Sebelum melakukan analisis, mari kita lihat pada contoh data yang kami gunakan. Kami akan menggunakan dua variabel kontinu, yaitu "Tinggi" (ukuran tinggi badan dalam inci) dan "Berat" (berat badan dalam pound). Variabel "Tinggi" menampilkan rentang nilai dari 55,00 hingga 84,41. Sedangkan variabel "Berat" menampilkan rentang nilai dari 101,71 hingga 350,07.
Sebelum kita melihat korelasi Pearson, mari kita lihat pada scatterplot (plot titik) dari dua variabel ini untuk mendapatkan ide awal tentang apa yang akan kita temukan. Dalam hal ini, kami perlu menentukan apakah kedua variabel memiliki relasi linear. Klik Graphs > Legacy Dialogs > Scatter/Dot. Kemudian, klik Simple Scatter, lalu Define. Pindahkan variable "Tinggi" ke box X Axis dan pindahkan variable "Berat" ke box Y Axis. Setelah selesai, klik OK.
Untuk menambahkan garis regresi linear seperti yang ditampilkan, double-click pada plot di Output Viewer untuk membuka Chart Editor. Klik Elements > Fit Line at Total. Dalam jendela Properties, pastikan bahwa Metode Regresi adalah Linear, lalu klik Apply. (Perhatikan bahwa menambahkan garis regresi linear juga akan menambahkan nilai R-squared di sisih plot. Jika kita ambil akar kuadrat dari bilangan ini, maka harus sama dengan nilai korelasi Pearson yang kami dapat.)
Dari scatterplot, kita dapat melihat bahwa ketika tinggi badan meningkat, berat badan juga cenderung meningkat. Ada tampaknya memiliki relasi linear.
Melakukan Analisis
Untuk melakukan analisis korelasi bivarikat Pearson, klik Analyze > Correlate > Bivariate. Pilih variable "Tinggi" dan "Berat" dan pindahkan mereka ke box Variables. Dalam bagian Korelasi Coefficients, pilih Pearson. Dalam bagian Test of Significance, pilih uji signifikansi dua-tailed atau satu-tailed. Kita akan memilih uji signifikasi dua-tailed dalam contoh ini. Cek kotak di samping Flag significant correlations.
Klik OK untuk melakukan analisis korelasi bivarikat Pearson. Output dari analisis akan muncul di Output Viewer.
Syntax
CORRELATIONS
/VARIABLES=Berat Tinggi
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
Output
Tabel
Hasil akan menampilkan korelasi dalam tabel, yang diberi label Correlations.
A Korelasi dari "Tinggi" dengan dirinya sendiri (r=1), dan jumlah observasi non-missing untuk "Tinggi" (n=408).
B Korelasi antara "Tinggi" dan "Berat" (r=0,513), berdasarkan n=354 observasi dengan nilai non-missing yang paralel.
C Korelasi antara "Tinggi" dan "Berat" (r=0,513), berdasarkan n=354 observasi dengan nilai non-missing yang paralel.
D Korelasi dari "Berat" dengan dirinya sendiri (r=1), dan jumlah observasi non-missing untuk "Berat" (n=376).
Seluruh sel yang kita inginkan adalah baik B maupun C. (Sels B dan C sama, karena mereka berisi informasi tentang pasangan variabel yang sama.) Sels B dan C mengandung koefisien korelasi untuk korelasi antara "Tinggi" dan "Berat", nilai p-nya, serta jumlah observasi pairwise yang perhitungan didasarkan.
Korelasi di diagonal utama (sels A dan D) semua sama dengan 1. Hal ini karena variabel selalu memiliki relasi sempurna dengan dirinya sendiri. Perhatikan bahwa ukuran sampel berbeda pada sels A (n=408) dibandingkan dengan sels D (n=376). Hal ini karena adanya data hilang — terdapat lebih banyak observasi yang hilang untuk variabel "Berat" daripada variabel "Tinggi".
Jika kita telah memilih untuk mengidentifikasi korelasi yang signifikan, SPSS akan menandai level signifikansi 0,05 dengan tanda *, dan 0,01 dengan tanda **.
Kesimpulan
Analisis korelasi Pearson bivarikat menunjukkan bahwa terdapat relasi linier positif antara tinggi badan dan berat badan. Hasil ini dapat membantu kita memahami bagaimana variasi tinggi badan terkait dengan berat badan, serta menganalisis faktor-faktor yang mempengaruhi relasi tersebut.