PDF

สถิติและการใช้โปรแกรมสาเร็จรูปใน
การพัฒนาผลิตภัณฑ์อาหาร
วิวฒ
ั น์ หวังเจริญ
คณะวิศวกรรมและอุตสาหกรรมเกษตร มหาวิทยาลัยแม่โจ้
สถิติ
และการใช้โปรแกรมสาเร็จรูป
ในการพัฒนาผลิตภัณฑ์อาหาร
เรียบเรียงโดย
วิวฒ
คณะวิศวกรรมและอุตสาหกรรมเกษตร มหาวิทยาลัยแม่โจ้
คำนำ
หนังสือเรื่อง “สถิตแิ ละการใช้ โปรแกรมสาเร็จรูปในการพัฒนาผลิตภัณฑ์อาหาร” นี้ มีเนื้อหาเกี่ยวกับ
การพัฒนาผลิตภัณฑ์อาหาร โดยเน้ นเฉพาะในส่วนของความรู้พ้ นื ฐานทางสถิตทิ ่จี าเป็ นต้ องใช้ สาหรับการทาการ
ทดลองและการใช้ โปรแกรมสาเร็จรูปเพื่อการวิเคราะห์ข้อมูล โดยมีการแนะนาการใช้ โปรแกรมสาเร็จรูป 3
โปรแกรมหลัก คือ โปรแกรมไมโครซอฟท์เอกซ์เซล โปรแกรมเอสพีเอสเอส และ โปรแกรมอาร์ ซึ่งผู้เรียบ
เรียงคาดหวังว่าจะเป็ นประโยชน์กบั นักศึกษาระดับปริญญาตรีหรือต่ากว่าและบุคคลทั่วไปที่มคี วามสนใจเกี่ยวกับ
การทดลองเพื่อการพัฒนาผลิตภัณฑ์อาหาร
ผู้เรียบเรียงขอขอบคุณครูบาอาจารย์ ผู้แต่งเอกสารอ้ างอิง ผู้สร้ างสรรค์โปรแกรมสาเร็จรูป โจทย์

ปัญหาต่างๆ จากนักศึกษา เพื่อนร่วมงาน และบุคคลทั่วไป และ สื่อความรู้ดๆ ี ที่ทาให้ ผ้ เู รียบเรียงเกิดความรู้
ความเข้ าใจในเนื้อหาที่เขียนในหนังสือเล่มนี้ ขอขอบคุณคณะวิศวกรรมและอุตสาหกรรมเกษตร มหาวิทยาลัย
แม่โจ้ ที่เปิ ดโอกาสให้ ผ้ เู รียบเรียงทางานที่สนใจ จนกระทั่งมีประสบการณ์เพียงพอในการเขียนหนังสือเล่มนี้
และขอขอบคุณกาลังใจจากครอบครัวและเพื่อนๆ ที่ทาให้ ผ้ เู รียบเรียงสามารถเขียนหนังสือเล่มนี้ได้ สาเร็จ
หนังสือเล่มนี้ไม่ได้ ถูกเรียบเรียงขึ้นเพื่อวัตถุประสงค์ทางการค้ า ผู้สนใจสามารถดาวน์โหลดไฟล์

หนังสือเล่มนี้ได้ ท่ี http://www.engineer.mju.ac.th/ (เวบไซด์ของคณะวิศวกรรมและอุตสาหกรรมเกษตร
มหาวิทยาลัยแม่โจ้ )
สุดท้ ายนี้ผ้ เู รียบเรียงหวังเป็ นอย่างยิ่งว่า หนังสือเล่มนี้จะเป็ นประโยชน์ต่อผู้สนใจ และหากมี

ข้ อผิดพลาด ประการใด ผู้เรียบเรียงขอน้ อมรับไว้ และจะนาไปปรับปรุงให้ มคี วามสมบูรณ์ข้ นึ ในโอกาสต่อไป
วิวฒ
สารบัญ
หน้า
คานา i
สารบัญ ii
สารบัญตาราง vi
สารบัญภาพ ix
สารบัญตารางภาคผนวก xvi
บทที่ 1 บทนา 1
1.1 ความหมายของการพัฒนาผลิตภัณฑ์อาหาร 1
1.2 ผลิตภัณฑ์ใหม่ 1
1.3 วงจรชีวิตผลิตภัณฑ์ 2
1.4 ความสาคัญของการพัฒนาผลิตภัณฑ์ 4
1.5 ปัจจัยที่สนับสนุนให้ มกี ารพัฒนาผลิตภัณฑ์ 5
1.6 กระบวนการพัฒนาผลิตภัณฑ์ 6
1.7 การเตรียมความพร้ อมเพื่อการพัฒนาผลิตภัณฑ์ต้นแบบ 7
1.8 บ้ านคุณภาพและการกระจายหน้ าที่เชิงคุณภาพ 12
เอกสารอ้ างอิง 20
บทที่ 2 การวิเคราะห์ข้อมูลทางสถิตดิ ้ วยแผนการทดลองทั่วไป 21

2.1 การทดสอบค่าที 22
2.1.1 การทดสอบค่าที กรณีความแปรปรวนของข้ อมูลที่ต้องการเปรียบเทียบ 23
ทั้งสองกลุ่มไม่แตกต่างกัน
2.1.2 การทดสอบค่าที กรณีความแปรปรวนของข้ อมูลที่ต้องการเปรียบเทียบ 26
ทั้งสองกลุ่มแตกต่างกัน
กรณีศึกษา: การทดสอบค่าที 31
2.1.3 การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูล 32
2.1.3.1 โปรแกรมไมโครซอฟท์เอกซ์เซล 34
2.1.3.2 โปรแกรมเอสพีเอสเอส 39
2.1.3.3 โปรแกรมอาร์ 42
เฉลยกรณีศึกษา: การทดสอบค่าที 46
~ ii ~
สารบัญ (ต่อ)
หน้า
2.2 การวิเคราะห์ความแปรปรวนและการเปรียบเทียบค่าเฉลี่ย 48
2.2.1 การทดลองที่วิเคราะห์ผลโดยการวิเคราะห์ความแปรปรวน 49
2.2.2 การเปรียบเทียบค่าเฉลี่ย 50
2.2.3 ข้ อกาหนดเบื้องต้ นเกี่ยวกับการวิเคราะห์ความแปรปรวน 56
2.2.4 แผนการทดลองแบบสุ่มสมบูรณ์ 58
2.2.5 แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก 69
2.2.6 แผนการทดลองแบบลาตินสแควร์ 76
2.2.7 การทดลองแบบแฟคทอเรียล 86
2.2.8 การทดลองแบบสปลิทพลอท 102
กรณีศึกษา: การวิเคราะห์ความแปรปรวน 119
เฉลยกรณีศึกษา: การวิเคราะห์ความแปรปรวน 156
บทที่ 3 แผนการทดลองสาหรับการคัดเลือกปัจจัย 161

3.1 แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน 161
กรณีศึกษา: แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน 168
3.2 การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูล 169
3.2.1 โปรแกรมไมโครซอฟท์เอกซ์เซล 170
3.2.2 โปรแกรมเอสพีเอสเอส 172
3.2.3 โปรแกรมอาร์ 175
เฉลยกรณีศึกษา: แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน 176
บทที่ 4 การทดลองและมาตราสาหรับการปรับปรุงสูตรและตัวแปรของกระบวนการผลิต 179

4.1 การทดลองแบบส่วนผสม 179
4.1.1 การทดลองแบบซิมเพลกซ์แลกทิซ 180
4.1.2 การทดลองแบบซิมเพลกซ์เซนทรอยด์ 181
4.1.3 การทดลองแบบซิมเพลกซ์แอคเซียล 182
4.1.4 การทดลองแบบเอกซ์ทรีมเวอร์ทสิ 182
~ iii ~
หน้า
กรณีศึกษา: การทดลองแบบส่วนผสม 192
4.2 โปรแกรมเส้ นตรง 193
4.2.1.1 การใช้ คาสั่ง Solver ในโปรแกรมไมโครซอฟท์เอกซ์เซล 201
4.2.1.2 การหาผลลัพธ์ออนไลน์ในเวบไซด์ www.phpsimplex.com 205
4.2.2 แบบจาลองวิศวกรรมส่วนกลับ 209
กรณีศึกษา: แบบจาลองวิศวกรรมส่วนกลับ 216
4.3 มาตราพอดี 217
4.3.1 การวิเคราะห์พีนอลตี 224
4.3.2 การวิเคราะห์โอกาส 226
4.4 การทดลองแบบอีโวลูชนั นารี โอเปอเรชัน 237
4.5 การออกแบบพื้นที่การตอบสนอง 244
4.5.2 การสร้ างแผนภูมเิ ส้นชั้นแบบโครงลวดโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล 253
เฉลยกรณีศึกษา: การทดลองแบบส่วนผสม 256
เฉลยกรณีศึกษา: แบบจาลองวิศวกรรมส่วนกลับ 257
บทที่ 5 ผังแสดงความชอบ 261

5.1 การสร้ างผังจากคะแนนความชอบหรือการยอมรับผลิตภัณฑ์ 261
การสร้ างผังโดยใช้ โปรแกรมเอสพีเอสเอส 263
การสร้ างผังโดยใช้ โปรแกรมอาร์ 269
การระบุทศิ ทางความชอบของผู้บริโภคโดยใช้ โปรแกรมเอสพีเอสเอส 275
การระบุทศิ ทางความชอบของผู้บริโภคโดยใช้ โปรแกรมอาร์ 279
5.2 การสร้ างผังจากลักษณะหรือสมบัตขิ องผลิตภัณฑ์ 283
การสร้ างผังโดยใช้ โปรแกรมเอสพีเอสเอส 284
การสร้ างผังโดยใช้ โปรแกรมอาร์ 298
~ iv ~
หน้า
กรณีศึกษา: ผังแสดงความชอบ 308
เฉลยกรณีศึกษา: ผังแสดงความชอบ 309
บทที่ 6 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหาร 311

6.1 ปัจจัยภายนอกที่มผี ลต่อคุณภาพของผลิตภัณฑ์อาหาร 311
6.2 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกริ ิยา 312
กรณีศึกษา: การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกริ ิยา 320
6.3 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารโดยวิธคี วิ เทน 321
กรณีศึกษา: การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารโดยวิธคี วิ เทน 322
6.4 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารแห้ ง อาหารที่มคี วามชื้นปานกลาง 323
และอาหารขบเคี้ยว
กรณีศึกษา: การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารแห้ ง 326
อาหารที่มคี วามชื้นปานกลางและอาหารขบเคี้ยว
6.5 การสร้ างแผนภูมเิ พื่อหาอัตราเร็วของปฏิกริ ิยาโดยโปรแกรมไมโครซอฟท์เอกซ์เซล 327
เฉลยกรณีศึกษา: การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกริ ิยา 330
เฉลยกรณีศึกษา: การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารโดยวิธคี วิ เทน 331
เฉลยกรณีศึกษา: การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารแห้ ง 331
อาหารที่มคี วามชื้นปานกลางและอาหารขบเคี้ยว
ภาคผนวก 333
ดัชนี 345
~v~
สารบัญตาราง
หน้า
ตารางที่ 1.1 ตัวอย่างคาถามเชิงบวกและคาถามเชิงลบตามเทคนิคคาโนของผลิตภัณฑ์นมผง 9
ตารางที่ 1.2 แนวทางในการพิจารณารูปแบบความพึงพอใจของผู้บริโภค 10
ตารางที่ 1.3 ตัวอย่างการพิจารณาผลต่อความพึงพอใจของผู้บริโภคในภาพรวมของลักษณะ 11
หรือสมบัตแิ ต่ละรายการและการคานวณสัมประสิทธิ์ความพึงพอใจและ
สัมประสิทธิ์ความไม่พึงพอใจ
ตารางที่ 2.1 ผลการทดสอบและค่าสาหรับการคานวณค่าทีในตัวอย่างที่ 2.1 24
ตารางที่ 2.2 ผลการทดสอบและค่าที่ใช้ ในการคานวณค่าทีของตัวอย่างที่ 2.2 26
ตารางที่ 2.3 ผลการคานวณค่าทีของตัวอย่างที่ 2.1 โดยใช้ คาสัง่ ใน Data Analysis 35
โปรแกรมไมโครซอฟท์เอกซ์เซล
ตารางที่ 2.4 ผลการคานวณค่าเอฟของตัวอย่างที่ 2.2 โดยใช้ คาสัง่ ใช้ คาสั่งใน Data Analysis 36
ตารางที่ 2.5 ผลการคานวณค่าทีของตัวอย่างที่ 2.2 โดยใช้ คาสัง่ ใช้ คาสัง่ ใน Data Analysis 37
ตารางที่ 2.6 ผลการคานวณค่าเอฟของตัวอย่างที่ 2.3 โดยใช้ คาสัง่ ใช้ คาสั่งใน Data Analysis 38
ตารางที่ 2.7 ผลการคานวณค่าทีของตัวอย่างที่ 2.3 โดยใช้ คาสัง่ ใช้ คาสัง่ ใน Data Analysis 38
ตารางที่ 2.8 ผลการคานวณค่าทีของตัวอย่างที่ 2.1 โดยใช้ โปรแกรมเอสพีเอสเอส 39
ตารางที่ 3.1 การวางแผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน 12 ทรีตเมนต์ 162
ตารางที่ 3.2 ผลการทดลองตัวอย่างที่ 3.1 165
ตารางที่ 3.3 อิทธิพล ค่าที และระดับความเชื่อมั่น (ค่าในวงเล็บ) ของปัจจัยต่างๆ ต่อ 166
ความชื้นและความหนืดของผลิตภัณฑ์ ตัวอย่างที่ 3.1
ตารางที่ 3.4 อิทธิพล ค่าที และระดับความเชื่อมั่น (ค่าในวงเล็บ) ของปัจจัยต่างๆ ต่อ 166
การกระจายตัวและผลการทดสอบทางประสาทสัมผัสของผลิตภัณฑ์ ตัวอย่างที่ 3.1
ตารางที่ 3.5 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับผลการทดลอง 171
ความชื้น (MC) ตัวอย่างที่ 3.1
ความหนืด (VIS) ตัวอย่างที่ 3.1
การกระจายตัว (DIS) ตัวอย่างที่ 3.1
การทดสอบทางประสาทสัมผัส (LIKE) ตัวอย่างที่ 3.1
สารบัญตาราง (ต่อ)
หน้า
ตารางที่ 3.9 ผลการคานวณโดยใช้ โปรแกรมเอสพีเอสเอส สาหรับผลการทดลอง 173
ความชื้น (MC) ตัวอย่างที่ 3.1
ความหนืด (VIS) ตัวอย่างที่ 3.1
การกระจายตัว (DIS) ตัวอย่างที่ 3.1
การทดสอบทางประสาทสัมผัส (LIKE) ตัวอย่างที่ 3.1
ตารางที่ 4.1 ผลการทดสอบทางประสาทสัมผัส ตัวอย่างที่ 4.1 186
ตารางที่ 4.2 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.1 เมื่อใช้ แบบจาลองเส้ นตรง 190
โดยใช้ โปรแกรมเอสพีเอสเอส
ตารางที่ 4.3 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.1 เมื่อใช้ แบบจาลองกาลังสอง 190
โดยใช้ โปรแกรมเอสพีเอสเอส
ตารางที่ 4.4 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.1 เมื่อใช้ แบบจาลองกาลังสอง 192
โดยใช้ โปรแกรมอาร์
ตารางที่ 4.5 ผลการคานวณจุดตัดแกน X และ Y ของแต่ละข้ อกาหนด ของตัวอย่างที่ 4.2 194
ตารางที่ 4.6 คุณค่าทางโภชนาการและราคาของแป้ ง 3 ชนิดของตัวอย่างที่ 4.3 197
ตารางที่ 4.7 ผลการคานวณจุดตัดแกน X และ Y ของแต่ละข้ อกาหนด ของตัวอย่างที่ 4.3 198
ตารางที่ 4.8 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com 206
ของตัวอย่างที่ 4.2
ตารางที่ 4.9 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com 208
ตารางที่ 4.10 ผลการทดลองแปรส่วนผสม 3 ชนิดต่อคุณภาพและภาพลักษณ์ด้านต่างๆ 210
ของผลิตภัณฑ์
ตารางที่ 4.11 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับคะแนนความชอบ 211
ตารางที่ 4.12 ความหมายของค่าเฉลี่ยที่ลดลง และ ค่าพีนอลตีท้งั หมด 225
ตารางที่ 4.13 กลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาส 226
ตารางที่ 4.14 ผลการทดสอบผลิตภัณฑ์เครื่องดื่มชนิดเจลจากสารสกัดสาหร่ายเตา 228
กลิ่นมะนาว ของตัวอย่างที่ 4.7
ตารางที่ 4.15 ผลการวิเคราะห์ข้อมูลสาหรับมาตราพอดี 3 ระดับ ด้ วย วิธีที่ 1 ของตัวอย่างที่ 4.7 229
ตารางที่ 4.16 ผลการวิเคราะห์ข้อมูลสาหรับมาตราพอดี 3 ระดับ ด้ วย วิธีที่ 2 ของตัวอย่างที่ 4.7 230
ตารางที่ 4.17 การคานวณค่าเฉลี่ยที่ลดลง และ ค่าพีนอลตีท้งั หมด ของตัวอย่างที่ 4.7 230
ตารางที่ 4.18 การแจกแจงข้ อมูลสาหรับการวิเคราะห์โอกาส ของตัวอย่างที่ 4.7 232
ตารางที่ 4.19 กลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาส ของตัวอย่างที่ 4.7 232
~ vii ~
สารบัญตาราง (ต่อ)
หน้า
2
ตารางที่ 4.20 ทรีตเมนต์และผลการทดลองที่ได้ จากการทดลองแบบ 2 EVOP 240
ตารางที่ 4.21 ทรีตเมนต์คอมบิเนชันของแผนการทดลองแบบเซนทรัลคอมโพสิต 245
เมื่อใช้ แผนการทดลองแบบ 22 แฟคทอเรียลเป็ นพื้นฐาน
ตารางที่ 4.22 ทรีตเมนต์คอมบิเนชันของแผนการทดลองแบบบอกซ์เบนเคน 246
เมื่อมีตวั แปรต้ น 3 ตัว
ตารางที่ 4.23 จานวนซา้ ที่ตาแหน่งกึ่งกลางและจานวนทรีตเมนต์คอมบิเนชั่นทั้งหมด 246
ของแผนการทดลองเซนทรัลคอมโพสิตและบอกซ์เบนเคน
ตารางที่ 4.24 ผลการทดลองสาหรับตัวอย่างที่ 4.9 247
ตารางที่ 4.25 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.9 โดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล 251
ตารางที่ 4.26 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.9 โดยใช้ โปรแกรมเอสพีเอสเอส 252
ตารางที่ 4.27 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.9 โดยใช้ โปรแกรมอาร์ 253
ตารางที่ 5.1 ข้ อมูลสาหรับตัวอย่างที่ 5.1 263
ตารางที่ 5.2 ตาแหน่งผลิตภัณฑ์และคะแนนความชอบเฉลี่ยของผู้บริโภค 2 กลุ่ม 274
สาหรับตัวอย่างที่ 5.2
ตารางที่ 5.3 ข้ อมูลสาหรับตัวอย่างที่ 5.3 284
ตารางที่ 6.1 ตัวอย่างพลังงานกระตุ้น (Activation energy; Ea) ของปฏิกริ ิยาที่เกี่ยวข้ อง 312
กับการเสื่อมเสียของอาหาร
ตารางที่ 6.2 ตัวอย่างการใช้ สภาวะเร่งในการศึกษาอายุการเก็บของผลิตภัณฑ์อาหาร 313
ตารางที่ 6.3 ค่าการดูดกลืนแสงที่ความยาวคลื่น 420 นาโนเมตรของผลิตภัณฑ์ 315
นา้ ส้ มพร้ อมดื่มที่เก็บไว้ ท่อี ณ
ุ หภูมิ 25ซ
ตารางที่ 6.4 การเปลี่ยนแปลงนา้ หนักของสตรอเบอร์รีท่อี ณ ุ หภูมิ 5.5 และ 23ซ 318
ตารางที่ 6.5 อัตราเร็วของการเปลี่ยนแปลงนา้ หนักสตรอเบอร์รีและอายุการเก็บ 319
ที่อณ
ุ หภูมิ 0 10 20 30 และ 40ซ
ตารางที่ 6.6 ตัวอย่างการประมาณอายุการเก็บผลิตภัณฑ์โดยวิธคี วิ เทน 321
ตารางที่ 6.7 อัตราซึมผ่านของความชื้นและอายุการเก็บของผลิตภัณฑ์ 326
~ viii ~
สารบัญภาพ
หน้า
ภาพที่ 1.1 วงจรชีวิตผลิตภัณฑ์ 3
ภาพที่ 1.2 ความคิดเกี่ยวกับผลิตภัณฑ์ท่ถี ูกคัดกรองโดยกระบวนการพัฒนาผลิตภัณฑ์ 6
ภาพที่ 1.3 ความพึงพอใจของผู้บริโภคที่เกิดจากลักษณะหรือสมบัตติ ่างๆ ของผลิตภัณฑ์ 8
ภาพที่ 1.4 การประยุกต์ใช้ การกระจายหน้ าที่เชิงคุณภาพ (Quality function deployment, QFD) 13
และบ้ านคุณภาพ (House of quality, HOQ) ในอุตสาหกรรมอาหาร
ภาพที่ 1.5 เมตริกสาหรับการเปลี่ยนความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือ 14
สมบัตผิ ลิตภัณฑ์ (บ้ านคุณภาพ 1 การวางแผนผลิตภัณฑ์)
ภาพที่ 1.6 การแปลงความต้ องการของผู้บริโภคของผลิตภัณฑ์ขนมขบเคี้ยวชนิดพองกรอบ 17
เป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ โดยใช้ บ้านคุณภาพ
(House of quality, HOQ)
ภาพที่ 1.7 การแปลงลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ ของผลิตภัณฑ์ขนมขบเคี้ยว 19
ชนิดพองกรอบเป็ นปัจจัยส่วนผสมและกระบวนการผลิตในการผลิตโดยใช้
บ้ านคุณภาพ
ภาพที่ 2.1 ภาพรวมของการวิเคราะห์ข้อมูลทางสถิตใิ นงานวิจัย 21
ภาพที่ 2.2 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.1 ในโปรแกรมไมโครซอฟท์เอกซ์เซล 32
ภาพที่ 2.5 ผลการคานวณค่าทีของตัวอย่างที่ 2.1 โดยใช้ โปรแกรมอาร์ 44
ภาพที่ 2.6 ผลการคานวณค่าทีของตัวอย่างที่ 2.3 โดยใช้ โปรแกรมอาร์ 45
ภาพที่ 2.7 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบสุ่มสมบูรณ์ (9 ซา้ ) 49
ภาพที่ 2.8 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก 49
(3 บล็อคๆ ละ 3 ซา้ )
ภาพที่ 2.9 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบลาตินสแควร์ 50
(แบบ 3x3 จานวน 3 ซา้ )
ภาพที่ 2.10 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบแฟคทอเรียล 50
ภาพที่ 2.11 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบสปลิทพลอท 51
ภาพที่ 2.12 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.4-2.5 ในโปรแกรมไมโครซอฟท์เอกซ์เซล 122
ภาพที่ 2.13 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.4-2.5 (ก) และ 2.6 (ข) 123
ในโปรแกรมไมโครซอฟท์เอกซ์เซล
ภาพที่ 2.14 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.7-2.10 ในโปรแกรมไมโครซอฟท์เอกซ์เซล 124
ภาพที่ 2.15 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยคาสัง่ Data Analysis 125
สารบัญภาพ (ต่อ)
หน้า
ภาพที่ 2.16 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.5 โดยคาสัง่ Data Analysis 126
ภาพที่ 2.17 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยแมโครในไฟล์ DSAASTAT.XLS 129
ภาพที่ 2.18 ผลการเปรียบเทียบค่าเฉลี่ยของ Treatment ตัวอย่างที่ 2.4 โดยแมโครในไฟล์ 129
DSAASTAT.XLS
ภาพที่ 2.20 ผลการเปรียบเทียบค่าเฉลี่ยของ Treatment (ก) และ Rep (ข) ตัวอย่างที่ 2.5 131
โดยแมโครในไฟล์ DSAASTAT.XLS
ภาพที่ 2.22 ผลการเปรียบเทียบค่าเฉลี่ยของ Treatment (ก) Rep (ข) และ Chopper (ค) 134
ตัวอย่างที่ 2.6 โดยแมโครในไฟล์ DSAASTAT.XLS
ภาพที่ 2.27 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยใช้ คาสั่ง “Compare Means” 141
โปรแกรมเอสพีเอสเอส
ภาพที่ 2.28 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 (ก) และตัวอย่างที่ 2.5 (ข) โดยใช้ คาสัง่ 144
“General Linear Model” โปรแกรมเอสพีเอสเอส
ภาพที่ 2.29 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.6 โดยใช้ คาสัง่ “General Linear Model” 145
ภาพที่ 2.30 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.7 โดยใช้ คาสั่ง “General Linear Model” 145
ภาพที่ 2.34 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยใช้ โปรแกรมอาร์ 149
ภาพที่ 2.39 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.9–2.10 โดยใช้ โปรแกรมอาร์ 155
~x~
หน้า
ภาพที่ 4.1 บริเวณที่เป็ นการทดลองแบบส่วนผสม (Mixture design) เมื่อมีส่วนประกอบ 180
2 และ 3 ชนิดตามลาดับ
ภาพที่ 4.2 ทรีตเมนต์สาหรับการทดลองแบบซิมเพลกซ์แลกทิซ เมื่อ q = 3, m = 2 181
และ q = 3, m = 3
ภาพที่ 4.3 ทรีตเมนต์สาหรับการทดลองแบบซิมเพลกซ์เซนทรอยด์ เมื่อ q = 3 181
ภาพที่ 4.4 ทรีตเมนต์สาหรับการทดลองแบบซิมเพลกซ์แอคเซียล เมื่อ q = 3 182
ภาพที่ 4.5 ตัวอย่างพื้นที่สาหรับการทดลองแบบเอกซ์ทรีมเวอร์ทสิ 183
ภาพที่ 4.6 ทรีตเมนต์สาหรับตัวอย่างที่ 4.1 185
ภาพที่ 4.7 การพิมพ์ข้อมูลบางส่วนสาหรับตัวอย่างที่ 4.1 ในโปรแกรมไมโครซอฟท์เอกซ์เซล 188
ภาพที่ 4.8 แผนภูมเิ ส้ นตรงของแต่ละข้ อกาหนด และพื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมด 195
ภาพที่ 4.9 แผนภูมเิ ส้ นตรงของแต่ละข้ อกาหนด พื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมด 196
Isocost line และจุดที่มตี ้ นทุนต่าสุด ของตัวอย่างที่ 4.2
ภาพที่ 4.10 แผนภูมเิ ส้ นตรงของแต่ละข้ อกาหนด และพื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมด 199
ภาพที่ 4.11 แผนภูมเิ ส้ นตรงของแต่ละข้ อกาหนด พื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมด 199
Isocost line และจุดที่มตี ้ นทุนต่าสุด ของตัวอย่างที่ 4.3
ภาพที่ 4.12 การพิมพ์ข้อมูลในแผ่นงานสาหรับการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.2 202
ภาพที่ 4.13 ผลลัพธ์ของการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.2 203
ภาพที่ 4.14 การพิมพ์ข้อมูลในแผ่นงาน สาหรับการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.3 204
ภาพที่ 4.15 ผลลัพธ์ของการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.3 204
ภาพที่ 4.16 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com 206
ภาพที่ 4.17 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com 208
ภาพที่ 4.18 การพิมพ์ข้อมูลในแผ่นงาน สาหรับการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.4 213
ภาพที่ 4.19 ผลการวิเคราะห์ข้อมูลโดยใช้ คาสัง่ Solver สาหรับกรณีท่ี 1 ของตัวอย่างที่ 4.4 214
ภาพที่ 4.22 มาตราพอดี 217
ภาพที่ 4.23 แผนภูมแิ สดงความถี่ผลการทดสอบทางประสาทสัมผัสโดยใช้ มาตราพอดี 219
~ xi ~
หน้า
ภาพที่ 4.24 แผนภูมริ ะหว่างค่าเฉลี่ยที่ลดลงหรือค่าพีนอลตีท้งั หมด และ 225
สัดส่วนของผู้ทดสอบที่ระบุว่าความเข้ มไม่พอดี
ภาพที่ 4.25 กลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาส 227
ภาพที่ 4.26 แผนภูมแิ สดงค่าพีนอลตีท้งั หมด และสัดส่วนของผู้ทดสอบที่ระบุว่า 231
ความเข้ มไม่พอดีของตัวอย่างที่ 4.7
ภาพที่ 4.28 การวางแผนการทดลองแบบ 22 EVOP ของตัวอย่างที่ 4.8 240
ภาพที่ 4.29 การกรอกข้ อมูลผลของแผนการทดลองแบบ 22 EVOP สาหรับการทดลองครั้งที่ 1 241
ภาพที่ 4.30 การคานวณส่วนเบี่ยงเบนมาตรฐานของแผนการทดลองแบบ 22 EVOP 242
สาหรับการทดลองครั้งที่ 1 และ 2 ของตัวอย่างที่ 4.8
ภาพที่ 4.31 การคานวณผลของแผนการทดลองแบบ 22 EVOP ของตัวอย่างที่ 4.8 243
ภาพที่ 4.32 แผนภูมเิ ส้ นชั้นแบบโครงลวด (Contour plot) จากผลการทดลอง 248
ภาพที่ 4.33 การพิมพ์ข้อมูลของตัวอย่างที่ 4.9 ในโปรแกรมไมโครซอฟท์เอกซ์เซล 249
ภาพที่ 4.34 การพิมพ์ข้อมูลเพื่อสร้ างแผนภูมเิ ส้ นชั้นแบบโครงลวดของตัวอย่างที่ 4.9 255
ภาพที่ 5.1 การพิมพ์ข้อมูลตัวอย่างที่ 5.1 ที่หน้ าต่าง Dataset ของโปรแกรมเอสพีเอสเอส 263
ภาพที่ 5.2 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–E ของตัวอย่างที่ 5.1 ในโปรแกรมเอสพีเอสเอส 264
ภาพที่ 5.3 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส 265
ภาพที่ 5.4 ผังแสดงตาแหน่งผลิตภัณฑ์ของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส 266
ภาพที่ 5.5 ผลการวิเคราะห์สหสัมพันธ์ของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส 267
ภาพที่ 5.6 ข้ อมูลสาหรับการสร้ างผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของ 268
ลักษณะทางประสาทสัมผัสของตัวอย่างที่ 5.1 ในโปรแกรมเอสพีเอสเอส
ภาพที่ 5.7 ผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัส 268
ของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส
ภาพที่ 5.8 ผังแสดงตาแหน่งผลิตภัณฑ์และเวคเตอร์แสดงทิศทางลักษณะทางประสาทสัมผัส 1 269
ภาพที่ 5.9 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–E ของตัวอย่างที่ 5.1 ในโปรแกรมอาร์ 270
ภาพที่ 5.10 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์ 271
ภาพที่ 5.11 ผังแสดงตาแหน่งผลิตภัณฑ์ของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์ 272
ภาพที่ 5.12 ผลการวิเคราะห์สหสัมพันธ์ของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์ 272
ลักษณะทางประสาทสัมผัสของตัวอย่างที่ 5.1 ในโปรแกรมอาร์
ของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์
~ xii ~
หน้า
ภาพที่ 5.16 ผลการวิเคราะห์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 ในตัวอย่างที่ 5.2 276
ที่หน้ าต่าง Output ของโปรแกรมเอสพีเอสเอส
ที่คดั ลอกมาเติมเวคเตอร์ทศิ ทางความชอบในโปรแกรมไมโครซอฟท์เวิร์ด
ที่ส่วน Output ของหน้ าต่าง R Commander ในโปรแกรมอาร์
ภาพที่ 5.25 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–I ของตัวอย่างที่ 5.3 ในโปรแกรมเอสพีเอสเอส 285
ภาพที่ 5.26 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.3 โดยโปรแกรมเอสพีเอสเอส 286
ลักษณะทางประสาทสัมผัสของตัวอย่างที่ 5.3 ในโปรแกรมเอสพีเอสเอส
ที่คดั ลอกมาเติมเวคเตอร์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 และ 2
ในโปรแกรมไมโครซอฟท์เวิร์ด
~ xiii ~
หน้า
ภาพที่ 5.36 การพิมพ์ข้อมูลเพื่อสร้ างแผนภูมเิ ส้ นชั้นแบบโครงลวด (Contour plot) 297
ทิศทางความชอบของผู้บริโภคกลุ่ม 3 ตัวอย่างที่ 5.3
ภาพที่ 5.37 แผนภูมเิ ส้ นชั้นแบบโครงลวด (Contour plot) ทิศทางความชอบ 298
ของผู้บริโภคกลุ่ม 3 ตัวอย่างที่ 5.3
ภาพที่ 5.39 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–I ของตัวอย่างที่ 5.3 ในโปรแกรมอาร์ 299
ภาพที่ 5.40 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.3 300
ภาพที่ 5.42 ข้ อมูลสาหรับการสร้ างผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทาง 301
ของลักษณะทางประสาทสัมผัสของตัวอย่างที่ 5.3 ในโปรแกรมอาร์
ของตัวอย่างที่ 5.3 ในโปรแกรมอาร์
ภาพที่ 5.46 ผังแสดงตาแหน่งผลิตภัณฑ์ของตัวอย่างที่ 5.3 โดยโปรแกรมอาร์ท่คี ดั ลอก 304
มาเติมเวคเตอร์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 และ 2 ในไมโครซอฟท์เวิร์ด
ภาพที่ 5.47 ข้ อมูลสาหรับการวิเคราะห์ข้อมูลทิศทางความชอบของผู้บริโภคกลุ่ม 3–5 305
ที่ส่วน Output หน้ าต่าง R Commander ของโปรแกรมอาร์
ภาพที่ 6.1 ปฏิกริ ิยาอันดับศูนย์และปฏิกริ ิยาอันดับหนึ่ง 315
ภาพที่ 6.2 ค่าการดูดกลืนแสงที่ความยาวคลื่น 420 นาโนเมตรของผลิตภัณฑ์ 316
นา้ ส้ มพร้ อมดื่มที่อณ
ภาพที่ 6.3 ความสัมพันธ์ของ ln k และ 1/T 317
ภาพที่ 6.4 การเปลี่ยนแปลงนา้ หนักของสตรอเบอร์รีท่อี ณ ุ หภูมิ 5.5 และ 23ซ 318
ภาพที่ 6.5 ตัวอย่างการพิจารณาแบ่งไอโซเทอร์มการดูดความชื้น 324
(Moisture sorption isotherm) ของผลิตภัณฑ์เป็ นช่วงสั้นๆ
~ xiv ~
หน้า
ภาพที่ 6.6 การพิมพ์ข้อมูลเพื่อสร้ างแผนภูมสิ าหรับ (ก) ตัวอย่างที่ 6.1 328
และ (ข) ตัวอย่างที่ 6.2
ภาพที่ 6.7 แผนภูมกิ ระจายที่มแี ต่เครื่องหมายของ (ก) ตัวอย่างที่ 6.1 328
และ (ข) ตัวอย่างที่ 6.2
ภาพที่ 6.8 แผนภูมกิ ระจาย เส้ นแนวโน้ ม สมการ และค่า R-squared ของ 329
(ก) ตัวอย่างที่ 6.1 และ (ข) ตัวอย่างที่ 6.2
~ xv ~
สารบัญตารางภาคผนวก
หน้า
ตารางภาคผนวกที่ 1 ค่าวิกฤตสาหรับการทดสอบค่าเอฟ 335
ตารางภาคผนวกที่ 2 ค่าวิกฤตสาหรับการทดสอบค่าที 337
ตารางภาคผนวกที่ 3 ค่าวิกฤตของพิสยั เชิงพหุของดันแคน 338
ตารางภาคผนวกที่ 4 ค่าวิกฤตของพิสยั สติวเดนท์ไดซ์ 340
ตารางภาคผนวกที่ 5 ค่าวิกฤตของดันเนทท์ 341
ตารางภาคผนวกที่ 6 ค่าวิกฤต (จานวนผู้ทดสอบที่ต้องการ) สาหรับการทดสอบความแตกต่าง 342
ของตัวอย่าง 2 ตัวอย่าง (p=1/2) เมื่อเป็ นการทดสอบสมมติฐานสองทาง
ตารางภาคผนวกที่ 7 ค่าวิกฤตสาหรับการทดสอบไคสแควร์ 343
บทที่ 1
บทนา
1.1 ความหมายของการพัฒนาผลิตภัณฑ์อาหาร
เนื่องจากการพัฒนา หมายถึง การทาให้ ดขี ้ นึ ในสาขาวิชาวิทยาศาสตร์และเทคโนโลยีการอาหาร การ
พัฒนาผลิตภัณฑ์อาหาร จึงหมายถึง การแสวงหาความรู้โดยใช้ กระบวนการทางวิทยาศาสตร์ (การวิจัย) หรือ
วิธกี ารอื่นๆ เพื่อให้ ได้ ข้อมูลความรู้สาหรับการปรับปรุงหรือแก้ ไขปัญหาต่างๆ ของผลิตภัณฑ์ ตั้งแต่ข้นั ตอน
การจัดหาและเตรียมวัตถุดบิ การแปรรูป การบรรจุและเก็บรักษา เพื่อให้ ได้ ผลิตภัณฑ์ท่มี คี ุณภาพดีข้ นึ หรือ
คุณภาพเหมือนเดิมแต่ต้นทุนต่าลง และการสร้ างผลิตภัณฑ์ใหม่ (ปาริฉัตร, 2559)
1.2 ผลิตภัณฑ์ใหม่
ความหมายของคาว่า “ผลิตภัณฑ์ใหม่” อาจมีความแตกต่างกันไปตามทัศนะของผู้บริโภค ผู้ผลิต ผู้จัด
จาหน่าย หรือ นักการตลาด สาหรับคนทั่วไป ผลิตภัณฑ์ใหม่อาจหมายถึง ผลิตภัณฑ์ท่ยี ังไม่เคยใช้ หรือ
ผลิตภัณฑ์ท่ไี ม่เคยพบเห็นหรือรู้จักมาก่อน แต่ในทางการตลาด ผลิตภัณฑ์ใหม่จะหมายถึงผลิตภัณฑ์ใน
ลักษณะต่างๆ ดังต่อไปนี้ (Lamb, Hair and McDaniel, 2005)
1.2.1 ผลิตภัณฑ์ใหม่แท้ (Original product, New–to–the–world product, discontinuous
innovation) หมายถึง ผลิตภัณฑ์ท่ถี ูกประดิษฐ์คดิ ค้ นขึ้นมาเป็ นครั้งแรก ยังไม่เคยมีผลิตภัณฑ์ชนิดเดียวกันนี้
เสนอต่อตลาดมาก่อน ผู้บริโภคจึงอาจจาเป็ นต้ องเรียนรู้รปู แบบการบริโภคผลิตภัณฑ์ใหม่แท้ น้ ี เนื่องจากอาจมี
ความแตกต่างไปจากผลิตภัณฑ์ท่มี อี ยู่แล้ วอย่างมาก
1.2.2 ผลิตภัณฑ์ในสายการผลิตใหม่ (New product line) หมายถึง ผลิตภัณฑ์ในกลุ่มที่บริษัทยังไม่
เคยผลิตมาก่อน แต่มองเห็นความต้ องการของตลาด และพิจารณาแล้ วว่าบริษัทมีศักยภาพที่จะเข้ าไปมีส่วน
แบ่งในตลาดดังกล่าว จึงพัฒนาผลิตภัณฑ์กลุ่มดังกล่าวออกมาเพื่อวางจาหน่าย
1.2.3 ผลิตภัณฑ์ดดั แปร (Modified product, Additions to existing product line) หมายถึง
ผลิตภัณฑ์ท่พี ัฒนาขึ้นมา โดยการตกแต่งหรือดัดแปลงผลิตภัณฑ์เดิมให้ เกิดความแตกต่างขึ้นในสายตาของ
ผู้บริโภค เช่น การเปลี่ยนแปลงสี ขนาด รูปร่างหรือรูปแบบ ตลอดจนส่วนประกอบบางอย่างของผลิตภัณฑ์
เป็ นต้ น เพื่อให้ ผ้ บู ริโภคมองเห็นถึงความหลากหลายของผลิตภัณฑ์ และมีทางเลือกในการบริโภคมากขึ้น
1.2.4 ผลิตภัณฑ์ปรับปรุงใหม่ (Improved product, Improvements or revisions of existing
products) หมายถึง ผลิตภัณฑ์ท่พี ัฒนาขึ้นมา โดยการแก้ ไขผลิตภัณฑ์เดิมให้ มคี ุณภาพดีหรือถูกใจผู้บริโภค
มากยิ่งขึ้น ซึ่งอาจรวมไปถึงการเพิ่มประโยชน์หรือลักษณะต่างๆ ที่ผ้ บู ริโภคต้ องการให้ กบั ผลิตภัณฑ์เดิม เพื่อ
ทาให้ มคี วามเหมาะสมต่อการใช้ งานหรือการใช้ ประโยชน์ของผู้บริโภคมากขึ้น (Value added products)
สถิติและการใช้ โปรแกรมสาเร็จรูปในการพัฒนาผลิตภัณฑ์อาหาร
1.2.5 ผลิตภัณฑ์ที่เกิดจากการเปลีย่ นตาแหน่งผลิตภัณฑ์ (Repositioned products) หมายถึง

ผลิตภัณฑ์เดิมที่ถูกนาเสนอในรูปแบบที่เปลี่ยนไปเพื่อผู้บริโภคกลุ่มใหม่หรือขยายกลุ่มผู้บริโภคให้ มากขึ้น โดย
อาจต้ องมีการปรับปรุงหรือเปลี่ยนแปลงบางส่วนให้ เหมาะสมกับผู้บริโภคกลุ่มใหม่ เช่น ผลิตภัณฑ์ตราใหม่
(New brand product) ผลิตภัณฑ์ท่เี สนอแนวทางการใช้ ประโยชน์แบบใหม่ (New use product) ให้ แก่
ผู้บริโภค เป็ นต้ น
1.2.6 ผลิตภัณฑ์ลดต้นทุน (Cost reduced product, Low priced products) หมายถึง ผลิตภัณฑ์ท่ี
มีการปรับปรุงหรือเปลี่ยนแปลงในด้ านการผลิต เพื่อลดต้ นทุนการผลิตให้ ต่าลง โดยที่ผลิตภัณฑ์ท่ไี ด้ ยังคงมีทุก
อย่างใกล้ เคียงเดิมมากที่สดุ
จากความหมายทั้งหมดที่กล่าวมานี้อาจกล่าวโดยสรุปรวมๆ อีกอย่างหนึ่งได้ ว่า ผลิตภัณฑ์ใหม่
หมายถึง ผลิตภัณฑ์ท่บี ริษัทนั้นๆ ยังไม่เคยทาการตลาดมาก่อนนั่นเอง และเมื่อผลิตภัณฑ์ใหม่ถูกนาออกวาง
จาหน่าย ก็จะถือเป็ นการเริ่มต้ นของวงจรชีวิตผลิตภัณฑ์ ถ้ าผลิตภัณฑ์น้นั ได้ รับการยอมรับจากผู้บริโภค
ยอดขายจะเพิ่มขึ้นอย่างรวดเร็ว และเมื่อผู้บริโภคไม่ต้องการผลิตภัณฑ์น้นั อีกต่อไป ยอดขายก็จะลดต่าลง
จนถึงขั้นต้ องนาผลิตภัณฑ์ออกจากตลาดไปในที่สดุ และจะมีผลิตภัณฑ์ใหม่เริ่มเข้ ามาแทนที่ผลิตภัณฑ์เก่าที่
ล้ าสมัย หรือไม่เป็ นที่ต้องการของผู้บริโภคแล้ ว ผลิตภัณฑ์ใหม่บางชนิดอาจได้ รับการตอบรับอย่างดี แต่กม็ ี
ผลิตภัณฑ์ใหม่จานวนไม่น้อยที่ไม่สามารถฟันฝ่ าอุปสรรคจนเป็ นที่ยอมรับของผู้บริโภคได้ ต้ องประสบ
ความล้ มเหลวตั้งแต่ต้นหรือกลางคัน ดังนั้นระยะเวลาที่ผลิตภัณฑ์หนึ่งๆ จะสามารถคงอยู่ในตลาดได้ จึงไม่มี
ความแน่นอน การศึกษารายละเอียดเกี่ยวกับวงจรชีวิตผลิตภัณฑ์จึงมีประโยชน์อย่างมาก ในการเรียนรู้ความ
ต้ องการของผู้บริโภคที่มตี ่อผลิตภัณฑ์ เนื่องจากการวิเคราะห์และพิจารณาลักษณะต่างๆ ที่เกิดขึ้นในแต่ละ
ช่วงของวงจรชีวิตผลิตภัณฑ์จะช่วยให้ สามารถวางแผนกาหนดเป้ าหมายตลาด กาหนดกลยุทธ์การตลาด และ
กาหนดส่วนผสมทางการตลาด (Marketing mix) ได้ อย่างถูกต้ อง
1.3 วงจรชีวิตผลิตภัณฑ์ (Product life cycle, PLC)

วงจรชีวิตผลิตภัณฑ์ หมายถึง การเปลี่ยนแปลงยอดขายของผลิตภัณฑ์ซ่งึ เกิดจากการเปลี่ยนแปลงทาง
การตลาดที่เกิดขึ้น (ได้ แก่ ทัศนคติและความต้ องการของผู้บริโภค ตลาดเป้ าหมายของผลิตภัณฑ์ และ
สภาพการแข่งขันในตลาด เป็ นต้ น) ในแต่ละช่วงเวลาที่ผลิตภัณฑ์วางจาหน่ายในตลาด ซึ่งสามารถแบ่ง
ลักษณะการเปลี่ยนแปลงดังกล่าวนี้ออกเป็ นระยะต่างๆ 4 ระยะ คือ ระยะแนะนาผลิตภัณฑ์ ระยะเจริญเติบโต
ระยะอิ่มตัว และระยะยอดขายลดลง ดังภาพที่ 1.1 (Lamb, Hair and McDaniel, 2005; Kerin et al.,
2013)
~2~
ภาพที่ 1.1 วงจรชีวิตผลิตภัณฑ์ (ดัดแปลงจาก Kerin et al., 2013)
1.3.1 ระยะแนะนาผลิตภัณฑ์ (Introduction stage) เป็ นระยะที่ผลิตภัณฑ์เริ่มถูกแนะนาเข้ าสู่

ตลาดใหม่ๆ ผู้บริโภคยังไม่ร้ จู กั ผลิตภัณฑ์ จึงจาเป็ นต้ องมีการประชาสัมพันธ์ และส่งเสริมการขายในรูปแบบ
ต่างๆ เพื่อให้ ผ้ บู ริโภคทราบถึงประโยชน์ท่จี ะได้ รับจากผลิตภัณฑ์ คุณภาพและข้ อดีต่างๆ ของผลิตภัณฑ์
ลักษณะที่แสดงว่าผลิตภัณฑ์อยู่ในระยะนี้ คือ การมียอดขายต่า ใช้ ต้นทุนการผลิตสูง ยังมักมีการปรับปรุง
สูตรผลิตภัณฑ์และกระบวนการผลิตอยู่ และมีค่แู ข่งในตลาดน้ อยหรืออาจจะไม่มเี ลย ในด้ านของการส่งเสริม
การขายนั้น จาเป็ นต้ องกระตุ้นความต้ องการของผู้บริโภค โดยแจ้ งให้ ทราบถึงแนวคิดเกี่ยวกับตัวผลิตภัณฑ์
ความใหม่หรือความแตกต่างของผลิตภัณฑ์เมื่อเปรียบเทียบกับผลิตภัณฑ์ท่มี อี ยู่ในตลาด เพื่อชักจูงให้ ผ้ บู ริโภค
เกิดการทดลองใช้ และต้ องพยายามกระจายสินค้ าให้ ได้ อย่างทัว่ ถึง จึงต้ องใช้ การลงทุนในส่วนของการส่งเสริม
การขายและเงินทุนที่ต้องใช้ ในการปรับปรุงสูตร กระบวนการผลิต รวมทั้งการกระจายสินค้ าเป็ นจานวนมาก
ในขณะที่ยังคงมีปัญหาในการผลิตทั้งทางด้ านเทคนิคและปริมาณ ปัญหาในด้ านความล่าช้ าของการจัดจาหน่าย
และการกระจายสินค้ าอยู่ และที่สาคัญผู้บริโภคยังลังเลที่จะเปลี่ยนพฤติกรรมมายอมรับผลิตภัณฑ์ ประกอบ
กับผลิตภัณฑ์ใหม่มกั มีราคาสูง จึงทาให้ การเจริญเติบโตของตลาดช้ ามาก กาไรของบริษัทยังคงต่ากว่าศูนย์
(ขาดทุน) ทาให้ มผี ลิตภัณฑ์ท่สี ามารถอยู่รอดในตลาดโดยผ่านระยะแนะนาผลิตภัณฑ์ไปได้ จานวนน้ อย
1.3.2 ระยะเจริญเติบโต (Growth stage) เป็ นระยะที่ยอดขายเริ่มไต่ระดับสูงขึ้นอย่างรวดเร็ว
และมีกาไรสูงสุด เนื่องจากผลิตภัณฑ์ประสบความสาเร็จ มีผ้ บู ริโภครู้จักและทดลองใช้ ผลิตภัณฑ์มากแล้ ว แต่
อาจยังมีการปรับปรุงผลิตภัณฑ์บ้างเมื่อพบปัญหา จุดแบ่งระหว่างระยะแนะนาผลิตภัณฑ์กบั ระยะเจริญเติบโต
จึงอยู่ท่จี ุดคุ้มทุน คือ จุดที่ยอดขายที่ได้ มมี ูลค่าเท่ากับการลงทุนพอดี ในช่วงแรกของระยะเจริญเติบโตนี้
ตลาดเป้ าหมายของผลิตภัณฑ์มกั เป็ นตลาดผู้บริโภคระดับบนซึ่งมีกาลังซื้อสูง ทาให้ สามารถขายในราคาสูงได้
ในด้ านของค่าใช้ จ่ายเพื่อการส่งเสริมการขายยังคงอยู่ในระดับสูงอยู่ แต่อตั ราส่วนค่าใช้ จ่ายต่อยอดขายลดลง
เนื่องจากมียอดขายเพิ่มขึ้นรวดเร็วกว่า และถือเป็ นช่วงวิกฤตที่จะชี้ให้ เห็นอนาคตของผลิตภัณฑ์ว่าจะอยู่รอด
ได้ หรือไม่ เพราะจะมีค่แู ข่งเห็นว่าผลิตภัณฑ์ของบริษัทขายได้ ดแี ละมีกาไรมาก จึงพัฒนาผลิตภัณฑ์ประเภท
ดังกล่าวเข้ ามาเสนอในตลาดเดียวกันนี้บ้าง ทาให้ ช่วงท้ ายๆ ของระยะนี้จะเริ่มได้ กาไรลดน้ อยลง ในช่วงนี้
ตลาดผู้บริโภคระดับกลางจะเริ่มมีความสาคัญขึ้นมาด้ วย จึงอาจพิจารณาลดราคาผลิตภัณฑ์ในช่วงนี้ได้ หาก
~3~
มั่นใจว่าจะขยายการเจาะตลาดได้ มากขึ้น บริษัทมีขดี ความสามารถในการผลิตเพียงพอ สามารถแข่งขัน

กับคู่แข่งได้ และต้ องพยายามทุ่มงบประมาณส่งเสริมการขายให้ ผ้ บู ริโภคเห็นว่าผลิตภัณฑ์ของเรามีคุณภาพ
ดีกว่า หรือเหนือกว่าในด้ านต่างๆ เพื่อสร้ างและรักษาความภักดีต่อตรา (Brand loyalty) ซึ่งเป็ นการป้ องกัน
และรักษาส่วนแบ่งตลาดเอาไว้
1.3.3 ระยะอิ่มตัว (Maturity Stage) ในระยะนี้อตั ราการเจริญของยอดขายเริ่มลดลง เนื่องจาก
ผู้บริโภคส่วนใหญ่ได้ ทดลองใช้ ผลิตภัณฑ์แล้ ว และมีค่แู ข่งขันอยู่ในตลาดจานวนมาก ยอดขายจะถึงจุดสูงสุด
แล้ วเริ่มต้ นลดลง กาไรที่เริ่มต้ นลดลงในช่วงท้ ายของระยะเจริญเติบโตจะยังคงลดลงอยู่ต่อไป ยิ่งเมื่อเข้ าสู่
ช่วงท้ ายของระยะนี้ซ่งึ มียอดขายลดลงอย่างชัดเจน จะทาให้ สว่ นของกาไรลดลงอย่างรวดเร็ว เนื่องจาก
ยอดขายที่ทาได้ มาจากผู้ท่พี อใจผลิตภัณฑ์และกลับมาซื้อซา้ เท่านั้น สถานการณ์เช่นนี้สร้ างความกดดันให้ บริษัท
ต้ องพิจารณาลดราคาของผลิตภัณฑ์ลง และจาเป็ นต้ องสร้ างตลาดจากผู้บริโภคระดับล่างเพิ่มขึ้น ระยะนี้เป็ น
ระยะที่ยาวนานกว่า 2 ระยะแรก เนื่องจากบริษัทจะต้ องพัฒนากลยุทธ์ต่างๆ มาใช้ เพื่อยืดอายุของผลิตภัณฑ์ให้
อยู่ในตลาดได้ นานมากที่สดุ ตรา (Brand) ของผลิตภัณฑ์จะทาหน้ าที่เป็ นตัวแสดงสมบัตหิ รือภาพลักษณ์ของ
ผลิตภัณฑ์ ในขณะเดียวกันตราของคู่แข่งรายใหญ่กเ็ ป็ นที่ร้ จู ักกันดีเช่นกัน ความภักดีต่อตราจึงมีส่วนสาคัญ
อย่างมากในช่วงนี้ ราคาของผลิตภัณฑ์จะถูกลดลงมาจนเกือบใกล้ ต้นทุนในขณะที่การส่งเสริมการขายยังคงต้ อง
ทาอยู่อย่างปกติ โดยต่างฝ่ ายต่างอ้ างความดีเด่นและเหนือกว่าของผลิตภัณฑ์ตน ระดับการแข่งขันรุนแรงถึง
ขั้นผู้อ่อนแอต้ องถอนตัวหรือถูกบีบให้ ออกจากตลาดไป ผู้ท่จี ะยืนหยัดในตลาดได้ ต้องปรับปรุงการส่งเสริมการ
ขายและการจัดจาหน่ายอย่างเหมาะสม และเป็ นช่วงที่บริษัทมักจะตัดสินใจออกผลิตภัณฑ์ใหม่มาเพิ่มเติม
เพื่อไม่ให้ ยอดรายได้ รวมของบริษัทลดลง
1.3.4 ระยะยอดขายลดลง (Decline stage) เป็ นระยะที่ยอดขายลดลงอย่างรวดเร็ว เนื่องจาก
ความอิ่มตัวของตลาดหรือความเปลี่ยนแปลงด้ านต่างๆ ได้ แก่ รูปแบบการดาเนินชีวิต ความเป็ นอยู่ ความ
นิยม ความเจริญก้ าวหน้ าทางเทคโนโลยี เป็ นต้ น จึงจาเป็ นต้ องพิจารณาหาทางลดต้ นทุนการผลิตและต้ นทุน
ทางการตลาดลง เพื่อให้ บริษัทกลับมามีกาไรต่อไป เช่น การลดการส่งเสริมการขายลงและหันมาลดราคาขาย
เพื่อให้ มปี ริมาณการซื้อสูงขึ้น หรือกลยุทธ์ลด แลก แจก แถมหรือแลกซื้อ เพื่อลดการขาดทุนให้ มากที่สดุ
ก่อนที่จะเลิกจาหน่ายผลิตภัณฑ์ไป เป็ นต้ น
1.4 ความสาคัญของการพัฒนาผลิตภัณฑ์
ผลิตภัณฑ์เป็ นหัวใจสาคัญของการทาธุรกิจ บริษัทจะประสบความสาเร็จได้ กต็ ่อเมื่อมีผลิตภัณฑ์ท่มี ี
คุณภาพดี สอดคล้ องกับความต้ องการของผู้บริโภค ประกอบกับมีการวางจาหน่ายในสถานที่หรือตลาดที่
ถูกต้ อง จัดจาหน่ายด้ วยการส่งเสริมการขายและราคาที่เหมาะสม โดยผลิตภัณฑ์ท่ดี นี ้นั ควรมีเอกลักษณ์
เฉพาะตัว และมีคุณสมบัตคิ รบถ้ วนตามที่ได้ ประกาศหรือโฆษณาไว้ กบั ผู้บริโภค นอกจากนี้ผลิตภัณฑ์ท่อี ยู่ใน
ตลาดยังต้ องเผชิญกับการเปลี่ยนแปลงในด้ านต่างๆ ที่เกิดขึ้น โดยเฉพาะอย่างยิ่งความต้ องการของตลาดที่มกั มี
การเปลี่ยนแปลงอยู่เสมอๆ ผลิตภัณฑ์ท่สี ามารถตอบสนองความต้ องการของผู้บริโภคในปัจจุบนั อาจจะไม่
เป็ นที่ต้องการของผู้บริโภคอีกต่อไปในอนาคตอันใกล้ ทาให้ บริษัทต้ องเผชิญกับความเสี่ยงอยู่ตลอดเวลา
บริษัทต่างๆ จึงหันมาให้ ความสาคัญกับการพัฒนาผลิตภัณฑ์ให้ มคี วามใหม่และสอดคล้ องกับความต้ องการของ
ผู้บริโภคอยู่เสมอ เนื่องจากบริษัทจะได้ รับประโยชน์จากผลิตภัณฑ์ชนิดใหม่ ซึ่งกาลังเป็ นที่ต้องการของ
ผู้บริโภคมากกว่าผลิตภัณฑ์ท่มี อี ยู่เดิมในตลาดอย่างมาก
~4~
การติดตามข้ อมูลทางการตลาดและการตรวจสอบหาโอกาสทางการตลาดอย่างต่อเนื่อง จึงเป็ นสิ่งที่

จาเป็ นอย่างยิ่งในภาวะที่มกี ารแข่งขันสูงเช่นทุกวันนี้ เนื่องจากจะทาให้ เห็นช่องทางที่จะเปลี่ยนแปลง/
ปรับปรุงผลิตภัณฑ์ท่มี อี ยู่ให้ ยังคงเป็ นที่ต้องการหรือเป็ นที่สนใจของผู้บริโภคได้ ยาวนานขึ้น และเห็นช่องทางที่
จะพัฒนาผลิตภัณฑ์ใหม่ออกสู่ตลาดเพิ่มขึ้น เพื่อความสาเร็จในระยะยาวของบริษัท (Kerin et al., 2013)
1.5 ปั จจัยที่สนับสนุนให้มีการพัฒนาผลิตภัณฑ์
ปัจจัยที่สนับสนุนให้ มกี ารพัฒนาผลิตภัณฑ์ ได้ แก่ (Kerin et al., 2013)
1.5.1 ผูบ้ ริโภคหรือตลาด ความต้ องการของผู้บริโภคหรือตลาดที่เปลี่ยนแปลงไปมีผลทาให้
ผลิตภัณฑ์ท่มี จี าหน่ายอยู่ไม่เพียงพอที่จะตอบสนองความต้ องการของผู้บริโภคได้ ผู้ผลิตส่วนใหญ่จงึ ต้ องใช้
ความพยายามอย่างมากที่จะเข้ าถึงความต้ องการของตลาดเป้ าหมายที่แตกต่างกัน โดยการเสนอผลิตภัณฑ์ท่มี ี
ลักษณะพิเศษตรงกับความต้ องการของตลาดเป้ าหมายของตนให้ มากที่สดุ การเปลี่ยนแปลงของตลาดจะ
เกิดขึ้นมากและรวดเร็วเพียงใดนั้น ส่วนหนึ่งขึ้นอยู่กบั การพัฒนาและความเจริญของสื่อซึ่งสามารถเข้ าถึง
ผู้บริโภคได้ มากขึ้น และการท่องเที่ยวของบุคคลในกลุ่มนั้น
1.5.2 การเปลีย่ นแปลงทางเทคโนโลยี การเปลี่ยนแปลงดังกล่าวทาให้ ตลาดกว้ างขวางมากขึ้น
เนื่องจากเทคโนโลยีใหม่ๆ มักจะก่อให้ เกิดความต้ องการใหม่ๆ ขึ้นกับผู้บริโภคอยู่เสมอ
1.5.3 คู่แข่งขันทางการค้า การแข่งขันในตลาดเป็ นตัวการบังคับให้ บริษัทต่างๆ ต้ องหันมาให้
ความสาคัญต่อการพัฒนาผลิตภัณฑ์มากขึ้น เนื่องจากการแข่งขันของผลิตภัณฑ์ท่อี ยู่แล้ วในตลาดด้ วยการ
ใช้ กลยุทธ์การลดราคาหรือการส่งเสริมการจาหน่ายด้ วยวิธกี ารต่างๆ จะมีผลต่อกาไรของบริษัท แต่การ
นาเสนอผลิตภัณฑ์ท่มี ลี ักษณะแตกต่างไปจากผลิตภัณฑ์ท่วี างจาหน่ายอยู่ท่วั ไป จะสามารถทากาไรได้ มากกว่า
หากได้ รับการยอมรับจากผู้บริโภค
1.5.4 การใช้ประโยชน์จากทรัพยากรที่มีอยู่ การพัฒนาผลิตภัณฑ์ใหม่เป็ นวิธกี ารหนึ่งซึ่งสามารถทา
ให้ เกิดการใช้ ทรัพยากรที่มอี ยู่อย่างมีประสิทธิภาพมากขึ้น และยังเป็ นการลดต้ นทุนเฉลี่ยของผลิตภัณฑ์
ทั้งหมดของบริษัทอีกด้ วย ทรัพยากรที่ควรจะใช้ ประโยชน์สงู สุด คือ พนักงาน เครื่องมือเครื่องใช้ และโรงงาน
ของบริษัท เนื่องจากหากปล่อยให้ มเี วลาว่างเกิดขึ้นโดยไม่มกี ารผลิตอะไร ผลิตภัณฑ์ท่มี จี าหน่ายอยู่จะต้ อง
รับภาระค่าใช้ จ่ายสูงขึ้นโดยไม่จาเป็ น ผลิตภัณฑ์ใหม่จะช่วยให้ มีการใช้ พนักงานและทรัพย์สนิ ของบริษัทอย่างมี
ประสิทธิภาพมากขึ้น หากไม่จาเป็ นต้ องจ้ างพนักงานเพิ่มขึ้น และสามารถใช้ เครื่องมือ เครื่องใช้ และโรงงานที่มี
อยู่ได้ การเพิ่มผลิตภัณฑ์ใหม่ในกรณีน้ ี จะไม่เพียงทาให้ บริษัทได้ เพิ่มกาไรจากตัวของผลิตภัณฑ์เองเท่านั้น
แต่จะทาให้ สายผลิตภัณฑ์ท่มี อี ยู่ทาการแข่งขันกับคู่แข่งในตลาดได้ ดขี ้ นึ เนื่องจากค่าใช้ จ่ายต่อหน่วยลดลง
ทรัพยากรอื่นๆ ที่สามารถนามาใช้ ให้ เป็ นประโยชน์ต่อบริษัทได้ ด้วยการพัฒนาผลิตภัณฑ์ใหม่ ได้ แก่ เงินทุนที่
เหลืออยู่ซ่งึ ปกติบริษัทอาจจะใช้ ลงทุนในสิง่ ที่ให้ ผลตอบแทนต่ากว่า เช่น การลงทุนในหลักทรัพย์ของรัฐบาล
ในขณะที่การลงทุนเกี่ยวกับผลิตภัณฑ์ใหม่น้นั แม้ จะเป็ นการเสี่ยงแต่กใ็ ห้ ผลกาไรดีกว่ามากถ้ าประสบ
ความสาเร็จ
นอกจากนี้ยังมีทรัพยากรอีกหลายอย่างที่ไม่สามารถแสดงออกมาเป็ นตัวเงินได้ แต่ถอื ได้ ว่าเป็ น
ทรัพยากรที่มคี วามสาคัญอย่างมากของบริษัท เช่น ช่องทางการจัดจาหน่าย ประสบการณ์และความสามารถ
พิเศษของพนักงาน ภาพลักษณ์ท่ดี ขี องบริษัทในสายตาผู้บริโภค ซึ่งทรัพยากรเหล่านี้เมื่อบริษัทนามาใช้
ประโยชน์เพื่อการพัฒนาผลิตภัณฑ์ใหม่แล้ ว จะก่อให้ เกิดผลดีอย่างมากกลับมาสู่บริษัทเองด้ วย คือ ในกรณี
~5~
ของช่องทางการจัดจาหน่าย เมื่อบริษัทมีสนิ ค้ าจานวนมากขึ้นก็จะเป็ นการเพิ่มความแข็งแกร่งให้ กบั ช่องทาง

การจัดจาหน่ายของบริษัทมากขึ้น ทาให้ เป็ นที่สนใจของพ่อค้ าคนกลาง ตัวแทนจาหน่ายและนายหน้ ามากขึ้น
ด้ านประสบการณ์และความสามารถของพนักงานนั้น ยิ่งพนักงานได้ มโี อกาสเกี่ยวข้ องกับผลิตภัณฑ์ใหม่มากขึ้น
ก็จะทาให้ มปี ระสบการณ์และความสามารถสูงขึ้นเรื่อยๆ ส่วนภาพลักษณ์ของบริษัทในสายตาผู้บริโภคก็จะดี
มากขึ้นๆ หากบริษัทมีการผลิตผลิตภัณฑ์ออกมาจานวนมากและครบวงจร
1.5.5 การใช้ของเหลือให้เป็ นประโยชน์ เหตุผลหนึ่งของการพัฒนาผลิตภัณฑ์ใหม่ของบริษัท คือ
การพยายามใช้ ของเหลือจากกระบวนการที่มอี ยู่ให้ เป็ นประโยชน์มากที่สดุ เช่น การผลิตนา้ สับปะรดเข้ มข้ นจาก
แกนและเนื้อส่วนที่ตดิ เปลือกจากเครื่องปอกสับประรดของโรงงานผลิตสับปะรดบรรจุกระป๋ อง เป็ นต้ น
1.5.6 อื่นๆ เช่น การเปลี่ยนแปลงของสังคม เศรษฐกิจ หรือกฎข้ อบังคับต่างๆ การนาเสนอวัตถุดบิ
ส่วนผสม หรือ กระบวนการผลิตใหม่ๆ ของคู่ค้า ความต้ องการของผู้ร่วมธุรกิจ เป็ นต้ น
1.6 กระบวนการพัฒนาผลิตภัณฑ์
กระบวนการพัฒนาผลิตภัณฑ์อาจพิจารณาแบ่งออกเป็ น 7 ขั้นตอนดังต่อไปนี้ คือ (Schmidt, 2005)
1.6.1 การสร้ างความคิดเกี่ยวกับผลิตภัณฑ์ (Product idea generation or exploration)
1.6.2 การวิเคราะห์โอกาสของความคิดเกี่ยวกับผลิตภัณฑ์ (Opportunity identification) ซึ่ง
ประกอบด้ วยการคัดเลือกและทดสอบความคิดเกี่ยวกับผลิตภัณฑ์ (Screening of product ideas and product
concept testing)
1.6.3 การศึกษารายละเอียดเกี่ยวกับผลิตภัณฑ์ กระบวนการผลิต และการตลาด (Detailed study of
product, process and market) เพื่อประเมินความเป็ นไปได้ ทางเทคนิคและความเป็ นไปได้ ทางการตลาด
เบื้องต้ น (Preliminary marketing and technical assessment)
1.6.4 การศึกษาความเป็ นไปได้ ทางธุรกิจ (Detailed business case analysis)
1.6.5 การพัฒนาผลิตภัณฑ์ต้นแบบ (Development of prototype product )
1.6.6 การทดสอบตลาด (Market testing)
1.6.7 การวางจาหน่าย (Launching product or commercialization)
โดยความคิดเกี่ยวกับผลิตภัณฑ์จานวนมากที่ถูกสร้ างขึ้นจะถูกคัดกรองด้ วยขั้นตอนต่างๆ ของ
กระบวนการพัฒนาผลิตภัณฑ์ จนได้ เป็ นผลิตภัณฑ์ท่มี คี วามพร้ อมในด้ านต่างๆ มากที่สดุ เพื่อนาออกวาง
จาหน่ายในตลาด ดังภาพที่ 1.2
~6~
ภาพที่ 1.2 ความคิดเกี่ยวกับผลิตภัณฑ์ท่ถี ูกคัดกรองโดยกระบวนการพัฒนาผลิตภัณฑ์

(ดัดแปลงจาก Schmidt, 2005)
แต่ในหนังสือเล่มนี้ จะขอกล่าวถึงเฉพาะส่วนของสถิติสาหรับใช้ ในขั้นตอนการพัฒนาผลิตภัณฑ์

ต้ นแบบ ซึ่งเกี่ยวข้ องโดยตรงกับหน้ าที่ในการพัฒนาผลิตภัณฑ์อาหารของนักพัฒนาผลิตภัณฑ์ในสาขาวิชา
วิทยาศาสตร์และเทคโนโลยีการอาหาร และสาขาที่เกี่ยวข้ อง และการใช้ โปรแกรมสาเร็จรูปเพื่อวิเคราะห์ผลการ
ทดลองเท่านั้น ดังรายละเอียดในบทต่อๆ ไป
1.7 การเตรียมความพร้อมเพือ่ การพัฒนาผลิตภัณฑ์ตน้ แบบ

ก่อนเริ่มต้ นการทดลองเพื่อการพัฒนาผลิตภัณฑ์ต้นแบบ สิ่งแรกที่นักพัฒนาผลิตภัณฑ์จะต้ องทราบ
คือ ผลิตภัณฑ์ท่ตี ้ องการพัฒนานั้นควรมีลักษณะหรือสมบัตอิ ะไรบ้ าง Noriaki Kano ที่ปรึกษาด้ านการจัดการ
คุณภาพชาวญี่ปุ่นได้ เสนอไว้ ว่า ลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่มี ผี ลต่อความพึงพอใจของผู้บริโภคนั้น
สามารถแบ่งออกได้ เป็ น 3 กลุ่มที่แตกต่างกัน ตามรูปแบบของการตอบสนองความพึงพอใจของผู้บริโภค คือ
(Cohen, 1995)
(1) ลักษณะหรือสมบัตพิ ้ ืนฐานที่ผ้ บู ริโภคคิดว่าหรือคาดว่าผลิตภัณฑ์น้นั ต้ องมี และหากไม่มจี ะทาให้
ผู้บริโภคไม่พอใจผลิตภัณฑ์ (Dissatisfiers หรือ Must-be; M) ซึ่งเป็ นลักษณะหรือสมบัตทิ ่ี
ผู้บริโภคมักจะไม่กล่าวถึง เนื่องจากเชื่อว่าผลิตภัณฑ์ควรต้ องมีลักษณะหรือสมบัตเิ หล่านี้อยู่แล้ ว
~7~
โดยทั่วไปจะหมายถึง ลักษณะหรือสมบัตติ ามหน้ าที่ หรือ ความครบถ้ วน/สมบูรณ์ ของผลิตภัณฑ์

แต่ละชนิดนั้น
(2) ลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคต้ องการให้ มเี พิ่มขึ้นในผลิตภัณฑ์ เพื่อตอบสนองความต้ องการของ
ตน (Satisfiers หรือ One-dimensional; O) หมายถึง ลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคอยากให้ มี
เพิ่มขึ้นจากลักษณะหรือสมบัตพิ ้ นื ฐานของผลิตภัณฑ์ และมักจะมีการกล่าวถึงเมื่อถูกถามถึงสิ่งที่
ต้ องการจากผลิตภัณฑ์ ซึ่งหากได้ รับการตอบสนองก็จะมีความพึงพอใจมากขึ้น ตามระดับความ
มากน้ อยของลักษณะหรือสมบัตนิ ้นั ที่พบในผลิตภัณฑ์
(3) ลักษณะหรือสมบัตทิ ่สี ร้ างความประทับใจหรือดึงดูดความสนใจของผู้บริโภค (Delighters หรือ
Attractive; A) หมายถึง ลักษณะหรือสมบัตทิ ่เี กินความคาดหวังของผู้บริโภค และทาให้ ผ้ บู ริโภค
เกิดความพึงพอใจอย่างยิ่ง เมื่อพบลักษณะหรือสมบัตดิ งั กล่าวในผลิตภัณฑ์ เนื่องจากลักษณะ
หรือสมบัตเิ หล่านี้ไม่ใช่สง่ิ ที่ผ้ บู ริโภคคาดหวังหรืออยากให้ มใี นผลิตภัณฑ์ แต่เป็ นสิง่ ที่ผ้ ผู ลิต
นาเสนอเพื่อทาให้ ผ้ บู ริโภคเกิดความพึงพอใจผลิตภัณฑ์มากขึ้น
ภาพที่ 1.3 ความพึงพอใจของผู้บริโภคที่เกิดจากลักษณะหรือสมบัตติ ่างๆ ของผลิตภัณฑ์

(ดัดแปลงจาก Cohen, 1995)
ดังนั้นนักพัฒนาผลิตภัณฑ์จึงต้ องทาความเข้ าใจว่า ผลิตภัณฑ์ท่ตี ้ องการพัฒนานั้น (1) ควรมีลักษณะ

หรือสมบัตติ ามหน้ าที่ หรือ ความครบถ้ วน/สมบูรณ์ อย่างไรบ้ าง เพื่อสร้ างความพึงพอใจในระดับพื้นฐาน
ให้ กบั ตัวผลิตภัณฑ์ (Dissatisfiers หรือ Must-be; M) และ (2) มีลักษณะหรือสมบัตอิ ะไรบ้ างที่ผ้ บู ริโภค
ต้ องการให้ มเี พิ่มขึ้นในผลิตภัณฑ์ (Satisfiers หรือ One-dimensional; O) รวมถึง (3) ต้ องพยายามนาเสนอ
ลักษณะหรือสมบัตบิ างอย่างเพิ่มเติมให้ กบั ผลิตภัณฑ์ เพื่อทาให้ ผ้ บู ริโภคเกิดความสนใจ/ประทับใจ/ดึงดูดใจ
ในตัวผลิตภัณฑ์มากยิ่งขึ้น (Delighters หรือ Attractive; A)
~8~
การพิจารณาว่าลักษณะหรือสมบัติแต่ละรายการมีผลต่อความพึงพอใจของผู้บริโภคในรูปแบบใดนั้น
สามารถทาได้ โดยการสารวจลักษณะหรือสมบัติท่สี ร้ างความพึงพอใจให้ กับผู้บริโภคด้ วยเทคนิคคาโน (Kano
Model) ซึ่งประกอบด้ วย คาถามเชิงบวก (Functional Question) คือ คาถามที่ถามความรู้สกึ ของผู้บริโภคเมื่อ
พบลักษณะหรือ สมบัติน้ัน และ คาถามเชิงลบ(Dysfunctional Question) คือ คาถามที่ถามความรู้สึกของ
ผู้บริโภคเมื่อไม่พบคุณลักษณะหรือสมบัตนิ ้นั โดยขอให้ ผ้ บู ริโภคตอบคาถามแต่ละข้ อด้ วยการเลือกใช้ ตัวเลือก
ใดตัวเลือกหนึ่งจาก 5ตัวเลือกต่อไปนี้ คือ ชอบแบบนั้น (Like) ต้ องเป็ นแบบนั้น (Must-be) เฉยๆ กับแบบ
นั้น (Neutral) แบบนั้นก็พอได้ (Can live with) และ ไม่ชอบแบบนั้น (Dislike) ดังตัวอย่างคาถามในตารางที่
1.1 และนาคาตอบของผู้บริโภคแต่ละคนมาพิจารณาว่าลักษณะหรือสมบัติแต่ละรายการนั้น มีผลต่อความพึง
พอใจของผู้บริโภคคนนั้นในรูปแบบใดดังตารางที่ 1.2 ซึ่งสามารถแบ่งออกเป็ น 6 รูปแบบ ดังต่อไปนี้
- ลักษณะหรือสมบัตทิ ่สี ร้ างความประทับใจหรือดึงดูดใจผู้บริโภค (Attractive; A)
- ลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคต้ องการ ทาให้ เกิดความพอใจ(One-dimensional; O)
- ลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องมีในผลิตภัณฑ์ (Must-be; M)
- ลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องระวังเนื่องจากอาจทาให้ ผ้ บู ริโภคไม่พอใจ (Questionable; Q)
- ลักษณะหรือสมบัตทิ ่ไี ม่ต้องการ ควรมีการปรับปรุง (Reverse; R)
- ลักษณะหรือสมบัตทิ ่ไี ม่แตกต่างในความรู้สกึ ของผู้บริโภค (Indifferent; I)
ตารางที่ 1.1 ตัวอย่างคาถามเชิงบวกและคาถามเชิงลบตามเทคนิคคาโนของผลิตภัณฑ์นมผง

(ดัดแปลงจาก Lakni and Jayasinghe-Mudalige, 2009)
ชอบ ต้ องเป็ น เฉยๆ กับ แบบนั้นก็ ไม่ชอบ

แบบนั้น แบบนั้น แบบนั้น พอได้ แบบนั้น
(Like) (Must-be) (Neutral) (Can live (Dislike)
with)
คาถามเชิงบวก (Functional Question)
- ถ้ านมผงบรรจุในถุงอลูมเิ นียม
ฟอยล์พิมพ์ลาย
ท่านจะรู้สกึ อย่างไร
คาถามเชิงลบ(Dysfunctional Question)
- ถ้ านมผงไม่ได้ บรรจุในถุง
อลูมเิ นียมฟอยล์พิมพ์ลาย
ท่านจะรู้สกึ อย่างไร
~9~
ตารางที่ 1.2 แนวทางในการพิจารณารูปแบบความพึงพอใจของผู้บริโภค (ดัดแปลงจาก Berger et al, 1993)
ตัวเลือกที่ถูกเลือกมากที่สดุ ของคาถามเชิงลบ
(Dysfunctional Question)
ชอบ ต้ องเป็ น เฉยๆ กับ แบบนั้นก็ ไม่ชอบ
แบบนั้น แบบนั้น แบบนั้น พอได้ แบบนั้น
(Like) (Must-be) (Neutral) (Can live (Dislike)
with)
ชอบ
แบบนั้น Q A A A O
(Like)
ต้ องเป็ น
แบบนั้น R I I I M
(Must-be)
ตัวเลือกที่ถูกเลือกมาก เฉยๆ กับ
ที่สดุ ของคาถามเชิงบวก แบบนั้น R I I I M
(Functional Question) (Neutral)
แบบนั้นก็
พอได้
R I I I M
(Can live
with)
ไม่ชอบ
แบบนั้น R R R R Q
(Dislike)
หมายเหตุ: A (Attractive) คือ ลักษณะหรือสมบัตทิ ่สี ร้ างความประทับใจหรือดึงดูดใจผู้บริโภค
O (One-dimensional) คือ ลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคต้ องการ ทาให้ เกิดความพอใจ
M (Must-be) คือ ลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องมีในผลิตภัณฑ์
Q (Questionable) คือ ลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องตระหนักให้ มากเพราะอยู่ในส่วนที่ไม่พอใจ
R (Reverse) คือ ลักษณะหรือสมบัตทิ ่ไี ม่ต้องการ ควรมีการปรับปรุง
I (Indifferent) คือ ลักษณะหรือสมบัตทิ ่ไี ม่แตกต่างในความรู้สกึ ของผู้บริโภค
ในภาพรวมจะพิจารณาว่า ลักษณะหรือสมบัตแิ ต่ละรายการมีผลต่อความพึงพอใจของผู้บริโภคใน

รูปแบบที่มคี วามถี่สงู สุด (หรือสัดส่วนสูงสุด) และสามารถพิจารณาว่าลักษณะหรือสมบัตดิ งั กล่าวมีผลต่อ
ความพึงพอใจของผู้บริโภคมากน้ อยเพียงใด จากการนาความถี่ของ 4 รูปแบบ คือ A, O, M และ I มา
คานวณสัมประสิทธิ์ความพึงพอใจและสัมประสิทธิ์ความไม่พึงพอใจ ดังสมการ 1.1 และ 1.2
~ 10 ~
สัมประสิทธิ์ความพึงพอใจ (Satisfaction; S) = (A+O)/(A+O+M+I) …(1.1)
สัมประสิทธิ์ความไม่พึงพอใจ (Dissatisfaction; DS) = (O+M)/((A+O+M+I)x(-1)) …(1.2)
โดยสัมประสิทธิ์ความพึงพอใจจะมีค่าอยู่ระหว่าง 0 ถึง 1 หากมีค่าเข้ าใกล้ 1 แสดงว่าการมีลักษณะ

หรือสมบัตดิ ังกล่าวมีผลต่อความพึงพอใจอย่างมาก ในทางกลับกันข้ าม สัมประสิทธิ์ความไม่พึงพอใจจะมีค่า
อยู่ระหว่าง -1 ถึง 0 หากมีค่าเข้ าใกล้ -1 แสดงว่าการไม่มีลักษณะหรือสมบัติดังกล่าวมีผลต่อความไม่พึง
พอใจอย่างมาก ดังตัวอย่างในตารางที่ 1.3
ตารางที่ 1.3 ตัวอย่างการพิจารณาผลต่อความพึงพอใจของผู้บริโภคในภาพรวมของลักษณะหรือสมบัตแิ ต่ละ

รายการและการคานวณสัมประสิทธิ์ความพึงพอใจและสัมประสิทธิ์ความไม่พึงพอใจ
(ดัดแปลงจาก Chen, Meng and Zhang, 2015)
A M O I R Q รวม ภาพรวม S DS
ลักษณะที่ 1 22 3 7 64 6 1 103 I 0.30 -0.26
ลักษณะที่ 2 21 44 7 25 6 0 103 M 0.29 -0.67
ลักษณะที่ 3 18 25 51 9 0 0 103 O 0.67 -0.42
ลักษณะที่ 4 50 9 22 22 0 0 103 A 0.70 -0.57
จากตารางที่ 1.3 แสดงให้ เห็นว่า

- ลักษณะที่ 1 ซึ่งเป็ นลักษณะหรือสมบัตทิ ่ไี ม่แตกต่างในความรู้สกึ ของผู้บริโภค (I) จะมีค่า
สัมประสิทธิ์ความพึงพอใจและสัมประสิทธิ์ความไม่พึงพอใจไม่มากนัก (0.3 และ -0.26) กล่าวคือ
การมีหรือไม่มลี ักษณะหรือสมบัตดิ งั กล่าวนี้จะไม่มผี ลต่อความพึงพอใจของผู้บริโภคมากนัก
- ลักษณะที่ 2 ซึ่งเป็ นลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องมีในผลิตภัณฑ์ (M) จะมีค่าสัมประสิทธิ์ความ
พึงพอใจไม่มากนัก (0.29) แต่มสี มั ประสิทธิ์ความไม่พึงพอใจค่อนข้ างมาก (-0.67) กล่าวคือ การ
มีลักษณะหรือสมบัตดิ งั กล่าวอาจจะไม่มผี ลต่อความพึงพอใจของผู้บริโภคมากนัก แต่หากไม่มจี ะทา
ให้ ผ้ บู ริโภคไม่พึงพอใจค่อนข้ างมาก
- ลักษณะที่ 3 ซึ่งเป็ นลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคต้ องการ ทาให้ เกิดความพอใจ (O) จะมีค่า
สัมประสิทธิ์ความพึงพอใจค่อนข้ างสูง (0.67) และมีสมั ประสิทธิ์ความไม่พึงพอใจปานกลาง (-
0.42) กล่าวคือ การมีลักษณะหรือสมบัตดิ งั กล่าวจะมีผลต่อความพึงพอใจของผู้บริโภคค่อนข้ างมาก
แต่หากไม่มจี ะทาให้ ผ้ บู ริโภคไม่พึงพอใจปานกลาง
- ลักษณะที่ 4 ซึ่งเป็ นลักษณะหรือสมบัตทิ ่สี ร้ างความประทับใจหรือดึงดูดใจผู้บริโภค (A) จะมีค่า
สัมประสิทธิ์ความพึงพอใจค่อนข้ างสูง (0.70) และมีสมั ประสิทธิ์ความไม่พึงพอใจปานกลาง (-
0.57) กล่าวคือ การมีลักษณะหรือสมบัตดิ งั กล่าวจะมีผลต่อความพึงพอใจของผู้บริโภคค่อนข้ างมาก
แต่หากไม่มจี ะทาให้ ผ้ บู ริโภคไม่พึงพอใจปานกลาง เช่นเดียวกันกับลักษณะที่ 3
~ 11 ~
โดยนักพัฒนาผลิตภัณฑ์ควรให้ ความสาคัญกับลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องมีในผลิตภัณฑ์ (M) เป็ น

ลาดับแรก (มากที่สดุ ) รองลงมา คือ ลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคต้ องการ ทาให้ เกิดความพอใจ (O) แล้ ว
จึงค่อยหันมาพิจารณาลักษณะหรือสมบัติท่สี ร้ างความประทับใจหรือดึงดูดใจผู้บริโภค (A) และลักษณะหรือ
สมบัตทิ ่ไี ม่แตกต่างในความรู้สกึ ของผู้บริโภค (I) ตามลาดับ (Berger et al, 1993)
เมื่อได้ ลักษณะหรือสมบัตติ ่างๆ ของผลิตภัณฑ์มาแล้ ว สิง่ ที่ต้องทาต่อไปของนักพัฒนาผลิตภัณฑ์ คือ
การหาวิธกี ารที่เหมาะสม เพื่อนามาประเมินลักษณะหรือสมบัตเิ หล่านั้น สาหรับใช้ ตดิ ตามผลในแต่ละการ
ทดลองของการพัฒนาผลิตภัณฑ์ต้นแบบ โดยในแต่ละการทดลอง นักพัฒนาผลิตภัณฑ์จะต้ องพิจารณาว่า มี
ปัจจัยใดบ้ างในการผลิตที่มผี ลต่อลักษณะหรือสมบัตขิ องผลิตภัณฑ์ ซึ่งในส่วนของผลิตภัณฑ์อาหารนั้น ปัจจัย
ดังกล่าวได้ แก่ ปัจจัยที่เกี่ยวข้ องกับวัตถุดบิ กระบวนการผลิต และ การบรรจุ
จากนั้นนักพัฒนาผลิตภัณฑ์จะต้ องค้ นคว้ าข้ อมูลเพื่อพิจารณาว่า ปัจจัยเหล่านั้นมีผลต่อลักษณะหรือ
สมบัตขิ องผลิตภัณฑ์อย่างไร และควรเลือกใช้ ปัจจัยต่างๆ ในระดับใดจากข้ อจากัดต่างๆ ที่มอี ยู่ ซึ่งจะ
นาไปสู่การกาหนดระดับที่เหมาะสมของปัจจัยในแต่ละการทดลอง เพื่อศึกษาอิทธิพลของปัจจัยที่ต้องการศึกษา
ต่อลักษณะหรือสมบัตขิ องผลิตภัณฑ์ตามสมมติฐานของการทดลองต่อไป
1.8 บ้านคุณภาพและการกระจายหน้าทีเ่ ชิงคุณภาพ

(House of quality and Quality function deployment)
เทคนิคอย่างหนึ่งที่น่าสนใจในการหาความสัมพันธ์ระหว่าง ความต้ องการของผู้บริโภค ลักษณะหรือ
สมบัตขิ องผลิตภัณฑ์ ปัจจัยในการผลิต และอาจรวมไปจนถึงการวางแผนการผลิต ซึ่งสามารถนามาใช้ เพื่อ
วิเคราะห์ค่าเป้ าหมายที่ควรจะเป็ นของผลิตภัณฑ์ต้นแบบ และปัจจัยการผลิต ในขั้นตอนการเตรียมความพร้ อม
เพื่อการพัฒนาผลิตภัณฑ์ต้นแบบได้ คือ บ้ านคุณภาพ (House of quality; HOQ) ซึ่งเป็ นเมตริกที่ถูกนามาใช้ ใน
เทคนิคการวางแผนและพัฒนาผลิตภัณฑ์อย่างมีแบบแผนที่เรียกว่า การกระจายหน้ าที่เชิงคุณภาพ (Quality
function deployment; QFD)
การประยุ กต์ใช้ เทคนิคการกระจายหน้ าที่เชิงคุณภาพอย่ างเต็มรูปแบบในอุตสาหกรรมอาหารนั้น
เริ่มต้ นครั้งแรกในปี ค.ศ. 1987 โดยการจัดสัมมนาเชิงปฏิบัติการของ The American Supplier Institute ซึ่งมี
การแนะนา 4 ขั้นตอนของการพัฒนาผลิตภัณฑ์อาหารพร้ อมทั้งบรรจุภัณฑ์โดยใช้ เทคนิคการกระจายหน้ าที่เชิง
คุณภาพ ด้ วยการเริ่มต้ นจากการแปลงความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัติของผลิตภัณฑ์ท่ี
สามารถวัดได้ ด้วยบ้ านคุณภาพ 1 (HOQ 1 การวางแผนผลิตภัณฑ์) จากนั้นค่าเป้ าหมายของลักษณะหรือสมบัติ
ของผลิตภัณฑ์จะถูกแปลงไปเป็ นปั จจัยเกี่ยวกับส่วนผสม/ส่วนประกอบ และปั จจัยในกระบวนการผลิตโดยใช้
บ้ านคุณภาพ 2 (HOQ 2 การวางแผนวัตถุดิบ/ส่วนประกอบ) และ บ้ านคุณภาพ 3 (HOQ 3 การวางแผน
กระบวนการผลิต) และปัจจัยที่เกี่ยวข้ องในการวางแผนการผลิตโดยใช้ บ้านคุณภาพ 4 (HOQ 4 การวางแผน
การผลิต) ตามลาดับ ดังภาพที่ 1.4 โดยในส่วนของตัวผลิตภัณฑ์อาหารนั้นจะต้ องรวมบ้ านคุณภาพ 2 และ 3
เข้ าด้ วยกัน เนื่องจากลักษณะหรือสมบัติของผลิตภัณฑ์อาหารนั้น อาจเป็ นผลมาจากส่วนผสมหรือกระบวนการ
ผลิต หรือทั้งสองปัจจัยร่วมกัน
~ 12 ~
ภาพที่ 1.4 การประยุกต์ใช้ การกระจายหน้ าที่เชิงคุณภาพ (Quality function deployment, QFD)

และบ้ านคุณภาพ (House of quality, HOQ) ในอุตสาหกรรมอาหาร
(ดัดแปลงจาก Hofmeister, 1991)
บ้ านคุณภาพเป็ นเมตริกที่ประกอบด้ วย 6 ส่วนย่อย ซึ่ง 6 ส่วนย่อยของบ้ านคุณภาพ 1 การวางแผน

ผลิตภัณฑ์ (เมตริกแรกของการกระจายหน้ าที่เชิงคุณภาพซึ่งถูกใช้ สาหรับการแปลงความต้ องการของผู้บริโภค
ไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ ) คือ (1) ความต้ องการของผู้บริโภค (2) แผนกลยุทธ์ด้าน
ความต้ องการของผู้บริโภค (3) ลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดค่าได้ (4) ความสัมพันธ์ระหว่าง
ความต้ องการของผู้บริโภคและลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ (5) ความสัมพันธ์ของลักษณะ
หรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ แต่ละคู่ และ (6) แผนกลยุทธ์ด้านลักษณะหรือสมบัตขิ องผลิตภัณฑ์
ดังภาพที่ 1.5
ส่วนที่ (1) ความต้ องการของผู้บริโภค หมายถึง ลักษณะหรือสมบัตพิ ้ ืนฐานที่ผ้ บู ริโภคคิดว่าหรือคาด
ว่าผลิตภัณฑ์น้นั ต้ องมี และ ลักษณะหรือสมบัตทิ ่ผี ้ บู ริโภคต้ องการให้ มเี พิ่มขึ้นในผลิตภัณฑ์ ซึ่งได้ จากการศึกษา
พฤติกรรมการบริโภค และ การเก็บข้ อมูลโดยการสอบถามผู้บริโภคและการศึกษาข้ อร้ องเรียนต่างๆ ตามลาดับ
ส่วนที่ (2) แผนกลยุทธ์ด้านความต้ องการของผู้บริโภค ประกอบด้ วย การพิจารณาลาดับความสาคัญ
ของแต่ละความต้ องการของผู้บริโภค ระดับความพึงพอใจของผู้บริโภคที่มตี ่อความต้ องการนั้นต่อผลิตภัณฑ์ท่ี
~ 13 ~
วางจาหน่ายในตลาด และการตั้งค่าเป้ าหมายเพื่อตอบสนองความต้ องการนั้นๆ รวมถึงลักษณะหรือสมบัตทิ ่ี

ต้ องการเพิ่มเข้ าไป เพื่อสร้ างความประทับใจหรือดึงดูดความสนใจจากผู้บริโภคด้ วย
ส่วนที่ (3) ลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดค่าได้ หมายถึง ลักษณะหรือสมบัตทิ ่ี
สามารถวัดค่าได้ เป็ นตัวเลข เพื่อใช้ ในการติดตามผลในระหว่างการทดลองและการตั้งค่าเป้ าหมายเพื่อ
ตอบสนองตามความต้ องการของผู้บริโภค
ส่วนที่ (4) ความสัมพันธ์ระหว่างความต้ องการของผู้บริโภคและลักษณะหรือสมบัตขิ องผลิตภัณฑ์
ที่สามารถวัดได้ แต่ละคู่ ซึ่งจะมีการพิจารณาแบ่งระดับความสัมพันธ์ออกเป็ น 4 ระดับ คือ สูง (คะแนนเท่ากับ
9) ปานกลาง (คะแนนเท่ากับ 3) ต่า (คะแนนเท่ากับ 1) และ ไม่มคี วามสัมพันธ์
ส่วนที่ (5) ความสัมพันธ์ของลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ แต่ละคู่ ซึ่งจะมีการ
แบ่งระดับความสัมพันธ์ออกเป็ น 5 ระดับ คือ เสริมกันอย่างมาก (++) เสริมกันปานกลาง (+) หักล้ างกัน
อย่างมาก (--) หักล้ างกันปานกลาง (-) และ ไม่มคี วามสัมพันธ์กนั
ส่วนที่ (6) แผนกลยุทธ์ด้านลักษณะหรือสมบัตขิ องผลิตภัณฑ์ ประกอบด้ วย ลาดับความสาคัญของ
ลักษณะหรือสมบัตทิ ่สี ามารถวัดได้ ของผลิตภัณฑ์ การเปรียบเทียบระดับของลักษณะหรือสมบัตขิ องผลิตภัณฑ์
ที่มอี ยู่ในตลาด และการตั้งค่าเป้ าหมายเพื่อตอบสนองความต้ องการของผู้บริโภค
ภาพที่ 1.5 เมตริกสาหรับการเปลี่ยนความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์

(บ้ านคุณภาพ 1 การวางแผนผลิตภัณฑ์) (ดัดแปลงจาก Cohen, 1995)
ตัวอย่างหนึ่งของการแปลงความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัด

ได้ โดยใช้ บ้านคุณภาพ 1 การวางแผนผลิตภัณฑ์ แสดงดังภาพที่ 1.6 การแปลงความต้ องการของผู้บริโภคใน
ด้ านต่างๆ ของผลิตภัณฑ์ขบเคี้ยวชนิดพองกรอบซึ่งประกอบด้ วย ลักษณะปรากฏ กลิ่น รสชาติ และเนื้อสัมผัส
ให้ เป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ ซ่งึ ประกอบด้ วย ความยาว ความหนา ความเรียบของผิว
สีเหลือง สีส้ม ปริมาณเครื่องปรุงที่ผวิ กลิ่นรสมันฝรั่ง กลิ่นรสเครื่องปรุง ความเค็ม ความเผ็ด ความหวาน
ความกรอบ ความแข็ง การเกาะตัวของเนื้ออาหาร ด้ วยขั้นตอนดังต่อไปนี้
~ 14 ~
- ศึกษาการยอมรับของผู้บริโภคในด้ านลักษณะปรากฏ กลิ่น รสชาติ เนื้อสัมผัส และความชอบรวม

ของผลิตภัณฑ์ขนมขบเคี้ยวชนิดพองกรอบที่เป็ นผู้นาตลาด 3 ลาดับแรกและใช้ การยอมรับด้ าน
ลักษณะปรากฏ กลิ่น รสชาติ และเนื้อสัมผัส เป็ นความต้ องการของผู้บริโภคในส่วนที่ (1) และ
การยอมรับรวมของผู้บริโภคที่มีต่อผลิตภัณฑ์เป็ นแผนกลยุทธ์ด้านความต้ องการของผู้บริโภคใน
ส่วนที่ (2)
- พิจารณาลาดับความสาคัญของแต่ละความต้ องการของผู้บริโภคด้ วยการสร้ างสมการเชิงเส้ นแสดง
ความสัมพันธ์ระหว่างคะแนนการยอมรับรวมและคะแนนการยอมรับในด้ านต่างๆ (คะแนนการ
ยอมรับรวม = 0.17 [คะแนนการยอมรับด้ านกลิ่น] + 0.68 [คะแนนการยอมรับด้ านรสชาติ] +
0.19 [คะแนนการยอมรับด้ านเนื้อสัมผัส] ) และนาค่าสัมประสิทธิ์มาใช้ เป็ นลาดับความสาคัญ
ของแต่ละความต้ องการในส่วนที่ (2)
- กาหนดค่าเป้ าหมายของความต้ องการของผู้บริโภคในแต่ละด้ าน (กาหนดเป็ นค่าสูงสุด) ในส่วนที่
(2)
- พิจารณาลักษณะหรือสมบัตทิ ่สี ามารถวัดได้ ของผลิตภัณฑ์ขนมขบเคี้ยวชนิดพองกรอบทั้ง 3
ผลิตภัณฑ์ และนามาใช้ เป็ นส่วนที่ (3) จากนั้นระบุความแตกต่างของลักษณะหรือสมบัตขิ อง
ผลิตภัณฑ์ท้งั สามในส่วนที่ (6)
- พิจารณาความสัมพันธ์ระหว่างคะแนนการยอมรับ (แกนนอน) และลักษณะหรือสมบัตขิ อง
ผลิตภัณฑ์ท่สี ามารถวัดได้ (แกนตั้ง) แต่ละคู่ในส่วนที่ (4) และ ความสัมพันธ์ของลักษณะหรือ
สมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ แต่ละคู่ในส่วนที่ (5) โดยการสร้ างแผนภูมิ หากแผนภูมิ
มีแนวโน้ มเป็ นโค้ งระฆังคว่าซึ่งมีจุดสูงสุด หรือมีแนวโน้ มเป็ นส้นตรงที่มคี ่าสหสัมพันธ์ต้งั แต่
0.9ขึ้นไป จะพิจารณาให้ มคี วามสัมพันธ์ในระดับสูง (คะแนนเท่ากับ 9 หรือ ++, --) หาก
กราฟมีแนวโน้ มเป็ นเส้ นตรงมีค่าสหสัมพันธ์ต้งั แต่ 0.6ขึ้นไปแต่น้อยกว่า 0.9 จะพิจารณา
ให้ มคี วามสัมพันธ์ในระดับปานกลาง (คะแนนเท่ากับ 3 หรือ +, -) และ หากกราฟมีแนวโน้ ม
เป็ นเส้นตรงมีค่าสหสัมพันธ์ต้งั แต่ 0.4ขึ้นไปแต่น้อยกว่า 0.6 จะพิจารณาให้ มคี วามสัมพันธ์
ในระดับต่า (คะแนนเท่ากับ 1) หรือไม่มคี วามสัมพันธ์ในกรณีของความสัมพันธ์ของลักษณะหรือ
สมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ แต่ละคู่
- พิจารณาลาดับความสาคัญของลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ ในส่วนที่ (6)
จากการหาผลรวมของ ผลคูณระหว่างคะแนนความสัมพันธ์จากส่วนที่ (4) และลาดับความสาคัญ
จากส่วนที่ (2) ของลักษณะหรือสมบัตแิ ต่ละรายการ ตัวอย่างเช่น ผลรวมของกลิ่นรสมันฝรั่ง คือ
(9 x 0.17) + (9 x 0.68) = 7.65 เป็ นต้ น
- พิจารณาค่าเป้ าหมายของลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี าคัญ (มีคะแนนลาดับความสาคัญ
สูง) ในส่วนที่ (6) จากความสัมพันธ์ระหว่างคะแนนการยอมรับและลักษณะหรือสมบัตขิ อง
ผลิตภัณฑ์น้นั หากมีแนวโน้ มเป็ นเส้นตรงและมีค่าสหสัมพันธ์เป็ นบวกจะพิจารณากาหนดให้ มคี ่า
สูง แต่หากมีค่าเป็ นลบจะกาหนดให้ มคี ่าต่า ในกรณีท่มี แี นวโน้ มเป็ นโค้ งระฆังคว่า จะกาหนดให้
ต้ องหาค่ากลางที่เหมาะสมระหว่างค่าต่าและสูง สาหรับกรณีท่มี คี วามสัมพันธ์มากกว่าหนึ่งคู่ จะ
พิจารณาเลือกตามความสัมพันธ์ระหว่างลักษณะหรือสมบัตนิ ้นั ๆ กับความต้ องการที่มลี าดับ
ความสาคัญสูงกว่า ตัวอย่างเช่น กรณีของกลิ่นมันฝรั่ง ซึ่งพบว่ามีความสัมพันธ์แบบเส้ นตรงกับ
กลิ่น และมีความสัมพันธ์แบบโค้ งระฆังคว่ากับรสชาติ จะพิจารณาเลือกค่าเป้ าหายตาม
~ 15 ~
ความสัมพันธ์แบบโค้ งระฆังคว่า เนื่องจากรสชาติเป็ นความต้ องการที่มลี าดับความสาคัญมากกว่า

กลิ่น เป็ นต้ น
ผลการแปลงความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ขบเคี้ยวชนิดพองกรอบ

โดยใช้ บ้านคุณภาพ 1 ในภาพที่ 1.6 แสดงให้ เห็นว่า ลักษณะปรากฏของผลิตภัณฑ์ไม่ก่อให้ เกิดความแตกต่าง
ต่อการยอมรับรวมของผู้บริโภค ในขณะที่รสชาติมผี ลต่อการยอมรับรวมมากที่สดุ (0.68) ส่วนกลิ่นและเนื้อ
สัมผัสมีผลต่อการยอมรับรวมใกล้ เคียงกัน (0.17 และ 0.19) โดยกลิ่นรสมันฝรั่งและกลิ่นรสเครื่องปรุงเป็ น
ลักษณะที่ต้องให้ ความสาคัญมากที่สดุ (7.65) รองลงมา คือ ความเค็มและความหวาน (6.12) การเกาะตัว
ของเนื้ออาหาร (1.71) ความเผ็ด (0.68) และ ความแข็ง (0.19) โดยผลิตภัณฑ์ควรมีกลิ่นรสมันฝรั่ง กลิ่น
รสเครื่องปรุง และความเค็มในระดับที่เหมาะสม ความหวานน้ อย การเกาะตัวของเนื้ออาหารน้ อย ความเผ็ด
มาก และความแข็งน้ อย
นอกจากนี้ความสัมพันธ์ของลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่สี ามารถวัดได้ แต่ละคู่ในส่วนที่ (5) ยัง
แสดงให้ เห็นว่า กลิ่นรสมันฝรั่งและกลิ่นรสเครื่องปรุงมีความสัมพันธ์แบบแปรผกผันกัน (--) หมายถึง กลิ่น
รสทั้งสองมีความแรงในทางตรงกันข้ ามกัน และกลิ่นรสเครื่องปรุงมีความสัมพันธ์แบบแปรผันตรงกับ ความเค็ม
ความเผ็ด สีเหลือง สีส้ม และปริมาณเครื่องปรุงที่ผวิ (+,++) แสดงว่า เครื่องปรุงที่ใช้ มรี สเค็มและเผ็ด และมี
สีเหลืองและส้ ม ซึ่งทาให้ สามารถสังเกตเห็นปริมาณเครื่องปรุงที่ผวิ ได้ ง่าย แต่เนื่องจากผู้บริโภคต้ องการ
ผลิตภัณฑ์ท่มี กี ลิ่นรสมันฝรั่ง กลิ่นรสเครื่องปรุง และความเค็มในระดับที่เหมาะสม แต่อยากให้ มรี สเผ็ดมาก
และความหวานน้ อย จึงควรมีการพิจารณาส่วนผสมที่ใช้ ในการปรุงรสให้ มคี วามเหมาะสมในขั้นตอนต่อไป
ส่วนการเกาะตัวของเนื้ออาหารและความแข็งมีความสัมพันธ์แบบแปรผันตรงระหว่างกันและแปรผันตรง
(+,++) กับความหนาและความเรียบของผิว แสดงว่า ผลิตภัณฑ์ท่หี นาและผิวเรียบจะมีการเกาะตัวของเนื้อ
อาหารและความแข็งมาก ซึ่งตรงกันข้ ามกับความต้ องการของผู้บริโภค ดังนั้นผลิตภัณฑ์ใหม่จึงไม่ควรหนา
หรือไม่ควรมีผวิ เรียบ
~ 16 ~
ภาพที่ 1.6 การแปลงความต้ องการของผู้บริโภคของผลิตภัณฑ์ขนมขบเคี้ยวชนิดพองกรอบ

เป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ โดยใช้ บ้านคุณภาพ
(House of quality, HOQ) (ดัดแปลงจาก Wangcharoen et al, 2006)
จากข้ อมูลลักษณะหรือสมบัตทิ ่สี ามารถวัดได้ ของผลิตภัณฑ์ นักพัฒนาผลิตภัณฑ์จะต้ องค้ นคว้ าเพื่อหา

ข้ อมูลปัจจัยส่วนผสมและกระบวนการผลิตที่มผี ลต่อลักษณะหรือสมบัตเิ หล่านั้นว่า แต่ละปัจจัยมีผลอย่างไร
และมีข้อจากัดหรือมีค่าที่แนะนาอย่างไร เพื่อนาปัจจัยเหล่านั้นมาใช้ เป็ นตัวแปรในการทดลองต่อไป ตัวอย่าง
ของการแปลงลักษณะหรือสมบัตทิ ่สี ามารถวัดได้ ไปเป็ นปัจจัยส่วนผสมและกระบวนการผลิตโดยใช้ บ้านคุณภาพ
~ 17 ~
2 การวางแผนวัตถุดบิ /ส่วนประกอบ และ บ้ านคุณภาพ 3 การวางแผนกระบวนการผลิต ซึ่งถูกรวมเข้ าไว้

ด้ วยกัน แสดงดังภาพที่ 1.7
จากการตรวจเอกสารเพื่อค้ นข้ อมูลเกี่ยวกับการผลิตขนมขบเคี้ยวชนิดพองกรอบที่ศึกษานี้พบว่า เป็ น
ผลิตภัณฑ์ท่เี กิดจากการนาแป้ งมันฝรั่งมาผ่านกระบวนการ 3 ขั้นตอน คือ เอ๊กซ์ทรูชัน (Extrusion) การอบแห้ ง
และ การทอด (Deep frying) จากนั้นจึงนามาปรุงแต่งกลิ่นรสตามต้ องการ ซึ่งมีปัจจัยส่วนผสม ได้ แก่ แป้ ง
มันฝรั่งซึ่งควรใช้ แป้ งที่มปี ริมาณแอมิโลสร้ อยละ 20 อย่างน้ อยร้ อยละ 60 ของส่วนผสมทั้งหมด สารปรุงแต่ง
กลิ่นรสร้ อยละ 5–20 สารช่วยสาหรับกระบวนการผลิต (Processing aids) ไม่เกินร้ อยละ 2 ปัจจัย
กระบวนการผลิตในส่วนของเอ๊กซ์ทรูชัน ได้ แก่ อัตราการเติมนา้ ร้ อยละ 35-40 ความเร็วของสกรู 218-222
รอบต่อนาที อุณหภูมแิ ละเวลาในส่วนที่ทาให้ แป้ งสุก 109-118 ซ และ 15-20 วินาที อุณหภูมแิ ละเวลาใน
ส่วนการขึ้นรูป 65-90 ซ และ 30-45 วินาที ความชื้นของผลิตภัณฑ์ (Extrudate) ร้ อยละ 20-30 ปัจจัย
กระบวนการผลิตในส่วนของการอบแห้ ง ได้ แก่ อุณหภูมนิ ้ อยกว่า 95 ซ เวลา 1-15 ชั่วโมง และความชื้น
สุดท้ ายร้ อยละ 10-12 ปัจจัยกระบวนการผลิตในส่วนของการทอด ได้ แก่ นา้ มันที่มจี ุดควัน (Smoke point)
มากกว่า 200 ซ อุณหภูมิ 130-210 ซ เวลา 10-60 วินาที และความชื้นสุดท้ ายร้ อยละ 1-2
เมื่อพิจารณาแปลงข้ อมูลดังภาพที่ 1.7 พบว่า ปัจจัยที่มผี ลต่อความต้ องการของผู้บริโภคมากที่สดุ
คือ สารปรุงแต่งกลิ่นรส ((9 x 7.65) + (9 x 7.65) + (9 x 6.12) + (9 x 0.68) + (9 x 6.12) =
253.98) รองลงมา คือ แป้ งมันฝรั่ง ((9 x 7.65) + (3 x 6.12) + (9 x 0.19) + (9 x 1.71) = 104.31)
ในขณะที่ปัจจัยอื่นๆ มีคะแนนลาดับความสาคัญน้ อยกว่ามาก จากข้ อมูลดังกล่าว สิง่ ที่นักพัฒนาผลิตภัณฑ์ควร
ทา คือ การทดลองผลิตผลิตภัณฑ์โดยใช้ ค่าเฉลี่ยของปัจจัยส่วนผสมและกระบวนการผลิตต่างๆ โดยยังไม่ต้อง
ปรุงแต่งกลิ่นรสดูก่อน หากพบว่าผลิตภัณฑ์ท่ไี ด้ มลี ักษณะเนื้อสัมผัสอยู่ในเกณฑ์ท่ยี อมรับได้ จึงนามาศึกษา
การปรุงแต่งกลิ่นรสด้ วยส่วนผสมต่างๆ ต่อไป ซึ่งในที่น้ คี วรเป็ นส่วนผสมที่มรี สเค็มและเผ็ดตามความต้ องการ
ของผู้บริโภค แต่หากผลิตภัณฑ์ท่ผี ลิตได้ ก่อนการปรุงแต่งกลิ่นรสนั้นยังควรได้ รับการปรับปรุงด้ านเนื้อสัมผัส
นักพัฒนาผลิตภัณฑ์จาเป็ นต้ องทาการทดลองเกี่ยวกับปัจจัยกระบวนการผลิตที่เกี่ยวข้ อง เพื่อปรับปรุงให้
ผลิตภัณฑ์มเี นื้อสัมผัสอยู่ในเกณฑ์ท่ยี อมรับได้ ก่อน แล้ วจึงนามาทาการทดลองเกี่ยวกับการปรุงแต่งกลิ่นรส
ผลิตภัณฑ์ต่อไป
สาหรับบ้ านคุณภาพ 4 การวางแผนการผลิต เป็ นเรื่องเกี่ยวกับการวางแผน การจัดการและการ
ควบคุมเพื่อให้ ได้ มาซึ่งปัจจัยส่วนผสมและปัจจัยกระบวนการผลิตที่กาหนดไว้ น้นั จะไม่ขอยกตัวอย่างในที่น้ ี
เนื่องจากเป็ นส่วนที่มคี วามแตกต่างกันออกไปตามวิธกี ารทางาน ค่าเป้ าหมายที่ต้องการควบคุม และข้ อจากัด
ของแต่ละบริษัท
~ 18 ~
ภาพที่ 1.7 การแปลงลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ ของผลิตภัณฑ์ขนมขบเคี้ยว

