BAB 8

METODE REGRESI

OBJEKTIF BAB
Selepas mempelajari bab ini, anda seharusnya boleh:
1. Menghuraikan konsep dan metode analisis regresi sebagai satu
daripada metode analisis data.
2. Menerangkan model regresi garisan lurus.
3. Menjelaskan perbezaan antara metode dan model regresi mudah
dengan metode korelasi mudah.
4. Membuat aplikasi penggunan metode regresi dalam penyelidikan.
8.1

PENGENALAN

Metode korelasi yang dibincangkan dalam bab sebelum ini mampu

menunjukkan darjah dan bentuk hubungan antara satu pemboleh ubah
dengan satu pemboleh ubah yang lain, sama ada ia berbentuk positif atau
negatif. Keputusan ini membolehkan kita menganggar nilai suatu pemboleh
ubah berasaskan kepada pemboleh ubah yang lain. Sebagai contoh, jika
pemboleh ubah X dan Y mempunyai hubungan, maka markat pemboleh
ubah Y boleh dianggar dan diramal berdasarkan markat pemboleh ubah X.
Baik dalam penyelidikan mahupun kehidupan harian, kita sering membuat
ramalan. Sebagai contoh, pelajar di universiti mungkin akan meramal dan
menjangkakan prestasinya dalam peperiksaan akhir berdasarkan kepada
pencapaian yang diperolehnya dalam ujian, kuiz atau tugasan sebelum
menjelang peperiksaan akhir.
8.2

METODE REGRESI

Metode regresi boleh digunakan untuk menguji sejauh mana markat sesuatu
pemboleh ubah dapat diramal dan dianggar dengan menggunakan markat
suatu pemboleh ubah lain. Pemboleh ubah yang diramal dikatakan sebagai
pemboleh ubah terikat, manakala pemboleh ubah yang dijadikan peramal
dinamakan sebagai pemboleh ubah bebas. Hubungan yang digunakan dalam
metode regresi sama seperti metode korelasi iaitu hubungan secara garisan
lurus atau linear.
8.3

REGRESI GARISAN LURUS

Untuk membincangkan konsep regresi hubungan garisan lurus, cuba

perhatikan data yang menunjukkan garisan lurus secara positif dan negatif
yang dibincangkan dalam bab korelasi sebelum ini.
93

Jadual 8.1
Taburan Markat Nilai Kerja dan Prestasi Kerja
Subjek
1
2
3
4
5
6
7
8
9
10

Nilai Kerja
X
4
5
6
7
8
9
10
11
12
13

Prestasi Kerja
Y
6.0
7.5
9.0
10.5
12.0
13.5
15.0
16.5
18.0
19.5

Data dalam Jadual 8.1 menunjukkan pertambahan satu unit makat nilai kerja
daripada 4 hingga 5 akan menunjukkan bertambahnya 1.5 markat prestasi
kerja daripada 6.0 kepada 7.5. Begitu juga keadaannya pada pertambahan
markat-markat yang lain. Pertambahan 1.5 unit pada pemboleh ubah
prestasi kerja (Y) dikatakan berlaku secara malar.
Rajah 8.1
Plot Hubungan Positif Pemboleh Ubah Nilai Kerja (X) dengan Prestasi Kerja (Y)

Gambaran garisan lurus yang digunakan untuk menunjukkan hubungan dua

pemboleh ubah serta perubahan unit markat dinyatakan dalam bentuk
persamaan matematik dan namakan sebagai persamaan regresi. Persamaannya
seperti berikut:
Y = a + bX
94

iaitu
Y' =
a =
b =
X =
8.4

pemboleh ubah terikat yang diramal.

nilai malar yang terletak pada pintasan pemboleh ubah Y.
kecerunan garisan regresi.
pemboleh ubah bebas yang digunakan untuk meramal.

