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

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful