STATISTIK DESKRIPTIF

A. KATA INI "STATISTIK," TIDAK “SADISTICS”

Statistik hanyalah satu set prosedur untuk menggambarkan, sintesis,
menganalisis, dan menafsirkan data kuantitatif. misalnya, prosedur statistik dapat
menghasilkan satu nomor (yaitu, mean) yang menunjukkan skor rata-rata 1000 siswa.
sebagai contoh lain, misalkan kita menemukan bahwa sekelompok gadis-gadis kelas tiga
memiliki rata-rata lebih tinggi pada tes membaca dari sekelompok gadis-gadis kelas tiga
memiliki rata-rata lebih tinggi pada tes membaca dari kelompok kelas tiga anak dari
kelas yang sama. kita harus khawatir tentang anak laki-laki?. Statistik dapat memberitahu
kami jika perbedaan antara anak laki-laki dan perempuan adalah sesuatu yang mungkin
telah terjadi secara kebetulan atau jika itu adalah temuan yang berarti menunjukkan
anak-anak ini-atau anak laki-laki dalam umum perlu bantuan tambahan.
Dalam bab ini kita menjelaskan prosedur bagaimana statistik membantu
menjelaskan informasi yang dikumpulkan selama penelitian. Prosedur ini, tidak
mengherankan disebut statistik deskriptif, memberikan informasi dasar tentang ber num
peserta dalam studi, karakteristik mereka, dan menundukkan mereka lakukan pada tes
atau hasil. Karena begitu banyak pendekatan statistik yang tersedia untuk peneliti, dalam
bab ini kita membahas yang umum digunakan dalam penelitian pendidikan, dan kami
fokus pada kemampuan anda untuk menerapkan dan menafsirkan statistik ini, tidak
kemampuan anda untuk menjelaskan alasan teoritis dan derivasi matematis.
Untuk membantu pemahaman Anda tentang statistik deskriptif, kita
menggunakan Pacific Crest Sekolah Dasar fiksi, yang kita diperkenalkan pada Bab 6,
sebagai contoh bila terus kita untuk menunjukkan nilai dan relatif mudah menggunakan
prosedur ini. Pacific Crest adalah sekolah fiksi, tapi informasi yang kami telah
menciptakan sekitar siswa kelas tiga di kelas Mrs.Alvarez mewakili kelas multikultural
khas di pantai barat Amerika Serikat. Kami menggunakan nilai siswa di negara bagian
mereka diperlukan tes untuk menggambarkan bagaimana tertentu prosedur deskriptif
digunakan. Secara khusus, contoh kita bergantung pada gagasan bahwa Pacific Crest
harus melaporkan nilai siswa untuk memenuhi Kemajuan Tahunan (AYP) persyaratan
yang memadai di bawah No Child Left Behind tindakan (NCLB). Sebagai peneliti
pendidikan yang perlu meningkatkan belajar siswa, kami tertarik dalam mengidentifikasi
kemungkinan alasan untuk perbedaan antara kelompok siswa misalnya, jika anak laki-
laki dan anak-anak tampil cukup berbeda dalam satu ruang kelas di Pacific Crest, kami
 ingin tahu mengapa sehingga kita bisa, Jika mungkin, menghilangkan atau setidaknya
mengurangi perbedaan. Apakah guru mendukung satu jenis kelamin atas yang lain? jika
demikian, kita dapat melakukan sesuatu penganti untuk bahwa perilaku pengembangan
profesional pelatihan untuk guru, menempatkan guru pada rencana bantuan, atau
berpotensi menggantikan guru jika diperlukan. Guru khususnya di kelas adalah variabel
di mana kita memiliki kontrol; dengan demikian, ketika berbicara tentang efek dari guru
terhadap hasil belajar siswa, kita mengacu pada variabel independen sebagai variabel
lunak (misalnya, salah satu yang kita dapat mengubah).

B. BAHASA STATISTIK
Beberapa peneliti menghitung prosedur statistik dengan tangan lagi; kami
memiliki program komputer yang sangat baik tersedia untuk membuat perhitungan ini.
Namun demikian, itu adalah penting untuk memahami perhitungan dasar menjadi
dilakukan oleh komputer. karena tujuan kita di sini adalah untuk membantu Anda
mendapatkan pemahaman konseptual prosedur statistik, tidak menjadi staticians, kita
akan memperkenalkan beberapa rumus dan kemudian memberikan contoh output dari
program statistik. Walaupun rumus untuk prosedur statistik sering muncul lebih
whelming pada pandangan pertama, mereka prosedur matematika Hanya dasar.
Memahami prosedur statistik yang seperti belajar bahasa baru dan dalam hal ini adalah
Yunani: notasi statistik menggunakan huruf Yunani sebagai singkatan. Misalnya, alih-
alih menyatakan bahwa Anda perlu menambahkan nilai semua orang, notasi statistik
menggunakan simbol Yunani huruf besar sigma (∑) berarti "jumlah itu."
Contoh dalam bab ini dihasilkan dari Excel atau SPSS, meskipun spreadsheet
lainnya dan statistik program yang tersedia. Anda mungkin akrab dengan Excel dan
mungkin memiliki akses ke sana melalui microsoft Kantor. SPSS (Paket Statistik dalam
Ilmu Sosial) mungkin kurang akrab bagi Anda, tetapi sering digunakan dan tersedia
dalam versi desktop ataupun jaringan (kami menggunakan contoh dari SPSS 14.0 for
Window –student Versi). Meskipun kami tidak memberikan setiap langkah setiap
prosedur, kami merujuk Anda ke bahan tambahan dalam lampiran.