PINTASAN GARISAN REGRESI

Garisan regresi dilukis bermula daripada paksi menegak pada kedudukan

markat pemboleh ubah bebas X = 0. Kecerunan garisan regresi bergantung
pada nilai b yang menunjukkan perubahan unit secara malar markat Y hasil
daripada perubahan satu unit markat X. Apabila X = 0 maka pintasan
garisan regresi, pada paksi Y dinamakan sebagai pintasan paksi Y. Dalam
penulisan metode regresi, pintasan tersebut diberi simbol a. Dengan
menggunakan persamaan regresi setiap unit markat Y boleh dikira
berdasarkan setiap markat X yang menjadi pasangannya.
Hubungan garisan lurus dua pemboleh ubah X dan Y yang pelbagai bentuk
dan berbeza-beza keadaan persamaan regresinya dapat dilihat dalam Rajah
8.2 yang diambil daripada Kiess (1989).

Pemboleh Ubah Y

Pemboleh Ubah Y

Rajah 8.2
Contoh Hubungan Garisan Lurus antara Pemboleh Ubah X dan Pemboleh Ubah Y

Pemboleh Ubah X

Pemboleh Ubah Y

Pemboleh Ubah Y

Pemboleh Ubah X

Pemboleh Ubah X

Pemboleh Ubah X

95

Rajah 8.2a, menunjukkan hubungan positif antara X dan Y dengan

persamaan regresinya ialah Y = 2.0 + 1.2X. Rajah 8.2b pula menunjukkan
hubungan negatif dengan persamaan regresinya iaitu Y = 11 - 0.8X.
8.5

OPERASI METODE REGRESI

Persamaan regresi berfungsi sebagai model analisis dalam metode regresi.

Dalam analisis regresi mudah, persamaan regresi ialah Y = a + bX.
Perkataan mudah digunakan kerana analisis regresi ini menggunakan hanya
satu pemboleh ubah bebas atau peramal. Kita bincangkan di sini cara
garisan lurus regresi dibina dan cara metode regresi beroperasi dalam
penyelidikan. Untuk tujuan tersebut, taburan markat motivasi dan orientasi
pencapaian dalam Jadual 8.2 digunakan.
Jadual 8.2
Taburan Markat Motivasi dan Orientasi Pencapaian
Subjek

Motivasi (X)

1
2
3
4
5
6
7
8
9
10
N = 10

20
17
20
21
14
13
15
16
14
10
X =160
X2=2672
S.Px = 3.53

Orientasi
Pencapaian (Y)
25
22
25
26
19
18
12
20
11
2
Y=180
Y2= 3764
S.Py =7.63

XY
500
374
500
546
266
234
180
320
154
20
XY=3094

Pekali korelasi r hubungan antara motivasi dengan orientasi pencapaian

dikira dengan formula Pearson seperti berikut:
r

10(3094) (160)(180
[10(2672) (160)2][10(3764 (180)2]

(30940 28800
(26720 25600)(37640 32400)

2140
(1120)(5240)

2160 / 2422.561

0.89

96

Untuk melukis dengan tepat garisan regresi, kita perlu mengetahui terlebih
dahulu cerun b dan pintasan a pada pemboleh ubah Y bagi mengganggar Y.
Garisan regresi akan melalui setiap Y' pada setiap perubahan pada X.
Formula untuk mengira cerun b ialah
b

NXY (X)( Y)/N X2 (X)2

Formula untuk mengira pintasan a paksi Y pula ialah

a

Min Y (b)(Min X)

Cerun b yang sebelum ini dikenali sebagai cerun regresi juga amat dikenali
dengan nama pekali regresi. Fungsinya bolehlah ditakrif sebagai sama
dengan pekali korelasi. Statistik a juga begitu dikenali dengan nama malar
regresi.
Pengiraan pekali regresi b dan malar regresi markat motivasi dan orientasi
pencapaian dalam Jadual 8.2 ialah seperti berikut:
b

10(3094) (160)(180)
10(2672) (160)2

30940 28800
26720 25600

1.91

Pekali regresi b atau kecerunan garisan regresi adalah positif 1.91, manakala
pekali korelasi antara motivasi dengan orientasi pencapaian yang dikira
sebelum ini juga positif iaitu 0.89.
Nilai malar pintasan a pada paksi Y ialah 12.56.
a

180 (1.91) (160)

10

180 305.60
10

125.6 / 10

12.56

Dengan itu, persamaan regresi taburan markat motivasi (X) dan orientasi
pencapaian (Y) ialah Y = 12.56 + 1.91X.
Apakah perbezaan utama antara pekali regresi dengan pekali
korelasi.

