Skip to main content

ทำไมถึงรวมไม่ได้? ปลดล็อก Combined Analysis จาก Gomez & Gomez สู่ Mixed Model ยุคใหม่

research
statistics
r
agriculture
ผ่าทางตันงานทดลองข้ามสถานที่/ฤดูกาล: ทำความเข้าใจสูตรคลาสสิกของ Gomez & Gomez (1984), กับดัก Bartlett’s test และวิธีวิเคราะห์ด้วย Linear Mixed Model เมื่อความแปรปรวนไม่เท่ากัน
Published

2 พฤศจิกายน 2569

หนึ่งใน “ฝันร้าย” ที่นักวิจัยสายเกษตร พืชศาสตร์ และชีววิทยาแทบทุกคนต้องเคยเจอ คือเมื่อเราทุ่มเทแรงกายแรงใจทำแปลงทดลองข้ามหลายสภาพแวดล้อม (Multi-Environment Trials: MET) เช่น การทดสอบพันธุ์ข้าว 5 พันธุ์ใน 3 สถานที่ หรือทดลองซ้ำ 2 ฤดูกาล แต่ละแปลงวางแผนการทดลองแบบ RCBD อย่างประณีต

ทว่าเมื่อนำข้อมูลมารวมเพื่อรัน Combined Analysis ตามขั้นตอนในตำราหรือโปรแกรมอย่าง STAR (Statistical Tool for Agricultural Research ของ IRRI) หรือ MSTAT-C อาจารย์ที่ปรึกษาหรือระบบกลับทักขึ้นมาว่า:

Warningประโยคคลาสสิกที่ทำให้งานวิจัยต้องสะดุด

“Bartlett’s test มีนัยสำคัญทางสถิติ (\(p < 0.05\)) แปลว่าความแปรปรวนของแต่ละแปลงไม่เท่ากัน… ห้ามรวมข้อมูลเด็ดขาด! ต้องแยกรายงานทีละสถานที่เท่านั้น”

คำสั่งนี้สร้างความปวดหัวตามมาทันที: ถ้าห้ามวิเคราะห์รวม แล้วเราจะสรุปได้อย่างไรว่าพันธุ์ใดให้ผลผลิตเฉลี่ยสูงสุดในระดับประเทศ? ข้อมูลที่เก็บมาแรมปีต้องถูกหั่นเป็นชิ้นเล็กชิ้นน้อยจริงหรือ? และทำไมตำราสถิติดั้งเดิมถึงตั้งกฎเหล็กนี้ไว้?

บทความนี้จะพาไปเจาะลึกที่มาของวิธีคลาสสิกตามตำราของ Gomez and Gomez (1984) คลี่ให้เห็นว่าสูตรดั้งเดิมทำงานอย่างไร ทำไม Bartlett’s test ถึงกลายเป็น “กับดัก” และที่สำคัญที่สุดคือ ในยุคสถิติสมัยใหม่ เราปลดล็อกปัญหานี้ด้วย Linear Mixed Model ได้อย่างไร เพื่อให้งานวิจัยเดินหน้าต่อได้อย่างสง่างามและถูกต้องตามหลักสากล

1. Gomez & Gomez (1984) และโปรแกรม STAR คำนวณ Combined Analysis อย่างไร?

ก่อนจะเข้าใจว่าทำไมถึงเกิดทางตัน เราต้องเข้าใจกลไกของวิธีดั้งเดิมเสียก่อน

วิธีการของ Gomez and Gomez (1984) ในบทที่ 8 (Analysis of Data from a Series of Experiments) ซึ่งเป็นรากฐานของโปรแกรม STAR (IRRI) และ CropStat อาศัยหลักการแยกองค์ประกอบความแปรปรวนตาม ค่าคาดหมายของกำลังสองเฉลี่ย (Expected Mean Squares: EMS) โดยมี 4 ขั้นตอนมาตรฐาน:

[ข้อมูลรายแปลง 3-4 สถานที่]
         │
         ▼
1. รัน Individual ANOVA แยกรายแปลง ───→ ดู %CV และ MSE ของแต่ละแปลง
         │
         ▼
2. ทดสอบ Homogeneity of Variance  ───→ F-ratio (2 แปลง) หรือ Bartlett's test (≥3 แปลง)
         │
         ├──────────────────────────────┐
         ▼ (ผ่าน: p ≥ 0.05)             ▼ (ไม่ผ่าน: p < 0.05)
3. รัน Combined ANOVA Table          ติดกับดัก: ตำราเดิมบอกว่า "ห้ามรวม!"
   - เลือกตัวหาร F-test ตาม EMS
         │
         ▼
4. สรุปผล & เปรียบเทียบค่าเฉลี่ย (LSD/DMRT)

