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

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

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

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

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

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

yang terjadi pada variabel-variabel" untuk "apa yang berpotensi telah umum jika variabel yang sempurna yang terkait." Mari kita pertimbangkan sebuah ilustrasi sederhana. Mari kita mengatakan bahwa dalam sampel kami, indeks rata-rata WCC adalah 100 pada laki-laki dan 102 perempuan. Jadi, kita bisa mengatakan bahwa rata-rata, deviasi dari masingmasing skor individu dari mean (101) mengandung komponen karena jenis kelamin subyek; ukuran komponen ini adalah 1. Nilai yang, dalam arti, mewakili beberapa ukuran hubungan antara Gender dan WCC. Namun, nilai ini adalah ukuran yang sangat miskin karena tidak memberitahu kita bagaimana komponen ini relatif besar diberi "diferensiasi keseluruhan" skor WCC. Pertimbangkan dua kemungkinan ekstrim: Jika semua nilai WCC laki-laki setara tepat untuk 100 dan orang-orang perempuan sama dengan 102, maka semua penyimpangan dari mean dalam sampel kita akan sepenuhnya diperhitungkan berdasarkan gender. Kami akan mengatakan bahwa dalam sampel kami, Gender adalah sempurna berkorelasi dengan WCC, yaitu 100% dari perbedaan yang diamati antara subjek tentang WCC mereka dicatat dengan gender mereka. Jika skor WCC berada di kisaran 0.000-1.000, 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. Sebagai contoh, salah satu subyek yang lebih diperhitungkan bisa berubah, atau bahkan membalikkan arah perbedaan. Oleh karena itu, 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. Untuk indeks Umum "Format Umum" Pengujian statistik paling Karena tujuan akhir dari uji statistik yang paling adalah untuk mengevaluasi hubungan antara variabel, tes yang paling statistik mengikuti format umum yang dijelaskan dalam paragraf sebelumnya. Secara teknis, mereka mewakili rasio dari beberapa ukuran diferensiasi umum dalam variabel dalam pertanyaan untuk diferensiasi keseluruhan dari variabel tersebut. Misalnya, mereka mewakili rasio dari bagian diferensiasi keseluruhan nilai WCC yang dapat dipertanggungjawabkan oleh gender untuk diferensiasi keseluruhan nilai WCC. Rasio ini biasanya disebut rasio variasi menjelaskan kepada variasi total. Dalam statistik, variasi menjelaskan panjang tidak selalu berarti bahwa kita "secara konseptual memahami" itu. Hal ini digunakan hanya untuk menunjukkan variasi umum dalam variabel dalam pertanyaan, yaitu, bagian variasi dalam satu variabel yang "dijelaskan" oleh nilai-nilai tertentu dari variabel lainnya, dan sebaliknya. Bagaimana "Tingkat Signifikansi statistik" adalah Dihitung Mari kita asumsikan bahwa kita telah menghitung ukuran hubungan antara dua variabel (seperti yang dijelaskan di atas). Pertanyaan berikutnya adalah "seberapa besar hubungan ini?" Sebagai contoh, adalah 40% dari varians menjelaskan antara dua variabel cukup untuk mempertimbangkan relasi yang signifikan? Jawabannya adalah "tergantung." Secara khusus, makna sebagian besar tergantung pada ukuran sampel. Sebagaimana dijelaskan sebelumnya, dalam sampel yang sangat besar, bahkan hubungan yang sangat kecil antara variabel akan signifikan, sedangkan pada

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

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

Namun, karena ukuran sampel (sampel yang digunakan untuk membuat distribusi sampling dari mean) meningkat, bentuk distribusi sampling menjadi normal. Perhatikan bahwa untuk n = 30, bentuk distribusi yang "hampir" normal (lihat pertandingan penutupan sesuai dengan).