Past studies discovered that SDSS h

Past studies discovered that SDSS has a number of limitations.
Research explains that using logically consistent, mathematically
valid methods of assigning weights is critical in SDSS operation
(Boroushaki & Malczewski, 2010; Chen, Yu, & Khan, 2010; Wang &
Zou, 2010). Weight distribution is unavoidable because inputs
contribute differently to the degree of suitability. However,
consistent application is required to ensure reproducible results. In
addition, in the case of a wide ranges of variables selected in SDSS
practice, the effect of each input on the final outcome becomes hard
to articulate. For example, if 40 different variables are used to
model the suitability and the conventionally accepted, 1-to-9-scale
(Ishizaka & Labib, 2011; Saaty, 2013) was implemented, the effect of
each variable on the final outcome can hardly be distinguished
because of the minimal difference in its weight allocation.
Suggested solutions to this shortcoming are variable grouping
and scenario comparison. Input data, regardless of their types, are
converted to relative ratings representing high to low suitability.
They can be grouped by biases, paradigms, goals, prejudices and
objective categorization, creating a range of scenarios (Hill, Braaten,
Veitch, Lees, & Sharma, 2005; Kiker et al. 2005; Malczewski, 2006).
The past experiences reveal that groups are made mostly with
intuitive approaches, requiring for a more reliable procedure (Hill
et al. 2005). A plausible solution is a statistical method, factor
analysis. Factor analysis describes the variability in observed variables
in extent to their underlying structures (Brown, 2006; Byrne,
2013). Variations in observed variables mainly reflect the variations
in one common ground (Brown, 2006; Byrne, 2013). Therefore,
factor analysis in SDSS builds an unbiased grouping process as it is
based on input data characteristics. No intuitive coordination or
personal bias involves. Once factor structure is obtained, users
expect to have an alternative that is particularly sensitive to each
group’s underlying characteristic. For example, if a factor consists of
hydrologic units, such as wetlands and floodplain, the outcome
stemming from this group will represent strong preference on
water resources. In other words, a development scenario can be
drawn with regard to the greater sensitivity in water resources.
Furthermore, merging CFA into SDSS process gives more interpretable
outcome evaluation. The other limitation in SDSS, lack of
systematic ways to test the goodness of alternatives occurs
when there are no proper ways to interpret the result (Kim,
Wunneburger, Nueman, & An, 2014; Kourtit, Macharis, &
Nijkamp, 2014; Uran & Janssen, 2003). Once factor structure is
established, however, users can easily distinguish the differences
between factors. Each group of variables has distinctive meaning
that is not redundant or repetitive and thus, the induced outcome
has different degrees of advantages or disadvantages. In this case,
users find a practical foundation to compare the outcome and are
able to choose the most suiting option for their shared interest.
Another advantage of having groups instead of a large number
of individual inputs is in increased sensitivity. As the number of
items for external weights reduces, their effects on the final
outcome increase. Instead of using a large pool of weights for many
input variables, utilizing lesser numbers of groups based on factor
analysis result enhances the sensitivity of weight effect. As indicated,
allocating the conventionally accepted 1-to-9 scale (Ishizaka
& Labib, 2011; Saaty, 2013) to 40 variables would not create
distinctive differences in the final effect. Rather, generating 5
groups with the 40 variables at first, and then use the same scale
would yield higher sensitivity because the number of inputs to be
weighted reduce from 40 to 5.
As can be seen, past literature summarizes shortcomings of
SDSS in two folds: 1) systematic weighting and grouping process;
and 2) more interpretable outcome evaluation approach. This study
incorporates confirmatory factor analysis (CFA) in the SDSS process
to increase logical consistency in variable grouping. In addition, the
final output will be examined with the suitability matrix to validate
the result of the proposed SDSS. Below are the main research
questions.
Q1: Using confirmatory factor analysis, do input variables group
based on their underlying implications?
Q2: Does the suitability matrix reflects each route’s suitability
score based on its emphasis?

