຿ຖະກໄ ຓຉທົ ດໄ າຄ 10 10 5. ຉທົ ຎໄ ຽຌ຿ຖະຆະຌຈິ ຂບຄຉທົ ຎໄ ຽຌ 10 10 6. ຘຓົ ຓຈຊາຌຂບຄກາຌທໂິ ຅ 13 7. ກາຌກຽຓ຾຃ໄ ບຄຓແຌກາຌ຾ກຍັ ຖທຍຖທຓຂຓ໅ ຌ 13 ຍຈົ ຋ໄ ີ 2 ກາຌຉຈິ ຉຄັ໅ ຿ຖະແຆຄ໅ າຌເຎ຿ກຓ SPSS 13 14 2.1 ກາຌ຾ຎີຈເຎ຿ກຓ SPSS 14 15 2.2ຘໄ ທຌຎະກບຍຉໄ າຄໃຂບຄເຎ຿ກຓ SPSS 16 2.3຾ຖໄ ຓີ ຉຌົ໅ ແຆຄ໅ າຌເຎ຿ກຓ SPSS 17 2.4ກາຌຎບ໅ ຌຂຓ໅ ຌ 19 19 2.5ກາຌຍຌັ ຋ກ 23 2.6ກາຌ຾ຎີຈ຿ຒໄ ຓຂຓ໅ ຌ 25 2.7ກາຌທ຾ິ ຃າະຂຓ໅ ຌ 27 2.8ກາຌຎິຈເຎ຿ກຓ SPSS ຍຈົ ຋ໄ ີ 3 ກາຌ຿຅ກດາງ຃ທາຓຊໄ ຘີ ະຊຉິ ຑິ ຌ໅ ຊາຌ 3.1 ກາຌ຿຅ກ຿຅ຄ຃ທາຓຊໄ ຿ີ ຖະກາຌຆບກ຃ໄ າຘະຊຉິ ຑິ ຌ໅ ຊາຌ 3.2 ກາຌຆບກ຃ໄ າຘະຊຉິ ຑິ ຌ໅ ຊາຌຂບຄຉທົ ຎໄ ຽຌ 3.3ກາຌຆບກ຃ໄ າຘະຊຉິ ຑິ ຌ໅ ຊາຌຂບຄກໄ ຓງໄ ບງ 3.4ກາຌ຿຅ກ຿຅ຄ຃ທາຓຊໄ ຿ີ ຍຍນຼາງ຋າຄ ຍຈົ ຋ໄ ີ 4 ກາຌ຅ຈັ ກາຌກຍັ ຂຓ໅ ຌ 4.1 ກາຌ຿ຎຄ຃ໄ າຂຓ໅ ຌ 4.2ກາຌ຾ຖບກຂຓ໅ ຌ 4.3ກາຌ຾ຑໄ ຓີ ນນຼ ຈຼ ຂຓ໅ ຌ 4.4ກາຌປຍັ ຂຓ໅ ຌ຅າກ຿ຒໄ ຓຂຓ໅ ຌຆະຌຈິ ບໄ ຌ ຍຈົ ຋ໄ ີ 5 ກາຌ຋ຈົ ຘບຍຘຓົ ຓກຊາຌຂບຄກໄ ຓຉທົ ດໄ າຄ T-test 3

5.1 ຎຽຍຎຽຍ຃ໄ າຘະ຾ຖໄ ງກໄ ຓຉທົ ດໄ າຄຈຽທກຍັ ຃ໄ າ຃ຄົ ຋ໄ ແີ ຈໜໄ ຄ 27 5.2ຎຽຍຎຽຍ຃ໄ າຘະ຾ຖໄ ງກໄ ຓຉທົ ດໄ າຄ 2 ກໄ ຓ຋ໄ ຾ີ ບກະຖາຈຉໄ ກຌັ 34 ຍຈົ ຋ໄ ີ 6 ກາຌທ຾ິ ຃າະ຃ໄ າຏຌັ ຎໄ ຽຌ 39 39 6.1 ທ຾ິ ຃າະ຃ໄ າຏຌັ ຎໄ ຽຌ຿ຍຍ຋າຄຈຽທ 48 58 6.2ທ຾ິ ຃າະ຃ໄ າຏຌັ ຎໄ ຽຌ຿ຍຍຘບຄ຋າຄ 58 ຍຈົ ຋ໄ ີ 7 ກາຌ຃າຌທຌນາ຃ໄ າຘະນະຘາຑຌັ 62 68 7.1 ກາຌທ຾ິ ຃າະນາ຃ໄ າຘະນະຘາຑຌັ ຿ຍຍຄໄາງຈາງ 72 78 7.2ກາຌທ຾ິ ຃າະນາ຃ໄ າຘະນະຘາຑຌັ ຿ຍຍ຿ງກຘໄ ທຌ 84 ຍຈົ ຋ໄ ີ 8 ກາຌຆບກນາ຃ຌຌະຑາຍຂບຄ຾຃ໄ ບຄຓທຈັ 84 96 8.1 ກາຌຆບກນາບາຌາຈ຅າ຿ຌກ຿ຖະ຃ທາຓງາກຄໄາງຘບຍ຿ຍຍຎະຖະໂຌ຿ຖະບຈັ ຉະໂຌ 107 8.2ຆບກນາ຃ທາຓ຾ຆໄ ບໝຌັ໅ 108 ຍຈົ ຋ໄ ີ 9 ກາຌທ຾ິ ຃າະກາຌຊຈົ ຊບງ 112 116 9.1 ກາຌທ຾ິ ຃າະກາຌ຋ຈົ ຊບງ຿ຍຍຄໄາງຈາງ 120 120 9.2ກາຌທ຾ິ ຃າະກາຌ຋ຈົ ຊບງ຿ຍຍຑະນ 125 ຍຈົ ຋ໄ ີ 10 ກາຌ຋ຈົ ຘບຍຘະຊຉິ ິ Non parametric 125 138 10.1 ກຖະຌກີ ໄ ຓຉທົ ດໄ າຄຈຽທ 138 10.2 ກຖະຌີ 2 ກໄ ຓ຋ໄ ຘີ າຑຌັ ກຌັ 142 10.3 ກຖະຌີ 2 ກໄ ຓ຋ໄ ຾ີ ບກະຖາຈຉໄ ກຌັ 142 10.4 ກຖະຌນີ າຼ ງກທໄ າ 2 ກໄ ຓ຋ໄ ຘີ າຑຌັ ກຌັ 151 10.5 ກຖະຌນີ ຼາງກທໄ າ 2 ກໄ ຓ຋ໄ ຾ີ ບກະຖາຈຉໄ ກຌັ 151 ຍຈົ ຋ໄ ີ 11 ກາຌທ຾ິ ຃າະບຄົ ຎະກບຍ 152 153 11.1 ກາຌທ຾ິ ຃າະບຄົ ຎະກບຍ຾ຆຄີ ຘານຼທຈ ຍຈົ ຋ໄ ີ 12 ກາຌ຋ຈົ ຘບຍຂຉ໅ ກົ ຖຄົ ຾ຍບ໅ ຄຉຌົ໅ 12.1 ຋ຈົ ຘບຍຂຓ໅ ຌ຿຅ກ຿຅ຄ຾ຎັຌເ຃ຄ໅ ຎົກກະຉິ ຍຈົ ຋ໄ ີ 13 ທ຾ິ ຃າະກາຌທໂິ ຅຾ຆຄີ ຋ຈົ ຖບຄ 13.1 ປູຍ຿ຍຍ A-B Design ຍຈົ ຋ໄ ີ 14 ກາຌ຅ຈັ ກາຌກຍັ ຉາຉະຖາຄ Out put 14.1 ກາຌກບຍຎີ 14.2 ກາຌຈຈັ ຿ຎຄຉາຉະຖາຄ ຍຈົ ຋ໄ ີ 15 ກາຌທ຾ິ ຃າະຂຓ໅ ຌ຋ໄ ດີ ໄ ູແຌປູຍຉາຉະຖາຄ 4

ຍຈົ ຋ໄ ີ 1 ຃ທາຓປູ຾໅ ຍບ໅ ຄຉຌົ໅ ກໄ ຽທກຍັ ຘະຊຉິ ິ 1. ຃ທາຓໝາງຂບຄຘະຊຉິ ິ ຘະຊຉິ ໂິ ຈ຾໅ ຂາົ໅ ຓາຓຍີ ຈົ ຍາຈຘາ຃ຌັ ດໄ າຄນຼາກນຖາງແຌຆທີ ຈິ ຎະ຅າທຌັ ແຌງກຎະ຅ຍຌັ ຋ໄ ຓີ ກີ າຌຎໄ ຽຌ ຿ຎຄດໄ າຄໂທທາ ຖທຓ຾ຊຄິ ໂຈຓ໅ ກີ າຌຌາຓາແຆແ໅ ຌນຌໄ ທງຄາຌຉໄ າຄໃ ດໄ າຄ຿ຑໄ ນຖາງ ນາຼ ງງໄ ຄິ ຂຌຶ໅ ຿ຉໄ ຃ຌົ ຾ປາົ ຍາຄ຅າຌທຌງຄັ ຓ຃ີ ທາຓ຾ຂາົ໅ ແ຅ຍໄ ຊກຉບ໅ ຄກໄ ຽທກຍັ ຘະຊຉິ ິ ຾ຆໄ ຌັ ຓ຃ີ ທາຓ຾ຂາົ໅ ແ຅ທໄ າຘະຊຉິ ຃ິ ທ຋ິ ກີ າຌ຋ໄ ຘີ າຓາຈຌາໂຎຑຘິ ູຈໂຈ຋໅ ກຘໄ ຄິ ຋ກດໄ າຄ ນຖຘະຊຉິ ຃ິ ກາຌແຆຉ໅ ທົ ຾ຖກ຾ຎັຌ຅າຌທຌນຖາງ຿ຉໄ ຉາຓ຃ທາຓ຾ຎັຌ຅ຄິ ຿ຖທ໅ ຘະຊຉິ ຾ິ ຎັຌ຾຃ໄ ບຄຓຘາ຃ຌັ ດໄ າຄໜໄ ຄຶ ຂບຄຓະຌຈ ຋ໄ ີແຆຘ໅ າຖຍັ ກາຌຉຈັ ຘຌິ ແ຅ ຋ໄ ີຓາຂບຄ຃າທໄ າຘະຊຉິ ິ (Statistics) ຓາ຅າກປາກຘຍັ ຑາຘາຖາຉຌິ 2 ຃າຖທຓກຌັ ຃ Status ກຍັ Istics ຃າທໄ າ Status ກຄົ ກຍັ ຃າຘຍັ ຑາຘາບຄັ ກຈິ ຃ State ຋ໄ ຿ີ ຎທໄ າ ຖຈັ ຿ຖະ຃າທໄ າ Istics ກຄົ ກຍັ ຃າຑາຘາບຄັ ກຈິ ຃ Information ຿ຎທໄ າຂຓ໅ ູຌຂໄ າທຘາຌ ຈໄ ຄັ ຌຌັ໅ ກາຌແຆຘ໅ ະຊຉິ ແິ ຌໂຖງະ຾ຖໄ ຓີ ຉຌົ໅ ຅ໄ ຄຶ ໝາງ຾ຊຄິ ຂໄ າທຘາຌນຖຂຓ໅ ູຌນຖຂ຿໅ ຋຅໅ ຄິ ຉໄ າຄໃ ຋ໄ ກີ ໄ ຽທຂບ໅ ຄກຍັ ກຈິ ຅ະກາຌຂບຄຖຈັ ຾ຆໄ ຌັ ຅າຌທຌ຋ະນາຌ ບາທຈ ຄທົ ຃ທາງ ຿ຖະ ຋ໄ ຈີ ຌິ ຾ຑໄ ບຌາຂຓ໅ ູຌ຾ນຖໄ າົ ຌໂີ໅ ຎແຆແ໅ ນ຾໅ ຎັຌຎະເນງຈຘາຖຍັ ກາຌທາຄ຿ຏຌຈາ໅ ຌ຾ກຌ຋ະນາຌ ຈາ໅ ຌກາຌຎບ໅ ຄ ກຌັ ຎະ຾຋ຈ ຈາ໅ ຌກາຌ຅ຈັ ກາຌຘກຶ ຘາ຿ຖະຈາ໅ ຌກາຌຘາ຋າຖະຌະຘກ ຿ຖະ ບໄ ຌໃ ຉໄ ຓາຘະຊຉິ ິ ໂຈຓ໅ ຃ີ ທາຓນຓາງກທາ໅ ຄ ຂທາຄນຖາງຂຌຶ໅ ກທໄ າ຾ກໄ າົ ເຈງ຅ຈັ ແນ຾໅ ຎັຌທ຋ິ ະງາຘາຈຂະ຿ໜຄໜໄ ຄຶ ຿ຖະໂຈ຾໅ ຂາົ໅ ຓາຓຍີ ຈົ ຍາຈຘາ຃ຌັ ແຌຆທີ ຈິ ຎະ຅າທຌັ ຿ຖະ຋ກຘາຂາທຆິ າ ເຈງປບ໅ ຄທໄ າຘະຊຉິ ຘິ າຈ (Statistics) ຉາຓນຖກັ ກາຌ຋ໄ ທົ ໃ ໂຎຘະຊຉິ ຿ິ ຍໄ ຄບບກ຾ຎັຌ 2 ຎະ຾ຑຈ ຃ ຘະຊຉິ ຾ິ ຆຄີ ຑຌັ ຖະຌາ (Descriptive Statistics) ຿ຖະຘະຊຉິ ິ ບະຌຓາຌ (Inferential Statistics) ຈໄ ຄັ ຓຖີ າງ ຖະບຽຈຈໄ ຄັ ຌີ໅ 2. ຎະ຾ຑຈຂບຄຘະຊຉິ ິ a. ຘະຊຉິ ຾ິ ຆຄີ ຑຌັ ຖະຌາ (Descriptive Statistics) ຘະຊຉິ ຾ິ ຆຄີ ຑຌັ ຖະຌາ຾ຎັຌຖະຍຽຍທ຋ິ ກີ າຌ຋າຄຘະຊຉິ ິ ຋ໄ ຍີ ຌັ ຖະງາງ຾ຊຄິ ຃ຌຖກັ ຘະຌະຂບຄຂຓ໅ ູຌຘະ຾ຑາະກໄ ຓ ແຈກໄ ຓໜໄ ຄຶ ຋ໄ ີຉບ໅ ຄກາຌຘກຶ ຘາ຾຋ໄ າົ ຌຌັ໅ ຾ຆໄ ຌັ ກາຌນາ຃ໄ າຏົຌກາຌປຽຌຂບຄຌກັ ປຽຌ຃ຌົ ໜໄ ຄຶ ຓ຃ີ ໄ າຘະ຾ຖໄ ງ຾຋ໄ າົ ກຍັ 6.5 ຘະນຼຍຏຌົ ໂຈ຿໅ ຉໄ ຑຽຄຌກັ ປຽຌ຃ຌົ ຌີ໅ ຍໄ ຘາຓາຈບາ໅ ຄໂຎ຾ຊຄິ ຌກັ ປຽຌ຃ຌົ ບໄ ຌໃໂຈ໅ ຆໄ ຄຶ ຾ຎັຌກາຌຍຌັ ຖະງາງຂ຾໅ ຋ຈັ ຅ຄິ ຂບຄຂ໅ ຓຌູ ຋ໄ ຖີ ທຍຖທຓຓາໂຈ຿໅ ຖະຓກີ າຌທ຾ິ ຃າະຂຓ໅ ູຌດໄ າຄຄໄ າງຈາງ ເຈງຍໄ ຉບ໅ ຄບາໂຘ຋ຈິ ຘະຈ຋ີ າຄຘະຊຉິ ຓິ າຆໄ ທງແຌກາຌທິ ຾຃າະຂຓ໅ ູຌ b. ຘະຊຉິ ິ ບະຌຓາຌ (Inferential Statistics) ຘະຊຉິ ບິ ະຌຓາຌ຾ຎັຌຖະຍຽຍທ຋ິ ກີ າຌ຋າຄຘະຊຉິ ິ ຋ໄ ກີ າຌທ຾ິ ຃າະຂຓ໅ ຌູ ໂຈຓ໅ າ຅າກກໄ ຓຉທົ ດໄ າຄ (Sample) ຋ໄ ີ ຓຘີ ະຓາຆກິ ແຌກໄ ຓ຅າຌທຌໜໄ ຄຶ ໂຈຓ໅ າ຅າກກາຌຘໄ ຓ຅າກຎະຆາກບຌ຋ໄ ຉີ ບ໅ ຄກາຌຘກຶ ຘາ ເຈງບາໂຘ຋ຈິ ຘະຈ຃ີ ໄ າກະຉທຄ ແຌກາຌຘໄ ຓ ຏຌົ ກາຌທ຾ິ ຃າະຂຓ໅ ຌູ ຘາຓາຈຌາໂຎແຆຘ໅ ະນຖຍບາ໅ ຄບຄິ ໂຎງຄັ ກໄ ຓຎະຆາກບຌ຋ຄັ ໝຈົ ຋ໄ ຘີ ກຶ ຘາໂຈ໅ ກາຌຈາ ຾ຌຌີ ກາຌຉບ໅ ຄບາໂຘ຋ຈິ ຘະຈ຋ີ າຄຘະຊຉິ ຉິ ໄ າຄໃ ຾ຆໄ ຌັ ຋ຈິ ຘະຈກີ າຌຎະຓາຌ຃ໄ າ຿ຖະກາຌ຋ຈົ ຘບຍຘຓົ ຓຈຊາຌ ຾ຎັຌຉຌົ໅ ຘະຊຉິ ຓິ ຎີ ະເນງຈ ຈໄ ຄັ ຌີ໅ 1) ຾ຎັຌຘໄ ຄິ ຋ໄ ຆີ ແີ໅ ນ຾໅ ນຌັ ຾ຊຄິ ຂ຿໅ ຋຅໅ ຄິ ຂບຄ຾ນຈກາຌ຿ຖະ຾ຖໄ ບຄຖາທ຋ໄ ຘີ ຌົ ແ຅ດໄ ູ 2) ຾ຎັຌ຾຃ໄ ບຄຓແຌກາຌທາຄ຿ຏຌຈາ຾ຌຌີ ກາຌ຿ຖະກຈິ ຅ະກາຌຉໄ າຄໃ 3) ຾ຎັຌຖະຍຽຍທ຋ິ ຘີ າຖຍັ ກາຌທ຾ິ ຃າະແຌຄາຌທໂິ ຅຋ໄ ທົ ໃໂຎ 4) ຾ຎັຌ຾຃ໄ ບຄຓແຌກາຌຎະ຾ຓຌີ ຏຌົ ຄາຌ຋ໄ ຋ີ າໂຎ຿ຖທ໅ 3. ຖະຈຍັ ຂບຄກາຌທຈັ 5

