Please enable JavaScript.
Coggle requires JavaScript to display documents.
Chapter 4 Cleaning Up Your Act - Coggle Diagram
Chapter 4
Cleaning Up Your Act
1.Masalah Penting dalam Penyaringan Data
Akurasi File Data
Cara terbaik untuk memastikan keakuratan file data adalah dengan mengoreksi data asli terhadap data terkomputeriasi di jendela data.
Data hilang
merupakan salah satu masalah yang paling umum terjadi dalam analisis data. Tingkat keseriusannya tergantung pada pola data yang hilang, berapa banyak yang hilang dan mengapa data tersebut hilang.
Deleting Cases or Variables
Estimating Missing Data
Treating Missing Data as Data
Repeating Analyses With and Without Missing Data
Choosing Among Methods for Dealing With Missing Data
Korelasi Jujur
Deflated Correlation
Inflated Correlation
Outliers
adalah kasus dengan nilai ekstrim pada satu variabel atau kombinasi skor yang aneh pada dua atau lebih variabel sehingga mendistorsi statistik.
Detecting Univariate and Multivariate Outliers
Describing Outliers
Reducing the Influence of Outliers
Outliers in a Solution
Outliers in a Solution
Normality
Linearity
Homoscedasticity, Homogeneity of Variance, and Homogeneity of Variance–Covariance Matrices
Transformasi Data Umum
adalah mengubah skala pengukuran data menjadi bentuk lain agar memenuhi asumsi analisis.
Multikolinearitas
adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat antara dua variabel bebas atau lebih dalam sebuah model regresi berganda
A Checklist and Some Practical Recommendations
2. Complete Examples of Data Screening
Menyaring Data yang Dikelompokkan
:
Accuracy of Input, Missing Data, Distributions, Homogeneity of Variance, and Univariate Outliers
Multicollinearity
Linearity
Variables Causing Cases to Be Outliers
Multivariate Outliers
Menyaring Data yang Tidak Dikelompokkan
Accuracy of Input, Missing Data, Distributions, and Univariate Outliers
Linearity and Homoscedasticity
Transformation
Detecting Multivariate Outliers
Variables Causing Cases to Be Outlier
Multicollinearity