AHLI KUMPULAN

RATHI SURIA NARAYANAN ELAVARASAN SELVOM GAYATHIRI YEKAMBARAM MAHESWARY MUNIANDY

TAJUK
SAIZ SAMPEL BERDASARKAN : SAIZ KESAN NILAI KUASA UJIAN STATISTIK UNTUK KAJIAN EKSPERIMENTAL

Tujuan pemilihan saiz sampel yang betul

Bagi menggelakkan bias dalam penganalisan data. Jika saiz sampel adalah terlalu kecil , keputusan kajian tidak dapat digenerelisasi kepada populasi. Jika pemilihan saiz sampel adalah kecil, Kajian tidak dapat mengesan perbezaan kumpulan kajian , dan menjadikan kajian menjadi tidak beretika. Jika pengkaji membuat kesilapan dengan memilih saiz sampel yang terlalu besar , ia mungkin mengakibatkan kerugian dari segi masa dan kos.

Semakin besar saiz sampel yang dipilh, semakin tepat keputusan yang dapat untuk mewakili populasi

Biasanya pemilihan saiz sampel adalah berdasarkan kepada saiz kesan aras kesignifikan nilai kuasa ujian

sisihan piawai dalam populasi.

Saiz sampel berdasarkan saiz kesan

Maksud : Dalam statistik , saiz kesan adalah perbezaan antara nilai pemboleh ubah dalam kumpulan kawalan dan kumpulan rawatan.
Contoh : Jika sesuatu cara pengajaran membawa 10 % peningkatan dalam markah ujian jadi , 10 % itu merupakan indikator bagi saiz kesan.

 Kita boleh meramal saiz kesan berdasarkan kajian lepas. Jika saiz kesan antara kumpulan kajian adalah sangat besar , maka saiz sampel yang diperlukan adalah kurang. Jika saiz kesan antara kumpulan kajian adalah kecil , maka saiz sampel yang diperlukan adalah lebih / banyak.

Contoh 1 : Dalam kajian pemerhatian jika pengkaji ingin memerhati perkaitan antara tabiat merokok dan kanser paru paru , kajian lepas menunjukkan bahawa terdapat saiz kesan yang besar maka saiz sampel yang lebih kecil diperlukan untuk membuktikan kenyataan ini. Contoh 2 : Dalam kajian pemerhatian jika pengkaji ingin memerhati perkaitan antara tabiat merokok dan tumor otak , kesannya tidak diketahui ataupun sangat rendah maka saiz sampel yang lebih besar diperlukan untuk membuktikan kenyataan ini.

Mengira saiz kesan

Tujuan Bagi mengetahui, perbezaan pemerhatian bukan sahaja signifikan secara stastik , tetapi juga bermakna, maka pengkaji perlu mengira kesan saiz. Contoh : Dalam sesuatu kajian pengkaji ingin melihat kesan rawatan XXY terhadap pencapaian pelajar berdasarkan markah ujian pra dan pos. Min markah dalam ujian pra adalah 83 daripada 100 dan min markah ujian pos adalah 84 daripada 100. Walaupun didapati perbezaan dalam markah adalah signifikan secara statistik , perbezaan markahnya adalah sangat kecil , jadi rawatan XXY yang diberi tidaklah memberi kesan yang bermakna terhadap pencapaian pelajar.

Formula bagi mengira saiz kesan

Min bagi kumpulan rawatan min kumpulan kawalan Sisihan piawai kumpulan kawalan

Bagi menginterpretasi nilai yang diperelohi , kita dapat menggunakan petunjuk yang diperkenalkan oleh Cohen

< 0. 1 0.1 0.3 0.3 0.5

kesan remeh kesan yang kecil Kesan yang sederhana

> 0.5

Kesan perbezaan yang tinggi

ARAS KESIGNIFIKAN
Dalam beberapa kemungkinan bahawa perubahan yang kita lihat di dalam sampel kajian dari segi pengetahuan, sikap, dan tingkah laku adalah disebabkan oleh peluang dan bukannya daripada intevensi/ rawatan yang diberi. . Ujian untuk kepentingan statistik membantu kita melihat bahawa perubahan ini berlaku secara rawak dan tidak mewakili perbezaan kerana intevensi/ rawatan yang diberikan. Untuk mengetahui sama ada perbezaan statistik yang signifikan, kita perlu membandingkan bilangan kebarangkalian yang dapat daripada ujian (nilai-p) kepada nilai kebarangkalian kritikal yang ditentukan menjelang masa (tahap alfa). Jika nilai p adalah kurang daripada nilai alfa, boleh menyimpulkan bahawa perbezaan yang diperhatikan adalah statistik yang signifikan.

