ANALISIS UNIVARIAT Analisis

univariat melihat pada satu variabel pada satu waktu. Ada beberapa alasan untuk
melihat variabel secara individual. Pertama, Anda mungkin ingin tahu berapa banyak responden
dengan karakteristik tertentu yang telah diperoleh. Dengan variabel status perkawinan, Anda
mungkin ingin tahu berapa banyak kuesioner responden yang bercerai selesai. Memeriksa
variabel satu per satu kadang-kadang dapat menunjukkan bahwa sekelompok individu tertentu
secara tidak sengaja terjawab atau bahwa rentang tanggapan dibatasi (semua tanggapan yang
mungkin tidak diwakili). Analisis univariat membantu evaluator mengembangkan "rasa" untuk
data biasanya, data disusun dalam urutan menaik atau menurun untuk memfasilitasi
menemukan "kesenjangan" atau nilai yang hilang. Analisis univariat memulai proses pembuatan
data yang dikumpulkan untuk evaluasi program.

Semua terlalu sering, evaluator yang hanya memiliki pengetahuan sepintas tentang
analisis berpikir mereka telah menganalisis data ketika semua yang telah mereka lakukan
adalah melaporkan data apa yang diperoleh, kita pernah datang "evaluasi" program yang terdiri
dari lebih dari 30 halaman yang terlihat seperti itu di tabel 13.1   

Nilai pre test dan post test adalah skor rata-rata pada skala 5-point di mana 1 = miskin, 3
= adil dan 5 = besar. Responden diminta untuk mengevaluasi pelatihan yang telah mereka
terima di serangkaian lokakarya yang diadakan di seluruh negara bagian. Tanggal di mana diatur
berdasarkan tanggal lokasi tempat pelatihan itu diberikan. Meskipun “evaluator” telah
membuat daftar pertanyaan yang digunakan dalam laporan evaluasi akhir, tidak ada informasi
mengenai reliabilitas atau validitas skala apa pun yang terdapat pada instrumen.

Tidak hanya 30 halaman data seperti itu yang membosankan untuk ditelusuri, juga sulit
untuk mengetahui apa yang harus disimpulkan. Sebagai contoh, apakah peningkatan yang
ditunjukkan dalam tabel 13.1 (misalnya, meningkat dari 3,20 menjadi 3,60 di bawah kolom yang
dipimpin orang tua) secara statistik signifikan? Jika mereka tidak signifikan secara statistik,
daripada mereka tidak benar-benar meningkat sama sekali tetapi mewakili skor yang setara.
Apa yang tidak disadari oleh "evaluator" adalah bahwa ini adalah skor keseluruhan dan bukan
skor item-by-item dan instrumen yang harus digunakan untuk analisis. Ini adalah koleksi barang
yang membuat instrumen dapat diandalkan. Item apa pun mungkin atau mungkin tidak
berguna untuk mendeteksi perubahan atau peningkatan yang signifikan. Dalam hal ini evaluator
menyimpulkan (ternyata dengan inspeksi visual) bahwa pelatihan meningkatkan
“pengetahuan” peserta di semua bidang - menunjukkan bahwa sesi pelatihan efektif,
kesimpulan ini bisa sangat tidak beralasan. Evaluator tidak tahu (demikian juga pembaca
laporan evaluasi). Jika skor peserta meningkat secara signifikan. Informasi ini hanya dapat
dipelajari ketika uji statistik digunakan. Lebih jauh, kecuali kita tahu lebih banyak tentang
instrumen, sangat mungkin itu tidak dapat diandalkan. Mungkin itu akan menunjukkan
peningkatan bahkan ketika instrumen lain yang lebih dapat diandalkan tidak. Perhatikan, juga,
hilangnya subjek pada post test. Bisakah kehilangan subjek berpengaruh pada temuan?