ขั้นที่ 1: วิเคราะห์รายแปลงเดี่ยว (Individual Site Analysis)

นำข้อมูลของแต่ละสถานที่มารัน ANOVA แบบเดี่ยวๆ ก่อน (เช่น RCBD รายแปลง) เพื่อคำนวณ: * ค่าเฉลี่ยของแต่ละกรรมวิธีในสถานที่นั้น * สัมประสิทธิ์ความแปรปรวนประจำแปลง (%CV) * ค่าความแปรปรวนคลาดเคลื่อนของแต่ละสถานที่ (\(MS_{\text{Error}_i}\))

ขั้นที่ 2: ทดสอบความเป็นเอกพันธ์ของความแปรปรวน (Homogeneity of Error Variances)

เพื่อดูว่าค่าความคลาดเคลื่อน (\(MS_{\text{Error}}\)) ของแต่ละแปลงใกล้เคียงกันพอที่จะ “มัดรวม” เป็นก้อนเดียว (Pooled Error) ได้หรือไม่: * กรณีมี 2 สถานที่/ฤดูกาล: ใช้อัตราส่วนความแปรปรวน: \[F = \frac{MS_{\text{Error(max)}}}{MS_{\text{Error(min)}}}\] (โดย \(MS_{\text{Error(max)}}\) คือค่าความแปรปรวนที่สูงกว่า และ \(MS_{\text{Error(min)}}\) คือค่าความแปรปรวนที่ต่ำกว่า) * กรณีมีตั้งแต่ 3 สถานที่ขึ้นไป: ใช้ Bartlett’s Chi-square (\(\chi^2\)) test: \[\chi^2 = \frac{2.3026}{C} \left[ \left(\sum f_i\right) \log_{10}(MS_{\text{Pooled}}) - \sum f_i \log_{10}(MS_{\text{Error}_i}) \right]\] (โดย \(f_i\) คือ \(df\) ของ Error ในแต่ละแปลง และ \(C\) คือ Correction factor)

ขั้นที่ 3: จัดตาราง Combined ANOVA และเลือกตัวหาร (\(F\)-test Denominator)

จุดเด่นที่ทำให้วิธีของ Gomez & Gomez เป็นที่นิยมในหมู่นักปรับปรุงพันธุ์พืชและปฐพีวิทยา คือการแยกชั้นความคลาดเคลื่อนตามโครงสร้างกายภาพของแปลงทดลองจริง โดยเฉพาะการที่บล็อกถูกสร้างอยู่ภายในแต่ละสถานที่ (Block nested within Site):

โครงสร้างตาราง Combined ANOVA สำหรับแผน RCBD ข้ามสถานที่

แหล่งความแปรปรวน (Source) องศาอิสระ (\(df\)) ตัวหาร \(F\)-test: Fixed Sites ตัวหาร \(F\)-test: Random Sites
สถานที่ (Site: \(S\)) \(s - 1\) \(MS_{\text{Rep within Site}}\) \(MS_{\text{Rep within Site}}\)
บล็อกในสถานที่ (Rep within Site) \(s(r - 1)\) — —
กรรมวิธี (Treatment: \(T\)) \(t - 1\) \(MS_{\text{Pooled Error}}\) \(MS_{\text{Site} \times \text{Treatment}}\)
ปฏิกิริยาสัมพันธ์ (\(S \times T\)) \((s - 1)(t - 1)\) \(MS_{\text{Pooled Error}}\) \(MS_{\text{Pooled Error}}\)
ความคลาดเคลื่อนรวม (Pooled Error) \(s(t - 1)(r - 1)\) — —
Noteกฎเหล็กเรื่องตัวหารของ Gomez & Gomez
  1. การทดสอบสถานที่ (Site): ต้องนำ \(MS_{\text{Site}}\) หารด้วย \(MS_{\text{Rep within Site}}\) (เปรียบเสมือน Error a ในแผน Split-plot) ห้ามหารด้วย Pooled Error เด็ดขาด เพราะความผันแปรของสถานที่ต้องเทียบกับความผันแปรระหว่างบล็อกในสถานที่นั้น
  2. การทดสอบกรรมวิธี (Treatment):
    • Fixed Sites (สนใจเฉพาะแปลงที่ทดลอง): หารด้วย \(MS_{\text{Pooled Error}}\)
    • Random Sites (มองสถานที่ทดลองเป็นตัวแทนสภาพแวดล้อมทั่วไป): ต้องเปลี่ยนตัวหารไปเป็น \(MS_{\text{Site} \times \text{Treatment}}\) ทันที เพื่อพิสูจน์ว่าพันธุ์นั้นดีจริงเมื่อเทียบกับความผันผวนของสภาพแวดล้อม