ชนิดพองกรอบเป็ นปัจจัยส่วนผสมและกระบวนการผลิตในการผลิตโดยใช้
บ้ านคุณภาพ (House of quality, HOQ) (ดัดแปลงจาก Wangcharoen, 2003)
~ 19 ~
เอกสารอ้างอิง
ปาริฉัตร หงสประภาส. การวิจัยและพัฒนาผลิตภัณฑ์อาหาร. ใน วิทยาศาสตร์และเทคโนโลยีการอาหาร
เล่ม 2. กรุงเทพฯ: สานักพิมพ์มหาวิทยาลัยเกษตรศาสตร์; 2559. หน้ า 307- 315.
Berger C, Blauth R, Boger D, Bolster C, Burchil l D, Du-Mouchel W, Pouliot F, Richter R, Rubinoff
A, Sken D, Tinko M and Walden D. Kano’s methods for understanding customer-defined
quality. Center for Quality Management Journal 1993; 2 (4): 3-36.
Chen X, Meng Q and Zhang L. A decision method for improving tourism industry service quality under
budget constraints. Journal of Service Science and Management 2015; 8: 781-792.
Cohen L. Quality function deployment – How to make QFD work for you. Massachusetts:
Addison-Wesley publishing; 1995, 348 p.
Hofmeister KR. Quality function deployment: market success through customer-driven products.
In: Graf E, Saguy IS, editors. Food product development: from concept to the marketplace.
New York :Van Nostrand and Reinhold; 1991, p. 189-210.
Kerin RA, Theng LG, Hartley SW and Rudelius W. Marketing in Asia. 2 ndEdn. Singapore:
McGraw-Hill Education (Asia); 2013, 822 p.
Lakni WAKI and Jayasinghe-Mudalige UK. Customer-defined quality of food: an empirical
investigation based on Kano analytical methods for milk powder. The Journal of Agricultural
Sciences 2009; 4(2): 45-58.
Lamb CW, Hair JF and McDaniel C. Essentials of Marketing. Ohio: South-Western; 2005, 572 p.
Schmidt JB. Gate decisions: the key to managing risk during new product development. In: Kahn KB,
editor. The PDMA handbook of new product development. 2nd Edn. New Jersey: John Wiley &
Sons, Inc.; 2005, p. 337-348.
Wangcharoen W, Ngarmsak T and Wilkinson BH. The product design of puffed snacks by using quality
function deployment (QFD) and reverse engineering (RE) techniques. Kasetsart Journal
(Natural Science) 2006; 40(1):232-239.
Wangcharoen W. Consumer research techniques to design a new snack product. Ph D Thesis.
Khon Khan University; 2003, 510 p.
~ 20 ~
บทที่ 2
การวิเคราะห์ขอ้ มูลทางสถิติดว้ ยแผนการทดลองทัว่ ไป
การวิเคราะห์ข้อมูลทางสถิตแิ ต่ละวิธจี ะมีข้อกาหนดหรือข้ อตกลงเบื้องต้ นเกี่ยวกับลักษณะของข้ อมูล

ผู้วิจัยจึงควรให้ ความสนใจกับข้ อกาหนดเหล่านี้เพื่อการวางแผนการทดลองและการวิเคราะห์ข้อมูลอย่างถูกต้ อง
เหมาะสม ภาพรวมของการวิเคราะห์ข้อมูลทางสถิตโิ ดยทั่วไปอาจสามารถแบ่งออกได้ ตามลักษณะของข้ อมูลดัง
ภาพที่ 2.1
ข้ อมูล (ตัวแปร)
ข้ อมูลต่อเนื่อง ข้ อมูลไม่ต่อเนื่อง
1. การวิเคราะห์ความแตกต่างของข้ อมูล 2 กลุ่ม 1. การทดสอบแบบไคสแควร์

หรือข้ อมูล 1 กลุ่มและค่าที่กาหนด (Chi-square test)
- การทดสอบค่าที (t-test)
2. การวิเคราะห์ความแตกต่างของข้ อมูลมากกว่า 2 กลุ่ม 2. การวิเคราะห์ข้อมูลแบบนอนพาราเมตริก

- การวิเคราะห์ความแปรปรวน (ANOVA) วิธอี ่นื (Non-parametric methods)
และการเปรียบเทียบค่าเฉลี่ย (Post-hoc)
3. การวิเคราะห์ความสัมพันธ์ระหว่างตัวแปร
- การวิเคราะห์ค่าสหสัมพันธ์
(Correlation analysis)
4. การวิเคราะห์การเปลี่ยนแปลงของ Y ต่อหน่วย X
- การวิเคราะห์ความถดถอย
(Regression analysis)
5. การวิเคราะห์ข้อมูลแบบนอนพาราเมตริก
(Non-parametric methods)
ภาพที่ 2.1 ภาพรวมของการวิเคราะห์ข้อมูลทางสถิตใิ นงานวิจัย (ดัดแปลงจาก จรัญ และ กษิดศิ , 2551)

ลักษณะของข้ อมูลอาจสามารถแบ่งออกได้ เป็ น 2 ประเภท คือ (1) ข้ อมูลเชิงปริมาณ (Quantitative

data) และ (2) ข้ อมูลเชิงคุณภาพ (Qualitative data or categorical data)
ข้ อมูลเชิงปริมาณ หมายถึง ข้ อมูลที่เป็ นตัวเลขหรือปริมาณ และสื่อความหมายตามค่าของตัวเลขได้
โดยตรง จึงสามารถใช้ ค่าดังกล่ าวเปรียบเทียบความมากน้ อยเชิงปริมาณของข้ อมูลแต่ละค่าได้ ข้ อมูลเชิง
ปริมาณสามารถแบ่งออกเป็ น 2 ประเภท คือ (1) ข้ อมูลไม่ต่อเนื่อง (Discrete data) หมายถึง ข้ อมูลที่ได้ จาก
การนับ (Counting) ซึ่งมีค่าเป็ นตัวเลขจานวนเต็ม เช่น จานวนผู้ท่ดี ่ มื และไม่ด่ มื กาแฟเป็ นประจา เป็ นต้ น
และ (2) ข้ อมูลต่อเนื่อง (Continuous data) หมายถึง ข้ อมูลที่ได้ จากการวัด (Measurement ) เป็ นข้ อมูลที่มี
ค่าได้ ทุกค่าในช่วงที่กาหนด เช่น นา้ หนัก ส่วนสูง เป็ นต้ น
ข้ อมูลเชิงคุณภาพ หมายถึง ข้ อมูลที่เป็ นข้ อความหรือตัวเลขที่แสดงลักษณะประเภทหรือกลุ่ม ซึ่งไม่
สามารถวัดค่าออกมาเป็ นตัวเลขหรือไม่สามารถสื่อความหมายตามค่าตัวเลขได้ โดยตรง เช่ น เพศ อาชีพ
วุฒิการศึกษา ความคิดเห็น เป็ นต้ น
สาหรับรายละเอียดในบทนี้จะขอกล่ าวถึงการวิเคราะห์ข้อมูลเชิงปริมาณชนิดต่อเนื่องด้ วยวิธีการทาง
สถิติ เฉพาะในส่วนของการทดสอบค่ าที และการวิเคราะห์ ความแปรปรวนและการเปรียบเทียบค่ าเฉลี่ ย
เท่านั้น เนื่องจากเป็ นลักษณะของข้ อมูลที่ถูกนามาใช้ ในการพัฒนาผลิตภัณฑ์อาหาร
2.1 การทดสอบค่าที (t-test)

การทดสอบค่าที เป็ นการทดสอบสมมติฐานสาหรับข้ อมูลต่อเนื่องที่มกี ารแจกแจงแบบปกติ เพื่อ
เปรียบเทียบค่าเฉลี่ยของข้ อมูลสองกลุ่มในกรณีท่ขี ้ อมูลมีขนาดเล็ก (n<30) หรือ เพื่อเปรียบเทียบค่าเฉลี่ยของ
ข้ อมูลกับค่าคาดหวังหรือค่าที่กาหนด การทดสอบค่าทีเมื่อต้ องการเปรียบเทียบค่าเฉลี่ยของข้ อมูลสองกลุ่ม
สามารถแบ่งออกเป็ น 2 กรณี คือ (1) กรณีความแปรปรวนของข้ อมูลที่ต้องการเปรียบเทียบทั้งสองกลุ่มเท่ากัน
และ (2) กรณีความแปรปรวนของข้ อมูลที่ต้องการเปรียบเทียบทั้งสองกลุ่มไม่เท่ากัน โดยการทดสอบว่า
ข้ อมูลทั้งสองกลุ่มมีความแปรปรวนเท่ากันหรือไม่น้นั สามารถทาได้ โดยการทดสอบค่าเอฟ (F-test) ดังสมการ
2.1.1
S 22
F …(2.1.1)
S12
เมื่อ S12 = ความแปรปรวนของข้ อมูลกลุ่มที่ 1

S22 = ความแปรปรวนของข้ อมูลกลุ่มที่ 2 (ใช้ ค่าที่มากกว่าเป็ นตัวตั้งเสมอ)
หากค่าเอฟที่คานวณได้ มคี ่ามากกว่าหรือเท่ากับค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ df ของ

ตัวตั้ง = n2 -1 (จานวนผู้ทดสอบกลุ่มที่ 2 – 1) และ df ของตัวหาร = n1 – 1 (จานวนผู้ทดสอบกลุ่มที่ 1 –
1) จากตารางค่าวิกฤตสาหรับการทดสอบค่าเอฟ (ตารางภาคผนวกที่ 1) แสดงว่า ความแปรปรวนของข้ อมูล
ทั้งสองกลุ่มแตกต่างกันอย่างมีนยั สาคัญทางสถิติ (ปฏิเสธสมมติฐานหลัก) แต่ถ้าค่าเอฟที่คานวณได้ มคี ่าน้ อย
กว่าค่าวิกฤตดังกล่าว แสดงว่า ความแปรปรวนของข้ อมูลทั้งสองกลุ่มแตกต่างกันอย่างไม่มนี ยั สาคัญทางสถิติ
หรือ ไม่แตกต่างกัน (ยอมรับสมมติฐานหลัก)
~ 22 ~
2.1.1 การทดสอบค่าที กรณีความแปรปรวนของข้อมูลทีต่ อ้ งการ

เปรียบเทียบทั้งสองกลุ่มไม่แตกต่างกัน
การทดสอบค่าทีในกรณีความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มมีค่าไม่แตกต่างกัน อาจแบ่งออกได้ เป็ น

2 กรณีคอื (1) กรณีข้อมูลจากทั้งสองกลุ่มไม่เป็ นอิสระต่อกัน (Dependent t-test) และ (2) กรณีข้อมูลจาก
ทั้งสองกลุ่มเป็ นอิสระต่อกัน (Independent t-test)
ในกรณีข้อมูลจากทั้งสองกลุ่มไม่เป็ นอิสระต่อกัน จะไม่ต้องมีการทดสอบความเท่ากันของความ
แปรปรวนของข้ อมูลทั้ง 2 กลุ่ม เนื่องจากเป็ นการคานวณค่าทีจากผลต่างของข้ อมูลแต่ละคู่ซ่งึ ไม่เป็ นอิสระต่อ
กัน โดยสามารถคานวณค่าที (Dependent t-test) ได้ จากสมการ 2.1.2
d
t … (2.1.2)
Sd
n
เมื่อ d = ผลต่างของค่าเฉลี่ยของตัวอย่างทั้งสอง
Sd = ส่วนเบี่ยงเบนมาตรฐานของผลต่าง
n
n
( d i ) 2 n
 di2  d
2
i 1
i
2
 nd
n
 i 1
หรือ  i 1
n 1 n 1
di = ผลต่างของคะแนนที่ตวั อย่างทั้ง 2 จากการทาซา้ แต่ละครั้ง
n = จานวนซา้
หากค่าทีท่คี านวณได้ มคี ่ามากกว่าหรือเท่ากับค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ df = n –1

จากตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2) (ไม่พิจารณาเครื่องหมาย +/-) แสดงว่า
ค่าเฉลี่ยของของข้ อมูลสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (ปฏิเสธสมมติฐานหลัก) แต่ถ้าค่าทีท่ี
คานวณได้ มคี ่าน้ อยกว่าค่าวิกฤตดังกล่าว แสดงว่า ค่าเฉลี่ยของของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มี
นัยสาคัญทางสถิติ หรือ ไม่แตกต่างกัน (ยอมรับสมมติฐานหลัก)
ตัวอย่างที่ 2.1
ฝ่ ายควบคุมคุณภาพของบริษัทแห่งหนึ่ง ต้ องการทดสอบความแตกต่างของผลิตภัณฑ์ท่ปี รับปรุง
สูตรใหม่เพื่อลดต้ นทุนการผลิตและผลิตภัณฑ์เดิมที่ระดับความเชื่อมั่นร้ อยละ 95 (p<0.05) ด้ วยวิธกี าร
ทดสอบความแตกต่างจากตัวอย่างควบคุม ใช้ ผ้ ทู ดสอบจานวน 21 คน โดยผู้ทดสอบจะถูกขอให้ ทดสอบ
ตัวอย่าง 2 ครั้ง แต่ละครั้งผู้ทดสอบจะได้ รับตัวอย่าง 2 ตัวอย่าง ตัวอย่างแรก คือ ตัวอย่างควบคุม และ
~ 23 ~
ตัวอย่างที่สอง คือ ตัวอย่างที่ทดสอบ และขอให้ ทดสอบตัวอย่างควบคุมก่อน จากนั้นจึงทดสอบตัวอย่างที่

ทดสอบและขอให้ ประเมินว่าตัวอย่างที่ทดสอบนั้น มีความแตกต่างจากตัวอย่างควบคุมเพียงใด โดยใช้ สเกล 0
(ไม่แตกต่างกัน) – 10 (แตกต่างกันมากที่สดุ ) และมีการแจ้ งให้ ผ้ ทู ดสอบทราบด้ วยว่า ตัวอย่างควบคุมอาจ
ถูกนามาใช้ เป็ นตัวอย่างที่ทดสอบได้ ในบางครั้ง (โดยตัวอย่างที่ทดสอบของผู้ทดสอบแต่ละคน จะเป็ นตัวอย่าง
ควบคุม 1 ครั้ง และตัวอย่างที่ปรับปรุงสูตรใหม่ 1 ครั้ง) พบว่า ได้ ผลการทดลองดังตารางที่ 2.1
ตารางที่ 2.1 ผลการทดสอบและค่าสาหรับการคานวณค่าทีในตัวอย่างที่ 2.1
ผู้ทดสอบ ตัวอย่างควบคุม (C) ตัวอย่างที่ปรับปรุงสูตรใหม่ (A) C–A (C – A)2

1 1 2 -1 1
2 4 5 -1 1
3 1 3 -2 4
4 4 2 2 4
5 2 4 -2 4
6 2 2 0 0
7 3 3 0 0
8 0 2 -2 4
9 6 7 -1 1
10 7 6 1 1
11 0 1 -1 1
12 1 3 -2 4
13 4 2 2 4
14 1 3 -2 4
15 4 3 1 1
16 2 2 0 0
17 2 3 -1 1
18 4 4 0 0
19 3 4 -1 1
20 0 2 -2 4
21 5 4 1 1
รวม 56 67 -11 41
วิธีทา เนื่องจากผู้ทดสอบแต่ละคนได้ ทดสอบทั้งตัวอย่างควบคุมและตัวอย่างที่ปรับปรุงสูตรใหม่ จึงถือ

ว่าข้ อมูลของตัวอย่างทั้งสองที่ได้ จากผู้ทดสอบแต่ละคนไม่เป็ นอิสระต่อกัน การทดสอบค่าทีใน
~ 24 ~
กรณีน้ ีจึงไม่ต้องมีการทดสอบความเท่ากันของความแปรปรวนของข้ อมูลทั้งสองกลุ่มก่อน และมี

สมมติฐานของการทดสอบค่าที ดังนี้ คือ
H0: คะแนนเฉลี่ยของผลิตภัณฑ์เดิม (ตัวอย่างควบคุม) = คะแนนเฉลี่ยของผลิตภัณฑ์ท่ปี รับปรุง

(ตัวอย่างที่ปรับปรุงสูตรใหม่ไม่แตกต่างจากตัวอย่างเดิม)
Ha: คะแนนเฉลี่ยของผลิตภัณฑ์เดิม (ตัวอย่างควบคุม)  คะแนนเฉลี่ยของผลิตภัณฑ์ท่ปี รับปรุง
(ตัวอย่างที่ปรับปรุงสูตรใหม่แตกต่างจากตัวอย่างเดิม)
จากผลการทดสอบและค่าในตารางที่ 2.1 สามารถคานวณค่าทีตามสมการ 2.1.2 ได้

ดังต่อไปนี้
ผลต่างของค่าเฉลี่ย ( d ) = (56/21) – (67/21) = -0.52

n
( d i ) 2
(11) 2
n
 d i2  i 1
n
41 
21 = 1.33
ส่วนเบี่ยงเบนมาตรฐาน (Sd  i 1

n 1 21  1
 0.52
ค่าที (t)  = -1.79
1.33
21
เมื่อเปรียบเทียบกับค่าวิกฤตที่  = 0.05 (สมมติฐานสองทาง) และ df = 20 (มาจาก

21 - 1) จากตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2) ซึ่งเท่ากับ 2.086
พบว่า ค่าที่คานวณได้ มคี ่าน้ อยกว่า (ไม่พิจารณาเครื่องหมาย +/-) จึงยอมรับสมมติฐานหลักและ
สรุปว่า ตัวอย่างที่ปรับปรุงใหม่มคี วามแตกต่างอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่าง
จากตัวอย่างเดิม
สาหรับกรณีข้อมูลทั้งสองกลุ่มเป็ นอิสระต่อกันและความแปรปรวนของข้ อมูลไม่แตกต่างกัน สามารถ

คานวณค่าที (Independent t-test) ได้ จากสมการ 2.1.3
( X1  X 2 )  0
t … (2.1.3)
1 1
Sp 
n1 n2
เมื่อ X1 = ค่าเฉลี่ยของตัวอย่างกลุ่มที่ 1
X2 = ค่าเฉลี่ยของตัวอย่างกลุ่มที่ 2
n1 = จานวนข้ อมูลของตัวอย่างกลุ่มที่ 1
~ 25 ~
(n1  1) S12  (n2  1) S 22

Sp =
n1  n2  2
S12 = ความแปรปรวนของตัวอย่างกลุ่มที่ 1
หากค่าทีท่คี านวณได้ มากกว่าหรือเท่ากับค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ df = n1+ n2 – 2

จากตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2) (ไม่พิจารณาเครื่องหมาย +/-) แสดงว่า
ตัวอย่างที่ 2.2 (ดัดแปลงจาก Meilgaard และคณะ, 1998)

การศึกษาความแตกต่างในการยอมรับเครื่องดื่มสูตรใหม่ท่พี ัฒนาขึ้นระหว่ างผู้บริโภคเพศชายและ
หญิงที่ระดับความเชื่อมั่นร้ อยละ 95 (p<0.05) โดยใช้ พนักงานของบริษัทบางคนที่สามารถมาร่วมทดสอบได้
และไม่มีความเกี่ยวข้ องใดๆ กับการพัฒนาเครื่องดื่มสูตรใหม่น้ ีมาก่อน ในวันที่ทดลองสามารถเชิญผู้ทดสอบ
มาร่วมได้ เพียง 16 คน แบ่งเป็ นชาย 7 คน และหญิง 9 คน ผู้ทดสอบแต่ละคนจะถูกขอให้ ทดสอบตัวอย่าง
เครื่องดื่มสูตรใหม่ และประเมินตัวอย่างโดยใช้ สเกลวัดระดับความชอบ 9 ระดับ (1 = ไม่ชอบมากอย่างยิ่ง 5
= เฉยๆ 9 = ชอบมากอย่างยิ่ง) โดยมีการแนะนาวิธกี ารประเมินให้ ผ้ ูทดสอบเข้ าใจก่อนทาการทดสอบ และ
ได้ ผลการทดสอบดังตารางที่ 2.2
ตารางที่ 2.2 ผลการทดสอบและค่าที่ใช้ ในการคานวณค่าทีของตัวอย่างที่ 2.2
ผู้ทดสอบชาย ผู้ทดสอบหญิง
ผู้ทดสอบ คะแนน ผู้ทดสอบ คะแนน
1 6 1 7
2 8 2 8
3 6 3 6
4 7 4 7
5 7 5 7
6 6 6 7
7 7 7 7
8 7
9 6
n1 = 7 n2 = 9
X 1 = 6.71 X 2 = 6.89
S1 = 0.76 S2 = 0.60
~ 26 ~
วิธีทา เนื่องจากข้ อมูลสองกลุ่มนี้มาจากแหล่ งที่แตกต่างกัน คือ ผู้ทดสอบชาย และ ผู้ทดสอบหญิง จึงถือว่ า

เป็ นอิสระต่อกัน การวิเคราะห์ข้อมูลต้ องทา 2 ขั้นตอน คือ การทดสอบค่าเอฟ เพื่อ ทดสอบความ
แปรปรวนของข้ อมู ล ทั้ง สองกลุ่ ม ว่ า เท่ า กัน หรื อไม่ ก่ อ นที่จ ะท าการทดสอบค่ า ที ด้ ว ยสมการที่
เหมาะสมต่อไป
ขัน้ ตอนที ่ 1: การทดสอบค่าเอฟ เพื่อทดสอบว่าความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มเท่ากันหรือไม่

โดยมีสมมติฐานดังนี้ คือ
H0 : ความแปรปรวนของผู้ทดสอบชาย = ความแปรปรวนของผู้ทดสอบหญิง
(ความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มไม่แตกต่างกัน)
Ha : ความแปรปรวนของผู้ทดสอบชาย  ความแปรปรวนของผู้ทดสอบหญิง
(ความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มแตกต่างกัน)
จากสมการ 2.1.1 เมื่อแทนค่าจะได้
(0.76) 2
ค่าเอฟ (F)  (ใช้ ค่ามากเป็ นตัวตั้งเสมอ) = 1.60
(0.60) 2
เมื่อเปรียบเทียบค่าที่คานวณได้ กบั ค่าวิกฤตจากตารางค่าวิกฤตสาหรับการทดสอบค่าเอฟที่

 = 0.05 (ตารางภาคผนวกที่ 1) เมื่อ df1 = 6 (มาจาก 7 - 1) และ df2 = 8 (มาจาก 9 - 1) ซึ่งมี
ค่าเท่ากับ 3.58 พบว่า ค่าที่คานวณได้ มคี ่าน้ อยกว่า ดังนั้นจึงยอมรับสมมติฐานหลักและสรุปว่า
ความแปรปรวนของทั้งสองกลุ่มไม่แตกต่างกัน
ขัน้ ตอนที ่ 2: การทดสอบค่าที (Independent t-test) ในกรณีท่คี วามแปรปรวนของข้ อมูล 2 กลุ่มไม่แตกต่างกัน

H 0: X 1  X 2
(ค่าเฉลี่ยคะแนนการยอมรับของผู้ทดสอบชายและหญิงไม่แตกต่างกัน)
Ha: X 1  X 2
(ค่าเฉลี่ยคะแนนการยอมรับของผู้ทดสอบชายและหญิงแตกต่างกัน)
(6.71  6.89)  0
ค่าที (t) 
(7  1)(0.76) 2  (9  1)(0.60) 2 1 1

792 7 9
= - 0.18 / 0.34 = - 0.53
~ 27 ~
เมื่อเปรียบเทียบกับค่าวิกฤตที่  = 0.05 (สมมติฐานสองทาง) เมื่อ df = 14 (มาจาก 7 +

9 - 2) จากตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2) ซึ่งเท่ากับ 2.145
พบว่า ค่าที่คานวณได้ มคี ่าน้ อยกว่า (ไม่พิจารณาเครื่องหมาย +/-) จึงยอมรับสมมติฐานหลักและ
สรุปว่า ค่าเฉลี่ยคะแนนการยอมรับของผู้ทดสอบชายและหญิงแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ
(p>0.05) หรือ ไม่แตกต่างกัน
2.1.2 การทดสอบค่าที กรณีความแปรปรวนของข้อมูลทีต่ อ้ งการ

เปรียบเทียบทั้งสองกลุ่มแตกต่างกัน
การทดสอบค่าที กรณีความแปรปรวนของข้ อมูลทั้งสองกลุ่มแตกต่างกันนั้น สามารถคานวณค่าทีได้

จากสมการ 2.1.4
( X1  X 2 )  0
t … (2.1.4)
S12 S 22

n1 n2
เมื่อ X1 = ค่าเฉลี่ยของตัวอย่างกลุ่มที่ 1
X 2 = ค่าเฉลี่ยของตัวอย่างกลุ่มที่ 2
หากค่าทีท่คี านวณได้ มากกว่าหรือเท่ากับค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ df =  จาก

ตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2) (ไม่พิจารณาเครื่องหมาย +/-) แสดงว่า
ส่วนค่า  สามารถคานวณได้ จากสมการ 2.1.5
S12 S 22 2
 )
(
n1 n2
 2 … (2.1.5)
S1 2 S 22 2
( ) ( )
n1 n
 2
n1  1 n2  1
~ 28 ~
การศึกษาความแตกต่างในการยอมรับเครื่องดื่มสูตรใหม่ท่พี ัฒนาขึ้นระหว่ างผู้บริโภคเพศชายและ
หญิงที่ระดับความเชื่อมั่นร้ อยละ 95 (p<0.05) โดยใช้ พนักงานของบริษัทบางคนที่ไม่มีความเกี่ยวข้ องใดๆ
กับการพัฒนาเครื่องดื่มสูตรใหม่น้ ีมาก่อน จานวน 50 คน แบ่งเป็ นชาย 25 คน และหญิง 25 คน ผู้ทดสอบ
แต่ละคนจะถูกขอให้ ทดสอบตัวอย่างเครื่องดื่มสูตรใหม่ และประเมินตัวอย่างโดยใช้ สเกลวัดระดับความชอบ 9
ระดับ (1 = ไม่ชอบมากที่สดุ 5 = เฉยๆ 9 = ชอบมากที่สดุ ) โดยมีการแนะนาวิธกี ารประเมินให้ ผ้ ูทดสอบ
เข้ าใจก่อนทาการทดสอบ และได้ ผลการทดสอบดังนี้
คะแนนของผู้ทดสอบชาย: 6 7 8 6 6 6 8 7 7 7 7 6 7 7 6 7 6 7 7 8 7 6 6 7 7
คะแนนของผู้ทดสอบหญิง: 7 6 7 7 8 7 6 7 8 7 6 7 8 6 6 9 8 9 5 9 5 6 8 8 8
ค่าที่ใช้ ในการคานวณค่าที เพศชาย: n1 = 25 , X 1 = 6.76, S1 = 0.66
เพศหญิง: n2 = 25 , X 2 = 7.12, S2 = 1.17
วิธีทา เนื่องจากข้ อมูลสองกลุ่มนี้มาจากแหล่งที่แตกต่างกัน คือ ผู้ทดสอบชาย และ ผู้ทดสอบหญิง จึงถือว่า

เป็ นอิสระต่อกัน การวิเคราะห์ข้อมูลต้ องทา 2 ขั้นตอน คือ การทดสอบค่าเอฟ เพื่อทดสอบความ
แปรปรวนของข้ อมูลทั้ง 2 กลุ่มว่าเท่ากันหรือไม่ ก่อนที่จะทาการทดสอบค่าที ด้ วยสมการที่เหมาะสม
ต่อไป
ขัน้ ตอนที ่ 1: การทดสอบค่าเอฟ

H0 : ความแปรปรวนของผู้ทดสอบชาย = ความแปรปรวนของผู้ทดสอบหญิง
(ความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มไม่แตกต่างกัน)
Ha : ความแปรปรวนของผู้ทดสอบชาย  ความแปรปรวนของผู้ทดสอบหญิง
(ความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มแตกต่างกัน)
(1.17) 2
ค่าเอฟ (F)  (ใช้ ค่ามากเป็ นตัวตั้งเสมอ) = 3.14
(0.66) 2
เมื่อเปรียบเทียบกับค่าวิกฤต จาก ตารางค่าวิกฤตสาหรับการทดสอบค่าเอฟ ที่  = 0.05

(ตารางภาคผนวกที่ 1) เมื่อ df1 = 24 (มาจาก 25 - 1) และ df2 = 24 (มาจาก 25 - 1) ซึ่งมี
ค่าเท่ากับ 1.98 พบว่า ค่าที่คานวณได้ มคี ่ามากกว่า ดังนั้นจึงปฏิเสธสมมติฐานหลัก และสรุปว่า
ความแปรปรวนของทั้งสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (p<0.05)
~ 29 ~
ขัน้ ตอนที ่ 2: การทดสอบค่าทีในกรณีท่คี วามแปรปรวนของข้ อมูลทั้ง 2 กลุ่มไม่เท่ากัน

H 0: X 1  X 2
(ค่าเฉลี่ยคะแนนการยอมรับของผู้ทดสอบชายและหญิงไม่แตกต่างกัน)
Ha: X 1  X 2
(ค่าเฉลี่ยคะแนนการยอมรับของผู้ทดสอบชายและหญิงแตกต่างกัน)
(6.76  7.12)  0
ค่าที (t) 
(0.66) 2 (1.17) 2

25 25
= - 0.36 / 0.27 = - 1.33
เมื่อเปรียบเทียบกับค่าวิกฤตที่  = 0.05 (สมมติฐานสองทาง) จากตารางค่าวิกฤตสาหรับ

การทดสอบค่าที (ตารางภาคผนวกที่ 2) เมื่อ df =
(0.66) 2 (1.17) 2 2
(  )
 25 25 = 37.87
(0.66) 2 2 (1.17) 2 2
( ) ( )
25  25
25  1 25  1
ซึ่งมีค่าเท่ากับ 1.96 พบว่า ค่าที่คานวณได้ มีค่าน้ อยกว่า (ไม่พิจารณาเครื่องหมาย +/-)

ดังนั้นจึงยอมรับสมมติฐานหลักและสรุปว่า ค่าเฉลี่ยคะแนนการยอมรับของผู้ทดสอบเพศชายและหญิง
แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือ ไม่แตกต่างกัน
~ 30 ~
กรณีศึกษา
การทดสอบค่าที
1. กรณีการทดสอบค่าเฉลี่ยของตัวอย่างกับค่าเป้ าหมายที่กาหนด (One sample t-test)

ควรเลือกใช้ การทดสอบค่าทีในลักษณะใด เพราะเหตุใด ตัวอย่างเช่น กรณีท่ี
ต้ องการตรวจสอบว่า ปริมาณไขมันในนา้ นมดิบของคู่ค้ารายหนึ่งมีค่าเท่ากับร้ อยละ
3.0 หรือไม่ท่รี ะดับความเชื่อมั่นร้ อยละ 95 เมื่อสุ่มตัวอย่างนา้ นมดิบมาวิเคราะห์ 5
ครั้ง พบว่ามีปริมาณไขมันเท่ากับ ร้ อยละ 2.6, 2.4, 2.7, 2.5 และ 3.1 ตามลาดับ
2. ผลการวิเคราะห์ปริมาณโปรตีนในเนื้อปลาสองชนิด แต่ละชนิดวิเคราะห์ 5 ครั้งได้ ผล
ดังนี้
ปลาชนิดที่ 1 : 32.9 33.5 33.8 33.2 34.1
ปลาชนิดที่ 2: 30.6 31.7 29.2 32.5 33.1
กรุณาทดสอบว่าค่าเฉลี่ยปริมาณโปรตีนในเนื้อปลาสองชนิดนี้แตกต่างกันหรือไม่
3. การศึกษาปริมาณความชื้นของเครื่องดื่มผงชนิดหนึ่งที่ถูกผลิตโดยใช้ เครื่องทาแห้ งชนิด
พ่นฝอย 2 เครื่อง โดยใช้ วัตถุดบิ และปัจจัยในการผลิตต่างๆ เหมือนกันทุกประการ
พบว่าได้ ผลการทดลองดังต่อไปนี้
ปริมาณความชื้น (ร้ อยละ)

ครั้งที่ 1 ครั้งที่ 2 ครั้งที่ 3 ครั้งที่ 4 ครั้งที่ 5 ครั้งที่ 6 ครั้งที่ 7 ครั้งที่ 8
เครื่องที่ 1 6 8 6 7 7 6 7
เครื่องที่ 2 7 8 7 7 8 8 7 8
กรุณาทดสอบว่าค่าเฉลี่ยปริมาณความชื้นของเครื่องดื่มผงที่ผลิตโดยเครื่องทาแห้ งทั้ง
สองเครื่องแตกต่างกันหรือไม่
~ 31 ~
2.1.3 การใช้โปรแกรมสาเร็จรูปในการวิเคราะห์ขอ้ มูล

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูลโดยการทดสอบค่าที ในที่น้ จี ะขอกล่าวถึงเฉพาะ
โปรแกรมสาเร็จรูป 3 โปรแกรม คือ โปรแกรมไมโครซอฟท์เอกซ์เซล (Microsoft Excel) โปรแกรมเอสพีเอส
เอส (SPSS) และ โปรแกรมอาร์ (R) โดยใช้ ข้อมูลของตัวอย่างที่ 2.1-2.3 เป็ นตัวอย่างของการใช้ โปรแกรม
และเพื่อความสะดวกในการพิมพ์ข้อมูล ควรเลือกพิมพ์ข้อมูลลงในแผ่นงานของโปรแกรมไมโครซอฟท์เอกซ์
เซลก่อน โดยพิมพ์ข้อมูลในตัวอย่างที่ 2.1–2.3 ลงในแผ่นงาน 1–3 ตามลาดับ ดังภาพที่ 2.2–2.4 และบันทึก
ไฟล์ไว้ (ในที่น้ ใี ช้ ช่ อื ไฟล์ T test data.xlsx)
A B C
1 Panel Control Sample
2 1 1 2
3 2 4 5
4 3 1 3
5 4 4 2
6 5 2 4
7 6 2 2
8 7 3 3
9 8 0 2
10 9 6 7
11 10 7 6
12 11 0 1
13 12 1 3
14 13 4 2
15 14 1 3
16 15 4 3
17 16 2 2
18 17 2 3
19 18 4 4
20 19 3 4
21 20 0 2
22 21 5 4
ภาพที่ 2.2 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.1 ในโปรแกรมไมโครซอฟท์เอกซ์เซล
~ 32 ~
A B
1 Gender Score
2 M 6
3 M 8
4 M 6
5 M 7
6 M 7
7 M 6
8 M 7
9 F 7
10 F 8
11 F 6
12 F 7
13 F 7
14 F 7
15 F 7
16 F 7
17 F 6
A B
1 Gender Score 15 M 7 29 F 7 43 F 8
2 M 6 16 M 6 30 F 7 44 F 9
3 M 7 17 M 7 31 F 8 45 F 5
4 M 8 18 M 6 32 F 7 46 F 9
5 M 6 19 M 7 33 F 6 47 F 5
6 M 6 20 M 7 34 F 7 48 F 6
7 M 6 21 M 8 35 F 8 49 F 8
8 M 8 22 M 7 36 F 7 50 F 8
9 M 7 23 M 6 37 F 6 51 F 8
10 M 7 24 M 6 38 F 7 52
11 M 7 25 M 7 39 F 8 53
12 M 7 26 M 7 40 F 6 54
13 M 6 27 F 7 41 F 6 55
14 M 7 28 F 6 42 F 9 56
~ 33 ~
2.1.3.1 โปรแกรมไมโครซอฟท์เอกซ์เซล (Excel Easy, n.d.)

การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับการทดสอบค่าที ในที่น้ แี นะนาให้ ใช้ คาสัง่ ใน Data
Analysis (Add-in) ในกรณีท่โี ปรแกรมไมโครซอฟท์เอกซ์เซลยังไม่มคี าสั่ง “Data Analysis” (พบได้ ในช่อง
Analysis (ด้ านขวามือ) ของแถบคาสั่งในส่วนของข้ อมูล) สามารถติดตั้งได้ โดยมีข้นั ตอนดังต่อไปนี้
1. คลิกแถบคาสั่ง “แฟ้ ม” ตามด้ วยคาสั่ง “ตัวเลือก”
2. กล่อง “ตัวเลือกของ Excel” จะปรากฏขึ้น คลิก “Add-in”
3. รายละเอียดเกี่ยวกับ Add-in จะปรากฏขึ้น คลิก “ไป” ด้ านท้ าย “จัดการ: Add-in ของ Excel”
ทางด้ านล่างของกล่อง “ตัวเลือกของ Excel”
4. กล่อง “Add-in” จะปรากฏขึ้น คลิกเลือก “Analysis ToolPak” และ “Analysis ToolPak –
VBA” และคลิก “ตกลง”
5. คาสั่ง “Data Analysis” จะปรากฏขึ้นในช่อง Analysis (ด้ านขวามือ) ของแถบคาสั่งในส่วนของ
ข้ อมูล
เมื่อต้ องการทดสอบค่าทีของตัวอย่างที่ 2.1 โดยใช้ คาสัง่ ใน Data Analysis (Add-in) สามารถคานวณ

ได้ โดยมีข้นั ตอนดังต่อไปนี้
1. พิมพ์ข้อมูลหรือเปิ ดไฟล์ข้อมูลดังภาพที่ 2.2
2. คลิกแถบคาสั่ง “ข้ อมูล” ตามด้ วยคาสั่ง “Data Analysis”
3. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “t-Test: Paired Two Sample for Means” และ
คลิก “OK”
4. กล่อง “t-Test: Paired Two Sample for Means” จะปรากฏขึ้น คลิก ช่อง “Variable 1
Range:” เลือกช่วงของข้ อมูลกลุ่มที่ 1 (ตัวอย่าง 2.1 คือ B2:B22)
5. คลิก ช่อง “Variable 2 Range:” เลือกช่วงของข้ อมูลกลุ่มที่ 2 (ตัวอย่าง 2.1 คือ C2:C22)
6. คลิกช่อง “Hypothesized Mean Difference:” และพิมพ์ “0”
7. คลิกเลือก “Output Range:”
8. คลิกช่อง “Output Range:” เลือกเซลล์ท่ตี ้ องการให้ เป็ นจุดเริ่มต้ นของผลการคานวณ
9. คลิก “OK”
10. ตาราง t-Test: Paired Two Sample for Means จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่เี ลือกไว้ ในข้ อ
8 ดังตารางที่ 2.3
จากตารางที่ 2.3 ค่าทีท่คี านวณได้ คอื ค่า “t Stat” ซึ่งมีค่าเท่ากับ -1.808 และสามารถพิจารณาความ
แตกตางของค่าเฉลี่ยได้ จากค่า “P(T<=t)two tail” หากพบว่า มีค่าน้ อยกว่าหรือเท่ากับ 0.05 แสดงว่า ค่าเฉลี่ย
ของข้ อมูลสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (ปฏิเสธสมมติฐานหลัก) แต่ถ้าค่าดังกล่าว มีค่า
มากกว่า 0.05 แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ หรือ ไม่ แตกต่าง
กัน (ยอมรับสมมติฐานหลัก) ซึ่งในตัวอย่างที่ 2.1 นี้ ค่า “P(T<=t)two tail” มีค่าเท่ากับ 0.086 ซึ่งมากกว่า
0.05 แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือ ไม่
แตกต่างกัน
~ 34 ~
ตารางที่ 2.3 ผลการคานวณค่าทีของตัวอย่างที่ 2.1 โดยใช้ คาสัง่ ใน Data Analysis

โปรแกรมไมโครซอฟท์เอกซ์เซล ( t-Test: Paired Two Sample for Means)
Variable 1 Variable 2
Mean 2.667 3.190
Variance 3.933 2.162
Observations 21 21
Pearson Correlation 0.743
Hypothesized Mean Difference 0
df 20
t Stat -1.808
P(T<=t) one-tail 0.043
t Critical one-tail 1.724
P(T<=t) two-tail 0.086
t Critical two-tail 2.086
เมื่อต้ องการทดสอบค่าทีของตัวอย่างที่ 2.2 โดยใช้ คาสัง่ ใน Data Analysis สามารถคานวณได้ โดยมี

ขั้นตอนดังต่อไปนี้
1. พิมพ์ข้อมูลหรือเปิ ดไฟล์ข้อมูลดังภาพที่ 2.3
3. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “F-Test Two-Sample for Variances” และคลิก
“OK”
4. กล่อง “F-Test Two-Sample for Variances” จะปรากฏขึ้น คลิก ช่อง “Variable 1 Range:”
เลือกช่วงของข้ อมูลกลุ่มที่ 1 (ตัวอย่าง 2.2 คือ B2:B8)
5. คลิก ช่อง “Variable 2 Range:” เลือกช่วงของข้ อมูลกลุ่มที่ 2 (ตัวอย่าง 2.2 คือ B9:B17)
6. คลิกเลือก “Output Range:” คลิกช่อง “Output Range:” เลือกเซลล์ท่ตี ้ องการให้ เป็ นจุดเริ่มต้ น
ของผลการคานวณ และคลิก “OK”
7. ตาราง F-Test Two-Sample for Variance จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่เี ลือกไว้ ในข้ อ 6 ดัง
ตารางที่ 2.4
จากตารางที่ 2.4 ค่าเอฟที่คานวณได้ คอื ค่า “F” ซึ่งมีค่าเท่ากับ 1.582 และสามารถพิจารณาความ

แตกตางของความแปรปรวนของข้ อมูลทั้งสองกลุ่มได้ จากค่า “P(F<=f)one tail” หากพบว่า มีค่าน้ อยกว่าหรือ
เท่ากับ 0.05 แสดงว่า ความแปรปรวนของข้ อมูลสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (ปฏิเสธ
สมมติฐานหลัก) แต่ถ้าค่าดังกล่าว มีค่ามากกว่า 0.05 แสดงว่า ความแปรปรวนของข้ อมูลสองกลุ่มแตกต่าง
กันอย่างไม่มนี ัยสาคัญทางสถิติ หรือ ไม่แตกต่างกัน (ยอมรับสมมติฐานหลัก) ซึ่งในตัวอย่างที่ 2.2 นี้ ค่า
“P(F<=f)one tail” มีค่าเท่ากับ 0.267 ซึ่งมากกว่า 0.05 แสดงว่า ความแปรปรวนของข้ อมูลสองกลุ่ม
แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือ ไม่แตกต่างกัน
~ 35 ~
ตารางที่ 2.4 ผลการคานวณค่าเอฟของตัวอย่างที่ 2.2 โดยใช้ คาสั่ง ใช้ คาสั่งใน Data Analysis
โปรแกรมไมโครซอฟท์เอกซ์เซล (F-Test Two-Sample for Variances)
Mean 6.714 6.889
Observations 7 9
df 6 8
F 1.582
P(F<=f) one-tail 0.267
F Critical one-tail 3.581

9. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “t-Test Two-Sample Assuming Equal
Variances” และคลิก “OK”
10. กล่อง “t-Test Two-Sample Assuming Equal Variances” จะปรากฏขึ้น คลิก ช่อง “Variable
1 Range:” เลือกช่วงของข้ อมูลกลุ่มที่ 1 (ตัวอย่าง 2.2 คือ B2:B8)
11. คลิก ช่อง “Variable 2 Range:” เลือกช่วงของข้ อมูลกลุ่มที่ 2 (ตัวอย่าง 2.2 คือ B9:B17)
16. ตาราง t-Test: Two-Sample Assuming Equal Variances จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่ี
เลือกไว้ ในข้ อ 14 ดังตารางที่ 2.5
จากตารางที่ 2.5 ค่าทีท่คี านวณได้ คือ ค่า “t Stat” ซึ่งมีค่าเท่ากับ -0.516 และสามารถพิจารณา
ความแตกตางของค่าเฉลี่ยได้ จากค่า “P(T<=t)two tail” หากพบว่า มีค่าน้ อยกว่าหรือเท่ากับ 0.05 แสดงว่า
ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (ปฏิเสธสมมติฐานหลัก) แต่ถ้าค่าดังกล่าว มี
ค่ามากกว่า 0.05 แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ หรือ ไม่
แตกต่างกัน (ยอมรับสมมติฐานหลัก) ซึ่งในตัวอย่างที่ 2.2 นี้ ค่า “P(T<=t)two tail” มีค่าเท่ากับ 0.614 ซึ่ง
มากกว่า 0.05 แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือ
ไม่แตกต่างกัน
~ 36 ~
ตารางที่ 2.5 ผลการคานวณค่าทีของตัวอย่างที่ 2.2 โดยใช้ คาสัง่ ใช้ คาสั่งใน Data Analysis
โปรแกรมไมโครซอฟท์เอ็กซ์เซล (t-Test: Two-Sample Assuming Equal Variances)
Mean 6.714 6.889
Observations 7 9
Pooled Variance 0.451
df 14
t Stat -0.516
สาหรับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลในการทดสอบค่าที โดยใช้ ข้อมูลจากตัวอย่างที่ 2.3 มี

ขั้นตอนเช่นเดียวกับตัวอย่างที่ 2.2 ทุกประการ แต่เปลี่ยนเป็ นการพิมพ์ข้อมูลดังภาพที่ 2.4 และในข้ อ 4 และ
10 เลือกช่วงของข้ อมูลกลุ่มที่ 1 เป็ น B27:B51 ส่วนในข้ อ 5 และ 11 เลือกช่วงของข้ อมูลกลุ่มที่ 2 เป็ น
B2:B26 (เพื่อให้ โปรแกรมคานวณค่าเอฟโดยใช้ ค่ามากเป็ นตัวตั้ง)
แต่ผลการคานวณที่ได้ ตามข้ อ 7 สาหรับตัวอย่างที่ 2.3 จะพบว่า ค่าเอฟที่คานวณได้ (F) มีค่าเท่ากับ
3.091 และค่า “P(F<=f)” มีค่าเท่ากับ 0.004 ซึ่งน้ อยกว่า 0.05 แสดงว่า ความแปรปรวนของข้ อมูลทั้งสอง
กลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (p<0.05) ดังตารางที่ 2.6 (ในกรณีท่ใี ช้ ข้อมูลกลุ่มที่ 1 เป็ น
B2:B26 และข้ อมูลกลุ่มที่ 2 เป็ น B27:B51 โปรแกรมก็สามารถคานวณได้ เช่นเดียวกัน แต่ค่าเอฟที่คานวณ
ได้ จะมีค่าเท่ากับ 0.324 แต่สามารถดูผลความแตกต่างของความแปรปรวนได้ จากค่า “P(F<=f)” มีค่าเท่ากับ
0.004 เช่นกัน)
ดังนั้นในข้ อ 9 ให้ เลือกคลิกที่ “t-Test Two-Sample Assuming Unequal Variances” แทน ผล
การคานวณที่ได้ จะพบว่า ค่าทีท่คี านวณได้ คอื ค่า “t Stat” ซึ่งมีค่าเท่ากับ 1.341 และสามารถพิจารณาความ
แตกตางของค่าเฉลี่ยได้ จากค่า “P(T<=t)two tail” ซึ่งในตัวอย่างที่ 2.3 นี้ ค่า “P(T<=t)two tail” มีค่าเท่ากับ
0.188 ซึ่งมากกว่า 0.05 แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ยั สาคัญทางสถิติ
(p>0.05) หรือ ไม่แตกต่างกัน (ในกรณีท่ใี ช้ ข้อมูลกลุ่มที่ 1 เป็ น B2:B26 และข้ อมูลกลุ่มที่ 2 เป็ น B27:B51
โปรแกรมก็สามารถคานวณได้ เช่นเดียวกัน แต่ค่าทีท่คี านวณได้ จะมีค่าเท่ากับ -1.341 แต่สามารถดูผลความ
แตกต่างของค่าเฉลี่ยได้ จากค่า “P(T<=t)two tail” ซึ่งมีค่าเท่ากับ 0.188 เช่นกัน)
~ 37 ~
ตารางที่ 2.6 ผลการคานวณค่าเอฟของตัวอย่างที่ 2.3 โดยใช้ คาสั่ง ใช้ คาสั่งใน Data Analysis
โปรแกรมไมโครซอฟท์เอกซ์เซล (F-Test Two-Sample for Variances)
Mean 7.12 6.76
Variance 1.36 0.44
Observations 25 25
df 24 24
F 3.091
P(F<=f) one-tail 0.004
F Critical one-tail 1.98
ตารางที่ 2.7 ผลการคานวณค่าทีของตัวอย่างที่ 2.3 โดยใช้ คาสัง่ ใช้ คาสั่งใน Data Analysis
โปรแกรมไมโครซอฟท์เอกซ์เซล (t-Test: Two-Sample Assuming Unequal Variances)
Mean 7.12 6.76
Variance 1.36 0.44
Observations 25 25
df 38
t Stat 1.341
~ 38 ~
2.1.3.2 โปรแกรมเอสพีเอสเอส (SPSS Inc., n.d.)

เมื่อเปิ ดโปรแกรมเอสพีเอสเอสขึ้นมา จะปรากฏหน้ าต่างขึ้น 2 หน้ าต่าง คือ Data Set และ Output
โดยหน้ าต่าง Data set จะปรากฏอยู่หน้ าจอ พร้ อมกล่อง SPSS สาหรับเลือกเปิ ดไฟล์ข้อมูล ส่วนหน้ าต่าง
Output จะซ้ อนอยู่ด้านหลัง
กรณีมไี ฟล์ข้อมูลในโปรแกรมเอสพีเอสเอสอยู่แล้ ว ให้ คลิกเลือกไฟล์ข้อมูลที่ต้องการ และคลิก “OK”

ในกล่อง SPSS แล้ วจึงข้ ามไปทาขั้นตอนการวิเคราะห์ข้อมูล ส่วนกรณีท่มี ไี ฟล์ข้อมูลในโปรแกรมไมโครซอฟท์
เอกซ์เซล ให้ คลิก “Cancel” ในกล่อง SPSS หรือ คลิกปิ ดกล่อง SPSS และทาตามขั้นตอนดังต่อไปนี้
1. คลิกคาสั่ง “File” (ด้ านบนซ้ ายของหน้ าจอ) เลื่อนมาที่ “Open” และคลิก “Data…”
2. กล่อง “Open Data” จะปรากฏขึ้น คลิกเลือกไฟล์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซลที่
บันทึกไว้ (ในที่น้ ใี ช้ ช่ อื ไฟล์ T test data.xlsx) และคลิก “Open”
3. กล่อง “Open Excel Data Source” จะปรากฏขึ้น คลิกเลือก “Worksheet” ที่มขี ้ อมูลที่ต้องการ
อยู่ (ตัวอย่างที่ 2.1, 2.2 และ 2.3 เลือก Sheet 1, 2 และ 3 ตามลาดับ) และคลิก “Continue”
4. หน้ าต่าง “Data Set” ที่มขี ้ อมูลครบจะปรากฏขึ้น
การใช้ โปรแกรมเอสพีเอสเอสสาหรับการทดสอบค่าที โดยใช้ ข้อมูลจากตัวอย่างที่ 2.1 มีข้นั ตอน

1. คลิกคาสั่ง “Analyze” “Compare Means” และ “Paired Sample T-Test…” ตามลาดับ
2. กล่อง “Paired Sample T-Test…” จะปรากฏขึ้น
3. เลือก “Control” และ “Sample” ใส่ใน “Paired Variable(s):” โดยคลิก “Control” กด Ctrl
ค้ างไว้ และคลิก ”Sample” จากนั้นคลิกลูกศร และคลิก “OK”
4. ตารางสรุปข้ อมูล และตารางค่าที (ตารางที่ 2.8) จะปรากฏขึ้นในหน้ าต่าง Output
จากตารางที่ 2.8 ค่าทีท่คี านวณได้ คอื ค่า “t” ซึ่งมีค่าเท่ากับ -1.808 และสามารถพิจารณาความแตก
ตางของค่าเฉลี่ยได้ จากค่า “Sig. (2- tailed)” หากพบว่า มีค่าน้ อยกว่าหรือเท่ากับ 0.05 แสดงว่า ค่าเฉลี่ยของ
ข้ อมูลสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (ปฏิเสธสมมติฐานหลัก) แต่ถ้าค่าดังกล่าว มีค่ามากกว่า
0.05 แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ หรือ ไม่แตกต่างกัน
(ยอมรับสมมติฐานหลัก) ซึ่งในตัวอย่างที่ 2.1 นี้ ค่า “Sig. (2- tailed)” มีค่าเท่ากับ 0.086 ซึ่งมากกว่า 0.05
แสดงว่า ค่าเฉลี่ยของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือ ไม่แตกต่างกัน
ตารางที่ 2.8 ผลการคานวณค่าทีของตัวอย่างที่ 2.1 โดยใช้ โปรแกรมเอสพีเอสเอส (Paried Samples test)
Paired Differences 95% Confidence Interval

Std. Std. Error Lower Upper Sig.
Mean Deviation Mean t df (2-tailed)
Pair Control -
-0.5238 1.3274 0.2897 -1.1280 0.0804 -1.808 20 0.086
1 Sample
~ 39 ~
การใช้ โปรแกรมเอสพีเอสเอสสาหรับการทดสอบค่าที โดยใช้ ข้อมูลจากตัวอย่างที่ 2.2 มีข้นั ตอน

1. คลิกคาสั่ง “Analyze” “Compare Means” และ “Independent Sample T-Test…” ตามลาดับ
2. กล่อง “Independent Sample T-Test…” จะปรากฏขึ้น
3. เลือก “Score” ใส่ใน “Test Variable(s):” และเลือก “Gender” ใส่ใน “Grouping Variable:”
4. คลิก “Define Groups…” พิมพ์ “M” ในช่อง “Group 1:” และพิมพ์ “F” ในช่อง “Group 2:”
ตามลาดับ แล้ วคลิก “Continue”
6. ตารางสรุปข้ อมูล และตารางค่าที (ตารางที่ 2.9) จะปรากฏขึ้นในหน้ าต่าง Output
โดยในตารางค่าที (ตารางที่ 2.9) จะมีท้งั ผลการทดสอบค่าเอฟและค่าทีมาให้ ซึ่งต้ องเลือกพิจารณา

ค่าทีตามผลการทดสอบค่าเอฟว่า ความแปรปรวนของข้ อมูลทั้งสองกลุ่มแตกต่างกันหรือไม่ (แต่โปรแกรมเอส
พีเอสเอสจะใช้ วิธที ดสอบค่าเอฟที่แตกต่างออกไป ค่าเอฟที่ได้ จึงไม่เท่ากับค่าที่คานวณจากสมการ 2.1.1 แต่
สามารถพิจารณาความแตกต่างของความแปรปรวนได้ จากค่า “Sig.” ของการทดสอบค่าเอฟ)
สาหรับตัวอย่างที่ 2.2 นี้ ค่า “Sig.” ของการทดสอบค่าเอฟมีค่าเท่ากับ 0.305 ซึ่งมากกว่า 0.05
แสดงว่า ความแปรปรวนของข้ อมูลทั้งสองกลุ่มไม่แตกต่างกัน (ยอมรับสมมติฐานหลัก) จึงต้ องพิจารณาค่าที
จากส่วนที่ความแปรปรวนของข้ อมูลเท่ากัน ซึ่งมีค่าเท่ากับ -0.516 และมีค่า “Sig. (2-tailed)” เท่ากับ 0.614
ซึ่งมากกว่า 0.05 แสดงว่า ค่าเฉลี่ยของของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05)
หรือ ไม่แตกต่างกัน
ตารางที่ 2.9 ผลการคานวณค่าทีของตัวอย่างที่ 2.2 โดยใช้ โปรแกรมเอสพีเอสเอส

(Independent Samples test)
Levene' s Test for

Equality of Variances t-test for Equality of Means
95%
Confidence
Interval
Sig. Mean Std. Error
F Sig. t df (2-tailed) Difference Difference Lower Upper
Equal
variances
Score assumed 1.136 0.305 -0.516 14 0.614 -0.175 0.339 -0.901 0.551
Equal
variances
not
assumed -0.5 11.3 0.626 -0.175 0.349 -0.94 0.591
~ 40 ~
สาหรับการใช้ โปรแกรมเอสพีเอสเอสในการทดสอบค่าที โดยใช้ ข้อมูลจากตัวอย่างที่ 2.3 สามารถทา

ได้ เช่นเดียวกันกับการวิเคราะห์ข้อมูลจากตัวอย่างที่ 2.2 ทุกประการ และจะได้ ผลการวิเคราะห์ข้อมูลดังตาราง
ที่ 2.10 ซึ่งพบว่า ค่า “Sig.” ของการทดสอบค่าเอฟมีค่าเท่ากับ 0.011 (น้ อยกว่า 0.05) แสดงว่า ความ
แปรปรวนของข้ อมูลทั้งสองกลุ่มแตกต่างกันอย่างมีนัยสาคัญทางสถิติ (p<0.05) (ปฏิเสธสมมติฐานหลัก) จึง
ต้ องพิจารณาค่าทีจากส่วนที่ความแปรปรวนของข้ อมูลไม่เท่ากัน ซึ่งมีค่าเท่ากับ -1.342 และมีค่า “Sig. (2-
tailed)” เท่ากับ 0.188 (มากกว่า 0.05) แสดงว่า ค่าเฉลี่ยของของข้ อมูลสองกลุ่มแตกต่างกันอย่างไม่มี
นัยสาคัญทางสถิติ (p>0.05) หรือ ไม่แตกต่างกัน
ตารางที่ 2.10 ผลการคานวณค่าทีของตัวอย่างที่ 2.3 โดยใช้ โปรแกรมเอสพีเอสเอส

(Independent Samples test)
Levene' s Test for

Equality of Variances t-test for Equality of Means
95%
Confidence
Interval
Sig. Mean Std. Error
F Sig. t df (2-tailed) Difference Difference Lower Upper
Equal
variances
Score assumed 7.031 0.011 -1.342 48 0.186 -0.360 0.268 -0.900 0.180
Equal
variances
not
assumed -1.342 38.06 0.188 -0.360 0.268 -0.903 0.183
~ 41 ~
2.1.3.3 โปรแกรมอาร์ (R Core Team, 2017)

โปรแกรมอาร์สามารถดาวน์โหลดได้ ฟรีจากเว็บไซด์ https://cran.r-project.org/bin/windows/base/
โดยคลิก “Download R 3.4.3 for Windows” เมื่อการดาวน์โหลดสาเร็จ จะได้ ไฟล์ R-3.4.3-win.exe ใน
โฟลเดอร์ Downloads (โปรแกรมอาร์จะมีการปรับปรุงเป็ นระยะๆ ท่านอาจพบเวอร์ชนั ที่สงู กว่านี้)
เมื่อต้ องการติดตั้งโปรแกรมในเครื่อง ทาตามขั้นตอนดังต่อไปนี้

1. ดับเบิลคลิกที่ไฟล์ดงั กล่าว
2. กล่อง “Select Setup Language” จะปรากฏขึ้น คลิกเลือก “English” และคลิก “OK”
3. กล่อง “Setup R for Windows 3.4.3” จะปรากฏขึ้น คลิก “Next >”
4. ข้ อมูลในกล่องจะเปลี่ยนเป็ น Select Destination Location โดยระบบจะเลือก C:\Program
Files\R\R-3.4.3 ไว้ ให้ อตั โนมัติ หากไม่ต้องการเปลี่ยนแปลง คลิก “Next >”
5. ข้ อมูลในกล่องจะเปลี่ยนเป็ น Select Components คลิก “Next >”
6. ข้ อมูลในกล่องจะเปลี่ยนเป็ น Startup options คลิก “Next >”
7. ข้ อมูลในกล่องจะเปลี่ยนเป็ น Select Start Menu Folder โดยระบบจะเลือก R ไว้ ให้ อตั โนมัติ หาก
ไม่ต้องการเปลี่ยนแปลง คลิก “Next >”
8. ข้ อมูลในกล่องจะเปลี่ยนเป็ น Select Additional Tasks คลิก “Next >”
9. ข้ อมูลในกล่องจะเปลี่ยนเป็ น Installing รอจนกระทั่งกระบวนการเสร็จสิ้น ข้ อมูลในกล่องจะ
เปลี่ยนเป็ น Completing the R for Windows คลิก “Finish”
เมื่อการติดตั้งโปรแกรมเสร็จสมบูรณ์ จะพบ Icon R 2 แบบ คือ Ri386 3.4.3 (32 bit) และ Rx64
3.4.3 (64 bit) ปรากฏที่หน้ า Desktop
เมื่อต้ องการเปิ ดโปรแกรม (เลือกดับเบิลคลิก Ri386 3.4.3 (32 bit) หรือ Rx64 3.4.3 (64 bit))
จะพบหน้ าต่าง R Console จากนั้นให้ ทาตามขั้นตอนดังต่อไปนี้
1. คลิก “Packages” (ด้ านบนซ้ ายของหน้ าจอ) และคลิก “set CRAN mirror…”
2. กล่อง “Secure CRAN mirror” จะปรากฏขึ้น คลิกเลือก “Thailand” (ถ้ าไม่พบ เลือก
ประเทศใกล้ เคียง เช่น Malaysia, China หรือ Japan เป็ นต้ น) และคลิก “OK”
3. คลิก “Packages” และคลิก “Install Packages…”
4. กล่อง “Packages” จะปรากฏขึ้น เลือก “Rcmdr” และคลิก “OK” และรอจนกระทั่ง
กระบวนการเสร็จสมบูรณ์
5. คลิก “Packages” และคลิก “Load Packages…”
6. กล่อง “Select One” จะปรากฏขึ้น เลือก “Rcmdr” และคลิก “OK”
(หากพบข้ อความ “Error : ….” ปรากฏขึ้นในหน้ าต่าง R Console ให้ ย้อนขึ้นไปดูบรรทัดก่อน
หน้ าว่า มีข้อความ “Loading required package: …” อะไรปรากฏขึ้นบ้ าง แล้ วย้ อนไปทาข้ อ
3-4 โดยเลือก Package ตามข้ อความที่ปรากฏจนครบ แล้ วจึงทาข้ อ 5-6 ใหม่อกี ครั้ง
หรือหากมีกล่อง “the following packages used by Rcmdr are missing…” ปรากฏขึ้น
คลิก “Yes” กล่อง Install Missing Packages จะปรากฏขึ้น คลิก “OK”)
และรอจนกระทัง่ กระบวนการเสร็จสมบูรณ์
~ 42 ~
7. หน้ าต่าง R Commander จะปรากฏขึ้น

หมายเหตุ - ข้ อ 1–4 จาเป็ นต้ องทาในกรณีเริ่มใช้ โปรแกรมครั้งแรกเท่านั้น สาหรับการใช้
โปรแกรมครั้งต่อๆ ไป สามารถเริ่มต้ นได้ ท่ขี ้ อ 5 เนื่องจาก Rcmdr Package ถูก
Install ไว้ แล้ ว
- กรณีต้องรอให้ แต่ละกระบวนการเสร็จสมบูรณ์ สามารถสังเกตได้ จากเครื่องหมาย
> สีแดงที่จะปรากฏขึ้นในบรรทัดใหม่ของหน้ าต่าง R Console เมื่อแต่ละกระบวนการ
เสร็จสมบูรณ์แล้ ว
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.1 ให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander

1. คลิก “Data” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อน Cursor มาที่ “Import Data” และคลิก “from
Excel file…”
2. กล่อง “Import Excel Data Set” จะปรากฏขึ้น พิมพ์ต้งั ชื่อไฟล์ข้อมูล (ระบบจะพิมพ์ช่อื
“Dataset” ไว้ ให้ ) และคลิก “OK” (กรณีไม่พิมพ์ช่ อื ไฟล์ข้อมูลใหม่ หากกล่อง “Data set
Dataset already exist. Overwrite data set?” ปรากฏขึ้น คลิก “Yes”)
3. กล่อง “Open” จะปรากฏขึ้น คลิกเลือกไฟล์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซลที่บนั ทึก
ไว้ (ในที่น้ ใี ช้ ช่ อื ไฟล์ T test data.xlsx) และคลิก “Open”
4. กล่อง “Select One Table” จะปรากฏขึ้น คลิกเลือกแผ่นงานที่พิมพ์ตารางข้ อมูลไว้ (ตัวอย่างที่
2.1 เลือก Sheet 1) และคลิก “OK”
5. คลิก “View Data Set” หากต้ องการตรวจสอบตารางข้ อมูล
6. คลิก “Statistics” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อนมาที่ “Means” แล้ วคลิก “Paired t-test…”
7. กล่อง “Paired t-test” จะปรากฏขึ้น คลิกเลือกข้ อมูลที่ต้องการวิเคราะห์ในช่อง “First
Variable” และ “Second Variable” (ตัวอย่างที่ 2.1 คือ Control และ Sample ตามลาดับ หรือ
สลับกัน)
8. คลิก “OK” หรือ “Apply”
ผลการคานวณจะปรากฏขึ้นในช่อง Output ของหน้ าต่าง R Commander เป็ นข้ อความดังภาพที่ 2.5

ซึ่งให้ ผลเหมือนกับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลและโปรแกรมเอสพีเอสเอส
~ 43 ~
Paired t-test
data: Control and Sample.

t = -1.8084, df = 20, p-value = 0.08561
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.12802001 0.08040097
sample estimates:
mean of the differences
-0.5238095
ภาพที่ 2.5 ผลการคานวณค่าทีของตัวอย่างที่ 2.1 โดยใช้ โปรแกรมอาร์
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.3 ให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander

Excel file…”
2. กล่อง “Import Excel Data Set” จะปรากฏขึ้น พิมพ์ต้งั ชื่อไฟล์ข้อมูล (ระบบจะพิมพ์ช่อื
“Dataset” ไว้ ให้ ) และคลิก “OK”
3. (กรณีไม่พิมพ์ช่ อื ไฟล์ข้อมูลใหม่ หากกล่อง “Data set Dataset already exist. Overwrite data
set?” ปรากฏขึ้น คลิก “Yes”) กล่อง “Open” จะปรากฏขึ้น คลิกเลือกไฟล์ข้อมูลในโปรแกรม
ไมโครซอฟท์เอกซ์เซลที่บนั ทึกไว้ (ในที่น้ ใี ช้ ช่ อื ไฟล์ T test data.xlsx) และคลิก “Open”
4. กล่อง “Select One Table” จะปรากฏขึ้น คลิกเลือกแผ่นงานที่พิมพ์ตารางข้ อมูลไว้ (ตัวอย่างที่
2.3 เลือก Sheet 3) และคลิก “OK”
6. คลิก “Statistics” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อนมาที่ “Means” แล้ วคลิก “Independent
samples t-test…”
7. กล่อง “Independent samples t-test” จะปรากฏขึ้น คลิกเลือกข้ อมูลที่ใช้ ในการระบุกลุ่มและ
ข้ อมูลที่ต้องการเปรียบเทียบในช่อง “Groups” และ “Response Variable” ( ตัวอย่างที่ 2.3 คือ
Gender และ Score ตามลาดับ)

ซึ่งให้ ผลเหมือนกับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลและโปรแกรมเอสพีเอสเอส
แต่คาสั่ง “Independent samples t-test…” ใน R Commander ของโปรแกรมอาร์น้ ี จะคานวณค่าที

ให้ โดยใช้ สมการในกรณีความแปรปรวนของข้ อมูลสองกลุ่มไม่เท่ากันเท่านั้น จึงไม่สามารถใช้ คานวณผลการ
ทดลองของตัวอย่างที่ 2.2 ได้ อย่างถูกต้ อง
~ 44 ~
Welch Two Sample t-test
data: Score by Gender

t = 1.3416, df = 38.058, p-value = 0.1877
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.1831748 0.9031748
sample estimates:
mean in group F mean in group M
7.12 6.76
ภาพที่ 2.6 ผลการคานวณค่าทีของตัวอย่างที่ 2.3 โดยใช้ โปรแกรมอาร์
~ 45 ~
เฉลยกรณีศึกษา
การทดลองค่าที
1. การทดสอบค่าเฉลี่ยของตัวอย่างกับค่าเป้ าหมายที่กาหนด (One sample t-test) ควร

เลือกใช้ การทดสอบค่าทีในกรณีข้อมูลทั้งสองกลุ่มไม่เป็ นอิสระต่อกัน (Dependent t-
test) เนื่องจากเป็ นการทดสอบความแตกต่างระหว่างข้ อมูลแต่ละค่าและค่าเป้ าหมายที่
กาหนด โดยใช้ ส่วนเบี่ยงเบนมาตรฐานของตัวอย่างเป็ นตัวหารของผลต่างระหว่าง
ค่าเฉลี่ยของข้ อมูลและค่าเป้ าหมายที่กาหนดเพื่อหาค่าที เนื่องจากเมื่อนาค่าคงที่มา
บวกหรือลบกับข้ อมูลแต่ละค่าแล้ ว ส่วนเบี่ยงเบนมาตรฐานของข้ อมูลชุดใหม่ท่ไี ด้ จะ
ยังคงมีค่าเท่ากับข้ อมูลชุดเดิม
- กรณีท่ตี ้ องการตรวจสอบว่า ปริมาณไขมันในนา้ ดิบของคู่ค้ารายหนึ่งมีค่าเท่ากับร้ อยละ
3.0 หรือไม่ท่รี ะดับความเชื่อมั่นร้ อยละ 95 เมื่อสุ่มตัวอย่างมาวิเคราะห์ 5 ครั้งแล้ ว
พบว่า มีปริมาณไขมันเท่ากับ ร้ อยละ 2.6, 2.4, 2.7, 2.5 และ 3.1 ตามลาดับ ผล
การคานวณพบว่า ค่าทีท่คี านวณได้ มคี ่าเท่ากับ -2.814 (ซึ่งมีค่ามากกว่า 2.77 (ค่า
วิกฤตที่  = 0.05, df = 4 จากตารางภาคผนวกที่ 2) เมื่อไม่พิจารณาเครื่องหมาย)
- เมื่อคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล ด้ วยคาสัง่ ใน Data Analysis
(Add-in) เริ่มต้ นด้ วยการป้ อนข้ อมูล (2.6, 2.4, 2.7, 2.5 และ 3.1) ในเซลล์
A1:A5 และค่าเป้ าหมาย (3) ในเซลล์ B1:B5 จากนั้นเลือกแถบคาสั่ง “ข้ อมูล” ตาม
ด้ วยคาสั่ง “Data Analysis” “t-Test: Paired Two Sample for Means” คลิก “OK”
คลิก ช่อง “Variable 1 Range:” เลือกช่วงของข้ อมูลที่พิมพ์ไว้ (A1:A5) คลิก ช่อง
“Variable 2 Range:” เลือกช่วงของค่าเป้ าหมายที่พิมพ์ไว้ (B1:B5) คลิกช่อง
“Hypothesized Mean Difference:” และพิมพ์ “0” คลิกเลือก “Output Range:”
คลิกช่อง “Output Range:” เลือกเซลล์ท่ตี ้ องการให้ เป็ นจุดเริ่มต้ นของผลการคานวณ
และคลิก “OK”
- เมื่อคานวณโดยใช้ โปรแกรมเอสพีเอสเอส เริ่มต้ นจากการป้ อนข้ อมูลในสดมภ์ใด
สดมภ์หนึ่ง จากนั้นเลือกคาสั่ง “Analyze” “Compare Means” และ “One Sample
T-Test…” ตามลาดับ แล้ วเลือกสดมภ์ข้อมูลใส่ในกล่อง “Test Variable(s)” คลิก
ช่อง “Test Value:” แล้ วพิมพ์ “3” และคลิก “OK”
- เมื่อคานวณโดยใช้ โปรแกรมอาร์ เริ่มต้ นจากการป้ อนข้ อมูลโดยการ คลิกคาสั่ง
“Data” และ คลิก “New data set…” กล่อง “New data set” จะปรากฏขึ้น พิมพ์ช่ อื
ไฟล์ข้อมูลลงไป ตัวอย่างเช่น “Dataset 1” และ คลิก “OK” กล่อง “Dataset 1” จะ
ปรากฏขึ้น ในกรณีน้ ใี ห้ คลิก “Add Row” จนครบ 5 แถว แล้ วพิมพ์ข้อมูลลงไปในแต่
ละแถว และ คลิก “OK” จากนั้นคลิก “Statistics” เลื่อนมาที่ “Means” แล้ วคลิก
“Single sample t-test…” กล่อง “Single sample t-test” จะปรากฏขึ้น พิมพ์ค่า
เป้ าหมาย (3) ในช่อง “Null Hypothesis: mu =” และคลิก “OK” หรือ “Apply”
~ 46 ~
การทดลองค่าที (ต่อ)
2. กรณีการทดสอบค่าเฉลี่ยปริมาณโปรตีนในเนื้อปลาสองชนิด เนื่องจากไม่มขี ้ อมูลหรือ

หลักการใดๆ ที่แสดงให้ เห็นว่า ข้ อมูลที่ได้ มาแต่ละครั้งไม่เป็ นอิสระต่อกัน จึงควรถือ
ว่า ข้ อมูลสองกลุ่มนี้เป็ นอิสระต่อกัน ดังนั้นจึงควรมีการทดสอบค่าเอฟเพื่อพิจารณา
ความแปรปรวนของข้ อมูลทั้งสองกลุ่มก่อนที่จะเลือกสมการสาหรับการทดสอบค่าทีท่ี
เหมาะสม ผลการวิเคราะห์ข้อมูล พบว่า
n1 = 5, X 1  33.5 , S1 = 0.47
n2 = 5, X 2  31.4 , S2 = 1.55
F = 10.88 (มีค่ามากกว่า 6.39 (ค่าวิกฤตจากตารางภาคผนวกที่ 1 เมื่อ  = 0.05,
df1 = 4 และ df2 = 4)) แสดงว่า ความแปรปรวนของข้ อมูลทั้งสองกลุ่มแตกต่างกัน
อย่างมีนัยสาคัญทางสถิติ (p<0.05)
t = 2.92 (มีค่ามากกว่า 2.571 (ค่าวิกฤตที่  = 0.05 (สมมติฐานสองทาง), df =
4.73 (ประมาณ 5) จากตารางภาคผนวกที่ 2)) แสดงว่า ค่าเฉลี่ยของปริมาณโปรตีนใน
เนื้อปลาชนิดที่ 1 และ 2 แตกต่ างกันอย่ างมีนัยสาคัญทางสถิติ (p<0.05) หรือ
ค่ า เฉลี่ย ของปริ มาณโปรตีน ในเนื้ อปลาชนิด ที่ 1 มีค่า มากกว่ าปลาชนิด ที่ 2 อย่ า งมี
นัยสาคัญทางสถิติ (p<0.05)
3. กรณีการทดสอบค่าเฉลี่ยปริมาณความชื้นของเครื่องดื่มผงที่ผลิตโดยเครื่องทาแห้ งชนิด
พ่นฝอย 2 เครื่อง เนื่องจากไม่มขี ้ อมูลหรือหลักการใดๆ ที่แสดงให้ เห็นว่า ข้ อมูลที่
ได้ มาแต่ละครั้งไม่เป็ นอิสระต่อกัน จึงควรถือว่า ข้ อมูลสองกลุ่มนี้เป็ นอิสระต่อกัน
ดังนั้นจึงควรมีการทดสอบค่าเอฟเพื่อพิจารณาความแปรปรวนของข้ อมูลทั้งสองกลุ่ม
ก่อนที่จะเลือกสมการสาหรับการทดสอบค่าทีท่เี หมาะสม ผลการวิเคราะห์ข้อมูล พบว่า
n1 = 7, X 1  6.71 , S1 = 0.76
n2 = 8, X 2  7.50 , S2 = 0.53
F = 2.06 (มีค่าน้ อยกว่า 3.87 (ค่าวิกฤตจากตารางภาคผนวกที่ 1 เมื่อ  = 0.05,
df1 = 6 และ df2 = 7)) แสดงว่า ความแปรปรวนของข้ อมูลทั้งสองกลุ่มแตกต่างกัน
อย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือ ความแปรปรวนของทั้งสองกลุ่มไม่
t = -2.34 (มีค่ามากกว่า 2.160 (ค่าวิกฤตที่  = 0.05 (สมมติฐานสองทาง), df =
13 จากตารางภาคผนวกที่ 2) โดยไม่พิจารณาเครื่องหมาย +/-) แสดงว่า ค่าเฉลี่ยของ
ปริ ม าณความชื้ นของเครื่ อ งดื่ม ผงที่ผ ลิ ต โดยเครื่ อ งท าแห้ ง ชนิ ด พ่ น ฝอย 2 เครื่ อ ง
แตกต่างกันอย่างมีนัยสาคัญทางสถิติ (p<0.05) หรือ ค่าเฉลี่ยของปริมาณความชื้นของ
เครื่องดื่มผงที่ผลิตโดยเครื่องทาแห้ ง 1 มีค่าต่ากว่า อย่างมีนัยสาคัญทางสถิติ (p<0.05)
4.
การทดสอบค่าเฉลี่ยของตัวอย่างกั~ บค่า47 ~ ่กาหนด (One sample t-test) ควร

เป้ าหมายที
เลือกใช้ การทดสอบค่าทีในกรณีท่ขี ้ อมูลจากทั้งสองกลุ่มไม่เป็ นอิสระต่อกัน (Dependent
t-test) เนื่องจากเป็ นการทดสอบความแตกต่างของข้ อมูลแต่ละค่าและค่าเป้ าหมายที่
2.2 การวิเคราะห์ความแปรปรวนและการเปรียบเทียบค่าเฉลีย่
การวิเคราะห์ความแปรปรวน หมายถึง วิธกี ารคานวณทางคณิตศาสตร์เพื่อแยกผลของความแปรปรวน
หรือความแตกต่างระหว่างค่าสังเกต (ค่าที่ตดิ ตาม) ในชุดข้ อมูลออกเป็ นส่วนต่างๆ ตามแหล่งที่มาหรือปัจจัยที่
ก่อให้ เกิดความแปรปรวนนั้น และจัดเป็ นวิธกี ารวิเคราะห์ข้อมูลที่มพี ลัง (Power) มากที่สดุ แบบหนึ่งที่ถูก
นามาใช้ ในการทดสอบสมมติฐาน และสรุปผลเกี่ยวกับข้ อมูลเชิงปริมาณ (Quantitative data) ในลักษณะต่างๆ
โดยเฉพาะในกรณีท่ชี ุดข้ อมูลดังกล่าวประกอบด้ วยจานวนทรีตเมนต์ (Treatment) มากกว่าสองทรีตเมนต์
(จรัญ และอนันตชัย, 2529)
ในการคานวณเพื่อแยกผลของความแปรปรวนออกเป็ นส่วนๆ ตามปัจจัยที่ก่อให้ เกิดความแปรปรวน
นั้น จะเริ่มต้ นจากการคานวณหาค่าความแปรปรวนทั้งหมด (Total variability) ในรูปของผลรวมกาลังสอง
ทั้งหมด (Total sum square) จากค่าสังเกต (ค่าที่ตดิ ตาม) ทุกๆ ค่าในชุดข้ อมูลก่อน จากนั้นจึงพิจารณาแบ่ง
ความแปรปรวนทั้งหมดนี้ออกเป็ นส่วนๆ ตามปัจจัยที่ก่อให้ เกิดความแปรปรวนของการทดลอง ซึ่งการพิจารณา
ปัจจัยที่ก่อให้ เกิดความแปรปรวนของการทดลองนี้ จาเป็ นต้ องอาศัยความรู้ทางสถิตเิ กี่ยวกับการวางแผนการ
ทดลอง (ดูรายละเอียดเพิ่มเติมในข้ อ 2.2.1) และความรู้ทางวิชาการเกี่ยวกับสาขาวิชาที่ทาการทดลองในการ
ตัดสินใจ อย่างไรก็ตามการพิจารณาแบ่งความแปรปรวนทั้งหมดออกเป็ นส่วนๆ นี้อาจพอสรุปเป็ นหลักใหญ่ๆ
ได้ ดงั นี้ คือ การพิจารณาแยกความแปรปรวนของข้ อมูลทั้งหมดออกเป็ น 2 ส่วน คือ (สายชล, 2549)
(1) ความแปรปรวนระหว่างกลุ่ม (Between group variability)
(2) ความแปรปรวนภายในกลุ่ม หรือ ความคลาดเคลื่อนของการทดลอง
(Within group variability or error)
หรือ
ความแปรปรวนทั้งหมด = ความแปรปรวนระหว่างกลุ่ม +
ความแปรปรวนภายในกลุ่ม หรือ ความคลาดเคลื่อนของการทดลอง
ซึ่งกลุ่มในที่น้ หี มายถึง ทรีตเมนต์ท่ใี ช้ ในการทดลองนั่นเอง ดังนั้นหากพบว่า ความแปรปรวนระหว่าง

กลุ่มมีค่ามากกว่าความแปรปรวนภายในกลุ่มอย่างชัดเจน แสดงว่าความแตกต่างระหว่างทรีตเมนต์มคี ่ามากกว่า
ความแตกต่างภายในแต่ละทรีตเมนต์ หรือ ในกลุ่มทรีตเมนต์ท่ศี กึ ษานั้น มีอย่างน้ อยหนึ่งทรีตเมนต์ท่มี ลี ักษณะ
ข้ อมูล (ค่าเฉลี่ย) แตกต่างไปจากกลุ่มอื่นๆ ซึ่งค่าสถิตทิ ่ใี ช้ ในการทดสอบสมมติฐานในกรณีน้ ี คือ การทดสอบ
ค่าเอฟ (F-test) แต่การทดสอบค่าเอฟนี้จะยังไม่สามารถสรุปได้ ว่า มีทรีตเมนต์ค่ใู ดบ้ างที่มลี กั ษณะแตกต่าง
กัน จึงจาเป็ นต้ องมีการเปรียบเทียบทรีตเมนต์ทลี ะคู่อกี ครั้งหลังจากที่พบความแตกต่างระหว่างกลุ่มแล้ ว (ดู
รายละเอียดเพิ่มเติมในข้ อ 2.2.2) แต่หากพบว่า ความแปรปรวนระหว่างกลุ่มมีค่าน้ อยหรือไม่แตกต่างจาก
ความแปรปรวนภายในกลุ่ม แสดงว่า ไม่พบความแตกต่างระหว่างทรีตเมนต์ หรือ กลุ่มทรีตเมนต์ท่ศี ึกษานั้นยัง
ไม่ก่อให้ เกิดผลที่แตกต่างมากพอ
~ 48 ~
2.2.1 การทดลองที่วิเคราะห์ผลโดยการวิเคราะห์ความแปรปรวน
ในที่น้ จี ะขอกล่าวถึงการทดลองที่วิเคราะห์ผลโดยการวิเคราะห์ความแปรปรวน 5 การทดลองดังนี้ คือ
(1) แผนการทดลองแบบสุ่มสมบูรณ์ (Completely randomized design; CRD) หมายถึง แผนการ
ทดลองที่คาดว่ามีปัจจัยที่ก่อให้ เกิดความแปรปรวนเพียงปัจจัยเดียว คือ ทรีตเมนต์ โดยทรีตเมนต์ท่ใี ช้ อาจมี
ความแตกต่างกันตั้งแต่ 2 ระดับขึ้นไป และมีการสุ่มหน่วยทดลองเพื่อรับทรีตเมนต์อย่างทัว่ ถึงดังตัวอย่างใน
ภาพที่ 2.7 ในขณะที่มกี ารควบคุมสิ่งแวดล้ อมอื่นๆ ให้ มคี วามสม่าเสมอกัน
ทรีตเมนต์ 1 ทรีตเมนต์ 2 ทรีตเมนต์ 3

        
        
        
ภาพที่ 2.7 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบสุ่มสมบูรณ์ (9 ซา้ )
(2) แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (Randomized complete block design; RCBD)

หมายถึง แผนการทดลองที่คาดว่ามีปัจจัยที่ก่อให้ เกิดความแปรปรวนสองปัจจัย คือ ทรีตเมนต์ และ ความ
แตกต่างของหน่วยทดลอง (โดยมีการจัดหน่วยทดลองที่มคี วามใกล้ เคียงกันไว้ ในกลุ่มหรือบล็อกเดียวกัน)
ทรีตเมนต์ท่ใี ช้ และความแตกต่างของหน่วยทดลอง (บล็อก) ที่สนใจอาจมีความแตกต่างกันตั้งแต่ 2 ระดับขึ้น
ไป และมีการสุ่มหน่วยทดลองในแต่ละบล็อกให้ ได้ รับทรีตเมนต์อย่างทั่วถึงดังตัวอย่างในภาพที่ 2.8 ในขณะที่มี
การควบคุมสิ่งแวดล้ อมอื่นๆ ให้ มคี วามสม่าเสมอกัน
ทรีตเมนต์ 1 ทรีตเมนต์ 2 ทรีตเมนต์ 3

บล็อก 1         
บล็อก 2         
บล็อก 3         
ภาพที่ 2.8 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (3 บล็อคๆ ละ 3 ซา้ )
(3) แผนการทดลองแบบลาตินสแควร์ (Latin square design; LSD) หมายถึง แผนการทดลองที่คาด

ว่ามีปัจจัยที่ก่อให้ เกิดความแปรปรวนสามปัจจัย คือ ทรีตเมนต์ ความแตกต่างของหน่วยทดลองลักษณะที่ 1
ซึ่งจัดให้ เป็ นความแตกต่างในแนวแถว (โดยมีการจัดหน่วยทดลองที่มคี วามใกล้ เคียงกันของลักษณะนี้ไว้ ในแถว
เดียวกัน) และความแตกต่างของหน่วยทดลองลักษณะที่ 2 ซึ่งจัดให้ เป็ นความแตกต่างในแนวสดมภ์ (โดยมีการ
จัดหน่วยทดลองที่มคี วามใกล้ เคียงกันของลักษณะนี้ไว้ ในสดมภ์เดียวกัน) แต่ละปัจจัยอาจมีความแตกต่างของ
ปัจจัยตั้งแต่ 2 ระดับขึ้นไป โดยที่ท้งั 3 ปัจจัยมีจานวนระดับเท่ากัน และมีการสุ่มหน่วยทดลองในแต่ละแถว
และสดมภ์ให้ ได้ รับทรีตเมนต์อย่างทั่วถึงดังตัวอย่างในภาพที่ 2.9 ในขณะที่มกี ารควบคุมสิ่งแวดล้ อมอื่นๆ ให้ มี
ความสม่าเสมอกัน
~ 49 ~
คอลัมน์ 1 คอลัมน์ 2 คอลัมน์ 3

แถว 1         
แถว 2         
แถว 3 1 1 1 3 3 3 2 2 2
1, 2, 3 = ทรีตเมนต์ 1 ทรีตเมนต์ 2 และ ทรีตเมนต์ 3 ตามลาดับ
ภาพที่ 2.9 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบลาตินสแควร์ (แบบ 3x3 จานวน 3 ซา้ )
(4) การทดลองแบบแฟคทอเรียล (Factorial experiment; FE) หมายถึง การทดลองที่คาดว่ามีปัจจัย

หลักที่ก่อให้ เกิดความแปรปรวนตั้งแต่สองปัจจัยขึ้นไปประกอบกันเป็ นแต่ละทรีตเมนต์คอมบิเนชัน (Treatment
combination) และคาดว่าจะมีอทิ ธิพลร่วมระหว่างปัจจัยเกิดขึ้น โดยที่แต่ละปัจจัยหลักมีระดับความแตกต่าง
ของปัจจัยตั้งแต่ 2 ระดับขึ้นไป (ตัวอย่างเช่น แผนการทดลองแบบ 2 x 2 ซึ่งมี 2 ปัจจัย คือ A และ B และแต่
ละปัจจัยมี 2 ระดับ คือ ต่า และ สูง จะมีทรีตเมนต์คอมบิเนชันทั้งหมด 4 ทรีตเมนต์ คือ (1) ปัจจัย A ระดับ
ต่า และปัจจัย B ระดับต่า (2) ปัจจัย A ระดับสูง และปัจจัย B ระดับต่า (3) ปัจจัย A ระดับต่า และปัจจัย B
ระดับสูง และ (4) ปัจจัย A ระดับสูง และปัจจัย B ระดับสูง) โดยหน่วยทดลองที่ใช้ อาจมีความ
สม่าเสมอกันทั้งหมดและมีการสุม่ หน่วยทดลองให้ ได้ รับทรีตเมนต์คอมบิเนชันอย่างทัว่ ถึง (FE in CRD) หรือ
อาจมีความสม่าเสมอกันภายในแต่ละซา้ และมีการสุ่มหน่วยทดลองให้ ได้ รับทรีตเมนต์คอมบิเนชันอย่างทั่วถึง
ภายในแต่ละซา้ (FE in RCBD) ดังภาพที่ 2.10
ปัจจัย ซา้ ที่

ทรีตเมนต์
A B 1 2 3
1 ต่า (-) ต่า (-)   
2 (a) สูง (+) ต่า (-)   
3 (b) ต่า (-) สูง (+)   
4 (ab) สูง (+) สูง (+)   
(ก) 2 x 2 FE in CRD
ปัจจัย ซา้ ที่

ทรีตเมนต์
A B 1 2 3
1 ต่า (-) ต่า (-)   
2 (a) สูง (+) ต่า (-)   
3 (b) ต่า (-) สูง (+)   
4 (ab) สูง (+) สูง (+)   
(ข) 2 x 2 FE in RCBD
ภาพที่ 2.10 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบแฟคทอเรียล (แบบ 2x2 จานวน 3 ซา้ )
~ 50 ~
(5) การทดลองแบบสปลิทพลอท (Split-plot design; SPD) หมายถึง การทดลองที่คาดว่ามีปัจจัย

หลักที่ก่อให้ เกิดความแปรปรวนตั้งแต่สองปัจจัยขึ้นไปเช่นเดียวกับการทดลองแบบแฟคทอเรียล แต่การ
ทดลองแบบสปลิทพลอทจะใช้ หน่วยทดลองที่มขี นาดต่างกันสาหรับแต่ละปัจจัย โดยปัจจัยหนึ่งจะใช้ หน่วย
ทดลองที่มขี นาดใหญ่ เรียกว่า Main plot หรือ Whole plot และอีกปัจจัยหนึ่งจะใช้ หน่วยทดลองย่อยที่แบ่งจาก
หน่วยทดลองใหญ่อกี ทีหนึ่ง ซึ่งเรียกว่า Sub plot โดยหน่วยทดลองที่ใช้ อาจมีความสม่าเสมอกันทั้งหมด
(SPD in CRD) หรืออาจมีความสม่าเสมอกันภายในแต่ละซา้ (SPD in RCBD) ดังภาพที่ 2.11
a1 a2
b1 b3 b2 b2 b3 b1
a2 a1
b3 b1 b2 b3 b2 b1
(ก) SPD in CRD
a1 a2
b1 b3 b2 b2 b3 b1
a2 a1
b3 b1 b2 b3 b2 b1
(ข) SPD in RCBD
ภาพที่ 2.11 ลักษณะหน่วยทดลองในการวางแผนการทดลองแบบสปลิทพลอท (แบบ 2x3 จานวน 2 ซา้ )
2.2.2 การเปรียบเทียบค่าเฉลีย่
การเปรียบเทียบค่ าเฉลี่ยเป็ นการพิ จารณาความแตกต่างของทรีตเมนต์ แต่ ละคู่ หลังจากที่พบว่ ามี

ค่าเฉลี่ยของทรีตเมนต์อย่ างน้ อยหนึ่งคู่ท่ีมีความแตกต่ างกันอย่ างมีนัยสาคัญที่ระดับความเชื่อมั่นที่กาหนด
จากการวิเคราะห์ความแปรปรวน (Post-hoc comparison or posterior tests) วิธีการที่ใช้ ในการ
เปรียบเทียบค่าเฉลี่ยภายหลังการวิเคราะห์ความแปรปรวนมีอยู่หลายวิธดี งั ต่อไปนี้ คือ (1) การทดสอบ
ของฟิ ชเชอร์โดยใช้ ความแตกต่างที่มีนัยสาคัญน้ อยที่สดุ (Fisher’s least significant difference: LSD) (2)
การทดสอบแบบพิสยั เชิงพหุของดันแคน (Ducan’s new multiple range test) (3) การทดสอบของสติวเดนท์
นิวแมนคูล (Student-Newman-Keul’s test or S-N-K test) (4) การทดสอบของทูกยี ์แบบเอ (Tukey
(a)’s w test) (5) การทดสอบของทูกยี ์แบบบี (Tukey (b)’s w test) (6) การทดสอบของเชฟเฟ
~ 51 ~
(Scheffe’s test) (7) การทดสอบของเบอนเฟอร์โรนี (Bonferroni’s w test) และ (8) การทดสอบของ

ดันเนทท์ (Dunnett’s test)
(1) การทดสอบของฟิ ชเชอร์โดยใช้ความแตกต่างที่มีนยั สาคัญน้อยที่สุด

. . (Fisher’s least significant difference: LSD)
การทดสอบของฟิ ชเชอร์น้ ใี ช้ ทดสอบความแตกต่างของค่าเฉลี่ยคู่ใดคู่หนึ่ง ในกรณีท่เี ป็ นการทดลอง
ที่มกี ารวางแผนไว้ ล่วงหน้ าแล้ วว่า ต้ องการเปรียบเทียบความแตกต่างระหว่างทรีตเมนต์คู่ใดบ้ าง ซึ่งถ้ ามีทรีต
เมนต์ควบคุมอยู่ ด้วย ผู้ทดลองมักจะสนใจเปรียบเทียบความแตกต่ างของทรตเมนต์อ่ นื ๆ และทรีตเมนต์
ควบคุม และไม่ควรใช้ ในกรณีท่แี ผนการทดลองที่ใช้ มีจานวนทรีตเมนต์มากกว่า 5 ทรีตเมนต์ หรือมีค่าเฉลี่ย
มากกว่า 10 คู่ (สายชล, 2546) สาหรับค่าสถิติท่ใี ช้ ในการทดสอบ คือ LSD สามารถคานวณได้ จากสมการ
2.2.1
2MS E
LSD  t ,df E … (2.2.1)
r
เมื่อ t ,df E = ค่าวิกฤตที่ระดับความเชื่อมั่นเท่ากับ  (สมมติฐาน 2 ทาง) และ dfE

จากตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2)
MSE = ค่าเฉลี่ยกาลังสองของความคลาดเคลื่อนจากการวิเคราะห์ความแปรปรวน
r = จานวนซา้ ของค่าเฉลี่ย
การเปรียบเทียบค่าเฉลี่ยแต่ละคู่ด้วยวิธีน้ ี สามารถทาได้ โดยการคานวณหาผลต่างของค่าเฉลี่ยคู่ท่ี

สนใจ โดยใช้ ค่าเฉลี่ยที่มีค่ามากกว่าเป็ นตัวตั้ง และนาผลต่างดังกล่าวมาเปรียบเทียบกับค่า LSD หาก
ผลต่างมีค่ามากกว่าหรือเท่ากับค่า LSD แสดงว่า ค่าเฉลี่ยคู่น้ันมีความแตกต่างกันอย่างมีนัยสาคัญทาง
สถิตทิ ่รี ะดับความเชื่อมั่นที่กาหนด
(2) การทดสอบแบบพิสยั เชิงพหุของดันแคน (Ducan’s new multiple range test: DMR)

การทดสอบแบบพิสัยเชิงพหุของดันแคนเป็ นการทดสอบที่นิยมใช้ ในกรณีท่มี ีทรีตเมนต์จานวนมาก
และต้ องการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์ท้งั หมดในคราวเดียวกัน ซึ่งมีข้นั ตอนการทดสอบดังต่อไปนี้
1. เรียงลาดับค่าเฉลี่ยของทรีตเมนต์จากมากไปน้ อย
2. หาค่าวิกฤตของพิสยั เชิงพหุของดันแคนที่ระดับความเชื่อมั่นที่กาหนด df เท่ากับ dfE และ p คือ
จานวนค่าเฉลี่ยในช่วงการเปรียบเทียบ (เช่น ถ้ าค่าเฉลี่ยที่ต้องการเปรียบเทียบกัน เมื่อนามาเรียง
จากมากไปน้ อยแล้ วอยู่ติดกัน ใช้ p เท่ากับ 2 แต่ถ้ามีค่าเฉลี่ยของทรีตเมนต์อ่นื แทรกอยู่ตรง
กลาง 1 ทรีตเมนต์ ใช้ p = 3 และถ้ ามีค่าเฉลี่ยของทรีตเมนต์อ่นื แทรกอยู่ตรงกลาง 2 ทรีตเมนต์
ใช้ p = 4 เป็ นต้ น)
3. คานวณค่าสถิตทิ ่ใี ช้ ในการทดสอบ คือ LSR จากสมการ 2.2.2
MSE
LSR  DMR , p , df E … (2.2.2)
r
~ 52 ~
เมื่อ DMR , p , df = ค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด df เท่ากับ dfE

E
และ p คือ จานวนค่าเฉลี่ยในช่วงการเปรียบเทียบ

จากตารางค่าวิกฤตของพิสยั เชิงพหุของดันแคน (ตารางภาคผนวกที่ 3)
MSE = ค่าเฉลี่ยกาลังสองของความคลาดเคลื่อนจากตารางการวิเคราะห์
ความแปรปรวน
4. เปรียบเทียบผลต่างของค่าเฉลี่ยสูงสุดและค่าเฉลี่ยที่มคี ่าสูงเป็ นลาดับที่สอง กับค่า LSR ที่คานวณ

จากค่า DMR เมื่อ p = 2 หากผลต่างมีค่ามากกว่าหรือเท่ากับค่า LSR แสดงว่าค่าเฉลี่ยทั้งสอง
มีความแตกต่างกันอย่างมีนัยสาคัญทางสถิติท่รี ะดับความเชื่อมั่นที่กาหนด และข้ ามไปทาข้ อ 5
ต่อไป แต่หากผลต่างมีค่าน้ อยกว่าค่า LSR ให้ ทาการเปรียบเทียบผลต่างของค่าเฉลี่ยสูงสุด
และค่าเฉลี่ยที่มีค่าสูงเป็ นลาดับที่สาม กับค่า LSR ที่คานวณจากค่า DMR เมื่อ p = 3 หาก
ผลต่างมีค่ามากกว่ าหรือเท่ากับค่า LSR แสดงว่าค่าเฉลี่ยทั้งสองมีความแตกต่างกันอย่ างมี
นัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นที่กาหนด และข้ ามไปทาข้ อ 5 ต่อไป แต่หากผลต่างมีค่า
น้ อยกว่าค่า LSR ให้ ทาการเปรียบเทียบผลต่างของค่าเฉลี่ยสูงสุดและค่าเฉลี่ยที่มคี ่าสูงเป็ นลาดับ
ถัดไป โดยเปลี่ยนค่า LSR ที่ใช้ ในการเปรียบเทียบไปเรื่อยๆ จนกระทั่งพบความแตกต่าง จึง
ข้ ามไปทาข้ อ 5
5. เปรียบเทียบผลต่างของค่าเฉลี่ยที่มคี ่าสูงเป็ นลาดับที่สองและค่าเฉลี่ยที่มีค่าสูงเป็ นลาดับที่สาม กับ
ค่า LSR ที่คานวณจากค่า DMR เมื่อ p = 2 หากผลต่างมีค่ามากกว่าหรือเท่ากับค่า LSR
แสดงว่าค่าเฉลี่ยทั้งสองมีความแตกต่างกันอย่างมีนัยสาคัญทางสถิติท่รี ะดับความเชื่อมั่นที่กาหนด
แต่หากผลต่างมีค่าน้ อยกว่าค่า LSR ให้ ทาในลักษณะเช่นเดียวกับข้ อ 4 จนพบความแตกต่าง
6. เปรียบเทียบผลต่างของค่าเฉลี่ยที่มีค่าสูงเป็ นลาดับต่อๆ ไปเรื่อยๆ ในลักษณะเช่นเดียวกันที่ทาใน
ข้ อ 4 และ 5 จนกระทั่งครบทุกทรีตเมนต์
(3) การทดสอบของสติวเดนท์นิวแมนคูล (Student-Newman-Keul’s test or S-N-K test)

การทดสอบของสติวเดนท์นิวแมนคูลนี้ มีข้นั ตอนหรือวิธกี ารเหมือนกับการทดสอบแบบพิสยั เชิงพหุ
ของดันแคนเกือบทุกประการ ยกเว้ นค่าสถิติท่ใี ช้ ในการทดสอบของสติวเดนท์เป็ นค่า K ซึ่งคานวณจากค่า
วิกฤตของพิสยั สติวเดนท์ไดซ์ (Significant studentized range: SSR) แทนค่าวิกฤตของพิสยั เชิงพหุของดันแคน
ดังสมการ 2.2.3
MSE
K  SSR , p , df E … (2.2.3)
r
เมื่อ SSR , p , df = ค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด df เท่ากับ dfE

E
และ p คือ จานวนค่าเฉลี่ยในช่วงการเปรียบเทียบ

จากตารางค่าวิกฤตของพิสยั สติวเดนท์ไดซ์ (ตารางภาคผนวกที่ 4)
~ 53 ~
เนื่องจากค่าวิกฤตที่ได้ จากตารางค่าวิกฤตของพิสยั สติวเดนท์ไดซ์ เมื่อ p มากกว่า 2 มีค่ามากกว่าค่า

วิกฤตที่ได้ จ ากตารางค่ าวิ กฤตของพิ สัยเชิง พหุ ข องดันแคน ดังนั้ นค่ า การทดสอบวิธีน้ ีจึ งยอมให้ เกิดความ
แตกต่างของทรีตเมนต์ท่มี คี ่าเฉลี่ยอยู่ห่างกันออกไปได้ ยากกว่าการทดสอบแบบพิสยั เชิงพหุของดันแคน จึงเป็ น
การลดความเสี่ยงที่จะเกิดความผิดพลาดแบบที่ 1 ได้ มากกว่า (Stone and Sidel, 1993)
(4) การทดสอบของทูกียแ์ บบเอ (Tukey (a)’s w test)

การทดสอบของทูกยี ์ แบบเอ อาจเรียกอีกชื่อหนึ่งว่า Hornestly significant difference (HSD) ซึ่ง
จัดเป็ นการเปรียบเทียบค่าเฉลี่ยทีละคู่คล้ ายกับการทดสอบของฟิ ชเชอร์ แต่แตกต่างกันตรงที่ค่าสถิติท่ใี ช้ เป็ น
ค่า T(a)  ซึ่งใช้ ค่าวิกฤตของพิสยั สติวเดนท์ไดซ์ในการคานวณแทนค่าวิกฤตจากตารางแจกแจงแบบที และใช้
ค่า MSE แทน 2MSE ดังสมการ 2.2.4
MSE
T( a )  SSR , p , df E … (2.2.4)
r
เมื่อ SSR , p , df = ค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด df เท่ากับ dfE

E
และ p คือ จานวนค่าเฉลี่ยทั้งหมด

จากตารางค่าวิกฤตของพิสยั สติวเดนท์ไดซ์ (ตารางภาคผนวกที่ 4)
การทดสอบของทูกีย์แบบเอนี้มีกาลัง (Power หรือ 1 - ) ในการทดสอบทางสถิติต่ากว่ า การ

ทดสอบแบบพิสยั เชิงพหุของดันแคนและการทดสอบของสติวเดนท์ (Winer, 1971) นั่นคือ มีโอกาสที่จะ
เกิดความผิดพลาดแบบที่ 2 สูงกว่า หรือยอมให้ เกิดความแตกต่างได้ ยากกว่าการทดสอบแบบพิสยั เชิงพหุของ
ดันแคน และการทดสอบของสติวเดนท์นิวแมนคูล
(5) การทดสอบของทูกียแ์ บบบี (Tukey (b)’s w test)

การทดสอบของทูกยี ์แบบบี เป็ นการเปรียบเทียบค่าเฉลี่ยที่พัฒนาขึ้นมาจากการทดสอบของสติวแดนท์
นิวแมนคูลและการทดสอบของทูกยี ์แบบเอ เพื่อเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์หลายทรีตเมนต์ในคราว
เดียวกัน และพยายามป้ องกันการเกิดความผิดพลาดแบบที่ 1 (Stone and Sidel, 1993) ค่าสถิตทิ ่ใี ช้ ในการ
ทดสอบแบบนี้ คือ T(b)  ดังสมการ 2.2.5
K  T( a )
T(b)  … (2.2.5)
2
~ 54 ~
เมื่อ K = ค่าสถิตทิ ่ใี ช้ ในการทดสอบของสติวเดนท์นิวแมนคูล

T(a)  = ค่าสถิตทิ ่ใี ช้ ในการทดสอบของทูกยี ์แบบเอ
(6) การทดสอบของเชฟเฟ (Scheffe’s test)

การทดสอบของเชฟเฟ เป็ นวิธีการเปรียบเทียบค่าเฉลี่ยทีละคู่ซ่ึงมีการลดความเสี่ยงในการเกิดความ
ผิดพลาดแบบที่ 1 มากที่สุด โดยใช้ ค่าวิกฤตจากตารางแจกแจงค่าเอฟในการคานวณค่าสถิติ (Stone and
Sidel, 1993) ค่าสถิตทิ ่ใี ช้ ในการทดสอบ คือ S ดังสมการ 2.2.6
2 MS E
S = dfTr ( F , df Tr , df E ) … (2.2.6)
r
เมื่อ dfTr = df ของทรีตเมนต์ ซึ่งเท่ากับ จานวนทรีตเมนต์ - 1

F , df Tr , df E = ค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด ที่ df1 เท่ากับ dfTr
และ df2 เท่ากับ dfE จากตารางค่าวิกฤตสาหรับการทดสอบค่าเอฟ
(ตารางภาคผนวกที่ 1)
(7) การทดสอบของเบอนเฟอร์โรนี (Bonferroni’s w test)

การทดสอบของเบอนเฟอร์โรนีถูกพัฒนามาจากการทดสอบของฟิ ชเชอร์ แต่จะนาจานวนคู่ของทรีต
เมนต์ (S) ที่ต้องการเปรียบเทียบมาพิจารณาในการคานวณค่าสถิติท่ใี ช้ ในการทดสอบ วิธกี ารนี้มักจะถูก
นามาใช้ น้อยที่สดุ แต่เป็ นวิธที ่เี หมาะสาหรับกรณีท่มี ีจานวนคู่ของทรีตเมนต์ท่ตี ้ องการเปรียบเทียบไม่มากนัก
และกรณีท่เี ป็ นการทดลองที่มีการวางแผนไว้ ล่วงหน้ าแล้ วว่า ต้ องการเปรียบเทียบความแตกต่างระหว่างทรีต
เมนต์ค่ใู ดบ้ าง (สายชล, 2546) ค่าสถิตทิ ่ใี ช้ ในการทดสอบ คือ B ดังสมการ 2.2.7
2MS E
LSD  t  … (2.2.7)
S
,df E r
เมื่อ t = ค่าวิกฤตที่ระดับความเชื่อมั่นเท่ากับ /S (สมมติฐานสองทาง) และ

,df E
S
df เท่ากับ dfE จากตารางค่าวิกฤตสาหรับการทดสอบค่าที (ตารางภาคผนวกที่ 2)

เมื่อ S คือ จานวนคู่ท้งั หมดของทรีตเมนต์ท่ตี ้ องการเปรียบเทียบ ซึ่งมีค่าเท่ากับ
n
C2 ตัวอย่างเช่น เมื่อ n (จานวนทรีตเมนต์ท้งั หมด) = 6
ดังนั้น 6C2 = 6! / (6-2)! 2! = 15
~ 55 ~
(8) การทดสอบของดันเนทท์ (Dunnett’s test)

ในกรณีท่ตี ้ องการเปรียบเทียบค่ าเฉลี่ยของทรีตเมนต์และทรีตเมนต์ควบคุมว่ ามีความแตกต่ างกัน
หรือไม่ วิธกี ารที่แนะนาให้ ใช้ คือ การทดสอบของดันเนทท์ ซึ่งถูกพัฒนาขึ้นในปี ค.ศ. 1964 และค่าสถิติท่ี
ใช้ ในการทดสอบ คือ D ตามสมการ 2.2.8
2MSE
D  d , df Tr , df E … (2.2.8)
r
เมื่อ d , df Tr , df E = ค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ ที่ df1 เท่ากับ dfTr

และ df2 เท่ากับ dfE จากตารางค่าวิกฤตของดันเนทท์ (ตารางภาคผนวกที่ 5)
จากการทดสอบเพื่อเปรียบเทียบค่าเฉลี่ยทั้ง 8 วิธขี ้ างต้ น หากนามาพิจารณาเรียงลาดับตามการลด

ความเสี่ยงในการเกิดความผิดพลาดแบบที่ 1 หรือ ความยากในการยอมให้ เกิดความแตกต่างของทรีตเมนต์
(วิธที ่เี มื่อนามาใช้ แล้ ว ทรีตเมนต์แต่ละคู่จะเกิดความแตกต่างได้ ยาก) จากมากไปหาน้ อยจะสามารถเรียงลาดับ
ได้ ดงั ต่อไปนี้ คือ การทดสอบของเชฟเฟ การทดสอบของเบอนเฟอร์โรนี การทดสอบของทูกยี ์แบบเอ การ
ทดสอบของทูกีย์แบบบี การทดสอบของดันเนทท์ การทดสอบของสติวเดนท์ นิวแมนคูล การทดสอบแบบ
พิสยั เชิงพหุของดันแคน และ การทดสอบของฟิ ชเชอร์ ตามลาดับ
2.2.3 ข้อกาหนดเบื้ องต้นเกีย่ วกับการวิเคราะห์ความแปรปรวน

เพื่อความถูกต้ องของผลสรุปที่ได้ จากการวิเคราะห์ความแปรปรวน ผู้วิจัยควรทาการตรวจสอบ
ข้ อกาหนดต่างๆ ก่อนการวิเคราะห์ความแปรปรวนดังต่อไปนี้ (พิสมัย, 2550)
(1) การตรวจสอบข้ อกาหนดเกี่ยวกับการแจกแจงแบบปกติของประชากร
(2) การตรวจสอบข้ อกาหนดเกี่ยวกับเอกภาพของความแปรปรวน
(3) การตรวจสอบข้ อกาหนดเกี่ยวกับความเป็ นผลบวก
การตรวจสอบข้ อกาหนดเกี่ยวกับการแจกแจงแบบปกติของประชากร สามารถทดสอบได้ โดยใช้ การ
ตรวจสอบการแจกแจงของข้ อมูลวิธตี ่างๆ ซึ่งอาจแบ่งออกเป็ น 2 กรณีใหญ่ๆ คือ (1) การตรวจสอบโดยการใช้
กราฟ (เช่น histogram, normal probability plot, boxplot เป็ นต้ น) และ (2) การตรวจสอบโดยการใช้ สถิติ
ทดสอบ (เช่น ไคสแควร์ เป็ นต้ น) แต่ในกรณีท่มี กี ารสุ่มตัวอย่างแบบอิสระและขนาดตัวอย่างมีขนาดใหญ่
(n>30) สามารถใช้ ทฤษฏีขดี จากัดกลาง (central limit theorem) เพื่ออนุโลมว่ามีการแจกแจงแบบปกติโดยไม่
ต้ องทาการทดสอบได้
สาหรับเอกภาพของความแปรปรวน หมายถึง ข้ อมูลที่นามาวิเคราะห์ต้องได้ มาจากประชากรที่มคี วาม
แปรปรวนเท่ากัน เพื่อให้ ผลการทดสอบที่ได้ เป็ นความแตกต่างของค่าเฉลี่ยประชากรจริงๆ ไม่ใช่การทดสอบ
ความแตกต่างของความแปรปรวนหรือการทดสอบความเบ้ ของข้ อมูล ซึ่งโดยปกติการทดสอบการเท่ากันของ
~ 56 ~
ค่าความแปรปรวนของประชากร 2 กลุ่มสามารถทาได้ โดยการทดสอบค่าเอฟ แต่ในกรณีท่ตี ้ องการทดสอบค่า

ความแปรปรวนของประชากรมากกว่า 2 กลุ่มจะต้ องเลือกใช้ การทดสอบวิธอี ่นื ๆ เช่น Hartley’s test, Cochran
test, Bartlett’s test และ Levene’s test เป็ นต้ น สายชล (2549) ระบุไว้ ว่า Levene’s test เป็ นวิธที ่มี ี
ประสิทธิภาพสูงกว่าวิธอี ่นื ๆ เนื่องจากสามารถใช้ ได้ ท้งั ในกรณีท่มี จี านวนซา้ เท่ากันและไม่เท่ากัน และเป็ นวิธที ่ี
มีความทนทานต่อการฝ่ าฝื นข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน ส่วน Hartley’s test และ
Cochran test จะมีความไวในการตรวจสอบค่อนข้ างต่า และไม่ควรใช้ ในกรณีท่มี จี านวนซา้ แตกต่างกันมากๆ
สาหรับ Bartlett’s test สามารถใช้ ได้ ท้งั ในกรณีท่มี จี านวนซา้ เท่ากันและไม่เท่ากัน แต่ไม่มคี วามทนทานต่อการ
ฝ่ าฝื นข้ อกาหนดเบื้องต้ นเกี่ยวกับการแจกแจงแบบปกติ เนื่องจากหากข้ อมูลมีความโด่งมากกว่าปกติ
Bartlett’s test จะมีโอกาสปฏิเสธสมมติฐาน (H0)หลักมากกว่าที่ควรจะเป็ น
ขั้นตอนการทดสอบแบบ Levene’s test มีดงั ต่อไปนี้
(1) คานวณหาค่าเฉลี่ยของแต่ละทรีตเมนต์ (Xi)
(2) คานวณหาค่าสัมบูรณ์ของส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ยของแต่ละทรีตเมนต์
eij = Xij - Xi
(3) นาค่า eij มาวิเคราะห์ความแปรปรวนแบบทางเดียว
และปฏิเสธ H0 เมื่อ F > F,t-1,t(r-1) ในกรณีท่มี จี านวนซา้ เท่ากัน
ปฏิเสธ H0 เมื่อ F > F,t-1,r –t ในกรณีท่มี จี านวนซา้ ไม่เท่ากัน
ส่วนการตรวจสอบข้ อกาหนดเกี่ยวกับความเป็ นผลบวกนั้น จะถูกนามาพิจารณาในกรณีมปี ัจจัยที่

ก่อให้ เกิดความแปรปรวนที่สนใจมากกว่า 1 ปัจจัยและวางแผนการทดลองแบบไม่พิจารณาอิทธิพลร่วม ซึ่งใน
กรณีเช่นนี้ อิทธิพลของปัจจัยที่ก่อให้ เกิดความแปรปรวนที่สนใจเหล่านั้นจะต้ องมีความเป็ นบวกตามแบบจาลอง
เชิงเส้ นตรง (linear model) หรืออาจกล่าวอีกนัยหนึ่งว่า ไม่มอี ทิ ธิพลร่วมระหว่างปัจจัยดังกล่าว ทั้งนี้เพราะ
หากข้ อมูลที่นามาวิเคราะห์ไม่มคี วามเป็ นผลบวก (non-additivity effects) หรือ มีอทิ ธิพลร่วมระหว่างปัจจัยที่
ก่อให้ เกิดความแปรปรวน จะทาให้ มโี อกาสที่จะปฏิเสธสมมติฐานน้ อยกว่าที่ควรจะเป็ น หรือ อานาจของการ
ทดสอบมีค่าลดลงได้ สาหรับการทดสอบความเป็ นผลบวกนี้เรียกว่า Tukey test for non-additivity ซึ่งจะมี
การแบ่งความแปรปรวนภายในกลุ่ม หรือ ความคลาดเคลื่อนของการทดลอง (within group variability or
error) ออกเป็ น 2 ส่วน คือ ความแปรปรวนที่เกิดจากการไม่มคี วามเป็ นผลบวก (non-additivity effect or lack
of fit) และความแปรปรวนที่แท้ จริง (pure error) และทาการเปรียบเทียบความแปรปรวนทั้ง 2 ส่วน หาก
ความแปรปรวนที่เกิดจากการไม่มคี วามเป็ นผลบวกมีค่ามากกว่าความแปรปรวนที่แท้ จริงอย่างชัดเจน แสดงว่า
ข้ อมูลไม่มคี วามเป็ นผลบวก กล่าวคือ มีอทิ ธิพลร่วมระหว่างปัจจัยเกิดขึ้น แต่หากความแปรปรวนที่เกิดจาก
การไม่มผี ลบวกมีค่าน้ อยกว่าหรือใกล้ เคียงกับความแปรปรวนที่แท้ จริง แสดงว่า ข้ อมูลมีความเป็ นผลบวก
กล่าวคือ ไม่มอี ทิ ธิพลร่วมระหว่างปัจจัยที่ศึกษาซึ่งเป็ นสิ่งที่สอดคล้ องกับข้ อตกลงเบื้องต้ นของการวิเคราะห์
~ 57 ~
2.2.4 แผนการทดลองแบบสุ่มสมบูรณ์
แผนการทดลองแบบสุ่มสมบูรณ์ (Completely randomized design; CRD) เป็ นแผนการทดลองที่ใช้
เมื่อหน่วยทดลองมีความสม่าเสมอ คือ เป็ นหน่วยทดลองที่มคี วามคล้ ายคลึงกัน (Homogeneous) และมีการ
จัดทรีตเมนต์ให้ แก่หน่วยทดลองโดยวิธกี ารสุ่ม กล่าวคือ หน่วยทดลองแต่ละหน่วยจะมีโอกาสเท่าๆ กันที่จะ
ได้ รับทรีตเมนต์ใดทรีตเมนต์หนึ่ง แต่ละทรีตเมนต์จะต้ องมีจานวนซา้ อย่างน้ อยสองครั้งขึ้นไป แต่จานวนซา้
ของแต่ละทรีตเมนต์อาจจะเท่ากันหรือไม่กไ็ ด้ แต่โดยปกติมกั จะนิยมให้ ทุกทรีตเมนต์มจี านวนซา้ เท่ากัน เพื่อ
ความสะดวกในการวิเคราะห์ข้อมูล
รูปแบบเชิงเส้ นตรงของแผนการทดลองแบบสุ่มสมบูรณ์ คือ
Xij =  + i + ij
เมื่อ Xij แทนค่าสังเกตที่ได้ จากหน่วยทดลองที่ j ซึ่งได้ รับทรีตเมนต์ท่ี i

โดยที่ i = 1,2,…, t (t คือ จานวนทรีตเมนต์)
j = 1,2,…, ni (ni คือ จานวนซา้ ของทรีตเมนต์ i)
 แทนค่าเฉลี่ยของประชากรทั้งหมดเมื่อไม่มอี ทิ ธิพลของปัจจัยที่ศึกษา
i แทนอิทธิพลของทรีตเมนต์ท่ี i
ij แทนความคลาดเคลื่อนของการทดลอง ซึ่งมีค่าเฉลี่ยเท่ากับ 0
ดังนั้นความแปรปรวนทั้งหมดที่เกิดขึ้นในแผนการทดลองแบบสุ่มสมบูรณ์ จึงสามารถแบ่งออกเป็ น
สองส่วน คือ ความแปรปรวนที่เกิดจากทรีตเมนต์ และ ความแปรปรวนที่เกิดจากความคลาดเคลื่อนของการ
ทดลอง (SST= SSTr + SSE )
การคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับแผนการทดลองแบบสุ่มสมบูรณ์ มี
ดังนี้คอื
dfT = tr – 1
= ผลคูณของจานวนทรีตเมนต์และจานวนซา้ – 1
= จานวนข้ อมูลทั้งหมด – 1
dfTr = t -1
= จานวนทรีตเมนต์ – 1
dfE = t (r-1) หรือ dfT - dfTr
= ผลคูณของจานวนทรีตเมนต์และจานวนซา้ - 1 หรือ dfT - dfTr
2
 t r 
  X ij 
 
C.T. =  i 1 j 1 
tr
= กาลังสองของผลรวมของข้ อมูลทั้งหมด /
ผลคูณของจานวนทรีตเมนต์และจานวนซา้
~ 58 ~
= กาลังสองของผลรวมของข้ อมูลทั้งหมด / จานวนข้ อมูลทั้งหมด

t r
SST =  X
i 1 j 1
2
ij  C.T .
= ผลรวมของ กาลังสองของข้ อมูลแต่ละค่า – C.T.