Analisis lebih dari sekadar menampilkan tanggapan atau data yang diperoleh, misalnya,
pada contoh data yang ditampilkan pada gambar 13.1, data ini tampak seolah-olah mereka bisa
menjadi hasil tes dari beberapa jenis. Namun, sampai kita tahu lebih banyak tentang data,
sangat sulit untuk menginterpretasikan apa yang ditunjukkan oleh angka-angka ini. Mungkinkah
ini usia orang di panti jompo? Bobot kelas anak kelas lima? Skor IQ anak-anak yang terdaftar di
kelas matematika perbaikan? Asumsikan bahwa mereka adalah hasil ujian akhir di kelas
penelitian sarjana. Mengetahui hal ini, kita sekarang dapat mengembangkan strategi untuk
mencoba memahami data. Kami mungkin, misalnya, menyusun data dalam hal skor tertinggi
dan terendah (gambar 13.2).

FRECUENCY DISTRIBUTION

Evaluasi biasanya mulai menganalisa data mereka dengan meminta susunan data yang dipesan
satu variabel pada suatu waktu. Ini disebut frekuensi karena untuk setiap nilai yang muncul,
komputer menghitung berapa banyak waktu (atau berapa frekuensi) itu terjadi. Tidak dalam
contoh di tabel 13.2 bahwa data tidak disusun berdasarkan frekuensi terbesar tetapi dalam hal
peringkat tertinggi (sangat baik) hingga terendah (buruk). Data ditampilkan dalam urutan
menurun. Dalam contoh ini Anda juga dapat melihat bahwa distribusi frekuensi memberikan
persentase dan persentase kumulatif

Dari sekilas pandang sepintas, kita dapat menentukan bahwa sangat sedikit responden
(sekitar 3 persen) yang memberikan program penilaian buruk. Bahkan, hampir separuh dari
responden memberikan program penilaian yang baik dengan menggabungkan mereka yang
menilai program “baik” atau “sangat baik” kami dapat menentukan bahwa 81 persen
responden senang dengan program tersebut. Statistik ini telah dihitung untuk kami di bawah
kolom persen kumulatif

. Tabel 13.3 Anda dapat melihat bagaimana distribusi frekuensi (analisis univariat) dapat
membantu Anda memahami bagaimana telah disertakan dan siapa yang mungkin hilang dari
sampel Anda. Contoh ini menunjukkan banyak responden yang lebih tua daripada yang lebih
muda. Perhatikan bahwa tidak ada responden antara usia 22 dan 30, sekitar setengah dari
subjek berusia lebih dari 60 tahun. Jika klien dalam program Anda dikenal jauh lebih muda,
distribusi seperti ini mungkin menunjukkan bahwa sampel itu bias - bahwa klien yang lebih
muda tidak termasuk pada tingkat yang diharapkan.

Selain ingin memahami siapa yang menjawab dan siapa yang tidak (susunan sampel
Anda), alasan lain untuk melihat setiap variabel secara individual adalah untuk menentukan
apakah ada kesalahan yang dibuat dalam mempersiapkan atau merekam data ini akan segera
jelas, dalam tabel 13.3, misalnya, jika Anda tahu bahwa tidak ada anak usia 15 tahun dalam
program rawat jalan. Anak usia 15 tahun yang terdaftar di sana mungkin berusia 51 tahun,
untuk siapa angka itu dialihkan. Sebelum analisis lebih lanjut dilakukan dengan variabel ini, usia
responden harus diverifikasi.

PENGUKURAN TENSI TENGGARA

Pada saat evaluator terbatas pada analisis univariat. Pada kesempatan ini, distribusi
frekuensi menyediakan larik untuk memahami rentang skor dan jumlah kasus atau responden
yang terkait dengan masing-masing nilai.
Keuntungan lain dari memiliki komputer menghasilkan distribusi frekuensi adalah bahwa
evaluator dapat meminta ukuran tendensi sentral seperti mean, median, atau mode. Mean
adalah rata-rata aritmatika skor. Ini berguna untuk memahami kasus "mengetik" atau klien.
Namun, mean dapat dengan mudah terdistorsi ketika ada beberapa skor ekstrim. Dengan
hanya menghitung distribusi frekuensi data dari gambar 13.1 kita dapat dengan mudah
mengidentifikasi bahwa skor tertinggi adalah 99 dan terendah adalah 65 lebih lanjut, jika kita
tahu bahwa nilai diberikan sesuai dengan skema berikut

