Minggu, 17 April 2011

Apa sih Diagram Scater

Bagaimana memahaminya
Ketika menyelidiki masalah, biasanya ketika mencari penyebab mereka, dapat diduga bahwa dua item yang terkait dalam beberapa cara. Misalnya, dapat diduga bahwa jumlah kecelakaan kerja berkaitan dengan jumlah lembur yang orang yang bekerja.
Diagram Scatter membantu untuk mengidentifikasi adanya hubungan terukur antara dua item tersebut dengan mengukur mereka berpasangan dan merencanakan mereka pada grafik, seperti di bawah ini. Visual ini menunjukkan korelasi antara dua set pengukuran.
Gambar. 1. Poin pada Scatter Diagram
Jika poin digambarkan pada Diagram Scatter tersebar secara acak, tanpa pola yang jelas, maka ini menunjukkan bahwa dua set pengukuran tidak berkorelasi dan tidak dapat dikatakan berhubungan dengan cara apapun. If, however, the points form a pattern of some kind, then this shows the type of relationship between the two measurement sets. Namun, jika titik-titik membentuk pola dari beberapa jenis, maka ini menunjukkan jenis hubungan antara dua set pengukuran.
Sebuah Scatter Diagram menunjukkan hubungan antara dua item untuk tiga alasan:
a.       Ada sebab dan akibat hubungan antara dua item diukur, di mana salah satu menyebabkan yang lain (setidaknya sebagian).
b.      Dua item yang diukur adalah baik disebabkan oleh item ketiga. Misalnya, Scatter Diagram yang menunjukkan korelasi antara celah-celah dan transparansi peralatan kaca karena perubahan baik disebabkan oleh perubahan suhu tungku.
c.       Kebetulan Lengkap. Hal ini dimungkinkan untuk menemukan korelasi tinggi item yang tidak terkait, seperti jumlah semut persimpangan jalan dan penjualan koran.
Scatter Diagram sehingga dapat digunakan untuk memberikan bukti hubungan sebab dan akibat, tetapi mereka sendiri tidak membuktikannya. Biasanya, hal itu juga memerlukan pemahaman yang baik sistem yang akan diukur, dan mungkin diperlukan percobaan tambahan. 'Sebab' dan 'efek' dengan demikian dikutip dalam bab ini untuk menunjukkan bahwa meskipun mereka dapat diduga memiliki hubungan ini, belum diketahui secara pasti.
Sewaktu mengevaluasi Diagram Scatter, baik tingkat dan jenis korelasi harus dipertimbangkan. Yang terlihat perbedaan Scatter Diagram untuk ini ditunjukkan dalam Tabel di bawah ini.
Di mana ada hubungan sebab-akibat, tingkat tersebarnya diagram mungkin akan dipengaruhi oleh beberapa faktor (seperti yang diilustrasikan dalam diagram di bawah ini):
·         Kedekatan dari sebab dan akibat. Ada kesempatan yang lebih baik dari korelasi tinggi jika penyebabnya adalah terhubung langsung ke efek daripada jika pada akhir rantai penyebab. Jadi akar mungkin tidak memiliki hubungan yang jelas dengan efek akhir.
·         Beberapa penyebab efek. Ketika mengukur satu penyebab, penyebab lainnya adalah membuat efek tersebut sangat beragam dengan cara yang tidak terkait. Penyebab lainnya mungkin juga memiliki efek yang lebih besar, swamping efek sebenarnya penyebab tersebut.
·         Alam Variasi dalam sistem. Efeknya mungkin tidak bereaksi dengan cara yang sama setiap kali, bahkan penyebab utama dekat.
Tidak ada gelar yang jelas salah satu hubungan di atas mana suatu hubungan yang jelas dapat dikatakan ada. Instead, as the degree of correlation increases, the probability of that relationship also increases. Sebaliknya, sebagai tingkat korelasi meningkat, kemungkinan hubungan yang juga meningkat.
Jika ada korelasi yang cukup, maka bentuk Diagram Scatter akan menunjukkan jenis korelasi (lihat Tabel @ @). Yang paling umum adalah bentuk garis lurus, baik miring ke atas (korelasi positif) atau miring bawah (korelasi negatif).
Scatter Diagram
Derajat 
Korelasi
Interpretasi
Tidak ada
Tidak ada hubungan dapat dilihat. tidak terkait dengan 'menyebabkan' dengan cara apapun.
Rendah
Hubungan samar terlihat. Itu karena 'dapat mempengaruhi' efek ', tapi hanya jauh. Ada lebih cepat menyebabkan baik dapat ditemukan atau ada variasi yang signifikan dalam 'efek'.
Tinggi
Poin yang dikelompokkan menjadi bentuk linier jelas. Ini adalah kemungkinan bahwa karena 'secara langsung berkaitan dengan efek'. Oleh karena itu, setiap perubahan karena 'akan menghasilkan perubahan ditebak cukup dalam' efek '.
PerfectSempurna
Semua poin yang terletak pada baris (yang biasanya lurus). Mengingat 'menyebabkan nilai, sesuai efek' 'nilai dapat diprediksi dengan kepastian lengkap.




