Dasar Konsep dalam Statistik Ikhtisar Apa Variabel?

Variabel adalah hal-hal yang kita mengukur, mengendalikan, atau memanipulasi dalam penelitian. Mereka berbeda dalam banyak hal, terutama dalam peran mereka diberikan dalam penelitian kami dan jenis tindakan yang dapat diterapkan kepada mereka. Korelasional vs Eksperimental Penelitian Sebagian besar penelitian empiris jelas milik salah satu dari dua kategori umum. Dalam penelitian korelasional, kita tidak (atau setidaknya mencoba untuk tidak) mempengaruhi setiap variabel tetapi hanya mengukur mereka dan mencari hubungan (korelasi) antara beberapa set variabel, seperti tekanan darah dan tingkat kolesterol. Dalam penelitian eksperimental, kita memanipulasi beberapa variabel dan kemudian mengukur efek dari manipulasi ini pada variabel lainnya. Sebagai contoh, seorang peneliti artifisial dapat meningkatkan tekanan darah dan tingkat kolesterol kemudian merekam. Analisis data dalam penelitian eksperimental juga turun untuk menghitung "korelasi" antara variabel, khususnya, mereka dimanipulasi dan mereka yang terkena manipulasi. Namun, data eksperimen berpotensi dapat memberikan informasi kualitatif yang lebih baik: hanya data eksperimen secara meyakinkan dapat menunjukkan hubungan kausal antara variabel. Sebagai contoh, jika kita menemukan bahwa setiap kali kita mengubah variabel A berubah B maka variabel, maka kita dapat menyimpulkan bahwa "Sebuah mempengaruhi B." Data dari penelitian korelasional hanya dapat "ditafsirkan" dalam hal kausal didasarkan pada beberapa teori yang kita miliki, tetapi data korelasional tidak bisa meyakinkan membuktikan kausalitas. Dependent Variabel Independen vs Variabel independen adalah mereka yang dimanipulasi sedangkan variabel dependen hanya diukur atau terdaftar. Perbedaan ini muncul terminologically membingungkan banyak, karena, karena beberapa siswa mengatakan, "semua variabel tergantung pada sesuatu." Namun, setelah Anda terbiasa dengan perbedaan ini, menjadi sangat diperlukan. Istilah variabel dependen dan independen berlaku terutama untuk penelitian eksperimental di mana beberapa variabel yang dimanipulasi, dan dalam pengertian ini mereka adalah "independen" dari pola reaksi awal, fitur, niat, dll dari mata pelajaran. Beberapa variabel lain yang diharapkan akan "bergantung" pada manipulasi atau kondisi eksperimental. Artinya, mereka bergantung pada "apa subjek yang akan dilakukan" di respon. Agak bertentangan dengan sifat perbedaan ini, istilah ini juga digunakan dalam studi di mana kita tidak benar-benar memanipulasi variabel independen, tetapi hanya menetapkan subjek untuk "kelompok eksperimental" berdasarkan beberapa pra-ada sifat dari subyek. Sebagai contoh, jika dalam sebuah eksperimen, laki-laki dibandingkan dengan perempuan tentang sel putih mereka count (WCC), gender bisa disebut variabel independen dan variabel dependen WCC. Pengukuran Timbangan Variabel berbeda dalam seberapa baik mereka dapat diukur, yaitu, dalam berapa banyak informasi terukur skala pengukuran mereka dapat menyediakan. Ada jelas beberapa kesalahan pengukuran yang terlibat dalam setiap pengukuran, yang menentukan jumlah informasi yang kita dapat memperoleh. Faktor lain yang menentukan jumlah informasi yang dapat diberikan oleh sebuah variabel jenisnya skala pengukuran. Secara khusus, variabel diklasifikasikan sebagai (a) nominal, (b) rasio ordinal, (c) Interval, atau (d). Variabel nominal memungkinkan hanya klasifikasi kualitatif. Artinya, mereka dapat

