[pic]

UNIVERSITI PENDIDIKAN SULTAN IDRIS,

35900 TANJONG MALIM, PERAK

TERJEMAHAN BAB 12

(ANALISIS DAN PERSEMBAHAN DATA KUANTITATIF)

PENYELIDIKAN ILMIAH

(SHP 4133)

DISEDIAKAN OLEH:

TONG SIEW CHING D20061027083

PIUS ANAK TUNGKAT D20061027085

WAN ROZIAH BT WAN AHMAD D20061027086

PENDIDIKAN KEMAHIRAN HIDUP (AT31)

FAKULTI SENI DAN MUZIK

SEMESTER 7

KUMPULAN : A

MASA KULIAH :

SELASA (2.00-4.00 PETANG)

DISEDIAKAN UNTUK :

PROF. SUPLI EFFENDI RAHIM

Objektif Bab

Selepas membaca bab ini kamu akan berkebolehan untuk:

• Menyediakan data untuk dianalisis.

• Memilih format yang sesuai untuk persembahan data.

• Memilih teknik yang paling sesuai untuk menghuraikan data (Statistik

Deskriptif)

• Memilih teknik yang paling sesuai untuk meninjau hubungan dan

aliran dalam data (korelasi dan statistik inferensi)

Dalam bab sebelum ini, perbezaan antara kajian secara kuantitatif dan kualitatif seringkali tidak jelas. Contohnya ialah kaedah tinjauan. Ia boleh memberi suatu penjelasan dan huraian yang tepat (kualitatif), tetapi ianya juga boleh dianalisis secara kuantitatif seperti kutipan data peribadi responden bagi sesuatu kelompok iaitu antara pengelasan responden dan sikap atau tabiatnya.

Ciri asas analisis kuantitatif ialah dikatakan terlewat sekiranya menjalankan kajian, mengumpul data dan berfikir bagaimana untuk menganalisisnya. Proses untuk memilih ujian statistik perlu dibuat semasa peringkat perancangan kajian bukannya pada peringkat perlaksanaan. Hal ini kerana, ia lebih mudah untuk mendapatkan data dan ia tidak bermakna ujian statistik. Menurut Robson (1993), dengan bantuan komputer moden, ia lebih mudah untuk menghasilkan persembahan yang lebih baik. (GIGO – Garbage In, Garbage Out) (Robson, 1993:310).

Tujuan utama bab ini adalah untuk memperkenalkan kepada anda mengenai teknik asas statistik. Ia tidak perlu menghuraikan secara mendalam bagi analisis statistik komplek kerana terdapat buku teks yang dikhaskan untuk tujuan ini. Ia dianggap seperti mengakses komputer dan perisian yang sesuai untuk mengaplikasi analisis statistik seperti Microsoft Excel atau SSPS. Maklumat secara terperinci tidak diperlukan untuk menghuraikan bagaimana menggunakan perisian ini kerana sudah ada buku teks yang sesuai. Jika statistik baru diketahui, seseorang yang lebih berpengalaman boleh dijadikan pembimbing atau mentor. Dalam bab ini, aktiviti dan contoh kerja yang menggunakan formula statistik yang sesuai turut disediakan.

KATEGORI DATA

Proses untuk mengkategori data adalah penting kerana (seperti yang ditulis dalam bab 4) ujian statistik digunakan untuk menganalisis data dan ia bergantung pada data yang dikumpul. Langkah pertama untuk mengkategori data ialah dengan mengelaskan data yang diperoleh kepada satu atau dua kategori iaitu secara mutlak (categorical) atau yang dapat dijumlahkan (quantifiable) (lihat rajah 12.1). Data mutlak tidak boleh dihitung bilangannya tetapi boleh diletakkan dalam set atau kategori data nominal atau data ordinal. Data yang boleh dijumlahkan (quantifiable) boleh dikira bilangannya iaitu lebih persis. Terdapat dua kategori data yang boleh dijumlahkan iaitu data selang dan data nisbah. Huraian bagi kategori ini akan dibincangkan dengan lebih terperinci pada tajuk berikutnya. Menurut Saunders et al. (2000), jika tidak pasti tentang tahap yang perlu untuk membuat kajian, adalah lebih selamat untuk mengumpul data pada tahap yang lebih tinggi bagi mendapatkan data yang lebih persis.

Darjah kesaksamaan

RAJAH 12.1: JENIS DATA MUTLAK DAN DATA YANG DAPAT DIJUMLAHKAN

Data digunakan untuk menganalisis sesuatu tujuan yang berbeza. Jadual 12.1 menunjukkan cadangan penggunaan tipikal dan ujian statistik yang sesuai digunakan.

Menurut Diamantopoulos dan Schlegelmilch (1997), empat ukuran skala terbaik disusun dari tahap ukuran yang rendah kepada tahap yang tinggi dan ciri-ciri bagi jenis skala terendah disimpan. Semua ujian statistik yang sesuai dengan jenis data yang rendah boleh digunakan dengan jenis data yang tinggi dan jika ditambah ia menjadikan ujian lebih baik. Tetapi ia tidak berlaku sebaliknya. Jika data selang ditukarkan kepada data ordinal, ujian yang sesuai digunakan pada asalnya tidak boleh diaplikasikan untuk seterusnya. Untuk mengkategorikan data, ujian statistik bukan parametrik boleh digunakan tetapi bagi data yang dapat dijumlahkan, ia menggunakan ujian statistik parametrik. (Lihat rajah 12.1). Dalam perancangan pengumpulan data, adalah lebih baik untuk mereka bentuk cara penyusunan data yang dihasilkan bagi data selang dan data nisbah, jika tidak sesuai dengan objektif kajian.

JADUAL 12.1 SKALA UKURAN DAN KEGUNAANNYA

| |Nominal |Ordinal |Selang |Nisbah |
|Contoh |Jenis kilang |Rujukan pelanggan |Suhu |Jualan |
|Kegunaan |Jenis tempat produk dan |Hieraki organisasi |Berat |Kos |
| |organisasi |Sikap |Tekanan darah |Bilangan pelanggan |
| | | | |Umur pekerja |
|Ujian statistik |Ujian bukan parametrik | |Ujian parametrik | |

Data Nominal

Data nominal bertujuan untuk menamakan atau menunjukkan sesuatu kategori dan ia sekadar untuk melabel atau menamakan sesuatu ciri atau kategori sahaja. Contohnya, Jabatan jualan, jantina, kaum, jenis personaliti dan sebagainya. Jenis soalan yang biasa dihasilkan berkaitan data nominal ditunjukkan dalam rajah 12.2 manakala keputusan set data ditunjukkan dalam jadual 12.2. Kita dapat melihat bahawa dengan data nominal, kita boleh mengira frekuensi mudah bagaimana kategori nominal berlaku.

RAJAH 12.2: JENIS SOALAN YANG MENGHASILKAN DATA NOMINAL

|Kategori manakah yang menghuraikan dimana pekerja bekerja? (tandakan satu sahaja) |
|Jabatan runcit |
|Gudang |
|Akaun |
|Persendirian |

|Jabatan / Lokasi |Frekuensi |
|Jabatan runcit |67 |
|Gudang |62 |
|Akaun |15 |
|Persendirian |16 |

JADUAL 12.2: BILANGAN PEKERJA / JABATAN (SKALA NOMINAL)

[pic]

RAJAH 12: CARTA BAR BAGI DATA NOMINAL DALAM JADUAL 12.2

[pic]

RAJAH 12.6: CARTA PAI BAGI DATA NOMINAL DALAM JADUAL 12.2

Data Ordinal

Data ordinal terdiri daripada susunan atau kedudukan nilai, tetapi jarak diantara kedudukan adalah tidak sama. Contohnya borang soal selidik berkaitan sikap. Jenis soalan yang dihasilkan berkaitan data ordinal ditunjukkan pada rajah 12.3. Antaranya ialah menggunakan perkataan ‘kadang-kadang’, ‘tidak pernah’ dan sebagainya. Susunan bagi setiap dapatan adalah penting tetapi tiada cadangan bahawa perbezaan antara setiap skala adalah sama. Skala ordinal juga digunakan untuk soalan nisbah bagi sesuatu kualiti seperti ‘sangat baik’, ‘baik’, ‘adil’, ‘lemah’ dan berbentuk persetujuan seperti ‘sangat setuju’, ‘setuju’, dan ‘tidak setuju’. Keputusan tipikal bagi kutipan data ordinal diambil dari rajah 12.3 dan ditunjukkan dalam jadual 12.3.

