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 < | r | < .3 … korelasi kecil / lemah
  • .3 < | r | < .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. 






Labels:

Popular posts from this blog

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
Read more

Ujian Analisa Sehala MANOVA

Perbezaan analisa ini dengan ANOVA adalah pembolehubah bersandarnya mempunyai lebih daripada satu . Manakala, pembolehubah bebas adalah sama seperti ANOVA yang mempunyai pelbagai kumpulan. Analisa sehala MANOVA juga mempunyai sarat ujian statistik di dalamnya dan tidak dapat memberi maklumat secara spesifik kumpulan yang berbeza signifikan di antara satu sama lain. Ujian ini hanya akan memberi maklumat sekurang-kurang dua kumpulan adalah berbeza. Oleh sebab, kebiasaan penggunaan analisa ini oleh pengkaji akan melibatkan tiga, empat atau lebih kumpulan. Oleh itu penggunaan ujian post-hoc adalah penting untuk mengetahui perbezaan kumpulan selebihnya itu. Bagi mendapat analisa yang sah dan berkualiti, beberapa andaian perlu di penuhi dahulu sebelum menggunakan analisa MANOVA. Pembolehubah bersandar mestilah dalam skala selang atau nisbah. Pembolehubah bebas a.k.a pembolehubah tidak bersandar mestilah mempunyai beberapa kumpulan yang bebas atau dengan kata lain dalam skala ordina
Read more

ANOVA vs MANOVA

Perbezaan utama di antara ANOVA dan MANOVA adalah jumlah bilangan pembolehubah bersandar ( dependent variable ). Walaupun begitu, jika terdapat pembolehubah bersandar lebih daripada satu, masih bukan masalah dan merupakan pilihan lain jika pengkaji mahu untuk menguji secara berasingan menggunakan analisa ANOVA bagi setiap pembolehubah bersandar itu. Jadi, kenapa perlu menggunakan pengiraan MANOVA ini berbanding beberapa analisa menggunakan ANOVA jika terdapat pembolehubah bersandar yang lebih daripada satu seperti dua, tiga atau empat pembolehubah bersandar? Terdapat dua sebab utama, MANOVA berpotensi menggantikan ANOVA dalam beberapa keadaan. Pertama melibatkan teori yang logik dan kedua melibatkan statistiknya. Sebagai contoh: Skormatematik + skorfizik + skorkimia sebagai fungsi kepada ( as a function of ) minuman tambahan ( tiga tahap / level ) Minuman tambahan, pembolehubah tidak bersandar atau bebas dengan tiga tahap ( levels ) : minuman kurma, minuman madu dan minuma
Read more