ผลลัพธ์ (ไทย) 1:

ศึกษาที่ผ่านมาพบว่า SDSS มีจำนวนจำกัดงานวิจัยอธิบายว่า ใช้เหตุผลสอดคล้องกัน mathematicallyวิธีที่ถูกต้องของการกำหนดน้ำหนักเป็นสิ่งสำคัญในการดำเนินงาน SDSS(Boroushaki & Malczewski, 2010 เฉิน ยู และ Khan, 2010 วังและZou, 2010) กระจายน้ำหนักเป็นต้นเนื่องจากปัจจัยการผลิตมีส่วนร่วมแตกต่างกันกับระดับของความเหมาะสม อย่างไรก็ตามจำเป็นต้องใช้โปรแกรมประยุกต์ที่สอดคล้องกันเพื่อให้ผลการจำลอง ในนอกจากนี้ ในกรณีของช่วงกว้างของตัวแปรที่เลือกใน SDSSปฏิบัติ ผลของการป้อนข้อมูลแต่ละผลลัพธ์สุดท้ายกลายเป็นยากออกเสียง ตัวอย่างเช่น ถ้าใช้ตัวแปรต่าง ๆ 40รูปแบบความเหมาะสมและที่ดียอมรับ 1 ไป-9-มาตราส่วน(Ishizaka & Labib, 2011 ดำเนินการ Saaty, 2013) ผลของการแต่ละตัวแปรผลลัพธ์ขั้นสุดท้ายสามารถแทบไม่แตกต่างเนื่องจากความแตกต่างน้อยที่สุดในการปันส่วนของน้ำหนักแนะนำวิธีแก้ไขปัญหานี้คงจะจัดกลุ่มตัวแปรและเปรียบเทียบสถานการณ์ มีข้อมูลการป้อนเข้า โดยไม่คำนึงถึงชนิดของพวกเขาแปลงเป็นญาติอันดับสูงแสดงถึงความเหมาะสมต่ำพวกเขาสามารถถูกจัดกลุ่มตามยอม paradigms เป้าหมาย อคติ และจัดประเภทวัตถุประสงค์ สร้างช่วงสถานการณ์ (Hill, BraatenVeitch ลีส์ และ Sharma, 2005 Al. ร้อยเอ็ด kiker 2005 Malczewski, 2006)ประสบการณ์ผ่านมาเปิดเผยว่า กลุ่มที่ทำส่วนใหญ่ด้วยวิธีใช้งานง่าย ในการขั้นตอนที่เชื่อถือได้มากขึ้น (ฮิลล์ร้อยเอ็ด al. 2005) แก้ไขปัญหาเป็นไปได้คือ วิธีการทางสถิติ ปัจจัยวิเคราะห์ วิเคราะห์ปัจจัยที่อธิบายความแปรผันในตัวแปรสังเกตในขอบเขตการโครงสร้างพื้นฐานของพวกเขา (สีน้ำตาล 2006 Byrne2013) การเปลี่ยนแปลงในตัวแปรที่สังเกตส่วนใหญ่สะท้อนให้เห็นถึงรูปแบบในดินทั่วไปหนึ่ง (สีน้ำตาล 2006 Byrne, 2013) ดังนั้นการวิเคราะห์ปัจจัยใน SDSS สร้างกระบวนการกลุ่มคนซึ่งเป็นตามลักษณะของข้อมูลที่ป้อนเข้า ประสานงานไม่ง่าย หรือความโน้มเอียงที่บุคคลเกี่ยวข้องกับ เมื่อโครงสร้างปัจจัยได้รับ ผู้ใช้คาดว่าจะมีทางเลือกที่สำคัญโดยเฉพาะอย่างยิ่งแต่ละกลุ่มของต้นลักษณะ ตัวอย่างเช่น ถ้าตัวประกอบด้วยหน่วยอุทกวิทยา