Predicting Innovativeness with Mult

Predicting Innovativeness with Multiple Correlation Techniques
So far in this chapter, we have looked only at two-variable generalizations, each consisting of an independent variable (a characteristic of adopter categories) that is related to the dependent variable of innovativeness. The resulting generalizations somewhat oversimplify reality, of course, by treating each independent variable separately in it is relationship to innovativeness. Many of the independent variables are interrelated with each other, as well as with innovativeness. For instance, education and social status are both positively related to innovativeness (Generalizations 7-3 and 7-5), but education and social status are also positively related with each other. Statistical techniques like multiple correlation allow us to determine how much of the variance in innovativeness is uniquely explained by its co-variance with education, while removing the co-variance of both innovativeness and education with social status (and other independent variables).

Results (Indonesian) 1:

Memprediksi inovasi dengan beberapa teknik korelasiSejauh ini dalam bab ini, kita telah melihat hanya dua-variabel generalisasi, masing-masing terdiri dari variabel independen (karakteristik adopter kategori) yang berhubungan dengan variabel dari inovasi. Generalisasi dihasilkan agak menyederhanakan kenyataan, tentu saja, dengan memperlakukan setiap variabel independen yang terpisah di hubungan dengan inovasi. Banyak variabel yang independen adalah berhubungan dengan satu sama lain, juga dengan inovasi. Misalnya, pendidikan dan status sosial yang baik positif berkaitan dengan inovasi (generalisasi 7-3 dan 7-5), tetapi pendidikan dan status sosial juga positif berhubungan dengan satu sama lain. Statistik teknik seperti beberapa korelasi memungkinkan kita untuk menentukan berapa banyak varians basisnya ada unik dijelaskan oleh rekan pertengkaran dengan pendidikan, sementara menghapus varians Co inovasi dan pendidikan dengan status sosial (dan variabel independen lain).

Results (Indonesian) 2:

Memprediksi Innovativeness dengan Multiple Teknik Korelasi
Sejauh dalam bab ini, kita telah melihat hanya pada generalisasi dua variabel, masing-masing terdiri dari variabel independen (karakteristik dari kategori adopter) yang berhubungan dengan variabel dependen dari inovasi. Generalisasi yang dihasilkan agak menyederhanakan realitas, tentu saja, dengan memperlakukan masing-masing variabel independen secara terpisah di dalamnya adalah hubungan dengan inovasi. Banyak variabel independen saling terkait satu sama lain, serta dengan inovasi. Misalnya, pendidikan dan status sosial yang baik secara positif terkait dengan inovasi (Generalisasi 7-3 dan 7-5), tapi pendidikan dan status sosial juga berhubungan positif dengan satu sama lain. Teknik statistik seperti korelasi berganda memungkinkan kita untuk menentukan berapa banyak dari varians dalam inovasi unik dijelaskan oleh co-varian dengan pendidikan, saat mengeluarkan co-varian dari kedua inovasi dan pendidikan dengan status sosial (dan variabel independen lainnya).