ผลการอธิบายจริง ไม่ใช่ภาพหน้าจอ

ตัวแปรทั้งหมดในการศึกษาครั้งนี้วัดด้วยมาตรวัดแบบลิเคิร์ต (Likert scale) 5 ระดับ ตั้งแต่ 1 ถึง 5 โดยผู้วิจัยได้คำนวณสถิติเชิงพรรณนาสำหรับตัวแปรทั้งสี่ตัว ผลการวิเคราะห์พบว่า IQ_Mean มีค่าเฉลี่ย (Mean) สูงสุด (M = 3.63, SD = 0.70) รองลงมาได้แก่ LS_Mean (M = 3.57, SD = 0.73), TU_Mean (M = 3.48, SD = 0.74) และ PI_Mean (M = 3.23, SD = 0.76) ตามลำดับ เมื่อพิจารณาตามเกณฑ์การแปลความหมายที่เหมาะสมสำหรับมาตรวัด 5 ระดับ (ระดับต่ำ: 1.00–2.33; ระดับปานกลาง: 2.34–3.66; ระดับสูง: 3.67–5.00) พบว่าตัวแปรทั้งสี่ตัวมีค่าเฉลี่ยอยู่ในระดับปานกลางทั้งหมด ซึ่งสะท้อนให้เห็นว่ากลุ่มตัวอย่างโดยรวมมีแนวโน้มการตอบสนองอยู่ในระดับกลาง ทั้งนี้ PI_Mean มีค่าเฉลี่ยต่ำที่สุดในบรรดาตัวแปรทั้งสี่

การตรวจสอบค่าความเบ้ (skewness) และค่าความโด่ง (kurtosis) บ่งชี้ว่าข้อมูลมีการแจกแจงใกล้เคียงกับการแจกแจงแบบปกติ (Normal Distribution) โดยค่าความเบ้ (skewness) มีพิสัย (range) ตั้งแต่ -0.305 (LS_Mean) ถึง 0.027 (PI_Mean) และค่าความโด่ง (kurtosis) มีพิสัย (range) ตั้งแต่ -0.615 (PI_Mean) ถึง -0.009 (IQ_Mean) ค่าความเบ้ (skewness) ของตัวแปรทุกตัวอยู่ภายในเกณฑ์ที่ยอมรับได้ที่ |Skew| < 2.0 (Gravetter & Wallnau, 2014) และค่าความโด่ง (kurtosis) ของตัวแปรทุกตัวอยู่ภายในเกณฑ์ที่ยอมรับได้ที่ |Kurt| < 7.0 (Byrne, 2010) ผลดังกล่าวสนับสนุนข้อตกลงเบื้องต้นเกี่ยวกับการแจกแจงแบบปกติ (Normal Distribution) สำหรับการวิเคราะห์ในขั้นตอนต่อไป

ตารางที่ 1: สถิติเชิงพรรณนา

หมายเหตุ. ตัวแปรเรียงลำดับตามค่าเฉลี่ย (Mean) จากสูงสุดไปต่ำสุด พิสัย (range) ของมาตรวัด: 1–5 (มาตรวัดแบบลิเคิร์ต 5 ระดับ) เกณฑ์การแปลความหมายระดับ: ต่ำ = 1.00–2.33, ปานกลาง = 2.34–3.66, สูง = 3.67–5.00 ค่าความเบ้ (skewness) และค่าความโด่ง (kurtosis) ที่อยู่ภายในเกณฑ์ที่ยอมรับได้ (|Skew| < 2.0, Gravetter & Wallnau, 2014; |Kurt| < 7.0, Byrne, 2010) บ่งชี้ว่าข้อมูลมีการแจกแจงใกล้เคียงกับการแจกแจงแบบปกติ (Normal Distribution)

รายการอ้างอิง

Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming (2nd ed.). Routledge.

Gravetter, F. J., & Wallnau, L. B. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Wadsworth.

The variables were measured on a 5-point Likert scale ranging from 1 to 5. Descriptive statistics were computed for all four study variables. IQ_Mean recorded the highest mean score (M = 3.63, SD = 0.70), followed by LS_Mean (M = 3.57, SD = 0.73), TU_Mean (M = 3.48, SD = 0.74), and PI_Mean (M = 3.23, SD = 0.76). Applying the thresholds appropriate for a 5-point scale (Low: 1.00–2.33; Moderate: 2.34–3.66; High: 3.67–5.00), all four variables fell within the moderate range, indicating a generally mid-level tendency across respondents. PI_Mean returned the lowest mean of the four variables.

An examination of skewness and kurtosis values indicated that the data approximated a normal distribution. Skewness values ranged from -0.305 (LS_Mean) to 0.027 (PI_Mean), and kurtosis values ranged from -0.615 (PI_Mean) to -0.009 (IQ_Mean). All skewness values fell within the acceptable threshold of |Skew| < 2.0 (Gravetter & Wallnau, 2014), and all kurtosis values fell within the acceptable threshold of |Kurt| < 7.0 (Byrne, 2010), supporting the assumption of normality for subsequent analyses.

Table 1: Descriptive Statistics

Note. Variables are ordered by mean value from highest to lowest. Scale range: 1–5 (5-point Likert scale). Level classifications: Low = 1.00–2.33, Moderate = 2.34–3.66, High = 3.67–5.00. Skewness and kurtosis values within acceptable thresholds (|Skew| < 2.0, Gravetter & Wallnau, 2014; |Kurt| < 7.0, Byrne, 2010) indicate approximate normality.

References

Byrne, B. M. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming (2nd ed.). Routledge.

Gravetter, F. J., & Wallnau, L. B. (2014). Essentials of statistics for the behavioral sciences (8th ed.). Wadsworth.

ตารางที่ 1: สถิติรายข้อ (Item-Total Statistics)

หมายเหตุ. ข้อคำถามที่มีค่าสหสัมพันธ์ข้อ-รวม (Corrected Item-Total Correlation) ต่ำกว่า .30 อาจไม่ได้วัดองค์ประกอบเดียวกัน (Field, 2018) ทั้งนี้ ข้อคำถามทุกข้อในการศึกษาครั้งนี้มีค่าสูงกว่าเกณฑ์ดังกล่าว

การวิเคราะห์ความเชื่อมั่นโดยใช้ค่าสัมประสิทธิ์แอลฟาของครอนบาค (Cronbach's α) ได้รับการดำเนินการเพื่อตรวจสอบความสอดคล้องภายในของมาตรวัดทุกชุดก่อนการทดสอบสมมติฐาน โดยผู้วิจัยใช้เกณฑ์การแปลความหมายของ George and Mallery (2003) ซึ่งกำหนดว่าค่าสัมประสิทธิ์ความเชื่อมั่นตั้งแต่ .90 ขึ้นไปแสดงความเชื่อมั่นในระดับดีเยี่ยม ค่าระหว่าง .80–.89 แสดงความเชื่อมั่นในระดับดี ค่าระหว่าง .70–.79 แสดงความเชื่อมั่นในระดับยอมรับได้ และค่าที่ต่ำกว่า .70 ควรใช้ด้วยความระมัดระวังในการแปลความหมาย

