AMOS SmartPLS: เลือก CB-SEM หรือ PLS-SEM ให้ตรงกับงานวิจัย

AMOS SmartPLS คือสองชื่อโปรแกรมที่มักถูกนำมาเปรียบเทียบในงานสมการโครงสร้าง (SEM) แต่เป็นตัวแทนของสองวิธีที่ต่างกัน คือ CB-SEM ที่ทดสอบว่าแบบจำลองทฤษฎีสอดคล้องกับข้อมูลหรือไม่ กับ PLS-SEM ที่เน้นการพยากรณ์และแบบจำลองที่มีตัวแปรแบบ composite ดังนั้นการเลือกควรเริ่มจากวัตถุประสงค์งานวิจัยและชนิดของตัวแปรแฝง ไม่ใช่จากโปรแกรมที่ถนัด

AMOS SmartPLS ต่างกันที่วิธีประมาณค่า ไม่ใช่แค่หน้าตาโปรแกรม

CB-SEM (covariance-based SEM) ใช้เมทริกซ์ความแปรปรวนร่วมของข้อมูลเพื่อทดสอบว่าแบบจำลองที่สมมติไว้สอดคล้องกับข้อมูลหรือไม่ มักประมาณค่าด้วย maximum likelihood และมองตัวแปรแฝงเป็นปัจจัยร่วม (common factor) ตามคำอธิบายในเอกสารของ SmartPLS ส่วน PLS-SEM มองตัวแปรเป็น composite ซึ่งก็คือผลรวมเชิงเส้นของตัวบ่งชี้ AMOS เป็นโปรแกรมที่ใช้วิธี CB-SEM ดังที่ปรากฏในบทความภาษาไทยของ Senariddhikrai และ James (2026) ส่วน lavaan เป็นแพ็กเกจ R แบบโอเพนซอร์สที่ให้ความสามารถด้านตัวแปรแฝงในระดับเชิงพาณิชย์โดยไม่เสียค่าใช้จ่าย (Rosseel, 2012)

ข้อควรรู้คือ SmartPLS 4 ทำ CB-SEM และ CFA ได้ด้วย (SmartPLS GmbH, n.d.-a) ดังนั้น “ใช้ SmartPLS” ไม่ได้แปลว่า “ใช้ PLS-SEM” เสมอไป สิ่งที่ต้องบอกในวิทยานิพนธ์คือ วิธีประมาณค่า ที่เลือกและเหตุผล ไม่ใช่ชื่อโปรแกรม ผลการเปรียบเทียบสองวิธีในโปรแกรมเดียวกันก็เป็นทางเลือกที่เอกสารของ SmartPLS แนะนำให้พิจารณาในลักษณะ multimethod

วรรณกรรมมีทั้งฝ่ายสนับสนุนและฝ่ายตั้งข้อสงสัย Hair และคณะ (2011) สรุปว่า PLS-SEM หากใช้อย่างเหมาะสมเป็น “silver bullet” สำหรับการประมาณแบบจำลองเชิงสาเหตุในหลายสถานการณ์ ขณะที่ Rönkkö และ Evermann (2013) ตรวจสอบความเชื่อที่แพร่หลายเกี่ยวกับ PLS แล้วสรุปว่าหลายข้อไม่เป็นจริง และสงสัยประสิทธิผลของวิธีนี้ในการสร้างและทดสอบทฤษฎีด้านการจัดการองค์กร อีกด้านหนึ่ง Sarstedt และคณะ (2016) ใช้การจำลองแสดงว่าเกิดความเอนเอียงเมื่อใช้ PLS ประมาณแบบจำลอง common factor และเมื่อใช้ CB-SEM ประมาณแบบจำลอง composite โดยสรุปว่า PLS เหมาะกว่าโดยเฉพาะเมื่อไม่ทราบว่าข้อมูลเป็นแบบ common factor หรือ composite ข้อสรุปจึงไม่ใช่ “วิธีไหนดีกว่า” แต่เป็น “วิธีไหนสอดคล้องกับธรรมชาติของตัวแปรและคำถามวิจัย”

เมื่อไรควรใช้ CB-SEM (AMOS หรือ lavaan) และเมื่อไรควรใช้ PLS-SEM (SmartPLS)