RAJAH 12.3: JENIS SOALAN UNTUK DATA ORDINAL

|Berapa kerapkah anda dihina oleh pelanggan? (Tandakan satu sahaja) |
|Setiap hari |
|Sekali seminggu |
|Kadang-kadang |
|Tidak pernah |

|Kecenderungan kakitangan dihina oleh pelanggan |Bilangan tanggapan |
|Setiap hari |10 |
|Sekali seminggu |15 |
|Kadang-kadang |11 |
|Tidak pernah |4 |

JADUAL 12.3: JADUAL FREKUENSI YANG MENUNJUKKAN BILANGAN TANGGAPAN BAGI SOAL SELIDIK (ORDINAL)

Data Selang

Ukuran yang tidak dapat dikira dikenali sebagai data selang. Nilai angka ditentukan antara skala selang iaitu bagi selang yang sama, tetapi tiada nilai sifar bila sesuatu sifat yang diukur tidak wujud. Contohnya, nilai sifar bagi ujian IQ tradisional tidak mempunyai sebarang makna. Hal ini kerana nilai IQ tradisional adalah nilai kasar yang ditukarkan kepada umur kemudian dibahagikan dengan umur kronologikal. Ciri lain bagi data selang ialah perbezaan antara skor 14 dan 15 perlu sama dan memasukkan perbezaan bagi skor 91 dan 92. Berbanding data ordinal, perbezaan antara kategori adalah sama. Keputusan dari data selang ditunjukkan dalam jadual 12.4. Ia menunjukkan pengagihan normal bagi nilai syarikat mengenai penilaian bakat bagi staf.

JADUAL 12.4 : JADUAL MENUNJUKKAN FREKUENSI SKOR BILANGAN PEKERJA DENGAN PELBAGAI JULAT BAGI UJIAN IQ

|Skor |Frekuensi |
|76-80 |1 |
|81-85 |0 |
|86-90 |4 |
|91-95 |10 |
|96-100 |21 |
|101-105 |25 |
|106-110 |48 |
|111-115 |18 |
|116-120 |11 |
|121-125 |4 |
|126-130 |1 |
|131-135 |2 |
|136-140 |1 |

Data Nisbah

Data nisbah adalah subset bagi data selang tetapi skalanya adalah skala data selang. Data nisbah bernilai mutlak sifar yang menjelaskan maksud tertentu. Contohnya, skor ujian pencapaian. Sekiranya seseorang majikan membuat ujian kepada pekerjanya, didapati skornya adalah sifar. Hal ini menunjukkan bahawa kurangnya pengetahuan yang lengkap atau kebolehan dalam subjek ini. Contoh data nisbah ditunjukkan dalam jadual 12.5.

Pengasingan skim klasifikasi ini adalah penting kerana ia mempengaruhi cara bagaimana data dianalisis dan cara ujian statistik dibuat. Perubahan digabungkan dalam skim klasifikasi ini, kemudian melihat bagaimana data dikumpul dan diletakkan sebelum dianalisis dan disembahkan.

JADUAL 12.5: PENGAGIHAN FREKUENSI BAGI SKOR PEKERJA

|Julat skor |Frekuensi |
|0-4 |4 |
|5-9 |13 |
|10-14 |15 |
|15-19 |12 |
|20-24 |8 |

MASUKAN DATA, SUSUN ATUR DAN KUALITI

Masukan data melibatkan bilangan peringkat yang dimulakan dengan data yang bersih, perancangan dan membuat masukan data biasa serta membuat pembahagian bagi data yang hilang. Cara untuk mengelakkan data yang hilang juga akan dibincangkan.

Data Bersih

Analisis data hanya boleh dipercayai jika kutipan data yang diperoleh dari data yang bersih dan data dimasukkan ke dalam komputer dengan tepat. Jika data yang dimasukkan mengandungi pelbagai nombor bernilai besar dan banyak rekod individu, ia adalah mudah untuk dimasukkan dengan rajah yang salah atau hilang. Penyelesaian untuk dua orang yang memasukkan data secara berasingan dan membandingkan keputusan daripada kedua-duanya, tetapi cara ini adalah sukar dilakukan. Pendekatan lain dengan menggunakan frekuensi analisis pada kolum dan rajah palsu pada kedudukan menegak. Contohnya, dengan menggunakan nombor 1 hingga 5 untuk menggambarkan kepelbagaian kod individu bagi setiap nombor tersebut, analisis frekuensi mungkin menunjukkan bahawa nombor 8 juga dimasukkan dan ia menunjukkan kesalahan yang ketara. Sekiranya ada percanggahan atau melangkau soalan, ia perlu diperiksa bahawa responden dapat menjawab soalan dengan cermat. Contohnya, mereka perlu menjawab setiap bahagian dengan lengkap tanpa meninggalkan sebarang bahagian.

Pengkodan data dan rekabentuk

Pengkodan selalunya melibatkan peruntukan nombor kepada data. Pengkodan ialah satu proses memberikan satu nilai numerik pada sesuatu jawapan yang diberikan oleh responden. Pengkodan hanyalah cara untuk menghuraikan data. Apabila pengkodan telah siap, adalah sukar untuk mengumpul data ke dalam kumpulan yang dikategorikan. Oleh itu, kes belajar 12.1 menunjukkan kategori yang perlu direkod seperti sah, kewangan, kesihatan dan keselamatan.

Pendekatan yang lebih jelas untuk susun atur data adalah dengan menggunakan jadual dalam bentuk data matrik. Dengan data matrik, kolum akan disembahkan dengan pelbagai maklumat ringkas, manakala setiap baris menunjukkan kes atau profil. Jadual 12.6 menunjukkan contoh data dari kajian kenal diri, melihat pengkaji menyemak kembali kajian asal sekiranya terdapat kesalahan. Kolum berikutnya mengandungi nombor yang setiapnya menunjukkan jabatan khas. Panjang kajian yang dapat dijumlahkan datanya menghasilkan tahun sebenar dalam organisasi. Nilai nombor adalah berbeza maksudnya untuk pelbagai perbezaan. Jadual 12.6 menunjukkan data matrik yang telah disediakan dalam software program Excel yang telah sedia untuk digunakan untuk formula statistik.

JADUAL 12.6: DATA MATRIK DARIPADA KAJIAN YANG MENUNJUKKAN PENGKODAN DATA BAGI SETIAP PEMBOLEHUBAH

|Kes |Id |Jabatan |Masa perkhidmatan |Pangkat tertinggi |
|Kes 1 |1 |5 |3 |2 |
|Kes 3 |3 |3 |12 |

Data yang dikumpul dari 100 responden dan data matrik dibawah menggunakan kod nombor: 1=Ya, 2=Tidak, 3=Tidak pasti, 0=Tiada data/tiada tindakbalas.

|Id |Undang-undang |Kewangan |Kesihatan |Keselamatan |
|Responden 1 |1 |2 |2 |2 |
|Responden 2 |2 |1 |1 |1 |
|Responden 3 |2 |0 |0 |0 |

Nota bagi kes belajar 12.1 bagi responden 3 ditanda dalam kotak untuk nasihat undang-undang tetapi gagal untuk melengkapkan yang lain, kemudian nilai 0 untuk tiada data yang dimasukkan ke dalam matrik.

Bahagian kehilangan data

Oppenheim (1992) menyatakan bahawa pendekatan terbaik kepada bahagian yang kehilangan data ialah tidak ada apa. Langkah perlu diambil untuk memastikan data yang dikumpul dari semua sampel cadangan dan tiada tindak balas minimum disimpan. Tetapi, untuk latihan, kita perlu tahu bahawa ia adalah suatu kes dimana responden tidak membalas atau menjawab soalan. Isunya adalah kerana terdapatnya kecondongan atau berat sebelah. Responden meninggalkan beberapa soalan yang mereka rasa sukar untuk dijawab. Contohnya, kajian yang dilakukan pada kakitangan mengenai latihan pekerjaan mendapati bahawa mereka meninggalkan soalan yang berkaitan rekod tidak baik dan ketidakhadiran.

Ia digunakan untuk membezakan antara empat jenis perbezaan bagi nilai yang hilang iaitu tidak boleh digunakan (NA), enggan (RF), tidak tahu (DK) dan terlupa menjawab (FA). Perbezaan yang dibuat dapat membantu strategi menyalin data yang hilang. Jadual 12.7 menunjukkan contoh respons yang telah dibuat kajian.

JADUAL 12.7 MEMBEZAKAN ANTARA PERBEZAAN JENIS TIADA TINDAK BALAS.

|Tindak balas |Nilai rekod |
|Menjawab soalan dengan salah atau orang yang tidak sesuai. |Tidak dapat diguna |
|Maklumat yang kasar dari respon | |
|Semua soalan dijawab kecuali satu soalan |Enggan |
|Semua soalan dijawab dengan tepat tetapi meninggalkan satu kosong. |Terlupa menjawab |
| |Tidak tahu |

Kategori untuk tiada respon yang dipilih bergantung pada kesimpulan awal pengkaji. Bagaimana kita ingin tahu bahawa ada yang terlupa menjawab atau tidak tahu menjawab? Sudah tentu, jika ramai orang yang gagal menjawab soalan yang sama, ia mungkin mempunyai sesuatu yang tidak disukai oleh responden pada soalan tersebut. Dalam kes ini, ia boleh ditafsirkan sebagai enggan menjawab. Keputusan untuk mengabaikan atau memisahkan kategori ini perlu dibuat dan menggunakan label tiada jawapan. Kemungkinan lain ialah nilai perlu diambil dengan mengambil purata bagi respon lain. Ia adalah berbahaya, bagaimanapun dengan pendekatan ini, ia menggunakan soalan mudah. Sesetengah statistik meluangkan lebih masa untuk memikirkan isu ini. Ia adalah selamat sekiranya data hilang dan telah dimasukkan sebagai sub-soalan yang mengandungi satu nombor sub-soalan (data yang sesuai). Adalah tidak munasabah jika ramai yang tidak memberi respon pada soalan yang sama, ia perlu ditinggalkan pengiraannya bergantung pada sampel yang kecil.