Misalnya. dapat kita katakan adalah bahwa dua individu yang berbeda dalam hal variabel A (misalnya. suhu. tetapi tetap saja mereka tidak mengizinkan kita untuk mengatakan "berapa banyak lagi. variabel yang terkait jika nilai-nilai mereka sistematis sesuai dengan satu sama lain untuk pengamatan ini.diukur hanya dari segi apakah setiap item milik beberapa kategori khas yang berbeda. Sebagai contoh. mereka fitur titik nol diidentifikasi mutlak. Kita dapat mengatakan bahwa suhu 40 derajat lebih tinggi dari suhu 30 derajat. dan interval itu sendiri merupakan contoh yang baik dari variabel ordinal. Sebagai contoh. sebagai skala temperatur Kelvin adalah skala rasio. tetapi juga untuk mengukur dan membandingkan ukuran perbedaan antara mereka. dalam sampel pengamatan. warna. Penelitian korelasional melibatkan pengukuran hubungan tersebut dalam cara yang paling . ras. Contoh umum skala rasio adalah ukuran waktu atau ruang. tapi kita tidak bisa mengukur atau bahkan urutan peringkat kategori tersebut. Kebanyakan prosedur analisis data statistik tidak membedakan antara interval dan rasio sifat dari skala pengukuran. cara baik melibatkan hubungan antara variabel. namun kami tidak dapat mengatakan "betapa kurang" atau bagaimana perbedaan ini sebanding dengan perbedaan antara skala ordinal dan interval. Variabel rasio sangat mirip dengan variabel interval. biasanya. tidak hanya dapat kita katakan bahwa suhu 200 derajat lebih tinggi dari satu dari 100 derajat. dan bahwa peningkatan 20 sampai 40 derajat dua kali lebih banyak sebagai peningkatan dari 30 sampai 40 derajat. Tinggi terkait dengan Berat karena. Hubungan antara Variabel Terlepas dari jenis mereka. dll Variabel ordinal memungkinkan kita untuk peringkat memesan item kita mengukur dalam hal yang kurang dan yang memiliki lebih dari kualitas diwakili oleh variabel. Mengapa Hubungan antara Variabel Penting Secara umum. mereka mengijinkan untuk laporan seperti x adalah dua kali lebih dari y. kita dapat mengatakan bahwa pengukuran nominal menyediakan informasi pengukuran kurang dari ordinal. Dengan demikian. dengan demikian. Dengan kata lain. kemajuan ilmu pengetahuan harus selalu melibatkan menemukan hubungan baru antara variabel. tujuan akhir dari setiap analisis penelitian atau ilmiah adalah menemukan hubungan antara variabel. merupakan suatu skala interval. misalnya. Gender dan WCC akan dianggap terkait jika laki-laki yang paling memiliki WCC tinggi dan betina yang paling WCC rendah. kita benar dapat menyatakan bahwa itu adalah dua kali lebih tinggi." Sebuah contoh khas dari variabel ordinal adalah status sosial ekonomi keluarga. di samping semua sifat-sifat variabel interval. tapi kita tidak bisa mengatakan mana yang "memiliki lebih" dari kualitas diwakili oleh variabel. kota. Filsafat ilmu pengetahuan mengajarkan kita bahwa tidak ada cara lain yang mewakili "makna" kecuali dalam hal hubungan antara beberapa kuantitas atau kualitas. Skala interval tidak memiliki properti rasio. nilai-nilai dari variabel tersebut akan didistribusikan secara konsisten. Misalnya. Interval variabel memungkinkan kita tidak hanya untuk peringkat urutan item yang diukur. atau sebaliknya. kita tahu bahwa menengah-atas lebih tinggi dari tengah tapi kita tidak bisa mengatakan bahwa itu adalah. orang tinggi lebih berat daripada yang pendek. Juga. mereka adalah ras yang berbeda). IQ berhubungan dengan Jumlah Kesalahan dalam tes jika orang dengan IQ yang lebih tinggi kita membuat lebih sedikit kesalahan. Misalnya. 18% lebih tinggi. dua atau lebih variabel yang terkait jika. Sebagai contoh. ordinal. ini perbedaan yang sangat antara skala nominal. Contoh umum variabel-variabel nominal adalah gender. yang diukur dalam derajat Fahrenheit atau Celcius.