STANDARD DEVIATION DAN RANGE

Selain mean, median, dan mode, statistik univariat lain, standar deviasi, harus
dimasukkan saat menyiapkan data tabel dan pelaporan. Standar deviasi adalah ukuran
variabilitas yang memberikan informasi tentang berapa banyak skor yang cenderung berbeda
satu sama lain dan rata-rata

Dalam data terdistribusi normal, di mana mean dan median terletak berdekatan pada
kurva berbentuk lonceng, 68 persen dari pengamatan jatuh dalam satu frekuensi standar rata-
rata setengah (34 persen) ini jatuh di atas dan separuh (34 persen) jatuh di bawah rata-rata.
Sembilan puluh lima persen dari pengamatan jatuh dalam dua standar rata-rata, dan 99,7
persen jatuh dalam tiga standar deviasi. Standar deviasi kecil ketika penyimpangan dari mean
kecil dan lebih besar ketika nilai yang diamati cenderung jauh dari mean. Dalam tabel 13.5
standar deviasi adalah 7,0 dan rata-rata adalah 32,2 sedangkan pada tabel 13,4 standar deviasi
adalah apakah Anda memahami mengapa deviasi standar lebih besar dalam tabel 13. 4

Rata-rata, median, dan deviasi standar tidak mudah ditafsirkan jika Anda tidak sekarang
kisaran teoritis kemungkinan skor yang dapat diperoleh dengan instrumen yang Anda gunakan
(alasan lain untuk menjadi akrab dengan literatur sebelum Anda memulai evaluasi) kisarannya.
Tentu saja jarak antara nilai terendah dan nilai tertinggi. Rentang teoritis adalah jarak antara
nilai terendah dan tertinggi yang dapat diukur oleh instrumen.

ANALISIS BIVERIASI  

Setelah Anda mengedit data, memperbaiki kesalahan, dan mempelajari apa yang dapat
Anda lakukan dari analisis univariat, Anda siap untuk mulai melihat variabel dua per satu.
Proses ini disebut analisis bivariat data. Evaluator melihat variabel dua sekaligus, dua uji
hipotesis atau dua menguji kekuatan asosiasi.

Sebelum memulai diskusi tentang analisis bivariat, bagaimanapun, masalah ukuran

sederhana muncul. Jika sampel Anda sangat kecil (kurang dari 10 subjek) maka tidak dapat
diasumsikan bahwa populasi terdistribusi secara normal dan dengan demikian Anda harus
menggunakan prosedur statistik nonparametrik dengan pengecualian penyebutan singkat ini,
keseimbangan bab ini akan berfokus pada teknik statistik untuk menganalisis set data besar dan
yang mengasumsikan bahwa observasi independen dan dipilih secara acak.

Kami memulai diskusi kami tentang analisis bivariat dengan variabel independen yang
diukur pada tingkat nominal dan akan digunakan untuk memahami variabel dependen yang
diukur pada tingkat interval. Secara khusus, dalam bagian ini kita membahas uji t dan analisis
prosedur varians. Ini hanyalah gambaran singkat, namun, siswa yang membutuhkan penjelasan
lebih lanjut keinginan saya untuk konsul buku statistik pengantar.

PASTED SAMPLE T-TEST

Misalkan seorang pendidik AIDS telah merancang dan instrumen untuk evaluator
dampak dari presentasi kepada siswa SMA. Karena instrumennya menghasilkan data interval
(dengan rentang teoritis 0f 15 hingga 75) dan dia memiliki satu grup dengan dua administrasi
dari instrumen yang sama (pre test dan post test), paired sample t-test adalah prosedur statistik
yang sesuai. Ini dari uji t sesuai skor siswa joe pada tes pra dengan skornya pada post test.
Sederhana melihat skor yang disusun dalam distribusi frekuensi tidak akan membantu
evaluator untuk menyimpulkan bahwa peserta program lebih berpengetahuan setelah
intervensi pendidikan. Variabel independen nominal (pre test atau post test) mewakili waktu
ketika siswa dinilai dengan instrumen.

Gambar 13.4 kita tidak dapat melihat bahwa pada pre test skor rata-rata adalah 50.67.
untuk kelas 30 siswa. Enam minggu kemudian ketika pendidik mengelola instrumen untuk
kedua kalinya, skor secara keseluruhan telah meningkat hampir 5 poin. Pertanyaan untuk
evaluator adalah apakah peningkatan skor rata-rata secara statistik signifikan

. Gambar 13.4 juga menunjukkan nilai t aktual yang dihasilkan adalah- 1,445 ketika uji t
berpasangan dikomputasi, bagaimanapun, tidak signifikan secara statistik (p = 159) AIDS.
pendidik sekarang tahu bahwa meskipun skor tes posting sedikit lebih tinggi (menunjukkan
lebih banyak pengetahuan tentang penularan AIDS) tidak ada perubahan nyata atau berarti
dalam pengetahuan yang terjadi untuk kelompok secara keseluruhan.

Perhatikan bahwa pointout berisi data yang dilaporkan ke sepuluh seperseribu (mis. 1 /
10.000) nomor terdekat. Ini adalah ide yang bagus ketika bekerja dengan data ini untuk
membulatkan angka-angka ini. Sebagai contoh, rata-rata 50,6667 dan SD 13,3115 dapat dengan
mudah dibulatkan menjadi 50,7 dan 13,3 melaporkan poin desimal di luar tingkat yang benar-
benar informatif bagi pembaca menyampaikan kepura-puraan presisi presisi tanpa makna
tambahan.

TES T UNTUK SAMPEL INDEPENDEN

Mari kita memodifikasi contoh kita agak dan menganggap bahwa pendidik kesehatan
ingin memperkuat intervensi dan surat membandingkan kelompok intervensi baru dengan
kelompok kontrol yang tidak menerima informasi tentang AIDS. Asumsikan bahwa dia ingin
menggunakan beberapa instrumen (yang, Anda akan ingat, menghasilkan data tingkat interval).
Untuk analisis statistik ini, ia masih akan menggunakan uji t (karena ada dua kelompok dan
variabel dependen diukur pada tingkat interval). Prosedur pasti yang harus digunakan adalah uji
t untuk sampel independen karena perbandingannya mengacu pada sampel individu yang
berbeda (kelompok perlakuan versus kelompok kontrol) jenis kelompok (kontrol atau
intervensi) adalah variabel independen tingkat nominal.
 Gambar 13.5 menunjukkan hasil ketika Holly, sarana dari dua kelompok pada tes pra
untuk menentukan apakah mereka setara dalam pengetahuan mereka tentang AIDS sebelum
intervensi. Seperti yang Anda lihat, meskipun kelompok yang dijadwalkan untuk mendapatkan
intervensi mendapat skor sedikit lebih dari 2 poin lebih baik daripada kelompok kontrol,
perbedaan antara nilai rata-rata pre-test tidak signifikan secara statistik (p = 54)

Anda tidak akan mencatat dengan sampel independen t test, tes Levene untuk
persamaan varians juga dihitung secara otomatis (dengan perangkat lunak spss) untuk
menentukan apakah perbedaan dalam varians mencapai proporsi yang signifikan. Karena
varians dalam dua sampel ini adalah serupa (p = 14, bulat), yaitu. Tidak ada perbedaan yang
signifikan (p, 05), rumus t-test untuk mengasumsikan varians yang sama dapat digunakan untuk
menurunkan estimasi terbaik dari signifikansi statistik. Dalam melaporkan nilai t dan tingkat
signifikansi, Holly akan menggunakan yang benar yang disarankan oleh tes levene. Dalam hal
ini, (t 61) untuk varian yang setara. Evaluator juga akan menggunakan uji t untuk sampel
independen jika dia ingin membandingkan skor rata-rata post tes dari kelompok intervensi
dengan skor post test dari kelompok kontrol. Bagaimana jika evaluator ingin mencari
perbedaan signifikan antara kelompok kontrol pada tes pra dan pasca tes? Mana yang paling
tepat: sampel yang dipasangkan atau uji t sampel independen? (Petunjuk: ini bukan sampel
independen)

