标识＂src=

科学世界杂志
PDF
科学世界杂志/2020/文章

研究文章|开放获取

体积 2020 |文章ID. 4194293 | https://doi.org/10.1155/2020/4194293

玛丽亚姆M. Kheirollahpour，马哈茂德·Danaee，阿米尔费萨尔A. F.美利肯阿斯玛·艾哈迈德A. A.谢里夫， ＂饮食行为影响因素的预测:结构方程建模-人工神经网络的混合模型“，科学世界杂志， 卷。2020， 文章ID.4194293， 12 页面， 2020． https://doi.org/10.1155/2020/4194293

饮食行为影响因素的预测:结构方程建模-人工神经网络的混合模型

马里亚姆M。凯罗拉普尔，1 马哈茂德·m·Danaee，2 阿米尔·费萨尔，美国人，3.，4 和 阿斯玛·艾哈迈德A. A.谢里夫4，5

1马来亚大学高等研究院，马来西亚吉隆坡50603

2社会系与预防医学，医学系，马来亚大学，吉隆坡50603，马来西亚

3.马来西亚吉隆坡马来亚大学理学院生物科学研究所

4生物学，生物工业，环境，农业和医疗保健（水晶），马来亚大学，马来亚大学，马来西亚的计算科学和信息学研究中心

5数学师，马来亚大学科学研究中心研究中心，吉隆坡50603，马来西亚

学术编辑：阿德里安娜·格列柯
已收到 2019年8月23日
修改 2020年3月16日
接受 2020年4月21日
发表 2020年5月18日

抽象的

饮食行为危险因素在肥胖一级预防中的重要性已经确立。研究人员大多使用线性模型来确定这些风险因素之间的关联。然而，在现实中，这些因素之间的非线性的存在导致了预测模型的偏差。本研究的目的是探索一种混合模型预测饮食行为的潜力。采用结构方程模型(SEM)和人工神经网络(ANN)的混合模型对预测模型进行评价。采用扫描电镜(SEM)分析情绪进食量表(EES)、体型关注量表(BSC)和身体欣赏量表(BAS)之间的关系及其对不同饮食行为类型(EBP)的影响。第二步，从SEM分析中得到ANN分析所需的输入和输出，并将其应用到神经网络模型中。340名大学生参与了这项研究。采用具有前馈网络拓扑结构的多层感知器(MLP)建立了混合模型(SEM-ANN)。此外，Levenberg-Marquardt是一种有监督的学习模型，它被用作MLP训练的学习方法。 The tangent/sigmoid function was used for the input layer, while the linear function was applied for the output layer. The coefficient of determination (R2）计算均方误差（MSE）。使用混合模型，最佳网络发生在MLP 3-17-8。事实证明，混合模型优于SEM方法，因为R2该模型的增加了27％，而MSE降低9.6％。此外，发现BSC，BAS和EES显著影响健康和不健康的饮食行为模式。因此，混合方法可以被建议为从机器学习的角度来看一个显著方法论的贡献，并可以实现为软件预测精度最高的机型。

1.介绍

最近的研究表明，行为因素，例如饮食行为模式，情绪饮食行为，身体形状关注，身体欣赏是最有影响力的因素，导致体重增加和肥胖[1- - - - - -3.］．本研究的目的是测试流程饮食行为模式的三个潜在的预测，以补充从分析方法改进的角度来看，传统的研究方法的新的研究模型。现有的几个研究中该研究已申请机器学习的方法来研究饮食考虑线性和非线性效应的行为模式的预测模型。据计划行为理论[4]并结合相关文献，运用身体鉴赏（BA）、体形关注（BSC）、情绪饮食量表（EES）和饮食行为模式（EBP）四个主要结构，建立了饮食行为模式及其影响因素的模型。因此，在本研究中，概念模型是在理论和相关文献的基础上进行的。该概念模型由三个外生（独立）饮食模式组成，包括情绪饮食量表、体型关注和身体欣赏，以及一个内生（因变量）饮食行为模式（见图1）。这些因素都直接关系到饮食行为模式（EBP），这也导致肥胖的评估[5］．研究人员发现，情绪饮食和暴饮暴食和体重增加[之间有很强的关系6- - - - - -8］．对身材的关注和对身材的欣赏是与评估身体形象对导致肥胖的能量摄入的影响直接相关的因素[9，10］．


图1
的影响因素EBP概念性框架。

对体型的关注是一种评估个体对体型感知的构念，它包括与自我感知相关的行为、情绪和信念[11］．可以使用诸如BSCQ的心理测量刻度来评估这种感知，最近调整到三个构造的数量和34项的数量[12］．此外，机身升值对体重问题的影响，最近的研究[13］．身体欣赏量表问卷(BASQ)测量的是一个人对自己身体的积极感知，最初被Avalos等人验证。[14］．BASQ涵盖了对身体的正面评价，如接受身体的不完美，尊重和保护身体[15］．该问卷共13个项目两个部分组成。所述情绪饮食被称为“吃响应于范围消极情绪的应付负效应” [16］．此外，修订了情绪饮食量表问卷(EESQ)，以衡量对特定情绪的饮食习惯，包括愤怒、焦虑和幸福(四个组成部分和18项)[17]. 最近，对饮食行为模式问卷（EBPQ）进行了验证，该问卷包括9个组成部分和51个项目，用于与传统的饮食评估方法相比，预测具有不同社会经济地位的非裔美国女性的脂肪和纤维摄入量[5］．EBPQ被用于流行病学研究，以衡量饮食行为模式和健康结果之间的关系。EBPQ由九类健康和不健康的饮食行为组成，包括低脂饮食、户外饮食、零食、提前计划、文化习惯、健康饮食、甜食、情绪化饮食和不吃饭。

