Professional Documents
Culture Documents
(ANOVA) dan
Rekabentuk Ujikaji
Objektif Pembelajaran
Memahami perbezaan diantara berbagai rekabentuk
ujikaji dan bila untuk menggunakkannya.
Mengira dan mentafsir keputusan ANOVA satu hala.
Mengira dan mentafsir keputusan rekabentuk blok
rawak.
Mengira dan metafsir keputusan ANOVA dua-hala.
Memahami dan mentafsir kesan tindakbalas.
Mengetahui bila dan bagaimana untuk menggunakan
teknik bebilang bandingan.
2
Rekabentuk Ujikaji
Rekabentuk Ujikaji
Angkubah Bebas
Angkubah rawatan adalah sesuatu ujikaji
kawalan atau diubahsuai didalam ujikaji.
Angkubah kelasifikasi ialah beberapa ciri-ciri
bagi subjek ujikaji yang telah ditetapkan
terdahulu dan ia bukanlah hasil manipulasi
ujikaji atau kawalan .
Level atau kelasifikasi adalah sub-kategori
angkubah bebas yang digunakan oleh
penyelidik didalam rekabentuk ujikaji.
4
Rekabentuk Ujikaji
Angkubah Sandar
- tindakbalas terhadap paras yang
berbeza dari angkubah bebas.
Jenis Rekabentuk
Ujikaji
Rekabentuk Penuh Rawak
Rekabentuk Blok Rawak
Ujikaji Faktorial
Rekabentuk Penuh
Rawak
Populasi 2
Min 1
Varian 12
Min 2
Varian 22
Saiz
sampel: n1
Min X1
Varian S12
Saiz
sampel: n2
Min X 2
Varian S22
Populasi 3
Min 3
Varian 32
Saiz
sampel: n3
Min X 3
Varian S32
8
Andaian ANOVA
Pemerhatian adalah diambil dari
populasi bertaburan normal.
Pemerhatian mewakili sampel rawak
dari populasi.
Varian populasi adalah normal.
10
ANOVA: Hipotesis
H0: 1 = 2 = 3 = = k
Ha: Sekurang-kurangnya satu min
adalah berbeza dari yang lain.
11
ANOVA:
Definasi Jumlah Kuasadua
Jumlah kuasadua = Jumlah kuasadua rawatan + Jumlah kuasadua ralat
SST = SSC + SSE
X
C
nj
j=1 i=1
ji
n j
j 1
jX
nj
j 1 i 1
ij X
dim ana :
i ahli tertentu paras rawatan
j = paras rawatan
C = bilangan paras rawatan
13
SSC
(Jumlah Kuasadua Rawatan )
SSE
(Jumlah Kuasadua Ralat )
14
j1
dfC = C 1
SSC
MSC
df C
SSE X ij - X j
ni
i 1 j1
df E = N C
MSE
SSE
df E
ni
SST X ij - X
C
i 1 j1
dfT = N 1
MSC
F
MSE
15
Xj
16
Xj
X2
X1
SSC n j X j - X
C
X3
X4
j1
Xj
X1
X2
SSE X ij - X j
ni
X3
X4
i 1 j1
= 169.375
18
SSC 132.344
34.115
df C
3
SSE 169.375
MSE
df E
28
MSC 34.115
F
5.604
MSE 6.049
19
Jadual ANOVA
20
21
ANOVA: Ringkasan
Tatacara
H0: 1 = 2 = 3 = = k
Ha: Sekurang-kurangnya satu
min adalah berbeza dari
yang lain.
Jika F > Fc 2.95 , tolak Ho.
v1=3
v2=28
Kawasan Penolakan
F0.05,3, 28 2.95
22
Output Excel
Anova: Single Factor
SUMMARY
Groups
Johor Bahru
Melaka
Ipoh
Kuantan
Count
8
8
8
8
ANOVA
Source of Variation
SS
Between Groups
102.3438
Within Groups
169.375
Total
271.7188
Sum
Average Variance
141
17.625
7.125
110
13.750
5.643
132
16.500
3.714
148
18.500
7.714
df
3
28
MS
34.115
6.049
F
5.640
P-value
0.004
F crit
2.947
31
23
Contoh
Sebuah rantaian pasaraya sedang mempertimbangkan untuk
membina pasaraya baru pada empat kawasan perumahan
yang berbeza. Salah satu daripada faktor yang penting
didalam membuat keputusan ialah purata pendapatan
tahunan penduduk empat kawasan tersebut.