ตารางต่อไปนี้สรุปจากแหล่งที่อ้างอิงในบทความ ใช้เป็นแนวทางเริ่มต้นแล้วตรวจกับที่ปรึกษาและแนวปฏิบัติของหลักสูตร

Dash และ Paul (2021) เปรียบเทียบสามวิธี (CB-SEM, PLS-SEM และ consistent PLS) ด้วยข้อมูลผู้ตอบ 466 คนจากหลายประเทศ พบว่า CB-SEM ให้ดัชนีความสอดคล้องของแบบจำลองได้ดีกว่า และเหมาะกับแบบจำลองแบบ factor-based ส่วนแบบจำลองแบบ composite-based ให้ผลดีใน PLS-SEM และค่าความสัมพันธ์เชิงโครงสร้างจาก consistent PLS ใกล้เคียง CB-SEM มากกว่า PLS แบบปกติ ผลนี้สอดคล้องกับประเด็นของ Sarstedt และคณะที่ว่าวิธีควรสอดคล้องกับธรรมชาติของตัวแปร

เอกสารอภิธานศัพท์ของ SmartPLS ระบุว่า CB-SEM ทดสอบทฤษฎีได้ แต่มีข้อจำกัดชัดเจนในการทดสอบอำนาจการพยากรณ์ ดังนั้นเหตุผลที่ฟังขึ้นที่สุดในการเลือก PLS-SEM คือวัตถุประสงค์เชิงพยากรณ์หรือโครงสร้างแบบ composite มากกว่าเหตุผลเรื่องตัวอย่างน้อย (ดูหัวข้อขนาดตัวอย่างและหัวข้อข้อโต้แย้งด้านล่าง)

ขนาดตัวอย่าง: กฎประมาณกับตัวเลขที่ตรวจสอบได้

CB-SEM

Wolf และคณะ (2013) ใช้การจำลองแบบมอนติคาร์โลกับแบบจำลองที่พบบ่อย โดยเปลี่ยนจำนวนตัวบ่งชี้และปัจจัย ขนาดของ loading และค่าสัมประสิทธิ์เส้นทาง และปริมาณข้อมูลสูญหาย พบว่าขนาดตัวอย่างที่ต้องการอยู่ระหว่าง 30 ถึง 460 ราย ขึ้นกับคุณสมบัติของแบบจำลอง และชี้ว่ากฎประมาณที่อ้างกันทั่วไปมีข้อจำกัด บทความภาษาไทยของ Piriyakul (2021) เปรียบเทียบวิธีและกฎกำหนดขนาดตัวอย่างสำหรับ SEM จำนวน 11 แบบ และสรุปว่าประมาณ 200 ราย เพียงพอโดยทั่วไป แต่อาจน้อยหรือมากกว่านี้ได้ตามความซับซ้อนของแบบจำลองและขนาดประชากร

PLS-SEM

กฎ 10 เท่า (10 times rule) กำหนดตัวอย่างขั้นต่ำเป็นสิบเท่าของจำนวนตัวทำนายในสมการถดถอยที่ซับซ้อนที่สุดของแบบจำลอง ตามนิยามในอภิธานศัพท์ของ SmartPLS ซึ่งเอกสารเดียวกันระบุว่าไม่เป็นแนวทางที่เชื่อถือได้ เพราะไม่คำนึงถึงขนาดผลและอาจประเมินขนาดตัวอย่างที่ต้องการต่ำเกินไปมาก Kock และ Hadaya (2018) จึงเสนอวิธี inverse square root ที่ใช้ค่าสัมประสิทธิ์เส้นทางที่เล็กที่สุดเป็นฐาน ภายใต้ระดับนัยสำคัญ 5% กำลังการทดสอบ 80% และการทดสอบทางเดียว สูตรที่เอกสาร SmartPLS นำเสนอคือ

n ≥ ⌈ (2.486 / |β|_{ต่ำสุด})² ⌉

ค่า 2.486 คือผลรวมของค่าวิกฤตที่ระดับนัยสำคัญ 5% (ทางเดียว) และกำลังการทดสอบ 80% (1.645 + 0.842) เมื่อคำนวณซ้ำด้วย R ได้ค่าตรงกับตารางของ SmartPLS ทุกแถว คือ |β| = 0.10 ต้องมี 619 ราย, 0.15 ต้องมี 275 ราย, 0.20 ต้องมี 155 ราย, 0.25 ต้องมี 99 ราย, 0.30 ต้องมี 69 ราย และ 0.40 ต้องมี 39 ราย (ภาพที่ 2) จะเห็นว่าถ้าอยากตรวจจับเส้นทางที่เล็กเพียง 0.10 ตัวอย่าง 200 รายไม่พอ แม้กฎ 10 เท่าจะบอกเพียง 40 ราย