由于肥胖被称为糖尿病，癌症和心血管疾病的主要原因之一，因此改变这些慢性病的主要决定因素可能会降低饮食有关的疾病[18］．

为了评估建议的模式，结构方程模型（SEM）应用。SEM被称为一个纯粹的技术审查和因果建模公共卫生和行为科学问题的线性关系。特别地，该方法用于验证与5-李克特量表点基于问卷调查的研究[19］．在目前的研究中，应用了部分最小二乘SEM（PLS-SEM）估计方法，因为该方法能够评估复杂模型预测中的线性关系。此外，使用PLS-SEM方法的重要性是用几个构造（潜在变量）及其指标（项目）作为外部模型来验证测量模型，并评估潜在构造（组件）之间的因果关系作为内部通过路径模型分析模型[20.］．因此，在本研究的第一阶段，我们检验了所有构面及其指标的测量模型，并确定了BSC、BA、EES三个构面与EBPQ的9个成分之间的因果关系。特别地，本文的分析涉及到SEM分析中的内部模型。然而，扫描电镜只能检测线性关系。这些因素中的大多数都可能对EBP产生非线性影响。这就是为什么在变量之间存在非线性关系(内模型)时，需要更精确的方法来评估这个模型的原因。

为了实现精确的估计，除了统计方法外，还提出了神经网络等非线性方法。大量学者将统计方法与神经网络相结合，而不是将传统的统计方法或神经网络分开使用[21- - - - - -24］．大多数这些研究人员已经发现，混合模式可以实现更高的更精确的结果R2(决定系数)和较低水平的误差指标，如同时进行RMSE和MSE [25- - - - - -29］．

为了填补本研究中模型变量之间存在非线性关系的空白，建议采用现代模型，如混合模型来解决复杂模型中的线性和非线性关系。在这种情况下，考虑了扫描电镜和神经网络的混合模型分析。ANN是一种机器学习方法，被认为是处理复杂系统非线性关系的强方法，如饮食行为预测模型[30.］．然而，由于其非线性固有的原因，ANN分析不适合评估线性关系[31］．因此，这两种方法的组合是互补的（例如，SEM模型和神经网络模型）[19］．事实上，我们准确地映射饮食行为模型的能力将使我们能够开发和测试与饮食有关的疾病发生的预测。神经网络模型是输入和输出信号的复杂结构，以及信号来自输入的神经元通过隐藏单元移动，并且最终到达输出单元。所有馈电多层ANN都有前馈结构。到目前为止，除了前馈网络之外，其他类型的ANN（例如，自组织地图（SOM）和径向基础函数（RBF））在解析实际问题方面非常有用，因此通常使用。前馈网络中的神经元通常具有单独的分层拓扑。通常，输入层的功能是引入输入变量的值。每个输出和隐藏层神经元与前一层的所有单元相关联。多层erceptron（MLP）涉及分层互连节点的系统，它包括一个或多个隐藏层。因此，MLP也称为前馈神经网络输入层，其将输入向量发送到网络。 MLP with feed-forward network topology is one of the most popular ANN architecture. However, deep learning and convolutional ANN are known as the most popular and modern ANN topology. The equation of perceptron is written as follows: 在网k为输出信号，φ.表示激活函数，与Perceptron的连接数是n，x = (x1、……xn）是的值我连接， 与相关联的权重我连接，和b显示阈值。

基于本研究的目标，形成了以下研究问题:混合模型(SEM-ANN)在预测饮食行为模式时，能在多大程度上评价体形关注、身体欣赏和情绪饮食行为模型?这项研究的结果可能对未来饮食失调预防计划的决策者特别有益。

2.(SEM-ANN)混合模型

根据相关文献，营销各个领域的许多研究人员[32],预测[33]，寿命管理的质量[34]，能源和环境工程[35]，以及水文学[36]施加的混合方法。大多数这些研究人员声称，混合方法可能是优于传统的统计方法，因为它可以通过不同的活动功能和隐藏节点层测量非线性关系。不过，也有在ANN和SEM的混合方法已经应用于一些研究。此外，还有使用混合模式在公共卫生和饮食行为的领域没有研究。

近年来，SEM作为一种预测化合物和线性模型的新方法被广泛应用。由于SEM只能评估线性关系，有时可能会过于简化复杂模型的复杂性。非线性神经网络分析可以弥补线性扫描电镜分析的不足。只有少数与商业和营销相关的研究使用(SEM-ANN)混合模型来提高预测性能。在Sharma等人的一项研究中，使用了SEM-ANN模型[37]预测影响学生使用Facebook学习意向的主要因素。非线性和线性模型都被用来检验Facebook的采用情况。首先，使用结构方程模型对提出的假设进行检验，而在下一阶段，采用外生变量作为模型输入。该神经网络模型有助于更好地识别预测Facebook在高等教育中应用的因素。类似的研究使用同样的方法来检查经济领域的客户忠诚度和客户满意度[30.]. 结果表明，SEM-ANN作为两阶段预测分析提供了更全面的理解，因此可能具有重大的方法学贡献。此外，本文还结合ANN和SEM研究了影响消费者移动商务意向的因素[38］．混合模型的预测性能显露是由其他研究好[35，39，40］．桌子1呈现在SEM-ANN混合模型的最新研究成果。
不 研究 年 混合模型 案例研究的输入 评估标准 结果与讨论 统计模型
1 ［37］ 2016 SEM-ANN 学生意向于Facebook的学术使用 R2RMSEA. 混合模式有助于更好地理解Facebook的预测的使用在高等教育因素 CB-SEM
2 ［30.］ 2015 SEM-ANN SERVPERF对低成本和全方位的服务中客户满意度和客户忠诚度的影响 RMSEA. 使用两阶段预测分析SEM神经网络分析可以提供更全面的理解，因此可以从统计学角度提供重要的方法学贡献 CB-SEM
3. ［38］ 2013 SEM-ANN 影响消费者采用移动电子商务意愿的因素 RMSEA. 用人演示了如何结合两种不同的数据分析方法multianalytic在任一方法途径和替代分析，能够改善结果的有效性和信心 CB-SEM
4 ［39］ 2012 SEM-ANN 采用组织间系统标准及其使用RosettaNet的好处 RMSEA. 通过将扫描电镜和神经网络相结合来检验RosettaNet的采用，改进了现有的技术采用方法 CB-SEM
5 ［40］ 2014 SEM-ANN 用户打算通过移动学习，马来西亚 RMSEA. 这为研究移动学习接受度的关键决定因素提供了一个新颖的视角，同时在这个模型中解释了更大的方差 CB-SEM
6 ［41］ 2014 SEM-ANN 通过使用RosettaNet作为一个案例研究，预测开放组织间系统(IOS)的采用 RMSE 神经网络支持RosettaNet的采纳中小企业的来路 PLS-SEM
7 ［42］ 2019 SEM-ANN 预测客户购买电动电池的意向 RMSE 一种新的方法解决了这一研究领域的分析问题 PLS-SEM
表格1
SEM-ANN研究综述。

3.材料和方法

3.1。伦理声明

该药物获得了马来亚大学医学院(UM.TNC2/RC/H&E/ umrecc -63)的伦理批准。同意参与这项研究的学生得到了一份问卷，包括解释研究的信息表和同意表格。受试者被要求单独完成问卷。

3.2。参与者

通过多级聚类随机抽样技术从马来亚大学（学期，2016年，2016年学期，2016年和2017年）中随机选中人口[43]与不同的社会经济地位和没有身体或精神疾病。在这项研究中，马来亚有17个院系的大学选择。首先，随机选择了五个院系根据学生的比例最高就读于各个院系。第二，该部分的大小和从不同的学院的样本的数目进行了测定。三，五个部门随机每个教职员工一个学期的班数的选择来自各部门的行政办公室获得。四，班级随机选择，最后参与者来自当地的学生随机选择。考虑到功率分析[44，计算结构方程建模所需的样本量。基本上，这个量β，α.，潜变量，指标的数量的数目被固定在这项研究。因此，通过考虑 ，潜变量数= 17项，指标数= 106项 ，PLS-SEM计算的最小样本数等于340。

3.3. 问卷调查

目前研究中使用的调查问卷包括五个部分。采用调查问卷的所有项目，并应用了心理学分析期间的微小校正。第1部分：自我报告人口调查问卷（年龄，婚姻状况（单身或已婚），教育级别（学士学位，硕士或博士学位和收入水平）第2部分：身体形状关注问卷（BSCQ）（34项）[45］第3部分：身体升值问卷（BAQ）（13项）[14］第4部分:情绪饮食量表问卷(EESQ)(51项)，在[46］第5部分:饮食行为模式问卷(EBPQ)(18项)[5］

使用MATLAB R2018b和Smart PLS，ver.3的进行统计分析。

3.4。结构方程建模

结构方程模型包括两个重要阶段，测量模型和结构模型。这是一个旨在探讨大学生之间的饮食行为危险因素横断面研究。关于SEM模型的设定，三个结构被定义为在模型预测（外生变量），包括情绪饮食量表（EES），身体升值（BA），和体型的关注（BSC）。另外，九类饮食行为模式（EBP）的被认为是依赖因子（内生变量）。在SEM分析，测量模型被用来验证收敛和区别效度。由于SEM分析的功率是基于所述测量模型的评价中，在第一步骤，用于计算通过所述测量模型的因子得分的SEM分析。然后SEM分析检查与相关指标各潜变量找到每个指标的相关未观测到的（潜在）变量的贡献后使用。每个潜变量是根据形成性或反射性的固有在第一阶段中进行检查。所有的结构都在第一级反射。

BA之间的因果关系，BSC，EES，和九类EBP的通过的结构模型检查。检查这表明主构建体的缔合数24路径系数。自举用于确定路径系数的意义，以及相关的方差由模型解释（R2）是达到的。在本研究中，部分最小二乘 - （PLS-）SEM被用作预处理器，其中数据主要由PLS-SEM（智能PLS Ver3）预处理，然后在神经网络模型中结合在一起（使用MATLAB编程）而不是直接使用。在最后一步，有必要结合SEM和ANN。ANN分析的架构需要输入，输出和隐藏图层。为了进行混合模型，SEM获得的主要构建体的因子分数被纳入了ANN中的输入和输出层。在这种情况下，使用身体欣赏，身体形状问题和情绪饮食量表的因子分数被用作神经网络模型中的输入变量。因此，将九个类别的饮食行为模式的因子得分用作神经网络模型的输出。根据ANN分析的标准选择隐性神经元的数量。根据标准选择最佳网络。

3．5．神经网络方法

本研究旨在探讨一种合适的混合方法来衡量利益变量之间的关联和关系。因此，将BA、BSC、EES三个自变量的因子得分作为输入变量。同时，将EBP类别的因子得分作为神经网络模型体系结构中的输出(目标)。人工神经网络的结构包括定义输入层、输出层和隐藏层的层数。在大多数情况下，如果不训练多个网络并估计每个网络的验证误差，就无法确定隐藏层的最佳数量和每个隐藏层中的神经元[47］．因此，检查了隐藏层中的不同数量的神经元。隐藏层中所选数量的神经元在10到20之间选择，因为除了这种间隔之外，获得了类似的结果，这就是为什么在本研究中没有报道这些数量。在ANN分析中，70％的数据用于神经网络培训，其余（15％）用于评估训练有素的网络预测的准确性，而15％用于验证网络性能。根据测试和训练数据集之间的差异选择最佳网络。此外，使用具有前馈网络拓扑的多层的Perceptron（MLP）。此外，Levenberg-Marquardt被应用于MLP训练的监督学习方法，该方法在配件中梯度的算法完全有效[48］．考虑到复杂模型分析性能最好，输入层采用正切/s型，输出层采用线性模型，因为结构模型中的因果关系大多是线性的。

4.结果与讨论

4.1。受访者的人口特征

In this cross-sectional study, 154 males and 186 female students of the University of Malaya contributed and the average age was reported to be 24.32 years old (SD = 3.6 years). The students were similar with regard to their educational level and income (Table2）。
意思 SD.
年龄 24.32 3．6
范围(22-36年)
身体质量指数 23.8 4.95
范围（15.98-41.69）
频率 ％
性别
 Male 154 45.29
 Female 186 54.71
教育程度
文凭 2 ０．５９
 Baccalaureate 234. 68.82
 哲学博士 89 26.18
 Postdoctoral 15 4.41
全部的 340. 100.
表2.
人口统计特征。

