Reliability of dataThis section is

Reliability of data

This section is essential for confirming reliability of factor analysis data because there are 60 items of survey data. Cronbach’s coefficient alpha is used to measure the scale reliability for 10 factor items. The coefficient of Cronbach’s alpha is nearly 1 (0.880). This indicates an acceptable internal consistency reliability of the mea- surements in this study according to Amelia and Larry (1999).

Relationship between each factor for multimodal transportation selecting

According to Tamene et al. (2006), the Pearson correlation is often used to describe the relationship between each factor. Therefore, a set of the Pearson correlation analysis is conducted to identify relationships between each factor. Each factor is related at least one other factor. In this case, all factors are significant for selecting multimodal transportation route. Factor analysis can be used to group the factor component in this case.
In order to ensure proper application of this technique, we inspected several indices, such as the KMO (Kaiser–Meyer–Olkin) measure and Bartlett’s test of sphericity. The KMO measure is a measure of sampling adequacy. Generally, this indicator should be 0.5 or greater Ghosh and Jintanapakanont (2004). The KMO measure is 0.714, indicating that the sample is adequate for a factor analysis. Bartlett’s test of sphericity tests the hypothesis that the variance and covariance matrices are identity matrices. An identity matrix is one in which there are ones in the diagonal, and zeros in the off-diagonal. If this is the case, then the variables would be completely unrelated and a factor analysis is inap- propriate for this type of data. Bartlett’s test of sphericity was
w2 ¼ 481.798 (df ¼ 45, p ¼ 0.05), indicating that a factor analysis is
appropriate (Merkle et al., 1998).

Factor extraction

The number of factor component
From Appendix Table A1, the first of three factors has eigenva- lues more than 1, according to Amelia and Larry (1999), and is extracted with approximately 79.636% of the variance explained. Since the fourth factor has an eigenvalue of 0.58 and would possibly contribute an additional 5.873% of variance, a second analysis (Rotation Sum of Squared Loadings) is completed, forcing

ผลลัพธ์ (ไทย) 1:

Reliability of dataThis section is essential for confirming reliability of factor analysis data because there are 60 items of survey data. Cronbach’s coefficient alpha is used to measure the scale reliability for 10 factor items. The coefficient of Cronbach’s alpha is nearly 1 (0.880). This indicates an acceptable internal consistency reliability of the mea- surements in this study according to Amelia and Larry (1999).Relationship between each factor for multimodal transportation selectingAccording to Tamene et al. (2006), the Pearson correlation is often used to describe the relationship between each factor. Therefore, a set of the Pearson correlation analysis is conducted to identify relationships between each factor. Each factor is related at least one other factor. In this case, all factors are significant for selecting multimodal transportation route. Factor analysis can be used to group the factor component in this case.เพื่อให้เหมาะสมประยุกต์เทคนิคนี้ เราตรวจสอบดัชนีหลาย KMO (นิคม – Meyer – Olkin) หน่วยวัดและทดสอบของในบาร์ตเลต sphericity วัด KMO มีวัดสุ่มตัวอย่างเพียงพอ ทั่วไป ตัวบ่งชี้นี้ควรเป็น 0.5 หรือมากกว่าภโฆษและ Jintanapakanont (2004) วัด KMO มี 0.714 บ่งชี้ว่า ตัวอย่างเพียงพอสำหรับการวิเคราะห์ปัจจัย ทดสอบของในบาร์ตเลต sphericity ทดสอบสมมติฐานเมทริกซ์ความแปรปรวนและความแปรปรวนร่วมของเมทริกซ์เอกลักษณ์ เมทริกซ์เอกลักษณ์เป็นหนึ่งซึ่งมีคนในทแยงมุม และศูนย์ในปิดทแยงมุม ถ้าเป็นกรณีนี้ แล้ว ตัวแปรจะไม่ได้เกี่ยวข้อง และทันจังอินัป propriate สำหรับชนิดของข้อมูลเป็นการวิเคราะห์ปัจจัย การทดสอบของในบาร์ตเลตของ sphericityw2 ¼ 481.798 (p, df ¼ 45 ¼ 0.05), การวิเคราะห์ปัจจัยที่บ่งชี้ว่าเหมาะสม (Merkle et al., 1998)แยกสัดส่วนจำนวนสัดส่วนของส่วนประกอบจากภาคผนวกตาราง A1, first ปัจจัยที่สามมี eigenva lues มากกว่า 1 ตามอาเมเลียเบและ Larry (1999), และสกัดประมาณ 79.636% ของความแปรปรวนที่อธิบาย ตั้งแต่ตัวที่สี่มีการ eigenvalue 0.58 และอาจจะนำการ% 5.873 เพิ่มเติมของผลต่าง วิเคราะห์สอง (หมุนผลรวมของลอการิทึม Loadings) เสร็จสมบูรณ์ การบังคับ

ผลลัพธ์ (ไทย) 2:

ความน่าเชื่อถือของข้อมูลส่วนนี้เป็นสิ่งจำเป็นสำหรับความน่าเชื่อถือปรับอากาศสาย rming ข้อมูลวิเคราะห์ปัจจัยเพราะมี 60 รายการข้อมูลการสำรวจ COEF ครอนบาคของสายอัลฟาเพียงพอใช้ในการวัดความน่าเชื่อถือขนาด 10 รายการปัจจัย สาย COEF เพียงพอของอัลฟาครอนบาคเป็นเกือบ 1 (0.880) นี้บ่งชี้ว่าความน่าเชื่อถือที่ยอมรับความสอดคล้องภายในของ surements เด็ดขาดในการศึกษาครั้งนี้เป็นไปตามอเมเลียและลาร์รี่ (1999). ความสัมพันธ์ระหว่างปัจจัยแต่ละเลือกการขนส่งต่อเนื่องหลายรูปตามที่ Tamene et al, (2006), ความสัมพันธ์เพียร์สันมักจะใช้เพื่ออธิบายความสัมพันธ์ระหว่างแต่ละปัจจัย ดังนั้นชุดของการวิเคราะห์ความสัมพันธ์เพียร์สันจะดำเนินการในการระบุความสัมพันธ์ระหว่างแต่ละปัจจัย ปัจจัยที่เกี่ยวข้องกับแต่ละอย่างน้อยหนึ่งปัจจัยอื่น ๆ ในกรณีนี้ทั้งหมดเป็นปัจจัยที่ลาดเทมีนัยสำคัญสำหรับการเลือกเส้นทางการขนส่งต่อเนื่องหลายรูป การวิเคราะห์ปัจจัยที่สามารถใช้กับกลุ่มองค์ประกอบปัจจัยในกรณีนี้. เพื่อให้มั่นใจว่าแอพลิเคชันที่เหมาะสมของเทคนิคนี้เราตรวจสอบดัชนีหลายเช่น KMO (ไกเซอร์ Meyer-Olkin) วัดและทดสอบ Bartlett ของความกลม วัด KMO เป็นตัวชี้วัดความเพียงพอของการสุ่มตัวอย่าง โดยทั่วไปตัวบ่งชี้นี้ควรจะเป็น 0.5 หรือสูงกว่าและ Jintanapakanont กอช (2004) วัด KMO เป็น 0.714 แสดงให้เห็นว่ากลุ่มตัวอย่างมีเพียงพอสำหรับการวิเคราะห์ปัจจัย ทดสอบ Bartlett ของ sphericity ทดสอบสมมติฐานที่ว่าความแปรปรวนและความแปรปรวนร่วมการฝึกอบรมการฝึกอบรมที่มีตัวตน เมทริกซ์เอกลักษณ์เป็นหนึ่งในสิ่งที่มีคนในแนวทแยงและศูนย์ในนอกเส้นทแยงมุม หากเป็นกรณีนี้แล้วตัวแปรที่จะไม่เกี่ยวข้องอย่างสมบูรณ์และการวิเคราะห์ปัจจัยที่เป็น propriate inap- สำหรับประเภทของข้อมูลนี้ ทดสอบ Bartlett ของ sphericity เป็นw2 ¼ 481.798 (DF ¼ 45 พี¼ 0.05) แสดงให้เห็นว่าการวิเคราะห์ปัจจัยที่เหมาะสม(Merkle et al., 1998). การสกัดปัจจัยจำนวนขององค์ประกอบปัจจัยจากภาคผนวกตารางA1, แรกสายสาม ปัจจัยที่มีโรคซิฟิลิส eigenva- เกิน 1 ตามที่อเมเลียและลาร์รี่ (1999) และเป็นสารสกัดที่มีประมาณ 79.636% ของความแปรปรวนอธิบาย เนื่องจากปัจจัยที่สี่มีค่าเฉพาะของ 0.58 และอาจจะนำไปเพิ่มอีก 5.873% ของความแปรปรวนการวิเคราะห์ที่สอง (การหมุนผลรวมของแรงกระ Squared) เป็นที่เรียบร้อยแล้วบังคับให้

ผลลัพธ์ (ไทย) 3:

ส่วนความน่าเชื่อถือของข้อมูลนี้เป็นสิ่งจำเป็นสำหรับคอน จึง rming ความน่าเชื่อถือของข้อมูล การวิเคราะห์องค์ประกอบ เพราะมี 60 รายการข้อมูลแบบสำรวจ มีค่า coef cient อัลฟ่าจึงใช้วัดระดับความน่าเชื่อถือสำหรับรายการ 10 ปัจจัย การ coef จึง cient ของค่าสัมประสิทธิ์ครอนบาคอัลฟ่าเกือบ 1 ( 0.880 )นี้บ่งชี้ว่ายอมรับความเที่ยงแบบความสอดคล้องภายในของการไฟฟ้านครหลวง - surements ในการศึกษาตามเลียและลาร์รี่ ( 2542 ) .

ความสัมพันธ์ระหว่างปัจจัยแต่ละด้านสำหรับการขนส่งต่อเนื่องหลายรูปแบบที่เลือก

ตาม tamene et al . ( 2006 ) , สหสัมพันธ์เพียร์สัน มักถูกใช้เพื่ออธิบายความสัมพันธ์ระหว่างปัจจัยต่าง ดังนั้นชุดของสัมประสิทธิ์สหสัมพันธ์ วิเคราะห์ มีวัตถุประสงค์เพื่อศึกษาความสัมพันธ์ระหว่างปัจจัยต่าง แต่ละปัจจัยเกี่ยวข้องอย่างน้อยหนึ่งปัจจัยอื่น ๆ ในกรณีนี้ ปัจจัยทั้งหมดเป็น signi จึงไม่สามารถเลือกเส้นทางการขนส่งต่อเนื่องหลายรูปแบบ . การวิเคราะห์ปัจจัยสามารถใช้กลุ่มปัจจัยองค์ประกอบในกรณีนี้ .
ในการสั่งซื้อเพื่อให้แน่ใจว่าใบสมัครที่ถูกต้องของเทคนิคนี้เราตรวจสอบดัชนีหลายประการ เช่น kmo ( ไกเซอร์ ) เมเยอร์– olkin ) วัดและ Bartlett ทดสอบของกลม . การ kmo วัดเป็นวัดของความพอเพียงคน โดยทั่วไป ตัวบ่งชี้นี้ควรเป็น 0.5 หรือมากขึ้นและ ghosh jintanapakanont ( 2004 ) เป็นวัดที่ kmo 0.714 ระบุว่า จำนวนเพียงพอสำหรับการวิเคราะห์องค์ประกอบบาร์ตเลตของการทดสอบของการทดสอบสมมติฐานความแปรปรวนและความแปรปรวนร่วมที่เป็น เอกลักษณ์ ลักษณะกลม . เป็นเมตริกซ์เอกลักษณ์เป็นหนึ่งซึ่งมีคนในแนวทแยง และปิดศูนย์ในแนวทแยง ถ้าเป็นกรณีนี้ แล้วตัวแปรจะไม่เกี่ยวข้องทั้งหมดและการวิเคราะห์ปัจจัย เป็น inap - propriate สำหรับข้อมูลประเภทนี้ บาร์ตเลตของการทดสอบของความอ้วนท้วนคือ
W2 ¼ 481 .798 ( DF ¼ 45 , p ¼ 0.05 ) แสดงว่าการวิเคราะห์ปัจจัย
เหมาะสม ( merkle et al . , 1998 ) .

ส่วนการสกัดด้วย

จำนวนปัจจัยองค์ประกอบ
จากภาคผนวกตาราง A1 , จึงตัดสินใจเดินทางสามปัจจัยที่มี eigenva - โรคซิฟิลิสมากกว่า 1 , ตามเลียและ ลาร์รี่ ( 1999 ) , และสกัดด้วยประมาณ 79.636 % ของความแปรปรวนอธิบาย ตั้งแต่ปัจจัย 4 ที่มีค่าของ 0