Bacaan Tambahan untuk Analisis output komputer

Output komputer telah dianalisis dengan menggunakan kaedah biasa (seperti yang diterangkan dalam contoh sebelum ini) atau kaedah ringkas (dengan membandingkan nilai probabiliti yang diberikan dengan nilai = aras keertian).

1. Ujian t sampel tak bersandart-tests for independent samples of G4 Tahap Komitmen

Variable Number of Cases Mean SD SE of Mean _______________________________________________________________ Tahap Komitmen

Lelaki 66 3.2695 .509 .063 Wanita 60 2.8214 .624 .081 _______________________________________________________________

Mean Difference = .4481

Levene's Test for Equality of Variances: F= 5.676 P= .019

t-test for Equality of Means 95% Variances t-value df 2-Tail Sig SE of Diff CI for Diff _______________________________________________________________________ Equal 4.43 124 .000 .101 (.248, .648) Unequal 4.39 114.16 .000 .102 (.246, .650) _______________________________________________________________________

1. Ujian t sampel tak bersandar. Ini adalah ujian min 2 sampel, di mana terdapat 2 purata dan 2 sisihan piawai.

(a) Hipotesis

H0 µ1 = µ2

H1 µ1 µ2

Dalam perkataan

H0: Min tahap komitmen lelaki sama dengan m in tahap komitmen wanita

H1: Min tahap komitmen lelaki tak sama dengan min tahap komitmen wanita

Formula: Andaian varians tak sama

Andaian varians sama

Di mana

Dari output komputer

Jika nila p < 0.05 (aras keertian) kita akan tolak H0, dan menyatakan bahawa ada perbezaan yang bererti:

Jika nila p > 0.05 (aras keertian) kita akan terima H0 dan menyatakan tiada perbezaan.

Untuk menentukan sama ada kita gunakan varians, sama atau varians tak sama kita buat ujian.

H0 : S12 = S2

2

H1 : S12 S2

2

Lihat baris yang berikut

Levene’s Test for equality of variances

P = 0.019

Jadi p = 0.019 < 0.05

Kita tolak H0 dan terima H1 iaitu varians kumpulan lelaki tidak sama dengan varians kumpulan perempuan.

Jadi secara kiraan

Ini adalah t kiraan jadi kita perlukan t jadual untuk buat perbandingan.

Kita kena lihat Jadual F-2, taburan t mempunyai darjah kebebasan

Darjah kebebasan 1 sampel = n – 1 2 sampel = n - 2

Lihat Jadual F-2 darjah kebebasan df = 126 – 2 = 124 dan lihat baris Level of Significance Two-Tailed Test 0.05. Nilainya adalah 1.96.

Tolak H0 Tolak H0

x1.96 1.96

4.39

Oleh kerana nilai t kiraan > t jadual maka H0 ditolak.

Keputusan: Min tahap komitmen lelaki adalah tidak sama dengan min tahap komitmen perempuan. Min tahap komitmen lelaki lebih tinggi daripada min tahap komitmen perempuan.

Ini adalah cara PERTAMA

Cara KEDUA

Hipotesis H0 µ1 = µ2

H1 µ1 = µ2

Lihat pada nilai p.

Syaratnya:

Jika nilai p < 0.05 (aras keertian). Tolak H0

Sebelum ini kita telah tentukan bahawa varians adalah tidak sama.

Jadi kita lihat baris unequal dalam jadual kedua dan lihat pada 2 –tail significance iaitu p = 0.000.

P = 0.000 < 0.05

Maka kita tolak H0 dan simpulkan bahawa min komitmen lelaki tak sama dengan min komitment wanita.

(INI ADALAH KAEDAH LEBIH MUDAH TANPA KIRAAN)

Untuk analisis selanjutnya kita akan gunakan KAEDAH KEDUA

2. Ujian t sampel bersandart-tests for dependent samples of INSENTIF Kepuasan Kerja Sebelum dan Selepas Number of 2-tail Variable pairs Corr Sig Mean SD SE of Mean Kepuasan kerja _________________________________________________________________________ INSENTIF Gaji

Sebelum 2.8767 .560 .047 144 .482 .000 Selepas 3.8073 .772 .064 __________________________________________________________________________

Paired Differences | Mean SD SE of Mean | t-value df 2-tail Sig __________________________________|_____________________________________ -.9306 .702 .059 | -15.90 143 .000 95% CI (-1.046, -.815) | __________________________________|_____________________________________

2. Ujian t sampel bersandar

Formula

Di mana

D = perbezaan antara pemerhatian tempoh 1 dengan tempoh 2.