桌子3.显示了对数据集的探索性数据分析。
项目 意思 SD.
EBP
健康饮食 3.093 0.859
情绪化进食 2.832 0.934
吃零食 2.799 0.87
在外面吃饭 2.794 0.908
准备食物 2.980 0.519
低脂饮食 2.953 0.702
文化习惯 3.015 0.956.
糖果 2.818 0.861
粉跳 2.82 0.734
BSC.
自我认知 3.386 1.237
行为适应 2.545 1.091
比较行为 3.315 1.207
英航
一般升值 3.885 0.978
投资行动 3.643 1.044
EES.
大萧条/无聊/孤独的饮食 2.649 1.042
焦虑吃 2.658 1.099
愤怒的饮食 2.51 0.98
快乐的吃 2.863 1.252
表3
该数据集的探索性数据分析。
4.2。收敛和区分有效性

结果表明，EBP，BSC，BA和EES的所有构建都存在会聚有效性。复合可靠性（Cr）大于0.7是可接受的，提取（AVE）的平均方差≥0.5[49］．除了从模型中去除的一类EBP外，大多数外载荷都在0.7以上。此外，相关方法的异性状单性状比结果表明，所有构念均具有足够的判别效度[50］．最后，3个外生变量(BA、BSC和EES)和9类EBP作为内生结构及其指标仍在模型中。测量模型验证后，计算各潜在变量的因子得分。

4．3．路径分析

用路径分析检查在模型中的因果关系。不存在多重是在结构中发现，并基于引导的结果，所有外重分别显著。十七构建体被称为反射在所述第一顺序包括身体形状关注的三种组分，体升值的两个分量，情绪化饮食规模的四个组件，和八类饮食行为模式。所有反射构造示于图浅蓝色2．此外，平衡计分卡、BA和EES被称为第二顺序的反思构念。形成性结构如图中深蓝色所示2．在这种情况下，四个构造由孤独/抑郁症吃，焦虑吃，愤怒的饮食，幸福的饮食形成了情绪饮食量表（ees）。一般升值和投资行为行为形成了身体升值（BA），最后通过自我认知，适应行为和比较行为形成了身体形状关注（BSC）。


图2.
路径模型。

数字2表示路径模型。通过bootstrapping生成5000个样本。通径分析和PLS-SEM (bootstrapping)分析结果表明，只有5个通径系数不显著。自举方法的结果提供了一个 每个路径的值（表4）。如果报告的话，结构模型关系很大 值小于0.05。从图中提取的每个构造的外部负载2显示在单独的数字中。
路径 BSC. 英航 EES.
EBP类别 bet 价值 bet 价值 bet 价值
外出就餐 0.198 ≤0.01 −0.327 ≤0.01 0.113 0.07
情绪化进食 0.239 ≤0.01 −0.119 ≤0.05 0.447 ≤0.01
健康饮食 -0.099 0.101 0.259 ≤0.01 −0.395 ≤0.01
低脂 −0.154 ≤0.01 0.432 ≤0.01 −0.126 ≤0.05
粉跳 0.194 ≤0.01 -0.425 ≤0.01 0.211 ≤0.01
提前计划 -0.079 0.212 0.472 ≤0.01 −0.122 0.08
吃零食 0.385 ≤0.01 -0.244 ≤0.01 0.056 0.34
糖果 0.173 ≤0.01 -0.236 ≤0.01 0.218 ≤0.01
平衡计分卡:关注体型，平衡计分卡:欣赏体型，EES:情绪饮食量表。
表4.
路径分析的自举结果。
4.4。确定系数R2

的价值R2示出了BSC，EES的贡献，和BA到每个内源构建体。可以看出，外源结构必须情绪化饮食的看法最大的贡献与调整R2 = 0.445. This value is followed by meal skipping atR2 = 0.418 and healthy eating withR2 = 0.360. The lowest contribution of exogenous variables was reported on sweets with theR2 = 0.231. The MSE for the model was calculated as well.

4.5。混合模型（SEM-ANN）

最后，为了进行混合模型，将通过SEM分析计算的身体欣赏、体型关注和情绪饮食量表的因子得分作为神经网络模型的输入。因此，八类饮食行为模式(包括低脂饮食、健康饮食、户外饮食、不吃饭、蛇吃蛇、提前计划、情绪化饮食和甜食)的因子得分被用作神经网络模型的输出。根据该准则选择隐藏层的最佳节点数。

4.6。ANN体系结构选择准则

本研究采用人工神经网络方法[47]，通过考虑10、11、12、13、14、15、16、17、18、19和20个隐藏节点对初始网络进行测试。研究发现，包含17个隐藏节点的最优网络具有足够的复杂性，可以在不增加模型误差的情况下映射数据集。

The input layer, therefore, consisted of three exogenous significant variables from the SEM (e.g., body appreciation, body shape concern, and emotional eating behavior), while the output layer consisted of eight dependent variables (e.g., eating outside, emotional eating, planning for food, meal skipping, healthy eating, low-fat eating, sweets, and snacking; cultural habit was eliminated due to low factor loading).