Nilai p : kebarangkalian bahawa keputusan adalah disebabkan kepada peluang dan tidak berdasarkan rawatan. Nilai p julat 0-1. Semakin rendah nilai-p, semakin besar kemungkinan ia adalah bahawa perbezaan yang berlaku sebagai hasil daripada rawatan yang diberi. Nilai Alfa : kadar ralat yang bersedia untuk menerima. Alpha sering ditetapkan pada 0.05 atau 0.01. Tahap alfa juga dikenali sebagai kadar ralat Jenis I. Alfa 0.05 bermakna bahawa bersedia untuk menerima hakikat bahawa ada kemungkinan 5% bahawa keputusan kajian adalah disebabkan oleh peluang dan bukannya daripada rawatan. Aras kesignifikan : perbezaan antara nilai p dan nilai alpha

Aras kesignifikan
Sebelum memulakan kajian , pengkaji perlu menentukan aras kesignifikan kajian p. Contoh , jika kita menetapkan akan menerima p < 0.05 sebagai aras kesignifikan , bermakna kita bersedia menerima kebarangkalian bahawa keputusan kajian yang diperhatikan adalah 5 %. Dalam kata lain, kita bersedia untuk menerima pengesahan 5 daripada 100 kali jika tidak berlaku perubahan. Nilai p 5% (p = 0.05) atau 1% (p = 0.01), yang bermaksud peluang 5% (atau 1%) tersilap melaporkan kesan yang ketara boleh diterima.

KUASA
MAKSUD KUASA UJIAN Kuasa merujuk kepada kebarangkalian bahawa ujian yang dijalankan mendapati perbezaan statistik yang signifikan apabila perbezaan sebenarnya wujud . Dalam erti kata lain, kuasa adalah kebarangkalian bahawa untuk menolak hipotesis nol apabila perlu (dan dengan itu mengelakkan ralat Jenis II). RALAT JENIS 1 :- mendapati terdapat perbezaan antara kumpulan , di mana perbezaan itu sebenarnya tidak wujud. RALAT JENIS 11 : - kebarangkalian di mana terdapat perbezaan di antara kumpulan, namun ujian yang digunakan tidak dapat mengenalpasti perbezaan tersebut.

Tujuan Kuasa ujian

Kadang kadang pengkaji boleh melakukan satu lagi jenis kesilapan di mana pengkaji gagal untuk mengesan perbezaan apabila sebenarnya terdapat perbezaan. ( ralat Jenis II )yang mengesan perbezaan negatif palsu, terhadap salah satu yang disebutkan di atas di mana pengkaji mengesan perbezaan palsu positif apabila tiada perbezaan sebenarnya wujud atau ralat Jenis I. Pengkaji mesti memutuskan apakah kadar palsu negatif dia bersedia untuk menerima untuk membuat kajian secukupnya berkuasa untuk menerima atau menolak hipotesis nul dengan tepat.

 Kadar negatif palsu adalah bahagian contoh positif yang tersilap dilaporkan sebagai negatif dan ia dikenali dalam statistik dengan simbol . Kuasa bagi kajian bersamaan dengan ( 1 ) dan kebarangkalian gagal untuk mengesan perbezaan apabila sebenarnya terdapat perbezaan. Kuasa kajian meningkatkan apabila peluang melakukan ralat Jenis II menurun. Biasanya kebanyakan kajian menerima kuasa sebanyak 80%. Ini bermakna bahawa kita menerima bahawa satu dalam lima kali (20%), kita akan terlepas perbezaan sebenar. Kadang-kadang untuk kajian penting atau besar, kuasa ditetapkan pada 90% untuk mengurangkan 10% kebarangkalian keputusan negatif palsu.

