- ข้อความ
- ประวัติศาสตร์
organization.” The measure used in
organization.” The measure used in this study was similar to that used
by Michael et al. (2005).
2.3.6. Withdrawal behaviors
Three single item indices were used to represent these variables.
The turnover intention measure asked respondents to rate the
probability that they would leave the company in the next 12 months
using a 1 (0 to 20%) to 5 (81 to 100%) response option. The absence
item was: “During the last 3 months, how many days were you absent
when you had been scheduled to work? Do not count vacations,
holidays, or any other times that were scheduled off in advance.” The
response scale was 1 (no days missed), 2 (one day missed), 3 (two
days missed), 4 (three days missed), and 5 (four or more days
missed). Finally, lateness was represented through responses to: “On
average, how frequently are you late for work during a typical month
of work?” Choices of responses were 1 (never), 2 (perhaps once or
twice a month), 3 (only a few times every couple of weeks), 4 (at least
a couple of times a week), and 5 (almost daily).
2.3.7. Vitality
The vitality measure was adopted from the SF-36 Health Survey
(Ware & Sherbourne, 1992). The vitality measure was used as a
general indicator of employee well-being and engagement. Participants
were asked to rate each of four statements in terms of how they
had felt during the previous month. A six-point scale was used for this
measure: “all of the time” to “none of the time.” Examples of these
statements include: “Did you feel full of pep?” and “Did you feel worn
out?” The obtained alpha for this scale was .86.
2.3.8. Perceived safety at work
Two self-report measures were selected for use in this study. The
first measure focused simply on the extent to which employees felt
safe while on the job (DeJoy et al., 2004). Employee perceptions about
the level of safety and health on the job were assessed using a single
global question: “All in all, how would you rate your current work
situation in terms of your personal exposure to safety and health
hazards?” Response options along this five-point scale ranged from
“very unsafe” to “very safe.”
2.3.9. Accidents
This single item measure was similar to the measure included in
the World Health Organization Health and Work Performance
Questionnaire (Kessler et al., 2003). Respondents were asked to
note how many on-the-job accidents they had been involved in
during the past 12 months.
2.4. Analytic Procedures
167D.M. DeJoy et al. / Journal of Safety Research 41 (2010) 163–171
This study employed structural equation modeling (SEM) to test
the fit of the hypothesized commitment-based safety climate model.
The analysis was guided by the two-stage process outlined in Gerbing
and Anderson (1987): (a) tests of the measurement models followed
by (b) tests of the hypothesized associations among the constructs. All analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative
by Michael et al. (2005).
2.3.6. Withdrawal behaviors
Three single item indices were used to represent these variables.
The turnover intention measure asked respondents to rate the
probability that they would leave the company in the next 12 months
using a 1 (0 to 20%) to 5 (81 to 100%) response option. The absence
item was: “During the last 3 months, how many days were you absent
when you had been scheduled to work? Do not count vacations,
holidays, or any other times that were scheduled off in advance.” The
response scale was 1 (no days missed), 2 (one day missed), 3 (two
days missed), 4 (three days missed), and 5 (four or more days
missed). Finally, lateness was represented through responses to: “On
average, how frequently are you late for work during a typical month
of work?” Choices of responses were 1 (never), 2 (perhaps once or
twice a month), 3 (only a few times every couple of weeks), 4 (at least
a couple of times a week), and 5 (almost daily).
2.3.7. Vitality
The vitality measure was adopted from the SF-36 Health Survey
(Ware & Sherbourne, 1992). The vitality measure was used as a
general indicator of employee well-being and engagement. Participants
were asked to rate each of four statements in terms of how they
had felt during the previous month. A six-point scale was used for this
measure: “all of the time” to “none of the time.” Examples of these
statements include: “Did you feel full of pep?” and “Did you feel worn
out?” The obtained alpha for this scale was .86.
2.3.8. Perceived safety at work
Two self-report measures were selected for use in this study. The
first measure focused simply on the extent to which employees felt
safe while on the job (DeJoy et al., 2004). Employee perceptions about
the level of safety and health on the job were assessed using a single
global question: “All in all, how would you rate your current work
situation in terms of your personal exposure to safety and health
hazards?” Response options along this five-point scale ranged from
“very unsafe” to “very safe.”