ANALISA SATU JALAN VARIANS

Jika pendidik AIDS memiliki tiga kelompok yang menggunakan dua dan data interval, dia
tidak akan bisa menggunakan uji t untuk analisis (uji t hanya dapat digunakan dengan dua
kelompok). Jika data pada tiga atau lebih kelompok telah dikumpulkan, pendidik AIDS
kemungkinan akan memilih salah satu cara analisis varians (ANOVA) sebagai alat statistiknya.
Salah satu cara analisis varians adalah, seperti uji t, berdasarkan mean kelompok.

Anggaplah bahwa holly sekarang telah mengambil intervensinya ke dua sekolah yang
berbeda dan memiliki kelompok kontrol di sebuah sekolah tiga untuk tiga kelompok. Semua
siswa di11.th kelas Anda dapat melihat dari tabel pada gambar 13.6 bahwa rata-rata dari dua
kelompok pertama (kelompok intervensi asli dan kelompok kontrol) tidak berubah. Apa yang
berbeda dari tabel ini adalah penambahan kelompok intervensi baru di willow creek
independent hight. Sekali lagi, evaluator tidak dapat mengetahui apakah ada perbedaan yang
signifikan dalam skor rata-rata hanya dengan melihat sarana kelompok. Uji t, bagaimanapun,
mengungkapkan tidak perbedaan yang signifikan (p> 0,5) dalam uji pra dari kelompok pohon
bahkan berpikir kitawillow

kelompok sungaimencetak rata-rata 5,5 poin lebih banyak bahwa kelompok kontrol dan
3 poin lebih banyak bahwa kelompok perlakuan awal . Temuan-temuan dalam contoh khusus
ini membeberkan kita meskipun skor rata-rata dari ketiga kelompok itu berbeda, mereka tidak
bervariasi, cukup signifikan secara statistik.

CHI SQUARE
 Dalam ilustrasi sebelumnya, variabel independen diukur pada tingkat interval. Namun
apa yang akan dilakukan oleh evaluator jika variabel dependennya diukur pada tingkat
nominal? Anda akan ingat dari diskusi kita di bab 1 bahwa data nominal adalah variabel
kategori yang dapat dijelaskan dengan nama (misalnya, afiliasi politik, status pekerjaan, status
perkawinan, kelompok etnis) memikirkan bagaimana Anda dapat menilai keberhasilan
intervensi yang diukur pada tingkat nominal. Misalkan Anda dapat memotong data menjadi dua
kelompok: klien yang telah meningkat dan klien yang tidak. Dalam situasi seperti itu, chi-square
akan menjadi prosedur statistik yang berguna untuk digunakan.

Asumsikan bahwa Anda mengevaluasi program di mana skor numerik tidak tersedia.
Namun, staf memiliki prosedur yang ditetapkan dengan baik untuk menentukan pada titik
penutupan kasus, klien-klien untuk siapa intervensi berhasil dan mereka untuk siapa itu tidak
berhasil direktur meminta Anda untuk menggambar sampel acak klien di rawat jalan program
dan untuk menentukan proporsi yang memiliki hasil yang sukses. Memeriksa sampel dari 55
kasus yang ditutup dalam sebulan terakhir, Anda menemukan informasi yang diberikan pada
gambar 13.7

Sejauh ini, hanya ada satu variabel dan analisis bivariat, namun, katakanlah bahwa
Anda menyajikan temuan ini kepada direktur eksekutif baru: dan meskipun dia senang bahwa
program ini tampaknya sangat sukses dengan kliennya, dia bertanya apakah Anda dapat
menentukan apakah program ini sangat efektif - apakah itu lebih berhasil dengan klien famele
daripada dengan klien laki-laki.