Hipotesis: H0 : µ = 0H1 : µ 0

Dalam perkataan

H0 : Tiada perbezaan antara min kepuasan kerja sebelum dan selepas insentif gaji.

H1 : Ada perbezaan antara min kepuasan kerja sebelum dan selepas insentif gaji.

Lihat pada nilai p di bahagian 2-tail significance = 0.000.

Oleh kerana nilai p = 0.000 < 0.05.

Tolak H0

Kesimpulan: Terdapat perbezaan min kepuasan kerja sebelum dan selepas insentif gaji.

3. Ujian lebih dari 2 min sampel tak bersandar

Variable COMMIT Tahap Komitmen By Variable G6 Bangsa

Analysis of Variance

Sum of Mean F F Source D.F. Squares Squares Ratio Prob.

Between Groups 2 4.4385 2.2192 6.5491 .0020Within Groups 123 41.6800 .3389Total 125 46.1184

Multiple Range Tests: Duncan test with significance level .05

(*) Indicates significant differences which are shown in the lower triangle

M C I

Mean G6 Bangsa

2.7245 Melayu 3.1008 Cina * 3.8571 India * *

3. Ujian lebih dari 2 min sampel tak bersandar (ujian ANOVA satu hala).

Hipotesis: H0 : µ1 = µ2 = µ3

H1 : Salah satu µ tak sama

Formula:

F = Between-groups variance = Mean square between Within-groups variance Mean square within

Di mana Mean square between = Sum of squares between Degress of freedom between

Mean square within = Sum of squares withinDegress of freedom within

Kita lihat pada F probability = 0.0020 < 0.05.

Tolak H0

Kesimpulan: Min tahap komitmen pekerja Melayu, Cina dan India adalah tidak sama.

Seterusnya kita lihat pula Duncan Test. Ini adalah untuk membezakan kesimpulan mana yang berbeza.

Matriks menunjukkan bahawa terdapat perbezaan antara pekerja.

Melayu dengan CinaMelayu dengan IndiaCina dengan India

Bila kita lihat min kita dapati min tahap komitmen pekerja India paling tinggi diikuti pekerja Cina dan Melayu.

4. Analisis Korelasi Jualan Iklan Jurujual

Jualan 1.0000 .6005 .4834 ( 174) ( 134) ( 104) P= . P= .000 P= .000

Iklan .6005 1.0000 .7125 ( 134) ( 136) ( 104) P= .000 P= . P= .000

Jurujual .4834 .7125 1.0000 ( 104) ( 104) ( 104) P= .000 P= .000 P= .

(Coefficient / (Cases) / 2-tailed Significance)

4. Analisis korelasi

Fungsi: Analisis ini digunakan untuk melihat perhubungan antara 2 pembolehubah. Tujuan analisis ini adalah untuk melihat arah pergerakan kedua pembolehubah sahaja bukan kesan sebab-musabah.

Nilai: Nilai korelasi adalah antara

- 1 0 + 1

y y y x x x x x x x x x x x x x x r = 1 r = 0 r = -1

Formula bagi ujian

Sx dan Sy = sisihan piawai pembolehubah X dan Y

Hipotesis

H0 : r = 0H1 : r 0

Dalam perkataan

H0: Tiada korelasi antara pembolehubah jualan dan iklanH1: Ada korelasi yang bererti antara pembolehubah jualan dan iklan

Lihat Jadual terdapat tiga baris iaitu nilai koefisien, jumlah kes dan nilai p untuk pembolehubah jualan dan iklan nilai p = 0.000 < 0.05.

Maka H0 ditolak

Keputusan: Terdapat korelasi bererti antara jualan dan iklan. Nilai korelasi 0.6 menunjukkan bila iklan meningkat jualan juga meningkat.

5. Regresis LinearEquation Number 1 Dependent Variable.. Commitment Tahap Komitmen

Variable(s) Entered on Step Number 1.. JSAT Kepuasan Kerja

Multiple R .73446R Square .53943Adjusted R Square .53453Standard Error .38566

Analysis of Variance DF Sum of Squares Mean SquareRegression 1 16.37466 16.37466Residual 94 13.98073 .14873

F = 110.09572 Signif F = .0000

------------------ Variables in the Equation ------------------

Variable B SE B Beta T Sig T

JSAT .755725 .072024 .734460 10.493 .0000(Constant) 1.950751 .118030 16.528 .0000

5. Analisis regresi

Fungsi: Untuk menentukan perhubungan sebab –musabah antara 2 atau lebih pembolehubah.

