The results of the stepwise MLR pro

The results of the stepwise MLR process are presented in Table 4.The model results show the selection variable parameter estimatesand odds ratios for the IDM and DBA architectures with EDW as thereference architecture. The table reveals that strategic view, resourceconstraints, and perceived ability influence the selection of a datawarehouse architecture when comparing the IDM and EDW architectures.Also, a strategic view was significant at pb0.05 in influencingthe odds of selecting the DBA architecture when compared to EDW.Specifically, the odds of selecting a DBA architecture when comparedto selecting an EDW architecture decreased by 19.5% as strategic viewincreased by 1 unit. The analysis indicated that perceived ability andresource constraints did not influence the chance of selecting a DBAwhen compared to the EDW architecture.The multinomial model was also assessed for its discriminatingpower. Assessing a multinomial model's predictive power is problematicwhen most of the responses are in a single category [53].Morespecifically, for the choice of data warehouse architectures, it isdifficult to create a model that outperforms using the dominantcategory (EDW was used 61% of the time) as the prediction for everycase. In response, a two-step assessment approach was used.First, the model's predictive power was tested against a “naïvemodel.” With a naïve model, every response category (i.e., the variousarchitectures) is assumed to be equally likely. Applying the naïvemodel, one of the three architectures is randomly selected, with any ofthe three architectures as likely to be predicted as the others. Withthis approach, the expected value is that the prediction is correct33.3% of the time. For comparison purposes, when the multinomialmodel was used, it predicted the correct architecture 62.8% of thetime.The second approach was to compare the multinomial model'spredictions for IDM and DBA against the percentages of responses inthose architecture categories. In other words, can the model predictwhich architecture would be used when the largest category isremoved? There were 104 DBA and 44 IDM responses for thesearchitectures, and the model predicted the correct architecture 76.8%of the time.

0/5000

原始語言: -

目標語言: -

結果 (繁體中文) 1: [復制]

復制成功！

逐步MLR工藝的結果呈現於表4中 的模型結果表明，選擇變量參數估計值 和比值比為IDM和DBA架構與EDW作為 參考架構。該表顯示，戰略眼光，資源 約束和感知能力的影響數據的選擇 比較IDM和EDW架構時，倉庫架構。 此外，戰略的觀點是在pb0.05顯著在影響 相比EDW時選擇DBA架構的機率。 具體而言，相比時選擇DBA架構的機率 來選擇EDW架構減少19.5％作為戰略視圖 增加1個單位。分析表明，感知能力和 資源限制不影響選擇DBA的機會 相比，EDW架構的時候。 多項式模型也被評估其鑑別 能力。評估多項模型的預測能力是有問題的 ，當大多數的答复是在一個單一類別[53]。更多 具體地，用於數據倉庫體系結構的選擇，它是 難以創建，使用主導性能優於一個模型 類別（使用EDW的時間）作為預測每61％ 的情況。在響應中，使用一個兩步驟的評估方法。 首先，模型的預測能力是對一個“天真測試 模型“。隨著一個幼稚模型中，每個響應類別（即，各種 架構）被假定為同樣可能。施加幼稚 模型，隨機選擇三個體系結構中的一個，與任何的 三個體系結構作為可能被預測為其他。有了 這種方法，預期值是預測正確 的時間33.3％。為了比較的目的，當多項式 被使用的模型，它預測的正確的體系結構62.8％ 的時間。 第二種方法是比較多項模型的 對IDM和DBA反對的答复百分比預測 這些建築類別。換言之，可以將模型預測 該建築最大的類別時，將用於 刪除？有對這些104 DBA和44 IDM反應 體系結構，並且模型預測正確的體系結構76.8％ 的時間。

正在翻譯中..

結果 (繁體中文) 2:[復制]

復制成功！

表 4 介紹了逐步 MLR 過程的結果。 模型結果顯示選擇變數參數估計值 IDM 和 DBA 體系結構的賠率，EDW 作為 參考體系結構。該表揭示了戰略觀點、資源 約束和感知能力會影響資料的選擇 比較 IDM 和 EDW 體系結構時，倉庫體系結構。 此外，在 pb0.05 時，戰略觀點在影響 與 EDW 相比，選擇 DBA 體系結構的可能性。 具體來說，比較選擇 DBA 體系結構的機率 選擇 EDW 體系結構作為戰略視圖減少了 19.5% 增加 1 個單位。分析表明，感知能力和 資源約束不影響選擇 DBA 的機會 與 EDW 體系結構相比。 多念模型也評估其鑒別 權力。評估多參數模型的預測能力存在問題 當大多數回應屬於單個類別 [53]時。更 具體來說，對於資料倉儲體系結構的選擇，它是 難以創建一個模型，優於使用顯性 類別（EDW被使用61%的時間）作為預測每 情況下。作為回應，採用了兩步評估方法。 首先，模型的預測能力被測試為"天真 模型。使用天真的模型，每個回應類別（即，各種 體系結構）假定同樣可能。應用幼稚 模型，三個架構之一是隨機播放的，與任何 三種架構可能與其他架構一樣被預測。與 此方法，預期值是預測正確 33.3%的時間。為了比較，當多數 模型使用，它預測正確的體系結構62.8% 時間。 第二種方法是比較多參數模型 IDM 和 DBA 的預測，與 這些體系結構類別。換句話說，模型可以預測 當最大的類別是 刪除？有 104 個 DBA 和 44 個 IDM 回應 體系結構，模型預測正確的體系結構 76.8% 時間。