C. MEMPERSIAPKAN DATA UNTUK ANALISIS

Prosedur scoring setelah data dikumpulkan, langkah pertama menuju analisis
melibatkan mengkonversi tanggapan perilaku ke dalam beberapa sistem numerik (yaitu,
scoring data kuantitatif) atau kategoris organisasi (mis .., coding data kualitatif). Ketika
 instrumen standar yang digunakan untuk koleksi data, scoring Apakah sangat facylitated.
manual uji biasanya merinci langkah-langkah untuk mengikuti mencetak masing-masing
tes, dan kunci scoring biasanya disediakan. adalah penting bahwa data mencetak akurat
dan konsisten, hasil tes setiap peserta harus mencetak gol dengan cara yang sama dan
dengan satu kriteria. jika manual diikuti dengan sungguh-sungguh dan masing-masing uji
mencetak dengan hati-hati, kesalahan diminimalkan. biasanya ide yang baik untuk
memeriksa kembali semua atau setidaknya beberapa tes (katakanlah 25% atau setiap tes
keempat) untuk konsistensi mencetak gol. mencetak instrumen yang dikembangkan
sendiri lebih kompleks, terutama jika terbuka item yang terlibat, karena peneliti harus
mengembangkan dan memperbaiki prosedur scoring yang dapat diandalkan. jika item
terbuka disertakan, setidaknya dua orang harus mandiri mencetak beberapa atau semua
tes sebagai cek kehandalan. langkah-langkah untuk mencetak setiap item dan untuk tiba
di skor total harus delinted dan diikuti dengan hati-hati, dan prosedur harus dijelaskan
dalam laporan penelitian akhir.

D. TABULASI DAN CODING PROSEDUR

Setelah instrumen telah mencetak, data yang dihasilkan adalah tabulasi dan
masuk ke dalam spreadsheet, biasanya pada komputer. tabulasi melibatkan
pengorganisasian data secara sistematis, misalnya dengan subjek individu. jika analisis
direncanakan melibatkan perbandingan subkelompok, skor harus dengan tabulasi untuk
setiap sub-kelompok. Tabel 12.1 menunjukkan data untuk siswa Pasific Crest,
diselenggarakan dalam spreadsheet Excel. record masing-masing siswa terdaftar
horizontal dengan jumlah siswa dan kemudian kode ulang pra menetapkan nilai untuk
setiap variabel ditempatkan di kolom vertikal. Misalnya, membaca seberang meja untuk
mahasiswa # 1, kita menemukan Kelamin = 1 (laki-laki), Etnis = 1 (African American),
tingkat Ekonomi = 1 (rendah), dan sebagainya. Skor atau kode untuk setiap variabel
kategoris harus dimasukkan dalam sebuah buku kode (lihat Tabel 12.2), yang berfungsi
sebagai kunci untuk nilai-nilai numerik sebagai menandatangani kontrak dengan masing-
masing variabel.
Berikut tabulasi, langkah berikutnya dalam analisis kami adalah untuk
menggambarkan apa yang terjadi dengan siswa kami, atau dengan kata lain untuk
meringkas data menggunakan deskriptif statistik. Pilihan teknik statistik yang sesuai
ditentukan untuk sebagian besar oleh anda desain penelitian, hipotesis, dan jenis data
yang Anda mengumpulkan. dengan demikian, pendekatan penelitian yang berbeda
menyebabkan berbeda analisis statistik. Namun, perlu diketahui kompleksitas analisis
adalah bukan merupakan indikasi dari "kebaikan" atau kesesuaian. regarsless dari
seberapa baik penelitian dilakukan, analisis pantas dapat menyebabkan tidak pantas

Kesimpulan penelitian. ls analisis data sama pentingnya dengan komponen lain dari
penelitian, dan prosedur statistik dan teknik penelitian harus diidentifikasi dan dijelaskan
secara rinci dalam rencana penelitian.
 Tabel. 12.1

Tabel 12.2 Kode Buku SD Pacific Crest

E. JENIS DESKRIPTIF STATISTIK

Dalam beberapa penelitian, khususnya survei penelitian, seluruh prosedur analisis

data dapat terdiri hanya dari menghitung dan menafsirkan statistik deskriptif, yang
memungkinkan peneliti untuk menggambarkan banyak potongan data yang berarti
sepenuhnya dengan sejumlah kecil indeks. Jika indeks tersebut dihitung untuk sampel
yang diambil dari populasi, nilai-nilai yang dihasilkan disebut sebagai statistik; jika
mereka dihitung untuk seluruh populasi, mereka disebut sebagai parameter, dengan kata
lain, statistik indeks menurut angka yang menggambarkan karakteristik sampel atau
sampel, dan parameter adalah indeks numerik yang menjelaskan karakteristik suatu
populasi. Banyak statistik yang digunakan dalam penelitian pendidikan didasarkan pada
data yang dikumpulkan dari sampel welldefined (lihat Bab 5), sehingga sebagian besar
analisis kesepakatan dengan statistik, tidak parameter.