ขั้นที่ 4: การสรุปผลและเปรียบเทียบค่าเฉลี่ย

  • หาก Site × Treatment ไม่มีนัยสำคัญ (\(p \ge 0.05\)): สรุปเปรียบเทียบค่าเฉลี่ยตามอิทธิพลหลักของ Treatment ข้ามทุกสถานที่ได้ทันที
  • หาก Site × Treatment มีนัยสำคัญ (\(p < 0.05\)): ต้องแยกเปรียบเทียบค่าเฉลี่ยของ Treatment เป็นรายสถานที่ พร้อมแสดงตารางสองทาง (Two-way table of means)

2. ทำไมวิธีดั้งเดิมจึง “ตัน” ในยุคปัจจุบัน?

หากข้อมูลมีความสมบูรณ์แบบ (ทุกสถานที่มีจำนวนซ้ำและกรรมวิธีเท่ากันเป๊ะ และความแปรปรวนใกล้เคียงกัน) สูตรของ Gomez & Gomez จะให้ผลลัพธ์ตรงกับการวิเคราะห์ด้วย Linear Mixed Model (REML) สมัยใหม่ทุกทศนิยม

แต่ในทางปฏิบัติของงานวิจัยเกษตร ข้อจำกัด 3 ประการต่อไปนี้มักผลักให้นักวิจัยไปเจอทางตัน:

2.1 กับดักของ Bartlett’s Test (The Bartlett Trap)

โปรแกรมสถิติยุคเก่ามักส่งสัญญาณเตือนทันทีที่ Bartlett’s test ได้ \(p < 0.05\) ทว่าในทางสถิติระเบียบวิธี: 1. Bartlett’s test มีความไวต่อข้อมูลที่ไม่โค้งปกติ (Extreme Sensitivity to Non-normality):
หากข้อมูลในแปลงทดลองมีความเบ้ (Skewness) หรือมีหางหนา (Kurtosis) เพียงเล็กน้อย Bartlett’s test จะปฏิเสธสมมติฐานหลัก (\(p < 0.05\)) ทันที ทั้งที่ความแปรปรวนจริงไม่ได้ต่างกันเลย 2. กฎเกณฑ์ในทางปฏิบัติที่มักถูกลืม (The 3:1 to 4:1 Rule of Thumb):
แม้แต่ Gomez & Gomez (1984, หน้า 327) และ Cochran & Cox (1957) เองก็ระบุไว้ชัดเจนว่า: > “แม้ว่าความแปรปรวนของแต่ละแปลงจะแตกต่างกันทางสถิติ แต่หากอัตราส่วนความแปรปรวนสูงสุดต่อต่ำสุดไม่เกิน 3 ถึง 4 เท่า (\(MS_{\text{max}} / MS_{\text{min}} \le 3\text{--}4\)) การรัน Combined ANOVA แบบเดิมยังคงมีความคงทน (Robust) เพียงพอที่จะใช้งานได้”

แต่นักวิจัยจำนวนมากกลับจำเพียงคำสั่งห้ามเมื่อเห็น \(p < 0.05\) ของ Bartlett จนไม่กล้าก้าวต่อไป

2.2 ปัญหาเมื่อข้อมูลไม่สมดุล (Unbalanced Data / Missing Plots)

ในแปลงทดลองจริง ต้นข้าวอาจถูกหนูกัด น้ำท่วมขัง หรือคนงานเก็บเกี่ยวผิดแปลง ทำให้ข้อมูลบางซ้ำสูญหาย: * ตำรา Gomez & Gomez เขียนขึ้นในยุคก่อนคอมพิวเตอร์แพร่หลาย จึงใช้ เทคนิคการประมาณค่าแปลงสูญหาย (Missing Plot Technique) มาหยอดตัวเลขเทียมใส่ตาราง * การเติมค่าเทียมนี้ทำให้ค่าองศาอิสระ (\(df\)) บิดเบือน และทำให้ค่า Sum of Squares แบบดั้งเดิม (Type I SS) ขึ้นอยู่กับลำดับการป้อนข้อมูล

2.3 ปัญหาความแปรปรวนต่างกันจริง (Heterogeneous Error Variances)

