Latent class analysisThe results fo

Latent class analysis
The results for the competing latent class models are presented in Table 4. The fit indices did not identify clearly which model provided the best explanation of the data (the log-likelihood value, Akaike and Bayesian information criteria and sample size adjusted Bayesian information criterion continued to decrease as the number of classes in the models increased). This was not unexpected, given that we had hypothesised a priori that underlying the categorisation of classes is a dimension of severity. This is not captured by LCA, but can be modelled using FMMA.

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์กลุ่มแฝง
ผลสำหรับรุ่นระดับแฝงถูกนำเสนอในตารางการแข่งขัน 4. ดัชนีพอดีไม่ได้ระบุอย่างชัดเจนซึ่งรูปแบบการให้คำอธิบายที่ดีที่สุดของข้อมูล (ค่าความน่าจะเข้าสู่ระบบ, Akaike และเกณฑ์ข้อมูลแบบเบย์และปรับขนาดของกลุ่มตัวอย่างแบบเบย์ เกณฑ์ข้อมูลอย่างต่อเนื่องเพื่อลดจำนวนของการเรียนในรูปแบบที่เพิ่มขึ้น) นี้ไม่ได้เป็นที่ไม่คาดคิดได้รับที่เราได้สมมุติฐานเบื้องต้นว่าพื้นฐานการจัดหมวดหมู่ของการเรียนเป็นมิติของความรุนแรง นี้ไม่ได้มีการบันทึกโดย LCA แต่สามารถจำลองการใช้ FMMA

ผลลัพธ์ (ไทย) 3:

แฝงการวิเคราะห์ชั้นเรียน
ผลการแข่งขันแฝงคลาสแบบแสดงในตารางที่ 4 . พอดีดัชนีไม่ได้ระบุอย่างชัดเจน แบบที่ให้คำอธิบายที่ดีที่สุดของข้อมูล ( บันทึกโอกาสคุณค่าและเกณฑ์เคราะห์ระบบข้อมูล และขนาดตัวอย่าง ปรับระบบข้อมูลเกณฑ์ยังคงลดลงเป็นจำนวนของชั้นเรียนในรูปแบบเพิ่มขึ้น )นี้คือไม่ระบุว่าเรามีวิชา priori ที่อ้างอิง categorisation ของชั้นเรียนคือมิติของความรุนแรง นี้ไม่ได้ถูกจับโดย LCA , แต่ สามารถจำลองการใช้
สมาคม .