การวิเคราะห์ความเชื่อมั่นโดยใช้ค่าสัมประสิทธิ์แอลฟาของครอนบาค (Cronbach's α) พบว่าค่าสัมประสิทธิ์ความเชื่อมั่นของแนวคิด LS (5 ข้อ) มีค่าเท่ากับ .868 ซึ่งแสดงความเชื่อมั่นในระดับดี แนวคิด IQ (5 ข้อ) มีค่าเท่ากับ .860 แสดงความเชื่อมั่นในระดับดี แนวคิด TU (5 ข้อ) มีค่าเท่ากับ .871 แสดงความเชื่อมั่นในระดับดี และแนวคิด PI (4 ข้อ) มีค่าเท่ากับ .820 แสดงความเชื่อมั่นในระดับดีเช่นกัน โดยแนวคิดทั้งหมดมีค่าสัมประสิทธิ์ความเชื่อมั่นในระดับดี (.820 ถึง .871) ซึ่งสูงกว่าเกณฑ์ขั้นต่ำที่นิยมกำหนดไว้ที่ .70 แสดงให้เห็นว่ามาตรวัดแต่ละชุดมีความสอดคล้องภายในเพียงพอสำหรับการนำไปใช้ในการวิจัยเชิงปริมาณ

นอกจากนี้ ผู้วิจัยได้ตรวจสอบค่าสถิติระดับรายข้อเพื่อประเมินความสมบูรณ์ของมาตรวัดเพิ่มเติม ผลการวิเคราะห์พบว่าค่าสหสัมพันธ์ข้อ-รวม (Corrected Item-Total Correlation) ของข้อคำถามทุกข้อในทุกมาตรวัดมีค่าสูงกว่าเกณฑ์ขั้นต่ำที่แนะนำไว้ที่ .30 (Field, 2018) ซึ่งแสดงให้เห็นว่าข้อคำถามแต่ละข้อวัดองค์ประกอบเดียวกันกับมาตรวัดของตนอย่างสอดคล้องกัน ยิ่งไปกว่านั้น การตรวจสอบค่าสัมประสิทธิ์แอลฟาหากตัดข้อออก (α-if-Item-Deleted) พบว่าการตัดข้อคำถามใดออกจากมาตรวัดใดก็ตามจะส่งผลให้ค่าสัมประสิทธิ์ความเชื่อมั่นลดลงหรือเปลี่ยนแปลงในระดับที่ไม่มีนัยสำคัญ ซึ่งยืนยันได้ว่าข้อคำถามทุกข้อมีส่วนสนับสนุนความเชื่อมั่นของมาตรวัดในทางบวก โดยเฉพาะอย่างยิ่ง ข้อคำถามทุกข้อมีค่าสหสัมพันธ์ข้อ-รวมอยู่ในระดับที่ยอมรับได้ในมาตรวัด LS (พิสัย (range) = .662 ถึง .721) มาตรวัด IQ (พิสัย (range) = .664 ถึง .698) มาตรวัด TU (พิสัย (range) = .680 ถึง .723) และมาตรวัด PI (พิสัย (range) = .632 ถึง .647) และการตัดข้อคำถามใดออกจะไม่ส่งผลให้ความเชื่อมั่นของมาตรวัดดีขึ้นอย่างมีนัยสำคัญในทุกกรณี

รายการอ้างอิง

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference, 11.0 update (4th ed.). Allyn & Bacon.

A reliability analysis was conducted to evaluate the internal consistency of all measurement scales prior to hypothesis testing. Cronbach's alpha coefficients were interpreted using the threshold criteria outlined by George and Mallery (2003), whereby values of .90 and above indicate excellent reliability, .80–.89 indicate good reliability, .70–.79 indicate acceptable reliability, and values below .70 warrant increasing caution in interpretation.

The LS scale (5 items) yielded a Cronbach's alpha of .868, indicating good internal consistency. The IQ scale (5 items) produced a Cronbach's alpha of .860, also reflecting good reliability. The TU scale (5 items) demonstrated good internal consistency with a Cronbach's alpha of .871. The PI scale (4 items) returned a Cronbach's alpha of .820, again indicating good reliability. Collectively, all four scales exceeded the commonly recommended threshold of .70, suggesting that each instrument demonstrated sufficient internal consistency for use in quantitative research purposes.

Item-level diagnostics were examined to further evaluate scale integrity. Corrected item-total correlations for all scales exceeded the recommended minimum threshold of .30 (Field, 2018), indicating that each item was consistently measuring the same underlying construct as its respective scale. Inspection of the Cronbach's alpha-if-item-deleted values revealed that removing any item from any scale would result in a decrease or negligible change in alpha, confirming that all items contributed positively to scale reliability. Specifically, all items demonstrated acceptable item-total correlations across the LS scale (range = .662 to .721), the IQ scale (range = .664 to .698), the TU scale (range = .680 to .723), and the PI scale (range = .632 to .647), and removing any item would not meaningfully improve scale reliability in any case.

Table 1: Item-Total Statistics

Note. Items with corrected item-total correlations < .30 may not be measuring the same construct (Field, 2018). All items in the present study exceeded this threshold.

References

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

George, D., & Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference, 11.0 update (4th ed.). Allyn & Bacon.

ก่อนดำเนินการวิเคราะห์หลัก ผู้วิจัยได้ทำการทดสอบข้อตกลงเบื้องต้นชุดหนึ่งที่ระดับนัยสำคัญ (α) = .05 เพื่อตรวจสอบความเหมาะสมในการใช้สถิติพาราเมตริก โดยประเมินการแจกแจงแบบปกติ (Normal Distribution) ของตัวแปรทั้งสี่ตัวด้วยการทดสอบ Shapiro-Wilk และการทดสอบ Kolmogorov-Smirnov (K-S) ควบคู่กัน ผลการทดสอบพบว่าตัวแปรทุกตัวมีการแจกแจงที่แตกต่างจากการแจกแจงแบบปกติอย่างมีนัยสำคัญทางสถิติ ได้แก่ LS_Mean (W = .982, p < .001; D = .089, p < .001), IQ_Mean (W = .983, p < .001; D = .075, p < .001), TU_Mean (W = .986, p = .001; D = .063, p = .001) และ PI_Mean (W = .983, p < .001; D = .067, p < .001) อย่างไรก็ตาม เมื่อพิจารณาค่าความเบ้ (skewness) และค่าความโด่ง (kurtosis) พบว่าตัวแปรทุกตัวอยู่ในช่วงที่ยอมรับได้ (ค่าความเบ้: −.305 ถึง .027; ค่าความโด่ง: −.615 ถึง −.009) ซึ่งบ่งชี้ว่ามีการเบี่ยงเบนจากการแจกแจงแบบปกติเพียงเล็กน้อยเท่านั้น เนื่องจากขนาดกลุ่มตัวอย่าง (N) มีขนาดใหญ่ (N = 400) ทฤษฎีบทขีดจำกัดกลาง (Central Limit Theorem, CLT) จึงรองรับข้อตกลงที่ว่าการแจกแจงของค่าเฉลี่ย (Mean) ตัวอย่างจะเข้าใกล้การแจกแจงแบบปกติ ด้วยเหตุนี้ ผู้วิจัยจึงพิจารณาว่าการใช้สถิติพาราเมตริกมีความเหมาะสม และไม่มีความจำเป็นต้องใช้สถิตินอนพาราเมตริกแทน (Pallant, 2020; Field, 2018)