Katakan,
didalam kajian awal beberapa isirumah telah disoal apakah
jumlah pendapatan tahunan mereka. Keputusan daripada
survei tersebut ditunjukkan didalam jadual dibawah. Adakah
terdapat bukti yang mencukupi untuk menyatakan ujudnya
perbezaan didalam purata pendapatan tahunan penduduk
diantara empat kawasan tersebut? Gunakan = 0.01.
24
Contoh
Kawasan 1 Kawasan 2 Kawasan 3 Kawasan 4
25
27
31
17
29
30
32
35
30
46
32
22
19
51
27
27
32
48
25
20
12
18
18
23
29
26
42
25
Langkah 1: Hipotesis
H0: 1 = 2 = 3
Ha: Sekurang-kurangnya satu min adalah berbeza dari yang lain.
MSE
SSE
df E
MSC
F
MSE
Langkah 3: Nilai
= 0.01
26
= 0.01
F0.01,3, 23 4.76
F0.01,3, 23 4.76
T2 = 294
T3 = 182
T4 = 138
T = 773
n1 = 6
n2 = 9
n3 = 7
n4 = 5
N = 27
X 2 32.667
X 3 26.000
X 4 27.600
X 28.630
X1 26.500
28
dfC = 4 1 = 3
dfE = 27 4 = 23
Langkah 6: Kesimpulan
Keputusannya ialah tidak dapat menolak hipotesis nul kerana nilai F yang
dikira lebih kecil daripada nilai jadual kritikal F, 4.76. Oleh itu, tidak
terdapat bukti yang mencukupi untuk menyatakan purata pendapatan
tahunan berbeza diantara empat kawasan. Pengurus rantaian pasaraya
dinasihatkan supaya tidak mempertimbangkan pendapatan isirumah
sebagai faktor untuk membuat keputusan berkaitan lokasi pasaraya baru.
29
30
HSD q ,C, N -C
MSE
n
dimana
MSE = ralat min kuasadua
n = saiz sampel
q.C,N-C = nilai kritikal julat taburan dari Jadual A.10
32
Contoh
33
Output Komputer
34
Ujian HSD
Bilangan populasi = Bilangan min rawatan = C
dfE = N C.
Bagi masalah ini, nilai q adalah
C=3
dfE = N C = 18 3 = 15
Jika = 0.05
35
q0.05,3,15 = 3.67
36
HSD q 0.05,3,15
MSE
48.256
3.67
10.408
n
6
37
Tatacara Tukey-Kramer:
Kes Sampel Saiz Tidak
Sama
HSD q
,C, N -C
MSE 1 1
( )
2 n r ns
38
Output Komputer
40
Pengiraan Ujian
Tukey-Kramer
C = 4, dan N C = 28 4 = 24. = 0.01
q0.01,4, 24 = 4.91
Untuk sampel 1 dan 3 (Utara dan Timur)
HSD 4.91
185.517 1 1
26.96
2
5 8
Kesimpulan:
Oleh kerana ia lebih
besar daripada 26.96
daripada
perbezaan
kritikal, maka terdapat
Timur:perbezaan yang kritikal
diantara min jualan Waja
diantara wilayah Utara
dan Timur.
41
Keputusan Ujian
Tukey-Kramer
Pasangan
Perbezaan Kritikal
Pebezaan Sebenar
1 dan 2
(Utara dan Selatan)
28.83
9.73
1 dan 3
(Utara dan Timur)
26.96
30.82
1 dan 4
(Utara dan Barat)
26.38
8.09
2 dan 3
(Selatan dan Timur)
25.54
21.45
2 dan 4
(Selatan dan Barat)
24.92
1.28
3 dan 4
(Timur dan Barat)
22.98
22.73
42
43
Pembahagian Jumlah
Kuasadua didalam RBR
SST
(Jumlah Kuasadua
Keseluruhan
SSE
(Jumlah Kuasadua Ralat)
SSC
(Jumlah Kuasadua
Rawatan)
SSR
(Jumlah Kuasadua
Blok)
SSE
(Jumlah Kuasadua
Ralat)
46
.
Pemerhatian
Individu
.
Angkubah
Block
.
.
.
.
.
.
.
.
.
.
.
.
.