เอกสาร SmartPLS เตือนว่าเส้นทางที่ใกล้ศูนย์ เช่น ตัวแปรควบคุม จะทำให้ตัวเลขสูงมาก จึงควรใช้เส้นทางที่เป็นแกนของทฤษฎีและมีความหมายเป็นฐาน และโปรแกรมรายงาน “ขนาดตัวอย่างที่ต้องการทางเทคนิค” ภายหลังการประมาณ ซึ่งการผ่านเกณฑ์นี้ไม่ได้แสดงว่าตัวอย่างเป็นตัวแทนของประชากร

ส่วนความเชื่อว่า PLS ใช้กับตัวอย่างเล็กหรือข้อมูลไม่ปกติได้ดีกว่า Goodhue และคณะ (2012) ทดสอบด้วยการจำลองเปรียบเทียบ PLS การถดถอยพหุคูณ และ LISREL พบว่า PLS ตรวจจับเส้นทางจริงได้ดีพอ ๆ กับวิธีอื่น แต่เมื่อตัวอย่างเล็ก PLS ก็มีส่วนเบี่ยงเบนมาตรฐานของค่าประมาณสูงขึ้น กำลังการทดสอบลดลง และความแม่นยำลดลงเช่นเดียวกับวิธีอื่น และทุกวิธีทนต่อการแจกแจงที่เบี่ยงจากปกติระดับปานกลางได้ใกล้เคียงกัน

รายงานผล: ดัชนี fit ของ CB-SEM เทียบกับเมตริกของ PLS-SEM

CB-SEM: รายงาน χ², df และดัชนีอย่างน้อยสองตัว

Hu และ Bentler (1999) ใช้การจำลองประเมินเกณฑ์ตัดของดัชนีความสอดคล้อง และสรุปว่าสำหรับวิธี maximum likelihood ต้องมีค่าใกล้ 0.95 สำหรับ TLI และ CFI ใกล้ 0.08 สำหรับ SRMR และใกล้ 0.06 สำหรับ RMSEA จึงจะสรุปได้ว่าแบบจำลองสอดคล้องกับข้อมูลค่อนข้างดี และแนะนำให้รายงานสองดัชนีร่วมกัน (SRMR คู่กับดัชนีเสริม) พร้อมข้อสังเกตว่า TLI และ RMSEA มีแนวโน้มปฏิเสธแบบจำลองที่ถูกต้องเกินจริงเมื่อตัวอย่างเล็ก ดังนั้นเกณฑ์เหล่านี้เป็นแนวทางที่มีเงื่อนไข ไม่ใช่เส้นแบ่งตายตัว รายละเอียดการอ่านดัชนีแต่ละตัวอยู่ใน บทความ SEM คืออะไร: CFA, AMOS หรือ SmartPLS และค่า Model Fit

PLS-SEM: ประเมินโมเดลการวัดและโมเดลโครงสร้างทีละส่วน

เอกสารของ SmartPLS กำหนดเกณฑ์สีสำหรับโมเดลการวัดแบบ reflective ดังนี้

• ค่า outer loading, Cronbach’s alpha, rho_A และ rho_C ตั้งแต่ 0.70 ขึ้นไป (สีเขียว)
• AVE ตั้งแต่ 0.50 ขึ้นไป
• HTMT ไม่เกิน 0.85 (สีเขียว) และอยู่ระหว่าง 0.85 ถึง 0.90 เป็นช่วงเตือน
• VIF ไม่เกิน 3.00 (สีเขียว) และอยู่ระหว่าง 3.00 ถึง 5.00 เป็นช่วงเตือน

เอกสารเดียวกันย้ำว่าสีเหล่านี้เป็นแนวทางเชิงภาพ ไม่ใช่คำตัดสิน และในงานเชิงสำรวจอาจยอมรับ outer loading ตั้งแต่ 0.60 ได้หากให้เหตุผล HTMT เสนอโดย Henseler และคณะ (2015) ซึ่งพบจากการจำลองว่าวิธี Fornell-Larcker และการดู cross-loadings ตรวจจับการขาด discriminant validity ได้ไม่น่าเชื่อถือในสถานการณ์วิจัยทั่วไป Hair และคณะ (2019) เพิ่มแนวทางใหม่ ได้แก่ PLSpredict สำหรับประเมินการพยากรณ์นอกกลุ่มตัวอย่าง เกณฑ์เปรียบเทียบแบบจำลอง และวิธีตรวจความทนทานของผล ซึ่งควรรายงานเมื่อวัตถุประสงค์งานคือการพยากรณ์ สำหรับค่า Cronbach’s alpha ดู บทความ Cronbach Alpha

ข้อโต้แย้งที่ควรเตรียมคำตอบก่อนสอบ

ประเด็นต่อไปนี้มาจากข้อถกเถียงในวรรณกรรมที่อ้างอิงไว้ ผู้วิจัยควรเตรียมคำตอบที่มีหลักฐานไว้ล่วงหน้า

• “ใช้ PLS เพราะตัวอย่างน้อยหรือข้อมูลไม่ปกติ” คำตอบที่มีหลักฐานคือ Goodhue และคณะ (2012) พบว่า PLS ไม่ได้มีข้อได้เปรียบพิเศษด้านนี้ ให้เหตุผลด้วยวัตถุประสงค์และชนิดตัวแปร แล้วแสดงว่า n ผ่านเกณฑ์ inverse square root
• “PLS ทดสอบทฤษฎีไม่ได้” Rönkkö และ Evermann (2013) สงสัยในประเด็นนี้ จึงควรระบุให้ชัดว่างานมีวัตถุประสงค์พยากรณ์หรือสำรวจ และรายงาน PLSpredict และเมตริกที่ Hair และคณะ (2019) เสนอ ไม่ควรอ้างว่ายืนยันทฤษฎีด้วยค่า fit
• “CB-SEM ค่า fit ไม่ผ่าน” อย่าปรับแบบจำลองโดยไม่มีเหตุผลทางทฤษฎี ตรวจ loading ขนาดตัวอย่างเทียบ Wolf และคณะ (2013) และรายงานตามจริงตามหลักสองดัชนีของ Hu และ Bentler
• “ทำไมผลสองวิธีต่างกัน” Sarstedt และคณะ (2016) ระบุว่าตัวประมาณที่ไม่สอดคล้องกับธรรมชาติของข้อมูลทำให้เกิดความเอนเอียง และ Dash และ Paul (2021) พบว่าค่า loading, AVE และ CR ใน PLS-SEM มักสูงกว่า CB-SEM จึงควรเปรียบเทียบอย่างระมัดระวัง

ตัวอย่างกฎตัดสินใจและบริบทวิทยานิพนธ์ไทย

แผนผังในภาพที่ 1 รวมขั้นตอนตัดสินใจเป็นสี่ขั้น ได้แก่ (1) วัตถุประสงค์ (2) ธรรมชาติของตัวแปรแฝง (3) เทียบ n กับเกณฑ์ของแต่ละวิธี (4) รายงานตามวิธีที่เลือก และถ้า n ไม่ถึง ให้แก้ที่ข้อมูลหรือความซับซ้อนของแบบจำลอง ไม่ใช่เปลี่ยนวิธีเพียงเพื่อให้ผ่าน

ตัวอย่างคำนวณ (ข้อมูลสมมติ)

สมมติว่านักศึกษาปริญญาโทด้านการศึกษาเก็บข้อมูลจากครู 210 คน แบบจำลองมีตัวแปรแฝง 6 ตัว ใช้ตัวบ่งชี้ 24 ข้อ (Likert 5 ระดับ) และมี 4 เส้นทางชี้เข้าตัวแปรตามหลัก

