To identify the structural variable

To identify the structural variables that contributed to the EE superiority of organic farming, a logistic regression analysis was performed. Table 4 presents the results, which identify the structural variables that significantly influence findings of superior EE in organic farming. The logistic regression model provided a good fit. The Chi-square test statistic was significant (p = .000) and the Hosmer–Lemeshow test statistic was not significant (p = .835).
The goodness of fit of the model was confirmed by the accuracy of classifications, which was 78.18% (Table 5). The model was highly predictive with 90.99% accuracy for cases in which EE for organic farming was superior in predicting the effect variable. However, the accuracy of the model was poor for cases in which EE for organic farming was neutral or negative. The structural variables in the logistic regression predicted the effect variable with only 51.85% accuracy. Thus, further research is needed to identify the determinants of neutral or negative EE for organic farming compared to conventional farming.
The structural variables of product, data source, and sample size were statistically significant. The vegetables and fruits categories exhibited negative statistically significant values, indicating that EE benefits of organic farming were less likely for the categories of vegetables and fruits compared to the category of field crops. Although the values for the dairy, livestock, and mixed crop categories were positive, they were not statistically significant. Overall, organic farming was more likely found to be superior for field crops and livestock than vegetables and fruits.

The logistic regression results also revealed that the EE benefits of organic farming were strongly associated with characteristics of the data. Sample sizes of more than 100 were significantly associated with the EE superiority of organic farming (p = .006) compared to sample sizes of 1–20. Data source also significantly affected the EE benefits of organic farming. The significant value for secondary data was negative, indicating that the EE benefits of organic farming were less likely to be supported by secondary data than by field surveys or experiments.

Although other structural variables in the analysis exhibited the expected values, they were not statistically significant. Study period (p = .944), location (p = .799 and .650), measurement method (p = .561 and .540), and farm size (p = .818) did not contribute to the EE benefits of organic farming. The EE benefits of organic farming were modest but not statistically significant for duration (p = .164), measurement unit (p = .160), and cropping pattern (p = .272). These findings suggest that study period and location, measurement unit and method used to estimate EE were not associated with EE benefits for organic farming. However, the EE benefits of organic farming were slightly greater for multi-year data compared to one-year data, monocropping compared to multicropping, and output-based outcome measures (/ton) compared to area-based measures (/ha).

The results of the analysis indicate that the EE benefits of organic farming were more marked for larger samples and primary data from field studies for the categories of field crops, livestock and multiple crops. However, none of the EE studies from field surveys or experiments had sample sizes over 100. As Table 6 indicates, 27 of 33 studies with sample sizes over 100 (81.8%) exhibited EE benefits for organic farming. Of the studies with sample sizes over 100, 28 studies examined field crops, dairy, livestock, and mixed crops, and 25 of these studies (89.3%) found better EE effects for organic farming. Field studies with more samples in these crop categories may have a better chance to find superior EE effects for organic farming.

ผลลัพธ์ (ไทย) 1:

