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 bersandar
t-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 H1 1 = 2 1 2

Dalam perkataan H0: H1: Formula: Min tahap komitmen lelaki sama dengan m in tahap komitmen wanita Min tahap komitmen lelaki tak sama dengan min tahap komitmen wanita Andaian varians tak sama

t=

x1 x2 S12 S 22 + n1 n2

Andaian varians sama

t= x1 x2 1 2 1 Sp ( + ) n1 n2

Di mana
2 (n1 1) S12 + (n2 1) S 2 S = n1 + n2 2 2 p

Dari output komputer Jika nila p < 0.05 (aras keertian) kita akan tolak H 0, dan menyatakan bahawa ada perbezaan yang bererti: Jika nila p > 0.05 (aras keertian) kita akan terima H 0 dan menyatakan tiada perbezaan. Untuk menentukan sama ada kita gunakan varians, sama atau varians tak sama kita buat ujian. H0 : S12 = S22 H1 : S12 S22 Lihat baris yang berikut Levenes 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

t=

x1 x2 S12 S22 + n1 n2
= 4.39

3.2695 2.8214 (0.509) 2 (0.624) 2 + 66 60

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

x 1.96 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 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) H0 1 = 2 H1 1 = 2

Untuk analisis selanjutnya kita akan gunakan KAEDAH KEDUA 2. Ujian t sampel bersandar

t-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 144 .482 .000 2.8767 .560 .047

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

D SD n

Di mana
D = D n

SD =

(D ) 2 D n n 1
2

D = perbezaan antara pemerhatian tempoh 1 dengan tempoh 2. Hipotesis: Dalam perkataan H0 : H1 : Tiada perbezaan antara min kepuasan kerja sebelum dan selepas insentif gaji. Ada perbezaan antara min kepuasan kerja sebelum dan selepas insentif gaji. H0 : = 0 H1 : 0

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 Source Between Groups Within Groups Total Multiple Range Tests: D.F. 2 123 125 Sum of Squares 4.4385 41.6800 46.1184 Mean Squares 2.2192 .3389 F Ratio 6.5491 F Prob. .0020

Duncan test with significance level .05

(*) Indicates significant differences which are shown in the lower triangle M C I Mean 2.7245 3.1008 3.8571 G6 Bangsa Melayu Cina India * * *

3.

Ujian lebih dari 2 min sampel tak bersandar (ujian ANOVA satu hala). Hipotesis: Formula: F = Between-groups variance = Within-groups variance Di mana Mean square between Mean square within = = Mean square between Mean square within Sum of squares between Degress of freedom between Sum of squares within Degress of freedom within H0 : 1 = 2 = 3 H1 : Salah satu tak sama

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 Cina Melayu dengan India Cina dengan India Bila kita lihat min kita dapati min tahap komitmen pekerja India paling tinggi diikuti pekerja Cina dan Melayu. 4. Analisis Korelasi
Jualan Jualan 1.0000 ( 174) P= . .6005 ( 134) P= .000 .4834 ( 104) P= .000 Iklan .6005 ( 134) P= .000 1.0000 ( 136) P= . .7125 ( 104) P= .000 Jurujual .4834 ( 104) P= .000 .7125 ( 104) P= .000 1.0000 ( 104) P= .

Iklan

Jurujual

(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 y x x x x x r=1 Formula bagi ujian

r = ( x x )( y y ) ( N 1) S x S y

0 y x x x x r = 0

+1 y x x x x x r = -1

t=

r 1 r2 n 2

Sx dan Sy = sisihan piawai pembolehubah X dan Y

Sx = x 2 N Sy = y 2 N

Hipotesis H0 : H1 : r = 0 r 0

Dalam perkataan H0: H1: Tiada korelasi antara pembolehubah jualan dan iklan 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: 5. Terdapat korelasi bererti antara jualan dan iklan. Nilai korelasi 0.6 menunjukkan bila iklan meningkat jualan juga meningkat.