通过反向传播训练算法对10个体系结构进行再一次训练，找出最优的ANN训练算法。数字3.显示了从表的分析得到的神经网络5．这是前馈传播网络与训练算法的Levenberg-马夸特的3-17-8神经元配置（Trainlm.)，以tan/sig作为隐藏层的传递函数，以线性函数作为输出。Levenberg-Marquardt被证明是最适合应用的(表)5）。


图3.
网络性能(R 2）。
不 设计MLP输入隐藏输出 训练性能 测试完善 验证PERF
1 MLP 3-10-8 0.640 0.562 0.521
2 MLP 3-12-8 0.634 0.522 0.610
3. 延时3-13-8 0.647 0.584 0.547
4 MLP 3-14-8 0.645 0.461 0.499
5 MLP 3-15-8 0.687 0.508 0.477
6 MLP 3-16-8 0.668 0.530. 0.408
7 MLP 3-17-8 0.647 0.624 0.552
8 延时3-18-8 0.636 0.581 0.591
9 延时3-19-8 0.676 0.551 0.505
10 延时3-20-8 0.675 0.482 0.538
表5.
网络性能(R 2）。

如在图中可以看出3.如果训练和测试精度之间的差异是最低的，那么我们的网络是合身的MLP 3-17-8。这一结果表明，该网络模型是捕捉预测和输出之间的数值关系相当可靠。

从表格6，对于训练集的MSE是0.548，而对于测试集为0.559。因此，网络模型是在捕获预测和输出之间的数值关系相当可靠。
不 设计MLP输入隐藏输出 训练错误 测试错误 验证错误
1 MLP 3-10-8 0.550. 0.730. 0.726
2 MLP 3-12-8 0.571 0.653 0.747
3. 延时3-13-8 0.584 0.636 0.750
4 MLP 3-14-8 0.634 0.571 0.692
5 MLP 3-15-8 0.520 0.750 0.701
6 MLP 3-16-8 0.547 0.661 0.799
7 MLP 3-17-8 0.548 0.559 0.751
8 延时3-18-8 0.577 0.623 0.677
9 延时3-19-8 0.518 0.830. 0.640
10 延时3-20-8 0.534 0.685 0.738
表6.
网络错误（MSE）。

考虑到表的结果6和图4时，训练误差略低于相应的测试误差。因此，可以得出最优网络发生在mlp3 -17-8。


图4.
网络错误MSE。

验证效果最好的是纪元3,MSE = 0.677。训练在纪元九号停止。数字5显示了MLP 3-17-8的图形验证网络。根据验证集的性能找到了最优的迭代次数，这在MATLAB生成的图中得到了清晰的显示。在这项工作中，训练数据显示了良好的拟合。R值接近0.6，所以它或多或少可以解释大约60%的情况。可以看出，混合方法比典型的统计方法具有更好的性能。然而，还需要进一步的研究。


图5.
MLP 3-17-8的验证性能。

为了比较两种技术在准确性方面的预测能力，R2比较了SEM和混合模型的数值和MSE。图形的结果6显示的值R2已经通过混合模型增加。一般来说，混合式模型显示出解释每个独立变量的因变量更高的贡献。

（一种）＂name=
（一种）
（b）＂name=
（b）
图6.
(a) MSE与(b) MSE比较R 2两种模型。

5.讨论

这项研究是为数不多的集成神经网络和SEM的研究之一[38，51］．首先，利用SEM模型对变量的内部一致性、收敛性和判别效度进行检验。然后，识别出饮食行为模型中的重要预测因子，并将其纳入神经网络模型。与其他研究相似[30.，38- - - - - -41[本研究提供了一种方法，可以通过采用来自SEM的结果来开发具有更高预测性能的神经网络模型。这些研究的结果表明，混合模型增加了模型的预测力。但是，SEM技术表现出良好的统计特性，混合模型提高了价值R2（20％），而误差的量减少（约9.6％）。

结果表明，扫描电镜技术在测量模型的结构效度方面是相当稳健的。结果表明，基于问卷的路径模型具有足够的收敛效度和判别效度。与其他研究相似[52[结果表明，EBPQ具有足够的会聚和判别有效性。类似的研究揭示了eesq的充分收敛和判别有效性，但eesq的因子结构尚未评估[17］．此外，BasQ的构建有效性在文献中报告。这些结果支持另一项研究的结果，发现这些贝克的这些分量之间存在良好的区别[53］．

根据SEM分析的结果，大多数关系都是身体形状关注，身体欣赏和情绪饮食量表（作为三个独立变量）和八个类别的饮食行为模式（外面吃，情绪吃，粉跳，鸣叫，糖果，低脂肪吃，健康的饮食和计划的计划）。

结果表明，身体形状关注对饮食行为模式的分量的影响是显着的，因为BSC的增加直接导致不健康的饮食模式的平均增加，特别是在外面吃，情绪饮食，跳过，零食和糖果。在印度城市青少年女孩的身体形状问题和进食行为研究中获得了类似的结果[54］．广泛的研究表明身体形状令人担忧预测不健康的饮食行为，导致饮食障碍[55，56]. 体形问题与健康饮食和计划食物没有显著关联。

此外，身体鉴赏力的增加会导致健康饮食、低脂饮食和食物计划的增加，而身体鉴赏力的增加会导致户外饮食、情绪化饮食、不吃饭、零食和糖果的减少。然而，在另一项研究中，没有发现身体欣赏和情绪化进食之间存在显著的直接关系[57］．

一般来说，情绪饮食被定义为在反应中吃的对负面情绪，这与避免不愉快的感觉和感情有关。我们的结果与其他结果一致，表明积极和负面情绪都在饮食行为中发挥重要作用[58］．可以看出，情绪化的饮食，情绪化的感知，糖果和粉末跳跃有增加。以前的研究表明，参与者更有可能消耗零食，并在饮食中具有高能量摄入碳水化合物和脂肪，在那里它们在饮食中被情绪无所不在59，60］．此外，情绪化进食量表与情绪化进食、甜食、不吃饭、健康饮食和低脂饮食显著相关。

SEM技术显示了良好的统计性能。但结果表明，混合模型在预测方面优于SEM [61］．在这项研究中所使用的混合模式不仅适用于预测的饮食行为，但它也可能在模拟的公共卫生和社会科学问题的应用相当可靠的方法。这项研究提供了理解混合动力车型新观点，这是因为人工神经网络用于现有文献的重要贡献多。事实上，multianalytic方法通过集成神经网络和PLS-SEM引入。

6.结论

本研究是对饮食行为模式的实证检查，而该模型与新方法一起支持传统理论。事实上，显示使用混合模型（SEM-ANN）适用于评估EES，BSC，BA和EBP之间的关系，由于具有线性和非线性方面的歧义。Ann和Sem接近彼此相互补充。这是一个很少在公共卫生领域使用的新方法。该方法使研究人员能够评估更高级别的模型R2和更低的MSE。