2
t  r 
   X ij 

i 1  j 1

SSTr =   C.T .
r
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละทรีตเมนต์หารด้ วย
จานวนข้ อมูลในแต่ละทรีตเมนต์) – C.T.
SSE = SST - SSTr
SS Tr
MSTr =
df Tr
SS E
MSE =
df E
MSTr
Fcal =
MSE
ผลการวิเคราะห์ท่ไี ด้ นิยมเขียนในรูปของตารางการวิเคราะห์ความแปรปรวนดังต่อไปนี้
Sources of variation
df SS MS Fcal
Treatments t-1 SSTr MSTr = SSTr / t-1 MSTr/MSE
Error t(r-1) SSE MSE = SSE /t(r-1)
Total tr-1 SST
วัตถุประสงค์ของการวิเคราะห์ความแปรปรวนสาหรับแผนการทดลองแบบสุ่มสมบูรณ์ คือ การ

เปรียบเทียบว่าการใช้ ทรีตเมนต์ท่แี ตกต่างกันมีผลทาให้ ค่าสังเกต (ค่าที่ตดิ ตาม) มีความแตกต่างกันหรือไม่
ดังนั้นสมมติฐานที่ใช้ ในการทดสอบ คือ
Ho: 1 =  2 = … = i (ค่าเฉลี่ยของทรีตเมนต์ท้งั หมดไม่แตกต่างกัน)

H 1: 1   2 (มีค่าเฉลี่ยของทรีตเมนต์อย่างน้ อย 2 ทรีตเมนต์ท่แี ตกต่างกัน)
ผลการทดสอบสมมติฐาน หากพบว่า ค่า Fcal ที่คานวณได้ มคี ่าน้ อยกว่าค่าวิกฤตสาหรับการทดสอบค่า

เอฟ (ตารางภาคผนวกที่ 1) ที่ระดับนัยสาคัญที่กาหนด (ซึ่งส่วนใหญ่ คือ  = 0.05 หรือ 0.01) ที่ df1 = t-1
และ df2 = t(r-1) แสดงว่า ค่าเฉลี่ยของทรีตเมนต์มคี วามแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิตทิ ่รี ะดับ
นัยสาคัญดังกล่าว (p>0.05 หรือ p>0.01) (Non significant difference) หรืออาจกล่าวได้ ว่า ค่าเฉลี่ยของทรีต
เมนต์ไม่มคี วามแตกต่างกัน แต่หากพบว่า ค่า Fcal ที่คานวณได้ มคี ่ามากกว่าหรือเท่ากับค่าวิกฤต แสดงว่า
~ 59 ~
ค่าเฉลี่ยของทรีตเมนต์อย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับนัยสาคัญที่กาหนด

(p<0.05 หรือ p<0.01) (Significant difference) และใส่เครื่องหมาย * หรือ ** บนค่า F ในตารางการ
วิเคราะห์ความแปรปรวน ในกรณี p<0.05 หรือ p<0.01 ตามลาดับ
ในกรณีท่คี ่า Fcal ที่คานวณได้ มคี ่าน้ อยกว่าค่าวิกฤติน้นั อาจเป็ นผลมาจากความแตกต่างระหว่างทรีต
เมนต์มคี ่าน้ อยมาก หรือ ความคลาดเคลื่อนของการทดลองมีค่ามาก สาเหตุใดสาเหตุหนึ่งหรือทั้งสองสาเหตุ
ร่วมกัน ดังนั้นเมื่อพบว่า ค่า Fcal ที่คานวณได้ มคี ่าน้ อยกว่าค่าวิกฤติ ผู้วิจัยควรตรวจสอบขนาดของความ
คลาดเคลื่อนของการทดลองและความแตกต่างระหว่างค่าเฉลี่ยของทรีตเมนต์ ถ้ าค่าทั้งสองมีค่ามาก โดยเฉพาะ
ในกรณีของค่าความคลาดเคลื่อน อาจทาการทดลองซา้ โดยพยายามลดความคลาดเคลื่อนของการทดลองเพื่อ
ทาให้ เกิดความแตกต่างระหว่างค่าเฉลี่ยอย่างชัดเจน ในทางตรงกันข้ าม ถ้ าค่าทั้งสองมีค่าต่า แสดงว่าความ
แตกต่างที่เกิดจากทรีตเมนต์น่าจะมีน้อยเกินไป ไม่จาเป็ นต้ องทาการทดลองเช่นเดิมเพิ่ม (สายชล , 2549)
แต่หากยังคงต้ องการศึกษาอิทธิพลของปัจจัยที่สนใจอยู่ อาจทดลองเพิ่มความแตกต่างของทรีตเมนต์ (ระดับ
ของตัวแปร) ให้ มขี นาดใหญ่ข้ นึ เพื่อให้ เกิดความแตกต่างของค่าที่ตดิ ตามมากขึ้น
การทดลองเพื่อศึกษาอิทธิพลของสารเจือปนอาหาร 3 ชนิดต่อเนื้อสัมผัส (ค่าแรงต้ านการตัด) ของ
ผลิตภัณฑ์ไส้ กรอกชนิดหนึ่ง โดยเติมสารเจือปนแต่ละชนิดในปริมาณที่เท่ากันในสูตร เพื่อเปรียบเทียบกับทรีต
เมนต์ท่ไี ม่มกี ารเติมสารเจือปน ทาการทดลอง 4 ซา้ โดยควบคุมปัจจัยอื่นๆ ให้ ใกล้ เคียงกันมากที่สดุ และ
ได้ ผลการทดลองดังต่อไปนี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน
ค่าแรงต้ านการตัด (นิวตัน)

ซา้ ที่ 1 ซา้ ที่ 2 ซา้ ที่ 3 ซา้ ที่ 4
ไม่เติมสารเจือปน 5 4 6 5
สารเจือปน 1 6 6 8 8
สารเจือปน 3 12 12 13 13
กรุณาระบุสมมติฐานที่ใช้ ในการทดสอบ และวิเคราะห์ผลการทดลองโดยการวิเคราะห์ความแปรปรวน

ที่ระดับนัยสาคัญเท่ากับ 0.05 และ 0.01 และหากพบความแตกต่างของทรีตเมนต์ กรุณาเปรียบเทียบค่าเฉลี่ย
แต่ละคู่ตามวิธกี ารทั้ง 8 วิธใี นหัวข้ อ 2.2.2
วิธีทา
สมมติฐานที่ใช้ ในการทดสอบ คือ
H0: 1 = 2 = 3 = 4 (ค่าเฉลี่ยของค่าแรงต้ านการตัดของทุกทรีตเมนต์มคี ่าไม่แตกต่างกัน)
H1: …  …. (ค่าเฉลี่ยของค่าแรงต้ านการตัดอย่างน้ อยสองทรีตเมนต์แตกต่างกัน)
การวิเคราะห์ความแปรปรวน:
dfT = tr – 1 = (4)(4) – 1 = 15
dfTr = t -1 = 4–1 = 3
~ 60 ~
dfE = t (r-1) หรือ dfT - dfTr = (4)(4-1) = 12

2
 t r 
  X ij 
 
C.T. =  i 1 j 1 
tr
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / (4)(4)
= 1312 / 16 = 17,161 / 16 = 1,072.56
t r
SST =  X
i 1 j 1
2
ij  C.T .
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 = 130.44
2
t  r 
   X ij 

i 1  j 1

SSTr =   C.T .
r
= ((5 + 4 + 6 + 5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56
= (400 + 784 + 1089 + 2500) / 4 - 1,072.56
= 1,193.25 – 1,072.56 = 120.69
SSE = SST - SSTr
= 130.44 – 120.69 = 9.75
SS Tr
MSTr = = 120.69 / 3 = 40.23
df Tr
SS E
MSE = = 9.75 / 12 = 0.813
df E
MSTr
Fcal = = 40.23 / 0.813 = 49.48
MSE
และสามารถนาค่าต่างๆ มาเขียนเป็ นตารางการวิเคราะห์ความแปรปรวนได้ ดงั นี้
Sources of variation df SS MS Fcal F0.05,3,12 F0.01,3,12
Treatments 3 120.69 40.23 49.48** 3.49 5.95

Error 12 9.75 0.813
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า Fcal > F0.05,3, 12 และ F0.01,3, 12 แสดงว่า ค่าเฉลี่ย
ของทรีตเมนต์อย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) ดังนั้นจึงต้ องทาการ
~ 61 ~
เปรียบเทียบค่าเฉลี่ยแต่ละคู่ต่อไป เพื่อให้ ทราบว่ามีทรีตเมนต์ใดบ้ างที่มคี วามแตกต่างกัน ตามวิธกี ารทั้ง 8 วิธี

ในหัวข้ อ 2.2.2
- โดยเริ่มต้ นจากการหาค่าเฉลี่ยของแต่ละทรีตเมนต์ ดังต่อไปนี้

ค่าเฉลี่ยแรงต้ านการตัดของทรีตเมนต์ควบคุม = (5 + 4 + 6 + 5) / 4 = 5
ค่าเฉลี่ยแรงต้ านการตัดเมื่อใช้ สารเจือปน 1 = (6 + 6 + 8 + 8) / 4 = 7
ค่าเฉลี่ยแรงต้ านการตัดเมื่อใช้ สารเจือปน 2 = (9 + 7 + 9 + 8) / 4 = 8.25
ค่าเฉลี่ยแรงต้ านการตัดเมื่อใช้ สารเจือปน 3 = (12 + 12 + 13 + 13) / 4 = 12.5
- จากนั้นหาผลต่างของค่าเฉลี่ยแต่ละคู่ ดังต่อไปนี้
ไม่เติมสารเจือปน สารเจือปน สารเจือปน 2 สารเจือปน 3

(5) 1(7) (8.25) (12.5)
ไม่เติมสารเจือปน (5) - 7-5 = 2 8.25-5 = 3.25 12.5-5 = 7.5
สารเจือปน 1(7) - 8.25-7 = 1.25 12.5-7 = 5.25
สารเจือปน 2 (8.25) - 12.5-8.25 = 4.25
สารเจือปน 3 (12.5) -
- คานวณหาค่าวิกฤตของแต่ละวิธที ่รี ะดับนัยสาคัญเท่ากับ 0.05 และ 0.01 แล้ วนาผลต่างของ

ค่าเฉลี่ยแต่ละคู่มาเปรียบเทียบกับค่าวิกฤต ดังต่อไปนี้
(1) การทดสอบของฟิ ชเชอร์
2 MS E
LSD  t , df E
r
2(0.813) 1.626
ที่ระดับนัยสาคัญ เท่ากับ 0.05 = t 0.025, 12 =2.179
4 4
= 2.179 0.407 = 1.390
2(0.813) 1.626
ที่ระดับนัยสาคัญ เท่ากับ 0.01 = t 0.01, 12 =3.055
4 4
= 3.055 0.407 = 1.949
~ 62 ~
ไม่เติมสารเจือปน สารเจือปน 1 สารเจือปน 2 สารเจือปน 3

(5) (7) (8.25) (12.5)
ไม่เติมสารเจือปน (5) - 2 3.25 7.5
(>1.390 และ 1.949) (>1.390 และ 1.949) (>1.390 และ 1.949)
สารเจือปน 1(7) - 1.25 5.25
(<1.390 และ 1.949) (>1.390 และ 1.949)
สารเจือปน 2 (8.25) - 4.25
(>1.390 และ 1.949)
p < 0.05 และ 0.01 c b b a
(2) การทดสอบแบบพิสยั เชิงพหุของดันแคน
MS E
LSR  DMR p ,df E
r
ที่ระดับนัยสาคัญ เท่ากับ 0.05

0.813 0.813
p=2 = DMR 2, 12 = 3.082
4 4
= 3.082 0.203 = 1.389
0.813 0.813
p=3 = DMR 3, 12 = 3.225
4 4
= 3.225 0.203 = 1.453
0.813 0.813
p=4 = DMR 4, 12 = 3.313
4 4
= 3.313 0.203 = 1.492
0.813 0.813
p=2 = DMR 2, 12 = 4.320
4 4
= 4.320 0.203 = 1.946
0.813 0.813
p=3 = DMR 3, 12 = 4.504
4 4
= 4.504 0.203 = 2.029
0.813 0.813
p=4 = DMR 4, 12 = 4.622
4 4
= 4.622 0.203 = 2.082
~ 63 ~

(5) (7) (8.25) (12.5)
(>1.389 และ 1.946) (>1.453 และ 2.029) (>1.492 และ 2.082)
สารเจือปน 1(7) - 1.25 5.25
(<1.389 และ 1.946) (>1.453 และ 2.029)
สารเจือปน 2 (8.25) - 4.25
(>1.389 และ 1.946)
p < 0.05 และ 0.01 c b b a
(3) การทดสอบของสติวเดนท์นวิ แมนคูล
MS E
K   SSR p ,df E
r

0.813 0.813
p=2 = SSR 2, 12 = 3.08
4 4
= 3.08 0.203 = 1.388
0.813 0.813
p=3 = SSR 3, 12 = 3.77
4 4
= 3.77 0.203 = 1.699
0.813 0.813
p=4 = SSR 4, 12 = 4.20
4 4
= 4.20 0.203 = 1.892
0.813 0.813
p=2 = SSR 2, 12 = 4.32
4 4
= 4.32 0.203 = 1.946
0.813 0.813
p=3 = SSR 3, 12 = 5.04
4 4
= 5.04 0.203 = 2.271
0.813 0.813
p=4 = SSR 4, 12 = 5.50
4 4
= 5.50 0.203 = 2.478
~ 64 ~

(5) (7) (8.25) (12.5)
(>1.388 และ 1.946) (>1.699 และ 2.271) (>1.892 และ 2.478)
สารเจือปน 1(7) - 1.25 5.25
(<1.388 และ 1.946) (>1.699 และ 2.271)
สารเจือปน 2 (8.25) - 4.25
(>1.388 และ 1.946)
p < 0.05 และ 0.01 c b b a
(4) การทดสอบของทูกยี ์แบบเอ
MS E
T( a )  SSR p ,df E
r

0.813 0.813
p=4 = SSR 4, 12 = 4.20
4 4
= 4.20 0.203 = 1.892
0.813 0.813
p=4 = SSR 4, 12 = 5.50
4 4
= 5.50 0.203 = 2.478

(5) (7) (8.25) (12.5)
(>1.892 แต่ < 2.478) (>1.892 และ 2.478) (>1.892 และ 2.478)
สารเจือปน 1(7) - 1.25 5.25
(<1.892 และ 2.478) (>1.892 และ 2.478)
สารเจือปน 2 (8.25) - 4.25
(>1.892 และ 2.478)
p < 0.05 c b b a
p < 0.01 c bc b a
~ 65 ~
(5) การทดสอบของทูกยี ์แบบบี
K   T( a )
T(b ) 
2

p=2 = (1.388 + 1.892) / 2 = 1.640
p=3 = (1.699 + 1.892) / 2 = 1.796
p=4 = (1.892 + 1.892) / 2 = 1.892
p=2 = (1.946 + 2.478) / 2 = 2.212
p=3 = (2.271 + 2.478) / 2 = 2.375
p=4 = (2.478 + 2.478) / 2 = 2.478

(5) (7) (8.25) (12.5)
(>1.640 แต่ < 2.212) (>1.796 และ 2.375) (>1.892 และ 2.478)
สารเจือปน 1(7) - 1.25 5.25
(<1.640 และ 2.212) (>1.796 และ 2.375)
สารเจือปน 2 (8.25) - 4.25
(>1.640 และ 2.212)
p < 0.05 c b b a
p < 0.01 c bc b a
(6) การทดสอบของเชฟเฟ
2MSE
S  dfTr ( F , df Tr , df E )
r
2(0.813) 1.626
ที่ระดับนัยสาคัญ เท่ากับ 0.05 = 3(3.49) = 10.47
4 4
= 3.236 0.407 = 2.064
2(0.813) 1.626
4 4
= 4.225 0.407 = 2.695
~ 66 ~

(5) (7) (8.25) (12.5)
(<2.064 และ 2.695) (>2.064 และ 2.695) (>2.064 และ 2.695)
สารเจือปน 1(7) - 1.25 5.25
(<2.064 และ 2.695) (>2.064 และ 2.695)
สารเจือปน 2 (8.25) - 4.25
(>2.064 และ 2.695)
p < 0.05 และ 0.01 c bc b a
(7) การทดสอบของเบอนเฟอร์โรนี
2MSE
LSD  t
S
, df E r
2(0.813) 1.626
ที่ระดับนัยสาคัญ เท่ากับ 0.05 = t 0.05 =3.055
6
,12 4 4
= 3.055 0.407 = 1.949
2(0.813) 1.626
ที่ระดับนัยสาคัญ เท่ากับ 0.01 = t 0.01 =3.930
6
,12 4 4
= 3.930 0.407 = 2.507

(5) (7) (8.25) (12.5)
(>1.949 แต่ < 2.507) (>1.949 และ 2.507) (>1.949 และ 2.507)
สารเจือปน 1(7) - 1.25 5.25
(<1.949 และ 2.507) (>1.949 และ 2.507)
สารเจือปน 2 (8.25) - 4.25
(>1.949 และ 2.507)
p < 0.05 c b b a
p < 0.01 c bc b a
~ 67 ~
(8) การทดสอบของดันเนทท์
2MSE
D  d , df Tr , df E
r
2(0.813) 1.626
ที่ระดับนัยสาคัญ เท่ากับ 0.05 = d 0.05,3,12 = 2.50
4 4
= 2.50 0.407 = 1.595
2(0.813) 1.626
4 4
= 3.39 0.407 = 2.163

(5) (7) (8.25) (12.5)
(>1.595 แต่ <2.163) (>1.595 และ 2.163) (>1.595 และ 2.163)
p<0.05 * * *
p<0.01 ** **
หากเปรียบเทียบค่าเฉลี่ยโดยใช้ (1) การทดสอบของฟิ ชเชอร์ (2) การทดสอบแบบพิสยั เชิงพหุของ

ดันแคน และ (3) การทดสอบของสติวเดนท์นวิ แมนคูล จะสามารถสรุปได้ ว่า การใช้ สารเจือปน 3 จะได้ ไส้
กรอกที่มคี ่าการต้ านแรงตัดมากที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) รองลงมา คือ การใช้ สารเจือปน 2
และ การใช้ สารเจือปน 1 ซึ่งสารเจือปนทั้งสองชนิดนี้จะได้ ไส้กรอกมีค่าการต้ านแรงตัดแตกต่างกันอย่างไม่มี
นัยสาคัญ (p>0.01) หรือไม่แตกต่างกัน และลาดับสุดท้ าย คือ การไม่เติมสารเจือปนใดๆ (ทรีตเมนต์
ควบคุม) จะได้ ไส้ กรอกที่มคี ่าแรงตัดน้ อยที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01)
หากเปรียบเทียบค่าเฉลี่ยโดยใช้ (4) การทดสอบของทูกยี ์แบบเอ (5) การทดสอบการทดสอบของ
ทูกยี ์แบบบี และ (7) การทดสอบของเบอนเฟอร์โรนี จะสามารถสรุปได้ ว่า การใช้ สารเจือปน 3 จะได้ ไส้ กรอก
ที่มคี ่าการต้ านแรงตัดมากที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) รองลงมา คือ การใช้ สารเจือปน 2 และ
การใช้ สารเจือปน 1 ซึ่งสารเจือปนทั้งสองชนิดนี้จะได้ ไส้กรอกมีค่าการต้ านแรงตัดแตกต่างกันอย่างไม่มี
นัยสาคัญ (p>0.01) หรือไม่แตกต่างกัน แต่การใช้ สารเจือปน 2 จะได้ ไส้ กรอกที่มคี ่าแรงตัดมากกว่าไส้ กรอกที่
ไม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) ในขณะที่การใช้ สารเจือปน
1 จะได้ ไส้ กรอกที่มคี ่าแรงตัดมากกว่าไส้ กรอกที่ไม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญ
ทางสถิติ (p<0.05)
หากเปรียบเทียบค่าเฉลี่ยโดยใช้ (6) การทดสอบของเชฟเฟ จะสามารถสรุปได้ ว่า การใช้ สารเจือปน
3 จะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดมากที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) รองลงมา คือ การใช้
สารเจือปน 2 และ การใช้ สารเจือปน 1 ซึ่งสารเจือปนทั้งสองชนิดนี้จะได้ ไส้ กรอกมีค่าการต้ านแรงตัดแตกต่าง
กันอย่างไม่มนี ัยสาคัญ (p>0.01) หรือไม่แตกต่างกัน แต่การใช้ สารเจือปน 2 จะได้ ไส้ กรอกที่มคี ่าแรงตัด
มากกว่าไส้ กรอกที่ไม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) ในขณะที่
~ 68 ~
การใช้ สารเจือปน 1 จะได้ ไส้ กรอกที่มคี ่าแรงตัดมากกว่าไส้ กรอกที่ไม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม)

อย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน
หากเปรียบเทียบค่าเฉลี่ยโดยใช้ (8) การทดสอบของดันเนทท์ จะสามารถสรุปได้ ว่า การใช้ สารเจือ
ปน 3 และ การใช้ สารเจือปน 2 จะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดมากกว่า การไม่ใช้ สารเจือปนใดๆ อย่างมี
นัยสาคัญยิ่งทางสถิติ (p<0.01) ในขณะที่การใช้ สารเจือปน 1 จะได้ ไส้ กรอกที่มคี ่าแรงตัดมากกว่าไส้ กรอกที่ไม่
เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญทางสถิติ (p<0.05)
2.2.5 แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก
แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (Randomized complete block design; RCBD) เป็ น
แผนการทดลองที่ใช้ เมื่อไม่สามารถจัดหาหน่วยทดลองที่มคี วามสม่าเสมอหรือคล้ ายคลึงกันมาใช้ สาหรับการ
ทดลองได้ ท้งั หมด จึงมีการพิจารณาแบ่งหน่วยทดลองออกเป็ นกลุ่มๆ โดยพยายามให้ หน่วยทดลองในแต่ละ
กลุ่มมีลักษณะใกล้ เคียงกันมากที่สดุ และนาหน่วยทดลองแต่ละกลุ่มนี้มาใช้ สาหรับการทาการทดลองแต่ละซา้
โดยเรียกกลุ่มของหน่วยทดลองในแต่ละซา้ ดังกล่าวนี้ว่า บล็อก (Block) จากนั้นจึงจัดทรีตเมนต์ในแต่ละซา้
ให้ แก่หน่วยทดลองในแต่ละกลุ่มโดยวิธกี ารสุ่ม
รูปแบบเชิงเส้ นตรงของแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก คือ
Xij =  + i + j + ij
เมื่อ Xij แทนค่าสังเกตที่ได้ จากหน่วยทดลองที่ j ซึ่งได้ รับทรีตเมนต์ท่ี i

j = 1,2,…, ni (ni คือ จานวนซา้ ของทรีตเมนต์ i)
j แทนอิทธิพลของบล็อกที่ j
ij แทนความคลาดเคลื่อนของการทดลอง ซึ่งมีค่าเฉลี่ยเท่ากับ 0
ดังนั้นความแปรปรวนทั้งหมดที่เกิดขึ้นในแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก จึงสามารถแบ่ง
ออกเป็ นสามส่วน คือ ความแปรปรวนที่เกิดจากทรีตเมนต์ ความแปรปรวนที่เกิดจากบล็อก และ ความ
แปรปรวนที่เกิดจากความคลาดเคลื่อนของการทดลอง (SST = SSTr + SSB + SSE )
การคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก
มีดงั นี้คอื
dfT = tr – 1
= ผลคูณของจานวนทรีตเมนต์และจานวนซา้ – 1
~ 69 ~
dfTr = t -1
dfB = r -1
= จานวนบล็อกหรือจานวนซา้ – 1
dfE = (t -1) (r-1) หรือ dfT - dfTr - dfB
= ผลคูณของจานวนทรีตเมนต์และจานวนซา้ - 1 หรือ dfT - dfTr - dfB
2
 t r 
  X ij 
 
C.T. =  i 1 j 1 
tr
ผลคูณของจานวนทรีตเมนต์และจานวนซา้
t r
SST =  X
i 1 j 1
2
ij  C.T .

2
t  r 
   X ij 

i 1  j 1

SSTr =   C.T .
r
จานวนข้ อมูลในแต่ละทรีตเมนต์) – C.T.
2
r
 t 
   X ij 
j 1  i 1 
SSB =  C.T .
t
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละบล็อกหารด้ วย
จานวนทรีตเมนต์) – C.T.
SSE = SST - SSTr - SSB
SS Tr
MSTr =
df Tr
SS B
MSB =
df B
SS E
MSE =
df E
MSTr
FTr =
MS E
MS B
FB =
MS E
~ 70 ~
df SS MS Fcal
Treatments t-1 SSTr MSTr = SSTr / t-1 MSTr/MSE
Blocks r-1 SSB MSB = SSB / r-1 MSB/MSE
Error (t-1)(r-1) SSE MSE = SSE /(t-1)(r-1)
Total tr-1 SST
วัตถุประสงค์ของการวิเคราะห์ความแปรปรวนสาหรับแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก คือ
การเปรียบเทียบว่าการใช้ ทรีตเมนต์ท่แี ตกต่างกันและการจัดบล็อกมีผลทาให้ ค่าสังเกต (ค่าที่ตดิ ตาม) มีความ
แตกต่างกันหรือไม่ ดังนั้นสมมติฐานที่ใช้ ในการทดสอบ คือ

H 1: …   … (ค่าเฉลี่ยของทรีตเมนต์อย่างน้ อย 2 ทรีตเมนต์แตกต่างกัน)
และ
Ho: 1 = 2 = … = i (ค่าเฉลี่ยของบล็อกทั้งหมดไม่แตกต่างกัน)
H 1: …  … (ค่าเฉลี่ยของบล็อกอย่างน้ อย 2 บล็อกแตกต่างกัน)
เมนต์ท่ไี ม่มกี ารเติมสารเจือปน ทาการทดลอง 4 ซา้ โดยแต่ละครั้งจาเป็ นต้ องใช้ เนื้อที่ได้ มาจากแหล่ง 4 แหล่ง
แต่มกี ารพยายามควบคุมปัจจัยอื่นๆ ให้ มลี ักษณะใกล้ เคียงกันมากที่สดุ พบว่าได้ ผลการทดลองดังต่อไปนี้
โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน

ซา้ ที่ 1 ซา้ ที่ 2 ซา้ ที่ 3 ซาที่ 4
สารเจือปน 3 12 12 13 13

ที่ระดับนัยสาคัญเท่ากับ 0.05 และ 0.01 และหากพบความแตกต่างของทรีตเมนต์ กรุณาเปรียบเทียบค่าเฉลี่ย
ทีละคู่ตามวิธขี องฟิ ชเชอร์และวิธขี องกูทยี ์แบบเอ
~ 71 ~
วิธีทา
H0: 1 = 2 = 3 = 4 (ค่าเฉลี่ยของค่าแรงต้ านการตัดของทุกทรีตเมนต์ไม่แตกต่างกัน)
H 1: …  … (ค่าเฉลี่ยของค่าแรงต้ านการตัดอย่างน้ อยสองทรีตเมนต์แตกต่างกัน)
และ
Ho: 1 = 2 = 3 = 4 (ค่าเฉลี่ยเมื่อใช้ เนื้อจากทุกแหล่งไม่แตกต่างกัน)
H1: …  … (ค่าเฉลี่ยเมื่อใช้ เนื้อจากอย่างน้ อย 2 แหล่งแตกต่างกัน)
dfT = tr – 1 = (4)(4) – 1 = 15
dfTr = t -1 = 4–1 = 3
dfB = r-1 = 4–1 = 3
dfE = (t-1) (r-1) หรือ dfT - dfTr - dfB

= (4-1)(4-1) = 9
2
 t r 
  X ij 
 
C.T. =  i 1 j 1 
tr
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / (4)(4)
= 1312 / 16 = 17,161 / 16 = 1,072.56
t r
SST =  X
i 1 j 1
2
ij  C.T .
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 = 130.44
2
r
 t 
   X ij 
j 1  i 1   C.T .
SSTr =
r
= ((5 + 4 + 6 + 5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56
= (400 + 784 + 1,089 + 2,500) / 4 - 1,072.56
= 1,193.25 – 1,072.56 = 120.69
2
r
 t 
   X ij 
j 1  i 1 
SSB =  C.T .
t
= ((5 + 6 + 9 + 12)2 + (4 + 6 + 7 + 12)2 + (6 + 8 + 9 + 13)2
~ 72 ~
+ (5 + 8 + 8 + 13)2 ) / 4 - 1,072.56
= (1,024 + 841 + 1,296 + 1,156) / 4 - 1,072.56
= 1,079.25 – 1,072.56 = 6.69
SSE = SST - SSTr - SSB
= 130.44 – 120.69 – 6.69 = 3.06
SS Tr
MSTr = = 120.69 / 3 = 40.23
df Tr
SS B
MSB = = 6.69 / 3 = 2.23
df B
SS E
MSE = = 3.06 / 9 = 0.34
df E
MSTr
FT = = 40.23 / 0.34 = 118.3
MSE
MS B
FB = = 2.23 / 0.34 = 6.56
MS E
Treatments 3 120.69 40.23 118.3** 3.86 6.99

Blocks 3 6.69 2.23 6.56*
Error 9 3.06 0.34
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า FTr > F0.05,3,9 และ F0.01,3,9 แสดงว่า ค่าเฉลี่ยของ
ทรีตเมนต์อย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) และพบว่า FB > F0.05,3, 9
แต่ < F0.01,3,9 แสดงว่า ค่าเฉลี่ยของบล็อกอย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญทางสถิติ
(p<0.05) ดังนั้น จึงจาเป็ นต้ องทาการเปรียบเทียบค่าเฉลี่ยต่อไป เพื่อให้ ทราบว่ามีทรีตเมนต์ (และบล็อก
ในกรณีท่สี นใจความแตกต่างของบล็อกด้ วย) ใดบ้ างที่มคี วามแตกต่างกัน โดยใช้ วิธเี ปรียบเทียบค่าเฉลี่ยตาม
วิธขี องฟิ ชเชอร์และวิธขี องกูทยี ์แบบเอ ด้ วยการเริ่มต้ นจากการหาค่าเฉลี่ยของแต่ละทรีตเมนต์ หาผลต่างของ
ค่าเฉลี่ยแต่ละคู่ หาค่าวิกฤต และเปรียบเทียบผลต่างของค่าเฉลี่ยแต่ละคู่และค่าวิกฤต ดังต่อไปนี้
- การทดสอบของฟิ ชเชอร์
2 MS E
LSD  t , df E
r
~ 73 ~
2(0.34) 0.68
ที่ระดับนัยสาคัญ เท่ากับ 0.05 = t 0.025, 9 = 2.262
4 4
= 2.262 0.17 = 0.932
2(0.34) 0.68
ที่ระดับนัยสาคัญ เท่ากับ 0.01 = t 0.01, 9 = 3.250
4 4
= 3.250 0.17 = 1.340
- การทดสอบของทูกยี ์แบบเอ
MS E
T( a )  SSR p ,df E
r

0.34 0.34
p=4 = SSR 4, 9 = 4.42
4 4
= 4.42 0.085 = 1.289
0.34 0.34
p=4 = SSR 4, 9 = 5.96
4 4
= 5.96 0.085 = 1.738
- การเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์
ตัวอย่างควบคุม สารเจือปน 1 สารเจือปน 2 สารเจือปน 3

(5) (7) (8.25) (12.5)
ตัวอย่างควบคุม (5) - 7-5 = 2 8.25-5 = 3.25 12.5-5 = 7.5
สารเจือปน 1(7) - 8.25-7 = 1.25 12.5-7 = 5.25
สารเจือปน 2 (8.25) - 12.5-8.25 =
4.25
การทดสอบของฟิ ชเชอร์
p<0.05: 0.932 d c b a
p<0.01: 1.340 c b b a
การทดสอบของทูกยี ์ (เอ)
p<0.05: 1.289 c b b a
p<0.01: 1.738 c b b a
~ 74 ~
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า การใช้ สารเจือปน 3 จะได้ ไส้ กรอกที่มคี ่าการต้ านแรง

ตัดมากที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) รองลงมา คือ การใช้ สารเจือปน 2 และ การใช้ สารเจือปน 1
ซึ่งการใช้ สารเจือปนทั้งสองชนิดนี้จะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดแตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ
(p>0.05) หรือไม่แตกต่างกัน ยกเว้ นกรณีการทดสอบของฟิ ชเชอร์ซ่งึ พบว่า การใช้ สารเจือปน 2 จะได้ ไส้ กรอก
ที่มคี ่าการต้ านแรงตัดมากกว่า การใช้ สารเจือปน 1 อย่างมีนัยสาคัญทางสถิติ (p<0.05) และการใช้ สารเจือปน
2 และสารเจือปน 1 จะได้ ไส้ กรอกที่มคี ่าแรงตัดมากกว่าไส้ กรอกที่ไม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม)
อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01)
- การเปรียบเทียบค่าเฉลี่ยของบล็อก
ซา้ ที่ 2 (7.25) ซา้ ที่ 1 (8) ซา้ ที่ 4 (8.5) ซา้ ที่ 3 (9)
ซา้ ที่ 2 (7.25) - 8 – 7.25 = 0.75 8.5 – 7.25 = 9 – 7.25 = 1.75
1.25
ซา้ ที่ 1 (8) - 8.5 – 8 = 0.5 9 – 8 = 1.0
ซา้ ที่ 4 (8.5) - 9 – 8.5 = 0.5
ซา้ ที่ 3 (9) -
การทดสอบของฟิ ชเชอร์
p<0.05: 0.932 c bc ab a
การทดสอบของทูกยี ์ (เอ)
p<0.05: 1.289 b ab ab a
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า เมื่อใช้ การทดสอบของฟิ ชเชอร์ ผลการทดลองซา้ ที่ 3

และ 4 แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่ 3 มีค่า
มากกว่าการทดลองซา้ ที่ 1 และ 2 อย่างมีนัยสาคัญทางสถิติ (p<0.05) ในขณะที่ผลการทดลองซา้ ที่ 4 และ 1
แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่ 4 มีค่ามากกว่า
การทดลองครั้งที่ 2 อย่างมีนัยสาคัญทางสถิติ (p<0.05) ในขณะที่ผลการทดลองซา้ ที่ 1 มีค่ามากกว่าการ
ทดลองซา้ ที่ 2 อย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน
เมื่อใช้ การทดสอบของทูกยี ์แบบเอ ผลการทดลองซา้ ที่ 3 4 และ 1 แตกต่างกันอย่างไม่มนี ัยสาคัญ
ทางสถิติ (p>0.05) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่ 3 มีค่ามากกว่าการทดลองซา้ ที่ 2 อย่างมี
นัยสาคัญทางสถิติ (p<0.05) ในขณะที่ผลการทดลองซา้ ที่ 4 1 และ 2 แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ
(p>0.05) หรือไม่แตกต่างกัน
~ 75 ~
2.2.6 แผนการทดลองแบบลาตินสแควร์
แผนการทดลองแบบลาตินสแควร์ (Latin square design; LSD) เป็ นแผนการทดลองที่ใช้ เมื่อคาดว่า
จะมีปัจจัยที่อาจก่อให้ เกิดความแปรปรวนในตัวหน่วยทดลองเองอยู่ 2 ปัจจัย (ไม่รวมทรีตเมนต์) ทาให้ มี
ความจาเป็ นต้ องมีการจัดบล็อกในลักษณะสองทิศทาง คือ การจัดบล็อกในแนวสดมภ์ (แนวตั้ง) และจัดบล็อก
ในแนวแถว (แนวนอน) เพื่อแยกความคลาดเคลื่อนที่อาจเกิดจากปัจจัยทั้งสองออกจากความคลาดเคลื่อนของ
การทดลอง ซึ่งจะทาให้ ผลการทดลองมีความถูกต้ องมากยิ่งขึ้น แต่การที่จะทาเช่นนี้ได้ มคี วามจาเป็ นจะต้ อง
กาหนดให้ จานวนของสดมภ์ แถว และทรีตเมนต์มคี ่าเท่ากัน เพื่อให้ แต่ละทรีตเมนต์ปรากฏในแต่ละแถวและ
แต่ละสดมภ์เพียง 1 ครั้งเท่านั้น
แผนการทดลองแบบลาตินสแควร์ท่มี ขี นาดเล็กที่สดุ คือ ขนาด 2 x 2 หมายถึง แผนการทดลองที่มี
ปัจจัยที่อาจก่อให้ เกิดความแปรปรวนในหน่วยทดลอง 2 ปัจจัยๆ ละ 2 ระดับ และมีทรีตเมนต์ท่ตี ้ องการศึกษา
2 ระดับ ถ้ าเป็ นแผนการทดลองขนาด 3 x 3 หมายถึง แผนการทดลองที่มปี ัจจัยที่อาจก่อให้ เกิดความ
แปรปรวนในหน่วยทดลอง 2 ปัจจัยๆ ละ 3 ระดับ และมีทรีตเมนต์ท่ตี ้ องการศึกษา 3 ระดับ และถ้ าเป็ น
แผนการทดลองขนาด 4 x 4 หมายถึง แผนการทดลองที่มปี ัจจัยที่อาจก่อให้ เกิดความแปรปรวนในหน่วย
ทดลอง 2 ปัจจัยๆ ละ 4 ระดับ และมีทรีตเมนต์ท่ตี ้ องการศึกษา 4 ระดับ เป็ นต้ น ตัวอย่างจานวนผัง
มาตรฐานและจานวนผังที่เป็ นไปได้ ท้งั หมดของแผนกาทดลองแบบ r x r มีดงั นี้ คือ (สายชล, 2549)
แผนการทดลองขนาด 2 x 2 มีจานวนผังที่เป็ นไปได้ 2 ผัง (2 มาจาก 1 x 2! (2-1)!) แต่มผี งั
มาตรฐานเพียง 1 ผัง คือ
A B
B A
แผนการทดลองขนาด 3 x 3 มีจานวนผังที่เป็ นไปได้ 12 ผัง (12 มาจาก 1 x 3! (3-1)!) แต่มผี งั

มาตรฐานเพียง 1 ผัง คือ
A B C
B C A
C A B
ส่วนแผนการทดลองขนาด 4 x 4 มีจานวนผังมาตรฐาน 4 ผัง และจานวนผังที่เป็ นไปได้ 576 ผัง

(576 มาจาก 4 x 4! (4-1)!) แผนการทดลองขนาด 5 x 5 มีจานวนผังมาตรฐาน 56 ผัง และจานวนผังที่
เป็ นไปได้ 161,280 ผัง (161,280 มาจาก 56 x 5! (5-1)!) และแผนการทดลองขนาด 6 x 6 มีจานวน
ผังมาตรฐาน 9,408 ผัง และจานวนผังที่เป็ นไปได้ 812,851,200 ผัง (812,851,200 มาจาก 9,408 x 6!
(6-1)!) เป็ นต้ น
ดังนั้นการเลือกใช้ ผงั สาหรับแผนการทดลองแบบลาตินสแควร์ จึงจาเป็ นต้ องมีวิธกี ารสุ่มเพื่อเลือกผัง
การทดลองที่จะนามาใช้ ทาการทดลอง โดยอาจใช้ วิธสี ่มุ จากผังที่เป็ นไปได้ ท้งั หมดของแต่ละกรณี แต่วิธที ่มี ี
ความสะดวกและง่ายต่อการนาไปใช้ มากกว่า คือ การเลือกผังมาตรฐานมา 1 ผังและนามาเปลี่ยนลาดับของแถว
และสดมภ์โดยวิธกี ารสุ่มเลือกสดมภ์ n ครั้งและเลือกแถว n-1 ครั้ง
~ 76 ~
รูปแบบเชิงเส้ นตรงของแผนการทดลองแบบลาตินสแควร์ คือ
Xijk =  + i + Rj + Ck + ijk
เมื่อ Xijk แทนค่าสังเกตที่ได้ จากหน่วยทดลองของทรีตเมนต์ท่ี i จากแถว j ของสดมภ์ k

j = 1,2,…, r (r คือ จานวนซา้ ของทรีตเมนต์ i ในแนวแถว = t)
k = 1,2,…,c (c คือ จานวนซา้ ของทรีตเมนต์ i ในแนวสดมภ์ = t)
Rj แทนอิทธิพลของแถวที่ j
Ck แทนอิทธิพลของสดมภ์ท่ี k
ijk แทนความคลาดเคลื่อนของการทดลอง ซึ่งมีค่าเฉลี่ยเท่ากับ 0
ดังนั้นความแปรปรวนทั้งหมดที่เกิดขึ้นในแผนการทดลองแบบลาตินสแควร์ จึงสามารถแบ่งออกเป็ นสี่

ส่วน คือ ความแปรปรวนที่เกิดจากทรีตเมนต์ ความแปรปรวนที่เกิดจากแถว ความแปรปรวนที่เกิดจากสดมภ์
และ ความแปรปรวนที่เกิดจากความคลาดเคลื่อนของการทดลอง (SST = SSTr + SSR + SSC + SSE )
การคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับแผนการทดลองแบบลาตินสแควร์ มี
ดังนี้คอื
dfT = t2 – 1
= ค่ากาลังสองของจานวนทรีตเมนต์ – 1
dfTr = t -1
dfR = r -1 หรือ t -1
= จานวนแถว – 1 หรือ จานวนทรีตเมนต์ – 1
dfC = c -1 หรือ t -1
= จานวนสดมภ์ – 1 หรือ จานวนทรีตเมนต์ – 1
dfE = (t -1) (t-2) หรือ dfT - dfTr - dfR - dfC
= ผลคูณของ (จานวนทรีตเมนต์ – 1) และ (จานวนทรีตเมนต์ – 2) หรือ
dfT - dfTr - dfR - dfC
2
 t r c 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
t2
กาลังสองของจานวนทรีตเมนต์
~ 77 ~
t r c
SST =  X
i 1 j 1 k 1
2
ijk  C.T .

2
t  r c 
   X ijk

i 1  j 1 k 1


SSTr =   C.T .
t
2
r
 t c 
   X ijk 
j 1  i 1 k 1 
SSR =  C.T .
t
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละแถวหารด้ วย
2
c  t r 
   X ijk

k 1  i 1 j 1


SSC =   C.T .
t
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละสดมภ์หารด้ วย
SSE = SST - SSTr - SSR - SSC
SS Tr
MSTr =
df Tr
SS R
MSR =
df R
SS C
MSC =
df C
SS E
MSE =
df E
MSTr
FTr =
MS E
MS R
FR =
MS E
MSC
FC =
MS E
~ 78 ~
Sources of variation df SS MS Fcal

Treatments t-1 SSTr MSTr = SSTr / dfTr MSTr/MSE
Rows t-1 SSR MSR = SSR / dfR MSB/MSE
Columns t-1 SSB MSC = SSC / dfC MSC/MSE
Error (t-1)(t-2) SSE MSE = SSE / dfE
Total t2-1 SST
เนื่องจากวัตถุประสงค์ของการวิเคราะห์ความแปรปรวนสาหรับแผนการทดลองแบบลาตินสแควร์ คือ
การเปรียบเทียบว่า อิทธิพลที่เกิดจากการใช้ ทรีตเมนต์ แถว และสดมภ์ มีความแตกต่างกันหรือไม่ ดังนั้น
H 1: …   … (ค่าเฉลี่ยของทรีตเมนต์อย่างน้ อย 2 ทรีตเมนต์แตกต่างกัน)
และ
Ho: R1 = R2 = … = Rj (ค่าเฉลี่ยของแถวทั้งหมดไม่แตกต่างกัน)
H 1: R…  R… (ค่าเฉลี่ยของแถวอย่างน้ อย 2 แถวแตกต่างกัน)
และ
Ho: C1 = C2 = … = Ck (ค่าเฉลี่ยของสดมภ์ท้งั หมดไม่แตกต่างกัน)
H 1: C…  C… (ค่าเฉลี่ยของสดมภ์อย่างน้ อย 2 สดมภ์แตกต่างกัน)
เมนต์ท่ไี ม่มกี ารเติมสารเจือปน ทาการทดลอง 4 ซา้ โดยแต่ละซา้ จาเป็ นต้ องใช้ เนื้อที่ได้ มาจากแหล่ง 4 แหล่ง
และภายในการทดลองแต่ละซา้ จาเป็ นต้ องใช้ เครื่องสับผสม 4 เครื่อง โดยแต่ละเครื่องจะถูกใช้ ผลิตทรีตเมนต์ท่ี
แตกต่างกันในแต่ละครั้งที่ทาการทดลอง และมีการพยายามควบคุมปัจจัยอื่นๆ ให้ มลี ักษณะใกล้ เคียงกันมาก
ที่สดุ พบว่าได้ ผลการทดลองดังต่อไปนี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์
ค่าแรงต้ านการตัด (นิวตัน) / ทรีตเมนต์

เครื่องสับผสม A 12 / สารเจือปน 3 4 / ไม่เติมสารเจือปน 8 / สารเจือปน 1 8 / สารเจือปน 2
เครื่องสับผสม B 5 / ไม่เติมสารเจือปน 6 / สารเจือปน 1 9 / สารเจือปน 2 13 / สารเจือปน 3
เครื่องสับผสม C 6 / สารเจือปน 1 7 / สารเจือปน 2 13 / สารเจือปน 3 5 / ไม่เติมสารเจือปน
เครื่องสับผสม D 9 / สารเจือปน 2 12 / สารเจือปน 3 6 / ไม่เติมสารเจือปน 8 / สารเจือปน 1
~ 79 ~
กรุณาระบุสมมติฐานที่ใช้ ทดสอบ และวิเคราะห์ผลการทดลองโดยการวิเคราะห์ความแปรปรวนที่

ระดับนัยสาคัญเท่ากับ 0.05 และ 0.01 หากพบความแตกต่างของทรีตเมนต์ กรุณาเปรียบเทียบค่าเฉลี่ยทีละ
คู่ตามวิธกี ารทดสอบแบบพิสยั เชิงพหุของดันแคนและการทดสอบของเชฟเฟ
วิธีทา
H0: 1 = 2 = 3 = 4 (ค่าเฉลี่ยของค่าแรงต้ านการตัดของทุกทรีตเมนต์ไม่แตกต่างกัน)
H1: …  …. (ค่าเฉลี่ยของค่าแรงต้ านการตัดอย่างน้ อยสองทรีตเมนต์แตกต่างกัน)
และ
Ho: R1 = R2 = R3 = R4 (ค่าเฉลี่ยเมื่อใช้ เครื่องสับผสมทุกเครื่องไม่แตกต่างกัน)
H1: R…  R… (ค่าเฉลี่ยเมื่อใช้ เครื่องสับผสมอย่างน้ อย 2 เครื่องแตกต่างกัน)
และ
Ho: C1 = C2 = C3 = C4 (ค่าเฉลี่ยเมื่อใช้ เนื้อจากทุกแหล่งไม่แตกต่างกัน)
H1: C…  C… (ค่าเฉลี่ยเมื่อใช้ เนื้อจากอย่างน้ อย 2 แหล่งแตกต่างกัน)
dfT = t2 – 1 = 42 – 1 = 15
dfTr = t -1 = 4–1 =3
dfR = r-1 หรือ t-1 = 4–1 =3
dfC = c-1 หรือ t-1 = 4–1 =3
dfE = (t-1) (t-2) หรือ dfT - dfTr – dfR - dfC
= (4-1)(4-2) =6
2
 t r c 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
t2
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / 42
= 1312 / 16 = 17,161 / 16 = 1,072.56
t r c
SST =  X
i 1 j 1 k 1
2
ijk  C.T .
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 = 130.44
2
t  r c 
   X ijk

i 1  j 1 k 1


SSTr =   C.T .
t
= ((4 + 5 + 6 +5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56
~ 80 ~
= (400 + 784 + 1,089 + 2,500) / 4 - 1,072.56

= 1,193.25 – 1,072.56 = 120.69
2
r
 t c 
   X ijk 
j 1  i 1 k 1 
SSR =  C.T .
t
= ((12 + 4 + 8 + 8)2 + (5 + 6 + 9 + 13)2 + (6 + 7 + 13 + 5)2
+ (9 + 12 + 6 + 8)2 ) / 4 - 1,072.56
= (1,024 + 1,089 + 961 + 1,225) / 4 - 1,072.56
= 1,074.75 – 1,072.56 = 2.19
2
c  t r 
   X ijk

k 1  i 1 j 1


SSC =   C.T .
t
= ((12 + 5 + 6 + 9)2 + (4 + 6 + 7 + 12)2 + (8 + 9 + 13 + 6)2
+ (8 + 13 + 5 + 8)2 ) / 4 - 1,072.56
= (1,024 + 841 + 1,296 + 1,156) / 4 - 1,072.56
= 1,079.25 – 1,072.56 = 6.69
SSE = SST - SSTr – SSR – SSC
= 130.44 – 120.69 – 2.19 - 6.69 = 0.87
SS Tr
MSTr = = 120.69 / 3 = 40.23
df Tr
SS R
MSR = = 2.19 / 3 = 0.73
df R
SSC
MSC = = 6.69 / 3 = 2.23
df C
SS E
MSE = = 0.87 / 6 = 0.145
df E
MSTr
FTr = = 40.23 /0.145 = 277.4
MSE
MS R
FR = = 0.73 / 0.145 = 5.03
MS E
MSC
FC = = 2.23 / 0.145 = 15.38
MS E
~ 81 ~
Treatments 3 120.69 40.23 277.4** 4.76 9.78

Rows 3 2.19 0.73 5.03*
Columns 3 6.69 2.23 15.38**
Error 6 0.87 0.145
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า FTr > F0.05,3,6 และ F0.01,3,6 แสดงว่าค่าเฉลี่ยของทรีต

เมนต์อย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) และพบว่า FR > F0.05,3, 6
แต่ < F0.01,3,6 แสดงว่า ค่าเฉลี่ยของเครื่องสับผสม (แถว) อย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญ
ทางสถิติ (p<0.05) และ FC > F0.05,3,6 และ F0.01,3,6 แสดงว่าค่าเฉลี่ยของการทดลองซา้ ซึ่งใช้ แหล่งเนื้อที่
ต่างกัน (สดมภ์) อย่างน้ อย 1 คู่มคี วามแตกต่างกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) ดังนั้น จึง
จาเป็ นต้ องทาการเปรียบเทียบค่าเฉลี่ยต่อไป เพื่อให้ ทราบว่ามีทรีตเมนต์ (แถวและสดมภ์ ในกรณีท่สี นใจความ
แตกต่างของแถวและสดมภ์ด้วย) ใดบ้ างที่มคี วามแตกต่างกันโดยใช้ วิธเี ปรียบเทียบค่าเฉลี่ยด้ วยวิธกี ารทดสอบ
แบบพิสยั เชิงพหุของดันแคนและการทดสอบของเชฟเฟ ดังนี้
- การทดสอบแบบพิสยั เชิงพหุของดันแคน
MS E
LSR  DMR p ,df E
r

0.145 0.145
p=2 = DMR 2, 6 = 3.461
4 4
= 3.461 0.036 = 0.657
0.145 0.145
p=3 = DMR 3, 6 = 3.587
4 4
= 3.587 0.036 = 0.681
0.145 0.145
p=4 = DMR 4, 6 = 3.649
4 4
= 3.649 0.036 = 0.692
~ 82 ~

0.145 0.145
p=2 = DMR 2, 6 = 5.243
4 4
= 5.243 0.036 = 0.995
0.145 0.145
p=3 = DMR 3, 6 = 5.439
4 4
= 5.439 0.036 = 1.032
0.145 0.145
p=4 = DMR 4, 6 = 5.549
4 4
= 5.549 0.036 = 1.053
- การหาค่าวิกฤตของการทดสอบของเชฟเฟ
2MSE
S  dfTr ( F , df Tr , df E )
r
2(0.145) 0.29
4 4
= 3.779 0.073 = 1.021
2(0.145) 0.29
4 4
= 5.417 0.073 = 1.464
~ 83 ~
- การเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์
ตัวอย่างควบคุม สารเจือปน 1 สารเจือปน 2 สารเจือปน 3
(5) (7) (8.25) (12.5)
ตัวอย่างควบคุม (5) - 7-5 = 2 8.25-5 = 3.25 12.5-5 = 7.5
สารเจือปน 1(7) - 8.25-7 = 1.25 12.5-7 = 5.25
สารเจือปน 2 (8.25) - 12.5-8.25 = 4.25
การทดสอบของดันแคน
p<0.05: 0.657, 0.681, 0.692 d c b a
p<0.01: 0.995, 1.032, 1.053 d c b a
การทดสอบของเชฟเฟ
p<0.05: 1.021 d c b a
p<0.01: 1.464 c b b a
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า เมื่อใช้ การทดสอบของดันแคนพบว่า การใช้ สารเจือปน

3 จะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดมากที่สดุ รองลงมา คือ การใช้ สารเจือปน 2 การใช้ สารเจือปน 1
และใม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) แต่เมื่อใช้ การทดสอบ
ของเชฟเฟพบว่า การใช้ สารเจือปน 3 จะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดมากที่สดุ รองลงมา คือ การใช้
สารเจือปน 2 การใช้ สารเจือปน 1 และใม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญทางสถิติ
(p<0.05) แต่การใช้ สารเจือปน 3 จะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดมากที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ
(p<0.01) รองลงมา คือ การใช้ สารเจือปน 2 และ การใช้ สารเจือปน 1 ซึ่งแตกต่างกันอย่างไม่มนี ัยสาคัญยิ่ง
ทางสถิติ (p>0.01) และการใช้ สารเจือปน 2 และสารเจือปน 1 จะได้ ไส้ กรอกที่มคี ่าแรงตัดมากกว่าไส้ กรอกที่
ไม่เติมสารเจือปนใดๆ (ทรีตเมนต์ควบคุม) อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01)
- การเปรียบเทียบค่าเฉลี่ยของแถว (เครื่องสับผสม)
เครื่องสับผสม เครื่องสับผสม เครื่องสับผสม เครื่องสับผสม

C (7.75) A (8) B (8.25) D (8.75)
เครื่องสับผสม C (7.75) - 8-7.75 = 0.25 8.25–7.75 = 0.5 8.75-7.75 = 1
เครื่องสับผสม A (8) - 8.25-8 = 0.25 8.75-8 = 0.75
เครื่องสับผสม B (8.25) - 8.75-8.25 = 0.5
เครื่องสับผสม D (8.75) -
p<0.05: 0.657, 0.681, 0.692 b b ab a
p<0.05: 1.021
~ 84 ~
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า เมื่อใช้ การทดสอบของดันแคน ผลการทดลองของ

เครื่องสับผสม D และ B แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน แต่ผลการ
ทดลองของเครื่องสับผสม D มีค่ามากกว่าเครื่องสับผสม A และ C อย่างมีนัยสาคัญทางสถิติ (p<0.05) ในขณะ
ที่ผลการทดลองของเครื่องสับผสม B A และ C แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่
แตกต่างกัน เมื่อใช้ การทดสอบของเชฟเฟ พบว่า ผลการทดลองของทั้ง 4 เครื่องแตกต่างกันอย่างไม่มี
นัยสาคัญทางสถิติ (p>0.05) หรือ ไม่แตกต่างกัน
- การเปรียบเทียบค่าเฉลี่ยของสดมภ์ (การทดลองซา้ โดยใช้ เนื้อที่มาจากแหล่งต่างกัน)

(7.25) (8) (8.5) (9)
ซา้ ที่ 2 (7.25) - 8 – 7.25 = 0.75 8.5 – 7.25 = 1.25 9 – 7.25 = 1.75
ซา้ ที่ 1 (8) - 8.5 – 8 = 0.5 9 – 8 = 1.0
ซา้ ที่ 4 (8.5) - 9 – 8.5 = 0.5
ซา้ ที่ 3 (9) -
p<0.05: 0.657, 0.681, 0.692 c b ab a
p<0.01: 0.995, 1.032, 1.053 c abc ab a
p<0.05: 1.021 c abc ab a
p<0.01: 1.464 b ab ab a
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า เมื่อใช้ การทดสอบของดันแคน ผลการทดลองซา้ ที่ 3

และ 4 แตกต่างกันอย่างไม่มนี ัยสาคัญยิ่งทางสถิติ (p>0.01) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่ 3 มี
ค่ามากกว่าการทดลองซา้ ที่ 1 อย่างมีนัยสาคัญทางสถิติ (p<0.05) ในขณะที่มคี ่ามากกว่าการทดลองซา้ ที่ 2
อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) ผลการทดลองซา้ ที่ 4 และ 1 แตกต่างกันอย่างไม่มนี ัยสาคัญยิ่งทางสถิติ
(p>0.01) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่ 4 มีค่ามากกว่าผลการทดลองซา้ ที่ 2 อย่างมีนัยสาคัญยิ่ง
ทางสถิติ (p<0.01) และผลการทดลองซา้ ที่ 1 และ 2 แตกต่างกันอย่างมีนัยสาคัญทางสถิติ (p<0.05)
เมื่อใช้ การทดสอบของเชฟเฟ ผลการทดลองซา้ ที่ 3 4 และ 1 แตกต่างกันอย่างไม่มนี ัยสาคัญยิ่งทาง
สถิติ (p>0.01) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่ 3 มีค่ามากกว่าการทดลองซา้ ที่ 2 อย่างมีนัยสาคัญ
ยิ่งทางสถิติ (p<0.01) ในขณะที่ผลการทดลองซา้ ที่ 4 มีค่ามากกว่าการทดลองซา้ ที่ 2 อย่างมีนัยสาคัญทางสถิติ
(p<0.05)
~ 85 ~
2.2.7 การทดลองแบบแฟคทอเรียล
การทดลองแบบแฟคทอเรียล (Factorial experiment) เป็ นการทดลองที่ถูกนามาใช้ เมื่อมีปัจจัยที่
ต้ องการศึกษาตั้งแต่ 2 ปัจจัยขึ้นไปประกอบกันเป็ นแต่ละทรีตเมนต์คอมบิเนชัน (Treatment combination)
และต้ องการศึกษาอิทธิพลร่วม (Interaction) ระหว่างปัจจัยดังกล่าวในทรีตเมนต์คอมบิเนชันนั้น การทดลอง
แบบแฟคทอเรียลมักจะมีช่ อื เรียกตามระดับของปัจจัยที่ใช้ ในแต่ละการทดลอง เช่น การทดลองที่มี 2 ปัจจัย
โดยปัจจัยที่ 1 มี 2 ระดับ และปัจจัยที่ 2 มี 2 ระดับ จะเรียกว่า การทดลองแบบ 2 x 2 แฟคทอเรียล เป็ นต้ น
ซึ่งแผนการทดลองแบบ 2 x 2 แฟคทอเรียลนี้จะมีจานวนทรีตเมนต์คอมบิเนชัน ที่เกิดจากการประกอบกันของ
ปัจจัยทั้งสองเท่ากับ 4 (4 มาจาก 2 x 2) ทรีตเมนต์คอมบิเนชัน ซึ่งประกอบด้ วย (1) ปัจจัยที่ 1 ระดับที่ 1
และ ปัจจัยที่ 2 ระดับที่ 1 (2) ปัจจัยที่ 1 ระดับที่ 1 และ ปัจจัยที่ 2 ระดับที่ 2 (3) ปัจจัยที่ 1 ระดับที่ 2
และ ปัจจัยที่ 2 ระดับที่ 1 และ (4) ปัจจัยที่ 1 ระดับที่ 2 และ ปัจจัยที่ 2 ระดับที่ 2 และจะต้ องนาทรีต
เมนต์คอมบิเนชันทั้งหมดนี้ไปทดลองโดยใช้ แผนการทดลองแบบสุ่มสมบูรณ์ หรือ แผนการทดลองแบบสุ่ม
สมบูรณ์ในบล็อกต่อไป จะเห็นได้ ว่า การทดลองแบบแฟคทอเรียลเป็ นเพียงการจัดรูปของทรีตเมนต์ท่ใี ช้ ใหม่
เท่านั้น ดังนั้นการเรียกชื่อการทดลองแบบแฟคทอเรียลที่สมบูรณ์จึงต้ องระบุแผนการทดลองที่ใช้ ประกอบด้ วย
เช่น 2 x 2 แฟคทอเรียลที่ใช้ แผนการทดลองแบบสุ่มสมบูรณ์ (2 x 2 Factorial experiment in CRD) หรือ
2 x 2 แฟคทอเรียลที่ใช้ แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (2 x 2 Factorial experiment in RCBD)
เป็ นต้ น
รูปแบบเชิงเส้ นตรงของการทดลองแบบแฟคทอเรียลจะขึ้นอยู่กบั จานวนปัจจัยที่ประกอบกันเป็ นทรีต

เมนต์คอมบิเนชันและแผนการทดลองที่ใช้ ตัวอย่างเช่น
- การทดลองแบบแฟคทอเรียลที่ต้องการศึกษาปัจจัยจานวน 2 ปัจจัย และวางแผนการทดลองแบบ
สุ่มสมบูรณ์
Xijk =  + i + j + ()ij + ijk
เมื่อ Xijk แทนค่าสังเกตที่ได้ จากหน่วยทดลองที่ k ซึ่งใช้ ปัจจัยที่ 1ระดับ i

และปัจจัยที่ 2 ระดับ j
โดยที่ i = 1,2,…, a (a คือ ระดับของปัจจัยที่ 1 )
j = 1,2,…, b (b คือ ระดับของปัจจัยที่ 2)
k = 1,2,…,r (r คือ จานวนซา้ ของทรีตเมนต์คอมบิเนชัน ij)
i แทนอิทธิพลของปัจจัยที่ 1
j แทนอิทธิพลของปัจจัยที่ 2
()ij แทนอิทธิพลร่วมระหว่างปัจจัยที่ 1 และปัจจัยที่ 2
ดังนั้นความแปรปรวนทั้งหมดที่เกิดขึ้นในการทดลอง อาจแยกออกเป็ น ความแปรปรวนที่เกิดจาก

ปัจจัยที่ 1 (A) ความแปรปรวนที่เกิดจากปัจจัยที่ 2 (B) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยที่
~ 86 ~
1 และปัจจัยที่ 2 (AB) และความแปรปรวนที่เกิดจากความคลาดเคลื่อนของการทดลอง (SST = (SSA +

SSB+ SSAB ) + SSE หรือ SSTr + SSE)

สุ่มสมบูรณ์ในบล็อก
Xijk =  + i + j + ()ij + k + ijk
เมื่อ Xijk แทนค่าสังเกตที่ได้ จากหน่วยทดลองในบล็อกที่ k ซึ่งใช้ ปัจจัยที่ 1ระดับ i

และปัจจัยที่ 2 ระดับ j
k = 1,2,…,r (r คือ จานวนซา้ (บล็อก))
k แทนอิทธิพลของบล็อก

ปัจจัยที่ 1 (A) ความแปรปรวนที่เกิดจากปัจจัยที่ 2 (B) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยที่
1 และปัจจัยที่ 2 (AB) ความแปรปรวนที่เกิดจากบล็อก และความแปรปรวนที่เกิดจากความคลาดเคลื่อนของ
การทดลอง (SST = (SSA + SSB+ SSAB ) + SSBl + SSE หรือ SSTr + SSBl + SSE)

สุ่มสมบูรณ์
Xijk =  + i + j + k + ()ij + ()ik + ()jk + ()ijk + ijkl
เมื่อ Xijk แทนค่าสังเกตที่ได้ จากหน่วยทดลองที่ l ซึ่งใช้ ปัจจัยที่ 1ระดับ i ปัจจัยที่ 2 ระดับ j

และปัจจัยที่ 3 ระดับ k
k = 1,2,…,c (c คือ ระดับของปัจจัยที่ 3)
l = 1,2,…,r (r คือ จานวนซา้ ของทรีตเมนต์คอมบิเนชัน ijk)
~ 87 ~
k แทนอิทธิพลของปัจจัยที่ 3
()ik แทนอิทธิพลร่วมระหว่างปัจจัยที่ 1 และปัจจัยที่ 3
()jk แทนอิทธิพลร่วมระหว่างปัจจัยที่ 2 และปัจจัยที่ 3
()ijkแทนอิทธิพลร่วมระหว่างปัจจัยที่ 1 ปัจจัยที่ 2 และปัจจัยที่ 3

ปัจจัยที่ 1 (A) ความแปรปรวนที่เกิดจากปัจจัยที่ 2 (B) ความแปรปรวนที่เกิดจากปัจจัยที่ 3 (C) ความ
แปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยที่ 1 และปัจจัยที่ 2 (AB) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของ
ปัจจัยที่ 1 และปัจจัยที่ 3 (AC) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยที่ 2 และปัจจัยที่ 3 (BC)
ความแปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยทั้งสาม (ABC) และความแปรปรวนที่เกิดจากความ
คลาดเคลื่อนของการทดลอง (SST = (SSA + SSB+ SSC + SSAB + SSAC + SSBC +SSABC) + SSE หรือ SSTr
+ SSE)

สุ่มสมบูรณ์ในบล็อก
Xijk =  + i + j + k + ()ij + ()ik + ()jk + ()ijk + l + ijkl
เมื่อ Xijk แทนค่าสังเกตที่ได้ จากหน่วยทดลองที่ l ซึ่งใช้ ปัจจัยที่ 1ระดับ i ปัจจัยที่ 2 ระดับ j

และปัจจัยที่ 3 ระดับ k
โดยที่ i = 1,2,…, a (a คือ ระดับของปัจจัยที่ 1)
k = 1,2,…,c (c คือ ระดับของปัจจัยที่ 3)
l = 1,2,…,r (r คือ จานวนซา้ (บล็อก))
k แทนอิทธิพลของปัจจัยที่ 3
()ik แทนอิทธิพลร่วมระหว่างปัจจัยที่ 1 และปัจจัยที่ 3
()jk แทนอิทธิพลร่วมระหว่างปัจจัยที่ 2 และปัจจัยที่ 3
()ijkแทนอิทธิพลร่วมระหว่างปัจจัยที่ 1 ปัจจัยที่ 2 และปัจจัยที่ 3
k แทนอิทธิพลของบล็อก
~ 88 ~

ปัจจัยที่ 1 (A) ความแปรปรวนที่เกิดจากปัจจัยที่ 2 (B) ความแปรปรวนที่เกิดจากปัจจัยที่ 3 (C) ความ
แปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยที่ 1 และปัจจัยที่ 2 (AB) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของ
ปัจจัยที่ 1 และปัจจัยที่ 3 (AC) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยที่ 2 และปัจจัยที่ 3 (BC)
ความแปรปรวนที่เกิดจากอิทธิพลร่วมของปัจจัยทั้งสาม (ABC) ความแปรปรวนที่เกิดจากบล็อก และความ
แปรปรวนที่เกิดจากความคลาดเคลื่อนของการทดลอง (SST = (SSA + SSB+ SSC + SSAB + SSAC + SSBC
+SSABC) + SSBl + SSE หรือ SSTr + SSBl + SSE)
การทดสอบสมมติฐานสาหรับการทดลองแบบแฟคทอเรียล จะประกอบด้ วยการทดสอบสมมติฐาน

สาหรับอิทธิพลร่วมและการทดสอบสมมติฐานสาหรับอิทธิพลหลัก ในกรณีการทดสอบสมมติฐานสาหรับ
อิทธิพลร่วม หากยอมรับสมมติฐานหลัก แสดงว่า ปัจจัยที่ศึกษาไม่มอี ทิ ธิพลร่วมกัน แต่หากปฏิเสธสมมติฐาน
หลัก แสดงว่า ปัจจัยที่ศึกษามีอทิ ธิพลร่วมกัน สาหรับการทสอบสมมติฐานสาหรับอิทธิพลหลัก (อิทธิพลของ
แต่ละปัจจัย) หากยอมรับสมมติฐานหลัก แสดงว่า การใช้ ระดับที่แตกต่างกันของปัจจัยนั้นไม่มผี ลทาให้ ค่า
สังเกต (ค่าที่ตดิ ตาม) แตกต่างกัน แต่หากปฏิเสธสมมติฐานหลัก แสดงว่า การใช้ ระดับที่แตกต่างกันของ
ปัจจัยนั้นมีผลทาให้ ค่าสังเกต (ค่าที่ตดิ ตาม) แตกต่างกัน จึงต้ องเปรียบเทียบค่าเฉลี่ยของระดับของปัจจัยนั้นว่า
มีความแตกต่างกันอย่างไร แต่ในกรณีท่ปี ัจจัยที่ศึกษามีอทิ ธิพลร่วมกัน ความสนใจในการทดสอบอิทธิพลของ
แต่ละปัจจัยจะลดลง เนื่องจากจะให้ ความสนใจอิทธิพลร่วม โดยการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์คอม
บิเนชันว่ามีความแตกต่างกันอย่างไร
ตัวอย่างการกาหนดสมมติฐานในกรณีท่มี ปี ัจจัยที่ต้องการศึกษา 2 ปัจจัย และวางแผนการทดลองแบบ

สุ่มสมบูรณ์ คือ
Ho: ()ij = 0 (ปัจจัยทั้งสองไม่มอี ทิ ธิพลร่วมกัน คือ มีค่าเท่ากับ 0)
H 1: ()ij  0 (ปัจจัยทั้งสองมีอทิ ธิพลร่วมกัน)
และ
Ho: i = 0 (ระดับของปัจจัยที่ 1 ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: i  0 (ระดับของปัจจัยที่ 1 มีผลต่อหน่วยทดลอง)
และ
Ho: j = 0 (ระดับของปัจจัยที่ 2 ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: j  0 (ระดับของปัจจัยที่ 2 มีผลต่อหน่วยทดลอง)
ในกรณีวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก จะมีการทดสอบสมมติฐานของอิทธิพลของ
บล็อกเพิ่มขึ้นมาอีก 1 กรณี คือ
Ho: k = 0 (บล็อก ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: k  0 (บล็อกมีผลต่อหน่วยทดลองต่างกัน)
~ 89 ~
การคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับการทดลองแบบ 2 x 2 แฟคทอเรียล

และวางแผนการทดลองแบบสุ่มสมบูรณ์ มีดงั นี้คอื
dfT = abr – 1
= (จานวนระดับของปัจจัย A)(จานวนระดับของปัจจัย B)(จานวนซา้ ) – 1
dfA = a -1
= จานวนระดับของปัจจัย A – 1
dfB = b-1
= จานวนระดับของปัจจัย B – 1
dfAB = (a-1)(b-1)
= (จานวนระดับของปัจจัย A-1)(จานวนระดับของปัจจัย B-1)
dfE = ab(r-1) หรือ dfT - dfA - dfB - dfAB
= ผลคูณของ (จานวนระดับของปัจจัย A)(จานวนระดับของปัจจัย B)
(จานวนซา้ - 1)) หรือ dfT - dfA - dfB - dfAB
2
 a b r 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
(จานวนระดับของปัจจัย A)(จานวนระดับของปัจจัย B)(จานวนซา้ )
a b r
SST =  X
i 1 j 1 k 1
2
ijk  C.T .

2
a b
 r 
   X ijk 
i 1 j 1  k 1 
SSTr =  C.T .
r
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละทรีตเมนต์คอม
บิเนชันหารด้ วยจานวนซา้ ) – C.T.
2
a  b r 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของปัจจัย A
หารด้ วยผลคูณของจานวนระดับของปัจจัย B และจานวนซา้ ) – C.T.
2
b
 a r 
   X ijk 
j 1  i 1 k 1 
SSB =  C.T .
ar
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของปัจจัย B
หารด้ วยผลคูณของจานวนระดับของปัจจัย A และจานวนซา้ ) – C.T.
~ 90 ~
SSAB = SSTr - SSA - SSB

SSE = SST - SSTr
= SST - SSA - SSB - SSAB
SS A
MSA =
df A
SS B
MSB =
df B
SS AB
MSAB =
df AB
SS E
MSE =
df E
MS AB
FAB =
MS E
MS A
FA =
MS E
MS B
FB =
MS E
Sources of variation df SS MS Fcal

Factor A a -1 SSA MSA = SSA / dfA MSA/MSE
Factor B b-1 SSB MSB = SSB / dfB MSB/MSE
Interaction AB (a-1)(b-1) SSAB MSAB = SSAB / dfAB MSAB/MSE
Error ab(r-1) SSE MSE = SSE /dfE
Total abr-1 SST
สาหรับการคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับการทดลองแบบ 2 x 2
แฟคทอเรียล และวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก มีดงั นี้คอื
dfT = abr – 1
= (จานวนระดับของปัจจัย A)(จานวนระดับของปัจจัย B)(จานวนซา้ ) – 1
dfA = a -1
= จานวนระดับของปัจจัย A – 1
dfB = b-1
= จานวนระดับของปัจจัย B – 1
dfAB = (a-1)(b-1)
= (จานวนระดับของปัจจัย A-1)(จานวนระดับของปัจจัย B-1)
~ 91 ~
dfBl = r-1
= จานวนซา้ – 1
dfE = (ab – 1)(r-1) หรือ dfT - dfA - dfB - dfAB - dfBl
= ผลคูณของ ((จานวนระดับของปัจจัย A)(จานวนระดับของปัจจัย B)-
1) (จานวนซา้ - 1)) หรือ dfT - dfA - dfB - dfAB - dfBl
2
 a b r 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
(จานวนระดับของปัจจัย A)(จานวนระดับของปัจจัย B)(จานวนซา้ )
a b r
SST =  X
i 1 j 1 k 1
2
ijk  C.T .

2
a b
 r 
   X ijk 
i 1 j 1  k 1 
SSTr =  C.T .
r
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละทรีตเมนต์คอม
บิเนชันหารด้ วยจานวนซา้ ) – C.T.
2
a  b r 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของปัจจัย A
หารด้ วยผลคูณของจานวนระดับของปั จจัย B และจานวนซา้ ) – C.T.
2
b
 a r 
   X ijk 
j 1  i 1 k 1 
SSB =  C.T .
ar
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของปัจจัย B
หารด้ วยผลคูณของจานวนระดับของปัจจัย A และจานวนซา้ ) – C.T.
SSAB = SSTr - SSA - SSB
2
r  a b 
   X ijk

k 1  i 1 j 1


SSBl =   C.T .
ab
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละซา้
หารด้ วยผลคูณของจานวนระดับของปัจจัย A และ B) – C.T.
SSE = SST - SSTr - SSBl
= SST - SSA - SSB - SSAB - SSBl
~ 92 ~
SS A
MSA =
df A
SS B
MSB =
df B
SS AB
MSAB =
df AB
SS Bl
MSBl =
df Bl
SS E
MSE =
df E
MS AB
FAB =
MS E
MS A
FA =
MS E
MS B
FB =
MS E
MS Bl
FBl =
MS E
df SS MS Fcal
Blocks r-1 SSBl MSBl = SSBl / dfBl MSBl/MSE

Factor A a -1 SSA MSA = SSA / dfA MSA/MSE
Factor B b-1 SSB MSB = SSB / dfB MSB/MSE
Interaction AB (a-1)(b-1) SSAB MSAB = SSAB / dfAB MSAB/MSE
Error ab(r-1) SSE MSE = SSE /dfE
Total abr-1 SST
ผลิตภัณฑ์ไส้ กรอกชนิดหนึ่ง โดยใช้ สารเจือปน 1 และสารเจือปน 2 ชนิดใดชนิดหนึ่งในปริมาณร้ อยละ 0.1
และใช้ ท้งั สองชนิดร่วมกัน (ชนิดละ ร้ อยละ 0.1) เพื่อเปรียบเทียบกับทรีตเมนต์ท่ไี ม่มกี ารเติมสารเจือปน
ทาการทดลอง 4 ซา้ โดยมีการพยายามควบคุมปัจจัยอื่นๆ ให้ มลี ักษณะใกล้ เคียงกันมากที่สดุ พบว่าได้ ผลการ
ทดลองดังต่อไปนี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน
~ 93 ~

สารเจือปน 1 + สารเจือปน 2 12 12 13 13

ที่ระดับนัยสาคัญเท่ากับ 0.05 และ 0.01 หากพบความแตกต่างของทรีตเมนต์คอมบิเนชัน กรุณาเปรียบเทียบ
ค่าเฉลี่ยทีละคู่ตามวิธกี ารทดสอบของดันเนทท์
วิธีทา
และ
และ
dfT = abr – 1 = (2)(2)(4) – 1 = 15
dfA = a -1 = 2–1 =1
dfB = b-1 = 2–1 =1
dfAB = (a-1)(b-1) = (2-1)(2-1) =1
dfE = ab(r-1) หรือ dfT - dfA – dfB - dfAB
= (2)(2)(4-1) =12
2
 a b r 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / (2)(2)(4)
= 1312 / 16 = 17,161 / 16 =1,072.56
a b r
SST =  X
i 1 j 1 k 1
2
ijk  C.T .
~ 94 ~
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 =130.44
2
a b
 r 
   X ijk 
i 1 j 1  k 1 
SSTr =  C.T .
r
= ((5 + 4 + 6 + 5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56
= (400 + 784 + 1,089 + 2,500) / 4 - 1,072.56
= 1,193.25 – 1,072.56 =120.69
2
a  b r 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ((5 + 4 + 6 + 5 + 9 + 7 + 9 + 8)2 + (6 + 6 + 8 + 8 + 12 + 12
+13 + 13)2 / (2)(4) - 1,072.56
= (2,809 + 6,084) / 8 - 1,072.56
= 1,111.63 – 1,072.56 =39.07
2
b
 a r 
   X ijk 
j 1  i 1 k 1 
SSB =  C.T .
ar
= ((5 + 4 + 6 + 5 + 6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8 + 12 + 12
+ 13 + 13)2 / (2)(4) - 1,072.56
= (2,304 + 6,889) / 8 - 1,072.56
= 1,149.13 – 1,072.56 =76.57
SSAB = SSTr - SSA – SSB
= 120.69 – 39.07 – 76.57 = 5.05
SSE = SST - SSTr
= 130.44 – 120.69 = 9.75
SS A
MSA = = 39.07 / 1 = 39.07
df A
SS B
MSB = = 76.57/ 1 = 76.57
df B
SS AB
MSAB = = 5.05 / 1 = 5.05
df AB
SS E
MSE = = 9.75 / 12 = 0.81
df E
MS AB
FAB = = 5.05 / 0.81 = 6.23
MS E
~ 95 ~
MS A
FA = = 39.07 / 0.81 = 48.23
MS E
MS B
FB = = 76.57 / 0.81 = 94.53
MS E
Sources of variation df SS MS Fcal F0.05,df1,df2 F0.01,df1,df2
Factor A 1 39.07 39.07 48.23** 4.75 9.33

Factor B 1 76.57 76.57 94.53**
Interaction AB 1 5.05 5.05 6.23*
Error 12 9.75 0.813
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า FAB > F0.05,1,12 แต่ < F0.01,1,12 แสดงว่าสารเจือปนทั้ง
สองชนิดมีอทิ ธิพลร่วมกันอย่างมีนัยสาคัญทางสถิติ (p<0.05) และพบว่า FA > F0.05,1,12 และ F0.01,1,12
แสดงว่า การใช้ สารเจือปนชนิดที่ 1 มีผลต่อค่าแรงต้ านการตัดอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) และ FB
> F0.05,1,12 และ F0.01,1,12 แสดงว่า การใช้ สารเจือปนชนิดที่ 2 มีผลต่อค่าแรงต้ านการตัด อย่างมีนัยสาคัญยิ่ง
ทางสถิติ (p<0.01) ดังนั้น จึงจาเป็ นต้ องทาการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์คอมบิเนชันต่อไป เพื่อให้
ทราบว่ามีทรีตเมนต์คอมบิเนชันใดบ้ างที่มคี วามแตกต่างกันโดยใช้ วิธเี ปรียบเทียบค่าเฉลี่ยที่กาหนด (ส่วน
ค่าเฉลี่ยของสารเจือปนแต่ละชนิด (ปัจจัยหลัก) ในที่น้ ไี ม่ต้องทาการเปรียบเทียบ เนื่องจากมีเพียง 2 ระดับ
ทาให้ สามารถพิจารณาได้ จากผลการทดลองโดยตรงว่า ที่ระดับใดมีค่าสังเกตสูงกว่า)
- การทดสอบของดันเนทท์
2MSE
D  d , df Tr , df E
r
2(0.813) 1.626
4 4
= 2.50 0.407 = 1.595
~ 96 ~
- การเปรียบเทียบค่าเฉลี่ย
ไม่เติมสารเจือปน สารเจือปน 1 สารเจือปน 2 สารเจือปน 1 + 2

(5) (7) (8.25) (12.5)
p<0.05: 1.595 * * *
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า การใช้ สารเจือปนทั้งสองชนิดร่วมกัน หรือเลือกใช้ เพียง

ชนิดใดชนิดหนึ่งจะได้ ไส้ กรอกที่มคี ่าการต้ านแรงตัดมากว่าการไม่ใช้ สารเจือปนอย่างมีนัยสาคัญทางสถิติ
(p<0.05)
ผลิตภัณฑ์ไส้ กรอกชนิดหนึ่ง โดยใช้ สารเจือปน 1 และสารเจือปน 2 ชนิดใดชนิดหนึ่งในปริมาณร้ อยละ 0.1
และใช้ ท้งั สองชนิดร่วมกัน (ชนิดละ ร้ อยละ 0.1) เพื่อเปรียบเทียบกับทรีตเมนต์ท่ไี ม่มกี ารเติมสารเจือปน
ทาการทดลอง 4 ซา้ โดยแต่ละซา้ จาเป็ นต้ องใช้ เนื้อที่ได้ มาจากแหล่ง 4 แหล่ง แต่มกี ารพยายามควบคุมปัจจัย
อื่นๆ ให้ มลี ักษณะใกล้ เคียงกันมากที่สดุ พบว่าได้ ผลการทดลองดังต่อไปนี้ โดยสมมติว่าข้ อมูลเป็ นไปตาม
ข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน

สารเจือปน 1 + สารเจือปน 2 12 12 13 13

ที่ระดับนัยสาคัญเท่ากับ 0.05 และ 0.01 หากพบความแตกต่างของทรีตเมนต์คอมบิเนชันและบล็อก กรุณา
เปรียบเทียบค่าเฉลี่ยทีละคู่ตามวิธกี ารทดสอบของเบอนเฟอร์โรนี
วิธีทา
และ
~ 97 ~

และ
และ
Ho: k = 0 (บล็อก ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: k  0 (บล็อกมีผลต่อหน่วยทดลองต่างกัน)
dfT = abr – 1 = (2)(2)(4) – 1 = 15
dfA = a -1 = 2–1 =1
dfB = b-1 = 2–1 =1
dfAB = (a-1)(b-1) = (2-1)(2-1) =1
dfBl = r–1 = 4–1 =3
dfE = (ab-1)(r-1) หรือ dfT - dfA – dfB - dfAB - dfBl
= ((2)(2)-1)(4-1) =9
2
 a b r 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / (2)(2)(4)
= 1312 / 16 = 17,161 / 16 =1,072.56
a b r
SST =  X
i 1 j 1 k 1
2
ijk  C.T .
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 = 130.44
2
a b
 r 
   X ijk 
i 1 j 1  k 1 
SSTr =  C.T .
r
= ((5 + 4 + 6 + 5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56
= (400 + 784 + 1,089 + 2,500) / 4 - 1,072.56
= 1,193.25 – 1,072.56 = 120.69
2
a  b r 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
~ 98 ~
= ((5 + 4 + 6 + 5 + 9 + 7 + 9 + 8)2 + (6 + 6 + 8 + 8 + 12 + 12
+13 + 13)2 / (2)(4) - 1,072.56
= (2,809 + 6,084) / 8 - 1,072.56
= 1,111.63 – 1,072.56 = 39.07
2
b
 a r 
   X ijk 
j 1  i 1 k 1 
SSB =  C.T .
ar
= ((5 + 4 + 6 + 5 + 6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8 + 12 + 12
+ 13 + 13)2 / (2)(4) - 1,072.56
= (2,304 + 6,889) / 8 - 1,072.56
= 1,149.13 – 1,072.56 = 76.57
SSAB = SSTr - SSA – SSB
= 120.69 – 39.07 – 76.57 = 5.05
2
r  a b 
   X ijk

k 1  i 1 j 1


SSBl =   C.T .
ab
= ((5 + 6 + 9 + 12)2 + (4 + 6 + 7 + 12)2 + (6 + 8 + 9 + 13)2
+ (5 + 8 + 8 + 13)2 ) / (2)(2) - 1,072.56
= (1,024 + 841 + 1,296 + 1,156) / 4 - 1,072.56
= 1,079.25 – 1,072.56 = 6.69
SSE = SST - SSTr - SSBl
= 130.44 – 120.69 – 6.69 = 3.06
SS A
MSA = = 39.07 / 1 = 39.07
df A
SS B
MSB = = 76.57/ 1 = 76.57
df B
SS AB
MSAB = = 5.05 / 1 = 5.05
df AB
SS Bl
MSBl = = 6.69 / 3 = 2.23
df Bl
SS E
MSE = = 3.06 / 9 = 0.34
df E
MS AB
FAB = = 5.05 / 0.34 = 14.85
MS E
MS A
FA = = 39.07 / 0.34 = 114.91
MS E
MS B
FB = = 76.57 / 0.34 = 225.21
MS E
~ 99 ~
MSBl
FBl = = 2.23 / 0.34 = 6.56
MSE
Blocks 3 6.69 2.23 6.56* 3.86 6.99

Factor A 1 39.07 39.07 114.91** 5.12 10.56
Factor B 1 76.57 76.57 225.21** 5.12 10.56
Interaction AB 1 5.05 5.05 14.85** 5.12 10.56
Error 9 3.06 0.34
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า FAB > F0.05,1,9 และ F0.01,1,9 แสดงว่าสารเจือปนทั้งสอง

ชนิดมีอทิ ธิพลร่วมกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) และพบว่า FA > F0.05,1,9 และ F0.01,1,9 แสดงว่า
การใช้ สารเจือปนชนิดที่ 1 มีผลต่อค่าแรงต้ านการตัดอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) และ FB > F0.05,1,9
และ F0.01,1,9 แสดงว่า การใช้ สารเจือปนชนิดที่ 2 มีผลต่อค่าแรงต้ านการตัดอย่างมีนัยสาคัญยิ่งทางสถิติ
(p<0.01) และ FBl > F0.05,3,9 แต่ < F0.01,3,9 แสดงว่า เนื้อจากแหล่งที่ต่างกันมีผลทาให้ เกิดความแตกต่างกัน
อย่างมีนัยสาคัญทางสถิติ (p<0.05) ดังนั้น จึงจาเป็ นต้ องทาการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์คอม
บิเนชันต่อไป เพื่อให้ ทราบว่ามี ทรีตเมนต์คอมบิเนชันใดบ้ างที่มคี วามแตกต่างกันโดยใช้ วธิ เี ปรียบเทียบ
ค่าเฉลี่ยที่กาหนด (ส่วนค่าเฉลี่ยของสารเจือปนแต่ละชนิด (ปัจจัยหลัก) ในที่น้ ไี ม่ต้องทาการเปรียบเทียบ
เนื่องจากมีเพียง 2 ระดับ ทาให้ สามารถพิจารณาได้ จากผลการทดลองโดยตรงว่า ที่ระดับใดมีค่าสังเกตสูงกว่า)
- การทดสอบของเบอนเฟอร์โรนี
2MSE
LSD  t
S
, df E r
2(0.34) 0.68
ที่ระดับนัยสาคัญ เท่ากับ 0.05 = t 0.05 = 3.250
6
,9 4 4
= 3.250 0.17 = 1.340
2(0.34) 0.68
ที่ระดับนัยสาคัญ เท่ากับ 0.01 = t 0.01 = 4.297
6
,9 4 4
= 4.297 0.17 = 1.772
~ 100 ~
- การเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์คอมบิเนชัน
ไม่เติมสารเจือปน สารเจือปน 1 สารเจือปน 2 สารเจือปน 1+2

(5) (7) (8.25) (12.5)
ไม่เติมสารเจือปน (5) - 7-5 = 2 8.25-5 = 3.25 12.5-5 = 7.5
สารเจือปน 1(7) - 8.25-7 = 1.25 12.5-7 = 5.25
สารเจือปน 2 (8.25) - 12.5-8.25 = 4.25
สารเจือปน 1+2 (12.5) -
การทดสอบของ
เบอนเฟอร์โรนี
p<0.05: 1.340 c b b a
p<0.01: 1.772 c b b a
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า การใช้ สารเจือปนทั้งสองชนิดร่วมกันจะได้ ไส้ กรอกที่มี

ค่าการต้ านแรงตัดมากที่สดุ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) รองลงมา คือ การใช้ สารเจือปน 2 และ การ
ใช้ สารเจือปน 1 ซึ่งสารเจือปนทั้งสองชนิดนี้จะได้ ไส้ กรอกมีค่าการต้ านแรงตัดแตกต่างกันอย่างไม่มนี ัยสาคัญ
ทางสถิติ (p>0.05) หรือไม่แตกต่างกัน โดยการใช้ สารเจือปน 2 และสารเจือปน 1 จะได้ ไส้ กรอกที่มคี ่าแรง
ตัดมากกว่าไส้ กรอกที่ไม่เติมสารเจือปนใดๆ อย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01)
- การเปรียบเทียบค่าเฉลี่ยของบล็อก

(7.25) (8) (8.5) (9)
ซา้ ที่ 2 (7.25) - 8 – 7.25 = 0.75 8.5 – 7.25 = 1.25 9 – 7.25 = 1.75
ซา้ ที่ 1 (8) - 8.5 – 8 = 0.5 9 – 8 = 1.0
ซา้ ที่ 4 (8.5) - 9 – 8.5 = 0.5
ซา้ ที่ 3 (9) -
การทดสอบของ
เบอนเฟอร์โรนี
p<0.05: 1.340 b ab ab a
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า เมื่อใช้ การทดสอบของเบอนเฟอร์โรนี ผลการทดลองซา้

ที่ 3 4 และ 1 แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน แต่ผลการทดลองซา้ ที่
3 มีค่ามากกว่าการทดลองซา้ ที่ 1 อย่างมีนัยสาคัญทางสถิติ (p<0.05) ในขณะที่ผลการทดลองซา้ ที่ 4 1 และ 2
แตกต่างกันอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน
~ 101 ~
2.2.8 การทดลองแบบสปลิทพลอท
การทดลองแบบสปลิทพลอท (Split-plot design) เป็ นการทดลองที่ถูกนามาใช้ เมื่อมีปัจจัยที่ต้องการ
ศึกษาตั้งแต่ 2 ปัจจัยขึ้นไปประกอบกันเป็ นแต่ละทรีตเมนต์คอมบิเนชัน โดยแต่ละปัจจัยประกอบด้ วย 2 ระดับ
ขึ้นไปเช่นเดียวกันกับการทดลองแบบแฟคทอเรียล แต่แตกต่างกันที่แผนการทดลองแบบสปลิทพลอทจะใช้
หน่วยทดลองที่มขี นาดแตกต่างกัน โดยจะมีปัจจัยหนึ่งที่ใช้ หน่วยทดลองที่มขี นาดใหญ่กว่า เรียกว่า Main plot
หรือ Whole plot และปัจจัยที่เหลือจะใช้ หน่วยทดลองย่อยที่เกิดจากการแบ่งหน่วยทดลองใหญ่อกี ทีหนึ่ง ซึ่ง
เรียกว่า Sub plot โดยมีหลักการพิจารณาว่าปัจจัยใดควรเป็ น Main plot และปัจจัยใดควรเป็ น Sub plot ดังนี้
คือ (พิสมัย, 2550)
(1) ถ้ าทราบจากการทดลองครั้งก่อนๆ ว่า ระดับต่างๆ ของปัจจัยหนึ่งมีความแตกต่างกันมาก
ในขณะที่ระดับต่างๆ ของปัจจัยอื่นมีความแตกต่างกันน้ อยกว่า ควรจัดให้ ระดับต่างๆ ของปัจจัยที่มคี วาม
แตกต่างมากเป็ น Main plot และจัดให้ ระดับต่างๆ ของปัจจัยที่มคี วามแตกต่างกันน้ อยเป็ น Sub plot
(2) ถ้ าต้ องการศึกษาอิทธิพลของปัจจัยหนึ่งให้ ละเอียดกว่าปัจจัยอื่น ควรจัดให้ ปัจจัยที่ต้องการศึกษา
อย่างละเอียดเป็ น Sub plot เพราะในการวิเคราะห์แบบสปลิทพลอทนั้น Sub plot จะใช้ จานวนซา้ มากกว่า
Main plot ทาให้ มคี วามเที่ยงตรง (Precision) ในการเปรียบเทียบสูงกว่า Main plot
(3) ปัจจัยที่เปลี่ยนระดับได้ ยากกว่าจะจัดให้ เป็ น Main plot ส่วนปัจจัยที่เปลี่ยนระดับได้ ง่ายกว่าจัด
ให้ เป็ น Sub plot
การทดลองแบบสปลิทพลอทอย่างง่าย (Simple split-plot design) เป็ นการทดลองแบบสปลิทพลอท

ที่มปี ัจจัย 2 ปัจจัย ดังนั้นขนาดของหน่วยทดลองจึงมีเพียง 2 ขนาด คือ Main plot และ Sub plot ซึ่งการสุ่ม
ทรีตเมนต์คอมบิเนชันให้ กบั หน่วยทดลองจะต้ องกระทา 2 ขั้นตอน คือ
(1) การสุ่มระดับต่างๆ ของปัจจัยสาหรับ Main plot ให้ กบั หน่วยทดลองโดยใช้ แผนการทดลองแบบ
สุ่มสมบูรณ์ หรือ สุ่มสมบูรณ์ในบล็อก
(2) การสุ่มระดับต่างๆ ของปัจจัยสาหรับ Sub plot ให้ กบั หน่วยทดลองย่อยใน Main plot แต่ละ
Main plot
และในหัวข้ อนี้จะขอกล่าวถึงเฉพาะการทดลองแบบสปลิทพลอทอย่างง่ายเท่านั้น
รูปแบบเชิงเส้ นตรงของแผนการทดลองแบบสปลิทพลอทอย่างง่าย จะขึ้นอยู่กบั แผนการทดลองที่

นามาใช้ เพื่อสุ่ม Main plot ดังนี้ คือ
- การทดลองแบบสปลิท-พลอทอย่างง่าย เมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์
Xijk =  + i + ij + k + ()ik + ijk
(Main plot) ( Sub plot )
~ 102 ~
เมื่อ Xijk แทนค่าสังเกตที่ได้ จาก Sub plot ที่ k ใน Main plot ที่ i
โดยที่ i = 1,2,…, a (a คือ ระดับของปัจจัยที่เป็ น Main plot )
j = 1,2,…, r (r คือ จานวนซา้ ของปัจจัยที่เป็ น Main plot)
k = 1,2,…,b (b คือ ระดับของปัจจัยที่เป็ น Sub plot))
i แทนอิทธิพลของปัจจัยที่เป็ น Main plot
ij แทนความคลาดเคลื่อนของ Main plot
k แทนอิทธิพลของปัจจัยที่เป็ น Sub plot
()ik แทนอิทธิพลร่วมระหว่างปัจจัยที่เป็ น Main plot และปัจจัยที่เป็ น Sub plot
ijk แทนความคลาดเคลื่อนของ Sub plot
- การทดลองแบบสปลิทพลอทอย่างง่าย เมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก
Xijk =  + i + j + ij + k + ()ik + ijk

( Main plot) ( Sub plot )
เมื่อ Xijk แทนค่าสังเกตที่ได้ จาก Sub plot ที่ k ใน Main plot ที่ i และบล็อกที่ j
โดยที่ i = 1,2,…, a (a คือ ระดับของปัจจัยที่เป็ น Main plot )
j = 1,2,…, r (r คือจานวนซา้ ของปัจจัยที่เป็ น Main plot, บล็อก)
k = 1,2,…,b (b คือ ระดับของปัจจัยที่เป็ น Sub plot))
i แทนอิทธิพลของปัจจัยที่เป็ น Main plot
j แทนอิทธิพลของบล็อก
ij แทนความคลาดเคลื่อนของ Main plot
k แทนอิทธิพลของปัจจัยที่เป็ น Sub plot
()ik แทนอิทธิพลร่วมระหว่างปัจจัยที่เป็ น Main plot และปัจจัยที่เป็ น Sub plot
ijk แทนความคลาดเคลื่อนของ Sub plot
การทดสอบสมมติฐานสาหรับการทดลองแบบสปลิทพลอทอย่างง่าย ในกรณีทว่ี างแผนการทดลอง

แบบสุ่มสมบูรณ์ จะประกอบด้ วยการทดสอบสมมติฐานสาหรับอิทธิพลร่วม การทดสอบสมมติฐานของอิทธิพล
ของ Main plot และ การทดสอบสมมติฐานของอิทธิพลของ Sub plot ตามลาดับ ดังนี้
Ho: ()ik = 0 (ปัจจัยทั้งสองไม่มอี ทิ ธิพลร่วมกัน คือ มีค่าเท่ากับ 0)
H 1: ()ik  0 (ปัจจัยทั้งสองมีอทิ ธิพลร่วมกัน)
และ
Ho: i = 0 (ระดับของ Main plot ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: i  0 (ระดับของ Main plot มีผลต่อหน่วยทดลอง)
และ
~ 103 ~
Ho: k. = 0 (ระดับของ Sub plot ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)

H 1: k  0 (ระดับของ Sub plot มีผลต่อหน่วยทดลอง)
ในกรณีท่วี างแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก จะมีการทดสอบสมมติฐานของอิทธิพลของ

บล็อกเพิ่มขึ้นมาอีก 1 กรณี
Ho: j = 0 (บล็อก ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: j  0 (บล็อกมีผลต่อหน่วยทดลองต่างกัน)
ความแปรปรวนทั้งหมดที่เกิดขึ้นในการทดลองเมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ อาจแยก
ออกเป็ น ความแปรปรวนที่เกิดจาก Main plot (A) ความแปรปรวนที่เกิดจากความคลาดเคลื่อนของการ
ทดลองใน Main plot ความแปรปรวนที่เกิดจาก Sub plot (B) ความแปรปรวนที่เกิดจากอิทธิพลร่วมของ
ปัจจัยทั้งสอง (AB) และความแปรปรวนที่เกิดจากคลาดเคลื่อนของการทดลองใน Sub plot (SST = SSA +
SSE(a) + SSB + SSAB + SSE(b)) ในกรณีท่วี างแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก จะมีความ
แปรปรวนที่เกิดจากบล็อกเพิ่มขึ้นมาอีก 1 กรณี (SST = SSBl + SSA + SSE(a) + SSB + SSAB + SSE(b))
การคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับแบบสปลิทพลอทอย่างง่าย และวางแผน

การทดลองแบบสุ่มสมบูรณ์ มีดงั นี้คอื
dfT = abr – 1
= ((จานวนระดับของ Main plot)(จานวนระดับของ Sub plot)
(จานวนซา้ )) – 1
dfA = a -1
= จานวนระดับของ Main plot – 1
dfE(a) = a(r-1)
= (จานวนระดับของ Main plot)(จานวนซา้ – 1)
dfB = b-1
= จานวนระดับของ Sub plot – 1
dfAB = (a-1)(b-1)
= (จานวนระดับของ Main plot -1)(จานวนระดับของ Sub plot -1)
dfE(b) = a(r-1)(b-1) หรือ dfT - dfA - dfE(a) - dfB - dfAB
= ผลคูณของ (จานวนระดับของ Main plot)(จานวนซา้ - 1)
(จานวนระดับของ Sub plot - 1) หรือ dfT - dfA - dfE(a) - dfB - dfAB
2
 a r b 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
((จานวนระดับของ Main plot)(จานวนระดับของ Sub plot)
(จานวนซา้ ))
~ 104 ~

a r b
SST =  X
i 1 j 1 k 1
2
ijk  C.T .