ກາຌທຈັ ໝາງ຾ຊຄິ ກາຌກາໜຈົ ຉທົ ຾ຖກແນກ໅ ຍັ ຃ຌຖກັ ຘະຌະຂບຄທຈັ ຊ ຘໄ ຄິ ຂບຄນຖ຾ນຈກາຌຉາຓກຈົ ຾ກຌ຋ໄ ີ ກາໜຈົ ໂທຍ໅ າຄຎະກາຌ ຈໄ ຄັ ຌຌັ໅ ຖກັ ຘະຌະດໄ າຄໜໄ ຄຶ ຋ໄ ຍີ ໄ ຄົ ຆໂີ໅ ຈດ໅ ໄ າຄຆຈັ ຾຅ຌທໄ າ ຃ທຌ຾ຖບກແຆທ໅ ຋ິ ກີ າຌ຋າຄຘະຊຉິ ຎິ ະ຾ຑຈ ແຈຘາຖຍັ ກາຌທ຾ິ ຃າະຂຓ໅ ູຌ ຅າ຾ຎັຌຉບ໅ ຄ຃າຌຄຶ ຾ຊິຄກາຌ຿ຎ຃ທາຓນຓາງ຅າກຉທົ ຾ຖກຈທ໅ ງທ຋ິ ກີ າຌ຋າຄຘະຊຉິ ແິ ນ໅ ຘບຈ຃ບ໅ ຄກຍັ ຾ນຈກາຌ຋ໄ ຾ີ ກຈິ ຂຌ໅ ຅ຄິ ຌຌັ໅ ໃ ຾ຆໄ ຌັ ຃າ຿ຈຄຘບຍທຆິ າຘະຊຉິ ິ ໂຈ໅ 0 ຃ະ຿ຌຌ ຿ຎທໄ າ຃າ຿ຈຄຓ຃ີ ທາຓປູ ໅ ກໄ ຽທກຍັ ຘະຊຉິ ຾ິ ຎັຌຘູຌງໄ ບຓຍໄ ຊກຉບ໅ ຄກຄົ ກຍັ ຃ທາຓ຾ຎັຌ຅ຄິ ຾ຑາະ຃າ຿ຈຄຉບ໅ ຄຓ຃ີ ທາຓປູກ໅ ໄ ຽທກຍັ ຘະຊຉິ ດິ ໄ ູຌາ ຑຽຄ ຿ຉໄ ຋າຂຘ໅ ບຍຍໄ ຊກ຾ຖງີ ຾຋ໄ າົ ຌຌັ໅ ນຖກາຌບບກຂຘ໅ ບຍແຌ຾຋ໄ ບຌຌັ໅ ຍໄ ກຄົ ກຍັ ຃ທາຓປູ຋໅ ໄ ຃ີ າ຿ຈຄຓດີ ໄ ູ ນຖ ຃າຈໂິ ຈ຃໅ ະ຿ຌຌ ທຆິ າ຃ະຌຈິ ຘາຈ 80 ຃ະ຿ຌຌ ຘໄ ທຌ ຘຓົ ແ຅ຘບຍໂຈ໅ 40 ຃ະ຿ຌຌ ຿ຎ຃ທາຓນຓາງທໄ າ ຃າຈຓີ ຃ີ ທາຓປູນ໅ ຖາງກທໄ າຘຓົ ແ຅຾ຎັຌ 2 ຾຋ໄ າົ ກ຾ຎັຌຘໄ ຄິ ຋ໄ ຍີ ໄ ຊກຉບ໅ ຄ຾ຆໄ ຌັ ກຌັ ຿ຉໄ ຊາ໅ ກາຌທຈັ ຘຈາ຿຋ໄ ຄໜໄ ຄຶ ຓ຃ີ ທາຓງາທ 10 ຆຄັ ຉ຿ິ ຓຈັ ບກີ ຿຋ໄ ຄງາທ 5 ຆຄັ ຉ຿ິ ຓຈັ ຾ຓໄ ບຌາຓາ຋ຽຍກຌັ ຘາຓາຈຘະນຖຍໂຈດ໅ ໄ າຄຆຈັ ຾຅ຌທໄ າຘຈາ຿຋ໄ ຄ຋າບຈິ ຓ຃ີ ທາຓງາທນຖາງກທໄ າ຿຋ໄ ຄ ນຖຄັ ຾ຎັຌ 2 ຾຋ໄ າົ ໂຈ໅ ຅າກຉທົ ດໄ າຄ຋ໄ ຌີ າຘະ຾ໜຈີ ໄ ຄັ ກໄ າທຂຓ໅ ູຌ຋ໄ ຾ີ ກຍັ ຖທຍຖທຓຓາໂຈ຾໅ ຎັຌຉທົ ຾ຖກ຾ຆໄ ຌັ ຈຽທກຌັ ຿ຉໄ ກາຌ ຿ຎ຃ທາຓໝາງຍໄ ຃ກັຌ ຋ຄັ ຌີ຾໅ ຌໄ ບຄ຅າກຉົທ຾ຖກ຋ໄ ີ຾ກັຍຖທຍຖທຓຓາໂຈ໅ ຓຖີ ະຈັຍຂບຄກາຌທຈັ (Level of Measurement) ຿ຉກຉໄ າຄກຌັ ຈໄ ຄັ ຋ໄ ີ ຘະຉ຾ີ ທຌຘ໌ (S. S. Stevens. 1946) ໂຈ຿໅ ຍໄ ຄຖະຈຍັ ກາຌທຈັ ບບກ຾ຎັຌ 4 ຖະຈຍັ ຈໄ ຄັ ຌີ໅ 1) ຓາຈກາຌກາຌຈົ ຆໄ (Nominal Scales) ຉທົ ຾ຖກ຋ໄ ໂີ ຈ຅໅ າກກາຌທຈັ ຖະຈຍັ ຌ຾ີ໅ ຎັຌຑຽຄກາຌກາໜຈົ ຘຌັ ງະຖກັ ຂຌຶ໅ ຾ຑໄ ບແຆ຿໅ ຋ຌຆໄ ຃ຌົ ທຈັ ຊຘໄ ຄິ ຂບຄ ນຖ຾ນຈກາຌທໄ າດໄ ູແຌກໄ ຓແຈ ຓ຃ີ ທາຓ຃ກຌັ ນຖ຿ຉກຉໄ າຄກຌັ ແຆຍ໅ ບກຖກັ ຘະຌະນຖຖະຍຆໄ ນຖ຅ຈັ ຎະ຾ຑຈຘໄ ຄິ ຂບຄ ຍໄ ຓຖີ ກັ ຘະຌະກາຌ຃ຈິ ຃າຌທຌ (ຍທກ-ຖຍົ -຃ູຌ-ນາຌ) ຾ຂາົ໅ ຓາກໄ ຽທຂບ໅ ຄ ຅ໄ ຄຶ ແຆກ໅ າຌ຃າຌທຌຘະຊຉິ ຂິ ຌັ໅ ຘູຄຍໄ ໂຈ໅ ນາໂຈ໅ ຑຽຄ຅າຌທຌ ຾ຎີ຾ຆຌ ຃ທາຓຊໄ ີ ຊາຌຌງິ ຓົ 2) ຓາຈ຅ຈັ ຖຽຄຖາຈຍັ (Ordinal Scales) ຉທົ ຾ຖກ຋ໄ ໂີ ຈ຅໅ າກກາຌທຈັ ຖະຈຍັ ຌຘີ໅ າຓາຈຍບກຖາຈຍັ ຋ໄ ຂີ ບຄຘໄ ຄິ ຂບຄ ຃ຌົ ນຖ຾ນຈກາຌໂຈ຿໅ ຉໄ ຍໄ ຘາຓາຈຍບກ ຃ທາຓ຿ຉກຉໄ າຄຖະນທໄ າຄຖາຈຍັ ຋ໄ ຾ີ ຎັຌ຅າຌທຌນຖາງຌບ໅ ງໂຈຑ໅ ຽຄແຈໂຈ໅ ຑຽຄ຿ຉໄ ຍບກ຾ຊຄິ ຖກັ ຘະຌະຖທຓ຋ໄ ນີ ຼຈຖໄ ຌ ຉໄ າຄກຌັ ຾ຎັຌຂຌັ໅ ໃ ຿ຖະຍໄ ປູທ໅ ໄ າ຋ກຂຌັ໅ ຓ຃ີ ໄ າ຾຋ໄ າົ ກຌັ ນຖຍໄ ຿ຖະ຿ຉໄ ຖະຂຌັ໅ ຿ຉກຉໄ າຄກຌັ ດໄ ູ຾຋ໄ າົ ແຈ ຾ຆໄ ຌັ ກາຌ຿ຂໄ ຄຂຌັ ຿ຖໄ ຌ 100 ຿ຓຈັ ຏຌົ ຎາກຈົ ທໄ າ ຏູ຋໅ ໄ ຾ີ ຂາົ໅ ຾ຘຌັ໅ ໂຆ຾ຎັຌຖາຈຍັ ຋ໄ ີ 1 ຃ ຋າ໅ ທງຄົ ຖາຈຍັ ຉໄ ຓາໂຈ຿໅ ກໄ ຋າ໅ ທງຑາ ຎາຌ ຿ຖະ ຎບຌ ຘາຓາຈຖຽຄຖາຈຍັ ຾ຎັຌຉທົ ຾ຖກໂຈຈ໅ ໄ ຄັ ຌີ໅ ຋າ໅ ທງຄົ ຾ຎັຌ຋ໄ ີ 1 ງຑາ ຾ຎັຌ຋ໄ ີ 2 ຎາຌ ຋ໄ ີ 3 ຿ຖະ ຎບຌ຋ໄ ີ 4 ຉາຓຖາຈຍັ ຿ຉໄ ຍໄ ຘາຓາຈຍບກໂຈທ໅ ໄ າ ຋າ໅ ທງຄົ ຿ຖໄ ຌໂຈ຾໅ ຋ໄ າົ ກຍັ ຋າ໅ ທງຑາ ຍທກກຍັ ຋າ໅ ທຎາຌ ຘໄ ທຌແນງໄ ກາຌທຈັ ຖະຈຍັ ຌ຾ີ໅ ຎັຌກາຌທຈັ ຋າຄ຅ຈິ ທ຋ິ ະງາ຿ຖະ຋າຄກາຌຘກຶ ຘາ ຘະຊຉິ ຋ິ ໄ ແີ ຆແ໅ ຌກາຌທ຾ິ ຃າະຂຓ໅ ູຌໂຈ຿໅ ກໄ ຓຈັ ງະຊາຌ ຾ຎີ຾ຆຌ ຑໂິ ຘ ກາຌ຅ຈັ ບຌັ ຈຍັ ຉໄ າຄໃ 3) ຓາຈ຅ຈັ ຾ຎັຌນທໄ າຄ (Interval Scales) ຂຓ໅ ູຌ຋ໄ ໂີ ຈ຅໅ າກກາຌທຈັ ຖະຈຍັ ຌຓີ໅ ຖີ ກັ ຘະຌະ຾ໝບຌກຍັ ຓາຈຉາຖຽຄຖາຈຍັ ເຈງ຋ໄ ຉີ ທົ ຾ຖກ຋ໄ ໂີ ຈ຅໅ າກກາຌທຈັ ຘາຓາຈຍບກຆໄ ທຄຂບຄ຃ທາຓນໄ າຄ຾຋ໄ າົ ໃ ກຌັ ຿ຖະຍບກຎະຖຓິ າຌ຃ທາຓ຿ຉກຉໄ າຄ຾ຎັຌ຅າຌທຌນຖາງຌບ໅ ງໂຈ໅ ຿ຉໄ ຍໄ ຘາຓາຈຌາໂຎ຿ຎ຃ທາຓນຓາງ ຾ຑໄ ບຌາໂຎຎຽຍ຋ຽຍທໄ າ຾ຎັຌ຅ກັ ຾຋ໄ າົ ຂບຄກຌັ ໂຈ໅ ຉທົ ຾ຖກ຋ໄ ໂີ ຈ຅໅ າກກາຌທຈັ ຋າຄຑຈຶ ຉກິ າ ຘາຈ຿ຖະຘຄັ ຃ຓົ ຘາຈ ຘໄ ທຌນຖາງດໄ ູແຌຖະຈຍັ ຌີ໅ ຾ຆໄ ຌັ ຆໄ ທຄ຾ທຖາຖະນທໄ າຄ ຑ. ຘ. 2538-2539 ຓ຾ີ ທຖາ຿ຉກຉໄ າຄກຌັ 1 ຎີ ຾ຆໄ ຌັ ຈຽທກຍັ ຆໄ ທຄ຾ທຖາຖະນທໄ າຄ ຑ. ຘ.2537-2538 ນຖ຃ທາຓ຿ຉກຉໄ າຄຂບຄບຌນະຑູຓຖະນທໄ າຄ 30-35 ບຄົ ຘາC ຓ຃ີ ໄ າ຾ຆໄ ຌັ ຈຽທກຍັ ຃ທາຓ຿ຉກຉໄ າຄຖະນທໄ າຄ 35-40ບຄົ ຘາC ຿ຉໄ ຊາ໅ ຖະຈູປບ໅ ຌຎີຌຓີ໅ ບີ ຌນະຑູຓຘະ຾ຖໄ ງ 40 ບຄົ ຘາC ຿ຖະ຾ຓໄ ບຖະຈູໜາທ຋ໄ ຏີ ໄ າຌຓາຓບີ ຌນະຑູຓຘະ຾ຖໄ ງ 20ບຄົ ຘາC ຊາ໅ ຘະນຖຍທໄ າຖະຈູປບ໅ ຌຎີຌຓີ໅ ບີ ຌນະຑູຓຘູຄ 6

