Hypotheses ResultsThe hypotheses we

Hypotheses Results

The hypotheses were tested via a PLS approach to SEM. Structural regression modeling software, SmartPLS version 2.0 (Ringle, Wende, and Will 2005) was used for this analysis. This software was selected because PLS analysis has the ability to handle larger, more complex models with multiple latent variables and indicators. PLS analysis also accommodates nonnormally distributed data, which often occurs in behavioral studies (Chin, 1998). PLS analysis is, therefore, appropriate for this study, given the multiple relationships and manifestation variables employed in the theoretical model and the nonnormal distribution of the emotional value construct in the model.

ผลลัพธ์ (ไทย) 1:

สมมุติฐานผลทดสอบสมมุติฐานที่ผ่านวิธีการกรุณาการถดถอยของโครงสร้าง SEM. โมเดลซอฟต์แวร์ SmartPLS รุ่น 2.0 (Ringle, Wende และจะ 2005) ใช้สำหรับการวิเคราะห์นี้ มีเลือกซอฟต์แวร์นี้เนื่องจากกรุณาวิเคราะห์ความสามารถในการจัดการรูปแบบใหญ่ ขึ้นกับหลายตัวแปรแฝงอยู่และตัวบ่งชี้ กรุณาวิเคราะห์ยังรองรับข้อมูลแบบกระจาย nonnormally ซึ่งมักจะเกิดขึ้นในการศึกษาพฤติกรรม (Chin, 1998) กรุณาวิเคราะห์ เป็น ดังนั้น เหมาะสำหรับศึกษา กำหนดความสัมพันธ์หลายและตัวแปรยามที่ทำงานในรูปแบบทฤษฎีและสร้างค่าอารมณ์ในแบบกระจาย nonnormal

ผลลัพธ์ (ไทย) 2:

สมมติฐานผลการสมมติฐานถูกทดสอบผ่านทางวิธี PLS จะ SEM โครงสร้างซอฟแวร์การสร้างแบบจำลองการถดถอย SmartPLS รุ่น 2.0 (Ringle, Wende และจะ 2005) ถูกนำมาใช้ในการวิเคราะห์นี้ ซอฟต์แวร์นี้ได้รับเลือกเพราะการวิเคราะห์ PLS มีความสามารถในการจัดการขนาดใหญ่รูปแบบที่ซับซ้อนมากขึ้นกับหลายตัวแปรแฝงและตัวชี้วัด PLS นอกจากนี้ยังรองรับการวิเคราะห์ข้อมูลกระจาย nonnormally ซึ่งมักจะเกิดขึ้นในการศึกษาพฤติกรรม (คาง, 1998) PLS การวิเคราะห์จึงเป็นที่เหมาะสมสำหรับการศึกษาครั้งนี้ได้รับความสัมพันธ์กับหลายตัวแปรที่ประกาศใช้ในแบบจำลองทางทฤษฎีและการกระจายของ nonnormal สร้างมูลค่าทางอารมณ์ในรูปแบบ

ผลลัพธ์ (ไทย) 3:

สมมติฐานการทดสอบสมมติฐานผล

ผ่านกรุณาวิธี SEM โครงสร้างซอฟต์แวร์แบบจำลองการถดถอย , รุ่น 2.0 smartpls ( ริงเกิล Wende , และ 2005 ) สถิติที่ใช้ในการวิเคราะห์นี้ ซอฟต์แวร์นี้ได้รับเลือกเพราะการวิเคราะห์ pls มีความสามารถในการจัดการที่มีขนาดใหญ่ โมเดลที่ซับซ้อนมากขึ้นที่มีตัวแปรแฝงและตัวชี้วัดหลาย ๆการวิเคราะห์ pls ยังรองรับ nonnormally กระจายข้อมูล ซึ่งมักจะเกิดขึ้นในการศึกษาพฤติกรรม ( คาง , 1998 ) การวิเคราะห์ pls จึงเหมาะสมสำหรับการศึกษานี้ให้ความสัมพันธ์และหลายเครื่อง ตัวแปรที่ใช้ในแบบจำลองทางทฤษฎี และการกระจาย nonnormal ของอารมณ์ค่า

สร้างในรูปแบบ