97

8.6

HUBUNGAN NEGATIF

Cuba kita lihat pula keadaan taburan apabila dua pemboleh ubah
mempunyai hubungan yang negatif. Dalam hal ini, kita gunakan markat
penghargaan kendiri X dan agregat SPM yang ditunjukkan dalam Jadual 8.3.
Jadual 8.3
Taburan Markat Penghargaan Kendiri dan Agregat SPM
Subjek
1
2
3
4
5
6
7
8
9
10
N = 10

Penghargaan
Kendiri (X)
2
10
14
20
15
17
18
15
16
6
X =141
X2=2195
S.Px = 4.08

Agregat SPM
(Y)
8
12
14
6
9
8
7
10
8
17
Y=99
Y2= 1087
S.Py =3.45

XY
96
120
196
120
135
136
126
150
128
102
XY=1309

Pekali korelasi antara penghargaan kendiri dengan agregat SPM ialah r 0.84. Pekali regresi b ialah - 0. 71. Kedua-duanya, r dan b, ialah negatif.
b

10(1309) (143)(99)
10(2195) (143)2

13090) 14157
21950 20449

- 1067
1501

- 0.71

Malar regresi a pula ialah 20.05.

a

=
=
=

9.9 (- 0.71)(14.3)
9.9 ( -10.15)
20.05

Persamaan regresi yang menggambarkan hubungan di antara penghargaan

kendiri (X) dengan agregat SPM (Y) ialah Y = 20.05 0.71X.

98

SOALAN DALAM TEKS

1.

Data berikut menunjukkan darjah penghargaan

kendiri dan motivasi di kalangan 10 orang pelajar
sebuah kelas di sekolah luar bandar.
Penghargaan Kendiri
15
10
7
18
5
17
15
11
9
14

Motivasi
12
13
9
18
7
16
11
13
9
12

Berdasarkan data di atas, jawab soalan-soalan

berikut:
(a)
(b)
(c)
(d)

Tentukan pemboleh ubah bebas dan

pemboleh ubah terikat.
Kira pekali regresi. Bandingkan statistik ini
dengan nilai pekali korelasi yang telah anda
kira dalam bab analisis korelasi.
Kira nilai pintasan a pada paksi pemboleh
ubah terikat Y.
Tentukan persamaan regresi taburan data ini.

Semak jawapan anda di akhir bab ini.

8.7

MARKAT ANGGARAN DAN RALAT RAMALAN

Sebagaimana yang telah dibincangkan sebelum ini markat yang diramal atau
markat anggaran Y' merupakan markat yang mewakili setiap titik di garisan
regresi pada setiap markat X dan boleh dikira berdasarkan persamaan
regresi. Perbezaan antara markat yang diperoleh Y dengan markat yang
dianggar atau diramal Y' dikatakan sebagai ralat ramalan yang biasanya
dinyatakan dengan simbol e. Secara formula, ralat ramalan e dikira seperti
berikut:
e = Y - Y

99

Jadual 8.4 menunjukkan taburan ralat ramalan markat motivasi X dan

orientasi pencapaian Y yang ditunjukkan sebelum ini. Markat ramalan Y'
ditunjukkan dalam lajur 4.
Jadual 8.4
Markat Anggaran Y dan Ralat Ramalan e dengan Persamaan Regresi Y = - 12.56 + 1.91X
Subjek
1
2
3
4
5
6
7
8
9
10
Jumlah