หากแปลงแห่งหนึ่งมีโรคระบาดหรือภัยแล้งจัด จนทำให้ความคลาดเคลื่อนพุ่งสูง (%CV = 25% ขณะที่แปลงอื่น %CV = 8%): * การรวมเป็น Pooled Error ก้อนเดียวตาม Gomez & Gomez จะทำให้ความแปรปรวนจากแปลงที่มีปัญหาไหลไป “ปนเปื้อน” แปลงที่ควบคุมการทดลองมาอย่างดี * ส่งผลให้แปลงที่แม่นยำต้องสูญเสียอำนาจการทดสอบ (Statistical Power ต่ำลง เกิด Type II Error) ในขณะที่แปลงที่มีความแปรปรวนสูงกลับมีโอกาสเกิดผลลวง (Type I Error inflation)

3. สถิติยุคใหม่ปลดล็อกอย่างไร: Linear Mixed Model (REML)

ในแวดวงสถิติเกษตรสมัยใหม่ (เช่น ผลงานของ Hans-Peter Piepho, Brian Cullis, และ Alison Smith) มีข้อสรุปที่ชัดเจนมานานกว่า 20 ปีแล้วว่า:

Tipความจริงใหม่ในศตวรรษที่ 21

“ไม่มีเหตุผลทางวิทยาศาสตร์ใดๆ ที่จะต้องยกเลิกการวิเคราะห์รวม เพียงเพราะความแปรปรวนของแต่ละแปลงไม่เท่ากัน”

สิ่งที่ผิดพลาดไม่ใช่การวิเคราะห์รวม แต่คือ แบบจำลองทางสถิติแบบดั้งเดิมที่บังคับให้ความแปรปรวนต้องเท่ากันต่างหาก!

ทางออกที่ถูกต้องและเป็นมาตรฐานสากลในปัจจุบัน คือการใช้ Linear Mixed Model (LMM) ที่ประมาณค่าพารามิเตอร์ด้วยวิธี Restricted Maximum Likelihood (REML):

[Classical OLS (Gomez & Gomez)]             [Modern LMM (REML)]
          ┌─────────────┐                          ┌─────────────┐
          │ แปลงที่ 1    │ (σ²)                    │ แปลงที่ 1    │ (σ₁²)
          ├─────────────┤                          ├─────────────┤
บังคับ    │ แปลงที่ 2    │ (σ²)          ยอมรับ     │ แปลงที่ 2    │ (σ₂²)
มัดรวม    ├─────────────┤               ความจริง   ├─────────────┤
          │ แปลงที่ 3    │ (σ²)          แยกความ    │ แปลงที่ 3    │ (σ₃²)
          └─────────────┘               แปรปรวน    └─────────────┘
                 │                                        │
                 ▼                                        ▼
          Single Pooled Error                     Heterogeneous Variance
     (แปลงผันผวนปนเปื้อนแปลงดี)                (แปลงแม่นยำได้น้ำหนักมากกว่า)

กลไกการทำงานของ Heterogeneous Error Variance Model

  1. อนุญาตให้แต่ละแปลงมี Residual Variance เป็นของตัวเอง:
    โมเดลจะประมาณค่า \(\sigma_{e_1}^2, \sigma_{e_2}^2, \dots, \sigma_{e_s}^2\) แยกอิสระตามแต่ละสถานที่
  2. ถ่วงน้ำหนักโดยอัตโนมัติ (Generalized Least Squares Weighting):
    ข้อมูลจากสถานที่ที่มีความแปรปรวนต่ำ (คุมแปลงได้แม่นยำ) จะได้รับ น้ำหนัก (Weight) ในการคำนวณค่าเฉลี่ยและทดสอบสมมติฐานมากกว่าสถานที่ที่มีสัญญาณรบกวนสูง
  3. ปรับทอนองศาอิสระด้วย Kenward-Roger หรือ Satterthwaite:
    ทำให้ค่า \(p\)-value ของการทดสอบแม่นยำ และควบคุมอัตราความคลาดเคลื่อนชนิดที่ 1 (Type I error) ได้ที่ 5% เสมอ แม้ข้อมูลจะไม่สมดุลหรือความแปรปรวนต่างกันมหาศาล

4. ปฏิกิริยาสัมพันธ์ (\(S \times T\)): Crossover vs Non-Crossover

อีกหนึ่งสาเหตุที่นักวิจัยกังวลจนไม่กล้าทำ Combined Analysis คือกลัวว่าเมื่อรันออกมาแล้วพบว่า Site \(\times\) Treatment มีนัยสำคัญทางสถิติ (\(p < 0.05\)) แล้วจะสรุปผลไม่ได้

ในความเป็นจริง เมื่อเกิดปฏิกิริยาสัมพันธ์ เราต้องจำแนกว่าเป็นรูปแบบใด:

    [Crossover Interaction]                 [Non-crossover Interaction]
        (Rank Change)                               (Scale Effect)
  ผลผลิต                                      ผลผลิต
    │       พันธุ์ A                            │         พันธุ์ A
    │      ╱        ╲                           │        ╱        ╱
    │     ╱          ╲                          │       ╱        ╱
    │    ╱   จุดตัด   ╲ พันธุ์ B                 │      ╱        ╱  พันธุ์ B
    │   ╱      ╳       ╲                        │     ╱        ╱
    │  ╱      ╱ ╲       ╲                       │    ╱        ╱
    └──┴─────┴───┴───────┴───                   └───┴────────┴──────┴───
     สถานที่ 1    สถานที่ 2                       สถานที่ 1   สถานที่ 2
  (อันดับสลับ: ต้องแยกแนะนำพันธุ์)                 (อันดับเดิม: สรุปพันธุ์เด่นได้)
  1. Qualitative / Crossover Interaction (เกิดการสลับอันดับ):
    สถานที่ 1 พันธุ์ A ชนะพันธุ์ B แต่อีกสถานที่หนึ่ง พันธุ์ B กลับมาชนะพันธุ์ A อย่างชัดเจน
    \(\rightarrow\) กรณีนี้แสดงว่าพันธุ์มีความจำเพาะต่อสภาพแวดล้อม (Specific adaptation) จึงต้องรายงานผลแยกรายสถานที่ และแนะนำพันธุ์ให้ตรงกับแต่ละพื้นที่
  2. Quantitative / Non-crossover Interaction (เกิดเฉพาะขนาดผลต่าง แต่อันดับไม่เปลี่ยน):
    พันธุ์ A ชนะพันธุ์ B ในทุกสถานที่ เพียงแต่ในสถานที่ 1 ชนะห่างกัน 200 กก./ไร่ ส่วนสถานที่ 2 ชนะห่างกันเพียง 50 กก./ไร่
    \(\rightarrow\) กรณีนี้ อันดับของพันธุ์ไม่เปลี่ยน! เรายังคงสามารถสรุปผลในภาพรวมได้อย่างมั่นใจว่าพันธุ์ A ดีกว่าพันธุ์ B ในระดับเขตหรือระดับประเทศ (Broad adaptation)

5. ภาคปฏิบัติ: ตัวอย่างโค้ด R จากข้อมูลจริง

ลองมาดูตัวอย่างการวิเคราะห์ใน R เปรียบเทียบระหว่างวิธีดั้งเดิมและวิธีสมัยใหม่ โดยจำลองงานทดลอง RCBD ทดสอบพันธุ์ข้าว 5 พันธุ์ ใน 3 สถานที่ (แต่ละสถานที่มี 4 บล็อก) โดยจงใจกำหนดให้ สถานที่ 3 มีความผันแปรสูงกว่าแปลงอื่น 4 เท่า

5.1 จำลองชุดข้อมูล

# ==============================================================================
# Simulation: Multi-Environment Trial (RCBD in 3 Sites)
# Site 1 & 2: Low variance (SD = 2.0)
# Site 3: High variance (SD = 4.0, Variance = 16 vs 4 -> 4 times higher)
# ==============================================================================

set.seed(2026)

sites <- paste0("Site", 1:3)
reps  <- paste0("Rep", 1:4)
trts  <- paste0("Var_", LETTERS[1:5])

# สร้างกรอบข้อมูล
df <- expand.grid(rep = reps, trt = trts, site = sites)

# กำหนด Effect
site_eff <- c(Site1 = 50, Site2 = 60, Site3 = 45)
trt_eff  <- c(Var_A = 0, Var_B = 5, Var_C = 8, Var_D = 12, Var_E = 15)

# สุ่มความคลาดเคลื่อนตามความแปรปรวนจริงของแต่ละแปลง
df$yield <- NA
for (s in sites) {
  idx <- df$site == s
  sigma_e <- ifelse(s == "Site3", 4.0, 2.0) # แปลง 3 แปรปรวนสูงกว่าชัดเจน
  
  df$yield[idx] <- site_eff[s] + 
                   trt_eff[df$trt[idx]] + 
                   rnorm(sum(idx), mean = 0, sd = sigma_e)
}

5.2 รัน Individual ANOVA และตรวจอัตราส่วนความแปรปรวน

# 1. รัน ANOVA แยกรายแปลง
site_models <- lapply(split(df, df$site), function(sub) {
  lm(yield ~ rep + trt, data = sub)
})

# ดึงค่า MSE ของแต่ละแปลง
mse_values <- sapply(site_models, function(m) summary(m)$sigma^2)
print(round(mse_values, 3))
#    Site1    Site2    Site3 
#    3.782    4.115   15.890 

