📊 Dependent t-Test หรือ Paired Samples t-Test เป็นสถิติพื้นฐานที่แทบทุกงานวิจัยระดับปริญญาต้องใช้ แต่ในขณะเดียวกันก็เป็นสถิติที่นักศึกษาสับสนและเลือกใช้ผิดมากที่สุด บทความนี้จะพาคุณทำความเข้าใจ Dependent t-Test แบบเป็นระบบ ตั้งแต่แนวคิดพื้นฐาน หลักการเลือกใช้ เงื่อนไข ตัวอย่างเชิงลึก ไปจนถึงการรายงานผลให้ถูกต้องตามมาตรฐานงานวิจัย
หากคุณกำลังตั้งคำถามว่า…
👉 งานวิจัยของเราควรใช้ Dependent t-Test หรือไม่
👉 ก่อน–หลัง แบบไหนถึงเรียกว่า “Dependent”
👉 ทำไมบางงานใช้ t-Test แล้วโดนกรรมการทัก
บทความนี้คือคำตอบครบในหน้าเดียว
🔍 Dependent t-Test คืออะไร
Dependent t-Test คือ สถิติที่ใช้เปรียบเทียบค่าเฉลี่ยของข้อมูล 2 ชุดที่มีความสัมพันธ์กันโดยตรง
ความสัมพันธ์ในที่นี้หมายถึง ข้อมูลสามารถ “จับคู่กันได้เป็นรายบุคคล”
📌 ตัวอย่างเช่น
- คะแนนของนักเรียนคนเดิม ก่อนเรียนและหลังเรียน
- ระดับความรู้ของพนักงานคนเดิม ก่อนและหลังอบรม
จุดสำคัญคือ ไม่ใช่การเปรียบเทียบคนละกลุ่ม แต่เป็นการดูว่า
“คนกลุ่มเดิมเปลี่ยนแปลงไปหรือไม่”
🧠 แนวคิดหลักของ Dependent t-Test
หัวใจของ Dependent t-Test ไม่ใช่ค่าเฉลี่ย แต่คือ “การเปลี่ยนแปลง (Change)”
สถิตินี้สนใจว่า
- หลังจากได้รับการทดลอง / การอบรม / มาตรการ
- ค่าเฉลี่ยของกลุ่มเดิม เพิ่มขึ้น ลดลง หรือไม่เปลี่ยนแปลง
ดังนั้น Dependent t-Test จึงเหมาะอย่างยิ่งกับ
- งานวิจัยเชิงทดลอง
- งานวิจัยกึ่งทดลอง
- งานวิจัยประเมินผล
⏰ Dependent t-Test ใช้เมื่อไร
การตัดสินใจใช้ Dependent t-Test ควรถามตนเอง 3 คำถามหลัก
👥 คำถามที่ 1: ใช้เมื่อเป็น “กลุ่มตัวอย่างเดียวกันจริง ๆ”
ข้อมูลทั้งสองชุดต้องมาจาก บุคคลหรือหน่วยวิเคราะห์ชุดเดียวกัน 100% และสามารถจับคู่ข้อมูลได้เป็นรายคน
ตัวอย่างที่ใช้ Dependent t-Test ได้
- นักเรียนชุดเดิม ก่อนเรียนและหลังเรียน
- พนักงานคนเดิม ก่อนและหลังอบรม
- ผู้ป่วยรายเดิม ก่อนและหลังการรักษา
ตัวอย่างที่ใช้ไม่ได้
- นักเรียนคนละห้อง
- พนักงานคนละแผนก
- กลุ่มทดลอง เทียบ กลุ่มควบคุม
📌 หากเป็นคนละกลุ่ม → ต้องใช้ Independent t-Test
🔁 คำถามที่ 2: ใช้เมื่อมีการวัด “อย่างน้อย 2 ครั้ง”
Dependent t-Test ต้องมีข้อมูล สองช่วงเวลา หรือสองสภาวะ เช่น
- ก่อนเรียน → หลังเรียน
- ก่อนใช้นโยบาย → หลังใช้นโยบาย
- สภาวะปกติ → สภาวะทดลอง
❗ หากวัดเพียงครั้งเดียว → ไม่สามารถใช้ Dependent t-Test ได้
📈 คำถามที่ 3: ใช้เมื่อข้อมูลเป็น “ตัวเลขที่นำมาหาค่าเฉลี่ยได้”
- ข้อมูลที่เหมาะสม ได้แก่
✔️ คะแนนสอบ
✔️ คะแนนประเมิน
✔️ ระดับความคิดเห็น (Likert Scale เฉลี่ย)
✔️ ค่าทางกายภาพ เช่น น้ำหนัก ความดัน - ข้อมูลที่ไม่เหมาะสม