ກທໄ າ຾ຓໄ ບຖະຈູໜາທ຋ໄ ຏີ ໄ າຌຓາ຾ຎັຌຘບຄ຾຋ໄ າົ ງໄ ບຓຍໄ ໂຈ໅ ຖກັ ຘະຌະຘາ຃ຌັ ຂບຄກາຌທຈັ ຖະຈຍັ ຌີ໅ ຃ ຍໄ ຓຘີ ູຌ຿຋ນ໅ ຖຘູຌ ຘຓົ ຍູຌ ຿ຉໄ ງຄັ ຃ຄົ ຓ຃ີ ໄ າຘູຌຆໄ ຄຶ ຾ຎັຌຘູຌ຋ຽຓນຖຘູຌ຋ໄ ຘີ ຓົ ຓຈຂຌຶ໅ ຾ຆໄ ຌັ ກາຌທຈັ ບຌນະຑູຓ຿ຍຍບຄົ ຘາ c ຊາ໅ ຓບີ ຌນະຑຓ 0 ບຄົ ຘາ C ຌາ໅ ຅ະກາງ຾ຎັຌຌາ໅ ຿ຂຄ຿ຉໄ ຍໄ ໂຈໝ໅ າງ຃ທາຓທໄ າ຋ໄ ບີ ຌນະຑູຓ 0ບຄົ ຘາC ຍໄ ຓ຃ີ ທາຓປບ໅ ຌດໄ ູ຾ຖງີ ຘະຊຉິ ຋ິ ໄ ແີ ຆ໅ ແຌກາຌທຈັ ຖະຈຍັ ຌີ໅ ໂຈ຿໅ ກໄ ຃ໄ າຘະ຾ຖໄ ງ ຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌ ກາຌນາ຃ໄ າຘະນະຘາຑຌັ ຂບຄ຾ຑງຘຌັ ຿ຖະກາຌ ຋ຈົ ຘບຍ຋າຄຘະຊຉິ ຈິ ທ໅ ງກາຌ຿຅ກ຿຅ຄຎົກກະຉິ ຾ຎັຌຉຌົ໅ 4) ຓາຈບຈັ ຉາຘໄ ທຌ (Ratio Scales) ຾ຎັຌຓາຈຉາກາຌທຈັ ຋ໄ ຓີ ຖີ ກັ ຘະຌະຘຓົ ຍູຌ຋ກຎະກາຌ ຿ຖະຈກີ ທໄ າຓາຈ຅ຈັ ຾ຎັຌນທໄ າຄຎະ຾ຈຌັ ຋ໄ ຓີ ຘີ ູຌ຿຋໅ ຉທົ ຾ຖກ຋ໄ ໂີ ຈ຅໅ າກກາຌທຈັ ຖະຈຍັ ຌຘີ໅ ໄ ທຌແນງໄໂຈ຅໅ າກກາຌທຈັ ຋າຄຈາ໅ ຌທ຋ິ ະງາຘາຈກາງະຑາຍ ຾ຆໄ ຌັ ຆຌີ໅ ໝູໜກັ 10 ກເິ ຖ ກຕາຓ ຘະນຖຍໂຈທ໅ ໄ າຓຌີ າ໅ ໜກັ ຾ຎັຌຘບຄ຾຋ໄ າົ ຂບຄ຾ຌບ໅ ໝູ 5 ກເິ ຖກຕາຓ ນຖ ຌບ໅ ຄຍຽຄຓ຃ີ ທາຓຘູຄ 180 ຆຄັ ຉ຿ິ ຓຈັ ຌບ໅ ຄຐາ໅ ງຘູຄ 90 ຆຄັ ຉ຿ິ ຓຈັ ຘາຓາຈຘະນຖຍໂຈທ໅ ໄ າຌບ໅ ຄຍຽຄຘູຄກທໄ າຌບ໅ ຄຐາ໅ ງ 90 ຆຄັ ຉ຿ິ ຓຈັ ນຖຘູຄກທໄ າ຾ຎັຌຘບຄ຾຋ໄ າົ ຘະຊຉິ ຋ິ ໄ ແີ ຆຘ໅ າຖຍັ ກາຌທ຾ິ ຃າະຂຓ໅ ູຌ຋ໄ ໂີ ຈ຅໅ າກທຈັ ຖະຈຍັ ຌແີ໅ ຆໂ໅ ຈ຋໅ ກຎະ຾ຑຈ຋ໄ ຓີ ດີ ໄ ູ ຋ຄັ ຌ຃ີ໅ ຌຘຓົ ຍຈັ ຂບຄກາຌທຈັ ຿ຉໄ ຖະຖະຈຍັ ຘາຓາຈຘະນຖຍໂຈຈ໅ ໄ ຄັ ຌີ໅ ຖະຈຍັ ຂບຄກາຌທຈັ ຃ຌຘຓົ ຍຈັ ກາຌຈົ ຆໄ ຃ທາຓຉໄ າຄກຌັ ຖຽຄຖາຈຍັ ຃ທາຓຉໄ າຄກຌັ +຋ຈິ ຋າຄ ຅ຈັ ຾ຎັຌນທໄ າຄ ຃ທາຓຉໄ າຄກຌັ +຋ຈິ ຋າຄ+ຆໄ ທຄ຾຋ໄ າົ ກຌັ +ຘູຌ຋ຽຓ ບຈັ ຉາຘໄ ທຌ ຃ທາຓຉໄ າຄກຌັ +຋ຈິ ຋າຄ+ຆໄ ທຄ຾຋ໄ າົ ກຌັ +ຘູຌ຿຋໅ 4. ຎະຆາກບຌ຿ຖະກໄ ຓຉທົ ດໄ າຄ 1.1 ຎະຆາກບຌ຿ຖະກໄ ຓຉທົ ດໄ າຄ (Population and Sample) 1) ຎະຆາກບຌ ຎະຆາກບຌ ໝາງ຾ຊຄິ ກໄ ຓຂບຄຘໄ ຄິ ຋ໄ ຉີ ບ໅ ຄກາຌຘກຶ ຘາ຋ຄັ ໝຈົ ຾ຆໄ ຌັ ຃ຌົ ຖາທ຋ຄັ ຎະ຾຋ຈ ຏູ ໅ ຉຈິ ຾ຆບ໅ HIV ຋ກ຃ຌົ ແຌ຾ຂຈຑາກ຾ໜບ ຆໄ ຄຶ ຎະຆາກບຌຈໄ ຄັ ກໄ າທຓຖີ ກັ ຘະຌະກທາ໅ ຄ ຾ຓໄ ບຌາຓາແຆແ໅ ຌກາຌຘໄ ຓ ຉທົ ດໄ າຄ ຅ໄ ຄຶ ຓ຅ີ ຈບໄ ບຌນຖາງ ຎະກາຌ ຈໄ ັຄຌຌັ໅ ຉບ໅ ຄກາໜົຈແນຎ໅ ະຆາກບຌຓີຖັກຘະຌະ຿຃ຍ຾ຂົາ໅ ເຈງ ຋າແນ຾໅ ຎັຌຎະຆາກບຌ຾ຎົ໅າໝາງ ເຈງ ຎະຆາກບຌໂຈ຿໅ ຍໄ ຄບບກ຾ຎັຌ 2 ຎະ຾ຑຈ ຃: 1.1) ຎະຆາກບຌ຋ໄ ຌີ ຍັ ໂຈ຃໅ ຍົ ຊທ໅ ຌ (Finite Population) ຾ຆໄ ຌັ ຅າຌທຌຌກັ ຘກຶ ຘາດໄ ູແຌທ຋ິ ະງາໂຖ຃ູນທຼ ຄຌາ໅ ຋າ ນຖ຅າຌທຌຏູໂ໅ ຈປ໅ ຍັ ຍາຈ຾຅ຍັ ຾ຌໄ ບຄ຅າກບຍຈັ ຾ນຈ ຖຈົ ຅ກັ ຋ໄ ຾ີ ຂາົ໅ ປຍັ ກາຌຎໄ ິຌຎົທແຌເປຄໝ ຎີ ຃. ຘ. 2013 ຅າ ຌທຌກະຈູກກະເນຖກ ນທົ ຂບຄຓະຌຈ ຾ຎັຌຉຌົ໅ 1.2) ຎະຆາກບຌ຋ໄ ຌີ ຍັ ໂຈຍ໅ ໄ ຃ຍົ ຊທ໅ ຌ (Infinite Population) ຾ຆໄ ຌັ ຅າຌທຌ຾ຓຈັ ຾ຖບຈ຿ຈຄແຌກະ຿ຘ຾ຖບຈ ຅າ ຌທຌ຃ຌົ ຋ໄ ຉີ ຈິ ຾ຆບ໅ ເຖກ຾ບຈແຌ຾ຂຈຉໄ າຄໃ຾ຑາະຍຘາຓາຈ຅ະກທຈໝຈົ ຋ກ຃ຌົ ໂຈ໅ ນຖ຅າຌທຌ຾ຆບ໅ ຿ຍກ຋຾ີ ຖງແຌ ປໄ າຄກາງ຃ຌົ ຾ຎັຌຉຌົ໅ ....................... 2) ກໄ ຓຉທົ ດໄ າຄ (Sample) ກໄ ຓຉທົ ດໄ າຄ ໝາງ຾ຊຄິ ກໄ ຓຂບຄຘໄ ຄິ ຋ໄ ຉີ ບ໅ ຄກາຌຘກຶ ຘາຑຽຄ຅າຌທຌໜໄ ຄຶ ຋ໄ ຘີ ໄ ຓຓາ຅າກ ຎະຆາກບຌຉາຓຖະຍຽຍ ທ຋ິ ກີ າຌຘໄ ຓຉທົ ດໄ າຄ ຾ຑໄ ບແຆ຾໅ ຎັຌຉທົ ຿຋ຌຂບຄກໄ ຓ຋ໄ ຉີ ບ໅ ຄກາຌຘກຶ ຘາ຋ຄັ ໝຈົ ກາຌຆບກນາ຅າຌທຌກໄ ຓຉທົ ດໄ າຄຌງິ ຓົ ແຆຘ໅ ູຈຂບຄ Taro Yamane ຋າເຕດາຓາ຾ຌຈໄ ຄັ ຌ:ີ໅ 7

n  1  N 2 N ຿ຓໄ ຌ຅າຌທຌກໄ ຓຎະຆາກບຌ N  n ຿ຓໄ ຌ຅າຌທຌກໄ ຓຉທົ ດໄ າຄ α ຃ໄ າກະຉທຄ຋າຄຘະຊຉິ ິ ເຈງຎົກກະຉິ α ຓຘີ ບຄ຃ໄ າ຃ 0.05 ຿ຖະ 0.01 ຘຈ຿ຖທ໅ ຿ຉໄ ຏູທ໅ ໂິ ຅຅ະ຾ຖບກແຆ຅໅ າກຌຌັ໅ ຅ໄ ຄຌາແຆທ຋ິ ກີ າຌຘໄ ຓ຿ຍຍຉໄ າຄໃ຾ຑໄ ບແນໂ໅ ຈກ໅ ໄ ຓຉທົ ດໄ າຄ຋ໄ ຾ີ ໝາະຘຓົ ຉທົ ດໄ າຄ: ຏູທ໅ ໂິ ຅ດາກ຅ະຘຶກຘາຖະຈັຍ຃ທາຓ຾ຑໄ ີຄຑແ຅ຉກາຌປຽຌ຃ູຂບຄຌກັ ຘຶກຘາແຌ 5 ຘາງປຽຌຈໄ ຄັ ຌີ໅ ຘາງ ຃ະຌຈິ ຘາຈ຅າຌທຌ 483 ຃ຌົ ,ຘາງ຋າຓະຆາຈ຅າຌທຌ 233 ຃ຌົ ,ຘາງຑາຘາຖາທ຅າຌທຌ 564 ຃ຌົ ,ຘາງຑາຘາບຄັ ກຈິ 152 ຃ຌົ ຿ຖະ ຘາງຎະຊຓົ ບະຌຍາຌ 810 ຃ຌົ ຖທຓ຋ຄັ ໝຈົ 2242 ຃ຌົ ແຆກ໅ າຌຘໄ ຓ຿ຍຍ຿ຍໄ ຄຆຌັ໅ (Stratified Random Sampling) ຅ະຓທີ ຋ິ ກີ າຌຘໄ ຓຈໄ ຄັ ຌ:ີ໅  ຂຌັ໅ ຉບຌ຋ໄ ີ 1 ນາ຅າຌທຌກໄ ຓຉທົ ດໄ າຄ຅າກຘູຈ ຋າເຕດາຓາ຾ຌ n  1  2242  339.43 ຅າຌທຌ຋ຈົ ຘະຌງິ ຓົ ນຼຄັ ຅ຈຍໄ ຾ຊຄີ ຾຃ໄ ຄີ ໜໄ ຄຈໄ ຄັ ຌຌັ໅ ຾ຖບກ຾ບາົ ກໄ ຓຉທົ ດໄ າຄ຾຋ໄ າົ ກຍັ 22420.052 339 ຃ຌົ  ນາຆຈັ ຘໄ ທຌ຿ຉໄ ຖະຆຌັ໅ ຂບຄຎະຆາກບຌຉາຓຘູຈ Wr  Nr N W1 = 483  0.22 2242 W2 = 233  0.10 2242 W3 = 564  0.25 2242 W4 = 152  0.07 2242 W5 = 810  0.36 2242  ຆບກນາ຅າຌທຌ຿ຉໄ ຖະຘາງຈທ໅ ງກາຌ຾ບາົ nxwr ຘາງ຃ະຌຈິ ຘາຈ 0.22 x 339 = 75 ຘາງ຋າຓະຆາຈ 0.10 x 339 = 33 ຘາງຑາຘາຖາທ 0.25 x 339 = 85 ຘາງຑາຘາບຄັ ກຈິ 0.07 x 339 = 24 ຘາງຎະຊຓົ ບະຌຍາຌ 0.36 x 339 = 122 ຖທຓກໄ ຓຉທົ ດໄ າຄ຾ຎັຌ 339 ຃ຌົ ຆໄ ຄໂຈ຅໅ າກ຿ຉໄ ຖະຘາງຈໄ ຄັ ຌີ໅ 8

ຘາງປຽຌ ຅າຌທຌ ຘາງ຃ະຌຈິ ຘາຈ 75 ຘາງ຋າຓະຆາຈ 33 ຘາງຑາຘາຖາທ 85 ຘາງຑາຘາບຄັ ກຈິ 24 ຘາງຎະຊຓົ ບະຌຍາຌ 122 339 ຖທຓ 5. ຉທົ ຎໄ ຽຌ ຿ຖະ ຆະຌຈິ ຂບຄຉທົ ຎໄ ຽຌ  ຉທົ ຎໄ ຽຌ (Variable) ຉທົ ຎໄ ຽຌ ໝາງ຾ຊຄິ ຖກັ ຘະຌະຂບຄຍກ຃ຌົ ຘໄ ຄິ ຂບຄ ນຖ຾ຄໄບຌໂຂກາຌ຋ຈົ ຖບຄແຈໃ ຋ໄ ຓີ ຃ີ ໄ າຂບຄກາຌທຈັ ໂຈຉ໅ ໄ າຄ ກຌັ ນໄ ຼຘບຄ຃ໄ າຂຌ໅ ໂຎ ກາຌກາໜຈົ ຘຌັ ງະຖກັ ແນກ໅ ຍັ ຉທົ ຎໄ ຽຌ຿ຉໄ ຖະຉທົ ຋າຄຘະຊິຉຌິ ງິ ຓົ ແຆບ໅ ກັ ຘບຌຉທົ ແນງໄ ຾ຆໄ ຌັ X, Y ນຖ Z ຿຋ຌຉທົ ຎໄ ຽຌ຋ໄ ຋ີ າກາຌຘກຶ ຘາ ຾ຆໄ ຌັ ແນ໅ X ຿຋ຌຖະຈຍັ ກາຌຘກຶ ຘາ, Y ຿຋ຌ ບາງ, Z ຿຋ຌຘະຊາຌະ ຑາຍ ຾ຎັຌຉຌົ໅ ຋ຄັ ຌຉີ໅ ທົ ຎໄ ຽຌ຿ຍໄ ຄບບກໂຈ຾໅ ຎັຌ 2 ຎະ຾ຑຈ ຃ 1) ຉທົ ຎໄ ຽຌ຾ຆຄີ ຃ຌຌະຑາຍ (Qualitative Variable) ຾ຎັຌຉທົ ຎໄ ຽຌຂບຄຘໄ ຄິ ຋ໄ ກີ າໜຈົ ຾຃າົ໅ ຖກັ ຘະຌະຂບຄຘໄ ຄິ ຋ໄ ຉີ ບ໅ ຄກາຌຘກຶ ຘາຖກັ ຘະຌະ຋ໄ ຾ີ ຎັຌ ຌາຓຓະ຋າ ຾ຆໄ ຌັ ຉທົ ຎໄ ຽຌ຾ຑຈ ຾ຎັຌ ງຄິ ກຍັ ຆາງ ຉທົ ຎໄ ຽຌ຾ຆບ໅ -ຆາຈ ຾ຎັຌ ຖາທ ກຍັ ຅ຌີ ຾ຎັຌຉຌົ໅ 2) ຉທົ ຎໄ ຽຌ຾ຆຄີ ຎະຖຓິ າຌ (Quantitative Variable) ຾ຎັຌຉທົ ຎໄ ຽຌຂບຄຘໄ ຄິ ຋ໄ ກີ າໜຈົ ຾຃າົ໅ ຖກັ ຘະຌະຂບຄຘໄ ຄິ ຋ໄ ຘີ ກຶ ຘາ຾ຎັຌຉທົ ຾ຖກຘາຓາຈຍບກຎະຖຓິ າຌໂຈ໅ ຿ຍໄ ຄ ງໄ ບງໂຈ຾໅ ຎັຌ 2.1) ຉທົ ຎໄ ຽຌ຾ຆຄີ ຎະຖຓິ າຌ຿ຍຍຉໄ ຾ຌໄ ບຄ ຾ຎັຌຉທົ ຎໄ ຽຌ຋ໄ ກີ າໜຈົ ຃ໄ າຂບຄຉທົ ຾ຖກຉໄ ຘໄ ຄິ ຋ໄ ຘີ ກຶ ຘາ ຘາຓາຈຍບກຎະຖຓິ າຌ຾ຎັຌ຋ຈົ ຌງິ ຓົ ໂຈ໅ ຾ຆໄ ຌັ ຌາ໅ ໜກັ ຃ທາຓຘູຄຂບຄ຃ຌົ ບາຈ຾ຎັຌ 50.5 ກເິ ຖກຕາຓ 154.8 ຾ຆຌັ ຉ຿ິ ຓຈັ ຾ຎັຌຉຌົ໅ ເຈງ຃ໄ າຉທົ ຾ຖກ຋ໄ ຾ີ ຎັຌ຋ຈົ ຌງິ ຓົ ຘາຓາຈ ຌາໂຎບະ຋ຍິ າງ຃ທາຓນຓາງໂຈ໅ 2.2) ຉທົ ຎໄ ຽຌ຾ຆຄີ ຎະຖຓິ າຌ຿ຍຍຍໄ ຉໄ ຾ຌໄ ບຄ ຾ຎັຌຉທົ ຎໄ ຽຌ຋ໄ ກີ າໜຈົ ຃ໄ າຂບຄຉທົ ຾ຖກ ຉໄ ຘໄ ຄິ ຋ໄ ຘີ ກຶ ຘາ ຋ໄ ຍີ ບກຎະຖຓິ າຌ຾ຎັຌ຋ຈົ ຌງິ ຓົ ຍໄ ໂຈ໅ ຾ຆໄ ຌັ ຅າຌທຌ຃ູ ບາຈ຾ຎັຌ 3, 5, 10 ນຖ 50 ຃ຌົ ຿ຉໄ ຍໄ ຿ຓໄ ຌ 10.5 ຃ຌົ ນຖ 400.3 ຃ຌົ ຾ຎັຌຉຌົ໅ ຃ໄ າຉທົ ຾ຖກ຋ໄ ຾ີ ຎັຌ຋ຈົ ຘະຌງິ ຓົ ຍໄ ຘາຓາຈຌາໂຎບະ຋ຍິ າງ ຃ທາຓນຓາງໂຈ໅ 6. ຘຓົ ຓຈຊາຌຂບຄກາຌທໂິ ຅ ຘຓົ ຓຈຊາຌຂບຄກາຌທໂິ ຅຿ຓໄ ຌກາຌ຃າຈ຃ະ຾ຌທໄ າຏຌົ ກາຌທໂິ ຅ທໄ າ຅ະບບກຓາແຌ ປູຍ຿ຍຍແຈ ຆໄ ຄຘຓົ ຓຈຊາຌຂບຄກາຌທໂິ ຅ຓີ 2 ດໄ າຄ຃ ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅ ຿ຖະ ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ ຉທົ ດໄ າຄ ກາຌທໂິ ຅ ຾ຆຄີ ຋ຈົ ຖບຄ ຾ຑໄ ບຘກຶ ຘາຆຈກາຌຘບຌ຾ຘຓີ ຏູທ໅ ໂິ ຅ໂຈຘ໅ ໄ ຓຌກັ ປຽຌຓາ຅າຌທຌ 25 ຃ຌົ ຋ໄ ຓີ ຏີ ຌົ ກາຌ ປຽຌຉໄ າ ຿ຖທ໅ ຋ຈົ ຖບຄແຆຆ໅ ຈກາຌຘບຌຌີ໅ ຎາກຈົ ທໄ າໂຈ຃໅ ະ຿ຌຌຘະ຾ຖໄ ງ 20 ຃ະ຿ຌຌ ຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌ 5 9

