Tajuk 455: Correlation and significance - tersurat tersirat dan tersilap !

Aku masih nak menyentuh pasal correlation, kali ini cuma menyingkap sikit yang tersilap dlm penggunaan korelasi. 

Dalam entry yang lepas aku dah tulis, correlation ni adalah preliminary analisis jer, tak berapa kuat utk dijadikan research question, malah dapatan dari analisis correlation tidak memberikan apa2 makna, kecuali kajian tu menggunakan variable2 yang sangat baru.

Namun yang tersuratnya ramai yang menjadikan correlation memenuhi senarai research questions.... 

Ini antara sebab aku nak tulis lagi....bagi membuka yang tersirat !!

Pertama:
Correlation seperti wajib muakkad dijadikan antara persoalan kajian bagi PhD, Master terlebih2 lagi ler peringkat undergrad.

Kedua:
Ramai yang suka sangat ambil Pearson lalu menjadikan Spearman dan Kendall sebagai anak tiri.... ada jer correlation mesti guna Pearson... kononnya Pearson tu POWER sedangkan kajian sendiri guna skala ordinal daan nominal yang TAK POWER !!

Ketiga:
Tak ramai yang jelaskan rasional mengapa dapatan tu significance atau tidak...dan ramai yang salah faham bahawa signifikan membawa maksud bertambah kuatnya korelasi yang wujud. Ini bermakna r = 0.1 tidak akan menjadi lebih kuat jika dapatan significant dan sebaliknya !! 

Sebab per plak?

Sebab jika α = 0.05, dan dapatan ko p < 0.05 iaitu significance....bermakna ko "secara pasti" boleh menyatakan bahawa kurang 5% peluang memperolehi coefficient correlation tersebut berlaku secara kebetulan atau > 95% berlaku kerana ianya benar2 wujud.

Keempat:
Bagi korelasi, dua variable dilihat kaitannya dgn cara kedua2nya berubah. Jika A berubah (variance) secara meningkat dan B berubah (variance) secara meningkat, maknanya A dan B  sama2 berubah (covariance) secara meningkat dan ini dikatakan sebagai "covary" secara positif. Variance dikira menggunakan data interval atau ratio, iaitu jarak antara setiap skor terhadap min. Hanya data pada skala interval dan ratio sahaja yang memberi makna kepada min. Data kategorikal tidak memberi makna kepada min.

Pengiraan covariance @ correlation  antara A dan B menggunakan konsep variance yang sama , maka data interval atau ratio sahaja digunakan utk pengiraan coefficient correlation seperti yang diformulasikan oleh Pearson.

Oleh itu adik kakok semua.... jika data A dan B pada skala interval dan / atau ratio sahaja (mana2 satupun tak apa) barulah gunakan Pearson's Correlation..... 

Aku ulang...

Oleh itu adik kakok semua.... jika data A dan B pada skala interval dan / atau ratio sahaja (mana2 satupun tak apa) barulah gunakan Pearson's Correlation..... 

Kelima:
Jika data ko tak normal (kerana memang tak normal ataupun kerana size sample kecil) atau skala bukan dari interval atau ratio.... maka ada pilihan bagi Pearson iaitu Spearman's atau Kendall's correlation - kedua2nya adalah statistik korelasi non parametrik bagi data categorical.  Jadi jgn ler ko pulak jadi tak normal utk guna data ranking spt ordinal menggunakan Pearson.

Keenam:

Spearman boleh dianggap sama spt Pearson  cuma pengiraan Spearman dijalankan selepas data ditukar dalam bentuk ranking...

Kendall pula dikira untuk mengetahui nisbah antara kebarangkaian data kedua2 variable tersebut sama dengan dgn kebarangkalian data kedua2 variable tersebut berbeza. Namun, kedua2 Spearman dan Kendall akan membawa kepada kesimpulan yang hampir sama. 

Oleh kerana Spearman adalah pasangan non parametric Pearson.... jika data ko tak normal jer atau guna data categorical.....teruslah guna Spearman maka sebab itulah ianya lebih popular dari Kendall wpun kedua2nya ada didlm SPSS...!!