พื้นที่ชุ่มน้ำ และ floodplain ผลลัพธ์อันเนื่องมาจากกลุ่มนี้จะแสดงถึงความแข็งแกร่งในทรัพยากรน้ำ ในคำอื่น ๆ สถานการณ์พัฒนาสามารถออกตามความไวมากขึ้นในทรัพยากรน้ำนอกจากนี้ ผสาน CFA เป็น SDSS กระบวนการให้มากขึ้น interpretableการประเมินผลการ ข้อจำกัดอื่น ๆ ใน SDSS ขาดวิธีระบบในการทดสอบความดีทางเลือกเกิดขึ้นเมื่อมีวิธีไม่เหมาะสมในการแปลผล (คิมWunneburger, Nueman และ อัน 2014 Kourtit, Macharis, &Nijkamp, 2014 Uran & Janssen, 2003) เมื่อโครงสร้างสัดส่วนก่อตั้งขึ้น อย่างไรก็ตาม ผู้ใช้สามารถได้แยกแยะความแตกต่างระหว่างปัจจัย แต่ละกลุ่มของตัวแปรมีความหมายโดดเด่นที่ไม่ซ้ำซ้อน หรือซ้ำ และดัง ผลลัพธ์ที่อาจมีองศาที่แตกต่างกันของข้อดีหรือข้อเสีย ในกรณีนี้ผู้ใช้ค้นหารากฐานปฏิบัติการเปรียบเทียบผล และมีสามารถเลือกตัวเลือกที่สุด suiting สำหรับผู้สนใจร่วมประโยชน์อีกประการหนึ่งของกลุ่มแทนเป็นจำนวนมากของแต่ละอินพุตได้ในความไวเพิ่มขึ้น เป็นจำนวนรายการภายนอกน้ำหนักลด ผลสุดท้ายผลที่ได้เพิ่มขึ้น แทนที่จะใช้เป็นสระขนาดใหญ่น้ำหนักมากตัวแปรอินพุต ใช้จำนวนกลุ่มตามสัดส่วนที่น้อยกว่าผลการวิเคราะห์ช่วยเพิ่มความไวของน้ำหนักผล ตามที่ระบุมาตราส่วน 1 ต่อ 9 ยอมรับดี (Ishizaka การปันส่วน& Labib, 2011 Saaty, 2013) กับตัวแปรที่ 40 จะไม่สร้างความแตกต่างที่โดดเด่นในผลสุดท้าย ค่อนข้าง สร้าง 5กลุ่มที่ มีตัวแปร 40 ครั้งแรก แล้ว ใช้สเกลเดียวกันจะผลผลิตความไวสูงเนื่องจากจำนวนของอินพุตจะน้ำหนักลดจาก 40 5ที่สามารถมองเห็น วรรณกรรมที่ผ่านมาสรุปของSDSS ในพับ 2: 1) น้ำหนัก และจัดกระบวนการและ 2) วิธีการประเมินผล interpretable เพิ่มเติม การศึกษานี้ประกอบด้วยการวิเคราะห์ปัจจัยเสร็จ (CFA) ในกระบวนการ SDSSเพื่อเพิ่มความสอดคล้องกันทางตรรกะในการจัดกลุ่มตัวแปร แห่งผลลัพธ์สุดท้ายจะถูกตรวจสอบกับเมทริกซ์ความเหมาะสมเพื่อตรวจสอบผลของ SDSS เสนอ มีงานวิจัยหลักคำถามนี้ไตรมาสที่ 1: ใช้วิเคราะห์ปัจจัยเสร็จ เข้ากลุ่มตัวแปรตามผลการสอบหรือไม่Q2: ไม่เมตริกซ์เหมาะสมสะท้อนให้เห็นถึงความเหมาะสมของแต่ละเส้นทางคะแนนตามความสำคัญของ