Jika Anda menguji hipotesis seperti itu menggunakan data ini, chi square akan menjadi
statistik yang tepat untuk digunakan. Cara termudah untuk menghitung statistik ini adalah
memasukkan data ke komputer dan menggunakan komputer untuk membuat perhitungan
statistik. Dalam program spss, seseorang akan memencet tombol “analisis” dan kemudian
memilih “statistik deskriptif” dan kemudian “crosstabs” Setelah layar crosstabs muncul, maka
perlu untuk menunjukkan variabel mana yang ingin dianalisis.

Tabel yang ditunjukkan pada gambar 13,8 diproduksi dengan prosedur crosstabs spss,
di mana variabel dependen (hasil perawatan) dimasukkan sebagai variabel kolom dan jenis
kelamin sebagai variabel baris. Meskipun laki-laki tampaknya sedikit kurang berhasil daripada
yang tidak tahu malu, ada juga lebih sedikit laki-laki yang membuatnya sulit untuk mengetahui
dengan inspeksi visual apa yang sedang terjadi. Kuadrat chi pearson 4,939 adalah. Namun,
secara statistik signifikan (p = 026)  

Perhatikan bahwa tingkat signifikansi yang tepat untuk dilaporkan tergantung pada
apakah Anda menguji hipotesis nol atau hipotesis terarah. Jika Anda menguji hipotesis nol
(yaitu, wanita tidak lebih mungkin untuk memiliki keberhasilan pengobatan daripada laki-laki),
arti dua sisi (p = 038) adalah yang benar untuk dilaporkan. Jika Anda menguji hipotesis arah
(yaitu, wanita lebih mungkin memiliki keberhasilan pengobatan, daripada pria), tingkat
signifikansi satu-sisi akan dilaporkan (p = 027).

Tabel pada gambar 13.9 adalah presentasi lain dari data sebelumnya, tetapi kali ini
komputer diminta untuk menampilkan persentase turun kolom. Ini menunjukkan lebih jelas
bahwa frekuensi di masing-masing sel, pola perempuan lebih sukses daripada laki-laki. Anda
dapat melihat bahwa sekitar dua pertiga dari perempuan dikategorikan sebagai keberhasilan
pengobatan dan dua pertiga dari kegagalan pengobatan iklan perempuan. Tingkat signifikansi
tidak dipengaruhi oleh presentasi persentase di setiap sel.  

Prosedur statistik chi-square dapat digunakan jika Anda memiliki tiga, empat, lima atau
bahkan lebih banyak kategori atau pengelompokan. Hal ini mungkin, misalnya, untuk
membangun tabulasi silang di mana variabel independen memiliki tiga kategori dan variabel
dependen dua kategori (atau sebaliknya) ini akan dikenal sebagai tabel kontingensi 2 oleh 3.
Meja seperti itu akan berisi enam sel. Sedangkan tabel 3 x 3 akan berisi sembilan sel.

Satu-satunya hal yang harus diperhatikan ketika tabulasi silang mengandung banyak
kategori adalah statistik chi square tidak akurat ketika lebih dari 20 persen sel memiliki
frekuensi yang diharapkan 5 atau kurang. Prosedur crosstabs akan secara otomatis
memberitahu Anda jika ada masalah dengan terlalu banyak sel yang memiliki jumlah yang
diharapkan kurang dari 5. ketika ini terjadi, seseorang dapat memilih untuk meningkatkan
ukuran sampel atau untuk menggabungkan kategori. Misalnya, Anda mungkin memiliki empat
klasifikasi status pekerjaan (tidak bekerja, bekerja paruh waktu, bekerja penuh waktu, dan
pensiun) jika sampelnya kecil, mungkin masuk akal untuk membuat koloni kelompok yang
bekerja dengan mereka yang bekerja paruh waktu dan memiliki satu kategori pekerjaan alih-
alih dua atau, dimungkinkan untuk mengecualikan kategori pensiunan jika ini adalah sel yang
sangat kecil. Chi square juga dapat digunakan dengan data ordinal. Pertimbangkan skala likert
5- point yang sering digunakan dalam survei dan kuesioner. Dalam beberapa kasus, masuk akal
untuk menggabungkan "setuju" dan "sangat setuju" kategori menjadi satu, dan untuk agregat
"tidak setuju" dan "sangat tidak setuju" ke dalam kategori lain, agar lebih memahami pola-pola
yang memojokkan data.  