6.1。限制和建议

ANN分析有自己的限制，如黑盒操作性质[62］．长的训练时间被的神经网络技术的另一个限制。有时至少100次迭代都需要培养简单的网络。此外，研究应以更复杂的模型来完成，甚至应用更传统的统计与混合神经网络。此外，其它的神经网络，如遗传算法或机器学习方法应适用。

至于研究的参与者（即，大学生）而言，他们可能并不代表临床病人或成年人。此外，未来的研究可以把重点放在年龄层次的作用，对进食行为和更均匀的样品可以考虑。此外，在考虑到体升值概念不共享在不同的文化相同的概念和结构阶乘，则建议的有效性和在不同的文化此仪器的可靠性进行评价。

数据可用性

用于支持本研究结果的基于数字数据的问卷包含在补充信息文件中。此外，原始数据的Excel表被用于分析并支持该研究的结果。

披露

摘要本文发表于2019 ICASA：国际应用统计分析评为“结构方程模型，人工神经网络的混合模式：在饮食行为影响因素的预测。”

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

这项工作是由高等教育部马来西亚基础研究资助计划（：FP008-2014B FRGS）的支持。

补充材料

Excel数据表。（补充材料）

参考

  1. m .之。“新加坡超重和肥胖华人饮食行为调查问卷的心理测量分析”，食欲， 2016, vol. 101, pp. 119-124。视图:出版商的网站|谷歌学者
  2. S. R. Partridge, K. McGeechan, a . Bauman, P. Phongsavan，和M. Allman-Farinelli，“改善饮食行为可以预防年轻人体重增加:TXT2BFiT的随机对照试验的调节和调节结果，mHealth项目，”国际行为营养与体育活动杂志，第13卷，第2期1, p. 44, 2016。视图:出版商的网站|谷歌学者
  3. A. Sutin，E. Robinson，M. Daly和A. TerriChiano，“体重歧视和不健康的饮食有关行为”食欲，卷。102，pp。83-89,2016。视图:出版商的网站|谷歌学者
  4. D. E.希夫特和一阿杰恩，“用心，感知控制和减肥：中计划行为理论的应用”人格与社会心理学杂志，卷。49，没有。3，第843-851，1985。视图:出版商的网站|谷歌学者
  5. D. G. Schlundt世界卫生组织，M. K.哈格里夫斯和M. S. Buchowski“的饮食行为模式调查预测，非洲裔美国妇女的膳食脂肪的摄入量，”美国饮食协会杂志，第103卷，第3期，第338-345页，2003年。视图:出版商的网站|谷歌学者
  6. MMK斯托耶克，M。塔诺夫斯基·克拉夫，L。BShomaker等人，“青少年情绪和饮食失控与饮食紊乱、体重和肥胖1年变化的关系，”国际饮食障碍杂志，第50卷，第5期。5, pp. 551-560, 2017。视图:出版商的网站|谷歌学者
  7. H. Sultson, K. Kukk，和K. Akkermann，“积极和消极情绪饮食与暴饮暴食有不同的联系:积极-消极情绪饮食量表的构建和验证，”食欲，卷。116，第423-430,2017。视图:出版商的网站|谷歌学者
  8. T.范Strien，H. Konttinen，J.R。城Homberg，R. C. M. E.恩格斯和L. H. H. Winkens，“情感饮食如抑郁和体重增加之间的中介，”食欲，卷。100，pp。216-224,2016。视图:出版商的网站|谷歌学者
  9. L. BEAUDIN和J. Skaza，“测量的人口和行为因素对肥胖会计的抑郁状况的风险的总体影响：使用新的BMI结构模型的方法，”应用经济学，卷。47，没有。55，PP。6041-6053,2015。视图:出版商的网站|谷歌学者
  10. B. L. king - kalmanis, F. J. orort, M. R. M. Visser, M. A. G. Sprangers，“健康相关生活质量数据的结构方程模型说明了反应转变的测量和概念视角，”临床流行病学杂志第62期11，页1157-1164,2009。视图:出版商的网站|谷歌学者
  11. L. Gailledrat，M. Rousselet，J.-L。。Venisse等人，“所标示的体形关注的女性患者从饮食紊乱症的临床亚组的相关性，”《公共科学图书馆•综合》，卷。11，文章编号e0165232年，2016年。视图:出版商的网站|谷歌学者
  12. WR达席尔瓦，J。CR迪亚斯，J。马罗科和J。A.DBCampos，“应用于巴西大学生的不同版本体型问卷的验证性因素分析，”身体形象，卷。11，不。4，pp。384-390,2014。视图:出版商的网站|谷歌学者
  13. R.安德鲁M. Tiggemann和L.克拉克，“预测身体升值的年轻妇女：正面的身体形象的综合模式”身体形象，第18卷，第34-42页，2016。视图:出版商的网站|谷歌学者
  14. L. Avalos，T.T.Tylka和N. Wood-Barcalow，“身体升值规模：发展和心理测量评估”身体形象，第2卷，第2期3，页285-297,2005。视图:出版商的网站|谷歌学者
  15. K. Holmqvist和A.Frisén，“我打赌他们不是那么完美的现实”：从积极的身体形象的青少年的角度看，外观是理想的，“身体形象，第9卷，第5期。3, pp. 388-395, 2012。视图:出版商的网站|谷歌学者
  16. P. Bongers, A. de Graaff和A. Jansen， "情绪化"甚至还没有开始涵盖它:情绪化食者暴饮暴食的普遍化"食欲，第96卷，第611-616页，2016。视图:出版商的网站|谷歌学者
  17. K. L. Schneider, E. Panza, B. M. Appelhans, M. C. Whited, J. L. Oleski, and S. L. Pagoto， "情绪化进食量表。自我报告能预测所观察到的情绪化进食吗?”食欲，卷。58，不。2，pp。563-566,2012。视图:出版商的网站|谷歌学者
  18. F. Johnson, M. Pratt和J. Wardle，《饮食控制和饮食行为的自我调节》，国际肥胖杂志第36卷第2期5, pp. 665-674, 2012。视图:出版商的网站|谷歌学者
