Business Statistics and Hands-On SPSS

Announcement!

Postgrad and lecturers' training on Business Statistics and Hands-On SPSS.

Tentative schedule:

Date / Time: October 2013

Days           : 2 (Saturday and Sunday or any arrangements)

Venue         : Melaka and Shah Alam

Trainer        : Dr. Sharifah Norhafiza bt Syed Ibrahim
                      (UiTM lecturer)

Contact : Leza @ 012-2699500

Analisa SPSS - Permulaan

Di bawah ini saya sertakan nasihat, tip dan prosedur dari Julie Pallant yang perlu pelajar dan pengguna SPSS fikirkan sebelum memulakan analisa data.

Starting your data analysis

Most students get quite excited when they finish entering data and they have a data file to analyse. However, before diving in to address all your research questions there are a few things you need to do first. I have listed these below, along with the related chapter in the SPSS Survival Manual. 

Check the characteristics of the subjects that make up your sample. You will need this information for the method section of your report.	Chapter 6
Check all the variables in your data file for errors (particularly out-of-range values).	Chapter 5
Obtain descriptive statistics for each of the variables you will be using in your study. These should include means, standard deviations, kurtosis, skewness, and minimum and maximum values. Check that these values are appropriate.	Chapter 6
Check the distribution of scores on each of your variables—depending on the variable, you will need to use histograms, boxplots, bar graphs or stem and leaf plots. Look out for very skewed distributions or any unusual pattern of scores. Also check for extreme outliers—these can affect some analyses and may need to be recoded or removed.	Chapter 5, 6, 7
Perform the necessary data manipulation procedures (e.g., recode, compute) to create any new variables you need. This is important when creating total scores on a scale, or collapsing down a variable into a smaller number of categories. Afterwards, always run Frequencies on these new variables to check that the procedure has been done correctly.	Chapter 8
Check the reliability of the scales you intend using in your analyses. What are the Cronbach alpha values for each scale? How do these results compare to those reported in the literature?	Chapter 9
For your continuous variables, check the pattern of intercorrelations. How strongly and in which direction are your variables related? How does this compare with the results reported in the literature? You may also need to obtain scatterplots of the correlation between pairs of your major variables. These are useful for checking for linear relationships between variables.	Chapter 11
When choosing which statistical technique to use for your analysis, always check that you have the right type of variables (categorical/continuous). Consider whether a parametric or a non-parametric technique is the most appropriate.	Chapter 10
Check with your statistics books and the SPSS Survival Manual to ensure you are not violating any of the major assumptions for the analyses you intend to conduct. This might involve checking that you have enough subjects in your groups, that the variance for each group is similar, or that the distribution of scores on your variables is not too skewed.	Parts Four and Five
Remember that SPSS will conduct the analyses that you ask it to do, whether or not these analyses are appropriate. The old saying 'Garbage in, garbage out' applies. It is up to you to ensure that you understand what you are doing and also what the output means.	SPSS Survival Manual

A few additional tips

1. Save your output regularly so that if the computer crashes you have not lost too much work. All output files should be saved with a .spo extension onto your disk in the A:/ drive. Give your output file a suitable name so you will able to identify it later, for example 8aug96a.spo. Keep a list of your output files with details of what is included. SPSS produces a lot of output and it is very easy to get lost, so get organised—it will save you a lot of time. 

2. If you need to recode a variable, always create a new variable. Keep the original variable so that if there are any problems you have not lost the data. 

3. If you create any new variables, always check in your codebook that the name you intend to use has not already been used. Otherwise you will lose all the original information. Record the name and explanation of the new variable in your codebook. Keep detailed notes of everything you do. This should include details of cut-off points you use to recode variables, reasons for doing things, reminders to yourself about how to do the analyses, problems that might have occurred etc. 

4. Finally, make sure that when doing your analyses, you get up and stretch, walk around etc., at least every hour. SPSS for Windows can be addictive, a bit like eating peanuts—just one more, and then, just one more … Plan what analyses you intend to do, break your analyses into blocks, and give yourself time to digest the output.

Selamat mencuba dan menganalisa.

~yba~

Kajian Akademik

Untuk mereka yang baru berkecimpung atau terjun ke bidang kajian akademik, ia adalah satu pengalaman yang baru. Malangnya, selama ini anda tak terdedah kepada kajian akademik kerana mengambil kursus dan peperiksaan sahaja semasa ijazah pertama dan sarjana. Bagi yang mengambil sarjana mod campur iaitu kursus dan disertasi, ia mungkin membantu sedikit.