Elakkan merendahkan data

Ia adalah tidak adil bila tiada respon berlaku, tetapi adalah sukar untuk bertolak ansur mendapatkan kualiti dengan proses merendahkan data. Pengukuran umur peribadi adalah penting pada pekerja pada borang soal selidik (ditunjukkan pada rajah 12.4). Satu masalah adalah kategori umur adalah tidak sama. Contohnya, umur 18-24 dibandingkan dengan umur 25-24. Tetapi, ia menjadi sukar sekiranya maklumat hilang dengan pengumpulan data secara ini. Ia boleh diakhiri dengan ukuran ordinal dengan mencari data nisbah dan tidak boleh mengira purata umur bagi pekerja. Lebih baik bertanya pada setiap orang umur yang tepat (misalnya, bertanya tentang tarikh lahir) dan tarikh soal selidik perlu lengkap. Selepas ini, kita boleh mengira purata umur (min), umur modal (berlaku lebih tepat), kenalpasti siapa yang lebih tua dan muda di kalangan pekerja.

RAJAH 12.4: BAHAGIAN SOAL SELIDIK YANG TERDIRI DARIPADA UMUR PERIBADI

PERSEMBAHAN DATA MENGGUNAKAN STATISTIK DESKRIPTIF

Satu tujuan statistik deskriptif ialah untuk menghuraikan ciri-ciri belajar yang menggunakan analisis grafik. Statistik deskriptif dibezakan dari statistik inferen dimana ia cuba menunjukkan data, manakala statistik inferen cuba membuat kesimpulan bagi data tersebut. Contohnya, kesimpulan mengenai populasi yang difikir pada data sampel.

Statistik deskriptif selalunya menggunakan carta atau graf untuk melengkapkan potensi komunikasi format data yang diperoleh tetapi, sebaiknya grafik yang digunakan akan bergantung pada jenis data yang dipersembahkan. Hal ini menunjukkan bahawa mengapa permulaan bab ini dimulakan dengan memberi fokus pada klasifikasi data kepada kategori nominal, ordinal, selang dan nisbah. Bukan semua jenis graf adalah sesuai untuk digunakan pada semua data. Black (1999) menyatakan bahawa rumusan yang teratur akan menentukan kesesuaianya. (Lihat jadual 12.8).

JADUAL 12.8: CARTA DAN GRAF YANG SESUAI UNTUK FREKUENSI DATA

| |Carta bar |Carta pai |Histogram |Frekuensi polygon |
|Nominal |+ |+ | | |
|Ordinal |+ | | | |
|Selang | | |+ |+ |
|Nisbah | | |+ |+ |

Sumber: didapati dari Black, 1999:306

Data nominal dan ordinal – kumpulan individu

Seperti yang kita lihat sebelum ini, data nominal direkod mengikut kategori atau nama, dengan tiada cadangan penambahan atau kedudukan manakala data ordinal pula mempunyai tujuan dan mengikut kategori. Data nominal boleh dilihat pada jadual 12.2 dan ia boleh disembahkan pada carta bar seperti rajah 12.5 untuk mengira frekuensi kakitangan bagi jabatan yang berlainan.

Rajah 12.6 menunjukkan set data yang sama dan boleh juga disembahkan dalam bentuk carta pai. Carta pai adalah sesuai untuk menggambarkan data nominal tetapi ianya tidak sesuai untuk data ordinal. Hal ini kerana, jumlah kadar persembahannya tidak termasuk dalam kategori.

Data selang dan nisbah – kumpulan individu

Data selang dan nisbah menghuraikan skor bagi ujian, umur, berat, pendapatan tahunan dan lain-lain lagi untuk kumpulan individu. Nombor ini kemudiannya diterjemah kedalam jadual frekuensi seperti jadual 12.2 dan 12.3. Peringkat pertama untuk membuat keputusan bagi nombor dalam data selang. Black (1999) mencadangkan bahawa antara 10 dan 20 adalah sesuai, dan apabila membuat susunan, ia akan membentuk lengkuk histogram atau frekuensi poligon. Data bagi umur peribadi untuk seluruh pekerja dalam sesuatu organisasi ditunjukkan dalam jadual 12.9. Susunan umur adalah dari 22 hingga 43 iaitu berbeza dengan 21. Jika susunan selang bagi 3, ia hanya akan beri set bagi kedudukan umur 7 tahun. Black (1999) mencadangkan bahawa hanya kedudukan yang minimum iaitu 10 yang sesuai. Walaubagaimanapun, dua kedudukan selang perlu diakhiri dengan 11 set selang seperti jadual 12.10 dimana ia adalah lebih sesuai. Data ini dipersembahkan dalam bentuk grafik iaitu histogram seperti rajah 12.7.

JADUAL 12.9: UMUR PERIBADI PEKERJA SYARIKAT.

|Umur |Frekuensi |Umur |Frekuensi |
|22 |1 |33 |10 |
|23 |2 |34 |4 |
|24 |3 |35 |3 |
|25 |6 |36 |2 |
|26 |5 |37 |4 |
|27 |11 |38 |2 |
|28 |15 |39 |2 |
|29 |7 |40 |0 |
|30 |9 |41 |0 |
|31 |3 |42 |1 |
|32 |4 |43 |0 |

Data nominal – membandingkan kumpulan

Setakat ini, kita telah melihat persembahan set data yang hanya mengandungi satu data. Tetapi penyelidikan sering memerlukan kita untuk mengumpul data pada sejumlah ciri-ciri yang berkaitan dan ia adalah berguna untuk dapat dibandingkan secara grafik. Sebagai contoh, kembali kepada Jadual 12.2 dan jumlah pekerja-pekerja setiap jabatan, ini mungkin mengumpulkan kekerapan, berdasarkan penyebaran pekerja kedua-dua lelaki dan perempuan setiap jabatan, seperti dalam Gambarajah 12.8.

Satu lagi cara mempersembahkan jenis data ini ialah di mana ia adalah berguna bagi menunjukkan bukan sahaja taburan antara kumpulan, tetapi jumlah saiz setiap kumpulan itu, seperti dalam Gambarajah 12.9.

JADUAL 12.10: DATA KEKERAPAN UNTUK JUAT UMUR (SELANG)

|Julat umur |Kekerapan |Julat umur |Kekerapan |
|22-23 |3 |34-35 |7 |
|24-25 |9 |36-37 |6 |
|26-27 |16 |38-39 |4 |
|28-29 |22 |40-41 |0 |
|30-31 |12 |42-43 |1 |
|32-33 |14 | | |

[pic]

RAJAH 12.7: ILUSTRASI HISTOGRAM BAGI DATA SELANG DALAM JADUAL 12.10

[pic]

RAJAH 12.8: CARTA BAR UNTUK DATA NOMINAL DENGAN PERBANDINGAN ANTARA KUMPULAN

[pic]

RAJAH 12.9: CARTA BAR LONGGOKAN BAGI DATA NOMINAL DENGAN PERBANDINGAN ANTARA KUMPULAN

Data Selang dan Nisbah – membandingkan kumpulan-kumpulan

Ia kadang-kadang perlu untuk membandingkan dua kumpulan untuk sifat-sifat yang diukur sebagai data selanjar. Manakala latihan ini adalah, seperti kita pernah lihat, agak mudah untuk data nominal iaitu berhati-hati, selang dan data nisbah adalah selanjar, jadi dua set data mungkin bertindih dan satu menyembunyikan yang lain. Penyelesaian adalah untuk menggunakan satu poligon kekerapan. Sebagai kita boleh lihat pada Gambarajah 12.10, kita mempunyai dua set data selanjar untuk markah ujian, satu set untuk kumpulan pekerja-pekerja yang menerima latihan dan satu lagi untuk mereka yang belum. Poligon kekerapan itu membolehkan kita untuk melihat kedua-dua hasil set serentak dan untuk membandingkan tren-tren itu.

RAJAH 12.10: POLIGON FREKUENSI UNTUK DUA SET SAMBUNGAN DATA BAGI SKOR UJIAN

Dua pembolehubah untuk satu kumpulan

Anda mungkin juga hendak membandingkan dua pembolehubah untuk satu kumpulan. Kembali lagi untuk contoh kita bagi jabatan-jabatan, kita mungkin melihat umur setiap pekerja. Gambarajah 12.11 menunjukkan hasilnya.

MENGANALISIS DATA MENGGUNAKAN STATISTIK DESKRIPTIF

Satu tumpuan deskriptif melibatkan penciptaan satu gambaran ringkas satu sampel atau populasi dalam soal pembolehubah-pembolehubah utama untuk dikaji. Ini mungkin melibatkan penyampaian data dalam bentuk graf (seperti dalam bahagian terdahulu) atau penggunaan statistik deskriptif itu, seperti dibincangkan di sini.