Jenis utama dari statistik deskriptif dibahas dalam bagian-bagian berikut ini
frekuensi, ukuran pemusatan, ukuran variabilitas, langkah-langkah dari posisi relatif, dan
langkah-langkah hubungan.
1. FREKUENSI
Frekuensi mengacu pada jumlah kali sesuatu terjadi; dengan statistik deskriptif,
frekuensi biasanya mengacu pada jumlah kali setiap nilai variabel terjadi. Sebagai
contoh, kita ingin mengetahui jumlah anak laki-laki dan perempuan di kelas Mrs.
Alvarez di Pacific SD, jadi kita menghitung frekuensi menghitung (Yaitu, jumlah) untuk
setiap. Awal analisis kami dengan jumlah frekuensi membantu untuk memverifikasi data,
untuk menjadi pastikan semuanya telah dimasukkan ke dalam komputer benar. Misalnya,
pertimbangkan sebuah studi dari kepala sekolah analisis pertama (jumlah frekuensi
menunjukkan jumlah pelaku dalam setiap kelompok usia yang relevan dengan studi)
menunjukkan salah satu pelaku adalah empat tahun tua. Dengan asumsi tidak ada
probabilitas tinggi dari dewasa sebelum waktunya pokok empat tahun, para peneliti
memeriksa ulang data dan menemukan kepala sekolah benar-benar 40. Para peneliti tidak
akan menemukan ini kesalahan entri data sederhana yang mereka tidak melakukan
jumlah frekuensi variabel ini, usia.
Beberapa pilihan yang tersedia untuk melakukan penghitungan frekuensi awal
dari data kami. Kedua Excel dan SPSS memiliki berbagai fungsi yang memungkinkan
Anda untuk menghitung dan menampilkan jumlah individu atau kejadian untuk setiap
variabel. Misalnya, untuk varable nominal, seperti gender, kita dapat hanya menghitung
ke komputer frekuensi anak laki-laki (14) dan anak perempuan (11) dari data Pacific
Crest pada Tabel 12.1. Untuk variabel nominal atau ordinal, jumlah frekuensi untuk
setiap nilai sangat deskriptif.
Tabel 12.3 menunjukkan, untuk kelas tiga Ibu Alvarez di Pacific Crest Dasar,
jumlah siswa dari masing-masing jenis kelamin dan masing-masing etnis disajikan
dalam tabel pivot Excel. Sebagai pembanding. Tabel 12.4 menunjukkan versi SPSS,
yang dihitung dengan prosedur crosstabs, untuk informasi yang sama hal utama yang
perlu diperhatikan dalam kedua tabel adalah bahwa mereka menyediakan distribusi nilai
untuk setiap variabel kita telah memilih untuk mempertimbangkan.
 Kedua
tabel, tentu saja, menunjukkan jumlah frekuensi yang sama. Sebagai contoh, sel pertama
dalam tabel menunjukkan ada dua anak laki-laki (Jenis Kelamin # 1) yang Afrika
Amerika (Etnis # 1). Bacaan menuruni Columb, sel berikutnya di bawah Etnis # 1
menunjukkan bahwa tiga anak perempuan Afrika Amerika- Nyonya. kelas Alvarez
sehingga memiliki lima siswa yang Afrika Amerika, ditampilkan di Grand Total / Jumlah
columbs. petunjuk khusus untuk bagaimana menghasilkan masing-masing analisis ini
termasuk dalam lampiran, angka B.12.1 untuk Excel dan B.12.2 untuk SPSS
Frekuensi sedikit lebih rumit ketika kita pertimbangkan interval atau rasio
variabel (seperti tes skor) dan ketika kita memiliki satu set data yang jauh lebih besar
daripada 25 siswa. Karena setiap skor atau nilai dari rasio variabel mungkin terjadi hanya
sekali, frekuensi sederhana count biasanya tidak sangat membantu. Sebagai contoh,
Tabel 12.1 mencakup hanya satu contoh dari 18,4 untuk jatuh skor membaca, satu untuk
24,5, satu untuk 27,4, dua untuk 28,3, dan sebagainya. Menghitung frekuensi masing-
masing nilai variabel rasio biasanya tidak summarlze keluar datang bagi kita yang sangat
efektif. Oleh karena itu, perhitungan dari rata-rata keseluruhan, atau berarti, rasio atau
data interval memberikan indikator deskriptif jauh lebih baik daripada jumlah frekuensi.
mean adalah salah satu ukuran sebuah pusat dijelaskan pada bagian berikutnya.

2. UKURAN TEDENSI SENTRAL

Ukuran pemusatan adalah indeks yang mewakili nilai khas antara sekelompok
skor. Mereka menyediakan cara yang nyaman menggambarkan satu set data dengan
nomor tunggal yang mewakili nilai umumnya di tengah-tengah (yaitu, pusat) dataset.
Tiga langkah yang paling sering digunakan dari tendensi sentral adalah mean, median,
dan mode. Setiap indeks digunakan dengan skala pengukuran yang berbeda: mean ini
cocok untuk menggambarkan atau data rasio, median untuk menggambarkan ordinal, dan
modus untuk menggambarkan data nominal.

a. MEAN
Karena pengukuran yang paling kuantitatif dalam penelitian pendidikan
menggunakan skala interval, rata-rata adalah ukuran yang paling umum digunakan dari
tendensi sentral. Mean adalah rata-rata hitung dari nilai. Hal ini dihitung dengan
menjumlahkan semua skor dan membagi jumlah tersebut dengan jumlah skor.
Rumus untuk mean, X dengan bar di atasnya (X) adalah :
X = ∑X/n
Terlihat benar buruk? Namun, itu benar-benar cukup sederhana dan formula ini
memberikan ilustrasi yang baik dari penggunaan simbol-simbol statistik. Rumus untuk X
berarti tanpa bar di atas itu merupakan skor individu, dan Σ (seperti dibahas sebelumnya)
adalah simbol penjumlahan. Dengan demikian, ΣX meminta Anda untuk menambahkan
semua X; yaitu, semua jumlah scores.The titik data (yaitu, individu atau siswa dalam
contoh thls) diwakili oleh huruf n. Untuk menghitung mean, kita menjumlahkan X dan
dibagi dengan jumlah siswa.

Tabel 12.5 menunjukkan nilai rata-rata pada musim gugur membaca penilaian
untuk anak laki-laki dan anak perempuan di kelas Mrs.Alvarez ini. Tabel ini juga
menunjukkan standar deviasi, yang dibahas kemudian dalam bab ini. Perhitungan
dihitung dengan Excel dengan memilih Tools, Analis Data, dan Statistik Deskriptif,
maka menyoroti skor gugur membaca (Read F) memeriksa ringkasan Statisticss, dan klik
OK. menyortir membaca skor berdasarkan gender Apakah accompliebed dengan
menyorot kolom yang tepat dan kemudian memilih data, semacam, untuk mengatur skor
berdasarkan jenis kelamin (laki-laki = 1; girls = 2).
b. MEDIAN

Median adalah titik tengah dalam distribusi: 50% dari nilai di atas median, dan
50% berada di bawah median. jika jumlah total skor ganjil, median adalah nilai tengah
(dengan asumsi nilai busur diatur dalam urutan nilai). Jika jumlah skor bahkan, median
adalah titik tengah antara dua nilai tengah. Median, oleh karena itu, nol tentu salah satu
nilai yang sebenarnya dalam pengaturan data.

Median adalah paling berguna ketika melihat variabel yang mungkin berbeda
secara luas selama distribusi, seperti pendapatan. Sebagai contoh, jika kita menghitung
rata-rata atau rata-rata pendapatan orang tua di Pacific Crest, itu akan cenderung mirip
dengan sekolah lain di kabupaten. Namun, salah satu orang tua di Pacific Crest adalah
bintang rock yang membuat jutaan dolar. Secara signifikan lebih dari orang lain di
masyarakat. Pendapatan bintang rock itu membawa pendapatan mean naik, sehingga
indeks yang bukan representasi yang baik dari dataset lengkap. Dalam contoh ini, kita
dapat menggunakan median sebagai indeks tendensi sentral. Pendapatan terlampau tinggi
dari bintang rock adalah salah satu penghasilan di atas median, tidak peduli berapa
banyak lebih tinggi itu adalah dari pendapatan familie lain. median juga merupakan
ukuran yang sesuai tendensi sentral ketika data merupakan skala ordinal

c. MODUS

Modus adalah skor yang dicapai oleh lebih subyek daripada skor lainnya. Untuk
data yang disajikan dalam Tabel 12.6, misalnya, modus adalah 85; lebih Pacific Crest
siswa (12) mencapai skor yang dari yang lain. Modus ini tidak ditetapkan melalui
perhitungan; itu menentukan dengan melihat satu set nilai atau grafik skor dan melihat
yang mencetak paling sering terjadi. Modus umumnya nilai terbatas dan tidak sering
digunakan dalam penelitian pendidikan. Untuk satu hal, satu set skor mungkin memiliki
dua (atau lebih) mode, huruf set digambarkan sebagai bimodal atau multi-modal. Selain
itu, mode adalah ukuran anunstable dari pusat kecenderungan; sama-ukuran sampel yang
dipilih secara acak dari populasi diakses sama cenderung memiliki model yang berbeda.
ketika data nominal sedang dianalisis, bagaimanapun, modus adalah satu-satunya ukuran
yang sesuai tendensi sentral karena menceritakan apa yang terjadi paling sering.

Memutuskan antara Mean, median dan modus secara umum, rata-rata adalah
ukuran disukai tendensi sentral. adalah tepat ketika data mewakili baik selang atau skala
rasio. itu lebih tepat daripada median atau modus karena jika sampel yang sama-ukuran
yang dipilih secara acak dari populasi yang sama, cara mereka sampel akan lebih mirip
satu sama lain dari baik median atau mode. Namun, dengan sifat setiap dari cara di mana
itu dihitung, berarti memperhitungkan (yaitu, berdasarkan) skor masing-masing peserta.
karena semua skor menghitung, rata-rata dapat dipengaruhi oleh nilai ekstrim seperti
pendapatan bintang rock. sama, dalam penelitian pendidikan, ketika sekelompok nilai
ujian berisi satu atau skor yang lebih ekstrim, themedian adalah indeks terbaik dari
kinerja khas.
 Sebagai contoh, misalkan sembilan dari kami Pacific Crest Siswa memiliki nilai
berikut IQ: 96, 96, 97, 99100, 101, 102, 104, 195. Untuk skor ini, tiga ukuran tendensi
sentral adalah:

Modus = 96 (paling sering skor)

Median = 100 (tengah skor)
Mean = 110,6 (aritmatika rata-rata)

dalam kasus ini, median jelas terbaik mewakili skor khas. Mode: adalah toilet rendah,
dan rata-rata adalah lebih tinggi dari semua nilai kecuali satu. Mean adalah "menarik" ke
arah skor 195, sedangkan median dasarnya mengabaikan itu.

Gambar yang berbeda disajikan oleh berbagai Tindakan adalah bagian dari alasan
untuk frase berbohong dengan statistik. Meskipun perhitungan prosedur statistik
mungkin terbantahkan, seleksi dan aplikasi yang terbuka untuk interpretasi lebar.
Memilih satu indeks tendensi sentral atas satu sama lain dapat menimbulkan sudut
pandang tertentu dalam cahaya yang kuat. Di sengketa serikat guru-versus-administrasi
atas gaji, misalnya, perkiraan yang sangat berbeda dari gaji guru yang khas akan
diperoleh tergantung pada indeks tendensi sentral digunakan. Jika guru yang khas adalah
gaji yang $ 28.000, $ 30.000, $ 30.000, $ 33.000, 3,4,000, $ 37.000, dan $ 78.000,
langkah-langkah dari pusat kecenderungan yang

Modus = $ 30.000 (paling sering skor)

Median = $ 33.000 (gaji tengah)

Mean = $ 38.571 (aritmatika rata-rata)

kedua serikat dan administrasi guru bisa over kasus-kasus mereka, serikat dengan
menggunakan modus dan administrasi dengan menggunakan mean. mode lebih rendah
dari semua gaji kecuali satu, kecuali satu, dan rata-rata lebih tinggi dari setiap gaji
kecuali satu (yang kemungkinan besar adalah gaji guru dengan 30 atau lebih tahun
pengalaman). Jadi, dalam situasi ini indeks paling tepat gaji khas akan median. Ingat,
bagaimanapun bahwa dalam penelitian kami tidak tertarik pada "pembuatan kasus
"melainkan dalam menggambarkan data di paling cara yang akurat; untuk sebagian besar
dataset, rata-rata adalah langkah yang tepat tendensi sentral.
3. UKURAN VARIABILITAS

Meskipun ukuran pemusatan sangat berguna statistik untuk describeing satu set
data, mereka tidak cukup. Dua stes dari nilai siswa yang sangat beragam bisa berarti
identik atau median. misalnya, jika semua siswa mencetak 50%, kelompok mean dan
median akan 50-tetapi jika, dalam kelompok kedua, skor satu siswa 100 dan satu skor 0,
kelompok mean dan median juga 50, dan jelas kelompok yang tidak same.to memahami
situasi seperti ini, kita perlu langkah-langkah variabilitas, indeks bagaimana menyebar
sekelompok nilai adalah. Tiga langkah yang paling sering digunakan adalah rentang,
simpangan kuartil, dan standar deviasi. Meskipun deviasi standar yang paling sering
digunakan, kisaran adalah satu-satunya ukuran yang sesuai kemampuan variabel untuk
data nominal, dan kuartil deviasi adalah indeks yang tepat variabilitas untuk data ordinal.

a. RANGE atau JANGKAUAN

Rentang ini hanya perbedaan antara nilai tertinggi dan terendah dalam distribusi;
itu dihitung dengan pengurangan. Sebagai contoh, kisaran nilai tes musim gugur
membaca (Baca F) untuk siswa Pacific Crest adalah 5 5.1 polnts. atau dari 18,4 ke 73.S
poin (lihat Tabel 12.1). Seperti mode, kisaran bukan merupakan ukuran sangat stabil, dan
keuntungan utamanya adalah memberikan cepat, perkiraan kasar dari variabilitas sampel
tertentu.

b. KUARTIL DEVIASI

Kuartil deviasi adalah salah satu setengah dari selisih antara kuartil atas dan
kuartil bawah dalam distribusi. Kuartil atas mengacu pada top 25% dari nilai, juga
dikenal sebagai persentil ke-75. Sejalan dengan itu, kuartil bawah adalah persentil 25,
atau terendah 25% dari skor. Pada Pacific Crest, misalnya, jatuh membaca nilai (Baca F
pada Tabel 12.1) di atas 56,8 berada di kuartil atas; skor di bawah 36,4 berada di kuartil
yang lebih rendah. Dengan mengurangi titik cutoff untuk kuartil yang lebih rendah dari
titik cutoff untuk kuartil atas dan kemudian membagi hasilnya dengan dua, kita
mendapatkan ukuran variabilitas.

Jika kuartil penyimpangan kecil, skor busur dekat bersama; jika besar, skor lebih
menyebar. Ini informasi dapat memberitahu kita, misalnya, bagaimana siswa Pacific
Crest lakukan pada tingkat baca. Membandingkan anak laki-laki dan perempuan, kita
melihat anak laki-laki, sebagai kelompok, yang tidak konsisten sebagai gadis-gadis. juga,
kita akan menemukan bahwa deviasi kuartil untuk anak-anak lebih kecil daripada deviasi
boys.The kuartil adalah ukuran lebih stabil dari variabillty dari jangkauan dan tepat
setiap kali median adalah prosedur yang paling sesuai. Perhitungan deviasi kuartil
melibatkan proses yang sangat mirip dengan yang digunakan untuk menghitung rata-rata,
yang merupakan titik cutoff untuk kuartil kedua (50%).

c. VARIANS atau PERBEDAAN

Varians didefinisikan sebagai jumlah menyebarkan antara skor jika varians kecil,
skor yang berdekatan; jika besar, skor lebih menyebar. Perhitungan varians ini cukup
sederhana karena ringkasan statistik menunjukkan, rata-rata, seberapa jauh masing-
masing skor adalah dari mean. Sebagai contoh, misalkan lima siswa Pacific Crest
menerima membaca 'puluhan 35, 25, 30, 40, dan 30. Rerata nilai ini adalah 32 (∑X/n=
160/5). Perbedaan masing-masing siswa skor dari mean adalah sebagai berikut:

35 – 32 = 3
25 - 32 = -7
30 - 32 = -2
40 - 32 = 8
30 - 32 = -2

Ada sedikit varians komputasi sedikit masalah menggunakan skor perbedaan ini,
bagaimanapun, karena jika kita jumlah mereka, kita mendapatkan nol. Menemukan 0 ls
tidak sangat membantu, sehingga cara matematis keluar dari dilema ini ls persegi
perbedaan. Mengkuadratkan dan kemudian menjumlahkan setiap perbedaan
memberikan:

35 – 32 = 3 32 = 9
25 - 32 = -7 -72 = 49
30 – 32 = -2 -22 = 4
40 – 32 = 8 82 = 64
30 – 32 = -2 -22 = 4

Kami kemudian jumlah kuadrat perbedaan dan membagi dengan jumlah skor untuk
menghitung varians:
9 + 49 + 4 + 64 + 4 = 130
= 130/5 = 26
Rumus komputasi untuk varians, kemudian, adalah

∑ (X - X)2/n

Meskipun jarang digunakan dengan sendirinya, varians adalah perhitungan yang

membuat kita untuk ukuran yang paling umum digunakan variabilitas, standar deviasi.

d. STANDAR DEVIASI

Standar deviasi adalah akar kuadrat dari varians dari satu set nilai. akar kuadrat
dari varians dalam contoh sebelumnya (26) adalah 5.1, yang merupakan standar deviasi
dari lima skor. standar deviasi, digunakan dengan data interval dan rasio, adalah jauh
indeks yang paling sering digunakan variabilitas. mirip dengan mean, rekan
kecenderungan yang berada di pusat, standar deviasi adalah ukuran paling stabil
variabilitas dan mencakup setiap skor dalam perhitungan.