Regresis Linear
Dependent Variable.. Commitment Tahap Komitmen

Equation Number 1

Variable(s) Entered on Step Number 1.. JSAT Kepuasan Kerja Multiple R R Square Adjusted R Square Standard Error .73446 .53943 .53453 .38566 Sum of Squares 16.37466 13.98073 Signif F = .0000 Mean Square 16.37466 .14873

Analysis of Variance DF Regression 1 Residual 94 F = 110.09572

------------------ Variables in the Equation -----------------Variable JSAT (Constant) B .755725 1.950751 SE B .072024 .118030 Beta .734460 T 10.493 16.528 Sig T .0000 .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 Di mana Y a b1 x = = = = = Pembolehubah bersandar Pintasan (konstan) Kecerunan Pembolehubah tak bersandar Ralat = a + b1X +

Bila kita menggunakan analisis regresi dengan kaedah gandadua terkecil (least square regression), satu andaian penting adalah atau ralat diminimumkan. n ei 2 diminimumkan i=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: H1: Pembolehubah kepuasan kerja tidak dapat menjelaskan variasi 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 kerja Y = 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 Block Number 1. Dependent Variable.. Method: Enter HARGA Harga Jualan TINGKAT USIA

BILIKAIR LUAS

Variable(s) Entered 1.. USIA 2.. LUAS 3.. TINGKAT 4.. BILIKAIR Multiple R R Square Adjusted R Square Standard Error

on Step Number Usia rumah tersebut Keluasan dalam kaki persegi (100 kaki pe Bilangan tingkat sesuatu rumah Bilangan bilik air dalam rumah

.97159 .94399 .91198 14.64536 Sum of Squares 25303.59817 1501.40683 Signif F = .0002 Mean Square 6325.89954 214.48669

Analysis of Variance DF Regression 4 Residual 7 F = 29.49320

------------------ Variables in the Equation -----------------Variable BILIKAIR LUAS TINGKAT USIA (Constant) B 22.324609 3.477462 -3.475508 2.519739 -11.385583 1 SE B 9.031194 .812140 11.158097 1.955274 15.049186 Beta .377554 .592382 -.043763 .154607 T 2.472 4.282 -.311 1.289 -.757 Sig T .0427 .0036 .7645 .2385 .4740

End Block Number

All requested variables entered. 2.25387

Durbin-Watson Test =

Anda dikehendaki: (a) (b) Dari output komputer tersebut, bentukkan persamaan regresi yang bersesuaian. Jika anda diberi data berikut: BILIKAIR LUAS TINGKAT USIA = = = = 2 17.2 2 13

Tentukan harga jualan rumah tersebut. (c) (d) Pada aras keertian 0.05, adakah keseluruhan pembolehubah bebas menyebabkan (contributing) variasi pada pembolehubah bersandar? Bolehkah seseorang merumuskan bahawa kesan individu (individual effects) pembolehubah BILIKAIR, LUAS, TINGKAT dan USIA bererti pada aras keertian 0.05? Berapa peratuskah variasi dalam permintaan dapat dijelaskan oleh ketiga-tiga pembolehubah yang dikaji. Apakah fungsi statistik Durbin-Watson? Jelaskan jawapan anda.

(e) (f)

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 rumah Harga jualan rumah Bil. Tingkat Bil. bilikair

Dalam kes ini persamaan adalah dalam bentuk Harga jualan = Hipotesis: H0: H1: a + b1 (usia rumah) + b2 (luas rumah) + b3 (bil. Tingkat) + b4 (bil. Bilikair) Keempat-empat pembolehubah tidak dapat menjelaskan variasi dalam harga jualan 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 = (b) -11.38 + 22.32 (bil. Bilikair) + 3.48 (luas rumah) 3.47 (bil. Tingkat) + 2.52 (usia rumah)

Masukkan nilai dalam persamaan Bilikair Luas Tingkat Usia = = = = 2 17.2 2 13

Harga jualan =-11.38 + 22.32(2) + 3.48(17.2) 3.47(2) + 2.52(13) = 118.94 Atau 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. Untuk melihat, sama ada setiap pembolehubah mempunyai kesan secara individu pula kita harus lihat pada jadual variables in the equation. Ujian hipotesis: H0: H1: H0: H1: H0: H1: H0: H1: b1 = 0 b1 0 b2 = 0 b2 0 b3 = 0 b3 0 b4 = 0 b4 0

(d)

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 Lemah 1 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 . . . * * . . . * . . Had Kalau ada nilai-nilai di luar had, baru kita boleh simpulkan ada masalah ralat tidak rawak. * * * 2.0 3.0