Apakah yang dikatakan kajian akademik samada PhD atau geran-geran penyelidikan yang lain?

-         Bersifat mengembangkan ilmu pengetahuan (knowledge);

-         Ia adalah penyiasatan berstruktur untuk menyelesaikan sesuatu masalah;

-         Ia mesti diasaskan daripada “lopong” (gap) dari literatur;

-         Ia mesti menggunakan salah satu kaedah kuantitatif, kualitatif dan/atau bercampur;

-         Ada hasil penemuan yang telah di bentuk dari soalan-soalan dan kaedah kajian;

-         Rumusan yang utuh dan padat;

-         Sumbangan kepada badan ilmu pengetahuan dan literatur bidang tertentu;

-         Novel;

-         Asli.

Kriteria-kriteria:

Kuantitatif - Untuk para penyelidik kuantitatif, kriteria utama mereka adalah kebolehpercayaan (reliability), kesahihan (validity) dan generalizability.

Kualitaitf - Namun, bagi para penyelidik kualitatif, disamping kriteria di atas yang tergunapakai juga kepada mereka, mereka juga menekankan dan/atau menambah pelbagai dimensi/aspek seperti rigour, integriti etika dan kesasteraan (artistry).

Nota: Generalizability mungkin susah untuk dicapai bagi sebahagian kajian kualitatif.

Bercampur – memiliki kriteria kedua-dua kaedah kuantitatif dan kualitatif

Polisi

Universiti York (diambil dari laman sesawang universiti pada 4.5.2012) di United Kingdom telah mengeluarkan polisi mengenai kajian akademik:

1. Penyelidik mesti bertanggungjawab memastikan standard kejujuran akademik yang tinggi.

2. Universiti memasukkan sebagai rujukan mengenai peraturan-peraturan tingkahlaku kesarjanaan yang dibuat oleh agensi kebangsaan dan antarabangsa.

3. "Salahlaku dalam kajian akademik" ditakrif sebagai:

    (a) apa-apa tingkahlaku secara sedar dalam fabrikasi dan plagiat;

    (b) kegagalan secara material untuk mematuhi peraturan-peraturan persekutuan dan daerah untuk melindungi penyelidik, sabjek manusia atau orang awam, atau kebajikan haiwan makmal atau apa-apa peraturan lain berkaitan perlaksanaan kajian;

    (c) kegagalan untuk memberitahu penaja sebarang konflik minat yang material (conflict of interest);

    (d) kegagalan untuk memberitahu universiti sebarang konflik kewangan yang material  material dalam perniagaan yang mengadakan kontrak dengan universiti untuk menjalankan kajian. (sila rujuk universiti York)

Selamat menyelidik.

~yba~

Structural Equation Modelling (SEM) - Pengenalan

Analisa statistik yang tengah panas sekarang ini adalah SEM. 

Kursus SEM asas di bengkel persidangan antarabangsa boleh menjangkau yuran sehingga RM1,050 / USD 350 (burung awal!) jika pelatihnya adalah dari amerika/eropah. Kadar biasa RM1,350 atau USD450. Pelajar diberi diskaun 10%. Jika pelatih dari Malaysia, yurannya mungkin sekitar RM700 untuk pengenalan dan asas-asas kepada SEM menggunakan PLS saja.

Apa dia SEM?

Structural equation modeling, or SEM = pendekatan umum kepada analisa data multivariate

-         Juga dikenali sebagai analisa struktur kovarian

-         Juga dikenali sebagai model penyebab (causal modelling)

-         Juga dikenali sebagai model LISREL

Dalam erti kata lain, SEM adalah sangat umum, linear, silang-seksyen teknik model statistik. Analisa faktor, analisa haluan (path) dan regresi semuanya adalah mewakili kes-kes istimewa SEM.

Tujuan SEM = mengkaji perhubungan kompleks antara variabel dimana sebahagian variabel boleh terdiri dari hipotetikal atau bukan dalam perhatian (unobserved).

SEM adalah sebahagian besarnya teknik mengesahkan (confirmatory), dan bukan penjelajahan. Iaitu, seorang pengkaji adalah lebih berkemungkinan menggunakan SEM untuk menentukan samada sesuatu model itu sah, daripada menggunakan SEM untuk "mencari" satu model yang sesuai—walaupun analisa-analisa SEM selalunya melibatkan elemen penjelajahan tertentu.

Pendekatan = SEM adalah berdasarkan model. Pengkaji mencuba satu atau lebih model yang bersaing – analitik SEM menunjukkan yang mana satu model sesuai (fit), dimana ada pertindihan, dan boleh menolong memilih (pinpoint) apa aspek model tertentu yang konflik dengan data.