1. วัตถุประสงค์: ถ้าเป็นการยืนยันทฤษฎีโดยใช้มาตรวัดที่พัฒนาแล้ว ไปทาง CB-SEM ถ้าเป็นการพยากรณ์หรือสำรวจปัจจัย ไปทาง PLS-SEM
2. เกณฑ์ n ของ CB-SEM: 210 ใกล้ 200 ที่ Piriyakul (2021) ว่าเพียงพอโดยทั่วไป แต่ต้องตรวจเพิ่มเทียบกับช่วง 30–460 ของ Wolf และคณะ (2013) ตามขนาด loading และจำนวนตัวบ่งชี้
3. เกณฑ์ n ของ PLS-SEM: ถ้าคาดว่าเส้นทางที่เล็กที่สุดที่มีความหมายคือ 0.20 ต้องมีอย่างน้อย 155 ราย ผ่านด้วย 210 (กฎ 10 เท่าได้ 40 จึงไม่ได้ช่วยตัดสิน) แต่ถ้าต้องการตรวจจับ 0.10 ต้องมี 619 ราย ซึ่ง 210 ไม่พอ ต้องไม่อ้างว่าตรวจจับเส้นทางนั้นได้ หรือต้องเก็บข้อมูลเพิ่ม
4. การรายงาน: CB-SEM รายงาน χ², df, CFI, TLI, RMSEA, SRMR ส่วน PLS-SEM รายงาน loading, AVE, CR, HTMT, VIF, R², SRMR และ PLSpredict ถ้าเน้นพยากรณ์

ตัวอย่างงานที่ตีพิมพ์ในบริบทไทย

Senariddhikrai และ James (2026) ในวารสาร Journal of Science Ladkrabang (วารสารภาษาไทยที่มีบทคัดย่อภาษาอังกฤษ) เปรียบเทียบ CB-SEM ใน AMOS กับ PLS-SEM ใน SmartPLS ด้วยกรอบ Technology Acceptance Model ใช้ชุดข้อมูลตัวอย่างจากเว็บไซต์ SmartPLS จำนวน 1,190 ราย โดยสุ่มมา 100 รายเพื่อให้เข้ากับ SmartPLS รุ่นนักศึกษา และสรุปว่า CB-SEM เหมาะกับการทดสอบกรอบทฤษฎีที่ใช้ชุดข้อมูลขนาดใหญ่ ส่วน PLS-SEM เหมาะกับกรณีตัวอย่างน้อยหรือแบบจำลองซับซ้อน ข้อสรุปหลังนี้เป็นข้อสรุปของผู้เขียนบทความนั้น และควรอ่านร่วมกับผลของ Goodhue และคณะ (2012) ที่ชี้ว่า PLS ก็เสียกำลังการทดสอบเมื่อตัวอย่างเล็ก ส่วน Laowang และ Damrongpanit (2025) ใช้ PLS-SEM วิเคราะห์ปัจจัยการใช้ประโยชน์จากงานวิจัยของครู 688 คนในสังกัดสำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน ซึ่งเป็นตัวอย่างการใช้ PLS-SEM ในบริบทการศึกษาไทย

สำหรับวิทยานิพนธ์ ให้ผูกการเลือกวิธีเข้ากับกรอบแนวคิดและวัตถุประสงค์ที่เขียนไว้ใน กรอบแนวคิดการวิจัย และอธิบายในวิธีดำเนินการวิจัยตาม บทที่ 3 โดยระบุวิธีประมาณค่า เหตุผล และเกณฑ์ขนาดตัวอย่างไว้ตั้งแต่โครงร่าง และตรวจกับแนวปฏิบัติของหลักสูตรและอาจารย์ที่ปรึกษาก่อนเก็บข้อมูล