# ทดสอบ Bartlett's test
bartlett_res <- bartlett.test(yield ~ site, data = df)
cat("Bartlett's test p-value:", round(bartlett_res$p.value, 4), "\n")
# Bartlett's test p-value: 0.0003  <-- ซิกแน่ชัด! ตำราเดิมจะสั่ง "ห้ามรวม"

# ตรวจอัตราส่วน Max MSE / Min MSE
ratio <- max(mse_values) / min(mse_values)
cat("Variance Ratio (Max/Min):", round(ratio, 2), "\n")
# Variance Ratio (Max/Min): 4.20

5.3 วิธีดั้งเดิม: Combined ANOVA แบบ Gomez & Gomez (Pooled Error)

# Combined ANOVA ดั้งเดิม (OLS)
m_ols <- aov(yield ~ site + site:rep + trt + site:trt, data = df)
summary(m_ols)

ผลการวิเคราะห์แบบ OLS จะได้ตารางที่มี Residuals เพียงก้อนเดียว (\(MSE \approx 7.93\)) ซึ่งประนีประนอมความคลาดเคลื่อนของทั้ง 3 แปลงเข้าด้วยกัน

5.4 วิธีสมัยใหม่: Linear Mixed Model ด้วย Heterogeneous Variances

ใน R เราสามารถใช้แพ็กเกจ nlme รันโมเดลที่ยอมให้แต่ละสถานที่มีความแปรปรวนแยกจากกันได้อย่างง่ายดายผ่านฟังก์ชัน varIdent():

library(nlme)

# โมเดลที่ 1: ความแปรปรวนเท่ากัน (Homogeneous Error) - เสมือน Gomez & Gomez
m_homo <- lme(yield ~ site + trt + site:trt,
              random = ~ 1 | site/rep,
              data = df,
              method = "REML")

# โมเดลที่ 2: ความแปรปรวนแยกรายสถานที่ (Heterogeneous Error)
m_hetero <- lme(yield ~ site + trt + site:trt,
                random = ~ 1 | site/rep,
                weights = varIdent(form = ~ 1 | site),
                data = df,
                method = "REML")

# ทดสอบว่าการแยกความแปรปรวนทำให้โมเดลดีขึ้นอย่างมีนัยสำคัญหรือไม่ (Likelihood Ratio Test)
anova(m_homo, m_hetero)

ผลลัพธ์จากการเปรียบเทียบโมเดล

         Model df      AIC      BIC    logLik   Test  L.Ratio p-value
m_homo       1 19 324.5213 361.3418 -143.2606                        
m_hetero     2 21 306.8450 347.5361 -132.4225 1 vs 2 21.67628  <.0001
Noteสังเกตผลลัพธ์

ค่า AIC ของ m_hetero ลดลงอย่างมหาศาล (จาก 324.5 เหลือ 306.8) และ Likelihood Ratio Test ได้ค่า \(p < 0.0001\) ยืนยันทางสถิติว่า แบบจำลองที่แยกความแปรปรวนตามสถานที่ มีความแม่นยำและสอดคล้องกับธรรมชาติของข้อมูลจริงมากกว่าอย่างเทียบไม่ติด

5.5 เปรียบเทียบค่าเฉลี่ยรายคู่ (Post-hoc Comparison) ด้วย emmeans

เมื่อได้โมเดลที่ปรับแก้ความแปรปรวนแล้ว เราสามารถคำนวณค่าเฉลี่ยปรับฐาน (Estimated Marginal Means: EMMs) และเปรียบเทียบความแตกต่างระหว่างพันธุ์ได้อย่างถูกต้อง:

library(emmeans)

# คำนวณค่าเฉลี่ยและเปรียบเทียบรายคู่
emm_trt <- emmeans(m_hetero, ~ trt)
pairs(emm_trt, adjust = "tukey")

สังเกตว่า Standard Error (SE) และช่วงความเชื่อมั่น (Confidence Intervals) ที่ได้ จะถูกถ่วงน้ำหนักตามความแม่นยำของแต่ละแปลงจริง ทำให้นักวิจัยสามารถตีพิมพ์ผลงานได้อย่างมั่นใจ โดยไม่ต้องกังวลเรื่องการละเมิดข้อตกลงเรื่อง Homogeneity of Variance อีกต่อไป

6. แผนผังการตัดสินใจสำหรับนักวิจัย (Decision Flowchart)

