Page 30 - ประสิทธิภาพเชิงเทคนิคของการผลิตข้าวแบบแปลงใหญ่2
P. 30
17
ในประเด็นที่เกี่ยวข้องกับความแตกต่างระหว่างแบบจำลอง BCC และ CCR คือ การคำนวณ
ค่าคะแนนประสิทธิภาพขนาด (Scale Efficiency: SE) ที่ถูกนำเสนอโดย Coelli et al. (1998) ในงานวิจัย
ดังกล่าว Coelli et al. (1998) เสนอแนวคิดว่า ความไร้ประสิทธิภาพทางด้านขนาดการผลิต (Scale
Inefficiency : SE) สามารถคำนวณได้จากความแตกต่างระหว่างค่าคะแนนประสิทธิภาพทางด้านเทคนิคที่
คำนวณขึ้นจากแบบจำลอง BBC และ CCR ซึ่งจาก
SE = ab/ac = TEDEA–CCR/TEDEA–BCC= TECRS/TEVRS
โดยที่ TECRS และ TEVRS คือ ค่าคะแนนประสิทธิภาพทางด้านเทคนิคที่คำนวณขึ้นภายใต้
ข้อสมมติของผลได้ต่อขนาดคงที่ (CRS) และ แปรผัน (VRS) ตามลำดับ
ถ้าค่า SE มีค่าเท่ากับ 1 หมายความว่า DMU ทำการผลิตโดยมีขนาดการผลิตที่เหมาะสม
กล่าวคือการผลิตของDMU หน่วยดังกล่าวมีลักษณะผลได้ต่อขนาดคงที่ ในขณะที่คา SE ที่น้อยกว่า 1 จะแสดง
่
ถึงความไร้ประสิทธิภาพของขนาดการผลิตของ DMU หน่วยนั้น ซึ่งเป็นไปได้ว่า DMU หน่วยดังกล่าวจะมีการ
ผลิตแบบผลได้ต่อขนาดเพิ่มขึ้น หรือผลได้ต่อขนาดลดลง ในเชิงนโยบายค่า SE จะเป็นตัวบ่งชี้ถึงแหล่งของ
ความไร้ประสิทธิภาพ (Sources of Inefficiency)และให้ข้อเสนอแนะในการจัดสรรทรัพยากร เช่น การ
ื่
โอนย้ายทรัพยากรหรือปัจจัยการผลิตจาก DMU ที่มีขนาดการผลิตที่ไม่เหมาะสมไปยัง DMU หน่วยอื่นๆ เพอ
ปรับปรุงประสิทธิภาพโดยรวม
2.2.4 การจับคู่คะแนนความโน้มเอียง (Propensity Score Matching : PSM)
ในการวิเคราะห์เชิงสถิติของข้อมูลเชิงสังเกตการจับคู่คะแนนความโน้มเอียง Propensity
Score Matching (PSM) เป็นเทคนิคการจับคู่ทางสถิติ ที่พยายามประมาณผลของการศึกษา โดยการคำนวณ
ตัวแปรร่วมที่จะลดความลำเอียงเนื่องจากตัวแปรผันที่สามารถพบได้ในประมาณการของผลการศึกษา จากการ
เปรียบเทียบผลโดยตรงระหว่างหน่วยได้รับการส่งเสริมและหน่วยที่ไม่ได้รับการส่งเสริม เทคนิคนี้ได้รับการ
ตีพิมพ์เป็นครั้งแรกโดย Paul Rosenbaum และ Donald Rubin ในปี พ.ศ. 2526 ซึ่งคะแนนความโน้มเอียง
คือ ความน่าจะเป็นของหน่วยควบคุม เพื่อลดความลำเอียงจากการเลือก ต้องจัดกลุ่มตามจำนวนตัวแปรร่วม
(เกรียงศักดิ์ เจริญสุข, 2561) อธิบาย การวิเคราะห์ข้อมูลทางสถิติโดยใช้คะแนนความโน้ม
เอียง (Propensity Score Analysis) เป็นหนึ่งในการวิจัยทางสถิติแบบใหม่ที่กำเนิดขึ้น ภายหลังสถิติพื้นฐาน
อื่นๆ และถูกนำมาใช้กันอย่างแพร่หลายเพิ่มมากขึ้น เพื่อช่วยควบคุมปัจจัยหรือตัวแปรกวน (Confounding)
ที่เกิดขึ้นในการศึกษาวิจัยแบบเชิงสังเกตการณ์ (Observational Study) ทดแทนการทดลองแบบสุ่มและมี
กลุ่มเปรียบเทียบ (Randomized Control Trial, RCT) ซึ่งบางครั้งผู้วิจัยไม่สามารถทำได้ อย่างไรก็ตามการ
ทดลองแบบสุ่มและมีกลุ่มเปรียบเทียบ เป็นหนึ่งในการศึกษาวิจัยที่ได้รับการยอมรับกันอย่างแพร่หลาย และ
เป็น Gold Standard ในการประเมินประสิทธิผลหรือประสิทธิภาพของงาน
การวิเคราะห์ถดถอยแบบโลจิสติกส์ (logistic Regression Analysis) เป็นหนึ่งในการ
วิเคราะห์ทางสถิติที่ช่วยแก้ไข และนำมาใช้ในการควบคุมความไม่สมดุลของปัจจัยระหว่างสองกลุ่มการทดลองที่
อาจเป็นตัวแปรกวนที่ส่งผลต่อผลลัพธ์ในการศึกษาวิจัยนั้น อย่างไรก็ตาม ผลจากการนำการวิเคราะห์แบบ
logistic Regression มาใช้อาจไม่ถูกต้องหรือคลาดเคลื่อนได้ หากตัวแปรที่นำเข้ามาในสมการมากเกินไปทำให้
Model ของสมการขาด Goodness of Fit