2
a  r b 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ผลรวมของ(กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของ Main plot
หารด้ วยผลคูณของจานวนระดับของ Sub plot และจานวนซา้ ) – C.T.
2
a r
 b 

i 1 j 1
  X ijk 
 k 1 
SSE(a) =  C.T .  SS A
b
= ผลรวมของ(กาลังสองของผลรวมของข้ อมูลของ Sub plot ในแต่ละซา้ ของ
แต่ละระดับของ Main plot หารด้ วยจานวนระดับของ Sub plot)
– C.T. – SSA
2
b  a r 
   X ijk

k 1  i 1 j 1


SSB =   C.T .
ar
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของ Sub plot
หารด้ วยผลคูณของจานวนระดับของ Main plot และจานวนซา้ ) – C.T.
2
a b  r 
   X ijk



SSAB =
i 1 k 1  j 1   C.T .  SS  SS
A B
r
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละซา้ ของแต่ละระดับของ
Main plot และ Sub plot หารด้ วยจานวนซา้ ) – C.T. - SSA - SSB
SSE(b) = SST - SSA - SSE(a) - SSB - SSAB
SS A
MSA =
df A
SS E ( a )
MSE(a) =
df E ( a )
SS B
MSB =
df B
SS AB
MSAB =
df AB
SS E ( a )
MSE(b) =
df E (b )
MS AB
FAB =
MS E (b )
~ 105 ~
MS A
FA =
MS E (a )
MS B
FB =
MS E (b )
df SS MS Fcal
Main plot:
A a -1 SSA MSA = SSA / dfA MSA/MSE(a)
Error(a) a(r-1) SSE(a) MSE(a) = SSE(a) / dfE(a)
Sub plot:
B b-1 SSB MSB = SSB / dfB MSB/MSE(b)
Interaction AB (a-1)(b-1) SSAB MSAB = SSAB / dfAB MSAB/MSE(b)
Error(b) a(r-1)(b-1) SSE(b) MSE(b) = SSE(b) /dfE(b)
Total abr-1 SST
สาหรับการคานวณค่าต่างๆ ในการวิเคราะห์ความแปรปรวนสาหรับแบบสปลิทพลอทอย่างง่าย และ

วางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก มีดงั นี้คอื
dfT = abr – 1
= ((จานวนระดับของ Main plot)(จานวนระดับของ Sub plot)
(จานวนซา้ )) – 1
dfBl = r-1
= จานวนซา้ – 1
dfA = a -1
= จานวนระดับของ Main plot – 1
dfE(a) = (a - 1)(r-1)
= ผลคูณของ ((จานวนระดับของ Main plot - 1)(จานวนซา้ - 1))
dfB = b-1
= จานวนระดับของ Sub plot – 1
dfAB = (a-1)(b-1)
= (จานวนระดับของ Main plot -1)(จานวนระดับของ Sub plot -1)
dfE(b) = a(r-1)(b-1) หรือ dfT - dfBl - dfA - dfE(a) - dfB - dfAB
= ผลคูณของ (จานวนระดับของ Main plot)(จานวนซา้ - 1)
(จานวนระดับของ Sub plot - 1) หรือ dfT - dfBl - dfA - dfE(a) - dfB - dfAB
~ 106 ~
2
 a r b 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
((จานวนระดับของ Main plot)(จานวนระดับของ Sub plot)
(จานวนซา้ ))
a r b
SST =  X
i 1 j 1 k 1
2
ijk  C.T .

2
r
 a b 
   X ijk 
j 1  i 1 k 1 
SSBl =  C.T .
ab
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละซา้
หารด้ วยผลคูณของจานวนระดับของ Main plot และ Sub plot) – C.T.
2
a  r b 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ผลรวมของ(กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของ Main plot
หารด้ วยผลคูณของจานวนระดับของ Sub plot และจานวนซา้ ) – C.T.
2
a r
 b 

i 1 j 1
  X ijk 
 k 1 
SSE(a) =  C.T .  SS A  SS Bl
b
= ผลรวมของ(กาลังสองของผลรวมของข้ อมูลของ Sub plot ในแต่ละซา้ ของ
แต่ละระดับของ Main plot หารด้ วยจานวนระดับของ Sub plot)
- C.T. - SSA - SSBl
2
b  a r 
   X ijk

k 1  i 1 j 1


SSB =   C.T .
ar
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลที่แต่ละระดับของ Sub plot
หารด้ วยผลคูณของจานวนระดับของ Main plot และจานวนซา้ ) – C.T.
2
a b  r 
   X ijk



SSAB =
i 1 k 1  j 1   C.T .  SS  SS
A B
r
= ผลรวมของ (กาลังสองของผลรวมของข้ อมูลในแต่ละซา้ ของแต่ละระดับของ
Main plot และ Sub plot หารด้ วยจานวนซา้ ) – C.T. - SSA - SSB
SSE(b) = SST – SSBl - SSA– SSE(a) – SSB - SSAB
~ 107 ~
SS Bl
MSBl =
df Bl
SS A
MSA =
df A
SS E ( a )
MSE(a) =
df E ( a )
SS B
MSB =
df B
SS AB
MSAB =
df AB
SS E ( a )
MSE(b) =
df E (b )
MS Bl
FBl =
MS E (a )
MS AB
FAB =
MS E (b )
MS A
FA =
MS E (a )
MS B
FB =
MS E (b )
df SS MS Fcal
Main plot:
Blocks r -1 SSBl MSBl = SSBl / dfBl MSBl/MSE(a)
A a -1 SSA MSA = SSA / dfA MSA/MSE(a)
Error(a) (a-1)(r-1) SSE(a) MSE(a) = SSE(a) / dfE(a)
Sub plot:
B b-1 SSB MSB = SSB / dfB MSB/MSE(b)
Interaction AB (a-1)(b-1) SSAB MSAB = SSAB / dfAB MSAB/MSE(b)
Error(b) a(r-1)(b-1) SSE(b) MSE(b) = SSE(b) /dfE(b)
Total abr-1 SST
~ 108 ~
การทดลองเพื่อศึกษาอิทธิพลของสารเจือปนอาหารชนิดหนึ่งต่อเนื้อสัมผัส (ค่าแรงต้ านการตัด) ของ
ผลิตภัณฑ์ไส้ กรอกชนิดหนึ่งของสองสายการผลิต เพื่อเปรียบเทียบผลที่เกิดจากสายการผลิต (สายการผลิต 1
และ สายการผลิต 2) และการไม่เติมและการเติมสารเจือปน (ปริมาณร้ อยละ 0.1) ทาการทดลอง 4 ซา้ โดย
มีการพยายามควบคุมปัจจัยอื่นๆ ให้ มลี ักษณะใกล้ เคียงกันมากที่สดุ พบว่าได้ ผลการทดลองดังต่อไปนี้ โดย
สมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน

สายการผลิต 1 ไม่เติมสารเจือปน 5 4 6 5
สายการผลิต 1 เติมสารเจือปน 9 7 9 8

ค่าเฉลี่ยทีละคู่ตามวิธกี ารทดสอบของสติวเดนท์นวิ แมนคูล
วิธีทา
และ
และ
Ho: k = 0 (ระดับของปัจจัยที่ 2 ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: k  0 (ระดับของปัจจัยที่ 2 มีผลต่อหน่วยทดลอง)
dfT = abr – 1 = (2)(2)(4) – 1 = 15
dfA = a -1 = 2–1 =1
dfE(a) = a(r-1) = 2(4-1) =6
dfB = b-1 = 2–1 =1
dfAB = (a-1)(b-1) = (2-1)(2-1) =1
dfE = a(r-1)(b-1) หรือ dfT - dfA – dfE(a) - dfB - dfAB
= (2)(4-1)(2-1) =6
~ 109 ~
2
 a b r 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / (2)(2)(4)
= 1312 / 16 = 17,161 / 16 = 1,072.56
a b r
SST =  X
i 1 j 1 k 1
2
ijk  C.T .
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 = 130.44
2
a  b r 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ((5 + 4 + 6 + 5 + 9 + 7 + 9 + 8)2 + (6 + 6 + 8 + 8 + 12 + 12
+13 + 13)2 / (2)(4) - 1,072.56
= (2,809 + 6,084) / 8 - 1,072.56
= 1,111.63 – 1,072.56 = 39.07
2
a r
 b 

i 1 j 1
  X ijk 
 k 1   C.T .  SS
SSE(a) = A
b
= ((5 + 9)2 + (6 + 12)2 + (4 + 7)2 + (6 + 12)2 + (6 + 9)2
+ (8 + 13)2 + (5 + 8)2 + (8 + 13)2)/2 – 1,072.56 – 39.07
= (196 + 324 + 121 + 324 + 225 + 441 + 169 + 441)/2
– 1,072.56 – 39.07
= 1,120.5 – 1,072.56 – 39.07 = 8.87
2
b
 a r 
   X ijk 
j 1  i 1 k 1 
SSB =  C.T .
ar
= ((5 + 4 + 6 + 5 + 6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8 + 12 + 12
+ 13 + 13)2 / (2)(4) - 1,072.56
= (2,304 + 6,889) / 8 - 1,072.56
= 1,149.13 – 1,072.56 = 76.57
2
a b  r 
   X ijk



SSAB =
i 1 k 1  j 1   C.T .  SS  SS
A B
r
= ((5 + 4 + 6 + 5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56 – 39.07 – 76.57
~ 110 ~
= (400 + 784 + 1,089 + 2,500) / 4 - 1,072.56 – 39.07 – 76.57

= 1,193.25 – 1,072.56 – 39.07 – 76.57 = 5.05
SSE(b) = SST - SSA - SSE(a) – SSB -SSAB
= 130.44 – 39.07 – 8.87 - 76.57 – 5.05 = 0.88
SS A
MSA = = 39.07 / 1 = 39.07
df A
SS E ( a )
MSE(a) = = 8.87/6 = 1.478
df E ( a )
SS B
MSB = = 76.57/ 1 = 76.57
df B
SS AB
MSAB = = 5.05 / 1 = 5.05
df AB
SS E ( b )
MSE(b) = = 0.88 / 6 = 0.147
df E ( b )
MS AB
FAB = = 5.05 / 0.147 = 34.35
MS E (b )
MS A
FA = = 39.07 / 1.478 = 26.43
MS E (a )
MS B
FB = = 76.57 / 0.147 = 520.9
MS E (b )
Main plot:
A 1 39.07 39.07 26.43** 5.987 13.74
Error(a) 6 8.87 1.478
Sub plot:
B 1 76.57 76.57 520.9** 5.987 13.74
Interaction AB 1 5.05 5.05 34.35** 5.987 13.74
Error(b) 6 0.88 0.147
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า FAB > F0.05,1,6 และ F0.01,1,6 แสดงว่าสายการผลิตและ

การเติมสารเจือปนมีอทิ ธิพลร่วมกันอย่างมีนัยสาคัญทางสถิติ (p<0.01) และพบว่า FA > F0.05,1,6 และ
F0.01,1,6 แสดงว่า สายการผลิตมีผลต่อค่าแรงต้ านการตัดอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) และ FB >
F0.05,1,6 และ F0.01,1,6 แสดงว่าการใช้ สารเจือปนมีผลต่อค่าแรงต้ านการตัดอย่างมีนัยสาคัญยิ่งทางสถิติ
(p<0.01) ดังนั้น จึงจาเป็ นต้ องทาการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์คอมบิเนชันต่อไป เพื่อให้ ทราบว่า
~ 111 ~
มีทรีตเมนต์คอมบิเนชันใดบ้ างที่มคี วามแตกต่างกันโดยใช้ วิธเี ปรียบเทียบค่าเฉลี่ยที่กาหนด (ส่วนค่าเฉลี่ยของ

สายการผลิต และการไม่เติมและการเติมสารเจือปน ในที่น้ ไี ม่ต้องทาการเปรียบเทียบ เนื่องจากมีเพียง 2
ระดับ ทาให้ สามารถพิจารณาได้ จากผลการทดลองโดยตรงว่า ที่ระดับใดมีค่าสังเกตสูงกว่า)
- การทดสอบของสติวเดนท์นวิ แมนคูล
MS E
K   SSR p ,df E
r

0.147 0.147
p=2 = SSR 2, 6 = 3.46
4 4
= 3.46 0.037 = 0.666
0.147 0.147
p=3 = SSR 3, 6 = 4.34
4 4
= 4.34 0.037 = 0.835
0.147 0.147
p=4 = SSR 4, 6 = 4.9
4 4
= 4.9 0.037 = 0.943
0.147 0.147
p=2 = SSR 2, 6 = 5.24
4 4
= 5.24 0.037 = 1.008
0.147 0.147
p=3 = SSR 3, 6 = 6.33
4 4
= 6.33 0.037 = 1.218
0.147 0.147
p=4 = SSR 4, 6 = 7.03
4 4
= 7.03 0.037 = 1.352
~ 112 ~
สายการผลิต 1 สายการผลิต 2 สารการผลิต 1 สายการผลิต 2

ไม่เติมสาร ไม่เติมสาร (7) เติมสาร (8.25) เติมสาร (12.5)
(5)
สายการผลิต 1 ไม่เติมสาร (5) - 7-5 = 2 8.25-5 = 3.25 12.5-5 = 7.5
สายการผลิต 2 ไม่เติมสาร (7) - 8.25-7 = 1.25 12.5-7 = 5.25
สายการผลิต 1 เติมสาร (8.25) - 12.5-8.25 = 4.25
สายการผลิต 2 เติมสาร (12.5) -
การทดสอบของสติวเดนท์นิวแมนคูล
p<0.05: 0.666, 0.835, 0.943 d c b a
p<0.01: 1.008, 1.218, 1.352 d c b a
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า ไส้ กรอกที่ผลิตโดยสายการผลิต 2 และเติมสารเจือปน

มีค่าการต้ านแรงตัดมากที่สดุ รองลงมา คือ ไส้ กรอกที่ผลิตโดยสายการผลิต 1 และเติมสารเจือปน ไส้ กรอกที่
ผลิตโดยสายการผลิต 2 และไม่เติมสารเจือปน และ ไส้ กรอกที่ผลิตโดยสายการผลิต 1 และไม่เติมสารเจือปน
ตามลาดับ โดยทุกทรีตเมนต์คอมบิเนชันมีความแตกต่างกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01)
การทดลองเพื่อศึกษาอิทธิพลของสารเจือปนอาหารชนิดหนึ่งต่อเนื้อสัมผัส (ค่าแรงต้ านการตัด) ของ
ผลิตภัณฑ์ไส้ กรอกชนิดหนึ่งของสองสายการผลิต เพื่อเปรียบเทียบผลที่เกิดจากสายการผลิต (สายการผลิต 1
และ สายการผลิต 2) และการเติม (ในปริมาณร้ อยละ 0.1) และไม่เติมสารเจือปน ทาการทดลอง 4 ซา้ โดย
แต่ละซา้ จาเป็ นต้ องใช้ เนื้อที่ได้ มาจากแหล่ง 4 แหล่ง แต่มกี ารพยายามควบคุมปัจจัยอื่นๆ ให้ มลี กั ษณะใกล้ เคียง
กันมากที่สดุ พบว่าได้ ผลการทดลองดังต่อไปนี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการ
วิเคราะห์ความแปรปรวน


ค่าเฉลี่ยทีละคู่ตามวิธกี ารทดสอบของทูกยี ์แบบบี
~ 113 ~
วิธีทา
และ
และ
Ho: k = 0 (ระดับของปัจจัยที่ 2 ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: k  0 (ระดับของปัจจัยที่ 2 มีผลต่อหน่วยทดลอง)
และ
Ho: j = 0 (บล็อก ไม่มผี ลต่อหน่วยทดลอง คือ มีค่าเท่ากับ 0)
H 1: j  0 (บล็อกมีผลต่อหน่วยทดลองต่างกัน)
dfT = abr – 1 = (2)(2)(4) – 1 = 15
dfBl = r–1 = 4–1 =3
dfA = a -1 = 2–1 =1
dfE(a) = (a – 1)(r-1) = (2 – 1)(4-1) =3
dfB = b-1 = 2–1 =1
dfAB = (a-1)(b-1) = (2-1)(2-1) =1
dfE = a(r-1)(b-1) หรือ dfT - dfBl - dfA – dfE(a) - dfB - dfAB
= (2)(4-1)(2-1) =6
2
 a b r 
  X ijk 
 
C.T. =  i 1 j 1 k 1 
abr
= (5 + 4 + 6 + 5 + 6 + 6 + 8 + 8 + 9 + 7 + 9 + 8
+ 12 + 12 + 13 + 13)2 / (2)(2)(4)
= 1312 / 16 = 17,161 / 16 =1,072.56
a b r
SST =  X
i 1 j 1 k 1
2
ijk  C.T .
= (52 + 42 + 62 + 52 + 62 + 62 + 82 + 82 + 92 + 72 + 92 + 82 + 122
+ 122 + 132 + 132) - 1,072.56
= 1203 – 1,072.56 = 130.44
2
r  a b 
   X ijk

k 1  i 1 j 1


SSBl =   C.T .
ab
~ 114 ~
= ((5 + 6 + 9 + 12)2 + (4 + 6 + 7 + 12)2 + (6 + 8 + 9 + 13)2

+ (5 + 8 + 8 + 13)2 ) / (2)(2) - 1,072.56
= (1,024 + 841 + 1,296 + 1,156) / 4 - 1,072.56
= 1,079.25 – 1,072.56 = 6.69
2
a  b r 
   X ijk

i 1  j 1 k 1


SSA =   C.T .
br
= ((5 + 4 + 6 + 5 + 9 + 7 + 9 + 8)2 + (6 + 6 + 8 + 8 + 12 + 12
+13 + 13)2 / (2)(4) - 1,072.56
= (2,809 + 6,084) / 8 - 1,072.56
= 1,111.63 – 1,072.56 = 39.07
2
a r
 b 

i 1 j 1
  X ijk 
 k 1   C.T .  SS  SS
SSE(a) = A Bl
b
= ((5 + 9)2 + (6 + 12)2 + (4 + 7)2 + (6 + 12)2 + (6 + 9)2
+ (8 + 13)2 + (5 + 8)2 + (8 + 13)2)/2 – 1,072.56 – 39.07
= (196 + 324 + 121 + 324 + 225 + 441 + 169 + 441)/2
– 1,072.56 – 39.07 – 6.69
= 1,120.5 – 1,072.56 – 39.07 – 6.69 = 2.18
2
b
 a r 
   X ijk 
j 1  i 1 k 1 
SSB =  C.T .
ar
= ((5 + 4 + 6 + 5 + 6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8 + 12 + 12
+ 13 + 13)2 / (2)(4) - 1,072.56
= (2,304 + 6,889) / 8 - 1,072.56
= 1,149.13 – 1,072.56 = 76.57
2
a b  r 
   X ijk



SSAB =
i 1 k 1  j 1   C.T .  SS  SS
A B
r
= ((5 + 4 + 6 + 5)2 + (6 + 6 + 8 + 8)2 + (9 + 7 + 9 + 8)2
+ (12 + 12 + 13 + 13)2 ) / 4 - 1,072.56 – 39.07 – 76.57
= (400 + 784 + 1,089 + 2,500) / 4 - 1,072.56 – 39.07 – 76.57
= 1,193.25 – 1,072.56 – 39.07 – 76.57 = 5.05
SSE(b) = SST - SSBl - SSA - SSE(a) – SSB -SSAB
= 130.44 – 6.69 - 39.07 – 2.18 - 76.57 – 5.05 = 0.88
~ 115 ~
SS Bl
MSBl = = 6.69 / 3 = 2.23
df Bl
SS A
MSA = = 39.07 / 1 = 39.07
df A
SS E ( a )
MSE(a) = = 2.18/3 = 0.727
df E ( a )
SS B
MSB = = 76.57/ 1 = 76.57
df B
SS AB
MSAB = = 5.05 / 1 = 5.05
df AB
SS E ( b )
MSE(b) = = 0.88 / 6 = 0.147
df E ( b )
MS Bl
FBl = = 2.23 / 0.727 = 3.067
MS E (a )
MS AB
FAB = = 5.05 / 0.147 = 34.35
MS E (b )
MS A
FA = = 39.07 / 0.727 = 53.74
MS E (a )
MS B
FB = = 76.57 / 0.147 = 520.9
MS E (b )
Main plot:
Block 3 6.69 2.23 3.067 9.277 29.45
A 1 39.07 39.07 53.74** 10.12 34.11
Error(a) 3 2.18 0.727
Sub plot:
B 1 76.57 76.57 520.9** 5.987 13.74
Interaction AB 1 5.05 5.05 34.35** 5.987 13.74
Error(b) 6 0.88 0.147
Total 15 130.44
ผลการวิเคราะห์ความแปรปรวนข้ างต้ น พบว่า FBl < F0.05,1,3 และ F0.01,1,3 แสดงว่าการใช้ เนื้อจาก
แหล่งที่ต่างกันมีผลต่อค่าแรงต้ านการตัดอย่างไม่มนี ัยสาคัญทางสถิติ (p>0.05) หรือไม่แตกต่างกัน FAB >
F0.05,1,6 และ F0.01,1,6 แสดงว่าสายการผลิตและการเติมสารเจือปนมีอทิ ธิพลร่วมกันอย่างมีนัยสาคัญทางสถิติ
~ 116 ~
(p<0.01) และพบว่า FA > F0.05,1,3 และ F0.01,1,3 แสดงว่า สายการผลิตมีผลต่อค่าแรงต้ านการตัดอย่างมี

นัยสาคัญยิ่งทางสถิติ (p<0.01) และ FB > F0.05,1,6 และ F0.01,1,6 แสดงว่า การใช้ สารเจือปนมีผลต่อค่าแรง
ต้ านการตัดอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) ดังนั้น จึงจาเป็ นต้ องทาการเปรียบเทียบค่าเฉลี่ยของทรีต
เมนต์คอมบิเนชันต่อไป เพื่อให้ ทราบว่ามีทรีตเมนต์คอมบิเนชันใดบ้ างที่มคี วามแตกต่างกันโดยใช้ วิธี
เปรียบเทียบค่าเฉลี่ยที่กาหนด (ส่วนค่าเฉลี่ยของสายการผลิต และการไม่เติมและการเติมสารเจือปน ในที่น้ ี
ไม่ต้องทาการเปรียบเทียบ เนื่องจากมีเพียง 2 ระดับ ทาให้ สามารถพิจารณาได้ จากผลการทดลองโดยตรงว่า ที่
ระดับใดมีค่าสังเกตสูงกว่า)
- การทดสอบของทูกยี ์แบบบี
K   T( a )
T(b ) 
2
เมื่อ K คือค่าวิกฤตของการทดสอบของสติวเดนท์นวิ แมนคูล (ซึ่งในที่น้ มี คี ่าเท่ากับค่า

วิกฤตของตัวอย่างที่ 2.9 เนื่องจากค่า MSE(b) จานวนซา้ และ จานวนทรีตเมนต์คอมบิเนชันเท่ากัน)
ส่วน T(a) คือค่าวิกฤตของการทดสอบของทูกยี ์แบบเอ ซึ่งมีค่าเท่าค่าวิกฤตของการ
ทดสอบของสติวเดนท์นวิ แมนคูล เมื่อ p มีค่าเท่ากับจานวนทรีตเมนต์คอมบิเนชันทั้งหมด

p=2 = (0.666 + 0.943) / 2 = 0.805
p=3 = (0.835 + 0.943) / 2 = 0.889
p=4 = (0.943 + 0.943) / 2 = 0.943
p=2 = (1.008 + 1.352) / 2 = 1.180
p=3 = (1.218 + 1.352) / 2 = 1.285
p=4 = (1.352 + 1.352) / 2 = 1.352
สายการผลิต 1 สายการผลิต 2 สารการผลิต 1 สายการผลิต 2

ไม่เติมสาร ไม่เติมสาร (7) เติมสาร (8.25) เติมสาร (12.5)
(5)
สายการผลิต 1 ไม่เติมสาร (5) - 7-5 = 2 8.25-5 = 3.25 12.5-5 = 7.5
สายการผลิต 2 ไม่เติมสาร (7) - 8.25-7 = 1.25 12.5-7 = 5.25
สายการผลิต 1 เติมสาร (8.25) - 12.5-8.25 = 4.25
สายการผลิต 2 เติมสาร (12.5) -
การทดสอบของทูกยี ์แบบบี
p<0.05: 0.805, 0.889, 0.943 d c b a
p<0.01: 1.180, 1.285, 1.352 d c b a
~ 117 ~
ผลการเปรียบเทียบค่าเฉลี่ยสามารถสรุปได้ ว่า ไส้ กรอกที่ผลิตโดยสายการผลิต 2 และเติมสารเจือปน

มีค่าการต้ านแรงตัดมากที่สดุ รองลงมา คือ ไส้ กรอกที่ผลิตโดยสายการผลิต 1 และเติมสารเจือปน ไส้ กรอกที่
ผลิตโดยสายการผลิต 2 และไม่เติมสารเจือปน และ ไส้ กรอกที่ผลิตโดยสายการผลิต 1 และไม่เติมสารเจือปน
ตามลาดับ โดยทุกทรีตเมนต์คอมบิเนชันมีความแตกต่างกันอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01)
~ 118 ~
การวิเคราะห์ความแปรปรวน
1. การทดลองเพื่ อ ศึ ก ษาอิท ธิพ ลของระยะเวลาเก็บ รั ก ษาที่มีต่ อ การเกิด สีน้า ตาลของ

ผลิตภัณฑ์เครื่องดื่มชนิดหนึ่ง ติดตามผลโดยการนาผลิตภัณฑ์ท่ถี ูกเก็บไว้ ท่รี ะยะเวลา
ต่างกัน คือ 0 (ผลิตเสร็จใหม่ๆ) 1 2 และ 3 สัปดาห์มาวัดค่าการดูดกลืนแสงที่ 420
นาโนเมตร (ค่าการดูดกลืนแสงมาก แสดงว่ ามีการเกิดสีนา้ ตาลซึ่งเป็ นสิ่งที่ไม่ต้องการ
ขึ้นมาก) ทาการทดลอง 3 ซา้ โดยพยายามควบคุมให้ ปัจจัยอื่นๆ มีค่าใกล้ เคียงกัน
มากที่สดุ และได้ ผลการทดลองดังนี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ น
ของการวิเคราะห์ความแปรปรวน
ค่าการดูดกลืนแสง
ซา้ ที่ 1 ซา้ ที่ 2 ซา้ ที่ 3
สัปดาห์ท่ี 0 0.109 0.129 0.121
สัปดาห์ท่ี 1 0.127 0.154 0.146
สัปดาห์ท่ี 2 0.214 0.195 0.173
สัปดาห์ท่ี 3 0.295 0.261 0.284
กรุณาเลือกแผนการทดลองที่เหมาะสม และวิเคราะห์ผลการทดลองโดยการวิเคราะห์
ความแปรปรวน หากพบความแตกต่างของค่าเฉลี่ย กรุณาเปรียบเทียบค่าเฉลี่ยแต่ละคู่
ด้ วยวิธกี ารใดวิธกี ารหนึ่ง
2. การทดลองเพื่อศึกษาปริมาณโปรตีนในผลิตภัณฑ์ข้าวเกรียบปลาของผู้ผลิต 5 ราย โดย

ทาการทดลอง 3 ซา้ แต่ละซา้ ถูกส่งไปวิเคราะห์ท่หี ้ องปฏิบตั กิ ารคนละแห่ง ได้ ผลการ
วิเคราะห์ดงั นี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความ
แปรปรวน
ปริมาณโปรตีน (ร้ อยละ)
ซา้ ที่ 1 ซา้ ที่ 2 ซา้ ที่ 3
ผลิตภัณฑ์ของผู้ผลิต 1 2.7 3.1 2.9
ผลิตภัณฑ์ของผู้ผลิต 4 2.8 3.2 3
~ 119 ~
การวิเคราะห์ความแปรปรวน (ต่อ)
3. การทดลองเพื่อศึกษาอิทธิพลของสารให้ ความข้ นหนืดจากผู้ผลิต 5 ราย ในผลิตภัณฑ์

5 ชนิด ทาการทดลอง 5 ซ้า โดยใช้ ผ้ ูวัดความหนืด 5 คน แต่ ละคนจะได้ รับ
มอบหมายให้ วัดความหนืดของผลิตภัณฑ์ท่แี ตกต่ างกันในแต่ละครั้ง และได้ ผลการ
ทดลองดังนี้ โดยสมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความ
แปรปรวน
ความหนืด (เซนติพอยส์)
สารให้ ความข้ นหนืดจาก
ผู้ผลิต 1 ผู้ผลิต 2 ผู้ผลิต 3 ผู้ผลิต 4 ผู้ผลิต 5
ผลิตภัณฑ์ 1 168 / ผู้วัด 3 131 / ผู้วัด 5 165 / ผู้วัด 2 180 / ผู้วัด 1 134 / ผู้วัด 4
ความแปรปรวน หากพบความแตกต่างของค่าเฉลี่ย กรุณาเปรียบเทียบค่าเฉลี่ยแต่ละ
คู่ด้วยวิธกี ารใดวิธกี ารหนึ่ง
4. การทดลองลวกเนื้อปลาขนาด (กว้ าง x ยาว x หนา) 3 x 6 x 0.25 นิ้ว โดยใช้
อุณหภูมิ 80 และ 90ซ เป็ นเวลา 30 และ 60 วินาที เพื่อศึกษาอิทธิพลของ
ปัจจัยดังกล่าวต่อเนื้อสัมผัสของเนื้อปลาโดยการวัดค่าการต้ านแรงตัด (นิวตัน) ทาการ
ทดลอง 4 ครั้ง และใช้ เนื้อปลาใหม่ทุกครั้ง พบว่าได้ ผลการทดลองดังต่อไปนี้ โดย
สมมติว่าข้ อมูลเป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน
ค่าการต้ านแรงตัด (นิวตัน)

อุณหภูมิ (ซ) เวลา (วินาที) ครั้งที่ 1 ครั้งที่ 2 ครั้งที่ 3 ครั้งที่ 4
80 30 10 8 9 10
60 8 7 8 9
90 30 12 11 11 12
60 13 13 12 15
ความแปรปรวน และกรุณาอธิบายผลการวิเคราะห์ท่ไี ด้
~ 120 ~
5. การทดลองเพื่อศึกษาคุณภาพด้ านการเพิ่มปริมาตร (Overrun) ของไอศกรีม 3

สูตรของบริษัทแห่งหนึ่ง โดยเก็บข้ อมูลจากการผลิตโดยใช้ เครื่องปั่นไอศกรีม 3
รุ่น เป็ นเวลา 3 วันติดต่อกัน และมีการพยายามควบคุมปัจจัยอื่นๆ ให้ มลี ักษณะ
ใกล้ เคียงกันมากที่สดุ พบว่าได้ ผลการทดลองดังต่อไปนี้ โดยสมมติว่าข้ อมูล
เป็ นไปตามข้ อกาหนดเบื้องต้ นของการวิเคราะห์ความแปรปรวน
การเพิ่มปริมาตร (Overrun) ของไอศกรีม (ร้ อยละ)

วันที่ 1 วันที่ 2 วันที่ 3
เครื่องปั่น 1 ไอศกรีมสูตร 1 80 100 90
ไอศกรีมสูตร 2 115 100 95
~ 121 ~
2.2.9 การใช้โปรแกรมสาเร็จรูปในการวิเคราะห์ขอ้ มูล

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูลโดยการวิเคราะห์ความแปรปรวน ในทีน่ ้ จี ะขอกล่าวถึง
เฉพาะโปรแกรมสาเร็จรูป 3 โปรแกรม คือ โปรแกรมไมโครซอฟท์เอกซ์เซล (Microsoft Excel) โปรแกรมเอส
พีเอสเอส (SPSS) และโปรแกรมอาร์ (R) โดยใช้ ข้อมูลของตัวอย่างที่ 2.4-2.10 เป็ นตัวอย่างของการใช้
โปรแกรม และเพื่อความสะดวกในการพิมพ์ข้อมูล ควรเลือกพิมพ์ข้อมูลลงในแผ่นงานของโปรแกรม
ไมโครซอฟท์เอกซ์เซลก่อน ดังภาพที่ 2.12–2.14 โดยพิมพ์ลงในแผ่นงาน 1–4 ตามลาดับ และบันทึกไฟล์ไว้
(ในที่น้ ใี ช้ ช่ อื ไฟล์ ANOVA data.xlsx)
A B C D E
1 Treatment 1 Treatment 2 Treatment 3 Treatment 4
2 Rep 1 5 4 6 5
3 Rep 2 6 6 8 8
4 Rep 3 9 7 9 8
5 Rep 4 12 12 13 13
ภาพที่ 2.12 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.4-2.5 ในโปรแกรมไมโครซอฟท์เอกซ์เซล
~ 122 ~
A B C A B C D
1 Treatment Rep Shear_Force 1 Treatment Rep Shear_Force Chopper
2 T1 R1 5 2 T1 R1 5 B
3 T2 R1 6 3 T2 R1 6 C
4 T3 R1 9 4 T3 R1 9 D
5 T4 R1 12 5 T4 R1 12 A
6 T1 R2 4 6 T1 R2 4 A
7 T2 R2 6 7 T2 R2 6 B
8 T3 R2 7 8 T3 R2 7 C
9 T4 R2 12 9 T4 R2 12 D
10 T1 R3 6 10 T1 R3 6 D
11 T2 R3 8 11 T2 R3 8 A
12 T3 R3 9 12 T3 R3 9 B
13 T4 R3 13 13 T4 R3 13 C
14 T1 R4 5 14 T1 R4 5 C
15 T2 R4 8 15 T2 R4 8 D
16 T3 R4 8 16 T3 R4 8 A
17 T4 R4 13 17 T4 R4 13 B
(ก) (ข)
ภาพที่ 2.13 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.4-2.5 (ก) และ 2.6 (ข) ในโปรแกรมไมโครซอฟท์เอกซ์เซล
~ 123 ~
A B C D E
1 Treatment A B Rep Shear_Force
2 T1 A- B- R1 5
3 T2 A+ B- R1 6
4 T3 A- B+ R1 9
5 T4 A+ B+ R1 12
6 T1 A- B- R2 4
7 T2 A+ B- R2 6
8 T3 A- B+ R2 7
9 T4 A+ B+ R2 12
10 T1 A- B- R3 6
11 T2 A+ B- R3 8
12 T3 A- B+ R3 9
13 T4 A+ B+ R3 13
14 T1 A- B- R4 5
15 T2 A+ B- R4 8
16 T3 A- B+ R4 8
17 T4 A+ B+ R4 13
ภาพที่ 2.14 การพิมพ์ข้อมูลสาหรับตัวอย่างที่ 2.7-2.10 ในโปรแกรมไมโครซอฟท์เอกซ์เซล
2.2.9.1 โปรแกรมไมโครซอฟท์เอกซ์เซล
การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล สาหรับการวิเคราะห์ข้อมูลโดยการวิเคราะห์ความแปรปรวนเมื่อ
ใช้ แผนการทดลองแบบสุ่มสมบูรณ์และแบบสุ่มสมบูรณ์ในบล็อก สามารถทาได้ 2 กรณี คือ (1) การใช้ คาสัง่
“Data Analysis” และ (2) การใช้ แมโครในไฟล์ DSAASTAT.XLS ส่วนแผนการทดลองแบบลาตินสแควร์
การทดลองแบบแฟคทอเรียล และ การทดลองแบบสปลิทพลอท จะต้ องใช้ แมโครในไฟล์ DSAASTAT.XLS
ในการวิเคราะห์ข้อมูล นอกจากนี้แมโครในไฟล์ DSAASTAT.XLS ยังสามารถใช้ สาหรับการเปรียบเทียบ
ค่าเฉลี่ยของทรีตเมนต์ได้ อกี ด้ วย
(1) การใช้ คาสัง่ “Data Analysis” (Excel Easy, n.d.)

คาสั่ง Data Analysis อยู่ในช่อง Analysis (ด้ านขวามือ) ของแถบคาสั่งในส่วนของข้ อมูล ในกรณี
ที่โปรแกรมไมโครซอฟท์เอ็กซ์เซลยังไม่มคี าสั่งดังกล่าว สามารถติดตั้งได้ ตามขั้นตอนในข้ อ 2.1.3.1 หน้ า 34
และเมื่อต้ องการวิเคราะห์ข้อมูลกรณีวางแผนการทดลองแบบสุ่มสมบูรณ์ (ตัวอย่างที่ 2.4) มีข้นั ตอนดังต่อไปนี้
1. พิมพ์หรือเปิ ดไฟล์ข้อมูล (ANOVA data.xlsx แผ่นงาน 1) ดังภาพที่ 2.12
2. คลิกแถบคาสั่ง “สูตร” ตามด้ วยคาสั่ง “Data Analysis”
3. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “Anova: Single Factor” และคลิก “OK”
~ 124 ~
4. กล่อง “Anova: Single Factor” จะปรากฏขึ้น คลิก ช่อง “Input Range:” เลือกช่วงของข้ อมูลที่
ต้ องการวิเคราะห์ (ตัวอย่างที่ 2.4 คือ B2:E5)
5. คลิกเลือกว่า จะวิเคราะห์ข้อมูลในแนวสดมภ์หรือแถว สาหรับการพิมพ์ข้อมูลดังภาพที่ 2.12
ต้ องคลิกเลือก “Columns”
6. คลิกช่อง “Alpha:” และพิมพ์ “0.05” (ในกรณีท่ตี ้ องการทดสอบสมมติฐานที่ระดับนัยสาคัญ
ทางสถิติ (p<0.05) ซึ่งปกติโปรแกรมจะพิมพ์ไว้ ให้ อยู่แล้ ว)
10. ตาราง Anova: Single Factor จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่เี ลือกไว้ ในข้ อ 8 ดังภาพที่ 2.15
หมายเหตุ - กรณีน้ ไี ม่มคี าสั่งสาหรับการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์
Anova: Single Factor
SUMMARY
Groups Count Sum Average Variance
Column 1 4 20 5 0.67
Column 2 4 28 7 1.33
Column 3 4 33 8.25 0.92
Column 4 4 50 12.5 0.33
ANOVA
Source of Variation SS df MS F P-value F crit
Between Groups 120.69 3 40.23 49.51 0.00 3.49
Within Groups 9.75 12 0.81
Total 130.44 15
ภาพที่ 2.15 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยคาสัง่ Data Analysis ในโปรแกรมไมโครซอฟท์

เอกซ์เซล
~ 125 ~
เมื่อต้ องการวิเคราะห์ข้อมูลกรณีวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (ตัวอย่างที่ 2.5) มี

2. เลือกแถบคาสั่ง “สูตร” ตามด้ วยคาสั่ง “Data Analysis”
3. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “Anova: Two Factor Without Replication”
และคลิก “OK”
4. กล่อง “Anova: Two Factor Without Replication” จะปรากฏขึ้น คลิก ช่อง “Input Range:”
เลือกช่วงของข้ อมูลที่ต้องการวิเคราะห์ (ตัวอย่างที่ 2.5 คือ B2:E5)
5. คลิกช่อง “Alpha:” และพิมพ์ “0.05” (ในกรณีท่ตี ้ องการทดสอบสมมติฐานที่ระดับนัยสาคัญ
ทางสถิติ (p<0.05) แต่ปกติเครื่องจะพิมพ์ไว้ ให้ อยู่แล้ ว)
9. ตาราง Anova: Two-Factor Without Replication จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่เี ลือกไว้ ใน
ข้ อ 7 ดังภาพที่ 2.16
หมายเหตุ - กรณีน้ ไี ม่มคี าสั่งสาหรับการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์
Anova: Two-Factor Without Replication
SUMMARY Count Sum Average Variance

Row 1 4 32 8 10.00
Row 2 4 29 7.25 11.58
Row 3 4 36 9 8.67
Row 4 4 34 8.5 11.00
Column 1 4 20 5 0.67
Column 2 4 28 7 1.33
Column 3 4 33 8.25 0.92
Column 4 4 50 12.5 0.33
ANOVA
Source of Variation SS df MS F P-value F crit
Rows 6.69 3 2.23 6.55 0.01 3.86
Columns 120.69 3 40.23 118.22 0.00 3.86
Error 3.06 9 0.34
Total 130.44 15
ภาพที่ 2.16 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.5 โดยคาสัง่ Data Analysis ในโปรแกรมไมโครซอฟท์

เอกซ์เซล
~ 126 ~
(2) การใช้ แมโครในไฟล์ DSAASTAT.XLS (Onofri, 2007)

แมโครในไฟล์ DSAASTAT.XLS ถูกพัฒนาขึ้นโดย Andrea Onofri จาก Department of
Agricultural, Food and Environmental Sciences, University of Perugia, Italy และสามารถดาวน์โหลดได้
ฟรีจากเวบไซด์ http://stats4biology.blogspot.com/2015/10/dsaastat-new-excel-vba-macro-to-
analyse.html ไฟล์ท่ไี ด้ จากการดาวน์โหลด คือ DSAASTAT.XLS (ไม่ควรทาการเปลี่ยนแปลงใดๆ กับไฟล์น้ )ี
เมื่อต้ องการวิเคราะห์ข้อมูลกรณีวางแผนการทดลองแบบสุ่มสมบูรณ์ (ตัวอย่างที่ 2.4) และแผนการ
ทดลองแบบสุ่มสมบูรณ์ในบล็อก (ตัวอย่างที่ 2.5) มีข้นั ตอนดังต่อไปนี้
1. พิมพ์หรือเปิ ดไฟล์ข้อมูล (ANOVA data.xlsx แผ่นงาน 2) ดังภาพที่ 2.13 (ก)
2. ดับเบิลคลิกเปิ ดไฟล์ “DSAASTAT.XLS”
3. หากมีกล่องเตือนจากไมโครซอฟท์ปรากฏขึ้น คลิก “เปิ ดใช้ งานแมโคร” หรือ “Macro Enable”
4. กล่อง “Info” จะปรากฏขึ้น คลิก “OK”
5. คลิกแถบคาสั่ง “Add-In” และตามด้ วย “ANOVA”
6. กล่องป้ อนค่าจะปรากฏขึ้น คลิกเลือกช่วงของข้ อมูลที่ต้องการวิเคราะห์รวมหัวตาราง
(ตัวอย่างที่ 2.4 และ 2.5 คือ “A1:C17”) และคลิก “OK”
7. กล่อง “Experimental design” จะปรากฏขึ้น คลิกเลือกจานวนปัจจัยที่ศึกษา
(ตัวอย่างที่ 2.4 และ 2.5 คลิก “One factor”)
8. คลิกเลือกแผนการทดลองที่ใช้
(ตัวอย่างที่ 2.4 คลิก “Completely Randomised”
ตัวอย่างที่ 2.5 คลิก “Randomised blocks”)
9. คลิกเลือก “One year and location” ในช่อง “Multi-year and multi-location experiment”
ซึ่งปกติโปรแกรมจะเลือกให้ อยู่แล้ ว คลิก “OK”
10. กล่อง “Choice of Variables” จะปรากฏขึ้น เลือกตัวแปรที่ต้องการวิเคราะห์
(ตัวอย่างที่ 2.4 คลิกเลือกช่อง “First factor” เป็ น “Treatment” คลิกเลือก “Shear_Force”
ในช่อง “To be analysed” และคลิก “OK”
ตัวอย่างที่ 2.5 คลิกเลือกช่อง “Block” เป็ น “Rep” คลิกเลือกช่อง “First factor” เป็ น
“Treatment” คลิกเลือก “Shear_Force” ในช่อง “To be analysed” และคลิก “OK”)
11. ตารางผลการวิเคราะห์ความแปรปรวนจะปรากฏขึ้นในแผ่นงานใหม่ ดังภาพที่ 2.17 และภาพที่
2.19 สาหรับตัวอย่างที่ 2.4 และ 2.5 ตามลาดับ
12. เมื่อต้ องการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์ สามารถทาได้ ในแผ่นงานตารางผลการวิเคราะห์
โดยคลิกคาสั่ง “Multiple comparison test”
13. กล่องป้ อนค่าจะปรากฏขึ้น คลิกเลือกช่วงของค่าเฉลี่ยในตาราง MEANS
(ตัวอย่างที่ 2.4 คือ “B7:B10” ตัวอย่างที่ 2.5 คือ “F7:F10”) และคลิก “OK”
14. กล่อง “Multiple comparison test” จะปรากฏขึ้น คลิกเลือกวิธกี ารทดสอบ (Tipo test) ที่
ต้ องการ เช่น “Fisher’s LSD” คลิกเลือกระดับนัยสาคัญทางสถิติ (p level) ที่ต้องการทดสอบ
เช่น “0.05”
15. คลิกช่อง “SED (Stand. Error of a Difference)” และพิมพ์ค่า SED ที่ได้ จาก ANOVA
TABLE ลงไป (ตัวอย่างที่ 2.4 คือ “0.637” ตัวอย่างที่ 2.5 คือ “0.412” )
16. คลิกช่อง “Degrees of freedom (RSS)” และพิมพ์ค่า SS ของ Residual ที่ได้ จาก ANOVA
TABLE ลงไป (ตัวอย่างที่ 2.4 คือ “12” ตัวอย่างที่ 2.5 คือ “9”)
~ 127 ~
17. คลิกช่อง “Num. of replications” พิมพ์จานวนซา้ (ตัวอย่างที่ 2.4 และ 2.5 คือ “4”) และ
18. กล่อง “Microsoft Excel” ” จะปรากฏขึ้น คลิก “Yes”
19. ผลการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์จะแสดงในแผ่นงานใหม่ ดังภาพที่ 2.18 และ 2.20
(ก) สาหรับตัวอย่างที่ 2.4 และ 2.5 ตามลาดับ
หมายเหตุ - กรณีแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก หากต้ องการเปรียบเทียบค่าเฉลี่ยของ
บล็อกเพิ่มเติม สามารถทาได้ โดยเริ่มต้ นทาตามขั้นตอนที่ข้อ 13 แต่ในข้ อ 14 คลิก
เลือกช่วงของค่าเฉลี่ยในตาราง MEAN เป็ น “B11:E11” แทน จากนั้นทาขั้นตอน
ต่อไปจนเสร็จ จะได้ ผลการเปรียบเทียบค่าเฉลี่ยของบล็อกในแผ่นงานใหม่ ดังภาพที่
2.20 (ข)
~ 128 ~
A B C D E F G
1 ANALYSIS OF VARIANCE
2 VARIABLE: Shear_Force
3
4
5 Means of Shear_Force
6 Treatment MEAN
7 T1 5
8 T2 7
9 T3 8.25
10 T4 12.5
11 GRAND MEAN 8.1875
12
13
14 ANOVA TABLE
15
16 EFFECT SS DF MS F ProbF
17 Treatment 120.69 3 40.23 49.51 0.00 **
18 Residual 9.75 12 0.81
19 Total 130.44 15 8.70
20 C.V. (%): 11.0093168716458
21 S.E.M.: .450693909432999
22 S.E.D.: .637377439199098
23 LSD (p<0.05): 1.38872614186744
24 LSD (p<0.01): 1.94689462141951
ภาพที่ 2.17 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยแมโครในไฟล์ DSAASTAT.XLS
A B C
1 MULTIPLE COMPARISON TEST
2 Procedure: LSD (p= .05)
3 S.E.D.: .637377439199098
4 LSD = 1.38872614186744
5
6 4 12.5 a
7 3 8.25 b
8 2 7 b
9 1 5 c
ภาพที่ 2.18 ผลการเปรียบเทียบค่าเฉลี่ยของ Treatment ตัวอย่างที่ 2.4 โดยแมโครในไฟล์ DSAASTAT.XLS
~ 129 ~
A B C D E F G
3
4
5 Means of Shear_Force Rep
6 Treatment R1 R2 R3 R4 MEAN
7 T1 5 4 6 5 5
8 T2 6 6 8 8 7
9 T3 9 7 9 8 8.25
10 T4 12 12 13 13 12.5
11 GRAND MEAN 8 7.25 9 8.5 8.1875
12
13
14 ANOVA TABLE
15
16 EFFECT SS DF MS F ProbF
17 Blocks 6.69 3 2.23 6.55
18 Treatment 120.69 3 40.23 118.22 0.00 **
19 Residual 3.06 9 0.34
20 Total 130.44 15 8.70
21 C.V. (%): 7.12468193384224
22 S.E.M.: .291666666666667
23 S.E.D.: .412478955692153
24 LSD (p<0.05): .933092224122527
25 LSD (p<0.01): 1.34048877036716
~ 130 ~
A B C
3 S.E.D.: .412478955692153
4 LSD = .933092224122527
5
6 4 12.5 a
7 3 8.25 b
8 2 7 c
9 1 5 d
(ก)
A B C
3 S.E.D.: .412478955692153
4 LSD = .933092224122527
5
6 3 9 a
7 4 8.5 ab
8 1 8 bc
9 2 7.25 c
(ข)
ภาพที่ 2.20 ผลการเปรียบเทียบค่าเฉลี่ยของ Treatment (ก) และ Rep (ข) ตัวอย่างที่ 2.5
การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับการวิเคราะห์ข้อมูลโดยการวิเคราะห์ความแปรปรวนเมื่อ
ใช้ แผนการทดลองแบบลาตินสแควร์ โดยใช้ ข้อมูลจากตัวอย่างที่ 2.6 และใช้ แมโคร “DSAASTAT.XLS” มี
1. พิมพ์หรือเปิ ดไฟล์ข้อมูล (ANOVA data.xlsx แผ่นงาน 3) ดังภาพที่ 2.13 (ข)
2. คลิกเปิ ดไฟล์ “DSAASTAT.XLS”
5. เลือกคาสั่ง “Add-In” และตามด้ วย “ANOVA”
(ตัวอย่างที่ 2.6 คือ “A1:D17”) และคลิก “OK”
~ 131 ~

(ตัวอย่างที่ 2.6 คลิก “One factor”)
8. คลิกเลือกแผนการทดลองที่ใช้ (ตัวอย่างที่ 2.6 คลิก “Latin square”)
9. คลิกเลือก “One year and location” ในช่อง “Multi-year and multi-location experiment” ซึ่ง
ปกติโปรแกรมจะเลือกให้ อยู่แล้ ว คลิก “OK”
10. กล่อง “Choice of Variables” จะปรากฏขึ้น คลิกเลือกช่อง “Block” เป็ น “Rep” คลิกเลือก
ช่อง “Columns” เป็ น “Chopper” คลิกเลือกช่อง “First factor” เป็ น “Treatment” คลิก
เลือก “Shear_Force” ในช่อง “To be analysed” และคลิก “OK”
11. ตารางผลการวิเคราะห์ความแปรปรวนจะปรากฏขึ้นในแผ่นงานใหม่ ดังภาพที่ 2.21
(เนื่องจากโปรแกรมกาหนดให้ “Block” เป็ นแถว แต่ตวั อย่างการคานวณในตัวอย่างที่ 2.6
ข้ างต้ น กาหนดให้ การทาซา้ เป็ นสดมภ์ ผลที่ได้ จากโปรแกรมสาเร็จรูปในส่วนของ “Rep” และ
“Chopper” จึงเท่ากับผลที่ได้ จากตัวอย่างที่ 2.6 ในส่วนของสดมภ์ (Columns) และแถว (rows)
ตามลาดับ)
12. เมื่อต้ องการเปรียบเทียบค่าเฉลี่ยเฉลี่ยของทรีตเมนต์ สามารถทาได้ ในแผ่นงานผลการวิเคราะห์
โดยคลิกคาสั่ง “Multiple comparison test”
13. กล่องป้ อนค่าจะปรากฏขึ้น คลิกเลือกช่วงของค่าเฉลี่ยในตาราง MEANS
(ตัวอย่างที่ 2.6 คือ “B11:E11”) และคลิก “OK”
14. กล่อง “Multiple comparison test” จะปรากฏขึ้น คลิกเลือกวิธกี ารทดสอบ (Tipo test) ที่
ต้ องการ เช่น “Duncan’s MRT” คลิกเลือกระดับนัยสาคัญทางสถิติ (p level) ที่ต้องการทดสอบ
เช่น “0.05”
15. คลิกช่อง “SED (Stand. Error of a Difference)” และพิมพ์ค่า SED ที่ได้ จาก ANOVA TABLE
ลงไป (ตัวอย่างที่ 2.6 คือ “0.27 )
16. คลิกช่อง “Degrees of freedom (RSS)” และพิมพ์ค่า SS ของ Residual ที่ได้ จาก ANOVA
TABLE ลงไป (ตัวอย่างที่ 2.6 คือ “6”)
17. คลิกช่อง “Num. of replications” พิมพ์จานวนซา้ (ตัวอย่างที่ 2.6 คือ “4”) และคลิก “OK”
18. กล่อง “Microsoft Excel” ” จะปรากฏขึ้น คลิก “Yes”
19. ผลการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์จะแสดงในแผ่นงานใหม่ ดังภาพที่ 2.22 (ก)
หมายเหตุ - กรณีต้องการเปรียบเทียบค่าเฉลี่ยของ “Rep” และ “Chopper” เพิ่มเติม ต้ องพิมพ์
ค่าเฉลี่ยของ “Chopper” เพิ่มลงไปในแผ่นงานที่แสดงตารางผลการวิเคราะห์ความ
แปรปรวนในข้ อ 12 ก่อน ตัวอย่างเช่น พิมพ์เพิ่มลงไปตามลาดับจากเครื่องสับผสม
A–D ใน เซลล์ “B13:E13” จากนั้นจึงเริ่มต้ นทาตามขั้นตอนที่ข้อ 13 แต่ในข้ อ 14
ในส่วนของค่าเฉลี่ยของ “Rep” คลิกเลือกช่วงของค่าเฉลี่ยในตาราง MEAN เป็ น
“F7:F10” ในส่วนของค่าเฉลี่ยของ “Chopper” คลิกเลือกช่วงของค่าเฉลี่ย เป็ น
“B13:E13” และทาขั้นตอนต่อไปจนเสร็จ จะได้ ผลการเปรียบเทียบค่าเฉลี่ยของ
บล็อกในแผ่นงานใหม่ ดังภาพที่ 2.22 (ข) และ (ค)
~ 132 ~
A B C D E F G
3
4
5 Means of Shear_Force Treatment
6 Rep T1 T2 T3 T4 MEAN
7 1 5 6 9 12 8
8 2 4 6 7 12 7.25
9 3 6 8 9 13 9
10 4 5 8 8 13 8.5
11 GRAND MEAN 5 7 8.25 12.5 8.1875
12
13
14 ANOVA TABLE
15
16 EFFECT SS DF MS F ProbF Sign.
17 Rep 6.69 3 2.23
18 Chopper 2.19 3 0.73
19 Treatment 120.69 3 40.23 275.86 0.00 **
20 Residual 0.88 6 0.15
21 Total 130.44 15 8.70
22 C.V. (%): 4.664199
23 S.E.M.: .190941
24 S.E.D.: .270031
25 LSD (p<0.05): .660742
26 LSD (p<0.01): 1.00112
~ 133 ~
A B C
2 Procedure: Duncan's multiple range test (p= .05)
3 S.E.M.: .190940653956493; DF: 6
4 Critical range; 0; .661; .684; .695
5
6 4 12.5 a
7 3 8.25 b
8 2 7 c
9 1 5 d
(ก)
A B C
3 S.E.M.: .190940653956493; DF: 6
4 Critical range; 0; .661; .684; .695
5
6 3 9 a
7 4 8.5 ab
8 1 8 b
9 2 7.25 c
(ข)
A B C
3 S.E.M.: .190940653956493; DF: 6
4 Critical range; 0; .661; .684; .695
5
6 4 8.75 a
7 2 8.25 ab
8 1 8 b
9 3 7.75 b
(ค)
ภาพที่ 2.22 ผลการเปรียบเทียบค่าเฉลี่ยของ Treatment (ก) Rep (ข) และ Chopper (ค) ตัวอย่างที่ 2.6
~ 134 ~
การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับการวิเคราะห์ข้อมูลโดยการวิเคราะห์ความแปรปรวนของ
การทดลองแบบแฟคทอเรียลและสปลิทพลอท โดยใช้ ข้อมูลจากตัวอย่างที่ 2.7–2.10 และใช้ แมโคร
“DSAASTAT.XLS” มีข้นั ตอนดังต่อไปนี้
2. ดับเบิลคลิกเปิ ดไฟล์ “DSAASTAT.XLS”
5. เลือกแถบคาสั่ง “Add-In” และตามด้ วย “ANOVA”
(ตัวอย่างที่ 2.7–2.10 คือ “A1:E17”) และคลิก “OK”
(ตัวอย่างที่ 2.7–2.10 คลิก “Two factor”)
8. คลิกเลือกแผนการทดลองที่ใช้
(ตัวอย่างที่ 2.7 และ 2.9 คือ แผนการทดลองแบบสุ่มสมบูรณ์ คลิก “Completely randomised”
ตัวอย่างที่ 2.8 และ 2.10 คือ แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก คลิก “Randomised
blocks”)
9. คลิกเลือก “One year and location” ใน ช่อง “Multi-year and multi-location experiment” ซึ่ง
ปกติโปรแกรมจะเลือกให้ อยู่แล้ ว คลิก “OK”
10. กล่อง “Choice of design” จะปรากฏขึ้น เลือกการทดลองที่ใช้
(ตัวอย่างที่ 2.7 และ 2.9 คลิกเลือก ช่อง “Factorial” และคลิก “OK”
ตัวอย่างที่ 2.8 และ 2.10 คลิกเลือก ช่อง “Split-plot” และคลิก “OK” )
11. กล่อง “Choice of Variables” จะปรากฏขึ้น เลือกตัวแปรที่ต้องการวิเคราะห์
(ตัวอย่างที่ 2.7 และ 2.9 คลิกเลือกช่อง “First factor” เป็ น “A”
คลิกเลือกช่อง “Second factor” เป็ น “B” คลิกเลือก “Shear_Force” ในช่อง “To be
analysed” และคลิก “OK”
ตัวอย่างที่ 2.8 และ 2.10 คลิกเลือกช่อง “Block” เป็ น “Rep”
คลิกเลือกช่อง “First factor” เป็ น “A” คลิกเลือกช่อง “Second factor” เป็ น “B”
คลิกเลือก “Shear_Force” ในช่อง “To be analysed” และคลิก “OK”)
12. ตารางผลการวิเคราะห์ความแปรปรวนจะปรากฏขึ้นในแผ่นงานใหม่ ดังภาพที่ 2.23 – 2.26
หมายเหตุ - กรณีการทดลองแบบแฟคทอเรียลและสปลิทพลอท ในส่วนของค่าเฉลี่ย โปรแกรมจะ
แสดงผลเป็ นค่าเฉลี่ยของปัจจัยแต่ละปัจจัย (ไม่ใช่ค่าเฉลี่ยของทรีตเมนต์คอมบิเนชัน)
หากต้ องการเปรียบเทียบค่าเฉลี่ยของปัจจัยแต่ละปัจจัย สามารถทาได้ ตามขั้นตอนใน
ลักษณะเดียวกับที่กล่าวมาแล้ วในกรณีแผนการทดลองแบบสุ่มสมบูรณ์ และสุ่มสมบูรณ์
ในบล็อก โดยเริ่มต้ นจากข้ อ 12 และเลือกช่วงของค่าเฉลี่ยในตาราง MEAN และพิมพ์
ข้ อมูลในช่อง “SED (Stand. Error of a Difference)” และ “Degrees of freedom
(RSS)” ให้ ถูกต้ อง ส่วน “Num. of replications” ให้ พิมพ์ จานวนซา้ เป็ นครึ่งหนึ่ง
ของจานวนซา้ ของทรีตเมนต์คอมบิเนชัน
- กรณีท่ตี ้ องการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์คอมบิเนชัน ต้ องพิมพ์ค่าเฉลี่ย
ของทรีตเมนต์คอมบิเนชันเพิ่มลงไปในแผ่นงานที่แสดงตารางผลการวิเคราะห์ความ
~ 135 ~
แปรปรวนก่อน ตัวอย่างเช่น การพิมพ์ค่าเฉลี่ยเพิ่มลงไปตามลาดับจากทรีตเมนต์

คอมบิเนชัน 1–4 ใน เซลล์ “F7:F10” และทาตามขั้นตอนในลักษณะเดียวกับที่กล่าว
มาแล้ วในกรณีแผนการทดลองแบบสุ่มสมบูรณ์และสุ่มสมบูรณ์ในบล็อก โดยเริ่มต้ น
จากข้ อ 12 และเลือกช่วงของค่าเฉลี่ย เป็ น “F7:F10” และพิมพ์ข้อมูลในช่อง “SED
(Stand. Error of a Difference)” “Degrees of freedom (RSS)” และ “Num. of
replications” ให้ ถูกต้ อง
(กรณีการทดลองแบบแฟคทอเรียล – ให้ เลือกใช้ ค่า “SED” ในแถว “A x B” และ
“Degrees of freedom” ในแถว “Residual” ของ ANOVA TABLE
ส่วนการทดลองแบบสปลิทพลอต – ให้ เลือกใช้ ค่า “SED1” ในแถว “A” และ
“Degrees of freedom” ในแถว “Error A” ของ ANOVA TABLE สาหรับการ
เปรียบเทียบค่าเฉลี่ยของ “A” และ “Rep” และเลือกใช้ ค่า “SED2” ในแถว “A x
B” และ “Degrees of freedom” ในแถว “Residual” ของ ANOVA TABLE สาหรับ
การเปรียบเทียบค่าเฉลี่ยของ “B” และ “A x B”)
A B C D E F G
ANALYSIS OF
1 VARIANCE
3
4
5 Means of Shear_Force B
6 A -1 1 MEAN
7 -1 5 8.25 6.625
8 1 7 12.5 9.75
9 MEAN 6 10.375 8.1875
10
11
12 ANOVA TABLE
13
15 A 39.06 1 39.06 48.08 0.00 **
16 B 76.56 1 76.56 94.23 0.00 **
17 A x B 5.06 1 5.06 6.23 0.03 *
18 Residual 9.75 12 0.81
19 Total 130.44 15
~ 136 ~
A B C D E F G
ANALYSIS OF
1 VARIANCE
3
4
6 A -1 1 MEAN
7 -1 5 8.25 6.625
8 1 7 12.5 9.75
9 MEAN 6 10.375 8.1875
10
11
12 ANOVA TABLE
13
15 Rep 6.69 3 2.23 6.55 0.01 *
16 A 39.06 1 39.06 114.80 0.00 **
17 B 76.56 1 76.56 225.00 0.00 **
18 A x B 5.06 1 5.06 14.88 0.00 **
19 Residual 3.06 9 0.34
20 Total 130.44 15 8.70
21 C.V. (%) = 7.12
~ 137 ~
A B C D E F G
ANALYSIS OF
1 VARIANCE
3
4
6 A -1 1 MEAN
7 -1 5 8.25 6.625
8 1 7 12.5 9.75
9 MEAN 6 10.375 8.1875
10
11
12 ANOVA TABLE
13
15 A 39.06 1 39.06 26.41 0.00 **
16 Error A 8.88 6 1.48
17 B 76.56 1 76.56 525.00 0.00 **
18 A x B 5.06 1 5.06 34.71 0.00 **
19 Residual 0.88 6 0.15
20 Total 130.44 15 8.70
~ 138 ~
A B C D E F G
ANALYSIS OF
1 VARIANCE
3
4
6 A -1 1 MEAN
7 -1 5 8.25 6.625
8 1 7 12.5 9.75
9 MEAN 6 10.375 8.1875
10
11
12 ANOVA TABLE
13
15 Rep 6.69 3 2.23 3.06 0.19
16 A 39.06 1 39.06 53.57 0.01 **
17 Error A 2.19 3 0.73
18 B 76.56 1 76.56 525.00 0.00 **
19 A x B 5.06 1 5.06 34.71 0.00 **
20 Residual 0.88 6 0.15
21 Total 130.44 15 8.70
~ 139 ~

วิธกี ารดึงไฟล์ข้อมูลจากโปรแกรมไมโครซอฟท์เอกซ์เซล กรุณาดูรายละเอียดในหัวข้ อ 2.1.3.2 หน้ า
39 (แต่ในกรณีน้ ใี ช้ ช่ อื ไฟล์ ANOVA data.xlsx)
การใช้ โปรแกรมเอสพีเอสเอสสาหรับการวิเคราะห์ข้อมูลโดยการวิเคราะห์ความแปรปรวน เมื่อใช้

แผนการทดลองแบบสุ่มสมบูรณ์ สามารถทาได้ 2 กรณี คือ (1) การใช้ คาสัง่ “Compare Means” และ (2)
การใช้ คาสั่ง “General Linear Model” ส่วนแผนการทดลองอื่นจะต้ องใช้ คาสั่ง “General Linear Model”
(1) การใช้ คาสัง่ “Compare Means”

เมื่อต้ องการวิเคราะห์ข้อมูลกรณีวางแผนการทดลองแบบสุ่มสมบูรณ์ (ตัวอย่างที่ 2.4) มีข้นั ตอน
1. พิมพ์หรือเปิ ดไฟล์ข้อมูล (ANOVA data.xlsx แผ่นงาน 2) ดังภาพที่ 2.13 (ก)
2. คลิกคาสั่ง “Analyze” เลื่อนมาที่ “Compare Means” และคลิก “One-Way ANOVA..”
ตามลาดับ
3. กล่อง “One-Way ANOVA..” จะปรากฏขึ้น คลิกเลือก “Shear_Force” ใส่ในช่อง “Dependent
lists:”
4. คลิกเลือก “Treatment” ใส่ในช่อง “Factor:”
5. คลิก “Post Hoc…”
6. กล่อง “One-Way ANOVA: Post Hoc Multiple Comparisons” จะปรากฏขึ้น
7. คลิกเลือกวิธกี ารทดสอบที่ต้องการ
8. คลิกช่อง “Significance level” พิมพ์ “0.05” ซึ่งปกติโปรแกรมจะพิมพ์ไว้ ให้ อยู่แล้ ว
และคลิก “Continue” จะกลับมาที่กล่อง “One-Way ANOVA..”
10. ผลการวิเคราะห์จะปรากฏขึ้นในหน้ าต่าง “Output” ดังภาพที่ 2.27
หมายเหตุ - ในส่วนของผลการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์ สามารถพิจารณาได้ จากค่า
“Sig.” ของผลต่างของค่าเฉลี่ยแต่ละคู่ท่มี คี ่าน้ อยกว่า 0.05 หรือ 0.01 (ตามที่
กาหนด) แต่ในบางกรณี ตัวอย่างเช่น การทดสอบแบบพิสยั เชิงพหุของดันแคน จะ
แสดงผลเป็ นตารางซึ่งแบ่งกลุ่มของค่าเฉลี่ยไว้ ดังภาพที่ 2.27
~ 140 ~
ANOVA
Shear_Force
Sum of Squares df Mean Square F Sig.
Between Groups 120.688 3 40.229 49.513 .000
Within Groups 9.750 12 .812
Total 130.438 15
Multiple Comparisons
Dependent Variable:Shear_Force
(I) (J) Mean Difference Std. 95% Confidence Interval
Treatment Treatment (I-J) Error Sig. Lower Bound Upper Bound
LSD T1 T2 -2.000* .637 .009 -3.39 -.61
T3 -3.250* .637 .000 -4.64 -1.86
T4 -7.500* .637 .000 -8.89 -6.11
T2 T1 2.000* .637 .009 .61 3.39
T3 -1.250 .637 .073 -2.64 .14
T4 -5.500* .637 .000 -6.89 -4.11
T3 T1 3.250* .637 .000 1.86 4.64
T2 1.250 .637 .073 -.14 2.64
T4 -4.250* .637 .000 -5.64 -2.86
T4 T1 7.500* .637 .000 6.11 8.89
T2 5.500* .637 .000 4.11 6.89
T3 4.250* .637 .000 2.86 5.64
*. The mean difference is significant at the 0.05 level.
Shear_Force
Subset for alpha = 0.05
Treatment N 1 2 3
a
Duncan T1 4 5.00
T2 4 7.00
T3 4 8.25
T4 4 12.50
Sig. 1.000 .073 1.000
Means for groups in homogeneous subsets are displayed.
ภาพที่ 2.27 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยใช้ คาสั่ง “Compare Means” โปรแกรมเอสพีเอสเอส
~ 141 ~
(2) การใช้ คาสั่ง “General Linear Model”

เมื่อต้ องการวิเคราะห์ข้อมูล โดยใช้ คาสั่ง “General Linear Model” มีข้นั ตอนดังต่อไปนี้
1. พิมพ์หรือเปิ ดไฟล์ข้อมูล
(แผนการทดลองแบบสุ่มสมบูรณ์และสุ่มสมบูรณ์ในบล็อก (ตัวอย่างที่ 2.4 และ 2.5)
– ANOVA data.xlsx แผ่นงาน 2 ดังภาพที่ 2.13 (ก)
แผนการทดลองแบบลาตินสแควร์ (ตัวอย่างที่ 2.6)
– ANOVA data.xlsx แผ่นงาน 3 ดังภาพที่ 2.13 (ข)
การทดลองแบบแฟคทอเรียลและสปลิทพลอท (ตัวอย่างที่ 2.7, 2.8, 2.9 และ 2.10)
– ANOVA data.xlsx แผ่นงาน 4 ดังภาพที่ 2.14)
2. คลิกคาสั่ง “Analyze” เลื่อนมาที่ “General Linear Model” และคลิก “Univariate...”
3. กล่อง “Univariate...” จะปรากฏขึ้น คลิกเลือก “Shear_Force” ใส่ในช่อง “Dependent
variable:”
4. คลิกเลือกตัวแปร ใส่ในช่อง “Fixed Factor (s):”
(แผนการทดลองแบบสุ่มสมบูรณ์ (ตัวอย่างที่ 2.4)
- คลิกเลือก “Treatment” ใส่ในช่อง “Fixed Factor (s):”
แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (ตัวอย่างที่ 2.5)
- คลิกเลือก “Rep” และ “Treatment” ใส่ในช่อง “Fixed Factor (s):”
– คลิกเลือก “Rep”, “Chopper” และ “Treatment” ใส่ในช่อง “Fixed Factor (s):”
การทดลองแบบแฟคทอเรียลเมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ (ตัวอย่างที่ 2.7)
– คลิกเลือก “A” และ “B” ใส่ในช่อง “Fixed Factor (s):”
การทดลองแบบแฟคทอเรียลเมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก (ตัวอย่างที่ 2.8)
และการทดลองแบบสปลิทพลอท (ตัวอย่างที่ 2.9 และ 2.10)
– คลิกเลือก “Rep”, “A” และ “B” ใส่ในช่อง “Fixed Factor (s):”)
5. คลิก “Model”
6. กล่อง “Univariate: Model” จะปรากฏขึ้น
7. เลือก Model ที่ต้องการ
- คลิกเลือก “Custom” ในส่วนของ “Specify Model”
และคลิกเลือก “Treatment” ใส่ในช่อง “Model:”
และคลิกเลือก “Rep” และ “Treatment” ใส่ในช่อง “Model:”
โดยคลิกเลือกครั้งละตัวเปรตามลาดับ
และคลิกเลือก “Rep”, “Chopper” และ “Treatment” ใส่ในช่อง “Model:”
~ 142 ~

- คลิกเลือก “Full factorial” ในส่วนของ “Specify Model”
และคลิกเลือก “Rep”, “A”, “B” และ “A*B” ใส่ในช่อง “Model:”
(กรณีเลือก “A*B” - คลิก “A” กด Ctrl ค้ างไว้ และคลิก “B”)
การทดลองแบบสปลิทพลอท เมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ (ตัวอย่างที่ 2.9)
และคลิกเลือก “A”, “A*Rep”, “B” และ “A*B” ใส่ในช่อง “Model:”
(กรณีเลือก “A*Rep” - คลิก “A” กด Ctrl ค้ างไว้ และคลิก “Rep”
กรณีเลือก “A*B” - คลิก “A” กด Ctrl ค้ างไว้ และคลิก “B”)
การทดลองแบบสปลิทพลอท เมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก
(ตัวอย่างที่ 2.10)
และคลิกเลือก “Rep”, “A”, “A*Rep”, “B” และ “A*B” ใส่ในช่อง “Model:”
(กรณีเลือก “A*Rep” - คลิก “A” กด Ctrl ค้ างไว้ และคลิก “Rep”
กรณีเลือก “A*B” - คลิก “A” กด Ctrl ค้ างไว้ และคลิก “B”)
8. คลิก “Continue” จะกลับมาที่กล่อง “Univariate...”
9. คลิก “Post Hoc…”
10. กล่อง “Univariate: Post Hoc Multiple Comparisons for Observed...” จะปรากฏขึ้น
11. คลิกเลือกตัวแปรที่ต้องการเปรียบเทียบค่าเฉลี่ย
- คลิกเลือก “Treatment” ใส่ในช่อง “Post Hoc Tests for:”
- คลิกเลือก “Rep” และ“Treatment” ใส่ในช่อง “Post Hoc Tests for:”
– คลิกเลือก “Rep”, “Chopper” และ “Treatment” ใส่ในช่อง “Post Hoc Tests for:”
– คลิกเลือก “A” และ “B” ใส่ในช่อง “Post Hoc Tests for:”
– คลิกเลือก “Rep”, “A” และ “B” ใส่ในช่อง “Post Hoc Tests for:”
การทดลองแบบสปลิทพลอท (ตัวอย่างที่ 2.9 และ 2.10)
– คลิกเลือก “B” ใส่ในช่อง “Post Hoc Tests for:”
(ไม่เลือก “Rep” และ “A” เพราะค่าที่โปรแกรมคานวณให้ จะยังไม่ถูกต้ อง
เนื่องจากโปรแกรมใช้ ค่า MSA*Rep ในการคานวณ)
12. คลิกเลือกวิธกี ารทดสอบที่ต้องการ และคลิก “Continue” จะกลับมาที่กล่อง “Univariate...”
~ 143 ~

14. ผลการวิเคราะห์จะปรากฏขึ้นในหน้ าต่าง “Output” (ผลการวิเคราะห์ความแปรปรวนแสดงดังภาพ
ที่ 2.28–2.33 ส่วนผลการเปรียบเทียบค่าเฉลี่ยที่ได้ จะมีลักษณะเดียวกับที่แสดงในภาพที่ 2.27)
หมายเหตุ - กรณีการทดลองแบบสปลิทพลอท จะต้ องคานวณค่าเอฟของ Main plot (A) (และ
Block (ถ้ ามี)) ใหม่โดยใช้ MSA*Rep เป็ นตัวหาร เนื่องจากโปรแกรมจะใช้ MSE เป็ น
ตัวหารในการคานวณค่าเอฟทุกค่า
- กรณีมรี ะดับของตัวแปรเพียง 2 ระดับ โปรแกรมจะไม่คานวณเปรียบเทียบค่าเฉลี่ยให้
Tests of Between-Subjects Effects

Source Type III Sum of Squares Df Mean Square F Sig.
a
Corrected Model 120.687 3 40.229 49.513 .000
Intercept 1072.562 1 1072.562 1.320E3 .000
Treatment 120.687 3 40.229 49.513 .000
Error 9.750 12 .812
Total 1203.000 16
Corrected Total 130.437 15
a. R Squared = .925 (Adjusted R Squared = .907)
(ก)

Source Type III Sum of Squares Df Mean Square F Sig.
Corrected Model 127.375a 6 21.229 62.388 .000
Intercept 1072.563 1 1072.563 3.152E3 .000
Treatment 120.687 3 40.229 118.224 .000
Rep 6.687 3 2.229 6.551 .012
Error 3.062 9 .340
Total 1203.000 16
(ข)
ภาพที่ 2.28 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 (ก) และตัวอย่างที่ 2.5 (ข) โดยใช้ คาสั่ง
“General Linear Model” โปรแกรมเอสพีเอสเอส
~ 144 ~

Source Type III Sum of Squares df Mean Square F Sig.
Intercept 1072.562 1 1072.562 7.355E3 .000
Treatment 120.687 3 40.229 275.857 .000
Rep 6.687 3 2.229 15.286 .003
Chopper 2.187 3 .729 5.000 .045
Error .875 6 .146
Total 1203.000 16
ภาพที่ 2.29 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.6 โดยใช้ คาสั่ง “General Linear Model”


Intercept 1072.562 1 1072.562 1.320E3 .000
A 39.062 1 39.062 48.077 .000
B 76.562 1 76.562 94.231 .000
A*B 5.062 1 5.062 6.231 .028
Error 9.750 12 .812
Total 1203.000 16

~ 145 ~

Intercept 1072.562 1 1072.562 3.152E3 .000
Rep 6.687 3 2.229 6.551 .012
A 39.062 1 39.062 114.796 .000
B 76.562 1 76.562 225.000 .000
A*B 5.062 1 5.062 14.878 .004
Error 3.062 9 .340
Total 1203.000 16


Intercept 1072.562 1 1072.562 7.355E3 .000
A 39.063 1 39.063 267.857 .000
A * Rep 8.875 6 1.479 10.143 .006
B 76.562 1 76.562 525.000 .000
A*B 5.062 1 5.062 34.714 .001
Error .875 6 .146
Total 1203.000 16

(ค่าเอฟของ A ต้ องคานวณใหม่ ดังนี้ MSA /MSA*Rep = 39.063/1.479 = 26.41)
~ 146 ~

Intercept 1072.563 1 1072.563 7.355E3 .000
Rep 6.688 3 2.229 15.286 .003
A 39.062 1 39.062 267.857 .000
A * Rep 2.187 3 .729 5.000 .045
B 76.562 1 76.562 525.000 .000
A*B 5.062 1 5.062 34.714 .001
Error .875 6 .146
Total 1203.000 16
ภาพที่ 2.33 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.10 โดยใช้ คาสัง่ “General Linear Model”

(ค่าเอฟของ Rep และ A ต้ องคานวณใหม่ ดังนี้ MSRep /MSA*Rep = 2.229/0.729 = 3.058
และ MSA /MSA*Rep = 39.063/0.729 = 53.583)
~ 147 ~

กรณีไม่มโี ปรแกรมอาร์ กรุณาดูวิธกี ารดาวน์โหลด การติดตั้งโปรแกรม และการเปิ ดโปรแกรมใน
หัวข้ อ 2.1.3.3 หน้ า 42-43
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.4 (แผนการทดลองแบบสุ่มสมบูรณ์) ให้ ทาตามขั้นตอน

ดังต่อไปนี้ ที่หน้ าต่าง R Commander
Excel file…”
2. กล่อง “Import Excel Data Set” จะปรากฏขึ้น พิมพ์ช่ อื ไฟล์ข้อมูล (ระบบจะพิมพ์ช่ อื “Dataset”
ไว้ ให้ ) และคลิก “OK” (กรณีไม่ต้องการพิมพ์ช่ อื ไฟล์ข้อมูลเป็ นชื่ออื่น หากกล่อง “Data set
3. กล่อง “Open” จะปรากฏขึ้น คลิกเลือกไฟล์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซลที่บนั ทึกไว้
(ในที่น้ ใี ช้ ช่ อื ไฟล์ ANOVA data.xlsx) และคลิก “Open”
4. กล่อง “Select One Table” จะปรากฏขึ้น คลิกเลือกแผ่นงานที่พิมพ์ตารางข้ อมูล (ตัวอย่างที่
2.4 เลือก Sheet 2) ไว้ และคลิก “OK”
6. คลิก “Statistics” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อนมาที่ “Means” แล้ วคลิก “One-Way
ANOVA…”
7. กล่อง “One-Way Analysis of Variance” จะปรากฏขึ้น คลิกเลือกข้ อมูลที่ต้องการวิเคราะห์ใน
ช่อง “Group” และ “Response Variable” (ตัวอย่างที่ 2.4 คือ Treatment และ Shear_Force
ตามลาดับ)
8. คลิกให้ เกิดเครื่องหมาย  ในช่อง  Pairwise comparisons of means

ซึ่ ง ให้ ผ ลในส่ ว นของการวิ เ คราะห์ ค วามแปรปรวนเหมือนกับการใช้ โ ปรแกรมไมโครซอฟท์เ อกซ์ เ ซลแล ะ
โปรแกรมเอสพีเอสเอส (ภาพที่ 2.15, 2.17, 2.27 และ 2.28 (ก) ตามลาดับ) ส่วนของการเปรียบเทียบ
ค่าเฉลี่ยในโปรแกรมอาร์จะใช้ วิธกี ารทดสอบของทูกยี ์แบบเอเท่านั้น
~ 148 ~
> AnovaModel.1 <- aov(Shear_Force ~ Treatment, data=Dataset)

> summary(AnovaModel.1)
Df Sum Sq Mean Sq F value Pr(>F)
Treatment 3 120.69 40.23 49.51 4.95e-07 ***
Residuals 12 9.75 0.81
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
> with(Dataset, numSummary(Shear_Force, groups=Treatment, statistics=c("mean", "sd")))
mean sd data:n
T1 5.00 0.8164966 4
T2 7.00 1.1547005 4
T3 8.25 0.9574271 4
T4 12.50 0.5773503 4
> local({
+ .Pairs <- glht(AnovaModel.1, linfct = mcp(Treatment = "Tukey"))
+ print(summary(.Pairs)) # pairwise tests
+ print(confint(.Pairs)) # confidence intervals
+ print(cld(.Pairs)) # compact letter display
+ old.oma <- par(oma=c(0,5,0,0))
+ plot(confint(.Pairs))
+ par(old.oma)
+ })
Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts
Fit: aov.default(formula = Shear_Force ~ Treatment, data = Dataset)
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
T2 - T1 == 0 2.0000 0.6374 3.138 0.03721 *
T3 - T1 == 0 3.2500 0.6374 5.099 0.00125 **
T4 - T1 == 0 7.5000 0.6374 11.767 < 0.001 ***
T3 - T2 == 0 1.2500 0.6374 1.961 0.25513
T4 - T2 == 0 5.5000 0.6374 8.629 < 0.001 ***
T4 - T3 == 0 4.2500 0.6374 6.668 < 0.001 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Adjusted p values reported -- single-step method)
Simultaneous Confidence Intervals

Multiple Comparisons of Means: Tukey Contrasts
Fit: aov.default(formula = Shear_Force ~ Treatment, data = Dataset)
Quantile = 2.9657
95% family-wise confidence level
Linear Hypotheses:
Estimate lwr upr
T2 - T1 == 0 2.0000 0.1097 3.8903
T3 - T1 == 0 3.2500 1.3597 5.1403
T4 - T1 == 0 7.5000 5.6097 9.3903
T3 - T2 == 0 1.2500 -0.6403 3.1403
T4 - T2 == 0 5.5000 3.6097 7.3903
T4 - T3 == 0 4.2500 2.3597 6.1403
T1 T2 T3 T4
"a" "b" "b" "c"
ภาพที่ 2.34 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.4 โดยใช้ โปรแกรมอาร์
~ 149 ~
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.5 (แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก) ให้ ทา

ตามขั้นตอนดังต่อไปนี้
1. ที่หน้ าต่าง R Commander คลิก “Data” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อน Cursor มาที่ “Import
Data” และคลิก “from Excel file…”
ไว้ ให้ ) และคลิก “OK” (กรณีไม่ต้องการพิมพ์ช่ อื ไฟล์ข้อมูลเป็ นชื่ออื่น หากกล่ อง “Data set
6. พิมพ์คาสั่งต่อไปนี้ในหน้ าต่าง R Console
> aov2=aov(Shear_Force ~ Treatment + Rep, data = Dataset)
> summary(aov2)
แล้ ว Enter
หมายเหตุ - กรณีพิมพ์ช่ อื ไฟล์ข้อมูลเป็ นชื่ออื่น ไม่ใช้ Dataset ในคาสั่งข้ างต้ น ต้ องเปลี่ยนจาก
Dataset เป็ น ชื่อไฟล์ดงั กล่าว
ผลการคานวณจะปรากฏขึ้นด้ านล่างคาสัง่ ที่พิมพ์ดงั ภาพที่ 2.35 ซึ่งให้ ผลในส่วนของการวิเคราะห์

ความแปรปรวนเหมือนกับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลและโปรแกรมเอสพีเอสเอส (ภาพที่ 2.16,
2.19 และ 2.28 (ข) ตามลาดับ)

Treatment 3 120.69 40.23 118.224 1.51e-07 ***
Rep 3 6.69 2.23 6.551 0.0122 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
~ 150 ~
7. กรณีต้องการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์ นาคาสัง่ เปรียบเทียบค่าเฉลี่ยด้ วยวิธี Tukey

ใน Output ของตัวอย่างที่ 2.4 (ภาพที่ 2.34) มาวางในหน้ า R Console โดยต้ องคัดลอกมาวาง
ทีละบรรทัด (ไม่รวมเครื่องหมาย > หรือ + เนื่องจากเครื่องหมายดังกล่าวจะปรากฏขึ้นเอง
หลังจาก Enter บรรทัดก่อนหน้ า) และเปลี่ยน “AnovaModel.1” ในบรรทัดที่ 2 เป็ น “aov2”
> local({
+ .Pairs <- glht(aov2, linfct = mcp(Treatment = "Tukey"))
+ par(old.oma)
+ })
แล้ ว Enter
8. กรณีต้องการเปรียบเทียบค่าเฉลี่ยของการทดลองซา้ เปลี่ยนคาสั่งในบรรทัดที่ 2 ของข้ อ 7 เป็ น
+ .Pairs <- glht(aov2, linfct = mcp(Rep = "Tukey"))
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.6 (แผนการทดลองแบบลาตินสแควร์) ให้ ทาตามขั้นตอน

2. กล่อง “Import Excel Data Set” จะปรากฏขึ้น พิมพ์ช่ ือไฟล์ข้อมูล (ระบบจะพิมพ์ช่ อื “Dataset”
ไว้ ให้ ) และคลิก “OK”(กรณีไม่ต้องการพิมพ์ช่ อื ไฟล์ข้อมูลเป็ นชื่ออื่น หากกล่อง “Data set
4. กล่อง “Select One Table” จะปรากฏขึ้น คลิกเลือกแผ่นงานที่พิมพ์ตารางข้ อมูล (ตัวอย่างที่ 2.6
เลือก Sheet 3) ไว้ และคลิก “OK”
> aov3=aov(Shear_Force ~ Treatment + Rep + Chopper, data = Dataset)
> summary(aov3)
แล้ ว Enter
~ 151 ~

ความแปรปรวนเหมือนกับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลและโปรแกรมเอสพีเอสเอส (ภาพที่ 2.21
และ 2.29 ตามลาดับ)

Treatment 3 120.69 40.23 275.86 8.14e-07 ***
Rep 3 6.69 2.23 15.29 0.00324 **
Chopper 3 2.19 0.73 5.00 0.04520 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
7. กรณีต้องการเปรียบเทียบค่าเฉลี่ยของทรีตเมนต์ นาคาสั่งเปรียบเทียบค่าเฉลี่ยด้ วยวิธี Tukey ใน

Output ของตัวอย่างที่ 2.4 (ภาพที่ 2.34) มาวางในหน้ า R Console โดยต้ องคัดลอกมาวางทีละ
บรรทัด (ไม่รวมเครื่องหมาย > หรือ + เนื่องจากเครื่องหมายดังกล่าวจะปรากฏขึ้นเอง หลังจาก
Enter บรรทัดก่อนหน้ า) และเปลี่ยน “AnovaModel.1” ในบรรทัดที่ 2 เป็ น “aov3” ดังนี้
> local({
+ .Pairs <- glht(aov3, linfct = mcp(Treatment = "Tukey"))
+ par(old.oma)
+ })
แล้ ว Enter
8. กรณีต้องการเปรียบเทียบค่าเฉลี่ยของการทดลองซา้ เปลี่ยนคาสั่งในบรรทัดที่ 2 ของข้ อ 7 เป็ น
+ .Pairs <- glht(aov3, linfct = mcp(Rep = "Tukey"))
9. กรณีต้องการเปรียบเทียบค่าเฉลี่ยของเครื่องสับผสม เปลี่ยนคาสัง่ ในบรรทัดที่ 2 ของข้ อ 7 เป็ น
+ .Pairs <- glht(aov3, linfct = mcp(Chopper = "Tukey"))
~ 152 ~
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.7 (การทดลองแบบแฟคทอเรียลเมื่อวางแผนการทดลอง

แบบสุ่มสมบูรณ์) ให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander
Excel file…”
6. คลิก “Statistics” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อนมาที่ “Means” แล้ วคลิก “Multi-Way
ANOVA…”
7. กล่อง “Multi-Way Analysis of Variance” จะปรากฏขึ้น คลิกเลือกข้ อมูลที่ต้องการวิเคราะห์
ในช่อง “Factors” (เลือก A และ B) และ “Response Variable” (เลือก Shear_Force)
ผลการคานวณจะปรากฏขึ้นในช่อง Output ของหน้ าต่าง R Commander ดังภาพที่ 2.37 ซึ่งให้ ผลใน

ส่วนของการวิเคราะห์ความแปรปรวนเหมือนกับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลและโปรแกรมเอสพีเอส
เอส (ภาพที่ 2.23 และ 2.30 ตามลาดับ)
Sum Sq Df F value Pr(>F)

A 39.062 1 48.0769 1.574e-05 ***
B 76.562 1 94.2308 4.932e-07 ***
A:B 5.062 1 6.2308 0.02811 *
Residuals 9.750 12
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.8 (การทดลองแบบแฟคทอเรียลเมื่อวางแผนการทดลอง

แบบสุ่มสมบูรณ์ในบล็อก) ให้ ทาตามขั้นตอนดังต่อไปนี้
~ 153 ~
2. กล่อง “Import Excel Data Set” จะปรากฏขึ้น พิมพ์ช่ อื ไฟล์ข้อมูล (ระบบจะพิมพ์ช่ ือ “Dataset”
> aov5=aov(Shear_Force ~ A + B + A*B + Rep, data = Dataset)
> summary(aov5)
แล้ ว Enter

ความแปรปรวนเหมือนกับการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลและโปรแกรมเอสพีเอสเอส (ภาพที่ 2.24
และ 2.31 ตามลาดับ)

A 1 39.06 39.06 114.796 2.01e-06 ***
B 1 76.56 76.56 225.000 1.13e-07 ***
Rep 3 6.69 2.23 6.551 0.01216 *
A:B 1 5.06 5.06 14.878 0.00386 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
เมื่อต้ องการวิเคราะห์ข้อมูลของตัวอย่างที่ 2.9 และ 2.10 (การทดลองแบบสปลิทพลอท) ให้ ทาตาม

~ 154 ~

2.9-2.10 เลือก Sheet 4) ไว้ และคลิก “OK”
> aov6=aov(Shear_Force ~ A + A*Rep + B + A*B, data = Dataset)
> summary(aov6)
แล้ ว Enter

ความแปรปรวนเหมือนกับโปรแกรมเอสพีเอสเอสสาหรับตัวอย่างที่ 2.10 (ภาพที่ 2.33) แต่ต้องมีการคานวณ
ค่าที่ถูกต้ องบางค่าใหม่ คือ
- ตัวอย่างที่ 2.9 (เมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์) : ค่าเอฟของ A ต้ องคานวณใหม่ ดังนี้
โดยรวมค่า Df และ Sum Sq ของ Rep เข้ ากับ A:Rep เป็ น 6 (มาจาก 3+3) และ 8.88(มาจาก
6.69 + 2.19) และคานวณค่า Mean Sq A:Rep = 1.48 (มาจาก 8.88 / 6) จากนั้นจึงคานวณ
ค่า F value ของ A ใหม่จาก Mean SqA /Mean SqA:Rep = 39.06/1.48 = 26.39
- ตัวอย่างที่ 2.10 (เมื่อวางแผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก) : ค่าเอฟของ A และ Rep

ต้ องคานวณใหม่ ดังนี้
ค่า F value ของ A จาก Mean SqA /Mean SqA:Rep = 39.06/0.73 = 53.51
ค่า F value ของ Rep จาก Mean SqRep /Mean SqA:Rep = 2.23/0.73 = 3.05

A 1 39.06 39.06 267.86 3.31e-06 ***
Rep 3 6.69 2.23 15.29 0.00324 **
B 1 76.56 76.56 525.00 4.53e-07 ***
A:Rep 3 2.19 0.73 5.00 0.04520 *
A:B 1 5.06 5.06 34.71 0.00106 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
ภาพที่ 2.39 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 2.9–2.10 โดยใช้ โปรแกรมอาร์
~ 155 ~
1. การทดลองเพื่ อศึ กษาอิท ธิพ ลของระยะเวลาเก็บ รัก ษาที่มีต่อ การเกิดสีน้า ตาลของ

ผลิตภัณฑ์เครื่องดื่มชนิดหนึ่ง
แผนการทดลองที่เหมาะสม คือ แผนการทดลองแบบสุ่มสมบูรณ์ เนื่องจากมีปัจจัยที่
ส่งผลต่อความแปรปรวนเพียงปัจจัยเดียว คือ ระยะเวลา (ไม่มีข้อมูลใดๆ ที่แสดงให้
เห็นถึงความแตกต่างของการทาการทดลองแต่ละครั้ง) และมีผลการวิเคราะห์ความ
แปรปรวนดังต่อไปนี้
EFFECT SS DF MS F ProbF
Week 0.0456 3 0.01519 59.83 0.000
Residual 0.0020 8 0.00025
Total 0.0476 11 0.00433
เมื่อเปรียบเทียบค่าเฉลี่ยโดยวิธที ูกยี ์แบบเอ ได้ ผลดังต่อไปนี้
c
สัปดาห์ท่ี 0 0.120
c
b
a
2. การทดลองเพื่อศึกษาปริมาณโปรตีนในผลิตภัณฑ์ข้าวเกรียบปลาของผู้ผลิต 5 ราย
แผนการทดลองที่เหมาะสม คือ แผนการทดลองแบบสุ่มสมบูรณ์ในบล็อก เนื่องจากมี
ปัจจัยที่ส่งผลต่อความแปรปรวนสองปัจจัย คือ ผู้ผลิต และ ห้ องปฏิบตั กิ าร และมีผล
การวิเคราะห์ความแปรปรวนดังต่อไปนี้
Blocks 0.201 2 0.101 17.76 0.001
Product 1.171 4 0.293 51.65 0.000
Residual 0.045 8 0.006
Total 1.417 14 0.1
~ 156 ~
c ห้ องปฏิบตั กิ าร 1 (ซา้ ที่ 1) 3.12 b

ผลิตภัณฑ์ของผู้ผลิต 1 2.90
ผลิตภัณฑ์ของผู้ผลิต 2 a ห้ องปฏิบตั กิ าร 2 (ซา้ ที่ 2) 3.40 a
3.53
ผลิตภัณฑ์ของผู้ผลิต 3 b ห้ องปฏิบตั กิ าร 3 (ซา้ ที่ 3) 3.22 b
3.20
ผลิตภัณฑ์ของผู้ผลิต 4 bc
3.00
ผลิตภัณฑ์ของผู้ผลิต 5 a
3.60
3. การทดลองเพื่อศึกษาอิทธิพลของสารให้ ความข้ นหนืดจากผู้ผลิต 5 ราย ในผลิตภัณฑ์

5 ชนิด
แผนการทดลองที่เหมาะสม คือ แผนการทดลองแบบลาตินสแควร์ เนื่องจากมีปัจจัยที่
ส่งผลต่อความแปรปรวนสามปัจจัย คือ ผลิตภัณฑ์ สารให้ ความข้ นหนืดจากแต่ละ
ผู้ผลิต และ ผู้วัดความหนืด และมีผลการวิเคราะห์ความแปรปรวนดังต่อไปนี้
Product 30265.04 4 7566.26 220.63 0.000
Thickening agent 7672.64 4 1918.16 55.93 0.000
Analyser 1784.64 4 446.16 13.01 0.000
Residual 411.52 12 34.29
Total 40133.84 24 1672.24
c สารจากผู้ผลิต 1 162.8 c ผู้วัด 1 168.0 b

ผลิตภัณฑ์ 1 155.6
ผลิตภัณฑ์ 2 a สารจากผู้ผลิต 2 153.4 cd ผู้วัด 2 167.2 b
225.8
ผลิตภัณฑ์ 3 d สารจากผู้ผลิต 3 177.6 b ผู้วัด 3 180.6 a
120.6
ผลิตภัณฑ์ 4 c สารจากผู้ผลิต 4 195.2 a ผู้วัด 4 165.6 bc
154.2
ผลิตภัณฑ์ 5 b สารจากผู้ผลิต 5 146.4 d ผู้วัด 5 154.0 c
179.2
~ 157 ~
4. การทดลองลวกเนื้อปลาขนาด (กว้ าง x ยาว x หนา) 3 x 6 x 0.25 นิ้ว โดยใช้

อุณหภูมิ 80 และ 90ซ เป็ นเวลา 30 และ 60 วินาที
แผนการทดลองที่เหมาะสม คือ 2x2 แฟคทอเรียลที่ใช้ แผนการทดลองแบบสุ่ม
สมบูรณ์ในบล็อก เนื่องจากมีปัจจัยที่ส่งผลต่อความแปรปรวนสามปัจจัย คือ อุณหภูมิ
เวลา (สองปัจจัยที่รวมกันเป็ นทรีตเมนต์คอมบิเนชัน) และ เนื้อปลาที่นามาใช้ ในแต่ละ
ครั้ง (การทาซา้ ) และมีผลการวิเคราะห์ความแปรปรวนดังต่อไปนี้
Rep. 7.5 3 2.5 7.5 0.008
Temp. 56.25 1 56.25 168.75 0.000
Time 0.25 1 0.25 0.75 0.408
Temp. x Time 9 1 9 27 0.000
Residual 3 9 0.33
Total 76 15 5.07
ผลการวิเคราะห์ความแปรปรวน พบว่า ปัจจัยที่มผี ลต่อค่าการต้ านแรงตัดของเนื้อปลา

ลวกอย่างมีนัยสาคัญทางสถิติ (p<0.05) ได้ แก่ เนื้อปลาที่นามาใช้ ในแต่ละครั้ง
อุณหภูมิ และ อุณหภูมแิ ละเวลามีอทิ ธิพลร่วมกัน โดยค่าการต้ านแรงตัดเฉลี่ยเมื่อใช้
อุณหภูมิ 80 และ 90ซ เท่ากับ 8.625 และ 12.375 นิวตัน ตามลาดับ แสดงว่า
การใช้ อณ ุ หภูมสิ งู ขึ้น จะทาให้ เนื้อปลาลวกมีค่าการต้ านแรงตัดมากขึ้น ในส่วนของ
อิทธิพลร่วมระหว่างอุณหภูมแิ ละเวลานั้น พบว่า ที่อณ ุ หภูมิ 80ซ ค่าการต้ านแรงตัด
เฉลี่ยที่เวลา 30 และ 60 วินาที เท่ากับ 9.25 และ 8 นิวตัน ตามลาดับ ในขณะที่
อุณหภูมิ 90ซ ค่าการต้ านแรงตัดเฉลี่ยที่เวลา 30 และ 60 วินาที เท่ากับ 11.5 และ
13.25 นิวตัน ตามลาดับ กล่าวคือ การเพิ่มเวลาในการลวกที่อณ ุ หภูมิ 80ซ ทาให้ ค่า
การต้ านแรงตัดลดลง ในขณะที่การเพิ่มเวลาในการลวกที่อณ ุ หภูมิ 90ซ ทาให้ ค่าการ
ต้ านแรงตัดเพิ่มขึ้น
~ 158 ~
5. การทดลองเพื่อศึกษาคุณภาพด้ านการเพิ่มปริมาตร (Overrun) ของไอศกรีม 3 สูตร

ของบริษัทแห่ งหนึ่ง โดยเก็บข้ อมูลจากการผลิตโดยใช้ เครื่องปั่ นไอศกรีม 3 รุ่น เป็ น
เวลา 3 วันติดต่อกัน
แผนการทดลองที่เหมาะสม คือ การทดลองแบบสปลิทพลอทอย่างง่าย และวางแผน
การทดลองแบบสุ่มสมบูรณ์ เนื่องจากมีปัจจัยที่ส่งผลต่อความแปรปรวนสองปัจจัย คือ
เครื่องปั่น และ สูตรไอศกรีม (สองปัจจัยที่รวมกันเป็ นทรีตเมนต์คอมบิเนชัน โดยสูตร
ไอศกรีมเป็ นหน่ วยทดลองย่ อยในเครื่องปั่ น และไม่มีข้อมูลใดๆ ที่แสดงให้ เห็นถึง
ความแตกต่ า งของการท าการทดลองแต่ ล ะครั้ ง ) และมี ผ ลการวิ เ คราะห์ ค วาม
แปรปรวนดังต่อไปนี้
Machine 2146.30 2 1073.15 37.39 0.000
Error Machine 172.22 6 28.70
Recipe 868.52 2 434.26 3.53 0.062
Machine x Recipe 3.70 4 0.93 0.01 0.999
Residual 1477.78 12 123.15
Total 4668.52 26 179.56
a
เครื่องปั่น 1 96.67
เครื่องปั่น 2 b
80.00
เครื่องปั่น 3 a
100.56
~ 159 ~
จรัญ จันทลักขณา และ กษิดศิ อื้อเชี่ยวชาญกิจ. คัมภีร์การวิจยั และการเผยแพร่ส่นู านาชาติ. กรุงเทพฯ:
นิตธิ รรมการพิมพ์; 2551, 262 หน้ า.
จรัญ จันทลักขณา และ อนันตชัย เขื่อนธรรม. 2529. สถิติเบื้ องต้นแบบประยุกต์. กรุงเทพฯ:
ไทยวัฒนาพานิช; 2529, 364 หน้ า.
พิสมัย หาญมงคลพิพัฒน์. สถิติและการวางแผนการทดลองทางเกษตร. พิมพ์ครั้งที่ 3. กรุงเทพฯ:
สานักพิมพ์มหาวิทยาลัยเกษตรศาสตร์; 2550, 314 หน้ า.
สายชล สินสมบูรณ์ทอง. สถิติกับการวางแผนการทดลองทางการเกษตร. พิมพ์ครั้งที่ 4. กรุงเทพฯ:
จามจุรีโปรดักท์; 2549, 554 หน้ า.
Excel Easy. Analysis Toolpak.
URL http://www.excel-easy.com/data-analysis/analysis-toolpak.html; (n.d.)
Meilgaard M, Civille GV and Carr BT. Sensory evaluation techniques. 3rd Edn. Boca Raton: CRC
press; 1999, 387 p.
Onofri A. Routine statistical analyses of field experiments by using an Excel extension. Proceedings 6th
National Conference Italian Biometric Society: "La statistica nelle scienze della vita e
dell’ambiente", Pisa, 20-22 June 2007, 93-96.
R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical
Computing, Vienna, Austria. URL https://www.R-project.org; 2017.
SPSS Inc. SPSS Statistics Base 17.0 User’s Guide.
URL http://www.jou.ufl.edu/archive/researchlab/SPSS-Statistcs-Base-Users-Guide-17.0.pdf;
(n.d.)
Stone H and Sidel JL. Sensory evaluation practices. 2ndEdn. San Diego: Academic Press; 1993, 338 p.
~ 160 ~
บทที่ 3
แผนการทดลองสาหรับการคัดเลือกปั จจัย
ก่อนการทดลองเพื่อพัฒนาผลิตภัณฑ์ต้นแบบ นักพัฒนาผลิตภัณฑ์ต้องค้ นคว้ าข้ อมูลเพื่อพิจารณาว่า

มีปัจจัยใดบ้ างที่อาจส่งผลต่อลักษณะหรือสมบัตขิ องผลิตภัณฑ์ท่ตี ้ องการ และอาจพบว่ามีปัจจัยจานวนมากที่มี
ผลกระทบต่อลักษณะหรือสมบัติดงั กล่าว ซึ่งนักพัฒนาผลิตภัณฑ์จะต้ องพยายามหาเหตุผลทางวิชาการจาก
การตรวจเอกสารและข้ อจากัดหรือข้ อกาหนดต่างๆ มาใช้ เพื่อกาหนดระดับของปัจจัยส่วนใหญ่ท่จี ะใช้ ในการ
ทดลอง และพิจารณาแปรระดับของปัจจัยเพียงบางปัจจัยที่คาดว่า จะมีผลต่อลักษณะหรือสมบัตขิ องผลิตภัณฑ์
อย่างชัดเจนเท่านั้น แต่ในหลายกรณีนักพัฒนาผลิตภัณฑ์ยังคงพบว่า มีปัจจัยที่ต้องการศึกษาอยู่อกี จานวน
หนึ่ง ดังนั้นแผนการทดลองที่ใช้ ในการคัดเลือกปัจจัย ซึ่งเป็ นแผนการทดลองที่ใช้ เพื่อพิจารณาความสาคัญ
ของปัจจัยแต่ละปัจจัย โดยไม่จาเป็ นต้ องใช้ ทรัพยากรต่างๆ ในการทาการทดลองมากนัก จึงเป็ นทางเลือกที่
น่าสนใจสาหรับนักพัฒนาผลิตภัณฑ์ ก่อนการตัดสินใจเลือกเฉพาะปัจจัยหลักๆ มาใช้ เพื่อทาการทดลองในขั้น
ต่อไป
3.1 แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน
แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน (Plackett and Burman Designs) ถูกพัฒนาขึ้นโดย
Plackett and Burman (1946) เพื่อเป็ นทางเลือกหนึ่งของแผนการทดลองสาหรับการคัดเลือกปัจจัย เนื่องจาก
เป็ นแผนการทดลองที่ใช้ จานวนทรีตเมนต์ (Treatment, N) มากกว่าจานวนปัจจัยที่ต้องการศึกษาในแผนการ
ทดลองเพียง 1 ทรีตเมนต์เท่านั้น แต่ผลการทดลองที่ได้ จะทาให้ สามารถตัดสินใจเกี่ยวกับการเลือกใช้ ปัจจัย
บางปัจจัยได้ อย่างมีเหตุผลมากขึ้น เหลือจานวนปัจจัยที่ยังไม่สามารถตัดสินใจได้ น้อยลง และสามารถนา
ปัจจัยดังกล่าวไปศึกษารายละเอียดเพิ่มเติมต่อไปได้
แต่ในที่น้ จี ะขอกล่าวถึงเฉพาะแผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมนสาหรับปัจจัยที่มี 2
ระดับ(ระดับสูง และ ระดับต่า) เท่านั้น ซึ่งแผนการทดลองดังกล่าวนี้ สามารถทาได้ หลายแบบ แตกต่างกัน
ตามจานวนทรีตเมนต์หรือจานวนปัจจัยที่ต้องการศึกษา โดยมีการกาหนดระดับของปัจจัยแต่ละตัวในทรีต
เมนต์ท่ี 1 ด้ วยเครื่องหมายบวก (+ หมายถึงใช้ ปัจจัยในระดับสูง) และเครื่องหมายลบ ( - หมายถึงใช้
ปัจจัยในระดับต่า) ตัวอย่าง เช่น (Giesbreelrt, 1996)
จานวนทรีตเมนต์ (N) เท่ากับ 8 + + + - + - -
จานวนทรีตเมนต์ (N) เท่ากับ 12 + + - + + + - - - + -
จานวนทรีตเมนต์ (N) เท่ากับ 16 + + + + - + - + + - - + - - -
จานวนทรีตเมนต์ (N) เท่ากับ 20 + + - - + + + + - + - + - - - - + + -
จานวนทรีตเมนต์ (N) เท่ากับ 24 + + + + + - + - + + - - + + - - + - + - - - -
ส่วนระดับของปัจจัยในทรีตเมนต์ท่ี 2 สามารถหาได้ จากการเลื่อนเครื่องหมายบวกลบใน ทรีตเมนต์

ที่ 1 ไปทางซ้ ายมือ 1 ครั้ง และนาเครื่องหมายที่เคยอยู่ทางซ้ ายมือตัวแรกกลับมาใส่ทางด้ านขวาที่ว่างอยู่ และ
ทาซา้ ไปเรื่อยๆ จนถึงทรีตเมนต์รองสุดท้ ายซึ่งเครื่องหมายทุกตัวจะถูกเปลี่ยนตาแหน่งจนครบทุกตาแหน่งพอดี
ถ้ าหากยังคงทาเช่นเดิมอีก ทรีตเมนต์สดุ ท้ ายจะเหมือนกับทรีตเมนต์ท่ี 1 จึงกาหนดให้ ทรีตเมนต์สดุ ท้ ายใช้
ปัจจัยในระดับต่าหมดทุกปัจจัย ซึ่งจะทาให้ จานวนของระดับสูง (+) และระดับต่า (-) ของปัจจัยแต่ละปัจจัย
ในแผนการทดลองมีค่าเท่ากัน คือ ครึ่งหนึ่งของจานวนทรีตเมนต์ ดังตัวอย่างการวางแผนการทดลองแบบแพลก
เกตต์แอนด์เบอร์แมน 12 ทรีตเมนต์ในตารางที่ 3.1
ตารางที่ 3.1 การวางแผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน 12 ทรีตเมนต์

(ดัดแปลงจาก Edwardson and Mac Cormac, 1984)
ทรีตเมนต์ ปัจจัย
A B C D E F G H I J K
1 + + - + + + - - - + -
2 + - + + + - - - + - +
3 - + + + - - - + - + +
4 + + + - - - + - + + -
5 + + - - - + - + + - +
6 + - - - + - + + - + +
7 - - - + - + + - + + +
8 - - + - + + - + + + -
9 - + - + + - + + + - -
10 + - + + - + + + - - -
11 - + + - + + + - - - +
12 - - - - - - - - - - -
การพิจารณาเลือกใช้ แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมนนี้ ควรเลือกใช้ แผนการทดลอง

ที่มจี านวนทรีตเมนต์ (N) มากกว่าจานวนปัจจัยที่ต้องการศึกษาจริงๆ อย่างน้ อยเท่ากับ 3 เพื่อให้ มปี ัจจัยที่
เหลืออยู่ในแผนการทดลองอีกอย่างน้ อย 2 ปัจจัย สาหรับใช้ คานวณความคลาดเคลื่อนมาตรฐานของการ
ทดลอง (Standard Error, S.E.) ซึ่งปัจจัยที่ไม่มอี ยู่จริงนี้เรียกว่า ปัจจัยหลอก (Dummy factors) โดย
ระดับของปัจจัยดังกล่าวในทุกๆ ทรีตเมนต์จะเป็ นศูนย์ คือไม่ต้องดาเนินการใดๆ ทั้งสิ้น ตัวอย่างเช่น หากมี
ปัจจัยที่ต้องการศึกษาทั้งหมด 7 ปัจจัย การเลือกใช้ แผนการทดลองแบบที่มจี านวนทรีตเมนต์เท่ากับ 8 ซึ่งมี
ปัจจัยในแผนการทดลองทั้งหมด 7 ปัจจัยโดยทาการทดลองเพียงซา้ เดียวนั้นไม่สามารถทาได้ เนื่องจากไม่มี
ปัจจัยที่เหลือไว้ เพื่อเป็ นปัจจัยหลอกสาหรับคานวณความคลาดเคลื่อนมาตรฐานของการทดลอง จึงจาเป็ นต้ อง
เลือกแผนการทดลองที่มจี านวนทรีตเมนต์เท่ากับ 12 ซึ่งมีปัจจัยในแผนการทดลองทั้งหมด 11 ปัจจัย
ประกอบด้ วยปัจจัยที่ต้องการศึกษา 7 ปัจจัย (A-G) และปัจจัยหลอก 4 ปัจจัย (H-K) เป็ นต้ น (หาก
ต้ องการเลือกใช้ แผนการทดลองแบบที่มจี านวนทรีตเมนต์เท่ากับ 8 จะต้ องทาการทดลอง 2 ซา้ เพื่อนาผลต่าง
~ 162 ~
ของการทดลองซา้ มาคานวณความคลาดเคลื่อนมาตรฐานของการทดลอง ซึ่งหมายถึงต้ องทาทั้งหมด 8 ทรีต

เมนต์ๆ ละ 2 ซา้ รวม 16 ทรีตเมนต์)
การวิเคราะห์ขอ้ มูล
การวิเคราะห์ผลการทดลองสาหรับแผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน สามารถทาได้
โดยการทดสอบค่าที (t-test) ของแต่ละปัจจัย ตามขั้นตอนดังต่อไปนี้
- การคานวณอิทธิพลของปัจจัยแต่ละปัจจัย (Effecti, Ei) ในแผนการทดลอง โดยการนาผลการ

ทดลองที่ได้ เมื่อใช้ ปัจจัยในระดับสูงและระดับต่ามาหาค่าเฉลี่ยตามลาดับ และนาค่าเฉลี่ยที่ได้ มา
หาผลต่างระหว่างการใช้ ปัจจัยในระดับสูงและระดับต่า ตัวอย่างเช่น การคานวณอิทธิพล
ของปัจจัย A (EA) จากแผนการทดลองที่มจี านวน ทรีตเมนต์เท่ากับ 12 สามารถคานวณได้
ดังสมการ 3.1

(1)  (2)  (4)  (5)  (6)  (10)  (3)  (7)  (8)  (9)  (11)  (12) …(3.1)
E A
6 6
เมื่อ (1), (2), (3),... หมายถึงผลการทดลองของทรีตเมนต์ท่ี 1, 2, 3,... ตามลาดับ
ถ้ าอิทธิพลของปัจจัยที่คานวณได้ มคี ่าเป็ นบวก หมายถึง การใช้ ปัจจัยที่ระดับสูงขึ้นจะมีผลทาให้

ตัวเลขที่ใช้ ตดิ ตาม (ค่าสังเกต) มีค่ามากขึ้น ในทางตรงกันข้ ามหากผลที่คานวณได้ มคี ่าเป็ นลบ
หมายถึง การใช้ ปัจจัยที่ระดับสูงจะมีผลทาให้ ตวั เลขที่ใช้ ตดิ ตามมีค่าลดลง
- การคานวณความคลาดเคลื่อนมาตรฐานของการทดลอง (S.E.) โดยใช้ อทิ ธิพลของปัจจัยหลอก

(Dummy factors, Ed) ตามสมการ 3.2
 (Edi)
i 1
2
S .E.  …(3.2)
n
เมื่อ Edi = ผลของปัจจัยหลอกตัวที่ i

n = จานวนปัจจัยหลอกทั้งหมด
- การคานวณค่าที (t-test) ดังสมการ 3.3 เพื่อพิจารณาว่า อิทธิพลของปัจจัย (การใช้ ระดับที่

แตกต่างกันของปัจจัย) แต่ละตัวมีผลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลงไปอย่างมีนัยสาคัญทางสถิติ
หรือไม่ โดยมีสมมติฐานดังนี้
H0: การใช้ ระดับที่แตกต่างกันของปัจจัย i ไม่มผี ลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei = 0)

Ha: การใช้ ระดับที่แตกต่างกันของปัจจัย i มีผลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei ≠ 0)
~ 163 ~
Effecti ( Ei )
t …(3.3)
S.E.
เมื่อ Effecti (หรือ Ei) = อิทธิพลของปัจจัยแต่ละตัวแปร i

S.E. = ความคลาดเคลื่อนมาตรฐาน (Standard error)
นาค่าทีท่คี านวณได้ (โดยไม่พิจารณาเครื่องหมาย +/-) มาเปรียบเทียบกับค่าวิกฤต (t-table)

จากตารางภาคผนวกที่ 2 ค่าวิกฤตสาหรับการทดสอบค่าที (Two tailed test) ที่จานวนองศา
อิสระ (df) เท่ากับจานวนปัจจัยหลอก ปัจจัยที่ก่อให้ เกิดความการเปลี่ยนแปลงของค่าที่
ติดตามอย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นตั้งแต่ร้อยละ 80 ขึ้นไป (p<0.20) ถือว่า
เป็ นปัจจัยที่มผี ลต่อค่าที่ตดิ ตาม และสามารถพิจารณาความมากน้ อยของอิทธิพลได้ จากระดับ
ความเชื่อมั่นของปัจจัยแต่ละตัวแปร นาผลการทดลองที่ได้ ร่วมกับเหตุผลอื่นๆ มาใช้ เพื่อ
ประกอบการตัดสินใจเกี่ยวกับระดับของปัจจัยที่ควรเลือกใช้ ในการทดลองขั้นต่อไป หรือ
พิจารณาคัดเลือกเฉพาะปัจจัยที่ยังไม่สามารถตัดสินใจได้ เพื่อทาการทดลองด้ วยแผนการ
ทดลองที่ละเอียดกว่าต่อไป
ผู้ผลิตอาหารแห้ งรายหนึ่ง ต้ องการศึกษาการผลิตนา้ ผลไม้ ชนิดผงโดยการอบแห้ งด้ วยเครื่องอบแห้ ง
แบบลูกกลิ้ง และมีปัจจัยที่สนใจศึกษาทั้งหมดจานวน 7 ปัจจัยดังต่อไปนี้
A : อัตราส่วนนา้ ต่อของแข็ง 1.5 - 2.0
B : ระยะเวลาที่แช่สว่ นผสมไว้ ด้วยกันก่อนทาแห้ ง 30 - 75 นาที
C : อุณหภูมขิ ณะแช่ส่วนผสม 15 - 65 ซ
D : ความดันไอนา้ ของเครื่องอบแห้ ง 230 - 350 กิโลปาสคัล
E : ความลึกของส่วนผสมระหว่างลูกกลิ้ง 2 - 4 เซนติเมตร
F : ระยะห่างระหว่างลูกกลิ้ง 20 - 35 มิลลิเมตร
G : ความเร็วของลูกกลิ้ง 1.4 - 2.8 รอบต่อนาที
โดยติดตามผลการทดลองจากความชื้นของผลิตภัณฑ์ผง ความหนืดและการกระจายตัวของ
ผลิตภัณฑ์หลังจากชงและทิ้งไว้ 15 นาที และการทดสอบทางประสาทสัมผัส พบว่าได้ ผลการทดลองดัง
ตารางที่ 3.2
~ 164 ~
ตารางที่ 3.2 ผลการทดลองตัวอย่างที่ 3.1 (ดัดแปลงจาก Edwardson and Mac Cormac, 1984)
ทรีตเมนต์ ความชื้น ความหนืด การกระจายตัว การทดสอบทาง
1
(ร้ อยละ) (เซนติพอยส์) (ร้ อยละ) ประสาทสัมผัส2
1 2.32 15.0 64 5.8
2 1.65 29.0 88 5.0
3 2.02 10.5 54 7.0
4 3.30 20.0 59 7.0
5 3.57 16.5 78 5.3
6 3.25 31.0 83 5.0
7 2.94 26.0 58 6.5
8 4.27 12.5 38 6.8
9 2.22 32.5 74 6.4
10 5.93 27.5 69 5.5
11 5.69 16.0 41 5.5
12 2.18 37.5 66 6.2
1
การกระจายตัวแสดงค่าเป็ นร้ อยละ โดย 100 หมายถึงอนุภาคมีการกระจายตัวอย่างสมบูรณ์
2
การทดสอบทางประสาทสัมผัสแสดงเป็ นค่าเฉลี่ยคะแนนจากมาตรา 1-10 (1 = คุณภาพไม่ดี
และ 10 = คุณภาพดี) โดยผู้ทดสอบที่ผ่านการฝึ กฝนจานวน 5 ท่าน
วิธีทา
1. การตั้งสมมติฐาน
H0: การใช้ ระดับที่แตกต่างกันของปัจจัย i ไม่มผี ลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei = 0)
Ha: การใช้ ระดับที่แตกต่างกันของปัจจัย i มีผลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei ≠ 0)
2. การวิเคราะห์ข้อมูลเพื่อทดสอบสมมติฐาน
- คานวณอิทธิพลของปัจจัย A ถึง K (ปัจจัยหลอก 4 ตัว คือ H, I, J และ K)
- คานวณความคลาดเคลื่อนมาตรฐานของการทดลอง (S.E.) จากอิทธิพลของปัจจัยหลอก
- คานวณค่าทีของปัจจัยที่ต้องการศึกษา (A ถึง G)
- เปรียบเทียบค่าทีกบั ค่าวิกฤตที่ระดับความเชื่อมั่นตั้งแต่ร้อยละ 80 ขึ้นไป
ผลการคานวณและการเปรียบเทียบค่าทีท่รี ะดับความเชื่อมั่นต่างๆ แสดงดังตารางที่ 3.3 และ 3.4
~ 165 ~
ตารางที่ 3.3 อิทธิพล ค่าที และระดับความเชื่อมั่น (ค่าในวงเล็บ) ของปัจจัยต่างๆ ต่อความชื้นและความหนืด

ของผลิตภัณฑ์ ตัวอย่างที่ 3.1 (ดัดแปลงจาก Edwardson and Mac Cormac, 1984)
ปัจจัย ความชื้น . ความหนืด .