การตรวจสอบความเป็นเอกพันธุ์ของความแปรปรวนดำเนินการโดยใช้การทดสอบของเลวีน (Levene's test) สำหรับการวิเคราะห์ความแปรปรวนทางเดียว (One-way ANOVA) ผลการทดสอบของเลวีนพบว่าความแปรปรวนของกลุ่มชั้นปีมีความเท่าเทียมกัน F(3, 396) = 0.623, p = .601 ซึ่งเป็นไปตามข้อตกลงเบื้องต้นดังกล่าว ในทำนองเดียวกัน สำหรับการทดสอบสองกลุ่มที่เป็นอิสระกัน (Independent Samples t-Test) ที่เปรียบเทียบ LS_Mean ตามเพศ การทดสอบของเลวีนยืนยันความเป็นเอกพันธุ์ของความแปรปรวน F(1, 396) = 0.310, p = .578 ผลการทดสอบทั้งสองสนับสนุนการใช้สถิติพาราเมตริกมาตรฐานโดยไม่จำเป็นต้องปรับแก้ค่าใดๆ

สำหรับโมเดลการวิเคราะห์การถดถอยพหุคูณ (Multiple Linear Regression) ผู้วิจัยได้ประเมินข้อตกลงเบื้องต้นเพิ่มเติม โดยตรวจสอบความเป็นอิสระของค่าความคลาดเคลื่อนด้วยการทดสอบเดอร์บิน-วัตสัน (Durbin-Watson) ซึ่งได้ค่าเท่ากับ 1.979 อยู่ในช่วงที่ยอมรับได้ระหว่าง 1.5 ถึง 2.5 บ่งชี้ว่าไม่มีปัญหาการมีความสัมพันธ์อัตโนมัติ (autocorrelation) ระหว่างค่าความคลาดเคลื่อน การตรวจสอบภาวะร่วมเส้นตรงพหุ (Multicollinearity) ดำเนินการโดยพิจารณาค่าความคลาดเคลื่อนที่ยอมรับได้ (Tolerance) และค่า VIF (Variance Inflation Factor) ของตัวแปรพยากรณ์แต่ละตัว พบว่าค่า VIF ทุกค่าต่ำกว่าเกณฑ์ 5.0 อย่างชัดเจน และค่าความคลาดเคลื่อนที่ยอมรับได้ (Tolerance) ทุกค่าสูงกว่า 0.20 ซึ่งบ่งชี้ว่าโมเดลไม่มีปัญหาภาวะร่วมเส้นตรงพหุ นอกจากนี้ ผู้วิจัยได้ตรวจสอบค่าผิดปกติ (outliers) ผ่านการพิจารณาส่วนเหลือมาตรฐาน (Standardized Residuals) พบว่าค่าสัมบูรณ์สูงสุดของส่วนเหลือมาตรฐานเท่ากับ 3.024 ซึ่งเกินเกณฑ์ ±3.29 ที่ใช้ระบุค่าผิดปกติสุดขีดเพียงเล็กน้อย อย่างไรก็ตาม เนื่องจากมีเพียงกรณีเดียวที่ใกล้เคียงเกณฑ์ดังกล่าวและไม่ได้เกินเกณฑ์จริง จึงไม่มีกรณีใดที่ถือว่าเป็นปัญหา ส่วนระยะห่างของคุก (Cook's distance) ไม่ปรากฏในผลลัพธ์ จึงไม่สามารถประเมินได้อย่างเป็นทางการ โดยรวมแล้ว ข้อตกลงเบื้องต้นของการวิเคราะห์การถดถอยได้รับการตรวจสอบในระดับที่เพียงพอสำหรับการดำเนินการวิเคราะห์ด้วยสถิติพาราเมตริกต่อไป

ตารางที่ 1: ผลการทดสอบการแจกแจงแบบปกติ (Normal Distribution)

หมายเหตุ. S-W = Shapiro-Wilk; K-S = Kolmogorov-Smirnov. องศาอิสระ (df) = 400 สำหรับตัวแปรทุกตัว ตัวแปรทุกตัวแสดงการแจกแจงที่แตกต่างจากการแจกแจงแบบปกติอย่างมีนัยสำคัญ อย่างไรก็ตาม การใช้สถิติพาราเมตริกยังคงมีความเหมาะสม เนื่องจากขนาดกลุ่มตัวอย่าง (N = 400) มีขนาดใหญ่ และค่าความเบ้ (skewness) และค่าความโด่ง (kurtosis) อยู่ในช่วงที่ยอมรับได้ สอดคล้องกับทฤษฎีบทขีดจำกัดกลาง (Central Limit Theorem, CLT) (Pallant, 2020; Field, 2018)

ตารางที่ 2: สถิติภาวะร่วมเส้นตรงพหุ (Multicollinearity)

หมายเหตุ. ค่า VIF ที่ต่ำกว่า 5 บ่งชี้ว่าไม่มีปัญหาภาวะร่วมเส้นตรงพหุ (Hair et al., 2019) ค่าความคลาดเคลื่อนที่ยอมรับได้ (Tolerance) ทุกค่าสูงกว่า .20 ยืนยันเพิ่มเติมว่าไม่มีภาวะร่วมเส้นตรงพหุในโมเดล

รายการอ้างอิง

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

Hair, J. F., Babin, B. J., Anderson, R. E., & Black, W. C. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

Pallant, J. (2020). SPSS survival manual: A step-by-step guide to data analysis using IBM SPSS (7th ed.). McGraw-Hill Education.

Prior to conducting the primary analyses, a series of assumption tests were performed at a significance level of α = .05 to determine the appropriateness of parametric statistical procedures. Normality was assessed for all four study variables using both the Shapiro-Wilk and Kolmogorov-Smirnov tests. Results indicated statistically significant departures from normality across all variables: LS_Mean (W = .982, p < .001; D = .089, p < .001), IQ_Mean (W = .983, p < .001; D = .075, p < .001), TU_Mean (W = .986, p = .001; D = .063, p = .001), and PI_Mean (W = .983, p < .001; D = .067, p < .001). Although these formal tests yielded significant results, inspection of skewness and kurtosis values revealed that all variables fell within acceptable ranges (skewness: −.305 to .027; kurtosis: −.615 to −.009), indicating only minor deviations from normality. Given the large sample size (N = 400), the Central Limit Theorem supports the assumption that sampling distributions of the means will approximate normality; therefore, parametric analyses were deemed appropriate and no non-parametric alternatives were required (Pallant, 2020; Field, 2018).

Homogeneity of variance was examined using Levene's test. For the One-Way ANOVA, Levene's test indicated that variances were equal across Year groups, F(3, 396) = 0.623, p = .601, satisfying this assumption. Similarly, for the independent samples t-test comparing LS_Mean by Gender, Levene's test confirmed homogeneity of variance, F(1, 396) = 0.310, p = .578. Both results supported the use of standard parametric procedures without correction.