KORELASI

Kadang-kadang siswa mengatakan bahwa semua yang mereka ketahui tentang suatu
program adalah apakah penemuan tersebut berkorelasi dengan hasil yang sukses. Mereka
mengantisipasi seorang moderator untuk berkorelasi kuat akan meyakinkan. Para pembaca
evaluasi mereka melaporkan bahwa intervensi itu bermanfaat. Bahkan, korelasi hanya
menyatakan jumlah atau tingkat hubungan linier antara dua variabel misalnya, misalkan Anda
melakukan penelitian dan menemukan korelasi 51 antara usia klien dan jumlah bulan
ketenangan setelah meninggalkan program Anda.

Korelasi menunjukkan apakah dua variabel bergerak di beberapa arah jika mereka
cenderung meningkat atau menurun bersama-sama dalam contoh ini, jelas bahwa klien yang
lebih tua memiliki periode yang lebih lama dan periode lebih muda yang lebih pendek lebih
pendek itulah yang berarti korelasi. Tetapi apa yang Anda lakukan dengan informasi itu?
Menolak memperlakukan klien yang lebih muda? Apakah kedewasaan klienlah yang membuat
mereka sukses? Akan sangat membantu untuk diingat bahwa korelasi tidak membentuk "bukti"
bahwa satu variabel menyebabkan variabel lain. Agar tidak "menyebabkan" klien memiliki
periode ketenangan yang lebih lama. Faktanya, meskipun.51 adalah korelasi yang cukup kuat,
 hanya 26 persen dari varians dalam variabel dependen yang dijelaskan oleh variabel
independen (persentase varian dijelaskan ditemukan dengan mengalikan korelasi dengan
sendirinya). Jadi, 74 persen interaksi antara dua variabel tidak dijelaskan.

Korelasi adalah dasar di mana banyak prosedur didasarkan (misalnya, menghitung

keandalan skala baru) namun, korelasi adalah probabilitas hanya akan digunakan secara
insidentil atau bantu oleh sebagian besar evaluator program hanya karena mereka begitu
terbatas dalam apa yang mereka dapat mengungkapkan. Berikut adalah beberapa contoh dari
apa yang mungkin mereka tunjukkan:

 Jumlah sesi perawatan dikaitkan dengan kepuasan klien

 Jumlah sesi pengobatan dikaitkan dengan pengurangan gejala atau keparahan gejala

 Lama waktu dalam pengobatan dikaitkan dengan lebih sedikit penangkapan.

Meskipun korelasi biasanya bukan tujuan atau akhir yang diinginkan dari proses analisis data untuk
evaluator program, mereka masih dapat berguna dalam memahami data. Sebagai contoh, jika
Anda akan melihat kembali ke angka 13.4 Anda akan menemukan korelasi. 016 antara skor pre
test dan post test. Karena korelasi berjalan antara 0 dan 1, korelasi 016 sangat dekat dengan 0
untuk menunjukkan hampir tidak ada korelasi antara skor tes pra rata-rata siswa dan skor tes
posnya. Ada begitu banyak fluktuasi dalam dua set skor yang tidak mungkin diprediksi satu dari
yang lain. Ini adalah sepotong informasi lain yang dapat membantu evaluator untuk memahami
mengapa tes pos dengan skor rata-rata hampir lima poin lebih tinggi daripada tes pra tidak
signifikan secara statistik. Jika mengatakan, semua nilai post-tes tepat lima poin lebih tinggi
daripada skor tes pra individu, akan ada korelasi sempurna dan akan mungkin untuk
memprediksi tes pra terjadi dari mengetahui skor post-tes atau sebaliknya. Korelasi yang
sempurna seperti itu tidak sering terjadi pada ilmu-ilmu sosial.