ผลลัพธ์ (ไทย) 2:

การศึกษาที่ผ่านมาพบว่า SDSS มีจำนวน จำกัด .
วิจัยอธิบายว่าการใช้ที่สอดคล้องเหตุผลทางคณิตศาสตร์วิธีการที่ถูกต้องของน้ำหนักการกำหนดเป็นสิ่งสำคัญในการดำเนินงาน SDSS (Boroushaki และ Malczewski 2010; เฉินหยูและ Khan, 2010; วังและZou 2010 ) การกระจายน้ำหนักที่หลีกเลี่ยงไม่ได้เพราะปัจจัยการผลิตที่มีส่วนร่วมในระดับที่แตกต่างกันของความเหมาะสม อย่างไรก็ตามแอพลิเคชันที่สอดคล้องกันเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าผลลัพธ์ที่เที่ยงตรง ในนอกจากนี้ในกรณีที่มีช่วงกว้างของตัวแปรเลือกใน SDSS ปฏิบัติผลของการป้อนข้อมูลในแต่ละผลสุดท้ายกลายเป็นยากที่จะเป็นปล้อง ตัวอย่างเช่นถ้า 40 ตัวแปรที่แตกต่างกันจะใช้ในรูปแบบที่เหมาะสมและได้รับการยอมรับตามอัตภาพ 1-to-9 ขนาด (Ishizaka และ Labib 2011; Saaty 2013) ถูกนำมาใช้ผลของแต่ละตัวแปรในผลสุดท้ายแทบจะไม่สามารถจะประสบความสำเร็จเพราะความแตกต่างที่น้อยที่สุดในการจัดสรรน้ำหนักของมัน. แก้ปัญหาข้อบกพร่องในการจัดกลุ่มนี้ตัวแปรและการเปรียบเทียบสถานการณ์ ป้อนข้อมูลโดยไม่คำนึงถึงประเภทของพวกเขาจะถูกแปลงให้คะแนนของญาติที่เป็นตัวแทนของสูงเพื่อความเหมาะสมในระดับต่ำ. พวกเขาสามารถจัดกลุ่มตามอคติกระบวนทัศน์เป้าหมายอคติและหมวดหมู่ที่มีวัตถุประสงค์ในการสร้างช่วงของสถานการณ์ (ฮิลล์ Braaten, Veitch, กากและ ชาร์ 2005 Kiker et al, 2005;.. Malczewski 2006) ประสบการณ์ที่ผ่านมาแสดงให้เห็นว่ากลุ่มที่จะทำส่วนใหญ่มีวิธีการที่ใช้งานง่ายต้องใช้สำหรับขั้นตอนน่าเชื่อถือมากขึ้น (Hill et al, 2005). วิธีการแก้ปัญหาที่เป็นไปได้เป็นวิธีการทางสถิติปัจจัยการวิเคราะห์ การวิเคราะห์ปัจจัยอธิบายความแปรปรวนในตัวแปรที่สังเกตได้ในขอบเขตที่โครงสร้างพื้นฐานของพวกเขา (บราวน์ 2006 เบิร์น 2013) การเปลี่ยนแปลงในตัวแปรที่สังเกตส่วนใหญ่สะท้อนให้เห็นถึงการเปลี่ยนแปลงในพื้นดินทั่วไป (บราวน์ 2006 เบิร์น 2013) ดังนั้นการวิเคราะห์ปัจจัยในการ SDSS สร้างกระบวนการการจัดกลุ่มที่เป็นกลางขณะที่มันจะขึ้นอยู่กับลักษณะการป้อนข้อมูล ไม่มีการประสานงานที่ใช้งานง่ายหรืออคติส่วนบุคคลที่เกี่ยวข้องกับการ เมื่อโครงสร้างปัจจัยที่จะได้รับผู้ใช้คาดว่าจะมีทางเลือกที่มีความสำคัญโดยเฉพาะกับแต่ละลักษณะพื้นฐานของกลุ่ม ตัวอย่างเช่นถ้าปัจจัยประกอบด้วยหน่วยอุทกวิทยาเช่นพื้นที่ชุ่มน้ำและที่ราบน้ำท่วมถึงผลที่เกิดจากกลุ่มนี้จะเป็นตัวแทนของการตั้งค่าที่แข็งแกร่งในแหล่งน้ำ ในคำอื่น ๆ สถานการณ์การพัฒนาสามารถดึงออกมาในเรื่องเกี่ยวกับความไวมากขึ้นในแหล่งน้ำ. นอกจากนี้ CFA ผสานเข้าสู่กระบวนการ SDSS interpretable ให้มากขึ้นการประเมินผล ข้อ จำกัด ใน SDSS ขาดวิธีการที่เป็นระบบในการทดสอบความดีของทางเลือกที่เกิดขึ้นเมื่อไม่มีวิธีการที่เหมาะสมในการตีความผล(คิมWunneburger, Nueman และอัน, 2014; Kourtit, Macharis และNijkamp 2014; Uran & แจนส์, 2003) เมื่อโครงสร้างปัจจัยที่มีการจัดตั้งขึ้นแต่ผู้ใช้สามารถแยกแยะความแตกต่างระหว่างปัจจัย กลุ่มของตัวแปรแต่ละคนมีความหมายที่โดดเด่นที่ไม่ซ้ำซ้อนหรือซ้ำ ๆ และทำให้เกิดผลที่มีองศาที่แตกต่างของข้อได้เปรียบหรือข้อเสีย ในกรณีนี้ผู้ใช้สามารถค้นหารากฐานในทางปฏิบัติเพื่อเปรียบเทียบผลและมีความสามารถที่จะเลือกตัวเลือกที่มากที่สุดสมกับท่านที่ให้ความสนใจร่วมกัน. ประโยชน์ของการมีกลุ่มแทนที่จะเป็นจำนวนมากอีกประการหนึ่งของปัจจัยการผลิตของแต่ละบุคคลที่อยู่ในความไวที่เพิ่มขึ้น ขณะที่จำนวนของรายการสำหรับการลดน้ำหนักภายนอกผลกระทบของพวกเขาในรอบสุดท้ายผลที่เพิ่มขึ้น แทนการใช้สระว่ายน้ำขนาดใหญ่น้ำหนักหลายตัวแปรโดยใช้ตัวเลขที่น้อยกว่าของกลุ่มตามปัจจัยที่ผลการวิเคราะห์จะช่วยเพิ่มความไวของผลน้ำหนัก ตามที่ระบุไว้, การจัดสรรได้รับการยอมรับตามอัตภาพ 1-to-9 ขนาด (Ishizaka และ Labib 2011; Saaty 2013) ถึง 40 ตัวแปรที่จะไม่สร้างความแตกต่างที่โดดเด่นในผลสุดท้าย แต่การสร้าง 5 กลุ่มที่มี 40 ตัวแปรที่แรกและจากนั้นใช้ขนาดเดียวกันจะให้ผลผลิตไวสูงขึ้นเนื่องจากจำนวนของปัจจัยการผลิตที่จะถ่วงน้ำหนักลดจาก40 5. ที่สามารถเห็นวรรณกรรมที่ผ่านมาสรุปข้อบกพร่องของSDSS ในสองเท่า 1) น้ำหนักระบบและกระบวนการจัดกลุ่ม; และ 2) วิธีการประเมินผล interpretable มากขึ้น การศึกษาครั้งนี้ประกอบด้วยการวิเคราะห์องค์ประกอบเชิงยืนยัน (CFA) ในกระบวนการ SDSS เพื่อเพิ่มความมั่นคงในการจัดกลุ่มตรรกะตัวแปร นอกจากนี้ผลสุดท้ายจะได้รับการตรวจสอบกับเมทริกซ์ความเหมาะสมในการตรวจสอบผลการเสนอSDSS ด้านล่างมีการวิจัยหลักคำถาม. ไตรมาสที่ 1: การใช้การวิเคราะห์องค์ประกอบเชิงยืนยันทำกลุ่มตัวแปรขึ้นอยู่กับความหมายพื้นฐานของพวกเขาQ2: เมทริกซ์ไม่เหมาะสมสะท้อนให้เห็นถึงความเหมาะสมของแต่ละเส้นทางคะแนนขึ้นอยู่กับความสำคัญของตนหรือไม่