Sebagai contoh, meninjau data pada Tabel 12.5. tabel menunjukkan bahwa rata-
rata Jatuh Reading Skor (Baca F) untuk anak-anak di Pacific Crest secara keseluruhan
lebih tinggi dari skor untuk anak-anak (48,7 vs 43,9), dan anak-anak standar deviasi
(16,813) jauh lebih tinggi dari gadis itu (12,313). Deviasi standar menunjukkan bahwa
skor anak perempuan lebih dekat bersama-sama (yaitu, berkerumun di sekitar mean)
dibandingkan dengan skor anak itu ada lebih banyak variabilitas di antara anak laki-laki
dari kalangan anak-anak.

Manfaat yang berbeda dari menghitung standar deviasi adalah bahwa ia

menyediakan nilai standar untuk digunakan untuk membandingkan satu set nilai yang
lain. jika Anda tahu mean dan deviasi standar dari satu set nilai, Anda memiliki ide yang
cukup baik dari apa semua skor terlihat seperti. Menggunakan kedua, Anda bisa
menggambarkan satu set data cukup baik.

e. KURVA NORMAL

Anda telah tidak diragukan lagi mendengar tentang "gradasi pada th Tapi apa
yang "kurva?" Konsep ini berasal dari distribusi normal, di mana terdapat jumlah yang
sama tapi kecil dari A dan F, lebih B dan D dan kemudian banyak C di tengah. Grafik
frekuensi masing-masing hasil kelas dalam kurva berbentuk lonceng, dengan lebih
sedikit nilai pada ekstrem dan paling di tengah (lihat Gambar 12.1). Sebagai contoh lain,
Anda mungkin tahu sangat sedikit, jika ada, adultswho lebih tujuh kaki tinggi. Demikian
juga, Anda mungkin tahu sangat sedikit orang dewasa yang berada di bawah empat kaki.
kebanyakan orang adalah antara lima kaki dan enam kaki. di tengah-tengah distribusi
kurva A berbentuk lonceng dengan orang-orang yang lebih sedikit (atau skor) pada
ekstrem dan lebih banyak orang di tengah dianggap "normal". banyak variabel yang
terdistribusi secara normal, termasuk tinggi, berat, skor IQ, SAT, dan prestasi lainnya
skor.

Mengetahui bahwa variabel terdistribusi secara normal ternyata cukup berharga

dalam penelitian. Jika variabel terdistribusi secara normal, yaitu, membentuk normal,
atau lonceng berbentuk, kurva, maka beberapa hal ini benar:

1. 50% dari nilai di atas rata-rata dan 50% di bawah rata-rata.

2. Mean. median, dan modus yang memiliki nilai yang sama.
3. Kebanyakan skor yang dekat berarti Semakin jauh fron skor adalah, semakin sedikit
jumlah peserta yang mencapai skor itu. saya.
4. Untuk setiap nilai tersebut yang biasa jatuh antara mean dan satu standar deviasi di
atas e berarti, dan 34,13% dari nilai tersebut berada satu standar deviasi di bawah
rata-rata (lihat Gambar 12. Saya menemukan titik tengah pada kurva dan melihat
bagian bawah kurva ditandai 34,13%. dengan kata lain, 68,26% dari nilai ar dalam
satu standar deviasi dari mean 34,13% 34,13%), lebih dari 99% dari nilai akan jatuh
di suatu tempat antara tiga standar deviasi di atas dan tiga standar deviasi bawah
rata-rata.
Mengetahui di mana skor berada pada kurva normal membantu kita memahami di
mana mereka ditempatkan relatif dari dataset penuh. Misalnya, melihat garis 12,1 lalu.
ditandai Deviasi IQ-rata skor IQ 100, jatuh di tengah grafik dan langsung di bawah
puncak kurva normal di atas itu. Kurva normal menunjukkan bahwa 50% dari populasi
memiliki skor IQ di atas juga, dan 50% memiliki skor di bawah 100, Selain itu, skor IQ
memiliki standar deviasi 15, sehingga 34,13% dari seluruh nilai IQ adalah antara 85 dan
100 dan 34,13% adalah antara 100 dan 115. Secara keseluruhan, kemudian. 68,26%
34,13% 34,13%) dari skor IQ berada dalam Gplus atau satu standar deviasi dari mean
antara 115 dan 85.
Mari kita misalkan kita memiliki mahasiswa di Pacific Crest Dasar, Justin, yang
memiliki skor 1Q dari 115 Dengan pengetahuan Anda tentang kurva normal, Anda
sekarang dapat menentukan bahwa skor Justin dari 115 cukup good.An skor IQ dari 115
adalah salah satu standar deviasi di atas th rata-rata 100, dan 50% dari nilai yang di
bawah rata-rata. Dengan demikian kita dapat menghitung berapa banyak nilai IQ busur
skor Justin dari 115-50% Goclow ditambahkan ke 34,13% antara 100 dan 115), dengan
total 84,13%. Dengan kata lain, skor Justin lebih baik dari 84,13% dari nilai IQ lainnya.
Ia juga dapat menghitung persentase siswa yang mendapat nilai lebih tinggi dari Justin
dengan mengurangi 84,13% fron 100%: hanya 15,879 berada di atas skor Justin
perhitungan 115.From thesc, jelas bahwa skor IQ Justin dari 115 relatif tinggi; kita, oleh
karena itu, mengharapkan hasil nasional baik pendidik dari dia di sekolah.
Sekarang anggaplah kita memiliki siswa lain di Pacific Crest, Dolores, yang
memiliki skor IQ-standar deviasi dard (.e..15 15) di atas rata-rata 100 Gambar 12.1
menunjukkan bahwa 47,72% dari nilai bahwa dalam dua devitions standar di atas rata-
rata. dengan kata lain, 47,72% dari populasi memiliki IQ antara 100 dan 130 antara 100
dan 115 dan 13,59% antara 100 dan 130. Mengetahui bahwa 50% dari populasi memiliki
skor IQ di bawah 100, kita dapat menghitung persentase orang dengan arah skor IQ odcr,
kita dapat bahwa hanya 2,27 dari R di scorc Dolores untuk 130 c.2.14 otniously, kita
tidak menemukan banyak siswa (onl yang scorc serta Dolores tidak pada saya dengan
pemahaman dasar normii.v
Anda dapat lebih mudah memahami makna standar nilai, seperti untuk contoh
SAT Asanother, menganggap Dolores memiliki saudara area, Ivan, yang mencetak 800
pada SAT maitu gabungan. Gambar 12.1 menunjukkan SAT di La ditandai skor CEEB (
untuk Masuk Perguruan tinggi tion Dewan tampak hingga skr biasa i 800 adalah tiga
standar deviasi di di rata-rata 500, dan skornya menempatkan dia di McD: 99 (dikenal
sebagai ekor kurva hanya INoftt mencetak lebih tinggi dari Ivan.
Untuk meringkas, jika skor terdistribusi secara normal, pernyataan berikut benar:
 Pada Gambar 12.1. ujung pernah menyentuh baseline, dan tidak ada kurva numbot
pasti selalu memungkinkan untuk keberadaan ekstrem unexpo di akhir cither, dan cach
tambahan stas penyimpangan termasuk sebagian kecil dari nilai persen, kita perlu
meninggalkan ruang untuk extremelyn yang delapan atau 160 (e. deviasi standar di atas
rata-rata).

