Skip to main content

Pearson’s Correlation a.k.a Pearson product-moment correlation (PPMC)

  • Analisa ini adalah untuk mengukur kekuatan dan arah sesuatu hubungan linear di antara dua pemboleh ubah metric ( skala ratio/nisbah dan skala interval/selang ).
  • Analisa ini juga akan mengesan jika terdapat hubungan signifikan yang linear di antara pemboleh-pembolehubah yang di uji di dalam populasi.
  • Ukuran atau simbol bagi population correlation coefficient adalah, ρ (“rho”).
  • Ujian ini atau analisa ini adalah merupakan ujian yang tergolong dalam parametric test.

Syarat-syarat penggunaan analisa

  • Data mestilah dalam skala nisbah atau selang. (continuous variables / interval scale / scale ratio)
  • Hubungan linear di antara pembolehubah
  • Tiada hubungan di antara reponden atau subjek atau cases
  • Setiap pasagan pembolehubah hendaklah tersebar secara normal (normally distributed)
  • Linearity antara pembolehuabah boleh di lihat antaranya dengan melihat pada scatter plot atau plot bertaburan.
  • Tiada data yang outliers
  • Data sampel di ambil secara rawak daripada populasi

Ujian statistik:


Nilai korelasi berada dalam linkungan [-1,1]. Sign kepada pekali korealsi memberi maklumat arah hubungan.

Pekali korelasi pula menunujukan kekuatan hubungan di antara pembolehubah.

 

  •  -1 : perfectly negative linear relationship
  •   0 : no relationship
  • +1  : perfectly positive linear relationship

Secara umumnya jenis kekuatan di bahagikan kepada tiga iaitu:

  • .1 < | | < .3 … korelasi kecil / lemah
  • .3 < | | < .5 … korelasi medium / sederhana
  • .5 < | r | ……… korelasi besar / kuat

 

Nota : Arah dan kekuatan korelasi adalah dua perkara berbeza.  Dalam gambar rajah scatter plot atau plot bertaburan, penganalisa juga dapat melihat sscara kasar hubungan di antara dua data daripada dua pemboleh ubah.












Seperti yang terpapar di gambar rajah di atas, terdapat hubungan scara linear di antara pembolehubah skor membaca dan GPA, iaitu apabila skor membaca meningkat, maka GPA turut meningkat. Melalui gambar rajah di atas juga di dapati syarat homoscedascity turut di penuhi, oleh sebab data GPA bertabur (variability) secara malar  umumnya daripada data skor membaca.

Setelah memenuhi syarat – syarat di atas maka, bolehlah analisa korelasi pearson di jalankan.







Akhir sekali, korelasi skor membaca dan GPA adalah positif dan scara statistiknya signifikan (r = 0.867, p < .001).  Dengan itu, apabila skor membaca pelajar meningkat, begitu juga skor GPA.

Nota: Pearson correlation bukan analisa yang menerangkan kesan / sebab / punca / causality sesuatu pmbolehubah kepada sesuatu pembolehubah lain. Tetapi hanya memaparkan bahawa di antara kedua-dua pembolehubah itu adalah covary. 






Popular posts from this blog

Krejcie & Morgan sample size calculator

Krejcie & Morgan Sample Size Calculator Enter Population Size (N): Calculate Sample Size Recommended Sample Size (n): 📘 About This Calculator This calculator uses the Krejcie & Morgan (1970) formula to estimate the minimum sample size required when the total population size is known. It is commonly used in social sciences, education, and health research. The formula is: n = (X² × N × P × (1 − P)) / (d² × (N − 1) + X² × P × (1 − P)) X² = 3.841 (for 95% confidence level) P = 0.5 (maximum variability) d = 0.05 (±5% precision) 📚 Citation Krejcie, R.V., & Morgan, D.W. (1970). Determining Sample Size for Research Activities . Educational and Psychological Measurement, 30 (3), 607–610. https://doi.org/10.1177/001316447003000308

G*Power Perisian Bagi Pengiraan Sampel Saiz.

Penggunaan Gpower kerap menekan kepada tiga langkah berikut: Memilih ujian statistik yang sesuai atau padan dengan masalah yang di kaji. Memilih di antara lima jenis analisis kuasa (power analysis) yang di sediakan. Sediakan parameter input yang di perlukan analasis dan klik pada “calculate” Pada Langkah 1, pendekatan yang digunakan untuk memilih ujian statistic (statistical test) adalah melalui dua pendekatan, iaitu distribution based atau design-based approach . Distribution-based approach to the test selection Melalui pendekatan distribution-based , pendekatan pertama adalah melihat pada kumpulan umum ujian statistik menggunakan '' Test family'' menu yang terdapat di window atau tingkap utama.   Ujian statitik ( Statistical test ) menu akan berubah mengikut pilihan di dalam '' Test family'' . Ujian-ujian yang ada akan selaras mengikut pada '' test family'' yang di pilih sahaja. Design-based approach to the test se...

Ujian ANOVA sehala (one-way ANOVA)

Ujian-T (t-test) di gunakan untuk mengenali perbezaan min di antara dua kumpulan. Bagaimana pula jika kumpulan yang ingin di bandingkan mempunyai lebih daripada dua kumpulan? Jawapannya adalah menggunakan ANOVA. Jika kumpulan pembolehubah dua kumpulan, maka keputusan daripada ANOVA sehala ( one-way ANOVA ) dan ujian-t (independent t-test) adalah sama. Pengkaji boleh memastikan keputusan di dapati daripada senario di atas dengan menggunakan formula t 2 = F . Terdapat dua jenis ujian ANOVA sehala, iaitu ujian ANOVA sehala untuk pengukuran berulang (masa berlainan ( longitudinal data ) atau keadaan berbeza-beza) dan ujian ANOVA sehala untuk sampel-sampel bebas (data di kumpul daripada beberapa sampel yang bebas antara satu sama lain). Syarat-syarat sebelum menggunakan ANOVA sehala. Sebelum menggunakan ujian ANOVA sehala beberapa syarat perlu di penuhi. Antaranya adalah, pembolehubah bersandar dalam skala selang atau skala nisbah. Kedua, pembolehubah tidak bersandar dalam bentuk kate...