Testing the Rival ModelWe compare (see Table 2) the proposed model wit dịch - Testing the Rival ModelWe compare (see Table 2) the proposed model wit Việt làm thế nào để nói

Testing the Rival ModelWe compare (

Testing the Rival Model
We compare (see Table 2) the proposed model with its rival on the following criteria: (1) overall fit of the model-implied covariance matrix to the sample covariance matrix, as measured by CFI; (2) percentage of the models’ hypothesized parameters that are statistically significant; (3) ability to explain the variance in the outcomes of interest, as measured by squared multiple correlations of the focal and out-come variables; and (4) parsimony, as measured by the par¬
simonious normed fit index (PNFI) (James, Mulaik, and Brett 1982).
Though the CFI for the rival model is slightly higher (CFI = .959 versus .890), only 11 of 29 (37.9%) of its hypothesized paths are supported at the p < .05 level (including only 7 of 29 (24.1%) supported at p < .01). In contrast, 12 of 13 hypothesized paths (92.3%) in the KMV model are supported at the p < .01 level. Importantly, 9 of the 11 significant direct effects in the rival are significant direct or indirect effects in the KMV model (the exceptions are relationship benefits —» propensity to leave and relationship benefits —> cooperation). Moreover, little, if any, additional explanatory power is gained from the additional 16 paths. The rival’s SMCs are acquiescence = .395, propensity to leave = .352, cooperation = .561, functional conflict = .235, and uncertainty = .153. The largest increment to SMC was .080 (for acquiescence) and the mean increment only .058. 
The total coefficient of determination for the rival is actually less than that of the KMV model (.805 versus .810).
As is obvious from Figures 2 and 3 , there is a great difference in parsimony between the KMV and rival models (13 versus 29 paths). Because CFI does not account for par-simony differences, we compare the two models using PNFI. Because PNFI is informed by both the goodness of fit of the model and its parsimony, one commonly finds that goodness of fit indices in the .90s translate to parsimonious fit indices less than .60 (Mulaiketal. 1989). The KMV model’s PNFI of .555 exceeds the rival’s .228. Al¬though no guidelines exist for determining what is a significant difference in PNFI values, we note that to accomplish a 7.8% improvement in CFI (from .890 to .959), one sacrifices 41.1% in PNFI (from .555 to .228). Such a sacrifice, it would seem, is too great. Stated conversely, we accomplish a great improvement in parsimony (from 29 paths to 13 paths) by sacrificing only 7.8% in CFI a sacrifice seemingly worth making for the sake of parsimony.
0/5000
Từ: -
Sang: -
Kết quả (Việt) 1: [Sao chép]
Sao chép!
Testing the Rival ModelWe compare (see Table 2) the proposed model with its rival on the following criteria: (1) overall fit of the model-implied covariance matrix to the sample covariance matrix, as measured by CFI; (2) percentage of the models’ hypothesized parameters that are statistically significant; (3) ability to explain the variance in the outcomes of interest, as measured by squared multiple correlations of the focal and out-come variables; and (4) parsimony, as measured by the par¬ simonious normed fit index (PNFI) (James, Mulaik, and Brett 1982).Though the CFI for the rival model is slightly higher (CFI = .959 versus .890), only 11 of 29 (37.9%) of its hypothesized paths are supported at the p < .05 level (including only 7 of 29 (24.1%) supported at p < .01). In contrast, 12 of 13 hypothesized paths (92.3%) in the KMV model are supported at the p < .01 level. Importantly, 9 of the 11 significant direct effects in the rival are significant direct or indirect effects in the KMV model (the exceptions are relationship benefits —» propensity to leave and relationship benefits —> cooperation). Moreover, little, if any, additional explanatory power is gained from the additional 16 paths. The rival’s SMCs are acquiescence = .395, propensity to leave = .352, cooperation = .561, functional conflict = .235, and uncertainty = .153. The largest increment to SMC was .080 (for acquiescence) and the mean increment only .058. The total coefficient of determination for the rival is actually less than that of the KMV model (.805 versus .810).
As is obvious from Figures 2 and 3 , there is a great difference in parsimony between the KMV and rival models (13 versus 29 paths). Because CFI does not account for par-simony differences, we compare the two models using PNFI. Because PNFI is informed by both the goodness of fit of the model and its parsimony, one commonly finds that goodness of fit indices in the .90s translate to parsimonious fit indices less than .60 (Mulaiketal. 1989). The KMV model’s PNFI of .555 exceeds the rival’s .228. Al¬though no guidelines exist for determining what is a significant difference in PNFI values, we note that to accomplish a 7.8% improvement in CFI (from .890 to .959), one sacrifices 41.1% in PNFI (from .555 to .228). Such a sacrifice, it would seem, is too great. Stated conversely, we accomplish a great improvement in parsimony (from 29 paths to 13 paths) by sacrificing only 7.8% in CFI a sacrifice seemingly worth making for the sake of parsimony.
đang được dịch, vui lòng đợi..
Kết quả (Việt) 2:[Sao chép]
Sao chép!
Kiểm tra mẫu Rival
Chúng tôi so sánh (xem Bảng 2) mô hình đề xuất với đối thủ của mình trên các tiêu chí sau đây: (1) tổng hợp của ma trận hiệp phương sai mô hình ngụ ý để các ma trận hiệp phương sai mẫu, được đo bằng CFI; (2) tỷ lệ phần trăm của các mô hình 'đưa ra giả thuyết rằng các thông số có ý nghĩa thống kê; (3) khả năng để giải thích sự khác biệt trong kết quả của sự quan tâm, được đo bằng nhiều mối tương quan bình phương của các đầu mối và ra-đi biến; và (4) sự cẩn thận, được đo bằng par¬
simonious định chuẩn phù hợp với chỉ số (PNFI) (James, Mulaik, và Brett 1982).
Mặc dù CFI cho mô hình đối thủ là cao hơn một chút (CFI = 0,959 so với 0,890), chỉ 11 trong 29 (37,9%) của đường dẫn đưa ra giả thuyết của nó được hỗ trợ ở mức p <0,05 (chỉ bao gồm 7 của 29 (24,1%) được hỗ trợ với p <0,01). Ngược lại, 12 trong số 13 đưa ra giả thuyết con đường (92,3%) trong mô hình KMV được hỗ trợ tại p <0,01 độ. Quan trọng hơn, 9 trong số 11 hiệu ứng trực tiếp đáng kể trong các đối thủ là tác động trực tiếp hoặc gián tiếp có ý nghĩa trong mô hình KMV (các trường hợp ngoại lệ là những lợi ích quan hệ - »xu hướng để lại và lợi ích quan hệ -> hợp tác). Hơn nữa, rất ít, nếu có, thêm khả năng giải thích được thu được từ việc thêm 16 đường. SMCs của đối thủ là phục tùng = 0,395, xu hướng rời = 0,352, hợp tác = 0,561, xung đột chức năng = 0,235, và không chắc chắn = 0,153. Mức tăng lớn nhất cho SMC là 0,080 (đối phục tùng) và tăng trung bình chỉ có 0,058. 
Tổng hệ số xác định cho các đối thủ thực sự là ít hơn so với các mô hình KMV (0,805 so với 0,810).
Như là hiển nhiên từ con số 2 và 3, có một sự khác biệt lớn trong sự cẩn thận giữa KMV và các mô hình đối thủ (13 so với 29 đường). Bởi vì CFI không tính đến sự khác biệt mệnh mua đồ thánh, chúng ta so sánh hai mô hình sử dụng PNFI. Bởi vì PNFI được thông báo bằng cả sự tốt lành của sự phù hợp của mô hình và sự cẩn thận của mình, một thường thấy rằng lòng tốt của các chỉ số phù hợp trong .90s dịch để chỉ số phù hợp với tiêu dùng tiết kiệm ít hơn 0,60 (Mulaiketal. 1989). PNFI của mô hình KMV của 0,555 vượt đối thủ của 0,228. Al¬though không có hướng dẫn tồn tại để xác định một sự khác biệt đáng kể trong giá trị PNFI là gì, chúng tôi lưu ý rằng để đạt được một sự cải thiện 7,8% trong CFI (0,890-0,959), một trong những hy sinh 41,1% trong PNFI (0,555-0,228 ). Một sự hy sinh như vậy, nó sẽ có vẻ là quá tuyệt vời. Nói ngược lại, chúng tôi thực hiện một cải tiến lớn trong sự cẩn thận (từ 29 đến 13 con đường con đường) bằng cách hy sinh chỉ 7,8% trong CFI một sự hy sinh dường như giá trị thực hiện vì lợi ích của sự cẩn thận.
đang được dịch, vui lòng đợi..
 