For the multiple regression model, additional diagnostic assumptions were evaluated. Independence of residuals was assessed using the Durbin-Watson statistic, which yielded a value of 1.979, falling within the acceptable range of 1.5 to 2.5 and indicating no evidence of autocorrelation among residuals. Multicollinearity was examined using Tolerance and Variance Inflation Factor (VIF) values for each predictor. All VIF values were well below the threshold of 5.0, and all Tolerance values exceeded 0.20, indicating no multicollinearity concerns in the model. Finally, outliers were assessed through inspection of standardized residuals. The maximum absolute standardized residual was 3.024, which marginally exceeds the ±3.29 threshold used to identify extreme outliers; however, as only a single case approached this boundary and did not surpass it, no cases were deemed problematic. Cook's Distance values were not available in the output and could not be formally evaluated. Overall, the regression assumptions were considered sufficiently satisfied to proceed with parametric analysis.

Table 1: Normality Test Results

Note. S-W = Shapiro-Wilk; K-S = Kolmogorov-Smirnov. df = 400 for all variables. All variables showed significant departures from normality; however, parametric tests remained appropriate due to the large sample size (N = 400) and acceptable skewness and kurtosis values, consistent with the Central Limit Theorem (Pallant, 2020; Field, 2018).

Table 2: Collinearity Statistics

Note. VIF values < 5 indicate no multicollinearity concern (Hair et al., 2019). All Tolerance values exceeded .20, further confirming the absence of multicollinearity.

References

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.

Hair, J. F., Babin, B. J., Anderson, R. E., & Black, W. C. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

Pallant, J. (2020). SPSS survival manual: A step-by-step guide to data analysis using IBM SPSS (7th ed.). McGraw-Hill Education.

H1

เพื่อทดสอบว่า LS_Mean มีความแตกต่างกันระหว่างกลุ่มเพศที่ 1 และกลุ่มเพศที่ 2 หรือไม่ ผู้วิจัยได้ดำเนินการทดสอบสองกลุ่มที่เป็นอิสระกัน (Independent Samples t-Test) โดยก่อนการวิเคราะห์ กลุ่มเพศที่ 3 (n = 2) ถูกคัดออกตามข้อกำหนดของ syntax ส่งผลให้ขนาดกลุ่มตัวอย่าง (N) ที่ใช้ในการวิเคราะห์มีจำนวน 398 คน ผลการทดสอบของเลวีน (Levene's test) สำหรับความเป็นเอกพันธุ์ของความแปรปรวนพบว่าไม่มีนัยสำคัญทางสถิติ F(1, 396) = 0.31, p = .578 จึงดำเนินการวิเคราะห์โดยสมมติว่าความแปรปรวนของทั้งสองกลุ่มมีความเท่าเทียมกัน ผลการทดสอบพบว่า LS_Mean มีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติระหว่างสองกลุ่ม t(396) = −3.703, p < .001, 95% CI [−0.41, −0.13] โดยกลุ่มเพศที่ 2 (M = 3.69, SD = 0.71) มีคะแนนสูงกว่ากลุ่มเพศที่ 1 (M = 3.42, SD = 0.74) อย่างมีนัยสำคัญ ความแตกต่างของค่าเฉลี่ย (Mean) เท่ากับ −0.27 และค่า Cohen's d = 0.37 ซึ่งบ่งชี้ถึงขนาดผล (Effect Size) ระดับเล็ก (Cohen, 1988) ผลการวิเคราะห์สนับสนุนสมมติฐาน H1

ตารางที่ 1: สถิติเชิงพรรณนาของ LS_Mean จำแนกตามเพศ

หมายเหตุ กลุ่มเพศที่ 3 (n = 2) ถูกคัดออกจากการวิเคราะห์ สมมติว่าความแปรปรวนเท่ากัน; Levene's F(1, 396) = 0.31, p = .578.

H2

เพื่อทดสอบว่า IQ_Mean และ PI_Mean มีความแตกต่างกันภายในกลุ่มตัวอย่างเดียวกันหรือไม่ ผู้วิจัยได้ดำเนินการทดสอบกลุ่มตัวอย่างที่สัมพันธ์กัน (Paired Samples t-Test) (N = 400) การทดสอบนี้เป็นการเปรียบเทียบภายในกลุ่มตัวอย่างระหว่างสองตัวสร้างในชุดข้อมูลภาคตัดขวาง มิใช่การออกแบบการวัดก่อนและหลัง ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson Correlation) ระหว่าง IQ_Mean และ PI_Mean มีนัยสำคัญทางสถิติ r(398) = .177, p < .001 ผลการทดสอบพบว่า IQ_Mean (M = 3.63, SD = 0.70) มีค่าสูงกว่า PI_Mean (M = 3.23, SD = 0.76) อย่างมีนัยสำคัญทางสถิติ t(399) = 8.670, p < .001, 95% CI [0.32, 0.50] โดยมีความแตกต่างของค่าเฉลี่ย (Mean) เท่ากับ 0.41 (ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation, SD) ของผลต่าง = 0.94, ค่าคลาดเคลื่อนมาตรฐาน (Standard Error, SE) = 0.05) ค่า Cohen's dz = 0.43 ซึ่งบ่งชี้ถึงขนาดผล (Effect Size) ระดับเล็ก (Cohen, 1988) ผลการวิเคราะห์สนับสนุนสมมติฐาน H2

H3

เพื่อทดสอบว่า LS_Mean มีความแตกต่างกันระหว่างกลุ่มชั้นปีที่ศึกษาหรือไม่ ผู้วิจัยได้ดำเนินการวิเคราะห์ความแปรปรวนทางเดียว (One-way ANOVA) (N = 400) ผลการทดสอบของเลวีน (Levene's test) ยืนยันความเป็นเอกพันธุ์ของความแปรปรวน F(3, 396) = 0.623, p = .601 ผลการวิเคราะห์ความแปรปรวนทางเดียว (One-way ANOVA) พบว่า LS_Mean มีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติระหว่างกลุ่มชั้นปี F(3, 396) = 3.006, p = .030, η² = .022 ซึ่งบ่งชี้ถึงขนาดผล (Effect Size) ระดับเล็ก (Cohen, 1988) สถิติเชิงพรรณนาของแต่ละกลุ่มแสดงไว้ในตารางที่ 2

ผู้วิจัยได้ดำเนินการเปรียบเทียบรายคู่ภายหลังการทดสอบด้วยวิธี Tukey HSD เพื่อระบุว่ากลุ่มใดมีความแตกต่างกันอย่างเฉพาะเจาะจง พบว่ามีเพียงการเปรียบเทียบระหว่างชั้นปีที่ 1 กับชั้นปีที่ 2 เท่านั้นที่มีนัยสำคัญทางสถิติ (ความแตกต่างของค่าเฉลี่ย (Mean) = −0.27, SE = 0.10, p = .046) การเปรียบเทียบรายคู่ที่เหลือทั้งหมดไม่มีนัยสำคัญทางสถิติ โดยมีค่า p ≥ .077 ทุกคู่ ผลการเปรียบเทียบรายคู่ทั้งหมดแสดงไว้ในตารางที่ 3 ผลการวิเคราะห์สนับสนุนสมมติฐาน H3

ตารางที่ 2: สถิติเชิงพรรณนาของ LS_Mean จำแนกตามชั้นปีที่ศึกษา

หมายเหตุ F(3, 396) = 3.006, p = .030, η² = .022.