Misalnya, ry kebetulan memiliki siswa khususnya cerdas dalam satu tahun. Dalam
hal ini, meskipun intelijen m menjadi normal, akan lebih terdistribusi secara normal jika
kita melihat distrik sekolah bole (e. Populasi), studi Bocause berurusan dengan jumlah
peserta, doften bukan angka, penelitian sangat besar Data cfrom smple) hanya dapat
mendekati kurva normal. Untuk ark perbedaan ini, peneliti menggunakan SD untuk
mewakili e standar deviasi dari sampel dan simbol o e, Yunani huruf kecil sigma untuk
tepresent yang stan. deviasi ard penduduk (catatan bahwa Gambar 12.1 ses karena nilai
yang ditampilkan adalah dari bos populasi. Dalam bahasa statistik, o merupakan
parameter pulation, sedangkan SD merupakan statistik berdasarkan cukup.

f. SKEWED DISTRIBUSI
Maka distribusi tidak normal, itu dikatakan kewed, distribusi normal adalah
simetris; grafik adalah kurva berbentuk lonceng dengan mean, median, dan modus semua
sama. ingat bahwa distribusi normal memiliki sekitar jumlah yang sama dari skor ekstrim
pada setiap akhir distribusi. distribusi miring, namun tidak simetris; nilai-nilai mean,
median dan modus yang berbeda, dan ada nilai lebih ekstrim pada satu dan dari yang
lain. Sebuah distribusi negatif miring memiliki skor ekstrim di ujung bawah dari
distribusi, dan distribusi miring positif memiliki skor ekstrim di akhir lebih tinggi,
Angka 12.2 memberikan dua contoh dari distribusi miring dari tes 100-item.
distribusi negatif miring di sebelah kiri menunjukkan kasus di mana sebagian besar
peserta melakukannya dengan baik tapi beberapa tidak skor sangat buruk-rendah berada
di sebelah kiri dari distribusi dan skor yang lebih tinggi di sebelah kanan atas rata-rata.
sebaliknya, distribusi kedua di angka 12.2 adalah positif miring: sebagian besar peserta
melakukan buruk, tetapi beberapa melakukannya dengan sangat baik. dalam kedua kasus
mean "ditarik" ke arah nilai ekstrim.
Dalam distribusi miring, rata-rata selalu lebih dekat nilai ekstrim daripada median
karena mean dipengaruhi oleh nilai ekstrim bertindak seperti magnet dan menarik mean
ke arah mereka. Dengan demikian, untuk distribusi negative miring, mean (X) selalu
lebih rendah, atau lebih kecil dari median (md), untuk distribusi miring positif berarti
selalu lebih tinggi atau lebih besar dari modus median, tidak terpengaruh oleh nilai
extreme. Misalnya, pertimbangan usia dimana perempuan memiliki wanita bayi. Mereka
banyak melahirkan ketika mereka muda (dibawah 30), distribusi usia ibu saat melahirkan
adalah popsitif miring dan usia rata-rata lebih besar dari median atau modus untuk semua
wanita.
Untuk ringkasan:
Negative skewed: mean < median < mode
Positively skewed: mean > median > mode
Selain itu, jauh terpisah mean dan median, semakin miring distribusi, mengetahui jika

distribusi miring penting karena pengetahuan ini membantu kita memilih statistic lain

untuk menganalisa data. Jika distribusi sangat miring, maka sumsi noramlitas diperlukan
untuk banyak statistic (lihat bab 13) dilanggar. Untuk distribusi miring, peneliti

seringmnggunakan analisis dirancang untuk data nominal atau ordinal, bukan rasio atau

data interval.

