Annotated SPSS Output

Canonical Correlation Analysis

Halaman ini menunjukkan contoh dari analisis korelasi kanonik dengan catatan kaki yang
menjelaskan output di SPSS. Seorang peneliti telah mengumpulkan data dari tiga variabel psikologis,
empat variabel akademik (nilai tes standar) dan jenis kelamin untuk 600 mahasiswa baru. Dia tertarik
pada bagaimana set variabel psikologis berkaitan dengan variabel akademik dan gender. Secara
khusus, peneliti tertarik berapa banyak dimensi yang diperlukan untuk memahami hubungan antara
dua set variabel. Kami memiliki file data, mmr.sav, dengan 600 observasi pada delapan variabel.
Variabel psikologis locus of control, konsep diri dan motivasi. Variabel akademik yang nilai tes standar
dalam membaca, menulis, matematika dan sains. Selain itu, variabel perempuan adalah variabel
indikator nol-satu dengan yang menunjukkan seorang mahasiswi. Peneliti yang tertarik pada
hubungan antara variabel psikologis dan variabel akademik, dengan jenis kelamin dipertimbangkan
juga. analisis korelasi kanonik bertujuan untuk menemukan pasang kombinasi linear dari masing-
masing kelompok variabel yang sangat berkorelasi. Ini kombinasi linear disebut variates kanonik.
Setiap variate kanonik adalah orthogonal ke variates kanonik lainnya kecuali untuk satu dengan yang
korelasinya telah dimaksimalkan. Kemungkinan jumlah pasangan tersebut terbatas pada jumlah
variabel dalam kelompok terkecil. Dalam contoh kita, ada tiga variabel psikologis dan lebih dari tiga
variabel akademik. Dengan demikian, analisis korelasi kanonik pada set ini variabel akan
menghasilkan tiga pasang variates kanonik.
Untuk memulai, mari kita baca dan meringkas dataset. To begin, let's read in and summarize the
dataset.

get file='d:\data\mmr.sav'.

descriptives
variables=locus_of_control self_concept motivation
read write math science female
/statistics=mean stddev min max.

Descriptives ini menunjukkan bahwa tidak ada nilai-nilai yang hilang dalam data dan menyarankan
skala yang berbeda variabel yang berbeda. Kita dapat melanjutkan dengan analisis korelasi kanonik
tanpa khawatir data hilang, mengingat bahwa variabel kita berbeda dalam skala.
SPSS melakukan korelasi kanonik menggunakan perintah manova dengan opsi discrim. Perintah
manova merupakan salah satu perintah SPSS yang hanya dapat diakses melalui sintaks; tidak ada
urutan menu pull-down atau point-and-klik yang bisa tiba di analisis ini.
Karena panjang output, kita akan menghilangkan beberapa output yang asing untuk analisis korelasi
kanonik kami dan membuat komentar di beberapa tempat di sepanjang jalan.
Dalam perintah manova, pertama kita daftar variabel dalam kelompok psikologis kita (locus of
control, konsep diri dan motivasi). Kemudian, setelah kata kunci SPSS dengan, kita daftar variabel
dalam kelompok kami akademik (membaca, menulis, matematika, ilmu pengetahuan dan
perempuan). SPSS mengacu pada kelompok pertama variabel sebagai "variabel tergantung" dan
kelompok kedua variabel sebagai "kovariat". Ini mengikuti konvensi manova.
manova locus_of_control self_concept motivation with read write math
science female
/ discrim all alpha(1)
/ print=sig(eigen dim).
...[additional output omitted]...
* * * * * * A n a l y s i s o f V a r i a n c e -- design 1 * * * * *
*

EFFECT .. WITHIN CELLS Regression

Multivariate Tests of Significance (S = 3, M = 1/2, N = 295 )