2
X
20
17
20
21
14
13
15
16
14
10
160

3
Y
25
22
25
26
19
18
12
20
11
2
180

4
Y
25.64
19.91
25.64
27.55
14.18
12.27
16.09
18.00
14.18
6.54

5
e = Y Y
-0.64
2.09
-0.64
-1.55
4.82
5.73
-4.09
2.00
-3.18
-4.54
e = 0.00

6
e2
0.41
4.37
0.41
2.40
23.23
32.83
16.73
4.00
10.11
20.61
e2 = 115.1

Garisan regresi yang dibina dikatakan sebagai garisan lurus yang paling baik
dan sesuai untuk menggambarkan hubungan pemboleh ubah. Ia dikatakan
baik kerana garisan tersebut telah berjaya mengurangkan jumlah kuasa dua
ralat (Y-Y') = e2 ke peringkat yang paling minimum. Tatacara untuk
menghasilkan garisan regresi selalu dipanggil sebagai metode kuasa dua
terkecil (method of least squares) dan cuba meminimumkan jumlah kuasa dua
sisihan antara markat yang diramal dengan markat yang diperoleh. Garisan
lurus regresi menghasilkan jumlah kuasa dua ralat e2 yang paling minimum
iaitu 115.1 yang ditunjukkan dalam lajur 6.
Ralat ramalan e = (Y-Y') terkenal juga dengan istilah residual. Dalam
kebanyakan buku statistik yang lebih kompleks dan pakej komputer, jumlah
kuasa dua ralat e2 dikenali sebagai jumlah kuasa dua residual. Dalam modul
ini JKDRalat akan digunakan.
Varians kepada markat ramalan tidak boleh melebihi varians markat Y yang
diperoleh. Dalam kes tertentu, apabila pekali korelasi antara X dan Y amat
tepat (r = 1.0), varians markat anggaran yang diramal dengan varians markat
yang diperoleh Y menjadi sama. Nilai pekali korelasi markat ramalan dengan
markat yang diperoleh sama dengan korelasi antara X dan Y (Marasuilo dan
Levin, 1985).
8.8

RALAT PIAWAI ANGGARAN

Konsep sisihan daripada min dalam metode regresi merujuk kepada ralat
atau sisihan antara markat yang diperoleh dengan markat anggaran (Y - Y').
Sisihan piawai kepada ralat dinamakan sebagai ralat piawai anggaran. la
100

menggunakan simbol Sy.x, iaitu Y ialah pemboleh ubah terikat dan X sebagai
pemboleh ubah bebas. Formula kepada ralat varians anggaran ialah
S2y.x

=
=
=

e2 / N -2
( Y Y)2 / N -2
JKDRalat / N - 2

Ralat piawai anggaran ialah hasil punca kuasa dua varians anggaran.
Sy.x

(e2 / N 2)

Cuba kita kira ralat piawai anggaran taburan markat di atas yang mempunyai
e2 = 115.1 dan pekali korelasinya 0.88.
Sy.x

8.9

=
=
=

(115.1) / 10 2)
(115.1) / 8)
3.79

FORMULA RALAT PIAWAI ANGGARAN YANG LAIN

Formula berikut dicadangkan kerana ia dianggap lebih mudah dan hanya

memerlukan nilai pekali korelasi, sisihan piawai dan bilangan subjek.
Sy.x

S.Py (1 r 2) (N 1)/ (N 2)

Daripada data yang sama, kita ambil ringkasan statistiknya untuk mengira
ralat piawai.
rxy = 0.88
S.Px = 3.53

Sy.x

=
=
=
=
=

N = 10
S.PY = 7.63

7.63 (1 0.88 2) (10 1)/ (10 2)

7.63 (1 0.7744) 9/ 8
7.63 0.2256 1.125
7.63 (0.47) (1.06)
3.80

Keputusannya sama dengan pengiraan sebelum ini. Nilai (N-l)/(N-2) akan

menghampiri 1.0. Banyak buku statistik menggunakan formula yang ringkas
berikut untuk ralat piawai anggaran.
Sy.x

S.Py (1 r 2)

Statistik r2 merupakan pekali penentuan yang boleh digunakan untuk

menggambarkan sumbangan pemboleh ubah bebas terhadap pemboleh
ubah terikat dalam bentuk peratus varians, manakala (1 r2) menjadi peratus
varians yang tidak disumbangkan oleh X kepada Y.