ตารางที่ 3: ผลการเปรียบเทียบรายคู่ด้วยวิธี Tukey HSD สำหรับ LS_Mean จำแนกตามชั้นปีที่ศึกษา

หมายเหตุ ความแตกต่างของค่าเฉลี่ย (Mean) คำนวณจากชั้นปีที่ 1 ลบด้วยชั้นปีที่ 2, ชั้นปีที่ 1 ลบด้วยชั้นปีที่ 3 และอื่น ๆ ตามลำดับ มีเพียงการเปรียบเทียบระหว่างชั้นปีที่ 1 กับชั้นปีที่ 2 เท่านั้นที่มีนัยสำคัญทางสถิติที่ระดับนัยสำคัญ (α) = .05.

H4

เพื่อทดสอบว่ามีความสัมพันธ์ที่มีนัยสำคัญทางสถิติระหว่าง LS_Mean, IQ_Mean, TU_Mean, PI_Mean และ StudyHours หรือไม่ ผู้วิจัยได้คำนวณค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson Correlation) สำหรับทุกคู่ตัวแปร (N = 400 สำหรับทุกคู่) เมทริกซ์สหสัมพันธ์ทั้งหมดแสดงไว้ในตารางที่ 4

LS_Mean มีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญทางสถิติกับ IQ_Mean r(398) = .479, p < .001, กับ TU_Mean r(398) = .390, p < .001 และกับ PI_Mean r(398) = .243, p < .001 ความสัมพันธ์ระหว่าง LS_Mean กับ IQ_Mean มีขนาดผล (Effect Size) ระดับปานกลาง (Cohen, 1988) ความสัมพันธ์ระหว่าง LS_Mean กับ TU_Mean มีขนาดผล (Effect Size) ระดับปานกลาง (Cohen, 1988) และความสัมพันธ์ระหว่าง LS_Mean กับ PI_Mean มีขนาดผล (Effect Size) ระดับเล็ก (Cohen, 1988) IQ_Mean มีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญทางสถิติกับ TU_Mean r(398) = .260, p < .001 ซึ่งมีขนาดผล (Effect Size) ระดับเล็ก และกับ PI_Mean r(398) = .177, p < .001 ซึ่งมีขนาดผล (Effect Size) ระดับเล็กเช่นกัน (Cohen, 1988) ความสัมพันธ์ระหว่าง TU_Mean กับ PI_Mean ไม่มีนัยสำคัญทางสถิติ r(398) = .066, p = .185 StudyHours ไม่มีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติกับตัวแปรใด ๆ ได้แก่ LS_Mean r(398) = .044, p = .375; IQ_Mean r(398) = −.010, p = .835; TU_Mean r(398) = −.005, p = .922; PI_Mean r(398) = .003, p = .957 โดยค่าสัมประสิทธิ์สหสัมพันธ์ทั้งหมดที่เกี่ยวข้องกับ StudyHours มีขนาดที่เล็กน้อยมาก (Cohen, 1988)

เนื่องจาก StudyHours ไม่มีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติกับตัวแปรระดับมาตราส่วนทั้งสี่ตัว และความสัมพันธ์ระหว่าง TU_Mean กับ PI_Mean ก็ไม่มีนัยสำคัญทางสถิติเช่นกัน ผลการวิเคราะห์จึงสนับสนุนสมมติฐาน H4 เพียงบางส่วน

ตารางที่ 4: เมทริกซ์ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน (Pearson Correlation) สำหรับ LS_Mean, IQ_Mean, TU_Mean, PI_Mean และ StudyHours

หมายเหตุ N = 400 สำหรับทุกคู่ แสดงเฉพาะสามเหลี่ยมล่าง ส่วนสามเหลี่ยมบนมีค่าที่สมมาตรกัน *** p < .001.

H5

เพื่อทดสอบว่า IQ_Mean สามารถทำนาย LS_Mean ได้อย่างมีนัยสำคัญทางสถิติหรือไม่ ผู้วิจัยได้ดำเนินการวิเคราะห์การถดถอยเชิงเส้น (Linear Regression) (N = 400) โมเดลโดยรวมมีนัยสำคัญทางสถิติ F(1, 398) = 118.343, p < .001, R = .479, R² = .229, Adjusted R² = .227 ซึ่งบ่งชี้ว่า IQ_Mean สามารถอธิบายความแปรปรวน (Variance) ใน LS_Mean ได้ร้อยละ 22.9 ขนาดผล (Effect Size) มีค่า f² = 0.297 ซึ่งบ่งชี้ถึงขนาดผลระดับปานกลาง (Cohen, 1988) IQ_Mean เป็นตัวทำนายเชิงบวกที่มีนัยสำคัญทางสถิติของ LS_Mean โดย B = 0.50, SE = 0.05, β = .479, t(398) = 10.879, p < .001 กล่าวคือ เมื่อ IQ_Mean เพิ่มขึ้นหนึ่งหน่วย LS_Mean จะเพิ่มขึ้น 0.50 หน่วย ผลการวิเคราะห์สนับสนุนสมมติฐาน H5

ตารางที่ 5: สัมประสิทธิ์การถดถอยจากการวิเคราะห์การถดถอยเชิงเส้น (Linear Regression) สำหรับ LS_Mean โดยมี IQ_Mean เป็นตัวทำนาย

หมายเหตุ N = 400. R = .479, R² = .229, Adjusted R² = .227, F(1, 398) = 118.343, p < .001.

H6

เพื่อทดสอบว่า IQ_Mean, TU_Mean, PI_Mean และ StudyHours สามารถทำนาย LS_Mean ได้ทั้งในภาพรวมและรายตัวแปรหรือไม่ ผู้วิจัยได้ดำเนินการวิเคราะห์การถดถอยพหุคูณ (Multiple Linear Regression) (N = 400) โมเดลโดยรวมมีนัยสำคัญทางสถิติ F(4, 395) = 48.878, p < .001, R = .575, R² = .331, Adjusted R² = .324 ซึ่งบ่งชี้ว่าตัวทำนายทั้งสี่ตัวร่วมกันสามารถอธิบายความแปรปรวน (Variance) ใน LS_Mean ได้ร้อยละ 33.1 ขนาดผล (Effect Size) มีค่า f² = 0.495 ซึ่งบ่งชี้ถึงขนาดผลระดับใหญ่ (Cohen, 1988)