  19. S.-H.许W.-H.陈忠和M.-J.谢，“PLS，LISREL，EQS和健壮性测试ANN-基于SEM用于测量客户满意”全面的质量管理和商业卓越，第十七卷，第二期3，页355-372,2006。视图:出版商的网站|谷歌学者
  20. JF头发，C。M林格尔和M。Sarstedt，“PLS-SEM：确实是一颗银弹，”营销理论与实践杂志，卷。19，没有。2，第139-152，2011。视图:出版商的网站|谷歌学者
  21. A.德米尔，A。沙德马诺夫，C。艾迪尼和E。Okan，“使用竞争（混合人工神经网络与多元回归）模型设计日本经济增长预测模型，”Ecoforum Journal，第4卷，第6期，2015年。视图:出版商的网站|谷歌学者
  22. C. Guarnaccia，J. Quartieri和C. Tepedino，“在基于时间序列分析和人工神经网络的城市区域噪声的混合预测模型”，在AIP会议记录，AIP Publishing LLC，美国纽约州梅尔维尔，2017年6月。视图:出版商的网站|谷歌学者
  23. S. Panigrahi和H. S. Behera，“A混合ETS-ANN模型处理时间序列预测，”人工智能的工程应用， 2017年，第66卷，第49-59页。视图:出版商的网站|谷歌学者
  24. Y朱，C。谢，B。孙，G-J。王和X-G。Yan，“通过逻辑回归、人工神经网络和混合模型预测中国供应链融资中的中小企业信用风险，”可持续性，第8卷，第2期5，第433页，2016。视图:出版商的网站|谷歌学者
  25. T. Saba, A. Rehman, J. S. AlGhamdi，《基于混合神经模型的天气预报》，应用水科学，卷。7，不。7，第3869-3874，2017。视图:出版商的网站|谷歌学者
  26. E. T.蒂尔，R. S. Faradonbeh，D.J. Armaghani，M. Monjezi和M. Z. A.马吉德，“一种优化的基于遗传算法的神经网络模型预测翻录生产”神经计算与应用，卷。28，pp。393-406,2017。视图:出版商的网站|谷歌学者
  27. P. Yu，M. Y.低，和W.周，“发展偏最小二乘 - 人工神经网络（PLS-ANN）混合模型，用于预测即可饮用的绿茶饮料的消费者的评分”食品研究国际，第103卷，第68-75页，2018。视图:出版商的网站|谷歌学者
  28. A. Yazdani-Chamzini, E. Zavadskas, J. Antucheviciene，和R. Bausys，“使用多元回归和神经网络混合模型的铲式资本成本估算模型，”对称，第9卷，第5期。12，第298，2017年。视图:出版商的网站|谷歌学者
  29. M. Shafaei，J. Adamowski，A. Fakheri-主命，Y. Dinpashoh和K. Adamowski，“A小波SARIMA-ANN用于沉淀预测混合模型，”水利与土地开发学报第28卷第2期1, pp. 27-36, 2016。视图:出版商的网站|谷歌学者
  30. L.-Y.丰隆，天心。张孝，V.-H.李和K.-B.OOI，“中低价位和全方位服务的航空公司SERVPERF，客户满意度和忠诚度之间的关系的SEM-人工神经网络分析，”专家系统及其应用，卷。42，不。19，第6620-6634，2015。视图:出版商的网站|谷歌学者
  31. E. E. Rigdon, C. M. Ringle，和M. Sarstedt，“偏最小二乘异构数据的结构建模”，刊于市场研究综述，K. M.纳雷什，版，第255-296，Emerald出版集团有限公司，布拉德福德，英国，2010。视图:出版商的网站|谷歌学者
  32. Wang L.， Zou H.， Su J.， Li L.， and S. Chaudhry，“时间序列预测的ARIMA-ANN混合模型，”，系统研究与行为科学，卷。30，第244-259，2013。视图:出版商的网站|谷歌学者
  33. G帕皮亚诺，C。迪卡亚科斯，A。德拉蒙塔尼斯和P。Papaioannou，“使用混合流形学习主成分模型分析和建模中短期负荷预测，并与经典统计模型（SARIMAX，指数平滑）和人工智能模型（ANN，SVM）进行比较：希腊电力市场案例，”能量，第9卷，第5期。8，第635页，2016。视图:出版商的网站|谷歌学者
  34. L.伊利亚迪斯，V.-D.Anezakis，K. Demertzis，和G. Mallinis“的空气污染的影响心血管和呼吸系统疾病的混合无监督建模，”国际危机反应和管理信息系统杂志，第9卷，第5期。3，第13-35页，2017。视图:出版商的网站|谷歌学者
  35. H. K. Ghritlahre，“利用MLP和GRNN模型预测多孔床太阳能空气加热器的性能——一项比较研究”，工程技术研究学报，第8卷，第2期1，pp。70-81,2019。视图:出版商的网站|谷歌学者
  36. J.S.Rath，P.H. Hutton，L. Chen和S. B. Roy，“旧金山湾德塔河口盐度杂交实验性贝叶斯人工神经网络模型”环境建模与软件，第93卷，第193-208页，2017。视图:出版商的网站|谷歌学者
  37. S. K. Sharma, A. Joshi和H. Sharma，“预测Facebook在高等教育中的使用的多元分析方法，”人类行为的计算机， 2016, vol. 55, pp. 340-353。视图:出版商的网站|谷歌学者
  38. 答:杨绍明。关铭Chong，“一种理解和预测移动商务采用的决定因素的两阶段sem -神经网络方法，”专家系统及其应用，卷。40，没有。4，第1240年至1247年，2013。视图:出版商的网站|谷歌学者
  39. F. T·S·Chan和A. Y. L.冲，“跨组织系统采标和表演的理解决定的SEM-神经网络方法，”决策支持系统，卷。54，没有。1，pp。621-630,2012。视图:出版商的网站|谷歌学者
  40. g . W.-H。棕褐色,K.-B。Ooi L.-Y。Leong和B. Lin，“预测使用移动学习行为意图的驱动因素:一种混合sem -神经网络方法”，人类行为的计算机， 2014年，第36卷，第198-213页。视图:出版商的网站|谷歌学者
  41. 答:杨绍明。关铭崇和R.李白“中小企业预测开放IOS采纳：综合SEM，神经网络方法，”专家系统及其应用，第41卷，第1期，第221-229页，2014年。视图:出版商的网站|谷歌学者
