Salam semua, anda yang tengah
membaca or blog walking sekarang ni mungkin sedang mencari ujian statistik
apakah yang paling sesuai untuk kajian anda kan? Ya, tu antara soalan yang
kerap ditanya, terutamanya pelajar master (coursework) yang buat part time
belajar dan juga antara calon PhD mungkin?
Topik korelasi adalah antara
topik yang hot lah yang boleh saya katakan, popular di kalangan pelajar master
yang bukan berlatar belakangkan statistik. Lazimnya sewaktu zaman belajar
dahulu, lecturer dah warning siap2..” Eh u all jangan lah guna multiple
regression untuk tesis ni, guna teknik lain lah”, dengan erti kata lain, sapa
yang pakai MLR utk tesis memang kena tukar kaedah lain, kalau tak, confirm tak
dapat A. Wow aim high gitu. Yalah
sapa taknak A kan? Ke asal lepas 3.0 pointer ajer cukup ;) . Eh macam betul je. hakikat.
Sebabnya? Sambung lecturer kami lagi ”…Tu basic untuk budak statistik (sepatutnya).
Padahal, banyak teknik lain lagi boleh explore...” Gitulah. Pendapat pensyarah
di IPTA saya. Lain padang lainlah belalangnya kan? Tambah zaman kita guna pakai
big data ni, meluas sungguh, pelbagai teknik di bidang lain yang kita boleh
explore. Tapi,, tapi,, tapi..... berlainan ya jika anda dari bidang lain dan, MLR antara kaedah yang
popular! Boleh menang award gitu. Ya. Jangan risau.:) Teruskan membaca lagi.
Selain daripada kita melaporkan
frekuensi dan peratusan dalam bentuk graf palang, carta pai dan sebagainya,
kita boleh ceritakan/ perihalkan data anda dengan lebih lanjut lagi. Sebab itu,
ini dinamakan statistik inferens (statistical inference). Melalui inferens ini,
kita menggunakan ujian statistik tertentu dalam menggambarkan data kita kepada
orang luar/ masyarakat adakah corak data yang dikaji menggambarkan situasi
sebenar atau disebabkan oleh kebarangkalian.
Sebenarnya saya nak kongsikan
hari ini, tips memilih ujian statistik yang sesuai.
- Lihat rekabentuk kajian anda
- Taburan data anda (normal?) Jika tidak, teknik statistik tak berparameter mungkin sesuai
- Jenis pembolehubah
Associationship:
No.
|
Type of Test: |
Use: |
1.
|
Correlational
|
These
tests look for an association
between variables |
2.
|
Pearson correlation |
Tests for the strength of the association between
two continuous variables
|
3.
|
Spearman
correlation |
Tests
for the strength of the
association between two ordinal
variables (does not rely on the assumption of normal distributed data) |
4.
|
Chi-square |
Tests for the strength of the association between
two categorical variables |
Comparison of Means: look for the
difference between the means of variables
No.
|
Type of Test: |
Use: |
1.
|
Paired T-test |
Tests for difference between
two related variables
|
2.
|
Independent T-test |
Tests for difference between two independent variables |
3.
|
ANOVA |
Tests the difference between group means after any other variance in the outcome
variable is accounted for |
Regression: assess if change in one variable
predicts change in another variable
No.
|
Type of Test: |
Use: |
1.
|
Simple regression |
Tests how change in the
predictor variable predicts the level of change in the outcome variable
|
2.
|
Multiple regression |
Tests how change in the combination of two or more predictor
variables predict the level of change in the outcome variable |
Non-parametric: are used when the data does
not meet assumptions required for parametric tests
No.
|
Type of Test: |
Use: |
1.
|
Wilcoxon rank-sum test |
Tests for difference between
two independent variables - takes into account magnitude and direction of
difference
|
2.
|
Wilcoxon sign-rank test |
Tests for difference between two related variables - takes
into account magnitude and direction of difference |
3.
|
Sign test |
Tests if two related variables are different –
ignores magnitude of change, only takes into account direction |