1960)." Sebagai contoh. nilai dari nilai p-merupakan indeks penurunan keandalan hasil (lihat Brownlee. Semakin tinggi nilai p. antara variabel) atau perbedaan (misalnya. jika setiap laki-laki dalam sampel kami adalah ditemukan memiliki WCC lebih tinggi daripada perempuan dalam sampel. dengan asumsi bahwa dalam populasi itu tidak ada hubungan antara variabel-variabel apapun. 1 / 20) menunjukkan bahwa ada kemungkinan 5% bahwa hubungan antara variabel-variabel yang ditemukan dalam sampel kami adalah "kebetulan. tidak ada hubungan atau ada perbedaan. penelitian eksperimental tidak berbeda dalam hal ini. kita bisa memprediksi yang didasarkan pada lain (setidaknya di antara anggota sampel kami). Misalnya. Keandalan (atau "kebenaran"). semakin sedikit kita bisa percaya bahwa hubungan yang diamati antara variabel dalam sampel merupakan indikator yang dapat diandalkan hubungan antara variabel masing-masing dalam populasi. Secara khusus. ia mengatakan bagaimana kemungkinan itu adalah bahwa hubungan yang sama akan ditemukan jika percobaan diulang dengan sampel lainnya yang diambil dari populasi yang sama. Dua Dasar Fitur Setiap Hubungan antara Variabel Dua sifat formal yang paling dasar dari setiap hubungan antara variabel (a) besarnya hubungan (atau "ukuran") dan (b) kehandalan (atau "kebenaran"). Ingatlah bahwa kita hampir tidak pernah "pada akhirnya" hanya tertarik pada apa yang terjadi di sampel kami. antara berarti) dalam sampel terjadi secara kebetulan murni ("keberuntungan menarik"). Untuk indeks Apa itu "Signifikansi statistik" (nilai p)? Signifikansi statistik dari hasil adalah probabilitas bahwa hubungan yang diamati (misalnya. semua dari ratusan prosedur yang dijelaskan dalam buku online dapat ditafsirkan dalam mengevaluasi berbagai macam hubungan antar-variabel. nilai p merepresentasikan probabilitas kesalahan yang terlibat dalam menerima hasil pengamatan kami sebagai yang valid.05 (yaitu. Hal ini berkaitan dengan "keterwakilan" dari hasil yang ditemukan dalam sampel tertentu kami untuk seluruh penduduk. lihat berikutnya ayat)." Dengan kata lain. kita bisa mengatakan bahwa signifikansi statistik dari hasil memberitahu kita sesuatu tentang sejauh mana hasilnya adalah "benar" (dalam arti yang "mewakili populasi"). Dengan kata lain. kami tertarik dalam sampel hanya sejauh dapat memberikan informasi tentang populasi. Besarnya (atau "ukuran"). Namun. Jika penelitian kami memenuhi beberapa kriteria tertentu (yang akan disebutkan nanti).mudah. maka keandalan dari hubungan antara variabel yang diamati dalam sampel kami dapat diperkirakan dan mewakili kuantitatif menggunakan ukuran standar (secara teknis disebut nilai p atau tingkat signifikansi statistik. tapi masih sangat penting. Sebagai contoh. percobaan yang disebutkan di atas membandingkan WCC pada laki-laki dan perempuan dapat digambarkan sebagai mencari korelasi antara dua variabel: Gender dan WCC. sebagai "wakil dari populasi. Keandalan dari suatu relasi adalah konsep yang jauh kurang intuitif. Dengan kata lain. Besarnya jauh lebih mudah untuk memahami dan mengukur dari keandalan. yaitu. Lebih teknis. Statistik tidak apa-apa lagi tetapi membantu kita mengevaluasi hubungan antara variabel. Menggunakan istilah teknis kurang. dan bahwa dalam populasi dari mana sampel tersebut diambil. p-nilai 0. dan kami mengulangi eksperimen seperti kita satu demi satu. kita bisa berharap bahwa sekitar dalam setiap 20 ulangan percobaan akan ada di mana relasi antara . Sebenarnya. kita bisa mengatakan bahwa besarnya hubungan antara dua variabel (Gender dan WCC) yang sangat tinggi dalam sampel kita.

Kekuatan vs Keandalan dari Hubungan antara Variabel Kami mengatakan sebelumnya bahwa kekuatan dan keandalan adalah dua fitur yang berbeda dari hubungan antara variabel. Mengapa Hubungan kuat antara Variabel Lebih Signifikan Dengan asumsi bahwa tidak ada hubungan antara variabel-variabel masing- . analisis yang lebih Anda lakukan pada satu set data. probabilitas mereplikasi studi dan menemukan hubungan yang berkaitan dengan kekuatan statistik dari desain. Banyak contoh dalam buku teks online menawarkan saran spesifik tentang bagaimana untuk melakukan ini. Signifikansi statistik dan Jumlah Analisis Dilakukan Tak perlu dikatakan. keputusan akhir biasanya tergantung pada apakah hasilnya diperkirakan apriori atau hanya ditemukan post hoc dalam perjalanan banyak