4.3. Logistic regression models for

4.3. Logistic regression models for non-captive stations
It can be seen from Table 7 that the correlation between distance
and travel time, travel mode and time, purpose and InboundOut and
InBoundOut and travelFeeD are 0.5, 0.45, 0.5 and
0.35 respectively. Therefore, travel time and InboundOut were
removed for model selection.
Three variables were identified to be significant from the best
fitting logistic regression model for non-captive stations (see
Table 8). There are 559 records for the non-captive stations
(Table 2), but the sample size for this regression model is 486 with
73 missing records being removed for the purpose of the analysis.
The most influential variable is travel cost (from a chosen station to
a destination). The less the cost of travelling from a chosen station
to a destination, the more likely a chosen station will be a nonnearest
station, which is consistent with the results from the
overall model. However, different from the model for all chosen
station, cost (origin to station) was found to be significant. The less
the cost from origin to the chosen station, the less likely it is that
chosen stations will be the nearest station.
5. Sensitivity test for policy implication
A sensitivity test was conducted using the overall model shown
in Table 4 to identify the influence of travel distance (from an origin
to a chosen station) and travel cost (from a chosen station to a
destination) on the nearest station choice by holding other
independent variables at their mean. The resulting sensitivity
plot for all stations (Fig. 4a) indicates that the predicted
probabilities of choosing nearest station decrease as travel
distance increases for all
five different travel fees, which are
travelling over one zone ($2.70), two zones ($4.00), three zones
($4.90), four zones ($5.80) and
five zones ($7.10). Generally, the
closer the chosen station to the destination, the lower probability
of a chosen station is the nearest train station to the origin, except

ผลลัพธ์ (ไทย) 2:

4.3 รูปแบบการถดถอยโลจิสติกสำหรับสถานีที่ไม่ได้เป็นเชลยมันสามารถเห็นได้จากตารางที่ 7 ที่ความสัมพันธ์ระหว่างระยะทางและเวลาในการเดินทางโหมดการเดินทางและเวลาวัตถุประสงค์และInboundOut และInBoundOut และ travelFeeD เป็น 0.5? 0.45? 0.5? 0.35 ตามลำดับ ดังนั้นเวลาในการเดินทางและ InboundOut ถูกลบออกสำหรับการเลือกรูปแบบ. สามตัวแปรที่ถูกระบุอย่างมีนัยสำคัญจากที่ดีที่สุดที่เหมาะสมแบบการถดถอยโลจิสติกสำหรับสถานีที่ไม่ได้เป็นเชลย(ดูตารางที่8) มี 559 ระเบียนสำหรับสถานีที่ไม่ได้ถูกคุมขังอยู่ที่(ตารางที่ 2) แต่ขนาดของกลุ่มตัวอย่างสำหรับรูปแบบการถดถอยนี้คือ 486 กับ73 ระเบียนที่ขาดหายไปจะถูกลบออกเพื่อวัตถุประสงค์ของการวิเคราะห์. ตัวแปรที่มีอิทธิพลมากที่สุดคือค่าใช้จ่ายในการเดินทาง (จากสถานีได้รับการแต่งตั้ง เพื่อปลายทาง) น้อยกว่าค่าใช้จ่ายในการเดินทางจากสถานีที่เลือกไปยังปลายทางให้มากขึ้นน่าจะเป็นสถานีที่ได้รับการแต่งตั้งจะเป็น nonnearest สถานีซึ่งสอดคล้องกับผลที่ได้จากการรูปแบบโดยรวม แต่แตกต่างจากรูปแบบที่เลือกสำหรับทุกสถานีค่าใช้จ่าย (ต้นกำเนิดไปยังสถานี) ก็พบว่ามีความสำคัญ น้อยกว่าค่าใช้จ่ายจากแหล่งกำเนิดไปยังสถานีที่เลือกมีโอกาสน้อยกว่าที่มันเป็นที่สถานีได้รับการแต่งตั้งจะเป็นสถานีที่ใกล้ที่สุด. 5 การทดสอบความไวแสงสำหรับความหมายของนโยบายการทดสอบความไวได้ดำเนินการใช้รูปแบบโดยรวมแสดงในตารางที่4 การระบุอิทธิพลของระยะทางในการเดินทาง (จากต้นกำเนิดไปยังสถานีที่เลือก) และค่าใช้จ่ายการเดินทาง (จากสถานีที่เลือกไปยังปลายทาง) บนสถานีที่ใกล้ที่สุด ทางเลือกอื่น ๆ โดยถือตัวแปรอิสระที่มีค่าเฉลี่ยของพวกเขา ความไวที่เกิดพล็อตสำหรับทุกสถานี (รูป. 4a) แสดงให้เห็นว่าการคาดการณ์ความน่าจะเป็นของการเลือกลดลงสถานีที่ใกล้ที่สุดการเดินทางระยะทางเพิ่มขึ้นสำหรับทุกห้าค่าธรรมเนียมการเดินทางที่แตกต่างกันซึ่งมีการเดินทางกว่าหนึ่งโซน($ 2.70) สองโซน ($ 4.00) สาม โซน($ 4.90) สี่โซน ($ 5.80) และห้าโซน($ 7.10) โดยทั่วไปใกล้ชิดสถานีได้รับการแต่งตั้งไปยังปลายทางที่น่าจะต่ำกว่าของสถานีได้รับการแต่งตั้งเป็นสถานีรถไฟที่ใกล้ที่สุดที่มายกเว้น

