Page 328 - thaipaat_Stou_2563
P. 328
งานประชุมวิชาการรัฐประศาสนศาสตร์ระดับชาติ ครั้งที่ ๑๐/๒๕๖๓
ั
ื่
ต่อมา ผู้วิจัยได้ใช้เทคนิคทางสถิติเชิงอภิมานเพอการค านวณหาค่าขนาดความสัมพนธ์ (effect size)
ิ่
ระหว่างการจ่ายค่าตอบแทนตามผลงานและการเพมผลการปฏิบัติงานของพนักงาน ในเบื้องต้น ผู้วิจัยได้ใช้
วิธีการ Psychometric Meta-Analytic Method ของ Schmidt and Hunter (2015) เพอปรับค่า
ื่
Pearson’s r correlations ที่ได้จากงานวิจัยที่ถูกคัดเลือกในขั้นต้น ให้เป็นค่า corrected correlations
เหตุผลที่ผู้วิจัยเลือกใช้เทคนิคดังกล่าว เนื่องจากต้องการลดทอนผลกระทบที่จะเกิดจากความคลาดเคลื่อนทั้ง
ู
จากการวัดและการสุ่มตัวอย่าง (measurement and sampling errors) ที่อาจพบได้ในงานวิจัยที่ถกคัดเลือก
79
เข้ามาสู่การศึกษานี้ ท้ายที่สุด ผู้วิจัยใช้วิธีการค านวณหาค่าขนาดความสัมพนธ์ด้วยโปรแกรมสถิติ R โดยใช้
ั
ั
ชุดค าสั่ง ‘metafor’ พร้อมกับเทคนิค Restricted Maximum Likelihood (REML) ซึ่งพฒนาโดย
Viechtbauer (2010)
80
ในขั้นตอนสุดท้าย ผู้วิจัยใช้การวิเคราะห์พหุระดับแบบ 3 ระดับ (Three-level multilevel analysis)
ด้วยโปรแกรมสถิติ HLM 7 (Raudenbush, Bryk, Cheong, Congdon, & DuToit, 2011) เพอทดสอบ
ื่
อทธิพลของตัวแปรแทรก (moderator) ที่ก าหนดไว้ใน 3 ระดับ ได้แก่ ระดับบุคคล (เช่น ประเภทพนักงาน:
ิ
ภาครัฐ vs. ภาคเอกชน) ระดับองค์การ (เช่น การบูรณาการระบบค่าตอบแทนตามผลงานกับระบบการบริหาร
ทรัพยากรมนุษย์ที่ดีด้านอน ๆ) และระดับประเทศ (เช่น ค่านิยมมุ่งผลสัมฤทธิ์ในการปฏิบัติงานของชาติ) ที่จะ
ื่
ั
ส่งผลต่อขนาดความสัมพนธ์ (effect size) ระหว่างการจ่ายค่าตอบแทนตามผลงานและการเพมผลการ
ิ่
ปฏิบัติงานของพนักงาน (ภาพท 2)
ี่
ภาพที่ 2 แสดงตัวแบบการวิเคราะห์พหุระดับแบบ 3 ระดับ
ผลกำรศึกษำ
ผลการวิเคราะห์อภิมานโดยสรุป พบว่า ในภาพรวม การจ่ายค่าตอบแทนตามผลงานส่งผลเชิงบวกต่อ
79 ผู้สนใจสามารถดูรายละเอียดของเทคนิคนี้เพิ่มเติมได้ที่ Schmidt, F. L., & Hunter, J. E. (2015). Methods of meta-analysis:
Correcting error and bias in research findings (3rd ed.). Thousand Oaks, CA: Sage.
80 ขั้นตอนการวิเคราะห์อภิมานในบทความนี้ เป็นขั้นตอนสรุปโดยย่อ ในบทความฉบับเต็มยังจะประกอบไปด้วยเทคนิคต่าง ๆ เพื่อตรวจสอบ
ประเด็นเกี่ยวกับ Heterogeneity ของงานวิจัยที่ถูกคัดเลือกเข้ามา รวมถึงปัญหาเกี่ยวกับ publication bias
326