Dalam SEM, minat selalunya focus keatas konstruk laten—variabel psikologi abstrak seperti "kepandaian" atau "perangai terhadap jenama"—daripada keatas variabel yang di zahirkan untuk mengukut konstuk-konstruk ini. Pengukuran dianggap sebagai susah dan mudah buat salah. Dengan membuat model yang terang mengenai kesalahan pengukuran, pengguna SEM cuba untuk mengeluarkan (derive) anggaran tak berpihak untuk hubungan antara konstruk laten. Hingga ini, SEM membenarkan pengukur berbilang (multiple) untuk di asosiasikan dengan konstruk laten bujang (single).

SEM membayangkan satu struktur matriks kovarian pengukur-pengukur (dari situ ia adalah nama alternative untuk bidang ini, "analisa struktur kovarian"). Apabila parameter model telah dianggarkan, hasil model-bayangan matriks kovarian kemudiannya boleh dibandingkan dengan empirikal atau matriks kovarian bersandarkan data. Jika kedua-dua matriks adalah sejajar/selaras antara satu sama lain, kemudian SEM boleh dianggap sebagai satu penerangan yang munasabah (plausible) untuk hubungan-hubungan antara pengukur-pengukur.

Kesusahan = perisian SEM yang moden adalah mudah digunakan. Pengkaji yang bukan ahli statistik sekarang pun boleh selesaikan anggaran dan menguji masalah-masalah yang mana pada satu ketika dulu memerlukan perkhidmatan beberapa pakar pengkhusus (specialists).

Berbanding dengan regresi dan analisa faktor, SEM adalah bidang yang agak baru, mempunyai asal-usul dari kertas kerja yang muncul hanya pada sekitar lewat tahun 1960an. Oleh sebab itu, metodologi ini masih berkembang, dan juga konsep asas (fundamental) masih subjek kepada cabaran dan revisi. Perubahan ketara ini adalah sumber keseronokan kepada sebahagian pengkaji dan juga sumber kekecewaan kepada yang lain.

Dalam entri akan dating, saya akan bincang lebih lanjut mengenai SEM ini dan aplikasinya.

Selamat berjaya.

~yba~

Analisa Statistik - SPSS

Lima-enam dan mungkin sepuluh tahun lepas, SPSS saja sudah tak mencukupi bagi PhD di KICT. Rakan-rakan dan pelajar-pelajar PhD di UIAM sibuk mencari analisa statistik baru seperti SEM, Lisrel, PLS, Hierarchical Linear Modeling dan lain-lain. Pelajar kewangan ada juga menggunakan STATA (tak berkait dengan SPSS). Namun begitu, prasyarat untuk semua analisa itu memerlukan pengetahuan asas SPSS.

Di sini saya ingin memberi gambaran tentang SPSS dari buku Julie Pallant dan sumber-sumber lain. Apa dia SPSS?

Analisa data adalah hanya salah satu bahagian dalam proses kajian. Sebelum anda boleh menggunakan SPSS untuk menganalisa data anda, ada beberapa perkara yang perlu dilakukan sebelumnya. Pertama, anda perlu mereka kajian anda dan pilih instrumen pengumpulan data yang sesuai. Setelah anda melakukan kajian anda, data yang dikumpul perlu disediakan untuk dimasukkan kedalam SPSS (menggunakan sesuatu yang dipanggil ‘buku kod’). Untuk memasukkan data kedalam SPSS, anda mesti memahami bagaimana SPSS berfungsi dan bagaimana untuk bercakap dengannya secara sepatutnya.

Bab 1 menyediakan beberapa tip dan cadangan untuk menyediakan kajian anda, dengan tujuan untuk mendapatkan data yang berkualiti baik.

Bab 2 meliputi penyediaan buku kod untuk menterjemah maklumat yang diperolehi  daripada kajian anda kedalam format yang sesuai untuk SPSS.

Bab 3 membawa anda kedalam SPSS dan sebahagian skil yang perlu anda juga dibincang disitu.

Saya andaikan anda sudah ada asas statistik untuk bahagian 3 dan akan membincangkan serba sedikit bahagian 4 – 5 di bawah.  

