CERITA 31: Two-way Repeated Measures ANOVA (Pengukuran Berulang ANOVA 2 Hala)

 CERITA 31: Two-way Repeated Measures ANOVA (Pengukuran Berulang ANOVA 2 Hala)

Assalamualaikum dan Salam Sejahtera,

Apa khabar semua? Lama sungguh tak bersiaran. 

Hari ni kita bercerita pasal two way repeated measures ANOVA. Masa bila kita nak guna kaedah ini?

1.Bila kita nak bandingkan min antara kumpulan yang telah dipecahkan kepada 2 kumpulan tidak bersandar. Contoh kita nak ukur min bagi kumpulan bersandar yang diukur pada:

2 Pemboleh ubah tidak bersandar (IV)

 i) dua atau lebih tempoh masa yang berbeza (1 bulan, 3 bulan, dan 6 bulan). Tempoh / masa ini dikira sebagai pemboleh ubah tidak bersandar yang pertama.

ii) jenis retainer (untuk pendakap gigi); cth jenis Hawley dan Essix - Pembolah ubah tidak bersandar kedua

Kita juga berminat nak tahu adakah terdapat kesan interaksi antara 2 pemboleh ubah tidak bersandar ini. (Boleh dilihat juga melalui profile plot).

Ada beberapa andaian yang perlu dipatuhi sebelum menjalankan ujian Pengukuran Berulang ANOVA 2 Hala ini antaranya:

1. pemboleh bersandar adalah selanjar, 

2. tiada signifikan outlier, 

3. pemboleh tidak bersandar (IV) harus mempunyai sekurang-kurangnya 2 kategori, 

4. data bertaburan normal/ residual DV bertabur normal

5. kesferaan varians (sphericity), iaitu varians antara kumpulan yang diuukur haruslah sama.

Saya nak kongsikan 1 artikel yang saya jumpa, iaitu sekiranya data tidak tertabur secara normal, namun ujian sphericity adalah tidak signifikan (p>0.05, dalam kes ini kita nak nilai-p tidak signifikan bermaksud andaian sphericity dipenuhi), maka kita masih boleh proceed dengan ujian Pengukuran Berulang ANOVA 2 Hala ini.

Blanca et al. (2023)

Rujukan penuh:

Reference:

Blanca, M. J., Arnau, J., García-Castro, F. J., Alarcón, R., & Bono, R. (2023). Non-normal Data in Repeated Measures ANOVA: Impact on Type I Error and Power. Psicothema, 35(1), 21-29. https://doi.org/10.7334/psicothema2022.292

Terima kasih sudi baca, lain kali ada masa saya kongsikan lagi.

 

CERITA 30: Analisis Regresi Logistik Binomial (binary logistic regression analysis)

 

CERITA 30: Analisis Regresi Logistik Binomial (binary logistic regression analysis)

 

Regresi logistik binomial digunakan untuk meramalkan pembolehubah bersandar dikotomi (terbahagi kepada 2 kategori) berdasarkan satu atau lebih pembolehubah bebas selanjar atau nominal. Ia adalah jenis regresi logistik yang paling biasa dan selalunya dirujuk sebagai regresi logistik. Bahasa paling mudah, regresi logistik binomial ni bezanya dengan analisis regresi berganda/ mudah adalah bergantung pada pemboleh ubah bersandarnya yg mempunyai hanya 2 kategori.

Dalam erti kata lain, masa bila kita nak guna regresi logistik binomial ni? Apabila kita lihat pemboleh ubah bersandar (y) mempunyai 2 kategori, seperti (hidup / mati), (ya / tidak), (lulus / gagal) , (merokok/ tidak merokok), dan sebagainya. Dalam spss, lazimnya pemboleh ubah yang kita minat untuk ramal atau kaji adalah kebarangkalian orang yang lulus/hidup/merokok  ini dikod sebagai 1, manakala pemboleh ubah satu lagi dikod sebagai 0.

 

Untuk menganalisis menggunakan kaedah ini dalam SPSS, pergi ke Analyze > Regression > Binary Logistic.

Masukkan pemboleh ubah bersandar (y) dalam kotak ‘dependent’, pemboleh ubah tidak bersandar (x) dalam kotak ‘covariates’. Di sini saya menggunakan SPSS versi 27, seperti berikut:

 

Sekiranya pemboleh tidak bersandar kita terdiri daripada pemboleh ubah nominal seperti kategori umur (umur< 18 thn atau umur >18 thn), kategori tahap pendidikan ( SPM, ijazah, master, phd), maka klik kotak ‘categorical’ untuk memberitahu spss bahawa ini adalah pemboleh ubah nominal. Kemudian pilih sama ada kategori yang dikod sebagai paling rendah untuk menjadi ‘reference category’ atau sebagainya.

Contohnya bagi kategori umur  (umur < 18 thn =1, atau umur >18  thn = 2), jika kita pilih reference category sebagai ‘last’, maka umur >18  thn = 2, akan dijadikan sebagai rujukan dalam analisis. Bila nak interpret nanti, kita harus laporkan umur >18 thn sebagai rujukan, apabila membuat perbandingan dengan umur < 18 thn. Jadi ini bergantung pada pengkaji itu sendiri untuk memilih reference category yg mana.

 

Kemudian pada kotak ‘options’ klik pada ‘hosmer-lemeshow goodness of fit’ dan ‘CI for exp(B)’ untuk output nanti. Selepas itu, klik ok.

Output pada Block 0 menunjukkan model yang hanya mempunyai intercept/ constant sahaja. Untuk result dalam laporan, kita rujuk output pada Block 1, iaitu model yang ada semua faktor/pemboleh ubah tidak bersandar.

Output pada ‘Omnibus tests of model coefficients’, menerangkan sama ada model keseluruhan kita apabila dimasukkan kesemua faktor adalah signifikan iaitu lebih baik berbanding model asas yang tidak dimasukkan faktor. 

Omnibus Tests of Model Coefficients
		Chi-square	df	Sig.
Step 1	Step	3.957	1	.047
	Block	3.957	1	.047
	Model	3.957	1	.047

Berikut adalah penerangan yang boleh dibuat:

Omnibus Tests of Model Coefficients shows that overall model are statistically significant when compared to the null model, χ2(1) = 3.957, p = 0.047.

Pada jadual ‘model summary’, kita berminat untuk melihat nilai pada Cox & Snell R² dan Nagelkerke R². Kedua-dua nilai ini boleh dilaporkan seperti R² dalam analisis regresi yang biasa. Semakin hampir nilai Cox & Snell R² dan Nagelkerke R² kepada 1, semakin tinggi peratus variation dalam pemboleh bersandar dapat diterangkan oleh pemboleh ubah tidak bersandar.

Akhir sekali pada ‘variables in the equation’, adalah untuk melihat kesan setiap pemboleh ubah tidak bersandar terhadap model, iaitu dengan melihat nilai signfikan (sig). Sekiranya pemboleh ubah tidak bersandar adalah selanjar, boleh laporkan secara terus samada signfikan atau tidak. Bagi pemboleh ubah tidak bersandar yang nominal seperti umur tadi  (umur < 18 thn =1, atau umur >18  thn = 2), kategori rujukan (umur >18  thn = 2) kita perlu laporkan, odds untuk responden mendpt penyakit xx (cth) adalah 1.026 (nilai ini merujuk pada Exp(B) lebih tinggi bagi responden umur < 18 thn berbanding umur >18 thn.

Sekian dahulu, terima kasih.

CERITA 29: Panduan Ketika Menjalankan Analisis Faktor Penerokaan (Exploratory Factor Analysis - EFA)

CERITA 29: Panduan Ketika Menjalankan Analisis Faktor Penerokaan (Exploratory Factor Analysis - EFA)

Assalamualaikum semua pembaca, berikut saya kongsikan lagi sedikit panduan berkenaan Analisis Faktor Penerokaan/Penjelajahan (Exploratory Factor Analysis – EFA). Sebelum ini saya pernah tulis juga pasal EFA, boleh rujuk di sini CERITA 19  dan  CERITA 27

1. Komunaliti (Communality) – Nisbah/kadar varians bagi sesuatu item yang dapat diterangkan oleh faktor tersebut. Dinasihatkan untuk membuang item yang mempunyai nilai komunaliti kurang daripada 0.20 (Child, 2006)

      2.    Terdapat 2 kaedah dalam EFA (Field, 2013) :

ü  Principal Axis Factoring – jika kita gunakan sampel kajian kita untuk analisis selanjutnya

ü  Maximum Likelihood / Kaiser’s alpha factoring – jika kita nak bangunkan instrument dan instrument tersebut akan digunakan untuk data set lain pada masa akan datang

       3.     Hadkan nilai pemberat faktor (factor loading) kepada 0.30. Item yang kurang daripada 0.30                     seharusnya digugurkan. Pemberat factor yang melebihi 0.40 dikatakan stabil (Guadagnoli dan                 Velicer, 1988).

 

Rujukan:

Child, D. (2006). The Essentials of Factor Analysis. 3rd edn. New York: Continuum.

Field, A. (2013) Discovering Statistics using SPSS, 4th edn. London: SAGE. Guadagnoli, E. and Velicer,

W. F. (1988) Relation of sample size to the stability of component patterns. Psychological Bulletin, 103(2), pp. 265-275.