预测在饮食行为的影响因素:结构方程Modelling-Artificial神经网络的混合模型

表1

SEM-ANN研究的文献综述。


没有	研究	一年	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年	SEM-ANN	学生对学术意图使用Facebook	R²RMSEA	混合模型有助于更好地理解高等教育因素,预测Facebook的使用	CB-SEM
2	(30.]	2015年	SEM-ANN	SERVPERF对客户满意度和客户忠诚度的影响在低成本和全方位服务	RMSEA	使用两阶段预测分析SEM-neural网络分析可以提供一个更全面的了解,因此可能会提供一个重要的方法论的贡献从统计的观点	CB-SEM
3	(38]	2013年	SEM-ANN	影响消费者的因素采用移动商业意图	RMSEA	使用multianalytic方法演示了如何结合两个不同的数据分析方法在方法和替代分析能够提高有效性和结果的信心	CB-SEM
4	(39]	2012年	SEM-ANN	采用企业间系统通过使用RosettaNet标准和它的好处	RMSEA	改进现有技术采用的方法是通过将扫描电镜和神经网络结合起来研究RosettaNet的收养	CB-SEM
5	(40]	2014年	SEM-ANN	用户的意图采取移动学习,马来西亚	RMSEA	这提供了一个新颖的角度研究移动学习验收的关键决定因素,而更大的方差在这个模型来解释	CB-SEM
6	(41]	2014年	SEM-ANN	预测开放的组织系统(IOS)采用使用RosettaNet作为案例研究	RMSE	神经网络支持中小企业采用RosettaNet的先例	PLS-SEM
7	(42]	2019年	SEM-ANN	预测客户有意购买电池电力	RMSE	一种新方法解决了在这一研究领域的分析问题	PLS-SEM