Taburan kekerapan dan kecenderungan memusat

Taburan kekerapan adalah satu daripada kebanyakan kaedah biasa untuk menganalisis data, terutamanya untuk analisis data tinjauan. Kekerapan hanya bermakna jumlah misalnya dalam satu kelas, dan dalam kajian-kajian ia selalu dikaitkan dengan penggunaan Skala Likert . Jadi, sebagai contoh, satu kajian mungkin mengukur kepuasan pelanggan untuk satu produk tertentu lebih daripada tempoh dua tahun.

Bagi menjadikan rasa data, kedua-dua pendekatan perlu diterima.

• Penggunaan semua data, bukan sahaja pilih angka-angka yang bertemu dengan agenda-agenda penyelidik. • Satu cara menjumlahkan keputusan-keputusan itu dengan menggunakan satu angka wakil. Kaedah pengiraan ini melibatkan pengiraan satu skor min untuk setiap set data. Oleh itu, kategori-kategori itu boleh diberikan satu markah, seperti diilustrasi dalam Jadual 12.12.

JADUAL 12.11 PERATUSAN RESPONDEN MENJAWAB UNTUK SETIAP KATEGORI BAGI TEMPOH DUA TAHUN

| |Sangat Setuju |Setuju |Tidak Setuju |Sangat Tidak Setuju |Jumlah |
|2002 |14 |40 |32 |14 |100 |
|2003 |21 |33 |26 |20 |100 |

JADUAL 12.12 CARA PERMARKAHAN SETIAP KATEGORI RESPON UNTUK MENGUKUR SKOR MIN

| |Sangat Setuju |Setuju |Tidak Setuju |Sangat Tidak Setuju |
|SKOR |4 |3 |2 |1 |

Sejak data boleh digambarkan oleh min, satu gambaran, ia menjadi mungkin bagi menjadikan perbandingan-perbandingan antara bahagian lain data atau jika dua kajian dilaksanakan pada tempoh yang berbeza, merentasi masa. Tetapi, wujud juga bahayanya penggunaan kaedah ini. Min hanya satu pengukuran kecenderungan memusat,yang lain termasuk juga median dan mod. Median ialah nilai pusat apabila nilai yang lain disusun secara teratur. Mod pula ialah nilai yang paling banyak kekerapannya. Jika skor median dan mod adalah lebih kurang daripada min, taburan skor akan terpesong ke sebelah kiri (pencongan posotif). Jika skor median dan mod lebih besar daripada min, taburan skor itu akan terpesong ke sebelah kanan (pencongan negatif). Jadi, apabila dua skor min seiras, ini tidak bermaksud dua set itu skor adalah sama, kerana setiap skor mungkin mempunyai pengagihan yang berbeza.

Dengan membuat syarat-syarat ini, kaedah permarkahan ini masih boleh digunakan, tetapi adalah lebih baik menggunakan lebih daripada satu set skor dari hanya satu set. Ia juga paling selamat digunakan untuk deskriptif daripada berdasarkan inferens perangkaan-perangkaan.

Penyukatan Penyerakan

Bagi penambahan dalam mengukur kecenderungan memusat, ia juga penting untuk mengukur penyebaran respon sekitar min bagi menunjukkan sama ada min mewakili respon itu atau tidak. Terdapat beberapa cara mengukur ini:

• Julat - perbezaan antara skor tertinggi dan terendah. • Antara kuartil julat - perbezaan antara skor yang mempunyai satu perempat di bawah skor (sering dikenali sebagai kuartil pertama atau persentil ke-25) dan skor yang tiga per empat di bawah skor (persentil ke-75). • Varians - Satu pengukuran purata sisihan kuasa dua skor individu itu dari min. • Sisihan piawai – Satu pengukuran takat di mana respon berubah dari min, dan adalah diperolehi dengan mengira varian dari min, kuasa duakan mereka, menambah mereka dan mengira punca kuasa dua. Seperti min, kerana anda boleh mengira satu perangkaan, ia membenarkan perbandingan antara bahagian yang berlainan dalam satu kajian dan merentasi tempoh masa.

Taburan Normal

Lengkung taburan normal adalah berbentuk loceng, iaitu adalah simentri di sekitar min, di mana ia bermaksud terdapat satu jumlah nombor sama di atas dan di bawah min (X). Bentuk lengkung juga menunjukkan kadar subjek pada setiap sisihan piawai itu(S,1S ,etc) di atas dan di bawah min.

Dalam dunia sebenar, bagaimanapun ia sering berlakunya kes pengagihan tidak normal, tetapi terpencong, dan ini akan memberikan kesan untuk hubungan antara min, mod dan median. Jika taburan adalah secara pencongan positif, majoriti subjek itu adalah di atas min dalam soal sifat atau sikap yang sedang diukur; untuk taburan secara pencongan negatif, majoriti adalah di bawah min.

PROSES PENGUJIAN HIPOTESIS: BERDASARKAN INFERENS PERANGKAAN

Kita sudah melihat pada bab 4 bahawa proses kajian mungkin melibatkan perumusan satu hipotesis yang menghuraikan hubungan antara dua pembolehubah. Dalam bahagian ini kita akan mengkaji semula pengujian hipotesis dalam beberapa peringkat, yang terdiri daripada:

• Perumusan hipotesis • Spesifikasi paras kepentingan ( untuk melihat sejauh manakah ia selamat untuk menerima atau menolak hipotesis) • Pengenalpastian taburan kebarangkalian dan takrif penolakan itu • Pemilihan ujian-ujian statistik yang sesuai • Pengiraan ujian statistik dan penerimaan atau penolakan hipotesis

Rumusan hipotesis

Seperti yang kita lihat dalam bab 4, hipotesis adalah satu kenyataan berkaitan dengan satu sampel (atau populasi) itu mungkin atau mungkin tidak benar, dan dijadikan satu kesimpulan atau kesimpulan tentang satu populasi, dilukis daripada sampel maklumat. Sebagai contoh, kita berkhidmat dalam satu syarikat pemasaran untuk menjalankan beberapa kajian tentang pemilikan komputer di Eropah Barat. Kita mendugakan pemilikan per kapita di UK mungkin lebih besar daripada di Perancis. Jika kami mempunyai had masa dan sumber-sumber yang tidak terhad, kita boleh mengkaji kedua-dua populasi. Untuk pertimbangan praktikal , sudah tentu, kami mempunyai satu sampel. Jika kami mengambil sampel secara rawak untuk kedua-dua populasi UK dan Perancis dan didapati pemilikan itu adalah 18 peratus di UK dan 12 peratus di Perancis, tekaan kita akan disahkan oleh bukti.

Pertama, kita perlu elakkan dari ralat persampelan , dengan saiz sampel yang lebih kecil, lebih besar potensi untuk ralat ini. Keduanya, kita tidak boleh 'membuktikan' sesuatu mesti benar, kerana selalu tinggal satu kemungkinan sehingga satu hari seseorang akan muncul dengan satu penyangkalan. Oleh itu, untuk tujuan penyelidikan , kita biasanya buat satu hipotesis dalam bentuk nolnya(negatif). Jadi, lebih baik menyatakan:

Pemilikan computer akan lebih banyak di UK daripada di Perancis.

Kita mengatakan:

Pemilikan komputer tidak akan lebih di UK daripada di Perancis.

Kemudian, jika kita mendapati bahawa data untuk pemilikan adalah lebih besar untuk UK daripada di Perancis, kita dapat menolak hipotesis nol.

Hipotesis wujud dengan dasarnya tiga bentuk. Iaitu:

• Memeriksa ciri-ciri bagi populasi individu (dan mungkin melibatkan mengira min, median, sisihan piawai dan bentuk taburan). • Meneroka kontras dan perbandingan antara kumpulan. • Memeriksa persatuan dan hubungan antara kumpulan.
Untuk satu pembelajaran kajian, ia menjadi perlu bagi merumuskan sejumlah hipotesis nol menggabungkan kenyataan tentang pengagihan, skor, kekerapan, persatuan dan menghubung kait.

Spesifikasi paras kepentingan

Dengan merumuskan hipotesis nol, seterusnya kita mesti memutuskan keadaan yang mana akan diterima atau ditolak. Sejak kita tidak tahu dengan mutlak sama ada hipotesis itu benar atau palsu, dengan unggul, kita perlu menolak hipotesis nol apabila ia palsu dan menerima ia apabila benar. Bagaimanapun, kerana tidak ada benda memang sempurna (terutama dalam dunia sebenar), sentiasa ada peluang menolak hipotesis nol walaupun ia adalah benar (dipanggil Type I error) dan menerima ia walaupun fakta ia adalah palsu (Type II error). Jadual 12.14 menunjukkan satu rumusan hasil yang mungkin.