analisis dan perbandingan dilakukan pada kumpulan data. Namun. Lihat juga. tetapi ingat bahwa ini tingkat signifikansi masih melibatkan probabilitas kesalahan cukup tinggi (5%).05 lazim diperlakukan sebagai "garis batas yang diterima" tingkat kesalahan. informasi yang relevan juga dapat ditemukan dalam buku teks penelitian metode yang paling. Dalam banyak bidang penelitian. Bagaimana Menentukan bahwa Hasil adalah "Benar" Signifikan Tidak ada cara untuk menghindari kesewenang-wenangan dalam keputusan akhir untuk apa tingkat signifikansi akan diperlakukan sebagai benar-benar "signifikan. hubungan yang lebih dapat diandalkan (lihat paragraf berikutnya). Dalam prakteknya. sewenang-wenang. pada jumlah total bukti yang mendukung yang konsisten di set seluruh data. hasil ilmu yang menghasilkan p . Analisis Daya). 45 koefisien korelasi yang berbeda). hasil yang lebih akan bertemu "secara kebetulan" tingkat signifikansi konvensional. Hasil yang signifikan pada tingkat 0. jika Anda menghitung korelasi antara variabel sepuluh (yaitu. semakin besar besarnya hubungan antara variabel. 001 tingkat sering disebut "sangat" signifikan. dan pada "tradisi" yang ada di daerah tertentu dari penelitian. bahkan jika nilai dari variabel-variabel yang benar-benar acak dan variabel tersebut tidak berkorelasi dalam populasi. Misalnya. kesempatan baik untuk kesalahan tersebut termasuk beberapa "koreksi" atau penyesuaian untuk jumlah total perbandingan. ketika ada hubungan antara variabel dalam populasi. Secara umum. Oleh karena itu. sampai yang hasilnya akan ditolak sebagai tidak sah. pemilihan beberapa tingkat signifikansi. maka Anda harus berharap untuk menemukan secara kebetulan bahwa sekitar dua (yaitu. Biasanya. mereka tidak sepenuhnya independen. terserah kepada peneliti untuk hati-hati mengevaluasi keandalan temuan tak terduga. (Catatan bahwa ini tidak sama dengan mengatakan bahwa. metode statistik banyak (terutama eksplorasi sederhana analisa data) tidak menawarkan solusi mudah untuk masalah ini. dengan demikian.005 atau p . Namun. di banyak. mengingat bahwa ada IS hubungan antara variabel.05 dianggap batas statistik signifikan." Artinya.variabel dalam pertanyaan akan sama atau lebih kuat dari pada kita. dan p 0. dalam sampel dari suatu ukuran tertentu.01 p biasanya dianggap signifikan secara statistik. satu dari setiap 20) koefisien korelasi yang signifikan pada tingkat 0.05 p. p-nilai . Beberapa metode statistik yang melibatkan banyak perbandingan dan. Tapi ingat bahwa klasifikasi tidak lain merupakan konvensi yang sewenang-wenang yang hanya informal berdasarkan pengalaman penelitian umum. kita dapat berharap untuk meniru hasil 5% dari waktu atau 95% dari waktu.

kemungkinan penyimpangan acak dari ukuran tertentu (dari rata-rata populasi).. Seberapa sering itu terjadi? Ukuran sampel kecil dalam percobaan masing-masing. ada kesempatan satu-dalamdelapan bahwa kedua laki-laki akan memiliki WCC yang tinggi dan kedua perempuan dengan WCC rendah. satu hari. probabilitas secara kebetulan kombinasi dari nilai-nilai menunjukkan hubungan yang kuat adalah relatif tinggi. Contoh: Bayi Laki Rasio Bayi Cewek Pertimbangkan contoh ini dari penelitian pada penalaran statistik (Nisbett. maka ada juga kemungkinan kombinasi masing-masing beberapa nilai-nilai variabel dan. di sisi lain. Tak perlu dikatakan. ini benar hanya jika ukuran sampel dipertahankan konstan. atau sebaliknya. murni secara kebetulan. Rata-rata. tidak begitu jelas bagi orang awam: itu jauh lebih mungkin terjadi di rumah sakit kecil. semakin kuat hubungan yang ditemukan dalam sampel. Jadi.masing dalam populasi. di salah satu rumah sakit. 120 bayi lahir setiap hari. yang dalam hal ini akan menjadi hasil menunjukkan adanya hubungan antara Gender dan WCC diperoleh dari populasi yang seperti relasi tidak tidak ada. sebagian besar percobaan akan menghasilkan hasil mendekati 0. karena hubungan dari kekuatan yang diberikan dapat berupa yang sangat signifikan atau tidak signifikan sama sekali. Mengapa Hubungan Kecil Dapat Terbukti Signifikan Hanya dalam Sampel Besar . 