We performed dimensionality tests w

We performed dimensionality tests with our
dataset using Conquest 2.0 (Wu, Adams, & Wilson, 2007). Specifically, we
compared a 13-dimensional model (grouping the items in the same themes as Lombrozo et al., 2008) to a uni-dimensional model (all items together) and a twodimensional
model (NOS items vs. SI items, parsed in accordance with the
constructs defined below). These analyses were used to draw conclusions about the
dimensionality of the Lombrozo et al. instrument, in particular to test the hypothesis
that different NOS themes are supported empirically. When comparing different
models, the simplicity of the model needs to be taken into account (cf. Occam’s
Razor). In the context of Rasch analysis, the simplicity of the model is determined
by the number of estimated parameters (np). Coefficients based on information
theory can be used to compare models. Common coefficients are Akaike’s Information
Criterion (AIC: where AIC = deviance + 2·np) and Bayes’ Information Criterion
(BIC: where BIC = deviance + logN·np; Wilson, deBoek, & Carstensen, 2008).
Since BIC weighs simplicity of the model by sample size, BIC is recommended
especially for larger sample sizes. Regarding AIC and BIC, lower coefficients are
desirable. The disadvantage of such information-based criteria lies in the lack of a
significance test. Thus, based on AIC and BIC, models can only be compared relative
to one another and researchers have to decide which difference in AIC or BIC
is sufficient to indicate the advantage of one model over the other. In addition to
deviance statistics, we also employed AIC and BIC to compare models characterized
by different dimensionalities.

ผลลัพธ์ (ไทย) 1:

เราทำการทดสอบ dimensionality ของเราชุดข้อมูลที่ใช้ 2.0 ชนะ (Wu, Adams, & Wilson, 2007) โดยเฉพาะ เราเปรียบเทียบแบบ 13 มิติ (จัดรายการในรูปแบบเดียวกันเป็น Lombrozo et al., 2008) กับแบบยูนิมิติ (สินค้าทั้งหมดเข้าด้วยกัน) และ twodimensionalรูปแบบ (ชุดหมายเลขสินค้ากับสินค้า SI แยกวิเคราะห์สอดคล้องกับการโครงสร้างกำหนดไว้ด้านล่าง) วิเคราะห์เหล่านี้ถูกใช้ในการวาดบทสรุปเกี่ยวกับการdimensionality ของ Lombrozo et al. ตรา โดยเฉพาะอย่างยิ่งในการทดสอบสมมติฐานการว่า ชุดหมายเลขอื่นที่สนับสนุน empirically เมื่อเปรียบเทียบแตกต่างกันรุ่น ความเรียบง่ายของรูปแบบต้องนำมาพิจารณา (มัทธิวอ็อกคัมของโกน) ในบริบทของการวิเคราะห์ Rasch ความเรียบง่ายของรูปแบบที่กำหนดโดยหมายเลขพารามิเตอร์ประเมิน (np) สัมประสิทธิ์ตามข้อมูลสามารถใช้ทฤษฎีการเปรียบเทียบรูปแบบ สัมประสิทธิ์ทั่วไปเป็นข้อมูลของ Akaikeเกณฑ์ (AIC: AIC = deviance + 2·np) และ เกณฑ์ของ Bayes ข้อมูล(BIC: ที่ BIC = deviance + logN·np Wilson, deBoek, & Carstensen, 2008)เนื่องจาก BIC น้ำหนักความเรียบง่ายของรูปแบบ โดยขนาดตัวอย่าง BIC ขอแนะนำสำหรับขนาดค่าตัวอย่างขนาดใหญ่โดยเฉพาะอย่างยิ่ง AIC และ BIC มีค่าสัมประสิทธิ์ต่ำต้องการ ข้อเสียของเงื่อนไขดังกล่าวตามข้อมูลที่อยู่ในการขาดการการทดสอบนัยสำคัญ ดังนั้น ตาม AIC และ BIC แบบจำลองสามารถเท่าเปรียบเทียบสัมพันธ์ไป อีกและนักวิจัยต้องตัดสินใจซึ่งความแตกต่างใน AIC หรือ BICเพียงพอที่จะบ่งชี้ข้อดีของรูปแบบหนึ่งมากกว่าอีก นอกdeviance สถิติ เรายังจ้าง AIC และ BIC เพื่อเปรียบเทียบลักษณะรูปแบบโดย dimensionalities แตกต่างกัน

ผลลัพธ์ (ไทย) 2:

เราทำการทดสอบมิติของเรามี
ชุดข้อมูลที่ใช้พิชิต 2.0 (วูอดัมส์และวิลสัน, 2007) โดยเฉพาะเรา
เมื่อเทียบกับรุ่น 13 มิติ (การจัดกลุ่มรายการในรูปแบบเดียวกับ Lombrozo et al., 2008) เป็นรูปแบบเดียวมิติ (รายการทั้งหมดเข้าด้วยกัน) และ twodimensional
รูปแบบ (NOS รายการกับรายการ SI แจงใน ตาม
โครงสร้างที่กำหนดไว้ด้านล่าง) การวิเคราะห์เหล่านี้ถูกนำมาใช้ในการวาดข้อสรุปเกี่ยวกับ
มิติของ Lombrozo et al, เครื่องดนตรีโดยเฉพาะอย่างยิ่งในการทดสอบสมมติฐานที่
ว่ารูปแบบที่แตกต่างกัน NOS ได้รับการสนับสนุนสังเกตุ เมื่อเปรียบเทียบที่แตกต่างกัน
รูปแบบที่เรียบง่ายของรูปแบบความต้องการที่จะนำเข้าบัญชี (cf สาธารณรัฐโคลัมเบียของ
มีดโกน) ในบริบทของการวิเคราะห์ Rasch เรียบง่ายของรูปแบบจะถูกกำหนด
โดยจำนวนพารามิเตอร์โดยประมาณ (เอ็นพี) ค่าสัมประสิทธิ์บนพื้นฐานของข้อมูล
ทางทฤษฎีสามารถใช้ในการเปรียบเทียบรูปแบบ ค่าสัมประสิทธิ์ส่วนใหญ่จะเป็นข้อมูล Akaike ของ
เกณฑ์ (AIC: ที่ AIC = อันซ์ + 2 ·เอ็นพี) และเบส์ 'เกณฑ์ข้อมูล
(BIC: ที่ BIC = อันซ์ + logn ·เอ็นพี; วิลสัน deBoek และ Carstensen 2008).
ตั้งแต่ BIC น้ำหนักความเรียบง่ายของ รูปแบบตามขนาดตัวอย่าง BIC จะแนะนำ
โดยเฉพาะอย่างยิ่งสำหรับขนาดของกลุ่มตัวอย่างที่มีขนาดใหญ่ เกี่ยวกับเอไอซีและ BIC ค่าสัมประสิทธิ์ล่าง
เป็นที่น่าพอใจ ข้อเสียของเกณฑ์ตามข้อมูลดังกล่าวอยู่ในการขาดการ
ทดสอบอย่างมีนัยสำคัญ ดังนั้นขึ้นอยู่กับเอไอซีและ BIC รุ่นเท่านั้นที่สามารถนำมาเปรียบเทียบญาติ
อีกคนหนึ่งและนักวิจัยที่มีการตัดสินใจที่แตกต่างใน AIC หรือ BIC
จะเพียงพอที่จะแสดงให้เห็นประโยชน์จากรูปแบบหนึ่งในช่วงอื่น ๆ นอกเหนือจากการ
เบี่ยงเบนสถิติเรายังมีงานทำและ AIC BIC เพื่อเปรียบเทียบรูปแบบที่โดดเด่น
ที่แตกต่างกันโดย dimensionalities

ผลลัพธ์ (ไทย) 3:

เราทำการทดสอบกับชุดข้อมูล dimensionality ของเรา
ใช้พิชิต 2.0 ( Wu อดัมส์ &วิลสัน , 2007 ) โดยเฉพาะเรา
เมื่อเทียบรุ่น 13 มิติ ( การจัดกลุ่มรายการในเดียวกันชุด lombrozo et al . , 2008 ) ในหนึ่งมิติแบบ ( รายการทั้งหมดเข้าด้วยกัน ) และรูปแบบ twodimensional
( หมายเลขสินค้า vs ศรีรายการแยกตาม
โครงสร้างที่ระบุไว้ด้านล่าง )การวิเคราะห์เหล่านี้ถูกใช้เพื่อหาข้อสรุปเกี่ยวกับ
dimensionality ของ lombrozo et al . เรียบเรียงโดยเฉพาะเพื่อทดสอบสมมติฐานที่แตกต่างกันได้รับการสนับสนุนรูปแบบ
NOS ใช้ . เมื่อเปรียบเทียบรูปแบบที่แตกต่างกัน
, ความเรียบง่ายของรูปแบบจะต้องถ่ายลงในบัญชี (
CF . เอิกแคมมีดโกน ) ในบริบทของการวิเคราะห์วิธี ความเรียบง่ายของรูปแบบมุ่งมั่น
โดยจํานวนประมาณค่าพารามิเตอร์ ( NP ) ค่าตามทฤษฎีข้อมูล
สามารถใช้เปรียบเทียบรุ่น โดยทั่วไปมีเคราะห์ข้อมูล
เกณฑ์ ( AIC ที่ AIC = ถุ้ง 2 ด้วย NP ) และ Bayes ' ข้อมูลเกณฑ์
( BIC : ที่ BIC = ถุ้งในยุคปัจจุบันด้วย NP ; วิลสัน , deboek & คาร์ ตนเซ่น , 2551 ) .
ตั้งแต่บิ๊กมี่ ความเรียบง่ายของรูปแบบตามขนาดตัวอย่าง บิกา
โดยเฉพาะอย่างยิ่งสำหรับขนาดตัวอย่างมีขนาดใหญ่ขึ้น และเกี่ยวกับ AIC BIC , สัมประสิทธิ์ส่วนล่าง
ที่พึงประสงค์ ข้อเสียของการใช้ข้อมูลเช่นเกณฑ์อยู่ในระดับขาด
ทดสอบ ดังนั้นตามและ AIC BIC , รุ่นสามารถเทียบเทียบ
อีกแบบหนึ่ง และ นักวิจัยต้องตัดสินใจแตกต่างซึ่ง AIC หรือ BIC
จะเพียงพอที่จะบ่งชี้ถึงประโยชน์จากรูปแบบหนึ่งมากกว่าอื่น ๆนอกจาก
สถิติถุ้ง เรายังใช้เพื่อเปรียบเทียบรูปแบบและลักษณะตามเมย์

โดย dimensionalities แตกต่างกัน