CERITA 22: Crosstab dan hubungan antara dua pembolehubah nominal (Chi square)

CERITA 22: Hubungan (korelasi) antara dua pembolehubah (Chi square)

Assalamualaikum semua pembaca yang dihormati, topik ni dah lama simpan baru ada kesempatan untuk menulis.

Tabulasi silang (crosstabulation) 

Tabulasi silang (crosstabulation) adalah  satu jadual yang terdiri daripada beberapa kumpulan frekuensi bagi  beberapa pemboleubah.

Contoh kita nak tahu adakah pesakit patuh terhadap prosedur rawatan dialisis (Ya/Tidak) mengikut tahap pendidikan (SPM/Diploma/Ijazah)?

Di sini kita ada dua pembolehubah iaitu :
1. Kepatuhan terhadap prosedur rawatan (2 kategori)
2. Tahap pendidikan (3 kategori)

Maka daripada data yang kita ada, kita boleh bina jadual tabulasi silang di SPSS dengan klik Analyze> Descriptive Statistics > Crosstabs > Cells > Observed > Percentage (row) > OK

Maka terhasillah jadual tabulasi silang kita.


Statistik Khi Kuasa Dua (Chi-square statistics)

Digunakan apabila kita hendak mengetahui hubungan antara dua pembolehubah nominal, contoh seperti di atas, kita hendak tahu adakah terdapat hubungan antara kepatuhan dengan latar belakang pendidikan.

Berikut hipotesis kita:

Hipotesis null: Tiada hubungan antara kepatuhan dan latar belakang pendidikan
Hipotesis null: Terdapat hubungan antara kepatuhan dan latar belakang pendidikan


Maka lanjutan dari kaedah tadi;

Analyze> Descriptive Statistics > Crosstabs > Cells > Observed > Percentage (row)

Klik Statistics > Chi square and Phi Cramer's V > OK


Untuk melihat samada terdapat hubungan atau tidak, dalam jadual 'Chi-square test', kita melihat pada baris 'Pearson Chi Square' dan kemudian pada nilai 'asymptotic significance'. Jika nilai tersebut < 0.05, maka kita tolak hipotesis null dan ini bermaksud terdapat hubungan antara dua pembolehubah tersebut.

Sekiranya terdapat hubungan, selanjutnya kita lihat jadual 'Symmetric measures' dan nilai Phi dan Cramer's V digunakan untuk melihat kekuatan hubungan antara dua pembolehubah tersebut dan bolehlah kita tafsirkannya sebagai hubungan positif/negatif yang (sangat lemah, lemah, sederhana, kuat, sangat kuat)

Catatan/ Amaran: OK, sebenarnya ada beberapa assumptions yang kita perlu patuhi sebelum boleh guna chi square ni, antara yang saya nak highlight di sini adalah, dalam jadual crosstabulation tadi, setiap expected frequency harus tidak kurang daripada 5! Jadi anda perlu hati-hati  terutama jika bilangan sampel anda kecil! Lazimnya berdasarkan pengalaman saya, kes ini banyak dalam bidang perubatan/klinikal. Jika tidak anda tak boleh guna ujian ini, antara alternatif lain yang boleh dipertimbangkan adalah untuk menggunakan Ujian Fisher Exact Test dll.

Sekian dulu untuk kali ini. Ada cerita saya kongsi lagi. Terima kasih sudi membaca.

CERITA 21: Analisis Kebolehpercayaan Cronbach Alpha (Reliability Analysis)

Analisis Kebolehpercayaan Cronbach Alpha (Reliability Analysis)

sumber: google

Salam semua. mcm biasa gambar di atas tiada kaitan. hehe. ok kali ni nak cerita pasal Cronbach Alpha.

Pekali Cronbach Alpha (α), yang dihasilkan oleh Lee Cronbach pada tahun 1951, digunakan untuk mengukur kebolehpercayaan, atau konsistensi dalaman. "Kebolehpercayaan" adalah sejauh mana ujian itu mengukur sesuatu konstruk. Sebagai contoh, sebuah syarikat telekomunikasi ingin membuat kaji selidik kepuasan pelanggan.