Test Name Value Approx. F Hypoth. DF Error DF Sig. of F

Pillais .25425 11.00057 15.00 1782.00 .000

Hotellings .31430 12.37633 15.00 1772.00 .000
Wilks .75436 11.71573 15.00 1634.65 .000
Roys .21538

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Eigenvalues and Canonical Correlations

Root No. Eigenvalue Pct. Cum. Pct. Canon Cor. Sq. Cor

1 .274 87.336 87.336 .464 .215

2 .029 9.185 96.522 .168 .028
3 .011 3.478 100.000 .104 .011

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dimension Reduction Analysis

Roots Wilks L. F Hypoth. DF Error DF Sig. of F

1 TO 3 .75436 11.71573 15.00 1634.65 .000

2 TO 3 .96143 2.94446 8.00 1186.00 .003
3 TO 3 .98919 2.16461 3.00 594.00 .091

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

...[additional output omitted]...

* * * * * * A n a l y s i s o f V a r i a n c e -- design 1 * * * * *
*

Raw canonical coefficients for DEPENDENT variables

Function No.

Variable 1 2 3

locus_of 1.254 -.621 .662

self_con -.351 -1.188 -.827
motivati 1.262 2.027 -2.000

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Standardized canonical coefficients for DEPENDENT variables
 Function No.

Variable 1 2 3

locus_of .840 -.417 .444

self_con -.248 -.838 -.583
motivati .433 .695 -.686

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Correlations between DEPENDENT and canonical variables
Function No.

Variable 1 2 3

locus_of .904 -.390 .176

self_con .021 -.709 -.705
motivati .567 .351 -.745

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Variance in dependent variables explained by canonical variables

CAN. VAR. Pct Var DE Cum Pct DE Pct Var CO Cum Pct CO

1 37.980 37.980 8.180 8.180

2 25.910 63.889 .727 8.907
3 36.111 100.000 .391 9.297

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Raw canonical coefficients for COVARIATES
Function No.

COVARIATE 1 2 3

read .045 -.005 -.021

write .036 .042 -.091
math .023 .004 -.009
science .005 -.085 .110
female .632 1.085 1.795

* * * * * * A n a l y s i s o f V a r i a n c e -- design 1 * * * * *
*

Standardized canonical coefficients for COVARIATES

CAN. VAR.

COVARIATE 1 2 3

read .451 -.050 -.216

write .349 .409 -.888
math .220 .040 -.088
science .049 -.827 1.066
female .315 .541 .894

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Correlations between COVARIATES and canonical variables
CAN. VAR.

Covariate 1 2 3

read .840 -.359 -.135

 write .877 .065 -.255
math .764 -.298 -.148
science .658 -.677 .230
female .364 .755 .543

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Variance in covariates explained by canonical variables

CAN. VAR. Pct Var DE Cum Pct DE Pct Var CO Cum Pct CO

1 11.305 11.305 52.488 52.488

2 .701 12.006 24.994 77.482
3 .098 12.104 9.066 86.548

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

...[additional output omitted]...

Data Summary, Eigenvalues and Hypothesis Tests

* * * * * * A n a l y s i s o f V a r i a n c e -- design 1 * * * * *
*

EFFECT .. WITHIN CELLS Regression

Multivariate Tests of Significance (S = 3, M = 1/2, N = 295 )

Test Name Valuee Approx. Ff Hypoth. DFg Error DFg Sig. of Fh

Pillaisa .25425 11.00057 15.00 1782.00 .000

Hotellingsb .31430 12.37633 15.00 1772.00 .000
Wilksc .75436 11.71573 15.00 1634.65 .000
Roysd .21538

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Eigenvalues and Canonical Correlations

Root No.i Eigenvaluej Pct.k Cum. Pct.l Canon Cor.m Sq. Corn

1 .274 87.336 87.336 .464 .215

2 .029 9.185 96.522 .168 .028
3 .011 3.478 100.000 .104 .011

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dimension Reduction Analysis