JADUAL 12.14 KESILAPAN-KESILAPAN POTENSI DALAM PENGUJIAN HIPOTESIS

|Keadaan Dalam Populasi |
|Keputusan dibuat dalam hipotesis nol |Hipotesis adalah benar |Hipotesis adalah tidak benar |
|Hipotesis ditolak |Type I error |Keputusan yang betul |
|Hipotesis tidak ditolak |Keputusan yang betul |Type II error |

Apakah kesan impak kesilapan-kesilapan ini? Sebagai contoh, kita mengukur sama ada satu program latihan baru meningkatkan sikap kakitangan terhadap pelanggan-pelanggan, dan kita menyatakan ini dalam syarat-syarat nol (latihan tidak mempunyai kesan).Jika kita membuat Type II error kemudian kita adalah menolak hipotesis nol , oleh itu tuntutan bahawa latihan boleh mempunyai satu kesan, sebenarnya ,ini tidak benar. Kita tidak syak, mengenali bahawa kita tidak mahu menjadikan tuntutan untuk kesan mandiri pembolehubah-pembolehubah itu yang sebenarnya adalah palsu. Fikirkan implikasi-implikasi itu jika kita membuat Type I error apabila menguji suatu ubat baru! Kami juga perlu mengelakkan kesilapan-kesilapan Type II, kerana di sini kita akan menerima hipotesis nol dan oleh kerana itu gagal untuk memerhatikan kesan yang ada pada pembolehubah bebas.

Kesilapan-kesilapan Jenis I dan Type II adalah terbalik antara satu sama lain. Seperti pemerhatian Fielding dan Gilbert (2000), apa yang kita lakukan bagi mengurangkan kesilapan Jenis I akan meningkatkan kemungkinan satu ralat Type II ,and dan sebaliknya. Mana-mana ralat adalah paling mungkin bergantung kepada bagaimana kita menyediakan paras kepentingannya (lihat seterusnya).

Pengenalpastian taburan kebarangkalian

Apakah peluang untuk membuat ralat Jenis I? Ini diukur dengan apa dipanggil paras kepentingan, iaitu mengukur kebarangkalian itu membuat kesilapan. Paras kepentingan selalu ditetapkan sebelum satu ujian dijalankan, dan adalah secara tradisi ditetapkan pada sama ada 0.05,0.01 ,atau 0.001. Oleh itu, jika kita menyediakan paras kepentingan kita pada 5 peratus (p=0.05), kita bersedia untuk mengambil risiko menolak hipotesis nol apabila malah ia adalah betul 5 kali daripada 100.

Semua ujian-ujian statistik adalah berdasarkan satu bidang penerimaan dan satu bidang menolak. Untuk apa yang dinamakan satu ujian satu hujung , kawasan penolakan adalah sama ada atas atau bawah taburan. Satu ujian satu hujung adalah digunakan apabila hipotesis adalah berarah, iaitu, ia meramalkan satu hasil pada akhir sama ada lebih tinggi atau lebih rendah dari taburan. Tetapi mungkin ada kes apabila ia tidak mungkin dijadikan seperti satu ramalan. Dalam keadaan-keadaan ini, satu ujian dua hujung adalah digunakan, untuk yang terdapat dua kawasan penolakan- kedua-dua atas dan bawah hujung. Sebagai contoh, untuk taburan z di mana p=0.05 dan satu ujian dua hujung , jadual-jadual statistic menunjukkan kawasan penerimaan itu untuk hipotesis nol adalah pusat 95 peratus daripada taburan dan kawasan bagi penolakan adalah 2.5 peratus untuk setiap hujung ( lihat rajah 12.13). Oleh itu, jika ujian statistik adalah kurang daripada 1.96 atau lebih besar daripada 1.96 hipotesis nol itu akan ditolak.

Pemilihan ujian-ujian statistik yang sesuai

Pemilihan ujian-ujian statistik yang sesuai untuk setiap hipotesis boleh dijadikan satu ciri yang paling mencabar dengan menggunakan perangkaan tetapi juga paling penting. Ia semua terlalu mudah bagi merumuskan satu hipotesis sahih hanya bagi memilih satu ujian yang tidak sesuai, dengan hasil- statistik karut! Jenis ujian statistic yang digunakan akan bergantung pada pelbagai faktor.

Pertama, jenis hipotesis - sebagai contoh, hipotesis mengambil kira ciri-ciri bagi kumpulan, dibandingkan dengan hubungan antara pembolehubah. Ujian lain juga mungkin diperlukan dalam hipotesis kumpulan yang luas ini. Jadi satu ujian untuk membandingkan perbezaan antara min juga akan berbeza dengan membandingkan perbezaan antara median. Juga untuk sampel yang sama, ujian lain boleh digunakan adalah bergantung pada saiz sampel.

Keduanya ,andaian tentang taburan populasi akan menjejaskan jenis ujian statistik yang digunakan. Sebagai contoh, ujian lain akan digunakan untuk populasi bagi yang data tersebar sama rata dibandingkan dengan yang tidak.

Pertimbangan yang ketiga adalah tahap pengukuran pembolehubah dalam hipotesis. Sebagai yang kita lihat lebih awal, ujian lain adalah sesuai untuk nominal ,ordinal, selang dan data nisbah, dan hanya tak berparameter ujian-ujian adalah sesuai untuk data nominal dan ordinal, tetapi hanya ujian-ujian berparameter yang boleh digunakan dengan selang dan data nisbah. Ujian berparameter juga paling baik digunakan dengan sampel banyak (sekurang-kurangnya 30 pemerhatian setiap pembolehubah atau kumpulan) dan lebih baik daripada ujian tak berparameter. Ini bermakna bahawa mereka adalah lebih cenderung untuk menolak hipotesis nol apabila ia patut ditolak, mengelakkan ralat Jenis I. Motulsky (1995) menasihatkan bahawa ujian-ujian berparameter harus sentiasa dipilih jika anda yakin bahawa populasi adalah tertabur secara normal. Jadual 12.15 menyediakan satu rumusan tentang jenis-jenis bagi ujian statistik yang didapati dalam pelbagai keadaan yang digambarkan.

JADUAL 12.15: PETUNJUK UNTUK PEMILIHAN UJIAN-UJIAN

|Objektif-objektif |Jenis data |
|tinjauan | |
| |Pembolehubah bebas |Pembolehubah bersandar |Ujian statistik potensi |
|Untuk objektif-objektif dengan satu pembolehubah bersandar dan satu pembolehubah bebas |
|Perbandingan | |Nominal (jumlah amaran-amaran |Chi-square, Fisher’s exact test |
|jabatan-jabatan dalam |Nominal:Kumpulan-kumpulan (jabatan-jabatan) |bertulis) | |
|frekuensi isu | | | |
|amaran-amaran bertulis.| | | |
|Bandingkan satu |Nominal (dikotomi): Kumpulan-kumpulan |Dapat Dikuantifikasikan (skor |Satu sampel ujian-t , ujian- t bersandar dan |
|eksperimen dan kumpulan|(Eksperimen dan kawalan) |sikap) |ujian-t bebas; Wilcoxon signed-ranks test; |
|kawalan dalam sikap | | |Wilcoxon rank-sum test |
|mereka selepas kempen | | | |
|'anti-merokok' | | | |
|Perbandingan |Nominal: Lebih daripada dua nilai |Dapat Dikuantifikasikan (skor |Analisis varians sehala (menggunakan Ujian- F) |
|sikap-sikap merentasi | |sikap) | |
|lima jabatan-jabatan | | | |
|syarikat untuk amalan | | | |
|kerja baru | | | |
|Menentukan jika |Dapat dikuantifikasikan (skor sikap) |Dapat Dikuantifikasikan (skor |Regresi ( Apabila mahupun pembolehubah adalah |
|pencapaian yang tinggi | |pengetahuan) |bersandar atau bebas ,gunakan korelasi) |
|tentang pengukuran | | | |
|keyakinan meramalkan | | | |
|pencapaian yang tinggi | | | |
|dalam ujian keupayaan | | | |
|Untuk objektif-objektif dengan dua atau lebih pembolehubah yang bebas |
|Perbandingan buku |nominal(buku panduan dan kolar putih) |Dapat Dikuantifikasikan (skor |Analisis varians (ANOVA) |
|panduan dan kakitangan | |sikap) | |
|kolar putih dalam | | | |
|eksperimen dan kumpulan| | | |
|kawalan terhadap | | | |
|sikap-sikap | | | |
|Menentukan jika tempoh | | | |
|perkhidmatan dan tahap |Dapat Dikuantifikasikan (tempoh perkhidmatan |Dapat Dikuantifikasikan (skor |regresi berganda |
|gaji berkaitan dengan |dan tahap gaji) |sikap) | |
|sikap | | | |
|Perbandingan lelaki dan|Nominal (jantina dan kumpulan)dengan |Dapat Dikuantifikasikan (skor |analisis kovarians (ANCOVA) |
|wanita dalam kumpulan |faktor-faktor yang dibimbangkan (tahap gaji) |sikap) | |
|kawalan dalam sikap | | | |
|mereka apabila tahap | | | |
|gaji mereka adalah | | | |
|terkawal. | | | |
|Untuk objektif-objektif dengan dua atau lebih pembolehubah bebas dan pembolehubah bersandar |
|Perbandingan lelaki dan|Nominal (jantina dan kumpulan) |Dapat Dikuantifikasikan (skor |analisis varians multivariat (MANOVA) |
|wanita dalam eksperimen| |dalam dua penyukatan: | |
|dan kumpulan kawalan | |sikap-sikap dan pengetahuan) | |
|pada skor sikap dan | | | |
|pengetahuan mereka. | | | |

Menghitung ujian statistik dan menerima atau menolak hipotesis.