1987). probabilitas seperti hasil secara kebetulan akan praktis nol. Perhatikan ilustrasi berikut. besarnya dan pentingnya relasi tampaknya terkait erat. dari waktu ke waktu. jika kita mulai mereplikasi percobaan sederhana dengan menggambar pasang sampel (laki-laki dan perempuan) dari ukuran tertentu dari populasi ini dan menghitung perbedaan antara WCC rata-rata dalam setiap pasangan sampel. semakin besar kemungkinan bahwa kita akan memperoleh hasil yang salah tersebut. hanya 12. Mari kita lihat contoh yang lebih umum. Bayangkan populasi teoritis di mana nilai rata-rata WCC pada pria dan wanita adalah persis sama. Seperti yang Anda lihat. tetapi sebagai penelitian menunjukkan. menurun dengan meningkatnya ukuran sampel. semakin kecil kemungkinan itu adalah bahwa tidak ada hubungan yang sesuai dalam populasi. dan hanya ada empat subjek dalam sampel kami (dua laki-laki dan dua perempuan). Sekarang mempertimbangkan probabilitas seperti cocok secara kebetulan jika sampel kita terdiri dari 100 subjek. dengan demikian. Di mana rumah sakit lebih mungkin terjadi? Jawabannya adalah jelas untuk statistik. sepasang sampel akan diambil di mana perbedaan antara pria dan wanita akan sangat berbeda dari 0. namun. maka probabilitas bahwa kita akan menemukan. hasil yang paling mungkin akan juga menemukan ada hubungan antara variabel-variabel dalam sampel penelitian. dan kita bisa menghitung signifikansi dari besarnya dan sebaliknya. Ada dua rumah sakit: di pertama. rasio bayi laki-laki untuk bayi perempuan lahir setiap hari di setiap rumah sakit adalah 50/50. Namun. hubungan 100% antara dua variabel dapat setinggi seperdelapan. Secara khusus. tergantung pada ukuran sampel (lihat paragraf berikutnya). Alasan untuk ini adalah bahwa secara teknis. dkk. dua kali lebih banyak bayi perempuan dilahirkan sebagai bayi laki-laki. Mengapa Signifikansi dari Hubungan antara Variabel Tergantung pada Ukuran Sampel Jika ada pengamatan sangat sedikit. Namun. Jika kita tertarik pada dua variabel (Jenis Kelamin: laki / perempuan dan WCC: tinggi / rendah).

Namun. dan saat melempar. dalam populasi) kecil.000001%! Jadi. Bagaimana Mengukur Besaran (Kekuatan) Hubungan antara Variabel Ada langkah-langkah sangat banyak dari besarnya hubungan antara variabelvariabel yang telah dikembangkan oleh ahli statistik. jika hubungan yang dimaksud adalah "obyektif" yang sangat besar. jika sebuah relasi besar. Secara teknis. diikuti dengan satu prinsip umum: mereka berusaha entah bagaimana mengevaluasi hubungan diamati dengan membandingkan ke "hubungan dibayangkan maksimum" antara variabel tertentu. maka ukuran sampel harus hampir sama dengan ukuran populasi. sifat hubungan. kebanyakan orang akan mempertimbangkan bukti yang cukup bahwa ada sesuatu yang salah dengan koin. pengukuran skala yang digunakan. agak lebih mungkin menghasilkan kepala dari ekor (misalnya. kita membandingkan "apa . bayangkan berapa banyak lemparan akan diperlukan untuk membuktikan bahwa suatu koin adalah asimetris jika bias hanya 0. Dengan kata lain. 60% vs 40%). dll Hampir semua mereka. signifikan pada tingkat setinggi mungkin.Contoh dalam paragraf sebelumnya menunjukkan bahwa jika sebuah hubungan antara variabel yang dimaksud adalah "obyektif" (yaitu. namun. maka tidak ada cara untuk mengidentifikasi seperti hubungan dalam penelitian kecuali sampel penelitian adalah Sejalan besar. semakin besar ukuran sampel yang diperlukan untuk membuktikannya signifikan. yang dianggap besar tak berhingga. Artinya. itu akan dianggap bukti yang meyakinkan bahwa dalam populasi teoritis jumlah tak terbatas kali pelemparan koin ini. kemudian sepuluh lemparan tidak akan cukup untuk meyakinkan orang bahwa koin tersebut asimetris bahkan jika hasilnya diperoleh (enam kepala dan empat ekor) sempurna mewakili bias dari koin. ukuran sampel minimum yang diperlukan meningkat sebagai besarnya efek yang akan menurun ditunjukkan. Jika sebuah koin sedikit asimetris. segala sesuatu yang akan ditemukan setelah pengujian seluruh penduduk akan." efek tidak akan signifikan secara statistik bila sampel kecil. Misalnya. jika efek tersebut cukup besar. secara definisi. dan ini juga mencakup semua "tidak ada hubungannya" hasil. jika hampir tidak ada hubungan antara dua variabel. Analog. kemudian sepuluh lemparan bisa cukup. maka dapat ditemukan signifikan bahkan dalam sampel kecil. Berbicara kurang teknis. pilihan ukuran tertentu dalam situasi yang diberikan tergantung pada jumlah variabel yang terlibat. bayangkan sekarang bahwa uang logam yang sangat asimetris bahwa tidak peduli bagaimana Anda melemparkan. hasilnya akan kepala. Pertimbangkan ini ilustrasi tambahan. ia begitu bahwa 10 lemparan tidak cukup untuk