Data analysis and results5.1 Data e

Data analysis and results
5.1 Data examining
Descriptive statistics was used on the data for the analysis (see
Table 3). As can be seen fromtable, SA indicated a very high standard
deviation (13.153) with the mean (42.78) that is below 50%; when
compared with FA marks, SA shows a higher variation with a lower
mean value. Consequently, this seems to suggest inconsistency
between FA and SA. A 0* minimum mark of AVRATT does not
necessarily mean the value zero but a mark between 0 and 0.5, both
exclusive. Based on the mean of the theory and AVRPT marks,
seemingly these cohorts were performing better in the practicals than
in the theory tests (that is, the semester tests and AVRATT).
5.2 Regression and correlation analysis
Although the results of students of the same institution, class
or course are positively correlated because they share several unobserved factors, the main statistical technique for making
proper adjustments while measuring uncertainty is Regression
Analysis. The data was taken from first-year chemistry modules
of 2011 and 2012 for 1st and 2nd semesters. These modules
were taught by different lecturers, so the assumptions on
variance-covariance structure that assume independence of
observations will not be violated (Matilde et al., 2009). In order
to investigate whether or not it is appropriate to use the firstyear
chemistry students’ FA to predict their SA in a chemistry
department at a South African traditional university, we
employed both Simple and Multiple Linear Regression (SLR
and MLR) analyses. These techniques are expected to produce a
prediction function for forecasting the value of a response
variable using predictor variable(s) (Graybill and Iyer, 1994).
Another statistical method that was used is Correlation Analysis
(CA); this will describe the relationship between the response
and predictor variables in terms of both the strength of the
relationship and the direction (see also Ho, 2006; Schwab,
2007). From the dataset of 1519, three groups were formed
based on the predictor variable(s) as reflected in Table 4 below.
The datasets were then used to design 3 models all of which
were performed at 95% confidence level. We designated them
Model 1 of G1, Model 2 of G2 and Model 3 of G3.
When performing this regression analysis technique, we performed
regression diagnostics; where the relationships between
the predictor variables and the response variable was found to be
linear; the errors were also normally distributed; the error variance
was found to be constant; the errors associated with one
observation were not correlated with the errors of any other
observation. Observations with large residuals, observation with
an extreme value on a predictor variable, and influential§ observation
were removed when performing regression diagnostics. The
general rules of thumb that were used to investigate and omit the
aforementioned observations are when the observation has:
rumuuuuuus
where k is number of predictors and n is the number of observations
(IDRE, 2005).

Hasil (Bahasa Indonesia) 1:

Analisis data dan hasil5.1 data memeriksaStatistik deskriptif yang digunakan pada data untuk analisis (LihatTabel 3). Seperti dapat dilihat fromtable, SA menunjukkan standar yang sangat tinggipenyimpangan (13.153) dengan mean (42.78) yang di bawah 50%; Kapandibandingkan dengan tanda FA, SA menunjukkan variasi yang lebih tinggi dengan lebih rendahberarti nilai. Akibatnya, ini tampaknya menunjukkan inkonsistensiantara FA dan SA. 0 * tanda minimal AVRATT tidakberarti nilai nol tapi tanda antara 0 dan 0,5, keduanyaeksklusif. Berdasarkan mean dari teori dan tanda-tanda AVRPT,tampaknya angkatan ini yang berperforma lebih baik di practicals daridalam tes teori (yaitu tes semester dan AVRATT).5.2 analisis regresi dan korelasiMeskipun hasil siswa dari lembaga yang sama, kelasatau lapangan berkorelasi positif karena mereka berbagi beberapa faktor unobserved, teknik statistik utama untuk membuatpenyesuaian yang tepat sementara mengukur ketidakpastian adalah regresiAnalisis. Data diambil dari modul kimia tahun pertama2011 dan 2012 selama semester 1 dan 2. Modul inidiajar oleh dosen yang berbeda, jadi asumsi padastruktur varians-kovarians yang menganggap kemerdekaanpengamatan tidak akan melanggar (Matilde et al., 2009). Dalam rangkauntuk menyelidiki apakah atau tidak itu tepat untuk menggunakan firstyearkimia mahasiswa FA untuk memprediksi mereka SA dalam kimiaDepartemen di Universitas tradisional Afrika Selatan, kamibekerja sederhana dan Multiple regresi Linear (SLRdan MLR) analisis. Teknik ini diharapkan untuk menghasilkanPrediksi fungsi untuk peramalan nilai tanggapanvariabel yang menggunakan prediktor variabel (s) (Graybill dan Iyer, 1994).Metode statistik lain yang digunakan adalah korelasi analisis(CA); ini akan menggambarkan hubungan antara respondan peramal variabel kedua kekuatanhubungan dan arah (Lihat juga Ho, 2006; Schwab,2007). dari dataset 1519, tiga kelompok dibentukBerdasarkan peramal variabel (s) sebagaimana tercermin dalam tabel 4 di bawah ini.Dataset yang kemudian digunakan untuk desain 3 model yangdilakukan pada tingkat kepercayaan 95 persen. Kita ditunjuk merekaModel 1 G1, Model 2 dari G2 dan Model 3 G3.Ketika melakukan teknik analisis regresi ini, kami melakukandiagnostik regresi; mana hubungan antaravariabel peramal dan variabel respon ditemukan untuk menjadiLinear; kesalahan juga biasanya didistribusikan; varians kesalahanditemukan untuk menjadi konstan; kesalahan yang terkait dengan salah satupengamatan yang tidak berhubungan dengan kesalahan lainpengamatan. Pengamatan dengan residu besar, pengamatannilai ekstrem di prediktor variabel, dan pengamatan influential§dihapus ketika melakukan regresi diagnostik. TheUmum aturan praktis yang digunakan untuk menyelidiki dan menghilangkanpengamatan tersebut adalah ketika memiliki pengamatan:rumuuuuuusmana k nomor peramal dan n adalah jumlah pengamatan(IDRE, 2005).