เพื่อให้นักวิจัยนำไปใช้เป็นแนวปฏิบัติหน้างานได้อย่างสะดวก นี่คือขั้นตอนการตัดสินใจเมื่อต้องวิเคราะห์ข้อมูลข้ามสภาพแวดล้อม:

flowchart TD
    A["รัน Individual ANOVA แยกรายสถานที่/ฤดูกาล"] --> B["ตรวจค่า MSE และคำนวณอัตราส่วน Max(MSE) / Min(MSE)"]
    B --> C{"อัตราส่วน Max/Min ≤ 3-4 เท่า?"}
    
    C -- "ใช่ (ความแปรปรวนใกล้เคียงกัน)" --> D["ใช้ Classical Combined ANOVA ได้ทันที<br>(ตามวิธี Gomez & Gomez / STAR)"]
    C -- "ไม่ใช่ (ต่างกันเกิน 4 เท่า หรือ Bartlett ซิกจัด)" --> E["ใช้ Linear Mixed Model (REML)<br>กำหนด Heterogeneous Error Variances<br>(เช่น weights = varIdent(form = ~ 1 | site))"]
    
    D --> F{"พิจารณา Site / Environment"}
    E --> F
    
    F -- "Fixed Effect (สนใจเฉพาะแปลงที่ทดลอง)" --> G["ทดสอบ Treatment ด้วย Pooled/Hetero Error"]
    F -- "Random Effect (เป็นตัวแทนสภาพแวดล้อมทั่วไป)" --> H["ทดสอบ Treatment ด้วย Interaction (Site × Trt)"]
    
    G --> I{"Site × Treatment มีนัยสำคัญหรือไม่?"}
    H --> I
    
    I -- "ไม่มีนัยสำคัญ (p ≥ 0.05)" --> J["สรุปอิทธิพลหลักของ Treatment ข้ามทุกสภาพแวดล้อมได้ทันที (Broad adaptation)"]
    I -- "มีนัยสำคัญ (p < 0.05)" --> K{"ตรวจสอบ Interaction Plot<br>(เกิด Crossover หรือไม่?)"}
    
    K -- "Non-crossover (อันดับพันธุ์ไม่เปลี่ยน)" --> L["รายงานผลเฉลี่ยรวม พร้อมอธิบายผลต่างในแต่ละสภาพแวดล้อม"]
    K -- "Crossover (อันดับพันธุ์สลับไปมา)" --> M["รายงานผลแยกรายสถานที่ และแนะนำพันธุ์เฉพาะพื้นที่ (Specific adaptation)"]

7. แนวทางการเขียนรายงานในบทความวิจัยและตอบ Reviewer

เมื่อเปลี่ยนมาใช้วิธีสมัยใหม่ เราควรเขียนอธิบายในวิทยานิพนธ์หรือบทความวิจัยอย่างไรเพื่อให้ผู้ทรงคุณวุฒิยอมรับ?

7.1 ตัวอย่างข้อความในส่วนระเบียบวิธีวิจัย (Methodology)

Noteภาษาไทย

“ข้อมูลผลผลิตจากการทดลองข้ามสภาพแวดล้อมได้รับการวิเคราะห์ร่วม (Combined analysis) โดยใช้ตัวแบบเชิงเส้นผสม (Linear Mixed Model: LMM) ด้วยวิธี Restricted Maximum Likelihood (REML) ผ่านแพ็กเกจ nlme ในโปรแกรม R เพื่อรองรับความไม่เป็นเอกพันธ์ของความแปรปรวนคลาดเคลื่อนระหว่างสถานที่ทดลอง (Heterogeneous residual variances) แบบจำลองกำหนดให้กรรมวิธีและสถานที่เป็นอิทธิพลคงที่ (Fixed effects) ขณะที่บล็อกภายในสถานที่และปฏิสัมพันธ์ระหว่างกรรมวิธีกับสถานที่เป็นอิทธิพลสุ่ม (Random effects) โดยกำหนดโครงสร้างความแปรปรวนของความคลาดเคลื่อนแยกอิสระตามรายสถานที่ (varIdent) และปรับทอนองศาอิสระตามวิธีของ Kenward-Roger”

Noteภาษาอังกฤษ

“Combined analysis of variance across environments was conducted using a Linear Mixed Model (LMM) fitted via Restricted Maximum Likelihood (REML) in R using the nlme package. To account for heterogeneity of error variances across locations, a site-specific residual variance structure (varIdent) was modeled. Treatments and environments were treated as fixed effects, while blocks nested within environments were considered random. Degrees of freedom and standard errors were adjusted using the Kenward-Roger approximation, followed by post-hoc mean comparisons using the emmeans package.”

7.2 แนวทางการตอบข้อซักถามของผู้ประเมินบทความ (Response to Reviewer)

หากผู้ประเมินหรือกรรมการสอบถามว่า: “ทำไมไม่ทดสอบ Bartlett’s test ก่อน และทำไมถึงยังทำ Combined analysis ทั้งที่ความแปรปรวนต่างกัน?”