สรุป

รายการตรวจสอบก่อนเลือกวิธีและโปรแกรม

• เขียนวัตถุประสงค์ให้ชัดว่ายืนยันทฤษฎีหรือพยากรณ์/สำรวจ
• ระบุว่าตัวแปรแฝงเป็นแบบ reflective (common factor) หรือ composite/formative
• เลือกวิธีประมาณค่าก่อน แล้วค่อยเลือกโปรแกรม (SmartPLS 4 ทำได้ทั้งสองวิธี)
• เทียบ n กับเกณฑ์ของวิธีที่เลือก และบันทึกเหตุผล (CB-SEM: 200 และช่วง 30–460 ตามความซับซ้อน; PLS-SEM: inverse square root จาก |β| ต่ำสุด)
• ไม่อ้างว่า PLS เหมาะเพราะตัวอย่างน้อยหรือข้อมูลไม่ปกติ โดยไม่มีหลักฐาน
• รายงานตามวิธี: CB-SEM ใช้ χ², df และอย่างน้อยสองดัชนี; PLS-SEM ใช้ loading, AVE, CR, HTMT, VIF, R², SRMR และ PLSpredict ถ้าเน้นพยากรณ์
• ถ้า n ไม่ถึงเกณฑ์ ให้เก็บข้อมูลเพิ่มหรือลดความซับซ้อน ไม่เปลี่ยนวิธีเพียงเพราะค่า fit ไม่ผ่าน

หากต้องการให้ผู้เชี่ยวชาญตรวจการเลือกวิธีและการรายงานผลก่อนยื่นหรือสอบ ดูบริการ วิเคราะห์สถิติ ของเรา หากมีคำถาม ต้องการสอบถามส่วนลดพิเศษสำหรับนักศึกษาหรือนักวิจัยที่ไม่มีทุน หรือต้องการความชัดเจนเพิ่มเติม ใช้ แบบฟอร์มติดต่อ หรืออีเมล [email protected] บริการของเราดำเนินการตามแนวทาง ICMJE, COPE และ GPP3 โดยระบุการสนับสนุนด้านการเขียนและการแก้ไขอย่างเหมาะสม

เอกสารอ้างอิง

1. Dash, G., & Paul, J. (2021). CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting. Technological Forecasting and Social Change, 173, 121092. doi:10.1016/j.techfore.2021.121092
2. Goodhue, D. L., Lewis, W., & Thompson, R. (2012). Does PLS have advantages for small sample size or non-normal data? MIS Quarterly, 36(3), 981–1001. doi:10.2307/41703490
3. Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–152. doi:10.2753/MTP1069-6679190202
4. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. doi:10.1108/EBR-11-2018-0203
5. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. doi:10.1007/s11747-014-0403-8
6. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. doi:10.1080/10705519909540118
7. Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. doi:10.1111/isj.12131
8. Laowang, P., & Damrongpanit, S. (2025). Unraveling the predictors of research utilization among Thai educators: evidence from PLS-SEM analysis. International Journal of Evaluation and Research in Education, 14(3), 1684. doi:10.11591/ijere.v14i3.31468
9. Piriyakul, M. (2021). การกำหนดขนาดตัวอย่างสำหรับการวิเคราะห์ตัวแบบสมการโครงสร้าง [Sample size determination for structural equation modeling (SEM)]. The Journal of Industrial Technology, 17(3), 232–246. ThaiJO
10. Rönkkö, M., & Evermann, J. (2013). A critical examination of common beliefs about partial least squares path modeling. Organizational Research Methods, 16(3), 425–448. doi:10.1177/1094428112474693
11. Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2). doi:10.18637/jss.v048.i02
12. Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998–4010. doi:10.1016/j.jbusres.2016.06.007
13. Senariddhikrai, P., & James, D. (2026). Concept to practice: Guideline for choosing between covariance-based SEM and variance-based SEM (Partial Least Square: PLS-SEM) in structural equation modeling. Journal of Science Ladkrabang, 35(1). doi:10.55003/scikmitl.2026.269621
14. SmartPLS GmbH. (n.d.-a). What’s new in SmartPLS 4? https://smartpls.com/faq/smartpls4/whatsnew; (n.d.-b) CB-SEM https://smartpls.com/documentation/algorithms-and-techniques/cbsem; (n.d.-c) PLS-SEM post hoc power analysis in SmartPLS https://smartpls.com/documentation/algorithms-and-techniques/core-algorithm/pls-power; (n.d.-d) Thresholds for different result colors in the SmartPLS report https://www.smartpls.com/documentation/functionalities/thresholds; (n.d.-e) PLS-SEM glossary https://www.smartpls.com/documentation/literature/glossary (เข้าถึงเมื่อ 11 ตุลาคม 2026)
15. Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models. Educational and Psychological Measurement, 73(6), 913–934. doi:10.1177/0013164413495237