ระบุตัวแปรโครงสร้างที่ส่วนปมแบบของเกษตรอินทรีย์ การวิเคราะห์การถดถอยโลจิสติกที่ดำเนินการ ตาราง 4 แสดงผล ซึ่งระบุโครงสร้างแปรอย่างลึกแบบ superior ในอินทรีย์ แบบจำลองการถดถอยโลจิสติกให้พอดี สถิติทดสอบ Chi-square ได้อย่างมีนัยสำคัญ (p =.000) และสถิติทดสอบ Hosmer – Lemeshow ไม่อย่างมีนัยสำคัญ (p =.835).ความกตัญญูพอดีแบบถูกยืนยัน โดยความถูกต้องของการจัดประเภท ซึ่งถูก 78.18% (ตาราง 5) แบบสูงคาดการณ์แม่นยำ 90.99% ในกรณีที่แบบสำหรับทำการเกษตรอินทรีย์เหนือกว่าในการทำนายตัวแปรผลได้ อย่างไรก็ตาม ความถูกต้องของแบบจำลองไม่ดีในกรณีที่แบบสำหรับทำการเกษตรอินทรีย์เป็นลบ หรือเป็นกลาง ตัวแปรโครงสร้างในการถดถอยโลจิสติกทำนายตัวแปรผลความแม่นยำ 51.85% เท่านั้น ดังนั้น เพิ่มเติมงานวิจัยต้องระบุดีเทอร์มิแนนต์ของแบบเป็นกลาง หรือค่าลบสำหรับเกษตรอินทรีย์เปรียบเทียบกับการทำนาทั่วไปตัวแปรโครงสร้างของผลิตภัณฑ์ แหล่งข้อมูล และขนาดตัวอย่างมีอย่างมีนัยสำคัญทางสถิติ ประเภทผักและผลไม้จัดแสดงค่าทางสถิติสำคัญลบ แสดงว่า EE ประโยชน์ของเกษตรอินทรีย์มีแนวโน้มน้อยลงสำหรับประเภทของผักและผลไม้เมื่อเปรียบเทียบกับประเภทของพืชไร่ แม้ว่าค่านม ปศุสัตว์ และประเภทผสมพืชได้บวก พวกเขาได้อย่างมีนัยสำคัญทางสถิติ ทำการเกษตรอินทรีย์ โดยรวมนั้นยิ่งต้องมีห้องสำหรับพืชไร่และปศุสัตว์ผักและผลไม้ผลการถดถอยโลจิสติกยังเปิดเผยว่า ทรงแบบเกษตรอินทรีย์เกี่ยวข้องอย่างยิ่งกับลักษณะของข้อมูล ขนาดตัวอย่างมากกว่า 100 ถูกเชื่อมโยงอย่างมากกับปมแบบของเกษตรอินทรีย์ (p =.006) เมื่อเทียบกับขนาดตัวอย่างที่ 1 – 20 แหล่งข้อมูลจะได้รับผลประโยชน์แบบของเกษตรอินทรีย์ ค่าสำคัญรองข้อมูลถูกลบ แสดงว่า ทรงแบบเกษตรอินทรีย์มีน้อยโอกาสที่จะได้รับการสนับสนุนข้อมูลรองมากกว่าโดยฟิลด์สำรวจหรือทดลองAlthough other structural variables in the analysis exhibited the expected values, they were not statistically significant. Study period (p = .944), location (p = .799 and .650), measurement method (p = .561 and .540), and farm size (p = .818) did not contribute to the EE benefits of organic farming. The EE benefits of organic farming were modest but not statistically significant for duration (p = .164), measurement unit (p = .160), and cropping pattern (p = .272). These findings suggest that study period and location, measurement unit and method used to estimate EE were not associated with EE benefits for organic farming. However, the EE benefits of organic farming were slightly greater for multi-year data compared to one-year data, monocropping compared to multicropping, and output-based outcome measures (/ton) compared to area-based measures (/ha).ผลการวิเคราะห์บ่งชี้ว่า ทรงแบบเกษตรอินทรีย์ได้เพิ่มเติมทำเครื่องหมายสำหรับตัวอย่างขนาดใหญ่และข้อมูลหลักจากฟิลด์การศึกษาประเภทของพืชไร่ ปศุสัตว์ และพืชหลาย อย่างไรก็ตาม ไม่มีการศึกษาแบบสำรวจฟิลด์หรือทดลองได้ขนาดตัวอย่าง 100 เป็นตาราง 6 บ่งชี้ 27 33 ศึกษากับกลุ่มตัวอย่างขนาด 100 (81.8%) จัดแสดงประโยชน์แบบเกษตรอินทรีย์ ศึกษากับกลุ่มตัวอย่างขนาด 100, 28 การศึกษาตรวจสอบพืชไร่ นม ปศุสัตว์ และ พืชผสม และ 25 (89.3%) การศึกษานี้พบผลแบบดีกว่าการทำเกษตรอินทรีย์ ประเภทพืชศึกษาฟิลด์ ด้วยตัวอย่างเพิ่มเติมในนี้อาจมีโอกาสที่ดีในการค้นหาลักษณะพิเศษแบบเหนือกว่าเกษตรอินทรีย์ได้

ผลลัพธ์ (ไทย) 2:

