Professional Documents
Culture Documents
1
SITUASI MENGAPLIKASI
UJIAN-T TIDAK BERSANDAR
LANGKAH 3: Keputusan
LANGKAH-LANGKAH UJIAN via SPSS (samb.)
LANGKAH 3: Keputusan
15
BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR
Rumus:
16
BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR
Statistik t:
17
BEBERAPA KONSEP DALAM UJIAN t
DUA SAMPEL TIDAK BERSANDAR
DARJAH KEBEBASAN
Degrees of freedom (df)
18
CONTOH APLIKASI
Pengujian hipotesis:
• Set sarapan yang manakah menyebabkan
peningkatan berat badan yang lebih?
1. Nyatakan hipotesis:
Ho: μ1 = μ2
Tidak terdapat perbezaan yang signifikan pada kadar
peningkatan berat badan di antara kump nasi lemak dengan
kump roti bakar.
3. Lakukan pengiraan:
• Rumus untuk ujian t dua sampel tidak bersandar:
• df = (n1-1) + (n2-1)
23
KAEDAH PENGIRAAN
• Contoh Data: X1 : Nasi Lemak X2 : Roti Bakar
1 3
2 4
2 4
2 4
3 5
• Langkah pertama:
Kira varians dan min utk setiap kumpulan.
[Oleh kerana, kedua-dua kumpulan itu tidak berkaitan, sampel
dikenali sebagai “independent/tidak bersandar” antara satu dengan
lain; maka sama dengan nama ujian statistik ini…]
24
KAEDAH PENGIRAAN samb.
Ruang 3 Ruang 4
s x2 =
( ) 2
= 0.5 0.5
n 1 25
25
KAEDAH PENGIRAAN samb.
df = (5-1) + (5-1) = 8
27
2-tailed ???
28
Imbas Kembali....
Bagaimana kita menguji H0?
t KRITIKAL t KRITIKAL
29
Imbas Kembali....
Bagaimana kita menguji H0?
6. Laporkan keputusan dan buat kesimpulan.
• Contoh penulisan dapatan pengujian hipotesis adalah
seperti yang berikut:
Kumpulan Roti Bakar telah mengalami peningkatan
berat badan [min = 4.00 (± 0.5)] yang lebih
berbanding Kumpulan Nasi Lemak [min = 2.00 (± 0.5)]
pada akhir tempoh kajian; t(8) = -4.47; p < 0.05
30
Imbas Kembali....
Bagaimana kita menguji H0?
6. Laporkan keputusan dan buat kesimpulan (samb.)
• 95% Selang Keyakinan [Confidence Interval]
38
Output SPSS
39
Output SPSS
Welch t test – juga dikenali sebagai ujian t varians tidak sama (unequal
variances t test).
- Diadaptasi daripada ujian t (Student t test), dan lebih sesuai digunakan
apabila varians antara kumpulan tidak homogen.
40
END….
41
UJIAN t
DUA SAMPEL TIDAK BERSANDAR
Statistik t:
42
Pooling Variances
• Rumus sebelum ini adalah sesuai untuk saiz
sampel yang sama, tetapi perlu
penambahbaikan untuk saiz sampel yang tidak
sama.
• Rumus yang baru ini dapat memberikan
anggaran varians populasi dengan lebih tepat.
43
Pooling Variances
• Jika kita hanya inginkan anggaran yang
lebih tepat, adalah logik untuk mengambil
purata dan .
• Tetapi purata biasa tidak susuai dalam
keadaan saiz sampel tidak sama kerana ia
memberikan pemberatan kepada kedua-dua
variance sama rata.
44
Pooling Variances
• Rumus berikut memberikan pemberatan
variance berasaskan saiz sampel masing-
masing.
45
Rumus t sekali lagi…
46
Contoh 2
• Jadual berikut menunjukkan skor IQ untuk
pelajar daripada kelas pandai dan kelas
biasa.
47
Imbas Kembali....
Bagaimana kita menguji H0?
1. Nyatakan hipotesis:
Ho: μ1 = μ2
Tidak terdapat perbezaan skor IQ yang signifikan antara pelajar
kelas pandai dan pelajar kelas biasa.