อิทธิพล ค่าที อิทธิพล ค่าที
A 0.117 0.24 0.667 0.17
B -0.183 -0.38 -8.883 -2.18 (90)
C 1.063 2.22 (90) -7.167 -1.77 (80)
D -0.863 -1.80 (80) 1.167 0.29
E -0.090 -0.19 -0.333 -0.08
F 1.687 3.52 (95) -7.833 -1.93 (80)
G 1.220 2.55 (90) 5.333 1.32
H 0.530 -2.167
I -0.573 -0.167
J 0.523 -7.333
K 0.183 -2.667
ค่าวิกฤตที่ระดับความเชื่อมั่นร้ อยละ 80, 90 และ 95 เมื่อองศาอิสระเท่ากับ 4 เท่ากับ 1.53, 2.13 และ 2.78
ตารางที่ 3.4 อิทธิพล ค่าที และระดับความเชื่อมั่น (ค่าในวงเล็บ) ของปัจจัยต่างๆ ต่อการกระจายตัวและผล

การทดสอบทางประสาทสัมผัสของผลิตภัณฑ์ ตัวอย่างที่ 3.1 (ดัดแปลงจาก Edwardson and
Mac Cormac, 1984)
ปัจจัย การกระจายตัว . การทดสอบทางประสาทสัมผัส .

อิทธิพล ค่าที อิทธิพล ค่าที
A 18.33 3.01 (95) -0.800 -1.67 (80)
B -5.33 -0.88 0.333 0.69
C -12.33 -2.03 (80) 0.267 0.56
D 7.00 1.15 0.067 0.14
E 0.67 0.11 -0.500 1.04
F -12.67 -2.08 (80) -0.200 -0.42
G -0.67 -0.11 -0.033 -0.07
H 3.33 0
I 3.00 0.333
J -10.00 0.700
K 5.33 -0.567
ค่าวิกฤตที่ระดับความเชื่อมั่นร้ อยละ 80, 90 และ 95 เมื่อองศาอิสระเท่ากับ 4 เท่ากับ 1.53, 2.13 และ 2.78
~ 166 ~
ผลการคานวณข้ างต้ น พบว่าปัจจัยที่มผี ลต่อความชื้นมีท้งั หมด 4 ปัจจัย คือ อุณหภูมขิ ณะแช่

ส่วนผสม (C) ความดันไอนา้ (D) ระยะห่างระหว่างลูกกลิ้ง (F) และความเร็วของลูกกลิ้ง (G) ปัจจัยที่มี
ผลต่อความหนืดมี 3 ปัจจัย คือ ระยะเวลาที่แช่ส่วนผสม (B) อุณหภูมขิ ณะแช่ส่วนผสม (C) และระยะห่าง
ระหว่างลูกกลิ้ง (F) ในขณะที่ปัจจัยที่มผี ลต่อการกระจายตัวมี 3 ปัจจัย คือ อัตราส่วนนา้ ต่อของแข็ง (A)
อุณหภูมขิ ณะแช่ส่วนผสม (C) และระยะห่างระหว่างลูกกลิ้ง (F) ส่วนปัจจัยที่มผี ลต่อการทดสอบทาง
ประสาทสัมผัสมีเพียงปัจจัยเดียว คือ อัตราส่วนนา้ ต่อของแข็ง (A)
ซึ่งอาจวิเคราะห์และสรุปได้ ว่า ปัจจัยที่ศึกษาส่วนใหญ่มผี ลต่อคุณภาพของผลิตภัณฑ์ โดยบางปัจจัย
มีผลต่อคุณภาพในหลายๆ ลักษณะพร้ อมๆ กัน ในขณะที่มเี พียงหนึ่งปัจจัยที่ไม่มผี ลต่อคุณภาพของผลิตภัณฑ์
ในการทดลองนี้ คือ ความลึกของส่วนผสมระหว่างลูกกลิ้ง (E) นั่นหมายความว่า การใช้ ความลึก 2 หรือ 4
เซนติเมตร มีผลต่อคุณภาพของผลิตภัณฑ์ไม่แตกต่างกัน ดังนั้นจึงสามารถเลือกใช้ ระดับความลึก 2 หรือ 4
เซนติเมตรก็ได้ ตามความสะดวก
สาหรับการพิจารณารายละเอียดของปัจจัยทีมผี ลต่อคุณภาพของผลิตภัณฑ์อกี 6 ปัจจัย จาเป็ นต้ อง
พิจารณาสิง่ อื่นๆ ประกอบด้ วย เช่น ลาดับความสาคัญของคุณภาพของผลิตภัณฑ์ท่ตี ้ องการ ซึ่งในกรณีน้ ี
สามารถลาดับความสาคัญจากมากไปน้ อยได้ ดงั นี้ คือ ความชื้น ความหนืด การกระจายตัว และการทดสอบ
ทางประสาทสัมผัส ตามลาดับ เนื่องจากความชื้นมีความสาคัญต่อคุณภาพของอาหารแห้ งมากที่สดุ
รองลงมาก็คอื สมบัตหิ รือลักษณะของตัวผลิตภัณฑ์ซ่งึ ผู้บริโภคสามารถพิจารณาได้ จากสภาพภายนอกก่อนการ
บริโภค ในที่น้ กี ค็ อื ความหนืดและการกระจายตัว ส่วนการทดสอบทางประสาทสัมผัสนั้นเป็ นลักษณะ
สุดท้ ายที่ผ้ บู ริโภคจะใช้ ในการประเมินผลิตภัณฑ์ เนื่องจากผลิตภัณฑ์นา้ ผลไม้ น้ ี ควรต้ องดูน่ารับประทานก่อน
ผู้บริโภคจึงจะสนใจดื่ม ประกอบกับผลการทดลองที่ได้ พบว่า ผลิตภัณฑ์เกือบทุกทรีตเมนต์มคี ะแนนการ
ทดสอบทางประสาทสัมผัสแตกต่างกันเพียงเล็กน้ อยเท่านั้น (5.0-7.0) จากการตัดสินใจจัดลาดับความสาคัญ
ของคุณภาพผลิตภัณฑ์ดงั กล่าวประกอบกับเหตุผลอื่นๆ ทาให้ สามารถพิจารณากาหนดระดับของปัจจัยบางตัว
ได้ โดยอาศัยเหตุผลและผลจากการทดลองดังนี้ คือ
อัตราส่วนนา้ ต่อของแข็ง (A) ควรกาหนดไว้ ท่รี ะดับสูง คือ 2.0 เพราะมีผลทาให้ การกระจายตัวของ
อนุภาคมีแนวโน้ มสูงขึ้นที่ระดับความเชื่อมั่นร้ อยละ 95 ถึงแม้ ว่าจะมีผลทาให้ คะแนนการทดสอบทางประสาท
สัมผัสต่าลงที่ระดับความเชื่อมั่นร้ อยละ 80 ก็ตาม เนื่องมาจากการพิจารณาลาดับความสาคัญของคุณภาพ
ของผลิตภัณฑ์ ซึ่งให้ ความสาคัญกับการกระจายตัวมากกว่าผลการทดสอบทางประสาทสัมผัส และระดับ
ความเชื่อมั่นจากการทดสอบค่าที
ระยะเวลาที่แช่สว่ นผสม (B) ควรกาหนดไว้ ท่รี ะดับต่าหรือสูงนั้น ขึ้นอยู่กบั ความหนืดของผลิตภัณฑ์ท่ี
ต้ องการ เนื่องจากการเพิ่มระยะเวลาที่แช่สว่ นผสมจะทาให้ ความหนืดลดลงที่ระดับความเชื่อมั่นร้ อยละ 90 จึง
ควรนาไปศึกษาเพิ่มเติมต่อไป
อุณหภูมขิ ณะแช่ส่วนผสม (C) ควรกาหนดไว้ ท่รี ะดับต่า คือ อุณหภูมิ 15ซ (อุณหภูมหิ ้ องของ
สถานที่ทาการทดลอง) เพราะจะเป็ นการลาบากกว่าและสิ้นเปลืองมากกว่าในการพยายามควบคุมอุณหภูมิ
ของส่วนผสมให้ อยู่ท่ี 65ซ นอกจากนี้ในผลการทดลองยังพบว่า หากมีใช้ อณ ุ หภูมใิ นระดับสูงจะมีแนวโน้ ม
ทาให้ ความชื้นของผลิตภัณฑ์สดุ ท้ ายสูงขึ้นที่ระดับความเชื่อมั่นร้ อยละ 90 และผลิตภัณฑ์ท่ไี ด้ มคี วามหนืดและ
การกระจายตัวต่าลงที่ระดับความเชื่อมั่นร้ อยละ 85 ซึ่งเป็ นสิง่ ที่ไม่ต้องการให้ เกิดขึ้นทั้งสิ้น จึงควรเลือกใช้
อุณหภูมิ 15 ซ เพื่อแช่ส่วนผสม
ความดันไอนา้ (D) ซึ่งมีผลต่อความชื้นของผลิตภัณฑ์เพียงลักษณะเดียวที่ระดับความเชื่อมั่นร้ อยละ
85 และมีความสาคัญต่อความชื้นสุดท้ ายเป็ นอันดับที่ส่ี (รองจาก F, G และ C ตามลาดับ) จากผลการทดลอง
พบว่า หากใช้ ความดันไอนา้ ในระดับสูงจะทาให้ ความชื้นของผลิตภัณฑ์มแี นวโน้ มลดลง แต่เนื่องจาก
~ 167 ~
ความชื้นของผลิตภัณฑ์ในทุกทรีตเมนต์ของการทดลองอยู่ในเกณฑ์ท่สี ามารถยอมรับได้ (ประมาณร้ อยละ 5)

จึงสามารถตัดสินใจเลือกใช้ ความดันไอนา้ ในระดับต่า คือ 230 กิโลปาสคัล ได้ เพื่อการประหยัดพลังงาน
ระยะห่างระหว่างลูกกลิ้ง (F) เป็ นปัจจัยที่มผี ลต่อความชื้น ความหนืดและการกระจายตัวของ
ผลิตภัณฑ์ โดยการเพิ่มระยะห่างระหว่างลูกกลิ้งจะทาให้ ความชื้นสูงขึ้นที่ระดับความเชื่อมั่นร้ อยละ 95 และทา
ให้ ความหนืดและการกระจายตัวลดลงที่ระดับความเชื่อมั่นร้ อยละ 80 จึงควรเลือกใช้ ระยะห่างระหว่างลูกกลิ้ง
ที่ระดับต่า คือ 25 มิลลิเมตร เพื่อให้ ได้ ผลิตภัณฑ์ท่มี คี วามชื้นต่าและการกระจายตัวสูง
ความเร็วของลูกกลิ้ง (G) ซึ่งการเพิ่มความเร็วมีผลให้ ความชื้นสูงขึ้นที่ระดับความเชื่อมั่นร้ อยละ 90
จึงควรเลือกใช้ ความเร็วของลูกกลิ้งที่ระดับต่า คือ 1.4 รอบต่อนาที เพื่อให้ ได้ ผลิตภัณฑ์ท่มี คี วามชื้นต่า
และเนื่องจากระยะห่างและความเร็วของลูกกลิ้ง (F และ G) เป็ นปัจจัยที่มคี วามสัมพันธ์กนั จึงอาจ
พิจารณาเลือกทั้งสองปัจจัยนี้ไว้ เพื่อทาการทดลองเพิ่มเติมต่อไปได้
แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน
การพัฒนาผลิตภัณฑ์โยเกิร์ตนา้ นมถั่วเหลืองในระยะเริ่มต้ น มีปัจจัยที่ผ้ ูวิจัยสนใจทั้งหมด 5

ปั จจัย คือ A B C D และ E ผู้วิจัยจึงเลือกใช้ แผนการทดลองแบบ Plackett and Burmann
designs (N=8) เพื่อพิจารณาคัดเลือกปั จจัยที่มีอทิ ธิพลต่อการเกิดกรดในการหมักโยเกิร์ต
เป็ นเวลา 24 ชั่วโมง ซึ่งควรนามาศึกษาอย่างละเอียดต่อไป และผลการทดลองในขั้นตอน
การคัดเลือกแสดงดังตารางต่อไปนี้
ทรีตเมนต์ 1 2 3 4 5 6 7 8
ปริมาณกรด 0.8 0.7 0.9 0.5 1.0 0.6 0.5 0.5
(ร้ อยละ)
- กรุณ าแสดงรายละเอีย ดของทรี ต เมนต์ แ ต่ ล ะทรี ต เมนต์ (ระบุ ว่ า ใช้ ปั จ จั ย แต่ ล ะตัว ใน
ระดับสูงหรือต่า)
- กรุณาวิเคราะห์ ข้อมูลและสรุปผลการทดลองข้ างต้ นว่ า มีปัจจัยใดบ้ างที่มีอิทธิพลต่ อ
ปริมาณกรดในโยเกริ์ตนา้ นมถั่วเหลือง ถ้ ามี ปัจจัยเหล่านั้นมีอทิ ธิพลอย่างไร
~ 168 ~
3.2 การใช้โปรแกรมสาเรจจรูปในการวิเคราะห์ขอ้ มูล

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ผลการทดลอง เมื่อใช้ แผนการทดลองแบบแพลกเกตต์
แอนด์เบอร์แมนในที่น้ ี จะขอกล่าวถึง 3 โปรแกรม คือ โปรแกรมไมโครซอฟท์เอกซ์เซล (Microsoft Excel)
โปรแกรมเอสพีเอสเอส (SPSS) และ โปรแกรมอาร์ (R) โดยใช้ ข้อมูลของตัวอย่างที่ 3.1 เป็ นตัวอย่างของการ
ใช้ โปรแกรม และเพื่อความสะดวกในการพิมพ์ข้อมูล ควรเลือกพิมพ์ข้อมูลลงในแผ่นงานของโปรแกรม
ไมโครซอฟท์เอกซ์เซลก่อนดังภาพที่ 3.1 โดยพิมพ์ช่ อื ปัจจัย (A – K) และผลการทดลองทั้งหมด (ความชื้น
ของผลิตภัณฑ์ผง (MC) ความหนืด (VIS) และการกระจายตัว (DIS) ของผลิตภัณฑ์หลังจากชงและทิ้งไว้
15 นาที และผลการทดสอบทางประสาทสัมผัส (LIKE)) ในแถวแรก และพิมพ์ข้อมูลระดับของตัว
แปร (-1 หรือ 1) และผลการทดลองของทรีตเมนต์ 1-12 ในแถวถัดมา ตามลาดับ และบันทึกไฟล์ไว้ (ในที่น้ ี
ใช้ ช่ อื ไฟล์ PB data.xlsx)
A B C D E F G H I J K L M N O
1 A B C D E F G H I J K MC VIS DIS LIKE
2 1 1 -1 1 1 1 -1 -1 -1 1 -1 2.32 15 64 5.8
3 1 -1 1 1 1 -1 -1 -1 1 -1 1 1.65 29 88 5
4 -1 1 1 1 -1 -1 -1 1 -1 1 1 2.02 10.5 54 7
5 1 1 1 -1 -1 -1 1 -1 1 1 -1 3.3 20 59 7
6 1 1 -1 -1 -1 1 -1 1 1 -1 1 3.57 16.5 78 5.3
7 1 -1 -1 -1 1 -1 1 1 -1 1 1 3.25 31 83 5
8 -1 -1 -1 1 -1 1 1 -1 1 1 1 2.94 26 58 6.5
9 -1 -1 1 -1 1 1 -1 1 1 1 -1 4.27 12.5 38 6.8
10 -1 1 -1 1 1 -1 1 1 1 -1 -1 2.22 32.5 74 6.4
11 1 -1 1 1 -1 1 1 1 -1 -1 -1 5.93 27.5 69 5.5
12 -1 1 1 -1 1 1 1 -1 -1 -1 1 5.69 16 41 5.5
13 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 2.18 37.5 66 6.2
~ 169 ~
3.2.1 โปรแกรมไมโครซอฟท์เอกซ์เซล (Onofri, 2007)

การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลในการวิเคราะห์ข้อมูลสาหรับแผนการทดลองแบบแพลกเกตต์
แอนด์เบอร์แมน ในที่น้ จี ะใช้ แมโคร DSAASTAT ในไฟล์ DSAASTAT.XLS (กรณีไม่มไี ฟล์ดงั กล่าว กรุณาดู
ชื่อเวบไซด์สาหรับการดาวน์โหลดฟรี ในบทที่ 2 หัวข้ อ 2.2.9.1 หน้ า 127)
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้

1. เปิ ดไฟล์ข้อมูลที่พิมพ์ไว้ ในโปรแกรมไมโครซอฟท์เอกซ์เซล (ในที่น้ ใี ช้ ช่ อื ไฟล์ PB data.xlsx)
2. ดับเบิลคลิกเปิ ดไฟล์ DSAASTAT.XLS
5. คลิกแถบคาสั่ง “Add-In” และคลิก “Regression Analyses”
6. กล่อง “Select data” จะปรากฏขึ้น เลือกเซลล์ข้อมูลที่ต้องการวิเคราะห์รวมชื่อตัวแปรในแถว
แรก (A1:O13) และคลิก “OK”
7. กล่อง “Choice of analysis” จะปรากฏขึ้น คลิก “Multiple regression” และ คลิก “OK”
8. กล่อง “Variable choice” จะปรากฏขึ้น เลือกผลการทดลองที่ต้องการวิเคราะห์ 1 ตัวแปร (เช่น
MC ในตัวอย่างที่ 3.1) ใส่ในช่อง “Dependent variable (Y)” (โดยคลิกที่เครื่องหมายลูกศร
ด้ านขวาของช่อง “Dependent variable (Y)” และเลื่อนลงไปคลิกที่ตวั แปรดังกล่าว)
9. เลือกปัจจัยที่ต้องการศึกษา (ในตัวอย่างที่ 3.1 นี้ มี 7 ตัวแปร คือ A-G) ใส่ในช่อง
“Independent variables (X)” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัว
แปรตัวถัดไปจนครบ)
เมื่อคลิก “OK” แล้ ว ผลการคานวณจะปรากฏในแผ่นงาน (Sheet) ใหม่ ซึ่งสามารถพิจารณาผลการ

คานวณได้ ท่ตี าราง PARAMETER ESTIMATES ดังตารางที่ 3.5–3.8 โดยพิจารณาค่าอิทธิพลของแต่ละปัจจัย
จากค่า Estimate ค่าทีจากค่า T value และระดับนัยสาคัญทางสถิตจิ ากค่า Prob. ตามลาดับ (อิทธิพลของ
ปัจจัยที่คานวณได้ จากโปรแกรมไมโครซอฟท์เอกซ์เซลจะมีค่าประมาณครึ่งหนึ่งของวิธคี านวณโดยสมการ 3.1
เนื่องจากความแตกต่างของวิธกี ารคานวณอิทธิพล ซึ่งโปรแกรมสาเร็จรูปจะใช้ จานวนแถวหรือจานวนทรีตเมนต์
เป็ นตัวหาร แต่ค่าทีและระดับนัยสาคัญทางสถิตทิ ่ไี ด้ จากทั้งสองวิธจี ะเท่ากัน)
~ 170 ~
ตารางที่ 3.5 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับผลการทดลองความชื้น

(MC) ตัวอย่างที่ 3.1
Parameter Estimate s.e. T value Prob.

Intercept 3.278 0.239 13.693 0.000
A 0.058 0.239 0.244 0.819
B -0.092 0.239 -0.383 0.721
C 0.532 0.239 2.221 0.091
D -0.432 0.239 -1.803 0.146
E -0.045 0.239 -0.188 0.860
F 0.842 0.239 3.516 0.025
G 0.610 0.239 2.548 0.063
ตารางที่ 3.6 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับผลการทดลองความหนืด

(VIS) ตัวอย่างที่ 3.1

Intercept 22.833 2.025 11.276 0.000
A 0.333 2.025 0.165 0.877
B -4.417 2.025 -2.181 0.095
C -3.583 2.025 -1.770 0.152
D 0.583 2.025 0.288 0.788
E -0.167 2.025 -0.082 0.938
F -3.917 2.025 -1.934 0.125
G 2.667 2.025 1.317 0.258
ตารางที่ 3.7 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับผลการทดลองการกระจายตัว

(DIS) ตัวอย่างที่ 3.1
Intercept 64.333 3.047 21.113 0.000
A 9.167 3.047 3.008 0.040
B -2.667 3.047 -0.875 0.431
C -6.167 3.047 -2.024 0.113
D 3.500 3.047 1.149 0.315
E 0.333 3.047 0.109 0.918
F -6.333 3.047 -2.078 0.106
G -0.333 3.047 -0.109 0.918
~ 171 ~
ตารางที่ 3.8 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับผลการทดลองการทดสอบ

ทางประสาทสัมผัส (LIKE) ตัวอย่างที่ 3.1
Intercept 6.000 0.240 24.992 0.000
A -0.400 0.240 -1.666 0.171
B 0.167 0.240 0.694 0.526
C 0.133 0.240 0.555 0.608
D 0.033 0.240 0.139 0.896
E -0.250 0.240 -1.041 0.357
F -0.100 0.240 -0.417 0.698
G -0.017 0.240 -0.069 0.948
3.2.2 โปรแกรมเอสพีเอสเอส (SPSS Inc., n.d.)

วิธกี ารดึงไฟล์ข้อมูลจากโปรแกรมไมโครซอฟท์เอกซ์เซล กรุณาดูรายละเอียดในบทที่ 2 หัวข้ อ
2.1.3.2 หน้ า 39 (แต่ในกรณีน้ ใี ช้ ช่ อื ไฟล์ PB data.xlsx)
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง Data Set ที่มขี ้ อมูลอยู่ (ต้ อง
คานวณผลการทดลองครั้งละ 1 ตัว)
1. คลิกคาสั่ง “Analyze” (ด้ านบนซ้ ายของหน้ าจอ) เลื่อน Cursor มาที่ “Regression” แล้ วคลิก
“Linear..”
2. กล่อง “Linear Regression” จะปรากฏขึ้น เลือกผลการทดลองที่ต้องการวิเคราะห์ 1 ตัวแปร
(เช่น MC ในตัวอย่างที่ 3.1) ใส่ในช่อง “Dependent:” (โดยคลิกที่ตวั แปรดังกล่าว และคลิก
เครื่องหมายลูกศรใส่ในช่อง “Dependent:”)
3. เลือกปัจจัยที่ต้องการศึกษา (ในตัวอย่างที่ 3.1 นี้ มี 7 ตัวแปร คือ A-G) ใส่ในช่อง
“Independent (s):” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไป
จนครบ แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Independent (s):”)
เมื่อคลิก “OK” แล้ ว ผลการคานวณจะปรากฏในหน้ าต่าง Output ซึ่งสามารถพิจารณาผลการคานวณ

ได้ ท่ตี าราง Coefficientsa ดังตารางที่ 3.9–3.12 โดยพิจารณาค่าอิทธิพลของแต่ละปัจจัยจากค่า B ค่าทีจากค่า t
และระดับนัยสาคัญทางสถิตจิ ากค่า Sig. ตามลาดับ (อิทธิพลของปัจจัยที่คานวณได้ จากโปรแกรมเอสพีเอสเอส
จะมีค่าประมาณครึ่งหนึ่งของวิธคี านวณโดยสมการ 3.1 เนื่องจากความแตกต่างของวิธกี ารคานวณอิทธิพล ซึ่ง
โปรแกรมสาเร็จรูปจะใช้ จานวนแถวหรือจานวนทรีตเมนต์เป็ นตัวหาร แต่ค่าทีและระดับนัยสาคัญทางสถิตทิ ่ไี ด้
จากทั้งสองวิธจี ะเท่ากัน)
~ 172 ~
ตารางที่ 3.9 ผลการคานวณโดยใช้ โปรแกรมเอสพีเอสเอส สาหรับผลการทดลองความชื้น

(MC) ตัวอย่างที่ 3.1
Unstandardized Standardized
Model Coefficients Coefficients
B Std. Error Beta t Sig.
1 (Constant) 3.278 0.239 13.69 0.00
A 0.058 0.239 0.044 0.24 0.82
B -0.092 0.239 -0.068 -0.38 0.72
C 0.532 0.239 0.397 2.22 0.09
D -0.432 0.239 -0.322 -1.80 0.15
E -0.045 0.239 -0.034 -0.19 0.86
F 0.842 0.239 0.629 3.52 0.02
G 0.610 0.239 0.456 2.55 0.06
Dependent Variable: MC
ตารางที่ 3.10 ผลการคานวณโดยใช้ โปรแกรมเอสพีเอสเอส สาหรับผลการทดลองความหนืด

(VIS) ตัวอย่างที่ 3.1
1 (Constant) 22.833 2.025 11.28 0.00
A 0.333 2.025 0.039 0.16 0.88
B -4.417 2.025 -0.522 -2.18 0.09
C -3.583 2.025 -0.423 -1.77 0.15
D 0.583 2.025 0.069 0.29 0.79
E -0.167 2.025 -0.020 -0.08 0.94
F -3.917 2.025 -0.463 -1.93 0.13
G 2.667 2.025 0.315 1.32 0.26
Dependent Variable: VIS
~ 173 ~
ตารางที่ 3.11 ผลการคานวณโดยใช้ โปรแกรมเอสพีเอสเอส สาหรับผลการทดลองการกระจายตัว

(DIS) ตัวอย่างที่ 3.1
1 (Constant) 64.333 3.047 21.11 0.00
A 9.167 3.047 0.620 3.01 0.04
B -2.667 3.047 -0.180 -0.88 0.43
C -6.167 3.047 -0.417 -2.02 0.11
D 3.500 3.047 0.237 1.15 0.31
E 0.333 3.047 0.023 0.11 0.92
F -6.333 3.047 -0.428 -2.08 0.11
G -0.333 3.047 -0.023 -0.11 0.92
Dependent Variable: DIS
ตารางที่ 3.12 ผลการคานวณโดยใช้ โปรแกรมเอสพีเอสเอส สาหรับผลการทดลองการทดสอบ

ทางประสาทสัมผัส (LIKE) ตัวอย่างที่ 3.1
1 (Constant) 6.000 0.240 24.99 0.00
A -0.400 0.240 -0.560 -1.67 0.17
B 0.167 0.240 0.233 0.69 0.53
C 0.133 0.240 0.187 0.56 0.61
D 0.033 0.240 0.047 0.14 0.90
E -0.250 0.240 -0.350 -1.04 0.36
F -0.100 0.240 -0.140 -0.42 0.70
G -0.017 0.240 -0.023 -0.07 0.95
Dependent Variable: LIKE
~ 174 ~
3.2.3 โปรแกรมอาร์ (R Core Team, 2017)

กรณีไม่มโี ปรแกรมอาร์ กรุณาดูวิธกี ารดาวน์โหลด การติดตั้งโปรแกรม และการเปิ ดโปรแกรมในบทที่
2 หัวข้ อ 2.1.3.3 หน้ า 42-43
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander (ต้ องคานวณผล

การทดลองครั้งละ 1 ตัว)
Excel file…”
2. กล่อง “Import Excel Data Set” จะปรากฏขึ้น คลิก “OK”
(ในที่น้ ใี ช้ ช่ อื ไฟล์ PB data.xlsx) และคลิก “Open”
4. กล่อง “Select One Table” จะปรากฏขึ้น คลิกเลือกแผ่นงานที่พิมพ์ตารางข้ อมูลไว้ และคลิก
“OK”
6. คลิก “Statistics” (ด้ านบนซ้ ายของหน้ าต่าง) เลื่อน Cursor มาที่ “Fit models” แล้ วคลิก
“Linear Regression…”
7. กล่อง “Linear Regression” จะปรากฏขึ้น คลิกเลือกผลการทดลอง 1 ตัวแปร (เช่น MC ใน
ตัวอย่างที่ 3.1) ในช่อง “Respondent variable” และเลือกปัจจัยที่ต้องการศึกษา (ตัวอย่างที่ 3.1
นี้ มี 7 ตัวแปร คือ A-G) ในช่อง “Explanatory variables” (โดยกด Ctrl ค้ างไว้ ในกรณีท่ี
ต้ องการเลือกมากกว่า 1 ตัวแปร)
ผลการคานวณจะปรากฏขึ้นในช่อง Output ของหน้ าต่าง R Commander โดยแสดงเป็ นตารางซึ่งมีค่า

ใกล้ เคียงกับผลการคานวณที่ได้ จากโปรแกรมเอสพีเอสเอส (Estimate = B, Std. Error = Std. Error, t value =
t, Pr (>t) = Sig.) เพียงแต่ไม่มสี ่วนของ Standardized Coefficients (Beta) ซึ่งไม่จาเป็ นต้ องใช้ ประกอบการ
วิเคราะห์และสรุปผลการทดลอง
~ 175 ~
แผนการทดลองแบบแพลกเกตต์แอนด์เบอร์แมน
- รายละเอียดของสิง่ ทดลองแต่ละสิ่งทดลอง (ระบุว่าใช้ ปัจจัยแต่ละตัวในระดับสูงหรือ

ต่า) แสดงดังตารางด้ านล่าง
A B C D E F G ACID
1 1 1 -1 1 -1 -1 0.8
1 1 -1 1 -1 -1 1 0.7
1 -1 1 -1 -1 1 1 0.9
-1 1 -1 -1 1 1 1 0.5
1 -1 -1 1 1 1 -1 1.0
-1 -1 1 1 1 -1 1 0.6
-1 1 1 1 -1 1 -1 0.5
-1 -1 -1 -1 -1 -1 -1 0.5
เมื่อ -1 = ใช้ ปัจจัยในระดับต่า 1 = ใช้ ปัจจัยในระดับสูง
- ผลการวิเคราะห์ข้อมูลและการสรุปผลการทดลอง
ผลการวิเคราะห์ข้อมูลโดยโปรแกรมไมโครซอฟท์เอกซ์เซล แสดงดังตารางด้ านล่าง

Intercept 0.688 0.028 24.597 0.002
A 0.163 0.028 5.814 0.028
B -0.063 0.028 -2.236 0.155
C 0.013 0.028 0.447 0.698
D 0.013 0.028 0.447 0.698
E 0.038 0.028 1.342 0.312
สาหรับการสรุปผลการทดลอง เมื่อพิจารณาปัจจัยที่ก่อให้ เกิดความการเปลี่ยนแปลง

ของค่าที่ตดิ ตาม (มีอทิ ธิพลต่อปริมาณกรด) อย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นตั้งแต่
ร้ อยละ 80 ขึ้นไป (Sig. < 0.20) แสดงว่า ปัจจัยที่มอี ทิ ธิพลต่อปริมาณกรดในที่น้ ี คือ A และ B
โดยการใช้ A ที่ระดับสูงจะมีผลให้ ปริมาณกรดมีค่ามากขึ้น (อิทธิพลมีค่าเป็ นบวก) ในขณะที่
การใช้ B ในระดับสูงจะมีผลทาให้ ปริมาณกรดมีค่าน้ อยลง (อิทธิพลมีค่าเป็ นลบ)
~ 176 ~
Edwardson W and Mac Cormac CW. Improving small- scale food industries in developing countries.
Ottawa: International development research centre; 1984, 167 p.
Giesbreelrt F. Planning and design of experiments. A workshop at Faculty of Technology, Khon Kaen
University; 20-24 May 1996, 20.10 p.
Plackett RL and Burman JP. The design of optimum multifactorial experiments. Biometrika 1946; 33
(4): 305-325.
(n.d.)
~ 177 ~
~ 178 ~
บทที่ 4
การทดลองและมาตราสาหรับการปรับปรุงสูตร
และตัวแปรของกระบวนการผลิต
การปรับปรุงสูตรและตัวแปรของกระบวนการผลิต เป็ นสิง่ ทีน่ ักพัฒนาผลิตภัณฑ์อาหารไม่สามารถ

หลีกเลี่ยงได้ เนื่องจากคุณภาพหรือสมบัตขิ องผลิตภัณฑ์อาหารนั้นมีผลมาจากส่วนประกอบและกระบวนการ
ผลิตที่ใช้ ในที่น้ จี งึ ขอกล่าวถึงแผนการทดลองและมาตราที่สามารถนามาใช้ สาหรับการปรับปรุงสูตร 3 รายการ
ประกอบด้ วย การทดลองแบบส่วนผสม (Mixture design) โปรแกรมเส้ นตรง (Linear programming) และ
มาตราพอดี (Just about right scale) การทดลองสาหรับการปรับปรุงตัวแปรของกระบวนการผลิต 1
รายการ คือ อีโวลูชันนารี โอเปอเรชัน (Evolutionary operation) และการทดลองสาหรับการหาสภาวะที่
เหมาะสมของสูตรหรือตัวแปรของกระบวนการผลิต 1 รายการ คือ การออกแบบพื้นที่การตอบสนอง
(Response surface method)
4.1 การทดลองแบบส่วนผสม (Mixture design)

การทดสอบแบบส่วนผสม เป็ นการทดลองที่อาศัยหลักการดังนี้ คือ เมื่อมีการเปลี่ยนแปลงอัตราส่วน
ของส่วนประกอบที่ต้องการศึกษาชนิดหนึ่ง อัตราส่วนของส่วนประกอบที่ต้องการศึกษาที่เหลือในสูตรจะต้ องมี
การเปลี่ยนแปลงด้ วย เนื่องจากผลรวมของส่วนประกอบที่ต้องการศึกษาทั้งหมดมีค่าเท่ากับ 100 หรือ 1.0
ตัวอย่างเช่น ถ้ ามีส่วนประกอบในสูตรเพียง 2 ชนิด คือ X1 และ X2 บริเวณที่เป็ นการทดลองแบบส่วนผสม
ของตัวแปร X1 และ X2 คือ จุดต่างๆ บนเส้นตรง X1+ X2 = 1 ในขณะที่ถ้ามีสว่ นประกอบในสูตร 3 ชนิด
คือ X1 X2 และ X3 บริเวณที่เป็ นการทดลองแบบส่วนผสมของตัวแปร X1 X2 และ X3 คือ จุดต่างๆ บน
พื้นที่สามเหลี่ยม X1 + X2 + X3 = 1 ดังภาพที่ 4.1 แต่ในที่น้ จี ะขอกล่าวถึงเฉพาะกรณีท่มี สี ่วนประกอบใน
สูตร 3 ชนิดเท่านั้น เนื่องจากหากมีส่วนประกอบมากกว่า 3 ชนิด จะทาให้ การพิจารณาบริเวณที่เป็ นการ
ทดลองแบบส่วนผสมยุ่งยากมากขึ้น
ภาพที่ 4.1 บริเวณที่เป็ นการทดลองแบบส่วนผสม (Mixture design) เมื่อมีส่วนประกอบ 2 และ 3 ชนิด

ตามลาดับ (ดัดแปลงจาก ไพโรจน์, 2536)
การทดลองแบบส่วนผสมมี 4 แบบ ดังนี้ คือ ซิมเพลกซ์แลกทิซ (Simplex-Lattice) ซิมเพลกซ์เซน

ทรอยด์ (Simplex-Centroid) ซิมเพลกซ์แอคเซียล (Simplex-Axial) และ เอกซ์ทรีมเวอร์ทสิ (Extreme
Vertices) (สุจินดา, 2548; Cornell, 2002)
4.1.1 การทดลองแบบซิมเพลกซ์แลกทิซ
การทดลองแบบซิมเพลกซ์แลกทิซ เป็ นการทดลองเมื่อมีส่วนประกอบที่สนใจศึกษา q ชนิด และ
พิจารณาแบ่งส่วนประกอบแต่ละชนิดออกเป็ น m ส่วนเท่าๆ กัน ทาให้ เกิดจุดที่ส่วนประกอบแต่ละชนิดสามารถ
ถูกเลือกใช้ ในสูตรของส่วนผสมได้ m + 1 จุด คือ 0 1/m 2/m …. 1 ตัวอย่างเช่น ในกรณีท่มี กี ารแบ่ง
ส่วนประกอบแต่ละชนิดออกเป็ น 2 ส่วนๆ ละ 0.5 จะเกิดจุดที่สว่ นประกอบแต่ละชนิดสามารถถูกเลือกใช้ ได้ 3
จุด คือ 0 1/2 และ 1 (หรือ 2/2 ) เป็ นต้ น ซึ่งจะทาให้ เกิดจานวนทรีตเมนต์ (Tr) หรือจุดในการทดลอง
ทั้งหมดเท่ากับสมการ 4.1.1
(m  q  1)! q(q  1)...(q  m  1)

Tr   ...(4.1.1)
m!(q  1)! (1)(2)...(m)
ตัวอย่างของจานวนทรีตเมนต์ในการทดลองแบบซิมเพลกซ์แลกทิซ เมื่อ q = 3, m = 2 และ q = 3,

m = 3 แสดงในภาพที่ 4.2
เมื่อ q = 3, m = 2 จะได้ Tr = (2+3-1)! / 2!(3-1)! = 3(3+1)/(1)(2) =6
เมื่อ q = 3, m = 3 จะได้ Tr = (3+3-1)! / 3!(3-1)! = 3(3+1)(3+2)/(1)(2)(3) = 10
~ 180 ~
ภาพที่ 4.2 ทรีตเมนต์สาหรับการทดลองแบบซิมเพลกซ์แลกทิซ เมื่อ q = 3, m = 2 และ q = 3, m = 3
4.1.2 การทดลองแบบซิมเพลกซ์เซนทรอยด์
การทดลองแบบซิมเพลกซ์เซนทรอยด์ เป็ นการทดลองเมื่อมีส่วนประกอบที่สนใจศึกษา q ชนิด และ
พิจารณาให้ มกี ารใช้ ส่วนประกอบที่ปริมาณเท่ากันอย่างน้ อย 1 คู่ในสูตร ทาให้ เกิดจานวนทรีตเมนต์ (Tr) หรือ
จุดในการทดลองทั้งหมดเท่ากับสมการ 4.1.2 ตัวอย่างเช่น เมื่อ q = 3 จานวนทรีตเมนต์ในการทดลองแบบ
ซิมเพลกซ์เซนทรอยด์เท่ากับ 23-1 = 7 ดังภาพที่ 4.3
Tr  2 q  1 ...(4.1.2)
ภาพที่ 4.3 ทรีตเมนต์สาหรับการทดลองแบบซิมเพลกซ์เซนทรอยด์ เมื่อ q = 3
~ 181 ~
4.1.3 การทดลองแบบซิมเพลกซ์แอคเซียล
การทดลองแบบซิมเพลกซ์แอคเซียล เป็ นการทดลองเมื่อมีส่วนประกอบที่สนใจ q ชนิด และพิจารณา
ให้ มกี ารใช้ ส่วนประกอบที่ปริมาณเท่ากันอย่างน้ อย 1 คู่เช่นเดียวกับแบบซิมเพลกซ์เซนทรอยด์ในเบื้องต้ นก่อน
แล้ วจึงพิจารณาเพิ่มจุดที่อยู่ตรงบริเวณ 2 ใน 3 ของส่วนสูงของสามเหลี่ยมแต่ละด้ านเป็ นสูตรที่ใช้ ในการทดลอง
ร่วมด้ วย ทาให้ มจี านวนทรีตเมนต์ เมื่อ q = 3 รวมเป็ น 10 ทรีตเมนต์ดงั ภาพที่ 4.4
ภาพที่ 4.4 ทรีตเมนต์สาหรับการทดลองแบบซิมเพลกซ์แอคเซียล เมื่อ q = 3
4.1.4 การทดลองแบบเอกซ์ทรีมเวอร์ทสิ
การทดลองแบบเอกซ์ทรีมเวอร์ทสิ เป็ นการทดลองที่ถูกนามาใช้ เมื่อสูตรของส่วนผสมมีส่วนประกอบ
q ชนิด แต่การพิจารณาส่วนประกอบแต่ละชนิดมีข้อกาหนดต่างๆ ซึ่งมักพบในการพัฒนาสูตรอาหาร
ตัวอย่างเช่น การพัฒนาสูตรข้ าวเกรียบปลาโปรตีนสูง โดยแปรปริมาณแป้ งมันสาปะหลัง แป้ งถั่วเหลือง และ
ปลาป่ น (ส่วนผสมอื่นใช้ ในปริมาณคงที่) จาเป็ นต้ องใช้ แป้ งมันสาปะหลังเป็ นส่วนประกอบหลัก ใช้ แป้ งถั่ว
เหลืองเป็ นแหล่งโปรตีน และใช้ ปลาป่ นเป็ นส่วนประกอบที่ทาหน้ าที่ให้ กลิ่นรสเพียงเล็กน้ อยเท่านั้น เป็ นต้ น
ในกรณีเช่นนี้พ้ ืนที่ๆ สามารถถูกใช้ ในการทดลอง จะไม่ใช่พ้ นื ที่ท้งั หมดที่มโี อกาสเป็ นไปได้ เหมือนใน 3 แบบที่
กล่าวมาแล้ ว แต่จะใช้ พ้ นื ที่เฉพาะในส่วนที่สอดคล้ องกับข้ อกาหนดเท่านั้น เช่น การผลิตข้ าวเกรียบปลา
โปรตีนสูงโดยแปรแป้ งมันสาปะหลัง แป้ งถั่วเหลือง และ ปลาป่ น ร้ อยละ 50-80 20-40 และ 5–10
ตามลาดับ จะได้ พ้ ืนที่ๆ สามารถใช้ ในการทดลองได้ เฉพาะในส่วนที่สอดคล้ องกับข้ อกาหนด ดังภาพที่ 4.5
และมักพิจารณาเลือกใช้ จุดกึ่งกลางและจุดบริเวณมุมต่างๆ ของพื้นที่ๆ สอดคล้ องกับข้ อกาหนดเป็ นทรีตเมนต์
~ 182 ~
ภาพที่ 4.5 ตัวอย่างพื้นที่สาหรับการทดลองแบบเอกซ์ทรีมเวอร์ทสิ
การวิเคราะห์ผลการทดลองแบบส่วนผสม คือ การประเมินความสัมพันธ์ขององค์ประกอบ
(Components) ของส่วนผสมต่างๆ และค่าที่ใช้ ในการติดตามผล (ค่าสังเกต) ในลักษณะของแบบจาลอง ซึ่ง
จาเป็ นต้ องใช้ โปรแกรมสาเร็จรูปช่วยในการคานวณ โดยรูปแบบของแบบจาลองที่ใช้ มดี งั ต่อไปนี้
1) แบบจาลองเส้ นตรง (Linear model)
…(4.1.3)
2) แบบจาลองกาลังสอง (Quadratic model)
…(4.1.4)
~ 183 ~
3) แบบจาลองกาลังสามแบบพิเศษ (Special cubic model)
…(4.1.5)
4) แบบจาลองกาลังสามแบบเต็ม (Full cubic model)
…(4.1.6)
การพิจารณาเลือกใช้ แบบจาลอง สามารถพิจารณาได้ จากจานวนทรีตเมนต์ในการทดลอง โดยจะต้ องมี

จานวนมากกว่าหรือเท่ากับจานวนพจน์ในแบบจาลองที่เลือกใช้ และต้ องมีการทาการทดลองซา้ แต่จานวน
ซา้ ของแต่ละทรีตเมนต์ไม่จาเป็ นต้ องเท่ากัน สาหรับการแปลผลการทดลอง สามารถพิจารณาได้ จากผล
การทดสอบค่าที (t-test) ของพจน์แต่ละพจน์ในแบบจาลองที่คานวณได้ จากโปรแกรมสาเร็จรูป ที่ระดับ
นัยสาคัญทางสถิตทิ ่กี าหนด โดยมีสมมติฐานดังต่อไปนี้ คือ
H0: การเปลี่ยนแปลงปริมาณของส่วนผสม i ไม่มผี ลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei = 0)

Ha: การเปลี่ยนแปลงปริมาณของส่วนผสม i มีผลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei ≠ 0)
และสามารถแปลผลการทดลองได้ ดงั นี้ คือ

- กรณีของพจน์เดี่ยว (ตัวแปรตัวเดียว) หากพบว่า ค่าทีมคี ่าเป็ นบวก หมายถึง การเพิ่มปริมาณ
ของส่วนผสมนั้น จะมีผลทาให้ ค่าที่ใช้ ในการติดตามผลมีค่ามากขึ้น ในทางตรงกันข้ ามหากค่าที
เป็ นลบ หมายถึง การเพิ่มปริมาณของส่วนผสมนั้น จะมีผลทาให้ ค่าที่ใช้ ในการติดตามผลมีค่า
ลดลง
- กรณีของพจน์ผลคูณระหว่างตัวแปรที่ต่างกัน 2 ตัวแปร หากพบว่า ค่าทีมคี ่าเป็ นบวก หมายถึง
ส่วนผสมคู่ดงั กล่าวมีอทิ ธิพลร่วมแบบเสริมกัน กล่าวคือ การเพิ่มปริมาณของส่วนผสมทั้งสอง
พร้ อมกัน จะทาให้ ค่าที่ใช้ ในการติดตามผลมีค่าเพิ่มมากยิ่งขึ้น แต่หากค่าทีเป็ นลบ หมายถึง
ส่วนผสมคู่ดงั กล่าวมีอทิ ธิพลร่วมแบบหักล้ างกัน กล่าวคือ การเพิ่มปริมาณของส่วนผสมทั้งสอง
พร้ อมกัน จะทาให้ ค่าที่ใช้ ในการติดตามผลมีค่าลดลงมากยิ่งขึ้น
- กรณีของพจน์กาลังสอง หากพบว่าค่าทีมคี ่าเป็ นบวก หมายถึง ในพื้นที่ๆ ศึกษาของส่วนผสม
ดังกล่าว อาจมีบริเวณที่ทาให้ ค่าที่ใช้ ในการติดตามผลมีค่าต่าสุด แต่หากค่าทีเป็ นลบ หมายถึง
ในพื้นที่ๆ ศึกษาของส่วนผสมดังกล่าว อาจมีบริเวณที่ทาให้ ค่าที่ใช้ ในการติดตามผลมีค่าสูงสุด
ในกรณีท่ไี ม่มโี ปรแกรมสาเร็จรูป อาจพิจารณาผลของส่วนผสมแต่ละรายการด้ วยวิธคี านวณอย่างง่าย

(Edwardson and Mac Cormac, 1984) ดังนี้ คือ
- นาผลการทดลองของทรีตเมนต์ท่ใี ช้ ส่วนผสมที่สนใจที่ระดับสูงทั้งหมดมารวมกัน และนาค่าที่
ได้ มาเปรียบเทียบกับผลรวมที่ได้ จากทรีตเมนต์ท่ใี ช้ สว่ นผสมชนิดนั้นที่ระดับต่า (ไม่พิจารณาทรีต
เมนต์ท่ใี ช้ สว่ นผสมในระดับกลาง) หากผลรวมของทรีตเมนต์ท่ใี ช้ ส่วนผสมที่ระดับสูงมีค่า
มากกว่า หมายถึง การเพิ่มปริมาณส่วนผสมชนิดนั้นจะทาให้ ค่าที่ใช้ ในการติดตามผลมีค่ามาก
ขึ้น (Positive effect) แต่หากได้ ผลในทางตรงกันข้ าม คือ ผลรวมของทรีตเมนต์ท่ใี ช้ สวนผสม
~ 184 ~
ที่ระดับต่ามีค่ามากกว่า หมายถึง การเพิ่มปริมาณส่วนผสมชนิดนั้นจะทาให้ ค่าที่ใช้ ในการ

ติดตามผลมีค่าน้ อยลง (Negative effect)
การพัฒนาข้ าวเกรียบปลาโปรตีนสูง ด้ วยการทดลองแบบส่วนผสม โดยใช้ การทดลองแบบเอกซ์ทรีม
เวอร์ทสิ แปรปริมาณแป้ งมันสาปะหลัง แป้ งถั่วเหลือง และปลาป่ น ร้ อยละ 50-80 20-40 และ 5–10
ตามลาดับ ในขณะที่ใช้ สว่ นผสมอื่นๆ ในปริมาณคงที่ พบว่ามีพ้ นื ที่ๆ สามารถใช้ ในแผนการทดลองได้ ดงั ภาพที่
4.5 และพิจารณาเลือกใช้ จุดกึ่งกลาง จุดด้ านข้ าง และจุดบริเวณมุม ของพื้นที่ๆ สอดคล้ องกับข้ อกาหนด
เป็ นทรีตเมนต์ดงั ภาพที่ 4.6 ซึ่งปะกอบด้ วย
ทรีตเมนต์ 1 แป้ งมันสาปะหลัง แป้ งถั่วเหลือง ปลาป่ น เท่ากับ ร้ อยละ 50, 40 และ 10
ทรีตเมนต์ 7 แป้ งมันสาปะหลัง แป้ งถั่วเหลือง ปลาป่ น เท่ากับ ร้ อยละ 62.5, 30 และ 7.5
ติดตามผลโดยการทดสอบทางประสาทสัมผัสแบบมาตรา 1-10 (1= คุณภาพไม่ดี และ 10 =
คุณภาพดี) โดยใช้ ผ้ ทู ดสอบที่ผ่านการฝึ กฝนจานวน 5 คน ได้ ผลการทดลองดังตารางที่ 4.1
ภาพที่ 4.6 ทรีตเมนต์สาหรับตัวอย่างที่ 4.1
~ 185 ~
ตารางที่ 4.1 ผลการทดสอบทางประสาทสัมผัส ตัวอย่างที่ 4.1
ผู้ทดสอบ ทรีตเมนต์
1 2 3 4 5 6 7
1 5 7 8 8 6 4 7
2 6 7 8 7 6 5 6
3 6 7 7 8 6 5 6
4 5 6 7 8 6 4 6
5 6 7 7 8 6 5 7
รวม 28 34 37 39 30 23 32
1= คุณภาพไม่ดี และ 10 = คุณภาพดี
วิธีทา
H0: การเปลี่ยนแปลงปริมาณของส่วนผสม i ไม่มผี ลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei = 0)
Ha: การเปลี่ยนแปลงปริมาณของส่วนผสม i มีผลทาให้ ค่าที่ตดิ ตามเปลี่ยนแปลง (Ei ≠ 0)
(โดยทั่วไปการทดสอบสมมติฐาน จะทาได้ โดยใช้ โปรแกรมสาเร็จรูปในหัวข้ อ 4.1.5)
2. การวิเคราะห์ผลการทดลองด้ วยวิธกี ารคานวณอย่างง่าย (โดยไม่ใช้ โปรแกรมสาเร็จรูป)
เริ่มต้ นจากการพิจารณาทรีตเมนต์ท่ใี ช้ ส่วนผสมแต่ละรายการที่ระดับสูงและระดับต่า ดังนี้
- ทรีตเมนต์ท่ใี ช้ แป้ งมันสาปะหลังที่ระดับสูง คือ ทรีตเมนต์ 3 (ร่อยละ 70) และ ทรีตเมนต์ 4
(ร้ อยละ 75) ส่วนทรีตเมนต์ท่ใี ช้ แป้ งมันสาปะหลงที่ระดับต่า คือ ทรีตเมนต์ 1 (ร้ อยละ 50)
และ ทรีตเมนต์ 6 (ร้ อยละ 55)
- ทรีตเมนต์ท่ใี ช้ แป้ งถั่วเหลืองที่ระดับสูง (ร้ อยละ 40) คือ ทรีตเมนต์ 1 และ ทรีตเมนต์ 6
ส่วนทรีตเมนต์ท่ใี ช้ แป้ งถั่วเหลืองที่ระดับต่า (ร้ อยละ 20) คือ ทรีตเมนต์ 3 และ ทรีตเมนต์ 4
- ทรีตเมนต์ท่ใี ช้ ปลาป่ นที่ระดับสูง (ร้ อยละ 10) คือ ทรีตเมนต์ 1 ทรีตเมนต์ 2 และ ทรีตเมนต์ 3
ส่วนทรีตเมนต์ท่ใี ช้ ปลาป่ นที่ระดับต่า (ร้ อยละ 5) คือ ทรีตเมนต์ 4 ทรีตเมนต์ 5 และ
ทรีตเมนต์ 6
จากนั้นจึงพิจารณาเปรียบเทียบผลรวมของผลการทดลองที่ระดับสูงและระดับต่าของแต่ละ
ส่วนผสม ดังนี้
- ผลของแป้ งมันสาปะหลัง
ที่ระดับสูง ผลรวมทั้งหมดเท่ากับ 37 + 39 = 76
ที่ระดับต่า ผลรวมทั้งหมดเท่ากับ 28 + 23 = 51
พบว่า การใช้ แป้ งมันสาปะหลังที่ระดับสูงมีค่ามากกว่า แสดงว่า การเพิ่มปริมาณแป้ งมันสาปะหลัง
จะทาให้ ผลการทดลองมีค่ามากขึ้น (Positive effect)
- ผลของแป้ งถั่วเหลือง
ที่ระดับสูง ผลรวมทั้งหมดเท่ากับ 28 + 23 = 51
ที่ระดับต่า ผลรวมทั้งหมดเท่ากับ 37 + 39 = 76
~ 186 ~
พบว่า การใช้ แป้ งถั่วเหลืองที่ระดับต่ามีค่ามากกว่า แสดงว่า การเพิ่มปริมาณแป้ งถั่วเหลืองจะทา

ให้ ผลการทดลองมีค่าน้ อยลง (Negative effect)
- ผลของปลาป่ น
ที่ระดับสูง คะแนนรวมทั้งหมดเท่ากับ 28 + 34 + 37 = 99
ที่ระดับต่า คะแนนรวมทั้งหมดเท่ากับ 39 + 30 + 23 = 92
พบว่า การใช้ ปลาป่ นที่ระดับสูงมีค่ามากกว่า แสดงว่า การเพิ่มปริมาณปลาป่ นจะทาให้ ผลการ
ทดลองมีค่ามากขึ้น (Positive effect)
4.1.5 การใช้โปรแกรมสาเรจรรูปในการวิเคราะห์ขอ้ มูล

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ผลการทดลองแบบผสมในที่น้ ี จะขอกล่าวถึงเฉพาะ
โปรแกรมสาเร็จรูป 2 โปรแกรม คือ โปรแกรมเอสพีเอสเอส และ โปรแกรมอาร์ โดยใช้ ข้อมูลของตัวอย่างที่
4.1 เป็ นตัวอย่างของการใช้ โปรแกรม และเพื่อความสะดวกในการพิมพ์ข้อมูล ควรเลือกพิมพ์ข้อมูลลงใน
แผ่นงานของโปรแกรมไมโครซอฟท์เอกซ์เซลก่อนดังภาพที่ 4.7 โดยพิมพ์หัวตารางซึ่งประกอบด้ วย ผู้ทดสอบ
(Panel) ทรีตเมนต์ (Treatment) แป้ งมันสาปะหลัง (Tapioca; T) แป้ งถั่วเหลือง (Soy; S) ปลาป่ น (Fish;
F) ผลการทดลอง (SCORE) และผลคูณของส่วนผสมแต่ละคู่ (TS, TF, SF) และพิมพ์ข้อมูลต่างๆ ลงไป
ตามลาดับ โดยในส่วนของผลคูณของส่วนผสมแต่ละคู่ สามารถใช้ คาสั่งให้ โปรแกรมคานวณให้ ได้ ตัวอย่างเช่น
ถ้ าข้ อมูลปริมาณแป้ งมันสาปะหลัง แป้ งถั่วเหลือง และปลาป่ นของผู้ทดสอบคนที่ 1 ทรีตเมนต์ 1 อยู่ในเซลล์
C2, D2 และ E2 ตามลาดับ ที่เซลล์ข้อมูลของ TS, TF และ SF ในแถวดังกล่าวให้ พิมพ์คาสัง่ =C2*D2,
=C2*E2 และ =D2*E2 ตามลาดับ และคัดลอกสูตรลงมาจนครบทุกแถว เมื่อได้ ข้อมูลครบแล้ ว บันทึกไฟล์
ไว้ (ในที่น้ ใี ช้ ช่ อื ไฟล์ Mixture data.xlsx)
~ 187 ~
A B C D E F G H I
1 Panel Treatment Tapioca (T) Soy (S) Fish(F) SCORE TS TF SF
2 1 1 0.5 0.4 0.1 5 0.2 0.05 0.04
3 1 2 0.6 0.3 0.1 7 0.18 0.06 0.03
4 1 3 0.7 0.2 0.1 8 0.14 0.07 0.02
5 1 4 0.75 0.2 0.05 8 0.15 0.0375 0.01
6 1 5 0.65 0.3 0.05 6 0.195 0.0325 0.015
7 1 6 0.55 0.4 0.05 4 0.22 0.0275 0.02
8 1 7 0.625 0.3 0.075 7 0.1875 0.046875 0.0225
9 2 1 0.5 0.4 0.1 6 0.2 0.05 0.04
10 2 2 0.6 0.3 0.1 7 0.18 0.06 0.03
11 2 3 0.7 0.2 0.1 8 0.14 0.07 0.02
12 2 4 0.75 0.2 0.05 7 0.15 0.0375 0.01
13 2 5 0.65 0.3 0.05 6 0.195 0.0325 0.015
14 2 6 0.55 0.4 0.05 5 0.22 0.0275 0.02
15 2 7 0.625 0.3 0.075 6 0.1875 0.046875 0.0225
16 3 1 0.5 0.4 0.1 6 0.2 0.05 0.04
17 3 2 0.6 0.3 0.1 7 0.18 0.06 0.03
18 3 3 0.7 0.2 0.1 7 0.14 0.07 0.02
19 3 4 0.75 0.2 0.05 8 0.15 0.0375 0.01
20 3 5 0.65 0.3 0.05 6 0.195 0.0325 0.015
21 3 6 0.55 0.4 0.05 5 0.22 0.0275 0.02
22 3 7 0.625 0.3 0.075 6 0.1875 0.046875 0.0225
23 4 1 0.5 0.4 0.1 5 0.2 0.05 0.04
24 4 2 0.6 0.3 0.1 6 0.18 0.06 0.03
25 4 3 0.7 0.2 0.1 7 0.14 0.07 0.02
26 4 4 0.75 0.2 0.05 8 0.15 0.0375 0.01
27 4 5 0.65 0.3 0.05 6 0.195 0.0325 0.015
28 4 6 0.55 0.4 0.05 4 0.22 0.0275 0.02
29 4 7 0.625 0.3 0.075 6 0.1875 0.046875 0.0225
30 5 1 0.5 0.4 0.1 6 0.2 0.05 0.04
31 5 2 0.6 0.3 0.1 7 0.18 0.06 0.03
32 5 3 0.7 0.2 0.1 7 0.14 0.07 0.02
33 5 4 0.75 0.2 0.05 8 0.15 0.0375 0.01
34 5 5 0.65 0.3 0.05 6 0.195 0.0325 0.015
35 5 6 0.55 0.4 0.05 5 0.22 0.0275 0.02
36 5 7 0.625 0.3 0.075 7 0.1875 0.046875 0.0225
ภาพที่ 4.7 การพิมพ์ข้อมูลบางส่วนสาหรับตัวอย่างที่ 4.1 ในโปรแกรมไมโครซอฟท์เอกซ์เซล
~ 188 ~

2.1.3.2 หน้ า 39 (แต่ในกรณีน้ ใี ช้ ช่ อื ไฟล์ Mixture data.xlsx)
สาหรับการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง Data Set ที่มขี ้ อมูลอยู่ (ต้ อง

คานวณผลการทดลองครั้งละ 1 ตัวแปร)
1. คลิก “Analyze” เลื่อน Cursor มาที่ “Regression” แล้ วคลิก “Linear..”
2. กล่อง “Linear Regression” จะปรากฏขึ้น เลือกผลการทดลองที่ต้องการวิเคราะห์ 1 ตัวแปร
(ในตัวอย่างที่ 4.1 คือ SCORE) ใส่ในช่อง “Dependent:” (โดยคลิกที่ตวั แปรดังกล่าว และ
คลิกเครื่องหมายลูกศรใส่ในช่อง “Dependent:”)
3. เลือกปัจจัยที่ต้องการศึกษา (ในตัวอย่างที่ 4.1 นี้ มี 3 ตัวแปร คือ Tapioca, Soy, Fish ในกรณี
เลือกใช้ แบบจาลองเส้นตรง และ 6 ตัวแปร คือ Tapioca, Soy, Fish, TS, TF, SF ในกรณี
เลือกใช้ แบบจาลองกาลังสอง) ใส่ในช่อง Independent (s): (โดยคลิกที่ตวั แปรแรก และกด Ctrl
ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง
“Independent (s):”) และคลิก “Options…”
4. กล่อง “Linear Regression: Options” จะปรากฏขึ้น คลิกเอาเครื่องหมาย  ในช่อง “Include
Constant in Equation” ออก แล้ วคลิก “Continue”

ได้ ท่ตี าราง Coefficientsa ดังตารางที่ 4.2–4.3 โดยพิจารณาค่าทีจากค่า t และระดับนัยสาคัญทางสถิตจิ ากค่า
Sig. ตามลาดับ ในกรณีเลือกใช้ แบบจาลองเส้นตรง (ตารางที่ 4.2) จะพบว่า ปริมาณของส่วนผสมทั้ง 3
รายการมีอทิ ธิพลต่อผลการทดลองอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) โดยค่าทีของแป้ งมันสาปะหลังและ
ปลาป่ นเป็ นบวก ในขณะที่ค่าทีของแป้ งถั่วเหลืองเป็ นลบ แสดงว่า การเพิ่มปริมาณแป้ งมันสาปะหลังและปลา
ป่ นจะทาให้ ผลการทดลองมีค่ามากขึ้น แต่การเพิ่มปริมาณแป้ งถั่วเหลืองจะทาให้ ผลการทดลองมีค่าน้ อยลง
สอดคล้ องกับการวิเคราะห์ผลการทดลองโดยวิธกี ารคานวณอย่างง่ายที่กล่าวมาแล้ วข้ างต้ น ส่วนกรณีเลือกใช้
แบบจาลองกาลังสอง (ตารางที่ 4.3) จะพบว่า ปลาป่ นถูกเอาออกจากแบบจาลองโดยอัตโนมัติ เนื่องจากมีค่า
Sig. เข้ าใกล้ 1 มาก (0.955) แสดงว่า พจน์ปลาป่ นไม่มผี ลใดๆ ต่อคะแนนคุณภาพของข้ าวเกรียบปลา และมี
เพียงแป้ งมันสาปะหลังและอิทธิพลร่วมระหว่างแป้ งถั่วเหลืองและปลาป่ นที่มอี ทิ ธิพลต่อผลการทดลองอย่างมี
นัยสาคัญยิ่งทางสถิติ (p<0.01) แสดงว่า การเพิ่มปริมาณแป้ งมันสาปะหลังจะทาให้ ผลการทดลองมีค่ามากขึ้น
และแป้ งถั่วเหลืองและปลาป่ นมีอทิ ธิพลร่วมแบบเสริมกัน (มีค่าเป็ นบวก) ซึ่งหมายถึง การมีโอกาสที่จะเพิ่ม
ปริมาณแป้ งถั่วเหลืองได้ มากขึ้น หากมีการพิจารณาเพิ่มปริมาณปลาป่ นขึ้นอีก
~ 189 ~
ตารางที่ 4.2 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.1 เมื่อใช้ แบบจาลองเส้นตรง โดยใช้ โปรแกรม

เอสพีเอสเอส
1 Tapioca 9.421 0.475 0.918 19.819 0.000
Soy -3.079 0.898 -0.147 -3.428 0.002
Fish 18.755 3.658 0.228 5.126 0.000
Dependent Variable: SCORE
Linear Regression through the Origin
ตารางที่ 4.3 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.1 เมื่อใช้ แบบจาลองกาลังสอง โดยใช้ โปรแกรม

เอสพีเอสเอส
1 Tapioca 12.228 1.750 1.192 6.988 0.000
Soy -12.964 8.261 -0.620 -1.569 0.127
TS 5.497 16.319 0.156 0.377 0.739
TF -24.014 14.456 -0.180 -1.661 0.107
SF 121.401 32.767 0.456 3.705 0.001
Dependent Variable: SCORE
~ 190 ~

2 หัวข้ อ 2.1.3.3 หน้ า 42-43
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander (ต้ องคานวณผล

การทดลองครั้งละ 1 ตัวแปร)
Excel file…”
ไว้ ให้ ) และคลิก “OK” (กรณีไม่ต้องการพิมพ์ช่ อื ไฟล์ข้อมูลเป็ นชื่ออื่น หากกล่อง “Data set
(ในที่น้ ใี ช้ ช่ อื ไฟล์ Mixture data.xlsx) และคลิก “Open”
“OK”
6. คลิก “Statistics” เลื่อน Cursor มาที่ “Fit models” แล้ วคลิก “Linear Model…”
7. กล่อง “Linear Model” จะปรากฏขึ้น ดับเบิลคลิกเลือกผลการทดลอง 1 ตัวแปร (ตัวอย่างที่
4.1 คือ SCORE) ในช่องซ้ ายสุดของ Model Formula และ ดับเบิลคลิกเพื่อเลือกปัจจัยที่
ต้ องการศึกษาทีละตัวแปร (ตัวอย่างที่ 4.1 นี้ มี 3 ตัวแปร คือ Tapioca, Soy, Fish ในกรณี
เลือกใช้ แบบจาลองเส้นตรง และ 6 ตัวแปร คือ Tapioca, Soy, Fish, TS, TF, SF ในกรณี
เลือกใช้ แบบจาลองกาลังสอง) ในช่องด้ านขวาของ Model Formula และพิมพ์ – 1 เพิ่มเข้ าไป
ในช่องด้ านขวา หลังตัวแปรที่เลือกไว้
ผลการคานวณจะปรากฏขึ้นในช่อง “Output” ของหน้ าต่าง “R Commander” เพียงแต่ไม่มสี ว่ นของ

Standardized Coefficients (Beta) ซึ่งไม่จาเป็ นต้ องใช้ ประกอบการวิเคราะห์และสรุปผลการทดลอง โดยใน
ส่วนของแบบจาลองเส้นตรง ค่าที่ได้ จะใกล้ เคียงกับผลการคานวณที่ได้ จากโปรแกรมเอสพีเอสเอส (Estimate =
B, Std. Error = Std. Error, t value = t, Pr (>t) = Sig.) แต่ในส่วนของแบบจาลองกาลังสองจะได้ ผลการ
ทดลองดังตารางที่ 4.4 ซึ่งมีตวั แปรอยู่ในแบบจาลองครบทุกตัว แต่พบว่า มีเพียงแป้ งมันสาปะหลังเพียงตัว
แปรเดียวที่มอี ทิ ธิพลต่อผลการทดลองอย่างมีนัยสาคัญยิ่งทางสถิติ (p<0.01) แต่หากพิจารณาคานวณผลใหม่
โดยตัดปลาป่ น (เนื่องจากมีค่า Pr (>t) =0.955 ซึ่งเข้ าใกล้ 1 มาก) ออกไปจากแบบจาลอง จะได้ ผล
ใกล้ เคียงกับผลการคานวณที่ได้ จากโปรแกรมเอสพีเอสเอสในตารางที่ 4.3 ซึ่งจะเห็นได้ ว่า ในกรณีของตัวอย่าง
ที่ 4.1 นี้ การพิจารณาตัดปลาป่ นออกไปจากแบบจาลองกาลังสอง จะได้ แนวทางในการพัฒนาผลิตภัณฑ์ใน
ครั้งต่อไปมากกว่า เนื่องจากในแบบจาลองกาลังสองนี้ พจน์ปลาป่ นไม่มผี ลใดๆ ต่อคะแนนคุณภาพของข้ าว
เกรียบปลา
~ 191 ~
ตารางที่ 4.4 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.1 เมื่อใช้ แบบจาลองกาลังสอง โดยใช้ โปรแกรมอาร์
B Std. Error t value Pr (>t)

Tapioca 12.15 2.256 5.386 0.000
Soy -12.85 8.641 -1.487 0.148
Fish -20.52 362.8 -0.057 0.995
TS 5.000 18.78 0.266 0.792
TF 0.000 424.9 0.000 1.000
SF 145.0 418.6 0.346 0.732
การทดลองแบบส่วนผสม
การทดลองแบบส่วนผสมแบบซิมเพลกซ์แลกทิซ เมื่อมีส่วนผสม 4 ชนิด และพิจารณาแบ่ง

ส่วนผสมแต่ละชนิดออกเป็ น 2 ส่วนๆ ละ 0.5 (q, m = 4, 2) โดยทาการทดลองจุดละ 2 ซา้
ได้ ผลการทดลองดังต่อไปนี้
X1 X2 X3 X4 Data (rep 1) Data (rep 2)

1 0 0 0 10 8
0 1 0 0 6 7
0 0 1 0 15 12
0 0 0 1 20 15
0.5 0.5 0 0 14 17
0.5 0 0.5 0 8 10
0.5 0 0 0.5 15 17
0 0.5 0.5 0 10 12
0 0.5 0 0.5 12 15
0 0 0.5 0.5 10 8
กรุณาวิเคราะห์ข้อมูลโดยใช้ แบบจาลองแบบเส้ นตรงและแบบกาลังสอง พร้ อมอธิบายอิทธิพล

ของส่วนผสมแต่ละพจน์ของแต่ละแบบจาลอง
~ 192 ~
4.2 โปรแกรมเส้นตรง (Linear programming)

โปรแกรมเส้ นตรง เป็ นวิธกี ารที่ใช้ สาหรับการพัฒนาสูตร ในกรณีท่สี ามารถนาข้ อกาหนดและตัวแปรที่
สนใจมาเขียนเป็ นความสัมพันธ์แบบจาลองเส้ นตรงได้ ดังนั้นสิ่งที่จาเป็ นต้ องกาหนดขึ้น เมื่อต้ องการใช้
โปรแกรมเส้ นตรงในการพัฒนาสูตรจึงประกอบไปด้ วย
- เป้ าหมายหลัก (Objective function) เป็ นส่วนที่ผ้ ทู ดลองพยายามที่จะหาคาตอบให้ ได้
- ข้ อกาหนด (Constraints) เป็ นข้ อกาหนดของปัญหาที่ต้องการแก้ ไข
- ปัจจัย หรือ ตัวแปร (Factors or variables) เป็ นสิง่ ที่ต้องใช้ ในการตัดสินใจ
ซึ่งต้ องนามาเขียนเป็ นความสัมพันธ์แบบจาลองเส้นตรง ดังต่อไปนี้
เป้ าหมายหลัก Z = f(X) …(4.2.1)

เมื่อ Z = C1X1 + C2X2 + C3X3 + . . . + Cn Xn
ข้ อกาหนด
ai1X1 + ai2X2 + ai3 X3 + . . . + ainXn (<,=, >) bi …(4.2.2)
เมื่อ i = 1, 2, 3, . . . , m
X1, X2, X3,. . . , Xn > 0
X1, X2, X3,. . . , Xn = ตัวแปรที่สามารถควบคุมได้
C1, C2, C3,. . . , Cn = สัมประสิทธิ์ของสมการเป้ าหมายหลัก
ai = ค่าสัมประสิทธิ์ของสมการข้ อกาหนด
bi = ค่าคงที่ซ่งึ เป็ นข้ อกาหนดหรือขอบเขตของสมการ
การวิเคราะห์ข้อมูลของโปรแกรมเส้ นตรงเพื่อหาผลลัพธ์ท่ตี ้ องการ อาจสามารถทาได้ หลายวิธี แต่ใน
ที่น้ จี ะขอกล่าวถึงเพียงวิธเี ดียว คือ การสร้ างแผนภูมิ (Graphical solution) ดังตัวอย่างที่ 4.2 และ 4.3
การทดลองผลิตเครื่องดื่มนา้ ผักผสมนา้ ผลไม้ จากผักและผลไม้ จานวน X และ Y หน่วย ตามลาดับ
เมื่อต้ องการให้ ผลิตภัณฑ์ท่ผี ลิตได้ มรี าคาต้ นทุนการผลิตต่าสุด ในขณะที่มคี ุณค่าทางโภชนาการในด้ านของ
วิตามินดังนี้ คือ วิตามินเอ 40 กรัม วิตามินบี 50 กรัม วิตามินซี 70 กรัม วิตามินดี 10 กรัม และวิตามินอี
60 กรัม เมื่อผักที่ใช้ เป็ นวัตถุดบิ มีวิตามินเอ บี ซี ดี และอี เท่ากับ 0.1 0.2 0.04 0.1 และ 0.06 กรัม
ต่อหน่วย ตามลาดับ และผลไม้ ท่ใี ช้ เป็ นวัตถุดบิ มีวิตามินเอ บี ซี ดี และอี เท่ากับ 0.05 0.15 0.2 0.1
และ 0.1 กรัมต่อหน่วย ตามลาดับ ราคาของผักและผลไม้ ท่ใี ช้ เท่ากับ 20 และ 30 สตางค์ต่อหน่วย ตามลาดับ
กรุณาใช้ โปรแกรมเส้นตรง เพื่อหาปริมาณที่ควรเลือกใช้ ของผักและผลไม้ ดงั กล่าว
~ 193 ~
วิธีทา 1. การเขียนความความสัมพันธ์แบบจาลองเส้ นตรงของเป้ าหมายหลักและข้ อกาหนด

เมื่อกาหนดให้ X และ Y คือปริมาณฝัก และ ผลไม้ ตามลาดับ
เป้ าหมายหลัก ; ราคาต้ นทุนการผลิต (Q) = 0.2 X + 0.3 Y
ข้ อกาหนด ; วิตามินเอ; 0.1 X + 0.05 Y > 40
วิตามินบี ; 0.2 X + 0.15 Y > 50
วิตามินซี ; 0.04 X + 0.2 Y > 70
วิตามินดี ; 0.1 X + 0.1 Y > 10
วิตามินอี ; 0.06 X + 0.1 Y > 60
เมื่อ X > 0 และ Y > 0
2. การวิเคราะห์ข้อมูลเพื่อหาผลลัพธ์ท่ตี ้ องการ
จากแบบจาลองเส้ นตรงข้ างต้ น สามารถนามาสร้ างแผนภูมเิ ส้นตรงของแต่ละข้ อกาหนดได้
โดยคานวณหาจุดตัดแกน X และ Y ซึ่งมีค่าแสดงในตารางที่ 4.5 นาค่าที่ได้ มาสร้ างแผนภูมแิ ละพิจารณา
พื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมดดังภาพที่ 4.8
ตารางที่ 4.5 ผลการคานวณจุดตัดแกน X และ Y ของแต่ละข้ อกาหนด ของตัวอย่างที่ 4.2 (ไพโรจน์, 2536)
ข้ อกาหนดเกี่ยวกับ จุดตัดแกน X จุดตัดแกน Y จุดคู่ร่วม

วิตามิน เมื่อ Y = 0 เมื่อ X = 0 ของเส้ นตรง
เอ 0.1X+0.05Y = 40 0.1X=40 X=400 0.05Y=40 Y=800 (400,0),(0,800)
บี 0.2X+0.15Y = 50 0.2X=50 X=250 0.15Y=50 Y=333.3 (250,0),(0,333.3)
ซี 0.04X+0.2Y = 70 0.04X=70 X=1750 0.2Y=70 Y=350 (1750,0),(0,350)
ดี 0.1X+0.1Y = 10 0.1X=10 X=100 0.1Y=10 Y=100 (100,0),(0,100)
อี 0.06X+0.1Y = 60 0.06X=60 X=1000 0.1Y=60 Y=600 (1000,0),(0, 600)
~ 194 ~
ภาพที่ 4.8 แผนภูมเิ ส้นตรงของแต่ละข้ อกาหนด และพื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมดของตัวอย่างที่

4.2 (ดัดแปลงจาก ไพโรจน์, 2536 โดยสร้ างแผนภูมดิ ้ วยเวบไซด์ www.phpsimplex.com)
จากนั้นจึงพิจารณาราคาต้ นทุนการผลิต โดยสมมติราคาต้ นทุนขึ้นมาหนึ่งค่า แล้ วสร้ างแบบจาลอง

เส้ นตรงที่เรียกว่า Isocost line ขึ้น เช่น เมื่อสมมติให้ ราคาต้ นทุนเท่ากับ 60 บาท ดังนั้นแบบจาลองเส้นตรง
ของราคาต้ นทุนการผลิต คือ 0.2 X + 0.3 Y = 60 ซึ่งเป็ นเส้นตรงที่มจี ุดตั้งแกน X และ Y อยู่ท่จี ุด (300,
0) และ (0, 200) ตามลาดับ แต่เส้ นตรงดังกล่าวยังไม่อยู่ในพื้นที่ๆ สอดคล้ องกับข้ อกาหนด แสดงว่ายังไม่
สามารถลงทุนผลิตเครื่องดื่มดังกล่าวในราคาเพียง 60 บาทได้ และเมื่อเพิ่มราคาต้ นทุนเป็ น 120 บาท
หรือ Isocost line มีสมการเป็ น 0.2X + 0.3Y = 120 ซึ่งเป็ นเส้นตรงที่มจี ุดตัดแกน X และ Y อยู่ท่จี ุด
(600,0) และ (0, 400) ตามลาดับ เส้นตรงดังกล่าวก็ยังคงไม่อยู่ในพื้นที่ๆ สอดคล้ องกับข้ อกาหนดเช่นกัน
แต่จะเห็นได้ ว่า Isocost line ที่มีค่าเท่ากับ 60 และ 120 นั้นมีความชันเท่ากัน ดังนั้นถ้ ามีการเลื่อนเส้ น Isocost
line ขึ้นไปเรื่อยๆ โดยให้ มคี วามชันคงที่จนกระทั่งสัมผัสกับพื้นที่ๆ สอดคล้ องกับข้ อกาหนด จุดสัมผัสจุดแรก
จะเป็ นจุดที่เป็ นผลลัพธ์ท่ตี ้ องการ คือ จุดที่สามารถผลิตผลิตภัณฑ์ได้ ตามต้ องการในราคาต้ นทุนต่าสุด ดังภาพ
ที่ 4.9
~ 195 ~
ภาพที่ 4.9 แผนภูมเิ ส้นตรงของแต่ละข้ อกาหนด พื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมด

Isocost line และจุดที่มตี ้ นทุนต่าสุด ของตัวอย่างที่ 4.2 (ดัดแปลงจาก ไพโรจน์, 2536
โดยสร้ างแผนภูมดิ ้ วยเวบไซด์ www.phpsimplex.com))
จากภาพที่ 4.9 จุดที่มตี ้ นทุนต่าสุด คือ จุดตัดระหว่างข้ อกาหนดวิตามินเอและวิตามินอี ดังนั้นการ

คานวณหาตาแหน่งของจุดดังกล่าวสามารถทาได้ ดงั นี้
วิตามินเอ; 0.1 X + 0.05 Y = 40 . . . (1)
วิตามินอี ; 0.06 X + 0.1 Y = 60 . . . (2)
(1) x 2 0.2 X + 0.1 Y = 80 . . . (3)
(3) - (2) 0.14 X = 20
X = 20/0.14
= 142.86
แทนค่า X ที่ได้ ในสมการใดสมการหนึ่ง เพื่อหาค่า Y ซึ่ง ในที่น้ จี ะแทนค่าลงในสมการ (2)
0.06 (142.86) + 0.1 Y = 60
Y = (60 – 8.57) / 0.1
= 514.30
~ 196 ~
เมื่อแทนค่า X และ Y ที่ได้ ในสมการเป้ าหมายหลัก จะได้

ราคาต้ นทุนการผลิต (Q) = 0.2 X + 0.3 Y
= 0.2 (142.86) + 0.3(514.30)
= 182.9 บาท
ซึ่งการผลิตโดยใช้ ปริมาณผักและผลไม้ ณ จุดต้ นทุนต่าสุดนี้ จะได้ ผลิตภัณฑ์ท่มี คี ุณค่าทางโภชนาการ
ด้ านวิตามินต่างๆ ดังนี้
วิตามินเอ; 0.1 X + 0.05 Y = 0.1 (142.86) + 0.05 (514.30) = 40 กรัม
วิตามินบี ; 0.2 X + 0.15 Y = 0.2 (142.86) + 0.15 (514.30) = 105.7 กรัม
วิตามินซี ; 0.04 X + 0.2 Y = 0.04 (142.86) + 0.2 (514.30) = 108.6 กรัม
วิตามินดี ; 0.1 X + 0.1 Y = 0.1 (142.86) + 0.1 (514.30) = 65.7 กรัม
วิตามินอี ; 0.06 X + 0.1 Y = 0.06 (142.86) + 0.1 (514.30) = 60 กรัม
การทดลองผลิตแป้ งผสมที่ต้องการให้ มปี ริมาณโปรตีนไม่น้อยกว่าร้ อยละ 25 ไขมันไม่น้อยกว่าร้ อย
ละ 10 และปริมาณใยอาหารและเถ้ าไม่เกินร้ อยละ 20 และมีราคาต้ นทุนการผลิตต่าสุด จากแป้ ง 3 ชนิด
ซึ่งมีคุณค่าทางโภชนาการแตกต่างกันดังตารางที่ 4.6 กรุณาใช้ โปรแกรมเส้ นตรง เพื่อหาปริมาณที่ควรเลือกใช้
ของแป้ งทั้ง 3 ชนิด
ตารางที่ 4.6 คุณค่าทางโภชนาการและราคาของแป้ ง 3 ชนิดของตัวอย่างที่ 4.3

(ดัดแปลงจาก Edwardson and Mac Cormac, 1984)
คุณค่าทางโภชนาการ (ร้ อยละ) แป้ งถั่ว แป้ งธัญพืช แป้ งพืชหัว

โปรตีน 50 50 0
ไขมัน 25 10 0
คาร์โบไฮเดรต 15 0 90
ใยอาหารและเถ้ า 10 40 10
ราคา (บาทต่อ 10 กิโลกรัม) 60 50 40
วิธีทา 1. การเขียนความความสัมพันธ์แบบจาลองเส้ นตรงของเป้ าหมายหลักและข้ อกาหนด

เมื่อกาหนดให้ X, Y และ Z คือปริมาณแป้ งถั่ว แป้ งธัญพืช และแป้ งพืชหัว ตามลาดับ
เป้ าหมายหลัก ; ราคาต้ นทุนการผลิต (Q) = 60 X + 50 Y + 40 Z
เมื่อกาหนดให้ X + Y + Z = 1
หรือ Z = 1 – X –Y
แทนค่า Z ในสมการ Q
จะได้ Q = 20 X + 10 Y + 40
~ 197 ~
ข้ อกาหนด ; เนื่องจาก Z = 1 – X –Y;

ดังนั้น X+Y<1
โปรตีน ; 50 X + 50 Y + 0 (1 – X - Y) > 25
เมื่อหารด้ วย 50 จะได้
X + Y > 0.5
ไขมัน ; 25 X + 10 Y + 0 (1 – X - Y) > 10
เมื่อหารด้ วย 10 จะได้
2.5 X + Y > 1
ใยอาหารและเถ้ า ; 10 X + 40 Y + 10 (1 – X - Y) < 20
10 X + 40 Y +10 –10 X – 10 Y < 20
30 Y < 10
Y < 0.33
เมื่อ X > 0 และ Y > 0
2. การวิเคราะห์ข้อมูลเพื่อหาผลลัพธ์ท่ตี ้ องการ
จากแบบจาลองเส้ นตรงข้ างต้ น สามารถนามาสร้ างแผนภูมเิ ส้นตรงของแต่ละข้ อกาหนดได้
โดยคานวณหาจุดตัดแกน X และ Y ซึ่งมีค่าแสดงในตารางที่ 4.7 นาค่าที่ได้ มาสร้ างแผนภูมแิ ละพิจารณา
พื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมดดังภาพที่ 4.10
ตารางที่ 4.7 ผลการคานวณจุดตัดแกน X และ Y ของแต่ละข้ อกาหนด ของตัวอย่างที่ 4.3
ข้ อกาหนด จุดตัดแกน X จุดตัดแกน Y จุดคู่ร่วม

เมื่อ Y = 0 เมื่อ X = 0 ของเส้ นตรง
X+Y=1 X=1 Y=1 (1,0),(0,1)
X + Y = 0.5 X = 0.5 Y = 0.5 (0.5,0),(0,0.5)
2.5 X + Y = 1 2.5 X = 1 X = 0.4 Y=1 (0.4,0),(0,1)
Y = 0.33 ไม่มี Y = 0.33 ไม่มี ,(0,0.33)
เมื่อสมมติให้ ราคาต้ นทุนเท่ากับ 50 บาท จะได้ แบบจาลองเส้ นตรงของราคาต้ นทุนการ

ผลิต หรือ Isocost line ดังนี้ คือ 20 X + 10 Y + 40 = 50 หรือ 20 X + 10 Y = 10 หรือ 2 X + Y =
1 ซึ่งเป็ นเส้ นตรงที่มจี ุดตั้งแกน X และ Y อยู่ท่จี ุด (0.5, 0) และ (0, 1) ตามลาดับ เส้ นตรงดังกล่าว แม้ จะ
มีส่วนที่อยู่ในพื้นที่ๆ สอดคล้ องกับข้ อกาหนด แต่ไม่ใช่จุดที่มรี าคาต้ นทุนต่าสุด จึงพิจารณาเลื่อนเส้ น
Isocost line ลงมา โดยให้ มคี วามชันคงที่จนกระทัง่ สัมผัสกับจุดสุดท้ ายของพื้นที่ๆ สอดคล้ องกับข้ อกาหนด
จุดดังกล่าวจะเป็ นจุดที่เป็ นผลลัพธ์ท่ตี ้ องการ คือ จุดที่สามารถผลิตผลิตภัณฑ์ได้ ตามต้ องการในราคาต้ นทุน
ต่าสุด ดังภาพที่ 4.11
~ 198 ~
ภาพที่ 4.10 แผนภูมเิ ส้นตรงของแต่ละข้ อกาหนด และพื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมดของตัวอย่างที่

4.3 (ดัดแปลงจาก Edwardson and Mac Cormac, 1984 โดยสร้ างแผนภูมดิ ้ วยเวบไซด์
www.phpsimplex.com) )
ภาพที่ 4.11 แผนภูมเิ ส้ นตรงของแต่ละข้ อกาหนด พื้นที่ๆ สอดคล้ องกับข้ อกาหนดทั้งหมด Isocost line
และจุดที่มตี ้ นทุนต่าสุด ของตัวอย่างที่ 4.3 (ดัดแปลงจาก Edwardson and Mac Cormac, 1984
โดยสร้ างแผนภูมดิ ้ วยเวบไซด์ www.phpsimplex.com) )
~ 199 ~
จากภาพที่ 4.11 จุดที่มตี ้ นทุนต่าสุด คือ จุดตัดระหว่างข้ อกาหนดโปรตีนและไขมัน ดังนั้นการ

คานวณหาตาแหน่งของจุดดังกล่าวสามารถทาได้ ดงั นี้
โปรตีน ; X + Y = 0.5 . . . (1)
ไขมัน ; 2.5 X + Y = 1 . . . (2)
(2) - (1) 1.5 X = 0.5
X = 0.5/1.5
= 0.333
แทนค่า X ที่ได้ ในสมการใดสมการหนึ่ง เพื่อหาค่า Y ซึ่ง ในที่น้ จี ะแทนค่าลงในสมการ (1)
0.33 + Y = 0.5
Y = 0.5 - 0.333
= 0.167
เมื่อแทนค่า X และ Y ที่ได้ ในสมการเป้ าหมายหลัก จะได้
ราคาต้ นทุนการผลิต (Q) = 20 X + 10 Y + 40
= 20 (0.333) + 10 (0.167) + 40
= 48.33 บาท (ต่อ 10 กิโลกรัม)
ส่วนค่า Z สามารถคานวณได้ จาก ค่า X และ Y ดังนี้ คือ
Z = 1- X – Y
= 1 – 0.333 – 0.167
= 0.5
ซึ่งการผลิตโดยใช้ ปริมาณแป้ งถั่ว แป้ งธัญพืช และแป้ งพืชหัว ณ จุดต้ นทุนต่าสุดนี้ จะได้ ผลิตภัณฑ์ท่มี ี
คุณค่าทางโภชนาการ ดังนี้
โปรตีน; 50 X + 50 Y + 0 Z = 50 (0.333) + 50 (0.167) + 0 = 25
ไขมัน ; 25 X + 10 Y + 0 Z = 25 (0.333) + 10 (0.167) + 0 = 9.995
ใยอาหารและเถ้ า ; 10 X + 40 Y + 10 Z = 10 (0.333) + 40 (0.167) + 10 (0.5) = 15.01

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูลเพื่อหาผลลัพธ์สาหรับโปรแกรมเส้ นตรงโดยการสร้ าง
แผนภูมใิ นที่น้ ี จะขอกล่าวถึงเพียง 2 กรณี คือ การใช้ คาสัง่ Solver โปรแกรมไมโครซอฟท์เอกซ์เซล และ การ
หาผลลัพธ์ออนไลน์ในเวบไซด์ www.phpsimplex.com
~ 200 ~
4.2.1.1 การใช้คาสัง่ Solver ในโปรแกรมไมโครซอฟท์เอกซ์เซล

เมื่อเปิ ดโปรแกรมไมโครซอฟท์เอกซ์เซลขึ้นมา คาสั่ง “Solver” จะอยู่ในแถบคาสั่ง “ข้ อมูล” ในส่วน
ของ “Analysis” (ด้ านบนชวาของหน้ าจอ) ในกรณีท่ไี ม่พบคาสั่งดังกล่าว ให้ ทาตามขั้นตอนดังต่อไปนี้
1. คลิกแถบคาสั่ง “แฟ้ ม” แล้ วคลิกคาสั่ง “ตัวเลือก”
2. กล่อง “ตัวเลือกของ Excel” จะปรากฏขึ้น คลิก “Add-in”
3. รายละเอียดของ Add-in จะปรากฏขึ้น คลิก “ไป” ด้ านท้ าย “จัดการ: Add-in ของ Excel”
ทางด้ านล่างของกล่อง “ตัวเลือกของ Excel”
4. กล่อง “Add-in” จะปรากฏขึ้น คลิกเติมเครื่องหมาย  ที่ “Solver Add-in” แล้ วคลิก
“ตกลง”
เมื่อต้ องการวิเคราะห์ข้อมูลตัวอย่างที่ 4.2 ให้ ทาตามขั้นตอนดังต่อไปนี้

1. พิมพ์ข้อมูลในแผ่นงานดังภาพที่ 4.12
2. คลิกคาสั่ง “Solver”
3. กล่อง “Solver Parameters” จะปรากฏขึ้น
4. เลือกเซลล์ท่เี ป็ นค่าเป้ าหมาย โดยคลิกปุ่ มท้ ายช่องหรือในช่อง “Set Objective:” แล้ วเลื่อน
Cursor มาไว้ ท่เี ซลล์ D1 และ Enter
5. ที่ช่อง “Set Objective:” จะมี $D$1 ปรากฏขึ้น
6. คลิกเลือกเป้ าหมาย ซึ่งในตัวอย่างที่ 4.2 คือ “Min”
7. เลือกเซลล์ท่เี ป็ นตัวแปร โดยคลิกปุ่ มท้ ายช่องหรือในช่อง “By Changing Variable Cells:”
แล้ วเลื่อน Cursor มาไว้ ทเ่ี ซลล์ A1:B1 และ Enter
8. ที่ช่อง “By Changing Variable Cells:” จะมี $A$1:$B$1 ปรากฏขึ้น
9. คลิก “Add”
10. กล่อง “Add Constraint” จะปรากฏขึ้น คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ ว
เลื่อน Cursor มาไว้ ท่เี ซลล์ A1
11. ที่ช่อง “Cell Reference:” จะมี $A$1 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น > และพิมพ์
0 ในช่อง “Constraint:” และคลิก “Add”
12. คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ B1
13. ที่ช่อง “Cell Reference:” จะมี $B$1 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น > และพิมพ์
14. คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ D2
15. ที่ช่อง “Cell Reference:” จะมี $D$2 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น > และพิมพ์
~ 201 ~
60 ในช่อง “Constraint:” และคลิก “OK”
24. ที่ช่อง “Subject to Constraints:” จะมี $A$1 > 0, $B$1 > 0, $D$2 > 40, $D$3 > 50,
$D$4 > 70, $D$5 > 10 และ $D$6 > 60 ปรากฏขึ้น
25. คลิกเลือก Select a Solving Method: เป็ น “Simplex LP”
26. คลิก “Solve”
27. จะได้ คาตอบของ X, Y และ ต้ นทุนต่าสุด ปรากฏขึ้นที่เซลล์ A1, B1 และ D1 ตามลาดับ พร้ อม
กับกล่อง “Solver Results” ซึ่งให้ เลือกว่าต้ องการเก็บผลลัพธ์ท่ไี ด้ ไว้ บนแผ่นงานหรือกลับไปที่
ข้ อมูลที่พิมพ์ไว้ เดิม โดยโปรแกรมจะเลือกให้ เก็บผลลัพธ์ท่ไี ด้ ไว้ หากไม่ต้องการเปลี่ยนแปลง
คลิก “OK” กล่อง “Solver Results” จะหายไป
ผลการวิเคราะห์ท่ไี ด้ แสดงดังภาพที่ 4.13 ซึ่งพบว่า จุดที่ต้นทุนต่าสุดคือ X = 142.85, Y = 514.29

และต้ นทุนต่าสุด คือ 182.86 บาท และผลิตภัณฑ์ท่ไี ด้ จะมีวิตามินเอ 40 กรัม วิตามินบี 105.7 กรัม วิตามิน
ซี 108.5 กรัม วิตามินดี 65.7 กรัม และวิตามินอี 60 กรัม
A B C D
1 1 1 Cost = 0.2*A1 + 0.3*B1
2 (X) (Y) a = 0.1*A1 + 0.05*B1
3 b = 0.2*A1 + 0.15*B1
4 c = 0.04*A1 + 0.2*B1
5 d = 0.1*A1 + 0.1*B1
6 e = 0.06*A1 + 0.1*B1
ภาพที่ 4.12 การพิมพ์ข้อมูลในแผ่นงานสาหรับการใช้ คาสัง่ Solver ของตัวอย่างที่ 4.2
~ 202 ~
A B C D
1 142.86 514.29 Cost 182.86
2 (X) (Y) a 40
3 b 105.7
4 c 108.6
5 d 65.7
6 e 60
ภาพที่ 4.13 ผลลัพธ์ของการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.2
เมื่อต้ องการวิเคราะห์ข้อมูลตัวอย่างที่ 4.3 ให้ ทาตามขั้นตอนดังต่อไปนี้

4. เลือกเซลล์ท่เี ป็ นค่าเป้ าหมาย โดยคลิกปุ่ มท้ ายช่องหรือในช่อง “Set Objective:” แล้ วเลื่อน
Cursor มาไว้ ท่เี ซลล์ D1 และ Enter
5. ที่ช่อง “Set Objective:” จะมี $D$1 ปรากฏขึ้น
6. คลิกเลือกเป้ าหมาย ซึ่งในตัวอย่างที่ 4.3 คือ “Min”
7. เลือกเซลล์ท่เี ป็ นตัวแปร โดยคลิกปุ่ มท้ ายช่องหรือในช่อง “By Changing Variable Cells:”
แล้ วเลื่อน Cursor มาไว้ ทเ่ี ซลล์ A1:B1 และ Enter
8. ที่ช่อง “By Changing Variable Cells:” จะมี $A$1:$B$1 ปรากฏขึ้น
15. ที่ช่อง “Cell Reference:” จะมี $D$2 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น < และพิมพ์
0.5 ในช่อง “Constraint:” และคลิก “Add”
~ 203 ~
21. ที่ช่อง “Cell Reference:” จะมี $D$5 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น < และพิมพ์
0.33 ในช่อง “Constraint:” และคลิก “OK”
22. ที่ช่อง “Subject to Constraints:” จะมี $A$1 > 0, $B$1 > 0, $D$2 < 1, $D$3 > 0.5,
$D$4 > 1 และ $D$5 < 0.33 ปรากฏขึ้น
25. จะได้ คาตอบของ X, Y และ ต้ นทุนต่าสุด ปรากฏขึ้นที่เซลล์ A1, B1 และ D1 ตามลาดับ พร้ อม
กับกล่อง Solver Results ซึ่งให้ เลือกว่าต้ องการเก็บผลลัพธ์ท่ไี ด้ ไว้ บนแผ่นงานหรือกลับไปที่
ข้ อมูลที่พิมพ์ไว้ เดิม โดยโปรแกรมจะเลือกให้ เก็บผลลัพธ์ท่ไี ด้ ไว้ หากไม่ต้องการเปลี่ยนแปลง
คลิก “OK” กล่อง “Solver Results” จะหายไป
ผลการวิเคราะห์ท่ไี ด้ จะแสดงดังภาพที่ 4.15 ซึ่งพบว่า จุดที่ต้นทุนต่าสุดคือ X = 0.333, Y = 0.167
และต้ นทุนต่าสุด คือ 48.33 บาท
A B C D
1 1 1 Cost = 20*A1+10*B1+40
2 (X) (Y) X+Y = A1+B1
3 Protein = A1+B1
4 Fat = 2.5*A1+B1
5 Fiber + Ash = B1
ภาพที่ 4.14 การพิมพ์ข้อมูลในแผ่นงาน สาหรับการใช้ คาสัง่ Solver ของตัวอย่างที่ 4.3
A B C D
1 0.333 0.167 Cost 48.33
2 (X) (Y) X+Y 0.5
3 Protein 0.5
4 Fat 1
5 Fiber + Ash 0.167
ภาพที่ 4.15 ผลลัพธ์ของการใช้ คาสั่ง Solver ของตัวอย่างที่ 4.3
~ 204 ~
4.2.1.2 การหาผลลัพธ์ออนไลน์ในเวบไซด์ www.phpsimplex.com

เมื่อต้ องการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com โดยใช้ ข้อมูลของตัวอย่างที่
4.2 มีข้นั ตอนดังต่อไปนี้
1. เปิ ดเวบไซด์ www.phpsimplex.com
2. เลื่อน Cursor มาที่ Idioma (ด้ านชวาของหน้ าจอ) คลิกเลือก English
3. หน้ าเพจจะเปลี่ยนเป็ นภาษาอังกฤษ
4. คลิกลิงค์ “PHPSimplex” หรือ ปุ่ ม “PHPSimplex tool” ที่ย่อหน้ าแรกของข้ อความ (ด้ านซ้ าย
ของหน้ าจอ)
5. หน้ าจอจะเปลี่ยนเป็ นเพจ PHPSimplex
6. คลิกเปลี่ยน Method: เป็ น “Graphical”
7. จะมี 2 ปรากฏขึ้นในช่อง “How many decision variables are the problem?”
8. เติมจานวนข้ อกาหนด คือ 5 ลงในช่อง “How many constraints?”
9. คลิก “Continue”
10. หน้ าจอจะเปลี่ยนเป็ นเพจ Graphical method
11. คลิกเลือก Which is the objective of the function? เป็ น “Minimize”
12. พิมพ์สมั ประสิทธิ์ของแบบจาลองเป้ าหมายหลัก คือ 0.2 สาหรับ X1 และ 0.3 สาหรับ X2
13. พิมพ์สมั ประสิทธิ์ เลือกเครื่องหมาย และค่าที่กาหนดของแบบจาลองข้ อกาหนดแต่ละแบบจาลอง
ดังนี้ คือ
0.1 X1 + 0.05 X2 > 40
0.2 X1 + 0.15 X2 > 50
0.04 X1 + 0.2 X2 > 70
0.1 X1 + 0.1 X2 > 10
0.06 X1 + 0.1 X2 > 60
14. คลิก “Continue” จะได้ ผลการคานวณเป็ นแผนภูมแิ ละตารางดังภาพที่ 4.16 และ ตารางที่ 4.8
จุดที่มตี ้ นทุนต่าสุด คือ จุด D ซึ่งมีค่า X1 (X) = 142.86, X2 (Y) = 514.29 และ Z
(เป้ าหมายหลัก คือ ต้ นทุนต่าสุด) = 182.86 บาท
15. หากเพจไม่แสดงผลการคานวณดังที่กล่าวในข้ อ 14 แต่แสดงเป็ น
“The Problem is converted to caconical form …”
คลิก “Direct Solution” (ด้ านล่างตรงกลางของหน้ าจอ) ผลการคานวณจะแสดงเป็ นค่าของ Z
(เป้ าหมายหลัก คือ ต้ นทุนต่าสุด), X1(X) และ X2(Y) เท่ากับ 182.86, 142.86 และ 514.29
~ 205 ~
ภาพที่ 4.16 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com ของตัวอย่างที่ 4.2
ตารางที่ 4.8 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com ของตัวอย่างที่ 4.2
Point X coordinate (X1) Y coordinate (X2) Value of the objective function (Z)
O 0 0 0
A 0 800 240
B 400 0 80
C 250 300 140
D 142.86 514.29 182.86
E 0 333.33 100
F 250 0 50
G 0 350 105
H 1750 0 350
I 625 225 192.5
J 0 100 30
K 100 0 20
L 0 600 180
M 1000 0 200
~ 206 ~
เมื่อต้ องการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com โดยใช้ ข้อมูลของตัวอย่างที่

4.3 มีข้นั ตอนดังต่อไปนี้
1. เปิ ดเวบไซด์ www.phpsimplex.com
2. เลื่อน Cursor มาที่ Idioma (ด้ านชวาของหน้ าจอ) คลิกเลือก English
3. หน้ าเพจจะเปลี่ยนเป็ นภาษาอังกฤษ
4. คลิกลิงค์ “PHPSimplex” หรือ ปุ่ ม “PHPSimplex tool” ที่ย่อหน้ าแรกของข้ อความ (ด้ านซ้ าย
ของหน้ าจอ)
5. หน้ าจอจะเปลี่ยนเป็ นเพจ PHPSimplex
6. คลิกเปลี่ยน Method: เป็ น “Graphical”
7. จะมี 2 ปรากฏขึ้นในช่อง “How many decision variables are the problem?”
8. เติมจานวนข้ อกาหนด คือ 4 ลงในช่อง “How many constraints?”
9. คลิก “Continue”
10. หน้ าจอจะเปลี่ยนเป็ นเพจ Graphical method
11. คลิกเลือก Which is the objective of the function? เป็ น “Minimize”
12. พิมพ์สมั ประสิทธิ์ของแบบจาลองเป้ าหมายหลัก คือ 20 สาหรับ X1 และ 10 สาหรับ X2
13. พิมพ์สมั ประสิทธิ์ เลือกเครื่องหมาย และค่าที่กาหนดของแบบจาลองข้ อกาหนดแต่ละแบบจาลอง
ดังนี้ คือ
1 X1 + 1 X2 < 1
1 X1 + 1 X2 > 0.5
2.5 X1 + 1 X2 > 1
0 X1 + 1 X2 < 0.33
14. คลิก “Continue” จะได้ ผลการคานวณเป็ นแผนภูมแิ ละตารางดังภาพที่ 4.17 และ ตารางที่ 4.9
จุดที่มตี ้ นทุนต่าสุด คือ จุด F ซึ่งมีค่า X1 (X) = 0.333, X2 (Y) = 0.167 และ Z (เป้ าหมาย
หลัก คือ ต้ นทุนต่าสุด) = 8.33 บาท เนื่องจากในสมการเป้ าหมายหลักของเวบไซด์
www.phpsimplex.com ไม่สามารถเพิ่มพจน์ + 40 เข้ าไปได้
15. หากเพจไม่แสดงผลการคานวณดังที่กล่าวในข้ อ 14 แต่แสดงเป็ น
“The Problem is converted to caconical form …”
คลิก “Direct Solution” (ด้ านล่างตรงกลางของหน้ าจอ) ผลการคานวณจะแสดงเป็ นค่าของ Z
(เป้ าหมายหลัก คือ ต้ นทุนต่าสุด) , X1(X) และ X2(Y) เท่ากับ 8.33, 0.333 และ 0.167
ตามลาดับ เนื่องจากในสมการเป้ าหมายหลักของเวบไซด์ www.phpsimplex.com ไม่สามารถ
เพิ่มพจน์ + 40 เข้ าไปได้
~ 207 ~
ภาพที่ 4.17 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com ของตัวอย่างที่ 4.3
ตารางที่ 4.9 ผลการวิเคราะห์ข้อมูลออนไลน์ในเวบไซด์ www.phpsimplex.com ของตัวอย่างที่ 4.3
Point X coordinate (X1) Y coordinate (X2) Value of the objective function (Z)
O 0 0 0
A 0 1 10
B 1 0 20
C 0.67 0.33 16.7
D 0 0.5 5
E 0.5 0 10
F 0.333333 0.166667 8.333333
G 0.17 0.33 6.7
H 0.4 0 8
I 0.268 0.33 8.66
J 0 0.33 3.3
~ 208 ~
4.2.2 แบบราลองวิศวกรรมส่วนกลับ (Reverse engineering model)

