Longitudinal analyses It is known t

Longitudinal analyses It is known that risk perception measures prospectively predict risk-taking behaviour (Floyd, Prentice-Dunn, & Rogers, 2000; Harrison et al., 1992; van der Pligt, 1998). To further assess the validity of study measures, a similar analysis was conducted on the currentdata set. Dangerof 70km/h ina 60zoneat T1 was correlated with speeding at T2 (rð253Þ ¼ 2:30, p , :01), as was T1 danger at 80km/h (rð253Þ ¼ 2:18, p , :05), and T1 risk beliefs (rð253Þ ¼ 2:35, p , :01). A hierarchical regression was conducted to predict T2 speeding from T1 risk perceptions. At Stage 1, age, gender, and T1 speeding were added. This resulted in an R 2 (df¼3,251) of .300. The three risk perception items were added at Stage 2. A significant increase in R 2 was noted (DR2 ð3;248Þ ¼ :034, p , :01). Due to the T1 correlations between the risk perception items, the only significant multivariate predictor was risk beliefs (standardized b ¼ 20:16, p , :05). This offers some support for the validity of measures used in the study. Table 3 shows univariate and multivariate predictors of T2 risk perceptions. Univariate correlations showed that both T1 speeding and T1 to T2 speeding change inversely predicted danger at 70km/h and risk beliefs, whilst T1 speeding inversely predicted danger at 80km/h. Three hierarchical regressions were used to predict T2 risk perception variables controlling T1 scores on the relevant variable, age and gender. Logistic regression was used for the danger 80km/h analysis, linear regression for the others. T1 scores, age, and gender were entered first, followed by T1 speeding and speedingchange.Ageandgenderwerenotsignificantpredictorsandwereremovedfrom all analyses. The first step was significant in all equations. The addition of the step 2 variables produced significant model improvements for all equations. Both T1 speeding and the speeding change score were significant inverse predictors of all three T2 risk perception scores. Details of these analyses can be found in Table 3. Table 1 Item Means and SD at Time 1 and Time 2, and Changes from T1 to T2 (N ¼ 255).

結果 (繁體中文) 1:

縱向分析
據了解，風險意識的措施前瞻性預測的冒險行為（弗洛伊德，普倫蒂斯 - 鄧恩，和Rogers，2000; Harrison等，1992;范德Pligt，1998）。為了進一步評估研究措施的有效性，類似的分析，對CURRENTDATA組進行。Dangerof70公里每小時INA 60zoneat T1用在T2（rð253Þ¼2:30，P，：01）超速相關，因為是在80公里每小時T1危險（rð253Þ¼2:18，P，：05），和T1風險信仰（rð253Þ¼2:35，p：01）。分層回歸進行預測從T1風險認知T2超速。在第一階段中加入年齡，性別和T1超速。這導致的0.300的R 2（df¼3,251）。在階段2中的R 2所述的顯著增加指出加入三風險感知項目（DR2 D3;第248¼：034，P，：01）。由於風險認知項之間的相關性T1，唯一顯著的多元預測是危險的信念（標準化β= 20:16，P：05）。這提供了在研究中使用的措施的有效性一定的支撐。表3顯示了單變量和T2風險認知的多因素分析。單因素的相關性表明，兩種T1超速和T1到T2超速變化成反比預測在70公里每小時和風險信仰的危險，而T1加快在80公里每小時成反比預測的危險。三個層次回歸被用來預測T2風險認知變量控制的相關變量，年齡和性別T1分數。邏輯回歸被用於危險80公里每小時分析，線性回歸為他人。T1得分，年齡和性別都進入了第一個，其次是T1超速speedingchange.Ageandgenderwerenotsigni網絡cantpredictorsandwereremovedfrom所有的分析。第一步的網絡連接是所有方程顯著。加入步驟2的變量產生的為所有方程顯著的模式的改進。無論T1超速和超速變化得分都顯著的逆三個T2風險認知成績的預測。這些分析的細節可以在表3中。表1項目的裝置和SD在時間1和時間2中找到，和變更從T1到T2（N¼255）。