3. Lakukan pengiraan:
• Rumus untuk ujian t dua sampel tidak bersandar:
• df = (n1-1) + (n2-1)
50
Pengiraan …
51
Pengiraan …
• .
• Buat lakaran….
• Apakah kesimpulan anda?
52
95% Confidence Interval
53
END….
54
Ujian-t dua sampel bersandar
(2-sample dependent t-test)
55
Pengenalan
• Ujian t sebelum ini sesuai digunakan untuk
membandingkan dua kumpulan tidak
bersandar.
• Bagaimana pula jika kita ada dua kumpulan
data yang bersandar?
– Data pre and post? / repeated data?
– Sampel yang dipandankan oleh suatu kriteria
• Suami/isteri
56
Ujian t Dua Sampel Bersandar
• Apabila kita perlu membandingkan min antara
dua kumpulan yang bersandar/dipandankan.
57
Rumus Ujian t Dua Sampel
Bersandar
58
Degrees of freedom (df)
• df = bilangan pasangan data – 1
59
CONTOH 3
60
CONTOH 3
• Dengan itu, kita juga ada dua set data.
• Kedua-dua set data ini bersandar.
• Setiap data yang diukur sebelum diet
dimulakan (data pre-) mesti dipandankan
dengan data yang diukur pada akhir intervensi
(data post-) bagi subjek yang sama.
• Maka, pengujian perbezaan min perlu
menggunakan ujian t dua kumpulan bersandar.
61
CONTOH APLIKASI samb.
Pengujian hipotesis:
• Adakah terdapat perbezaan yang
signifikan sebelum dan selepas
pengambilan diet nasi lemak?
1. Nyatakan hipotesis:
Ho: μD = 0
Tidak terdapat perbezaan berat badan yang signifikan sebelum
dan selepas pengambilan diet nasi lemak untuk seminggu.
3. Lakukan pengiraan:
• Rumus untuk ujian t dua sampel bersandar:
• Langkah pertama:
Dapatkan skor perbezaan untuk kedua-dua set data.
[Oleh kerana, kedua-dua kumpulan ini berkait (data repeated),
sampel dikenali sebagai “dependent/bersandar” antara satu dengan
lain; maka sama dengan nama ujian statistik ini…]
66
KAEDAH PENGIRAAN samb.
Skor Perbezaan
X1 : Sebelum X2 : Selepas (2 1 )
51 52 1
63 65 2
60 62 2
58 60 2
75 78 3
D = 2
67
67
KAEDAH PENGIRAAN samb.
Skor Perbezaan
X1 : Sebelum X2 : Selepas (2 1 )
51 52 1
63 65 2
60 62 2
58 60 2
75 78 3
D = 2
68
68
KAEDAH PENGIRAAN samb.
df = 5 – 1 = 4
70
OUTPUT SPSS
71
72
Contoh 1
• Suatu kajian terapi untuk masalah anorexia
telah dijalankan. Sampel kajian adalah 17
budak perempuan. Berat badan telah
dicatatkan sebelum dan selepas menjalani
terapi tersebut. Data adalah seperti berikut:
Skor
Sebelum Selepas Perbezaan (D)
Mean 83.23 90.49 7.26
S 5.02 8.48 7.16
73
6 Langkah Ujian Hipotesis
1. Tulis Hipotesis
2. Tetapkan alpha (α)
3. Buat pengiraan
4. Dapatkan critical value
5. Lakarkan kawasan penolakan hipotesis nol
6. Buat Keputusan dan tulis kesimpulan
Hipotesis
75
Tetapkan alpha
• α = 0.05
76
Buat Pengiraan
77
Dapatkan critical Value
78
Laporkan keputusan anda
• Kajian ini menunjukkan bahawa berat badan
pesakit aneroxia mengalami peningkatan yang
signifikan pada awal sesi terapi (83.23±5.02)
berbanding pada akhir sesi terapi
(90.49±8.48); t(16)=4.18, p<0.05.
79
Latihan 1