Howard R. Moskowitz ได้ นาหลักการของโปรแกรมเส้ นตรงมาใช้ เพื่อสร้ างความสัมพันธ์ (inter-
relate) ระหว่างข้ อมูลด้ านต่างๆ ของผลิตภัณฑ์ท่ไี ด้ จากการทดลอง เพื่อใช้ สาหรับบ่งชี้ (identify) ระดับของตัว
แปรหรือส่วนผสมที่มคี วามสาคัญต่อลักษณะต่างๆ ของผลิตภัณฑ์ท่สี นใจ โดยการมองย้ อนกลับจากลักษณะ
ของผลิตภัณฑ์ท่ตี ้ องการไปสูป่ ัจจัยในการผลิตที่มผี ลต่อลักษณะนั้นๆ เทคนิคนี้ถูกเรียกว่า วิศวกรรมส่วนกลับ
(Reverse engineering model) และมีข้นั ตอนการดาเนินการดังต่อไปนี้ (Moskowitz, 1994)
1. การรวบรวมข้ อมูล (collect data) ในด้ านต่างๆ ของผลิตภัณฑ์ท่ไี ด้ จากการทดลอง
2. การสร้ างความสัมพันธ์ในรูปของแบบจาลองระหว่างตัวแปรต้ น (ปริมาณของส่วนผสมที่ใช้ ตาม
การทดลองที่วางไว้ ) และตัวแปรตาม (ซึ่งได้ แก่ ความชอบของผู้บริโภค ลักษณะทางประสาท
สัมผัส คุณสมบัตทิ างกายภาพหรือเคมี ส่วนผสม และ ภาพลักษณ์ของผลิตภัณฑ์ เป็ นต้ น) ใน
กรณีท่มี ขี ้ อมูลจานวนไม่มากควรเลือกใช้ แบบจาลองเส้นตรง แต่หากมีข้อมูลจานวนมากอาจ
พิจารณาเลือกใช้ แบบจาลองอื่นที่เหมาะสมกว่า
3. การกาหนดเป้ าหมายที่ต้องการ
4. การหาระดับของส่วนผสมที่สอดคล้ องกับเป้ าหมายที่กาหนด
5. การพิจารณาสมบัตหิ รือลักษณะของผลิตภัณฑ์ด้านต่างๆ ของผลิตภัณฑ์เป้ าหมาย
ข้ อดีของเทคนิควิศวกรรมส่วนกลับ คือ ทาให้ นักพัฒนาผลิตภัณฑ์สามารถปรับเปลี่ยนระดับของตัว

แปรต้ น (ปริมาณของส่วนผสม) เพื่อให้ ได้ ผลิตภัณฑ์ท่มี ีสมบัติหรือลักษณะตรงตามหรือใกล้ เคียงกับที่กาหนด
ไว้ ภายใต้ ข้อกาหนดต่างๆ และยังช่วยให้ สามารถประยุกต์ใช้ ข้อมูลจากการวัดคุณสมบัติของผลิตภัณฑ์ด้าน
ต่างๆ โดยเครื่องมือเพื่อการคาดคะเนการยอมรับของผู้บริโภคได้ อกี ด้ วย ส่วนข้ อจากัดของเทคนิคนี้ คือ
ต้ องการข้ อมูลที่ดแี ละมีจานวนมากพอในการสร้ างแบบจาลองความสัมพันธ์ และการเพิ่มจานวนเป้ าหมายหรือ
ข้ อกาหนดจะทาให้ การหาผลลัพธ์ท่นี ่าพอใจยากมากขึ้น หรือในบางกรณีอาจไม่สามารถพบผลลัพธ์ท่นี ่าพอใจ
ได้ เลย และหากมีการให้ ความสาคัญกับเป้ าหมายแตกต่ างกัน จะต้ องมีวิธีการพิจารณาผลลัพธ์ท่ซี ับซ้ อน
มากขึ้น ตัวอย่ างผลิตภัณฑ์อาหารที่ Moskowitz นาเทคนิควิศวกรรมส่วนกลับมาใช้ ในการพั ฒนาผลิตภัณฑ์
ได้ แก่ อาหารเช้ าจากธัญชาติ นา้ ผลไม้ และ พาสต้ าซอส เป็ นต้ น
~ 209 ~
การทดลองผลิตผลิตภัณฑ์ชนิดหนึ่งโดยการแปรส่วนผสม 3 ชนิด คือ X1, X2, X3 และนาผลิตภัณฑ์ท่ี
ได้ มาทดสอบคุณภาพและภาพลักษณ์ด้านต่างๆ ได้ ผลดังตารางที่ 4.10
ตารางที่ 4.10 ผลการทดลองแปรส่วนผสม 3 ชนิดต่อคุณภาพและภาพลักษณ์ด้านต่างๆ ของผลิตภัณฑ์
ความ ความเข้ ม ความ ความ

ความ เข้ ม ของ แน่น ความ ดีต่อ ปริมาณ ตั้งใจ
X1 X2 X3 ชอบ ของสี กลิ่นรส เนื้อ มัน สุขภาพ แคลอรี ซื้อ
1 1 1 63 37 52 34 52 45 55 20
1 1 1 54 39 52 37 49 40 60 18
1 1 -1 56 43 99 66 59 40 65 15
1 1 -1 56 40 93 74 47 40 48 13
1 -1 1 49 34 33 24 12 71 17 41
1 -1 1 52 34 31 23 12 62 15 32
1 -1 -1 44 39 70 39 13 56 18 35
1 -1 -1 40 44 65 45 11 60 16 38
-1 1 1 51 54 41 52 42 35 70 10
-1 1 1 53 50 45 49 45 30 75 11
(-1 หมายถึง การใช้ ส่วนผสมดังกล่าวในระดับต่า 1 หมายถึง การใช้ ส่วนผสมดังกล่าวระดับสูง)
กรุณาหาปริมาณส่วนผสมทั้ง 3 ชนิดที่ทาให้ ได้ ผลิตภัณฑ์ท่มี ลี ักษณะในแต่ละกรณีต่อไปนี้

1. ผลิตภัณฑ์ท่มี คี ะแนนดีต่อสุขภาพมากกว่าหรือเท่ากับ 60 และได้ รับคะแนนความชอบสูงสุด
2. ผลิตภัณฑ์ท่มี คี ะแนนดีต่อสุขภาพมากกว่าหรือเท่ากับ 50 ได้ รบั คะแนนความชอบมากว่าหรือเท่ากับ 50
และมีคะแนนความตั้งใจซื้อสูงสุด
3. ผลิตภัณฑ์ท่มี คี ะแนนดีต่อสุขภาพมากว่าหรือเท่ากับ 60 ความเข้ มของกลิ่นรสมากกว่าหรือเท่ากับ 60 และ
มีปริมาณแคลอรีต่าสุด
วิธีทา
ขั้นตอนที่ 1 การสร้ างแบบจาลองแสดงความสัมพันธ์ระหว่างตัวแปรต้ น (ส่วนผสม 3 ชนิด) และคุณภาพหรือ
ภาพลักษณ์ต่างๆ ของผลิตภัณฑ์ด้วยโปรแกรมไมโครซอฟท์เอกซ์เซลโดยใช้ แมโคร DSAASTAT ใน
ไฟล์ DSAASTAT.XLS (กรณีไม่มไี ฟล์ดงั กล่าว กรุณาดูช่ อื เวบไซด์สาหรับการดาวน์โหลดฟรี ใน
บทที่ 2 หัวข้ อ 2.2.9.1 หน้ า 127)
~ 210 ~
เมื่อต้ องการวิเคราะห์ข้อมูล ให้ เริ่มต้ นจากการพิมพ์ข้อมูลตามตารางที่ 4.10 ลงในแผ่นงาน (ใน

ที่น้ ใี ช้ เซลล์ A1:K11) จากนั้นทาตามขั้นตอนดังต่อไปนี้
5. กล่อง “Select data” จะปรากฏขึ้น เลือกเซลล์ข้อมูลที่ต้องการวิเคราะห์รวมชื่อตัวแปรในแถว
แรก (A1:K11) และคลิก “OK”
7. กล่อง “Variable choice” จะปรากฏขึ้น เลือกคุณภาพหรือภาพลักษณ์ผลิตภัณฑ์ท่ตี ้ องการ
วิเคราะห์มา 1 ตัวแปร (เช่น ความชอบ ในตัวอย่างที่ 4.4) ใส่ในช่อง “Dependent variable
(Y)” (โดยคลิกที่เครื่องหมายลูกศรด้ านขวาของช่อง “Dependent variable (Y)” และเลื่อนลง
ไปคลิกที่ตวั แปรดังกล่าว)
8. เลือกปัจจัยที่ต้องการศึกษา (ในตัวอย่างที่ 4.4 มี 3 ตัวแปร คือ X1, X2, X3) ใส่ในช่อง
“Independent variables (X)” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัว
แปรตัวถัดไปจนครบ)
เมื่อคลิก “OK” แล้ ว ผลการคานวณจะปรากฏในแผ่นงาน (Sheet) ถัดไป ซึ่งสามารถพิจารณาผลการ

คานวณได้ ท่ตี าราง PARAMETER ESTIMATES ดังตารางที่ 4.11 โดยในที่น้ จี ะพิจารณาเลือกพจน์ท่มี ี
นัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นร้ อยละ 90 ขึ้นไป (p<0.10) ไว้ ในแบบจาลอง (โดยทั่วไปนิยมเลือก p <
0.05) ดังนั้นแบบจาลองสาหรับคะแนนความชอบในที่น้ ี จึงได้ เป็ นสมการต่อไปนี้
ความชอบ = 47.75 + (4*X1) + (5.5*X2) + (2.75*X3)
ตารางที่ 4.11 ผลการคานวณโดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลสาหรับคะแนนความชอบ


Intercept 47.750 1.631 29.269 0.000
X1 4.000 1.631 2.452 0.050
X2 5.500 1.233 4.460 0.004
X3 2.750 1.233 2.230 0.067
สาหรับแบบจาลองของคุณภาพและภาพลักษณ์อ่นื ๆ สามารถหาได้ ในลักษณะเดียวกันกับความชอบ

เพียงแต่เปลี่ยน Dependent variable (Y) จากความชอบเป็ นตัวแปรที่ต้องการ ซึ่งจะได้ แบบจาลองทั้งหมด
~ 211 ~
ความชอบ = 47.75 + (4*X1) + (5.5*X2) + (2.75*X3)

ความเข้ มของสี = 46.25 + (-7.5*X1) + (-2.75*X3)
ความเข้ มข้ นของกลิ่นรส = 56.31 + (5.56*X1) + (12.13*X2) + (-19.88*X3)
ความแน่นเนื้อ = 48.3 + (-5.5*X1) + (10*X2) + (-13.3*X3)
ความมัน = 28.06 + (3.81*X1) + (19.88*X2)
ดีต่อสุขภาพ = 46 + (5.75*X1) + (-10.5*X2) + (2.75*X3)
ปริมาณแคลอรี = 44.5 + (-7.75*X1) + (20.25*X2)
ความตั้งใจซื้อ = 22.88 + (3.63*X1) + (-10*X2)
ขั้นตอนที่ 2 การใช้ คาสั่ง “Solver” เพื่อหาระดับของส่วนผสมที่สอดคล้ องกับค่าเป้ าหมาย (ในกรณีท่ไี ม่พบ

คาสั่ง “Solver” อยู่ในแถบคาสั่ง “ข้ อมูล” ในส่วนของ “Analysis” ให้ ทาตามขั้นตอนในหัวข้ อ
4.2.1.1 หน้ า 201) และเมื่อต้ องการวิเคราะห์ข้อมูลตัวอย่างที่ 4.4 ให้ ทาตามขั้นตอนดังต่อไปนี้
4. เลือกเซลล์ท่เี ป็ นค่าเป้ าหมาย (ต้ องการให้ มคี ่าสูงสุด ต่าสุด หรือ ค่าที่กาหนด) โดยคลิกปุ่ มท้ าย
ช่องหรือในช่อง “Set Objective:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ดงั กล่าว (สาหรับกรณีท่ี 1
ผลิตภัณฑ์ท่มี คี ะแนนดีต่อสุขภาพมากกว่าหรือเท่ากับ 60 และได้ รับคะแนนการยอมรับสูงสุด
เซลล์เป้ าหมาย คือ E (เซลล์ท่พี ิมพ์แบบจาลองความชอบ)) และ Enter
5. ที่ช่อง “Set Objective:” จะมี $E$1 ปรากฏขึ้น
6. คลิกเลือกเป้ าหมาย ซึ่งในที่น้ ี คือ “Max”
7. เลือกเซลล์ท่เี ป็ นตัวแปร โดยคลิกปุ่ มท้ ายช่องหรือในช่อง “By Changing Variable Cells:” แล้ ว
เลื่อน Cursor มาไว้ ท่เี ซลล์ A1:C1 (เซลล์ท่พี ิมพ์ค่า X1, X2 และ X3) และ Enter
8. ที่ช่อง “By Changing Variable Cells:” จะมี $A$1:$C$1 ปรากฏขึ้น
11. ที่ช่อง “Cell Reference:” จะมี $A$1 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น < และพิมพ์ 1
ในช่อง “Constraint:” และคลิก “Add”
12. คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ A1
-1 ในช่อง “Constraint:” และคลิก “Add”
15. ที่ช่อง “Cell Reference:” จะมี $B$1 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น < และพิมพ์ 1
18. คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ C1
~ 212 ~
19. ที่ช่อง “Cell Reference:” จะมี $C$1 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น < และพิมพ์ 1
20. คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ C1
21. ที่ช่อง “Cell Reference:” จะมี $C$1 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น > และพิมพ์
22. คลิกปุ่ มท้ ายช่องหรือในช่อง “Cell Reference:” แล้ วเลื่อน Cursor มาไว้ ท่เี ซลล์ E6 (เซลล์ท่ี
พิมพ์แบบจาลองดีต่อสุขภาพ)
23. ที่ช่อง “Cell Reference:” จะมี $E$6 ปรากฏขึ้น คลิกเปลี่ยนเครื่องหมายเป็ น > และพิมพ์
60 ในช่อง “Constraint:” และคลิก “OK”
24. ที่ช่อง “Subject to Constraints:” จะมี $A$1 < 1, $A$1 > -1, $B$1 < 1, $B$1 > -1,
$C$1 < 1, $C$1 > -1 และ $E$6 > 60 ปรากฏขึ้น
27. จะได้ คาตอบของ X1, X2, X3 และคุณภาพหรือภาพลักษณ์ต่างๆ ปรากฏขึ้นที่เซลล์ A1, B1, C1
และ E1:E8 ตามลาดับ พร้ อมกับกล่อง “Solver Results” ซึ่งให้ เลือกว่าต้ องการเก็บผลลัพธ์ท่ไี ด้
ไว้ บนแผ่นงานหรือกลับไปที่ข้อมูลที่พิมพ์ไว้ เดิม โดยโปรแกรมจะเลือกให้ เก็บผลลัพธ์ท่ไี ด้ ไว้
หากไม่ต้องการเปลี่ยนแปลง กด OK กล่อง Solver Results จะหายไป และผลการวิเคราะห์
ข้ อมูลที่ได้ แสดงดังภาพที่ 4.19
A B C D E
1 1 1 1 ความชอบ = 47.75 + (4*A1) + (5.5*B1) + (2.75*C1)
2 (X1) (X2) (X3) ความเข้ มาของสี = 46.25 + (-7.5*A1) + (-2.75*C1)
3 ความเข้ มของกลิ่นรส = 56.31 + (5.56*A1) + (12.13*B1) + (-19.88*C1)
4 ความแน่นเนื้อ = 48.3 + (-5.5*A1) + (10*B1) + (-13.3*C1)
5 ความมัน = 28.06 + (3.81*A1) + (19.88*B1)
6 ดีต่อสุขภาพ = 46 + (5.75*A1) + (-10.5*B1) + (2.75*C1)
7 ปริมาณแคลอรี = 44.5 + (-7.75*A1) + (20.25*B1)
8 ความตั้งใจซื้อ = 22.88 + (3.63*A1) + (-10*B1)
ภาพที่ 4.18 การพิมพ์ข้อมูลในแผ่นงาน สาหรับการใช้ คาสัง่ Solver ของตัวอย่างที่ 4.4
~ 213 ~
A B C D E
1 1 -0.52 1 ความชอบ 51.6
2 (X1) (X2) (X3) ความเข้ มาของสี 36.0
3 ความเข้ มของกลิ่นรส 35.6
4 ความแน่นเนื้อ 24.3
5 ความมัน 21.5
6 ดีต่อสุขภาพ 60.0
7 ปริมาณแคลอรี 26.1
8 ความตั้งใจซื้อ 31.7
ภาพที่ 4.19 ผลการวิเคราะห์ข้อมูลโดยใช้ คาสั่ง Solver สาหรับกรณีท่ี 1 ของตัวอย่างที่ 4.4
สาหรับการวิเคราะห์ข้อมูลในกรณีท่ี 2 และ 3 สามารถทาได้ ในลักษณะเดียวกันกับกรณีท่ี 1 เพียงแต่

เปลี่ยนข้ อกาหนดไปตามแต่ละกรณี
(กรณีท่ี 2 - Set Objective: $E$8 เป็ น Max และ Add Constraint เป็ น $A$1 < 1, $A$1 > -1, $B$1 <
1, $B$1 > -1, $C$1 < 1, $C$1 > -1, $E$1 > 50 และ $E$6 > 50
ส่วนกรณีท่ี 3 - Set Objective: $E$7 เป็ น Min และ Add Constraint เป็ น $A$1 < 1, $A$1 > -1, $B$1
< 1, $B$1 > -1, $C$1 < 1, $C$1 > -1, $E$3 > 60 และ $E$6 > 60)
ซึ่งจะได้ ผลการวิเคราะห์ข้อมูลดังตารางที่ 4.20 และ 4.21 ตามลาดับ
A B C D E
1 1 -0.82 1 ความชอบ 50.0
~ 214 ~
A B C D E
1 1 -1 -0.52 ความชอบ 44.8
~ 215 ~
แบบราลองวิศวกรรมส่วนกลับ
การทดลองแปรปริมาณส่วนผสม 4 ชนิดในผลิตภัณฑ์เครื่องดื่มชนิดหนึ่ง และนาผลิตภัณฑ์ท่ี

ได้ จากการทดลองไปตรวจสอบคุณภาพด้ านต่างๆ พบว่า ได้ ผลดังตารางด้ านล่าง
X 1 X 2 X 3 X 4 ความชอบ ความใส ความเปรี้ยว ความหวาน ความหนืด

-1 -1 -1 -1 33 59 59 42 48
-1 -1 -1 1 39 38 62 59 67
-1 -1 1 -1 57 35 49 64 77
-1 -1 1 1 63 45 52 61 74
-1 1 -1 -1 44 33 51 58 64
-1 1 -1 1 49 11 54 75 80
-1 1 1 -1 51 9 41 83 93
-1 1 1 1 57 19 45 90 95
1 -1 -1 -1 33 85 74 41 34
1 -1 -1 1 39 64 87 57 52
1 -1 1 -1 57 61 64 62 72
1 -1 1 1 63 71 77 79 83
1 1 -1 -1 44 59 66 56 65
1 1 -1 1 49 37 79 73 83
1 1 1 -1 51 35 57 75 90
1 1 1 1 57 45 70 65 69
(-1 หมายถึง การใช้ ส่วนผสมดังกล่าวในระดับต่า 1 หมายถึง การใช้ ส่วนผสมดังกล่าว
ระดับสูง)
กรุณาวิเคราะห์ข้อมูลเพื่อหาส่วนผสมในกรณีต่อไปนี้ (โดยพิจารณาเลือกพจน์ท่มี นี ัยสาคัญทาง

สถิตทิ ่รี ะดับความเชื่อมั่นร้ อยละ 90 ขึ้นไป (p<0.10) ไว้ ในแบบจาลองเส้นตรงและกาลังสอง)
1. ส่วนผสมที่ทาให้ ได้ คะแนนการยอมรับสูงสุด
2. ส่วนผสมที่ทาให้ ได้ คะแนนการยอมรับสูงสุด และมีคะแนนความใสมากกว่าหรือ
เท่ากับ 70
~ 216 ~
4.3 มาตราพอดี (Just-right scale / Just about right scale; JAR)

มาตราพอดี เป็ นมาตราที่ใช้ วัดความต้ องการของผู้บริโภคที่มีต่อความเข้ มของลักษณะทางประสาท
สัมผัสที่สนใจของผลิตภัณฑ์ ซึ่งจัดเป็ นวิธกี ารหนึ่งที่รวมการวัดความชอบและความเข้ มของลักษณะที่สนใจ
เข้ าด้ วยกัน เพื่อให้ ได้ ข้อมูลสาหรับใช้ ในการปรับปรุงหรือพัฒนาผลิตภัณ ฑ์ตามความต้ องการของผู้บริโภค
ต่อไป มาตราพอดีอาจถูกแบ่งเป็ น 3 5 7 หรือ 9 ระดับ ดังตัวอย่างในภาพที่ 4.22
ในการวิเคราะห์ข้อมูลที่ได้ จากมาตราพอดี สิ่งแรกที่ควรทา คือ การสร้ างแผนภูมิแสดงความถี่
(Histogram) ของแต่ละลักษณะทางประสาทสัมผัสของตัวอย่างที่ทดสอบ เพื่อพิจารณาว่าผู้ทดสอบส่วนใหญ่มี
ความเห็นว่า ผลิตภัณฑ์มคี วามเข้ มของลักษณะทางประสาทสัมผัสที่สนใจอยู่ในระดับใด และ มีความแตกต่าง
ของผู้ทดสอบหรือไม่ หากพบว่า ยอดของแผนภูมิแสดงความถี่มีมากกว่า 1 ตาแหน่ง แสดงว่าผู้ทดสอบมี
ความชอบต่อลักษณะทางประสาทสัมผัสที่สนใจแตกต่างกัน เช่น มีส่วนหนึ่งชอบลักษณะที่เข้ ม ในขณะที่
อีกส่วนหนึ่งที่ชอบลักษณะที่อ่อนกว่า เป็ นต้ น ซึ่งในกรณีเช่นนี้ควรพิจารณาแยกข้ อมูลของแต่ละกลุ่มออกจาก
กัน เพื่อพิจารณาระดับความเข้ มที่ผ้ ทู ดสอบแต่ละกลุ่มต้ องการ โดยการวิเคราะห์ข้อมูลในกรณีมาตราพอดี 5
7 และ 9 ระดับ จะต้ องพิจารณาแปลงข้ อมูลเป็ นตัวเลข และนาข้ อมูลดังกล่าวมาวิเคราะห์ผลโดยการทดสอบ
ค่าที (t-test) ดังสมการ 4.3.1 เพื่อเปรียบเทียบค่าเฉลี่ยของลักษณะทางประสาทสัมผัสที่สนใจและระดับความ
เข้ มที่พอดี และสรุปว่ า ตัวอย่ างที่ทดสอบมีลักษณะทางประสาทสัมผัสที่สนใจในระดับพอดีสาหรับกลุ่ม
ผู้บริโภคที่ทดสอบ หรือ ควรปรับให้ มีความเข้ มมากขึ้นหรืออ่อนลง (Prinyawiwatkul and Waimaleongora-
EK, 2010)
ตัวอย่างมาตราพอดี (Just-right scale)
มาตรา 3 ระดับ   
(3 point scale) อ่อนหรือน้ อยไป พอดี เข้ มหรือมากไป
(Too weak) (Just-right) (Too strong)
มาตรา 5 ระดับ     
(5 point scale) สว่างไป พอดี มืดไป
(Too light) (Just-right) (Too dark)
มาตรา 7 ระดับ       
(7 point scale) อ่อนเกินไปมาก พอดี เข้ มเกินไปมาก
(Much too weak) (Just-right) (Much too strong)
มาตรา 9 ระดับ         
(9 point scale) ไม่หวานเลย พอดี หวานเกินไปมาก
(Not at all sweet enough) (Just-right) (Much too sweet)
ภาพที่ 4.22 มาตราพอดี (ดัดแปลงจาก Stone and Sidel, 1993)
~ 217 ~
( Mean   )
t ...(4.3.1)
S .D.
N
เมื่อ t คือ ค่าสถิตสิ าหรับการทดสอบค่าที

Mean คือ ค่าเฉลี่ยระดับความเข้ มของลักษณะทางประสาทสัมผัสที่สนใจ
μ คือ ค่าระดับความเข้ มที่พอดีของมาตราที่ใช้
S.D. คือ ส่วนเบี่ยงเบนมาตรฐาน (Standard deviation)
N คือ จานวนผู้ทดสอบ
หากค่าที ที่คานวณได้ ในกรณีท่จี านวนข้ อมูล (N) มากกว่า 30

- มีค่าน้ อยกว่า 1.96 (เมื่อไม่พิจารณาเครื่องหมาย +/-) แสดงว่า ลักษณะทางประสาทสัมผัสที่
สนใจนั้นมีความเข้ มโดยเฉลี่ยแตกต่างอย่างไม่มนี ัยสาคัญทางสถิตจิ ากระดับความเข้ มที่พอดี (p>0.05) หรือไม่
- มีค่ามากกว่าหรือเท่ากับ 1.96 (เมื่อไม่พิจารณาเครื่องหมาย +/-) แสดงว่า ลักษณะทางประสาท
สัมผัสที่สนใจนั้นมีความเข้ มโดยเฉลี่ยมากเกินไป (ในกรณีท่มี คี ่า +) หรือ ลักษณะทางประสาทสัมผัสนั้นมีความ
เข้ มโดยเฉลี่ยน้ อยเกินไป (ในกรณีท่มี คี ่า -) อย่างมีนัยสาคัญที่ระดับความเชื่อมั่นร้ อยละ 95 (p<0.05)
การวิเคราะห์ข้อมูลการใช้ มาตราพอดี 9 ระดับโดยแปลงข้ อมูลของลักษณะทางประสาทสัมผัสที่สนใจ
3 ลักษณะ เป็ น 1–9 เมื่อ 1 = ความเข้ มน้ อยเกินไปมาก 5 = ความเข้ มพอดี และ 9 = ความเข้ มมากเกินไป
มาก และนามาสร้ างแผนภูมแิ สดงความถี่ พบว่า มีลักษณะของแผนภูมดิ งั ภาพที่ 4.23
~ 218 ~
ภาพที่ 4.23 แผนภูมแิ สดงความถี่ผลการทดสอบทางประสาทสัมผัสโดยใช้ มาตราพอดีของตัวอย่างที่ 4.5
~ 219 ~
จากภาพที่ 4.23 พบว่า แผนภูมแิ สดงความถี่ของลักษณะทางประสาทสัมผัสที่ 1 และ 3 (Attribute

1 และ Attribute 3) มียอดของแผนภูมิเพียงตาแหน่งเดียว จึงสามารถเปรียบเทียบค่าเฉลี่ยของลักษณะทาง
ประสาทสัมผัสดังกล่าวและระดับความเข้ มที่พอดีโดยการทดสอบค่าทีได้
ส่วนลักษณะทางประสาทสัมผัสที่ 2 (Attribute 2) ซึ่งแผนภูมิแสดงความถี่มียอดอยู่สองตาแหน่ง คือ
5 และ 7 แสดงให้ เห็นถึงความแตกต่างของผู้ทดสอบ โดยมีผ้ ูทดสอบส่วนหนึ่งมีความเห็นว่า ความเข้ มของ
ลักษณะทางประสาทสัมผัสที่ 2 อยู่ในระดับที่พอดี (5) ในขณะที่มผี ้ ูทดสอบอีกส่วนหนึ่งมีความเห็นว่า ความ
เข้ มของลักษณะทางประสาทสัมผัสที่ 2 เข้ มมากเกินไป (7) นั้น หากต้ องการทดสอบค่าที อาจพิจารณาแบ่ง
ข้ อมูลออกเป็ น 2 กลุ่ม คือ กลุ่มที่ 1 (คะแนน 3–6 ซึ่งมีจานวนเท่ากับ 50 ค่าเฉลี่ยเท่ากับ 4.80 และส่วน
เบี่ยงเบนมาตรฐานเท่ากับ 0.90) และ กลุ่มที่ 2 (คะแนน 6–9 ซึ่งมีจานวนเท่ากับ 45 ค่าเฉลี่ยเท่ากับ 7.18
และส่วนเบี่ยงเบนมาตรฐานเท่ากับ 0.91) (โดยพิจารณาใช้ ความถี่คะแนน 6 ในการคานวณทั้งสองกลุ่ม
เพื่อให้ ข้อมูลมีลักษณะโค้ งระฆังคว่า)
วิธีทา
H0: ค่าเฉลี่ยระดับความเข้ มของลักษณะทางประสาทสัมผัสที่สนใจมีค่าเท่ากับระดับความเข้ มที่
พอดี (Mean = 5)
Ha: ค่าเฉลี่ยระดับความเข้ มของลักษณะทางประสาทสัมผัสที่สนใจมีค่าไม่เท่ากับระดับความเข้ มที่
พอดี (Mean  5)
2. การวิเคราะห์ข้อมูลโดยการทดสอบค่าที
- ลักษณะทางประสาทสัมผัสที่ 1
(5.39  5)
t1  = 2.61
1.38
85
(4.85  5)
t3  = -1.21
1.14
85
กลุ่มที่ 1 (คะแนน 3–6)
(4.80  5)
t 2,1  = -1.57
0.90
50
~ 220 ~
กลุ่มที่ 2 (คะแนน 6–9)

(7.18  5)
t 2, 2  = 16.07
0.91
45
จากผลการทดสอบค่าที จึงสามารถสรุปได้ ว่าลักษณะทางประสาทสัมผัสที่ 1 ซึ่งมีค่าทีเท่ากับ 2.61

(2.61 มากกว่า 1.96 และมีค่าบวก) หมายความว่า ลักษณะทางประสาทสัมผัสที่ 1 มีความเข้ มโดยเฉลี่ยมาก
เกินไปอย่างมีนัยสาคัญที่ระดับความเชื่อมั่นร้ อยละ 95 (p<0.05) จึงควรมีการปรับส่วนผสมในสูตรที่เกี่ยวข้ อง
กับลักษณะดังกล่าวให้ มปี ริมาณลดลง ในขณะที่ลักษณะทางประสาทสัมผัสที่ 3 ซึ่งมีค่าทีเท่ากับ -1.21
(1.21 น้ อยกว่า 1.96 แต่มคี ่าลบ) หมายความว่า ลักษณะทางประสาทสัมผัสที่ 3 มีความเข้ มโดยเฉลี่ยแตกต่าง
จากระดับความเข้ มที่พอดีอย่างไม่มนี ัยสาคัญที่ระดับความเชื่อมั่นร้ อยละ 95 (p>0.05) จึงไม่ควร
เปลี่ยนแปลงส่วนผสมในสูตรที่เกี่ยวข้ องกับลักษณะดังกล่าว สาหรับลักษณะทางประสาทสัมผัสที่ 2 นั้น อาจ
พิจารณาผลิตผลิตภัณฑ์เป็ น 2 สูตร คือ สูตรที่ใช้ ส่วนผสมที่เกี่ยวข้ องกับลักษณะดังกล่าวเท่าเดิม (สาหรับผู้
ทดสอบกลุ่มที่ 1) และ สูตรที่พิจารณาปรับส่วนผสมที่เกี่ยวข้ องกับลักษณะนี้ลง (สาหรับผู้ทดสอบกลุ่มที่ 2) แต่
หากจาเป็ นต้ องเลือกผลิตผลิตภัณฑ์เพียงสูตรเดียว อาจพิจารณาไม่เปลี่ยนแปลงส่วนผสมที่เกี่ยวข้ องกับลักษณะ
ทางประสาทสัมผัสที่ 2 เนื่องจากจานวนผู้ทดสอบที่ระบุว่า ลักษณะดังกล่าวนี้อยู่ในระดับพอดี มีสดั ส่วนที่
มากกว่าจานวนผู้ทดสอบที่ระบุว่า ลักษณะดังกล่าวมีความเข้ มไป (50 > 45)
ส่วนการวิเคราะห์ข้อมูลมาตราพอดี 3 ระดับ Stone and Sidel (1993) แนะนาว่า ไม่เหมาะสมที่จะ

นาข้ อมูลมาวิเคราะห์ผลโดยการทดสอบค่าที เนื่องจากข้ อมูลมีลักษณะเป็ นข้ อมูล ชนิดไม่ต่อเนื่อง (Discrete
data) มากกว่าข้ อมูลจากมาตราพอดี 5 7 และ 9 ระดับ จึงควรเลือกวิเคราะห์ข้อมูลโดยวิธกี ารใดวิธกี าร
หนึ่งใน 3 วิธี ต่อไปนี้ คือ
- วิธีที่ 1 การกาหนดเกณฑ์ท่จี ะยอมรับว่าผลิตภัณฑ์น้ันมีความเข้ มของลักษณะที่สนใจอยู่ในระดับ

พอดี ซึ่งโดยทั่วไปควรมีค่าประมาณร้ อยละ 70 หากผลการทดสอบพบว่า ผู้ทดสอบร้ อยละ 70 ขึ้นไประบุ
ว่าพอดี จะถือว่ามีเหตุผลเพียงพอที่จะไม่สนใจข้ อมูลส่วนที่เหลือ แต่ถ้าความถี่ของตัวเลือกพอดีไม่ถึงร้ อย
ละ 70 ให้ พิจารณาความแตกต่างของความถี่ของตัวเลือกน้ อยไปและมากไป โดยใช้ ตารางค่าวิกฤตสาหรับการ
ทดสอบความแตกต่างของตัวอย่าง 2 ตัวอย่ าง (p=1/2) เมื่อเป็ นการทดสอบสมมติฐานสองทาง (ตาราง
ภาคผนวกที่ 6) โดยใช้ จานวนผู้ทดสอบ (N) เท่ากับผลรวมความถี่ของตัวเลือกน้ อยไปและมากไป และใช้
ค่าความถี่ท่มี ากกว่ าเป็ นค่าเปรียบเทียบกับค่าวิกฤตจากตารางภาคผนวกที่ 6 ที่ระดับความเชื่อมั่นที่ต้องการ
(ส่วนใหญ่ใช้ ร้อยละ 95 หรือ =0.05) ถ้ าความถี่ท่นี ามาเปรียบเทียบมีค่ามากกว่าหรือเท่ากับค่าวิกฤตแสดง
ว่า ลักษณะทางประสาทสัมผัสที่สนใจมีความเข้ มอยู่ในระดับนั้น หากทาตามวิธีดังกล่ าวแล้ ว ยังไม่สามารถ
สรุปผลได้ ควรทาการทดลองเพิ่ม เพื่อให้ มจี านวนผู้ทดสอบมากขึ้นและนาข้ อมูลมาวิเคราะห์ผลใหม่อกี ครั้ง
- วิธีที่ 2 นาความถี่ของตัวเลือกพอดีมาเปรียบเทียบกับค่าวิกฤตที่ระดับความเชื่อมั่นที่ต้องการ
(ส่วนใหญ่ ใช้ ร้อยละ 95 หรือ =0.05) จากตารางภาคผนวกที่ 6 เมื่อจานวนผู้ทดสอบ (N) เท่ากับผู้
ทดสอบทั้งหมด ถ้ าไม่สามารถสรุปว่ า ลักษณะดังกล่ าวมีความเข้ มในระดับพอดี จึง พิ จารณาเปรียบเทียบ
ความถี่ของตัวเลือกน้ อยไปหรือมากไป โดยใช้ จานวนผู้ทดสอบ (N) เท่ากับผลรวมความถี่ของตัวเลือกน้ อยไป
และมากไป และใช้ ค่าความถี่ท่มี ากกว่ า เป็ นค่าเปรียบเทียบกับค่าวิกฤตที่ระดับความเชื่อมั่นที่ต้องการจาก
~ 221 ~
ตารางภาคผนวกที่ 6 ถ้ าความถี่ท่นี ามาเปรียบเทียบมีค่ามากกว่ าหรือเท่ากับค่าวิกฤตแสดงว่ า ลักษณะทาง

ประสาทสัมผัสที่สนใจมีความเข้ มอยู่ในระดับนั้น หากทาตามวิธดี ังกล่าวแล้ ว ยังไม่สามารถสรุปผลได้ ควร
ทาการทดลองเพิ่ม เพื่อให้ มจี านวนผู้ทดสอบมากขึ้นและนาข้ อมูลมาวิเคราะห์ผลใหม่อกี ครั้ง
(ดูตวั อย่างการวิเคราะห์ข้อมูลด้ วย วิธีที่ 1 และ วิธีที่ 2 ในตัวอย่างที่ 4.7)
- วิธีที่ 3 ใช้ ในกรณีท่ตี ้ องการเปรียบเทียบผลการทดสอบลักษณะทางประสาทสัมผัสลักษณะใด

ลักษณะหนึ่ง ของตัวอย่ าง 2 ตัวอย่ าง โดยใช้ มาตราพอดี 3 ระดับ การวิเคราะห์ผลต้ องทา 2 ขั้นตอน
ขั้นตอนที่ 1 คือ การทดสอบความแตกต่างของความถี่ของข้ อมูลสาหรับแต่ละตัวอย่างโดยการทดสอบไคสแควร์
ของสจ๊วต-แมกซ์เวลล์ (Stuart-Maxwell test) หากพบว่ามีความแตกต่างเกิดขึ้น ให้ ทาขั้น ตอนที่ 2 คือ
การยุบข้ อมูลให้ อยู่ในรูปตาราง 2x2 โดยรักษามุมของตารางเริ่มต้ นที่มีความถี่มากกว่าไว้ และวิเคราะห์ผลโดย
การทดสอบไคสแควร์ของแมคนีมาร์ (McNemar test) ดังตัวอย่างที่ 4.6
ตัวอย่างที่ 4.6 (ดัดแปลงจาก Lawless and Heymann, 1998)

การเปรียบเทียบผลการทดสอบลักษณะทางประสาทสัมผัสลักษณะหนึ่งของตัวอย่าง A และตัวอย่าง B
โดยใช้ มาตราพอดี 3 ระดับ จากผู้ทดสอบจานวน 100 คน และมีผลการทดสอบดังนี้ คือ
- มีผ้ ทู ดสอบระบุว่า ตัวอย่าง A เข้ มไป 25 คน ซึ่งใน 25 คนนี้ ระบุว่า ตัวอย่าง B เข้ มไป 13 คน
พอดี 10 คน และ อ่อนไป 2 คน
- มีผ้ ูทดสอบระบุว่า ตัวอย่าง A พอดี 50 คน ซึ่งใน 50 คนนี้ ระบุว่า ตัวอย่าง B เข้ มไป 35 คน
- มีผ้ ทู ดสอบระบุว่า ตัวอย่าง A อ่อนไป 25 คน ซึ่งใน 25 คนนี้ ระบุว่า ตัวอย่าง B เข้ มไป 12 คน
วิธีทา
ขั้นตอนที่ 1 การทดสอบความแตกต่างของสองตัวอย่าง
- การเติมข้ อมูลจานวนผู้ทดสอบลงในตาราง
ตัวอย่าง A
เข้ มไป พอดี อ่อนไป
(a1) (b1) (c1) (T1)
เข้ มไป
13 35 12 60
ตัวอย่าง B (a2) (b2) (c2) (T2)
พอดี
10 10 8 28
(a3) (b3) (c3) (T3)
อ่อนไป
2 5 5 12
25 50 25
(TA) (TB) (TC)
~ 222 ~
- การคานวณค่าที่ต้องใช้ สาหรับการคานวณค่าไคสแควร์ของสจ๊วต-แมกซ์เวลล์
pair 1,2 = (b1 + a2) / 2 = (35 + 10 ) / 2 = 22.5
pair 1,3 = (c1 + a3) / 2 = (12 + 2 ) / 2 =7
pair 2,3 = (c2 + b3) / 2 = ( 8 + 5) / 2 = 6.5
(T1 - TA)2 = (60 – 25 )2 = 352 = 1225

(T2 - TB)2 = (28 – 50 )2 = -222 = 484
(T3 - TC)2 = (12 – 25 )2 = -132 = 169
- การคานวณค่าไคสแควร์ของสจ๊วต-แมกซ์เวลล์
2 = [ (pair 2,3)(T1 - TA)2 + (pair 1,3)(T2 - TB)2 + (pair 1,2)(T3 - TC)2 ]
2[(pair1,2)(pair1,3) + (pair1,2)(pair2,3) + (pair1,3)(pair2,3)]
= [ (6.5)(1225) + (7)(484) + (22.5)(169) ]
2 [ (22.5)(7) + (22.5)(6.5) + (6.5)(7) ]
= 21.7
เปรียบเทียบค่า 2 ที่คานวณได้ กบั ค่าวิกฤตสาหรับการทดสอบไคสแควร์ (ตารางภาคผนวกที่

7) ที่  =0.05 และ df = 2 (มาจาก n – 1 เมื่อ n คือ จานวนคู่ (pair) ที่ต้องเปรียบเทียบ) ซึ่ง
มีค่าเท่ากับ 5.99 ในที่น้ คี ่าที่คานวณได้ มคี ่ามากกว่า (21.7 > 5.99) แสดงว่า ตัวอย่างทั้งสอง
มีความแตกต่างกันอย่างมีนัยสาคัญทางสถิติท่รี ะดับความเชื่อมั่นร้ อยละ 95 (p<0.05)
ขั้นตอนที่ 2 การพิจารณาว่าตัวอย่างใดมีความเข้ มมากกว่า

- การยุบข้ อมูลให้ อยู่ในรูปตาราง 2x2
ในตัวอย่างนี้ พิจารณายุบตารางโดยรักษามุม A เข้ มไป และ B เข้ มไป (บนซ้ าย)
ซึ่งเป็ นมุมที่มคี วามถี่มากที่สดุ ไว้
ตัวอย่าง A
เข้ มไป พอดี + อ่อนไป รวม
(a) (b)
เข้ มไป
13 35 + 12 = 47 60
ตัวอย่าง B
พอดี + (c) (d)
อ่อนไป 10 + 2 = 12 10 + 8 + 5 + 5 = 28 40
รวม 25 75
- การคานวณค่าไคสแควร์ของแมคนีมาร์
มุม A เข้ มไป-B เข้ มไป (บนซ้ าย)
2 = [ (b - c) – 1 ]2 / (b + c)
= [ (47 - 12) - 1]2 / (47 + 12) = 1156 / 59 = 19.59
~ 223 ~
เปรียบเทียบค่า 2 ที่คานวณได้ กบั ค่าวิกฤตสาหรับการทดสอบไคสแควร์ (ตารางภาคผนวกที่

7) ที่  = 0.05 และ df = 2 (มาจาก n – 1 เมื่อ n คือ ระดับของมาตราที่ใช้ ) ซึ่งมีค่าเท่ากับ
5.99 ในที่น้ ีค่าที่คานวณได้ มีค่ามากกว่า แสดงว่า ตัวอย่าง B (ซึ่งมีผ้ ูเลือก B เข้ มไป 60
คน) มีความเข้ มของลักษณะทางประสาทสัมผัสที่สนใจมากกว่าตัวอย่าง A (ซึ่งมีผ้ ูเลือก A
เข้ มไป 25 คน) อย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นร้ อยละ 95 (p<0.05)
ข้ อควรระวังของการใช้ มาตราพอดี คือ การทดสอบตัวอย่างหลายๆ ตัวอย่างพร้ อมกัน จะทาให้ เกิด

อคติเ นื่องจากผู้ทดสอบมักจะให้ ตัวอย่ างที่มีระดับความเข้ มปานกลางในกลุ่มที่ท ดสอบนั้น เป็ นระดับพอดี
(Centering bias) ซึ่งในความเป็ นจริงแล้ วอาจไม่เป็ นเช่นนั้น นอกจากนี้เพื่อลดปั ญหาที่อาจเกิดขึ้นจาก
ความแตกต่างของความชอบของผู้ทดสอบ จึงไม่ควรใช้ มาตราพอดีเพียงอย่างเดียวในการทดสอบ ควรมี
การทดสอบในลักษณะอื่นๆ ร่วมด้ วย (Lawless and Heymann, 1998) เช่น การทดสอบการยอมรับโดยใช้
มาตราความชอบ 9 ระดับ (9-point hedonic scale) เป็ นต้ น ซึ่งจะทาให้ สามารถนาข้ อมูลมาวิเคราะห์พีนอลตี
(Penalty analysis หรือ ค่าเฉลี่ยที่ลดลง) และการวิเคราะห์โอกาส (opportunity analysis) เพิ่มเติม เพื่อ
ประกอบการตัดสินใจของผู้ทดลองได้
4.3.1 การวิเคราะห์พีนอลตี
การวิเคราะห์พีนอลตี หมายถึง วิธกี ารวิเคราะห์ข้อมูลเพื่อพิจารณาความสาคัญของระดับความเข้ มของ
ลักษณะทางประสาทสัมผัสที่สนใจต่อการยอมรับรวมของผลิตภัณฑ์ โดยการเก็บข้ อมูล 2 ส่วนจากผู้ทดสอบแต่
ละคน คือ (1) ข้ อมูลความเข้ มของลักษณะทางประสาทสัมผัสที่สนใจโดยใช้ มาตราพอดี 3 ระดับ และ (2)
ข้ อมูลการยอมรับรวมของผลิตภัณฑ์โดยใช้ มาตราความชอบ 9 ระดับ โดยทั่วไปการวิเคราะห์พีนอลตีน้ จี ะถูก
นามาใช้ เมื่อมีผ้ ทู ดสอบระบุว่า ความเข้ มของลักษณะทางประสาทสัมผัสที่สนใจนั้นอยู่ในระดับไม่พอดี (อ่อนหรือ
น้ อยไป / เข้ มหรือมากไป) ตั้งแต่ร้อยละ 20 ขึ้นไป แต่หากเป็ นการทดสอบที่มผี ้ เู ข้ าร่วมจานวนมากๆ อาจมี
การพิจารณาวิเคราะห์ ในกรณีท่คี วามเข้ มของลักษณะทางประสาทสัมผัสที่สนใจอยู่ในระดับไม่พอดีน้อยกว่าร้ อย
ละ 20 ได้ ขึ้นอยู่กบั ดุลยพินิจของผู้ทดลอง
เมื่อต้ องการวิเคราะห์พีนอลตี คะแนนการยอมรับรวมจากมาตราความชอบ 9 ระดับของผู้ทดสอบที่
ระบุว่า ลักษณะทางประสาทสัมผัสที่สนใจอ่อนหรือน้ อยเกินไป พอดี และเข้ มหรือมากเกินไป จะถูกนามาหา
ค่าเฉลี่ย เพื่อนามาใช้ ในการคานวณค่าเฉลี่ยที่ลดลง (Mean drop value) และ ค่าพีนอลตีท้งั หมด (Total
penalty value) ดังสมการ 4.3.2 และ 4.3.3 ตามลาดับ
ค่าเฉลี่ยที่ลดลง = ค่าเฉลี่ยคะแนนการยอมรับรวมของผู้ทดสอบที่ระบุว่าความเข้ มไม่พอดี (มากหรือน้ อยเกินไป)

- ค่าเฉลี่ยคะแนนการยอมรับรวมของผู้ทดสอบที่ระบุว่าความเข้ มพอดี …(4.3.2)
ค่าพีนอลตีท้งั หมด = ค่าสัมบูรณ์ของ ผลคูณระหว่างค่าเฉลี่ยที่ลดลงและสัดส่วนของผู้ท่รี ะบุว่าความเข้ มไม่พอดี

…(4.3.3)
ผลลัพธ์ท่คี านวณได้ สามารถแปลผลได้ ดงั ตารางที่ 4.12
~ 224 ~
ตารางที่ 4.12 ความหมายของค่าเฉลี่ยที่ลดลง และ ค่าพีนอลตีท้งั หมด (ดัดแปลงจาก ASTM, 2009)
ผลลัพธ์ ความหมาย
ค่าเฉลี่ยที่ลดลง
0.0 ถึง -0.99 ความเข้ มของลักษณะที่สนใจมีความสัมพันธ์กบั การยอมรับรวมน้ อยมาก
-1.0 ถึง -1.49 ความเข้ มของลักษณะที่สนใจมีความสัมพันธ์กบั การยอมรับรวมน้ อย
-1.5 ถึง -1.99 ความเข้ มของลักษณะที่สนใจมีความสัมพันธ์ต่อการยอมรับรวมปานกลาง
-2.0 ขึ้นไป ความเข้ มของลักษณะที่สนใจมีความสัมพันธ์ต่อการยอมรับรวมมาก
ค่าพีนอลตีท้งั หมด
> 0.25  ความเข้ มของลักษณะที่สนใจมีผลต่อการยอมรับรวม
> 0.5  ความเข้ มของลักษณะที่สนใจมีผลต่อการยอมรับรวมอย่างมาก
นอกจากนี้หากพิจารณาสร้ างแผนภูมริ ะหว่าง ค่าเฉลี่ยที่ลดลงหรือค่าพีนอลตีท้งั หมด (แกนตั้ง) และ

สัดส่วนของผู้ทดสอบที่ระบุว่าความเข้ มไม่พอดี (แกนนอน) จะทาให้ สามารถพิจารณาเปรียบเทียบความสาคัญ
ของแต่ละลักษณะที่สนใจได้ ชัดเจนขึ้นดังภาพที่ 4.24
ภาพที่ 4.24 แผนภูมริ ะหว่างค่าเฉลี่ยที่ลดลงหรือค่าพีนอลตีท้งั หมด และสัดส่วนของผู้ทดสอบที่ระบุว่าความ

เข้ มไม่พอดี (Penalty scatterplot) (ดัดแปลงจาก Plaehn et al., n.d.)
สาหรับข้ อจากัดของการวิเคราะห์พีนอลตี คือ (Prinyawiwatkul and Waimaleongora-Ek, 2010)

1. ไม่ได้ บ่งชี้ถงึ ขนาด (magnitude) ที่ควรเปลี่ยนแปลงของลักษณะที่สนใจ
2. อาจไม่สามารถนามาใช้ ได้ ในกรณีท่ขี ้ อมูลได้ มาจากผู้บริโภคที่มลี ักษณะความชอบที่แตกต่างกัน
เช่น กรณีท่มี ที ้งั ข้ อมูลของผู้บริโภคที่ชอบหวานมากและหวานน้ อยอยู่รวมกัน เป็ นต้ น
3. อาจไม่สามารถนามาใช้ ได้ ในกรณีท่ลี ักษณะที่สนใจมีปฏิสมั พันธ์กนั เอง หรือมีปฏิสมั พันธ์กบั
ลักษณะอื่นๆ ของผลิตภัณฑ์
4. ไม่ได้ พิจารณาถึงผลที่จะเกิดขึ้นกับผู้ท่รี ะบุว่าลักษณะที่สนใจนั้นพอดีอยู่แล้ ว ต่อการปรับเปลี่ยน
ความเข้ มของลักษณะนั้นๆ
~ 225 ~
4.3.2 การวิเคราะห์โอกาส
การวิเคราะห์โอกาส หมายถึง วิธกี ารวิเคราะห์ว่าควรมีการพิจารณาปรับเปลี่ยนลักษณะที่สนใจของ
ผลิตภัณฑ์หรือไม่ เนื่องจากการปรับเปลี่ยนลักษณะหนึ่งๆ ของผลิตภัณฑ์ตามความต้ องการของผู้ทดสอบ
บางส่วน (ตามผลการวิเคราะห์ข้อมูลโดยใช้ มาตราพอดี หรือ การวิเคราะห์พีนอลตี) อาจมีผลทาให้ ผ้ ทู ดสอบ
ที่ชอบหรือพอใจในลักษณะนั้นๆ ของผลิตภัณฑ์อยู่แล้ ว เปลี่ยนมาไม่ชอบหรือไม่ยอมรับผลิตภัณฑ์ท่มี กี าร
ปรับเปลี่ยนลักษณะดังกล่าวได้ ดังนั้นการวิเคราะห์โอกาสจึงถือเป็ นอีกหนึ่งเครื่องมือที่ช่วยนักพัฒนา
ผลิตภัณฑ์ในการตัดสินใจปรับเปลี่ยนสูตรอาหารในกรณีท่ตี ้ องการปรับปรุงผลิตภัณฑ์ การสร้ างจุดเด่นให้
ผลิตภัณฑ์ หรือ การลดต้ นทุนการผลิต ได้ (Nufer Marketing Research, 2006) โดยการนาข้ อมูล 2 ส่วนจาก
ผู้ทดสอบแต่ละคน คือ (1) ข้ อมูลความเข้ มของลักษณะที่สนใจโดยใช้ มาตราพอดี 3 ระดับ คือ อ่อนหรือน้ อย
ไป พอดี และ เข้ มหรือมากไป และ (2) ข้ อมูลความชอบ/การยอมรับโดยรวมของผลิตภัณฑ์โดยใช้ มาตรา
ความชอบ 9 ระดับ มาพิจารณาแบ่งผู้ทดสอบออกเป็ น 4 กลุ่ม คือ (ตารางที่ 4.13 และ ภาพที่ 4.25)
A = ผู้ทดสอบที่ชอบผลิตภัณฑ์ (ให้ คะแนนมากกว่า 5) แต่ไม่ชอบลักษณะที่สนใจ (เลือกไม่พอดี)

B = ผู้ทดสอบที่ชอบทั้งผลิตภัณฑ์และลักษณะที่สนใจ (ให้ คะแนนมากกว่า 5 และเลือกพอดี)
C = ผู้ทดสอบที่ไม่ชอบผลิตภัณฑ์ (ให้ คะแนนมากไม่เกิน 5) แต่ชอบลักษณะที่สนใจ (เลือกพอดี)
D = ผู้ทดสอบที่ไม่ชอบทั้งผลิตภัณฑ์และลักษณะที่สนใจ (ให้ คะแนนไม่เกิน 5 และเลือกไม่พอดี)
โดยผู้ทดสอบที่ชอบทั้งผลิตภัณฑ์และลักษณะที่สนใจ (B) คือ กลุ่มเสี่ยง (Risk group) เนื่องจากหากมี

การปรับเปลี่ยนลักษณะที่สนใจ อาจทาให้ ผ้ ทู ดสอบกลุ่มนี้เปลี่ยนมาไม่ชอบทั้งผลิตภัณฑ์และลักษณะที่สนใจ (D)
ได้ ในขณะที่ผ้ ทู ดสอบที่ไม่ชอบทั้งผลิตภัณฑ์และลักษณะที่สนใจ (D) คือ กลุ่มโอกาส (Opportunity group)
เนื่องจากการปรับเปลี่ยนลักษณะที่สนใจอย่างเหมาะสม อาจทาให้ ผ้ ทู ดสอบกลุ่มนี้เปลี่ยนมาชอบทั้งผลิตภัณฑ์
และลักษณะที่สนใจ (B)ได้ ส่วนผู้ทดสอบที่ชอบผลิตภัณฑ์แต่ไม่ชอบลักษณะที่สนใจ (A) และผู้ทดสอบที่ไม่
ชอบผลิตภัณฑ์แต่ชอบลักษณะที่สนใจนั้น (C) ถือว่าไม่ได้ รับผลกระทบใดๆ จากการปรับเปลี่ยนลักษณะ
ดังกล่าว เนื่องจากความชอบที่มตี ่อผลิตภัณฑ์ของผู้ทดสอบทั้งสองกลุ่มนี้ไม่ได้ ข้ นึ อยู่กบั ลักษณะที่สนใจนั้น
(Prinyawiwatkul and Waimaleongora-EK, 2010)
ตารางที่ 4.13 กลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาส

(ดัดแปลงจาก Prinyawiwatkul and Waimaleongora-EK, 2010)
ผู้ทดสอบที่ชอบผลิตภัณฑ์ ผู้ทดสอบที่ไม่ชอบผลิตภัณฑ์
ผู้ทดสอบที่ชอบลักษณะที่สนใจ B C
ผู้ทดสอบที่ไม่ชอบลักษณะที่สนใจ A D
รวม B+A C+D
~ 226 ~
ภาพที่ 4.25 กลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาส (ดัดแปลงจาก ASTM, 2009)
การวิเคราะห์โอกาส เป็ นการพิจารณาสัดส่วนของกลุ่มเสี่ยงและกลุ่มโอกาสของผู้ทดสอบดังสมการ

4.3.4 และ 4.3.5 ตามลาดับ
กลุ่มเสี่ยง (Risk; %) = [ B / (B + A) ] x 100 …(4.3.4)
กลุ่มโอกาส (Opportunity; %) = [ D / (C + D) ] x 100 …(4.3.5)
ค่าที่คานวณได้ ของกลุ่มเสี่ยง แสดงถึง สัดส่วนของผู้ทดสอบที่ชอบผลิตภัณฑ์อยู่แล้ ว แต่มโี อกาส

เปลี่ยนไปไม่ชอบผลิตภัณฑ์ได้ หากมีการปรับเปลี่ยนลักษณะที่สนใจนั้น ในขณะที่ค่าที่คานวณได้ ของกลุ่ม
โอกาส แสดงถึง สัดส่วนของผู้ทดสอบที่ไม่ชอบผลิตภัณฑ์ แต่มโี อกาสเปลี่ยนมาชอบผลิตภัณฑ์ได้ หากมีการ
ปรับเปลี่ยนลักษณะที่สนใจในระดับที่เหมาะสม
แต่การพิจารณาว่า ควรมีการปรับเปลี่ยนลักษณะที่สนใจนั้นหรือไม่ ควรมาจากการเปรียบเทียบค่า
สัดส่วนแลจานวนของกลุ่มเสี่ยงและกลุ่มโอกาสที่คานวณได้ ว่าค่าใดมีค่ามากกว่า และมีค่ามากกว่ากันเพียงใด
และควรพิจารณาปรับเปลี่ยนลักษณะที่สนใจ เมื่อสัดส่วนของกลุ่มโอกาสมีค่ามากกว่าสัดส่วนของกลุ่มเสี่ยงใน
ระดับที่มากพอ โดยพิจารณาปรับเปลี่ยนไปตามทิศทางที่ผ้ บู ริโภคส่วนใหญ่ต้องการซึ่งได้ มาจากผลการทดสอบ
ของมาตราพอดี
ผลการทดสอบทางประสาทสัมผัสผลิตภัณฑ์เครื่องดื่มชนิดเจลจากสารสกัดสาหร่ายเตากลิ่นมะนาวโดย
ใช้ มาตราพอดี 3 ระดับ และ มาตราความชอบ 9 ระดับ จานวนผู้ทดสอบ 100 คน แสดงดังตารางที่ 4.14
กรุณาวิเคราะห์ข้อมูล โดยใช้ วิธกี ารวิเคราะห์ข้อมูลสาหรับมาตราพอดี 3 ระดับโดย วิธีที่ 1 และ วิธีที่ 2 การ
วิเคราะห์พีนอลตี และ การวิเคราะห์โอกาส
~ 227 ~
ตารางที่ 4.14 ผลการทดสอบผลิตภัณฑ์เครื่องดื่มชนิดเจลจากสารสกัดสาหร่ายเตากลิ่นมะนาว

ของตัวอย่างที่ 4.7 (ธัญย์สติ า และคณะ, 2557)
ลักษณะที่สนใจ สัดส่วนของผู้ทดสอบจาก คะแนนเฉลี่ยจาก

มาตราพอดี มาตราความชอบ 9 ระดับ
สีเขียว
อ่อนไป 7 6.6 + 1.1
พอดี 71 6.9 + 1.1
เข้ มไป 22 7.1 + 1.1
กลิ่นรสสาหร่าย
น้ อยไป 49 6.6 + 1.2
พอดี 50 7.1 + 1.0
มากไป 1 6.0
กลิ่นมะนาว
น้ อยไป 10 6.4 + 1.3
พอดี 65 7.0 + 1.1
มากไป 25 7.0 + 1.4
ความหวาน
น้ อยไป 39 6.5 + 1.1
พอดี 59 7.1 + 1.1
มากไป 2 7.0 + 1.4
ความเปรี้ยว
น้ อยไป 7 6.3 + 0.8
พอดี 62 7.0 + 1.1
มากไป 31 6.6 + 1.2
กลิ่นรสผิดปกติ*
ไม่มี 51 7.0 + 1.0
มีเล็กน้ อย 46 6.6 + 1.1
มีมาก 3 6.3 + 2.1
ความแข็งของเจล
อ่อนไป 29 6.70 + 1.1
พอดี 70 6.90 + 1.1
แข็งไป 1 6.00
* กรณีกลิ่นรสผิดปกติซ่งึ เป็ นลักษณะที่ไม่ต้องการให้ มใี นผลิตภัณฑ์ มาตราพอดี 3 ระดับที่ใช้ จะเปลี่ยนเป็ น
ไม่มี (=พอดี) มีเล็กน้ อย และ มีมาก
~ 228 ~
วิธีทา
1. การวิเคราะห์ข้อมูลสาหรับมาตราพอดี 3 ระดับ
1.1 วิธีที่ 1 การกาหนดเกณฑ์ท่จี ะยอมรับว่าผลิตภัณฑ์น้นั มีความเข้ มของลักษณะที่สนใจอยู่ในระดับ
พอดีท่รี ้ อยละ 70 พบว่า มีเพียง 2 ลักษณะ คือ สีเขียวและความแข็งของเจลที่อยู่ในระดับพอดี
(ความถี่ของตัวเลือกพอดีเท่ากับ 71 และ 70 (จากทั้งหมด 100 คน) ตามลาดับ) ส่วนลักษณะ
อื่นจะต้ องรวมความถี่ของตัวเลือกน้ อยไปและมากไป หรือ มีเล็กน้ อยและมีมาก เข้ าด้ วยกันเพื่อ
เป็ นจานวนผู้ทดสอบ (N) และนาค่าที่มากกว่ามาเปรียบเทียบกับค่าวิกฤตจากตารางภาคผนวกที่
6 เมื่อ  = 0.05 ซึ่งพบว่า ผลิตภัณฑ์มกี ลิ่นรสสาหร่ายน้ อยไป กลิ่นมะนาวมากไป ความ
หวานน้ อยไป ความเปรี้ยวมากไป และมีกลิ่นรสผิดปกติเล็กน้ อย ดังตารางที่ 4.15
1.2 วิธีที่ 2 การนาความถี่ของผู้ทดสอบที่ระบุว่าพอดี เปรียบเทียบกับค่าวิกฤตจากตารางภาคผนวกที่
6 เมื่อ N = 100 และ  = 0.05 ซึ่งมีค่าเท่ากับ 61 พบว่ามี 4 ลักษณะ คือ สีเขียว กลิ่นมะนาว
ความเปรี้ยว และ ความแข็งของเจล ที่มคี วามเข้ มอยู่ในระดับพอดี เนื่องจากความถี่ของตัวเลือก
พอดีมคี ่ามากกว่าค่าวิกฤต (ความถี่ของตัวเลือกพอดี เท่ากับ 71 65 62 และ 70 ตามลาดับ)
ส่วนลักษณะที่เหลือต้ องทาการเปรียบเทียบความถี่ท่มี ากกว่ากับค่าวิกฤตจากตารางภาคผนวกที่ 2
เมื่อ  = 0.05 และ จานวนผู้ทดสอบ (N) เท่ากับผลรวมความถี่ของตัวเลือกน้ อยไปและมาก
ไป หรือ มีเล็กน้ อยและมีมาก ซึ่งพบว่า ผลิตภัณฑ์มกี ลิ่นรสสาหร่ายน้ อยไป ความหวานน้ อยไป
และมีกลิ่นรสผิดปกติเล็กน้ อย ดังตารางที่ 4.16
จะเห็นได้ ว่า ผลการวิเคราะห์ท่ไี ด้ จากทั้ง 2 วิธอี าจมีความแตกต่างกัน เนื่องจากเกณฑ์ท่ใี ช้ ในการ

พิจารณายอมรับว่าผลิตภัณฑ์น้นั มีความเข้ มของลักษณะที่สนใจอยู่ในระดับพอดีแตกต่างกัน
ตารางที่ 4.15 ผลการวิเคราะห์ข้อมูลสาหรับมาตราพอดี 3 ระดับ ด้ วย วิธีที่ 1 ของตัวอย่างที่ 4.7
ลักษณะ N (น้ อยไป + มากไป) ค่าวิกฤต ผลการวิเคราะห์

ทางประสาทสัมผัส
สีเขียว - - พอดี (ร้ อยละ 71 ระบุว่าพอดี)
กลิ่นรสสาหร่าย 49 +1 = 50 33 น้ อยไป (49 > 33)
กลิ่นมะนาว 10 + 25 = 35 24 มากไป (25 > 24)
ความหวาน 39 + 2 = 41 28 น้ อยไป (39 > 28)
ความเปรี้ยว 7 + 31 = 38 26 มากไป (31 > 26)
กลิ่นรสผิดปกติ 46 + 3 = 49 32 มีเล็กน้ อย (46 > 32)
ความแข็งของเจล - - พอดี (ร้ อยละ 70 ระบุว่าพอดี)
~ 229 ~
ตารางที่ 4.16 ผลการวิเคราะห์ข้อมูลสาหรับมาตราพอดี 3 ระดับ ด้ วย วิธีที่ 2 ของตัวอย่างที่ 4.7
ลักษณะทาง การเปรียบเทียบความถี่ของ N
ประสาทสัมผัส ตัวเลือกพอดี และค่าวิกฤต (น้ อยไป + มากไป) ค่า ผลการวิเคราะห์
เมื่อ N =100 วิกฤต
สีเขียว 71 > 61 - พอดี
กลิ่นรสสาหร่าย 50 < 61 49 +1 = 50 33 น้ อยไป (49 > 33)
กลิ่นมะนาว 65 > 61 - พอดี
ความหวาน 59 < 61 39 + 2 = 41 28 น้ อยไป (39 > 28)
ความเปรี้ยว 62 > 61 - พอดี
กลิ่นรสผิดปกติ 51 < 61 46 + 3 = 49 32 มีเล็กน้ อย (46 > 32)
ความแข็งของเจล 70 > 61 - พอดี
2. การวิเคราะห์พีนอลตี
การคานวณค่าเฉลี่ยที่ลดลง และ ค่าพีนอลตีท้งั หมด จะถูกนามาใช้ ในกรณีท่คี วามถี่ของ
ตัวเลือกไม่พอดีมคี ่าตั้งแต่ร้อยละ 20 ขึ้นไปเท่านั้น ผลการคานวณพบว่า ค่าเฉลี่ยที่ลดลงที่
คานวณได้ อยู่ในช่วง -0.5 ถึง 0.2 ซึ่งถือว่าความเข้ มของลักษณะที่สนใจมีความสัมพันธ์กบั การ
ยอมรับรวมน้ อยมาก สาหรับค่าพีนอลตีท้งั หมดส่วนใหญ่มคี ่าน้ อยกว่า 0.25 ซึ่งถือว่ายังไม่มผี ล
ต่อการยอมรับรวม ยกเว้ นกลิ่นรสสาหร่ายน้ อยไปและหวานน้ อยไปที่มคี ่า 0.234 และ 0.245 ซึ่ง
ใกล้ เคียงกับ 0.25 กล่าวคือ อาจมีผลต่อการยอมรับรวมของผลิตภัณฑ์ ดังตารางที่ 4.17 และ
เมื่อนาค่าพีนอลตีท้งั หมดและสัดส่วนของผู้ทดสอบที่ระบุไม่พอดี (% Non JAR) มาสร้ างแผนภูมิ
จะทาให้ สามารถพิจารณาเปรียบเทียบความสาคัญของแต่ละลักษณะที่สนใจได้ ชัดเจนขึ้นดังภาพที่
4.26 โดยลักษณะทางประสาทสัมผัสที่บริเวณมุมบนด้ านขวาของแผนภูมจิ ะเป็ นลักษณะที่มผี ลต่อ
การยอมรับรวมมากกว่า กล่าวคือ กลิ่นรสสาหร่ายน้ อยไปและหวานน้ อยไปมีผลต่อการยอมรับรวม
มากกว่าลักษณะอื่นๆ
ตารางที่ 4.17 การคานวณค่าเฉลี่ยที่ลดลง และ ค่าพีนอลตีท้งั หมด ของตัวอย่างที่ 4.7
ลักษณะทางประสาท ตัวเลือกที่วเิ คราะห์ ค่าเฉลี่ยที่ลดลง ค่าพีนอลตีท้งั หมด

สัมผัส
สีเขียว เข้ มไป (22) 7.1 – 6.9 = 0.2 0.2 x 0.22 = 0.044
กลิ่นรสสาหร่าย น้ อยไป (49) 6.6 – 7.1 = - 0.5 - 0.5 x 0.49 = 0.245
กลิ่นมะนาว มากไป (25) 7.0 – 7.0 = 0.0 0.0 x 0.25 = 0.000
ความหวาน น้ อยไป (39) 6.5 – 7.1 = - 0.5 -0.6 x 0.39 = 0.234
ความเปรี้ยว มากไป (31) 6.6 – 7.0 = - 0.4 -0.4 x 0.31 = 0.124
กลิ่นรสผิดปกติ มีเล็กน้ อย (46) 6.6 – 7.0 = - 0.4 -0.4 x 0.46 = 0.184
ความแข็งของเจล อ่อนไป (29) 6.7 – 6.9 = - 0.2 -0.2 x 0.29 = 0.058
~ 230 ~
ภาพที่ 4.26 แผนภูมแิ สดงค่าพีนอลตีท้งั หมด และสัดส่วนของผู้ทดสอบที่ระบุว่าความเข้ มไม่พอดี

3. การวิเคราะห์โอกาส
เนื่องจากผลการวิเคราะห์พีนอลตีแสดงให้ เห็นว่า กลิ่นรสสาหร่ ายน้ อยไปและหวานน้ อยไป
เป็ นลักษณะที่มผี ลต่อการยอมรับรวมมากว่าลักษณะอื่นๆ จึงพิจารณานาลักษณะทั้งสองนี้มา
วิเคราะห์โอกาสต่อไป โดยการวิเคราะห์โอกาสจะต้ องเริ่มจากการแจกแจงข้ อมูลดังตารางที่
4.18 และสรุปเป็ นกลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาสดังตารางที่ 4.19
~ 231 ~
ตารางที่ 4.18 การแจกแจงข้ อมูลสาหรับการวิเคราะห์โอกาส ของตัวอย่างที่ 4.7
สัดส่วนของผู้ทดสอบ จานวนผู้ทดสอบที่ให้ คะแนนมาตราความชอบ 9 ระดับ

ลักษณะที่สนใจ
จากมาตราพอดี 1-5 6-9
กลิ่นรสสาหร่าย
น้ อยไป 49 8 41
พอดี 50 3 47
ความหวาน
น้ อยไป 39 6 33
พอดี 59 5 54
ตารางที่ 4.19 กลุ่มผู้ทดสอบสาหรับการวิเคราะห์โอกาส ของตัวอย่างที่ 4.7
ผู้ทดสอบที่ชอบผลิตภัณฑ์ ผู้ทดสอบที่ไม่ชอบผลิตภัณฑ์
ผู้ทดสอบที่ชอบกลิ่นรสสาหร่าย 47 3
ผู้ทดสอบที่ไม่ชอบกลิ่นรสสาหร่าย 41 8
รวม 47 + 41 3+8
ผู้ทดสอบที่ชอบความหวาน 54 5
ผู้ทดสอบที่ไม่ชอบความหวาน 33 6
รวม 54 + 33 5+6
ผลการวิเคราะห์โอกาสในกรณีกลิ่นรสสาหร่าย พบว่า
กลุ่มเสี่ยง (Risk; %) = [47 / (47+41)] x 100 = 53.4
กลุ่มโอกาส (Opportunity; %) = [8 / (3+8)] x 100 = 72.7
ผลการวิเคราะห์โอกาสในกรณีความหวาน พบว่า
กลุ่มเสี่ยง (Risk; %) = [54 / (54+33)] x 100 = 62.1
กลุ่มโอกาส (Opportunity; %) = [6 / (5+6)] x 100 = 54.5
จากสัดส่วนของกลุ่มเสี่ยงและกลุ่มโอกาสที่คานวณได้ พบว่ า มีค่าแตกต่างกันไม่ มากนัก

ประกอบกับในกรณีน้ ีมีผ้ ูทดสอบที่ชอบผลิตภัณฑ์อยู่แล้ วในจานวนที่มากกว่าผู้ทดสอบที่ไม่ชอบ
ผลิตภัณฑ์อย่างเห็นได้ ชัด (89 และ 11 คน ตามลาดับ) การปรับเปลี่ยนผลิตภัณฑ์ในกรณีของ
กลิ่นรสสาหร่ าย ซึ่งในที่น้ ีสามารถทาได้ โดยการเพิ่มความเข้ มข้ นของสารสกัดสาหร่ ายเตานั้น
แม้ จ ะมี สัด ส่ ว นของกลุ่ ม โอกาสมากกว่ า สัด ส่ ว นของกลุ่ ม เสี่ย ง จึ ง ไม่ ใ ช่ ท างเลื อ กที่ค วรท า
เนื่องจากกลิ่นรสสาหร่ ายที่มากเกินไปอาจทาให้ ผ้ ูทดสอบที่ชอบผลิตภัณฑ์อยู่แล้ วบางส่วนไม่
ยอมรับผลิตภัณฑ์ท่มี กี ลิ่นรสสาหร่ายมากขึ้นได้ สาหรับการปรับเปลี่ยนผลิตภัณฑ์ในกรณีของ
ความหวาน ยิ่งไม่ใช่ทางเลือกที่ควรทา เนื่องจากสัดส่วนของกลุ่มความเสี่ยงสูงกว่าสัดส่วนของ
กลุ่มโอกาส
~ 232 ~

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูลสาหรับการทดสอบค่าทีในส่วนของมาตราพอดีน้ ี จะ
ขอกล่าวถึงเพียง 3 กรณี คือ โปรแกรมไมโครซอฟท์เอกซ์เซล (Microsoft Excel) โปรแกรมเอสพีเอสเอส
(SPSS) และ โปรแกรมอาร์ (R) โดยใช้ ข้อมูลของตัวอย่างที่ 4.5 เป็ นตัวอย่างของการใช้ โปรแกรม และเพื่อ
ความสะดวกในการพิมพ์ข้อมูล ควรเลือกพิมพ์ข้อมูลลงในแผ่นงานของโปรแกรมไมโครซอฟท์เอกซ์เซลก่อนดัง
ตัวอย่างในภาพที่ 4.27 ซึ่งในกรณีของการใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลเพื่อวิเคราะห์ข้อมูลนั้น จาเป็ นต้ อง
เพิ่มคอลัมน์ของค่าระดับพอดี (Mean = 5) และคอลัมน์ของค่าที่จะให้ แสดงความถี่ (Bin) เข้ าไปด้ วย (ในที่น้ ี
ใช้ ช่ อื ไฟล์ JAR data.xlsx) โดยขั้นตอนการวิเคราะห์ข้อมูลจะเริ่มต้ นจากการสร้ างแผนภูมแิ สดงความถี่
(Histogram) ของแต่ละลักษณะทางประสาทสัมผัสของตัวอย่างที่ทดสอบก่อน แล้ วจึงทาการทดสอบค่าที
4.3.3.1 โปรแกรมไมโครซอฟท์เอกซ์เซล (Excel Easy, n.d.)

เมื่อเปิ ดโปรแกรมไมโครซอฟท์เอกซ์เซลขึ้นมา คาสั่ง “Data Analysis” จะอยู่ในแถบคาสั่ง “ข้ อมูล”
ในส่วนของ “Analysis” ในกรณีท่โี ปรแกรมไมโครซอฟท์เอ็กซ์เซลยังไม่มคี าสั่งดังกล่าว สามารถติดตั้งได้ ตาม
ขั้นตอนในบทที่ 2 หัวข้ อ 2.1.3.1 หน้ า 34
การใช้ คาสั่งใน Data Analysis ในการสร้ างแผนภูมแิ สดงความถี่ของข้ อมูล มีข้นั ตอนดังต่อไปนี้
1. พิมพ์ข้อมูลดังภาพที่ 4.27
2. เลือกแถบคาสั่ง “ข้ อมูล” ตามด้ วยคาสั่ง “Data Analysis”
3. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “Histogram” และคลิก “OK”
4. กล่อง “Histogram” จะปรากฏขึ้น คลิก ช่อง “Input Range:” และเลือกช่วงของข้ อมูลของแต่ละ
ตัวแปร ซึ่งในตัวอย่างที่ 4.5 นี้ ได้ แก่ Attribute 1, Attribute 2 และ Attribute 3 โดยต้ องทา
ครั้งละตัวแปร ตัวอย่างเช่น หากต้ องการสร้ างแผนภูมแิ สงความถี่ของ Attribute 1 ช่วงของข้ อมูล
ที่ต้องเลือก คือ A2:A86
5. คลิก ช่อง “Bin Range:” เลือกช่วงของข้ อมูลที่ต้องการนับความถี่ ซึ่งในตัวอย่างที่ 4.5 นี้ คือ
E2:E10
6. คลิกช่อง “Chart Output” ด้ านล่าง
8. คลิกช่อง “Output Range:” เลือกเซลล์ท่ตี ้ องการให้ เป็ นจุดเริ่มต้ นของผลการวิเคราะห์
10. ตารางและแผนภูมแิ สดงความถี่ จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่เี ลือกไว้ ในข้ อ 8
~ 233 ~
A B C D E
Attr. Attr. Attr.
1 Mean Bin 31 6 7 5 5 61 5 5 4 5
1 2 3
2 8 9 7 5 1 32 6 7 5 5 62 5 5 4 5
3 8 9 7 5 2 33 6 7 5 5 63 5 5 4 5
4 8 9 7 5 3 34 6 7 5 5 64 5 5 4 5
5 8 9 7 5 4 35 6 7 5 5 65 5 5 4 5
6 7 9 7 5 5 36 6 7 5 5 66 4 5 4 5
7 7 8 6 5 6 37 6 6 5 5 67 4 5 4 5
8 7 8 6 5 7 38 6 6 5 5 68 4 5 4 5
9 7 8 6 5 8 39 6 6 5 5 69 4 5 4 5
10 7 8 6 5 9 40 6 6 5 5 70 4 5 4 5
11 7 8 6 5 41 6 6 5 5 71 4 5 4 5
12 7 8 6 5 42 6 6 5 5 72 4 5 4 5
13 7 8 6 5 43 6 6 5 5 73 4 4 4 5
14 7 8 6 5 44 6 6 5 5 74 4 4 4 5
15 7 7 6 5 45 6 6 5 5 75 4 4 4 5
16 6 7 6 5 46 6 6 5 5 76 4 4 4 5
17 6 7 6 5 47 6 5 5 5 77 4 4 3 5
18 6 7 6 5 48 6 5 5 5 78 3 4 3 5
19 6 7 6 5 49 6 5 5 5 79 3 4 3 5
20 6 7 6 5 50 5 5 5 5 80 3 4 3 5
21 6 7 6 5 51 5 5 5 5 81 3 3 3 5
22 6 7 6 5 52 5 5 5 5 82 3 3 3 5
23 6 7 6 5 53 5 5 5 5 83 3 3 3 5
24 6 7 6 5 54 5 5 5 5 84 2 3 3 5
25 6 7 6 5 55 5 5 5 5 85 2 3 2 5
26 6 7 5 5 56 5 5 4 5 86 2 3 2 5
27 6 7 5 5 57 5 5 4 5
28 6 7 5 5 58 5 5 4 5
29 6 7 5 5 59 5 5 4 5
30 6 7 5 5 60 5 5 4 5
~ 234 ~
การใช้ คาสั่งใน Data Analysis ในการทดสอบค่าที มีข้นั ตอนดังต่อไปนี้

1. เลือกแถบคาสั่ง “ข้ อมูล” ตามด้ วยคาสั่ง “Data Analysis”
2. กล่อง “Data Analysis” จะปรากฏขึ้น คลิก “t-Test: Paired Two Sample for Means” และ
3. กล่อง “t-Test: Paired Two Sample for Means” จะปรากฏขึ้น คลิก ช่อง “Variable 1
Range:” เลือกช่วงของข้ อมูลของตัวแปรที่ต้องการทดสอบ ซึ่งในตัวอย่างที่ 4.5 นี้ ได้ แก่
Attribute 1, Attribute 2 และ Attribute 3 โดยต้ องทาครั้งละตัวแปร ตัวอย่างเช่น
หากต้ องการทดสอบค่าทีของ Attribute 1 ช่วงของข้ อมูลที่ต้องเลือก คือ A2:A86 เป็ นต้ น
4. คลิก ช่อง “Variable 2 Range:” เลือกช่วงของข้ อมูลที่ใช้ ในการเปรียบเทียบ (ค่าระดับพอดี) ซึ่ง
ในตัวอย่างที่ 4.5 นี้ คือ D2:D86
9. ตารางค่าที จะปรากฏขึ้น โดยเริ่มต้ นที่เซลล์ท่เี ลือกไว้ ในข้ อ 7
(ดูค่าที ที่ t Stat และระดับนัยสาคัญที่ P (T<t) two tail)
สาหรับการวิเคราะห์ข้อมูลในกรณีของ Attribute 2 และ Attribute 3 สามารถทาได้ ในลักษณะ

เดียวกันกับกรณี Attribute 1 เพียงแต่เปลี่ยนช่วงของข้ อมูลไปตามแต่ละกรณี (กรณี Attribute 2 ซึ่งควร
พิจารณาแบ่งข้ อมูลออกเป็ น 2 กลุ่ม คือ 3-6 และ 6-9 ที่ช่อง “Variable 1 Range:” เลือก B37:B86 และ
B2:B46 ตามลาดับ ในขณะที่ช่อง “Variable 2 Range:” เลือก D37:D86 และ D2:D46 ตามลาดับ สาหรับ
Attribute 3 ที่ช่อง “Variable 1 Range:” เลือก C2:C86 ในขณะที่ส่วนอื่นๆ ยังคงเหมือนกรณี Attribute 1)

2.1.3.2 หน้ า 39 (แต่ในกรณีน้ ใี ช้ ช่ อื ไฟล์ JAR data.xlsx)
สาหรับการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง Data Set ที่มขี ้ อมูลอยู่
การสร้ างแผนภูมแิ สดงความถี่ของข้ อมูล

1. คลิก “Graphs” เลื่อน Cursor มาที่ “Legacy Dialogs” แล้ วคลิก “Histogram..”
2. กล่อง “Histogram” จะปรากฏขึ้น เลือกข้ อมูลของตัวแปรที่ต้องการสร้ างแผนภูมิ (Attribute 1,
Attribute2 หรือ Attribute 3) ใส่ในช่อง “Variable:” (โดยคลิกที่ตวั แปรดังกล่าว และคลิก
เครื่องหมายลูกศรใส่ในช่อง “Variable:”)
4. แผนภูมแิ สดงความถี่จะแสดงในหน้ าต่าง Output
~ 235 ~
1. คลิก “Analyze” เลื่อน Cursor มาที่ “Compares” แล้ วคลิก “One-Sample T-Test…”
2. กล่อง “One-Sample T-Test” จะปรากฏขึ้น เลือกข้ อมูลของตัวแปรที่ต้องการทดสอบ(Attribute
1, Attribute2 หรือ Attribute 3) ใส่ในช่อง “Test Variable (s):” (โดยคลิกที่ตวั แปรดังกล่าว
และคลิกเครื่องหมายลูกศรใส่ในช่อง “Test Variable (s):” หากต้ องการทดสอบพร้ อมกันหลาย
ตัวแปร หลังจากคลิกที่ตวั แปรแรกแล้ ว กด Ctrl ค้ างไว้ และคลิกที่ตวั แปรถัดไปจนครบ ก่อน
คลิกเครื่องหมายลูกศร)
3. พิมพ์ค่าที่ต้องการทดสอบ ซึ่งในที่น้ ี คือ 5 (ระดับพอดี) ในช่อง “Test Value”
5. ตารางค่าทีจะแสดงในหน้ าต่าง Output (ดูค่าทีท่ี t และระดับนัยสาคัญที่ Sig. (2-tailed))
ในกรณีของ Attribute 2 ซึ่งควรพิจารณาแบ่งข้ อมูลออกเป็ น 2 กลุ่ม คือ 3-6 และ 6-9 นั้น ก่อนการ
ทดสอบค่าที จาเป็ นต้ องเลือกช่วงของข้ อมูลในแต่ละกลุ่มที่จะนามาทดสอบก่อน ตามขั้นตอนต่อไปนี้
1. คลิก “Data” เลื่อน Cursor มาแล้ วคลิกที่ “Select Cases…”
2. กล่อง “Select Cases” จะปรากฏขึ้น คลิกช่อง “If condition is satisfied” ในกรอบ “Select”
แล้ วคลิกปุ่ ม “If”
3. กล่อง “Select Cases: if” จะปรากฏขึ้น เลือกข้ อมูลของตัวแปรที่ต้องการทดสอบ(ในที่น้ ี คือ
Attribute 2) ใส่ในช่องทางด้ านขวาบน (โดยคลิกที่ตวั แปรดังกล่าว และคลิกเครื่องหมายลูกศรใส่
ในช่องด้ านขวาบน” ตัวแปรดังกล่าว (ในที่น้ ี คือ Attribute 2) จะปรากฏขึ้นในช่องด้ านขวาบน
4. คลิกเพิ่มข้ อกาหนดตามต้ องการ (ในที่น้ ี คือ <= 6 หรือ >=6 (ทาได้ ครั้งละคาสัง่ )) แล้ วคลิก
“Continue”
5. กล่อง “Select Cases” จะปรากฏขึ้น พร้ อมข้ อกาหนดที่ต้องการท้ ายปุ่ ม “If”
7. จะปรากฏขีดคาดบนแถวของข้ อมูลที่ไม่ตรงกับข้ อกาหนดในหน้ าต่าง Data set จากนั้นจึงทาการ
ทดสอบค่าทีต่อไป

2 หัวข้ อ 2.1.3.3 หน้ า 42-43
สาหรับการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander
การสร้ างแผนภูมแิ สดงความถี่ของข้ อมูล

1. คลิก “Data” เลื่อน Cursor มาที่ “Import Data” และคลิก “from Excel file…”
~ 236 ~

(ในที่น้ ใี ช้ ช่ อื ไฟล์ JAR data.xlsx) และคลิก “Open”
“OK”
6. คลิก “Graphs” เลื่อน Cursor มาคลิกที่ “Histogram…”
7. กล่อง “Histogram” จะปรากฏขึ้น คลิกเลือกตัวแปรที่ต้องการสร้ างแผนภูมิ
9. แผนภูมแิ สดงความถี่จะปรากฏขึ้น
1. คลิก “Statistics” เลื่อน Cursor มาที่ “Mean” แล้ วคลิก “Single sample t-test..”
2. กล่อง “Single Sample T-Test” จะปรากฏขึ้น คลิกเลือกตัวแปรที่ต้องการทดสอบ
3. พิมพ์ 5 (ระดับพอดี) ในช่อง “Null hypothesis mu =”
5. ค่าทีจะปรากฏในส่วน Output ของหน้ าต่าง R Commander (ดูค่าทีท่ี t และระดับนัยสาคัญที่
p-value)
ในกรณีของ Attribute 2 ซึ่งควรพิจารณาแบ่งข้ อมูลออกเป็ น 2 กลุ่ม คือ 3-6 และ 6-9 นั้น ก่อนการ
ทดสอบค่าที ในส่วนของโปรแกรมอาร์ ไม่สามารถทาได้ โดยใช้ ไฟล์ข้อมูลชุดเดิมนี้ จาเป็ นต้ องสร้ างไฟล์ข้อมูล
ใหม่โดยแบ่ง Attribute 2 ออกเป็ น 2 ตัวแปร เช่น Attribute 2.1 และ Attribute 2.2 เป็ นต้ น แล้ วจึงทาการ
ทดสอบค่าทีต่อไป
4.4 การทดลองแบบอีโวลูชนั นารี โอเปอเรชัน

การทดลองแบบอีโวลูชันนารี โอเปอเรชัน (Evolutionary operation; EVOP) เป็ นการทดลองเพื่อ
ปรับปรุงตัวแปรของกระบวนการผลิตที่สามารถใช้ ได้ กบั การผลิตจริงในโรงงาน โดยอาศัยหลักการดังนี้ คือ
ทุกๆ ชุดของการผลิตสามารถที่จะให้ ข้อมูลที่เกิดจากผลของตัวแปรที่ใช้ ในกระบวนการผลิตซึ่งมีผลต่อลักษณะ
คุณภาพของผลิตภัณฑ์ ดังนั้นการค่อยๆ เปลี่ยนระดับของตัวแปรที่กาลังสนใจศึกษาทีละน้ อยๆ อย่างมีระบบ
โดยที่การเปลี่ยนแปลงดังกล่าวไม่มากจนทาให้ ลักษณะคุณภาพของผลิตภัณฑ์เสียไป แต่เพียงพอที่จะทาให้
เห็นผลการทดลองได้ อย่างชัดเจน จึงสามารถกระทาได้ ในระหว่างการผลิตจริงตามปกติ และผลการทดลองที่
ได้ จะสามารถนามาใช้ ได้ ในการผลิตจริงทันที ทาให้ ไม่ต้องเสียค่าใช้ จ่ายสาหรับการทดลองในห้ องปฏิบตั กิ าร
และเสียเวลาในการปรับข้ อมูลเพื่อใช้ ในการผลิตอีกครั้งหนึ่ง ซึ่งขั้นตอนการดาเนินการทดลองแบบ EVOP
สามารถทาได้ ดงั ต่อไปนี้ คือ
1. เลือกตัวแปรของกระบวนการผลิตที่ต้อการศึกษา 2 ตัวแปร ที่คาดว่าจะมีผลต่อคุณภาพของ
ผลิตภัณฑ์ ตัวอย่างเช่น ความเข้ มข้ นของสารเคมีและเวลาในการทาปฏิกริ ิยา เวลาและอุณหภูมิ
ของกระบวนการอบแห้ ง เป็ นต้ น
~ 237 ~
2. กาหนดให้ กระบวนการผลิตที่ใช้ อยู่ในขณะนั้นเป็ นทรีตเมนต์ควบคุม และกาหนดทรีตเมนต์อ่นื ๆ

โดยพิจารณาปรับตัวแปรที่ต้องการศึกษาทั้ง 2 ตัวแปรที่ระดับสูงและต่ากว่าที่ใช้ อยู่ในปัจจุบนั จะ
ได้ การทดลองแบบ 22 EVOP ซึ่งมี 4 ทรีตเมนต์ คือ ตัวแปรที่หนึ่งและสองที่ระดับต่า ตัวแปรที่
หนึ่งระดับสูงตัวแปรที่สองระดับต่า ตัวแปรที่หนึ่งระดับต่าตัวแปรที่สองระดับสูง และตัวแปร
ที่หนึ่งและสองที่ระดับสูง เมื่อรวมกับทรีตเมนต์ควบคุม 1 ทรีตเมนต์ เป็ นทั้งหมด 5 ทรีตเมนต์
3. ทาการทดลองซา้ (Cycles) อย่างน้ อย 3 ครั้ง เพื่อคานวณหาผลของตัวแปรที่ต้องการศึกษาต่อ
คุณภาพของผลิตภัณฑ์
4. หากพบว่า มีตวั แปรที่มผี ลต่อคุณภาพของผลิตภัณฑ์อย่างมีนัยสาคัญทางสถิติ สามารถทาการ
ทดลองใหม่ โดยเปลี่ยนช่วงของตัวแปรนั้นไปในทิศทางที่ให้ ผลดีข้ นึ
5. เมื่อผลการทดลองพบว่า ได้ ผลิตภัณฑ์ท่มี คี ุณภาพสูงสุดหรืออัตราการปรับปรุงคุณภาพมีแนวโน้ มที่
เพิ่มขึ้นค่อนข้ างต่าแล้ ว จึงหยุดการทดลอง
การวิเคราะห์ผลการทดลองสาหรับแผนการทดลองแบบ 22 EVOP สามารถทาได้ โดยการคานวณ
อิทธิพลของปัจจัย อิทธิพลของปัจจัยรวม และ การเปลี่ยนแปลงค่าเฉลี่ยของผลการทดลอง ดังต่อไปนี้ (หรือ
พิจารณาตามแบบฟอร์มการวิเคราะห์ผลการทดลองของตัวอย่างที่ 4.8 ดังภาพที่ 4.29–4.31)
- การคานวณอิทธิพลของปัจจัยแต่ละปัจจัย โดยการหาผลต่างของค่าเฉลี่ยของทรีตเมนต์ท่ใี ช้
ปัจจัยนั้นในระดับสูงและค่าเฉลี่ยของทรีตเมนต์ท่ใี ช้ ปัจจัยนั้นในระดับต่า เช่น ในตัวอย่างที่ 4.8
ทรีตเมนต์ 3 และ 4 ใช้ เวลาในระดับสูง และทรีตเมนต์ 2 และ 5 ใช้ เวลาในระดับต่า ดังนั้น
อิทธิพลของเวลาจึงมีค่าเท่ากับ ค่าเฉลี่ยของทรีตเมนต์ 3 และ 4 ลบด้ วย ค่าเฉลี่ยของทรีตเมนต์
2 และ 5 หรือ 1/2(Y3+ Y4) - 1/2(Y2+Y5) ในขณะที่ทรีตเมนต์ 3 และ 5 ใช้ สารละลาย
ซัลไฟท์ในระดับสูง และทรีตเมนต์ 2 และ 4 ใช้ สารละลายซัลไฟท์ในระดับต่า ดังนั้นอิทธิพลของ
สารละลายซัลไฟท์จึงมีค่าเท่ากับ ค่าเฉลี่ยของทรีตเมนต์ 3 และ 5 ลบด้ วย ค่าเฉลี่ยของทรีตเมนต์
2 และ 4 หรือ 1/2(Y3+ Y5) - 1/2(Y2+Y4) เป็ นต้ น
ถ้ าอิทธิพลของปัจจัยมีค่าเป็ นบวก หมายถึง การใช้ ปัจจัยที่ระดับสูงขึ้นจะมีผลทาให้ ค่าที่ใช้
ติดตามผล (ค่าสังเกต) มีค่ามากขึ้น ในทางตรงกันข้ ามหากมีค่าเป็ นลบ หมายถึง การใช้
ปัจจัยที่ระดับสูงจะมีผลทาให้ ค่าที่ใช้ ตดิ ตามผล (ค่าสังเกต) มีค่าลดลง โดยอิทธิพลดังกล่าวจะ
ถูกนามาพิจารณา ก็ต่อเมื่อมีค่ามากกว่าหรือเท่ากับ 2 เท่าของความคลาดเคลื่อนมาตรฐานของ
การทดลอง (>2S/√n) หรือ error limit ของ effects ซึ่งหมายความว่า อิทธิพลดังกล่าวมีผลต่อ
ค่าที่ใช้ ในการติดตามผลอย่างมีนยั สาคัญทางสถิติ (p<0.05)
- การคานวณอิทธิพลร่วมของปัจจัย โดยการหาผลต่างของค่าเฉลี่ยของทรีตเมนต์ท่ใี ช้ ปัจจัยทั้งสอง

ในระดับเดียวกันและค่าเฉลี่ยของทรีตเมนต์ท่ใี ช้ ปัจจัยทั้งสองในระดับต่างกัน เช่น ในตัวอย่างที่
4.8 ทรีตเมนต์ 2 ใช้ เวลาและสารละลายซัลไฟท์ในระดับต่า ทรีตเมนต์ 3 ใช้ เวลาและ
สารละลายซัลไฟท์ในระดับสูง ในขณะที่ทรีตเมนต์ 4 ใช้ เวลาในระดับสูงแต่ใช้ สารละลายซัลไฟท์
ในระดับต่า และทรีตเมนต์ 5 ใช้ เวลาในระดับต่าแต่ใช้ สารละลายซัลไฟท์ในระดับสูง ดังนั้น
อิทธิพลร่วมของเวลาและสารละลายซัลไฟท์ จึงมีค่าเท่ากับ ค่าเฉลี่ยของทรีตเมนต์ 2 และ 3 ลบ
ด้ วย ค่าเฉลี่ยของทรีตเมนต์ 4 และ 5 หรือ 1/2(Y2+ Y3) - 1/2(Y4+Y5) เป็ นต้ น
~ 238 ~
ถ้ าอิทธิพลร่วมของปัจจัยมีค่าเป็ นบวก หมายถึง ปัจจัยทั้งสองมีผลเสริมกัน กล่าวคือ การใช้ ปัจจัย

ทั้งสองปัจจัยในระดับที่สงู ขึ้นพร้ อมกันจะมีผลทาให้ ค่าที่ใช้ ตดิ ตามผลมีค่ามากยิ่งขึ้น แต่ถ้ามีค่า
เป็ นลบ แสดงว่า ปัจจัยทั้งสองมีผลหักล้ างกัน คือ การใช้ ปัจจัยทั้งสองปัจจัยในระดับสูงพร้ อม
กันจะมีผลทาให้ ค่าที่ใช้ ตดิ ตามผลมีค่าลดต่าลงยิ่งขึ้น โดยอิทธิพลร่วมดังกล่าวจะถูกนามาพิจารณา
ก็ต่อเมื่อมีค่ามากกว่าหรือเท่ากับ 2 เท่าของความคลาดเคลื่อนมาตรฐานของการทดลอง
(>2S/√n) หรือ error limit ของ effects ซึ่งหมายความว่า อิทธิพลดังกล่าวมีผลต่อค่าที่ใช้
ติดตามผลอย่างมีนัยสาคัญทางสถิติ (p<0.05)
- การเปลี่ยนแปลงค่าเฉลี่ยของผลการทดลอง โดยการหาผลต่างของค่าเฉลี่ยของทรีตเมนต์ท่แี ปร
ระดับของตัวแปรทั้ง 4 ทรีตเมนต์และค่าเฉลี่ยของทรีตเมนต์ควบคุมแล้ วนามาหารด้ วย 5
ตัวอย่างเช่น ในตัวอย่างที่ 4.8 การเปลี่ยนแปลงค่าเฉลี่ยของผลการทดลอง จึงมีค่าเท่ากับ
ผลรวมของผลต่างระหว่างทรีตเมนต์ 2 และ 1 3 และ 1 4 และ 1 5 และ 1 หารด้ วย 5
หรือ 1/5 ((Y2 –Y1) + (Y3 – Y1) + (Y4 – Y1) + (Y5 –Y1)) หรือ 1/5 (Y2 + Y3 + Y4 +
Y5 – 4Y1) เป็ นต้ น
ถ้ าการเปลี่ยนแปลงค่าเฉลี่ยของผลการทดลองมีค่าเป็ นบวก แสดงว่า ผลิตภัณฑ์โดยรวมของการ

ทดลองมีการเปลี่ยนแปลงไปในทางที่ทาให้ ค่าที่ใช้ ตดิ ตามผลมีค่ามากขึ้น เมื่อเปรียบเทียบกับ
ทรีตเมนต์ควบคุม แต่หากมีค่าเป็ นลบ แสดงว่า การทดลองครั้งนี้มผี ลทาให้ ค่าที่ใช้ ตดิ ตามผล
ของผลิตภัณฑ์โดยรวมมีค่าน้ อยลง เมื่อเทียบกับทรีตเมนต์ควบคุม โดยการเปลี่ยนแปลง
ดังกล่าวจะถูกนามาพิจารณา ก็ต่อเมื่อมีค่ามากกว่าหรือเท่ากับ 1.78 เท่าของความคลาดเคลื่อน
มาตรฐานของการทดลอง (>1.78S/√n) หรือ error limit ของ Change in mean ซึ่งหมายความ
ว่า ผลิตภัณฑ์โดยรวมมีค่าแตกต่างไปจากการผลิตปกติอย่างมีนัยสาคัญทางสถิติ (p<0.05)
หากการเปลี่ยนแปลงดังกล่าวมีผลในทางที่ดหี รือเป็ นที่ต้องการ ก็จะไม่ก่อให้ เกิดปัญหาใดๆ แต่
หากการเปลี่ยนแปลงดังกล่าวมีผลในทางที่ไม่เป็ นที่ต้องการ จาเป็ นต้ องมีการพิจารณาจัดการกับ
ผลิตภัณฑ์ท่ไี ด้ จากการทดลองอย่างเหมาะสมต่อไป
- การคานวณความคลาดเคลื่อนมาตรฐานของการทดลอง (S/√n)
เริ่มจากการหาส่วนเบี่ยงเบนมาตรฐานของการทดลอง 2 ครั้งแรก โดยหาผลคูณของค่าพิสยั ของ
ผลต่างของการทดลองครั้งที่ 1 และ 2 และ ค่าคงที่ (fk,n ซึ่งมีค่าเท่ากับ 3.0 ในกรณีทาการ
ทดลอง 2 ซา้ โดยมี 5 ทรีตเมนต์) และการหาส่วนเบี่ยงเบนมาตรฐานของการทดลอง 3 ครั้ง
โดยหาผลคูณของค่าพิสยั ของผลต่างของค่าเฉลี่ยของการทดลอง 2 ครั้งแรกและการทดลองครั้งที่
3 และ ค่าคงที่ (fk,n ซึ่งมีค่าเท่ากับ 3.4 ในกรณีทาการทดลอง 3 ซา้ โดยมี 5 ทรีตเมนต์) จากนั้น
นาส่วนเบี่ยงเบนมาตรฐานทั้งสองค่ามาหาค่าเฉลี่ย แล้ วนาค่าเฉลี่ยมาหารด้ วยรากที่สองของ
จานวนซา้ ของการทดลอง (3) เพื่อใช้ เป็ นความคลาดเคลื่อนของการทดลองในการทดสอบระดับ
นัยสาคัญทางสถิตขิ องอิทธิพลของปัจจัย อิทธิพลของปัจจัยร่วม และการเปลี่ยนแปลงค่าเฉลี่ย
ของผลการทดลองดังที่ได้ กล่าวมาแล้ วข้ างต้ น
~ 239 ~
- การพิจารณาทิศทางในการปรับตัวแปรเพื่อคุณภาพผลิตภัณฑ์ท่ดี ขี ้ นึ สามารถพิจารณาได้ จาก

ผลต่างของค่าเฉลี่ยของทรีตเมนต์ท่แี ปรระดับของตัวแปรทั้ง 4 ทรีตเมนต์และค่าเฉลี่ยของทรีต
เมนต์ควบคุม หากพบว่า ทรีตเมนต์ใดที่มคี ่าเฉลี่ยดีกว่าทรีตเมนต์ควบคุมอย่างน้ อย 2 เท่าของ
ส่วนเบี่ยงเบนมาตรฐานของการทดลอง (2S) แสดงว่า ทรีตเมนต์น้นั เป็ นทิศทางที่ควรใช้ ในการ
ผลิตแทนสภาวะที่ใช้ อยู่ในปัจจุบนั เนื่องจากจะได้ ผลิตภัณฑ์ท่มี คี ุณภาพดีข้ นึ อย่างมีนัยสาคัญทาง
สถิติ (p<0.05)
โรงงาผลิตภัณฑ์ปลาบรรจุกระป๋ องแห่งหนึ่ง ต้ องการปรับปรุงสีของเนื้อปลาโดยทดลองปรับปรุง
2
กระบวนการฟอกสีด้วยการทดลองแบบ 2 EVOP โดยให้ กระบวนการปัจจุบนั คือ สารละลายซัลไฟท์เข้ มข้ น
200 ppm เวลา 60 นาที เป็ นทรีตเมนต์ควบคุม และพิจารณาปรับเปลี่ยนความเข้ มข้ นของสารละลายซัลไฟท์
และเวลาที่ใช้ ไปจากเดิม 50 ppm และ 10 นาที ตามลาดับดังภาพที่ 4.28 ติดตามผลโดยการสุ่มตัวอย่างเนื้อ
ปลาที่ฟอกสีแล้ วมาพิจารณาสีด้วยวิธใี ห้ คะแนนในช่วงตั้งแต่ 1 (สีนา้ ตาลเข้ ม) จนถึง 10 (สีนา้ ตาลอ่อน) โดย
ผู้เชียวชาญ ทาการทดลอง 3 ซา้ และได้ ผลการทดลองดังตารางที่ 4.20
ความเข้ มข้ นของสารละลายซัลไฟท์ (ppm)
250 5 3
200 1
150 2 4
50 60 70 เวลา (นาที)
ภาพที่ 4.28 การวางแผนการทดลองแบบ 22 EVOP ของตัวอย่างที่ 4.8
ตารางที่ 4.20 ทรีตเมนต์และผลการทดลองที่ได้ จากการทดลองแบบ 22 EVOP ของตัวอย่างที่ 4.8

(ดัดแปลงจาก Edwardson และ Mac Cormac, 1984)
ทรีตเมนต์ ความเข้ มข้ นของ เวลา คะแนนแสดงสีของผลิตภัณฑ์

สารละลายซัลไฟท์ (ppm) (นาที) ครั้งที่ 1 ครั้งที่ 2 ครั้งที่ 3
1* 200 60 6 4 7
2 150 50 7 7 7
3 250 70 3 5 3
4 150 70 8 7 6
5 250 50 9 8 8
* กระบวนการปัจจุบนั
~ 240 ~
5 3
1 Cycle n =1
2 4 ----------
Response – Color
Calculation of averages Calculation of “S”
Operating condition (1) (2) (3) (4) (5)

(a) Previous cycle sum Previous sum S =
(b) Previous cycle average Previous average S =
(c) New observations 6 7 3 8 9 New S = R x fk,n*=
(d) Differences (b) – (c) Range =

(e) New sums 6 7 3 8 9 New sum S =
(f) New averages 6 7 3 8 9 New average S =
Calculation of effects Calculation of error limit
Time effect = 1/2(Y3+Y4) - 1/2(Y2+Y5) New average = 2n

= =
Sulphite effect = 1/2(Y3+ Y5) - 1/2(Y2+ Y4) New effects = 2n
= =
T x S effect = 1/2(Y2+ Y3) - 1/2(Y4+Y5)
Change in mean =1.78n
=
=
Change of mean = 1/5 (Y2+ Y3+ Y4+ Y5- 4Y1)
=
=
Remarks:
fk,n* found in standard tables for each value of range and number of values in range
ภาพที่ 4.29 การกรอกข้ อมูลผลของแผนการทดลองแบบ 22 EVOP สาหรับการทดลองครั้งที่ 1

ของตัวอย่างที่ 4.8 (ดัดแปลงจาก Edwardson และ Mac Cormac, 1984)
~ 241 ~
5 3
1 Cycle n = 2
2 4 ----------
Response – Color

(a) Previous cycle sum 6 7 3 8 9 Previous sum S =
(b) Previous cycle average 6 7 3 8 9 Previous average S =
(c) New observations 4 7 5 7 8 New S = R x fk,n*= 4 x 0.3
= 1.2
(d) Differences (b) – (c) 2 0 -2 1 1 Range = 2 - (-2) = 4
(e) New sums 10 14 8 15 17 New sum S = 1.2
(f) New averages 5 7 4 7.5 8.5 New average S = 1.2

= =
Sulphite effect = 1/2(Y3+ Y5) - 1/2(Y2+ Y4) New effects = 2n
= =
T x S effect = 1/2(Y2+ Y3) - ½(Y4+Y5)
Change in mean =1.78n
=
=
Change of mean = 1/5 (Y2+ Y3+ Y4+ Y5- 4Y1)
=
=
Remarks:
fk,n* found in standard tables for each value of range and number of values in range
ภาพที่ 4.30 การคานวณส่วนเบี่ยงเบนมาตรฐานของแผนการทดลองแบบ 22 EVOP สาหรับการทดลองครั้งที่

1 และ 2 ของตัวอย่างที่ 4.8 (ดัดแปลงจาก Edwardson และ Mac Cormac, 1984)
~ 242 ~
5 3
1 Cycle n = 3
2 4 ----------
Response – Color

(a) Previous cycle sum 10 14 8 15 17 Previous sum S =
(b) Previous cycle average 5 7 4 7.5 8.5 Previous average S =
(c) New observations 7 7 3 6 8 New S = R x fk,n* = 3.5 x 0.35
= 1.23
(d) Differences (b) – (c) -2 0 1 1.5 0.5 Range = 1.5 - (-2) = 3.5
(e) New sums 17 21 11 21 25 New sum S = 1.2+1.23 = 2.43
(f) New averages 5.7 7 3.7 7.0 8.3 New average S = 1.22

= 1/2(3.7 + 7) - 1/2(7 + 8.3) = -2.3 = 2 x 1.223 = + 1.41
Sulphite effect = 1/2(Y3+ Y5) - 1/2(Y2+ Y4)
New effects = 2n
= 1/2(3.7+8.3) -1/2(7 + 7) = -1.0
= 2 x 1.223 = + 1.41
T x S effect = 1/2(Y2+ Y3) - ½(Y4+Y5)
= 1/2(7 + 3.7) - 1/2(7 + 8.3) = -2.3 Change in mean =1.78n
Change of mean = 1/5 (Y2+ Y3+ Y4+ Y5- 4Y1) = 1.78 x 1.223 = + 1.25
= 1/5(7+ 3.7 + 7+ 8.3 – (4 x 5.7))
= 0.64
Remarks: Time effect exceeds effect limits and treatment (5) has a higher score
Than (1) by more than 2 x S = 2.44, therefore, we have an improved
Condition, so processing conditions at (5) give improved color of
Product.
ภาพที่ 4.31 การคานวณผลของแผนการทดลองแบบ 22 EVOP ของตัวอย่างที่ 4.8

(ดัดแปลงจาก Edwardson และ Mac Cormac, 1984)
~ 243 ~
จากการคานวณผลดังภาพที่ 4.29-4.31 พบว่า เวลาที่ใช้ ในการฟอกสีมผี ลต่อสีของเนื้อปลาอย่างมี

นัยสาคัญทางสถิติ (P<0.05) เนื่องจากอิทธิพลของเวลา (Time effect) ที่คานวณได้ คือ –2.3 มีค่ามากกว่า
error limit ของ effects คือ +1.41 ในขณะที่อทิ ธิพลของสารละลายซัลไฟท์ (Sulphite effect) มีค่าเพียง
–1.0 ซึ่งน้ อยกว่า + 1.41 แสดงให้ เห็นว่าการใช้ เวลามากจะมีผลทาให้ สขี องเนื้อปลาเข้ มขึ้นได้ และเมื่อ
พิจารณาอิทธิพลร่วมระหว่างเวลาและสารละลายซัลไฟท์ (T x S effect) พบว่า มีความสัมพันธ์กนั แบบหักล้ าง
เนื่องจากมีค่าเท่ากับ –2.3 มากกว่า + 1.41 และมีค่าลบ กล่าวคือ ผลการทดลองจะมีแนวโน้ มดีข้ นึ เมื่อ
ปัจจัยใดปัจจัยหนึ่งหรือทั้งสองปัจจัยอยู่ในระดับต่า
ส่วนสีของเนื้อปลาที่ผ่านการฟอกสีในการทดลองครั้งนี้ โดยเฉลี่ยแล้ วพบว่ามีความแตกต่างจาก
เนื้อปลาที่ฟอกสีตามกระบวนการปกติอย่างไม่มนี ัยสาคัญทางสถิติ (P>0.05) เนื่องจากค่า Change of
mean คือ 0.64 มีค่าน้ อยกว่า + 1.25 ซึ่งเป็ นค่า error limit ของ Change in mean ทาให้ สามารถใช้ เนื้อ
ปลาทั้งหมดในการผลิตผลิตภัณฑ์ตามปกติได้
และเมื่อพิจารณาทิศทางในการปรับตัวแปรเพื่อคุณภาพผลิตภัณฑ์ท่ดี ขี ้ นึ พบว่า ทรีตเมนต์ 5 มีค่า
คะแนนเฉลี่ยเท่ากับ 8.3 มากกว่า 5.7 ซึ่งเป็ นค่าคะแนนเฉลี่ยของทรีตเมนต์ควบคุม 2.6 มากกว่า 2 เท่าของ
ค่าส่วนเบี่ยงเบนมาตรฐานของการทดลอง (2 x 1.22 = 2.44) ทาให้ เกิดความแตกต่างอย่างมีนัยสาคัญ
ทางสถิติ (P<0.05) และมีผลในทางที่ดมี ากกว่าทรีตเมนต์ควบคุม ในขณะที่ทรีตเมนต์อ่นื ไม่มคี วามแตกต่าง
ดังกล่าวเกิดขึ้น จึงควรเปลี่ยนจากกระบวนการผลิตที่ใช้ อยู่มาเป็ นกระบวนการตามทรีตเมนต์ 5 คือ ความ
เข้ มข้ นของสารละลายซัลไฟท์ 250 ppm เวลา 50 นาที และอาจวางแผนทาการทดลองต่อไปเพื่อหาภาวะ
ที่ดขี ้ นึ ได้ อกี โดยกาหนดให้ มที รีตเมนต์ของการทดลองใหม่ดงั ต่อไปนี้
ทรีตเมนต์ 1 ความเข้ มข้ นของสารละลายซัลไฟท์ 250 ppm เวลา 50 นาที (ควบคุม)
ทรีตเมนต์ 2 ความเข้ มข้ นของสารละลายซัลไฟท์ 200 ppm เวลา 40 นาที
4.5 การออกแบบพื้ นที่การตอบสนอง

การออกแบบพื้นที่การตอบสนอง (Response surface method) เป็ นการทดลองสาหรับการหาสภาวะที่
เหมาะสม โดยการสร้ างความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรต้ นตั้งแต่ 2 ตัวแปรขึ้นไปในลักษณะของ
แบบจาลองเส้ นตรงและหรือแบบจาลองอื่นๆ ทาให้ เกิดเป็ นพื้นที่การตอบสนอง (ลักษณะหรือรูปแบบของตัว
แปรตาม) ที่ครอบคลุมในช่วงของตัวแปรต้ นที่ต้องการศึกษา จึงสามารถพิจารณาผลตอบสนองที่ต้องการ
(ค่าที่ใช้ ตดิ ตามผล) ณ จุดต่างๆ จากรูปแบบความสัมพันธ์ดงั กล่าวได้
การออกแบบพื้นที่การตอบสนอง จะต้ องเริ่มต้ นจากการเก็บข้ อมูลโดยใช้ แผนการทดลองแบบเซนทรัล
คอมโพสิต (Central composite design; CCD) หรือ แผนการทดลองแบบบอกซ์เบนเคน (Box-Behnken
design) โดยแผนการทดลองแบบเซนทรัลคอมโพสิต คือ แผนการทดลองแบบ 2n แฟคทอเรียล ที่มกี ารเพิ่ม
ตาแหน่งกึ่งกลางของการทดลอง (0,0) และตาแหน่งแอลฟา (0,+) เมื่อ แอลฟา มีค่าเท่ากับ จานวน
ทรีตเมนต์ของการทดลองแบบแฟคทอเรียลยกกาลัง 1/4 ตัวอย่างเช่น แผนการทดลองแบบ 22
แฟคทอเรียล จะมีค่าแอลฟา เท่ากับ (2x2)¼ หรือ 1.414 เป็ นต้ น ดังนั้นทรีตเมนต์คอมบิเนชันทั้งหมดจึง
~ 244 ~
เป็ นดังตารางที่ 4.21 ในขณะที่แผนการทดลองแบบบอกซ์เบนเคน เป็ นแผนการทดลองที่ใช้ ในการศึกษา

ความสัมพันธ์แบบควอดราติกของตัวแปรต้ นตั้งแต่ 3 ตัวแปรขึ้นไป และแต่ละตัวแปรมี 3 ระดับ ดังตารางที่
4.22 โดยทั้งสองกรณีจะทาการทดลองเพียงครั้งเดียว แต่มกี ารทาซา้ ที่ตาแหน่งกึ่งกลางเพื่อใช้ ในการคานวณ
ส่วนเบี่ยงเบนมาตรฐานของการทดลอง ตัวอย่างของจานวนซา้ ที่ตาแหน่งกึ่งกลางและจานวนทรีตเมนต์
คอมบิเนชันทั้งหมดของแผนการทดลองทั้งสองแสดงดังตารางที่ 4.23 (NIST/SEMATECH, n.d.)
สาหรับการออกแบบพื้นที่การตอบสนองนี้ จะยกตัวอย่างโดยการใช้ โปรแกรมสาเร็จรูปในการ
วิเคราะห์ข้อมูลในส่วนของการสร้ างสมการควอดราติก และ การสร้ างแผนภูมเิ ส้ นชั้นแบบโครงลวด (Contour
plot) เท่านั้น
ตารางที่ 4.21 ทรีตเมนต์คอมบิเนชันของแผนการทดลองแบบเซนทรัลคอมโพสิต

เมื่อใช้ แผนการทดลองแบบ 22 แฟคทอเรียลเป็ นพื้นฐาน
ทรีตเมนต์คอมบิเนชัน X1 X2
1 -1 -1
a 1 -1
b -1 1
ab 1 1
0,0 0 0
- , 0 -1.414 0
,0 1.414 0
0 , - 0 -1.414
0, 0 1.414
-1.414, -1, 0, 1, 1.414 คือ ระดับของตัวแปร X1 และ X2
~ 245 ~
ตารางที่ 4.22 ทรีตเมนต์คอมบิเนชันของแผนการทดลองแบบบอกซ์เบนเคน เมื่อมีตวั แปรต้ น 3 ตัว
X1 X2 X3
-1 -1 0
1 -1 0
-1 1 0
1 1 0
-1 0 -1
1 0 -1
-1 0 1
1 0 1
0 -1 -1
0 1 -1
0 -1 1
0 1 1
0 0 0
-1, 0, 1 คือ ระดับของตัวแปร X1, X2 และ X3
ตารางที่ 4.23 จานวนซา้ ที่ตาแหน่งกึ่งกลางและจานวนทรีตเมนต์คอมบิเนชันทั้งหมดของแผนการทดลอง

เซนทรัลคอมโพสิตและบอกซ์เบนเคน (ดัดแปลงจาก Box and Draper, 1987)
จานวน เซนทรัลคอมโพสิต บอกซ์เบนเคน

ตัวแปรต้ น (Central composite design; CCD) (Box-Behnken design)
2 13 (5 ซา้ ที่ตาแหน่งกึ่งกลาง) -
3 20 (6 ซา้ ที่ตาแหน่งกึ่งกลาง) 15 (3 ซา้ ที่ตาแหน่งกึ่งกลาง)
4 30 (6 ซา้ ที่ตาแหน่งกึ่งกลาง) 27 - 29
(3 - 5 ซา้ ที่ตาแหน่งกึ่งกลาง)
ตัวอย่างที่ 4.9 (ดัดแปลงจาก Wangcharoen et al., 2006)

การทดลองเพื่อหาสูตรที่เหมาะสมของการปรุงแต่งขนมขบเคี้ยวรสกระเทียมพริกไทย โดยใช้ แผนการ
ทดลองแบบบอกซ์เบนเคน เมื่อจานวนตัวแปรต้ นเท่ากับ 3 ติดตามผลโดยการทดสอบการยอมรับโดยใช้ มาตรา
ความชอบ 9 ระดับ (9-point hedonic scale) ใช้ ผ้ ทู ดสอบ 30 คน และนาข้ อมูลของแต่ละคนมาหาค่า
มาตรฐาน (Z-score) เพื่อลดความแตกต่างของการใช้ สเกลก่อนนามาหาค่าเฉลี่ย ได้ ผลการทดลองดังตารางที่
4.24
~ 246 ~
ตารางที่ 4.24 ผลการทดลองสาหรับตัวอย่างที่ 4.9 (ดัดแปลงจาก Wangcharoen et al., 2006)
X1 (เกลือป่ น) X2 (กระเทียมผง) X3 (พริกไทยผง) Z-score mean (ค่าเฉลี่ยของค่ามาตรฐาน)

-1 -1 0 0.441
1 -1 0 -0.428
-1 1 0 0.219
1 1 0 0.147
-1 0 -1 0.281
1 0 -1 -0.138
-1 0 1 -0.158
1 0 1 -0.236
0 -1 -1 0.049
0 1 -1 0.382
0 -1 1 -0.593
0 1 1 -0.236
0 0 0 0.121
0 0 0 0.162
0 0 0 0.004
ปริมาณเกลือป่ น (-1 = 1 %(w/w), 0 = 1.5 %(w/w), 1 = 2 %(w/w))
ปริมาณกระเทียมผงและปริมาณพริกไทยผง (-1 = 0 %(w/w), 0 = 2 %(w/w), 1 = 4 %(w/w))
วิธีทา
1. สร้ างความสัมพันธ์ระหว่างตัวแปรต้ นและตัวแปรตามด้ วยแบบจาลองควอดราติก ดังนี้
Z-score mean = constant + a X1 + b X2 + c X3 + d X12 + e X22 + f X32

+ g X1X2 + h X1X3 + i X2X3
โดยใช้ โปรแกรมสาเร็จรูป และพิจารณาเลือกสัมประสิทธิ์ท่มี รี ะดับนัยสาคัญทางสถิติ (p< 0.10)

จะได้ แบบจาลองซึ่งมีค่า R2 = 0.903 และ Adjusted R2 = 0.731 ดังนี้
Z-score mean = - 0.180 X1 + 0.130 X2 – 0.225 X3 – 0.176 X32 + 0.199 X1X2
2. เมื่อแบบจาลองที่ได้ จากข้ อ 1 มีพจน์ของตัวแปรต้ นยกกาลังสองที่มสี มั ประสิทธิ์เป็ นลบอยู่ (ซึ่งใน

ที่น้ ี คือ –0.176 X32) แสดงว่า สามารถหาค่าที่เหมาะสมของตัวแปรต้ นนั้น ที่ทาให้ ได้ ค่าที่ใช้
ติดตามผล (ตัวแปรตาม) สูงสุดได้ จึงนาสมการดังกล่าวมาหาค่าอนุพันธ์ (dY/dX= 0) เพื่อหา
ค่าของ X ที่ทาให้ Y มีค่าสูงสุด ดังต่อไปนี้
d Z-score mean/ d X3 = - 0.225 – (2)(0.176) X3 =0
~ 247 ~
ดังนั้น X3 = 0.225 / - 0.352 = -0.639
3. นาค่า X3 (พริกไทยผง) ที่ทาให้ Y มีค่าสูงสุดจากข้ อ 2 (-0.639) มาแทนค่าลงไปในแบบจาลอง

ที่ได้ จากข้ อ 1 จะได้ แบบจาลองใหม่ดงั นี้
Z-score mean = - 0.180 X1 + 0.130 X2 – 0.225 (-0.639) – 0.176 (-0.639)2

+ 0.199 X1X2
= - 0.180 X1 + 0.130 X2 + 0.144 – 0.072 + 0.199 X1X2
= 0.072 - 0.180 X1 + 0.130 X2 + 0.199 X1X2
4. นาแบบจาลองที่ได้ จากข้ อ 3 มาคานวณค่า Z-score mean เมื่อ X1(เกลือป่ น) และ X2(กระเทียม

ผง) อยู่ในช่วง -1 ถึง 1 แล้ วนามาสร้ างแผนภูมเิ ส้นชั้นแบบโครงลวด จะพบว่า ควรเลือกใช้
X1(เกลือป่ น) ไม่เกิน -0.8 และ X2(กระเทียมผง) ไม่เกิน 0.4 ดังภาพที่ 4.32 (ดูวิธกี ารสร้ าง
แผนภูมเิ ส้ นชั้นแบบโครงลวดในข้ อ 4.5.2)
ภาพที่ 4.32 แผนภูมเิ ส้นชั้นแบบโครงลวด (Contour plot) จากผลการทดลองของตัวอย่างที่ 4.9
~ 248 ~

การใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูลสาหรับการสร้ างแบบจาลองควอดราติกในส่วนของการ
ออกแบบพื้นที่การตอบสนองนี้ จะขอกล่าวถึงเพียง 3 กรณี คือ โปรแกรมไมโครซอฟท์เอกซ์เซล (Microsoft
Excel) โปรแกรมเอสพีเอสเอส (SPSS) และ โปรแกรมอาร์ (R) โดยใช้ ข้อมูลของตัวอย่างที่ 4.9 เป็ นตัวอย่าง
ของการใช้ โปรแกรม และเพื่อความสะดวกในการพิมพ์ข้อมูล ควรเลือกพิมพ์ข้อมูลลงในแผ่นงานของ
โปรแกรมไมโครซอฟท์เอกซ์เซลก่อนดังตัวอย่างในภาพที่ 4.33 โดยพิมพ์หัวตารางซึ่งประกอบด้ วย Salt (X1),
Garlic (X2), Pepper (X3), Z-score mean, X12, X22, X32, X1X2, X1X3 และ X2X3 และพิมพ์ข้อมูลตาม
ตารางที่ 4.24 ลงไป ในส่วนของพจน์กาลังสองและพจน์ผลคูณสามารถใช้ คาสั่งให้ โปรแกรมคานวณให้ ได้
ตัวอย่างเช่น X1, X2 และ X3 ของทรีตเมนต์ 1 (แถว 2) อยู่ในเซลล์ A2, B2 และ C2 ตามลาดับ ที่เซลล์
ข้ อมูลของ X12, X22, X32, X1X2, X1X3 และ X2X3 ในแถวดังกล่าวให้ พิมพ์คาสัง่ =A2*A2, =B2*B2,
=C2*C2, =A2*B2, =A2*C2 และ =B2*C2 ตามลาดับ และคัดลอกสูตรลงมาจนครบทุกแถว เมื่อได้ ข้อมูล
ครบแล้ ว บันทึกไฟล์ไว้ (ในที่น้ ใี ช้ ช่ อื ไฟล์ RSM data.xlsx)
A B C D E F G H I J
1 X1 X2 X3 Z-score
X 12 X 22 X 32 X1X2 X1X3 X2X3
(Salt) (Garlic) (Pepper) mean
2 -1 -1 0 0.441 1 1 0 1 0 0
3 1 -1 0 -0.428 1 1 0 -1 0 0
4 -1 1 0 0.219 1 1 0 -1 0 0
5 1 1 0 0.147 1 1 0 1 0 0
6 -1 0 -1 0.281 1 0 1 0 1 0
7 1 0 -1 -0.138 1 0 1 0 -1 0
8 -1 0 1 -0.158 1 0 1 0 -1 0
9 1 0 1 -0.236 1 0 1 0 1 0
10 0 -1 -1 0.049 0 1 1 0 0 1
11 0 1 -1 0.382 0 1 1 0 0 -1
12 0 -1 1 -0.593 0 1 1 0 0 -1
13 0 1 1 -0.236 0 1 1 0 0 1
14 0 0 0 0.121 0 0 0 0 0 0
15 0 0 0 0.162 0 0 0 0 0 0
16 0 0 0 0.004 0 0 0 0 0 0
ภาพที่ 4.33 การพิมพ์ข้อมูลของตัวอย่างที่ 4.9 ในโปรแกรมไมโครซอฟท์เอกซ์เซล
~ 249 ~
4.5.1.1 โปรแกรมไมโครซอฟท์เอกซ์เซล (Onofie, 2007)

การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซลในส่วนของการสร้ างแบบจาลองควอดราติก จะใช้ แมโคร
DSAASTAT ในไฟล์ DSAASTAT.XLS (กรณีไม่มไี ฟล์ดงั กล่าว กรุณาดูช่ อื เวบไซด์สาหรับการดาวน์โหลดฟรี
ในบทที่ 2 หัวข้ อ 2.2.9.1 หน้ า 127)
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้

1. เปิ ดไฟล์ข้อมูลที่พิมพ์ไว้ ในโปรแกรมไมโครซอฟท์เอกซ์เซล (ในที่น้ ใี ช้ ช่ อื ไฟล์ RSM data.xlsx)
6. กล่อง “Select data” จะปรากฏขึ้น เลือกเซลล์ข้อมูลที่ต้องการวิเคราะห์รวมชื่อตัวแปรในแถวแรก
(A1:J16) และคลิก “OK”
8. กล่อง “Variable choice” จะปรากฏขึ้น เลือกผลการทดลองที่ต้องการวิเคราะห์ (ตัวอย่างที่ 4.9
คือ Z-score mean) ใส่ในช่อง “Dependent variable (Y)” (โดยคลิกที่เครื่องหมายลูกศร
ด้ านขวาของช่อง “Dependent variable (Y)” และเลื่อนลงไปคลิกที่ตวั แปรดังกล่าว)
10. เลือกปัจจัยที่ต้องการใช้ เป็ นตัวแปรต้ นของสมการ (ตัวอย่างที่ 4.9 นี้ มี 9 ตัวแปร คือ X1, X2
,X3, X12, X22, X32, X1X2, X1X3 และ X2X3 ) ใส่ในช่อง “Independent variables (X)” (โดย
คลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ)
เมื่อคลิก “OK” แล้ ว ผลการคานวณจะปรากฏในแผ่นงาน (Sheet) ใหม่ ซึ่งสามารถพิจารณาผลการ

คานวณได้ ท่ตี าราง PARAMETER ESTIMATES ดังตารางที่ 4.25 โดยพิจารณาเลือกสัมประสิทธิ์ของแต่ละ
พจน์ของแบบจาลองควอดราติกจากค่า Estimate ที่มรี ะดับนัยสาคัญทางสถิติตามที่กาหนด ซึ่งในที่น้ ี คือ Prob.
<0.10
~ 250 ~
ตารางที่ 4.25 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.9 โดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล

Intercept 0.096 0.089 1.080 0.329
X1 (Salt) -0.180 0.054 -3.315 0.021
X2 (Garlic) 0.130 0.054 2.404 0.061
X3 (Pepper) -0.225 0.054 -4.142 0.009
X1*X1 0.018 0.080 0.224 0.831
X2*X2 -0.019 0.080 -0.236 0.823
X3*X3 -0.176 0.080 -2.209 0.078
X1*X2 0.199 0.077 2.598 0.048
X1*X3 0.085 0.077 1.112 0.317
X2*X3 0.006 0.077 0.078 0.941

2.1.3.2 หน้ า 39 (แต่ในกรณีน้ ใี ช้ ช่ อื ไฟล์ RSM data.xlsx)
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง Data Set ที่มขี ้ อมูลอยู่

2. กล่อง “Linear Regression” จะปรากฏขึ้น เลือกผลการทดลองที่ต้องการวิเคราะห์ (ตัวอย่างที่
4.9 คือ Z-score mean) ใส่ในช่อง “Dependent:” (โดยคลิกที่ตวั แปรดังกล่าว และคลิก
เครื่องหมายลูกศรใส่ในช่อง “Dependent:”)
3. เลือกปัจจัยที่ต้องการใช้ เป็ นตัวแปรต้ นของสมการ (ตัวอย่างที่ 4.9 นี้ มี 9 ตัวแปร คือ X1, X2,
X3, X12, X22, X32, X1X2, X1X3 และ X2X3 ) ใส่ในช่อง Independent (s): (โดยคลิกที่ตวั แปร
แรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ แล้ วจึงคลิกเครื่องหมายลูกศร
ใส่ในช่อง “ Independent (s):”)

ได้ ท่ตี าราง Coefficientsa ดังตารางที่ 4.26 โดยพิจารณาเลือกสัมประสิทธิ์ของแต่ละพจน์ของสมการควอดราติก
จากค่า “B” ที่มรี ะดับนัยสาคัญทางสถิตติ ามที่กาหนด ซึ่งในที่น้ ี คือ Sig. <0.10
~ 251 ~
ตารางที่ 4.26 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.9 โดยใช้ โปรแกรมเอสพีเอสเอส
1 (Constant) 0.096 0.089 1.080 0.329
X1 -0.180 0.054 -0.460 -3.315 0.021
X2 0.130 0.054 0.334 2.404 0.061
X3 -0.225 0.054 -0.575 -4.142 0.009
X1X1 0.018 0.080 0.031 0.224 0.831
X2X2 -0.019 0.080 -0.033 -0.236 0.823
X3X3 -0.176 0.080 -0.308 -2.209 0.078
X1X2 0.199 0.077 0.360 2.598 0.048
X1X3 0.085 0.077 0.154 1.112 0.317
X2X3 0.006 0.077 0.011 0.078 0.941
Dependent Variable: Z score mean

2 หัวข้ อ 2.1.3.3 หน้ า 42-43
เมื่อต้ องการวิเคราะห์ข้อมูลให้ ทาตามขั้นตอนดังต่อไปนี้ ที่หน้ าต่าง R Commander

1. คลิก “Data” เลื่อน Cursor มาที่ “Import Data” และคลิก “from Excel file…”
(ในที่น้ ใี ช้ ช่ อื ไฟล์ RSM data.xlsx) และคลิก “Open”
“OK”
6. คลิก “Statistics” เลื่อน Cursor มาที่ “Fit models” แล้ วคลิก “Linear Model…”
7. กล่อง “Linear Model” จะปรากฏขึ้น ดับเบิลคลิกเลือกผลการทดลอง (ตัวอย่างที่ 4.9 คือ Z-
score mean) ในช่องซ้ ายสุดของ Model Formula และ ดับเบิลคลิกเพื่อเลือกปัจจัยที่เป็ นตัวแปร
ต้ นของสมการทีละตัวแปร (ตัวอย่างที่ 4.9 นี้ มี 9 ตัวแปร คือ X1, X2 ,X3, X12, X22, X32,
X1X2, X1X3 และ X2X3) ในช่องด้ านขวาของ Model Formula
~ 252 ~
ผลการคานวณจะปรากฏขึ้นในช่อง “Output” ของหน้ าต่าง “R Commander” ดังตารางที่ 4.27

พิจารณาเลือกสัมประสิทธิ์ของแต่ละพจน์ของสมการควอดราติกจากค่า “B” ที่มรี ะดับนัยสาคัญทางสถิตติ ามที่
กาหนด ซึ่งในที่น้ ี คือ Pr (>t ) <0.10
ตารางที่ 4.27 ผลการวิเคราะห์ข้อมูลตัวอย่างที่ 4.9 โดยใช้ โปรแกรมอาร์
B Std. Error t value Pr (>t)

(Intercept) 0.096 0.089 1.080 0.329
X1 -0.180 0.054 -3.315 0.021
X2 0.130 0.054 2.404 0.061
X3 -0.225 0.054 -4.142 0.009
X1X1 0.018 0.080 0.224 0.831
X2X2 -0.019 0.080 -0.236 0.823
X3X3 -0.176 0.080 -2.209 0.078
X1X2 0.199 0.077 2.598 0.048
X1X3 0.085 0.077 1.112 0.317
X2X3 0.006 0.077 0.078 0.941
4.5.2 การสร้ างแผนภูมิเส้ นชั้นแบบโครงลวด (Contour plot) โดย

การสร้ างแผนภูมเิ ส้นชั้นแบบโครงลวด โดยใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล มีข้นั ตอนดังต่อไปนี้

1. พิมพ์ข้อมูลเพื่อคานวณค่าผลลัพธ์ท่ตี ้ องการของสมการในช่วงของตัวแปรต้ นที่กาหนดในลักษณะ
ของสี่เหลี่ยมโดยให้ ตวั แปรต้ นตัวที่ 1 อยู่ในแนวตั้งและตัวแปรต้ นตัวที่ 2 อยู่ในแนวนอน
ตัวอย่างเช่น การคานวณค่า Z-score mean เมื่อใช้ X3 (พริกไทยป่ น) ในระดับที่ทาให้ Z-score
mean สูงสุด และแปร X1(เกลือป่ น) และ X2(กระเทียมผง) ในช่วง -1 ถึง 1 ของตัวอย่างที่ 4.9
- พิมพ์ค่าของ X1 ในแนวตั้ง (A2:A12) และ X2 ในแนวนอน (B1:L1) เริ่มต้ นที่ -1 และ
ค่อยๆ เพิ่มขึ้นครั้งละ 0.2 จนกระทั่งถึง 1
- พิมพ์สตู รที่เซลล์ B2 ดังนี้ “= 0.072 - 0.180*$A2 + 0.130*B$1 +
0.199*$A2*B$1” ดังภาพที่ 4.34 (ก)
- คัดลอกสูตรดังกล่าวไปยังเซลล์ท่เี หลือทั้งหมดในบริเวณที่ต้องการคานวณค่า
จะได้ ข้อมูลดังภาพที่ 4.34 (ข)
2. เลือกพื้นที่ๆ จะใช้ ในการสร้ างแผนภูมิ (A1:L12)
3. คลิกแถบคาสั่ง “แทรก” คลิก “แผนภูมอิ ่นื ๆ” แล้ วคลิกเลือก “แผนภูมเิ ส้ นชั้นแบบโครงลวด”
ในส่วนของแผนภูมพิ ้ นื ผิว
~ 253 ~
4. แผนภูมเิ ส้ นชั้นแบบโครงลวดจะปรากฏขึ้น หลังจากนั้นสามารถปรับแต่งแผนภูมไิ ด้ ตามต้ องการ

ตัวอย่างเช่น ภาพที่ 4.32 มีการปรับแต่งดังนี้
- คลิกเมาส์ด้านขวา บริเวณแผนภูมิ และคลิก “การหมุนสามมิต”ิ
- กล่อง “จัดรูปแบบพื้นที่แผนภูม”ิ หน้ า “การหมุนสามมิต”ิ จะปรากฏขึ้น
- เลือกการหมุน แกน X: เป็ น 360 และแกน Y: เป็ น 90 แล้ วคลิก “ปิ ด”
- คลิกแถบคาสั่ง “เค้ าโครง” คลิก “ชื่อแกน” เลื่อนมาที่ “ชื่อแกนนอนปฐมภูม”ิ และคลิก
“ชื่อใต้ แกน”
- กล่องข้ อความจะปรากฏขึ้นใต้ แกนนอน พิมพ์ช่ อื แกนในกล่องข้ อความ (สาหรับตัวอย่างที่
4.9 นี้ แกนนอน คือ “X2 (กระเทียมผง)”) และจัดวางตาแหน่งชื่อแกนตามต้ องการ
- คลิก “ชื่อแกน” เลื่อนมาที่ “ชื่อแกนตั้งปฐมภูม”ิ และคลิก “ชื่อแนวนอน”
- กล่องข้ อความแนวนอนจะปรากฏขึ้นข้ างแกนตั้ง พิมพ์ช่ อื แกนในกล่องข้ อความ (สาหรับ
ตัวอย่างที่ 4.9 นี้ แกนตั้ง คือ “X1 (เกลือป่ น)”) และจัดวางตาแหน่งชื่อแกนตามต้ องการ
- ดับเบิลคลิกตรงตาแหน่งค่าของผลลัพธ์แต่ละช่วง
- กล่อง “จัดรูปแบบแถบ” จะปรากฏขึ้น คลิก “ลักษณะเส้นขอบ” ปรับ “ความกว้ าง:” และ
“ชนิดเส้นประ:” ตามต้ องการ แล้ วคลิก “ปิ ด”
- จะได้ แผนภูมเิ ส้นชั้นแบบโครงลวดดังภาพที่ 4.32 (แต่ไม่มลี ูกศรสีแดง บอกระดับของ X1
และ X2)
- หากต้ องการเพิ่มลูกศรสีแดง คลิกแถบคาสั่ง “แทรก” คลิก “รูปร่าง” และคลิกเลือก “ลูกศร”
- จะมีลูกศรปรากฏขึ้น คลิกชวาที่ลูกศร และคลิก “จัดรูปแบบวัตถุ”
- จะมีกล่อง “จัดรูปแบบรูปร่าง” ปรากฏขึ้น คลิกเลือก “สีเส้ น” และ “ลักษณะเส้น” ตาม
ต้ องการ แล้ วคลิก “ปิ ด” จากนั้นจัดตาแหน่งลูกศรตามต้ องการ
~ 254 ~
A B C D E F G H I J K L
1 X1 \ X2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
2 -1 = 0.072 - 0.180*$A2 + 0.130*B$1 + 0.199*$A2*B$1
3 -0.8
4 -0.6
5 -0.4
6 -0.2
7 0
8 0.2
9 0.4
10 0.6
11 0.8
12 1
(ก)
A B C D E F G H I J K L
1 X1 \ X2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
2 -1 0.321 0.307 0.293 0.280 0.266 0.252 0.238 0.224 0.211 0.197 0.183
3 -0.8 0.245 0.239 0.234 0.228 0.222 0.216 0.210 0.204 0.198 0.193 0.187
4 -0.6 0.169 0.172 0.174 0.176 0.178 0.180 0.182 0.184 0.186 0.188 0.191
5 -0.4 0.094 0.104 0.114 0.124 0.134 0.144 0.154 0.164 0.174 0.184 0.194
6 -0.2 0.018 0.036 0.054 0.072 0.090 0.108 0.126 0.144 0.162 0.180 0.198
7 0 -0.058 -0.032 -0.006 0.020 0.046 0.072 0.098 0.124 0.150 0.176 0.202
8 0.2 -0.134 -0.100 -0.066 -0.032 0.002 0.036 0.070 0.104 0.138 0.172 0.206
9 0.4 -0.210 -0.168 -0.126 -0.084 -0.042 0.000 0.042 0.084 0.126 0.168 0.210
10 0.6 -0.285 -0.236 -0.186 -0.136 -0.086 -0.036 0.014 0.064 0.114 0.164 0.213
11 0.8 -0.361 -0.303 -0.246 -0.188 -0.130 -0.072 -0.014 0.044 0.102 0.159 0.217
12 1 -0.437 -0.371 -0.305 -0.240 -0.174 -0.108 -0.042 0.024 0.089 0.155 0.221
(ข)
ภาพที่ 4.34 การพิมพ์ข้อมูลเพื่อสร้ างแผนภูมเิ ส้นชั้นแบบโครงลวดของตัวอย่างที่ 4.9
~ 255 ~
การทดลองแบบส่วนผสม
- กรณีวิเคราะห์ข้อมูลโดยใช้ แบบจาลองเส้นตรง โดยใช้ โปรแกรมเอสพีเอสเอส หรือ

อาร์ จะได้ ผลดังตารางด้ านล่าง ซึ่งพบว่า ส่วนผสมทุกชนิดมีผลทาให้ ค่าที่ตดิ ตามมีค่า
มากขึ้นอย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นร้ อยละ 95 (p<0.05)
1 X1 11.467 1.916 0.380 5.984 0.000
X2 9.633 1.916 0.319 5.027 0.000
X3 10.633 1.916 0.353 5.549 0.000
X4 16.467 1.916 0.546 8.593 0.000
Dependent Variable: Data
- กรณีวิเคราะห์ข้อมูลโดยใช้ แบบจาลองกาลังสอง โดยใช้ โปรแกรมเอสพีเอสเอส หรือ

อาร์ จะได้ ผลดังตารางด้ านล่าง ซึ่งพบว่า ส่วนผสมทุกชนิดมีผลทาให้ ค่าที่ตดิ ตามมีค่า
มากขึ้นอย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นร้ อยละ 95 (p<0.05) และพบ
อิทธิพลร่วมแบบเสริมกัน (มีค่าเป็ นบวก)ของ X1 และ X2 ในขณะที่พบอิทธิพลร่วม
แบบหักล้ างกัน (มีค่าเป็ นลบ)ของ X3 และ X4 อย่างมีนัยสาคัญทางสถิตทิ ่รี ะดับ
ความเชื่อมั่นร้ อยละ 95 (p< 0.05)
1 X1 9.000 1.351 0.298 6.662 0.000
X2 6.500 1.351 0.216 4.812 0.001
X3 13.500 1.351 0.448 9.993 0.000
X4 17.500 1.351 0.580 12.954 0.000
X1*X2 31.000 6.618 0.194 4.684 0.001
X1*X3 -9.000 6.618 -0.056 -1.360 0.204
X1*X4 11.000 6.618 0.069 1.662 0.127
X2*X3 4.000 6.618 0.025 0.604 0.559
X2*X4 6.000 6.618 0.038 0.907 0.386
X3*X4 -26.000 6.618 -0.163 -3.929 0.003
Dependent Variable: Data
~ 256 ~
แบบราลองวิศวกรรมส่วนกลับ
การวิเคราะห์ข้อมูลเพื่อหาส่วนผสมในกรณีต่างๆ โดยใช้ แบบจาลองเส้นตรง (โดยพิจารณาเลือก

พจน์ท่มี นี ัยสาคัญทางสถิตทิ ่รี ะดับความเชื่อมั่นร้ อยละ 90 ขึ้นไป (p<0.10) ไว้ ในแบบจาลอง) มี
วิธพี ิมพ์ข้อมูลและได้ ผลดังภาพด้ านล่าง
A B C D E F
1 1 1 1 1 ความชอบ =49.13+(7.88*C1)+(2.88*D1)
2 (X1) (X2) (X3) (X4) ความใส =44.13 + (13*A1)+(-13.13*B1)
3 ความเปรี้ยว = 61.69 + (10.06*A1)+(-3.81*B1)
+ (-4.81*C1)+(4.06*D1)
4 ความหวาน =65+(6.88*B1)+(7.38*C1)+(4.88*D1)
5 ความหนืด =71.63+(8.25*B1)+(10*C1)
กรณีที 1 ส่วนผสมที่ทาให้ ได้ คะแนนการยอมรับสูงสุด
A B C D E F
1 -1 -1 1 1 ความชอบ 59.89
2 (X1) (X2) (X3) (X4) ความใส 44.26
3 ความเปรี้ยว 54.69
4 ความหวาน 70.38
5 ความหนืด 73.38
กรณีที่ 2 ส่วนผสมที่ทาให้ ได้ คะแนนการยอมรับสูงสุด และมีคะแนนความใสมากกว่าหรือเท่ากับ

70
A B C D E F
1 0.98 -1 1 1 ความชอบ 59.89
2 (X1) (X2) (X3) (X4) ความใส 70
3 ความเปรี้ยว 74.60
4 ความหวาน 70.38
5 ความหนืด 73.38
~ 257 ~
ั น์ หวังเจริญ, สุดาพร ตงศิริ, เกรียงศักดิ์ เม่งอาพัน, ดวงพร อมรเลิศพิศาล.
ธัณย์สติ า กุลศิริเมธานนท์, วิวฒ
การพัฒนาเครื่องดืม่ ชนิดเจลจากสารสกัดสาหร่ายเตา. The 2nd Annual Meeting of Thailand
Sensory Science and Consumer Research Network 2014; 17-18 July 2014, p. 87-93.
สุจินดา ศรีวัฒนะ. แบบหุ่นจาลองและสูตรอาหารที่เหมาะสม. อาหาร 2548; 35(3): 168-176.
ASTM. Just-about-right (JAR) scales: design, usage, benefits and risks. Rothman, L. and Parker, M.
J. (Eds.). ASTM international manual series; MNL63; 2009, 120 p.
Box GEP and Draper NR. Empirical Model Building and Response Surfaces. New York: John Wiley and
Sons; 1987, 669 p.
Cornell JA. Experiments with Mixtures: Designs, Models, and the Analysis of Mixture Data. 3rd Edn. New
York: .John Wiley & Sons; 2002, 680 p.
Edwardson W and Mac Cormac CW. Improving small-scale food industries in developing countries.
Ottawa: International development research centre; 1984, 167 p.
Excel Easy. Analysis Toolpak.
URL http://www.excel-easy.com/data-analysis/analysis-toolpak.html; (n.d.)
Granja DI and Ruiz JJR. PHPSimplex Version 0.81. English translation by: Tobaria LM.
URL http://www.phpsimplex.com/en/. (n.d.)
Lawless HT and Heymann H. Sensory evaluation of food: principles and practices. New York:
Chapman & Hall; 1998, 827 p.
Moskowitz HR. Food concepts and products: just-in-time development. Connecticut: Food & Nutrition
Press; 1994, 502 p.
NIST/SEMATECH. e-Handbook of Statistical Methods.
URL http://www.itl.nist.gov/div898/handbook/pri/section3/pri33.htm#Response
Surface(method); (n.d.)
Plaehn D, Horne J and Stucky G. Understanding penalty analysis.
URL http://www.marketresearchworld.net/content/view/3233/74/; (n.d.)
Prinyawiwatkul W and Waimaleongora-EK P. A 3-days workshop: sensory characterization of salt
substitutes and its food applications. Bangkok: Ministry of Science and Technology & Kasetsart
Agricultural and Agro-Industrial Product Improvement Institute (KAPI); 2010.
(n.d.)
~ 258 ~
Stone H and Sidel JL. Sensory evaluation practices. 2ndEdn. San Diego: Academic Press; 1993, 338 p.
Wangcharoen W, Ngarmsak T and Wilkinson BH. Formula optimization for garlic and pepper-flavoured
puffed snacks. Songklanakarin Journal of Sciences and Technology 2006; 28 (Suppl.1):
63-70.
~ 259 ~
~ 260 ~
บทที่ 5
ผังแสดงความชอบ
ผังแสดงความชอบ (Preference map) หรือ ผังแสดงตาแหน่งผลิตภัณฑ์ตามความชอบของผู้บริโภค

เป็ นเทคนิคที่ได้ มาจากการประยุกต์ใช้ ข้อมูลความชอบหรือการยอมรับของผู้บริโภคและข้ อมูลความเข้ มของ
ลักษณะหรือสมบัตขิ องผลิตภัณฑ์ในการสร้ างผังแสดงการรับรู้ (Perceptual map) มีลักษณะเป็ นแผนภูมิ 2 มิติ
ที่แสดงความแตกต่างในภาพรวมของผลิตภัณฑ์ท่สี นใจ ทาให้ สามารถเห็นความแตกต่างได้ ง่ายและรวดเร็วกว่า
การพิจารณาจากข้ อมูลทั้งหมดที่มอี ยู่ จึงเป็ นเทคนิคที่มปี ระโยชน์อย่างมากสาหรับการตลาดที่มกี ารแข่งขัน
สูงเช่นในปัจจุบนั เนื่องจากทาให้ ทราบว่า ผลิตภัณฑ์ท่มี อี ยู่ในตลาดมีความเหมือนหรือแตกต่างกันมากน้ อย
เพียงใด โดยพิจารณาจากระยะห่ างของตาแหน่งของผลิตภัณฑ์ท่อี ยู่บนผัง และสามารถนามาใช้ เพื่อ
วัตถุประสงค์ต่างๆ ทางการตลาดได้ ดงั ต่อไปนี้ (SurveySite, n.d.)
- การจัดกลุ่มผลิตภัณฑ์ โดยพิจารณาจากผลิตภัณฑ์ท่อี ยู่ในบริเวณเดียวกันของผัง
- การพิ จ ารณาว่ า ลั กษณะหรื อ สมบั ติใ ดบ้ า งที่เ ป็ นปั จ จั ย ส าคัญ ทาให้ ผลิ ต ภั ณ ฑ์ท่ีมีอ ยู่ มี ค วาม
แตกต่างกัน โดยพิจารณาจากลักษณะหรือสมบัตทิ ่มี คี วามสัมพันธ์กบั ตาแหน่งของผลิตภัณฑ์
- การพิจารณาคู่แข่งขันทางการตลาด โดยพิจารณาจากผลิตภัณฑ์ท่อี ยู่ในตาแหน่งใกล้ เคียงกันในผัง
- การพิจารณาจุ ดแข็งและจุ ดอ่อนของผลิตภัณฑ์เมื่อเปรียบเทียบกับคู่แข่งขัน โดยพิจารณาจาก
ลักษณะหรือสมบัตทิ ่มี คี วามสัมพันธ์กบั ตาแหน่งของผลิตภัณฑ์แต่ละรายการ
- การวิเคราะห์โอกาสทางการตลาด โดยพิจารณาจากบริเวณในผั งที่มีสินค้ าหรือบริการอยู่น้อย
หรือบริเวณที่ไม่มสี นิ ค้ าหรือบริการใดอยู่เลย
การสร้ างผังแสดงความชอบจาเป็ นต้ องใช้ โปรแกรมสาเร็จรูปในการวิเคราะห์ข้อมูลและการสร้ างผัง

โดยสามารถทาได้ 2 วิธี คือ การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์จากคะแนนความชอบหรือการยอมรับ
ผลิตภัณฑ์ (Internal analysis) และ การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์จากลักษณะหรือสมบัตขิ องผลิตภัณฑ์
(External preference analysis; Prefmap) (MacFie and Thomson, 1994)
5.1 การสร้างผังจากคะแนนความชอบหรือการยอมรับผลิตภัณฑ์
การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์จากคะแนนความชอบหรือการยอมรับผลิตภัณฑ์ สามารถทาได้
โดยเริ่ มต้ นที่การน าข้ อมู ลคะแนนความชอบหรือการยอมรับของแต่ ละผลิ ตภัณฑ์ของผู้ บริโภคแต่ ล ะคนมา
วิเคราะห์องค์ประกอบหลัก (Principal component analysis) เพื่อรวมข้ อมูลคะแนนความชอบหรือการยอมรับ
ของผู้ บริโ ภคที่มีลั กษณะใกล้ เ คียงหรื อสัมพั น ธ์กันเข้ า ด้ วยกัน และสร้ า งเป็ นองค์ป ระกอบหลั ก (Principal
component; PC) ขึ้นมาใหม่ ด้ วยการวิเคราะห์ความถดถอยเชิงพหุท่มี ีความสัมพันธ์ในลักษณะแบบจาลอง
เส้ นตรง (Linear combination) ( เช่น PC1 = a11X1 + a21X2 + a31X3 + … + e1; PC2 = a12X1 + a22X2 +
a32X3 + … + e2 เป็ นต้ น ) องค์ประกอบหลักที่สร้ างขึ้นแต่ละองค์ประกอบจะเป็ นอิสระต่อกัน โดย

องค์ ป ระกอบหลั ก (PC1)แรกจะสามารถอธิบายความแปรปรวนของข้ อมู ล ได้ ม ากที่สุด รองลงมา คื อ
องค์ป ระกอบหลั ก ที่ส อง (PC2) และองค์ป ระกอบต่ อๆ มา ตามล าดับ จนกระทั่ง สามารถอธิบายความ
แปรปรวนของข้ อมูลได้ ครบทั้งหมด (100%) การทาเช่นนี้จะทาให้ สามารถใช้ องค์ประกอบหลักที่สร้ างขึ้นมา
ใหม่เพียงไม่ก่อี งค์ประกอบ เพื่ออธิบายความแตกต่างของผลิตภัณฑ์ท้งั หมดที่สนใจได้
ในกรณีท่อี งค์ประกอบหลักที่สร้ างขึ้น 2 องค์ประกอบแรกสามารถที่จะอธิบายความแปรปรวนของ
ข้ อมูลได้ ในระดับที่น่าพอใจ จะนาองค์ประกอบหลักดังกล่ าวมาสร้ างเป็ นผังแสดงตาแหน่งผลิตภัณฑ์แบบ 2
มิติ โดยใช้ ค่าองค์ประกอบหลักที่ 1 และ 2 เป็ นแกนนอนและแกนตั้งของผัง และใช้ ค่าองค์ประกอบหลักที่ 1
และ 2 ของผลิตภัณฑ์แต่ละรายการเพื่ อแสดงตาแหน่งของผลิตภัณฑ์แต่ละรายการ (MacFie and Thomson,
1994)
นอกจากนี้ยังสามารถนาข้ อมูลความเข้ มของลักษณะหรือสมบัตขิ องผลิตภัณฑ์แต่ละรายการมาหาค่า
สหสัมพันธ์ (Correlation) กับตาแหน่งของผลิตภัณฑ์ เพื่อระบุทศิ ทางของลักษณะหรือสมบัตดิ งั กล่าวบนผัง ดัง
ตัวอย่างที่ 5.1 หรือสามารถแสดงทิศทางความชอบหรือการยอมรับของผู้บริโภคแต่ละกลุ่มได้ โดยนาค่า
คะแนนความชอบหรือการยอมรับของผู้บริโภคแต่ละกลุ่มมาสร้ างความสัมพันธ์กบั ตาแหน่งของผลิตภัณฑ์แต่ละ
รายการบนผัง ในรูปแบบเวคเตอร์ดงั นี้ (Anonymous, n.d.)
Linear or Vector model: Y = a + b X 1 + c X2
เมื่อ Y คือ คะแนนความชอบหรือการยอมรับ

X1 คือ ตาแหน่งบนแกนที่ 1 (แกนนอน) ของผลิตภัณฑ์
X2 คือ ตาแหน่งบนแกนที่ 2 (แกนตั้ง) ของผลิตภัณฑ์
ตัวอย่างงานวิจัยที่แสดงทิศทางความชอบหรือการยอมรับของผู้บริโภคแต่ละกลุ่มบนผังแสดงตาแหน่ง
ผลิตภัณฑ์จากคะแนนความชอบหรือการยอมรับผลิตภัณฑ์ ได้ แก่ งานวิจัยที่ศึกษาความชอบหรือการยอมรับ
ของผู้บริโภคที่มตี ่อผลิตภัณฑ์นา้ ใบข้ าวพร้ อมดื่ม 5 ชนิดของ Wangcharoen and Phimphilai (2016) ที่พบ
ความแตกต่างด้ านความชอบหรือการยอมรับของผู้บริโภคที่แตกต่างกัน 2 ทิศทางดังตัวอย่างที่ 5.2
~ 262 ~
จากข้ อมูลในตารางที่ 5.1 กรุณาสร้ างผังแสดงความชอบผลิตภัณฑ์จากคะแนนความชอบหรือการ
ยอมรับ (Internal analysis) และระบุทศิ ทางของลักษณะทางประสาทสัมผัสต่างๆ ของผลิตภัณฑ์บนผัง
ตารางที่ 5.1 ข้ อมูลสาหรับตัวอย่างที่ 5.1 (ดัดแปลงจาก Anonymous, n.d.)
คะแนนความชอบ ลักษณะทางประสาทสัมผัส
ผู้ชิม 1 ผู้ชิม 2 ผู้ชิม 3 ผู้ชิม 4 ผู้ชิม 5 1 2 3 4
ผลิตภัณฑ์ A 9 6 2 6 2 80 60 40 60
ผลิตภัณฑ์ B 6 9 9 2 6 60 80 60 40
ผลิตภัณฑ์ C 2 6 9 6 9 40 60 80 60
ผลิตภัณฑ์ D 6 2 2 9 6 60 40 60 80
ผลิตภัณฑ์ E 6 6 6 6 6 60 60 60 60
วิธีทา
ก. การสร้างผังแสดงตาแหน่งผลิตภัณฑ์จากคะแนนความชอบหรือการยอมรับ
โดยใช้โปรแกรมเอสพีเอสเอส มีข้นั ตอนดังต่อไปนี้
1. พิมพ์ข้อมูลดังภาพที่ 5.1 ที่หน้ าต่าง Data Set ของโปรแกรมเอสพีเอสเอส โดยการเปลี่ยนชื่อ

สดมภ์จะต้ องคลิกเข้ าไปเปลี่ยนที่ “Name” ในส่วนของ “Variable View” (ด้ านล่างซ้ ายของ
หน้ าต่าง) ในกรณีท่ตี ้ องการกรอกเป็ นตัวอักษร (ไม่ใช่ตวั เลข) ต้ องเปลี่ยน “Type” จาก
“Numeric” เป็ น “String” และหากต้ องการเพิ่มจานวนตัวอักษร ให้ เพิ่มที่ “Width”
(กรณีมไี ฟล์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซล กรุณาดูรายละเอียดวิธกี ารดึงไฟล์ข้อมูลใน
บทที่ 2 หัวข้ อ 2.1.3.2 หน้ า 39)
product p1 p2 p3 p4 p5 attribute1 attribute2 attribute3 attribute4

1 A 9 6 2 6 2 80 60 40 60
2 B 6 9 9 2 6 60 80 60 40
3 C 2 6 9 6 9 40 60 80 60
4 D 6 2 2 9 6 60 40 60 80
5 E 6 6 6 6 6 60 60 60 60
ภาพที่ 5.1 การพิมพ์ข้อมูลตัวอย่างที่ 5.1 ที่หน้ าต่าง Dataset ของโปรแกรมเอสพีเอสเอส
2. เมื่อต้ องการวิเคราะห์ข้อมูล คลิก “Analyze” เลื่อน Cursor มาที่ “Data Reduction” แล้ วคลิก
“Factor..”
~ 263 ~
3. กล่อง “Factor Analysis” จะปรากฏขึ้น เลือกผู้ชิม (ตัวอย่างที่ 5.1 คือ p1- p5) ใส่ในช่อง
“Variables:” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจน
ครบ แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Variables:”) จากนั้นคลิก “Extraction”
4. กล่อง “Factor Analysis: Extraction” จะปรากฏขึ้น เลือก “Method:” เป็ น “Principal
components” (ซึ่งปกติโปรแกรมจะเลือกไว้ ให้ อยู่แล้ ว) จากนั้นคลิก “Continue”
5. คลิก “Scores…” ในกล่อง “Factor Analysis”
6. กล่อง “Factor Analysis: Factor Scores” จะปรากฏขึ้น คลิกเติมเครื่องหมาย  ในช่อง 
Save as variables จากนั้นคลิก “Continue”
จะมีข้อมูลตาแหน่งของผลิตภัณฑ์ A–E ปรากฏขึ้นในสดมภ์ “FAC1_1” และ “FAC2_1”

และมีผลการวิเคราะห์องค์ประกอบหลักปรากฏขึ้นในหน้ าต่าง Output ดังภาพที่ 5.2 และ 5.3 ตามลาดับ จาก
ภาพที่ 5.3 แสดงให้ เห็นว่า องค์ประกอบหลักที่ 1 และ 2 สามารถอธิบายความแปรปรวนของข้ อมูลได้ ร้อยละ
59.5 และ 39.5 ตามลาดับ
product … attribute1 attribute2 attribute3 attribute4 FAC1_1 FAC2_1

1 A … 80 60 40 60 -1.0094 1.0000
2 B … 60 80 60 40 0.9902 1.0000
3 C … 40 60 80 60 0.9902 -1.0000
4 D … 60 40 60 80 -1.0094 -1.0000
5 E … 60 60 60 60 0.0384 0.0000
ภาพที่ 5.2 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–E ของตัวอย่างที่ 5.1 ในโปรแกรมเอสพีเอสเอส
~ 264 ~
Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2.973 59.462 59.462 2.973 59.462 59.462
2 1.976 39.516 98.978 1.976 39.516 98.978
3 .040 .806 99.785
4 .011 .215 100.000
5 9.159E-17 1.832E-15 100.000
Extraction Method: Principal Component Analysis.
Component Matrixa
Component
1 2
A -.702 .703
B .704 .703
C .999 7.499E-16
D -.702 -.703
E .704 -.703
a. 2 components extracted.
ภาพที่ 5.3 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส
8. เมื่อต้ องการสร้ างผังแสดงตาแหน่งผลิตภัณฑ์ คลิก “Graphs” เลื่อน Cursor มาที่ “Legacy

Dialogs” แล้ วคลิก “Scatter/Dot...”
9. กล่อง “Scatter/Dot” จะปรากฏขึ้น คลิก “Simple Scatter” แล้ วคลิก “Define”
10. กล่อง “Simple Scatterplot” จะปรากฏขึ้น คลิก “FAC1_1” แล้ วจึงคลิกเครื่องหมายลูกศรใส่
ในช่อง “X Axis:”
11. คลิก “FAC2_1” แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Y Axis:”
12. คลิก “product” แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Label Cases by:”
13. คลิก “Option”
14. กล่อง “Option” จะปรากฏขึ้น ขึ้น คลิกเติมเครื่องหมาย  ในช่อง  Display chart with
case labels จากนั้นคลิก “Continue”
~ 265 ~
ผังแสดงตาแหน่งผลิตภัณฑ์จะปรากฏขึ้นในหน้ าต่าง Output ดังภาพที่ 5.4
ภาพที่ 5.4 ผังแสดงตาแหน่งผลิตภัณฑ์ของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส
16. เมื่อต้ องการหาทิศทางของลักษณะทางประสาทสัมผัส คลิก “Analyze” เลื่อน Cursor มาที่

“Correlate” แล้ วคลิก “Bivariate..”
17. กล่อง “Bivariate Correlations” จะปรากฏขึ้น เลือกข้ อมูลที่ต้องการหาสหสัมพันธ์ (ตัวอย่างที่
5.1 คือ attribute1–attribute 4, FAC1_1 และ FAC2_1) ใส่ในช่อง “Variables:” (โดยคลิก
ที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ แล้ วจึงคลิก
เครื่องหมายลูกศรใส่ในช่อง “Variables:”) จากนั้นคลิก “OK”
ผลการวิเคราะห์สหสัมพันธ์จะปรากฏขึ้นในหน้ าต่าง Output ดังภาพที่ 5.5
~ 266 ~
Correlations
REGR factor REGR factor
score 1 for score 2 for
attribute1 attribute2 attribute3 attribute4 analysis 1 analysis 1
attribute1 Pearson Correlation 1 .000 -1.000** .000 -.707 .707
Sig. (2-tailed) 1.000 .000 1.000 .182 .182
N 5 5 5 5 5 5
attribute2 Pearson Correlation .000 1 .000 -1.000** .707 .707
Sig. (2-tailed) 1.000 1.000 .000 .182 .182
N 5 5 5 5 5 5
attribute3 Pearson Correlation -1.000** .000 1 .000 .707 -.707
Sig. (2-tailed) .000 1.000 1.000 .182 .182
N 5 5 5 5 5 5
attribute4 Pearson Correlation .000 -1.000** .000 1 -.707 -.707
Sig. (2-tailed) 1.000 .000 1.000 .182 .182
N 5 5 5 5 5 5
REGR factor score 1 Pearson Correlation -.707 .707 .707 -.707 1 .000
for analysis 1 Sig. (2-tailed) .182 .182 .182 .182 1.000
N 5 5 5 5 5 5
REGR factor score 2 Pearson Correlation .707 .707 -.707 -.707 .000 1
for analysis 1 Sig. (2-tailed) .182 .182 .182 .182 1.000
N 5 5 5 5 5 5
**. Correlation is significant at the 0.01 level (2-tailed).
ภาพที่ 5.5 ผลการวิเคราะห์สหสัมพันธ์ของตัวอย่างที่ 5.1 โดยโปรแกรมเอสพีเอสเอส
18. นาค่าสัมประสิทธิ์สหสัมพันธ์ของลักษณะทางประสาทสัมผัสที่ได้ (จากภาพที่ 5.5) มาเติมลงใน

หน้ าต่าง Data Set ดังภาพที่ 5.6
19. ทาซา้ ข้ อ 8–15
ผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัสจะปรากฏขึ้นในหน้ าต่าง

Output ดังภาพที่ 5.7 โดยตาแหน่งของแต่ละลักษณะบนผัง คือ ปลายเวคเตอร์แสดงทิศทางความเข้ มของ
ลักษณะนั้นๆ ซึ่งเวคเตอร์ดงั กล่าวจะต้ องผ่านจุด (0,0) และความเข้ มของลักษณะทางประสาทสัมผัสของแต่
ละผลิตภัณฑ์จะเรียงลาดับตามทิศทางของเวคเตอร์ ตัวอย่างเช่น ผลิตภัณฑ์ A จะมีความเข้ มของลักษณะทาง
~ 267 ~
ประสาทสัมผัส 1 (attribute1) มากที่สดุ ในขณะที่ ผลิตภัณฑ์ B, D และ E มีความเข้ มของลักษณะดังกล่าว

ในลาดับที่รองลงมา และ ผลิตภัณฑ์ C มีความเข้ มของลักษณะดังกล่าวน้ อยที่สดุ ดังภาพที่ 5.8
product … … FAC1_1 FAC2_1

1 A … … -1.009 1.000
2 B … … 0.990 1.000
3 C … … 0.990 -1.000
4 D … … -1.009 -1.000
5 E … … 0.038 0.000
6 attribute1 … … -0.707 0.707
7 attribute2 … … 0.707 0.707
8 attribute3 … … 0.707 -0.707
9 attribute4 …. …. -0.707 -0.707
ภาพที่ 5.6 ข้ อมูลสาหรับการสร้ างผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัส

ของตัวอย่างที่ 5.1 ในโปรแกรมเอสพีเอสเอส
ภาพที่ 5.7 ผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัสของตัวอย่างที่ 5.1

โดยโปรแกรมเอสพีเอสเอส
~ 268 ~
ภาพที่ 5.8 ผังแสดงตาแหน่งผลิตภัณฑ์และเวคเตอร์แสดงทิศทางลักษณะทางประสาทสัมผัส 1

ข. การสร้างผังแสดงตาแหน่งผลิตภัณฑ์จากคะแนนความชอบหรือการยอมรับ
โดยใช้โปรแกรมอาร์ มีข้นั ตอนดังต่อไปนี้
(กรณีไม่มโี ปรแกรมอาร์ กรุณาดูวิธกี ารดาวน์โหลด การติดตั้งโปรแกรม และการเปิ ดโปรแกรมใน

บทที่ 2 หัวข้ อ 2.1.3.3 หน้ า 42-43)
1. พิมพ์ข้อมูลดังภาพที่ 5.1 โดยคลิก “Data” และคลิก “New data set..” ที่หน้ าต่าง R
Commander
2. กล่อง “New Data Set” จะปรากฏขึ้น โปรแกรมจะพิมพ์ช่ อื ชุดข้ อมูลเป็ น Dataset ไว้ ให้ (แต่
สามารถเปลี่ยนแปลงได้ ตามต้ องการ) และคลิก “OK”
3. กล่อง “Data Editor: Dataset” จะปรากฏขึ้น คลิก “Add row” และ “Add column” ตาม
ต้ องการ และพิมพ์ข้อมูลลงไปจนครบ และคลิก “OK”
(กรณีมไี ฟล์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซล กรุณาดูรายละเอียดวิธกี ารดึงไฟล์ข้อมูล
ในบทที่ 2 หัวข้ อ 2.1.3.3 หน้ า 43 ข้ อ 1-5)
4. เมื่อต้ องการวิเคราะห์ข้อมูล คลิก “Statistics” เลื่อน Cursor มาที่ “Dimensional analysis”
แล้ วคลิก “Principal-components analysis…..”
~ 269 ~
5. กล่อง “Principal Components Analysis” จะปรากฏขึ้น คลิกเลือก p1–p5 (โดยคลิกที่ตวั แปร

แรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ) ในช่อง “Variables (pick
two or more) ของหน้ า “Data” จากนั้น คลิกหน้ า “Options” และ คลิกเติมเครื่องหมาย 
ในช่อง  Add principal components to data set
7. กล่อง “Number of Components …” จะปรากฏขึ้น โปรแกรมจะเลือก “1” ไว้ ให้ คลิกเลื่อน
มาเป็ น “2” แล้ วคลิก “OK”
จะมีข้อมูลตาแหน่งของผลิตภัณฑ์ A–E ปรากฏขึ้นในสดมภ์ “PC1” และ “PC2” ของ Dataset

และมีผลการวิเคราะห์องค์ประกอบหลักปรากฏขึ้นในส่วน Output ของหน้ าต่าง R Commander ดังภาพที่ 5.9
และ 5.10 ตามลาดับ ซึ่งอาจจะได้ ค่าที่แตกต่างไปจากผลที่ได้ จากโปรแกรมเอสพีเอสเอส แต่ตาแหน่งของแต่
ละผลิตภัณฑ์ยังอยู่ในบริเวณเดียวกันของผัง และจากภาพที่ 5.10 แสดงให้ เห็นว่า องค์ประกอบหลักที่ 1 และ
2 สามารถอธิบายความแปรปรวนของข้ อมูลได้ ร้อยละ 59.5 และ 39.5 ตามลาดับ
product … attribute1 attribute2 attribute3 attribute4 PC1 PC2

1 A … 80 60 40 60 -1.946 1.572
2 B … 60 80 60 40 1.909 1.572
3 C … 40 60 80 60 1.909 -1.572
4 D … 60 40 60 80 -1.946 -1.572
5 E … 60 60 60 60 0.074 0.000
ภาพที่ 5.9 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–E ของตัวอย่างที่ 5.1 ในโปรแกรมอาร์
~ 270 ~
Component loadings:
Comp.1 Comp.2 Comp.3 Comp.4 Comp.5
panel1 -0.4069489 5.000000e-01 5.000000e-01 -0.5782669 0.000000e+00
panel2 0.4080679 5.000000e-01 -5.000000e-01 -0.2871733 5.010111e-01
panel3 0.5794363 2.139012e-15 3.243896e-15 -0.4077719 -7.056739e-01
panel4 -0.4069489 -5.000000e-01 -5.000000e-01 -0.5782669 -6.613419e-15
panel5 0.4080679 -5.000000e-01 5.000000e-01 -0.2871733 5.010111e-01
Component variances:
2.97310870 1.97580645 0.04032258 0.01076227 0.00000000
Importance of components:
Standard deviation 1.7242705 1.4056338 0.200804832 0.103741347 0
Proportion of Variance 0.5946217 0.3951613 0.008064516 0.002152453 0
Cumulative Proportion 0.5946217 0.9897830 0.997847547 1.000000000 1
ภาพที่ 5.10 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์
8. เมื่อต้ องการสร้ างผังแสดงตาแหน่งผลิตภัณฑ์ คลิก “Graphs” และคลิก “Scatter plot”

9. กล่อง “Scatter Plot” จะปรากฏขึ้น คลิกเลือก “PC1” ในช่อง “x-variable (pick one)”
คลิกเลือก “PC2” ในช่อง “y-variable (pick one)” และคลิก “Plot by: groups…”
10. กล่อง “Groups” จะปรากฏขึ้น คลิกเลือก “product” และ คลิก “OK”
ผังแสดงตาแหน่งผลิตภัณฑ์จะปรากฏขึ้นในหน้ าต่าง R Graphics ดังภาพที่ 5.11
12. เมื่อต้ องการหาทิศทางของลักษณะทางประสาทสัมผัส คลิก “Statistics” เลื่อน Cursor มาที่

“Summaries” แล้ วคลิก “Correlation matrix..”
13. กล่อง “Correlation Matrix” จะปรากฏขึ้น เลือกข้ อมูลที่ต้องการหาสหสัมพันธ์ (ตัวอย่างที่ 5.1
คือ attribute1–attribute 4, PC1 และ PC2) ในช่อง “Variables (pick two or more)” (โดย
คลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ แล้ วจึงคลิก
เครื่องหมายลูกศรใส่ในช่อง “Variables:”) และคลิก “OK”
ผลการวิเคราะห์สหสัมพันธ์จะปรากฏขึ้นในส่วน Output ของหน้ าต่าง R Commander ดังภาพที่ 5.12
~ 271 ~
ภาพที่ 5.11 ผังแสดงตาแหน่งผลิตภัณฑ์ของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์
attribute1 attribute2 attribute3 attribute4 PC1 PC2

attribute1 1.0000 0.0000 -1.0000 0.0000 -7.06e-01 7.07e-01
attribute2 0.0000 1.0000 0.0000 -1.0000 7.066e-01 7.07e-01
attribute3 -1.0000 0.0000 1.0000 0.0000 7.06e-01 -7.07e-01
attribute4 0.0000 -1.0000 0.0000 1.0000 -7.06e-01 -7.07e-01
PC1 -0.7069 0.7069 0.7069 -0.7069 1.0000 1.64e-15
PC2 0.7071 0.7071 -0.7071 -0.7071 1.64e-15 1.0000
ภาพที่ 5.12 ผลการวิเคราะห์สหสัมพันธ์ของตัวอย่างที่ 5.1 โดยโปรแกรมอาร์
~ 272 ~
14. นาค่าสัมประสิทธิ์สหสัมพันธ์ของลักษณะทางประสาทสัมผัสที่ได้ (จากภาพที่ 5.12) มาเติมลงใน

Dataset โดยคลิก “Edit data set” ในหน้ าต่าง R Commander
15. กล่อง “Data Editor: Dataset” จะปรากฏขึ้น คลิก “Add row” เพื่อเพิ่มจานวนแถวตาม
ต้ องการ (ตัวอย่างที่ 5.1 นี้ ต้ องเพิ่ม 4 แถว สาหรับ attribute1–attribute4) และพิมพ์ข้อมูลค่า
สัมประสิทธิ์สหสัมพันธ์ลงไปดังภาพที่ 5.13 แล้ วคลิก “OK”
(คลิก “View data set” ดู หาก Dataset ที่ปรากฏขึ้นยังคงไม่มขี ้ อมูลที่พิมพ์เพิ่มเข้ าไป
ต้ องพิมพ์ข้อมูลทั้งหมดใหม่ ตามข้ อ 1–3 หรือพิมพ์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซล
แล้ วดึงไฟล์ข้อมูลมาใช้ )
16. ทาซา้ ข้ อ 8–11
ผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัสจะปรากฏขึ้นในหน้ าต่าง R

Graphics ดังภาพที่ 5.14 โดยตาแหน่งของแต่ละลักษณะบนผัง คือ ปลายเวคเตอร์แสดงทิศทางความเข้ มของ
ละผลิตภัณฑ์จะเรียงลาดับตามทิศทางของเวคเตอร์ เช่นเดียวกันกับโปรแกรมเอสพีเอสเอส
Product … … PC1 PC2

1 A … … -1.946 1.572
2 B … … 1.909 1.572
3 C … … 1.909 -1.572
4 D … … -1.946 -1.572
5 E … … 0.074 0.000
6 attribute1 … … -0.707 0.707
7 attribute2 … … 0.707 0.707
8 attribute3 … … 0.700 -0.707
9 attribute4 …. …. -0.707 -0.707

~ 273 ~

โดยโปรแกรมอาร์
จากข้ อมูลตาแหน่งผลิตภัณฑ์ของนา้ ใบข้ าวพร้ อมดื่ม 5 ชนิด บนผังแสดงตาแหน่งผลิตภัณฑ์ท่สี ร้ าง
จากคะแนนความชอบหรือการยอมรับของผู้บริโภค และคะแนนความชอบเฉลี่ยของผู้บริโภค 2 กลุ่ม ในตารางที่
5.2 กรุณาสร้ างผังแสดงตาแหน่งผลิตภัณฑ์ดงั กล่าว พร้ อมระบุทศิ ทางความชอบหรือการยอมรับของผู้บริโภค
ทั้ง 2 กลุ่ม (ดัดแปลงจาก Wangcharoen and Phimphilai, 2016)
ตารางที่ 5.2 ตาแหน่งผลิตภัณฑ์และคะแนนความชอบเฉลี่ยของผู้บริโภค 2 กลุ่มสาหรับตัวอย่างที่ 5.2
ผลิตภัณฑ์พร้ อมดื่ม PC1 PC2 คะแนนความชอบเฉลี่ย คะแนนความชอบเฉลี่ย

ของผู้บริโภคกลุ่ม 1 ของผู้บริโภคกลุ่ม 2
นา้ ใบข้ าวหอมมะลิ 0.80 -0.29 5.68 6.58
นา้ ใบข้ าวสุโขทัย 1 0.61 1.23 7.14 4.56
นา้ ใบข้ าวสุโขทัย 2 0.45 -1.42 4.07 7.04
นา้ ใบข้ าวสาลี -0.20 0.62 5.35 4.09
นา้ ใบข้ าวบาร์เลย์ -1.66 -0.14 2.72 2.08
~ 274 ~
วิธีทา
ก. การระบุทิศทางความชอบของผูบ้ ริโภคโดยใช้โปรแกรมเอสพีเอสเอส
มีข้นั ตอนดังต่อไปนี้
1. พิมพ์ข้อมูลดังภาพที่ 5.15 ที่หน้ าต่าง Data Set ของโปรแกรมเอสพีเอสเอส

(ดูคาแนะนาการพิมพ์ข้อมูลในตัวอย่างที่ 5.1 หัวข้ อ ก ข้ อ 1 หน้ า 263 กรณีมไี ฟล์ข้อมูลใน
โปรแกรมไมโครซอฟท์เอกซ์เซล กรุณาดูรายละเอียดวิธกี ารดึงไฟล์ข้อมูลในบทที่ 2 หัวข้ อ
2.1.3.2 หน้ า 39)
product PC1 PC2 Liking1 Liking2

1 Jasmine rice 0.80 -0.29 5.68 6.58
2 Sukhothai 1 rice 0.61 1.23 7.14 4.56
3 Sukhothai 2 rice 0.45 -1.42 4.07 7.04
4 Wheat -0.20 0.62 5.35 4.09
5 Barley -1.66 -0.14 2.72 2.08
2. เมื่อต้ องการวิเคราะห์ข้อมูลเพื่อหาทิศทางความชอบของผู้บริโภค คลิก “Analyze” เลื่อน

Cursor มาที่ “Regression” แล้ วคลิก “Linear..”
3. กล่อง “Linear Regression” จะปรากฏขึ้น เลือกตัวแปรตาม (ตัวอย่างที่ 5.2 คือ Liking1 หรือ
Liking2 เลือกตัวใดตัวหนึ่ง เนื่องจากต้ องวิเคราะห์ครั้งละหนึ่งตัวเปร) ใส่ในช่อง “Dependent:”
จากนั้นเลือกตัวเปรต้ น (ตัวอย่างที่ 5.2 คือ PC1 และ PC2) ใส่ในช่อง “Independent(s):”
(โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไป แล้ วจึงคลิก
เครื่องหมายลูกศรใส่ในช่อง “Independent(s):”)
ผลการวิเคราะห์จะแสดงที่หน้ าต่าง Output ดังภาพที่ 5.16 และ 5.17 สาหรับทิศทางความชอบของ

ผู้บริโภคกลุ่ม 1 และกลุ่ม 2 ตามลาดับ
โดยเวคเตอร์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 คือ Y = 4.992 + 1.285PC1 + 1.074PC2

ซึ่งเป็ นเวคเตอร์น้ มี คี วามชันเท่ากับ 0.836 (มาจาก 1.074 / 1.285) ในขณะที่เวคเตอร์ทศิ ทางความชอบ
ของผู้บริโภคกลุ่ม 2 คือ Y = 4.870 + 1.733PC1 - 1.006PC2 มีความชันเท่ากับ -0.580 (มาจาก
-1.006 / 1.733)
~ 275 ~
Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 1.000a 1.000 .999 .05085
a. Predictors: (Constant), PC1, PC2
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 11.222 2 5.611 2.170E3 .000a
Residual .005 2 .003
Total 11.227 4
b. Dependent Variable: Liking1
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 4.992 .023 219.530 .000
PC1 1.285 .025 .767 50.550 .000
PC2 1.074 .025 .641 42.253 .001
a. Dependent Variable: Liking1
ภาพที่ 5.16 ผลการวิเคราะห์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 ในตัวอย่างที่ 5.2

~ 276 ~
Model Summary
1 .998a .996 .993 .17191
ANOVAb
1 Regression 16.062 2 8.031 271.772 .004a
Total 16.122 4
b. Dependent Variable: Liking2
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
1 (Constant) 4.870 .077 63.347 .000
PC1 1.733 .086 .863 20.162 .002
PC2 -1.006 .086 -.501 -11.706 .007
a. Dependent Variable: Liking2

~ 277 ~

7. กล่อง “Simple Scatterplot” จะปรากฏขึ้น คลิก “PC1” แล้ วจึงคลิกเครื่องหมายลูกศรใส่ใน
ช่อง “X Axis:”
8. คลิก “PC2” แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Y Axis:”
ผังแสดงตาแหน่งผลิตภัณฑ์จะปรากฏขึ้นในหน้ าต่าง Output ดังภาพที่ 5.18 และต้ องคัดลอกมาเติม

เวคเตอร์ทศิ ทางความชอบในโปรแกรมไมโครซอฟท์เวิร์ด (Microsoft word) โดยให้ เวคเตอร์ดังกล่าวผ่านจุด
(0,0) และให้ ปลายเวคเตอร์แสดงทิศทางความชอบชี้ไปตามแนวความชันของสมการทิศทางความชอบของ
ผู้บริโภคแต่ละกลุ่ม (0.836 และ -0.580 (เมื่อ PC2 เป็ นลบ)) ดังภาพที่ 5.19 โดยใช้ คาสั่งแทรกเส้ นแกน
และลูกศร
~ 278 ~

ข. การระบุทิศทางความชอบของผูบ้ ริโภคโดยใช้โปรแกรมอาร์
มีข้นั ตอนดังต่อไปนี้

บทที่ 2 หัวข้ อ 2.1.3.3 หน้ า 42-43)
Commander
4. เมื่อต้ องการวิเคราะห์ข้อมูลเพื่อหาทิศทางความชอบของผู้บริโภค คลิก “Statistics” เลื่อน
Cursor มาที่ “Fit models” แล้ วคลิก “Linear regression…..”
~ 279 ~
5. กล่อง “Linear Regression” จะปรากฏขึ้น คลิกเลือก Liking1 หรือ Liking 2 ในช่อง

“Response variables (pick one) และคลิกเลือก PC1 และ PC2 ในช่อง “Explanatory
variables (pick one or more) (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัว
แปรตัวถัดไป)
ผลการวิเคราะห์จะแสดงที่ส่วน Output ของหน้ าต่าง R Commander ดังภาพที่ 5.20 และ 5.21

สาหรับทิศทางความชอบของผู้บริโภคกลุ่ม 1 และกลุ่ม 2 ตามลาดับ ซึ่งใกล้ เคียงกับผลการวิเคราะห์ท่ไี ด้ จาก
Call:
lm(formula = Liking1 ~ PC1 + PC2, data = Dataset)
Residuals:
1 2 3 4 5
-0.03023 0.04005 0.02145 -0.04244 0.01116
Coefficients:
(Intercept) 4.99285 0.02214 225.47 1.97e-05 ***
PC1 1.28602 0.02477 51.93 0.000371 ***
PC2 1.07393 0.02475 43.38 0.000531 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.04952 on 2 degrees of freedom

Multiple R-squared: 0.9996, Adjusted R-squared: 0.9991
F-statistic: 2289 on 2 and 2 DF, p-value: 0.0004368

~ 280 ~
Call:
lm(formula = Liking2 ~ PC1 + PC2, data = Dataset)
Residuals:
1 2 3 4 5
0.03166 -0.12934 -0.02952 0.19095 -0.06376
Coefficients:
(Intercept) 4.87009 0.07690 63.33 0.000249 ***
PC1 1.73305 0.08600 20.15 0.002453 **
PC2 -1.00623 0.08596 -11.71 0.007219 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

F-statistic: 271.6 on 2 and 2 DF, p-value: 0.003668


ผังแสดงตาแหน่งผลิตภัณฑ์จะปรากฏขึ้นในหน้ าต่าง R Graphics ดังภาพที่ 5.22 และสามารถ

คัดลอกมาเติมเวคเตอร์ทศิ ทางความชอบในโปรแกรมไมโครซอฟท์เวิร์ด (Microsoft word) ได้ เช่นเดียวกัน ดัง
ภาพที่ 5.23
~ 281 ~

~ 282 ~
5.2 การสร้างผังจากลักษณะหรือสมบัติของผลิตภัณฑ์
การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์จากลักษณะหรือสมบัติของผลิตภัณฑ์ สามารถทาได้ โดยเริ่มต้ น
ที่การนาข้ อมูลลักษณะหรือสมบัติของผลิตภัณฑ์ต่างๆ (เช่ น ลักษณะทางประสาทสัมผัส สมบัติทางกายภาพ
สมบัตทิ างเคมี เป็ นต้ น) มาวิเคราะห์องค์ประกอบหลัก เพื่อรวมข้ อมูลของลักษณะหรือสมบัติท่มี ีความสัมพันธ์
กันเข้ าด้ วยกันและสร้ างเป็ นองค์ประกอบหลักขึ้นมาใหม่ ทาให้ สามารถใช้ องค์ประกอบหลักที่สร้ างขึ้นมาใหม่
เพียงไม่ก่อี งค์ประกอบ เพื่ออธิบายความแตกต่างของผลิตภัณฑ์ท้งั หมดที่สนใจได้
ในกรณีท่อี งค์ประกอบหลักที่สร้ างขึ้น 2 องค์ประกอบแรกสามารถที่จะอธิบายความแปรปรวนของ
ข้ อมูลได้ ในระดับที่น่าพอใจ จะนาองค์ประกอบหลักดังกล่าวมาสร้ างเป็ นผังแสดงตาแหน่งผลิตภัณฑ์แบบ 2
มิติ โดยใช้ ค่าองค์ประกอบหลักที่ 1 และ 2 เป็ นแกนนอนและแกนตั้งของผัง และใช้ ค่าองค์ประกอบหลักที่ 1
และ 2 ของผลิตภัณฑ์แต่ละรายการเพื่อแสดงตาแหน่งของผลิตภัณฑ์แต่ละรายการบนผัง จากนั้นนาค่า
คะแนนความชอบหรือการยอมรับของผู้บริโภคแต่ละกลุ่มมาสร้ างความสัมพันธ์กบั ตาแหน่งของผลิตภัณฑ์ โดย
ความสัมพันธ์ดงั กล่าวอาจจะอยู่ในรูปแบบต่างๆ ดังต่อไปนี้ (Williams, 1988; MacFie and Thomson,
1994; Moskowitz, 1994; Anonymous, n.d.)
Linear or Vector model: Y = a + b X 1 + c X2
Circular model: Y = a + b X1 + c X2 + d (X12 + X22)
Elliptical model: Y = a + b X1 + c X2 + d X12 + e X22
Rotated elliptical model: Y = a + b X1 + c X2 + d X12 + e X22 + f X1X2
เมื่อ Y คือ คะแนนความชอบหรือการยอมรับ

X1 คือ ตาแหน่งบนแกนที่ 1 (แกนนอน) ของผลิตภัณฑ์
X2 คือ ตาแหน่งบนแกนที่ 2 (แกนตั้ง) ของผลิตภัณฑ์
วิธกี ารสร้ างผังแสดงตาแหน่งผลิตภัณฑ์จากลักษณะทางประสาทสัมผัสของผลิตภัณฑ์โดยละเอียด

แสดงดังตัวอย่างที่ 5.3
จากข้ อมูลในตารางที่ 5.3 กรุณาสร้ างผังแสดงความชอบผลิตภัณฑ์จากลักษณะทางประสาทสัมผัสของ
ผลิตภัณฑ์ (External preference analysis; Prefmap) และระบุทศิ ทางความชอบของผู้บริโภคแต่ละกลุ่มบนผัง
~ 283 ~
ตารางที่ 5.3 ข้ อมูลสาหรับตัวอย่างที่ 5.3 (ดัดแปลงจาก Anonymous, n.d.)
คะแนนความชอบเฉลี่ย ลักษณะทางประสาทสัมผัส
ผู้บริโภค ผู้บริโภค ผู้บริโภค ผู้บริโภค ผู้บริโภค 1 2 3 4
กลุ่ม 1 กลุ่ม 2 กลุ่ม 3 กลุ่ม 4 กลุ่ม 5
ผลิตภัณฑ์ A 9 6 2 9 2 100 100 50 0
ผลิตภัณฑ์ B 6 9 2 9 5 50 0 0 100
ผลิตภัณฑ์ C 2 6 2 9 2 0 0 50 100
ผลิตภัณฑ์ D 6 2 2 9 5 50 80 100 0
ผลิตภัณฑ์ E 6 6 9 2 9 50 50 50 50
ผลิตภัณฑ์ F 7.5 6 6 6 4 75 75 50 25
ผลิตภัณฑ์ G 6 7.5 6 6 7 50 25 25 75
ผลิตภัณฑ์ H 4 6 6 6 4 25 25 50 75
ผลิตภัณฑ์ I 6 4 6 6 7 50 75 75 25
วิธีทา
ก. การสร้างผังแสดงตาแหน่งผลิตภัณฑ์จากลักษณะทางประสาทสัมผัสของผลิตภัณฑ์
โดยใช้โปรแกรมเอสพีเอสเอส มีข้นั ตอนดังต่อไปนี้
1. พิมพ์ข้อมูลดังภาพที่ 5.24 ที่หน้ าต่าง Data Set ของโปรแกรมเอสพีเอสเอส

(ดูคาแนะนาการพิมพ์ข้อมูลในตัวอย่างที่ 5.1 หัวข้ อ ก ข้ อ 1 หน้ า 263 กรณีมไี ฟล์ข้อมูลใน
โปรแกรมไมโครซอฟท์เอกซ์เซล กรุณาดูรายละเอียดวิธกี ารดึงไฟล์ข้อมูลในบทที่ 2 หัวข้ อ
2.1.3.2 หน้ า 39)
product con1 con2 con3 con4 con5 attribute1 attribute2 attribute3 attribute4
1 A 9 6 2 9 2 100 100 50 0
2 B 6 9 2 9 5 50 0 0 100
3 C 2 6 2 9 2 0 0 50 100
4 D 6 2 2 9 5 50 80 100 0
5 E 6 6 9 2 9 50 50 50 50
6 F 7.5 6 6 6 4 75 75 50 25
7 G 6 7.5 6 6 7 50 25 25 75
8 H 4 6 6 6 4 25 25 50 75
9 I 6 4 6 6 7 50 75 75 25
~ 284 ~
2. เมื่อต้ องการวิเคราะห์ข้อมูล คลิก “Analyze” เลื่อน Cursor มาที่ “Data Reduction” แล้ วคลิก
“Factor..”
3. กล่อง “Factor Analysis” จะปรากฏขึ้น เลือกลักษณะทางประสาทสัมผัส (ตัวอย่างที่ 5.3 คือ
attribute1–attribute4) ใส่ในช่อง “Variables:” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้
ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Variables:”)
จากนั้นคลิก “Extraction”
4. กล่อง “Factor Analysis: Extraction” จะปรากฏขึ้น เลือก “Method:” เป็ น “Principal
components” (ซึ่งปกติโปรแกรมจะเลือกไว้ ให้ อยู่แล้ ว) จากนั้นคลิก “Continue”
5. คลิก “Scores…” ในกล่อง “Factor Analysis”
6. กล่อง “Factor Analysis: Factor Scores” จะปรากฏขึ้น คลิกเติมเครื่องหมาย  ในช่อง 
Save as variables จากนั้นคลิก “Continue”
จะมีข้อมูลตาแหน่งของผลิตภัณฑ์ A–I ปรากฏขึ้นในสดมภ์ “FAC1_1” และ “FAC2_1” และ

มีผลการวิเคราะห์องค์ประกอบหลักปรากฏขึ้นในหน้ าต่าง Output ดังภาพที่ 5.25 และ 5.26 ตามลาดับ จาก
ภาพที่ 5.26 แสดงให้ เห็นว่า องค์ประกอบหลักที่ 1 และ 2 สามารถอธิบายความแปรปรวนของข้ อมูลได้ ร้อยละ
74.6 และ 25.1 ตามลาดับ

1 A … 100 100 50 0 1.337 1.212
2 B … 50 0 0 100 -1.260 1.312
3 C … 0 0 50 100 -1.297 -1.206
4 D … 50 80 100 0 1.120 -1.330
5 E … 50 50 50 50 0.020 0.003
6 F … 75 75 50 25 0.679 0.607
7 G … 50 25 25 75 -0.620 0.657
8 H … 25 25 50 75 -0.638 -0.602
9 I … 50 75 75 25 0.660 -0.652
ภาพที่ 5.25 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–I ของตัวอย่างที่ 5.3 ในโปรแกรมเอสพีเอสเอส
~ 285 ~
Total Variance Explained

Compo Initial Eigenvalues Extraction Sums of Squared Loadings
nent Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2.984 74.605 74.605 2.984 74.605 74.605
2 1.004 25.094 99.699 1.004 25.094 99.699
3 .012 .301 100.000
4 2.666E-16 6.664E-15 100.000
Component Matrixa
Component
1 2
attribute1 .736 .676
attribute2 .995 .044
attribute3 .675 -.737
attribute4 -.998 .043
a. 2 components extracted.
ภาพที่ 5.26 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.3 โดยโปรแกรมเอสพีเอสเอส

10. กล่อง “Simple Scatterplot” จะปรากฏขึ้น คลิก “FAC1_1” แล้ วจึงคลิกเครื่องหมายลูกศรใส่
ในช่อง “X Axis:”
11. คลิก “FAC2_1” แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Y Axis:”
ผังแสดงตาแหน่งผลิตภัณฑ์จะปรากฏขึ้นในหน้ าต่าง Output ดังภาพที่ 5.27
~ 286 ~
16. เมื่อต้ องการหาทิศทางของลักษณะทางประสาทสัมผัส นาค่า Component score ของลักษณะ

ทางประสาทสัมผัสทีได้ (จากภาพที่ 5.26 ในส่วนของ Component Matrix) มาเติมลงใน
หน้ าต่าง Data Set ดังภาพที่ 5.28
17. ทาซา้ ข้ อ 8–15
ผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัสจะปรากฏขึ้นในหน้ าต่าง

Output ดังภาพที่ 5.29 โดยตาแหน่งของแต่ละลักษณะบนผัง คือ ปลายเวคเตอร์แสดงทิศทางความเข้ มของ
ละผลิตภัณฑ์จะเรียงลาดับตามทิศทางของเวคเตอร์ ตัวอย่างเช่น ผลิตภัณฑ์ A จะมีความเข้ มของลักษณะทาง
ประสาทสัมผัส 1 (attribute1) มากที่สดุ รองลงมา คือ ผลิตภัณฑ์ F ในขณะที่ ผลิตภัณฑ์ B, D, E, G และ I
มีความเข้ มของลักษณะดังกล่าวในลาดับที่ 3 ผลิตภัณฑ์ H มีความเข้ มของลักษณะด้ งกล่าวในลาดับที่ 4 และ
ผลิตภัณฑ์ C มีความเข้ มของลักษณะดังกล่าวน้ อยที่สดุ
~ 287 ~

1 A … 100 100 50 0 1.337 1.212
2 B … 50 0 0 100 -1.260 1.312
3 C … 0 0 50 100 -1.297 -1.206
4 D … 50 80 100 0 1.120 -1.330
5 E … 50 50 50 50 0.020 0.003
6 F … 75 75 50 25 0.679 0.607
7 G … 50 25 25 75 -0.620 0.657
8 H … 25 25 50 75 -0.638 -0.602
9 I … 50 75 75 25 0.660 -0.652
10 attribute1 0.736 0.676
11 attribute2 0.995 0.044
12 attribute3 0.675 -0.737
13 attribute4 -0.998 0.043

ของตัวอย่างที่ 5.3 ในโปรแกรมเอสพีเอสเอส

โดยโปรแกรมเอสพีเอสเอส
~ 288 ~
18. เมื่อต้ องการวิเคราะห์ข้อมูลเพื่อหาทิศทางความชอบของผู้บริโภค คลิก “Data” เลื่อน Cursor

มาที่ “Select cases…”
19. กล่อง “Select Cases” จะปรากฏขึ้น คลิกเลือก “ Based on time or case range” และคลิก
“Range…”
20. กล่อง “Select Cases: Range” จะปรากฏขึ้น พิมพ์ “1” ที่ช่อง “First Case” และพิมพ์ “9” ที่
ช่อง “Last Case” แล้ ว คลิก “Continue”
21. คลิก “OK” ในส่วน Data View ของหน้ าต่าง DataSet จะมีเส้ นขีดทับในแถวที่ไม่ได้ เลือก
(ตัวอย่างที่ 5.3 คือ แถว 10–13 )
23. กล่อง “Linear Regression” จะปรากฏขึ้น เลือกตัวแปรตาม (ตัวอย่างที่ 5.3 คือ con1 หรือ
con2 เลือกตัวใดตัวหนึ่ง เนื่องจากต้ องวิเคราะห์ครั้งละหนึ่งตัวเปร) ใส่ในช่อง “Dependent:”
จากนั้นเลือกตัวเปรต้ น (ตัวอย่างที่ 5.3 คือ FAC1_1 และ FAC2_1) ใส่ในช่อง
“Independent(s):” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไป
แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Independent(s):”)
ผลการวิเคราะห์จะแสดงที่หน้ าต่าง Output ดังภาพที่ 5.30 และ 5.31 สาหรับทิศทางความชอบของ

ผู้บริโภคกลุ่ม 1 และกลุ่ม 2 ตามลาดับ
โดยสมการทิศทางความชอบของผู้บริโภคกลุ่ม 1 คือ Y = 5.833 + 1.437FAC1_1 +

1.322FAC2_1 ซึ่งเป็ นเวคเตอร์น้ มี คี วามชันเท่ากับ 0.920 (มาจาก 1.322 / 1.437) ในขณะที่สมการ
ทิศทางความชอบของผู้บริโภคกลุ่ม 2 คือ Y = 5.833 – 1.314FAC1_1 + 1.443FAC2_1 มีความชัน
เท่ากับ -1.098 (มาจาก 1.443 / -1.314) ซึ่งสามารถคัดลอกผังแสดงตาแหน่งผลิตภัณฑ์จากภาพที่
5.29 มาเติมเวคเตอร์ทศิ ทางความชอบในโปรแกรมไมโครซอฟท์เวิร์ด (Microsoft word) โดยให้ เวคเตอร์
ดังกล่าวผ่านจุด (0,0) และให้ ปลายเวคเตอร์แสดงทิศทางความชอบชี้ไปตามแนวความชันของทิศทาง
ความชอบของผู้บริโภคแต่ละกลุ่ม (0.920 และ -1.098 (เมื่อ FAC1_1 เป็ นลบ)) ดังภาพที่ 5.32 โดยใช้
คาสั่งแทรกเส้ นแกนและลูกศร
~ 289 ~
Model Summary
1 .992a .983 .978 .29269
a. Predictors: (Constant), REGR factor score 2 for analysis 1,
REGR factor score 1 for analysis 1
ANOVAb
1 Regression 30.486 2 15.243 177.929 .000a
Total 31.000 8
a. Predictors: (Constant), REGR factor score 2 for analysis 1, REGR factor score 1 for analysis 1
b. Dependent Variable: con1
Coefficientsa
Coefficients Coefficients
1 (Constant) 5.833 .098 59.790 .000
REGR factor score 1
1.437 .103 .730 13.883 .000
for analysis 1
REGR factor score 2
1.322 .103 .671 12.772 .000
for analysis 1
a. Dependent Variable: con1

~ 290 ~
Model Summary
1 .991a .983 .977 .29773
a. Predictors: (Constant), REGR factor score 2 for analysis 1,
REGR factor score 1 for analysis 1
ANOVAb
1 Regression 30.468 2 15.234 171.863 .000a
Total 31.000 8
a. Predictors: (Constant), REGR factor score 2 for analysis 1, REGR factor score 1 for analysis 1
Coefficientsa
1 (Constant) 5.833 .099 58.779 .000
REGR factor score 1
-1.314 .105 -.667 -12.481 .000
for analysis 1
REGR factor score 2
1.443 .105 .733 13.710 .000
for analysis 1

~ 291 ~

ที่คดั ลอกมาเติมเวคเตอร์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 และ 2
ในไมโครซอฟท์เวิร์ด
ในกรณีของผู้บริโภคกลุ่ม 3–5 นั้น ไม่สามารถใช้ เวคเตอร์บอกทิศทางความชอบได้ เนื่องจาก

รูปแบบของคะแนนความชอบไม่เป็ นรูปแบบเส้นตรง ซึ่งสามารถตรวจสอบได้ โดยการวิเคราะห์ข้อมูลตาม
ขั้นตอนในข้ อ 22–24 โดยเปลี่ยนตัวแปรตามในข้ อ 23 เป็ น con3, con 4 และ con 5 ตามลาดับ ผลการ
วิเคราะห์จะพบว่า ค่าสัมประสิทธิ์ของ FAC1_1และ FAC2_1 มีค่านัยสาคัญต่ามาก (Sig. มีค่าเข้ าใกล้ หนึ่ง)
จึงต้ องพิจารณาทิศทางความชอบในรูปแบบวงกลม (Circular model) หรือวงรี (Elliptical model) แทน โดย
เพิ่มตัวแปรกาลังสองเข้ าไปในสมการ (กรณีรปู แบบวงกลม เพิ่ม “FAC1_12 + FAC2_12” ส่วนกรณี
รูปแบบวงรี เพิ่ม “FAC1_12”, “FAC2_12” และ “FAC1_1*FAC2_1”)
25. เมื่อต้ องการเพิ่มตัวแปร ที่หน้ าต่าง DataSet คลิก “Transform” เลื่อน Cursor มาที่ “Compute
Variable…”
26. กล่อง “Compute Variable” จะปรากฏขึ้น พิมพ์ช่ อื ตัวแปรที่ต้องการเพิ่มในช่อง “Target
Variable:” และพิมพ์สตู รที่ใช้ คานวณตัวแปรที่ต้องการในช่อง “Numeric Expression:” ดังนี้
- กรณีรปู แบบวงกลม
พิมพ์ “X2PLUSY2” ในช่อง “Target Variable:” และพิมพ์ “FAC1_1**2+ FAC2_1**2”
ในช่อง “Numeric Expression:” และคลิก “OK” จะมีสดมภ์ของ “X2PLUSY2” ปรากฏขึ้น
~ 292 ~
- กรณีรปู แบบวงรี
พิมพ์ “X2” ในช่อง “Target Variable:” และพิมพ์ “FAC1_1**2”
ในช่อง “Numeric Expression:” และคลิก “OK” จะมีสดมภ์ของ “X2” ปรากฏขึ้น
พิมพ์ “Y2” ในช่อง “Target Variable:” และพิมพ์ “FAC2_1**2”
ในช่อง “Numeric Expression:” และคลิก “OK” จะมีสดมภ์ของ “Y2” ปรากฏขึ้น
พิมพ์ “XY” ในช่อง “Target Variable:” และพิมพ์ “FAC1_1*FAC2_1”
ในช่อง “Numeric Expression:” และคลิก “OK” จะมีสดมภ์ของ “XY” ปรากฏขึ้น
28. กล่อง “Linear Regression” จะปรากฏขึ้น เลือกตัวแปรตาม (ตัวอย่างที่ 5.3 คือ con3, con4
หรือ con5 เลือกตัวใดตัวหนึ่ง เนื่องจากต้ องวิเคราะห์ครั้งละหนึ่งตัวเปร) ใส่ในช่อง
“Dependent:” จากนั้นเลือกตัวเปรต้ น (กรณีรปู แบบวงกลม คือ FAC1_1, FAC2_1 และ
X2PLUSY2 ส่วนกรณีรปู แบบวงรี คือ FAC1_1, FAC2_1, X2, Y2 และ XY) ใส่ในช่อง
“Independent(s):” (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัว
ถัดไป แล้ วจึงคลิกเครื่องหมายลูกศรใส่ในช่อง “Independent(s):”)
ผลการวิเคราะห์จะแสดงที่หน้ าต่าง Output ดังภาพที่ 5.33 5.34 และ 5.35 สาหรับทิศทาง

ความชอบของผู้บริโภคกลุ่ม 3 4 และ 5 ตามลาดับ ซึ่งทิศทางความชอบของผู้บริโภคแต่ละกลุ่ม คือ
ผู้บริโภคกลุ่ม 3: Y = 7.910 – 1.887 (FAC1_12 + FAC2_12)
ผู้บริโภคกลุ่ม 4: Y = 3.998 + 1.626 (FAC1_12 + FAC2_12)
ผู้บริโภคกลุ่ม 5: Y = 7.104 – 1.184 (FAC1_12 + FAC2_12)
หากต้ องการสร้ างภาพทิศทางความชอบของผู้บริโภคในรูปแบบวงกลมหรือวงรี สามารถทาได้ ด้วย

การสร้ างแผนภูมเิ ส้นชั้นแบบโครงลวด (Contour plot) โดยโปรแกรมไมโครซอฟท์เอกซ์เซล และนามาดูค่กู บั
ผังแสดงตาแหน่งผลิตภัณฑ์ท่สี ร้ างไว้ โดยในที่น้ จี ะสร้ างแผนภูมเิ ส้นชั้นแบบโครงลวดทิศทางความชอบของ
ผู้บริโภคกลุ่ม 3 เป็ นตัวอย่าง ซึ่งมีข้นั ตอนดังต่อไปนี้
1. พิมพ์ข้อมูลเพื่อคานวณค่าผลลัพธ์ท่ตี ้ องการของสมการในช่วงของตัวแปรต้ นที่กาหนดในลักษณะ

ของสี่เหลี่ยมโดยให้ ตวั แปรต้ นตัวที่ 1 อยู่ในแนวตั้งและตัวแปรต้ นตัวที่ 2 อยู่ในแนวนอน
- พิมพ์ค่าของ FAC2_1 ในแนวตั้ง (A2:A12) และ FAC1_1 ในแนวนอน (B1:L1)
เริ่มต้ นที่ -1.5 และค่อยๆ เพิ่มขึ้นครั้งละ 0.3 จนกระทัง่ ถึง 1.5
- พิมพ์สตู รลงที่เซลล์ B2 ดังนี้ “= 7.910 – 1.887*(B$1^2 + $A2^2)” ดังภาพที่
5.36 (ก)
- คัดลอกสูตรดังกล่าวไปยังเซลล์ท่เี หลือทั้งหมดในบริเวณที่ต้องการคานวณค่า จะได้ ข้อมูลดัง
ภาพที่ 5.36 (ข)
2. เลือกพื้นที่ๆ จะใช้ ในการสร้ างกราฟ (A1:L12)
3. คลิกแถบคาสั่ง “แทรก” คลิก “แผนภูมอิ ่นื ๆ แล้ วคลิกเลือก “แผนภูมเิ ส้ นชั้นแบบโครงลวด”
ในส่วนของแผนภูมพิ ้ นื ผิว แผนภูมเิ ส้นชั้นแบบโครงลวด จะปรากฏขึ้น ดังภาพที่ 5.37
~ 293 ~
Model Summary
1 .983a .967 .946 .60241
a. Predictors: (Constant), X2PLUSY2, REGR factor score 1 for
analysis 1, REGR factor score 2 for analysis 1
ANOVAb
1 Regression 52.408 3 17.469 48.138 .000a
Residual 1.815 5 .363
Total 54.222 8
a. Predictors: (Constant), X2PLUSY2, REGR factor score 1 for analysis 1, REGR factor score
2 for analysis 1
Coefficientsa
1 (Constant) 7.910 .344 23.000 .000
REGR factor score 1
-.029 .213 -.011 -.136 .897
for analysis 1
REGR factor score 2
.124 .213 .048 .584 .585
for analysis 1
X2PLUSY2 -1.887 .157 -.984 -12.014 .000

~ 294 ~
Model Summary
1 .931a .867 .788 1.09097
ANOVAb
1 Regression 38.938 3 12.979 10.905 .012a
Residual 5.951 5 1.190
Total 44.889 8
2 for analysis 1
Coefficientsa
1 (Constant) 3.998 .623 6.419 .001
REGR factor score 1
.027 .386 .011 .070 .947
for analysis 1
REGR factor score 2
-.107 .386 -.045 -.277 .793
for analysis 1
X2PLUSY2 1.626 .284 .933 5.718 .002

~ 295 ~
Model Summary
1 .685a .469 .150 2.16256
ANOVAb
1 Regression 20.617 3 6.872 1.469 .329a
Residual 23.383 5 4.677
Total 44.000 8
2 for analysis 1
Coefficientsa
1 (Constant) 7.104 1.235 5.755 .002
REGR factor score 1
-.054 .765 -.023 -.071 .946
for analysis 1
REGR factor score 2
.073 .765 .031 .096 .927
for analysis 1
X2PLUSY2 -1.184 .564 -.686 -2.100 .090

~ 296 ~
A B C D E F G H I G K L
1 -1.5 -1.2 -0.9 -0.6 -0.3 0 0.3 0.6 0.9 1.2 1.5
2 -1.5 = 7.910 – 1.887*(B$1^2 + $A2^2)
3 -1.2
4 -0.9
5 -0.6
6 -0.3
7 0
8 0.3
9 0.6
10 0.9
11 1.2
12 1.5
(ก)
A B C D E F G H I G K L
1 -1.5 -1.2 -0.9 -0.6 -0.3 0 0.3 0.6 0.9 1.2 1.5
2 -1.5 -0.58 0.95 2.14 2.98 3.49 3.66 3.49 2.98 2.14 0.95 -0.58
3 -1.2 0.95 2.48 3.66 4.51 5.02 5.19 5.02 4.51 3.66 2.48 0.95
4 -0.9 2.14 3.66 4.85 5.70 6.21 6.38 6.21 5.70 4.85 3.66 2.14
5 -0.6 2.98 4.51 5.70 6.55 7.06 7.23 7.06 6.55 5.70 4.51 2.98
6 -0.3 3.49 5.02 6.21 7.06 7.57 7.74 7.57 7.06 6.21 5.02 3.49
7 0 3.66 5.19 6.38 7.23 7.74 7.91 7.74 7.23 6.38 5.19 3.66
8 0.3 3.49 5.02 6.21 7.06 7.57 7.74 7.57 7.06 6.21 5.02 3.49
9 0.6 2.98 4.51 5.70 6.55 7.06 7.23 7.06 6.55 5.70 4.51 2.98
10 0.9 2.14 3.66 4.85 5.70 6.21 6.38 6.21 5.70 4.85 3.66 2.14
11 1.2 0.95 2.48 3.66 4.51 5.02 5.19 5.02 4.51 3.66 2.48 0.95
12 1.5 -0.58 0.95 2.14 2.98 3.49 3.66 3.49 2.98 2.14 0.95 -0.58
(ข)
ภาพที่ 5.36 การพิมพ์ข้อมูลเพื่อสร้ างแผนภูมเิ ส้ นชั้นแบบโครงลวด (Contour plot) ทิศทางความชอบของ

ผู้บริโภคกลุ่ม 3 ตัวอย่างที่ 5.3
~ 297 ~
6.00-8.00
4.00-6.00
2.00-4.00
0.00-2.00
-
-2.00-0.00
-
-
- - - - -
ภาพที่ 5.37 แผนภูมเิ ส้นชั้นแบบโครงลวด (Contour plot) ทิศทางความชอบของผู้บริโภคกลุ่ม 3

ข. การสร้างผังแสดงตาแหน่งผลิตภัณฑ์จากลักษณะทางประสาทสัมผัสของผลิตภัณฑ์
โดยใช้โปรแกรมอาร์ มีข้นั ตอนดังต่อไปนี้

บทที่ 2 หัวข้ อ 2.1.3.3 หน้ า 42-43)
Commander
~ 298 ~

4. เมื่อต้ องการวิเคราะห์ข้อมูล คลิก “Statistics” เลื่อน Cursor มาที่ “Dimensional analysis”
แล้ วคลิก “Principal-components analysis…..”
5. กล่อง “Principal Components Analysis” จะปรากฏขึ้น คลิกเลือก attribute1 – attribute4
(โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไปจนครบ) ในช่อง
“Variables (pick two or more) ของหน้ า “Data” จากนั้น คลิกหน้ า “Options” และ คลิก
เติมเครื่องหมาย  ในช่อง  Add principal components to data set
7. กล่อง “Number of Components …” จะปรากฏขึ้น โปรแกรมจะเลือก “1” ไว้ ให้ คลิกเลื่อน
มาเป็ น “2” แล้ วคลิก “OK”
จะมีข้อมูลตาแหน่งของผลิตภัณฑ์ A–I ปรากฏขึ้นในสดมภ์ “PC1” และ “PC2” ของ Dataset

และมีผลการวิเคราะห์องค์ประกอบหลักปรากฏขึ้นในส่วน Output ของหน้ าต่าง R Commander ดังภาพที่ 5.39
และ 5.40 ตามลาดับ ซึ่งอาจจะได้ ค่าที่แตกต่างไปจากผลที่ได้ จากโปรแกรมเอสพีเอสเอส แต่ตาแหน่งของแต่
ละผลิตภัณฑ์ยังคงอยู่ในลักษณะเดียวกัน (แต่อาจจะสลับด้ านกัน) จากภาพที่ 5.40 แสดงให้ เห็นว่า
องค์ประกอบหลักที่ 1 และ 2 สามารถอธิบายความแปรปรวนของข้ อมูลได้ ร้อยละ 74.6 และ 25.1 ตามลาดับ

ผังแสดงตาแหน่งผลิตภัณฑ์จะปรากฏขึ้นในหน้ าต่าง R Graphics ดังภาพที่ 5.41

1 A … 100 100 50 0 -2.450 1.287
2 B … 50 0 0 100 2.309 1.394
3 C … 0 0 50 100 2.376 -1.282
4 D … 50 80 100 0 -2.051 -1.413
5 E … 50 50 50 50 -0.037 0.003
6 F … 75 75 50 25 -1.243 0.645
7 G … 50 25 25 75 1.136 0.698
8 H … 25 25 50 75 1.170 -0.640
9 I … 50 75 75 25 -1.210 -0.693
ภาพที่ 5.39 ข้ อมูลตาแหน่งของผลิตภัณฑ์ A–I ของตัวอย่างที่ 5.3 ในโปรแกรมอาร์
~ 299 ~
Component loadings:
Comp.1 Comp.2 Comp.3 Comp.4
attribute1 -0.4261579 0.67450777 -0.3367918 5.000000e-01
attribute2 -0.5759946 0.04366719 0.8162864 9.639370e-16
attribute3 -0.3909156 -0.73570373 -0.2364846 5.000000e-01
attribute4 0.5777583 0.04327208 0.4053676 7.071068e-01
Component variances:
2.984213e+00 1.003759e+00 1.202787e-02 2.562425e-16
Importance of components:
Standard deviation 1.7274874 1.0018779 0.109671647 1.600758e-08
Proportion of Variance 0.7460532 0.2509398 0.003006968 6.406062e-17
Cumulative Proportion 0.7460532 0.9969930 1.000000000 1.000000e+00
ภาพที่ 5.40 ผลการวิเคราะห์องค์ประกอบหลักของตัวอย่างที่ 5.3

~ 300 ~
12. เมื่อต้ องการหาทิศทางของลักษณะทางประสาทสัมผัส นาค่า Component loadings (Comp.1

และ Comp. 2) ของลักษณะทางประสาทสัมผัสทีได้ (จากภาพที่ 5.40) มาเติมลงใน Dataset
โดยคลิก “Edit dataset”
13. กล่อง “Data Editor: Dataset” จะปรากฏขึ้น คลิก “Add row” เพื่อเพิ่มจานวนแถวตาม
ต้ องการ (ตัวอย่างที่ 5.3 นี้ ต้ องเพิ่ม 4 แถว สาหรับ attribute1–attribute4) และพิมพ์ข้อมูลดัง
ภาพที่ 5.42 แล้ วคลิก “OK”
ต้ องพิมพ์ข้อมูลทั้งหมดใหม่ตามข้ อ 1–3 หรือพิมพ์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซล
14. ทาซา้ ข้ อ 8–11
ผังแสดงตาแหน่งผลิตภัณฑ์พร้ อมทิศทางของลักษณะทางประสาทสัมผัสจะปรากฏขึ้นในหน้ าต่าง R

Graphics ดังภาพที่ 5.43 โดยตาแหน่งของแต่ละลักษณะบนผัง คือ ปลายเวคเตอร์แสดงทิศทางความเข้ มของ
ละผลิตภัณฑ์จะเรียงลาดับตามทิศทางของเวคเตอร์

1 A … 100 100 50 0 -2.450 1.287
2 B … 50 0 0 100 2.309 1.394
3 C … 0 0 50 100 2.376 -1.282
4 D … 50 80 100 0 -2.051 -1.413
5 E … 50 50 50 50 -0.037 0.003
6 F … 75 75 50 25 -1.243 0.645
7 G … 50 25 25 75 1.136 0.698
8 H … 25 25 50 75 1.170 -0.640
9 I … 50 75 75 25 -1.210 -0.693
10 attribute1 -0.426 0.675
11 attribute2 -0.576 0.044
12 attribute3 -0.391 -0.736
13 attribute4 0.578 0.043

~ 301 ~

ในโปรแกรมอาร์

16. กล่อง “Linear Regression” จะปรากฏขึ้น คลิกเลือก con1 หรือ con2 ในช่อง “Response
variables (pick one) และคลิกเลือก PC1 และ PC2 ในช่อง “Explanatory variables (pick one
or more) (โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไป)
ผลการวิเคราะห์จะแสดงที่ส่วน Output ของหน้ าต่าง R Commander ดังภาพที่ 5.44 และ 5.45

สาหรับทิศทางความชอบของผู้บริโภคกลุ่ม 1 และกลุ่ม 2 ตามลาดับ ซึ่งจะมีลักษณะเช่นเดียวกันกับผลการ
วิเคราะห์ท่ไี ด้ จากโปรแกรมเอสพีเอสเอส
โดยสมการทิศทางความชอบของผู้บริโภคกลุ่ม 1 คือ Y = 5.833 – 0.784PC1 + 1.244PC2 ซึ่ง

เป็ นเวคเตอร์น้ มี คี วามชันเท่ากับ -1.587 (มาจาก 1.244 / -0.784) ในขณะที่สมการทิศทางความชอบของ
ผู้บริโภคกลุ่ม 2 คือ Y = 5.833 + 0.717PC1 + 1.358PC2 มีความชันเท่ากับ 1.894 (มาจาก 1.358 /
0.717) ซึ่งสามารถคัดลอกผังแสดงตาแหน่งผลิตภัณฑ์จากภาพที่ 5.41 มาเติมเวคเตอร์ทศิ ทางความชอบใน
โปรแกรมไมโครซอฟท์เวิร์ด โดยให้ เวคเตอร์ดงั กล่าวผ่านจุด (0,0) และให้ ปลายเวคเตอร์แสดงทิศทาง
ความชอบชี้ไปตามแนวความชันของสมการทิศทางความชอบของผู้บริโภคแต่ละกลุ่ม (-1.587 (เมื่อ PC1
เป็ นลบ) และ 1.894) ดังภาพที่ 5.46 โดยใช้ คาสั่งแทรกลูกศร
~ 302 ~
Call:
lm(formula = con1 ~ PC1 + PC2, data = Dataset)
Residuals:
Min 1Q Median 3Q Max
-0.37598 -0.12008 0.07978 0.18904 0.31594
Coefficients:
(Intercept) 5.83347 0.09747 59.85 1.46e-09 ***
PC1 -0.78406 0.05642 -13.90 8.65e-06 ***
PC2 1.24381 0.09729 12.78 1.41e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(4 observations deleted due to missingness)
F-statistic: 178.3 on 2 and 6 DF, p-value: 4.532e-06

