In this analysis, we did not includ

In this analysis, we did not include census-based socioeconomic
variables such as population and GDP, which may be important
driving factors of urban expansion (Liu & Zhou, 2005; Seto et al.,
2011; Wu & Zhang, 2012). We did not include these variables for
two main reasons. First, data for these variables were not available
for the entire study time period. Second, the spatial resolution of
the datasets for these variables was much coarser than that of the
variables used in the logistic regressions. In addition, as these
variables were potentially correlated with the variables included in
the logistic regression models used in this study (Hietel et al., 2007),
not including these variables (i.e., population and GDP) seemed that
it would not greatly affect the model’s performance. In fact, the
values of both the PCPs and the AUCs, indicators of model performance,
were high and very close to those from studies that included
many more variables (Cheng & Masser, 2003; Dubovyk et al., 2011),
suggesting that the main driving factors were included in our
models. It should be noted that the values of Nagelkerke’s R2 were
moderate. This may be because we used presence and absence data
as dependent variable in the regression analysis.

ผลลัพธ์ (ไทย) 1:

ในการวิเคราะห์นี้ เราไม่มีตามสำมะโนประชากรตัวแปรประชากรและ GDP ซึ่งอาจจะสำคัญปัจจัยผลักดันของการขยายตัวเมือง (หลิวและโจว 2005 ไค et al.,2011 วูและเตียว 2012) เราไม่มีตัวแปรเหล่านี้สำหรับเหตุผลหลักสอง ครั้งแรก ข้อมูลสำหรับตัวแปรเหล่านี้ไม่พร้อมใช้งานทั้งการศึกษาระยะเวลาการ วินาที ความละเอียดปริภูมิของdatasets สำหรับตัวแปรเหล่านี้มีมาก coarser กว่าของตัวแปรที่ใช้ใน regressions โลจิสติก นอกจากนี้ เป็นเหล่านี้ตัวแปรอาจ correlated กับตัวแปรที่อยู่ในแบบจำลองการถดถอยโลจิสติกที่ใช้ในการศึกษานี้ (Hietel et al., 2007),ไม่รวมถึงตัวแปรเหล่านี้ (เช่น ประชากรและ GDP) ดูเหมือนที่มันจะไม่มากส่งผลต่อประสิทธิภาพของรูปแบบการ ในความเป็นจริง การค่าของการ PCPs และ AUCs ตัวบ่งชี้ประสิทธิภาพการทำงานแบบจำลองสูง และสวยจากการศึกษาที่อยู่ตัวแปรเพิ่มเติมมากมาย (เฉิงและ Masser, 2003 Dubovyk et al., 2011),แนะนำที่รวมอยู่ในปัจจัยหลักที่ขับรถของเรารูปแบบจำลอง ควรสังเกตว่า ค่าของ Nagelkerke R2 ได้บรรเทา นี้อาจเป็น เพราะเราใช้สถานะและข้อมูลการขาดงานเป็นตัวแปรขึ้นอยู่กับในการวิเคราะห์การถดถอย

ผลลัพธ์ (ไทย) 2:

ในการวิเคราะห์นี้เราไม่ได้รวมการสำรวจสำมะโนประชากรตามทางสังคมและเศรษฐกิจ
ตัวแปรเช่นประชากรและ GDP ซึ่งอาจจะเป็นสิ่งสำคัญ
ที่ผลักดันปัจจัยของการขยายตัวของเมือง (หลิวโจว & 2005; Seto, et al.
2011; Wu & Zhang, 2012) เราไม่ได้รวมถึงตัวแปรเหล่านี้สำหรับ
สองเหตุผลหลัก ครั้งแรกข้อมูลสำหรับตัวแปรเหล่านี้ไม่สามารถใช้ได้
สำหรับช่วงเวลาการศึกษาทั้งหมด ประการที่สองความละเอียดเชิงพื้นที่ของ
ชุดข้อมูลสำหรับตัวแปรเหล่านี้เป็นเรื่องที่หยาบกว่าของ
ตัวแปรที่ใช้ในการวิเคราะห์โลจิสติก นอกจากนี้เหล่านี้เป็น
ตัวแปรที่อาจมีความสัมพันธ์กับตัวแปรที่อยู่ใน
รูปแบบการถดถอยโลจิสติกที่ใช้ในการศึกษาครั้งนี้ (Hietel et al., 2007)
ไม่รวมถึงตัวแปรเหล่านี้ (เช่นประชากรและ GDP) ดูเหมือนว่า
มันจะไม่ส่งผลกระทบต่ออย่างมาก ประสิทธิภาพของแบบจำลอง ในความเป็นจริง
ค่าของทั้งสอง PCPs และ AUCS ตัวชี้วัดของการปฏิบัติงานรุ่น
อยู่ในระดับสูงและใกล้ชิดกับผู้ที่มาจากการศึกษาที่รวม
ตัวแปรอื่น ๆ อีกมากมาย (Cheng & Masser 2003; Dubovyk et al, 2011.)
ชี้ให้เห็นว่า ปัจจัยขับเคลื่อนหลักถูกรวมอยู่ในของเรา
รุ่น มันควรจะตั้งข้อสังเกตว่าค่านิยมของ Nagelkerke ของ R2 อยู่
ในระดับปานกลาง ซึ่งอาจเป็นเพราะเราใช้การแสดงตนและการขาดข้อมูลที่
เป็นตัวแปรในการวิเคราะห์การถดถอย

ผลลัพธ์ (ไทย) 3:

ในการวิเคราะห์นี้เราไม่ได้มีการสำรวจสำมะโนประชากรตามสังคมเศรษฐกิจ
ตัวแปรเช่นประชากรและเศรษฐกิจ ซึ่งอาจจะสำคัญ
ขับรถปัจจัยการขยายตัวของชุมชนเมือง ( หลิว&โจว , 2005 ; เซโตะ et al . ,
2011 ; หู& Zhang , 2012 ) เราไม่ได้รวมถึงตัวแปรเหล่านี้
2 เหตุผลหลัก แรก , ข้อมูลสำหรับตัวแปรเหล่านี้ไม่สามารถใช้ได้
ตลอดการศึกษาระยะเวลา ประการที่สอง ความละเอียดเชิงพื้นที่ของ
มีข้อมูลสำหรับตัวแปรเหล่านี้มากหยาบกว่าของ
ตัวแปรที่ใช้ในสมการถดถอยโลจิสติก นอกจากนี้ยังเป็นตัวแปรเหล่านี้มีความสัมพันธ์กับตัวแปรที่อาจเกิดขึ้น

ถดถอยโลจิสติกรวมอยู่ในแบบจำลองที่ใช้ในการศึกษา ( hietel et al . , 2007 ) ,
ไม่รวมทั้งตัวแปรเหล่านี้ ( เช่น ประชากร และผลิตภัณฑ์มวลรวมภายในประเทศ ) ดูเหมือนว่า
จะไม่มีผลต่อประสิทธิภาพของแบบในความเป็นจริง ,
ค่าของทั้งสองเครื่อง PCPS และ aucs , ตัวชี้วัดประสิทธิภาพของแบบจำลอง
สูงและอยู่ใกล้กับเหล่านั้นจากการศึกษาที่รวม
หลายตัวแปร ( เฉิง&บีบ , 2003 ; dubovyk et al . , 2011 ) ,
ชี้ให้เห็นว่าปัจจัยผลักดันหลักถูกรวมอยู่ในรุ่นของเรา

มันควรจะสังเกตว่าค่าของจำนวน nagelkerke R2
ปานกลางนี้อาจเป็นเพราะเราใช้แสดงตนและการขาดข้อมูล
เป็นขึ้นอยู่กับตัวแปรในการวิเคราะห์การถดถอย