ตัวทำนายสามในสี่ตัวมีนัยสำคัญทางสถิติ IQ_Mean เป็นตัวทำนายเชิงบวกที่มีนัยสำคัญ B = 0.39, SE = 0.05, β = .378, t(395) = 8.752, p < .001 กล่าวคือ เมื่อ IQ_Mean เพิ่มขึ้นหนึ่งหน่วย LS_Mean จะเพิ่มขึ้น 0.39 หน่วย TU_Mean เป็นตัวทำนายเชิงบวกที่มีนัยสำคัญเช่นกัน B = 0.28, SE = 0.04, β = .281, t(395) = 6.594, p < .001 กล่าวคือ เมื่อ TU_Mean เพิ่มขึ้นหนึ่งหน่วย LS_Mean จะเพิ่มขึ้น 0.28 หน่วย PI_Mean เป็นตัวทำนายเชิงบวกที่มีนัยสำคัญ B = 0.15, SE = 0.04, β = .157, t(395) = 3.762, p < .001 กล่าวคือ เมื่อ PI_Mean เพิ่มขึ้นหนึ่งหน่วย LS_Mean จะเพิ่มขึ้น 0.15 หน่วย ส่วน StudyHours ไม่เป็นตัวทำนายที่มีนัยสำคัญทางสถิติ B = 0.01, SE = 0.01, β = .049, t(395) = 1.199, p = .231 เมื่อเปรียบเทียบสัมประสิทธิ์เบต้ามาตรฐาน (β) พบว่า IQ_Mean (β = .378) เป็นตัวทำนายที่มีอิทธิพลสูงสุด รองลงมาคือ TU_Mean (β = .281) และ PI_Mean (β = .157) ตามลำดับ สัมประสิทธิ์การถดถอยทั้งหมดแสดงไว้ในตารางที่ 6

ผลการตรวจสอบภาวะร่วมเส้นตรงพหุ (Multicollinearity) ไม่พบปัญหาใด ๆ โดยค่า VIF (Variance Inflation Factor) สูงสุดเท่ากับ 1.103 และค่าความคลาดเคลื่อนที่ยอมรับได้ (Tolerance) ต่ำสุดเท่ากับ .907 ซึ่งอยู่ในเกณฑ์ที่ยอมรับได้ ผลการทดสอบเดอร์บิน-วัตสัน (Durbin-Watson) มีค่าเท่ากับ 1.979 ซึ่งบ่งชี้ว่าข้อตกลงเบื้องต้นเรื่องความเป็นอิสระของค่าความคลาดเคลื่อนได้รับการตอบสนอง เนื่องจาก StudyHours ไม่มีนัยสำคัญทางสถิติ ผลการวิเคราะห์จึงสนับสนุนสมมติฐาน H6 เพียงบางส่วน

ตารางที่ 6: สัมประสิทธิ์การถดถอยจากการวิเคราะห์การถดถอยพหุคูณ (Multiple Linear Regression) สำหรับ LS_Mean

หมายเหตุ N = 400. R = .575, R² = .331, Adjusted R² = .324, F(4, 395) = 48.878, p < .001. Durbin-Watson = 1.979. ค่า VIF (Variance Inflation Factor) สูงสุดเท่ากับ 1.103 และค่าความคลาดเคลื่อนที่ยอมรับได้ (Tolerance) ต่ำสุดเท่ากับ .907.

H7

เพื่อทดสอบว่ามีความสัมพันธ์ระหว่างเพศและ DeviceType หรือไม่ ผู้วิจัยได้ดำเนินการทดสอบไคสแควร์ (χ-square, χ²) แบบความเป็นอิสระ (N = 400) ผลการทดสอบพบว่ามีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติ χ²(6, N = 400) = 25.854, p < .001 ค่า Cramér's V = .180 (df_min = 2) ซึ่งบ่งชี้ถึงขนาดผล (Effect Size) ระดับเล็ก (Cohen, 1988) ผลการวิเคราะห์สนับสนุนสมมติฐาน H7

⚠️ การละเมิดข้อตกลงเบื้องต้น: พบว่า 4 เซลล์ (ร้อยละ 33.3) มีความถี่ที่คาดหวังต่ำกว่า 5 โดยมีความถี่ที่คาดหวังต่ำสุดเท่ากับ 0.11 ซึ่งถือเป็นการละเมิดข้อตกลงเบื้องต้นของการทดสอบไคสแควร์ (χ-square, χ²) เกี่ยวกับความเพียงพอของความถี่ที่คาดหวังในแต่ละเซลล์อย่างรุนแรง การละเมิดดังกล่าวเกิดจากกลุ่มเพศที่ 3 ที่มีขนาดเล็กมาก (n = 2) ซึ่งทำให้ความถี่ที่คาดหวังในหมวดหมู่ DeviceType ต่ำถึง 0.10 ผลการวิเคราะห์นี้ควรได้รับการตีความด้วยความระมัดระวังอย่างชัดเจน โดยพิจารณาแนวทางดังต่อไปนี้ (ก) รวมกลุ่มเพศที่มีความถี่น้อยเข้าด้วยกันแล้วดำเนินการวิเคราะห์ใหม่ (ข) คัดกลุ่มเพศที่ 3 ออกแล้วดำเนินการวิเคราะห์ใหม่บนตาราง 2 × 4 สำหรับเพศที่ 1 และเพศที่ 2 เท่านั้น หรือ (ค) รายงานผลการวิเคราะห์ปัจจุบันพร้อมระบุข้อจำกัดอย่างชัดเจนเกี่ยวกับความน่าเชื่อถือของผลลัพธ์อันเนื่องมาจากการละเมิดข้อตกลงเบื้องต้นดังกล่าว

H8

เพื่อทดสอบว่า TU_Mean ทำหน้าที่เป็นตัวแปรคั่นกลาง (Mediator Variable) ในความสัมพันธ์ระหว่าง IQ_Mean และ LS_Mean หรือไม่ ผู้วิจัยได้ดำเนินการวิเคราะห์ตัวแปรคั่นกลาง (Mediator Variable) โดยใช้ PROCESS Model 4 (Hayes, 2022) ด้วย 5,000 bootstrap samples และช่วงความเชื่อมั่น (Confidence Interval) แบบ bias-corrected ที่ระดับร้อยละ 95 (N = 400) เส้นทาง a-path ซึ่งแสดงถึงผลของ IQ_Mean ต่อ TU_Mean มีนัยสำคัญทางสถิติ B = 0.27, SE = 0.05, t(398) = 5.377, p < .001, 95% CI [0.17, 0.38] เส้นทาง b-path ซึ่งแสดงถึงผลของ TU_Mean ต่อ LS_Mean เมื่อควบคุม IQ_Mean ก็มีนัยสำคัญทางสถิติเช่นกัน B = 0.28, SE = 0.04, t(398) = 6.562, p < .001, 95% CI [0.20, 0.36]

ผลกระทบทางอ้อมของ IQ_Mean ต่อ LS_Mean ผ่าน TU_Mean มีนัยสำคัญทางสถิติ B = 0.08, BootSE = 0.02, 95% Boot CI [0.04, 0.11] เนื่องจากช่วงความเชื่อมั่น (Confidence Interval) ไม่ครอบคลุมค่าศูนย์ ค่าผลกระทบทางอ้อมที่ผ่านการมาตรฐานอย่างสมบูรณ์มีค่าเท่ากับ .074 ผลกระทบทางตรงของ IQ_Mean ต่อ LS_Mean หลังจากควบคุม TU_Mean ยังคงมีนัยสำคัญทางสถิติ B = 0.42, SE = 0.05, t(398) = 9.337, p < .001, 95% CI [0.33, 0.51] ผลกระทบรวมของ IQ_Mean ต่อ LS_Mean มีค่า B = 0.50, SE = 0.05, t(398) = 10.879, p < .001, 95% CI [0.41, 0.59] เนื่องจากผลกระทบทางอ้อมมีนัยสำคัญทางสถิติและผลกระทบทางตรงยังคงมีนัยสำคัญหลังจากรวม TU_Mean เป็นตัวแปรคั่นกลาง (Mediator Variable) รูปแบบดังกล่าวจึงสอดคล้องกับ**การเป็นตัวแปรคั่นกลางบางส่วน (partial mediation)** ผลการวิเคราะห์สนับสนุนสมมติฐาน H8

