Regresi linear ialah cara untuk meramalkan nilai berdasarkan nilai lain. Sebagai contoh, katakan anda ingin meramalkan jumlah wang yang akan diperoleh seseorang berdasarkan umur mereka. Kita boleh menggunakan regresi linear untuk mencari hubungan antara umur dan pendapatan. Sebagai contoh fungsi regresi linear adalah: Pertama, kita boleh mengumpul data tentang umur dan pendapatan sekumpulan orang. Kemudian data tersebut di plot pada graf, dengan umur pada paksi-x (paksi mendatar) dan pendapatan pada paksi-y (paksi menegak). Setelah itu lukiskan garisan melalui titik data pada graf. Baris ini dipanggil "garis regresi." Untuk menggunakan garis regresi untuk membuat ramalan, kita dapati umur yang kita ingin ramalkan pendapatan pada paksi-x dan kemudian lukis garis lurus sehingga ke garis regresi. Dari situ, kita boleh melukis garis lurus ke paksi-y untuk mencari pendapatan yang diramalkan. Regresi linear dipanggil "linear" kerana hubungan antara dua pembolehubah (umur
Posts
Analisis kluster adalah analisis yang mengumpulkan objek atau data kepada kumpulan-kumpulan tertentu yang sama cirinya dan membezakan data daripada kluster-kluster lainnya. Kumpulan ini di kenali sebagai kluster. Analisis ini juga dikenali sebagai analisis segmentasi atau analisis taksonomi bergantung pada bidang dan objektif yang berlainan. Teknik analisa ini merupakan sebahagian daripada teknik yang banyak digunakan dalam analisis data secara matematik statistik serta digunakan dalam pelbagai bidang seperti, pengenalan pola, analisis gambar, pembelajaran mesin dan sebagainya. Perlu juga di beri perhatian bahawa tidak ada kelas yang sudah ditentukan sebelum analisis kluster dibuat. Kegunaan analisis kluster adalah untuk mengesan kluster atau kumpulan yang wujud dalam data berjumlah besar dan mempunyai dimensi tinggi serta agak sukar dikesan melalui visual. Data dalam jumlah yang kecil antara analisa atau kaedah yang boleh digunakan adalah distance matrix atau graf atau plot bertabura
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
Tiada ujian hipotesis yang 100% pasti. Oleh sebab ujian di lakukan berdasarkan kebarangkalian, maka akan sentiasa wujud kemungkinan untuk membuat kesimpulan yang salah atau tidak tepat. Terdapat dua jenis kesilapan yang mungkin di lakukan oleh penganalisa atau pengkaji iaitu type 1 dan type 2. Kedua-dua jenis kesilapan tersebut adalah berkadar songsang dan di tentukan berdasar tahap signifikan(level of significance) serta kekuatan ujian ( power for the test) tersebut. Oleh hal yang demikian, penganalisa perlu menentukan error atau kesilapan manakah yang bakal menatijahkan kesan yang lebih teruk dalam sesuatu situasi / eksperimen / ujikaji , sebelum mendifinisikan risiko. Type I error Apabila null / nul hipotesis adalah benar dan penganalisa menolak hipotesis tersebut, maka jenis kesilan tersebut adalah type 1 error. Kebarangkalian untuk melakukan kesilapan jenis pertama atau type 1 error adalah α . α juga adalah tahap signifikan atau level of significance pengkaji t
Analisa ini adalah sebahagian daripada analisa nonparametric yang mengukur kekuatan dan juga arah, hubungan di antara pembolehubah. Skala mestilah di ukur paling kurang adalah skala ordinal. Simbol yang mewakili analisa ini adalah r s (atau abjad Greek, ρ, di sebut sebagai rho). Ujian analisa ini boleh di gunakan jika data gagal memenuhi syarat-syarat bagi analisa Pearson's product-moment correlation. Sebagai contoh, penganalisa boleh menggunakan Spearman’s correlation untuk memahami perkaitan di antara skor mengira dan GPA. Antara syarat-syarat bagi menggunakan analisa ini adalah: Skala hanya dalam bentuk ordinal, ratio / nisbah, interval / selang. Hubungan di antara pembolehubah adalah berhubung secara monotonic. Hubungan monotonic wujud apabila pembolehubah terlibat menunjukan ciri-ciri seperti apabila pembolehubah A meningkat dengan pembolehubah B turut meningkat , atau pembolehubah A meningkat bersama dengan pembolehubah B menunjukan penurunan. Nota: Data tid
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 kore