101

SOALAN DALAM TEKS

2.

Dengan menggunakan data penghargaan kendiri dan

motivasi 10 orang pelajar yang terdapat dalam Soalan
1 sebelum ini, jawab soalan-soalan berikut:
(a) Kira markat ralat ramalan pelajar yang
mempunyai penghargaan kendiri 9, 12 dan 16.
(b) Kira ralat piawai anggaran pelajar tersebut.
(c) Kira ralat piawai anggaran keseluruhan data
dalam taburan.

Semak jawapan anda di akhir bab ini.

8.10

HUBUNGAN
KORELASI

PEKALI

REGRESI

DENGAN

PEKALI

Terdapat pertalian rapat beberapa konsep dan terminologi dalam analisis

korelasi regresi, antaranya ialah
(i)
(ii)

Cerun garisan regresi yang juga dipanggil pekali regresi b berkait

dengan pekali korelasi r. Apabila pekali korelasi r positif, b juga
positif. Begitu juga sebaliknya.
Pekali korelasi r boleh digunakan untuk mengira pekali regresi
dengan menggunakan formula:
b

r (S.Py / S.Px).

=
=
=

pekali korelasi antara X dengan Y

sisihan piawai pemboleh ubah X
sisihan piawai pemboleh ubah Y

iaitu
r
S.Px
S.Py
(iii)

Hubungan antara korelasi dan regresi berkait dengan pengiraan ralat

piawai anggaran Sy.x yang boleh dianggar berdasarkan nilai kuasadua
pekali korelasi (r2) ataupun pekali penentuan khususnya bagi sampel
besar. Sy.x = S.Py (1 r2)
Terangkan hubungan antara model regresi dengan model
korelasi.

102

8.11

PERBEZAAN MODEL KORELASI DENGAN REGRESI

Perbezaan antara model korelasi dan regresi banyak dibincangkan

contohnya oleh Pedhazur (1982) dan Marasuilo dan Levin (1985). Mengikut
Marasuilo dan Levin, perbezaannya berhubung dengan pemboleh ubah
bebas X dan pemboleh ubah terikat Y. Apabila persamaan regresi terbina
sebagai model analisis iaitu Y' = a + bX, maka X merupakan pemboleh
ubah bebas dan Y sebagai pemboleh ubah terikat yang sebenar.
Dalam model korelasi, pemboleh ubah X dan Y saling bergantungan dan
mempunyai taburan kebarangkalian bersama. Taburan kedua-dua pemboleh
ubah tersebut adalah normal sebagai taburan dwiperubah (bivariate
distribution) yang didefinisikan oleh lima parameter populasi dan dianggar
oleh lima statistik sampel iaitu min X, min Y, sisihan piawai X, sisihan piawai
Y dan pekali korelasi rxy.
Pedhazur (1982) berpendapat model korelasi sukar untuk membezakan
pemboleh ubah bebas dengan pemboleh ubah terikat. Model korelasi
berminat untuk menunjukkan darjah hubungan dua pemboleh ubah yang
sifatnya rawak dan berkeadaan normal sebagai taburan dwiperubah.
Perubahan Y sebagai pemboleh ubah terikat yang sepatutnya adalah hasil
daripada manipulasi pemboleh ubah bebas X yang tidak berlaku dalam
model korelasi sedangkan ia menjadi dasar kepada model regresi.
Meskipun statitistik r dan r2 terlibat dalam analisis regresi namun interpretasi
statistik r dalam metode regresi tidak begitu penting dan kurang sesuai
dijadikan kesimpulan analisis terutamanya jika ingin menjelaskan hubungan
garisan lurus pemboleh ubah yang dikaji. Oleh kerana itu, statistik r2 menjadi
minat utama model regresi, manakala statistik 1 - r pula berkait dengan ralat
piawai anggaran.
Dalam penyelidikan yang mengutamakan pemerihalan dan ramalan terhadap
pemboleh ubah terikat, model analisis regresi sesuai sekali digunakan.
Tambahan pula jika kita berminat untuk menguji kesan perubahan
pemboleh ubah bebas hasil daripada manipulasi pemboleh ubah tersebut.
8.12