PART THREE Preliminary analyses

6 Descriptive statistics

7 Using graphs to describe and explore the data

8 Manipulating the data

9 Checking the reliability of a scale

10 Choosing the right statistic

PART FOUR Statistical techniques to explore relationships among variables

11 Correlation

12 Partial correlation

13 Multiple regression

14 Logistic regression

15 Factor analysis

PART FIVE Statistical techniques to compare groups

16 T-tests

17 One-way analysis of variance (ANOVA)

18 Two-way between-groups ANOVA

19 Mixed between-within subjects analysis of variance

20 Multivariate analysis of variance (MANOVA)

21 Analysis of covariance (ANCOVA)

22 Non-parametric statistics

Bahagian 4

Dari model kajian, bahagian 4 ini akan menolong anda mengesan dan menceritakan perhubungan antara variabel. Teknik korelasi selalu digunakan oleh pengkaji yang terlibat dalam kajian berbentuk bukan eksperimen. Bukan seperti kajian eksperimen, variabel tak dimanipulasi dengan sengaja atau dikawal yakni variabel diceritakan seperti ia wujud secara tabii.

Terdapat beberapa teknik dalam SPSS untuk jelajah perhubungan. Ia berbeza bergantung kepada jenis soalan kajian yang hendak dijawab dan juga jenis data yang ada. Kebiasaannya bagi pengkaji sains sosial menggunakan korelasi, regresi bivariate, regresi multiple dan analisa faktor untuk menguji model dan teori, menganggar hasil (predict outcomes) dan menilai kebolehpercayaan dan kesahihan skala.

NB: Ada beberapa andaian yang biasa dalam semua teknik dalam Bab 4. Antaranya, tahap pengukuran, pairs berkait, pemerhatian yang berdikari, normaliti, lineariti, dan homoscedasticiti.

Dalam entri ringkas ini tak dapatlah untuk menceritakan setiap teknik dengan panjang lebar.

Bahagian 5

Dalam bahagian ini, pelajar akan menjelajahi teknik-teknik dalam SPSS untuk menilai perbezaan antara kumpulan atau kondisi. Teknik yang digunakan agak kompleks kerana ia mengambil banyak teori terlindung (underlying) dan prinsip statistik. Dinasihatkan anda mempunyai sekurang-kurangnya pemahaman asas tentang prinsip statistik yang anda ingin gunakan.

Ada banyak teknik statistik dalam SPSS untuk menguji perbezaan signifikan antara kumpulan. Antaranya adalah:

• Independent-samples t-test
• Paired-samples t-test
• One-way analysis of variance (between groups)
• One-way analysis of variance (repeated measures)
• Two-way analysis of variance (between groups)
• Mixed between-within groups analysis of variance
• Multivariate analysis of variance (MANOVA)
• One-way, and two-way analysis of covariance (ANCOVA), and
• Non-parametric techniques

Penggunaan teknik statistik banyak bergantung kepada jenis soalan kajian anda, jenis data yang ada dan jumlah variabel dan kumpulan yang ada. Antara point utama untuk diingat semasa memilih teknik yang sesuai dengan kajian anda adalah:

  

• T-tests digunakan apabila anda ada hanya dua kumpulan.
• Teknik analisa variance digunakan apabila anda ada dua atau lebih kumpulan.
• Teknik paired-samples atau repeated-measures digunakan apabila anda menguji orang yang sama pada lebih satu masa atau anda mempunyai matched pairs.
• Teknik antara-kumpulan atau sampel-berdikari digunakan apabila subjek dalam setiap kumpulan adalah orang yang berlainan (atau berdikari).
• Analisa varian sehala digunakan apabila anda mempunyai hanya satu variabel berdikari.
• Analisa varian dua-hala digunakan apabila anda mempunyai dua variabel berdikari.
• Analisa varian multivariate digunakan apabila anda mempunyai lebih dari satu variabel bergantung. Dan
• Analisa kovarian (ANCOVA) digunakan apabila anda perlu mengawal variabel tambahan yang mungkin akan mempengaruhi perhubungan antara variabel bergantung dan berdikari anda.

Seperti bahagian 4, di sini juga ada andaian yang perlu anda ketahui. Antaranya: tahap pengukuran, sampel rawak, pemerhatian berdikari, pembahagian (distribution) normal dan varian yang homogene.

    

Di samping itu anda juga perlu beri perhatian kepada kesalahan seperti Jenis 1 dan 2 dan kuasa. Anda juga boleh lakukan perbandingan terancang/analisa post-hoc. Akhirnya, ketahuilah saiz kesan (atau ‘kekuatan asosiasi’) yang boleh menilai kepentingan penemuan anda. Ia adalah satu set statistik yang menunjukkan magnitud relatif perbezaan antara purata (means). Antara ‘saiz kesan’ yang biasa adalah eta squared, Cohen d dan Cohen f.  

Sekian untuk kali ini.

Selamat mencuba dan Berjaya.

~yba~