Các ngôn ngữ khác
Hỗ trợ công cụ dịch thuật: Albania, Amharic, Anh, Armenia, Azerbaijan, Ba Lan, Ba Tư, Bantu, Basque, Belarus, Bengal, Bosnia, Bulgaria, Bồ Đào Nha, Catalan, Cebuano, Chichewa, Corsi, Creole (Haiti), Croatia, Do Thái, Estonia, Filipino, Frisia, Gael Scotland, Galicia, George, Gujarat, Hausa, Hawaii, Hindi, Hmong, Hungary, Hy Lạp, Hà Lan, Hà Lan (Nam Phi), Hàn, Iceland, Igbo, Ireland, Java, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Kurd, Kyrgyz, Latinh, Latvia, Litva, Luxembourg, Lào, Macedonia, Malagasy, Malayalam, Malta, Maori, Marathi, Myanmar, Mã Lai, Mông Cổ, Na Uy, Nepal, Nga, Nhật, Odia (Oriya), Pashto, Pháp, Phát hiện ngôn ngữ, Phần Lan, Punjab, Quốc tế ngữ, Rumani, Samoa, Serbia, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenia, Somali, Sunda, Swahili, Séc, Tajik, Tamil, Tatar, Telugu, Thái, Thổ Nhĩ Kỳ, Thụy Điển, Tiếng Indonesia, Tiếng Ý, Trung, Trung (Phồn thể), Turkmen, Tây Ban Nha, Ukraina, Urdu, Uyghur, Uzbek, Việt, Xứ Wales, Yiddish, Yoruba, Zulu, Đan Mạch, Đức, Ả Rập, dịch ngôn ngữ.

Copyright ©2024 I Love Translation. All reserved.

E-mail: