<\/p>\n
Dalam statistik, kita sering menggunakan koefisien korelasi Pearson<\/a> untuk mengukur hubungan linier antara dua variabel.<\/span><\/p>\n Namun, terkadang kita ingin memahami hubungan antara dua variabel sambil mengendalikan variabel ketiga<\/strong> .<\/span><\/p>\n Misalnya, kita ingin mengukur hubungan antara jumlah jam belajar siswa dan nilai ujian akhir, sambil mengontrol nilai siswa saat ini di kelas.<\/span><\/p>\n Dalam hal ini, kita dapat menggunakan korelasi parsial<\/strong> untuk mengukur hubungan antara jam belajar dan nilai ujian akhir.<\/span><\/p>\n Tutorial ini menjelaskan cara menghitung korelasi parsial di R.<\/span><\/p>\n Misalkan kita mempunyai kerangka data berikut yang menampilkan nilai saat ini, total jam belajar, dan nilai ujian akhir untuk 10 siswa:<\/span><\/p>\n Untuk menghitung korelasi parsial antara setiap kombinasi berpasangan variabel dalam kerangka data, kita dapat menggunakan fungsi pcor()<\/strong> dari perpustakaan ppcor<\/a> :<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Korelasi parsial antara jam belajar dan nilai ujian akhir:<\/strong><\/span><\/p>\n Korelasi parsial antara jam belajar dan nilai ujian akhir adalah 0,191<\/strong> , yang menunjukkan korelasi positif yang kecil. Seiring bertambahnya jumlah jam belajar, nilai ujian pun cenderung meningkat, dengan asumsi nilai saat ini tetap konstan.<\/span><\/p>\n Nilai p untuk korelasi parsial ini adalah 0,623<\/strong> , yang tidak signifikan secara statistik pada \u03b1 = 0,05.<\/span><\/p>\n Korelasi parsial antara nilai saat ini dan nilai ujian akhir:<\/strong><\/span><\/p>\n Korelasi parsial antara nilai saat ini dan nilai ujian akhir adalah 0,736<\/strong> , yang menunjukkan korelasi positif yang kuat. Seiring dengan peningkatan nilai saat ini, nilai ujian juga cenderung meningkat, dengan asumsi jumlah jam belajar tetap.<\/span><\/p>\n Nilai p untuk korelasi parsial ini adalah 0,024<\/strong> , yang signifikan secara statistik pada \u03b1 = 0,05.<\/span><\/p>\n Korelasi parsial antara nilai saat ini dan jam belajar:<\/strong><\/span><\/p>\n Korelasi parsial antara nilai saat ini, jam belajar, dan nilai ujian akhir adalah -0,311<\/strong> , yang menunjukkan korelasi yang sedikit negatif. Dengan bertambahnya nilai saat ini maka nilai ujian akhir cenderung menurun dengan asumsi nilai ujian akhir tetap.<\/span><\/p>\n Nilai p<\/a> untuk korelasi parsial ini adalah 0,415<\/strong> , yang tidak signifikan secara statistik pada \u03b1 = 0,05.<\/span><\/p>\n Hasilnya juga menunjukkan bahwa metode yang digunakan untuk menghitung korelasi parsial adalah \u201cPearson\u201d.<\/span><\/p>\n Dalam fungsi pcor()<\/strong> , kita juga dapat menentukan “kendall” atau “pearson” sebagai metode alternatif untuk menghitung korelasi.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara menghitung korelasi rank Spearman di R<\/a> Dalam statistik, kita sering menggunakan koefisien korelasi Pearson untuk mengukur hubungan linier antara dua variabel. Namun, terkadang kita ingin memahami hubungan antara dua variabel sambil mengendalikan variabel ketiga . Misalnya, kita ingin mengukur hubungan antara jumlah jam belajar siswa dan nilai ujian akhir, sambil mengontrol nilai siswa saat ini di kelas. Dalam hal ini, kita […]<\/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 Contoh: korelasi parsial pada R<\/strong><\/span><\/h2>\n
#create data frame<\/span>\ndf <- data. frame<\/span> (currentGrade = c(82, 88, 75, 74, 93, 97, 83, 90, 90, 80),\n hours = c(4, 3, 6, 5, 4, 5, 8, 7, 4, 6),\n examScore = c(88, 85, 76, 70, 92, 94, 89, 85, 90, 93))\n\n#view data frame\n<\/span>df\n\n currentGrade hours examScore\n1 82 4 88\n2 88 3 85\n3 75 6 76\n4 74 5 70\n5 93 4 92\n6 97 5 94\n7 83 8 89\n8 90 7 85\n9 90 4 90\n10 80 6 93\n<\/strong><\/pre>\n library<\/span> (ppcor)<\/span>\n\n#calculate partial correlations<\/span>\npcor(df)\n\n$estimate\n currentGrade hours examScore\ncurrentGrade 1.0000000 -0.3112341 0.7355673\nhours -0.3112341 1.0000000 0.1906258\nexamScore 0.7355673 0.1906258 1.0000000\n\n$p.value\n currentGrade hours examScore\ncurrentGrade 0.00000000 0.4149353 0.02389896\nhours 0.41493532 0.0000000 0.62322848\nexamScore 0.02389896 0.6232285 0.00000000\n\n$statistic\n currentGrade hours examScore\ncurrentGrade 0.0000000 -0.8664833 2.8727185\nhours -0.8664833 0.0000000 0.5137696\nexamScore 2.8727185 0.5137696 0.0000000\n\n$n\n[1] 10\n\n$gp\n[1] 1\n\n$method\n[1] \"pearson\"\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara menghitung korelasi silang di R<\/a>
Cara menghitung korelasi geser di R<\/a>
Cara menghitung korelasi titik-biserial di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"