Monday, December 29, 2014
Saturday, December 27, 2014
SPSS
SPSS is the data analysis
package of choice for people wanting to analyze quantitative data.
However, most practitioners find dealing with quantitative data quite
daunting. Although most practitioners are quite comfortable with
qualitative research methods and analyses, they tend to shy away from
using quantitative statistics. However, the ability to perform
quantitative data analysis is increasingly becoming an important skill
to possess. Actually most people’s fear of statistics is unfounded. The
advent of computer software programmes such as SPSS that can be used
to analyze data, has meant that people do not have to know or learn
mathematical formulae in order to be able to perform quantitative
statistical analyses. Nowadays, all one needs to know is the
appropriate analyses to perform on their data and how to do it so they
can obtain the information they need to know.
This is a hands-on session where tips and tricks are given to students to help them use the SPSS software to analyze quantitative data (including questionnaire) effectively.
Who Could Benefit From the Course?
This workshop is for you if
you are involved in analyzing data within your organization. If you are
involved in quantitative consumer research, you will benefit by
learning new quantitative data analysis skills. If you are involved in
qualitative research, you will expand your skills portfolio to include
quantitative techniques. This workshop will also be valuable for
consultants involved in assignments that produce quantitative data
(e.g. usability tests, surveys and focus groups).
How Will I Benefit?
After attending this course, you will be able to:
- Understand how the SPSS program works.
- Input data into SPSS and save it.
- Select the appropriate data entry method for the type of data you have.
- Select the appropriate descriptive analysis technique for the type of data you have and the questions you are trying to answer.
- Perform the analyses using SPSS.
- Interpret the data output.
- Present the results to clients in an accessible fashion.
Wednesday, December 24, 2014
Seminar Jom Hebat Pascasiswazah Siri 7
DEWAN KULIAH PUSAT 4, UNIVERSITI SAINS ISLAM MALAYSIA (USIM).
Tarikh: 31 Januari 2015 (sabtu)
Masa: 8.00 am - 5.30 pm
Tempat: DEWAN KULIAH PUSAT 4, UNIVERSITI SAINS ISLAM MALAYSIA (USIM).
Yuran: RM 50
.........................................................................................................
# Khas buat bakal pelajar dan pelajar baru Pascasiswazah Master ataupun PhD!
# Pensyarah / Penyelidik / Pembantu Penyelidik / Tutor
Terangi jalan Penyelidikan anda dengan Persediaan Rapi
Monday, December 22, 2014
Tuesday, December 16, 2014
Three Day Workshop on AutoCAD Essential Training
Come join us!
| Date |
»
| 20 - 22 December 2014 (Saturday - Monday) |
| Time |
»
| 8.30 a.m. - 5.30 p.m. |
| Venue |
»
| MPWS Training Centre, 63-1, 63-2, Jalan Kajang Impian 1/11, Taman Kajang Impian, Seksyen 7, 43650 Bandar Baru Bangi, Selangor # map |
| Speaker |
»
| Ms. Wong Yoke Mei (Autodesk Approved Instructor) |
| Registration Fee |
»
| RM 450 (Special rate for undergraduates & fresh graduates) RM 1200 (Normal rate) |
| Medium |
»
| English |
| Website |
»
| http://postgraduateworkshop.com/autocadessential |
Tuesday, December 9, 2014
Friday, December 5, 2014
Seminar "OLA VIVA"
Adakah anda sudah bersedia?
Dapatkan tip-tip persediaan untuk VIVA di Seminar "OLA VIVA".
| Date |
»
| 14 December 2014 (Sunday) |
| Time |
»
| 8.00 a.m. - 1.00 p.m. |
| Venue |
»
| MPWS Training Centre, 63-1, 63-2, Jalan Kajang Impian 1/11, Taman Kajang Impian, Seksyen 7, 43650 Bandar Baru Bangi, Selangor # map |
| Speaker |
»
| Dr. Siti Uzairiah Mohd Tobi |
| Registration Fee |
»
| RM50 |
| Medium |
»
| Bahasa Malaysia |
| Website |
»
| http://postgraduateworkshop.com/olaviva |
Wednesday, December 3, 2014
Monday, December 1, 2014
Bengkel Sehari PLS-SEM menggunakan SmartPLS
Apa itu SMART PLS?
SMART PLS banyak digunakan untuk menganalisis SEM berbasis komponen. Merupakan teknik alternatif dari SEM berbasis variance seperti AMOS dan LISREL. Software ini dikembangkan oleh institute of Hamburg Jerman dan dapat didownload gratis (tapi harus register terlebih dahulu) SmartPLS adalah aplikasi perangkat lunak untuk (grafis) pemodelan jalur dengan variabel laten (LVP). The partial least squares (PLS)-method (PLS) yang digunakan untuk analisis LVP-in software ini.
Smart PLS menggunakan bahasa JAVA, jadi sebelum menggunakan SmartPLS ada baiknya diinstall terlebih dahulu Java Runtime Environment (JRE) yang juga dapat didownload gratis di situs Sun Microsystem.
SMART PLS banyak digunakan untuk menganalisis SEM berbasis komponen. Merupakan teknik alternatif dari SEM berbasis variance seperti AMOS dan LISREL. Software ini dikembangkan oleh institute of Hamburg Jerman dan dapat didownload gratis (tapi harus register terlebih dahulu) SmartPLS adalah aplikasi perangkat lunak untuk (grafis) pemodelan jalur dengan variabel laten (LVP). The partial least squares (PLS)-method (PLS) yang digunakan untuk analisis LVP-in software ini.
Smart PLS menggunakan bahasa JAVA, jadi sebelum menggunakan SmartPLS ada baiknya diinstall terlebih dahulu Java Runtime Environment (JRE) yang juga dapat didownload gratis di situs Sun Microsystem.
Ciri-ciri SmartPLS
Ciri Algoritma PLS-SEM
° Memaksimakan penerangan terhadap nilai R2
° Memproses data dengan cepat walaupun model kompleks.
° Penganggaran secara linear semua indicator.
° Diguna untuk tujuan peramalan (predictive)
° Hasil boleh diguna untuk analisis selanjutnya
° Tidak terkesan walaupun data tidak cukup.
° Tidak memerlukan penilaian ketepatan padanan model (Goodness-of-Fit)
° Penilaian kesahan dan kebolehpercayaan model reflektif berasaskan pelbagai kriteria.
° Penilaian kesahan, signifikan dan relevan bagi pemberat indicator dan kolineariti indicator
° Penilaian Model Struktural berdasarkan kolineariti antara konstruk, Pekali Laluan yang signifikan, Pekali Penentuan (R2), saiz kesan (f2), Kerelevanan prediktif (Q2 dan q2 effect size)
° Memaksimakan penerangan terhadap nilai R2
° Memproses data dengan cepat walaupun model kompleks.
° Penganggaran secara linear semua indicator.
° Diguna untuk tujuan peramalan (predictive)
° Hasil boleh diguna untuk analisis selanjutnya
° Tidak terkesan walaupun data tidak cukup.
° Tidak memerlukan penilaian ketepatan padanan model (Goodness-of-Fit)
° Penilaian kesahan dan kebolehpercayaan model reflektif berasaskan pelbagai kriteria.
° Penilaian kesahan, signifikan dan relevan bagi pemberat indicator dan kolineariti indicator
° Penilaian Model Struktural berdasarkan kolineariti antara konstruk, Pekali Laluan yang signifikan, Pekali Penentuan (R2), saiz kesan (f2), Kerelevanan prediktif (Q2 dan q2 effect size)
Ciri Data
° Teknik Analisis Generasi Kedua - amat sesuai untuk Analisis Penerokaan (Exploratory Analysis).
° Diguna untuk membangunkan teori dalam Kajian Penerokaan.
° Dapat menerangkan varians pada pemboleh ubah bersandar semasa menganalisis model kajian.
° Tiada masalah data identifikasi walaupun menggunakan sampel bersaiz kecil.
° ‘Statistical Power’ boleh dicapai dengan mudah menggunakan saiz sampel kecil.
° Saiz sampel yang besar meningkatkan ketepatan model penganggaran.
° Tiada andaian Data Normal di perlukan kerana PLS-SEM adalan kaedah non-parametrik
° Integriti data tidak tergugat selagi mana missing value dalam tahap diterima.
° Boleh mengendalikan data interval, ratio, ordinal, nominal (ada limitasi).
° Teknik Analisis Generasi Kedua - amat sesuai untuk Analisis Penerokaan (Exploratory Analysis).
° Diguna untuk membangunkan teori dalam Kajian Penerokaan.
° Dapat menerangkan varians pada pemboleh ubah bersandar semasa menganalisis model kajian.
° Tiada masalah data identifikasi walaupun menggunakan sampel bersaiz kecil.
° ‘Statistical Power’ boleh dicapai dengan mudah menggunakan saiz sampel kecil.
° Saiz sampel yang besar meningkatkan ketepatan model penganggaran.
° Tiada andaian Data Normal di perlukan kerana PLS-SEM adalan kaedah non-parametrik
° Integriti data tidak tergugat selagi mana missing value dalam tahap diterima.
° Boleh mengendalikan data interval, ratio, ordinal, nominal (ada limitasi).
Ciri Model
° Boleh kendali konstruk dengan satu item atau banyak item dalam satu model.
° Mudah gabungkan konstruk reflektif dan formatif bersama dalam satu model.
° Boleh kendali model kompleks yang mempunyai banyak model struktural.
° Semakin banyak item dalam konstruk, dapat mengurangkan bias.
° Mengendalikan model rekursif sahaja (causal loop tidak dibenarkan)
° Boleh kendali konstruk dengan satu item atau banyak item dalam satu model.
° Mudah gabungkan konstruk reflektif dan formatif bersama dalam satu model.
° Boleh kendali model kompleks yang mempunyai banyak model struktural.
° Semakin banyak item dalam konstruk, dapat mengurangkan bias.
° Mengendalikan model rekursif sahaja (causal loop tidak dibenarkan)
Kelebihan SmartPLS
° Mudah dikendalikan dan dianalisis.
° Memperkenalkan Smart PLS sebagai salah satu aplikasi yang boleh digunakan untuk menjana hasil penyelidikan
° Menghasilkan model yang kemas dan menarik.
° Mempunyai literature dan jaringan kumpulan sokongan seluruh dunia
° Mudah dikendalikan dan dianalisis.
° Memperkenalkan Smart PLS sebagai salah satu aplikasi yang boleh digunakan untuk menjana hasil penyelidikan
° Menghasilkan model yang kemas dan menarik.
° Mempunyai literature dan jaringan kumpulan sokongan seluruh dunia
Register now!
| |||||||||||||||||||||
|
Subscribe to:
Posts (Atom)