We conducted exploratory latent cla

We conducted exploratory latent class analyses to
identify dimensions of pregnancy intention using SAS Proc
LCA [17]. The number of classes was determined through
minimization of the Bayesian Information Criterion. The
LCA procedure estimated latent class parameters using the
expectation–maximization algorithm where the conver-
gence criterion was defined as a maximum absolute devi-
ation of 0.000001. We created parsimonious scores to
capture the dimensions identified using the latent class
analysis with a stepwise elimination process. The process
was initiated by quantifying responses to individual ques-
tions and obtaining the sum of all relevant intention vari-
ables to produce a saturated score. Next, we eliminated the
variable which least impacted the observed agreement
between the saturated scores and the latent class dimen-
sions. We repeated the elimination step to minimize the
number of variables in the scores while maintaining a
substantial level of agreement with the latent classes.
Substantial agreement was defined as a weighted kappa
exceeding 0.7.

ผลลัพธ์ (ไทย) 2:

เราดำเนินการสำรวจกลุ่มแฝงวิเคราะห์เพื่อ
ระบุขนาดของความตั้งใจที่จะตั้งครรภ์โดยใช้ SAS พร
LCA [17] จำนวนชั้นเรียนที่ได้รับการพิจารณาผ่าน
การลดปริมาณของคชกรรมข้อมูลเกณฑ์
ขั้นตอน LCA ประมาณพารามิเตอร์กลุ่มแฝงโดยใช้
อัลกอริทึมคาด-สูงสุดที่การสนทนา
เกณฑ์ Gence ถูกนิยามเป็น devi- สูงสุดแน่นอน
ation ของ 0.000001 เราได้สร้างผลประหยัดที่จะ
จับภาพมิติการระบุ Fi เอ็ดใช้ class แฝง
การวิเคราะห์ขั้นตอนการกำจัดแบบขั้นตอน กระบวนการ
ริเริ่มโดยปริมาณการตอบถามแต่ละ
ข้อและได้รับผลรวมของทุกความตั้งใจที่เกี่ยวข้องตัวแปร
เอเบิลส์ในการผลิตคะแนนอิ่มตัว ต่อไปเราตัด
ตัวแปรที่น้อยส่งผลกระทบต่อข้อตกลงการสังเกต
ระหว่างคะแนนอิ่มตัวและกลุ่มแฝงขนาดวัด
sions เราทำซ้ำขั้นตอนการกำจัดเพื่อลด
จำนวนของตัวแปรในคะแนนในขณะที่รักษา
ระดับความสำคัญของข้อตกลงกับการเรียนแฝง
ข้อตกลงที่เป็นสาระสำคัญนิยามเป็นคัปปาถ่วงน้ำหนัก
เกิน 0.7

ผลลัพธ์ (ไทย) 3:

เราทำการสำรวจวิเคราะห์แฝงชั้น

ระบุมิติของความตั้งใจในการตั้งครรภ์ใช้ proc SAS
LCA [ 17 ] จำนวนชั้นเรียนที่กำหนดผ่านเกณฑ์ข้อมูล
ลดเบ .
วิธีการประมาณค่าใช้ผลิตภัณฑ์แฝงคลาส
ความคาดหวังสูงสุดและขั้นตอนวิธีที่ conver -
gence เกณฑ์ de จึงเน็ดเป็นสูงสุดสัมบูรณ์ เทวี -
ation ของ 0แสน 1 เราสร้างคะแนนความตระหนี่

จับขนาด identi จึงเอ็ดการวิเคราะห์ชั้นเรียน
แฝงด้วยการขจัดคน กระบวนการเริ่มต้นด้วยการตอบสนองค่า
-
tions บุคคล ques และได้รับผลรวมของทั้งหมดที่เกี่ยวข้องกับความตั้งใจ vari -
Ables ผลิตไขมันอิ่มตัว คะแนน ต่อไปเราจะตัดตัวแปรที่มีผลกระทบน้อยที่สุดและ

สัญญาระหว่างไขมันอิ่มตัวและคะแนนแฝงคลาสไดเม็น -
sions . เราทำซ้ำขั้นตอนการลดจำนวนตัวแปรใน

คะแนนในขณะที่รักษาระดับรูปธรรมของข้อตกลงกับบทเรียนแฝง
ข้อตกลงเป็นชิ้นเป็นอัน เดอ จึงเป็นกัปปะ
เน็ดถ่วงน้ำหนักเกิน 0.7