jawapan contoh: - t. ramayah onlineramayah.com/additionalmaterials/bacaantambahanoutput.doc · web...
TRANSCRIPT
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.