Cara terbaik untuk memastikan keakuratan le data,

dengan mengoreksi data asli terhadap le data komputerisasi di jendela.

le data yang kecil, proofreading sangat dianjurkan.
Penyaringan untuk akurasi melibatkan pemeriksaan statistik deskriptif dan
Accuracy data le
representasi gra s dari variabel.
Menguji statistik deskriptif univariat melalui salah satu
dari program deskriptif seperti IBM SPSS FREQUENCIES,
atau SAS MEANS atau UNIVARIATE atau Interactive Data Analysis.
Cleaning Up Your Act Screening Data Prior to Analysis

Ketika variabel komposit dibangun dari beberapa item individual dengan mengumpulkan tanggapan ke item individu,
In ated Correlation
korelasi meningkat jika beberapa item digunakan kembali.
Honest Coreelations
Korelasi sampel mungkin lebih rendah daripada korelasi populasi ketika ada rentang terbatas
De ated Correlation dalmatia pengambilan sampel kasus atau pemisahan yang sangat tidak merata dalam kategori variabel dikotomis

Data yang hilang adalah salah satu masalah yang paling umum dalam analisis data.
Complete Examples of Data Screening Keseriusannya tergantung pada pola data yang hilang, berapa banyak yang hilang, dan mengapa data tersebut hilang.
Missing Data

Missing data are characterized as MCAR (missing completely at random),

MAR (missing at random, called ignorable nonresponse), and MNAR (missing not at random or nonignorable).

Important Issues in Data Screening

Screening Ungrouped Data
Outliers adalah kasus dengan nilai ekstrim pada satu variabel (pencilan univariat) atau kombinasi skor yang
Screening Grouped Data
aneh pada dua variabel atau lebih (pencilan multivariat) sehingga mendistorsi statistik.
Outliers

Outliers ditemukan dalam situasi univariat dan multivariat, di antara keduanya dikotomis
dan variabel kontinu, di antara IV dan DV, dan dalam data dan hasil analisis.

Normalitas variabel dinilai dengan metode statistik atau gra k. Dua komponen
Normality, Linearity, and Homoscedasticity normalitas adalah skewness dan kurtosis. Kemiringan berkaitan dengan simetri distribusi;
Normality Variable miring adalah variabel yang meannya tidak berada di tengah distribusi.
Kurtosis berkaitan dengan puncak distribusi; distribusinya terlalu meruncing (dengan ekor pendek dan tebal) atau terlalu datar (dengan ekor panjang dan tipis)

Linearitas antara dua variabel dinilai secara kasar dengan pemeriksaan scatterplot bivariat.
Linearity
Jika kedua variabel terdistribusi normal dan berhubungan linier, maka scatterplot berbentuk oval.
Jika salah satu variabel tidak normal, maka scatterplot antara variabel ini dan variabel lainnya tidak berbentuk oval.

Homoscedasticity
Untuk data yang tidak dikelompokkan, asumsi homoskedastisitas adalah bahwa variabilitas skor untuk satu variabel kontinu kira-kira sama pada semua nilai variabel kontinu lainnya.
Untuk data yang dikelompokkan, ini sama dengan asumsi homogenitas varians ketika salah satu variabel adalah diskrit (variabel pengelompokan),
yang lain kontinu (DV); variabilitas dalam DV diharapkan hampir sama di semua tingkat variabel pengelompokan.
Homoskedastisitas berkaitan dengan asumsi normalitas karena ketika asumsi normalitas multivariat terpenuhi,
hubungan antar variabel bersifat homoskedastis.

Common Data Transformation

Meskipun transformasi data direkomendasikan sebagai obat untuk outlier dan untuk kegagalan normalitas, linieritas,
dan homoskedastisitas, mereka tidak direkomendasikan secara universal.
Pasalnya, suatu analisis ditafsirkan dari variabel-variabel yang ada di dalamnya,
dan variabel-variabel yang ditransformasi terkadang lebih sulit untuk ditafsirkan.
Multicollinearity and Singularity

Multikolinearitas dan singularitas adalah masalah dengan matriks korelasi yang terjadi ketika variabel terlalu berkorelasi tinggi.
Dental multikolinearitas, variabel-variabel tersebut berkorelasi sangat tinggi (katakanlah, 0,90 ke atas);
singularitas, variabelnya berlebihan; salah satu variabel merupakan gabungan dari dua atau lebih variabel lainnya.

A Checklist and Some Practical Recommendation

Powered by ThinkSpace
fi
fl
fl
fi
fi
fi
fi
fi