ผลลัพธ์ (ไทย) 3:

การศึกษาที่ผ่านมาพบว่ามีจำนวนของข้อ จำกัด sdss .
วิจัยอธิบายว่า การใช้ตรรกะทางคณิตศาสตร์สอดคล้อง , ถูกต้องวิธีการกำหนดน้ำหนัก

สําคัญในการ sdss ( boroushaki & malczewski , 2010 ; เฉิน ยู &ข่าน , 2010 ; วัง&
Zou , 2010 ) การกระจายน้ำหนัก ก็หลีกเลี่ยงไม่ได้ เพราะกระผม
จัดสรรแตกต่างกันในระดับที่เหมาะสม อย่างไรก็ตาม
การประยุกต์ใช้ที่สอดคล้องกันคือ ต้องให้แน่ใจว่าผลลัพธ์ซ้ํา ใน
นอกจากนี้ในกรณีของช่วงกว้างของตัวเลือกใน sdss
ปฏิบัติ ผลของปัจจัยแต่ละผลสุดท้ายกลายเป็นยาก
ให้ชัดเจน ตัวอย่างเช่น ถ้า 40 ตัวแปรต่าง ๆที่ใช้
รูปแบบความเหมาะสมและโดยทั่วไปยอมรับ 1-to-9-scale
( อิชิซากะ& labib 2011 ; saaty 2013 ) คือใช้ผลของตัวแปรแต่ละตัวในผลสุดท้าย

เพราะแทบจะแยกแยะความแตกต่างของน้ำหนักน้อยที่สุดในการแก้ไขข้อบกพร่องนี้ .
แนะนำเป็นตัวแปรแบ่งกลุ่ม
และเปรียบเทียบสถานการณ์ ข้อมูล โดยไม่คำนึงถึงชนิดของพวกเขา แปลงคะแนนสูงญาติแทน

เพื่อความเหมาะสมต่ำ พวกเขาสามารถจัดกลุ่มด้วยอคติ กระบวนทัศน์ เป้าหมายอคติและ
วิภัตติวัตถุประสงค์การสร้างช่วงของสถานการณ์ ( Hill , บราเอเทิ่น
ไวช์ , ตะกอน , & Sharma , 2005 ; ไคเคอร์ et al . malczewski 2005 , 2006 ) .
ประสบการณ์ที่ผ่านมาพบว่า กลุ่มที่ทำส่วนใหญ่จะเป็นวิธีที่ใช้งานง่าย
ที่ต้องการสำหรับกระบวนการที่เชื่อถือได้ ( เนินเขา
et al . 2005 ) โซลูชั่นที่น่าเชื่อถือคือ วิธีการทางสถิติ การวิเคราะห์ปัจจัย