KESIMPULAN

Bab ini telah membincangkan satu metode analisis data yang seakan-akan
sama dengan metode analisis korelasi yang dibincangkan sebelumnya.
Memang terdapat saling hubungan antara dua metode analisis mudah ini.
Kedua-dua metode dapat menerangkan hubungan antara dua pemboleh
ubah. Dalam metode analisis regresi, pemboleh ubah bebas ditentukan
dahulu dan berperanan sebagai peramal manakala pemboleh ubah terikat
sebagai pemboleh ubah yang diramal atau menerima kesan dan pengaruh.
Dalam metode regresi, kita juga boleh mempastikan ketepatan ramalan
secara garisan lurus dan dapat mengetahui sebanyak mana ralat ramalan
model analisis yang kita gunakan. Metode analisis regresi mempunyai
kelebihan berbanding dengan metode korelasi.
103

SOALAN DALAM TEKS

3.

Data berikut menunjukkan markat suasana

keagamaan keluarga dan kesejahteraan hidup yang
diperoleh daripada 10 orang pelajar remaja di
sebuah sekolah bandar. Berdasarkan data ini jawab
soalan-soalan berikut.
(a)

Anda diminta untuk mempastikan adakah

suasana persekitaran keluarga yang berkait
dengan keagamaan dapat meramal keadaan
kesejahteraan kehidupan remaja. Tanpa
membuat sebarang pengiraan, terangkan
dengan ringkas bagaimana anda mahu
menganalisis data tersebut.

Subjek
1
2
3
4
5
6
7
8
9
10

(b)

(c)

(d)
(e)
(f)

Suasana Keagamaan
Keluarga
13
12
11
13
9
11
8
8
12
13

Kesejahteraan
Hidup
17
15
15
16
10
16
7
7
15
18

Anda diminta untuk melukis plot markat

suasana
keagamaan
keluarga
dan
kesejahteraan hidup. Terangkan pola
hubungan pemboleh ubah tersebut.
Kira nilai pekali regresi dan malar regresi.
Nyatakan persamaan regresi untuk meramal
markat kesejahteraan hidup berdasarkan
markat suasana keagamaan keluarga.
Kira markat anggaran kesejahteraan hidup
berdasarkan markat suasana keagamaan
keluarga 9 dan 12.
Kira ralat ramalan yang berlaku pada subjek
4 dan 6.
Kira ralat piawai anggaran dan terangkan
maknanya.

Semak jawapan anda di akhir bab ini.

104

SOALAN PENILAIAN KENDIRI

1.

Terangkan konsep-konsep berikut:

(a)
(b)
(c)

Pekali regresi
Markat anggaran
Ralat ramalan

2.

Terangkan perbezaan antara model analisis regresi dengan model

korelasi.

3.

Jawab soalan-soalan yang dikemukakan berdasarkan data berikut:

Subjek
1
2
3
4
5
6
7
8
9
10

(a)
(b)
(c)

4.

Nilai Kerja
77
75
71
79
75
88
85
86
80
70

Prestasi Kerja
76
82
78
83
72
88
78
81
75
65

Kira persamaan regresi dengan menggunakan markat nilai

kerja sebagai pemboleh ubah peramal.
Berdasarkan nilai pekali regresi, terangkan bentuk hubungan
antara nilai kerja dengan prestasi kerja.
Berdasarkan persamaan regresi yang diperoleh dalam soalan
b, cuba ramalkan prestasi kerja yang mempunyai markat nilai
kerja 50 dan 75.

Data berikut menunjukkan darjah amalan keagamaan dengan

personaliti murni di kalangan 15 orang pelajar awal remaja di sebuah
sekolah luar bandar. Markat rendah menunjukkan darjah yang
rendah berbanding dengan markat tinggi bagi kedua-dua pemboleh
ubah. Berdasarkan data ini, jawab soalan-soalan yang dikemukakan
di bawah.

105

Amalan Keagamaan
15
10
7
18
5
10
7
17
15
9
8
15
11
17
8

(a)
(b)
(c)

(d)

Personaliti Murni
12
13
9
18
7
9
14
16
10
7
13
14
19
10
10

Kira nilai pekali regresi dan malar regresi atau pintasan di

paksi Y data tersebut. Nyatakan persamaan regresi untuk
meramal markat personaliti murni.
Anda diminta membuat plot data personaliti murni dan
darjah amalan keagamaan dalam kertas graf.
Berdasarkan persamaan regresi yang anda buat dalam soalan
a, kira ralat yang terdapat pada markat personaliti murni
berdasarkan pelajar yang mempunyai markat darjah amalan
keagamaan 7, 10 dan 15.
Berapa peratus varians yang disumbangkan oleh amalan
keagamaan terhadap personaliti murni pelajar tersebut.

ARAHAN: Guna persamaan regresi berikut untuk menjawab soalan 5 dan

6:
Y = 1.40 + 0.5 (X)
5.

Jika persamaan ini menunjukkan ramalan prestasi akademik semasa

di Kolej Matrikulasi terhadap PMK di universiti, apakah darjah
ramalan tersebut:
A.
B.
C.
D.

6.

Lemah
Sederhana
Kuat
Sukar ditentukan

Jika pelajar mendapat PMK 3.80 semasa di Kolej Matrikulasi, berapa

PMK mereka di universiti.
A.
B.
C.
D.

2.70
3.30
3.40
3.80
106

7.

Apabila dua pemboleh ubah yang dikaji mempunyai nilai r2 = 0.25,

hubungan pemboleh ubah ini boleh digambarkan sebagai
A.
B.
C.
D.

Lemah
Sederhana
Kuat
Sukar ditentukan
Semak jawapan anda di akhir modul kursus ini.
JAWAPAN SOALAN DALAM TEKS

1.

Data berikut menunjukkan darjah penghargaan kendiri dan motivasi

10 orang pelajar sebuah kelas di sekolah luar bandar.

Subjek
1
2
3
4
5
6
7
8
9
10
Jumlah

Penghargaan
Kendiri
(X)
15
10
7
18
5
17
15
11
9
14
X = 121

Motivasi
(Y)
12.00
13.00
9.00
18.00
7.00
16.00
11.00
13.00
9.00
12.00
Y =120

XY
180.00
130.00
63.00
324.00
35.00
272.00
165.00
143.00
81.00
168.00
XY = 1561

X2
225.00
100.00
49.00
324.00
25.00
289.00
225.00
121.00
81.00
196.00
X2 =1635

Y2
144.00
169.00
81.00
324.00
49.00
256.00
121.00
169.00
81.00
144.00
Y2 = 1538

(a)

Pemboleh ubah bebas dalam taburan ini ialah penghargaan

kendiri dan pemboleh ubah terikatnya ialah motivasi.

(b)

Kira pekali regresi. Bandingkan statistik ini dengan nilai

pekali korelasi yang telah dikira dalam bab analisis korelasi.
b

=
=
=
=
=

NXY (X)( Y)
NX2 (X)2
10(1561) (121)(120)
10(1635) - (121)2
15610 -14520
16350 14641
1090
1709
0. 638
107

Pekali regresi positif 0.638, manakala pekali korelasi yang telah dikira
juga positif iaitu 0.842.
(c)

Kira nilai pintasan a pada paksi pemboleh ubah terikat Y.

a

2.

=
=
=
=

Min Y b (Min X)
12.0 (0.638)(12.1)
12.0 7.7198
4.2802

(d)

Persamaan regresi taburan data ini ialah Y = 4.2802 +

0.638X.

(a)

Markat ralat ramalan motivasi pelajar yang mempunyai

penghargaan kendiri 9, 12 dan 16. Persamaan regresi dalam
jawapan 1d digunakan.

