1. Masalah pertama adalah melakukan uji beda sampel berpasangan pada kelompok LDR untuk membandingkan kedekatan sebelum dan sesudah LDR. 2. Formula yang digunakan adalah uji t berpasangan jika data berdistribusi normal, atau uji Wilcoxon jika tidak normal. 3. Langkah pertama adalah uji normalitas data kedekatan sebelum dan sesudah LDR menggunakan Shapiro-Wilk. 4. Jika data normal, gunakan uji t berpasangan dengan rumus $$t = \frac{\bar{d}}{s_d/\sqrt{n}}$$ di mana $\bar{d}$ adalah rata-rata selisih, $s_d$ adalah standar deviasi selisih, dan $n$ adalah jumlah pasangan. 5. Jika data tidak normal, gunakan uji Wilcoxon signed-rank test. 6. Hitung nilai effect size, misalnya Cohen's d untuk uji t dengan rumus $$d = \frac{\bar{d}}{s_d}$$ untuk mengukur besar efek. 7. Interpretasi hasil: jika p-value < 0.05, berarti ada perbedaan signifikan antara kedekatan sebelum dan sesudah LDR. 1. Masalah kedua adalah uji beda kedekatan (sesudah) dan rasa aman berdasarkan jenis pekerjaan (3 kelompok). 2. Langkah pertama adalah uji normalitas per kelompok menggunakan Shapiro-Wilk. 3. Jika n per kelompok > 30, asumsi normalitas dianggap terpenuhi. 4. Lakukan uji homogenitas varians dengan Levene. 5. Jika varians homogen dan data normal, gunakan one-way ANOVA. 6. Jika tidak, gunakan uji Kruskal-Wallis. 7. Jika ANOVA signifikan (p < 0.05), lakukan post-hoc Tukey HSD jika varians homogen, atau Games-Howell/Bonferroni jika tidak homogen. 8. Laporkan tabel berisi kelompok pekerjaan, n, mean, SD, hasil ANOVA (F, df, p), eta-squared (η²), dan hasil post-hoc. 1. Masalah ketiga adalah regresi linear bertahap memprediksi kedekatan (sesudah) dengan dua model: - Model 1: prediktor perilaku memberi - Model 2: prediktor perilaku memberi dan durasi hubungan 2. Langkah pertama adalah memasukkan prediktor perilaku memberi ke Model 1 dan menghitung R², Adjusted R². 3. Langkah kedua adalah menambahkan durasi hubungan ke Model 2 dan menghitung perubahan R² (ΔR²) dan signifikansi ΔF. 4. Laporkan koefisien regresi (B, SE B, β, t, p-value) untuk setiap model. 5. Periksa multikolinearitas dengan VIF, pastikan VIF < 4. 6. Bandingkan perubahan R² untuk mengetahui prediktor mana yang paling kuat. q_count adalah 3 karena ada tiga masalah berbeda yang dibahas.