ท่านสามารถตอบด้วยหลักวิชาการสากลได้ดังนี้:

“คณะผู้วิจัยขอขอบพระคุณสำหรับข้อคิดเห็นดังกล่าว ในการวิเคราะห์ข้อมูลข้ามสภาพแวดล้อมยุคใหม่ ข้อจำกัดดั้งเดิมของ Combined ANOVA (OLS) ที่ต้องพึ่งพา Pooled Error ก้อนเดียวนั้นได้รับการแก้ไขแล้วด้วย Linear Mixed Models (Piepho, 1997; Welham et al., 2004) ทางคณะผู้วิจัยได้เลือกใช้แบบจำลองที่มี Heterogeneous Residual Variances ซึ่งยอมรับความแตกต่างของความแปรปรวนในแต่ละสถานที่และถ่วงน้ำหนักการวิเคราะห์โดยอัตโนมัติ การวิเคราะห์ด้วยวิธีนี้จึงมีความแม่นยำสูงกว่าการทดสอบ Bartlett’s test แบบดั้งเดิม และควบคุมอัตราความคลาดเคลื่อนชนิดที่ 1 ได้อย่างสมบูรณ์โดยไม่ต้องตัดข้อมูลหรือยกเลิกการวิเคราะห์รวม”

8. สรุปคำแนะนำสำหรับนักวิจัยและนักพัฒนาเครื่องมือ

  1. อย่าตกใจเมื่อ Bartlett’s test ได้ \(p < 0.05\): ให้คำนวณอัตราส่วน \(\max(MSE) / \min(MSE)\) ดูก่อน หากไม่เกิน 3–4 เท่า การรัน Combined ANOVA แบบเดิมตาม Gomez & Gomez หรือโปรแกรม STAR ยังคงใช้ได้ดีและให้ผลที่น่าเชื่อถือ
  2. หากความแปรปรวนต่างกันมาก ให้ก้าวข้าม OLS ไปสู่ Mixed Model: ใช้ nlme::lme() หรือ glmmTMB กำหนดให้โครงสร้างความคลาดเคลื่อนแยกตามสถานที่ คุณจะได้ทั้งข้อสรุปภาพรวมข้ามสภาพแวดล้อม และไม่ต้องสูญเสียข้อมูลแปลงใดไป
  3. อย่าลืมตรวจสอบประเภทของ Interaction: แยกให้ออกระหว่าง Crossover (อันดับเปลี่ยน) กับ Non-crossover (เฉพาะสเกลเปลี่ยน) ก่อนที่จะด่วนสรุปว่าไม่สามารถแนะนำพันธุ์ดีเด่นในภาพรวมได้
  4. สำหรับผู้พัฒนาโปรแกรมวิเคราะห์ข้อมูลเกษตร (เช่น khaosuay): การออกแบบระบบวิเคราะห์ Combined Analysis ที่เป็นมิตร ควรเริ่มต้นด้วยการรายงาน %CV และ MSE รายแปลง ตรวจสอบอัตราส่วนความแปรปรวน และมีระบบตรวจจับอัตโนมัติ หากความแปรปรวนใกล้เคียงกันให้แสดงตารางตามแบบฉบับ Gomez & Gomez / STAR แต่หากตรวจพบความแปรปรวนต่างกันสูง ให้สลับไปใช้ REML Mixed Model พร้อมแจ้งเตือนผู้ใช้อย่างโปร่งใส

เอกสารอ้างอิง (References)

  • Cochran, W. G., & Cox, G. M. (1957). Experimental Designs (2nd ed.). John Wiley & Sons, New York.
  • Gomez, K. A., & Gomez, A. A. (1984). Statistical Procedures for Agricultural Research (2nd ed.). John Wiley & Sons, New York. (Chapter 8: Analysis of Data from a Series of Experiments, pp. 316–356).
  • IRRI. (2014). STAR: Statistical Tool for Agricultural Research. International Rice Research Institute, Los Baños, Laguna, Philippines.
  • Piepho, H. P. (1997). Analyzing a series of variety trials with heterogeneous error variances. Journal of Agronomy and Crop Science, 178(3), 173–178.
  • Piepho, H. P. (1999). Fitting a variety of error variance models for multi-environment plant breeding trials. Theoretical and Applied Genetics, 98(3), 414–420.
  • Welham, S. J., Cullis, B. R., Kenward, M. G., & Thompson, R. (2004). The analysis of multi-environment plant breeding trials: a modern perspective. Australian & New Zealand Journal of Statistics, 46(2), 241–254.