47
Hipotesis
Hipotesis nul dan alternatif untuk kesan rawatan didalam
rekabentuk blok rawak adalah:
Kesan rawatan:
H0: 1 = 2 = 3 = = C
Ha: Sekurang-kurangnya satu min rawatan berbeza dari yang lain
Kesan Blok:
H0: 1 = 2 = 3 = = k
Ha: Sekurang-kurangnya satu min blok berbeza dari yang lain
48
SSC n ( X j X )
j 1
n
SSR C ( X
n
i 1
n
i X )
Rekabentuk Blok
Rawak: Formula
Pengiraan
SSE ( X ij X i X i X )
j 1 i 1
n
n
SST ( X ij X )
j 1 i 1
SSC
MSC
C 1
SSR
MSR
n 1
SSE
MSE
N n C 1
MSC
F treatments MSE
MSR
F blocks MSE
where: i
j
C
n
=
=
=
=
df
df
df
df
C 1
n 1
C 1 n 1 N n C 1
N 1
X individual observation
X treatment (column) mean
X block (row) mean
ij
X = grand mean
N = total number of observations
SSC
SSR
SSE
SST
=
=
=
49
Contoh
Jus Buah-buahan
Pengadil Mangga Jambu Nanas Belimbing Min Blok
Batu
1
81
79
55
36
62.75
2
63
69
65
45
60.5
n=4
3
57
59
58
62
59
4
77
69
73
58
69.25
Min
69.5
69
62.75
50.25
62.88
rawatan
N = 16
C=4
50
C = 4 n = 4 N = 16
C
SSC n ( X j X )
j1
SSR C ( X i - X ) 2
i 1
52
SSE (X ij - X j - X i - X ) 2
i 1 j1
= 963.25
53
Jumlah Kuasadua
Keseluruhan
n
SST (X ij - X ) 2
i 1 j1
54
SSC 963.26
MSC
321.08
C 1
4 -1
SSR 245.25
MSR
81.75
n -1
4 -1
SSE
963.25
MSE
107.03
N - n - C 1
9
FRawatan
MSC 321.08
3.000
MSE 107.02
FBlok
MSR 81.75
0.764
MSE 107.03
55
Jadual ANOVA
56
Output Komputer
57
Rekabentuk
Faktorial dengan
Dua Rawatan
58
.
.
Baris
Rawtan
Sel
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
59
Kesan baris
Kesan lajur
H0: Min lajur adalah sama
Ha: Sekurang-kurangnya satu min lajur adalah berbeza dari yang lain
Kesan tindakbalas
H0: Kesan tindakbalas adalah sifar
Ha: Terdapat kesan tindakbalas
60
61
SSR nC ( X
i 1
C
i X )
SSC nR ( X j X )
j 1
R
SSI n ( X ij X i X j X )
i 1 j 1
R
SSE ( X ijk X ij )
i 1 j 1 k 1
C
R
n
SST ( X ijk X )
c 1 r 1 a 1
SSR
R 1
SSC
MSC
C 1
SSI
MSI
R 1 C 1
SSE
MSE
RC n 1
MSR
df
df
df
df
df
R 1
C 1
R 1 C 1
RC n 1
N 1
MSR
MSE
MSC
MSE
MSI
MSE
FR
F
F
where:
n = number of observations per cell
C = number of column treatments
R = number of row treatments
i = row treatment level
j = column treatment level
k = cell member
X
X
X
X
ijk
ij
i
j
= individual observation
= cell mean
= row mean
= column mean
X = grand mean
62
Contoh
Katakan pengeluar kasut menjalan kajian untuk mengetahui sama ada
terdapat perbezaan didalam bilangan kasut yang dijual sehari diantara
pesaingnya dikedai kasut disekitar 1 km dari pusat Bandar dan juga
lokasi kedai tersebut. Penyelidik syarikat telah memilih tiga jenis kedai
menjual kasut untuk pertimbangan didalam kajiannya: kedai diluar
bandar, kedai dipasaraya dan kedai biasa dibandar. Ditempat-tempat
tersebut terdapat banyak pesaing-pesaing, dan boleh diringkaskan
kepada empat kategori: tiada pesaing, 1 pesaing, 2 pesaing, dan 3 atau
lebih pesaing. Katakan data berikut mewakili bilangan kasut yang dijual
sehari bagi setiap jenis kedai dengan bilangan pesaing yang diberi.
Gunakan = 0.05 dan ANOVA dua hala untuk menganalisis data.
