.

"ANTARA BLOG TERBAIK DI NATIONAL EDUCATIONAL BLOGGING SUMMIT 2011"


MORE THAN A MILLION HITS !

Statistik

SPSS - STATISTIK PENYELIDIKAN SECARA SANTAI

BENGKEL ANJURAN DR OT:

(1) TULIS TESIS CEPAT & PENGURUSAN ARTIKEL MENDELEY

(2) PENGENALAN ANALISIS DATA KUANTITATIF SPSS

(3) ANALISIS DATA KUALITATIF DGN ATLAS.ti

(4) BENGKEL BINA DAN ANALISIS SOAL SELIDIK

Ingin anjur bengkel ditempat anda? Email ke:

zahinothman@gmail.com



-------------------------------------------------------------------------------------------------------------------------------------------------------

Sila joint dan sign-in. Anda FOLLOWER kehormat drotspss...

Saya klik Follow dan BANGGA menjadi follower drotspss...

Friday, September 9, 2011

TAJUK 214 - Bila nak guna R, R-squared, R-adjusted dan R-Sexy?

Salam lebaran

Ada satu soalan yang baik.... telah diajukan kepada saya. 

Bila pulak saya nak guna r, R-squared, R-adjusted atau R-squared  Change bila menganalisis guna korelasi dan MLR?

Ya tak ya jugak..... punyalah banyak coefficient tu....

Sebelum tu saya juga ada satu soalan.... sat tadi ada pembaca blog yang shout saya ni saling tak tumpah macam Sultan Tengku Mizan Tengku Zainal Abidin.... our Agong? 

Yang hairan tu.... ada beberapa lagi orang lain yang cakap macam tu? Betul ker? Perasan ler pulak saya. Yang pasti... nama saya tak der Tengku..... 

Adakah wajah ini ada iras2 Tengku Mizan? 

Oklah.... berbalik kepada soalan asal. Saya cuba jelaskan mengikut urutan berikut... sebab susah ooo..... kena libatkan formula sikit.....

Paling susah nak kena taip ler pulak.... Saya mulakan dengan simple linear correlation diikuti dengan MLR. Jika anda faham tujuan dan asas keduanya..... dapatlah anda faham jawapannya...

1. Simple linear correlation

Utk melihat samada 2 variable saling berkait, anda lihat adakah terdapat covary – perubahan atau istilah statistiknya variance yang berlaku dalam kedua2 variable. 

Model anda adalah: Y = mX + c

Terdapat korelasi yang kuat jika skor variable X berubah bersama2 perubahan variable, Y. 

Jika X mempunyai skor yang semakin menjauhi min (konsep asas variance), maka hal yang sama berlaku kepada variable Y….

Jika kita darabkan jumlahkan perbezaan individu skor (X - min X) dgn  perbezaan individu skor (Y- min Y) bahagi jumlah skor XY atau N - 1…..kita akan dapat nilai covariance.

Covariance = Jumlah [(X – min X)(Y – min Y)] / N – 1

Nilai coefficient correlation, r = covariance bahagi hasildharab std. deviation X dan Y atau SxSy.

r = covariance / SxSy

Jika covariance = 2.3 dan SxSy = 2.7 maka r = 2.3 / 2.7 = 0.85

Apa maksud r =0.85?

1. Nilai ini menunjukkan perkaitan positif yang kuat antara X dan Y

2. Wbp anda tidak boleh katakan bahawa peningkatan skor X  “menyebabkan” peningkatan skor Y kerana  anda tidak memanipulasi X…. Anda hanya buat simple linear correlation jer.

3. Anda juga tidak tahu samada X mempengaruhi Y atau Y mempengaruhi X !!

Jadi nilai r hanya untuk mengetahui jika wujud perkaitan (korelasi) sahaja antara X dan Y. Setakat itu sahaja.

Kita beralih pula dengan R2.

Bila anda kuasaduakan r, ia akan menjadi R2 (R-squared = coefficient of determination).

R-squared menentukan berapa baik regression line fits the data (nilai r hanya menunjukan korelasi antara X dan Y sahaja)

R-squared is a measure of the amount of variability in one variable that is explained by the other.

Nilai r = -0.55 bila dikuasadua menjadi R-squared = 0.30 dalam peratusan 30%.