membuktikan sesuatu? Tidak. ukuran sampel yang diperlukan untuk meyakinkan membuktikan mendekati tak terhingga. maka dapat ditemukan sangat signifikan bahkan dalam studi berdasarkan sampel yang sangat kecil. Sebagai contoh. Signifikansi statistik mewakili kemungkinan bahwa hasil yang sama akan diperoleh jika kita diuji seluruh penduduk. cara yang umum untuk melakukan evaluasi tersebut adalah untuk melihat bagaimana membedakan nilai-nilai dari variabel. Ketika besarnya efek mendekati 0. dan kemudian menghitung bagian apa dari ini "pembedaan yang tersedia secara keseluruhan" dicatat oleh contoh ketika diferensiasi yang "umum" dalam dua (atau lebih) variabel dalam pertanyaan. Untuk indeks Dapatkah "Hubungan Tidak" menjadi Hasil Signifikan? Semakin kecil hubungan antara variabel. Bahkan jika sampel kami sebenarnya adalah "sempurna perwakilan. Jadi. akan ada kepala lebih dari ekor. Jika Anda melemparkan seperti koin sepuluh kali dan masing-masing melemparkan kepala diproduksi. Dengan demikian.

adalah 40% dari varians menjelaskan antara dua variabel cukup untuk mempertimbangkan relasi yang signifikan? Jawabannya adalah "tergantung. perbedaan yang sama (dari 2) antara WCC rata-rata laki-laki dan perempuan ditemukan di studi ini akan menjelaskan suatu bagian kecil dari diferensiasi keseluruhan nilai yang paling mungkin akan dianggap diabaikan. dan sebaliknya. dalam arti." Secara khusus. tes yang paling statistik mengikuti format umum yang dijelaskan dalam paragraf sebelumnya. makna sebagian besar tergantung pada ukuran sampel. kita bisa mengatakan bahwa rata-rata. Dalam statistik. bagian variasi dalam satu variabel yang "dijelaskan" oleh nilai-nilai tertentu dari variabel lainnya. ukuran komponen ini adalah 1. Oleh karena itu. Nilai yang. Bagaimana "Tingkat Signifikansi statistik" adalah Dihitung Mari kita asumsikan bahwa kita telah menghitung ukuran hubungan antara dua variabel (seperti yang dijelaskan di atas). mereka mewakili rasio dari bagian diferensiasi keseluruhan nilai WCC yang dapat dipertanggungjawabkan oleh gender untuk diferensiasi keseluruhan nilai WCC. yaitu 100% dari perbedaan yang diamati antara subjek tentang WCC mereka dicatat dengan gender mereka. Mari kita mengatakan bahwa dalam sampel kami.yang terjadi pada variabel-variabel" untuk "apa yang berpotensi telah umum jika variabel yang sempurna yang terkait.000. Sebagai contoh. Namun. Pertimbangkan dua kemungkinan ekstrim: Jika semua nilai WCC laki-laki setara tepat untuk 100 dan orang-orang perempuan sama dengan 102. Gender adalah sempurna berkorelasi dengan WCC. salah satu subyek yang lebih diperhitungkan bisa berubah. Pertanyaan berikutnya adalah "seberapa besar hubungan ini?" Sebagai contoh. indeks rata-rata WCC adalah 100 pada laki-laki dan 102 perempuan. Sebagaimana dijelaskan sebelumnya. Misalnya. maka semua penyimpangan dari mean dalam sampel kita akan sepenuhnya diperhitungkan berdasarkan gender. Jika skor WCC berada di kisaran 0. sedangkan pada . setiap tindakan yang baik hubungan antara variabel harus memperhitungkan diferensiasi keseluruhan nilai individu dalam sampel dan mengevaluasi hubungan dalam hal (relatif) berapa banyak diferensiasi ini dicatat oleh hubungan dalam pertanyaan. Jadi. deviasi dari masingmasing skor individu dari mean (101) mengandung komponen karena jenis kelamin subyek. nilai ini adalah ukuran yang sangat miskin karena tidak memberitahu kita bagaimana komponen ini relatif besar diberi "diferensiasi keseluruhan" skor WCC." Mari kita pertimbangkan sebuah ilustrasi sederhana. atau bahkan membalikkan arah perbedaan. mereka mewakili rasio dari beberapa ukuran diferensiasi umum dalam variabel dalam pertanyaan untuk diferensiasi keseluruhan dari variabel tersebut. mewakili beberapa ukuran hubungan antara Gender dan WCC. bahkan hubungan yang sangat kecil antara variabel akan signifikan. yaitu. Secara teknis. variasi menjelaskan panjang tidak selalu berarti bahwa kita "secara konseptual memahami" itu. Rasio ini biasanya disebut rasio variasi menjelaskan kepada variasi total. Kami akan mengatakan bahwa dalam sampel kami. Hal ini digunakan hanya untuk menunjukkan variasi umum dalam variabel dalam pertanyaan.000-1. dalam sampel yang sangat besar. Untuk indeks Umum "Format Umum" Pengujian statistik paling Karena tujuan akhir dari uji statistik yang paling adalah untuk mengevaluasi hubungan antara variabel.