การวิเคราะห์ปัจจัยอธิบายความแปรปรวนในตัวแปรสังเกต
ในขอบเขตของโครงสร้างต้นแบบ ( สีน้ำตาล , 2006 ; Byrne
2013 ) การเปลี่ยนแปลงในตัวแปรสังเกตส่วนใหญ่สะท้อนให้เห็นถึงการเปลี่ยนแปลง
ในพื้นดินทั่วไป ( สีน้ำตาล , 2006 ; เบิร์น , 2013 ) ดังนั้น
การวิเคราะห์ปัจจัยใน sdss สร้างกระบวนการกลุ่มที่เป็นกลางเป็น
ตามข้อมูลลักษณะ ใช้งานง่าย ไม่มีการประสานงานหรือ
อคติส่วนบุคคลที่เกี่ยวข้องกับ เมื่อปัจจัยโครงสร้างที่ได้รับผู้ใช้
คาดว่าจะมีทางเลือกที่สําคัญโดยเฉพาะแต่ละกลุ่ม
) ลักษณะ ตัวอย่างเช่น ถ้าปัจจัยประกอบด้วย
หน่วยอุทกวิทยา เช่นชายเลนและน้ำท่วม , ผล
ที่เกิดจากกลุ่มนี้จะเป็นตัวแทนของความต้องการที่แข็งแกร่งใน
ทรัพยากรน้ำ ในคำอื่น ๆการพัฒนาสถานการณ์สามารถ
วาดเกี่ยวกับการมากขึ้นความไวในแหล่งน้ำ .
นอกจากนี้ การผสานความรู้ในกระบวนการ sdss ทำให้การประเมิน interpretable
เพิ่มเติม ข้อจำกัดอื่น ๆใน sdss ขาด
วิธีระบบเพื่อทดสอบความสอดคล้องของทางเลือกเกิดขึ้น
เมื่อไม่มีวิธีที่เหมาะสมในการตีความผล ( คิม wunneburger nueman &
, , , 2014 ; kourtit macharis & , ,
nijkamp 2014 ; Uran Janssen & ,2003 ) เมื่อโครงสร้างปัจจัย
ก่อตั้งขึ้น อย่างไรก็ตาม ผู้ใช้สามารถแยกแยะความแตกต่าง
ระหว่างปัจจัย ในแต่ละกลุ่มของตัวแปรได้
ความหมายโดดเด่นที่ไม่ซ้ำซ้อนหรือเกิดซ้ำและดังนั้นผล
มีองศาที่แตกต่างของข้อดี หรือข้อเสีย ในกรณีนี้
ผู้ใช้หามูลนิธิปฏิบัติเพื่อเปรียบเทียบผลและ
สามารถเลือกตัวเลือกที่ใช้ร่วมกันของพวกเขามากที่สุดเหมาะสำหรับความสนใจ .
อีกประโยชน์ของการมีกลุ่ม แทนที่จะเป็นจำนวนมากของกระผม
บุคคลจะเพิ่มความไว เป็นหมายเลขของ
รายการสำหรับน้ำหนักภายนอกลดผลกระทบต่อเพิ่มผลสุดท้าย

แทนที่จะใช้พูขนาดใหญ่น้ำหนักหลายตัวแปรโดยใช้ตัวเลขที่น้อยกว่าของกลุ่ม

ตามปัจจัยการวิเคราะห์ผลช่วยเพิ่มความไว ของน้ำหนักผล ตามที่ระบุไว้ , การยอมรับโดยทั่วไป 1-to-9
ขนาด ( อิชิซากะ
& labib 2011 ; saaty 2013 ) 40 ตัวแปรจะไม่สร้างความแตกต่างที่โดดเด่นใน
ผลขั้นสุดท้าย แต่การสร้าง 5
กลุ่ม 40 ตัวในตอนแรก แล้วใช้
ขนาดเดียวกันเพิ่มสูงขึ้นไวเพราะจำนวนของปัจจัยการผลิตจะ
น้ำหนักลดจาก 40 5 .
ทั้งนี้ วรรณกรรมสรุปข้อบกพร่องของ
sdss ใน 2 ประการ คือ 1 ) ระบบน้ำหนักและการจัดกลุ่มกระบวนการ ;
2 ) ผลการประเมิน interpretable มากกว่าวิธีการ การศึกษา
ประกอบด้วยการวิเคราะห์องค์ประกอบเชิงยืนยัน ( CFA ) ในกระบวนการ sdss
เพิ่มตรรกะความสอดคล้องในตัวแปรจัดกลุ่ม . นอกจากนี้
ผลลัพธ์สุดท้ายจะถูกตรวจสอบกับความเหมาะสมเมทริกซ์เพื่อตรวจสอบผลของการเสนอ sdss
. ด้านล่างเป็นคำถามวิจัย

1 หลัก โดยใช้การวิเคราะห์องค์ประกอบเชิงยืนยัน ทำ
กลุ่มตัวแปรตาม ( ผล ?
2 มีความเหมาะสม เมทริกซ์ สะท้อนให้เห็นถึงคะแนนความเหมาะสม
เส้นทางแต่ละขึ้นอยู่กับการเน้น ?