Y can be accounted for 30% of variation in X. 

Jika nilai r = 0.873 bila dikuasadua menjadi R-squared = 0.762 dalam peratusan 72.6%

Y can be accounted for 76.2% of variation in X.

Makin dekat R-squared kepada nilai +1,  the better the line fits the data. Ingat nilai R-squared sentiasa +ve.

Nilai ini menunjukkan peratus pengaruh X terhadap perubahan Y, dan tidaka semestinya X menyebabkan perubahan Y. Sebab itu, X dikatakan sebagai predictor sahaja. Inilah nilai yang selalu dilaporkan dalam thesis.

2. Multiple linear regression (MLR)

Katalah model anda adalah:

Y = b + b1X1 + b2X2 atau

Y = Beta + (coefficient1) X1 + (coefficient2) X2

Terdapat 3 nilai R yang dipaparkan dalam output SPSS iaitu R, R-squared, R-adjusted (dalam jadual Model Summary)

R adalah sama seperti dengan r dalam simple regression, tapi R dalam MLR dinamakan multiple correlation coefficient iaitu menunjukkan perkaitan antara beberapa IV dgn satu DV.

R-squared = sama seperti dalam simple regression =  Amount of variance in DV explained by IV

R-adjusted = juga dinamakan  shrinkage = how much variance in Y would be accounted for, if the model had been derived from the population. Ini bermakna, R-adjusted telah mengambilkira bilangan sampel = nilai ini digunakan bila anda ingin buat perbandingan dengan nilai R-adjusted model2 yang lain, bertujuan membuat generalisasi. Nilai ini akan sentiasa lebih kecil sedikit berbanding dengan nilai R-squared setelah diambilkiran bilangan sampel. Nilai ini jarang dilaporkan sebab jarang ada keperluan membandingkan model anda dengan model2 lain yang setara (jika ada).

R-squared change = predicts Y with X2 (Model 1) and then with both X1 and X2 (Model 2). It could be said that whether X2 adds significant predictive power in predicting Y after X1 has been entered into the regression model.

Nilai R-squared change dilaporkan sekiranya anda ingin mengetahui nilai R-squared berdasarkan beberap Model dengan menambah IV satu demi satu. Jadi anda akan tahu nilai R-squared jika model anda memasukkan IV satu demi satu.

Tambahan:

Selain dari itu, terdapat juga dua nilai Beta iaitu Standardized coefficients dan Unstandardised Coefficient hasil analisis MLR spt yang dipaparkan dalam Jadual Coefficient output SPSS. 

Mana satu nak laporkan?

Jangan laporkan nilai Beta dari Standardized coefficients kerana nilai hanya untuk model yang fit dengan standardized data. Gunakan nilai Beta unstandized coefficient dalam laporan anda kerana nilai ini berdasarkan data yang anda gunakan dalam kajian anda.

Phew..... bukan senang nak jelaskan statistik dalam blog. Sebab itu blog2 gossip lebih mudah nak buat agaknya, tak yah tulis simbol bermacam..... dan jelaskan lagi satu hal.... nak faham dua hal.....

Jika blog lain.....tunjuk gambar artis A berpakaian seksi dah gempaq.... satu Malaysia nak baca..... suami tak sedar diri nak tengok jugak.....walhal isteri kat rumah yang seksi meksi macam tak perasan......macam tak ada magnet....


Apa isteri dah tak seksi? 


Mana nak seksi, hari2 pakai baju kelawar.....kain batik....t-shirt free beli minyak petronas...... cubalah belikan baju transparent.........biar terjolok mata suami....sambil isteri menyanyikan lagu SALOMA..... pandanglah......lihatlah .......[tetapi tertakluk kepada terma dan syarat.......hanya utk potongan badan yang sesuai sahaja ...]


Gambar fesbuk pun letak gambar anak.... kalau anak kiut emmm... emaknya mesti ler kiut miut ....[tertakluk kepada terma dan syarat juga]

OT - maintained sempoi.... 

1 comment:

  1. Thank you very much.. senang sikit nak explain dekat orang yang tak ada background stats.. i can qoute you right? =)

    ReplyDelete

Related Posts Plugin for WordPress, Blogger...