຅ໄ ຄົ ຋ຈົ ຘບຍທໄ າກາຌແຆຆ໅ ຈກາຌຘບຌ຅ະ຾ປຈັ ແນຏ໅ ຌົ ກາຌປຽຌຘຄກທໄ າ຾ກຌ຋ໄ ກີ າຌຈົ ໂທ຃໅ 17 ຃ະ຿ຌຌນຖຍໄ ?຋ໄ ຖີ ະຈຍັ ຃ໄ າກະຉທຄ຋າຄຘະຊຉິ ິ α = 0.05 ທ຋ິ ຾ີ ປຈັ ຅າກຍຈົ ຾ປາົ ໂຈ໅  = 17 (຃ໄ າຘະ຾ຖໄ ງຂບຄຎະຆາກບຌ) s.d = 5 (ຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌກໄ ຓຉທົ ດໄ າຄ) x = 20 (຃ໄ າຘະ຾ຖໄ ງກໄ ຓຉທົ ດໄ າຄ) n = 25 (຅າຌທຌກໄ ຓຉທົ ດໄ າຄ) ຉຄັ໅ ຘຓົ ຓຈຊາຌ  ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅ ນຖຄັ ກາຌແຆຆ໅ ຈກາຌຘບຌ຅ະ຾ປຈັ ແນຏ໅ ຌົ ກາຌປຽຌຘຄກທໄ າ຾ກຌ຋ໄ ກີ າຌຈົ ໂທ຃໅ 17 ຃ະ຿ຌຌ  ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ H0 : μ = 17 (ຏຌົ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ຾຋ໄ າົ ກຍັ 17) H1 : μ > 17 (ຏຌົ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ນຖາງກທໄ າ 17) α = .05  ຾ຖບກແຆຘ໅ ະຊຉິ ິ t-test ຾ຑາະຍໄ ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ຿ຉໄ ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄກໄ ຓຉທົ ດໄ າຄ  ນາ຃ໄ າທກິ ຈິ ຾ຍໄ ຄິ ຋ໄ ຉີ າຖາຄ t ແຌກຖະຌີ df = n-1 ຾຋ໄ າົ ກຍັ 25-1= 24 ຿ຖະ α =.05 ຆໄ ຄແນ຃໅ ໄ າ tα=.05= 1.711  ຃ຈິ ໂຖໄ ຃ໄ າຘະຊຉິ ໂິ ຈຈ໅ ໄ ຄັ ຌ.ີ໅ ຉາຓຘູຈ t  x s.d . n df = n-1 ຿຋ຌ຃ໄ າໂຈ໅ t  20  17 5 25 t=3  ຘະນຖຍູ ຏຌົ ຃ໄ າ t ຋ໄ ຃ີ ຈິ ໂຖໄ ໂຈນ໅ ຖາງກທໄ າ຃ໄ າ t ທກິ ຈິ (t = 3> t α=.05= 1.711) ຈໄ ຄັ ຌຌັ໅ ຅ໄ ຄຎະຉ຾ິ ຘຈ H0 ຿ຖະງບຓປຍັ H1 ຘະນຖຍູ ທໄ າຏຌົ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ນຖາງກທໄ າ ຾ກຌ຃ 17 ຃ະ຿ຌຌ ນຖຄັ ແຆຆ໅ ຈກາຌຘບຌດໄ າຄຓ຃ີ ໄ າກະຉທຄ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະຈຍັ 0.05 7. ກາຌກຽຓ຾຃ໄ ບຄຓ຾ຑໄ ບ຾ກຍັ ຂຓ໅ ຌ 7.1 ຎະ຾ຑຈ຾຃ໄ ບຄຓ ຾຃ໄ ບຄຓ຋ໄ ແີ ຆ຾໅ ກຍັ ຖທຍຖທຓຂຓ໅ ຌຓນີ າຼ ງ຿ຍຍ຾ຆໄ ຌ: ຿ຍຍຘບຍຊາຓ,຿ຍຍຘາຑາຈ, ຿ຍຍຘຄັ ຾ກຈ,຿ຍຍ຋ຈົ ຘບຍ ຿ຖະ ຿ຍຍທຈັ ຉໄ າຄໃ 10

ກາຌຘາ໅ ຄ຾຃ໄ ບຄຓ຿ຉໄ ຖະ຿ຍຍຌຌັ໅ ຘາຓາຈຆບກ຾ບາົ ຅າກ຾ບກະຘາຌ ຿ຖະ ຄາຌທໂິ ຅຋ໄ ກີ ໄ ຽທຂບ໅ ຄ ຿ຖທ໅ ຌາຓາ ຎັຍຎຄແນ຿໅ ຋ຈ຾ໝາະກຍັ ຘະຑາຍຍໄ ບຌ຋ໄ ຉີ ຌົ ຾ບຄ຾ປຈັ ທໂິ ຅ ນຼ ຘາ໅ ຄຈທ໅ ງຉຌົ ຾ບຄ ນຼຄັ ຅າກຘາ໅ ຄ຾຃ໄ ບຄຓ຿ຖທ໅ ຉບ໅ ຄນາ຃ຌ ຌະຑາຍຂບຄ຾຃ໄ ບຄຓ 7.2 ກາຌນາ຃ຌຌະຑາຍຂບຄ຾຃ໄ ບຄຓ ຾຃ໄ ບຄຓ຋ໄ ຈີ ຉີ ບ໅ ຄ຾ຎັຌ຾຃ໄ ບຄຓ຋ໄ ຓີ ຃ີ ທາຓ຋ໄ ຽຄຉຄົ ຿ຖະ ຃ທາຓ຾ຆໄ ບໝຌັ໅ ຘຄ 1. ຃ທາຓ຋ໄ ຽຄຉຄົ (Validity): ໝາງ຾ຊຄີ ຿ຍຍ຋ຈົ ຘບຍຌຌັ໅ ຘາຓາຈທຈັ ໂຈຉ໅ າຓຘໄ ຄິ ຉບ໅ ຄກາຌດໄ າຄຊກຉບ໅ ຄຉາຓ຅ຈຓໄ ຄ ໝາງ຋ໄ ກີ າຌຈົ ໂທ.໅ ຃ທາຓ ຋ໄ ຽຄຉຄົ ຓີ 3 ຆະຌຈິ ຃: 1.1 ຋ໄ ຽຄຉຄົ ຉາຓ຾ຌບ໅ ແຌ 1.2 ຋ຽໄຄຉຄົ ຉາຓເ຃ຄຘາ໅ ຄ 1.3 ຋ໄ ຽຄຉຄົ ຉາຓຑະງາກບຌ 2. ຃ທາຓ຾ຆໄ ບໝຌັ໅ (Reliability): ໝາງ຾ຊຄິ ຏຌົ ກາຌຘບຍໂຈ຃໅ ະ຿ຌຌ຃ຄົ ຋ໄ ຿ີ ຌໄ ຌບຌ຾ຆໄ ຌັ : ຊາ໅ ຌາ຿ຍຍ຋ຈົ ຘບຍ ຆຈ຾ຈຓີ ໂຎຘບຍກຍັ ຌກັ ປຽຌ ຃ຌົ ຈຽທ 2 ຃ຄັ໅ ແຌ຾ທຖາ຋ໄ ຉີ ໄ າຄກຌັ ຎະຓາຌ 2 ບາ຋ຈິ ຃ະ຿ຌຌ຋ໄ ໂີ ຈ຾໅ ຋ໄ າົ ກຌັ ນຼ ໂກ຃໅ ຽຄກຌັ ກຍັ ກາຌຘບຍ຃ຄັ໅ ຋າບຈິ . 3. ຃ທາຓ຾ຎັຌຎາຖະໂຌ(Objectivity): ໝາງ຾ຊຄິ ຂຘ໅ ບຍຌຌັ໅ ຓ຃ີ ຌຘຓົ ຍຈັ 3 ດໄ າຄ຃: - ຃າຊາຓຆຈັ ຾຅ຌ ບໄ າຌ຿ຖທ໅ ຾ຂາົ໅ ແ຅ກຄົ ກຌັ ທໄ າຊາຓນງຄັ - ຓຓີ າຈຉະຊາຌກາຌແນ຃໅ ະ຿ຌຌດໄ າຄຈຽທກຌັ ຅ະ຿ຓໄ ຌຏູໂ໅ ຈກທຈກຉາຓ຃ະ຿ຌຌ຅ະ຾຋ໄ າົ ກຌັ - ຿ຎ຃ທາຓຂບຄ຃ະ຿ຌຌໂຈດ໅ ໄ າຄຆຈັ ຾຅ຌໝາງ຾ຊຄິ ຌກັ ປຽຌຍບກໂຈທ໅ ໄ າຉຌົ ຾ບຄໂຈ຃໅ ະ຿ຌຌນຼາງ ນຼ ໜບ໅ ງກໄ ທາ ຃ຌົ ບໄ ຌງບ໅ ຌນງຄັ 4. ຖະຈຍັ ຃ທາຓງາກຄໄ າງ຾ໝາະຘຓົ (Level of Difficulty): ຿ຍຍ຋ຈົ ຘບຍ຋າ໅ ງຑາກ຅ະຉບ໅ ຄຓຖີ ະຈຍັ ຃ທາຓ ງາກ-ຄໄາງແຌຖະຈຍັ ຋ໄ ຾ີ ໝາະຘຓົ ຃: ຃າຊາຓຍໄ ງາກ ນຼ ຄໄາງ຾ກຌີ ໂຎ ຾ຓໄ ບຑ຅ິ າຖະຌາ ຾ຎັຌ຿ຉໄ ຖະຂ຿໅ ຖທ໅ ຃ທຌ຅ະຓຌີ ກັ ປຽຌ຾ປຈັ ຂຘ໅ ບຍຌຌັ໅ ຊກຎະຓາຌ 20%-80% ນຼ ຃ະ຿ຌຌຘະ຾ຖໄ ງຂບຄຌກັ ປຽຌ຋ໄ ຾ີ ຂາົ໅ ຘບຍຎະຓາຌ 50-55% ຂບຄ຃ະ຿ຌຌ຾ຉຓັ 5. ຓບີ າຌາຈ຅າ຿ຌກ(Power of Discrimination): ໝາງ຾ຊຄິ ຏຌົ ຂບຄກາຌຘບຍຘາຓາຈ຅າ຿ຌກຌກັ ປຽຌ຾ກໄ ຄັ , ກາຄ ຿ຖະ ບໄ ບຌໂຈ(໅ ຓ຃ີ ະ ຿ຌຌກະ຅າງ຿ຉໄ ຉໄ ານາຘູຄ). ຘາຖຍັ ກາຌຑ຅ິ າຖະຌາ຃ໄ າຂບຄບາຌາຈ຅າ຿ຌກຂບຄຂຘ໅ ບຍ຿ຉໄ ຖະຂ໅ ຅ະຑ຅ິ າຖະຌາໂຈ຅໅ າກກໄ ຓ຾ກໄ ຄັ ຿ຖະ ກໄ ຓບໄ ບຌ. ຊາ໅ ຌກັ ປຽຌກໄ ຓ຾ກໄ ຄັ ຉບຍຂຘ໅ ບຍຂຌ໅ ຌັ໅ ຊກ຅າຌທຌນຼາງ ຿ຖະ ກໄ ຓບໄ ບຌຉບຍຊກ຅າຌທຌໜບ໅ ງຘະ຿ຈຄທໄ າ ຂຘ໅ ບຍຂຌ໅ ຌັ໅ ຓບີ າຌາຈ຅າ຿ຌກຘູຄ ຿ຖະ ກຄົ ກຌັ ຂາ໅ ຓ. 6. ຘະຈທກແຌກາຌຌາໂຎແຆ(໅ Practicality): ໝາງ຾ຊຄິ ຘະຈທກແຌກາຌຌາໂຎແຆ຋໅ ຄັ ຏູ຾໅ ຂາົ໅ ຘບຍ, ຏູຈ໅ າ຾ຌຌີ ກາຌ ຘບຍ ຿ຖະ ກາຌກທຈແນ຃໅ ະ຿ຌຌ. ຌບກ຅າກຌຌັ໅ ງຄັ ຎະດັຈ຾ທຖາ ຿ຖະ ຃ໄ າແຆ຅໅ ໄ າງຈທ໅ ງ. 11

ຍຈົ ຋ໄ ີ 2 ເຎຕ຿ກຓ SPSS 2.1 ກາຌ຾ຎີຈເຎ຿ກຓ SPSS ກຈົ ຋ໄ ີ All program ຉໄ ຈທ໅ ງ IBM SPSS Statistic ຾ຖບກ IBM SPSS Statistic 23 ຅ະໂຈປ໅ ູຍປໄ າຄໜາ໅ ຉໄ າຄຂບຄ SPSS ຈໄ ຄັ ປູຍ ກຈົ ໝາງ຃ຌດໄ ູ຿຅ຘ຿ີ ຈຄບບກ 12

2.1 ຘໄ ທຌຎະກບຍຉໄ າຄໃຂບຄເຎ຿ກຓ SPSS 2.3 ຾ຎີຈ຿ຖທ໅ ຾ຖໄ ຓີ ແຆຄ໅ າຌໂຈ຾໅ ຖງີ 2.4 ກາຌຎບ໅ ຌຂຓ໅ ຌູ ຅າກໜາ໅ ຅ Data ຓຂີ ຌັ໅ ຉບຌ 1. ຾ຎີຈໜາ໅ ຅ SPSS Data Editor ຾ຖບກ຾ຓຌູ File -> New -> Data 2. ກາຌກາຌຈົ ຆໄ ຿ຖະຖາງຖະບຽຈຂບຄຉທົ ຎໄ ຽຌ ຅າກໜາ໅ ຅ Variable View 3. ຎບ໅ ຌຂຓ໅ ູຌ ຅າກໜາ໅ ຅ Data View 2.5 ຍຌັ ຋ກຶ ຂຓ໅ ຌູ ຾ຖບກ຾ຓຌູ File -> Save ແຘໄ ຆໄ ຉາຓຉບ໅ ຄກາຌ຿ຖທ໅ ກຈົ Save ຊາ໅ ຉບ໅ ຄກາຌແນໜ໅ າ໅ ຅ Data ຘະ຿ຈຄຑາຘາໂ຋ ແນກ໅ າຌ຿ກໂ໅ ຂຒບຌຈໄ ຄັ ຌີ໅ ຾ຖບກ຾ຓຌູ View -> Fonts 13

຾ຖບກ Font ຿ຖະ Size ຉາຓ຋ໄ ຉີ ບ໅ ຄກາຌ ຿ຖທ໅ ຃ກິ ຎໄ ຓ OK ໝາງ຾ນຈ ຆໄ ຒບຌ຋ໄ ຾ີ ຎັຌຑາຘາໂ຋ຘໄ ທຌແນງໄ ຅ະຖຄົ ຋າ໅ ງຈທ໅ ງ UPC ຉທົ ດໄ າຄຂຓ໅ ູຌ ຆໄ ຉທົ ຿ຎ sex ຎະ຾ຑຈຉທົ ຾ຖກ ຃ທາຓກທາ໅ ຄ 1 ຍໄ ຓ຅ີ ຈ຋ຈົ ຌງິ ຓົ Label ຾ຑຈ ກາຌກາຌຈົ ຆໄ ຿ຖະຖາງຖະບຽຈຂບຄຉທົ ຎໄ ຽຌ ຅າກໜາ໅ ຅ Variable View ຋ໄ ໜີ າ໅ ຅ SPSS Data Editor ປຽກໜາ໅ ຅ Variable View ຾ປຈັ ໂຈ໅ 2 ທ຋ິ ີ 1. ຈຍັ ຾ຍຌີ ຃ກິ ກຄົ ຃ຖາຂບຄຍຌັ ຋ຈັ ຋າບຈິ 2. ຃ກິ ຿ຊຍ Variable View ຋ໄ ດີ ໄ ູຈາ໅ ຌຖຓ 1. Name ຆໄ ຉທົ ຎໄ ຽຌ ແນຑ໅ ຓິ ດໄ ູ຃ຖາ Name ຾ຆໄ ຌັ Sex 2. Type ຎະ຾ຑຈຂບຄຉທົ ຎໄ ຽຌ 14