結果 (繁體中文) 2:

縱向分析
眾所周知，風險感知指標可預測冒險行為（佛洛德、普倫蒂斯-鄧恩和羅傑斯，2000年;哈里森等人，1992年;范德普利格特，1998年）。為了進一步評估研究措施的有效性，對目前的資料集進行了類似的分析。T1 在 T2 （r_253+ 1/4 2：30， p ， ：01） 處與超速有關，T1 危險在 80km/h （ré253] 1/4 2：18， p ， 05） 和 T1 風險信念 （r_253+ 1/4 2：35， p， 01）。進行了分層回歸，以預測 T2 加速從 T1 風險感知。在第 1 階段，添加了年齡、性別和 T1 超速。這導致 R 2 （df1/43，251） 為 .300。在第二階段添加了三個風險感知專案。R 2 顯著增加 （DR2 = 3;248 = 1/4 ：034， p ， ：01）。由於風險感知項之間的 T1 相關性，唯一顯著的多變數預測變數預測變數是風險信念（標準化 b 1/4 20：16，p ， ：05）。這為研究中使用的措施的有效性提供了一些支援。表 3 顯示了 T2 風險感知的單變數和多變數預測變數。Univaris 相關性顯示，T1 超速和 T1 到 T2 超速變化在 70km/h 和風險信念時逆向預測危險，而 T1 超速則以 80km/h 的速度反向預測危險。使用三個分層回歸來預測控制相關變數、年齡和性別的 T1 分數的 T2 風險感知變數。邏輯回歸用於危險80km/h分析，其他分析為線性回歸。T1 分數、年齡和性別首先輸入，然後輸入 T1 超速和變速。年齡和性別無意義的預測，並從所有分析中刪除。第一步在所有方程中都是重要的。步驟 2 變數的添加為所有方程產生了顯著的模型改進。T1 超速和超速變化分數是所有三個 T2 風險感知分數的顯著反向預測變數。這些分析的詳細資訊見表 3。表 1 專案在時間 1 和時間 2 處的 SD，以及從 T1 更改為 T2（N 1/4 255）。

結果 (繁體中文) 3:

縱向分析
眾所周知，風險感知量測可以預測冒險行為（Floyd，Prentice Dunn，&Rogers，2000；Harrison等人，1992；van der Pligt，1998）。為了進一步評估研究措施的有效性，對當前數据集進行了類似的分析。在60個區域中，70公里/小時的危險係數T1與在T2時的超速相關（rð253Þ425 2:30，p，：01），80公里/小時時的T1危險係數T1（rð253Þ425 2:18，p，：05）和T1風險信念（rð253Þ425 2:35，p，：01）。採用層次回歸法從T1風險感知預測T2加速。在第1階段，年齡、性別和T1超速被添加。這導致了R 2（df/3251）為0.300。在第2階段新增了三個風險感知項目。R 2顯著增加（DR2ð3；248Þ4:034，p，：01）。由於風險感知項目之間的T1相關性，唯一顯著的多變數預測因數是風險信念（標準化b/20:16，p，：05）。這為研究中使用的措施的有效性提供了一些支持。錶3顯示了T2風險感知的單變數和多變數預測因數。單變數相關分析顯示，T1和T1至T2的速度變化都會反向預測70km/h時的危險和風險信念，而T1的速度變化反向預測80km/h時的危險。使用三個層次回歸分析預測T2風險感知變數，控制相關變數、年齡和性別的T1分數。危險性分析採用Logistic回歸，其餘採用線性回歸。首先輸入T1分數、年齡和性別，然後輸入T1超速和速度變化。年齡和性別無顯著預測因素，並從所有分析中删除。第一步在所有方程中都很重要。第2步變數的加入對所有方程的模型都產生了顯著的改進。T1超速和超速變化得分都是T2危險感知得分的顯著反向預測因數。這些分析的細節見錶3。錶1第1次和第2次的平均值和標準差，從T1變為T2（N/255）。