Page 31 - ประสิทธิภาพเชิงเทคนิคของการผลิตข้าวแบบแปลงใหญ่2

18

การวิเคราะห์ข้อมูลทางสถิติโดยใช้คะแนนโพรเพนซิตี้ (Propensity Score Analysis) ได้รับ
การคิดค้นพัฒนาโดย Rosenbaum และ Rubin ในปี 1983 ต่อมาเริ่มมีการนำมาประยุกต์ใช้กันอย่าง
กว้างขวางสามารถทำได้หลายวิธี ในการวิเคราะห์ข้อมูลโดยใช้ Propensity Score สามารถเขียนเป็นสมการ

ทางคณิตศาสตร์ได้ดังนี้

Clinical event (Y) = Function of (X) ซึ่งหมายถึง การเกิดเหตุการณ์ y เป็นผล
ของสิ่งกำเนิด x

Y = f (x| pre-treatment covariates)
Pr (Intervention) = f (x| pre-treatment covariates)

เมื่อ Y คือ ความน่าจะเป็น (Probability) ที่จะได้รับ Intervention ในการศึกษานั้น และ x

คือตัวแปรหรือปัจจัยก่อนการศึกษาวิจัยที่มีผลต่อ Outcome การศึกษาวิจัย ผู้ที่มีคะแนน Propensity Score
สูง หมายถึง ผู้มีแนวโน้มหรือโอกาสที่จะได้รับ Intervention ที่ศึกษานั้นมาก ส่วนคะแนน Propensity Score
ต่ำ หมายถึงแนวโน้มหรือโอกาสที่จะได้รับ Intervention น้อย เมื่อนำค่าคะแนน Propensity Score ของแต่
ละหน่วยที่มีโอกาสได้รับ Intervention ใกล้เคียงกันมาเปรียบเทียบกัน ก็จะคล้ายกับหลักการของการทำเลือก

(Randomization) ในการศึกษาแบบ RCT ที่ทุกคนมีโอกาสได้รับ Assign Intervention เหมือนกัน
ถึงแม้ว่าการวิเคราะห์ข้อมูลทางสถิติโดยใช้คะแนนโพรเพนซิตี้ (Propensity Score) จะมีข้อดี
ในการช่วยปรับและแก้ไขข้อจำกัดของการศึกษาวิจัยเชิงสังเกตการณ์ได้ อย่างไรก็ดี การศึกษาดังกล่าวก็ยังมี
ข้อด้อย ในแง่ของตัวแปรกวนที่ยังไม่ทราบ (Unknown Confounders) หรือตัวแปรกวนที่ไม่สามารถแสดงและ

วัดผลได้ (Unmeasurable Confounders)
ในทางปฏิบัติการคำนวณค่าคะแนนความโน้มเอียง สามารถทำได้โดยการใช้การวิเคราะห์
สมการถดถอยแบบ Probit หรือ Logit ทั้งนี้ หากสามารถกำหนดตัวแปรต่างๆ ที่นำมาใช้คำนวณค่าความโน้ม

เอียงได้อย่างเหมาะสม วิธี PSM จะช่วยให้ตัวแปรต่างๆ ของกลุ่มที่เข้าร่วมโครงการมีค่าใกล้เคียงกับตัวแปรของ

กลุ่มเปรียบเทียบ หรือเกิดความสมดุลของตัวแปรต่างๆ ระหว่างทั้งสองกลุ่ม นั่นเอง หลังจากนั้น เมื่อทำการ
จับคู่แล้ว ขั้นตอนต่อไป คือ การเปรียบเทียบผลลัพธ์ที่สนใจ ระหว่างเกษตรกรที่เข้าร่วมโครงการกับเกษตรกรที่

ไม่ได้เข้าร่วมโครงการที่จับคู่กัน อันแสดงถึงผลกระทบที่เกิดจากนโยบาย (Treatment Effect) ซึ่งการวัดผล

กระทบที่เกิดจากนโยบายคือการเปรียบเทียบผลลัพธที่ตองการศึกษาของกลุมผูเข้าร่วมโครงการและกลุ่ม
เปรียบเทียบ การวัดคาเฉลี่ยของผลกระทบที่เกิดขึ้น สามารถวัดได้ 3 วิธี คือ

1. ผลกระทบโดยเฉลี่ยของโครงการ (Average Treatment Effect: ATE) เปนการวัดผลกระทบ
ของนโยบายที่คํานวณโดยนําผลต่างของผลลัพธ์ที่ตองการศึกษาของประชากรเปรียบเทียบกันระหวางขณะที่มีและ

ไมมีโครงการหารเฉลี่ยดวยจํานวนประชากรทั้งหมด การวัดผลกระทบดวยวิธีนี้เหมาะสําหรับการวัดผลกระทบของ
นโยบายหรือโครงการที่ไมไดเจาะจงกลุมเปาหมาย

ให้ Y1 หมายถึง ผลลัพธ์จากการเข้าร่วมโครงการ Y0 หมายถึง ผลลัพธ์จากการไม่ได้เข้าร่วม

โครงการ ผลลัพธ์ที่สังเกตได้ คือ Y = DY1 + (1-D)Y0 ผลกระทบโดยเฉลี่ยของโครงการ (Average Treatment
Effect: ATE) จะเป็นไปตามสมการ ดังนี้

ATE = E(Y1 – Y0)