Asalkan peringkat di atas telah dilakukan secara tepat, peringkat akhir yang menggunakan program perisian statistik yang sesuai haruslah berkesinambungan terus. Setelah ujian statistik dihitung perkara yang terakhir adalah membandingkannya dengan nilai hipotesis. Jika ujian statistik tidak mencapai nilai ini,maka hipotesis nol harus diterima.

Contoh Latihan 12.1

Sebuah jabatan kerajaan telah menetapkan tentang kajian untuk belajar meneliti kemungkinan hubungan di antara ciri-ciri keperibadian dan ketiadaannya. Menggunakan sampel daripada 22 pekerja,menetapkan tahap signifikasi di p ≤ 0.05. Menganalisis data menggunakan produk orang semasa mencapai nilai korelasi untuk persatuan ini daripada r = 0.287. Undian khusus ini dapat dilihat didalam jadual khusus iaitu nilai kritis untuk ujian khusus ini. (NB:Jadual nilai kritikal boleh ditemui dalam banyak buku teks statistik.). Nilai kritikal bagi ujian satu sisi dengan 20 darjah kebebasan (i.e.n-2) ditemui 0.360. Kerana itu, korelasi antara sifat-sifat keperibadian dan ketiadaanya tidak dijumpai secara signifikasi.

Pada bahagian seterusnya,kita akan mengambil beberapa contoh dari rajah 12.5 dan menggambarkankannya untuk tujuan ilustrasi.

ANALISIS STATISTIK:MEMBANDINGKAN PEMBOLEHUBAH

Dalam bahagian ini dan salah satu daripadanya kita akan melakukan beberapa jumlah ujian statistik. Ini dianggap bahawa sebahagian besar pembaca berpotensi dalam mengakses,jadi program lain akan digunakan seperti SPSS. Namun kadang-kadang dalam menggunakan excel untuk menghitung juga adalah sangat susah sehinggakan dalam kes seperti ini perhitungannya digambarkan dalam bentuk teks.

Data Nominal - satu sampel

Pada bahagian seterusnya kita akan membandingkan hubungan diantara pembolehubah-pembolehubah tetapi disini kita juga akan menghadkan dalam menerokai edaran daripada pembolehubah ini. Pertama jika telah menganggap sebuah edaran memang telah ditetapkan sebelumnya (seperti pengedaran muzik) kita boleh membandingkan pengamatan (data aktual) frekuensi yang berlawanan diharapkan (teori) frekuensi untuk mengukur kebaikan daripada kebiasaan.

Mari kita mengatakan terdapat sebuah syarikat yang berminat membandingkan masalah disiplin di empat tempat pengeluaran dengan merujuk kepada surat amaran yang dikeluarkan dalam dua tahun yang terakhir. Kita mungkin menganggap bahawa daripada setiap jumlah pekerja masing-masing telah menerima 25 peratus amaran.

JADUAL 12.6: KONTINGENSI DATA UNTUK DIANALISIS

| | | |
|Bahagian | | |
| |Kes |Jangkaan E¡ |
| |Kajian Q¡ | |
|A |12 |29 |
|B |68 |29 |
|C |14 |29 |
|D |22 |29 |
|Total |116 |116 |

| | | | |
| | | | |
| | | |(Q¡ - E¡ ) ² |
|Bahagian |Kajian Q¡ |Jangkaan E¡ |------------ |
| | | |E¡ |
| | | | |
| | | | |
|A |12 |29 |9.97 |
| | | | |
| | | | |
|B |68 |29 |52.45 |
| | | | |
| | | | |
|C |14 |29 |7.76 |
| | | | |
| | | | |
|D |22 |29 |1.69 |
| | | | |
| | | | |
|Total |116 |116 |71.86 |

JADUAL 12.7: ANALISIS DATA DARI JADUAL 12.6

Oleh kerana jumlah amaran bertulis yang tercatat adalah 116 (lihat pada jadual 12.6) ini diharapkan dapat mewakili 29 amaran daripada setiap bahagian. Data dikumpul (diamati frekuensi) untuk melihat adakah data berpadanan dengan frekuensi yang diharapkan. Hipotesis nol pula menyatakan bahawa tiada perbezaan frekuensi yang akan dijangka dan diharapkan. Mengikut saranan terdahulu telah menetapkan tingkat signifikasi di hadapan. Dalam kes ini telah menyatakan bahawa dengan meletakkan pada p=0,005. Jika ada terdapat perbezaan yang signifikasi yang ditemui maka hipotesis nol akan ditolak. Jadual 12.6 telah menunjukkan data yang disebut sebagai jadual kontingensi.

Ujian yang tepat di sini adalah statistik kuasa dua. Untuk setiap kes kami akan mengurangkan kekerapan yang dijangka daripada frekuensi yang di amati dan keputusan persegi dan dibahagikan dengan frekuensi yang dijangka : kuasa dua statistik adalah jumlah semua (lihat jadual 12.17)

Adakah statistik kuasa dua dari 71,86 untuk mengetahui gambar rajah di jadual statistik yang sesuai untuk statistik kuasa dua. Undian yang akan digunakan akan di medan untuk p = 0,05 dan untuk 3 darjah kebebasan (jumlah kategori dikurangkan satu). Angka ini berubah menjadi 7.81, yang terlalu jaug bezanya disebabkan chi-square gambar rajah. Oleh kerana itu kita boleh mengatakan bahawa perbezaan dan kita boleh menolak hipotesis bahawa tidak ada perbezaan antara masalah antara amaran bertulis dengan bahagian.

Namun perhatikan bahawa frekuensi yang diharapkan tidak harus sama. Katakanlah kita ketahui melalui beberapa kajian sebelumnya dibahagian B adalah seperti mengeluarkan amaran sebagai bahagian .jadual 12,18 lain menunjukkan data baru.

Di sini kita mendapati bahawa statistik chi-square baru hanya 6,34,statistik yang tidak signifikan. Diamantopoulos dan schlegelmilch (1997) amaran bahawa ketika jumlah kategori dalam pemboleh ubah lebih besar daripada dua kuasa dua tidak boleh digunakan di mana.

JADUAL 12.8: CONTOH DARIPADA SALAH SATU CONTOH UJIAN KUASA DUA DENGAN PURATA FREKUENSI YANG DIJANGKA.

| | | | |
| | | | |
| | | |(Q¡ - E¡ ) ² |
|Bahagian |Kajian Q¡ |Jangkaan E¡ |------------ |
| | | |E¡ |
| | | | |
| | | | |
|A |12 |19.33 |2.78 |
| | | | |
| | | | |
|B |68 |58.00 |1.72 |
| | | | |
| | | | |
|C |14 |19.33 |1.47 |
| | | | |
| | | | |
|D |22 |19.33 |0.37 |
| | | | |
| | | | |
|Total |116 |116 |6.34 |

• lebih daripada 20 peratus daripada frekuensi yang dijangka lebih kecil daripada 5 • sebarang frekuensi yang dijangka kurang dari satu
Jika jumlah nombor dengan sel-sel adalah kecil dan ini mungkin untuk menggabungkan kategorinya yang berdekatan maka digalakan untuk melakukannya. Misalnya jika sebahagian daripada kita menjangka pada jadual frekuensi 12,14 agak kecil tapi bahagian A dan B berada di England dan Strategi C dan D di Jerman kita boleh menggabungkan A dengan B dan C dengan D dalam rangka membuat kajian perbandingan antarabangsa.

Kumpulan Nominal Dan Data Kuantitatif (Biasanya Diedarkan)

Mari mengatakan bahawa anda hendak bandingkan prestasi dua kumpulan atau untuk bandingkan prestasi satu kumpulan melalui satu tempoh masa menggunakan pembolehubah dapat dikuantifikasikan seperti skor. Dalam keadaan-keadaan ini kami boleh menggunakan satu ujian-t berpasangan. T-tests menganggap yang data tertabur secara normal dan yang dua kumpulan telah varians sama ( sisihan piawai itu selaras). Jika data tidak tertabur secara normal kemudian biasanya satu tak berparameter ujian, wilcoxon ditandatangani pangkat ujian boleh digunakan. Ujian t membandingkan cara itu dua kumpulan untuk melihat jika apa-apa perbezaan di antara mereka adalah signifikan. Jika p nilai dikaitkan dengan t adalah rendah (< 0.05) dan terdapat bukti untuk menolak hipotesis nol.

Mengatakan bahawa kami mahu memeriksa keberkesanan satu tekanan kaunseling program. Bab 4 menyatakan tentang bentuk penyelidikan di mana kami melihat bahawa kami harus mengelak menggunakan satu prauji / reka bentuk pasca ujian kerana akan mengelirukan pembolehubah-pembolehubah. Jadual 12.9 Oleh kerana itu menunjukkan bahawa kita dibahagikan secara rawak sampel daripada pekerja untuk menjadi dua kumpulan eksperimen dan kawalan dan undian taraf tekanan setiap kumpulan masing-masing sebelum dan selepas program. Tentu saja hanya kumpulan eksperimen menerima tekanan program. Setiap pekerja dalam sampel pronides diri undian skor tingkat adalah tekanan mereka pada skala 1-20 dan 20 adalah yang maksimum.