Dengan kata lain. tergantung pada ukuran sampel. distribusi normal merupakan salah satu dasar empiris diverifikasi "kebenaran tentang sifat umum dari realitas. mana pasang sampel laki-laki dan perempuan yang diambil dari suatu populasi di mana nilai rata-rata WCC pada laki-laki dan perempuan adalah persis sama. sepasang sampel akan diambil dimana perbedaan antara pria dan wanita sangat berbeda dari 0. Sayangnya. hasil ulangan tersebut "terdistribusi normal" (prinsip yang penting dijelaskan dan digambarkan . fungsi yang akan memberi kita signifikansi (p) tingkat. Mengapa "Distribusi Normal" adalah Penting "Distribusi normal" adalah penting karena dalam banyak kasus. Fungsi kita perlu memberi tahu kami sebenarnya "seberapa besar kemungkinan itu adalah untuk mendapatkan hubungan besarnya diberikan (atau lebih besar) dari sampel ukuran tertentu.sampel yang sangat kecil bahkan hubungan yang sangat besar tidak dapat dianggap dapat diandalkan (signifikan). dan berbagai ± 2 standar deviasi mencakup 95% dari nilai." Dengan kata lain.) Jika Anda memiliki akses ke Statistika. lihat Apakah Semua Statistik Uji Biasanya Terdistribusi?). dalam banyak kasus kita tahu bentuk dan dapat menggunakannya untuk menentukan tingkat signifikansi untuk temuan kami dalam sampel dengan ukuran tertentu. misalnya.0001. Sebuah properti karakteristik dari distribusi normal adalah bahwa 68% dari semua pengamatan yang berada dalam kisaran ± 1 standar deviasi dari mean. probabilitas dihitung dengan Statistika akan kurang dari . Seberapa sering hal itu terjadi? Jika ukuran sampel cukup besar.99 %) berada dalam kisaran ± standar deviasi 4. Akan ideal jika fungsi probabilitas linier dan. nilai standar) dari 4. Bentuk yang tepat dari distribusi normal (karakteristik "kurva lonceng") didefinisikan oleh fungsi yang hanya memiliki dua parameter: mean dan deviasi standar. fungsi yang lebih kompleks dan tidak selalu persis sama. Ilustrasi Bagaimana Distribusi Normal Digunakan dalam Penalaran statistik (Induksi) Ingat contoh yang dibahas di atas. Dalam pengertian ini. pengamatan yang memiliki nilai standar kurang dari -2 atau lebih dari 2 memiliki frekuensi relatif dari 5% atau kurang. hanya memiliki lereng yang berbeda untuk ukuran sampel yang berbeda. dibagi dengan standar deviasi. karena dalam distribusi normal hampir semua pengamatan (yaitu. dari waktu ke waktu. dalam distribusi normal. dalam rangka untuk menentukan tingkat signifikansi statistik. (Nilai Standar berarti bahwa sebuah nilai dinyatakan dalam perbedaan dari mean. namun. secara filosofis. dengan asumsi bahwa tidak ada hubungan seperti antara variabel-variabel dalam populasi. Ini "alternatif" hipotesis (yang tidak ada hubungan dalam populasi) biasanya disebut hipotesis nol. yang disebut normal. Sebagian besar fungsi-fungsi ini terkait dengan tipe umum dari fungsi. baik mendekati fungsi yang diperkenalkan dalam paragraf sebelumnya (untuk ilustrasi rinci. lebih dari 99. Distribusi uji statistik banyak normal atau berikut beberapa bentuk yang dapat diperoleh dari distribusi normal. Jadi. kita membutuhkan sebuah fungsi yang merupakan hubungan antara "besarnya" dan "signifikansi" hubungan antara dua variabel. Animasi di bawah ini menunjukkan daerah ekor yang terkait dengan nilai-nilai Z yang lain. misalnya." dan statusnya dapat dibandingkan dengan salah satu hukum dasar ilmu alam. Anda dapat menjelajahi nilai yang tepat probabilitas yang terkait dengan nilai yang berbeda dalam distribusi normal dengan menggunakan Probabilitas alat Kalkulator interaktif. dan itu akan memberitahu kami probabilitas kesalahan yang terlibat dalam menolak gagasan bahwa hubungan tersebut tidak ada dalam populasi. jika Anda memasukkan nilai Z (yaitu. Meskipun hasil yang paling mungkin dari percobaan tersebut (satu pasang sampel per percobaan) adalah bahwa perbedaan antara rata-rata di WCC laki-laki dan perempuan dalam masingmasing pasangan mendekati nol.