Kebolehpercayaan yang tinggi bermakna item-item di dalam survei tersebut benar-benar mengukur kepuasan pelanggan, manakala kebolehpercayaan yang rendah bermakna ia mengukur sesuatu yang lain daripada kepuasan pelanggan.

Ujian Cronbach Alpha dijalankan untuk melihat adakah soalan kaji selidik yang diukur melalui skala likert itu boleh dipercayai. Soalan-soalan ini mengukur pemboleh ubah pendam (latent) - pembolehubah yang tersembunyi atau tidak dapat diukur secara terus seperti: bersifat terbuka, personaliti atau bertanggungjawab.

Cara untuk dapatkan nilai cronbach alpha:

Di SPSS : Analyze à Scale à Reliability Analysis à masukkan item-item di bawah faktor/ dimensi yang hendak diuji à Click Statistics à tick  ‘descriptives for’ scale if item deleted à OK

Secara umumnya, nilai pekali kebolehpercayaan > 0.7 adalah diterima dalam kajian dan menunjukkan item-item dalam soalan adalah boleh dipercayai. 

'Cronbach alpha if item deleted' dalam jadual output memberikan kita panduan untuk menaikkan nilai cronbach alpha dengan membuang item-item tertentu.

Manakala 'Corrected item total correlation' pula memberi panduan kepada kita sekiranya nilai < 0.3 maka item tersebut harus disemak semula kerana ia mempunyai hubungan korelasi yang amat rendah dengan item-item yang lain.

Isu dalam cronbach alpha:

1) jika nilai cronbach alpha terlalu tinggi, ada kemungkinan item-item kita mempunyai korelasi yang tinggi antara 1 sama lain (untuk ini issue multicollinearity mungkin terjadi jika buat regression/ SEM nanti. Cadangan untuk membuang item yang tidak perlu

2) Namun perkara (1) juga mungkin boleh terjadi sekiranya bilangan item kita adalah banyak, ini kerana formula dalam cronbach alpha itu sendiri

3) nilai cronbach alpha yang rendah berkemungkinan item-item kita tidak mengukur apa yg sepatutnya diukut (semak kembali soalan kita). Juga kemungkin bilangan item terlalu sedikit juga boleh diambil kira sebagai faktor. 

ok , pembaca budiman kalau nak tahu lebih lanjut pasal cronbach alpha boleh baca di sini Tavakol & Dennick (2011)

Sekian ada cerita saya kongsi lagi..

CERITA 20: Nak buat EFA (Exploratory Factor Analysis) atau CFA (Confirmatory Factor Analysis)?

SUMBER: Google

Salam semua pembaca, antara persoalan yang hangat juga ni, masa bila kita perlu buat EFA (Exploratory Factor Analysis) atau CFA (Confirmatory Factor Analysis)?

Ok biar saya ringkaskan ikut pemahaman saya berdasarkan pembacaan, tak sempat nak 'cite' dari reference mana, jika ada kelapangan saya akan 'cite'.

...
Bila perlu buat EFA?

Lazimnya EFA kita buat untuk menentukan dimensi item yang diukur, Juga kita buat EFA untuk explore struktur faktor dalam pembolehubah kajian.
.
Sekiranya pengkaji terlibat dalam membangunkan/membina item sendiri/ adaptasi dan ubahsuai sedikit daripada literature, maka sewajarnya buatlah EFA. EFA ni guna data daripada pilot study (minimum 100 sampel- namun ada rules of thumb mengenai EFA ini, sila baca dahulu), mungkin sesuai bagi kes anda.
.
Jadi, berdasarkan keputusan EFA kita di atas tadi, item telah distrukturkan mengikut komponen. Berdasarkan kaedah ini, kita dapat saring item-item yang benar-benar diperlukan.
.
Buang item yang tak berkenaan.
.
Selepas tu, edar kembali soal selidik dan kita boleh teruskan analisis kita (data ini adalah data sebenar, bukan lagi data pilot study).
.
Selepas itu kalau nak run CFA, terpulang.

...

Bilakah tak perlu EFA?

Ok. Jika struktur faktor kita dah tahu, maka kita boleh terus buat CFA, di mana tujuan CFA adalah untuk confirmkan bahawa data kajian kita fit kepada model yang dihipotesiskan dalam konteks kajian tersebut.
.
Sekian, ada masa saya share lagi. TQ sudi membaca.