<\/p>\n
Dalam statistik, korelasi<\/strong> mengacu pada kekuatan dan arah hubungan antara dua variabel. Nilai koefisien korelasi dapat berkisar antara -1 hingga 1, dengan interpretasi sebagai berikut:<\/span><\/p>\n Jenis korelasi khusus disebut korelasi peringkat Spearman<\/strong> , yang digunakan untuk mengukur korelasi antara dua variabel peringkat. (misalnya, peringkat nilai ujian matematika siswa relatif terhadap peringkat nilai ujian sains di suatu kelas).<\/span><\/p>\n Untuk menghitung korelasi rank Spearman antara dua variabel di R, kita dapat menggunakan sintaks dasar berikut:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Kode berikut menunjukkan cara menghitung korelasi rank Spearman antara dua vektor di R:<\/span><\/span><\/p>\n Dari hasilnya, kita dapat melihat bahwa korelasi peringkat Spearman adalah -0,41818<\/strong> dan nilai p yang sesuai adalah 0,2324<\/strong> .<\/span><\/p>\n Hal ini menunjukkan adanya korelasi negatif antara kedua vektor.<\/span><\/p>\n Namun, karena nilai p korelasi tidak kurang dari 0,05, maka korelasi tersebut tidak signifikan secara statistik.<\/span><\/p>\n Kode berikut menunjukkan cara menghitung korelasi peringkat Spearman antara dua kolom dalam bingkai data:<\/span><\/p>\n Dari hasilnya, kita dapat melihat bahwa korelasi peringkat Spearman adalah 0,7818<\/strong> dan nilai p yang sesuai adalah 0,01165<\/strong> .<\/span><\/p>\n Hal ini menunjukkan adanya korelasi positif yang kuat antara kedua vektor tersebut.<\/span><\/p>\n Karena nilai p korelasinya kurang dari 0,05, maka korelasinya signifikan secara statistik.<\/span><\/p>\n Cara menghitung korelasi parsial di R<\/a> Dalam statistik, korelasi mengacu pada kekuatan dan arah hubungan antara dua variabel. Nilai koefisien korelasi dapat berkisar antara -1 hingga 1, dengan interpretasi sebagai berikut: -1 : hubungan negatif sempurna antara dua variabel 0: tidak ada hubungan antara dua variabel 1: hubungan positif sempurna antara dua variabel Jenis korelasi khusus disebut korelasi peringkat Spearman , […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
corr <- cor. test<\/span> (x, y, method = ' spearman<\/span> ')\n<\/strong><\/pre>\n Contoh 1: Korelasi peringkat Spearman antar vektor<\/strong><\/span><\/h3>\n
#define data\n<\/span>x <- c(70, 78, 90, 87, 84, 86, 91, 74, 83, 85)\ny <- c(90, 94, 79, 86, 84, 83, 88, 92, 76, 75)\n\n#calculate Spearman rank correlation between x and y\n<\/span>horn. test<\/span> (x, y, method = ' spearman<\/span> ')\n\n\tSpearman's rank correlation rho\n\ndata: x and y\nS = 234, p-value = 0.2324\nalternative hypothesis: true rho is not equal to 0\nsample estimates:\n rho \n-0.4181818<\/strong><\/span><\/pre>\n Contoh 2: Korelasi peringkat spearman antar kolom dalam bingkai data<\/strong><\/span><\/h3>\n
#define data frame\n<\/span>df <- data. frame<\/span> (team=c('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'),\n points=c(67, 70, 75, 78, 73, 89, 84, 99, 90, 91),\n assists=c(22, 27, 30, 23, 25, 31, 38, 35, 34, 32))\n\n#calculate Spearman rank correlation between x and y\n<\/span>horn. test<\/span> (df$points, df$assists, method = 'spearman')\n\n\tSpearman's rank correlation rho\n\ndata: df$points and df$assists\nS = 36, p-value = 0.01165\nalternative hypothesis: true rho is not equal to 0\nsample estimates:\n rho \n0.7818182 \n<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menghitung autokorelasi di R<\/a>
Cara menghitung korelasi geser di R<\/a>
Cara melaporkan korelasi Spearman dalam format APA<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"