ตารางที่ 7: ผลกระทบทางตรง ทางอ้อม และผลกระทบรวมสำหรับการวิเคราะห์ตัวแปรคั่นกลาง IQ_Mean → LS_Mean ผ่าน TU_Mean

หมายเหตุ N = 400. การวิเคราะห์ดำเนินการโดยใช้ PROCESS Model 4 (Hayes, 2022). ᵃ Bootstrap SE และช่วงความเชื่อมั่น (Confidence Interval) คำนวณจาก 5,000 bootstrap samples (95% bias-corrected) ช่วงความเชื่อมั่น (Confidence Interval) ของผลกระทบทางอ้อมไม่ครอบคลุมค่าศูนย์ ซึ่งบ่งชี้ว่ามีการเป็นตัวแปรคั่นกลาง (Mediator Variable) ที่มีนัยสำคัญ ค่าผลกระทบทางอ้อมที่ผ่านการมาตรฐานอย่างสมบูรณ์ = .074.

H9

เพื่อทดสอบว่า StudyHours ทำหน้าที่เป็นตัวแปรกำกับ (Moderator Variable) ในความสัมพันธ์ระหว่าง IQ_Mean และ LS_Mean หรือไม่ ผู้วิจัยได้ดำเนินการวิเคราะห์ตัวแปรกำกับ (Moderator Variable) โดยใช้ PROCESS Model 1 (Hayes, 2022) โดยทำการปรับค่ากึ่งกลาง (mean-centering) ของ IQ_Mean และ StudyHours ก่อนการวิเคราะห์ (N = 400) ผลการทดสอบพบว่าพจน์ปฏิสัมพันธ์ระหว่าง IQ_Mean และ StudyHours ไม่มีนัยสำคัญทางสถิติ B = 0.00, SE = 0.01, t(396) = 0.020, p = .984, 95% CI [−0.03, 0.03], ΔR² = .000, F(1, 396) = 0.0004, p = .984 ค่า ΔR² = .000 บ่งชี้ว่าปฏิสัมพันธ์ดังกล่าวมีส่วนอธิบายความแปรปรวน (Variance) เพิ่มเติมในระดับที่เล็กน้อยมาก เนื่องจากพจน์ปฏิสัมพันธ์ไม่มีนัยสำคัญทางสถิติ จึงไม่สามารถตีความผลกระทบตามเงื่อนไขที่ค่าต่ำ (−1 SD) ค่ากลาง หรือค่าสูง (+1 SD) ของ StudyHours ได้ และไม่มีการนำเขตนัยสำคัญของ Johnson-Neyman มาใช้ ผลการวิเคราะห์สรุปได้ว่า StudyHours ไม่ได้ทำหน้าที่เป็นตัวแปรกำกับ (Moderator Variable) ในความสัมพันธ์ระหว่าง IQ_Mean และ LS_Mean ผลการวิเคราะห์ไม่สนับสนุนสมมติฐาน H9

รายการอ้างอิง

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.

H1

To test whether LS_Mean differed between Gender groups 1 and 2, an independent samples t-test was conducted. Prior to the analysis, Gender group 3 (n = 2) was excluded per syntax specification, yielding an analysis N of 398. Levene's test for equality of variances was non-significant, F(1, 396) = 0.31, p = .578, so equal variances were assumed. The t-test revealed a statistically significant difference in LS_Mean between the two groups, t(396) = −3.703, p < .001, 95% CI [−0.41, −0.13]. Gender 2 (M = 3.69, SD = 0.71) scored significantly higher than Gender 1 (M = 3.42, SD = 0.74). The mean difference was −0.27. Cohen's d = 0.37, indicating a small effect size (Cohen, 1988). H1 was supported.

Table 1: Group Statistics for LS_Mean by Gender

Note. Gender group 3 (n = 2) was excluded from the analysis. Equal variances assumed; Levene's F(1, 396) = 0.31, p = .578.

H2

To test whether IQ_Mean and PI_Mean differed from one another within the same participants, a paired samples t-test was conducted (N = 400). This was a within-subject comparison of two constructs in a cross-sectional dataset, not a pre/post design. The paired correlation between IQ_Mean and PI_Mean was significant, r(398) = .177, p < .001. The test revealed that IQ_Mean (M = 3.63, SD = 0.70) was significantly higher than PI_Mean (M = 3.23, SD = 0.76), t(399) = 8.670, p < .001, 95% CI [0.32, 0.50], with a mean difference of 0.41 (SD of difference = 0.94, SE = 0.05). Cohen's dz = 0.43, indicating a small effect size (Cohen, 1988). H2 was supported.

H3

To test whether LS_Mean differed across Year of study groups, a one-way ANOVA was conducted (N = 400). Levene's test confirmed homogeneity of variance, F(3, 396) = 0.623, p = .601. The ANOVA revealed a statistically significant difference in LS_Mean across year groups, F(3, 396) = 3.006, p = .030, η² = .022, indicating a small effect size (Cohen, 1988). Descriptive statistics for each group are presented in Table 2.

Tukey HSD post-hoc comparisons were conducted to identify which specific groups differed. Only the comparison between Year 1 and Year 2 reached statistical significance (mean difference = −0.27, SE = 0.10, p = .046). All remaining pairwise comparisons were non-significant, with all p ≥ .077. Full post-hoc results are presented in Table 3. H3 was supported.

Table 2: Descriptive Statistics for LS_Mean by Year of Study

Note. F(3, 396) = 3.006, p = .030, η² = .022.

Table 3: Tukey HSD Post-Hoc Comparisons for LS_Mean by Year of Study

Note. Mean differences are Year 1 minus Year 2, Year 1 minus Year 3, etc. Only the Year 1 vs. Year 2 comparison was statistically significant at α = .05.

H4

To test whether significant correlations existed among LS_Mean, IQ_Mean, TU_Mean, PI_Mean, and StudyHours, Pearson correlations were computed for all pairs (N = 400 for all pairs). The full correlation matrix is presented in Table 4.

LS_Mean was significantly positively correlated with IQ_Mean, r(398) = .479, p < .001, TU_Mean, r(398) = .390, p < .001, and PI_Mean, r(398) = .243, p < .001. The correlation between LS_Mean and IQ_Mean represents a medium effect size (Cohen, 1988). The correlation between LS_Mean and TU_Mean represents a medium effect size (Cohen, 1988). The correlation between LS_Mean and PI_Mean represents a small effect size (Cohen, 1988). IQ_Mean was significantly positively correlated with TU_Mean, r(398) = .260, p < .001, representing a small effect size, and with PI_Mean, r(398) = .177, p < .001, also representing a small effect size (Cohen, 1988). The correlation between TU_Mean and PI_Mean was not significant, r(398) = .066, p = .185. StudyHours was not significantly correlated with any variable: LS_Mean, r(398) = .044, p = .375; IQ_Mean, r(398) = −.010, p = .835; TU_Mean, r(398) = −.005, p = .922; PI_Mean, r(398) = .003, p = .957. All correlations involving StudyHours were negligible in magnitude (Cohen, 1988).