຾ຖບກ Numeric Width=1 Decimal Places=0 ຃ກິ ຎໄ ຓ OK 3. Label ກາຌຈົ ຂ຃໅ ທາຓຂະນງາງຆໄ ຉທົ ຎໄ ຽຌ ຾ຑໄ ບບະ຋ຍິ າງຆໄ ຉທົ ຎໄ ຽຌ຿ຖະ ແນຑ໅ ຓິ ກຄົ ຃ຖາ Label ຾ຆໄ ຌັ ຾ຑຈ 4. Values ກາຌຈົ ຃າບະ຋ຍິ າງແນກ໅ ຍັ ຃ໄ າຉທົ ຿ຎ 5. Missing ກາຌຈົ ຃ໄ າ຋ໄ ຍີ ໄ ຌາໂຎທ຾ິ ຃າະ ຓີ 2 ຿ຍຍ 5.1 User Missing ຏູທ໅ ໂິ ຅຾ຎັຌຏູກ໅ າຌຈົ ຾ຆໄ ຌັ 9, 99, 999, 5.2 System Missing ເຎ຿ກຓ຅ະກາຌຈົ ແນ຾໅ ບຄ 6. Column ຅າຌທຌ຃ທາຓກທາ໅ ຄຂບຄ຃ຖາ຃຅າຌທຌ຃ທາຓກທາ໅ ຄນຖາງຘຈຂບຄ ຃ໄ າຉທົ ຎໄ ຽຌ ນຖ ຆໄ ຉທົ ຎໄ ຽຌ ນຖ label ຉທົ ຎໄ ຽຌ ຅າກຉທົ ດໄ າຄ ຆໄ ຉທົ ຎໄ ຽຌ ຿ຖະ label ຉທົ ຎໄ ຽຌ ຓ຃ີ ທາຓກທາ໅ ຄນຖາງ ຘຈ຾຋ໄ າົ ກຍັ 3ແນຑ໅ ຓິ 4 (຃ທາຓກທາ໅ ຄນຖາງຘຈ຾຋ໄ າົ ກຍັ 3 ຍທກ຾ຏໄ ບໂທ໅ 1) 7. Align ແນຘ໅ ະ຿ຈຄ຃ໄ າຉທົ ຎໄ ຽຌ ຆຈິ ຆາ໅ ງ ຾຃ໄ ຄິ ກາຄ ຆຈິ ຂທາ 8. Measure ຖະຈຍັ ກາຌທຈັ ຂບຄຂຓ໅ ູຌ 15

8.1.1 Scale (Interval, Ratio) 8.1.2 Ordinal 8.1.3 Nominal ແນກ໅ າຌຈົ ຆໄ ຿ຖະຖາງຖະບຽຈຂບຄຉທົ ຎໄ ຽຌແນ຃໅ ຍົ ຋ກຉທົ 2.6 ກາຌ຾ຎີຈ຿ຒໄ ຓຂຓ໅ ຌ ຾ຖບກ຿ຒໄ ຓ຋ໄ ຉີ ບ໅ ຄກາຌ຿ຖທ໅ ຈຍັ ຾ຍຌີ໅ ຃ກິ 2.7 ກາຌທ຾ິ ຃າະຂຓ໅ ຌ ຾ຖບກທ຾ິ ຃າະຉາຓ຋ໄ ຉີ ບ໅ ຄກາຌດໄ ູຘະຊຉິ ິ ຉາຓ຃າຘໄ ຄັ ຉໄ າຄໃ຋ໄ ດີ ໄ ູແຌທຄົ ບບ໅ ຓຂາ໅ ຄ຾຋ຄີ 2.8 ກາຌຎິຈເຎ຿ກຓ ກຈົ ໝາງ຃ຌດໄ ູ຿຅ເຎ຿ກຓ 16

ຍຈົ ຋ໄ ີ 3 ກາຌທ຾ິ ຃າະນາ຃ໄ າຘະຊຉິ ຑິ ຌ໅ ຊາຌ 3.1 ກາຌຘາ໅ ຄຉາຖາຄ຿຅ກ຿຅ຄ຃ທາຓຊໄ ຿ີ ຍຍ຋າຄຈຽທ ຾ຎັຌກາຌ຿຅ກ຿຅ຄຂຓ໅ ູຌຉາຓຖກັ ຘະຌະແຈຖກັ ຘະຌະໜໄ ຄຶ ຂບຄຂຓ໅ ຌູ ຑຽຄຖກັ ຘະຌະຈຽທ ນຖ຅າ຿ຌກ຃ໄ າຂບຄຂຓ໅ ູຌ ເຈງແຆຉ໅ ທົ ຿ຎຉທົ ຈຽທ ຉທົ ດໄ າຄ ຉບ໅ ຄກາຌປູ຃໅ ທາຓຊໄ ຂີ ບຄຖະຈຍັ ກາຌຘກຶ ຘາ 1. ຾ຎີຈໂຒຖຂ໌ ຓ໅ ູຌ data. sav 2. ຾ຖບກ຾ຓຌູ Analyze -> Descriptive Statistics -> Frequencies ຾ຖບກຉທົ ຎໄ ຽຌ Level of education ຃ກິ ຎໄ ຓ ໝາງ຾ນຈ ເຎ຿ກຓ຅ະຘະ຿ຈຄ Label ຿຋ຌຆໄ ຉທົ ຎໄ ຽຌ ຃ກິ ຎໄ ຓ OK ຅ະໂຈຏ໅ ຌົ ຖຍັ ຈໄ ຄັ ຌີ໅ ຃ທາຓນຓາງຂບຄຏຌົ ຖຍັ 17

຃ຖາ຋ໄ ີ 1 ຍບກ຅າຌທຌຂຓ໅ ຌູ Valid ຅າຌທຌຂຓ໅ ູຌ຋ໄ ຌີ າຓາ຿຅ກ຿຅ຄ຃ທາຓຊໄ ີ Missing ຅າຌທຌຂຓ໅ ູຌ຋ໄ ຍີ ໄ ຘຓົ ຍູຌ Total ຅າຌທຌຂຓ໅ ຌູ ຋ຄັ ໝຈົ ຃ຖາ຋ໄ ີ 2 ຘະ຿ຈຄຆໄ ຉທົ ຎໄ ຽຌ ນຖ Label ຂບຄຉທົ ຎໄ ຽຌ ຉາຓ຃ໄ າ ຋ໄ ຾ີ ຎັຌໂຎໂຈຂ໅ ບຄຉທົ ຎໄ ຽຌ຃ຖາ຋ໄ ີ 3 Frequency ຃ ຃ໄ າ຋ໄ ຘີ ະ຿ຈຄ຃ທາຓຊໄ ຋ີ ໄ ຌີ ຍັ ໂຈ໅ ຃ຖາ຋ໄ ີ 4 Percent ຃ ຃ໄ າ຋ໄ ີຘະ຿ຈຄ຃ທາຓຊໄ ີ຋ໄ ີຌຍັ ໂຈແ໅ ຌປູຍ຾ຎີ຾ຆັຌ ຃ິຈ຅າກຂຓ໅ ູຌ຋ຄັ ໝຈົ ຃ຖາຌ຋໌ ໄ ີ 5 Valid Percent ຃ ຃ໄ າ຋ໄ ຘີ ະ຿ຈຄ຃ທາຓຊໄ ຋ີ ໄ ຌີ ຍັ ໂຈແ໅ ຌ຾ຎີ຾ຆຌັ ຍໄ ຖທຓ຃ໄ າ Missing ຃ຖາ຋ໄ ີ 6 Cumulative Percent ຃ ຃ໄ າ຋ໄ ຘີ ະ຿ຈຄ຃ທາຓຊໄ ຘີ ະຘຓົ ຂບຄ Valid Percent 3.2 ກາຌຆບກ຃ໄ າຘະຊຉິ ຑິ ຌ໅ ຊາຌ 18

19

3.3. ກາຌຆບກນາ຃ໄ າຘະຊຉິ ຂິ ບຄກໄ ຓງໄ ບງ  ຉທົ ດໄ າຄ: Descriptive Statistics Std. Ran Mini Maxi Mea Devia N ge mum mum Sum n tion Skewness Kurtosis Stati stic Stati Statis Stati Stati Stati Statis Statis Std. Stati Std. stic Error 10 stic tic stic stic stic tic tic Error 10 -.152 1.334 pretest 5 2 7 43 4.30 1.494 .360 .687 .914 1.334 postest 10 Valid N 3 4 7 61 6.10 .994 -1.08 .687 (listwise) 3.4 ກາຌຘາ໅ ຄຉາຖາຄ຿຅ກ຿຅ຄ຃ທາຓຊໄ ຿ີ ຍຍນຖາງ຋າຄ ຾ຎັຌກາຌ຅າ຿ຌກຂຓ໅ ູຌຉາຓຖກັ ຘະຌະຂບຄຂຓ໅ ູຌຉຄັ໅ ຿ຉໄ 2 ຖກັ ຘະຌະຓາ຿຅ກ຿຅ຄ຃ທາຓຊໄ ຑີ ບ໅ ຓກຌັ ປຽກທໄ າ ຉາ ຖາຄ຿຅ກ຿຅ຄ຃ທາຓຊໄ ຖີ ທຓ (Cross tab Table) ຉທົ ດໄ າຄ ຉາຖາຄ຿຅ກ຿຅ຄ຃ທາຓຊໄ ີ ຅າ຿ຌກຉາຓ຾ຑຈ຿ຖະຖະຈຍັ ກາຌຘກຶ ຘາ ຾ຖບກ຾ຓຌູ Analyze -> Descriptive Statistics -> Crosstabs ຾ຖບກຉທົ ຎໄ ຽຌ sex ຃ກິ ຎໄ ຓ ຾ກຍັ ໂທແ໅ ຌຍບກ Row (s) 20

຾ຖບກຉທົ ຎໄ ຽຌ Level of education ຃ກິ ຎໄ ຓ ຾ກຍັ ໂທແ໅ ຌຍບກ Column (s) ຃ກິ ຎໄ ຓ Cells ດໄ ູ຋ໄ ີ Percentages ຾ຖບກ Row, Column, Total ຃ກິ ຎໄ ຓ Continue ຃ກິ ຎໄ ຓ OK ຅ະໂຈຏ໅ ຌົ ຖຍັ 21

຃ທາຓນຓາງຂບຄຏຌົ ຖຍັ sex ໝາງ຾ຊຄິ ຉທົ ຎໄ ຽຌ຋ໄ ຿ີ ຅ກ຿຅ຄ຋າຄຈາ໅ ຌ຿ຊທ Level of education ໝາງ຾ຊຄິ ຉທົ ຎໄ ຽຌ຋ໄ ຿ີ ຅ກ຿຅ຄ຋າຄຈາ໅ ຌ຃ຖາ Count 19 ຅າຌທຌ຋ໄ ຌີ ຍັ ໂຈ໅ ຓ຾ີ ຑຈຆາງ຋ໄ ຅ີ ຍົ ກາຌຘກຶ ຘາ ຉໄ າກທໄ າຎິຌງາຉີ 19 ຃ຌົ % within 30.6% ຅າຌທຌປບ໅ ງຖະ຾ຓໄ ບ ຓ຾ີ ຑຈຆາງ຋ໄ ຅ີ ຍົ ກາຌຘກຶ ຘາ ຉໄ າກທໄ າຎິຌງາຉ຃ີ ຈິ ຾ຎັຌ sex ຋ຽຍກຍັ ຾ຑຈຆາງ 30.6 % ຂບຄ຾ຑຈຆາງ຋ຄັ ໝຈົ (62 ຃ຌົ ) % within 63.3% ຅າຌທຌປບ໅ ງຖະ຾ຓໄ ບ ຓ຾ີ ຑຈຆາງ຋ໄ ຅ີ ຍົ ກາຌຘກຶ ຘາ ຉໄ າກທໄ າຎິຌງາຉ຃ີ ຈິ ຾ຎັຌ Level ຋ຽຍກຍັ ຖະຈຍັ ກາຌຘກຶ 63.3 % ຂບຄ຾ຑຈ຋ໄ ຅ີ ຍົ ຉໄ າກທໄ າຎິຌງາຉ຋ີ ຄັ ໝຈົ (30 ຃ຌົ ) ຘາ % of 19.4% ຅າຌທຌປບ໅ ງຖະ຾ຓໄ ບ ຓ຾ີ ຑຈຆາງ຋ໄ ຅ີ ຍົ ກາຌຘກຶ ຘາ ຉໄ າກທໄ າຎິຌງາຉ຃ີ ຈິ ຾ຎັຌ Total ຋ຽຍກຍັ ຂຓ໅ ຌູ ຋ຄັ ໝຈົ 19.4 % ຂບຄຂຓ໅ ຌູ ຋ຄັ ໝຈົ (100 ຃ຌົ ) 22

ຍຈົ ຋ໄ ີ 4 ກາຌ຅ຈັ ກາຌກຍັ ຂຓ໅ ຌ 4.1 ກາຌຎໄ ຽຌ຿ຎຄຂຓ໅ ຌູ ກໄ ບຌຌາໂຎທ຾ິ ຃າະ 1. ກາຌຎໄ ຽຌ຿ຎຄກໄ ຽທກຍັ ຉທົ ຎໄ ຽຌ 2. ກາຌຘາ໅ ຄຉທົ ຎໄ ຽຌແໝໄ ຅າກກາຌ຃ຈິ ໂຖໄ ຿ຖະ຾ຄໄບຌໂຂ 3. ກາຌ຾ຖບກຂຓ໅ ຌູ ຓາ຋າກາຌທ຾ິ ຃າະ 4. ກາຌຈາ຾ຌຌີ ກາຌບໄ ຌ ໃ ກຍັ ຂຓ໅ ຌູ 1. ກາຌຎໄ ຽຌ຿ຎຄກໄ ຽທກຍັ ຉທົ ຎໄ ຽຌ 1. ຉບ໅ ຄກາຌຎໄ ຽຌ຿ຎຄຖາງຖະບຽຈຉທົ ຎໄ ຽຌແຈແນ໅ ຈຍັ ຾ຍຌີ ຃ກິ ຋ໄ ຆີ ໄ ຉທົ ຎໄ ຽຌ ຅າກໜາ໅ ຅ Data View 2. ຉບ໅ ຄກາຌຎໄ ຽຌ຃ໄ າຉທົ ຎໄ ຽຌ ຾ປຈັ ໂຈ໅ 2 ຖກັ ຘະຌະ 2.1 ກາຌຎໄ ຽຌ຃ໄ າແຌຉທົ ຎໄ ຽຌ຾ຈຓີ ທ຋ິ ຌີ ຍີ໅ ໄ ຾ຎັຌ຋ໄ ຌີ ງິ ຓົ 2.2 ກາຌຎໄ ຽຌ຃ໄ າ຿ຖະຘາ໅ ຄ຾ຎັຌຉທົ ຎໄ ຽຌແໝໄ ຋ໄ ໜີ າ໅ ຅ Data View ຾ຖບກ຾ຓຌູ Transform -> Recode -> Into Different Variables ຉທົ ດໄ າຄ ຎໄ ຽຌ຃ໄ າຉທົ ຎໄ ຽຌ sex ຅າກ 1 ຾ຎັຌ 3 ຿ຖະ 2 ຾ຎັຌ 4 ຘາ໅ ຄຉທົ ຿ຎແໝໄ ຆໄ newsex 23

຃ຖາຆາ໅ ງຂບຄໜາ໅ ຅຾ຖບກຉທົ ຎໄ ຽຌ SEX ຃ກິ ຎໄ ຓ ຃ຖາ Output Variable Name ຑຓິ newsex Label ຑຓິ ຉທົ ຎໄ ຽຌ຾ຑຈ(ແໝໄ ) ຃ກິ ຎໄ ຓ Change ຃ກິ ຎໄ ຓ Old and New Values ຃ຖາ Old Value Value ຑຓິ 1 ຃ຖາ New Value Value ຑຓິ 3 ຃ກິ ຎໄ ຓ Add ຃ຖາ Old Value Value ຑຓິ 2 ຃ຖາ New Value Value ຑຓິ 4 ຃ກິ ຎໄ ຓ Add ຃ກິ ຎໄ ຓ Continue ຃ກິ ຎໄ ຓ OK ຉທົ ຎໄ ຽຌແໝໄ newsex ຅ະຉໄ ຅າກ຃ຖາຘຈ຋າ໅ ງ ຉທົ ດໄ າຄ ຎໄ ຽຌ຃ໄ າຉທົ ຎໄ ຽຌ age ເຈງກາຌຈົ ຾ຎັຌຆໄ ທຄ ຿ຖະຘາ໅ ຄຉທົ ຎໄ ຽຌແໝໄ ຆໄ newage 1 ຾຋ໄ າົ ກຍັ ຌບ໅ ງກທໄ າ 25 ຎີ 2 ຾຋ໄ າົ ກຍັ 25 ຎີ ຾ຊຄິ 34 ຎີ 3 ຾຋ໄ າົ ກຍັ 35 ຎີ ຾ຊຄິ 44 ຎີ 4 ຾຋ໄ າົ ກຍັ ຉຄັ໅ ຿ຉໄ 45 ຎີຂຌຶ໅ ໂຎ 24

຾ຖບກ Range Lowest through ຑຓິ 25 Value ຑຓິ 1 ຃ກິ ຎໄ ຓ Add ຾ຖບກ Range ຑຓິ 25 through ຑຓິ 34 Value ຑຓິ 2 ຃ກິ ຎໄ ຓ Add ຾ຖບກ Range ຑຓິ 35 through ຑຓິ 44 Value ຑຓິ 3 ຃ກິ ຎໄ ຓ Add ຾ຖບກ Range ຑຓິ 45 through highest Value ຑຓິ 4 ຃ກິ ຎໄ ຓ Add ຃ກິ ຎໄ ຓ Continue ຃ກິ ຎໄ ຓ OK  ກາຌຘາ໅ ຄຉທົ ຎໄ ຽຌແໝໄ ຅າກກາຌ຃ຈິ ໂຖໄ ຿ຖະ຾ຄໄບຌໂຂ ຉທົ ດໄ າຄ ຾ຎີຈໂຒ DATA. sav ຘາ໅ ຄຉທົ ຿ຎແໝໄ ຆໄ newincome ເຈງ຾ຑໄ ຓີ ຖາງໂຈຂ໅ ຌຶ໅ 10% ຅າກຉທົ ຎໄ ຽຌ income ຘະ຾ຑາະ຾ຑຈງຄິ ຾ຖບກ຾ຓຌູ Transform -> Compute 25