Kita boleh melihat daripada jadual 12,19 yang dalam sejumlah kes tingkat tekanan sebenarnya telah meningkat tetapi dalam banyak kes terutama di tingkat tekanan kumpulan percubaan telah jatuh dalam beberapa kes cukup tajam. Contoh latihan ditunjukkan jadual 12.2

| |Skor Tekanan A (1) | Skor Tekanan A (2) |Skor yang diperolehi |
| |Pra-Kaunseling |Pacsa Kanseling |A (2) - A (1) |
|Kumpulan eksperimen | | | |
|(Menerima kaunseling) | | | |
|Pekerja A |15 |9 |-6 |
|Pekerja B |18 |14 |-4 |
|Pekerja C |4 |6 |2 |
|Pekerja D |8 |7 |-1 |
|Pekerja E |16 |8 |-8 |
|Pekerja F |15 |4 |-11 |
|Pekerja G |20 |10 |-10 |
|Pekerja H |17 |10 |-7 |
|Kumpulan yang dikawal | | | |
|(tidak menerima kaunseling) | | | |
|Pekerja J |13 |11 |-2 |
|Pekerja K |16 |17 |1 |
|Pekerja L |7 |9 |2 |
|Pekerja M |4 |4 |0 |
|Pekerja N |14 |11 |-3 |
|Pekerja O |16 |15 |-1 |
|Pekerja P |9 |8 |-1 |
|Pekerja Q |8 |9 |1 |

JADUAL 12.20: SKOR STRES DATA UNTUK EKSPERIMEN DAN KUMPULAN KAWALAN SEBELUM DAN SESUDAH KAUNSELING STRES.

Kumpulan nominal dan data kuantitatif (Tidak diedarkan secara normal)

Dalam seksyen di atas kami memandang perbezaan dalam biasanya data teragih antara kumpulan. Tapi bagaimana jika data tidak memenuhi kehendak yang diperlukan untuk uji statistik berdasarkan edaran normal. Mari kita berkata, bahawa kita bekerja untuk sebuah kedai runcit yang ingin menilai kesan daripada dua alternatif layout untuk jabatan pakaian. Dua bahagian daripada jabatan yang direka semula dan selama dua tempoh minggu sampel rawak daripada pelanggan membeli produk dalam setiap bahagian diminta untuk penghargaan skor daripada 100 untuk kualiti yang baik. Jadual 12,20 menunjukkan penemuan dimana masing-masing diset mengikut kedudukan. Kedudukan ini secara automatik dihasilkan di excel dengan menggunakan Pencetak / data Analisis / kedudukan dan ciri persentil. Perhatikan bahawa di mana skor terikat (ciri yang umum dari data ordinal) program di ikuti secara atomatik kedudukan mereka yang sama-dalam hal ini kedua nilai adalah 50 yang di letakkan di kedudukan 8. Hipotesis nol adalah bahawa tidak akan ada perbezaan antara kedua set nilai skor.

Data jenis ini Witney U Mann-test ini berlaku

JADUAL 12.20: KEDUDUKAN DUA CIRI KEDAI RUNCIT YANG DIDASARKAN PADA PENILAIAN PELANGGAN.

|Skor Bahagian A |Kedudukan |Skor Bahagian B |Kedudukan |
|60 |5 |42 |10 |
|92 |1 |50 |8 |
|50 |8 |38 |11 |
|35 |12 |58 |6 |
|75 |4 |55 |7 |
|84 |3 |26 |13 |
|88 |2 | | |
|Total |35 | |55 |

| | |
|Organisasi |Mengukur |
|Antara dua pembolehubah nominal |cramer |
|Antara dua pembolehubah ordinal |Penombak korelasi mengikut kedudukan (Di mana hubungan tidak linear)|
|Antara dan / atau nisbah skala pembolehubah. |korelasi produk dalam jangka masa yang sangat pendek. |
| |( Di mana hubungan yang linear) |

JADUAL 12.21: ABSTRAK DARIPADA UJIAN STATISTIK YANG SEDIA UNTUK MENGUKUR HUBUNGAN ANTARA DUA PEMBOLEHUBAH

Perhatikan bahawa Mann Witney U-ujian ini juga digunakan dalam situasi lain sebagai contoh, kita akan menggunakan dua perbezaan program latihan yang mengajarkan topik yang sama dan ingin mengetahui yang mana yang paling berkesan. Jika tidak boleh, anggapkan bahawa data berasal dari distribusi normal, kita akan menggunakan Mann Witney U-test untuk membandingkan nilai ujian daripada dua set pelajar.

ANALISIS STATISTIK: PERSATUAN-PERSATUAN ANTARA PEMBOLEHUBAH-PEMBOLEHUBAH

Bahagian ini memeriksa keadaan di mana kajian itu mengandungi dua pembolehubah-pembolehubah jenis bebas (nominal, ordinal ,antara/ nisbah). Jadual 12.21 menjelaskan yang berlainan jenis bagi ukuran persatuan antara dua pembolehubah-pembolehubah yang bergantung pada jenis pembolehubah yang terlibat.

Organisasi antara dua pembolehubah-pembolehubah nominal

Kadang-kadang kami mungkin akan menyiasat hubungan-hubungan antara dua nominal pembolehubah-pembolehubah untuk contoh:

• Pencapaian pendidikan dan pilihan kerjaya. • Jenis pengambilan (graduan / tidak graduan) dan tahap tanggungjawab dalam sebuah organisasi
Anda akan ingat dalam perbincangan-perbincangan mengenai kuasa dua di atas bahawa kita menggunakan statistik untuk melihat apakah edaran daripada pembolehubah berlaku secara kebetulan atau tidak Cramer's V (yang merupakan peluasan daripada statistik kuasa dua) pengambilan peringkat ini lebih jauh dan menentukan kekuatan hubungan

JADUAL 12.22: PEMERHATIAN DAN JANGKAAN NILAI TANGGUNGJAWAB PEKERJA DI SESEBUAH ORGANISASI MENGIKUT PERINGKAT TANGGUNGJAWABNYA DI ANTARA YANG BERKELULUSAN SARJANA DAN YANG BUKAN SARJANA

Pencapaian Pendidikan

|Sebenar |Bukan Kelulusan Sarjana |Kelulusan sarjana |Jumlah |
|Eksekutif |2 |10 |12 |
|Pengurus |20 |80 |100 |
|perniaga |70 |64 |134 |
|Manual |240 |4 |244 |
|Jumlah |332 |158 |490 |
|Dijangka | | | |
|Eksekutif |8.13 |3.87 |12 |
|Pengurus |67.76 |32.24 |100 |
|Perniaga |90.79 |43.21 |134 |
|Manual |165.32 |78.68 |244 |
|Jumlah |332 |158 |490 |

Di sini anda membahagikan kuasa dua nilai sebagai (saiz sampel) berganda-ganda dengan (k 1) di mana k adalah lebih kecil bilangan ruangan itu atau baris-baris dalam jadual kontingensi asal. Anda kemudian mengambil punca kuasa dua angka ini. Mari kita mengatakan bahawa syarikat berniat untuk menilai dasar permohonan yang lulus dengan membandingkan sejauh manakah yang kelulusan sarjana dengan yang berkelulusan sarjana dalam hal tingkat tanggungjawabnya yang mencapai dalam organisasi. Hipotesis nol adalah bahawa akan tiada perbezaan antara tahap senioriti siswazah berbanding yang tidak siswazah. Jadual 12.22 menyatakan data pada kedua-duanya yang diperhatikan dan nilai-nilai yang dijangka. Nilai-nilai yang dijangka itu dikira disebelah lajur jumlah oleh jumlah besar ketika mendarabkan oleh jumlah baris. Oleh itu untuk eksekutif yang bukan siswazah ,pengiraan adalah 332/490 x 12 =8.13

Analisis korelasi : prinsip pengukuran

Analisis korelasi berkaitan dengan hubungan antara pembolehubah-pembolehubah. Korelasi adalah sesuatu kekeliruan dengan regresi. Sebagai Fink(1995c) membuat korelasi Namun jelas dalam menggambarkan berkaitan dengan hubungan (misalnya antara X dan Y) sedangkan regresi menganggarkan nilai (katakanlah X berdasarkan satu nilai Y). ketika sebuah organisasi diukur secara numerik kita mendapatkan pekali korelasi yang memberikan kekuatan hubungan kita mungkin juga akan menarik ke arah persatuan. Hubungan seperti ini boleh menjadi asas daripada beberapa soalan yang sangat penting dalam analisis organisasi. Sebagai contoh,

• Adakah pengenalan teknik-teknik pengurusan prestasi kumpulan tertentu meningkatkan semangat kerja pekerja berbanding dengan kumpulan lain? (Hubungan, pengurusan prestasi / semangat kerja) • Apakah ada hubungan antara saiz syarikat (diukur dengan output per pekerja) (hubungan saiz syarikat / kecekapan) • Adakah langkah-langkah untuk improne kesihatan dan keselamatan tidak dapat dielakkan mengurangkan pengeluaran? ( hubungan : kesihatan dan prosedur keselamatan / output)

Paling biasanya digunakan adalah pekali-pekali menganggap satu perhubungan linear antara pembolehubah-pembolehubah dengan rajah 12.14 menjelaskan satu idea bentuk korelasi linear sempurna. Diukur dari segi bilangan ini akan memberi satu pekali korelasi yang positif dengan sempurna 1.0 untuk (satu) dan dengan sempurna perkaitan negatif - 1.0 untuk (b). sangat dengan kasar jika sebuah organisasi adalah di antara 0 dan 0.4 ia dikatakan sebagai lemah di antara 0.4 dan 0.8 sederhana dan di atas 0.8 rajah 12.15 adalah yang kukuh bagaimanapun menunjukkan satu jenis yang lebih berkemungkinan banyak korelasi di mana pembolehubah-pembolehubah itu adalah secara sangat positif berkorelasi.

