Skip to main content

Ujian Normality: Ujian Shapiro-Wilk

Ujian ini terhasil pada tahun 1965. Kiraan daripada ujian ini, statistik W, menguji samada sampel rawak, x1,x2,…,xn berasal daripada taburan normal. Nilai kecil daripada W membuktikan bahawa W berada jauh daripada normality (boleh tolak hipotesis nul).

Ujian Shapiro-Wilk sesuai di gunakan apabila sampel saiz kurang daripada 50. Jika nilai signifikan daripada ujian Shapiro-Wilk lebih daripada 0.05, maka data adalah bertaburan normal. Jika nilai sigifikan di bawah 0.05, maka data jauh daripada taburan normal.

Limitasi ujian ini adalah, jika saiz sampel bertambah besar maka semakin mudah untuk mendapat nilai signifikan.

Selain pada itu, ujian ini amat bagus jika dilakukan bersama dengan plot kebarangkalian normal (normality probability plot)


Kaedah Analisa Menggunakan SPSS


Set data contoh skor Matematik yang di gunakan mempunyai 30 sampel saiz.

Klik pada Analyze dan kemudian pada Descriptive Statistics. Kemudian klik pada Explore.


Pada kotak paling kiri, adalah pembolehubah-pembolehubah yang ada pada set data. Dalam kes ini, adalah pembolehubah V1 sahaja. Klik pada arrow (4), untuk memindahkan pembolehubah daripada kotak kiri ke kotak kanan.

Bagi contoh di atas, pembolehubah di masukan ke dalam kotak Dependent List (data yang akan di uji normality).

Jika ada dan data di bahagikan kepada kumpulan-kumpulan atau kategori seperti jantina lelaki dan perempuan maka boleh pembolehubah kumpulan atau kategori tersebut dimasukan ke dalam kotak  Factor List. Keputusan (output) normality skor Matematik,akan di bahagikan mengikut kumpulan atau kategori yang di gunakan, sebagai contoh kumpulan lelaki dan perempuan.


Kemudian klik pada Statistics.


By default seperti gambar rajah di atas. Tekan pad butang Continue.


Klik pada kotak Normality plot with test. Kemudian klik pada Continue.


Tekan pada butang Continue sekali lagi untuk mendapat keputusan (output)

Daripada gambar rajah di atas, jelas bahawa data adalah keadaan tidak bertaburan normal.( p = 0.009, p < 0.05 ).




Popular posts from this blog

G*Power Perisian Bagi Pengiraan Sampel Saiz.

Penggunaan Gpower kerap menekan kepada tiga langkah berikut: Memilih ujian statistik yang sesuai atau padan dengan masalah yang di kaji. Memilih di antara lima jenis analisis kuasa (power analysis) yang di sediakan. Sediakan parameter input yang di perlukan analasis dan klik pada “calculate” Pada Langkah 1, pendekatan yang digunakan untuk memilih ujian statistic (statistical test) adalah melalui dua pendekatan, iaitu distribution based atau design-based approach . Distribution-based approach to the test selection Melalui pendekatan distribution-based , pendekatan pertama adalah melihat pada kumpulan umum ujian statistik menggunakan '' Test family'' menu yang terdapat di window atau tingkap utama.   Ujian statitik ( Statistical test ) menu akan berubah mengikut pilihan di dalam '' Test family'' . Ujian-ujian yang ada akan selaras mengikut pada '' test family'' yang di pilih sahaja. Design-based approach to the test se...

ANOVA vs MANOVA

Perbezaan utama di antara ANOVA dan MANOVA adalah jumlah bilangan pembolehubah bersandar ( dependent variable ). Walaupun begitu, jika terdapat pembolehubah bersandar lebih daripada satu, masih bukan masalah dan merupakan pilihan lain jika pengkaji mahu untuk menguji secara berasingan menggunakan analisa ANOVA bagi setiap pembolehubah bersandar itu. Jadi, kenapa perlu menggunakan pengiraan MANOVA ini berbanding beberapa analisa menggunakan ANOVA jika terdapat pembolehubah bersandar yang lebih daripada satu seperti dua, tiga atau empat pembolehubah bersandar? Terdapat dua sebab utama, MANOVA berpotensi menggantikan ANOVA dalam beberapa keadaan. Pertama melibatkan teori yang logik dan kedua melibatkan statistiknya. Sebagai contoh: Skormatematik + skorfizik + skorkimia sebagai fungsi kepada ( as a function of ) minuman tambahan ( tiga tahap / level ) Minuman tambahan, pembolehubah tidak bersandar atau bebas dengan tiga tahap ( levels ) : minuman kurma, minuman madu dan minuma...

Krejcie & Morgan sample size calculator

Krejcie & Morgan Sample Size Calculator Enter Population Size (N): Calculate Sample Size Recommended Sample Size (n): 📘 About This Calculator This calculator uses the Krejcie & Morgan (1970) formula to estimate the minimum sample size required when the total population size is known. It is commonly used in social sciences, education, and health research. The formula is: n = (X² × N × P × (1 − P)) / (d² × (N − 1) + X² × P × (1 − P)) X² = 3.841 (for 95% confidence level) P = 0.5 (maximum variability) d = 0.05 (±5% precision) 📚 Citation Krejcie, R.V., & Morgan, D.W. (1970). Determining Sample Size for Research Activities . Educational and Psychological Measurement, 30 (3), 607–610. https://doi.org/10.1177/001316447003000308