FACTORS ANALYSIS OF FOOTWEAR TRADE INDUSTRY OF INDONESIA MAIN EXPORT DESTINATION
Notice bibliographique
Résumé
This study aims to identify the factor that affecting the footwear trade industry in Indonesia based on Indonesia main export destination. Understanding these factors could help leaders in trade industry institutions to better plan their strategies and further research on footwear trading. A set of data was obtained from Badan Pusat Statistic (BPS) based on data from Indonesia footwear main export destination namely: United States, China, Belgium, Germany, Japan, United Kingdom, Netherlands, Korea, Italy, Australia, Mexico, France, Canada, Denmark, Singapore, Brazil, Hong Kong, Russian Federation, Chile, Argentina and Other Countries. Exploratory factor analysis was used to identify the underlying dimensions of countries as Indonesia main export destination. By applying the factor analysis, the study will decide the number of factors to be retained and the total variance explained by these factors; the study can identify the variables in each factor retained in the final solution, on the basis of its factor loadings; the study can give names to each factor retained on the basis of the nature of the variables included in it; the study can suggest the test battery for assessing the footwear trade main export destination in Indonesia; and the study can test the adequacy of sample size used in factor analysis. The result of the study shows that KMO value is 0.784 which is > 0.5; hence, the sample size is adequate for the analysis and the commonalities of all the variables are more than .4; hence, all the variables are useful in the model. Since the variables are identified in factor 0.7 or more, the result shows that all factors which are from the year 2012-2016 contributed to the exports of footwear in Indonesia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».