Titik itu menunjukkan benar-benar jatuh hampir satu cerut yang berbentuk sampul surat. Pencair sampul surat ini lebih kukuh korelasi manakala lebih luas sampul surat lebih lemah korelasi. Di mana titik-titik itu adalah berselerak terlalu banyak sebagai untuk kelihatan rawak sepenuhnya kemudian korelasi adalah kemungkinan akan sifar atau hampir dengannya.

Pekali korelasi itu adalah dikira dalam sejumlah cara bergantung pada jenis data yang ada digunakan. Bahagian ini menumpukan pada bivariat hubungan iaitu organisasi-organisasi antara hanya dua pembolehubah-pembolehubah. Satu hubung kait dikira untuk satu set data wajib tetapi dilaku apabila:

• Perkara-perkara itu adalah bebas dan tidak dipilih daripada satu kumpulan • Nilai-nilai untuk X dan Y adalah diukur secara bebas • Nilai-nilai X dan Y ini diambil dari penduduk yang tertabur secara normal • Mahupun nilai-nilai untuk X atau Y adalah terkawal ( dalam keadaan yang ,linear regresi ,bukan korelasi patut dikira
Organisasi antara dua pembolehubah-pembolehubah ordinal

Kadang-kadang ia tidak mungkin untuk memberi nilai-nilai untuk pembolehubah-pembolehubah hanya dikedudukan (1st,2nd ,3rd). mari kita ambil contoh kes di mana kita menilai prestasi lima pejabat baru pentadbir. Dua orang penyelia diminta untuk memberi taraf prestasi pentadbirnya dengan keputusan-keputusan itu dinyatakan di jadual 12.23

Untuk data yang berada di kedudukan atau dalam keadaan di mana hubungan non-linear, kedudukan penombak korelasi susunan kumpulan tahu sebagai penombak's rho boleh menggunkan penghitungan dengan rumus berikut tempat di mana D adalah perbezaan kedudukan untuk setiap ahli.

Memuat data dalam jadual 12,23 kita boleh memperoleh nilai untuk D² seperti yang ditunjukkan dalam jadual 12,24

Jadual 12.23 Kedudukan penilaian yang dibuat oleh penyelia pada prestasi lima pentadbir

|Penyelia |Alice |Raj |Jo |Beth |Sid |
|Mrs Smith |4 |1 |3 |5 |2 |

Jadual 12.24 Perbandingan kedudukan perbezaan diantara dua Hakim

|Penyelia |Alice |Raj |Jo |Beth |Sid |
|Mrs Smith |4 |1 |3 |5 |2 |
|D |1 |1 |1 |-2 |-1 |
|D² |1 |1 |1 |4 |1 |

Hubungan organisasi antara pembolehubah berangka

Hal ini sering terjadi bahawa organisasi penyelidik ingin mengeksplorasi potensi organisasi antara pembolehubah-pembolehubah seperti pendapatan atau usia dan pelbagai aktiviti manusia seperti pola pengeluaran Penggunaan lain akan membandingkan angka-angka penjualan terhadap jumlah penjualan syarikat telah menambahkan wakil jualan supaya dapat meninglatkan hasil jualan.

Ketika mengeksplorasi hubungan antara data nombor (diantara dan / atau nisbah_ seperti usia angka penjualan atau pendapatan, maka kita boleh menggunakan produk Pearson, oment korelasi. Namun perlu dicatat bahawa uji statistik ini hanya sesuai jika hubungan antara pembolehubah-pembolehubah tapi mungkin hubungan U ∩ atau berbentuk. Produk pada saat korelasi Pearson tidak akan mampu mengesan hal ini. Non-linear organisasi yang terbaik adalah menggunakan penombak's rho perhitungan.

GLOSARI

Alternatif (Alternative) Pilihan yang merupakan kemestian.

Carta (Chart) Memberikan maklumat dalam bentuk graf, jadual atau gambar rajah.

Data (data) Butir atau maklumat yang diketahui atau yang telah dikumpulkan tentang sesuatu dan dapat dijadikan asas untuk membuat kajian.

Data Nominal (Nominal Data) Data untuk menamakan atau menunjukkan sesuatu kategori. Ia adalah sekadar untuk melabel atau menamakan sesuatu ciri atau kategori sahaja.

Data Nisbah (Ratio Data) Data di mana setiap nombor yang dinyatakan dalam skala mempunyai perbezaan yang sama.

Data Ordinal (Ordinal Data) Data yang menggambarkan kualiti sesuatu atribut tetapi tidak memberikan maklumat kuantiti.

Data Selang (Interval Data) Data yang menunjukkan tahap ukuran yang menjelaskan pemboleh ubah yang bersifat aturan atau pengkadaran dan mempunyai jarak yang sama serta bersebelahan.

Frekuensi (Frequency) Perihal berulang-ulang atau kekerapan.

Hierarki (Hierarchy) Susunan atau kedudukan tinggi rendah berdasarkan taraf atau kekuasaan.

Hipotesis (Hypothesis) Sesuatu pendapat yang dianggap benar sebagai alas an walaupun kebenarannya masih belum dibuktikan.

Histogram (Histogram) Rajah yang terdiri daripada petak-petak segi empat bujur yang digunakan untuk mewakili taburan sesuatu taburan kekerapan.

Inferens (Inferens) Kesimpulan yang dibuat berdasarkan fakta tertentu.

Julat (Range) Perbezaan antara skor tertinggi dan terendah.

Korelasi (Correlation) Hubungan atau kaitan secara timbal balik.

Kebarangkalian Pengukuran kemungkinan berlakunya sesuatu dinyatakan sama ada dalam bentuk pecahan atau peratusan.

Kuantitatif (Quantitative) Berdasarkan kuantiti (jumlah atau bilangan sesuatu)

Kualitatif (Qualitative) Berkaitan dengan kualiti atau mutu.

Kuartil Julat (Inter-Quartile range) Perbezaan antara skor yang mempunyai satu perempat di bawah skor (sering dikenali sebagai kuartil pertama atau persentil ke-25) dan skor yang tiga per empat di bawah skor (persentil ke-75).

Persis (Precise) Ketepatan atau kejituan

Populasi (Population) Sekumpulan indiidu, keluarga, kumpulan, organisasi, komunti, peristiwa atau apa sahaja yang hendak dikaji oleh penyelidik.

Poligon (Poligon) Bidang atau rajah yang bersudut lebih daripada empat.

Pengkodan (Coding) Satu proses memberikan satu nilai numeric pada sesuatu jawapan yang diberikan oleh responden.

Sisihan Piawai (Standard deviation) Satu pengukuran takat di mana respon berubah dari min, dan adalah diperolehi dengan mengira varian dari min, kuasa duakan mereka, menambah mereka dan mengira punca kuasa dua.

Statistik deskriptif (Descriptive Statistic) Digunakan untuk menjelaskan fenomena yang berkaitan dengan sesuatu populasi kajian atau untuk membuat anggaran terhadap populasi yang mempunyai ciri-ciri yang tertentu.

Varian (Variance) Satu pengukuran purata sisihan kuasa dua skor individu itu dari min.

----------------------- ANALISIS DAN PERSEMBAHAN DATA KUANTITATIF

12

Data

Dapat dijumlahkan (quantifiable)

Mutlak

mutlak

Nisbahh

Jeda/selang

Ordinal

Nominal

Kes belajar 12.1 daripada kajian kepada data matrik

Persatuan sukarela memberikan nasihat kepada orang awam dan cuba menemui kajian yang manakah digunakan lebih tinggi. Tujuan kajian adalah untuk membahagikan kepada empat kawasan potensi iaitu undang-undang, kewangan, kesihatan dan keselamatan di rumah.

Soalan : Sila lihat kajian di bawah dan tandakan yang manakah digunakan pada 12 bulan yang lepas.

Sila tandakan (/) pada umur kamu yang sesuai dalam kotak tersebut :

18-24 [pic]

25-34 [pic]

35-44 [pic]

45-54 [pic]

55-64 [pic]

65+ [pic]

[pic]

----------------------- BAB 12: Analisis dan Persembahan Data Kuantitatif

1