2.3.9. Accidents
This single item measure was similar to the measure included in
the World Health Organization Health and Work Performance
Questionnaire (Kessler et al., 2003). Respondents were asked to
note how many on-the-job accidents they had been involved in
during the past 12 months.
2.4. Analytic Procedures
167D.M. DeJoy et al. / Journal of Safety Research 41 (2010) 163–171
This study employed structural equation modeling (SEM) to test
the fit of the hypothesized commitment-based safety climate model.
The analysis was guided by the two-stage process outlined in Gerbing
and Anderson (1987): (a) tests of the measurement models followed
by (b) tests of the hypothesized associations among the constructs. All analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative
0/5000
องค์กร" วัดที่ใช้ในการศึกษานี้มีคล้ายกับที่ใช้โดย Michael et al. (2005)2.3.6 การถอนพฤติกรรมสามรายการดัชนีถูกใช้เพื่อแสดงตัวแปรเหล่านี้วัดตั้งใจหมุนเวียนถามตอบอันดับความน่าเป็นที่พวกเขาจะออกจากงานในเดือน 12ใช้ 1 (0-20%) ให้เลือกตอบ (81-100%) 5 การขาดงานรายการ: "ในช่วง 3 เดือน จำนวนวันคุณขาดเมื่อคุณมีการกำหนดเวลาให้ทำงาน ไม่นับรวมวันหยุดพักผ่อนวันหยุด หรือเวลาอื่นที่มีกำหนดเวลาปิดล่วงหน้า" ที่ตอบสนองระดับ 1 (ที่ไม่มีวันไม่มี), 2 (วันหนึ่งที่พลาด) 3 (สองวันพลาด), 4 (สามวันพลาด), และ 5 (4 วัน ขึ้นไปพลาด) สุดท้าย lateness ได้แสดงคำตอบ: "ในเฉลี่ย ถี่รึสายงานระหว่างเดือนทั่วไปงาน" ตัวเลือกของคำตอบ 1 (ไม่เคย), 2 (อาจจะครั้งเดียว หรือสองเดือน), 3 (เพียงไม่กี่ครั้งทุกสองสัปดาห์) 4 (น้อยสองครั้งต่อสัปดาห์), และ (เกือบทุกวัน) 52.3.7 การพลังวัดพลังถูกนำมาใช้จากการสำรวจสุขภาพ SF-36(พัสดุ & Sherbourne, 1992) ใช้วัดพลังเป็นการตัวบ่งชี้ที่ทั่วไปของพนักงานความเป็นและความผูกพัน ผู้เข้าร่วมถูกต้องอัตราแต่ละงบสี่ในวิธีเหล่านั้นรู้สึกได้ในช่วงเดือนก่อนหน้านี้ ใช้ขนาด 6 จุดนี้วัด: "ตลอดเวลา" "ไม่ มีเวลา" ตัวอย่างเหล่านี้รวม: "รู้สึกของ pep " และ "รู้สึกสวมใส่ออกหรือไม่" .86 อัลฟาได้รับในขนาดนี้ได้2.3.8 การรับรู้ความปลอดภัยในการทำงานสองตนเองรายงานประเมินได้เลือกใช้ในการศึกษานี้ ที่วัด first เน้นเพียงในขอบเขตการสักหลาดที่พนักงานในขณะที่ปลอดภัยในงาน (DeJoy et al., 2004) พนักงานรับรู้เกี่ยวกับมีประเมินระดับของความปลอดภัยและสุขภาพในงานใช้เดียวคำถามส่วนกลาง: "ทั้งหมดในทุก คุณจะให้คะแนนงานปัจจุบันของคุณสถานการณ์ในด้านความเสี่ยงส่วนบุคคลความปลอดภัยและสุขภาพอันตรายหรือไม่" ตัวเลือกคำตอบตามมาตรา five จุดนี้มา"มาก" ไม่ปลอดภัย"เพื่อ"ครับ "2.3.9. อุบัติเหตุวัดนี้รายการเดียววัดอยู่ในโลกสุขภาพองค์กรสุขภาพและประสิทธิภาพการทำงานแบบสอบถาม (Kessler et al., 2003) ผู้ตอบถูกต้องหมายเหตุจำนวนอุบัติเหตุแรงจะมีการเกี่ยวข้องในในระหว่าง 12 เดือนผ่านมา2.4 การขั้นตอนที่รวมยอด167D.M. DeJoy et al. / สมุดรายวันงานวิจัยความปลอดภัย 41 (2010) 163-171การศึกษานี้จ้างสมการโครงสร้าง (SEM) เพื่อทดสอบการสร้างโมเดลfit