1.

0 Taburan Normal
Taburan normal ialah taburan kebarangkalian bagi suatu pemboleh ubah rawak selanjar dan
salah satu taburan yang sangat penting dalam kajian dan interpretasi statistik. Sesuatu data
dikatakan berada dalam bentuk Taburan Normal apabila ia memenuhi ciri-ciri berikut:

SIMETRI
Jika anda melukis satu garis di tengah, dari atas ke bawah, anda akan mendapat
satu bentuk yang sama di kedua-dua belah.
DATA DIBENTUK OLEH MIN DAN STANDARD DEVIASI
Jika kedua-dua parameter ini diberi, anda dapat mengetahui bentuk taburan
normal.
BERBENTUK LOCENG

Rajah di atas merupakan satu graf yang menunjukkan bilangan skor atau nilai bagi
sekumpulan responden. Kebanyakan populasi adalah bersifat taburan normal (graf
berbentuk loceng). Kebanyakan subjek berada dalam lengkungan sederhana.
Taburan normal sering dilupakan dalam kajian penyelidikan dan tidak dibincangkan
secara mendalam. Namun, sebenarnya ia amat penting yang akan menentukan jenis analisis
data yang kita pilih. Taburan normal bagi data amat penting untuk kita memilih prosedur
statistikal yang sesuai. Apabila data yang kita uji mempunyai taburan normal, barulah
boleh run analisis test of differences dan juga relationship.
Data bertaburan normal sesuai menggunakan analisis parametrik yang dapat menentukan
sejauhmana kita menggunakan statistikal inferensi melalui analisis bivariat dan analisis
multivariat. Jika seandainya data kita tidak memenuhi syarat taburan normal, kita harus
menggunakan analisis non-parametric seperti Wilcoxon dan juga Mann-whitney test.

Apabila data kita tidak bertaburan normal, kecenderungan data curve yang kita dapati
sama ada negative skew (-ve skew) ataupun positive skew (+ve skew).

1.1 Menyemak Taburan Normal: Histogram

Taburan Normal dapat diperiksa dengan menggunakan Histogram. Langkah-langkah
memeriksa adalah seperti di bawah:
Analyze
Descriptive
Explore
Rajah di bawah adalah paparan mengikut arahan di atas.

Kemudian pilih pemboleh ubah dan masukkan ke dalam kotak Dependent List.

Dalam kotak Explore: Display, tandakan pada Both.

Klik pada Plot dan kemudian,
Dalam kotak Descriptive, klik pada kotak Histogram dan Normality plot Test,
Dalam kotak Boxplots, pilih Factors level together,
Klik Continue.

Seterusnya kepada pilih butang Option

Dalam kotak Missing Values, klik pada Exclude cases pairwise
Klik Continue dan Ok.

Rajah di bawah adalah paparan mengikut arahan di atas.

Bagi hasil ujian menggunakan skewness & kurtosis pula, kena pastikan
yang nilai kedua-duanya adalah terletak dia antara nilai 1.96 dan +1.96. Jadi data ini mempunyai taburan yang normal.
** Skewness akan menunjukkan pencongan graf iaitu samada
positively atau negatively skewed. Jika nilai skewness adalah positif,
maka pencongan graf adalah positif (positively skewed) dan
sebaliknya.

Output bagi Histogram dengan normal plot adalah seperti di bawah.

1.2 1.1 Menyemak Taburan Normal: Stem and Leaf Plot

Taburan Normal juga dapat diperiksa dengan menggunakan Stem dan Leaf Plot. Plot ini
menyediakan lebih banyak maklumat berkenaan nilai sebenar taburan data. Ia hampir sama
dengan histogram tetapi berbentuk mendatar dari kiri ke kanan dengan nilai-nilai atau angka
yang sebenarnya.
Langkah-langkah memeriksa adalah seperti di bawah:

Analyze
Descriptive Stastics
Explore
Kemudian dapati Paparan Explore,
Pilih pemboleh ubah dan masukkan dalam Dependent list
Klik Plots.
Dalam kotak Explore: Plot
Tandakan pada Factor levels together
Dalam kotak Descritive tandakan dalam kotak Steam-and-leaf
Tanda dalam kotak Normality plots with tests
Klik Continue dan OK.