Target Variable ຑຓິ newincome ຾ຖບກຉທົ ຿ຎ income ຃ກິ ຎໄ ຓ Numeric Expression ຑຓິ income * 1.1 ຃ກິ ຎໄ ຓ Type & Label Label ຑຓິ ຾ຑໄ ຓີ ຖາງໂຈ຾໅ ຑຈງຄິ ຃ກິ ຎໄ ຓ Continue ຃ກິ ຎໄ ຓ If 26

຾ຖບກຉທົ ຎໄ ຽຌ sex ຃ກິ ຎໄ ຓ ຾ຖບກ Include if case satisfies condition ຑຓິ sex = 2 ຃ກິ ຎໄ ຓ Continue ຃ກິ ຎໄ ຓ OK 4.2 ກາຌ຾ຖບກຂຓ໅ ຌູ ຓາທ຾ິ ຃າະ ຎົກກະຉເິ ຎ຿ກຓຌາຂຓ໅ ຌູ ຋ຄັ ໝຈົ ແຌ Data View ຓາກໄ ກາຌທ຾ິ ຃າະ ຊາ໅ ຏູທ໅ ໂິ ຅ຉບ໅ ຄກາຌ຾ຖບກຂຓ໅ ູຌຍາຄຆຈຓາກໄ ກາຌທ຾ິ ຃າະ ແນ຾໅ ຖບກ຾ຓຌູ Data -> Select Cases All cases ຂຓ໅ ູຌ຋ຄັ ໝຈົ ຋ກຆຈ ຋ກຉທົ ຎໄ ຽຌ If condition is satisfied ຾ຖບກຆຈຂຓ໅ ູຌຉາຓ຾ຄໄບຌໂຂ຋ໄ ກີ າຌຈົ Random sample of cases ຾ຖບກຂຓ໅ ູຌຈທ໅ ງທ຋ິ ີຘໄ ຓເຈງກາຌຈົ ຅າຌທຌຆຈຂຓ໅ ູຌ຋ໄ ີຉບ໅ ຄກາຌ຅າກ ກາຌຘໄ ຓເຈງຎະຓາຌ (Approximately) ນຖ ຅າຌທຌຆຈຂຓ໅ ຌູ ຋ໄ ຿ີ ຌໄ ຌບຌ (Exactly) Base on time or cases range ຾ຖບກຆຈຂຓ໅ ູຌເຈງແຆຖ໅ າຈຍັ ຂບຄຆຈຂຓ໅ ຌູ ຾ຎັຌຉທົ ກາຌຈົ Use Filter variable ຾ຖບກຆຈຂຓ໅ ຌູ ເຈງແຆ຃໅ ໄ າຂບຄຉທົ ຎໄ ຽຌ຋ໄ ຓີ ດີ ໄ ູ຾ຎັຌຉທົ ກາຌຈົ Unselected Cases Are Filtered ຾ຎັຌກາຌ຾ຖບກຆຈຂຓ໅ ູຌ຿ຍຍຆໄ ທົ ຃າທ ຊາ໅ ຉບ໅ ຄກາຌກຍັ ຓາ຾ຖບກຂຓ໅ ູຌ ຋ຄັ ໝຈົ ແນ຾໅ ຖບກ຾ຓຌູ Data -> Select Cases -> All case Deleted ຾ຎັຌກາຌ຾ຖບກຆຈຂຓ໅ ຌູ ຿ຍຍຊາທບຌ ເຈງ຋ໄ ຂີ ຓ໅ ູຌ຋ໄ ຍີ ໄ ຊກ຾ຖບກ຅ະຊກຖຍົ ບບກ຅າກ Data View ຿ຉໄ ຍໄ ຓຏີ ຌົ ຉໄ ຂຓ໅ ຌູ ຂບຄໂຒຂຓ໅ ູຌ຾ຈຓີ ຊາ໅ ຍໄ ຍຌັ ຋ກຶ ຉທົ ດໄ າຄ ຉບ໅ ຄກາຌ຾ຖບກຆຈຂຓ໅ ຌູ ຘະ຾ຑາະ຾ຑຈຆາງ ຾ຖບກຉທົ ຿ຎ sex ຾ຖບກ If condition is satisfied ຃ກິ ຎໄ ຓ If 27

຾ຖບກຉທົ ຿ຎ sex ຃ກິ ຎໄ ຓ ຑຓິ sex = 1 ຃ກິ ຎໄ ຓ Continue ຾ຖບກ Deleted ຃ກິ ຎໄ ຓ OK ໝາງ຾ນຈ 1. ນາ໅ ຓຘໄ ຄັ ຍຌັ ຋ກຶ ຅າກ຾ຓຌູ File -> Save ຾ຑາະ຅ະ຾ປຈັ ແນຂ໅ ຓ໅ ຌູ ຾ຈຓີ ຘູຌນາງ 2. ຊາ໅ ຉບ໅ ຄກາຌຌາຆຈຂຓ໅ ຌູ ຌໂີ໅ ຎທ຾ິ ຃າະ຾຋ໄ ບຉໄໂຎ ແນຍ໅ ຌັ ຋ກຶ ຆໄ ໂຒຖແ໌ ໝໄ ຅າກ຾ຓຌູ File -> Save As 4.3 ກາຌ຾ຑໄ ຓີ ນນຼ ຈຼ ຂຓ໅ ຌ 28

4.4 ກາຌປຍັ ຂຓ໅ ຌ຅າກ຿ຒຓຂຓ໅ ຌບໄ ຌ ແນກ໅ ບັ ຍຎີໂ໅ ຒ຋ກໂຒ຋ໄ ດີ ໄ ູແຌເຒຌ຾ຈີ train_spss\\data ຅າກ຿ຏໄ ຌຆຈີ ີ ໂຎ຾ກຍັ ໂທ຋໅ ໄ ເີ ຒຌ຾ຈີ C: \\train_spss\\data຾ຄໄບຌໂຂ 1. ໂຒ຋ໄ ຅ີ ະຌາ຾ຂາົ໅ ຉບ໅ ຄຍໄ ຾ຎີຈ຃າ໅ ຄໂທ຋໅ ໄ ີ Excel 2. ຂຓ໅ ູຌ຋ໄ ຎີ ບ໅ ຌແຌ Excel ຉບ໅ ຄ຾ຎັຌ຿ຍຍ Numeric ຍໄ ຾ຎັຌ຿ຍຍ String ຾ຆໄ ຌັ ‘1 3. ຍຌັ ຋ຈັ ຿ຖກ ຉບ໅ ຄ຾ຎັຌຆໄ ຉທົ ຎໄ ຽຌ ຍຌັ ຋ຈັ ຉໄ ຋ໄ ີ 2 ຾ຎັຌຉຌົ໅ ໂຎ຅ະ຾ຎັຌຂຓ໅ ຌູ ກາຌຌາ຾ຂາົ໅ 1. ຾ຖບກ຾ຓຌູ File -> Open -> Data File of type ຾ຖບກ Excel (*. xls) Look in ຾ຖບກ C: \\train_spss\\data\\tinybus. xls ຃ກິ ຎໄ ຓ Open ຃ກິ ຎໄ ຓ OK 2. ຾ຖບກ຾ຓຌູ File -> Save As Save as type ຾ຖບກ SPSS (*. sav) 29

Save in ຾ຖບກຆໄ Drive ຉາຓຈທ໅ ງຆໄ ຑຌ໅ ຋ໄ ແີ ຌ Harddisk ຾ຆໄ ຌັ C: \\train_spss\\data File name ຑຓິ ຆໄ ຒາງ ຾ຆໄ ຌັ tinybus ຃ກິ ຎໄ ຓ Save ນຖຄັ ຅າກ຋ໄ ໂີ ຈຒ໅ າງ tinybus. sav ຘໄ ຄິ ຿ຖກ຋ໄ ຉີ ບ໅ ຄ຾ປຈັ ຃ ກາຌຈົ ຖາງຖະບຽຈ຿ຉໄ ຖະຉທົ ຎໄ ຽຌ 30

ຍຈົ ຋ໄ ີ 5 ກາຌ຋ຈົ ຘບຍຘຓົ ຓຈຊາຌ T-test  ກາຌຎະຓາຌ຃ໄ າ ຿ຖະ ກາຌ຋ຈົ ຘບຍຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ ກາຌຎະຓາຌ຃ໄ າ຾ຎັຌທ຋ິ ກີ າຌບະຌຓາຌ຋າຄຘະຊຉິ ທິ ຋ິ ໜີ ໄ ຄ຾ຑໄ ບ຅ະນາ຃ໄ າ຋ໄ ຃ີ າຈທໄ າໜາ໅ ຅ະ຾ຎັຌ຃ໄ າຂບຄຂຓ໅ ຌ຋ຄັ ໝຈົ ນຼປຽກທໄ າ຃ໄ າຑາຖາຓ຾ີ ຉຂີ ບຄຎະຆາກບຌເຈງແຆ຃໅ ໄ າຂບຄຂຓ໅ ຌຉທົ ດໄ າຄ຋ໄ ປີ ຽກທໄ າ຃ໄ າຘະຊຉິ .ິ ກາຌຎະຓາຌ຃ໄ າ຃ກາຌຎະຓາຌ຃ໄ າຑາຖາຓ຾ີ ຉຆີ ໄ ຄ຾ຎັຌຖກັ ຘະຌະຂບຄຎະຆາກບຌເຈງແຆ຃໅ ໄ າຘະຊຉິ ຂິ ບຄຂຓ໅ ຌ ຉທົ ດໄ າຄນຼບາຈກໄ າທໂຈທ໅ ໄ າ຾ຎັຌກາຌຎະຓາຌ຃ໄ າຑາຖາຓ຾ີ ຉຈີ ທ໅ ງ຃ໄ າຘະຊຉິ ຾ິ ຆໄ ຌັ   ຎະຓາຌ຃ໄ າຘະ຾ຖໄ ງຎະຆາກບຌ (µ) ຈທ໅ ງ຃ໄ າຘະ຾ຖໄ ງຉທົ ດໄ າຄ x   ຎະຓາຌ຃ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຎະຆາກບຌ ( ) ຈທ໅ ງ຃ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຉທົ ດໄ າຄ s2 ກາຌ຋ຈົ ຘບຍຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ຾ິ ຎັຌທ຋ິ ກີ າຌບະຌຓາຌ຋າຄຘະຊຉິ ທິ ຋ິ ໜີ ໄ ຄ຋ໄ ແີ ຆກ໅ ທຈຘບຍຘຓົ ຓຈຊາຌ ທໂິ ຅຋ໄ ຏີ ູທ໅ ໂິ ຅຃າຈ຾ຈາົ ຿ຉໄ ກາຌກທຈຘບຍຌຌັ໅ ຅ະຍໄ ຾ປຈັ ກຍັ ຘຓົ ຓຈຊາຌທໂິ ຅ເຈງກຄົ ຿ຉໄ ຅ະ຾ຎັຌກາຌກທຈຘບຍຘຓົ ຓຈ ຊາຌ຋າຄຘະຊຉິ ຋ິ ໄ ຏີ ູ຋໅ ຈົ ຘບຍຉຄັ໅ ຂຌ໅ ຓາແນຘ໅ ບຈ຃ໄ ບຄກຍັ ຘຓົ ຓຈຊາຌທໂິ ຅຿ຖທ໅ ຘະນຼຍຏຌົ ຋ຈົ ຘບຍ.ນຼກັ ຾ກຌກາຌຉຄັ໅ ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ ຘາຖຍັ 1 ກໄ ຓຉທັ ດໄ າຄ ຘຓົ ຓຈຊາຌ ຿ຍຍຘບຄ຋າຄ H0 : 1  2 (Two-tails Test) H1 : 1  2 ຿ຍຍ຋າຄຈຽທ H0 : 1  2 (One-tails Test) H1 : 12 H0 : 1  2 H1 : 1 2 ກາຌ຋ຈົ ຘບຍ t-test 5.1 ກຖະຌຉີ ທົ ຎໄ ຽຌບຈິ ຘະນຖະຓຑີ ຽຄກໄ ຓຈຽທ. ຊາ໅ ປູ຃໅ ໄ າຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ ( 2 )ກຖະຌປີ ູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ຅ະແຆຘ໅ ະຊຉິ ຋ິ ຈົ ຘບຍ຃ໄ າຆີ (z-test for one sample)  ຂຉ໅ ກົ ຖຄົ ຾ຍບ໅ ຄຉຌົ໅ 31

1. ຂຓ໅ ູຌ຾ຎັຌ (ordinal scale). 2. ກໄ ຓຉທົ ດໄ າຄໂຈຓ໅ າເຈງກາຌຘໄ ຓ 3. ຃ໄ າຂບຄຉທົ ຎໄ ຽຌ຿ຉໄ ຖະນຌໄ ທງ຾ຎັຌບຈິ ຘະນຖະຉໄ ກຌັ 4. ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ ຘູຈ຋ໄ ແີ ຆແ໅ ຌກາຌ຃ຈິ ໂຖໄ z  x  n ຃ໄ າທກິ ຈິ ຂບຄ z ດໄ ູ຋ໄ ີ df = ∞ z ຿຋ຌ຃ໄ າຘະຊຉິ ຋ິ ໄ ຎີ ຽຍ຋ຽຍ຃ໄ າທກິ ຈິ ຅າກຉາຖາຄກາຌ຿຅ກ຿຅ຄຎົກກະຉິ  ຿຋ຌຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌຂບຄຎະຆາກບຌ  ຿຋ຌ຃ໄ າຘະ຾ຖໄ ງຂບຄຎະຆາກບຌ x ຿຋ຌ຃ໄ າຘະ຾ຖໄ ງຂບຄກໄ ຓຉທົ ດໄ າຄ n ຿຋ຌຂະໜາຈຂບຄກໄ ຓຉທົ ດໄ າຄ ກຖະຌຍີ ໄ ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ຿ຉໄ ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄກໄ ຓຉທົ ດໄ າຄ ກຖະຌຌີ ຅ີ໅ ະແຆຘ໅ ະຊຉິ ຋ິ ຈົ ຘບຍ (t-test for one sample) ແຌກາຌ຋ຈົ ຘບຍ  ຂຉ໅ ກົ ຖຄົ ຾ຍບ໅ ຄຉຌົ໅ 1. ຂຓ໅ ູຌດໄ ູແຌຓາຈຉາກາຌ຅ຈັ ຾ຎັຌນທໄ າຄນຖບຈັ ຉາຘໄ ທຌ 2. ກໄ ຓຉທົ ດໄ າຄ຾ຎັຌກໄ ຓຉທົ ດໄ າຄ຋ໄ ໂີ ຈຓ໅ າເຈງກາຌຘຓ 3. ຃ໄ າຂບຄຉທົ ຎໄ ຽຌ຿ຉໄ ຖະນຌໄ ທງ຾ຎັຌບຈິ ຘະນຖະຉໄ ກຌັ ຘູຈ຋ໄ ແີ ຆແ໅ ຌກາຌ຃ຈິ ໂຖໄ t  x s.d . n df = n-1 s.d. ຿຋ຌຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌຂບຄກໄ ຓຉທົ ດໄ າຄ ຉທົ ດໄ າຄ1. ຅າກຖາງຄາຌກາຌທໂິ ຅ກໄ ຽທກຍັ ຃ທາຓຊະນຌຈັ ຋າຄກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາເປຄປຽຌ຿ນໄ ຄໜໄ ຄ ຎາກຈົ ທໄ າ຃ໄ າຘະ຾ຖໄ ງ຾ຎັຌ 90 ຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌ຾ຎັຌ 14 ຉໄ ຓາບາ຅າຌ຃ຌົ ໜໄ ຄໂຈຘ໅ ໄ ຓຌກັ ຘກຶ ຘາຓາ຅າຌທຌ 60 ຃ຌົ ແຆ຿໅ ຍຍທຈັ ຃ທາຓຊະນຌຈັ ຋າຄກາຌປຽຌຎາກຈົ ທໄ າ ຃ໄ າຘະ຾ຖໄ ງ຾ຎັຌ 100 ຏທ໅ ໂິ ຅ດາກປູທ໅ ໄ າ຃ທາຓຊະນຌຈັ ຋າຄ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາກໄ ຓຌີ໅ ຾ຑໄ ຓີ ຂຌ໅ ນຖຍໄ 32

ແນ຃໅ ໄ າ  = 0.01 (຃ໄ າກະຉທຄຂບຄ຃ທາຓ຃າຈ຾຃ໄ ບຌ) ທ຋ິ ີ ຾ປຈັ ປູ ໅  = 90  = 14 x = 100 n = 60  ຋ຈົ ຘບຍຘຓົ ຓຈຊາຌຈໄ ຄັ ຌ.ີ໅ 1. ຉຄັ໅ ຘຓົ ຓຈຊາຌ 1.1 ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅ ຃ທາຓຊະນຌຈັ ຋າຄກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາ ຾ຑໄ ຓີ ຂຌ໅ ຅າກ຋ໄ ຾ີ ຃ງີ ຓຏີ ູ຾໅ ປຈັ ທໂິ ຅ໂທ໅ 1.2 ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ H0 : μ = 90 (຃ທາຓຊະນຌຈັ ຋າຄກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ຾຋ໄ າົ ກຍັ 90) H1 : μ > 90 (຃ທາຓຊະນຌຈັ ຋າຄກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ນຖາງກທໄ າ 90) α = 0.01 ຃ໄ າກະຉທຄຂບຄ຃ທາຓ຃າຈ຾຃ໄ ບຌ 5 ຾ຖບກແຆຘ໅ ະຊຉິ ິ z-test ຾ຑາະປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ z  x  z  100  90 14 ຉາຓຘູຈ  ຿຋ຌ຃ໄ າຉາຓຘູຈໂຈ໅ n 60 Z = 10 60  5.52 14 6 ນາ຃ໄ າທກິ ຈິ ຾ຍໄ ຄິ ຋ໄ ຉີ າຖາຄ t ແຌກຖະຌີ df =  ຿ຖະ α =.01 ຆໄ ຄແນ຃໅ ໄ າ zα=.01= 2.326 33