Call:
lm(formula = con2 ~ PC1 + PC2, data = Dataset)
Residuals:
Min 1Q Median 3Q Max
-0.44373 -0.09605 0.17535 0.18897 0.20395
Coefficients:
(Intercept) 5.83348 0.09933 58.73 1.64e-09 ***
PC1 0.71705 0.05750 12.47 1.63e-05 ***
PC2 1.35816 0.09915 13.70 9.41e-06 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
F-statistic: 171.5 on 2 and 6 DF, p-value: 5.077e-06

~ 303 ~
ภาพที่ 5.46 ผังแสดงตาแหน่งผลิตภัณฑ์ของตัวอย่างที่ 5.3 โดยโปรแกรมอาร์ท่คี ัดลอก

มาเติมเวคเตอร์ทศิ ทางความชอบของผู้บริโภคกลุ่ม 1 และ 2 ในไมโครซอฟท์เวิร์ด
ในกรณีของผู้บริโภคกลุ่ม 3–5 นั้น ไม่สามารถใช้ เวคเตอร์บอกทิศทางความชอบได้ เนื่องจาก

รูปแบบของคะแนนความชอบไม่เป็ นแบบเส้ นตรง ซึ่งสามารถตรวจสอบได้ โดยการวิเคราะห์ข้อมูลตาม
ขั้นตอนในข้ อ 15–17 โดยเปลี่ยนตัวแปรตามในข้ อ 16 เป็ น con3, con 4 และ con 5 ตามลาดับ ผลการ
วิเคราะห์จะพบว่า ค่าสัมประสิทธิ์ของ PC1 และ PC2 มีค่านัยสาคัญต่ามาก (Pr(>t) มีค่าเข้ าใกล้ หนึ่ง) จึง
ต้ องพิจารณาทิศทางความชอบในรูปแบบวงกลม (Circular model) หรือวงรี (Elliptical model) แทน โดย
เพิ่มตัวแปรกาลังสองเข้ าไปในสมการ (กรณีรูปแบบวงกลม เพิ่ม “PC12 + PC22” ส่วนกรณีรปู แบบวงรี
เพิ่ม “PC12”, “PC22” และ “PC1*PC2”) และวิเคราะห์ข้อมูลตามขั้นตอนต่อไปนี้
18. คลิก “Edit dataset”

19. กล่อง “Data Editor: Dataset” จะปรากฏขึ้น คลิก “Add column” เพื่อเพิ่มจานวนสดมภ์ตาม
ต้ องการ (ตัวอย่างที่ 5.3 ในขั้นตอนนี้ ต้ องเพิ่ม 4 สดมภ์ สาหรับตัวแปร “PC12 + PC22”,
“PC12”, “PC22” และ “PC1*PC2”) และพิมพ์ข้อมูลดังภาพที่ 5.47 แล้ วคลิก “OK”
ต้ องพิมพ์ข้อมูลทั้งหมดใหม่ ตามข้ อ 1–3 หรือพิมพ์ข้อมูลในโปรแกรมไมโครซอฟท์เอกซ์เซล
~ 304 ~
product … PC1 PC2 X2PLUSY2 X2 Y2 XY

1 A … -2.450 1.287 7.659 6.003 1.656 -3.153
2 B … 2.309 1.394 7.275 5.331 1.943 3.219
3 C … 2.376 -1.282 7.289 5.645 1.644 -3.046
4 D … -2.051 -1.413 6.203 4.207 1.997 2.898
5 E … -0.037 0.003 0.001 0.001 0.000 0.000
6 F … -1.243 0.645 1.961 1.545 0.416 -0.802
7 G … 1.136 0.698 1.778 1.290 0.487 0.793
8 H … 1.170 -0.640 1.779 1.369 0.410 -0.749
9 I … -1.210 -0.693 7.659 6.003 1.656 -3.153
10 attribute1 -0.426 0.675
11 attribute2 -0.576 0.044
12 attribute3 -0.391 -0.736
13 attribute4 0.578 0.043
ภาพที่ 5.47 ข้ อมูลสาหรับการวิเคราะห์ข้อมูลทิศทางความชอบของผู้บริโภคกลุ่ม 3–5


21. กล่อง “Linear Regression” จะปรากฏขึ้น คลิกเลือก con3, con4 หรือ con5 ในช่อง
“Response variables (pick one) และ
- กรณีรปู แบบวงกลม
คลิกเลือก PC1, PC2 และ X2PLUSY2 ในช่อง “Explanatory variables (pick one or more)
(โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไป)
- กรณีรปู แบบวงรี
คลิกเลือก PC1, PC2, X2, Y2 และ XY ในช่อง “Explanatory variables (pick one or more)
(โดยคลิกที่ตวั แปรแรก และกด Ctrl ค้ างไว้ ก่อนคลิกเลือกตัวแปรตัวถัดไป)
ผลการวิเคราะห์จะแสดงที่ส่วน Output ของหน้ าต่าง R Commander ดังภาพที่ 5.48 5.49 และ

5.50 สาหรับทิศทางความชอบของผู้บริโภคกลุ่ม 3 4 และ 5 ตามลาดับ ซึ่งสมการทิศทางความชอบของ
ผู้บริโภคแต่ละกลุ่ม คือ
ผู้บริโภคกลุ่ม 3: Y = 7.910 – 0.841 (PC12 + PC22)
ผู้บริโภคกลุ่ม 4: Y = 3.995 + 0.726 (PC12 + PC22)
ผู้บริโภคกลุ่ม 5: Y = 7.232 – 0.560 (PC12 + PC22)
~ 305 ~
Call: lm(formula = con3 ~ PC1 + PC2 + X2PLUSY2, data = Dataset)
Residuals:
1 2 3 4 5 6 7 8 9
0.3659 -0.1160 0.3894 -0.3704 1.0918 -0.3434 -0.5769 -0.3295 -0.1107
Coefficients:
(Intercept) 7.90993 0.37959 20.838 4.71e-06 ***
PC1 0.02920 0.12811 0.228 0.828734
PC2 0.18515 0.22130 0.837 0.440941
X2PLUSY2 -0.84119 0.07738 -10.871 0.000114 ***
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residuals:
1 2 3 4 5 6 7 8 9
-0.41257 0.00866 -0.42683 0.22366 -1.99622 0.65213 0.85634 0.64317 0.45165
Coefficients:
(Intercept) 3.99473 0.63540 6.287 0.0015 **
PC1 -0.02634 0.21445 -0.123 0.9070
PC2 -0.15955 0.37044 -0.431 0.6846
X2PLUSY2 0.72578 0.12952 5.603 0.0025 **
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

~ 306 ~
Residuals:
1 2 3 4 5 6 7 8 9
-0.9988 1.5813 -1.0957 1.4908 1.7697 -2.1608 0.6341 -2.2079 0.9873
Coefficients:
(Intercept) 7.23223 1.17211 6.170 0.00163 **
PC1 0.04038 0.39559 0.102 0.92266
PC2 0.11875 0.68334 0.174 0.86885
X2PLUSY2 -0.55978 0.23893 -2.343 0.06614 .
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

~ 307 ~
จากข้ อมูลคะแนนความชอบของผู้บริโภค 5 กลุ่ม และ ความเข้ มของลักษณะทางประสาทสัมผัส

5 ลักษณะของผลิตภัณฑ์ต่อไปนี้
ผู้บริโภค
กลุ่ม กลุ่ม กลุ่ม กลุ่ม กลุ่ม ความ ความ กลิ่น ความ ความ
ผลิตภัณฑ์ 1 2 3 4 5 หวาน เปรี้ยว ผลไม้ หนืด ใส
A 8 7 6 7 4 80 50 40 50 50
B 7 5 7 8 8 55 40 30 30 75
C 7 8 7 6 5 75 60 55 45 60
D 5 6 8 7 9 40 45 40 25 90
E 6 9 8 5 6 50 70 60 20 70
F 5 8 8 6 7 45 65 55 35 80
- กรุณาสร้ างผังแสดงตาแหน่งผลิตภัณฑ์จากคะแนนความชอบ และ การสร้ างผังแสดง

ตาแหน่งผลิตภัณฑ์จากลักษณะทางประสาทสัมผัสของผลิตภัณฑ์
- จากผังที่สร้ างขึ้น กรุณาวิเคราะห์ว่าผลิตภัณฑ์ใดบ้ าง (A –F) ที่อาจจะเป็ นผลิตภัณฑ์
คู่แข่งของกันและกัน ผู้บริโภคกลุ่มใดที่ชอบผลิตภัณฑ์ท่มี รี สหวานและความหนืดมาก
และผู้บริโภคกลุ่มใดที่ชอบผลิตภัณฑ์ท่มี รี สเปรี้ยวและกลิ่นรสผลไม้ น้อย
~ 308 ~
- การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์
การสร้ างผังจากคะแนน การสร้ างผังจากลักษณะทาง

ความชอบ ประสาทสัมผัส
PC1 PC2 PC1 PC2
A -1.478 -0.574 1.487 -0.427
B -0.750 1.286 -0.239 -1.341
C -0.303 -0.788 0.953 0.583
D 0.717 1.175 -1.105 -0.779
E 0.872 -1.003 -0.595 1.249
F 0.943 -0.096 -0.501 0.715
ความหวาน -0.826 -0.511 0.988 -0.009
ความเปรี้ยว 0.549 -0.813 -0.033 0.995
กลิ่นผลไม้ 0.591 -0.790 -0.047 0.990
ความหนืด -0.720 -0.339 0.915 -0.083
ความใส 0.736 0.676 -0.946 -0.174
ผู้บริโภคกลุ่ม 1 -0.936 -0.285
ผู้บริโภคกลุ่ม 2 0.430 -0.902
ผู้บริโภคกลุ่ม 3 0.982 0.159
ผู้บริโภคกลุ่ม 4 -0.597 0.796
ผู้บริโภคกลุ่ม 5 0.519 0.848
กรณีการสร้ างผังจากลักษณะทางประสาทสัมผัส
สมการทิศทางความชอบของผู้บริโภคกลุ่ม 1 คือ Y = 6.333 + 1.059PC1 – 0.310PC2
สมการทิศทางความชอบของผู้บริโภคกลุ่ม 2 คือ Y = 7.167 + 0.169PC1 + 1.452PC2
สมการทิศทางความชอบของผู้บริโภคกลุ่ม 3 คือ Y = 7.333 - 0.737PC1 + 0.323PC2
สมการทิศทางความชอบของผู้บริโภคกลุ่ม 4 คือ Y = 6.500 + 0.100PC1 - 1.028PC2
สมการทิศทางความชอบของผู้บริโภคกลุ่ม 5 คือ Y = 7.167 – 1.644PC1 – 0.806PC2
- ผลิตภัณฑ์ท่อี าจจะเป็ นผลิตภัณฑ์ค่แู ข่งของกันและกัน คือ A และ C, B และ D, E และ F
- ผู้บริโภคที่ชอบผลิตภัณฑ์ท่มี รี สหวานและความหนืดมาก คือ ผู้บริโภคกลุ่ม 1
- ผู้บริโภคที่ชอบผลิตภัณฑ์ท่มี รี สเปรี้ยวและกลิ่นรสผลไม้ น้อย คือ ผู้บริโภคกลุ่ม 4
~ 309 ~
Anonymous. Preference mapping.
URL:http://www.personal.rdg.ac.uk/~aes02mm/Teaching/Archive/ 2003-4/Docs/MRM-
week6.ppt ; (n.d.)
MacFie HJH and Thomson DMH. Measurement of food preferences. Glasgow: Blackie Academic &
Professional; 1994, 301 p.
Moskowitz HR. Product testing 2: modeling versus mapping and their integration. Journal of Sensory
Studies 1994; 9: 323-336.
URL:http://www.jou.ufl.edu/archive/researchlab/SPSS-Statistcs-Base-Users-Guide-
17.0.pdf; (n.d.)
SurveySite. Perceptual/brand maps.
URL:http://www.surveysite.com/newsite/docs/brandmap.htm; (n.d.)
Wangcharoen W and Phimphilai S. Chlorophyll and total phenolic contents, antioxidant activities and
consumer acceptance test of processed grass drinks. Journal of Food Science and Technology
2016; 53(12): 4135-4140.
Williams AA. Procedures and problems in optimizing sensory and attitudinal characteristics in food and
beverage. In: Thomson DMH, editor. Food acceptability. Essex: Elsevier Science Publishers;
1988, p. 297-309.
~ 310 ~
บทที่ 6
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหาร
อายุการเก็บของผลิตภัณฑ์อาหาร หมายถึง ช่วงเวลาที่ผลิตภัณฑ์อาหารยังคงมีสมบัตพิ ้ ืนฐานต่างๆ

เป็ นที่ยอมรับสาหรับการบริโภค สมบัตพิ ้ ืนฐานดังกล่าวได้ แก่ คุณภาพด้ านความปลอดภัย คุณภาพทาง
ประสาทสัมผัส คุณภาพทางเคมี คุณภาพทางกายภาพ คุณภาพทางจุลชีววิทยา และอื่นๆ ปัจจัยที่มผี ลต่อ
การเปลี่ยนแปลงคุณภาพของผลิตภัณฑ์อาหารมีหลายชนิด เช่น ส่วนผสม กระบวนการแปรรูป การบรรจุ
และ การเก็บรักษา เป็ นต้ น (Robertson, 2009) ดังนั้นการพิจารณาเลือกใช้ สว่ นผสม กระบวนการแปรรูป
และการบรรจุท่เี หมาะสม ตลอดจนการเก็บรักษาในสภาวะที่สามารถหลีกเลี่ยงหรือลดความเสี่ยงจากปัจจัย
ภายนอกที่มผี ลต่อคุณภาพของผลิตภัณฑ์จึงมีความสาคัญอย่างมากต่ออายุการเก็บของผลิตภัณฑ์
6.1 ปั จจัยภายนอกทีม่ ีผลต่อคุณภาพของผลิตภัณฑ์อาหาร

ปัจจัยภายนอกที่มผี ลต่อคุณภาพของผลิตภัณฑ์อาหาร ได้ แก่ แสง ออกซิเจน ความชื้น และ อุณหภูมิ
6.1.1 แสง แสงเป็ นปัจจัยที่ส่งเสริมให้ เกิดอนุมูลอิสระขึ้นในผลิตภัณฑ์ กระตุ้นให้ เกิดปฏิกริ ิยา
ออกซิเดชันของไขมัน การเปลี่ยนแปลงของรงควัตถุและการสลายตัวของวิตามินบางชนิด ดังนั้นหากเป็ น
อาหารที่ไม่มกี ารเปลี่ยนแปลงเหล่านี้เกิดขึ้น จะสามารถเลือกใช้ ภานะบรรจุท่โี ปร่งใส เพื่อแสดงลักษณะ
ปรากฏที่ดขี องผลิตภัณฑ์และเป็ นการดึงดูดความสนใจของผู้บริโภคได้ แต่ถ้าเป็ นอาหารที่มกี ารเปลี่ยนแปลง
ดังกล่าว จะต้ องเลือกใช้ ภาชนะบรรจุท่สี ามารถป้ องกันแสงได้ ซึ่งส่วนใหญ่แล้ วอาหารที่เป็ นของเหลวมักไวต่อ
แสงมากกว่าอาหารที่เป็ นของแข็ง เนื่องจากอนุมูลอิสระที่เกิดขึ้นบริเวณผิวนอกของอาหารจะสามารถกระจาย
ตัวไปยังส่วนต่างๆ ได้ ง่าย ส่วนแสงจะมีอทิ ธิพลต่อการเปลี่ยนแปลงต่างๆ ได้ มากน้ อยเพียงใดนั้น จะขึ้นอยู่
กับความยาวคลื่นของแสง ความเข้ มแสง เวลาที่อาหารสัมผัสแสง และ ความไวต่อแสงขององค์ประกอบใน
อาหารนั้น
6.1.2 ออกซิ เจน ออกซิเจนเป็ นปัจจัยที่มผี ลต่อการหายใจของผลิตผลการเกษตร ปฏิกริ ิยาการเกิด
สีนา้ ตาล ปฏิกริ ิยาออกซิเดชันของไขมัน โปรตีน และ วิตามิน ตลอดจนการเปลี่ยนแปลงสีของเนื้อสัตว์และ
ผลิตภัณฑ์ การป้ องกันออกซิเจนสามารถทาได้ หลายวิธี เช่น การเลือกวัสดุท่ปี ้ องกันการซึมผ่านของ
ออกซิเจนได้ มาทาภาชนะบรรจุ การเพิ่มความหนาของภาชนะบรรจุให้ มากขึ้น และการบรรจุแบบสุญญากาศ
หรือเติมแก๊สเฉื่อย เป็ นต้ น
6.1.3 ความชื้ น ความชื้นของอาหารและสิ่งแวดล้ อมหากมีความแตกต่างกัน จะมีการถ่ายเทความชื้น
ระหว่างกันจนกระทัง่ เกิดสภาพสมดุลในที่สดุ หากไม่มกี ารเลือกใช้ ภาชนะบรรจุท่เี หมาะสม อาหารแห้ งจะมี
ความชื้นสูงขึ้น ในขณะที่อาหารที่มคี วามชื้นสูงกว่าบรรยากาศจะสูญเสียความชื้นออกไป ส่งผลให้ เกิดการ
เปลี่ยนแปลงต่างๆ ที่ไม่ต้องการในผลิตภัณฑ์อาหารชนิดนั้นๆ ได้
6.1.4 อุณหภูมิ อุณหภูมเิ ป็ นปัจจัยที่มผี ลต่ออัตราเร็วของปฏิกริ ิยาต่างๆ ปฏิกริ ิยาเคมีและชีวเคมี

ทุกชนิดสามารถูกเร่งให้ เกิดเร็วขึ้นหรือช้ าลงได้ ด้วยการเปลี่ยนแปลงอุณหภูมิ ซึ่งสามารถอธิบายได้ โดยใช้
สมการอาร์รีเนียส (Arrhenius equation) หรือ สมการ 6.1 ดังนี้
k = ko e –Ea/RT ... (6.1)
หรือ ln k = ln k0 + (– Ea /R) (1 /T)
เมื่อ k = อัตราเร็วของปฏิกริ ิยา

ko = ค่าคงที่ๆ ไม่ข้ นึ กับอุณหภูมิ
Ea = พลังงานกระตุ้น (J mole-1 หรือ cal mole-1) ดังตารางที่ 6.1
R = ค่าคงที่ของแก๊ส (8.314 JK-1mole-1=1.987 cal K-1 mole-1)
T = อุณหภูมิ (K = 273.15 + C)
ตารางที่ 6.1 ตัวอย่างพลังงานกระตุ้น (Activation energy; Ea) ของปฏิกริ ิยาที่เกี่ยวข้ องกับการเสื่อมเสีย

ของอาหาร (ดัดแปลงจาก Robertson and Huges, 1993)
ชนิดของปฏิกริ ิยา พลังงานกระตุ้น (kJ mole-1 )

การแพร่ 0 – 34
การออกซิเดชันของไขมัน 42 – 105
การสลายตัวของสารให้ กลิ่นรสในผักอบแห้ ง 42 – 105
การเปลี่ยนแปลงที่เกิดจากเอนไซม์ 42 – 126
การสลายตัวของวิตามิน 84 – 126
การสลายตัวของรงควัตถุในผักอบแห้ ง 67 – 147
การเกิดสีนา้ ตาลที่ไม่ได้ เกิดจากเอนไซม์ 105 – 210
6.2 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกิริยา
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกริ ิยา มีข้นั ตอนดังต่อไปนี้
(1) เลือกปฏิกริ ิยาหรือการเปลี่ยนแปลงที่จะใช้ เป็ นตัวบ่งชี้การเสื่อมคุณภาพของผลิตภัณฑ์
(2) ศึกษาอันดับและอัตราเร็วของปฏิกริ ิยาหรือการเปลี่ยนแปลงที่เลือก
(3) กาหนดคุณภาพต่าสุดของผลิตภัณฑ์ท่ยี ังสามารถยอมรับได้
(4) หาระยะเวลาที่ใช้ สาหรับการเปลี่ยนแปลงที่เกิดขึ้น ตั้งแต่เริ่มต้ นจนถึงจุดที่กาหนดไว้
~ 312 ~
การเลือกปฏิกริ ิยาหรือการเปลี่ยนแปลงที่จะใช้ เป็ นตัวบ่งชี้การเสื่อมคุณภาพของผลิตภัณฑ์ สามารถทา

ได้ โดยการพิจารณาการเสื่อมเสียของผลิตภัณฑ์ว่า มีลักษณะอย่างไร และลักษณะใดเป็ นลักษณะที่มผี ลต่อการ
ยอมรับของผู้บริโภคมากที่สดุ โดยทั่วไปเราสามารถใช้ ข้อมูลทางวิชาการที่เกี่ยวข้ องประกอบการตัดสินใจได้
หากเป็ นผลิตภัณฑ์ท่ไี ม่สามารถหาข้ อมูลดังกล่าวได้ อาจใช้ วิธที าการทดลองเพื่อเก็บข้ อมูลเอง ซึ่งอาจต้ องใช้
เวลานานมากในการเก็บข้ อมูล ห้ องปฏิบตั กิ ารส่วนใหญ่จึงนิยมใช้ สภาวะเร่งในการศึกษาอายุการเก็บของ
ผลิตภัณฑ์ (Accelerated shelf life test) ร่วมกับการทดลองที่สภาวะปกติเพื่อศึกษาข้ อมูลดังกล่าว ดังตัวอย่าง
ในตารางที่ 6.2
ตารางที่ 6.2 ตัวอย่างการใช้ สภาวะเร่งในการศึกษาอายุการเก็บของผลิตภัณฑ์อาหาร

(ดัดแปลงจาก Vanee, 1996)
อาหารแช่เยือกแข็ง อาหารแห้ งและอาหารกึ่งแห้ ง อาหารกระป๋ อง

-40ซ (ภาวะควบคุม) 0ซ (ภาวะควบคุม) 5ซ (ภาวะควบคุม)
-15ซ 23ซ (อุณหภูมหิ ้ อง) 23ซ (อุณหภูมหิ ้ อง)
-10ซ 30ซ 30ซ
-5ซ 35ซ 35ซ
40ซ 40ซ
45ซ
ปฏิกริ ิยาหรือการเปลี่ยนแปลงที่เกิดขึ้นในระหว่างกระบวนการต่างๆ ไม่ว่าจะเป็ นการแปรรูปอาหาร

หรือการเก็บรักษา สามารถอธิบายได้ โดยใช้ ทฤษฎีจลนศาสตร์ดงั สมการ 6.2
-dC/dt = kCm …(6.2)
เมื่อ C = คามเข้ มข้ นของส่วนประกอบที่สนใจที่เวลา t

t = เวลา
k = อัตราเร็วของปฏิกริ ิยา
m = อันดับของปฏิกริ ิยา
จากสมการ 6.2 จะเห็นได้ ว่ามีสง่ิ ที่ต้องทาความเข้ าใจอย่างหนึ่งเกี่ยวกับปฏิกริ ิยาหรือการเปลี่ยนแปลง

ที่เกิดขึ้น คือ อันดับของปฏิกริ ิยา ซึ่งโดยทั่วไปการเปลี่ยนแปลงพื้นฐานที่เกิดขึ้นสามารถพิจารณาให้ เป็ น
ปฏิกริ ิยาอันดับศูนย์ (Zero order) (สมการ 6.3) ซึ่งเป็ นแบบจาลองเส้นตรง หรือ ปฏิกริ ิยาอันดับหนึ่ง (First
order) (สมการ 6.4) ซึ่งเป็ นแบบจาลองเอ็กซ์โพเนนเชียล ดังต่อไปนี้ (Singh, 1994)
~ 313 ~
- ปฏิกริ ิยาอันดับศูนย์
-dC/dt = kC0
หรือ -dC/dt = k
หรือ -dC = k dt
เมื่ออินทิกรัลจะได้
- (Ct - C0) = k (t – t0)
หรือ Ct = C0 - k (t – t0) ...(6.3)
- ปฏิกริ ิยาอันดับหนึ่ง
-dC/dt = kC1
หรือ (1/C) (- dC) = k dt
เมื่ออินทิกรัลจะได้
- ln (Ct / C0) = k (t – t0)
หรือ ln (Ct / C0) = -k (t – t0)
หรือ Ct = C0 e – k (t – to)
หรือ log (Ct / C0) = - ( k / 2.303) (t – t0) …(6.4)
~ 314 ~
120
100
ค่าที่ติ ตาม 80 ปฏิกริ ิยาอันดับศูนย์

60 ปฏิกริ ิยาอันดับหนึ่ง
40
20
0
0 2 4 6 8
เวลา
ภาพที่ 6.1 ปฏิกริ ิยาอันดับศูนย์และปฏิกริ ิยาอันดับหนึ่ง (ดัดแปลงจาก Singh, 1994)
ผลิตภัณฑ์นา้ ส้ มพร้ อมดื่มที่ผ่านกระบวนการผลิตแบบปลอดเชื้อชนิดหนึ่ง เมื่อเก็บไว้ ท่อี ณ
พบว่ามีการเกิดปฏิกริ ิยาสีนา้ ตาลเพิ่มขึ้นตลอดระยะเวลาที่เก็บ โดยสามารถติดตามผลได้ จากการวัดค่าการ
ดูดกลืนแสงที่ความยาวคลื่น 420 นาโนเมตรดังตารางที่ 6.3 กรุณาประมาณอายุการเก็บของผลิตภัณฑ์
ถ้ าหากผลิตภัณฑ์จะไม่ได้ รับการยอมรับ เมื่อค่าการดูดกลืนแสงมีค่าเกิน 0.25
ตารางที่ 6.3 ค่าการดูดกลืนแสงที่ความยาวคลื่น 420 นาโนเมตรของผลิตภัณฑ์นา้ ส้ มพร้ อมดื่มที่เก็บไว้ ท่ี

อุณหภูมิ 25ซ
เวลา (วัน) ค่าการดูดกลืนแสงที่ความยาวคลื่น 420 นาโนเมตร

0 0.100
10 0.114
20 0.127
30 0.141
40 0.155
วิธีทา
เมื่อนาข้ อมูลมาสร้ างแผนภูมิ พบว่าได้ แผนภูมใิ นลักษณะแบบจาลองเส้นตรงดังภาพที่ 6.2 แสดงว่า
การเกิดปฏิกริ ิยาสีนา้ ตาลของผลิตภัณฑ์นา้ ส้ มพร้ อมดื่มที่อณ
ุ หภูมิ 25ซ เป็ นปฏิกริ ิยาอันดับศูนย์ ซึ่ง
สามารถคานวณหาค่าอัตราเร็วของปฏิกริ ิยาได้ ดงั นี้
~ 315 ~
ภาพที่ 6.2 ค่าการดูดกลืนแสงที่ความยาวคลื่น 420 นาโนเมตรของผลิตภัณฑ์นา้ ส้ มพร้ อมดื่มที่อณ

จาก Ct = C0 - k (t – t0)
k = (Ct - C0) / (t – t0)
= (0.155 – 0.100) / (40 – 0)
= 0.0014
ดังนั้น 0.25 = 0.10 + 0.0014 (t - 0)
t = (0.25 – 0.10) / 0.0014
= 107 วัน
ตอบ ผลิตภัณฑ์จะไม่ได้ รับการยอมรับเมื่อมีอายุการเก็บเกิน 107 วัน

หรือ อายุการเก็บของผลิตภัณฑ์ไม่ควรเกิน 107 วัน
~ 316 ~
กรณีท่มี กี ารศึกษาปฏิกริ ิยาหรือการเปลี่ยนแปลง ณ อุณหภูมมิ ากกว่า 1 อุณหภูมิ สามารถนาข้ อมูล

มาคานวณหาค่าพลังงานกระตุ้น (Ea) และค่าคงที่ๆ ไม่ข้ นึ กับอุณหภูมิ (k0) ตามสมการอาร์รีเนียส (สมการ
6.1) ได้ โดยใช้ ข้อมูลที่ได้ จากการทดลองมาหาอัตราเร็วของปฏิกริ ิยาในแต่ละอุณหภูมทิ ่ศี ึกษา และนา
อัตราเร็วของปฏิกริ ิยาที่ได้ มาสร้ างแผนภูมเิ พื่อหาความสัมพันธ์ระหว่างอัตราเร็วของปฏิกริ ิยาและอุณหภูมิในรูป
ของ ln k และ 1/T ซึ่งจะได้ แผนภูมเิ ส้นตรงที่มคี วามชันเท่ากับ -Ea / R และจุดตัดแกนตั้งเท่ากับ ln k0 (ซึ่ง
สามารถประมาณได้ โดยการลากเส้ นตรงต่อไปจนตัดแกน ln k ที่ 1/T มีค่าเท่ากับศูนย์ เนื่องจากไม่สามารถหา
ค่า 1/T ที่เท่ากับศูนย์จริงๆ ได้ ) ดังภาพที่ 6.3 (Pavinee, 1996) แผนภูมเิ ส้ นตรงดังกล่าวนี้ คือ
ลอการิทมึ ธรรมชาติของสมการอาร์รีเนียส ( ln k = ln k0 + (– Ea /R) (1 /T) ) ในกรณีท่มี กี ารศึกษาที่
2 อุณหภูมิ สามารถใช้ วิธแี ทนค่า ln k และ 1/T ลงไปในสมการอาร์รีเนียส โดยตรงแทนการสร้ างแผนภูมไิ ด้
ดังตัวอย่างที่ 6.2 และจากค่า –Ea/R และ ln k0 จะทาให้ สามารถประมาณอัตราเร็วของปฏิกริ ิยาที่อณ ุ หภูมิ
ต่างๆ ในช่วงที่ศึกษาหรือในช่วงใกล้ เคียงได้
ภาพที่ 6.3 ความสัมพันธ์ของ ln k และ 1/T (ดัดแปลงจาก Pavinee, 1996)
การทดลองเก็บสตรอเบอร์รีท่อี ุณหภูมิ 5.5 และ 23ซ พบว่ามีการเปลี่ยนแปลงนา้ หนักดังตารางที่
6.4 นอกจากนี้ยังพบว่าสตรอเบอร์รีมอี ายุการเก็บเป็ นเวลา 7 วันที่อณ ุ หภูมิ 5.5ซ และ 3 วันที่อณ ุ หภูมิ
23ซ ซึ่งสตรอเบอร์รีมกี ารสูญเสียนา้ หนักไปประมาณร้ อยละ 15 จากนา้ หนักเริ่มต้ น จากข้ อมูลดังกล่าว
กรุณาหาค่าต่างๆ ดังนี้
- อัตราเร็วของการเปลี่ยนแปลงนา้ หนักสตรอเบอร์รีท่อี ณ ุ หภูมิ 5.5 และ 23ซ
- ค่าพลังงานกระตุ้น (Ea) และ ค่าคงที่ๆ ไม่ข้ นึ กับอุณหภูมิ (k0) ของการเปลี่ยนแปลงนา้ หนัก
สตรอเบอร์รี
- อัตราเร็วของการเปลี่ยนแปลงนา้ หนักสตรอเบอร์รีท่อี ณ ุ หภูมิ 0 10 20 30 และ 40ซ
- อายุการเก็บสตรอเบอร์รีท่อี ณ ุ หภูมิ 0 10 20 30 และ 40ซ
~ 317 ~
ตารางที่ 6.4 การเปลี่ยนแปลงนา้ หนักของสตรอเบอร์รีท่อี ณ

ุ หภูมิ 5.5 และ 23ซ
เวลา (วัน) 0 1 3 5 7 9 11 13
นา้ หนักเฉลี่ย 5.5ซ 92.5 89.7 85.1 81.0 78.5 75.8 71.9 70.4
(กรัม) 23ซ 94.5 89.2 80.7 75 72.8
วิธีทา
เมื่อนาข้ อมูลมาสร้ างแผนภูมิ พบว่าได้ แผนภูมใิ นลักษณะเอกซ์โพเนนเชียล ดังภาพที่ 6.4 แสดงว่า
การเปลี่ยนแปลงนา้ หนักของสตรอเบอร์รีน้ เี ป็ นปฏิกริ ิยาอันดับหนึ่ง ซึ่งสามารถคานวณหาค่าอัตราเร็ว
ของปฏิกริ ิยาที่อณ
ุ หภูมิ 5.5 และ 23ซ ได้ โดยเลือกศึกษาการเปลี่ยนแปลงเฉพาะในช่วงทีส่ ตรอ
เบอร์รียังถือว่ามีคุณภาพดี คือ 7 วันที่อณ
ุ หภูมิ 5.5ซ และ 3 วันที่อณ ุ หภูมิ 23ซ
100
95
90
85
น้าหนักเฉลี่ย
80 .5°ซ
กรัม
75 °ซ
70
65
60
0 5 10 15 เวลา วัน
ภาพที่ 6.4 การเปลี่ยนแปลงนา้ หนักของสตรอเบอร์รีท่อี ณ

ุ หภูมิ 5.5 และ 23ซ
จาก log (Ct / C0) = (k / 2.303) (t – t0)

ที่อณ
ุ หภูมิ 5.5ซ log (78.5/92.5) = (k / 2.303) (7 – 0)
log (0.85) = (k / 2.303) (7)
-0.07 = (k / 2.303) (7)
k 5.5 = (-0.07 / 7) (2.303)
= -0.023
~ 318 ~
ที่อณ
ุ หภูมิ 23ซ log (80.7 / 94.5) = (k / 2.303) (3 – 0)
log (0.85) = (k / 2.303) (3)
-0.07 = (k / 2.303) (3)
k 23 = (-0.07 / 3) (2.303)
= -0.054
จากนั้นนาค่าอัตราเร็วของปฏิกริ ิยาที่ได้ ท้งั สองมาหาค่าพลังงานกระตุ้นและค่าคงที่ๆ ไม่ข้ นึ กับอุณหภูมิ

โดยการแทนค่าลงไปในสมการอาร์รีเนียส ดังนี้
จาก k = ko e –Ea/RT
ที่อณ
ุ หภูมิ 5.5ซ -0.023 = ko e –Ea/R(273.15+5.5) . . . (1)
–Ea/R(273.15+23)
ที่อณุ หภูมิ 23ซ -0.054 = ko e . . . (2)
–[ Ea / R ] [ (1/278.65) – (1/ 296.15) ]
(1) / (2) 0.426 = e
log (0.426) = [ 1/ 2.303] [-Ea/8.314] [2.121x10-4]
Ea = 33,467.2 J mole-1
แทนค่า Ea ใน (1) เพื่อหา ko

-0.023 = ko e –[33,467.2]/ [8.314][273.15+5.5]
-0.023 = ko 5.38x10–7
ko = -43,210
จากค่าพลังงานกระตุ้นและค่าคงที่ๆ ไม่ข้ นึ กับอุณหภูมิ สามารถนามาใช้ คานวณค่าอัตราเร็วของ

ปฏิกริ ิยาและนาค่าอัตราเร็วของปฏิกริ ิยามาประมาณอายุการเก็บของสตรอเบอร์รีท่อี ณ ุ หภูมติ ่างๆ ได้ ดงั ตารางที่
6.5
ตารางที่ 6.5 อัตราเร็วของการเปลี่ยนแปลงนา้ หนักสตรอเบอร์รแี ละอายุการเก็บที่อณ

ุ หภูมิ 0 10 20 30
และ 40ซ
อุณหภูมิ อัตราเร็วของปฏิกริ ิยา อายุการเก็บ (วัน)

(ซ) k = (-43,210) e –[33,467.2] / [ 8.314 ] [273.15+T ] log (0.85) = (k /2.303) t
0 -0.017 9.56
10 -0.029 5.61
20 -0.047 3.46
30 -0.074 2.20
40 -0.113 1.44
~ 319 ~
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกิริยา
ผลการตรวจจานวนจุลินทรีย์ท้งั หมด ลักษณะทั่วไปและกลิ่นรสของผลิตภัณฑ์ชนิดหนึ่งซึ่งเก็บที่

อุณหภูมิ 5 และ 20ซ แสดงดังตารางต่อไปนี้
อุณหภูมิ 5ซ อุณหภูมิ 20ซ

เวลา จานวนจุลนิ ทรีย์ ลักษณะทั่วไป เวลา จานวนจุลนิ ทรีย์ ลักษณะทั่วไป
(วัน) (โคโลนีต่อกรัม) และกลิ่นรส (วัน) (โคโลนีต่อกรัม) และกลิ่นรส
0 43 ปกติ 0 43 ปกติ
2 2
7 5.6 x 10 ปกติ 3 6.1 x10 ปกติ
3 3
14 3.5 x 10 ปกติ 6 8.1 x 10 ปกติ
4 4
21 5.4 x 10 ปกติ 9 9.7 x 10 ปกติ
5 6
28 7.6 x 10 ผิวนอกเยิ้มเป็ นเมือก 12 1.03 x 10 ผิวนอกเยิ้มเป็ นเมือก
ไม่น่ารับประทาน ไม่น่ารับประทาน
แต่ไม่มกี ลิ่นเน่าเสีย แต่ไม่มกี ลิ่นเน่าเสีย
กรุณาวิเคราะห์ผลการตรวจข้ างต้ น และตอบคาถามต่อไปนี้

- อายุการเก็บของผลิตภัณฑ์ท่อี ณ ุ หภูมิ 5 และ 20ซ ควรมีค่าเท่าไร
- การเปลี่ยนแปลงดังกล่าวเป็ นปฏิกริ ิยาอันดับใด
- อัตราเร็วของปฏิกริ ิยาที่อณ
ุ หภูมิ 5 และ 20ซ มีค่าเท่าไร
- พลังงานกระตุ้นของปฏิกริ ิยามีค่าเท่าไร
- อัตราเร็วของปฏิกริ ิยาที่ไม่ข้ นึ กับอุณหภูมมิ คี ่าเท่าไร
- อัตราเร็วของปฏิกริ ิยาและอายุการเก็บที่อณ ุ หภูมิ 10 และ 15ซ มีค่าเท่าไร
~ 320 ~
6.3 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารโ ยวิธีคิวเทน Q10)

อีกหนึ่งวิธที ่นี ิยมใช้ เพื่อประมาณอายุการเก็บของผลิตภัณฑ์อาหาร ในกรณีท่มี กี ารศึกษามากกว่าหนึ่ง
อุณหภูมิ คือ การศึกษาสัดส่วนของอัตราเร็วของปฏิกริ ิยาหรือการเปลี่ยนแปลงของผลิตภัณฑ์อาหารที่เกิดขึ้น
เมื่ออุณหภูมมิ คี วามแตกต่างกัน 10ซ หรือ คิวเทน (Q10) ดังสมการ 6.5 (Singh, 1994)
Q10 = (kT+10) / kT = tT / t T+10 …(6.5)
เมื่อ kT+10 = อัตราการเสื่อมเสียของผลิตภัณฑ์อาหารที่อณ

ุ หภูมิ T+10ซ
kT = อัตราการเสื่อมเสียของผลิตภัณฑ์อาหารที่อณุ หภูมิ T ซ
t T+10 = อายุการเก็บของผลิตภัณฑ์อาหารที่อณุ หภูมิ T+10ซ
tT = อายุการเก็บของผลิตภัณฑ์อาหารที่อณ ุ หภูมิ T ซ
ในกรณีท่ใี ช้ อณ
ุ หภูมเิ ป็ นองศาฟาเรนไฮต์ (ฟ) สัดส่วนของอัตราเร็วของปฏิกริ ิยาการเสื่อมเสียของ
ผลิตภัณฑ์อาหารที่เกิดขึ้นเมื่ออุณหภูมมิ คี วามแตกต่างกันทุกๆ 10ฟ (q10) มีความสัมพันธ์กบั อัตราเร็วของ
ปฏิกริ ิยาการเสื่อมเสียของผลิตภัณฑ์อาหารที่เกิดขึ้นเมื่ออุณหภูมมิ คี วามแตกต่างกันทุกๆ 10ซ (Q10) ดัง
สมการ 6.6 (Vanee, 1996)
Q10 = (q10)1.8 …(6.6)
ตารางที่ 6.6 ตัวอย่างการประมาณอายุการเก็บผลิตภัณฑ์โดยวิธคี วิ เทน (ดัดแปลงจาก Vanee, 1996)
อุณหภูมิ อายุการเก็บ (สัปดาห์)

(ซ) Q10 = 2 Q10 = 2.5 Q10 = 3 Q10 = 5
50 2 2 2 2
40 4 5 6 10
30 8 12.5 18 50
20 16 31.3 54 250
~ 321 ~
อย่างไรก็ตาม มีข้อควรระวังเกี่ยวกับการใช้ อณ ุ หภูมสิ งู ร่วมในการประมาณอายุการเก็บ คือ

- การเปลี่ยนสถานะหรือการเปลี่ยนรูปขององค์ประกอบต่างๆ เช่น การเปลี่ยนสถานะจากไขมันเป็ น
นา้ มัน การที่บางส่วนของอาหารแช่เยือกแข็งไม่อยู่ในสภาพเยือกแข็ง เป็ นต้ น อาจมีผลในการเร่งหรือชะลอการ
เปลี่ยนแปลงของผลิตภัณฑ์น้นั ทาให้ อายุการเก็บที่ประมาณได้ ผดิ พลาดไปจากอายุการเก็บที่ควรจะเป็ น
- ปฏิกิริยาหรือการเปลี่ยนแปลงที่ทาให้ ผลิตภัณฑ์อาหารไม่เป็ นที่ยอมรับของผู้บริโภคที่อุณหภูมิ
แตกต่างกัน อาจมีความแตกต่ างกันได้ ในผลิตภัณฑ์บางประเภท เช่ น อาหารทอดจะสูญเสียความกรอบที่
อุณหภูมติ ่าได้ ง่ายกว่าที่อณ
ุ หภูมสิ งู ในขณะที่จะเกิดกลิ่นหืนที่อณุ หภูมสิ งู ได้ ง่ายกว่าที่อณ
ุ หภูมติ ่า เป็ นต้ น
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารโ ยวิธีคิวเทน
จากข้ อมูลอัตราเร็วของการเปลี่ยนแปลงนา้ หนักสตรอเบอร์รีและอายุการเก็บที่อณ

ุ หภูมิ 0 10 20
30 และ 40ซ ที่คานวณได้ จากตารางที่ 6.5 (ตัวอย่างที่ 6.2) กรุณาคานวณค่าคิวเทน (Q10) ของ
ช่วงอุณหภูมิ 0-10 10-20 20-30 และ 30-40 ซ หากค่าที่คานวณได้ มคี วามแตกต่างกัน
กรุณาพิจารณาว่าควรเลือกค่าใดไปใช้ เพราะเหตุใด
~ 322 ~
6.4 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารแห้ง อาหารที่มีความชื้ น

ปานกลางและอาหารขบเคี้ ยว
ในกรณีของผลิตภัณฑ์อาหารที่ความชื้นมีผลต่อคุณภาพของผลิตภัณฑ์อย่างมาก เช่น อาหารแห้ ง
อาหารที่มคี วามชื้นปานกลางและอาหารขบเคี้ยว การศึกษาอายุการเก็บของผลิตภัณฑ์จะต้ องให้ ความสนใจกับ
ระยะเวลาที่ใช้ ในการเปลี่ยนแปลงความชื้นของผลิตภัณฑ์ ตั้งแต่เสร็จสิ้นจากกระบวนการผลิตจนกระทั่งถึงจุด
สุดท้ ายที่ผ้ บู ริโภคยังยอมรับได้ ซึ่งการเปลี่ยนแปลงของความชื้นดังกล่าวสามารถอธิบายได้ ดงั สมการ 6.7
d mi/dt = K (Ae- Ai) ...(6.7)
เมื่อ dmi/dt = การเปลี่ยนแปลงความชื้นของผลิตภัณฑ์

K = อัตราการซึมผ่านของความชื้น
= [ P/x] P0 A / Ws
P/x = ความสามารถในการซึมผ่านของนา้ ต่อความหนาของภาชนะบรรจุ
(Water vapor permeability / thickness)
(g water/ m2 mmHg day)
P0 = ความดันไอของนา้ ณ อุณหภูมทิ ่ศี ึกษา (mm Hg)
A = พื้นที่ผวิ ของภาชนะบรรจุ (m2)
Ws = นา้ หนักของอาหารในภาชนะบรรจุ (g)
Ae, Ai = ค่ากิจกรรมของนา้ (Water activity, aw) ของสภาพแวดล้ อม
และของอาหารภายในภาชนะบรรจุ ตามลาดับ
สาหรับค่าความดันไอของนา้ ณ อุณหภูมติ ่างๆ นั้น สามารถประมาณได้ จากสมการ 6.8 (ผลที่ได้

จากการคานวณมีค่าความคลาดเคลื่อนร้ อยละ 2)
ln P0 = [-5321.66 / T ] + 21.03 …(6.8)
เมื่อ T = อุณหภูมิ (K = 273.15 + C)
โดยการศึกษาอายุการเก็บของผลิตภัณฑ์ในลักษณะนี้ จะต้ องหาความสัมพันธ์ระหว่างค่ากิจกรรมของ

นา้ (Water activity, aw) และความชื้นโดยนา้ หนักแห้ ง (Moisture content (dry basis)) ของผลิตภัณฑ์ใน
ลักษณะของไอโซเทอร์มการดูดซับความชื้น (Moisture sorption isotherm) เป็ นลาดับแรก จากนั้นจะต้ อง
พยายามพิจารณาแบ่งความสัมพันธ์ดงั กล่าวออกเป็ นช่วงสั้นๆ เพื่อให้ ความสัมพันธ์ในแต่ละช่วงสามารถ
อธิบายได้ ด้วยแบบจาลองเส้ นตรง m =  aw +  ดังภาพที่ 6.5
~ 323 ~
ภาพที่ 6.5 ตัวอย่างการพิจารณาแบ่งไอโซเทอร์มการดูดความชื้น (Moisture sorption isotherm) ของ

ผลิตภัณฑ์เป็ นช่วงสั้นๆ (ดัดแปลงจาก Pavinee, 1996)
จากภาพที่ 6.5 สามารถแทนค่า Ae และ Ai ได้ ด้วย (me - ) /  และ (mi - ) / 

ตามลาดับ จะได้ แบบจาลองสาหรับประมาณระยะเวลาที่ผลิตภัณฑ์ต้องใช้ ในการดูดซับความชื้นจนมีปริมาณ
ความชื้นถึงจุดดังกล่าวดังสมการ 6.9 (Pravinee, 1996)
dmi/dt = K [(me - ) /  - (mi - ) / ]
dmi/dt = [K / ] [ me - mi ]
mc tc
 [ 1 / me - mi ] dmi = [K /  ]  dt
m0 t0
ln [(me - m0)/(me - mc) = [K /  ] t ...(6.9)
เมื่อ me = ความชื้นของผลิตภัณฑ์เมื่ออยู่ในภาวะสมดุล (aw = Ae)

m0 = ความชื้นเริ่มต้ นของผลิตภัณฑ์
mc = ความชื้นสุดท้ ายที่ยังยอมรับได้
~ 324 ~
กรณีท่ตี ้ องการประมาณอายุการเก็บของผลิตภัณฑ์ท่มี รี ะดับความชื้นสุดท้ ายที่ยังยอมรับได้ อยู่ท่ี mc2

ในภาพที่ 6.5 ซึ่งความสัมพันธ์แบบเส้ นตรงระหว่าง aw และความชื้นถูกแบ่งออกอยู่ 2 ช่วง ต้ องแบ่งการ
คานวณออกเป็ น 2 ส่วน และนาค่าเวลาที่คานวณได้ จากแต่ละส่วนมารวมกันดังนี้ (Pravinee, 1996)
ln [(me - m0)/(me - mc1) = [K / 1 ] t1
และ ln [(me - mc1)/(me - mc2) = [K / 2 ] t2
ดังนั้น t = t1 + t 2
กรุณาประมาณอายุการเก็บที่อณ
ุ หภูมิ 30C ของผลิตภัณฑ์ขนมขบเคี้ยวชนิดหนึ่ง ซึ่งบรรจุในภาชนะ
บรรจุท่มี คี ่าการซึมผ่านของความชื้น (P/x) 0.3 g water / m2 mmHg day พื้นที่ผิวของภาชนะบรรจุ 0.150
m2 ปริมาณบรรจุ 500 กรัม ความชื้นเริ่มต้ นของผลิตภัณฑ์ร้อยละ 2 (โดยนา้ หนักแห้ ง) ความชื้นที่
ภาวะสมดุลของผลิตภัณฑ์เท่ากับร้ อยละ 8 แต่ผลิตภัณฑ์จะไม่เป็ นที่ยอมรับเมื่อมีความชื้นเกินร้ อยละ 6
ค่ากิจกรรมของนา้ และความชื้น โดยนา้ หนักแห้ ง ในช่ วงที่สนใจของผลิตภัณฑ์มีความสัมพันธ์กันแบบเส้ นตรง
m =  aw +  เมื่อ  = 0.06 g water / g of solid และกาหนดให้ ความชื้นเป็ นปั จจัยหลักเพี ยงอย่าง
เดียวที่มีผลต่อการเปลี่ยนแปลงที่เกิดขึ้น และค่าการซึมผ่านของภาชนะบรรจุ มีค่าคงที่ตลอดการเก็บรักษา
จากนั้นกรุณาประมาณอายุการเก็บของผลิตภัณฑ์น้ ี เมื่อเปลี่ยนวัสดุท่ใี ช้ ทาภาชนะบรรจุเป็ นวัสดุท่มี ีการซึมผ่าน
ของความชื้นเท่ากับ 0.05 0.1 และ 0.2 g water / m2 mmHg day ตามลาดับ
วิธีทา จาก ln P0 = [-5321.66 / T ] + 21.03

ln P0 = [-5321.66 / (273.15 + 30) ] + 21.03
ln P0 = 3.47
P0 = 32
จาก K = [ P/x] P0 A / Ws
K = [0.3] [32][0.150] / [500]
K = 2.88 x 10-3
จาก ln [(me - m0)/(me - mc) = [K /  ] t

ln [( 8 - 2)/( 8 - 6)] = [2.88 x 10-3 / 0.06 ] t
ln 3 = 0.048 t
ดังนั้น t = 22.9  22 วัน
เมื่อนาค่าการซึมผ่านของความชื้นของวัสดุท่ใี ช้ ทาภาชนะบรรจุตามที่กาหนด มาคานวณค่าอัตราการ

ซึมผ่านของความชื้น และนาค่าดังกล่าวมาคานวณหาอายุการเก็บของผลิตภัณฑ์ได้ ผลดังตารางที่ 6.7
~ 325 ~
ตารางที่ 6.7 อัตราซึมผ่านของความชื้นและอายุการเก็บของผลิตภัณฑ์
อัตราการซึมผ่านของความชื้น อายุการเก็บของผลิตภัณฑ์ (วัน)

P/x K = [P/x][32][0.150] / [500] t = (ln [(8-2)/(8-6)]) / (K/0.06 )
0.05 4.8 x 10-4 137.3
0.1 9.6 x 10-4 68.7
0.2 1.92 x 10-3 34.3
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารแห้ง
อาหารความชื้ นปานกลาง และอาหารขบเคี้ ยว
จากข้ อมูลความสัมพันธ์ระหว่างค่ากิจกรรมของนา้ (Water activity, aw) และความชื้นโดย

นา้ หนักแห้ ง (Moisture content (dry basis)) ของผลิตภัณฑ์เนื้อลาไยแช่อ่มิ อบแห้ งบรรจุ
กล่องพลาสติกในระยะเวลา 12 เดือนดังแผนภูมดิ ้ านล่าง
60
50
ความชื้น 40
โดยนา้ หนักแห้ ง
30
( Moisture y = 91.64x - 45.57
content 20 R² = 0.8228
(dry basis))
10
0
0 0.2 0.4 0.6 0.8 1
ค่ากิจกรรมของนา้ (Water activity, aw)

กรุณาคานวณหาอายุการเก็บของผลิตภัณฑ์ในกรณีท่คี วามชื้นเริ่มต้ น ความชื้นที่ภาวะสมดุล
ของผลิตภัณฑ์ และ ความชื้นสุดท้ ายที่ผลิตภัณฑ์ยังคงเป็ นที่ยอมรับ เท่ากับร้ อยละ 9.36
30.00 และ 20.00 (โดยนา้ หนักแห้ ง) ตามลาดับ เมื่ออัตราการซึมผ่านของความชื้นเข้ าสู่
ผลิตภัณฑ์ (K) เท่ากับ 3.305 g water / g solid . month (ดัดแปลงจาก Wangcharoen,
2013)
~ 326 ~
6.5 การสร้างแผนภูมเิ พือ่ หาอัตราเร็วของปฏิกิริยาโ ยโปรแกรม

ไมโครซอฟท์เอกซ์เซล
การสร้ างแผนภูมเิ พื่อหาอัตราเร็วของปฏิกริ ิยาโดยโปรแกรมไมโครซอฟท์เอกซ์เซล มีข้นั ตอนดังนี้
(ใช้ ข้อมูลของตัวอย่างที่ 6.1 และ 6.2 เป็ นตัวอย่าง)
1. พิมพ์ข้อมูลเพื่อสร้ างแผนภูมิดงั ภาพที่ 6.6 โดยใช้ ข้อมูลเฉพาะส่วนที่ผลิตภัณฑ์ยังมีคุณภาพเป็ นที่
ยอมรับได้ เท่านั้น
2. เลือกพื้นที่ๆ จะใช้ ในการสร้ างแผนภูมิ (ตัวอย่างที่ 6.1 เลือก A1:B6 ตัวอย่างที่ 6.2 เลือก A1:
C6)
3. คลิกแถบคาสั่ง “แทรก” คลิก “แผนภูมกิ ระจาย” แล้ วคลิกเลือก “แผนภูมกิ ระจายที่มแี ต่
เครื่องหมาย” ในส่วนของแผนภูมกิ ระจาย
4. แผนภูมกิ ระจายที่มแี ต่เครื่องหมายจะปรากฏขึ้น ดังภาพที่ 6.7
5. คลิกขวาที่บริเวณเครื่องหมายแสดงข้ อมูลจุดใดจุดหนึ่งในแผนภูมิ
6. แถบคาสั่งจะปรากฏขึ้น คลิก “เพิ่มเส้ นแนวโน้ ม…”
7. กล่อง “จัดรูปแบบเส้ นแนวโน้ ม” จะปรากฏขึ้น คลิกเลือกชนิดแนวโน้ ม/การถดถอยที่ต้องการ
เช่น “เชิงเส้น” หรือ “เอ็กซ์โพเนนเชียล” และคลิกเลือก “แสดงสมการบนแผนภูม”ิ และ
“แสดงค่า R-squared บนแผนภูม”ิ แล้ วคลิก “ปิ ด”
8. เส้ นแนวโน้ ม สมการ และ ค่า R-squared จะปรากฏขึ้นบนแผนภูมิ ดังภาพที่ 6.8 พิจารณาเลือก
รูปแบบที่มคี ่า R-squared สูงกว่า
อัตราเร็วของปฏิกริ ิยาอันดับศูนย์ (Zero order) หรือแบบจาลองเส้ นตรง คือ ค่าสัมประสิทธิ์ของ X ซึ่ง

จากข้ อมูลของตัวอย่างที่ 6.1 มีค่าเท่ากับ 0.0014 (จาก Y = 0.0014X + 0.1) ส่วนอัตราเร็วของปฏิกริ ิยา
อันดับหนึ่ง (First order) หรือแบบจาลองเอ็กซ์โพเนนเชียล คือ ค่าสัมประสิทธิ์ของเลขชี้กาลัง ซึ่งจากข้ อมูล
ุ หภูมิ 5 และ 25ซ มีค่าเท่ากับ -0.024 (มาจาก Y = 91.922 e-0.024X) และ 0.052
ของตัวอย่างที่ 6.2 ที่อณ
(มาจาก Y = 94.294 e-0.052X) ตามลาดับ
~ 327 ~
A B A B C
1 วันที่ OD ที่ 420 nm 1 วันที่ 5.5°ซ 23°ซ
2 0 0.1 2 0 92.5 94.5
3 10 0.114 3 1 89.7 89.2
4 20 0.127 4 3 85.1 80.7
5 30 0.141 5 5 81
6 40 0.155 6 7 78.5
(ก) (ข)
ภาพที่ 6.6 การพิมพ์ข้อมูลเพื่อสร้ างแผนภูมสิ าหรับ (ก) ตัวอย่างที่ 6.1 และ (ข) ตัวอย่างที่ 6.2
(ก)
(ข)
ภาพที่ 6.7 แผนภูมกิ ระจายที่มแี ต่เครื่องหมายของ (ก) ตัวอย่างที่ 6.1 และ (ข) ตัวอย่างที่ 6.2
~ 328 ~
(ก)
(ข)
ภาพที่ 6.8 แผนภูมกิ ระจาย เส้นแนวโน้ ม สมการ และค่า R-squared ของ

(ก) ตัวอย่างที่ 6.1 และ (ข) ตัวอย่างที่ 6.2
~ 329 ~
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารจากอัตราเร็วของปฏิกิริยา
- จากข้ อมูลลักษณะทั่วไปและกลิ่นรสของผลิตภัณฑ์ แสดงให้ เห็นว่า ผลิตภัณฑ์ยังคงมีความ

ปกติท่อี ณ
ุ หภูมิ 5 และ 20ซ เมื่อเวลา 21 และ 9 วัน ตามลาดับ จึงสามารถถือได้ ว่า
ช่วงเวลาดังกล่าวคือ อายุการเก็บของผลิตภัณฑ์ และหากต้ องการใช้ จานวนจุลนิ ทรีย์ท่ี
ระยะเวลาดังกล่าวเป็ นข้ อมูลในการพิจารณาอายุการเก็บ ซึ่งพบว่า ผลิตภัณฑ์เก็บที่อณ ุ หภูมิ
5ซ 21 วัน และ ที่อณ ุ หภูมิ 20ซ 9 วัน มีจานวนจุลนิ ทรีเท่ากับ 5.4 x 104 และ 9.7 x
104 โคโลนีต่อกรัม ตามลาดับ จึงอาจพิจารณาได้ ว่า ผลิตภัณฑ์ท่ยี ังคงเป็ นที่ยอมรับจะต้ อง
มีจานวนจุลนิ ทรีย์ไม่เกิน 9.7 x 104 หรือ ประมาณ 105 โคโลนีต่อกรัม
- เมื่อนาข้ อมูลในส่วนที่ผลิตภัณฑ์ยังคงเป็ นที่ยอมรับได้ มาสร้ างแผนภูมิ พบว่าได้ แผนภูมิ
เอ็กซ์โพเนนเชียล จึงสามารถพิจารณาได้ ว่า การเปลี่ยนแปลงดังกล่าวเป็ นปฏิกริ ิยาอันดับ
หนึ่ง
- อัตราเร็วของปฏิกริ ิยาที่อณ
ุ หภูมิ 5 และ 20ซ เท่ากับ 0.332 และ 0.8583 ตามลาดับ
- พลังงานกระตุ้นของปฏิกริ ิยามีค่าเท่ากับ 42,934.53 J mole-1
- อัตราเร็วของปฏิกริ ิยาที่ไม่ข้ นึ กับอุณหภูมมิ คี ่าเท่ากับ 38,391,566.5
- อัตราเร็วของปฏิกริ ิยาและอายุการเก็บที่อณ ุ หภูมิ 10ซ มีค่าเท่ากับ 0.4608 และ 16.83
วัน ตามลาดับ
- อัตราเร็วของปฏิกริ ิยาและอายุการเก็บที่อณ ุ หภูมิ 15ซ มีค่าเท่ากับ 0.6324 และ 12.26
วัน ตามลาดับ
(หมายเหตุ: ค่าพลังงานกระตุ้นและอัตราเร็วของปฏิกริ ิยาที่ไม่ข้ นึ กับอุณหภูมทิ ่คี านวณได้
อาจมีตวั เลขแตกต่างไปได้ เนื่องจากการปัดเศษในระหว่างการคานวณ แต่ค่าอัตราเร็ว
ของปฏิกริ ิยาและอายุการเก็บที่คานวณได้ ไม่ควรแตกต่างกันมากนัก)
~ 330 ~
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารโ ยวิธีคิวเทน
จาก Q10 = (kT+10) / kT = tT / t T+10

0-10 ซ Q10 = 0.029 / 0.017 = 9.56 / 5.61 = 1.71
10-20 ซ Q10 = 0.047 / 0.029 = 5.61 / 3.46 = 1.62
20-30 ซ Q10 = 0.074 / 0.047 = 3.46 / 2.20 = 1.57
30-40 ซ Q10 = 0.113 / 0.074 = 2.20 / 1.44 = 1.53
ผลการคานวณแสดงให้ เห็นว่า ค่าที่คานวณได้ จะมีแนวโน้ มลดลงเมื่ออุณหภูมทิ ่ใี ช้ ในการคานวณมีค่า

มากขึ้น ในกรณีเช่นนี้เพื่อความปลอดภัยควรเลือกค่าคิวเทนที่มคี ่าน้ อยที่สดุ ไปใช้ ในการประมาณอายุ
การเก็บของผลิตภัณฑ์ เนื่องจากจะได้ ค่าอายุการเก็บที่ส้นั ที่สดุ เพื่อให้ ม่นั ใจได้ ว่า ผลิตภัณฑ์จะยังมี
คุณภาพเป็ นที่ยอมรับอย่างแน่นอนในช่วงอายุการเก็บนั้น
การศึกษาอายุการเก็บของผลิตภัณฑ์อาหารแห้ง
อาหารความชื้ นปานกลาง และอาหารขบเคี้ ยว
จาก ln [(me - m0)/(me - mc) = [K /  ] t

ln [( 30 – 9.36)/(30 - 20)] = [3.305 / 91.64 ] t
ln 2.064 = 0.0361 t
ดังนั้น t = 20.07  20 เดือน
~ 331 ~
Pavinee Chinachoti. Workshop on Food products shelf-life stability. 26-28 November 1996.
Organized by Department of Product Development, Faculty of Agro-Industry, Kasetsart
University, Bangkok; 1996, 148 p.
Robertson GL and Huges HA. Food packaging : principles and practice. New York: Marcel Dekker;
1993, 676 p.
Robertson GL. Food packaging and shelf life. In: Robertson GL, editor. Food packaging and shelf life:
a practical guide. Boca Raton, FL: CRC Press; 2009, p.1-16.
Singh RP. Scientific principles of shelf life evaluation. In: Man CMD and Jones AA, editors. Shelf life
evaluation of food. Glasgow: Chapman & Hall; 1994, p. 3-26.
Vanee Komolprasert. Workshop on Food packaging. 2-13 December 1996. Organized by Department
of Food Science, Thammasart University Rungsit, Pathumthani; 1996, 143 p.
Wangcharoen W. Development of dried chewy longan arils. Maejo International Journal of Science and
Technology 2013; 7(03): 467-477.
~ 332 ~
ภาคผนวก
~ 334 ~
ตารางภาคผนวกที่ 1 ค่าวิกฤตสาหรับการทดสอบค่าเอฟ ที่ระดับนัยสาคัญ 0.05 (p<0.05)
df2/df1 1 2 3 4 5 6 7 8 9 10 12 15 20 30 60 120 inf

1 161 200 216 225 230 234 237 239 241 242 244 246 248 250 252 253 254
2 18.5 19 19.2 19.2 19.3 19.3 19.4 19.4 19.4 19.4 19.4 19.4 19.4 19.5 19.5 19.5 19.5
3 10.1 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.75 8.70 8.66 8.62 8.57 8.55 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.86 5.80 5.75 5.69 5.66 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56 4.50 4.43 4.40 4.37
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87 3.81 3.74 3.71 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.58 3.51 3.45 3.38 3.30 3.27 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15 3.08 3.01 2.97 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.86 2.79 2.75 2.71
10 4.97 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.85 2.77 2.70 2.62 2.58 2.54
11 4.84 3.98 3.59 3.36 3.20 3.10 3.01 2.95 2.90 2.85 2.79 2.72 2.65 2.57 2.49 2.45 2.41
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54 2.47 2.38 2.34 2.30
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.60 2.53 2.46 2.38 2.30 2.25 2.21
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.46 2.39 2.31 2.22 2.18 2.13
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33 2.25 2.16 2.11 2.07
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.43 2.35 2.28 2.19 2.11 2.06 2.01
17 4.45 3.59 3.20 2.97 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.31 2.23 2.15 2.06 2.01 1.96
18 4.41 3.56 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.27 2.19 2.11 2.02 1.97 1.92
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.23 2.16 2.07 1.98 1.93 1.88
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12 2.04 1.95 1.90 1.84
21 4.33 3.47 3.07 2.84 2.69 2.57 2.49 2.42 2.37 2.32 2.25 2.18 2.10 2.01 1.92 1.87 1.81
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.15 2.07 1.98 1.89 1.84 1.78
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.38 2.32 2.28 2.20 2.13 2.05 1.96 1.87 1.81 1.76
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.26 2.18 2.11 2.03 1.94 1.84 1.79 1.73
25 4.24 3.39 2.99 2.76 2.60 2.49 2.41 2.34 2.28 2.24 2.17 2.09 2.01 1.92 1.82 1.77 1.71
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.15 2.07 1.99 1.90 1.80 1.75 1.69
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.13 2.06 1.97 1.88 1.79 1.73 1.67
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.12 2.04 1.96 1.87 1.77 1.71 1.65
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.11 2.03 1.95 1.85 1.75 1.70 1.64
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.17 2.09 2.02 1.93 1.84 1.74 1.68 1.62
40 4.09 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.93 1.84 1.74 1.64 1.58 1.51
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.84 1.75 1.65 1.53 1.47 1.39
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.83 1.75 1.66 1.55 1.43 1.35 1.25
inf 3.84 3.00 2.61 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.75 1.67 1.57 1.46 1.32 1.22 1.00
(ดัดแปลงจาก http://www.statsoftinc.com/textbook/sttable.html#f05)
~ 335 ~
ตารางภาคผนวกที่ 1 (ต่อ) ค่าวิกฤตสาหรับการทดสอบค่าเอฟ ที่ระดับนัยสาคัญ 0.01(p<0.01)
df2/df1 1 2 3 4 5 6 7 8 9 10 12 15 20 30 60 120 inf

1 4052 4999 5403 5624 5763 5858 5928 5981 6022 6055 6106 6157 6208 6260 6313 6339 6365
2 98.5 99 99.2 99.2 99.3 99.3 99.4 99.4 99.4 99.4 99.4 99.4 99.4 99.5 99.5 99.5 99.5
3 34.1 30.8 29.5 28.7 28.2 27.9 27.7 27.5 27.3 27.2 27.1 26.9 26.7 26.5 26.3 26.2 26.1
4 21.2 18 16.7 16.0 15.5 15.2 15.0 14.8 14.7 14.5 14.4 14.2 14.0 13.8 13.7 13.6 13.5
5 16.3 13.3 12.1 11.4 11.0 10.7 10.5 10.3 10.2 10.1 9.89 9.72 9.55 9.38 9.20 9.11 9.02
6 13.7 10.9 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.56 7.40 7.23 7.06 6.97 6.88
7 12.2 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.31 6.16 5.99 5.82 5.74 5.65
8 11.3 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.52 5.36 5.20 5.03 4.95 4.86
9 10.6 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 4.96 4.81 4.65 4.48 4.40 4.31
10 10.0 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.56 4.41 4.25 4.08 4.00 3.91
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.25 4.10 3.94 3.78 3.69 3.60
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.01 3.86 3.70 3.54 3.45 3.36
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 3.96 3.82 3.67 3.51 3.34 3.26 3.17
14 8.86 6.52 5.56 5.04 4.70 4.46 4.28 4.14 4.03 3.94 3.80 3.66 3.51 3.35 3.18 3.09 3.00
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.90 3.81 3.67 3.52 3.37 3.21 3.05 2.96 2.87
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.55 3.41 3.26 3.10 2.93 2.85 2.75
17 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.46 3.31 3.16 3.00 2.84 2.75 2.65
18 8.29 6.01 5.09 4.58 4.25 4.02 3.84 3.71 3.60 3.51 3.37 3.23 3.08 2.92 2.75 2.66 2.57
19 8.19 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.30 3.15 3.00 2.84 2.67 2.58 2.49
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.09 2.94 2.78 2.61 2.52 2.42
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31 3.17 3.03 2.88 2.72 2.55 2.46 2.36
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.12 2.98 2.83 2.67 2.50 2.40 2.31
23 7.88 5.66 4.77 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.07 2.93 2.78 2.62 2.45 2.35 2.26
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.89 2.74 2.58 2.40 2.31 2.21
25 7.77 5.57 4.68 4.18 3.86 3.63 3.46 3.32 3.22 3.13 2.99 2.85 2.70 2.54 2.36 2.27 2.17
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09 2.96 2.82 2.66 2.50 2.33 2.23 2.13
27 7.68 5.49 4.60 4.11 3.79 3.56 3.39 3.26 3.15 3.06 2.93 2.78 2.63 2.47 2.29 2.20 2.10
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03 2.90 2.75 2.60 2.44 2.26 2.17 2.06
29 7.60 5.42 4.54 4.05 3.73 3.50 3.33 3.20 3.09 3.01 2.87 2.73 2.57 2.41 2.23 2.14 2.03
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.70 2.55 2.39 2.21 2.11 2.01
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.67 2.52 2.37 2.20 2.02 1.92 1.81
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.35 2.20 2.03 1.84 1.73 1.60
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.19 2.04 1.86 1.66 1.53 1.38
inf 6.64 4.61 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.19 2.04 1.88 1.70 1.47 1.33 1.00
(ดัดแปลงจาก http://www.statsoftinc.com/textbook/sttable.html#f05)
~ 336 ~
ตารางภาคผนวกที่ 2 ค่าวิกฤตสาหรับการทดสอบค่าที
/2 (2-tailed) 0.8 0.5 0.2 0.1 0.05 0.02 0.01 0.002 0.001
df \  (1-tailed) 0.4 0.25 0.1 0.05 0.025 0.01 0.005 0.001 0.0005
1 0.325 1.000 3.078 6.314 12.706 31.821 63.657 318.31 636.6
2 0.289 0.817 1.886 2.920 4.303 6.965 9.925 22.327 31.599
3 0.277 0.765 1.638 2.353 3.183 4.541 5.841 10.214 12.924
4 0.271 0.741 1.533 2.132 2.777 3.747 4.604 7.173 8.610
5 0.267 0.727 1.476 2.015 2.571 3.365 4.032 5.893 6.869
6 0.265 0.718 1.440 1.943 2.447 3.143 3.707 5.208 5.959
7 0.263 0.711 1.415 1.895 2.365 2.998 3.500 4.785 5.408
8 0.262 0.706 1.397 1.860 2.306 2.897 3.355 4.501 5.041
9 0.261 0.703 1.383 1.833 2.262 2.821 3.250 4.297 4.781
10 0.260 0.700 1.372 1.813 2.228 2.764 3.169 4.144 4.587
11 0.260 0.697 1.363 1.796 2.201 2.718 3.106 4.025 4.437
12 0.259 0.696 1.356 1.782 2.179 2.681 3.055 3.930 4.318
13 0.259 0.694 1.350 1.771 2.160 2.650 3.012 3.852 4.221
14 0.258 0.692 1.345 1.761 2.145 2.625 2.977 3.787 4.141
15 0.258 0.691 1.341 1.753 2.132 2.603 2.947 3.733 4.073
16 0.258 0.690 1.337 1.746 2.120 2.584 2.921 3.686 4.015
17 0.257 0.689 1.333 1.740 2.110 2.567 2.898 3.646 3.965
18 0.257 0.688 1.330 1.734 2.101 2.552 2.878 3.610 3.922
19 0.257 0.688 1.328 1.729 2.093 2.540 2.861 3.579 3.883
20 0.257 0.687 1.325 1.725 2.086 2.528 2.845 3.552 3.850
21 0.257 0.686 1.323 1.721 2.080 2.518 2.831 3.527 3.819
22 0.256 0.686 1.321 1.717 2.074 2.508 2.819 3.505 3.792
23 0.256 0.685 1.320 1.714 2.069 2.500 2.807 3.485 3.768
24 0.256 0.685 1.318 1.711 2.064 2.492 2.797 3.467 3.745
25 0.256 0.684 1.316 1.708 2.060 2.485 2.787 3.450 3.725
26 0.256 0.684 1.315 1.706 2.056 2.479 2.779 3.435 3.707
27 0.256 0.684 1.314 1.703 2.052 2.473 2.771 3.421 3.690
28 0.256 0.683 1.313 1.701 2.048 2.467 2.763 3.408 3.674
29 0.256 0.683 1.311 1.699 2.045 2.462 2.756 3.396 3.659
30 0.256 0.683 1.310 1.697 2.042 2.457 2.750 3.385 3.646
inf 0.253 0.675 1.282 1.645 1.960 2.326 2.576 3.090 3.291
(ดัดแปลงจาก http://www.statsoftinc.com/textbook/sttable.html#t)
~ 337 ~
ตารางภาคผนวกที่ 3 ค่าวิกฤตของพิสยั เชิงพหุของดันแคน (Duncan’s new multiple range, DMR)

ที่ระดับนัยสาคัญ 0.05 (p<0.05)
p = Number of treatment means

dfE 2 3 4 5 6 7 8 9 10 12 14 16 20
1 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97
2 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085
3 4.501 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516
4 3.927 4.013 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033
5 3.635 3.749 3.797 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814
6 3.461 3.587 3.649 3.694 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697 3.697
7 3.344 3.477 3.548 3.611 3.622 3.626 3.626 3.616 3.616 3.626 3.626 3.626 3.626
8 3.261 3.399 3.475 3.549 3.56 3.575 3.579 3.579 3.579 3.579 3.579 3.579 3.579
9 3.199 3.339 3.42 3.502 3.523 3.536 3.544 3.544 3.547 3.547 3.547 3.547 3.547
10 3.151 3.293 3.376 3.465 3.489 3.505 3.516 3.516 3.522 3.526 3.526 3.526 3.526
11 3.113 3.256 3.342 3.397 3.435 3.462 3.48 3.493 3.501 3.509 3.51 3.51 3.51
12 3.082 3.225 3.313 3.37 3.41 3.439 3.459 3.474 3.484 3.496 3.499 3.499 3.499
13 3.055 3.2 3.289 3.348 3.389 3.419 3.442 3.458 3.47 3.484 3.49 3.49 3.49
14 3.033 3.178 3.268 3.329 3.372 3.403 3.426 3.444 3.457 3.474 3.482 3.484 3.485
15 3.014 3.16 3.25 3.312 3.356 3.389 3.413 3.432 3.446 3.465 3.476 3.48 3.481
16 2.998 3.144 3.235 3.298 3.343 3.376 3.402 3.422 3.437 3.458 3.47 3.477 3.478
17 2.984 3.13 3.222 3.285 3.331 3.366 3.392 3.412 3.429 3.451 3.465 3.473 3.476
18 2.971 3.118 3.21 3.274 3.321 3.356 3.383 3.405 3.421 3.445 3.46 3.47 3.474
19 2.96 3.107 3.199 3.264 3.311 3.347 3.375 3.397 3.415 3.44 3.456 3.467 3.474
20 2.95 3.097 3.19 3.255 3.303 3.339 3.368 3.391 3.409 3.436 3.453 3.464 3.473
24 2.919 3.066 3.16 3.226 3.276 3.315 3.345 3.37 3.39 3.42 3.441 3.456 3.471
30 2.888 3.035 3.131 3.199 3.25 3.29 3.322 3.349 3.371 3.405 3.43 3.447 3.47
40 2.858 3.006 3.102 3.171 3.224 3.266 3.3 3.328 3.352 3.39 3.418 3.439 3.469
60 2.829 2.976 3.073 3.143 3.198 3.241 3.277 3.307 3.333 3.374 3.406 3.431 3.467
120 2.8 2.947 2.045 3.116 3.172 3.217 3.254 3.287 3.314 3.359 3.394 3.423 3.466
Inf 2.772 2.918 3.017 3.089 3.146 3.193 3.232 3.265 3.294 3.343 3.382 3.414 3.466
(ดัดแปลงจาก http://cse.niaes.affrc.go.jp/miwa/probcalc/duncan)
~ 338 ~
ตารางภาคผนวกที่ 3 (ต่อ) ค่าวิกฤตของพิสยั เชิงพหุของดันแคน (Duncan’s new multiple range, DMR)

ที่ระดับนัยสาคัญ 0.01 (p<0.01)

dfE 2 3 4 5 6 7 8 9 10 12 14 16 20
1 90.03 90.03 90.03 90.03 90.03 90.03 90.03 90.03 90.03 90.03 90.03 90.03 90.03
2 14.04 14.04 14.04 14.04 14.04 14.04 14.04 14.04 14.04 14.04 14.04 14.04 14.04
3 8.261 8.231 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321
4 6.512 6.677 6.74 6.756 6.756 6.756 6.756 6.756 6.756 6.756 6.756 6.756 6.756
5 5.702 5.893 5.989 6.04 6.065 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074
6 5.243 5.439 5.549 5.614 5.655 5.68 5.694 5.701 5.703 5.703 5.703 5.703 5.703
7 4.949 5.145 5.26 5.334 5.383 5.416 5.439 5.454 5.464 5.472 5.472 5.472 5.472
8 4.746 4.939 5.057 5.135 5.189 5.227 5.256 5.276 5.291 5.309 5.316 5.317 5.317
9 4.596 4.787 4.906 4.986 5.043 5.086 5.118 5.142 5.16 5.185 5.199 5.205 5.206
10 4.482 4.671 4.79 4.871 4.931 4.975 5.01 5.037 5.058 5.088 5.106 5.117 5.124
11 4.392 4.579 4.697 4.78 4.841 4.887 4.924 4.952 4.975 5.009 5.031 5.045 5.059
12 4.32 4.504 4.622 4.706 4.767 4.815 4.852 4.883 4.907 4.944 4.969 4.986 5.066
13 4.26 4.442 4.56 4.644 4.706 4.755 4.793 4.824 4.85 4.889 4.917 4.937 4.96
14 4.21 4.391 4.508 4.591 4.654 4.704 4.743 4.775 4.802 4.843 4.872 4.894 4.921
15 4.168 4.347 4.463 4.547 4.61 4.66 4.7 4.733 4.76 4.803 4.834 4.857 4.887
16 4.131 4.309 4.425 4.509 4.572 4.622 4.663 4.696 4.724 4.768 4.8 4.825 4.858
17 4.099 4.275 4.391 4.475 4.539 4.589 4.62 4.664 4.693 4.738 4.771 4.797 4.832
18 4.071 4.246 4.362 4.445 4.509 4.56 4.601 4.635 4.664 4.711 4.745 4.772 4.808
19 4.046 4.22 4.335 4.419 4.483 4.534 4.575 4.61 4.639 4.686 4.722 4.749 4.788
20 4.024 4.197 4.312 4.395 4.459 4.51 4.552 4.587 4.617 4.664 4.701 4.729 4.769
24 3.956 4.126 4.239 4.322 4.386 4.437 4.48 4.516 4.546 4.596 4.634 4.665 4.71
30 3.889 4.056 4.168 4.25 4.314 4.366 4.409 4.445 4.477 4.528 4.569 4.601 4.65
40 3.825 3.988 4.098 4.18 4.244 4.296 4.339 4.376 4.408 4.461 4.503 4.537 4.591
60 3.762 3.922 4.031 4.111 4.174 4.226 4.27 4.307 4.34 4.394 4.438 4.474 4.53
120 3.702 3.858 3.965 4.044 4.107 4.158 4.202 4.239 4.272 4.327 4.372 4.41 4.469
Inf 3.643 3.796 3.9 3.978 4.04 4.091 4.135 4.172 4.205 4.261 4.307 4.345 4.408
(ดัดแปลงจาก http://cse.niaes.affrc.go.jp/miwa/probcalc/duncan)
~ 339 ~
ตารางภาคผนวกที่ 4 ค่าวิกฤตของพิสยั สติวเดนท์ไดซ์ (Studentized significant range, SSR)

dfE  2 3 4 5 6 7 8 9 10 12 14 16 20
6 0.05 3.46 4.34 4.9 5.3 5.63 5.9 6.12 6.32 6.49 6.79 7.03 7.24 7.59
0.01 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.1 9.1 9.48 10.08 10.54
7 0.05 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6 6.16 6.43 6.66 6.85 7.17
0.01 4.95 5.92 6.54 7.01 7.37 7.68 7.94 8.1 8.37 8.71 9 9.24 9.65
8 0.05 3.26 4.04 4.53 4.89 5.17 5.4 5.6 5.77 5.92 6.18 6.39 6.57 6.87
0.01 4.75 5.64 6.2 6.62 6.96 7.24 7.47 7.68 7.86 8.18 8.44 8.66 9.03
9 0.05 3.2 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74 5.98 6.19 6.36 6.64
0.01 4.6 5.43 5.96 6.35 6.66 6.91 7.13 7.33 7.49 7.78 8.03 8.23 8.57
10 0.05 3.15 3.88 4.33 4.65 4.91 5.12 5.3 5.46 5.6 5.83 6.03 6.19 6.47
0.01 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21 7.49 7.71 7.91 8.23
11 0.05 3.11 3.82 4.26 4.57 4.82 5.03 5.2 5.35 5.49 5.71 5.9 6.06 6.33
0.01 4.39 5.15 5.62 5.97 6.25 6.48 6.67 6.84 6.99 7.25 7.47 7.65 7.95
12 0.05 3.08 3.77 4.2 4.51 4.75 4.95 5.12 5.27 5.39 5.62 5.8 5.95 6.21
0.01 4.32 5.05 5.5 5.84 6.1 6.32 6.51 6.67 6.81 7.06 7.27 7.44 7.73
13 0.05 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32 5.53 5.71 5.86 6.11
0.01 4.26 4.96 5.4 5.73 5.98 6.19 6.37 6.53 6.67 6.9 7.1 7.27 7.55
14 0.05 3.03 3.7 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.46 5.64 5.79 6.03
0.01 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.77 6.96 7.13 7.4
15 0.05 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.2 5.4 5.57 5.72 5.96
0.01 4.17 4.84 5.25 5.56 5.8 5.99 6.16 6.31 6.44 6.66 6.85 7 7.26
16 0.05 3 3.65 4.05 4.33 4.56 4.74 4.9 5.03 5.15 5.35 5.52 5.66 5.9
0.01 4.13 4.79 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.56 6.74 6.9 7.15
17 0.05 2.98 3.63 4.02 4.3 4.52 4.7 4.86 4.99 5.11 5.31 5.47 5.61 5.84
0.01 4.1 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27 6.48 6.66 6.81 7.05
18 0.05 2.97 3.61 4 4.28 4.49 4.67 4.82 4.96 5.07 5.27 5.43 5.57 5.79
0.01 4.07 4.7 5.09 5.38 5.6 5.79 5.94 6.08 6.2 6.41 6.58 6.73 6.97
19 0.05 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04 5.23 5.39 5.53 5.75
0.01 4.05 4.67 5.05 5.33 5.55 5.73 5.89 6.02 6.14 6.34 6.51 6.65 6.89
20 0.05 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.9 5.01 5.2 5.36 5.49 5.71
0.01 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09 6.29 6.45 6.59 6.82
30 0.05 2.89 3.49 3.85 4.1 4.3 4.46 4.6 4.72 4.82 5 5.15 5.27 5.48
0.01 3.89 4.45 4.8 5.05 5.24 5.4 5.54 5.65 5.76 5.93 6.08 6.2 6.41
40 0.05 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73 4.9 5.04 5.16 5.36
0.01 3.82 4.37 4.7 4.93 5.11 5.26 5.39 5.5 5.6 5.76 5.9 6.02 6.21
60 0.05 2.83 3.4 3.74 3.98 4.16 4.31 4.44 4.55 4.65 4.81 4.94 5.06 5.24
0.01 3.76 4.28 4.59 4.82 4.99 5.13 5.25 5.36 5.45 5.6 5.73 5.84 6.02
120 0.05 2.8 3.36 3.68 3.92 4.1 4.24 4.36 4.47 4.56 4.71 4.84 4.95 5.13
0.01 3.7 4.2 4.5 4.71 4.87 5.01 5.12 5.21 5.3 5.44 5.56 5.66 5.83
Inf 0.05 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47 4.62 4.74 4.85 5.01
0.01 3.64 4.12 4.4 4.6 4.76 4.88 4.99 5.08 5.16 5.29 5.4 5.49 5.65
(ดัดแปลงจาก Abdi H and Williams LJ. Newman-Keuls test and Turkeytest. In Salkind N (Ed.)
Encyclopedia of research design. Thousand Oaks, CA: Sage, 2010, 11 p.)
~ 340 ~
ตารางภาคผนวกที่ 5 ค่าวิกฤตของดันเนทท์ (Dunnett’s test)
dfTr
dfE  2 3 4 5 6 7 8 9 10
5 0.05 2.57 3.03 3.29 3.48 3.62 3.73 3.82 3.90 3.97
0.01 4.03 4.63 4.98 5.22 5.41 5.56 5.69 5.80 5.89
6 0.05 2.45 2.86 3.10 3.26 3.39 3.49 3.57 3.64 3.71
0.01 3.71 4.21 4.51 4.71 4.87 5.00 5.10 5.20 5.28
7 0.05 2.36 2.75 2.97 3.12 3.24 3.33 3.41 3.47 3.53
0.01 3.50 3.95 4.21 4.39 4.53 4.64 4.74 4.82 4.89
8 0.05 2.31 2.67 2.88 3.02 3.13 3.22 3.29 3.35 3.41
0.01 3.36 3.77 4.00 4.17 4.29 4.40 4.48 4.56 4.62
9 0.05 2.26 2.61 2.81 2.95 3.05 3.14 3.20 3.26 3.32
0.01 3.25 3.63 3.85 4.01 4.12 4.22 4.30 4.37 4.43
10 0.05 2.23 2.57 2.76 2.89 2.99 3.07 3.14 3.19 3.24
0.01 3.17 3.53 3.74 3.88 3.99 4.08 4.16 4.22 4.28
11 0.05 2.2 2.53 2.72 2.84 2.94 3.02 3.08 3.14 3.19
0.01 3.11 3.45 3.65 3.79 3.89 3.98 4.05 4.11 4.16
12 0.05 2.18 2.5 2.68 2.81 2.90 2.98 3.04 3.09 3.14
0.01 3.05 3.39 3.58 3.71 3.81 3.89 3.96 4.02 4.07
13 0.05 2.16 2.48 2.65 2.78 2.87 2.94 3.00 3.06 3.1
0.01 3.01 3.33 3.52 3.65 3.74 3.82 3.89 3.94 3.99
14 0.05 2.14 2.46 2.63 2.75 2.84 2.91 2.97 3.02 3.07
0.01 2.98 3.29 3.47 3.59 3.69 3.76 3.83 3.88 3.93
15 0.05 2.13 2.44 2.61 2.73 2.82 2.89 2.95 3.00 3.04
0.01 2.95 3.25 3.43 3.55 3.64 3.71 3.78 3.83 3.88
16 0.05 2.12 2.42 2.59 2.71 2.80 2.87 2.92 2.97 3.02
0.01 2.92 3.22 3.39 3.51 3.60 3.67 3.73 3.78 3.83
17 0.05 2.11 2.41 2.58 2.69 2.78 2.85 2.90 2.95 3.00
0.01 2.90 3.19 3.36 3.47 3.56 3.63 3.69 3.74 3.79
18 0.05 2.10 2.40 2.56 2.68 2.76 2.83 2.89 2.94 2.98
0.01 2.88 3.17 3.33 3.44 3.53 3.60 3.66 3.71 3.75
19 0.05 2.09 2.39 2.55 2.66 2.75 2.81 2.87 2.92 2.96
0.01 2.86 3.15 3.31 3.42 3.50 3.57 3.63 3.68 3.72
20 0.05 2.09 2.38 2.54 2.65 2.73 2.8 2.86 2.90 2.95
0.01 2.85 3.13 3.29 3.40 3.48 3.55 3.60 3.65 3.69
24 0.05 2.06 2.35 2.51 2.61 2.70 2.76 2.81 2.86 2.90
0.01 2.80 3.07 3.22 3.32 3.40 3.47 3.52 3.57 3.61
30 0.05 2.04 2.32 2.47 2.58 2.66 2.72 2.77 2.82 2.86
0.01 2.75 3.01 3.15 3.25 3.33 3.39 3.44 3.49 3.52
40 0.05 2.02 2.29 2.44 2.54 2.62 2.68 2.73 2.77 2.81
0.01 2.70 2.95 3.09 3.19 3.26 3.32 3.37 3.41 3.44
60 0.05 2.00 2.27 2.41 2.51 2.58 2.64 2.69 2.73 2.77
0.01 2.66 2.90 3.03 3.12 3.19 3.25 3.29 3.33 3.37
(ดัดแปลงจาก http://davidmlane.com/hyperstat/table_Dunnett.html)
~ 341 ~
ตารางภาคผนวกที่ 6 ค่าวิกฤต (จานวนผู้ทดสอบที่ต้องการ) สาหรับการทดสอบความแตกต่างของตัวอย่าง

2 ตัวอย่าง (p=1/2) เมื่อเป็ นการทดสอบสมมติฐานสองทาง
N  N 
0.10 0.05 0.01 0.10 0.05 0.01
2 - - - 31 21 22 24
3 - - - 32 22 23 24
4 - - - 33 22 23 25
5 5 - - 34 23 24 25
6 6 6 - 35 23 24 26
7 7 7 - 36 24 25 27
8 7 8 8 40 26 27 29
9 8 8 9 44 28 29 31
10 9 9 10 48 31 32 34
11 9 10 11 52 33 34 36
12 10 10 11 56 35 36 39
13 10 11 12 60 37 39 41
14 11 12 13 64 40 41 43
15 12 12 13 68 42 43 46
16 12 13 14 72 44 45 48
17 13 13 15 76 46 48 50
18 13 14 15 80 48 50 52
19 14 15 16 84 51 52 55
20 15 15 17 88 53 54 57
21 15 16 17 92 55 56 59
22 16 17 18 96 57 59 62
23 16 17 19 100 59 61 64
24 17 18 19 104 61 63 66
25 18 18 20 108 64 65 68
26 18 19 20 112 66 67 71
27 19 20 21 116 68 70 73
28 19 20 22 122 71 73 76
29 20 21 22 128 74 76 80
30 20 21 23 140 81 83 86
สาหรับค่าที่ไม่พบในตารางสามารถคานวณได้ จากสูตร k  Z ( 0.25 N )  0.5 N เมื่อ k คือ จานวนผู้
ทดสอบที่ต้องการในการะบุความแตกต่าง Z คือ ค่ามาตรฐานที่ระดับความเชื่อมั่นที่ต้องการ เมื่อทดสอบ
สมมติฐานสองทาง ( =0.10, 0.05 และ 0.01 มีค่าเท่ากับ 1.645, 1.960 และ 2.576 ตามลาดับ) และ
N คือ จานวนผู้ทดสอบทั้งหมด
(ดัดแปลงจาก Meilgaard et al., 1999)
~ 342 ~
ตารางภาคผนวกที่ 7 ค่าวิกฤตสาหรับการทดสอบไคสแควร์
df \  1.00 0.99 0.98 0.95 0.90 0.75 0.50 0.25 0.10 0.05 0.025 0.01 0.01
1 0.00 0.00 0.00 0.00 0.02 0.10 0.45 1.32 2.71 3.84 5.02 6.63 7.88
2 0.01 0.02 0.05 0.10 0.21 0.58 1.39 2.77 4.61 5.99 7.38 9.21 10.60
3 0.07 0.11 0.22 0.35 0.58 1.21 2.37 4.11 6.25 7.81 9.35 11.34 12.84
4 0.21 0.30 0.48 0.71 1.06 1.92 3.36 5.39 7.78 9.49 11.14 13.28 14.86
5 0.41 0.55 0.83 1.15 1.61 2.67 4.35 6.63 9.24 11.07 12.83 15.09 16.75
6 0.68 0.87 1.24 1.64 2.20 3.45 5.35 7.84 10.64 12.59 14.45 16.81 18.55
7 0.99 1.24 1.69 2.17 2.83 4.25 6.35 9.04 12.02 14.07 16.01 18.48 20.28
8 1.34 1.65 2.18 2.73 3.49 5.07 7.34 10.22 13.36 15.51 17.53 20.09 21.95
9 1.73 2.09 2.70 3.33 4.17 5.90 8.34 11.39 14.68 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 4.87 6.74 9.34 12.55 15.99 18.31 20.48 23.21 25.19
11 2.60 3.05 3.82 4.57 5.58 7.58 10.34 13.70 17.28 19.68 21.92 24.72 26.76
12 3.07 3.57 4.40 5.23 6.30 8.44 11.34 14.85 18.55 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 7.04 9.30 12.34 15.98 19.81 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 7.79 10.17 13.34 17.12 21.06 23.68 26.12 29.14 31.32
15 4.60 5.23 6.26 7.26 8.55 11.04 14.34 18.25 22.31 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 9.31 11.91 15.34 19.37 23.54 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 10.09 12.79 16.34 20.49 24.77 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 10.86 13.68 17.34 21.60 25.99 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 11.65 14.56 18.34 22.72 27.20 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 12.44 15.45 19.34 23.83 28.41 31.41 34.17 37.57 40.00
21 8.03 8.90 10.28 11.59 13.24 16.34 20.34 24.93 29.62 32.67 35.48 38.93 41.40
22 8.64 9.54 10.98 12.34 14.04 17.24 21.34 26.04 30.81 33.92 36.78 40.29 42.80
23 9.26 10.20 11.69 13.09 14.85 18.14 22.34 27.14 32.01 35.17 38.08 41.64 44.18
24 9.89 10.86 12.40 13.85 15.66 19.04 23.34 28.24 33.20 36.42 39.36 42.98 45.56
25 10.52 11.52 13.12 14.61 16.47 19.94 24.34 29.34 34.38 37.65 40.65 44.31 46.93
26 11.16 12.20 13.84 15.38 17.29 20.84 25.34 30.43 35.56 38.89 41.92 45.64 48.29
27 11.81 12.88 14.57 16.15 18.11 21.75 26.34 31.53 36.74 40.11 43.19 46.96 49.64
28 12.46 13.56 15.31 16.93 18.94 22.66 27.34 32.62 37.92 41.34 44.46 48.28 50.99
29 13.12 14.26 16.05 17.71 19.77 23.57 28.34 33.71 39.09 42.56 45.72 49.59 52.34
30 13.79 14.95 16.79 18.49 20.60 24.48 29.34 34.80 40.26 43.77 46.98 50.89 53.67
(คัดลอกจาก http://www.statsoftinc.com/textbook/sttable.html#Chi)
~ 343 ~
~ 344 ~
ดัชนี
การกระจายหน้ าที่เชิงคุณภาพ 12 การสร้ างแผนภูมแิ สดงความถี่ 236
การใช้ โปรแกรมไมโครซอฟท์เอกซ์เซล แผนการทดลอง
การทดลอง แบบแพลกเกตต์แอนด์เบอร์แมน 175
แบบแฟคทอเรียล 135 แบบลาตินสแควร์ 151
แบบสปลิทพลอท 135 แบบสุ่มสมบูรณ์ 148
การออกแบบพื้นที่การตอบสนอง 250 แบบสุ่มสมบูรณ์ในบล็อก 150
การทดสอบค่าที 34, 235 การใช้ โปรแกรมเอสพีเอสเอส
การทดสอบค่าเอฟ 35 การทดลอง
การสร้ างแผนภูมเิ พื่อหาอัตราเร็ว แบบแฟคทอเรียล 142
ของปฏิกริ ิยา 327 แบบสปลิทพลอท 142
การสร้ างแผนภูมเิ ส้นชั้น แบบส่วนผสม 189
แบบโครงลวด 253, 293 การออกแบบพื้นที่การตอบสนอง 251
การสร้ างแผนภูมแิ สดงความถี่ 233 การทดสอบค่าที 39, 236
การสร้ างภาพทิศทางความชอบ การระบุทศิ ทางความชอบในผัง
รูปแบบวงกลมหรือวงรี 293 แสดงตาแหน่งผลิตภัณฑ์ 275, 289
แบบจาลองวิศวกรรมส่วนกลับ 210 การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์
โปรแกรมเส้นตรง 201 จากคะแนนความชอบ 263
แผนการทดลอง จากสมบัตขิ องผลิตภัณฑ์ 284
แบบแพลกเกตต์แอนด์เบอร์แมน 170 การสร้ างแผนภูมแิ สดงความถี่ 235
แบบลาตินสแควร์ 131 แผนการทดลอง
แบบสุ่มสมบูรณ์ 124, 127 แบบแพลกเกตต์แอนด์เบอร์แมน 172
แบบสุ่มสมบูรณ์ในบล็อก 126, 127 แบบลาตินสแควร์ 142
การใช้ โปรแกรมอาร์ แบบสุ่มสมบูรณ์ 140, 142
การทดลอง แบบสุ่มสมบูรณ์ในบล็อก 142
แบบแฟคทอเรียล 153 การทดลอง
แบบสปลิทพลอท 154 แบบแฟคทอเรียล 50, 86
แบบส่วนผสม 191 แบบสปลิทพลอท 51, 102
การออกแบบพื้นที่ การตอบสนอง 252 แบบส่วนผสม 179
การทดสอบค่าที 42, 237 แบบอีโวลูชันนารี โอเปอเรชัน 237
การระบุทศิ ทางความชอบในผัง การออกแบบพื้นที่การตอบสนอง 244
แสดงตาแหน่งผลิตภัณฑ์ 279, 302 การทดสอบค่าที 22
การสร้ างผังแสดงตาแหน่งผลิตภัณฑ์ กรณีความแปรปรวนไม่แตกต่างกัน 23
จากคะแนนความชอบ 269 กรณีความแปรปรวนแตกต่างกัน 28
จากสมบัตขิ องผลิตภัณฑ์ 298 โดยโปรแกรมไมโครซอฟท์เอกซ์เซล 34
โดยโปรแกรมเอสพีเอสเอส 39 โดยเวบไซด์ www.phpsimplex.com 205

โดยโปรแกรมอาร์ 42 ผังแสดงตาแหน่งผลิตภัณฑ์
การทดสอบค่าเอฟ 22 จากคะแนนความชอบ 261
โดยโปรแกรมไมโครซอฟท์เอกซ์เซล 35 จากสมบัตขิ องผลิตภัณฑ์ 283
การเปรียบเทียบค่าเฉลี่ย 51 แผนการทดลอง
การทดสอบของฟิ ชเชอร์ 52 แบบเซนทรัลคอมโพสิต 244
การทดสอบแบบพิสยั เชิงพหุของดันแคน 52 แบบบอกซ์เบนเคน 245
การทดสอบของสติวเดนท์นวิ แมนคูล 53 แบบแพลกเกตต์แอนด์เบอร์แมน 161
การทดสอบของทูกยี ์ แบบเอ 54 แบบลาตินสแควร์ 49, 76
การทดสอบของทูกยี ์แบบบี 54 แบบสุ่มสมบูรณ์ 49, 58
การทดสอบของเชฟเฟ 55 แบบสุ่มสมบูรณ์ในบล็อก 49, 69
การทดสอบของเบอนเฟอร์โรนี 55 พลังงานกระตุ้น 312
การทดสอบของดันเนทท์ 56 ภาพรวมของการวิเคราะห์ข้อมูลทางสถิติ 21
การพัฒนาผลิตภัณฑ์อาหาร มาตราพอดี 217
กระบวนการ 6 ลักษณะของข้ อมูล 22
การเตรียมความพร้ อมเพื่อ 7 ลักษณะที่มผี ลต่อความพึงพอใจ 7
ความหมาย 1 วงจรชีวิตผลิตภัณฑ์ 2
ความสาคัญ 4 สมการอาร์รีเนียส 312
ปัจจัยที่สนับสนุนให้ มี 5 อันดับของปฏิกริ ิยา 313
การทดลองที่วเิ คราะห์ผลโดย 49
ข้ อกาหนดเบื้องต้ น 56
ความหมาย 48
การวิเคราะห์พีนอลตี 224
การวิเคราะห์โอกาส 226
การศึกษาอายุการเก็บ
ของผลิตภัณฑ์อาหารแห้ ง 323
จากอัตราเร็วของปฏิกริ ิยา 312
โดยวิธคี วิ เทน 321
โดยสภาวะเร่ง 313
ความหมายของผลิตภัณฑ์ใหม่ 1
เทคนิคคาโน 9
บ้ านคุณภาพ 12
แบบจาลองวิศวกรรมส่วนกลับ 209
โดยโปรแกรมไมโครซอฟท์เอกซ์เซล 210
ปัจจัยภายนอกที่มผี ลต่อคุณภาพของ
ผลิตภัณฑ์อาหาร 311
โปรแกรมเส้ นตรง 193
โดยโปรแกรมไมโครซอฟท์เอกซ์เซล 201
~ 346 ~
~ 347 ~

PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PDF

Uploaded by

Copyright:

Available Formats

สถิติและการใช้โปรแกรมสาเร็จรูปใน

ผู้เรียบเรียงขอขอบคุณครูบาอาจารย์ ผู้แต่งเอกสารอ้ างอิง ผู้สร้ างสรรค์โปรแกรมสาเร็จรูป โจทย์

หนังสือเล่มนี้ไม่ได้ ถูกเรียบเรียงขึ้นเพื่อวัตถุประสงค์ทางการค้ า ผู้สนใจสามารถดาวน์โหลดไฟล์

สุดท้ ายนี้ผ้ เู รียบเรียงหวังเป็ นอย่างยิ่งว่า หนังสือเล่มนี้จะเป็ นประโยชน์ต่อผู้สนใจ และหากมี

บทที่ 2 การวิเคราะห์ข้อมูลทางสถิตดิ ้ วยแผนการทดลองทั่วไป 21

บทที่ 3 แผนการทดลองสาหรับการคัดเลือกปัจจัย 161

บทที่ 4 การทดลองและมาตราสาหรับการปรับปรุงสูตรและตัวแปรของกระบวนการผลิต 179

บทที่ 5 ผังแสดงความชอบ 261

บทที่ 6 การศึกษาอายุการเก็บของผลิตภัณฑ์อาหาร 311

1.2.5 ผลิตภัณฑ์ที่เกิดจากการเปลีย่ นตาแหน่งผลิตภัณฑ์ (Repositioned products) หมายถึง

1.3 วงจรชีวิตผลิตภัณฑ์ (Product life cycle, PLC)

ภาพที่ 1.1 วงจรชีวิตผลิตภัณฑ์ (ดัดแปลงจาก Kerin et al., 2013)

1.3.1 ระยะแนะนาผลิตภัณฑ์ (Introduction stage) เป็ นระยะที่ผลิตภัณฑ์เริ่มถูกแนะนาเข้ าสู่

มั่นใจว่าจะขยายการเจาะตลาดได้ มากขึ้น บริษัทมีขดี ความสามารถในการผลิตเพียงพอ สามารถแข่งขัน

การติดตามข้ อมูลทางการตลาดและการตรวจสอบหาโอกาสทางการตลาดอย่างต่อเนื่อง จึงเป็ นสิ่งที่

ของช่องทางการจัดจาหน่าย เมื่อบริษัทมีสนิ ค้ าจานวนมากขึ้นก็จะเป็ นการเพิ่มความแข็งแกร่งให้ กบั ช่องทาง

ภาพที่ 1.2 ความคิดเกี่ยวกับผลิตภัณฑ์ท่ถี ูกคัดกรองโดยกระบวนการพัฒนาผลิตภัณฑ์

แต่ในหนังสือเล่มนี้ จะขอกล่าวถึงเฉพาะส่วนของสถิติสาหรับใช้ ในขั้นตอนการพัฒนาผลิตภัณฑ์

1.7 การเตรียมความพร้อมเพือ่ การพัฒนาผลิตภัณฑ์ตน้ แบบ

โดยทั่วไปจะหมายถึง ลักษณะหรือสมบัตติ ามหน้ าที่ หรือ ความครบถ้ วน/สมบูรณ์ ของผลิตภัณฑ์

ภาพที่ 1.3 ความพึงพอใจของผู้บริโภคที่เกิดจากลักษณะหรือสมบัตติ ่างๆ ของผลิตภัณฑ์

ดังนั้นนักพัฒนาผลิตภัณฑ์จึงต้ องทาความเข้ าใจว่า ผลิตภัณฑ์ท่ตี ้ องการพัฒนานั้น (1) ควรมีลักษณะ

ตารางที่ 1.1 ตัวอย่างคาถามเชิงบวกและคาถามเชิงลบตามเทคนิคคาโนของผลิตภัณฑ์นมผง

ชอบ ต้ องเป็ น เฉยๆ กับ แบบนั้นก็ ไม่ชอบ

ตารางที่ 1.2 แนวทางในการพิจารณารูปแบบความพึงพอใจของผู้บริโภค (ดัดแปลงจาก Berger et al, 1993)

ในภาพรวมจะพิจารณาว่า ลักษณะหรือสมบัตแิ ต่ละรายการมีผลต่อความพึงพอใจของผู้บริโภคใน

สัมประสิทธิ์ความพึงพอใจ (Satisfaction; S) = (A+O)/(A+O+M+I) …(1.1)

สัมประสิทธิ์ความไม่พึงพอใจ (Dissatisfaction; DS) = (O+M)/((A+O+M+I)x(-1)) …(1.2)

โดยสัมประสิทธิ์ความพึงพอใจจะมีค่าอยู่ระหว่าง 0 ถึง 1 หากมีค่าเข้ าใกล้ 1 แสดงว่าการมีลักษณะ

ตารางที่ 1.3 ตัวอย่างการพิจารณาผลต่อความพึงพอใจของผู้บริโภคในภาพรวมของลักษณะหรือสมบัตแิ ต่ละ

จากตารางที่ 1.3 แสดงให้ เห็นว่า

โดยนักพัฒนาผลิตภัณฑ์ควรให้ ความสาคัญกับลักษณะหรือสมบัตทิ ่จี าเป็ นต้ องมีในผลิตภัณฑ์ (M) เป็ น

1.8 บ้านคุณภาพและการกระจายหน้าทีเ่ ชิงคุณภาพ

ภาพที่ 1.4 การประยุกต์ใช้ การกระจายหน้ าที่เชิงคุณภาพ (Quality function deployment, QFD)

บ้ านคุณภาพเป็ นเมตริกที่ประกอบด้ วย 6 ส่วนย่อย ซึ่ง 6 ส่วนย่อยของบ้ านคุณภาพ 1 การวางแผน

วางจาหน่ายในตลาด และการตั้งค่าเป้ าหมายเพื่อตอบสนองความต้ องการนั้นๆ รวมถึงลักษณะหรือสมบัตทิ ่ี

ภาพที่ 1.5 เมตริกสาหรับการเปลี่ยนความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์

ตัวอย่างหนึ่งของการแปลงความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัด

- ศึกษาการยอมรับของผู้บริโภคในด้ านลักษณะปรากฏ กลิ่น รสชาติ เนื้อสัมผัส และความชอบรวม

ความสัมพันธ์แบบโค้ งระฆังคว่า เนื่องจากรสชาติเป็ นความต้ องการที่มลี าดับความสาคัญมากกว่า

ผลการแปลงความต้ องการของผู้บริโภคไปเป็ นลักษณะหรือสมบัตผิ ลิตภัณฑ์ขบเคี้ยวชนิดพองกรอบ

ภาพที่ 1.6 การแปลงความต้ องการของผู้บริโภคของผลิตภัณฑ์ขนมขบเคี้ยวชนิดพองกรอบ

จากข้ อมูลลักษณะหรือสมบัตทิ ่สี ามารถวัดได้ ของผลิตภัณฑ์ นักพัฒนาผลิตภัณฑ์จะต้ องค้ นคว้ าเพื่อหา

2 การวางแผนวัตถุดบิ /ส่วนประกอบ และ บ้ านคุณภาพ 3 การวางแผนกระบวนการผลิต ซึ่งถูกรวมเข้ าไว้

ภาพที่ 1.7 การแปลงลักษณะหรือสมบัตผิ ลิตภัณฑ์ท่สี ามารถวัดได้ ของผลิตภัณฑ์ขนมขบเคี้ยว

การวิเคราะห์ข้อมูลทางสถิตแิ ต่ละวิธจี ะมีข้อกาหนดหรือข้ อตกลงเบื้องต้ นเกี่ยวกับลักษณะของข้ อมูล

1. การวิเคราะห์ความแตกต่างของข้ อมูล 2 กลุ่ม 1. การทดสอบแบบไคสแควร์

2. การวิเคราะห์ความแตกต่างของข้ อมูลมากกว่า 2 กลุ่ม 2. การวิเคราะห์ข้อมูลแบบนอนพาราเมตริก

ภาพที่ 2.1 ภาพรวมของการวิเคราะห์ข้อมูลทางสถิตใิ นงานวิจัย (ดัดแปลงจาก จรัญ และ กษิดศิ , 2551)

ลักษณะของข้ อมูลอาจสามารถแบ่งออกได้ เป็ น 2 ประเภท คือ (1) ข้ อมูลเชิงปริมาณ (Quantitative

2.1 การทดสอบค่าที (t-test)

เมื่อ S12 = ความแปรปรวนของข้ อมูลกลุ่มที่ 1

หากค่าเอฟที่คานวณได้ มคี ่ามากกว่าหรือเท่ากับค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ df ของ

2.1.1 การทดสอบค่าที กรณีความแปรปรวนของข้อมูลทีต่ อ้ งการ

การทดสอบค่าทีในกรณีความแปรปรวนของข้ อมูลทั้ง 2 กลุ่มมีค่าไม่แตกต่างกัน อาจแบ่งออกได้ เป็ น

หากค่าทีท่คี านวณได้ มคี ่ามากกว่าหรือเท่ากับค่าวิกฤตที่ระดับความเชื่อมั่นที่กาหนด และ df = n –1

ตัวอย่างที่สอง คือ ตัวอย่างที่ทดสอบ และขอให้ ทดสอบตัวอย่างควบคุมก่อน จากนั้นจึงทดสอบตัวอย่างที่

ตารางที่ 2.1 ผลการทดสอบและค่าสาหรับการคานวณค่าทีในตัวอย่างที่ 2.1

ผู้ทดสอบ ตัวอย่างควบคุม (C) ตัวอย่างที่ปรับปรุงสูตรใหม่ (A) C–A (C – A)2

วิธีทา เนื่องจากผู้ทดสอบแต่ละคนได้ ทดสอบทั้งตัวอย่างควบคุมและตัวอย่างที่ปรับปรุงสูตรใหม่ จึงถือ

กรณีน้ ีจึงไม่ต้องมีการทดสอบความเท่ากันของความแปรปรวนของข้ อมูลทั้งสองกลุ่มก่อน และมี

H0: คะแนนเฉลี่ยของผลิตภัณฑ์เดิม (ตัวอย่างควบคุม) = คะแนนเฉลี่ยของผลิตภัณฑ์ท่ปี รับปรุง

จากผลการทดสอบและค่าในตารางที่ 2.1 สามารถคานวณค่าทีตามสมการ 2.1.2 ได้