Scatter Diagram
Jenis 
Korelasi
Interpretasi
Positif
Garis lurus, miring dari kiri ke kanan. Meningkatkan nilai karena 'hasil dalam peningkatan proporsional dalam nilai' efek '.
Negatif
Garis lurus, miring turun dari kiri ke kanan. Meningkatkan nilai karena 'hasil penurunan proporsional nilai dari' efek '.
Lengkung
Berbagai kurva, biasanya U-atau S-berbentuk. Mengubah nilai karena 'hasil dalam' efek 'berubah berbeda, tergantung pada posisi pada kurva.
Bagian linier
Bagian dari diagram adalah garis lurus (miring ke atas atau bawah). Mungkin karena kerusakan atau kelebihan dari 'efek', atau kurva dengan bagian yang mendekati ke garis lurus (yang mungkin diperlakukan seperti itu).

Poin yang muncul baik di luar daerah terlihat tren mungkin karena sebab khusus dari variasi, dan harus diteliti seperti itu.
Selain interpretasi visual, beberapa perhitungan dapat dilakukan sekitar Scatter Diagram. Perhitungan yang dibahas disini adalah untuk korelasi linear; kurva memerlukan tingkat matematika yang berada di luar cakupan buku ini.
·         Koefisien korelasi memberikan nilai numerik untuk tingkat korelasi. Hal ini akan bervariasi dari -1, yang menunjukkan korelasi negatif sempurna, melalui 0, yang menunjukkan korelasi sama sekali, ke +1, yang menunjukkan korelasi positif yang sempurna. Jadi nilai lebih dekat adalah plus atau minus 1, korelasi yang lebih baik. Dalam korelasi sempurna, semua poin berbaring di garis lurus.
·         Sebuah garis regresi membentuk 'paling cocok' atau 'rata-rata' dari diplot poin. Hal ini setara dengan mean dari distribusi (lihat Variasi Bab ).
·         Kesalahan standar adalah setara dengan standar deviasi dari suatu distribusi (lihatVariasi Bab ) dalam cara yang menunjukkan penyebaran efek mungkin 'nilai-nilai untuk setiap satu karena nilai.
Dihitung angka berguna untuk menempatkan nilai numerik pada perbaikan, dengan 'sebelum' dan 'nilai-nilai setelah'. Mereka juga dapat digunakan untuk memperkirakan berbagai kemungkinan efek '' nilai-nilai dari sebab yang diberikan '' nilai-nilai (asumsi hubungan sebab akibat terbukti). Angka di bawah ini menunjukkan bagaimana garis regresi dan kesalahan standar dapat digunakan untuk memperkirakan kemungkinan efek '' nilai dari penyebab tunggal 'diberi nilai.
Fig. Gambar. 3 Distribusi titik-titik di Scatter Diagram
Contoh 

Sebuah tim perencanaan kota, selama penyelidikan kecelakaan di jalan, mengidentifikasi beberapa kemungkinan penyebab. Tiga penyebab utama diduga: kecepatan kendaraan, kepadatan lalu lintas dan kondisi cuaca lokal. Karena tidak ada bukti yang jelas yang tersedia untuk mendukung salah satu hipotesis, mereka memutuskan untuk mengukur mereka, dan menggunakan Scatter Diagram untuk memeriksa apakah hubungan antara salah satu penyebab cukup kuat untuk mengambil tindakan lebih lanjut. 

Untuk mendapatkan ukuran yang cukup, mereka membuat tindakan setiap hari selama dua bulan, menggunakan sensor jalan lokal dan laporan dari layanan ambulans. Scatter Diagram digambar untuk setiap penyebab yang mungkin terhadap jumlah kecelakaan. Hasil memungkinkan kesimpulan berikut harus dibuat: 

* Ada korelasi rendah positif dengan kepadatan lalu lintas. 
* Ada korelasi disimpulkan dengan kondisi jalan. 
* Ada korelasi, positif dengan kecepatan tinggi lalu lintas, dengan kecelakaan dropping off lebih tajam di bawah 30 mph. 

Akibatnya, langkah-langkah kontrol kecepatan lebih banyak lalu lintas yang dipasang, termasuk tanda-tanda dan permukaan. Hal ini mengakibatkan penurunan terukur dalam kecelakaan.
Gambar. 1. Contoh Scatter Diagram
Contoh lainnya 

* Seorang tukang roti tersangka bahwa waktu berdiri dari adonan mempengaruhi cara naik.Sebuah Diagram Scatter waktu bangkit melawan kepadatan roti diukur menunjukkan korelasi yang adil pada distribusi berbentuk U terbalik. Dengan demikian ia menggunakan waktu pada titik tertinggi pada kurva untuk mendapatkan kesempatan terbaik roti baik-bangkit. 
* Diduga bahwa suhu tekan menyebabkan menolak dalam proses pembentukan plastik.Sebuah Diagram Scatter menunjukkan korelasi positif yang tinggi, mendorong suatu redesign pers, termasuk penggunaan bahan lebih tahan panas. Hal ini menghasilkan penurunan yang signifikan dalam jumlah potongan ditolak. 
* Sebuah plot gaji departemen SDM terhadap hasil survei motivasi. Hasilnya adalah korelasi negatif yang lemah. Sebuah Scatter Diagram kedua, merencanakan waktu di perusahaan terhadap motivasi, memberikan korelasi yang lebih tinggi. Sebuah program motivasi ditargetkan sesuai dan menghasilkan peningkatan yang stabil dalam skor yang diberikan kepada motivasi dalam survei personil berikutnya perusahaan.
Bagaimana melakukannya 

1. Tentukan dua item yang ingin Anda bandingkan. Satu dapat diidentifikasi sebagai penyebab dicurigai dan yang lain sebagai efek dicurigai. Hal ini mungkin berasal dari penggunaan alat-alat lain, seperti Efek-Penyebab Hubungan Diagram atau Diagram. 

2. Identifikasi pengukuran yang akan diambil. Keduanya harus variabel (yaitu diukur pada skala kontinu) dan itu harus mungkin untuk mengukur keduanya pada saat yang sama. 

Buatlah pengukuran sespesifik mungkin untuk mengurangi variasi dan meningkatkan kemungkinan hubungan yang lebih tinggi. Sebagai contoh, pengukuran dari bahan pemasok tunggal mungkin lebih baik daripada mengukur semua bahan yang disediakan. 

3. Membuat 50-100 pasang pengukuran. Ketika melakukan hal ini, bertujuan untuk menjaga semua variabel lain stabil mungkin, karena dapat mengganggu dengan angka akhir. 

Berhati-hatilah ketika mengukur perilaku manusia, sebagai tindakan pengukuran dapat menyebabkan orang diukur untuk mengubah perilaku mereka, terutama jika mereka mencurigai mereka mungkin kehilangan keluar dalam beberapa cara. 

4. Plot diukur pasang di Scatter Diagram. Desain sumbu dan sisik pada diagram untuk memberikan penyebaran maksimum visual poin. Ini mungkin melibatkan menggunakan skala yang berbeda dan membuat sumbu salib di non-nilai nol (seperti pada gambar dibawah). 

Jika menyelidiki hubungan sebab-akibat yang mungkin, alur sebab dicurigai pada sumbu x (horizontal) dan efek dicurigai pada sumbu y (vertikal). 


Gambar. 1. Pengaturan skala 

5. Jika korelasi tinggi, kemunduran ('rata-rata') line dapat ditarik melalui titik merencanakan, untuk menekankan tren. Hal ini dapat dihitung atau diperkirakan dengan mata (meskipun hal ini harus dibuat jelas bagi pembaca masa depan diagram). 



6. Jika korelasi cukup linear, maka koefisien korelasi dapat dihitung. 

7. Menafsirkan diagram dan bertindak sesuai. Hal ini mungkin untuk mengidentifikasi perbaikan atau untuk memungkinkan estimasi nilai efek masa depan. Jika yang terakhir, standard error dapat dihitung, seperti pada gambar di bawah ini. 

Bila menggunakan Scatter Diagram untuk memperkirakan nilai dampak masa depan, hanya memperkirakan dalam kisaran korelasi diketahui, sebagai bentuk dapat berubah di luar kisaran tersebut.