(a) Analisis regresi mudah

Mengukur perhubungan sebab musabab antara 2 pembolehubah.

Dalam contoh yang diberikan kita ingin mengetahui sejauh manakah pembolehubah kepuasan kerja mempengaruhi tahap komitmen seseorang pekerja.

Hubungan sebab – musabab

Kepuasan kerja Tahap komitmen

Tujuan analisis regresi adalah untuk membentuk satu model atau persamaan untuk membuat ramalan dengan andaian bahawa jika mengetahui nilai pembolehubah tak bersandar (X) kita boleh meramal nilai pembolehubah bersandar (Y).

Persamaan:

Y = a + b1X +

Di mana

Y = Pembolehubah bersandara = Pintasan (konstan)b1 = Kecerunanx = Pembolehubah tak bersandar = Ralat

Bila kita menggunakan analisis regresi dengan kaedah gandadua terkecil (least square regression), satu andaian penting adalah atau ralat diminimumkan.

n ei

2 diminimumkani=1

Jadi persamaan ramalan kita sekarang adalah

Y = a + b1X

Perkara yang patut diperhatikan dalam analisis regresi

Pertama:

Oleh kerana tujuan utama analisis adalah untuk membentuk persamaan maka kita mesti menentukan sama ada persamaan patut dibentuk.

Untuk ini kita lihat pada signifikans of F selepas ringkasan analisis varians.

Hipotesis: H0: Pembolehubah kepuasan kerja tidak dapat menjelaskan variasi

H1: Pembolehubah kepuasan kerja dapat menjelaskan variasi dalam komitmen

Oleh kerana significance of F = 0.0000 < 0.05.

Maka kita simpulkan bahawa model ini adalah bererti.

Kedua:

Setelah kita tentukan bahawa model adalah bererti kita seterusnya membentuk persamaan.

Y = a + b1X

Lihat variables in the equation

Nilai a = (constant) b = B (kecerunan)

Jadi persamaan adalah

Komitmen = konstan + kecerunan x kepuasan kerjaY = 1.95 + 0.76(X)

Kegunaan persamaan ini adalah bila kita ingin membuat ramalan, katakan diberikan kepuasan kerja pekerja A adalah 5, kira komitmennya.

Y = 1.95 + 0.76 (x)Y = 1.95 + 0.76 (5) = 1.95 + 3.80 = 5.75

6. Seorang agen hartanah membuat kajian mengenai faktor-faktor yang mempengaruhi harga jualan sesuatu rumah di kawasan Malibu. ia mengumpul data mengenai empat pembolehubah iaitu harga jualan (HARGA), usia rumah tersebut (USIA), keluasan dalam kaki persegi (LUAS dalam '100 kaki persegi), bilangan tingkat sesuatu rumah (TINGKAT) dan bilangan bilik air dalam rumah tersebut (BILIKAIR). Pakej perisian komputer SPSS digunakan untuk menjalankan analisis dan output di bentangkan di bawah:

* * * * M U L T I P L E R E G R E S S I O N * * * *

Listwise Deletion of Missing Data

Equation Number 1 Dependent Variable.. HARGA Harga Jualan

Block Number 1. Method: Enter BILIKAIR LUAS TINGKAT USIA

Variable(s) Entered on Step Number 1.. USIA Usia rumah tersebut 2.. LUAS Keluasan dalam kaki persegi (100 kaki pe 3.. TINGKAT Bilangan tingkat sesuatu rumah 4.. BILIKAIR Bilangan bilik air dalam rumah

Multiple R .97159R Square .94399Adjusted R Square .91198Standard Error 14.64536

Analysis of Variance DF Sum of Squares Mean SquareRegression 4 25303.59817 6325.89954Residual 7 1501.40683 214.48669

F = 29.49320 Signif F = .0002

------------------ Variables in the Equation ------------------

Variable B SE B Beta T Sig T

BILIKAIR 22.324609 9.031194 .377554 2.472 .0427LUAS 3.477462 .812140 .592382 4.282 .0036TINGKAT -3.475508 11.158097 -.043763 -.311 .7645USIA 2.519739 1.955274 .154607 1.289 .2385(Constant) -11.385583 15.049186 -.757 .4740

End Block Number 1 All requested variables entered.

Durbin-Watson Test = 2.25387

Anda dikehendaki:

(a) Dari output komputer tersebut, bentukkan persamaan regresi yang bersesuaian.

(b) Jika anda diberi data berikut:

BILIKAIR = 2LUAS = 17.2TINGKAT = 2USIA = 13

Tentukan harga jualan rumah tersebut.