❌ เพศ
❌ อาชีพ
❌ คำตอบแบบ ใช่ / ไม่ใช่
🧪 ตัวอย่างงานวิจัยเชิงลึกที่ใช้ Dependent t-Test
📚 ตัวอย่างที่ 1 งานวิจัยด้านการศึกษา
การเปรียบเทียบผลสัมฤทธิ์ทางการเรียนก่อนและหลังการใช้สื่อการสอนออนไลน์
✔️ นักเรียนกลุ่มเดิม
✔️ วัดก่อน–หลัง
✔️ คะแนนเป็นตัวเลข
👉 ใช้ Dependent t-Test
🏢 ตัวอย่างที่ 2 งานวิจัยด้านบริหารธุรกิจ
การเปรียบเทียบความพึงพอใจของพนักงานก่อนและหลังปรับระบบประเมินผล
✔️ พนักงานชุดเดิม
✔️ วัดซ้ำ
✔️ ใช้คะแนนสเกล
👉 ใช้ Dependent t-Test
🏥 ตัวอย่างที่ 3 งานวิจัยด้านสุขภาพ
เปรียบเทียบค่าดัชนีมวลกายก่อนและหลังโปรแกรมส่งเสริมสุขภาพ
✔️ ผู้เข้าร่วมรายเดิม
✔️ วัด 2 ครั้ง
✔️ ข้อมูลเชิงอัตราส่วน
👉 ใช้ Dependent t-Test
⚙️ หลักการคำนวณของ Dependent t-Test
แนวคิดการคำนวณมี 3 ขั้นตอนหลัก
1️⃣ คำนวณ “ผลต่าง” ของแต่ละคู่ข้อมูล หลัง − ก่อน (รายบุคคล)
2️⃣ หาค่าเฉลี่ยของผลต่างทั้งหมด
3️⃣ ตรวจสอบว่า ค่าเฉลี่ยของผลต่าง แตกต่างจาก 0 หรือไม่
📌 หากแตกต่างจาก 0 อย่างมีนัยสำคัญ
→ แสดงว่าการเปลี่ยนแปลงมีความหมายทางสถิติ
📝 สมมติฐานของ Dependent t-Test
สมมติฐานศูนย์ (H₀) ค่าเฉลี่ยก่อนและหลัง ไม่แตกต่างกัน
สมมติฐานทางเลือก (H₁) ค่าเฉลี่ยก่อนและหลัง แตกต่างกัน
📌 การตัดสิน
- p-value < 0.05 → แตกต่างอย่างมีนัยสำคัญ
- p-value ≥ 0.05 → ไม่แตกต่าง
📌 ข้อสมมติทางสถิติที่ต้องตรวจสอบ
ก่อนใช้ Dependent t-Test ต้องตรวจสอบ
✔️ ข้อมูลเป็นเชิงปริมาณ
✔️ ผลต่างมีการแจกแจงปกติ
✔️ คู่ข้อมูลเป็นอิสระจากกัน
📌 หากไม่เป็นปกติ
แนะนำใช้ Wilcoxon Signed-Rank Test
📑 การรายงานผล Dependent t-Test ให้ถูกต้อง
ตัวอย่างการรายงานผลเชิงวิชาการ
“ผลการวิเคราะห์ด้วย Dependent t-Test พบว่าคะแนนหลังเรียน (x̄ = 82.45) สูงกว่าก่อนเรียน (x̄ = 65.30) อย่างมีนัยสำคัญทางสถิติที่ระดับ .05 (t = 6.72, p < .05)”
✔️ ระบุค่าเฉลี่ย
✔️ ระบุค่า t
✔️ ระบุค่า p
✔️ ระบุระดับนัยสำคัญ
⚠️ ข้อผิดพลาดที่พบบ่อย
❌ ใช้ Dependent t-Test กับข้อมูลคนละกลุ่ม
❌ ใช้กับข้อมูลเชิงคุณภาพ
❌ ไม่ตรวจสอบ Normality
❌ เข้าใจว่า Likert Scale ใช้ไม่ได้ (จริง ๆ ใช้ได้หากเป็นค่าเฉลี่ย)
🔄 Dependent t-Test ต่างจาก Independent t-Test อย่างไร
| ประเด็น | Dependent t-Test | Independent t-Test |
| กลุ่มตัวอย่าง | กลุ่มเดียวกัน | คนละกลุ่ม |
| การวัด | วัดซ้ำ | วัดครั้งเดียว |
| ตัวอย่าง | ก่อน–หลัง | ชาย–หญิง |
✅ Dependent t-Test เหมาะสำหรับงานวิจัยที่ต้องการวัดการเปลี่ยนแปลงของกลุ่มเดิมในสองช่วงเวลา
เป็นสถิติสำคัญที่ช่วยยืนยันว่า ผลที่เกิดขึ้น เกิดจากการทดลองหรือมาตรการจริง ไม่ใช่ความบังเอิญ