˹Õé
ÊÔ
¹¢Í§¤ÃÑ
ÇàÃ×
͹à¡ÉµÃ ¾.È. 2560
45
การเป
นเจ
าของที
่
ดิ
น
หมายถึ
ง การครอบครองหรื
อใช
ที
่
ดิ
นเพื
่
อทํ
าการเกษตรในลั
กษณะต
างๆ
ของผู
ถื
อครอง อาจเป
นเนื
้
อที
่
ของตนเอง หรื
อเป
นเนื
้
อที
่
ไม
ใช
ของตนเอง แบ
งออกเป
น 2 ประเภท
- เป
นเจ
าของที
่
ดิ
น
หมายถึ
ง มี
หนั
งสื
อสํ
าคั
ญแสดงกรรมสิ
ทธิ
์
ในที
่
ดิ
น เช
น โฉนดที
่
ดิ
น น.ส.5
น.ส.3 น.ส.2 น.ส.1 ส.ป.ก. ฯลฯ รวมไปถึ
งที
่
ดิ
นของพ
อแม
ญาติ
พี
่
น
อง ที
่
ตนเองใช
ทํ
าการเกษตร
- ไม
เป
นเจ
าของที
่
ดิ
น
หมายถึ
ง ผู
ถื
อครองเช
าที
่
ดิ
นจากผู
อื
่
นทํ
าการเกษตร หรื
อเป
นพื
้
นที
่
ทํ
าฟรี
/
ที
่
สาธารณะ/ที
่
บุ
คคลอื
่
นอนุ
ญาตให
ทํ
าการเกษตรโดยไม
ต
องจ
ายค
าตอบแทน
- การทํ
าเกษตรแบบไม
ใช
ที
่
ดิ
น
หมายถึ
ง ผู
ทํ
าประมง ป
าไม
ล
าสั
ตว
หาของป
า และบริ
การ
ทางการเกษตร
4.2 ขั
้
นตอนการวิ
เคราะห
ทดสอบความสั
มพั
นธ
ระหว
างตั
วแปรอิ
สระ
เพื
่
อป
องกั
นการเกิ
ดป
ญหาตั
วแปรอิ
สระมี
สหสั
มพั
นธ
(Correlation) ระหว
างตั
วแปรอิ
สระในระดั
บค
อนข
างสู
ง (Multicollinearity) โดยใช
สถิ
ติ
ทดสอบ
(Pearson Correlation) โดยมี
เกณฑ
คื
อจะต
องมี
ความสั
มพั
นธ
กั
นเองไม
เกิ
น 0.700
ทดสอบการเลื
อก Model ที
่
เหมาะสม
พิ
จารณาจาก Goodness of Fit ของ Model ได
แก
- Classification table แสดงการคํ
านวณค
าความน
าจะเป
นของการพยากรณ
ของโมเดล (Predictive efficiency) ค
าของ Percent correct prediction สู
ง แสดงว
าโมเดลนั
้
นมี
ความ
แม
นยํ
าในการพยากรณ
- Pseudo R2 (Cox&Snell R Square , Nagelkerke R Square) คื
อ ค
าของความ
แปรปรวนของตั
วแปรตามที
่
สามารถอธิ
บายได
โดยตั
วแปรอิ
สระ
- Likelihood Estimation (MLE) การเปรี
ยบเที
ยบค
า -2 log likelihood ของ
โมเดลที
่
มี
ค
าตํ
่
ากว
า แสดงถึ
งความเหมาะสมของโมเดลที
่
ดี
กว
า
- Model chi-square หรื
อ Model likelihood ratio (LR) ใช
ทดสอบ overall
model โอกาสที
่
ตั
วแปรตามจะขึ
้
นกั
บตั
วแปรอิ
สระอย
างน
อย 1 ตั
ว หรื
อ ตั
วแปรอิ
สระอย
างน
อย 1 ตั
วมี
ความสั
มพั
นธ
กั
บตั
วแปรตาม
ทดสอบสมมติ
ฐานของสั
มประสิ
ทธิ
์
โดยใช
สถิ
ติ
ทดสอบ
- Wald statistic ใช
ทดสอบ โอกาสที
่
ตั
วแปรตามจะขึ
้
นกั
บตั
วแปรอิ
สระแต
ละตั
ว
หรื
อ ตั
วแปรอิ
สระแต
ละตั
วมี
ความสั
มพั
นธ
กั
บตั
วแปรตามหรื
อไม
- Likelihood Ratio Test (LR)
วิ
เคราะห
ป
จจั
ยที
่
มี
อิ
ทธิ
พลต
อการเป
นหนี
้
ของครั
วเรื
อนเกษตร
- Binary Logistic regression