แบบจำลองสภาพภูมิอากาศความปลอดภัยยึดมั่นค่าการวิเคราะห์ที่ตัวกระบวนการสองขั้นตอนที่ระบุไว้ใน Gerbingและแอนเดอร์สัน (1987): (a) การทดสอบแบบจำลองการประเมินตามโดยการทดสอบ (b) ของความสัมพันธ์ของค่าระหว่างของโครงสร้าง วิเคราะห์ทั้งหมดถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ (CFI) ดัชนีที่เหมาะสม หูและ Bentlerแนะนำ (1999) ประเมินรูปแบบกับตัดต่อไปนี้ค่า: ค่าด้านล่าง RMSEA ของ.06 และ SRMR ของ.08 และค่าเหนือ TLI .95 และ CFI ของ.95 ใช้สำหรับดัชนี fit เดียวกันทดสอบประเมินและโครงสร้าง models.analyses ถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ (CFI) ดัชนีที่เหมาะสม หูและ Bentlerแนะนำ (1999) ประเมินรูปแบบกับตัดต่อไปนี้ค่า: ค่าด้านล่าง RMSEA ของ.06 และ SRMR ของ.08 และค่าเหนือ TLI .95 และ CFI ของ.95 ใช้สำหรับดัชนี fit เดียวกันทดสอบประเมินและโครงสร้าง models.analyses ถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ (CFI) ดัชนีที่เหมาะสม หูและ Bentlerแนะนำ (1999) ประเมินรูปแบบกับตัดต่อไปนี้ค่า: ค่าด้านล่าง RMSEA ของ.06 และ SRMR ของ.08 และค่าเหนือ TLI .95 และ CFI ของ.95 ใช้สำหรับดัชนี fit เดียวกันทดสอบประเมินและโครงสร้าง models.analyses ถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ (CFI) ดัชนีที่เหมาะสม หูและ Bentlerแนะนำ (1999) ประเมินรูปแบบกับตัดต่อไปนี้ค่า: ค่าด้านล่าง RMSEA ของ.06 และ SRMR ของ.08 และค่าเหนือ TLI .95 และ CFI ของ.95 ใช้สำหรับดัชนี fit เดียวกันทดสอบประเมินและโครงสร้าง models.analyses ถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ (CFI) ดัชนีที่เหมาะสม หูและ Bentlerแนะนำ (1999) ประเมินรูปแบบกับตัดต่อไปนี้ค่า: ค่าด้านล่าง RMSEA ของ.06 และ SRMR ของ.08 และค่าเหนือ TLI .95 และ CFI ของ.95 ใช้สำหรับดัชนี fit เดียวกันทดสอบประเมินและโครงสร้าง models.analyses ถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ (CFI) ดัชนีที่เหมาะสม หูและ Bentlerแนะนำ (1999) ประเมินรูปแบบกับตัดต่อไปนี้ค่า: ค่าด้านล่าง RMSEA ของ.06 และ SRMR ของ.08 และค่าเหนือ TLI .95 และ CFI ของ.95 ใช้สำหรับดัชนี fit เดียวกันทดสอบประเมินและโครงสร้าง models.analyses ถูกเรียกใช้ Lisrel 8.7 (Jöreskog & Sörbom, 2004) Chisquareสถิติที่ใช้ในการประเมินรุ่น fitที่เป็นสถิติ chi-squareวัด fits รุ่นค่าดีวิธีที่สมบูรณ์แบบการเปลี่ยนแปลงในข้อมูล (เช่น อย่างไรดีที่ fitted แปรปรวนเมตริกซ์ตรงกับเมตริกซ์ความแปรปรวนร่วมของตัวอย่าง) Chisquare ไม่ใช่ significantค่าบ่งชี้แข็งรุ่น fit เนื่องจาก chi-squareสถิติสามารถ influenced โดยขนาดตัวอย่าง และรูปแบบความซับซ้อน มันไม่ควรใช้เป็นการวัดแบบ fitness แบบสแตนด์อโลน ในที่นี้ศึกษา chi-square ถูกตู้ดัชนี fit สี่อื่น ๆ: การดัชนีรากค่าเฉลี่ยกำลังสองข้อผิดพลาดของประมาณ (RMSEA) การมาตรฐานหลักค่าเฉลี่ยกำลังสองส่วนที่เหลือจาก (SRMSR), NNI (TuckerLewisดัชนี TLI), และการเปรียบเทียบ
การแปล กรุณารอสักครู่..
organization.” The measure used in this study was similar to that used
by Michael et al. (2005).
2.3.6. Withdrawal behaviors
Three single item indices were used to represent these variables.
The turnover intention measure asked respondents to rate the
probability that they would leave the company in the next 12 months
using a 1 (0 to 20%) to 5 (81 to 100%) response option. The absence
item was: “During the last 3 months, how many days were you absent
when you had been scheduled to work? Do not count vacations,
holidays, or any other times that were scheduled off in advance.” The
response scale was 1 (no days missed), 2 (one day missed), 3 (two
days missed), 4 (three days missed), and 5 (four or more days
missed). Finally, lateness was represented through responses to: “On
average, how frequently are you late for work during a typical month
of work?” Choices of responses were 1 (never), 2 (perhaps once or
twice a month), 3 (only a few times every couple of weeks), 4 (at least
a couple of times a week), and 5 (almost daily).
2.3.7. Vitality
The vitality measure was adopted from the SF-36 Health Survey
(Ware & Sherbourne, 1992). The vitality measure was used as a
general indicator of employee well-being and engagement. Participants
were asked to rate each of four statements in terms of how they
had felt during the previous month. A six-point scale was used for this
measure: “all of the time” to “none of the time.” Examples of these
statements include: “Did you feel full of pep?” and “Did you feel worn
out?” The obtained alpha for this scale was .86.
2.3.8. Perceived safety at work
Two self-report measures were selected for use in this study. The
first measure focused simply on the extent to which employees felt
safe while on the job (DeJoy et al., 2004). Employee perceptions about
the level of safety and health on the job were assessed using a single
global question: “All in all, how would you rate your current work
situation in terms of your personal exposure to safety and health
hazards?” Response options along this five-point scale ranged from
“very unsafe” to “very safe.”
2.3.9. Accidents
This single item measure was similar to the measure included in
the World Health Organization Health and Work Performance
Questionnaire (Kessler et al., 2003). Respondents were asked to
note how many on-the-job accidents they had been involved in
during the past 12 months.
2.4. Analytic Procedures
167D.M. DeJoy et al. / Journal of Safety Research 41 (2010) 163–171
This study employed structural equation modeling (SEM) to test
the fit of the hypothesized commitment-based safety climate model.
The analysis was guided by the two-stage process outlined in Gerbing
and Anderson (1987): (a) tests of the measurement models followed
by (b) tests of the hypothesized associations among the constructs. All analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative
by Michael et al. (2005).
2.3.6. Withdrawal behaviors
Three single item indices were used to represent these variables.
The turnover intention measure asked respondents to rate the
probability that they would leave the company in the next 12 months
using a 1 (0 to 20%) to 5 (81 to 100%) response option. The absence
item was: “During the last 3 months, how many days were you absent
when you had been scheduled to work? Do not count vacations,
holidays, or any other times that were scheduled off in advance.” The
response scale was 1 (no days missed), 2 (one day missed), 3 (two
days missed), 4 (three days missed), and 5 (four or more days
missed). Finally, lateness was represented through responses to: “On
average, how frequently are you late for work during a typical month
of work?” Choices of responses were 1 (never), 2 (perhaps once or
twice a month), 3 (only a few times every couple of weeks), 4 (at least
a couple of times a week), and 5 (almost daily).
2.3.7. Vitality
The vitality measure was adopted from the SF-36 Health Survey
(Ware & Sherbourne, 1992). The vitality measure was used as a
general indicator of employee well-being and engagement. Participants
were asked to rate each of four statements in terms of how they
had felt during the previous month. A six-point scale was used for this
measure: “all of the time” to “none of the time.” Examples of these
statements include: “Did you feel full of pep?” and “Did you feel worn
out?” The obtained alpha for this scale was .86.
2.3.8. Perceived safety at work
Two self-report measures were selected for use in this study. The
first measure focused simply on the extent to which employees felt
safe while on the job (DeJoy et al., 2004). Employee perceptions about
the level of safety and health on the job were assessed using a single
global question: “All in all, how would you rate your current work
situation in terms of your personal exposure to safety and health
hazards?” Response options along this five-point scale ranged from
“very unsafe” to “very safe.”
2.3.9. Accidents
This single item measure was similar to the measure included in
the World Health Organization Health and Work Performance
Questionnaire (Kessler et al., 2003). Respondents were asked to
note how many on-the-job accidents they had been involved in
during the past 12 months.
2.4. Analytic Procedures
167D.M. DeJoy et al. / Journal of Safety Research 41 (2010) 163–171
This study employed structural equation modeling (SEM) to test
the fit of the hypothesized commitment-based safety climate model.
The analysis was guided by the two-stage process outlined in Gerbing
and Anderson (1987): (a) tests of the measurement models followed
by (b) tests of the hypothesized associations among the constructs. All analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative Fit Index (CFI). Hu and Bentler
(1999) recommend evaluating models against the following cutoff
values: values below a RMSEA of .06 and a SRMR of .08, and values
above a TLI of .95 and a CFI of .95. The same fit indices were used for
testing both the measurement and structural models.analyses were run using Lisrel 8.7 (Jöreskog & Sörbom, 2004). The chisquare
statistic was used to assess model fit.
The
chi-square statistic is
an absolute measure of how well the hypothesized model fits the
variation observed in the data (i.e., how well the fitted covariance
matrix matches the sample covariance matrix). A non-significant chisquare
value indicates strong model fit. Because the chi-square
statistic can be influenced by sample size and model complexity, it
should not be used as a stand-alone measure of model fitness. In this
study, the chi-square was complemented by four other fit indices: the
Root Mean Square Error of Approximation (RMSEA) index, the
Standardized Root Mean Square Residual (SRMSR), the NNI (TuckerLewis
Index, TLI), and the Comparative
การแปล กรุณารอสักครู่..
องค์กร " มาตรการที่ใช้ในการศึกษาครั้งนี้ คือคล้ายกับที่ใช้
โดยไมเคิล et al . ( 2548 ) .
2.3.6 . พฤติกรรมการถอน
3 รายการเดียวดัชนีเพื่อใช้เป็นตัวแทนของตัวแปรเหล่านี้ ความตั้งใจ ที่จะวัด
ถามผู้ตอบแบบสอบถามให้คะแนนความน่าจะเป็นว่าพวกเขาจะออกจาก บริษัท ใน 12 เดือนถัดไป
ใช้ 1 ( 0 - 20 % ) 5 ( 81 ถึง 100 % ) ตัวเลือกในการตอบสนอง ขาด
รายการคือ :" ในช่วง 3 เดือนสุดท้าย กี่วันคุณขาด
เมื่อคุณได้ถูกกำหนดให้ทำงาน ไม่นับรวมวันหยุด
วันหยุด หรืออื่น ๆที่ถูกกำหนดเวลาปิดล่วงหน้า "
ตอบสนองขนาด 1 ( ไม่มีวันลืม ) , 2 ( วันเดียวพลาด ) , 3 ( 2
วันพลาด ) , 4 ( 3 วันพลาด ) และ 5 ( สี่หรือมากกว่าวัน
คิดถึง ) . ในที่สุด เวลาถูกแสดงผ่านการตอบสนอง : "
เฉลี่ยบ่อยครั้งที่คุณจะสายสำหรับการทำงานระหว่าง
เดือนปกติของการทำงาน " ทางเลือกของการตอบสนอง 1 ( ไม่เคย ) , 2 ( บางทีหนึ่งหรือสองครั้งต่อเดือน
) 3 ( แค่สองสามครั้งทุกสองสัปดาห์ ) , 4 ( อย่างน้อย
สองสามครั้งต่อสัปดาห์ ) และ 5 ( เกือบทุกวัน )
ดาวน์โหลด . พลัง
พลังวัดได้รับการอุปการะ จากการสำรวจสุขภาพคุณภาพชีวิต
( เครื่อง& sherbourne , 1992 ) พลังวัดเคยเป็น
ตัวบ่งชี้ที่ทั่วไปของความเป็นอยู่ของพนักงาน และงานหมั้น ผู้เข้าร่วมถูกขอให้ให้คะแนนแต่ละ
4 ข้อความในแง่ของวิธีที่พวกเขา
ได้รู้สึกในช่วงเดือนที่ผ่านมา ขนาดหกจุดที่ใช้วัดนี้
" ตลอดเวลา " กับ " ไม่มีเวลา " ตัวอย่างของงบเหล่านี้
รวมถึง : " คุณรู้สึกเต็มช่อง ? " และ " คุณรู้สึกว่าสวมใส่
? " นำเราขนาดนี้86 .