Contoh output adalah seperti berikut:

Plot ini menyediakan informasi berkenaan nilai-nilai sebenar dalam taburan. Setiap baris
mempamerkan nilai dalam nombor yang masukkan dalam SPSS bagi pemboleh ubah tersebut.

Data terletak menghampiri dan di atas garis lurus, maka ia menunjukkan data adalah tertabur
secara normal.

Dari paparan Boxplot ini, untuk mengetahui sama ada data tertabur secara normal atau tidak
dengan melihat garis yang terletak di dalam kotak tersebut. Jika garis ini terletak di tengahtengah kotak, maka data tertabur secara normal.

2.0 Analisis Univariate, Bivariate, Multivariate

Analisis Univariate, Bivariate dan Multivariate dapat dibuat mengikut bilangan pemboleh

Berapa jumlah
variable yang
digunakan ?

ubah.

SATU

UNIVARIATE
ANALYSIS
2.1 Analisis Univariate

DUA

BIVARIATE
ANALYSIS

LEBIH DARI
DUA

MULTIVARIATE
ANALYSIS

Signifikannya ialah 0.446 . data ini adalah tidak signifikan kerana ianya > 0.05
Maka andaian bahawa varian bersifat homogenous, tidak ditolak( andaian adalah boleh
diterima)

ANALISIS BIVARIATE

Kolerasi di antara pencapaian sekolah dengan IQ dan Motivasi menunjukkan

pekali kolerasi iaitu 0.977 dan 0.987 dengan nilai signifikan p<0.01.
Maka terdapat hubungan yang kuat iaitu mereka yang mempunyai IQ dan
Motivasi tinggi dapat meningkatkan pencapaian sekolah.

UJIAN MULTIVARIAT
Ujian multivariat adalah teknik untuk menguji hipotesis di mana beberapa pembolehubah
diubah suai. Matlamat ujian multivariat adalah untuk menentukan kombinasi variasi yang
terbaik daripada semua kombinasi.

FAEDAH UJIAN MULTIVARIAT

Menggunakan ujian multivariat boleh membantu apabila pelbagai elemen pada halaman
yang sama boleh diubah seiring untuk meningkatkan matlamat penukaran
Jika dilakukan dengan betul, ujian multivariat boleh menghapuskan keperluan untuk
menjalankan beberapa ujian berurutan A / B pada halaman yang sama dengan matlamat
yang sama. Sebaliknya, ujian yang berjalan serentak dengan nombor yang lebih besar
daripada variasi dalam tempoh yang lebih singkat.

Click Analyze > Compare Means > One-Way ANOVA...

Anda akan dipersembahkan dengan skrin berikut:

Memindahkan pembolehubah bersandar (Masa) ke dalam Senarai Tanggungan : kotak

dan pembolehubah bebas (Kursus ) ke dalam Faktor : kotak menggunakan butang
Button SPSS Right Arrow sesuai ( atau seret dan lepaskan pembolehubah ke dalam
tempat) , kerana didakwa di gambarajah di bawah:

Klik butang Button SPSS Post Hoc . Tandakan kotak semak Tukey seperti yang
ditunjukkan di bawah:

Ini adalah JADUAL yang menunjukkan output analisis ANOVA dan sama ada
kita mempunyai perbezaan statistik yang signifikan antara kumpulan kami
bermakna . Kita dapat melihat bahawa aras keertian ialah 0.021 (p = 0,021 ) ,
iaitu di bawah 0.05. dan oleh itu, terdapat perbezaan statistik yang signifikan

dalam min panjang masa untuk menyelesaikan masalah hamparan antara

kursus-kursus yang berbeza diambil.