63
64
Langkah 1: Hipotesis
Kesan baris (Luar Bandar)
H0: 1 = 2 = 3
Ha: Sekurang-kurangnya satu min baris adalah berbeza dari yang lain
Kesan tindakbalas
H0: Kesan tindakbalas adalah sifar
Ha: Terdapat kesan tindakbalas
65
Langkah 2: Nilai
= 0.05
Langkah 3: Peraturan Keputusan
Darjah Kebebasan:
df Baris :
v1 = 2 v2 = 24
dfLajur :
v1 = 3 v2 = 24
dftindakbalas : v1 = 6 v2 = 24
Baris:
Lajur:
Tindakbalas:
Nilai F:
F0.05,2,24 = 3.40
F0.05,3,24 = 3.01
F0.05,6,24 = 2.51
66
Langkah 4: Data
n=3
C=4 R=3
X 2 37.67
X 3 25.85
X 2 29.56
X 4 38.58
Min Setiap Sel (X ij ) : X11 38.67 X12 36.00 X13 52.67 X14 42.00
X 21 26.00 X 22 31.33 X 23 47.33 X 24 46.00
X 31 26.67 X 32 21.33 X 33 27.67 X 34 27.67
SSR nC (X i - X) 2
i 1
68
SSC nR (X j - X) 2
j1
69
SSI n (X ij - X i - X j X) 2
i 1 j1
70
SSE ( X ijk - X ij ) 2
i 1 j1 k 1
71
SST
2
(
X
X
)
ijk
i 1 j1 k 1
72
SSR 1736.22
MSR
868.111
R -1
3 -1
MSC
SSC 1078.444
350.444
C -1
4 -1
SSI
503.333
503.333
MSI
83.889
(R - 1)(C - 1) (3 - 1)(4 - 1)
6
MSE
SSE
607.333
607.333
25.306
RC(n - 1) (3)(4)(3 - 1)
24
73
FR
MSR 868.111
34.305
MSE 25.306
FC
MSC 359.444
14.204
MSE 25.306
MSI 83.889
FI
3.315
MSE 25.306
74
Jadual ANOVA
Sumber variasi
Baris
Lajur
Tindakbalas
Ralat
SS
1736.22
1078.33
503.333
607.333
Total
3925.22
df
2
3
6
24
MS
868.111
359.444
83.889
25.306
F
34.305
14.204
3.315
35
75
Langkah 6: Kesimpulan
Nilai F kritikal untuk kesan baris pada = 0.05, F0.05,2,24 = 3.403.
Nilai F dikira adalah 34.305 adalah lebih besar daripada nilai
jadual. Oleh itu, terdapat perbezaan yang signifikan terhadap
kesan baris.
Nilai kritikal kesan lajur ialah pada = 0.05 ialah F0.05,3,24 =
3.009. Nilai F dikira ialah 14.204 adalah lebih besar daripada
nilai kritikal. Oleh itu terdapat kesan lajur yang signifikan pada
= 0.05.
Nilai F kritikal bagi tindakbalas pada = 0.05, F0.05,6,24 = 2.508.
Nilai F dikira untuk tindakbalas ialah 3.315. nilai ini lebih besar
daripada nilai jadual F (2.508), terdapat kesan tindakbalas yang
signifikan.
76
Output Komputer
Anova: Two-Factor W ith Replication
SUMMARY Pesaing 0
Pesaing 1 Pesaing 2
Pesaing 3 Total
Luar Bandar
Count
3
3
3
3
12
Sum
116
108
158
126
508
Average
38.67
36
52.67
42
42.33
Variance
60.33
19
32.33
19
67.52
Pasaraya
Count
Sum
Average
Variance
3
78
26
21
3
94
31.33
10.33
3
142
47.33
9.33
3
138
46
37
12
452
37.67
106.61
Bandar
Count
Sum
Average
Variance
3
80
26.67
60.33
3
64
21.33
16.33
3
83
27.67
2.33
3
83
27.67
16.33
12
310
25.83
24.88
Total
Count
Sum
Average
Variance
9
274
30.44
73.53
9
266
29.56
53.53
9
383
42.56
141.03
9
347
38.56
87.78
77
SS
1736.222
1078.333
503.333
607.333
Total
3925.222
df
2
3
6
24
MS
868.111
359.444
83.889
25.306
F
P-value
34.305 0.000
14.204 0.000
3.315 0.016
F crit
3.403
3.009
2.508
35
78
79