(b)

Apabila X = 9, Y

= 4.2802 + (0.638 * 9)
= 4.2802 + 5.742
= 10.0222

Apabila X = 11, Y

= 4.2802 + (0.638 * 11)

= 4.2802 + 7.018
=11.2982

Apabila X = 15, Y

= 4.2802 + (0.638 * 15)

= 4.2802 + 9.57
=13.8502

Ralat piawai anggaran bagi pelajar yang penghargaan

kendirinya 9, 11 dan 15.
e = Y Y

Markat ralat piawai pelajar tersebut ialah seperti berikut:

Penghargaan
Kendiri (X)
15
11
9

(c)

Motivasi
(Y)
12
13
9

Y
13.8502
11.2982
10.0222

e = Y-Y
- 1.8502
1.7018
- 1.0222

Ralat piawai anggaran keseluruhan data dalam taburan dikira

dengan formula
Sy.x = S.Py (1- r2)

=
=
=
=
108

(3.30)(1 - 0.8422)
3.30 ( 0.291)
3.30 (0.5394)
1.780

3.

Jawapan berdasarkan data markat suasana keagamaan keluarga dan

kesejahteraan hidup yang diperoleh daripada 10 orang pelajar remaja
di sebuah sekolah bandar.
(a)

Tanpa membuat sebarang pengiraan, terangkan dengan

ringkas bagaimana anda mahu menganalisis data tersebut.
Untuk memastikan adakah suasana keagamaan keluarga dapat
meramal keadaan kesejahteraan kehidupan remaja, pemboleh
ubah suasana keagamaan keluarga dijadikan sebagai pemboleh
ubah bebas dan kesejahteraan hidup pemboleh ubah terikat.
Pemboleh ubah ini dianalisis dengan metode regresi untuk
mengira pekali regresi.

(b)

Melukis plot markat suasana keagamaan keluarga dan

kesejahteraan hidup boleh dibuat dalam kertas graf dan
terangkan pola hubungan pemboleh ubah tersebut sama ada
mengarah kepada positif atau negatif.

(c)

Kira nilai pekali regresi dan malar regresi.

Pekali regresi b

NXY (X)( Y)
NX2 (X)2
10(1566) (110)(136)
10(1246) - (110)2
15660 -14960
2460 12100
700
360
1.94

=
=
=
=

Min Y b (Min X)
13.6 (1.94)(11.0)
13.6 21.34
- 7.74

=
=
=

Malar regresi a

Persamaan regresi untuk meramal markat kesejahteraan hidup

berdasarkan market suasana keagamaan keluarga ialah Y = 7.74 + 1.94X.
(d)

Markat anggaran kesejahteraan hidup berdasarkan markat

suasana keagamaan keluarga X = 9 dan 12.
Apabila X = 9, Y

= - 7.74 + (1.94 *9)

= - 7.74 + 17.46
= 9.72

Apabila X = 12, Y

= - 7.74 + (1.94 *12)

= - 7.74 + 23.28
= 15.54
109

(e)

Ralat ramalan yang berlaku (e = Y Y) pada subjek 4 dan 6.

Subjek 4 markat
X = 13, manakala subjek 6 markat X = 11.
Apabila X = 13, Y
= - 7.74 + (1.94 *13)
= - 7.74 + 25.22
= 17.48
Apabila X = 11, Y

= - 7.74 + (1.94 *11)

= - 7.74 + 21.34
= 13.60

Ralat ramalan (e = Y Y) ialah

Subjek
4
6

(f)

Suasana
Keagamaan
(X)
13
11

Kesejahteraan
Hidup
(Y)
16
16

Y
17.48
13.60

e = Y-Y
- 1.48
2.40

Kira ralat piawai anggaran dan terangkan maknanya

Sy.x

=
=
=
=
=

e2/ N 2 = S.Py ( 1 r2)

4.06 ( 1 0.9582)
4.06 ( 0.0822)
4.06 (0.2867)
1.164

Ralat yang ditunjukkan secara relatif adalah kecil kerana

korelasi antara pemboleh ubah peramal dengan pemboleh
ubah yang diramal adalah tinggi (r = 0.958).

110