7 ຘະນຖຍູ ຏຌົ ຃ໄ າ z ຋ໄ ຃ີ ຈິ ໂຖໄ ໂຈນ໅ ຖາງກທໄ າ຃ໄ າ z ທກິ ຈິ (z=5.52> z α=.01= 2.326) ຈໄ ຄັ ຌຌັ໅ ຅ໄ ຄຎະຉ຾ິ ຘຈ H0 ຿ຖະງບຓປຍັ H1 ຘະນຖູຍທໄ າ຃ທາຓຊະນຌຈັ ຋າຄກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາ ຾ຑໄ ຓີ ຂຌ໅ ຅າກ຋ໄ ຾ີ ຃ງີ ຾ປຈັ ທໂິ ຅ໂທ຃໅ ເຈງຘະ຾ຖໄ ງນຖາງກທໄ າ 90 ດໄ າຄຓ຃ີ ໄ າກະຉທຄ຋າຄຘະຊຉິ ິ ຋ໄ ຖີ ະຈຍັ 0.01 ຉທົ ດໄ າຄ 2. ກາຌທໂິ ຅ ຾ຆຄີ ຋ຈົ ຖບຄ ຾ຑໄ ບຘກຶ ຘາຆຈກາຌຘບຌ຾ຘຓີ ຏູທ໅ ໂິ ຅ໂຈຘ໅ ໄ ຓຌກັ ປຽຌຓາ຅າຌທຌ 25 ຃ຌົ ຋ໄ ີຓຏີ ົຌກາຌປຽຌຉໄ າ ຿ຖທ໅ ຋ຈົ ຖບຄແຆຆ໅ ຈກາຌຘບຌຌີ໅ ຎາກຈົ ທໄ າໂຈ຃໅ ະ຿ຌຌຘະ຾ຖໄ ງ 20 ຃ະ຿ຌຌ ຘໄ ທຌຍໄ ຽຄ຾ຍຌ ຓາຈຉະຊາຌ 5 ຅ໄ ຄົ ຋ຈົ ຘບຍທໄ າກາຌແຆຆ໅ ຈກາຌຘບຌ຅ະ຾ປຈັ ແນຏ໅ ຌົ ກາຌປຽຌຘຄກທໄ າ຾ກຌ຋ໄ ກີ າຌຈົ ໂທ຃໅ 17 ຃ະ຿ຌຌ ນຖຍໄ ?຋ໄ ຖີ ະຈຍັ ຃ທາຓຘາ຃ຌັ ຋າຄຘະຊຉິ ິ α = 0.05 ທ຋ິ ຾ີ ປຈັ ຅າກຍຈົ ຾ປາົ ໂຈ໅  = 17 (຃ໄ າຘະ຾ຖໄ ງຂບຄຎະຆາກບຌ) s.d = 5 (ຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌກໄ ຓຉທົ ດໄ າຄ) x = 20 (຃ໄ າຘະ຾ຖໄ ງກໄ ຓຉທົ ດໄ າຄ) n = 25 (຅າຌທຌກໄ ຓຉທົ ດໄ າຄ) 2. ຉຄັ໅ ຘຓົ ຓຈຊາຌ 2.1 ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅ ນຖຄັ ກາຌແຆຆ໅ ຈກາຌຘບຌ຅ະ຾ປຈັ ແນຏ໅ ຌົ ກາຌປຽຌຘຄກທໄ າ຾ກຌ຋ໄ ກີ າຌຈົ ໂທ຃໅ 17 ຃ະ຿ຌຌ 2.2ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ H0 : μ = 17 (ຏຌົ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ຾຋ໄ າົ ກຍັ 17) H1 : μ > 17 (ຏຌົ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ນຖາງກທໄ າ 17) α = .05  ຾ຖບກແຆຘ໅ ະຊຉິ ິ t-test ຾ຑາະຍໄ ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ຿ຉໄ ປູ຃໅ ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄກໄ ຓຉທົ ດໄ າຄ  ນາ຃ໄ າທກິ ຈິ ຾ຍໄ ຄິ ຋ໄ ຉີ າຖາຄ t ແຌກຖະຌີ df = n-1 ຾຋ໄ າົ ກຍັ 25-1= 24 ຿ຖະ α =.05 ຆໄ ຄແນ຃໅ ໄ າ tα=.05= 1.711  ຃ຈິ ໂຖໄ ຃ໄ າຘະຊຉິ ໂິ ຈຈ໅ ໄ ຄັ ຌ.ີ໅ ຉາຓຘູຈ t  x s.d . n df = n-1 ຿຋ຌ຃ໄ າໂຈ໅ t  20  17 5 25 t=3 34

 ຘະນຖຍູ ຏຌົ ຃ໄ າ t ຋ໄ ຃ີ ຈິ ໂຖໄ ໂຈນ໅ ຖາງກທໄ າ຃ໄ າ t ທກິ ຈິ (t = 3> t α=.05= 1.711) ຈໄ ຄັ ຌຌັ໅ ຅ໄ ຄຎະຉ຾ິ ຘຈ H0 ຿ຖະງບຓປຍັ H1 ຘະນຖູຍທໄ າຏຌົ ກາຌປຽຌຂບຄຌກັ ຘກຶ ຘາຘະ຾ຖໄ ງ຿ຖທ໅ ນຖາງກທໄ າ ຾ກຌ຃ 17 ຃ະ຿ຌຌ ນຖຄັ ແຆຆ໅ ຈກາຌຘບຌດໄ າຄຓຖີ ະຈຍັ ຃ທາຓຘາ຃ຌັ ຋າຄຘະຊຉິ ິ 0.05  ກາຌແຆເ໅ ຎ຿ກຓ SPSS ກຖະຌກີ ໄ ຓຉທົ ດໄ າຄຈຽທ ຘບຍກໄ ບຌ - ຘບຍນຼຄັ ຌກັ ປຽຌ 35 ຃ຌົ ຘບຍກໄ ບຌທໂິ ຅ ຿ຖະ ຖຄັ ທໂິ ຅ແຌທຆິ າ຃ະຌຈິ ຘາຈແຌ຾ຖໄ ບຄກາຌຍທກ຾ຖກຘໄ ທຌຎາກຈົ ຏຌົ ຈໄ ຄັ ຌ:ີ໅  ຉຄັ໅ ຘຓົ ຓຈຊາຌ 2.3 ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅ ຏຌົ ກາຌ຋ຈົ ຘບຍນຼຄັ ທໂິ ຅ຈກີ ທໄ າກໄ ບຌທໂິ ຅ 2.4 ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ H0 : μ = 0 (ຏຌົ ກາຌ຋ຈົ ຘບຍກໄ ບຌທໂິ ຅຿ຖະນຼຄັ ທໂິ ຅ຍໄ ຿ຉກຉໄ າຄກຌັ ) H1 : μ > 0 (ຏຌົ ກາຌ຋ຈົ ຘບຍນຄຼັ ທໂິ ຅ຈກີ ທໄ າກໄ ບຌກາຌທໂິ ຅) α = .05 35

຾ຂາົ໅ ຉາຓປູຍຂາ໅ ຄຖໄ ຓຌີ໅ ກຈົ ແຘຉທົ ຎໄ ຽຌ຋ໄ ຉີ ບ໅ ຄກາຌທ຾ິ ຃າະ຿ຖທ໅ ກຈົ ຘາຓນໄ ຽຼ ຓງາ໅ ງໂຎນບ໅ ຄ paired variables: ກຈົ OK 36

Paired Samples T-Test Std. Std. Error Mean N Deviation Mean Pair 1 PRETEST 4.7143 35 2.17704 .36799 POSTEST 7.1714 35 2.34503 .39638 Paired Samples Correlations Correlati N on Sig. Pair 1 PRETEST & POSTEST 35 .897 .000 37

຅າກຏຌົ ກາຌທ຾ິ ຃າະ຾ນຌັ ທໄ າ Sig. (2-tailed) = 0.01 ໝາງ຃ທາຓທໄ າ ຏຌົ ກາຌ຋ຈົ ຘບຍນຄຼັ ທໂິ ຅ຈກີ ທໄ າກໄ ບຌທໂິ ຅ດໄ າຄຓີ ໂຖງະ຃ທາຓຘາ຃ຌັ ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະຈຍັ α = .01 5.2 ກຖະຌີ 2 ກໄ ຓຉທົ ດໄ າຄ: ຏູທ໅ ໂິ ຅ໂຈ຋໅ າກາຌ຋ຈົ ຖບຄທ຋ິ ຘີ ບຌ 2 ທ຋ິ ຃ີ ທ຋ິ ຘີ ບຌ຿ຍຍ຃ຌົ໅ ຑຍົ ຿ຖະທ຋ິ ຘີ ບຌ຿ຍຍຍຌັ ງາງ ເຈງແຆກ໅ ໄ ຓ ຉທົ ດໄ າຄ 2 ກໄ ຓ ຾ບຌີ໅ ທໄ ານບ໅ ຄ຃ທຍ຃ຓ ຿ຖະ ນບ໅ ຄ຋ຈົ ຖບຄ ນບ໅ ຄຖະ 30 ຃ຌົ ນຼຄັ ຘບຌ຿ຖທ໅ ກ຋ຈົ ຘບຍ຿ຖທ໅ ຌາ຃ະ຿ຌຌ ຋ໄ ໂີ ຈຓ໅ າທ຾ິ ຃າະຈໄ ຄັ ຂຓ໅ ຌຖໄ ຓຌ:ີ໅ ຖ/ຈຌກັ ປຽຌ ຃ະ຿ຌຌນບ໅ ຄ຃ທຍ຃ຓ ຃ະ຿ຌຌນບ໅ ຄ຋ຈົ ຖບຄ 1 4 6 2 4 7 3 4 8 4 5 7 5 6 6 6 4 5 7 7 6 8 6 4 9 5 3 10 3 5 11 2 7 12 3 8 13 4 9 14 5 7 15 6 6 16 4 8 17 3 7 18 5 9 19 2 5 20 3 2 21 4 4 22 5 7 23 5 6 24 4 8 25 4 7 38

26 3 7 27 3 6 28 6 9 29 4 8 30 3 7  ທ຋ິ ທີ ຾ິ ຃າະເຈງແຆເ໅ ຎ຿ກຓ SPSS  ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅: ຏຌົ ກາຌປຽຌນບ໅ ຄ຋ຈົ ຖບຄຈກີ ທໄ າຏຌົ ກາຌປຽຌນບ໅ ຄ຃ທຍ຃ຓ  ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ :ິ H0 : μ = 0 (ຏຌົ ກາຌ຋ຈົ ຘບຍນບ໅ ຄ຋ຈົ ຖບຄ຿ຖະນບ໅ ຄ຃ທຍ຃ຓຍໄ ຿ຉກຉໄ າຄກຌັ ) H1 : μ > 0 (ຏຌົ ກາຌ຋ຈົ ຘບຍນບ໅ ຄ຋ຈົ ຖບຄ຅ຈກີ ທໄ ານບ໅ ຄ຃ທຍ຃ຓ)  ກາຌ຃ຂີ ຓ໅ ຌ: ກາຌຈົ ຆໄ ຉທົ ຎໄ ຽຌ ຅າກຌຌັ໅ ຎບ໅ ຌຂຓ໅ ຌ຋ໄ ຾ີ ກຍັ ໂຈ໅ 39

ຎບ໅ ຌຂຓ໅ ຌ຿ຖທ໅ ທ຾ິ ຃າະໂຈ຾໅ ຖງີ 40

ຏຌົ ກາຌທ຾ິ ຃າະ Group Statistics A = coltroll, Std. Std. Error B=experement N Mean Deviation Mean score class A class B 30 4.20 1.243 .227 30 6.47 1.717 .313 ຅າກຉາຉະຖາຄຌຍີ໅ ບກແນປ໅ ູທ໅ ໄ າ: ຌກັ ປຽຌ຿ຉໄ ຖະນບ໅ ຄຓ຅ີ າຌທຌ 30 ຃ຌົ ຃ໄ າຘະ຾ຖໄ ງ຃ະ຿ຌຌຂບຄນບ໅ ຄ຃ທຍ຃ຓ຿ຓໄ ຌ 4.20 ຘໄ ທຌຍໄ ຽຄ຾ຍຌຓາຈຉະຊາຌ຿ຓໄ ຌ 1.243 ຃ໄ າຘະ຾ຖໄ ງຂບຄ຃ະ຿ຌຌນບ໅ ຄ຋ຈົ ຖບຄ຿ຓໄ ຌ 6.47 ຘໄ ທຌຍໄ ຽຄ຾ຍຌ ຓາຈຉະຊາຌ຿ຓໄ ຌ 1.717 ຘະນຼຍແຘໄ ຉາຉະຖາຄ ຅າຌທຌຖທຓ ຃ໄ າຘະ຾ຖໄ ງຂບຄ຃ະ຿ຌຌ ຘໄ ທຌຍໄ ຽຄ຾ຍຌ ຆໄ ນບ໅ ຄ ຓາຈຊາຌ 30 4.20 1.243 ນບ໅ ຄ຃ທຍ຃ຓ 30 6.47 ນບ໅ ຄ຋ຈົ ຖບຄ 1.717 41

Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Sig. Std. Interval of (2- Mean Error the Difference taile Differe Differen Upp F Sig. t df d) nce ce Lower er score Equal 2.26 .138 -5.85 58 .000 -2.267 .387 -3.041 - variances 1.492 assumed -5.85 52.84 .000 -2.267 .387 -3.043 - Equal 1.490 variances not assumed ຅າກຉາຉະຖາຄຌແີ໅ ນຘ໅ ຄັ ຾ກຈ຃ໄ າ sig(2-tailed) = 0.00 <0.05 ໝາງ຃ທາຓທໄ າ ຎະຉ຾ິ ຘຈ H0 ຿ຖະງບຓປຍັ H1 ຘະນຼຍໂຈທ໅ ໄ າຏຌົ ກາຌປຽຌຂບຄຌກັ ປຽຌນບ໅ ຄ຋ຈົ ຖບຄຈກີ ທໄ ານບ໅ ຄ຃ທຍ຃ຓດໄ າຄຓ຃ີ ທາຓຘາ຃ຌັ ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະຈຍັ α = 0.05 ຘະນຍຼ ແຘໄ ຉາຉະຖາຄ ຆໄ ນບ໅ ຄ ຅າຌທຌ t df sig ນບ໅ ຄ຃ທຍ຃ຓ 30 -5.858 58 0.00 ນບ໅ ຄ຋ຈົ ຖບຄ 30 42

ຍຈົ ຋ໄ ີ 6 ກາຌທ຾ິ ຃າະ຃ທາຓຏຌັ ຎໄ ຽຌ 6.1 ກາຌທ຾ິ ຃າະ຃ທາຓຏຌັ ຎໄ ຽຌ຋າຄຈຽທ (oneway ANOVA) ກາຌ຋ຈົ ຘບຍ (oneway ANOVA) ຃ກາຌທ຾ິ ຃າະ຃ທາຓຏຌັ ຎໄ ຽຌ຋າຄຈຽທ ຾ຎັຌກາຌ຋ຈົ ຘບຍ ຃ທາຓ຿ຉກຉໄ າຄຖະນທໄ າຄ຃ໄ າຘະ຾ຖໄ ງ ຂບຄຉທົ ຎໄ ຽຌບຈິ ຘະນຖະຑຽຄຉທົ ຈຽທ ນຖຎັຈໂ຅ຈຽທ ຿ຉໄ ຅າ຿ຌກບບກ຾ຎັຌ 2 ຖະຈຍັ ນຖ 2 ກໄ ຓຂຌ໅ ໂຎເຈງຊທໄ ານຌໄ ທງ຋ໄ ໂີ ຈປ໅ ຍັ ຎັຈໂ຅ຖະຈຍັ ຈຽທກຌັ ຓາ຅າກຎະຆາກບຌຈຽທກຌັ ນຖກໄ ຓຈຽທ ກຌັ ຿ຖະ ນຌໄ ທງ຋ໄ ໂີ ຈປ໅ ຍັ ຎັຈໂ຅ຉໄ າຄກຌັ ຾ຎັຌ຃ຌົ ຖະຎະຆາກບຌນຖ຃ຌົ ຖະກໄ ຓກຌັ ຾ຆໄ ຌັ : ຅ຈຓຄ໅ ໝາງຂບຄກາຌທໂິ ຅຾ຑໄ ບຎຽຍ຋ຽຍກາຖຄັ ແ຅ຂບຄ຃ູ ຋ໄ ຘີ ບຌແຌເປຄປຽຌ ຂະໜາຈຌບ໅ ງ, ຂະໜາຈກາຄ ຿ຖະ ຂະໜາຈແນງໄ # ຉທົ ຎໄ ຽຌບຈິ ຘະນຖະ ຓີ 1 ຉທົ ຎໄ ຽຌ຃ ຂະໜາຈຂບຄເປຄປຽຌຆໄ ຄ຿ຍໄ ຄບບກ຾ຎັຌ 3 ຂະໜາຈໂຈ຿໅ ກໄ ຂະໜາຈຌບ໅ ງ, ຂະໜາຈກາຄ ຿ຖະ ຂະໜາຈແນງໄ # ຉທົ ຎໄ ຽຌຉາຓ ຓີ 1 ຉທົ ຎໄ ຽຌ຃ ກາຖຄັ ແ຅ຂບຄ຃ູ ຾ຍໄ ຄິ ຑາຍຎະກບຍ ຉທົ ຎໄ ຽຌບຈິ ຘະນຖະ ຉທົ ຎໄ ຽຌຉາຓ ຂະໜາຈຂບຄເປຄປຽຌ ກາຖຄັ ແ຅ຂບຄ຃ູ 1. ຂະໜາຈຌບ໅ ງ 2. ຂະໜາຈກາຄ 3. ຂະໜາຈແນງໄ  ຂຉ໅ ກົ ຖຄົ ຾ຍບ໅ ຄຉຌົ໅ 43