Praktis variasi


* Jika titik pada Diagram Scatter bertepatan dengan poin lainnya, fakta bahwa satu titik sebenarnya adalah dua atau lebih mungkin akan disorot oleh keberanian mereka atau dengan menggunakan lingkaran konsentris.
* Jika pengukuran sulit diperoleh, sesedikit 30 pasangan pengukuran dapat digunakan.
* Gunakan Tabel Korelasi ketika kebetulan beberapa poin diukur, biasanya ketika ada sejumlah posisi mungkin. Ini secara efektif lintas antara Scatter Diagram dan Check Sheet, dimana setiap posisi xy diwakili oleh kotak di mana beberapa poin dapat diindikasikan


Gambar.1 Tabel Kolerasi
* Pisahkan set pengukuran dapat ditampilkan pada Diagram Scatter yang sama, yang dapat dibedakan dari satu sama lain dengan menggunakan spidol berbentuk berbeda untuk setiap set poin. Pemakaian khas adalah di mana satu variabel yang sedang berubah, misalnya untuk menunjukkan pengukuran bahan dari pemasok yang berbeda.
* Mana korelasi non-linear muncul, perkiraan kasar dapat dilakukan dengan menggunakan mereka dengan membagi mereka ke dalam bagian sekitar linear dan menghitung garis regresi dan standard error seperti di atas.
Diposkan oleh Dody Riyawan di 00:36

Panduan regresi analisis

Seringkali seorang yang akan melakukan analisis data statistik kebingungan, analisis apa yang akan dipakai ?  Apakah regresi, korelasi, manova, nonparametrik, cluster, dlsb ?  …Sekarang anda tidak perlu bingung lagi, karena berikut ini kami sajikan panduan dasar untuk pemilihan analisis statistik.  Dengan mengikuti beberapa langkah sederhana, voila :)  anda dapat menentukan analisis statistik yang tepat dan sesuai dengan kebutuhan anda.  Untuk memulai, jawablah pertanyaan / pernyataan di bawah ini :
1.  Apakah ingin melakukan pengujian hipotesis (menguji perbedaan antara dua peubah) ?  Jika Ya maka lanjutkan ke Panduan Dasar Pengujian Hipotesis Jika Tidak maka lanjutkan ke nomor 2
2.   Apakah akan dicari hubungan antara peubah yang akan dianalisis ? Jika Tidakmaka : Gunakan statistik deskriptif berupa nilai (mean, median, modus, kuartil, ragam, simpangan baku, koefisien keragaman) maupun berupa grafik (poligon, histogram, boxplot, diagram batang dan daun).  Jika Ya maka lanjutkan ke nomor 3.
3.  Apakah dalam satu analisis akan diuji hubungan antara lebih dari 2 peubah ?  Jika Tidak maka lanjutkan ke nomor 4, Jika Ya maka lanjutkan ke nomor 5
4.  Apa skala peubah yang akan diuji ?  Jika Metrik maka : Gunakan analisis korelasi sederhana, analisis regresi linier sederhana. Jika Nonmetrik maka : Gunakan Analisis Nonparametrik.
5.  Tipe hubungan apakah yang akan diteliti ? Jika ketergantungan satu arah maka lanjutkan ke nomor 6, jika ketergantungan dua arah (saling ketergantungan) maka lanjutkan ke nomor 10
6.  Berapa banyak peubah yang diduga ? Jika banyak hubungan antara peubah bebas dan peubah terikat maka : Gunakan SEM (Structural Equation Modeling), jikabeberapa peubah terikat dalam satu hubungan maka lanjutkan ke nomor 7, jika satu peubah terikat dalam satu hubungan maka lanjutkan ke nomor 9
7.  Apa skala pengukuran peubah terikatnya ?  Jika skalanya non metrik maka : Gunakan Analisis Korelasi Kanonik dengan peubah dummy, jika skalanya metrikmaka lanjutkan ke nomor 8
8.  Apa skala pengukuran peubah bebasnya ? Jika skalanya metrik maka : Gunakan Analisis Korelasi Kanonik, jika skalanya nonmetrik gunakan MANOVA (Multivariate Analysis of Variance).
9.  Apa skala pengukuran peubah terikatnya ?  Jika skalanya non metrik maka : Gunakan Analisis Diskriminan Berganda, Model Peluang Linier; jika skalanya metrikmaka : Gunakan Regresi Berganda, Analisis Conjoint.
10.  Bagaimana struktur dari hubungannya ?  Jika struktur hubungannya antara peubah maka : Gunakan Analisis Faktor, jika struktur hubungannya antara kasus/responden maka : Gunakan Analisis Cluster, jika struktur hubungannya antara objek maka lanjutkan ke nomor 11
11  Bagaimana atribut dari objek tersebut diukur ? Jika nonmetrik maka : Gunakan Analisis Korespondensi, ijika metrik dan atau nonmetrik maka : Gunakan Multidimensional Scaling.
Sumber : syimphonic-file.blogspot.com