Bagi pembelajaran SEM atau Structural Equation Modelling di negara kita, perisian yang amat sinonim di negara kita adalah AMOS SPSS. Walaupun di luar sana terdapat pelbagai perisian yang dapat melakukan proses yang sama dan mungkin dengan interface yang berbeza-beza sahaja seperti Lisrel, R, SAS, Mplus dan lain-lain. Sebagai memudahkan pembaca dan sebagai pengenalan asas kepada SEM berdasarkan suasana negara kita maka penerangan dan contoh, akan menggunakan perisian SEM AMOS. Tambahan AMOS SPSS menyediakan kemudahan yang lebih kepada penggunanya melalui penyampaian berbentuk grafik yang mana akan memudahkan idea seperti kerangka teori (theoretical framework) kepada pengguna lain dengan mudah. Dalam gambarajah di bawah, kita dapat kenal pasti bahawa X1 dan X2 mempunyai hubungan terus dengan Y. X1 dan X2 adalah pembolehubah bebas (independent variable) manakala Y adalah pembolehubah bersandar (dependent variable). Observed Variable adalah variable atau pemboleh ubah yang boleh di uk
Data Analisis Statistik SPSS, SEM AMOS, EXCEL, SmartPLS dan lain-lain Sebuah kumpulan yang mempunyai 5 orang ahli berlatar belakangkan Ijazah Statistik dan pelbagai pengkhususan dalam statistik dalam industri. Kami membuat analisa data seperti Structural Equation Modelling (SEM) menggunakan AMOS. Selain itu juga, analisa-analisa statistik lain seperti regression, parametric test, bootstrapping analysis, nonparametric test, forecasting seperti Univariate modelling, Box-Jenkins Methodology dan sebagainya. Perisian yang di guna pakai seperti SPSS, AMOS SPSS, SmartPLS, Minitab, dan lain-lain. Kami juga menyediakan tutor pengenalan asas kepada AMOS SPSS. Sebarang pertanyaan: 018-2800545 (Firdaus) mesrastats@gmail.com http://mesrastats.blogspot.com/2013/11/pengenalan-kepada-mesrastats.html Kuala Lumpur, Malaysia
Keadaan semasa, perdebatan di antara kaedah PLS dan CBSEM sering berlaku. Tetapi bagi pihak kami, keadaannya adalah kedua-duanya adalah pelengkap di antara satu sama lain. Terdapat keadaan di mana, PLS lebih sesuai di gunakan serta begitu juga sebaliknya. Seperti kita ketahui, CBSEM lebih menekan kepada berapa mantap sesebuah model yang di usulkan dengan nelalui items covariances. Antara ukuran-ukuran yang ada adalah chi-square statistics dan pelbagai indeks keserasian ( goodness of fit ) seperti GFI, CFI dan lain-lain. Manakala, PLS memfokuskan kepada variances of dependent variables. ( perbezaan pembolehubah bersandar.) Asal pada kewujudan PLS itu sendiri di antaranya untuk menyelesaikan beberapa perkara kompleks di dalam CBSEM. " -khidmat tutor penggunaan SPSS -khidmat tutor penggunaan AMOS -analisa data mengguna SPSS (EFA) -analisa data mengguna AMOS (CFA) -Khidmat key in data 5 ahli yang berlatar belakang Ijazah Statistik. berminat boleh hubungi kami
Tips penting. Adalah amat di galakan untuk membuat pilot study dan Explatory Analysis Factor , EFA, walaupun sudah ada kajian ( literature review ) yang menyokong teoritikal framework berkaitan dengan soalan soal selidik kajian yang akan di buat. Ini adalah kerana kefahaman responden berbeza-beza mengikut tempat dan negara serta masa (zaman), malah antara individu. Ini bagi mengelak masalah di kemudian hari yang sering berlaku kepada pengkaji-pengkaji apabila disoal oleh pemeriksa ( examiners ) . Sebarang pertanyaan lanjut mengenai perkhidmatan analisa data statistik boleh menghubungi kami: Firdaus: 018-2800545 (whatsapp) Email: mesrastats@gmail.com
kepada pengkaji2 atau penuntut2 samada Phd dan master atau individu2 , syarikat2 yang ingin membuat kajian bernombor (kuantitatif research), pastikan anda mendapatkan nasihat ahli statistik bagi mengelak mendapat atau mencari data yang tidak ada makna atau tidak dapat di kira, bagi mengelak ujikaji semula yang memakan kos dan masa. Untuk perkhidmatan analisa statistik hubungi: Firdaus, 018-2800545 mesrastats@gmail.com
Kegunaan Covariance adalah untuk melihat sesuatu variables samada + , - atau tiada hubungan 0. Dengan kata lain, nilai boleh di abaikan dan tumpuan hanya pada signs . 0 bermakna tiada hubungan di antara variables . Manakala, Correlation, ada sebuah alat pengukuran kekuatan hubungan di antara variables . Nilai Correlation adalah di antara -1 ke 1.