Rootso Wilks L.p Ff Hypoth. DFg Error DFg Sig. of Fh

1 TO 3 .75436 11.71573 15.00 1634.65 .000

2 TO 3 .96143 2.94446 8.00 1186.00 .003
3 TO 3 .98919 2.16461 3.00 594.00 .091
Sebuah. Pillais - ini adalah jejak Pillai, salah satu dari empat statistik multivariat dihitung
dengan SPSS untuk menguji hipotesis nol bahwa korelasi kanonik adalah nol (yang, pada
gilirannya, berarti bahwa tidak ada hubungan linear antara dua kelompok tertentu variabel).
jejak Pillai adalah jumlah dari korelasi kanonik kuadrat, yang dapat ditemukan di bagian
berikutnya output (lihat superscript n): 0,4642 + 0,1682 + 0,1042 = 0,25425.
b. Hotellings - ini adalah jejak Hotelling-Lawley. Hal ini sangat mirip dengan jejak Pillai dan
dapat dihitung sebagai jumlah dari nilai-nilai (kanonik correlation2 / (1-kanonik korelasi 2)).
Kita bisa menghitung 0,4642 / (1- 0,4642) + 1682 / (1-0,1682) + 0,1042 / (1-,1042) =
0,31430.
c. Wilks - ini adalah Wilks 'lambda, statistik multivariat lain dihitung dengan SPSS. Ini
adalah produk dari nilai-nilai (correlation2 1-kanonik). Dalam contoh ini, korelasi kanonik
kami 0,4641, 0,1675, dan 0,1040 sehingga Wilks 'Lambda adalah (1- 0,4642) * (1-0,1682) *
(1-,1042) = 0,75436.
d. Roy - Ini adalah akar terbesar Roy. Hal ini dapat dihitung dari nilai eigen terbesar: terbesar
eigen / (1 + eigenvalue terbesar). Karena didasarkan pada maksimal, dapat berperilaku
berbeda dari tiga uji statistik lainnya. Dalam kasus di mana tiga lainnya tidak signifikan
secara statistik dan Roy adalah signifikan secara statistik, efeknya harus dianggap tidak
signifikan secara statistik.
e. Nilai - ini adalah nilai tes multivariat yang tercantum di kolom sebelumnya.
f. (Approx.) F - ini adalah nilai-nilai F yang terkait dengan berbagai tes yang termasuk dalam
output SPSS ini. Untuk tes multivariat, nilai F adalah perkiraan.
g. Hypoth. DF, Kesalahan DF - ini adalah derajat kebebasan yang digunakan dalam
menentukan nilai F. Perhatikan bahwa ada kasus di mana derajat kebebasan mungkin non-
integer karena derajat ini kebebasan dihitung menggunakan mean kuadrat kesalahan, yang
sering non-bilangan bulat.
h. Sig. F - ini adalah p-nilai yang terkait dengan nilai F dari uji statistik yang diberikan.
Hipotesis nol bahwa kami dua set variabel tidak terkait linear dievaluasi sehubungan dengan
ini p-value. Untuk tingkat alpha yang diberikan, seperti 0,05, jika p-value kurang dari alpha,
hipotesis nol ditolak. Jika tidak, maka kita gagal menolak hipotesis nol.
saya. Akar No - ini adalah peringkat dari nilai eigen yang diberikan (terbesar ke terkecil). Ada
banyak akar karena ada variabel dalam lebih kecil dari dua set variabel. Dalam contoh ini,
kita set variabel psikologis berisi tiga variabel dan set kami variabel akademik berisi lima
variabel. Jadi lebih kecil variabel set berisi tiga variabel dan analisis menghasilkan tiga akar.
j. Eigen - Ini adalah nilai eigen dari produk dari matriks model dan inverse dari matriks
kesalahan. eigen tersebut juga dapat dihitung dengan menggunakan korelasi kanonik kuadrat.