正在翻譯中..

結果 (繁體中文) 3:[復制]

復制成功！

分步MLR過程的結果見錶4。 模型結果顯示了選擇變數參數的估計 使用EDW作為 參攷體系結構。該錶顯示了戰畧觀點、資源 約束和感知能力影響數據的選擇 比較IDM和EDW架構時的倉庫架構。 另外，在pb0.05時，戰畧觀點在影響 與EDW相比，選擇DBA架構的幾率。 具體來說，在比較時選擇DBA架構的幾率 選擇EDW架構作為戰畧視圖减少了19.5% 新增1組織。分析表明，感知能力和 資源限制不影響選擇DBA的機會 與EDW架構相比。 多項式模型的判別能力也得到了評估 權力。評估多項式模型的預測能力是有問題的 當大多數響應都在一個類別中時[53] 具體來說，對於資料倉庫體系結構的選擇，它是 很難創建一個優於使用 分類（61%的時間使用EDW）作為 案例。對此，採用了兩步評估方法。 首先，對模型的預測能力進行了測試 在一個天真的模型中，每個反應類別（即 架構）被認為是同樣可能的。運用天真 模型中，隨機選擇三種架構中的一種 這三種架構與其他架構一樣有可能被預測。與 這種方法的期望值是預測是正確的 33.3%的時間。為了便於比較，當 使用模型，它預測了正確的架構62.8% 時間。 第二種方法是比較多項式模型的 對IDM和DBA的響應百分比的預測 那些建築類別。換句話說，模型能預測 當最大的類別是 遠離的？有104個DBA和44個IDM響應 架構，模型預測正確架構為76.8% 是時候了。

正在翻譯中..

其它語言

本翻譯工具支援: 世界語, 中文, 丹麥文, 亞塞拜然文, 亞美尼亞文, 伊博文, 俄文, 保加利亞文, 信德文, 偵測語言, 優魯巴文, 克林貢語, 克羅埃西亞文, 冰島文, 加泰羅尼亞文, 加里西亞文, 匈牙利文, 南非柯薩文, 南非祖魯文, 卡納達文, 印尼巽他文, 印尼文, 印度古哈拉地文, 印度文, 吉爾吉斯文, 哈薩克文, 喬治亞文, 土庫曼文, 土耳其文, 塔吉克文, 塞爾維亞文, 夏威夷文, 奇切瓦文, 威爾斯文, 孟加拉文, 宿霧文, 寮文, 尼泊爾文, 巴斯克文, 布爾文, 希伯來文, 希臘文, 帕施圖文, 庫德文, 弗利然文, 德文, 意第緒文, 愛沙尼亞文, 愛爾蘭文, 拉丁文, 拉脫維亞文, 挪威文, 捷克文, 斯洛伐克文, 斯洛維尼亞文, 斯瓦希里文, 旁遮普文, 日文, 歐利亞文 (奧里雅文), 毛利文, 法文, 波士尼亞文, 波斯文, 波蘭文, 泰文, 泰盧固文, 泰米爾文, 海地克里奧文, 烏克蘭文, 烏爾都文, 烏茲別克文, 爪哇文, 瑞典文, 瑟索托文, 白俄羅斯文, 盧安達文, 盧森堡文, 科西嘉文, 立陶宛文, 索馬里文, 紹納文, 維吾爾文, 緬甸文, 繁體中文, 羅馬尼亞文, 義大利文, 芬蘭文, 苗文, 英文, 荷蘭文, 菲律賓文, 葡萄牙文, 蒙古文, 薩摩亞文, 蘇格蘭的蓋爾文, 西班牙文, 豪沙文, 越南文, 錫蘭文, 阿姆哈拉文, 阿拉伯文, 阿爾巴尼亞文, 韃靼文, 韓文, 馬來文, 馬其頓文, 馬拉加斯文, 馬拉地文, 馬拉雅拉姆文, 馬耳他文, 高棉文, 等語言的翻譯.