2.3.8 . การรับรู้ความปลอดภัยในการทำงาน
2 5 มาตรการ กลุ่มตัวอย่างที่ใช้ในการศึกษาครั้งนี้
จึงตัดสินใจเดินทางวัดเน้นเพียงในขอบเขตที่พนักงานรู้สึก
ในขณะที่ปลอดภัยในการทำงาน ( dejoy et al . , 2004 ) การรับรู้เกี่ยวกับ
ระดับของสุขภาพและความปลอดภัยในงานทดลองการใช้เดียว
( คำถาม : " ทั้งหมดนี้ คุณจะให้คะแนน
งานปัจจุบันของคุณสถานการณ์ในแง่ของการสัมผัสส่วนบุคคลของคุณเพื่อความปลอดภัยและอันตรายต่อสุขภาพ
? " การตอบสนองตัวเลือกตามนี้จึงได้ระดับ 1
" ไม่ปลอดภัย " มาก " ที่ปลอดภัยมาก . "
2.3.9 . อุบัติเหตุ
วัดรายการนี้เดียวคล้ายกับวัดรวมอยู่ใน
องค์การอนามัยโลกสุขภาพและแบบสอบถามการปฏิบัติ
งาน ( เคสเลอร์ et al . , 2003 ) คนถูกถาม
หมายเหตุวิธีการหลายรูปแบบที่พวกเขาได้รับที่เกี่ยวข้องในอุบัติเหตุ
ในช่วง 12 เดือนที่ผ่านมา
2.4 . วิเคราะห์ขั้นตอน
167d . ม. dejoy et al . / วารสารวิจัยความปลอดภัย 41 ( 2010 ) 163 ( 171
การศึกษานี้ใช้แบบจำลองสมการโครงสร้าง ( SEM ) เพื่อทดสอบ
t ของความมุ่งมั่นจึงตั้งสมมติฐานแบบจำลองสภาพภูมิอากาศความปลอดภัยตาม
การวิเคราะห์แนวทางตามกระบวนการที่ระบุไว้ใน gerbing
สองขั้นตอนแอนเดอร์สัน ( 1987 ) : ( ) การทดสอบของการวัดโมเดลตาม
( b ) การทดสอบของสมมุติฐานสมาคมระหว่างโครงสร้าง . วิเคราะห์ข้อมูล โดยใช้โปรแกรมลิสเรล วิ่งทั้งหมด 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่นแล้วจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึง T :
ดัชนีรากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) ดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงใช้
t ดัชนีการทดสอบทั้งวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix )ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA )
ดัชนีรากกำลังสองเฉลี่ยมาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้างแบบวิเคราะห์ข้อมูล โดยใช้โปรแกรมลิสเรลวิ่ง 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต.เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) การประมาณค่าดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี )และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) ช่วงความเชื่อมั่น
สถิติที่ใช้ในการประเมินรูปแบบจึง T .
สถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,ครับผมไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) การประมาณค่าดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดที่แน่นอนของวิธีการที่ดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness .ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) การประมาณค่าดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่นแล้วจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึง T :
ดัชนีรากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) ดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงใช้
t ดัชนีการทดสอบทั้งวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix )ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA )
ดัชนีรากกำลังสองเฉลี่ยมาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และการเปรียบเทียบ
โดยไมเคิล et al . ( 2548 ) .