ผลลัพธ์ (ไทย) 3:

4.3 . ตัวแบบถดถอยโลจิสติกไม่ใช่เชลยสถานี
มันสามารถเห็นได้จากตารางที่ 7 ว่า ความสัมพันธ์ระหว่างระยะทาง
และเวลาในการเดินทาง , โหมดและเวลาเดินทาง จุดประสงค์ และ inboundout และ
inboundout travelfeed และ 0.5 , 0.5 และ  0.45 , 
 0.35 ตามลำดับ ดังนั้น เวลา การเดินทาง และ inboundout ออกเพื่อเลือกรุ่นถูก
.
3 ตัวแปรที่ระบุไว้จะดีที่สุด
) จากการวิเคราะห์การถดถอยโลจิสติกที่เหมาะสมไม่ใช่เชลยสถานี ( ดู
โต๊ะ 8 ) มีแต่ไม่จับบันทึกสถานี
( ตารางที่ 2 ) แต่ขนาดตัวอย่างสำหรับการถดถอยแบบนี้แล้วกับ
73 ขาดประวัติถูกลบออกสำหรับวัตถุประสงค์ของการวิเคราะห์ ตัวแปรที่มีอิทธิพลมากที่สุด
เป็นค่าใช้จ่ายในการเดินทาง ( จากการเลือกปลายทางสถานี

)น้อยกว่าต้นทุนของการเดินทางจากสถานี
เลือกไปยังปลายทาง ยิ่งเลือกสถานีจะเป็น nonnearest
สถานี ซึ่งสอดคล้องกับผลจาก
รูปแบบโดยรวม แต่แตกต่างจากรุ่นทั้งหมดเลือก
สถานี ต้นทุน ( ต้นสถานี ) พบว่ามีความ น้อย
ต้นทุนจากต้นทางไปยังสถานีที่เลือกอาจน้อยกว่านั้น
เลือกสถานีจะเป็นสถานีที่ใกล้ที่สุด
5 การทดสอบความไวของการทดสอบความไวของนโยบายการดำเนินการโดยใช้รูปแบบโดยรวมที่แสดงในตารางที่ 4
เพื่อศึกษาอิทธิพลของระยะการเดินทาง ( จากที่มา
เพื่อเลือกสถานี ) และค่าใช้จ่ายในการเดินทาง ( จากการเลือกสถานีที่จะ
ปลายทาง ) ที่สถานีที่ใกล้ที่สุด โดยการเลือกตัวแปรอิสระอื่น ๆที่พวกเขา
หมายถึง .ผลไว
พล็อตสำหรับทุกสถานี ( ภาพที่ 4 ) พบว่า คาดการณ์ความน่าจะเป็นของการเลือกสถานีที่ใกล้ที่สุด

เมื่อเดินทางระยะห่างที่เพิ่มขึ้นสำหรับทุกห้าที่แตกต่างกันค่า

เดินทางท่องเที่ยว ซึ่งมีมากกว่าหนึ่งโซน ( $ 2.70 ) 2 โซน ( $ 4.00 ) 3 โซน
( $ 4.90 ) สี่โซน ( $ 5.80 )
5 โซน ( $ 7.10 ) โดยทั่วไป ,
ใกล้เลือกสถานีปลายทางลดความน่าจะเป็น
ของเลือกสถานีเป็นสถานีรถไฟที่ใกล้ที่สุดกับประเทศ ยกเว้น