Hasil (Bahasa Indonesia) 2:

Analisis data dan hasil
5.1 Data memeriksa
statistik deskriptif digunakan pada data untuk analisis (lihat
Tabel 3). Seperti dapat dilihat fromtable, SA menunjukkan standar yang sangat tinggi
deviasi (13,153) dengan rata-rata (42,78) yang berada di bawah 50%; ketika
dibandingkan dengan tanda FA, SA menunjukkan variasi yang lebih tinggi dengan rendah
nilai rata-rata. Akibatnya, ini tampaknya menunjukkan inkonsistensi
antara FA dan SA. 0 * tanda minimal AVRATT tidak
selalu berarti nilai nol tetapi tanda antara 0 dan 0,5, keduanya
eksklusif. Berdasarkan rata-rata teori dan AVRPT tanda,
tampaknya kohort ini sedang melakukan yang lebih baik di practicals daripada
di tes teori (yaitu, tes semester dan AVRATT).
5.2 Regresi dan analisis korelasi
Meskipun hasil siswa dari lembaga yang sama , kelas
atau kursus berkorelasi positif karena mereka berbagi beberapa faktor teramati, teknik statistik utama untuk membuat
penyesuaian yang tepat sementara mengukur ketidakpastian adalah Regresi
Analisis. Data tersebut diambil dari tahun pertama modul kimia
dari 2011 dan 2012 untuk 1 dan semester 2. Modul ini
diajarkan oleh dosen yang berbeda, sehingga asumsi
struktur varians-kovarians yang menganggap kemerdekaan
pengamatan tidak akan dilanggar (Matilde et al., 2009). Dalam rangka
untuk menyelidiki apakah atau tidak itu adalah tepat untuk menggunakan firstyear
FA siswa kimia 'untuk memprediksi SA mereka dalam kimia
departemen di sebuah universitas tradisional Afrika Selatan, kami
bekerja baik Sederhana dan Regresi Linear (SLR
dan MLR) analisis. Teknik ini diharapkan untuk menghasilkan
fungsi prediksi untuk meramalkan nilai
respon. Variabel menggunakan variabel prediktor (s) (Graybill dan Iyer, 1994)
Metode lain statistik yang digunakan adalah Analisis Korelasi
(CA); ini akan menjelaskan hubungan antara respon
variabel dan prediktor baik dari segi kekuatan
hubungan dan arah (lihat juga Ho, 2006; Schwab,
2007). Dari dataset dari 1519, tiga kelompok dibentuk
berdasarkan variabel prediktor (s) yang tercermin pada Tabel 4 di bawah ini.
Para dataset kemudian digunakan untuk merancang 3 model semua yang
dilakukan pada tingkat kepercayaan 95%. Kami ditunjuk mereka
Model 1 dari G1, Model 2 dari G2 dan Model 3 dari G3.
Ketika melakukan teknik analisis regresi ini, kami melakukan
diagnosa regresi; di mana hubungan antara
variabel prediktor dan variabel respon ditemukan
linear; kesalahan juga terdistribusi secara normal; varians kesalahan
ditemukan menjadi konstan; kesalahan yang terkait dengan satu
pengamatan tidak berkorelasi dengan kesalahan lain
observasi. Pengamatan dengan residual besar, observasi dengan
nilai ekstrim pada variabel prediktor, dan observasi influential§
dihilangkan saat melakukan diagnosa regresi. The
aturan umum yang digunakan untuk menyelidiki dan menghilangkan
pengamatan tersebut adalah ketika pengamatan memiliki:
rumuuuuuus
mana k adalah jumlah prediktor dan n adalah jumlah observasi
(Idre, 2005).