Nilai eigen terbesar adalah sama dengan terbesar korelasi kuadrat / (1- squared korelasi
terbesar); 0,215 / (1-0,215) = 0,274. Perhitungan ini dapat diselesaikan untuk setiap korelasi
untuk menemukan yang sesuai eigen. Ukuran relatif dari nilai eigen mencerminkan berapa
banyak varians dalam variates kanonik dapat dijelaskan dengan korelasi kanonik yang sesuai.
Dengan demikian, nilai eigen sesuai dengan korelasi pertama adalah yang terbesar, dan
semua nilai eigen berikutnya lebih kecil.
k. Pct. - Ini adalah persen dari jumlah nilai eigen diwakili oleh eigenvalue diberikan. Jumlah
dari tiga eigen adalah (0,2745 + 0,0289 + 0,0109) = 0,3143. Kemudian, proporsi dapat
dihitung: 0,2745 / 0,3143 = 0,8734, 0,0289 / 0,3143 = 0,0919, dan 0,0109 / 0,3143 = 0,0348.
Ini adalah proporsi varians dijelaskan dalam variates kanonik dikaitkan dengan korelasi
kanonik yang diberikan.
l. Air mani. Pct. - Ini adalah jumlah kumulatif dari persen.
m. Canon Kor. - Ini adalah korelasi Pearson dari pasang variates kanonik. Pasangan pertama
variates, kombinasi linear dari pengukuran psikologis dan kombinasi linear dari pengukuran
akademik, memiliki koefisien korelasi 0,464. Pasangan kedua memiliki koefisien korelasi
0,168, dan pasangan ketiga 0,104. Setiap pasangan berikutnya dari variates kanonik kurang
berkorelasi. Ini dapat diartikan sebagai adanya korelasi lainnya Pearson. Artinya, alun-alun
korelasi merupakan proporsi varians dalam variate satu kelompok dijelaskan oleh variate
kelompok lain.
n. Sq. Cor - Ini adalah kuadrat dari korelasi kanonik. Misalnya, (0,464 * 0,464) = 0,215.
Hai. Akar - ini adalah set akar termasuk dalam hipotesis nol yang diuji. Hipotesis nol bahwa
semua korelasi yang terkait dengan akar dalam himpunan yang sama dengan nol dalam
populasi. Dengan menguji set ini berbeda dari akar, kita menentukan berapa banyak dimensi
yang diperlukan untuk menggambarkan hubungan antara dua kelompok variabel. Karena
setiap akar kurang informatif dari yang sebelumnya, dimensi yang tidak perlu akan dikaitkan
dengan nilai-nilai eigen terkecil. Dengan demikian, kita mulai uji kami dengan set lengkap
akar dan kemudian menguji subset yang dihasilkan dengan menghilangkan akar terbesar di
set sebelumnya. Di sini, kita pertama menguji semua tiga akar, maka akar dua dan tiga, dan
kemudian akar tiga saja.
p. Wilks L. - Di sini, Wilks uji lambda statistik digunakan untuk menguji hipotesis nol bahwa
korelasi kanonik yang diberikan dan semua yang lebih kecil sama dengan nol dalam populasi.
Setiap nilai dapat dihitung sebagai produk dari nilai-nilai (correlation2 1-kanonik) untuk set
korelasi kanonik sedang diuji. Dalam contoh ini, korelasi kanonik kami 0,464, 0,168 dan
0,104, sehingga nilai untuk pengujian bahwa semua tiga dari korelasi adalah nol adalah (1-
0,4642) * (1-0,1682) * (1-,1042) = 0,75436. Untuk menguji bahwa kedua yang lebih kecil
korelasi kanonik, 0,168 dan 0,104, adalah nol dalam populasi, nilai adalah (1-0,1682) * (1-
0,1042) = 0,96143. Nilai untuk pengujian bahwa korelasi kanonik terkecil adalah nol adalah
(1-0,1042) = 0,98919.