MCA was applied to determine the ma

MCA was applied to determine the major axes summarizing more clearly data [22]. This method gives a set of coordinates of the categories of variables, and thus reveals the relationships between the individuals and the different categories. Each principal component was interpreted in terms of amount of contribution for each category to variance of axis. The contribution of a variable was statistically significant when its mean was greater than 1/p, (p = number of categories of variables). Graphical evaluation was built using the major components in a series of two-dimensional graphs.

ผลลัพธ์ (ไทย) 1:

MCA ใช้กำหนดแกนหลักสรุปชัดเจนข้อมูล [22] วิธีนี้ให้ชุดของคู่ลำดับของประเภทของตัวแปร และจึง เปิดเผยความสัมพันธ์ระหว่างบุคคลและประเภทต่าง ๆ แต่ละคอมโพเนนต์หลักถูกตีความในแง่ของจำนวนเงินสมทบในแต่ละประเภทต่างของแกน สัดส่วนของตัวแปรได้อย่างมีนัยสำคัญทางสถิติเมื่อค่าเฉลี่ยของ 1/p มากกว่า (p =จำนวนประเภทของตัวแปร) ประเมินผลภาพถูกสร้างขึ้นโดยใช้ส่วนประกอบสำคัญในชุดของกราฟสองมิติ

ผลลัพธ์ (ไทย) 2:

เอ็มถูกนำมาใช้เพื่อตรวจสอบแกนสำคัญสรุปข้อมูลที่ชัดเจนมากขึ้น [22] วิธีนี้จะช่วยให้ชุดของพิกัดของประเภทของตัวแปรและจึงเผยให้เห็นความสัมพันธ์ระหว่างบุคคลและประเภทที่แตกต่างกัน แต่ละองค์ประกอบหลักถูกตีความในแง่ของปริมาณของการมีส่วนร่วมของแต่ละหมวดหมู่เพื่อความแปรปรวนของแกน การมีส่วนร่วมของตัวแปรอย่างมีนัยสำคัญทางสถิติเมื่อค่าเฉลี่ยสูงกว่า 1 / p (p = จำนวนของประเภทของตัวแปร) การประเมินผลกราฟิกที่ได้รับการสร้างขึ้นโดยใช้ส่วนประกอบที่สำคัญในชุดของกราฟสองมิติ

ผลลัพธ์ (ไทย) 3:

เอ็มถูกใช้หาแกนหลักที่สรุปได้ชัดเจนมากขึ้นข้อมูล [ 22 ] วิธีนี้ช่วยให้พิกัดของประเภทของตัวแปร และดังนั้นจึง พบความสัมพันธ์ระหว่างบุคคลและประเภทที่แตกต่างกัน แต่ละองค์ประกอบหลักถูกตีความในแง่ของจำนวนผลงานในแต่ละประเภทให้ความแปรปรวนของแกนผลงานของตัวแปรอย่างมีนัยสำคัญทางสถิติเมื่อหมายความว่ามีมากกว่า 1 / p ( P = จำนวนของประเภทของตัวแปร ) แบบประเมินถูกสร้างขึ้นโดยใช้องค์ประกอบหลักในชุดของกราฟ 2 มิติ