  42. Y. Xu，W.张，H.Bao，S.张和Y. Xiang，“一种卓越的神经网络方法，以预测客户在中国浙江省购买电池电动汽车的意图”可持续性，卷。11，不。11，p。3164年，2019年。视图:出版商的网站|谷歌学者
  43. L.科恩，L.墨宁，和K.莫里森，教育研究方法，劳特利奇，2007年英国伦敦。
  44. D. S.索珀，“用于结构方程模型的先验样本大小计算器，” 2018，http://www.danielsoper.com/statcalc．视图:谷歌学者
  45. P. J. Cooper, M. J. Taylor, Z. Cooper，和C. G. Fairbum，《体型问卷的开发和验证》，国际饮食障碍杂志，卷。6，不。4，PP。485-494,1987。视图:出版商的网站|谷歌学者
  46. B. Arnow，J. Kenardy和W. S. Agras说：“情绪饮食比例：一个指标，用来评估与消极应对吃影响的发展，”国际饮食障碍杂志，卷。18，不。1，第79-90，1995。视图:出版商的网站|谷歌学者
  47. R. S. Sexton, R. A. Johnson和M. A. Hignite，《预测互联网/电子商务的使用》，互联网研究，第12卷，第5期，第402-410页，2002年。视图:出版商的网站|谷歌学者
  48. A. P. Piotrowski和J.J.Napiorkowski，“优化河流流量预测演化计算方法的神经网络与Levenberg-Marquardt方法”，“水文杂志，第407卷，第5期。4, pp. 12-27, 2011。视图:出版商的网站|谷歌学者
  49. J.F。头发，G.T.M. Hult，C. Ringle和M. Sarstedt，入门PLS的结构方程模型（PLS-SEM），Sage出版社，纽约，NY，USA，2016年
  50. J. Henseler，C. M. Ringle和M. Sarstedt的，“用于评估基于方差的结构方程模型区别效度的新标准，”营销科学的学院，卷。43，不。1，pp。115-135,2015。视图:出版商的网站|谷歌学者
  51. C.-I.许M.-L.施，B.-W.黄，B.-Y.林和C.-N.林“使用集成的贝叶斯网络预测机制，旅游忠诚”专家系统及其应用第36卷第2期9，pp。11760-11763，2009。视图:出版商的网站|谷歌学者
  52. P. Dehghan, M. Asghari-Jafarabadi, S. Salekzamani，“伊朗女学生饮食行为模式问卷(EBPQ)的效度、信度和可行性”，健康促销观点，卷。5，不。2，第128-137，2015。视图:出版商的网站|谷歌学者
  53. V. Swami和T. Chamorro-Fremuzic，“马来西亚女性身体升值规模的因子结构”身体形象，卷。5，不。4，pp。409-413,2008。视图:出版商的网站|谷歌学者
  54. N.OM和S. Mukhopadhyay，“印度城市青少年女性的体重和身体形状问题和相关行为”公共健康营养，卷。18，不。6，pp。1075-1083,2015。视图:出版商的网站|谷歌学者
  55. C. R. Martins, E. Carraça, P. J. Teixeira, A. M. Silva, E. L. P. Petroski，“巴西青少年早期对体型的担忧及其相关因素的普遍程度”，人类运动，卷。15，第12-20，2014。视图:出版商的网站|谷歌学者
  56. T. A. Perini, R. S. Vieira, P. d.s. Vigário, G. L. D. Oliveira, J. D. S. Ornellas, and F. P. D. Oliveira， " Transtorno do portamento alimentar em atletas de nado sincronizado， "Revista Braasileira de Medicina做Esporte，卷。15，不。1，pp。54-57,2009。视图:出版商的网站|谷歌学者
  57. A. Oswald, J. Chapman，和C. Wilson，“内感受知觉和内感受反应在年轻女性身体欣赏和直觉饮食之间的关系中起中介作用吗?”食欲，卷。109，第66-72，2017年。视图:出版商的网站|谷歌学者
  58. 朱虹，蔡涛，陈光，张博，“中国大学生情绪饮食量表的有效性研究”，社会行为与人格：国际期刊，卷。41，没有。1，第123-134，2013。视图:出版商的网站|谷歌学者
  59. V. Costarelli和A. Patsai，“学术考试压力增加了女大学生饮食失调的症状。”厌食症、贪食症和肥胖的饮食和体重障碍研究，第十七卷，第二期3，pp。E164-E169，2012。视图:出版商的网站|谷歌学者
  60. S. G. Lemmens, F. rutter, J. M. Born，和M. S. Westerterp-Plantenga，“在没有饥饿的情况下，压力增加了内脏超重受试者的食物需求和能量摄入”，生理与行为号，第103卷。2, pp. 157-163, 2011。视图:出版商的网站|谷歌学者
  61. J. E. Scott和S. Walczak，“与多媒体ERP培训工具的认知敬意：评估计算机自我效能和技术验收，”信息与管理，卷。46，没有。4，第221-232，2009。视图:出版商的网站|谷歌学者
  62. J.-J.SIM，G. W.-h.Tan，J.C.J. Wong，K.-B。OOI和T.S.Hew，“了解和预测移动音乐验收的动机 - 一种多阶段的MRA人工神经网络方法”远程信息处理和信息第31卷第1期4, pp. 569-584, 2014。视图:出版商的网站|谷歌学者

版权所有©2020 Maryam M. Kheirollahpour等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。

更多相关文章

PDF 下载引用 引文
下载其他格式更多
epub.
XML.
订单印刷副本命令
的观点917.
下载532
引用

相关文章

年度奖项：由我们的首席编辑所选的2020年突出的研究捐款。阅读获奖物品．