Sisihan piawai
Sisihan piawai adalah ukuran serakan atau kepelbagaian dalam data. Walaupun mengira saiz sampel penyiasat perlu untuk menjangka perubahan dalam kajian. Ia adalah mudah untuk memahami mengapa kita memerlukan sampel yang lebih kecil jika penduduk adalah lebih homogenus dan oleh itu mempunyai varians yang lebih kecil atau sisihan piawai.
Contoh : Katalah kita sedang mengkaji rawatan XXY terhadap penduduk dengan berat antara 45-100 kg. berat badan

Sememangnya sisihan piawai dalam kumpulan ini akan menjadi besar dan kita akan memerlukan saiz sampel yang lebih besar untuk mengesan perbezaan perubahan. Jika kita mengambil sampel dari penduduk dengan berat antara 80 dan 100 kg kita secara semulajadi akan mendapat satu kumpulan yang lebih rapat dan lebih homogenus, sekali gus mengurangkan sisihan piawai dan oleh itu saiz sampel yang diperlukan juga sedikit.

Pemilihan Ujian Statistik

Contoh ujian statistik iaitu ujian Z, ujian t dan ujian F. Ujian yang dipilih bergantung kepada saiz sampel.
Ujian t dipilih jika saiz sampel 30 pengamatan. Ujian Z dipilih jika saiz sampel 30 pengamatan. Ujian F untuk uji kesignifikan keseluruhan model.
Statistik Untuk Sains Sosial 7

Saiz sampel
Bilangan minimum saiz sampel bergantung pada saiz populasi saiz sel sel yang hendak dibandingkan jenis reka bentuk kajian Jenis kajian yang digunakan Kajian diskriptif Kajian korelasi Kajian eksperimental Bil sampel minimum 10 % daripada populasi 30 orang bagi sesuatu kumpulan 15 orang bagi sesuatu kumpulan 30 orang bagi sesuatu kumpulan

Kajian perbandingan sebab

Bilangan sampel minimum mengikut jenis kajian ( Gay,1981)

Pengiraan bilangan sampel minimum bagi kajian

Dalam menentukan bilangan sampel ( N) , pengkaji perlu menetapkan dahulu Nilai kuasa ( biasanya 0.80 1- = .80) kesan saiz ( ) dipilih berdasarkan Cohen (1968) nilai kecil .10, pertengahan .25 dan besar .40 = 1 2 nilai di mana fungsi kuasa

Jadual sifir untuk menentukan nilai fungsi kuasa ( )

Jenis kajian
Kajian korelasi Kajian perbandingan min seperti ujian t dan ANOVA Kajian diskriptif

Rumus menentukan saiz sampel minimum

Contoh : Dalam ujian hipotesis yang melibatkan perbandingan min menggunakan ujian 2 hujung , saiz sampel minimum dapat ditentukan selepas aras kuasa dan kesan saiz ditentukan. Misalnya , apabila aras kuasa 1 adalah 0.75 dan kesan saiz adalah 0.40 serta aras signifikan adalah .05, saiz sampel minimum dapat dikira menggunakan rumus
N=2(/) Nilai boleh didapati daripada ujian sifir = 2.6 ( ujian dua hujung) N = 2 ( 2.6 / 0.40 ) = 84.5 = 85 ( bagi satu kumpulan) 85 x 2 = 170 orang ( dua kumpulan)

Contoh 2
Penyelidik ingin melakukan penyelidikan berbentuk ramalan. Penyelidik menetapkan nilai = .05 , kesan saiz = 0.35 dan kuasa 1 = 0.80. Tentukan bilangan sampel minimum yang diperlukan Nilai fungsi kuasa = 2.5 ( daripada sifir )

N = ( 2.5 / 0.35 ) + 1 = 52.02 = 52

Contoh 3
Guru ingin menjalankan kajian berbentuk diskriptif bagi melihat fenomena perlakuan buli di sekolah sekolah menengah. Sisihan piawai dan ralat piawai bagi penyelidikan ini adalah masing masing 0.89 dan 0.035. Tentukan bilangan sampel minimum

= 0.89 / ( 0.035 ) = 726.53 = 727 orang

Pengiraan formula lain bagi mengira sampel saiz

Merupakan pemalar( berdasarkan nilai alpha dimana ia merupakan satu hujung ataupun dua hujung.

Berdasarkan nilai kuasa bagi ujian

 = nilai sisihan piawai ( diramal )

= perbezaan dari segi kesan

dua kaedah rawatan ( kesan saiz yang diramal)

= 362 orang

Sumber
Azizi Yahaya ( 2006), Menguasai Penyelidikan, PTS Publishing Sdn. Bhd. Ranjit Kumar ( 2005), Research Methodology, Pearson Education Australia. http://meera.snre.umich.edu/plan-anevaluation/related-topics/power-analysis-statisticalsignificance-effect-size http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2876 926/