. bahkan jika distribusi dari variabel yang bersangkutan tidak normal. Jika seperti probabilitas dihitung begitu rendah sehingga memenuhi kriteria sebelumnya diterima signifikansi statistik. tes ini memerlukan bahwa variabel dianalisis itu sendiri biasanya didistribusikan dalam populasi. bentuk distribusi yang "hampir" normal (lihat pertandingan penutupan sesuai dengan). dan 30) menggunakan variable yang jelas non-normal dalam populasi. karena ukuran sampel (sampel yang digunakan untuk membuat distribusi sampling dari mean) meningkat. F atau Chi-square. Prinsip ini diilustrasikan dalam animasi berikut ini menunjukkan serangkaian distribusi sampling (dibuat dengan secara bertahap meningkatkan ukuran sampel: 2. yaitu." Banyak variabel yang diamati sebenarnya terdistribusi normal. dalam banyak kasus kita masih bisa menggunakan uji distribusi berbasis normal jika kita hanya memastikan bahwa ukuran sampel kami cukup besar. dengan demikian. bentuk distribusi sampling (yaitu. distribusi statistik dari sampel. maka kita hanya memiliki satu pilihan: menyimpulkan bahwa hasil kami memberikan pendekatan yang lebih baik dari apa yang terjadi di dalam populasi daripada "hipotesis nol" (ingat bahwa hipotesis nol dianggap hanya untuk "alasan teknis" sebagai patokan terhadap yang mengakibatkan empiris kita dievaluasi). tetapi ini sering tidak nyaman karena tes tersebut biasanya kurang kuat dan kurang fleksibel dalam hal jenis kesimpulan bahwa mereka dapat menyediakan. Asumsi ini dibahas dalam paragraf berikutnya.dalam paragraf berikutnya) dan. Biasanya. 15. Pertama. bentuk distribusi sampling menjadi normal. Namun. 1928a) pendekatan bentuk normal. kita justru dapat menghitung probabilitas memperoleh "secara kebetulan" hasil yang mewakili berbagai tingkat penyimpangan dari populasi hipotetis ratarata 0. kita bisa menggunakan beberapa alternatif "nonparametrik" test (atau disebut "distribusi bebas tes" lihat. yaitu. Masalahnya mungkin terjadi ketika kita mencoba untuk menggunakan distribusi pengujian berbasis normal untuk menganalisis data dari variabel yang terdistribusi normal sendiri tidak (lihat tes normalitas di Nonparametrics atau ANOVA / MANOVA). Perhatikan bahwa untuk n = 30. 5 10. tapi kebanyakan dari mereka yang baik didasarkan pada distribusi normal secara langsung atau distribusi yang terkait dengan dan dapat diturunkan dari normal. "distribusi sampling") adalah normal. dengan meningkatnya ukuran sampel. Yakni. kita memiliki dua pilihan umum. distribusi nilai-nilai jelas miring. seperti t. Apakah Semua Statistik Uji Terdistribusi Biasanya? Tidak semua. istilah ini pertama kali digunakan oleh Fisher. mengetahui bentuk kurva normal. Nonparametrics). Dalam kasus tersebut. mereka memenuhi apa yang disebut "asumsi normalitas. Pilihan yang terakhir ini didasarkan pada prinsip yang sangat penting yang sebagian besar bertanggung jawab untuk popularitas tes yang didasarkan pada fungsi normal. Catatan bahwa ini penalaran seluruh didasarkan pada asumsi bahwa bentuk distribusi dari mereka "ulangan" (teknis. yang merupakan alasan lain mengapa distribusi normal merupakan "fitur umum" dari realitas empiris. Atau.

Sign up to vote on this title
UsefulNot useful