Because StudyHours was not significantly correlated with any of the four scale variables and the TU_Mean–PI_Mean correlation was also non-significant, H4 was partially supported.

Table 4: Pearson Correlation Matrix for LS_Mean, IQ_Mean, TU_Mean, PI_Mean, and StudyHours

Note. N = 400 for all pairs. Only the lower triangle is shown; the upper triangle contains the mirrored values. *** p < .001.

H5

To test whether IQ_Mean significantly predicted LS_Mean, a simple linear regression was conducted (N = 400). The overall model was statistically significant, F(1, 398) = 118.343, p < .001, R = .479, R² = .229, adjusted R² = .227, indicating that IQ_Mean accounted for 22.9% of the variance in LS_Mean. The effect size was f² = 0.297, indicating a medium effect (Cohen, 1988). IQ_Mean was a significant positive predictor of LS_Mean, B = 0.50, SE = 0.05, β = .479, t(398) = 10.879, p < .001. A one-unit increase in IQ_Mean was associated with a 0.50-unit increase in LS_Mean. H5 was supported.

Table 5: Simple Linear Regression Coefficients for LS_Mean Predicted by IQ_Mean

Note. N = 400. R = .479, R² = .229, adjusted R² = .227, F(1, 398) = 118.343, p < .001.

H6

To test whether IQ_Mean, TU_Mean, PI_Mean, and StudyHours jointly and individually predicted LS_Mean, a multiple linear regression was conducted (N = 400). The overall model was statistically significant, F(4, 395) = 48.878, p < .001, R = .575, R² = .331, adjusted R² = .324, indicating that the four predictors jointly accounted for 33.1% of the variance in LS_Mean. The effect size was f² = 0.495, indicating a large effect (Cohen, 1988).

Three of the four predictors were statistically significant. IQ_Mean was a significant positive predictor, B = 0.39, SE = 0.05, β = .378, t(395) = 8.752, p < .001, such that a one-unit increase in IQ_Mean was associated with a 0.39-unit increase in LS_Mean. TU_Mean was also a significant positive predictor, B = 0.28, SE = 0.04, β = .281, t(395) = 6.594, p < .001, such that a one-unit increase in TU_Mean was associated with a 0.28-unit increase in LS_Mean. PI_Mean was a significant positive predictor, B = 0.15, SE = 0.04, β = .157, t(395) = 3.762, p < .001, such that a one-unit increase in PI_Mean was associated with a 0.15-unit increase in LS_Mean. StudyHours was not a significant predictor, B = 0.01, SE = 0.01, β = .049, t(395) = 1.199, p = .231. Comparing standardized coefficients, IQ_Mean (β = .378) was the strongest predictor, followed by TU_Mean (β = .281) and PI_Mean (β = .157). Full regression coefficients are presented in Table 6.

Multicollinearity diagnostics indicated no concerns: the largest VIF was 1.103 and the smallest Tolerance was .907, both well within acceptable limits. The Durbin-Watson statistic was 1.979, indicating that the independence of residuals assumption was satisfied. Because StudyHours did not reach significance, H6 was partially supported.

Table 6: Multiple Linear Regression Coefficients for LS_Mean

Note. N = 400. R = .575, R² = .331, adjusted R² = .324, F(4, 395) = 48.878, p < .001. Durbin-Watson = 1.979. The largest VIF was 1.103; the smallest Tolerance was .907.

H7

To test whether an association existed between Gender and DeviceType, a chi-square test of independence was conducted (N = 400). The test revealed a statistically significant association, χ²(6, N = 400) = 25.854, p < .001. Cramér's V = .180 (df_min = 2), indicating a small effect size (Cohen, 1988). H7 was supported.

⚠️ Assumption Violation: 4 cells (33.3%) had expected counts below 5, with a minimum expected count of 0.11. This is a SEVERE violation of the chi-square assumption of adequate expected cell frequencies. The violation was driven primarily by the very small Gender 3 group (n = 2), which produced expected counts as low as 0.10 across DeviceType categories. These results should be interpreted with explicit caution. Consider: (a) combining sparse Gender categories and re-running the analysis, (b) excluding the Gender 3 group and re-running on the 2 × 4 table for Gender 1 and Gender 2 only, or (c) reporting the current result with a clear caveat about its reliability given the assumption violation.

H8

To test whether TU_Mean mediated the relationship between IQ_Mean and LS_Mean, a mediation analysis was conducted using PROCESS Model 4 (Hayes, 2022) with 5,000 bootstrap samples and 95% bias-corrected confidence intervals (N = 400). The a-path, representing the effect of IQ_Mean on TU_Mean, was significant, B = 0.27, SE = 0.05, t(398) = 5.377, p < .001, 95% CI [0.17, 0.38]. The b-path, representing the effect of TU_Mean on LS_Mean controlling for IQ_Mean, was also significant, B = 0.28, SE = 0.04, t(398) = 6.562, p < .001, 95% CI [0.20, 0.36].

The indirect effect of IQ_Mean on LS_Mean through TU_Mean was significant, B = 0.08, BootSE = 0.02, 95% Boot CI [0.04, 0.11], as the confidence interval excluded zero. The completely standardized indirect effect was .074. The direct effect of IQ_Mean on LS_Mean, after controlling for TU_Mean, remained significant, B = 0.42, SE = 0.05, t(398) = 9.337, p < .001, 95% CI [0.33, 0.51]. The total effect of IQ_Mean on LS_Mean was B = 0.50, SE = 0.05, t(398) = 10.879, p < .001, 95% CI [0.41, 0.59]. Because the indirect effect was significant and the direct effect remained significant after including TU_Mean as a mediator, the pattern is consistent with partial mediation. H8 was supported.

Table 7: Direct, Indirect, and Total Effects for the Mediation of IQ_Mean → LS_Mean through TU_Mean

Note. N = 400. Analysis conducted using PROCESS Model 4 (Hayes, 2022). ᵃ Bootstrap SE and CI based on 5,000 bootstrap samples (95% bias-corrected). The indirect effect CI excludes zero, indicating significant mediation. Completely standardized indirect effect = .074.

H9

To test whether StudyHours moderated the relationship between IQ_Mean and LS_Mean, a moderation analysis was conducted using PROCESS Model 1 (Hayes, 2022), with IQ_Mean and StudyHours mean-centered prior to analysis (N = 400). The interaction term between IQ_Mean and StudyHours was not statistically significant, B = 0.00, SE = 0.01, t(396) = 0.020, p = .984, 95% CI [−0.03, 0.03], ΔR² = .000, F(1, 396) = 0.0004, p = .984. The ΔR² of .000 indicates a negligible change in variance explained attributable to the interaction. Because the interaction term was non-significant, no conditional effects at low (−1 SD), mean, or high (+1 SD) values of StudyHours were interpretable, and no Johnson-Neyman regions of significance were applicable. StudyHours did not moderate the effect of IQ_Mean on LS_Mean. H9 was not supported.

References

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.