1. ກໄ ຓຉທົ ດໄ າຄ຋ໄ ໂີ ຈຓ໅ າເຈງທ຋ິ ກີ າຌຘໄ ຓ ຿ຖະ ຾ຎັຌບຈິ ຘະນຖະ຅າກກຌັ ເຈງໂຈຓ໅ າ຅າກຎະຆາກບຌ຋ໄ ຓີ ີ ກາຌ຿຅ກ຿຅ຄ຿ຍຍຎົກກະຉິ 2. ຃ທາຓຏຌັ ຎໄ ຽຌຂບຄຎະຆາກບຌ຿ຉໄ ຖະກໄ ຓຉບ໅ ຄ຾຋ໄ າົ ກຌັ 3. ຉທົ ຎໄ ຽຌບຈິ ຘະນຖະຓຑີ ຽຄຉທົ ຎໄ ຽຌຈຽທ຿ຉໄ ຅າ຿ຌກຖະຈຍັ ໂຈຉ໅ ຄັ໅ ຿ຉໄ 2 ຖະຈຍັ ຂຌ໅ ໂຎ 4. ຉທົ ຎໄ ຽຌຉາຓຓຑີ ຽຄຉທົ ຎໄ ຽຌຈຽທ ເຈງຏຌົ ຋ໄ ທີ ຈັ ໂຈ຅໅ າກຉທົ ຎໄ ຽຌຉາຓຌດີ໅ ໄ ູແຌຓາຈຉາກາຌ຅ຈັ ຾ຎັຌນທໄ າຄ (interval scale) ນຖບຈັ ຉາຘໄ ທຌ (ratio scale)  ນຖກັ ກາຌທ຾ິ ຃າະ຃ທາຓຏຌັ ຎໄ ຽຌ຋າຄຈຽທ ກາຌທ຾ິ ຃າະ຃ທາຓຏຌັ ຎໄ ຽຌ຋າຄຈຽທ຅ະຓກີ າຌ຃ຈິ ໂຖໄ ນາ຃ໄ າ຃ທາຓຏຌັ ຎໄ ຽຌ຋ໄ ີ ຾ກຈີ ຅າກ ຘບຄ຿ນຖໄ ຄ຃ ຃ທາຓ ຏຌັ ຎໄ ຽຌຖະນທໄ າຄກໄ ຓ ຿ຖະ ຃ທາຓຏຌັ ຎໄ ຽຌຑາງແຌກໄ ຓຆໄ ຄຂຽຌ຾ຎັຌຘຓົ ຏຌົ ໂຈຈ໅ ໄ ຄັ ຌ.ີ໅ ຃ທາຓຏຌັ ຎໄ ຽຌ = ຃ທາຓຏຌັ ຎໄ ຽຌຖະນທໄ າຄກໄ ຓ+ ຃ທາຓຏຌັ ຎໄ ຽຌຑາງແຌກໄ ຓ Total variance = between-group variance + within-group variance  ຋ຈົ ຘບຍ຃ທາຓຏຌັ ຎໄ ຽຌຈທ໅ ງຘູຈ F  MSb dFb  k 1 dFw  n  k MSw E2  SSt  SSw SSt E2 ບຈັ ຉາຘໄ ທຌຘະນະຘາຑຌັ (correlation ratio with Eta squar) - MSb ຿຋ຌ຃ທາຓຏຌັ ຎໄ ຽຌຖະນທໄ າຄກໄ ຓ - MSw ຿຋ຌ຃ທາຓຏຌັ ຎໄ ຽຌຑາງແຌກໄ ຓ - MSb  SSb k 1 - MSw  SSw nk - SSt  SSb  SSw - k ຿຋ຌ຅າຌທຌກໄ ຓ - n ຿຋ຌ຅າຌທຌຉທົ ດໄ າຄ຋ຄັ ໝຈົ - SSb ຿຋ຌຏຌົ ຖທຓກາຖຄັ ຘບຄຂບຄ຃ໄ າຍໄ ຽຄ຾ຍຌຖະນທໄ າຄກໄ ຓ - SSw ຿຋ຌຏຌົ ຖທຓກາຖຄັ ຘບຄຂບຄ຃ໄ າຍໄ ຽຄ຾ຍຌຑາງແຌກໄ ຓ - SSt ຿຋ຌຏຌົ ຖທຓກາຖຄັ ຘບຄຂບຄ຃ໄ າຍໄ ຽຄ຾ຍຌ຋ຄັ ໝຈົ 44

ຆໄ ຄທໄ າຓຘີ ູຈ nk   SSt 2 X ij  Xt i1 j 1 ນຖ SSt   xt2   xt 2 nt X ij ຿຋ຌ຃ະ຿ຌຌ຿ຉໄ ຖະຉທົ ແຌ຿ຊທ຋ໄ ີ i ຿ຖະຊຌັ ຋ໄ ີ j Xt ຿຋ຌ຃ະ຿ຌຌຘະ຾ຖໄ ງ຋ຄັ ໝຈົ k  nj  SSb 2  Xj  Xt j 1 ນຖ SSb   x12   x2 2   x32  ..........   xt 2 n1 n2 n3 nt X j ຿຋ຌ຃ະ຿ຌຌຘະ຾ຖໄ ງຂບຄກໄ ຓ j n j ຿຋ຌ຅າຌທຌຉທົ ດໄ າຄຂບຄກໄ ຓ j  xt   x1   x2   x3  ....... nt = n1 + n2 + n3 ……  xt2   x12   x22   x32  ......... SSw  SSt  SSb • ກາຌຌາຘະ຾ໜຏີ ຌົ ກາຌທ຾ິ ຃າະ຃ທາຓຏຌັ ຎໄ ຽຌ຋າຄຈຽທ ຃ທາຓຏຌັ ຎໄ ຽຌ SS df MS F ຖະນທໄ າຄກໄ ຓ (b) SSb F  MSb ຑາງແຌກໄ ຓ (w) SSw k-1 MSb  SSb n-k k 1 MSw ຖທຓ SSt MSw  SSw nk n-1 ຉທົ ດໄ າຄ ຌກັ ທໂິ ຅຃ຌົ ໜໄ ຄໂຈທ໅ ຈັ ຋ຈັ ຘະຌະ຃ະຉ຋ິ ໄ ຓີ ຉີ ໄ ບາຆຍີ ຃ູຂບຄຌກັ ຘກຶ ຘາ 3 ຘາງປຽຌ຃ ຘາງ຃ະຌຈິ ຘາຈ ຘາງ ຘຄັ ຃ຓົ ຘກຶ ຘາ ຿ຖະ ຘາງຑາຘາຖາທ ຎາກຈົ ຏຌົ ຈໄ ຄັ ຉາຖາຄ 45

຃ຌົ ຋ໄ ີ ຃ະ຿ຌຌ ຃ະຌຈິ ຘາຈ ຘຄັ ຃ຓົ ຑາຘາຖາທ 1 24 42 25 2 25 45 27 3 10 34 25 4 23 43 27 5 20 32 29 6 32 36 31 7 12 38 23 8 27 33 33 ດາກປູທ໅ ໄ າຌກັ ຘກຶ ຘາ຋ຄັ 3 ຘາງ ຓ຋ີ ຈັ ຘະຌະ຃ະຉຉິ ໄ ບາຆຍີ ຃ູ຿ຉກຉໄ າຄກຌັ ນຖຍໄ ເຈງ຋ຈົ ຘບຍ຋ໄ ຖີ ະຈຍັ ຃ໄ າກະ ຉທຄ຋າຄຘະຊຉິ ິ ຋ໄ ຖີ ະຈຍັ .01 ທ຋ິ ຾ີ ປຈັ 1. ຉຄັ໅ ຘຓົ ຓຈຊາຌ  ຘຓົ ຓຈຊາຌ຋າຄກາຌທໂິ ຅ ຋ຈັ ຘະຌະ຃ະຉຉິ ໄ ບາຆຍີ ຃ູຂບຄຌກັ ຘກຶ ຘາ 3 ຘາງປຽຌ຃ ຃ະຌຈິ ຘາຈ ຘຄັ ຃ຓົ ຿ຖະ ຑາຘາຖາທ ຓ຃ີ ທາຓ຿ຉກຉໄ າຄກຌັ  ຘຓົ ຓຈຊາຌ຋າຄຘະຊຉິ ິ H0 : 1  2  3 H1 : 1  2  3 ນຖຓ຃ີ ໄ າຘະ຾ຖໄ ງດໄ າຄນະໜບ໅ ງ 1 ຃ໄ ູ ຿ຉກຉໄ າຄກຌັ   .01 2. ກາຌຈົ ຂບຍ຾ຂຈທກິ ຈິ dfb= 3-1 = 2 , dfw= 24 -3 = 21 ຾ຍໄ ຄິ ຋ໄ ຉີ າຖາຄ F ຅ະໂຈ຃໅ ໄ າທກິ ຈິ Fທກິ ຈິ = 5.78 3. ຃ຈິ ໂຖໄ ຃ໄ າ F ຃ຌົ ຋ໄ ີ ຃ະ຿ຌຌ x1 x1  x x1  x 2 x2 x2  x x2  x2 x3 x3  x x3  x2 1 24 -5 25 42 13 169 25 -4 16 2 25 -4 16 45 16 256 27 -2 4 3 10 -19 361 34 5 25 25 -4 16 4 23 -6 36 43 14 196 27 -2 4 5 20 -9 81 32 3 29 00 9 46

6 32 3 9 36 7 49 31 2 4 7 12 -17 36 8 27 -2 289 38 9 81 23 -6 16 96 173 4 33 4 16 33 4 x1  21.62 821 303 801 220 x  29 x2  37.87 x3  27.50 nk  i 1 j 1  ຿຋ຌ຃ໄ າຉາຓຘູຈ#  2 ຾ປາົ ໂຈ໅ ຾ປາົ ໂຈ໅ SSt X ij Xt SSt= 821+801+96 = 1718 SSt= 1718 k  nj  #  2 SSb X j  Xt j 1 SSb = 8(21.62-29)2+8(37.87-29)2+8(27.50-29)2 = 435.71+629.41+18 SSb = 1083.12 # SSw  SSt  SSb SSw= 1718-1083.12 SSw= 634.88 # MSb  SSb k 1 MSb= 1083.04  541.52 31 MSb= 541.52 # MSw  SSw nk MSw= 634.88  30.23 24  3 MSw= 30.23 # F  MSb MSw F  541.52  17.91 30.23 47

F = 17.91 ຘະນຖູຍແຘໄ ຉາຖາຄໂຈ໅ ຃ທາຓຏຌັ ຎໄ ຽຌ SS df MS F ຖະນທໄ າຄກໄ ຓ (b) 1083.04 2 541.52 17.91* ຑາງແຌກໄ ຓ (w) 609.96 21 29.04 ຖທຓ 23 1693 ຿ຎຏຌົ ຾ນຌັ ທໄ າ຃ໄ າ F ຅າກກາຌ຃ຈິ ໂຖໄ ນຖາງກທໄ າ Fທກິ ຈິ (17.91> 5.78) ຈໄ ຄັ ຌຌັ໅ ຅ໄ ຄ ຎະຉ຾ິ ຘຈH0 ຿ຖະ ງບຓປຍັ H1 ໝາງ຃ທາຓທໄ າ ຾຅ຉະ຃ະຉຉິ ໄ ບາຆຍີ ຃ຂູ ບຄຌກັ ຘກຶ ຘາ 3 ຘາງ຃ ຃ະຌຈິ ຘາຈ ຘຄັ ຃ຓົ ຿ຖະ ຑາຘາຖາທ ດໄ າຄນະໜບ໅ ງ 1 ຃ໄ ູ ຿ຉກຉໄ າຄກຌັ ດໄ າຄຓ຃ີ ໄ າກະຉທຄ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະຈຍັ .01 • ຅ໄ ຄຉບ໅ ຄຎຽຍ຋ຽຍຖາງ຃ໄ ຉູ ໄ ໂຎ # ທ຋ິ ຂີ ບຄຉູກີ (Tukey) ຾ຑາະ຾ນຌັ ທໄ າກໄ ຓຉທົ ດໄ າຄ຿ຉໄ ຖະກໄ ຓຓ຅ີ າຌທຌ຾຋ໄ າົ ກຌັ ຘູຈ HSD  q ,k,df MSw ນາ຃ໄ າ q.01, 3, 21 ແຌຉາຖາຄ c ຾ປາົ ໂຈ຃໅ ໄ າ q= 4.87 ຿຋ຌແຘໄ ຘູຈກຖະຌີ qα,k,df n = 4.87 HSD  4.87 29.04 = 4.87 x 1.90 = 9.253 8 HSD = 9.253 ຌາ຾ບາົ ຃ໄ າ HSD = 9.253 ໂຎຎຽຍ຋ຽຍກຍັ ຏຌົ ຉໄ າຄຂບຄ຃ໄ າຘະ຾ຖໄ ງຖະນທໄ າຄ຃ໄ ູ ຊາ໅ ຏຌົ ຉໄ າຄ຾຋ໄ າົ ກຍັ ນຖນຖາງກທໄ າ຃ໄ າ HSD = 9.253 (຾ຍໄ ຄິ ຋ຂີ ະໜາຈຍໄ ຃ຈີ ຾຃ໄ ບຄໝາງ) ຘະ຿ຈຄທໄ າ ຎະຉ຾ິ ຘຈH0 ຿ຖະ ງບຓປຍັ H1 ຿ຖະກຄົ ກຌັ ຂາ໅ ຓ ຃ໄ ຋ູ ໄ ຌີ າຓາຎຽຍ຋ຽຍ ຏຌົ ຉໄ າຄຂບຄ຃ໄ າຘະ຾ຖໄ ງ ຃ໄ າ ຘະນຖຍູ ຏຌົ ຃ະຌຈິ ຘາຈ-ຘຄັ ຃ຓົ 21.62-37.87 = -16.25 HSD ຿ຉກຉໄ າຄກຌັ ດໄ າຄຓ຃ີ ໄ າກະຉທຄ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະ 9.253 ຃ະຌຈິ ຘາຈ-ຑາຘາ 21.62-27.50 = -5.88 9.253 ຈຍັ .01 ຍໄ ຿ຉກຉໄ າຄກຌັ ຖາທ 37.87-27.50 = 10.37 9.253 ຿ຉກຉໄ າຄກຌັ ດໄ າຄຓ຃ີ ໄ າກະຉທຄ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະ ຘຄັ ຃ຓົ -ຑາຘາຖາທ ຈຍັ .01 ຘະນຖູຍທໄ າ ຾຅ຉະ຃ະຉຉິ ໄ ບາຆຍີ ຃ຂູ ບຄຌກັ ຘກຶ ຘາ 3 ຘາງ຃ ຃ະຌຈິ ຘາຈ ຘຄັ ຃ຓົ ຿ຖະ ຑາຘາຖາທ ຓ຃ີ ທາຓ຿ຉກຉໄ າຄກຌັ ແຌຖາງ຃ໄ ູຈໄ ຄັ ຌີ໅ ຃ະຌຈິ ຘາຈ-ຘຄັ ຃ຓົ ຿ຖະ ຘຄັ ຃ຓົ -ຑາຘາຖາທ ຓ຋ີ ຈັ ຘະຌະ຃ະຉຉິ ໄ ບາ ຆຍີ ຃຿ູ ຉກຉໄ າຄກຌັ ດໄ າຄຓ຃ີ ທາຓຘາ຃ຌັ ຋າຄຘະຊຉິ ຋ິ ໄ ຖີ ະຈຍັ .01 ຘໄ ທຌ຃ະຌຈິ ຘາຈ-ຑາຘາຖາທຍໄ ຿ຉກຉໄ າຄກຌັ . 48

ໝາງ຾ນຈ: ກາຌ຃ຈິ ໂຖໄ ຉໄ າຄໃຂາ໅ ຄ຾຋ຄີ ຋ຄັ ໝຈົ ຘາຓາຈຌາແຆເ໅ ຎ຿ກຓ SPSS ທ຾ິ ຃າະ ຋ຄັ ຄໄາງ຿ຖະຓ຃ີ ທາຓຆຈັ ຾຅ຌກໄ ທາ ຆໄ ຄ຅ະຌາຘະ຾ໜບີ ກີ ຉໄ ໂຎຌີ໅ ກາຌທ຾ິ ຃າະຈທ໅ ງເຎ຿ກຓ ຅ະຎະກຈົ ຾ນຌັ . ຾ຖບກຉທົ ຎໄ ຽຌຉາຓແຘໄ Dependent list: ຿ຖະຉທົ ຎໄ ຽຌ ຾ບກະຖາຈແຘໄ ນບ໅ ຄ Factor 49

຾ຖບກຘະຊຉິ ຋ິ ໄ ຉີ ບ໅ ຄກາຌທ຾ິ ຃າະ ກຈົ continue ຿ຖະ ok Descriptive Std. Std. 95% Confidence Minimu Maxim Between- N Mean Deviation Error Interval for Mean m um Component Variance Lower Upper Bound Bound Soso 8 37.8750 4.94072 1.74681 33.7445 42.0055 32.00 45.00 Mats 8 21.6250 7.42462 2.62500 15.4179 27.8321 10.00 32.00 Lang 8 27.5000 3.33809 1.18019 24.7093 30.2907 23.00 33.00 Total 24 29.0000 8.64266 1.76418 25.3505 32.6495 10.00 45.00 Mo Fixed 5.49784 1.12224 26.6662 31.3338 del Effects Random 4.75055 8.5600 49.4400 63.92485 Effects 50