เพื่อระบุตัวแปรโครงสร้างที่สนับสนุนการ EE ที่เหนือกว่าของเกษตรอินทรีย์, การวิเคราะห์การถดถอยโลจิสติกที่ได้ดำเนินการ ตารางที่ 4 นำเสนอผลซึ่งระบุตัวแปรโครงสร้างที่มีนัยสำคัญที่มีอิทธิพลต่อผลการวิจัยของ EE ที่เหนือกว่าในการทำเกษตรอินทรีย์ รูปแบบการถดถอยโลจิสติกให้เป็นแบบที่ดี สถิติการทดสอบไคสแควร์อย่างมีนัยสำคัญ (p = 0.000) และสถิติทดสอบฮอสเมอร์-Lemeshow ไม่ได้อย่างมีนัยสำคัญ (p = 0.835).
ความดีของพอดีของรูปแบบได้รับการยืนยันโดยความถูกต้องของการจำแนกประเภทซึ่งเป็น 78.18% (ตารางที่ 5) รูปแบบที่เป็นไปได้มากทำนายด้วยความถูกต้อง 90.99% สำหรับกรณีที่ EE สำหรับการทำเกษตรอินทรีย์ได้ดีกว่าในการทำนายตัวแปรผลกระทบ แต่ความถูกต้องของรูปแบบที่เป็นที่ดีสำหรับกรณีที่ EE สำหรับการทำเกษตรอินทรีย์เป็นกลางหรือเชิงลบ ตัวแปรโครงสร้างในการถดถอยโลจิสติกตัวแปรที่คาดการณ์ผลกระทบที่มีความแม่นยำเพียง 51.85% ดังนั้นการวิจัยเพิ่มเติมเป็นสิ่งจำเป็นในการระบุปัจจัยของ EE เป็นกลางหรือเชิงลบสำหรับการทำเกษตรอินทรีย์เมื่อเทียบกับการทำการเกษตรแบบเดิม.
ตัวแปรโครงสร้างของผลิตภัณฑ์แหล่งข้อมูลและขนาดของกลุ่มตัวอย่างมีนัยสำคัญทางสถิติ ผักและผลไม้ประเภทแสดงเชิงลบค่านัยสำคัญทางสถิติแสดงให้เห็นว่าผลประโยชน์ EE ของเกษตรอินทรีย์มีโอกาสน้อยสำหรับประเภทของผักและผลไม้เมื่อเทียบกับประเภทของพืชสนาม แม้ว่าค่าสำหรับนม, ปศุสัตว์และประเภทพืชผสมเป็นบวกพวกเขาไม่ได้อย่างมีนัยสำคัญ โดยรวม, การทำเกษตรอินทรีย์ได้มากขึ้นพบว่ามีแนวโน้มที่จะดีกว่าสำหรับพืชไร่และปศุสัตว์กว่าผักและผลไม้. ผลการถดถอยโลจิสติกยังเผยให้เห็นว่าผลประโยชน์ EE ของเกษตรอินทรีย์มีความสัมพันธ์อย่างมากกับลักษณะของข้อมูล ขนาดตัวอย่างกว่า 100 มีความสัมพันธ์อย่างมีนัยสำคัญกับความเหนือกว่า EE ของเกษตรอินทรีย์ (p = 0.006) เมื่อเทียบกับขนาดตัวอย่างของ 1-20 แหล่งข้อมูลได้รับผลกระทบอย่างมีนัยสำคัญผลประโยชน์ EE ของเกษตรอินทรีย์ ค่าที่สำคัญสำหรับข้อมูลทุติยภูมิเป็นลบแสดงให้เห็นว่าผลประโยชน์ EE ของเกษตรอินทรีย์มีโอกาสน้อยที่จะได้รับการสนับสนุนจากข้อมูลทุติยภูมิกว่าโดยการสำรวจภาคสนามหรือการทดลอง. แม้ว่าตัวแปรโครงสร้างอื่น ๆ ในการวิเคราะห์แสดงค่าที่คาดว่าพวกเขาไม่ได้มีนัยสำคัญทางสถิติ . ระยะเวลาการศึกษา (p = 0.944) สถานที่ตั้ง (p = 0.799 และ 0.650) วิธีการวัด (p = 0.561 และ 0.540) และขนาดฟาร์ม (p = 0.818) ไม่ได้มีส่วนร่วมในผลประโยชน์ของ EE อินทรีย์ การทำฟาร์ม ประโยชน์ EE ของเกษตรอินทรีย์เป็นเจียมเนื้อเจียมตัว แต่ไม่นัยสำคัญทางสถิติในช่วงระยะเวลา (p = 0.164) หน่วยวัด (p = 0.160) และรูปแบบการปลูกพืช (p = 0.272) การค้นพบนี้ชี้ให้เห็นว่าระยะเวลาการศึกษาและสถานที่ตั้งของหน่วยวัดและวิธีการที่ใช้ในการประมาณการ EE ที่ไม่ได้เกี่ยวข้องกับผลประโยชน์ EE สำหรับการทำเกษตรอินทรีย์ แต่ผลประโยชน์ที่ EE ของเกษตรอินทรีย์เล็กน้อยมากขึ้นสำหรับข้อมูลหลายปีเมื่อเทียบกับข้อมูลหนึ่งปีอย่างเดียวเมื่อเทียบกับ multicropping และวัดผลการส่งออกตาม (/ ตัน) เมื่อเทียบกับมาตรการพื้นที่ตาม (/ ไร่). ผลการวิเคราะห์แสดงให้เห็นว่าผลประโยชน์ EE ของเกษตรอินทรีย์ถูกทำเครื่องหมายมากขึ้นสำหรับกลุ่มตัวอย่างขนาดใหญ่และข้อมูลปฐมภูมิจากการศึกษาภาคสนามสำหรับประเภทของพืชไร่ปศุสัตว์และพืชหลาย แต่ไม่มีการศึกษาจาก EE สำรวจภาคสนามหรือการทดลองมีขนาดตัวอย่างมากกว่า 100 ในฐานะที่เป็นตารางที่ 6 แสดงให้เห็น 27 33 การศึกษาที่มีขนาดมากกว่า 100 ตัวอย่าง (81.8%) การจัดแสดงผลประโยชน์ EE สำหรับการทำเกษตรอินทรีย์ จากการศึกษาที่มีขนาดตัวอย่างกว่า 100 28 การศึกษาการตรวจสอบพืชไร่, นม, ปศุสัตว์และพืชผสมและ 25 การศึกษาเหล่านี้ (89.3%) พบว่าผลกระทบ EE ที่ดีกว่าสำหรับการทำเกษตรอินทรีย์ การศึกษาภาคสนามกับตัวอย่างอื่น ๆ ในประเภทพืชเหล่านี้อาจมีโอกาสที่ดีที่จะหาผลกระทบ EE ที่เหนือกว่าสำหรับการทำเกษตรอินทรีย์