(c) Pada aras keertian 0.05, adakah keseluruhan pembolehubah bebas menyebabkan (contributing) variasi pada pembolehubah bersandar?

(d) Bolehkah seseorang merumuskan bahawa kesan individu (individual effects) pembolehubah BILIKAIR, LUAS, TINGKAT dan USIA bererti pada aras keertian 0.05?

(e) Berapa peratuskah variasi dalam permintaan dapat dijelaskan oleh ketiga-tiga pembolehubah yang dikaji.

(f) Apakah fungsi statistik Durbin-Watson? Jelaskan jawapan anda.

Analisis regresi berganda

Regresi linear adalah di mana perubahan dalam Y disebabkan oleh satu X sahaja. Dalam regresi berganda pula perubahan dalam Y disebabkan oleh lebih dari satu X.

Contoh:

Usia rumah

Luas rumahHarga jualan rumah

Bil. Tingkat

Bil. bilikair

Dalam kes ini persamaan adalah dalam bentuk

Harga jualan = a + b1 (usia rumah) + b2 (luas rumah) + b3 (bil. Tingkat) + b4 (bil. Bilikair)

Hipotesis: H0: Keempat-empat pembolehubah tidak dapat menjelaskan variasi dalam harga jualan

H1: Keempat-empat pembolehubah dapat menjelaskan variasi dalam harga jualan

Mula-mula kita mesti pastikan sama ada persamaan boleh dibentuk.

Lihat significance of F = 0.0002 < 0.05

Maka kita boleh bentuk model regresi.

(a) Persamaan regresi

Harga jualan = -11.38 + 22.32 (bil. Bilikair) + 3.48 (luas rumah) – 3.47 (bil. Tingkat) + 2.52 (usia rumah)

(b) Masukkan nilai dalam persamaan

Bilikair = 2Luas = 17.2Tingkat = 2Usia = 13

Harga jualan =-11.38 + 22.32(2) + 3.48(17.2) – 3.47(2) + 2.52(13) = 118.94Atau bila dibulatkan harga juala = $119.

(c) Kesan keseluruhan pembolehubah kita lihat pada significance of F. Jika significance of F < 0.05, maka kesemua pembolehubah mempunyai kesan pada harga jualan.

(d) Untuk melihat, sama ada setiap pembolehubah mempunyai kesan secara individu pula kita harus lihat pada jadual variables in the equation.

Ujian hipotesis:

H0: b1 = 0H1: b1 0

H0: b2 = 0H1: b2 0

H0: b3 = 0H1: b3 0

H0: b4 = 0H1: b4 0

Maksud b = 0 adalah kecerunan sama dengan 0, jika kecerunan sama dengan kosong perubahan dalam X tidak akan membawa kepada perubahan dalam Y.

Untuk bilangan bilikair

Signif T = 0.04 < 0.05 sumbangan bererti

Luas rumah

Signif of T = 0.003 < 0.05 sumbangan bererti

Bil. Tingkat

Signif of T = 0.764 > 0.05 tiada sumbangan

Usia rumah

Signif of T = 0.238 > 0.05 tiada sumbangan

Maka kita boleh simpulkan bahawa hanya bilangan bilikair dan keluasan rumah mempunyai kesan dalam menentukan harga rumah.

(e) Peratus variasi dalam harga jualan yang boleh dijelaskan oleh keempat pembolehubah diukur oleh R2 atau koefisien penentuan. Nilai koefisien penentuan adalah antara

0 1Lemah Kuat

Dalam analisis ini R2 adalah 0.94 atau kita boleh nyatakan bahawa 94% variasi dalam harga jualan boleh dijelaskan oleh keempat-empat pembolehubah.

Jumlah variasi = variasi dapat dijelaskan + variasi tak dapat dijelaskan

Oleh kerana 94% variasi dapat dijelaskan hanya 6% variasi sahaja tak dapat dijelaskan.

(f) Fungsi Durbin-Watson adalah untuk memastikan sama ada ralat terjadi secara rawak.

Secara amnya kita perlu lihat pada plot residual untuk melihat sama ada ralat terjadi secara rawak tetapi dengan menggunakan D-W kita boleh simpulkan jika nilai antara 1.5 – 2.5, tiada masalah ralat tidak rawak.

Standardised residual plot

-3.0 -2.0 0.0 2.0 3.0

* .

* .

. *

* .

* .

. *

* .

. *

Had

Kalau ada nilai-nilai di luar had, baru kita boleh simpulkan ada masalah ralat tidak rawak.