2.3.6 . พฤติกรรมการถอน
3 รายการเดียวดัชนีเพื่อใช้เป็นตัวแทนของตัวแปรเหล่านี้ ความตั้งใจ ที่จะวัด
ถามผู้ตอบแบบสอบถามให้คะแนนความน่าจะเป็นว่าพวกเขาจะออกจาก บริษัท ใน 12 เดือนถัดไป
ใช้ 1 ( 0 - 20 % ) 5 ( 81 ถึง 100 % ) ตัวเลือกในการตอบสนอง ขาด
รายการคือ :" ในช่วง 3 เดือนสุดท้าย กี่วันคุณขาด
เมื่อคุณได้ถูกกำหนดให้ทำงาน ไม่นับรวมวันหยุด
วันหยุด หรืออื่น ๆที่ถูกกำหนดเวลาปิดล่วงหน้า "
ตอบสนองขนาด 1 ( ไม่มีวันลืม ) , 2 ( วันเดียวพลาด ) , 3 ( 2
วันพลาด ) , 4 ( 3 วันพลาด ) และ 5 ( สี่หรือมากกว่าวัน
คิดถึง ) . ในที่สุด เวลาถูกแสดงผ่านการตอบสนอง : "
เฉลี่ยบ่อยครั้งที่คุณจะสายสำหรับการทำงานระหว่าง
เดือนปกติของการทำงาน " ทางเลือกของการตอบสนอง 1 ( ไม่เคย ) , 2 ( บางทีหนึ่งหรือสองครั้งต่อเดือน
) 3 ( แค่สองสามครั้งทุกสองสัปดาห์ ) , 4 ( อย่างน้อย
สองสามครั้งต่อสัปดาห์ ) และ 5 ( เกือบทุกวัน )
ดาวน์โหลด . พลัง
พลังวัดได้รับการอุปการะ จากการสำรวจสุขภาพคุณภาพชีวิต
( เครื่อง& sherbourne , 1992 ) พลังวัดเคยเป็น
ตัวบ่งชี้ที่ทั่วไปของความเป็นอยู่ของพนักงาน และงานหมั้น ผู้เข้าร่วมถูกขอให้ให้คะแนนแต่ละ
4 ข้อความในแง่ของวิธีที่พวกเขา
ได้รู้สึกในช่วงเดือนที่ผ่านมา ขนาดหกจุดที่ใช้วัดนี้
" ตลอดเวลา " กับ " ไม่มีเวลา " ตัวอย่างของงบเหล่านี้
รวมถึง : " คุณรู้สึกเต็มช่อง ? " และ " คุณรู้สึกว่าสวมใส่
? " นำเราขนาดนี้86 .
2.3.8 . การรับรู้ความปลอดภัยในการทำงาน
2 5 มาตรการ กลุ่มตัวอย่างที่ใช้ในการศึกษาครั้งนี้
จึงตัดสินใจเดินทางวัดเน้นเพียงในขอบเขตที่พนักงานรู้สึก
ในขณะที่ปลอดภัยในการทำงาน ( dejoy et al . , 2004 ) การรับรู้เกี่ยวกับ
ระดับของสุขภาพและความปลอดภัยในงานทดลองการใช้เดียว
( คำถาม : " ทั้งหมดนี้ คุณจะให้คะแนน
งานปัจจุบันของคุณสถานการณ์ในแง่ของการสัมผัสส่วนบุคคลของคุณเพื่อความปลอดภัยและอันตรายต่อสุขภาพ
? " การตอบสนองตัวเลือกตามนี้จึงได้ระดับ 1
" ไม่ปลอดภัย " มาก " ที่ปลอดภัยมาก . "
2.3.9 . อุบัติเหตุ
วัดรายการนี้เดียวคล้ายกับวัดรวมอยู่ใน
องค์การอนามัยโลกสุขภาพและแบบสอบถามการปฏิบัติ
งาน ( เคสเลอร์ et al . , 2003 ) คนถูกถาม
หมายเหตุวิธีการหลายรูปแบบที่พวกเขาได้รับที่เกี่ยวข้องในอุบัติเหตุ
ในช่วง 12 เดือนที่ผ่านมา
2.4 . วิเคราะห์ขั้นตอน
167d . ม. dejoy et al . / วารสารวิจัยความปลอดภัย 41 ( 2010 ) 163 ( 171
การศึกษานี้ใช้แบบจำลองสมการโครงสร้าง ( SEM ) เพื่อทดสอบ
t ของความมุ่งมั่นจึงตั้งสมมติฐานแบบจำลองสภาพภูมิอากาศความปลอดภัยตาม
การวิเคราะห์แนวทางตามกระบวนการที่ระบุไว้ใน gerbing
สองขั้นตอนแอนเดอร์สัน ( 1987 ) : ( ) การทดสอบของการวัดโมเดลตาม
( b ) การทดสอบของสมมุติฐานสมาคมระหว่างโครงสร้าง . วิเคราะห์ข้อมูล โดยใช้โปรแกรมลิสเรล วิ่งทั้งหมด 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่นแล้วจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึง T :
ดัชนีรากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) ดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงใช้
t ดัชนีการทดสอบทั้งวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix )ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA )
ดัชนีรากกำลังสองเฉลี่ยมาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้างแบบวิเคราะห์ข้อมูล โดยใช้โปรแกรมลิสเรลวิ่ง 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต.เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) การประมาณค่าดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี )และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) ช่วงความเชื่อมั่น
สถิติที่ใช้ในการประเมินรูปแบบจึง T .
สถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,ครับผมไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) การประมาณค่าดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดที่แน่นอนของวิธีการที่ดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness .ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) การประมาณค่าดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงไม่ใช้ดัชนี
ทดสอบทั้งการวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่นแล้วจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix ) ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึง T :
ดัชนีรากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA ) ดัชนีรากกำลังสองเฉลี่ย
มาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และพอดีกับดัชนีเปรียบเทียบ ( CFI ) หู และ bentler
( 1999 ) แนะนำให้ประเมินแบบกับตามค่าด้านล่างนี้
ค่า RMSEA . 06 และ srmr . 08 และค่า
ข้างบน tli . 95 และ CFI . 95 เหมือนกันจึงใช้
t ดัชนีการทดสอบทั้งวัดและโครงสร้าง models.analyses ถูกเรียกใช้โดยใช้โปรแกรมลิสเรล 8.7 ( J ö reskog & S ö rbom , 2004 ) และไคสแควร์ สถิติที่ใช้ในการประเมินรูปแบบ
.
จึงสถิติไคสแควร์เป็น
เป็นวัดแน่นอนว่าดีจึงตั้งสมมติฐานแบบ TS
รูปแบบและข้อมูล ( เช่น อย่างไรดีจึง tted ความแปรปรวน
Matrix ตรงกับตัวอย่าง Covariance Matrix )ไม่ signi จึงไม่สามารถความเชื่อมั่น
ค่าบ่งชี้ที่แข็งแกร่งแบบถ่ายทอด ต. เพราะสถิติไคสแควร์
สามารถในfl uenced ตามขนาดตัวอย่างและความซับซ้อนของโมเดล ,
ไม่ควรใช้เป็นมาตรการแบบสแตนด์อโลนรุ่นจึง tness . ในการศึกษานี้
, ไคสแควร์เป็น complemented โดยสี่อื่น ๆจึงไม่ดัชนี :
รากของการประมาณค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSEA )
ดัชนีรากกำลังสองเฉลี่ยมาตรฐานเหลือ ( srmsr ) , nni ( tli tuckerlewis
ดัชนี ) และการเปรียบเทียบ
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- toes
- และมากกว่า 4 พันล้านเหรียญดอลล่าห์สหรัฐ
- Municipal vehicle come garbage to parkin
- ถ้าไม่เข้าใจก็ไม่ต้องคุย
- Gentile Cliente, siamo spiacenti ma il t
- You look like a savage
- คุณสบายดีมั้ย
- Weight differences can be another factor
- sightseeing
- ฉันอาจจะตื่นเช้าในวันพรุ่งนี้
- Millions of people travel.
- Jobs
- ฉันจะพาคุณไปหาแม่ของฉัน
- และผลกระทบีกอย่างต่อด้านจิตใจ คือ การรับ
- 大多身高都在一米七以上
- น้ำผลไม้
- Gentile Cliente, siamo spiacenti ma il t
- You look like a forest
- The shear stress of MTG-mediated fish MP
- 是有一名男士在国外看到了
- clearest
- Host processor hardware included 400MHz
- Millions of people travel
- ไม่มีใครอยากเดียวดาย ผลลัพธ์ (ภาษาอังกฤษ