ผลลัพธ์ (ไทย) 3:

การระบุโครงสร้างตัวแปรที่สร้างชื่อเสียงให้กับ อี ความเหนือกว่าของเกษตรอินทรีย์ , การวิเคราะห์การถดถอยโลจิสติกกำหนด ตารางที่ 4 แสดงผลซึ่งระบุโครงสร้างตัวแปรที่มีอิทธิพลต่อผลที่เหนือกว่า อี ในฟาร์มเกษตรอินทรีย์ โมเดลการถดถอยโลจิสติกให้พอดี the statistic chi square เขาแวน p = .000 ) และสถิติทดสอบ lemeshow ฮอสเซอเมอร์ ) อย่างมีนัยสำคัญ ( P = . 295 ) .
ความสอดคล้องของแบบจำลองที่ได้รับการยืนยันโดยความถูกต้องของหมวดหมู่ที่ 78.18 % ( ตารางที่ 5 ) แบบจำลองการทำนายมีความถูกต้องสูง 90.99 สําหรับกรณี ซึ่ง เอ ให้เกษตรอินทรีย์เป็นผู้บังคับบัญชาในการทำนายผลของตัวแปร อย่างไรก็ตามความถูกต้องของแบบไม่ดี สำหรับกรณีที่ อี สำหรับเกษตรอินทรีย์ เป็นกลาง หรือ ลบ the variables structural in the logistic หลักการค้าและ effect variable with มันเลย 51.85 % . ดังนั้นการวิจัยเพิ่มเติมเป็นสิ่งจำเป็นเพื่อศึกษาตัวกำหนดเป็นกลางหรือลบ อี สำหรับเกษตรอินทรีย์เมื่อเทียบกับการทำฟาร์มทั่วไป .
ตัวแปรโครงสร้างของผลิตภัณฑ์แหล่งข้อมูล และขนาดตัวอย่างมีความแตกต่างกัน ผักและผลไม้ประเภทจัดแสดงค่านิยมเชิงลบอย่างมีนัยสำคัญทางสถิติ ระบุว่า ประโยชน์ของการทำเกษตรอินทรีย์เป็นอีน้อยมากสำหรับประเภทของผักและผลไม้เมื่อเทียบกับประเภทพืชไร่ . แม้ว่าค่านม , ปศุสัตว์ , และประเภทพืชผสมเป็นบวกพวกเขาไม่ได้เป็นอย่างมีนัยสำคัญทางสถิติ โดยรวม อินทรีย์มีโอกาสพบจะดีกว่าสำหรับพืชไร่ และปศุสัตว์กว่าผักและผลไม้

ผลการถดถอยโลจิสติกพบว่าประโยชน์ของการทำเกษตรอินทรีย์เป็นอีเกี่ยวข้องอย่างมากกับลักษณะของข้อมูลขนาดตัวอย่างมากกว่า 100 มีความสัมพันธ์กับ อี ความเหนือกว่าของเกษตรอินทรีย์ ( P = . 006 ) เมื่อเทียบกับขนาดตัวอย่าง 1 – 20 แหล่งข้อมูลยังมีผลต่ออี ประโยชน์ของเกษตรอินทรีย์ คุณค่าที่สำคัญสำหรับข้อมูลถูกลบ