4. MEASURE OF RELATION POSITION atau TINDAKAN POSISI RELATIF

Posisi relatif menunjukkan di mana skor jatuh dalam distribusi, relatif terhadap
semua skor lainnya yang telah diukur pada variabel sama.

Distribusi dengan kata lain, langkah-langkah dari posisi relative menunjukkan seberapa
baik seorang individu telah dilakukan dibandingkan dengan semua individu lain dalam
Sampel yang telah diukur dalam variable yang sama. Dalam bab 6 topik topic ini
ditujukan sebagai norma diferensikan mencetak hasil.
Keuntungan utama dari langkah-langkah dari posisi relative bahwa mereka
memungkinkan untuk membandingkan kinerja individu pada dua atau lebih tes yang
berbeda. Sengai contoh. Jika skor jatuh membaca justin di pacific crest adalah 40 dan
skor matematikanya adalah 35, itu otomatis bahwa ia melakukan yang lebuh baik dalam
mebaca. Skor dari 40 mungkin skor yang terendah pada test membaca dan nilai 35
tertinggi pada tes matematika. Langkah-langkah dari posisi relative mengungkapkan nilai
yang berbeda pada skala umum. Dua langkah yang paling sering digunakan dari posisi
relative yang peringkat persentil dan skor standar.

a. PERCENTILE RANKS atau PERSENTIL PERINGKAT

Sebuah peringkat persentil menunjukkan persentase skor yang jatuh pada atau
dibawah nilai yang diberikan. Mengetahui hanya itu justinmencetak 40 pada tes musim
gugur membaca tidak memberitahu kita seberapa baik skornya dibandingkan dengan
siswa lain, namun, jika kita menemukan bahwa skor justin dari 40 sesuai peringkat
persentil 55, maka kita tahu bahwa 45% dari para siswa mencetak lebih tinggi dari justin.
Karena kita tahu skor IQ justin menempatkan dia di peringkat persentil dari 84%, kita
mungkin agak khawatir bahwa skor bacaannya hanya dipersentile ke 55. Dia tidak ingin
tampil dan membaca seperti yang kita harapakan, mengingat jauh lebih tinggi persentil
peringkat untuk skor IQ nya. Kami pasti akan ingin tahu apakah justin adalah berprestasi,
jika dia mengalami masalah dengan membaca, atau jika sesuatu yang lain yang terjadi
untuk memperhitungkan skornya relative rendah.
Persentile sesuai untuk data yang diukur dalam skala ordinal, meskipun mereka
sering dihitung untuk data interval. Median dari satu set nilai sesuai dengan persentil ke
50. Median adalah titik tengah dan karena itu titik dibawah ini yang 50% dari nilai
tersebut berada. Peringkat persentile tidak digunakan sesering dalm studi penelitian,
tetapi sebagai contoh kita untuk pacific crest menunjukkan mereka sering digunakan
disekolah-sekolah public untuk melaporkan hasil tes siswa dalam bentuk yang didapat
dimengerti untuk sebagian besar penonton.

b. STANDAR SKOR
Perhitungan yang mengekspresikan nilai tes siswa n individu adalah dari unit
deviasi standar tn kata lain, skor mencerminkan berapa banyak standar deviatioa atau di
bawah rata-rata atau rasio n'ost umum repong digunakan nilai standar arcz scorcs Tscore
yang ditunjukkan pada Gambar 12.
Skor Standard memungkinkan skor dari yang berbeda untuk dibandingkan pada
skala umum dan th operasi matematika yang valid untuk melakukan. Misalnya, scorcs
membaca di Pacific Crest dan langsung dibandingkan dengan nilai matematika karena
berdasarkan diffcrent skala 40 pada dikalangan de berarti sama sebagai dalam
matematika. Namun, dengan uji untuk nilai kita bisa averageu dan tiba di indikator rata-
rata performan sebanding di tes.
Jika seperangkat skor baku, seperti tes siswa terdistribusi normal, maka begitu
juga setara standar, sama kurva normal cquivaler akurat 12.1 untuk standard scores
hanya jika distribusi adalah skor yang normal dapat diubah secara matematis untuk inare
bahwa distribusi skor standar akan maupun Selanjutnya, nilai standar dapat dibandingkan
hanya jika untuk skor yang diperoleh didasarkan pada skor mentah tersebut yang
kelompok yang sama. Misalnya, meskipun kedua Appar memiliki skor az dari 2,0
(seperti yang dibahas dalam tion Ctr), sebuah CEEB (Masuk Perguruan Tinggi skor
Pemeriksaan Dewan 7oo tidak setara dengan Wechsler IQ dari 130 Dol karena tes
bernorma pada kelompok-kelompok yang berbeda z skor. skor Az adalah yang paling
dasar dan paling ton standar skor z skor mengungkapkan skor langsung howfat adalah
dari mean dalam hal ofstandard unit devation blok. Sebuah skor yang setara dengan
sponds berarti corre cetak ulang untuk skor.
Az 0. A skor yang tepat sekali Cote standar deviasi di atas rata-rata sesuai sampai
17 skor stnc 1,00, dan nilai az of-1.00 adalah salah satu standiro atau penyimpangan
bawah rata-rata. Dua deviasi standar di atas rata-rata adalah skor az dari
+ 2.oo.and sehingga forh untuk T Sc membuat perhitungan tertentu skor az, kita
menggunakan d berikut rumus untuk mengkonversi skor mentah untuk 2 z sogre Score
ttansi mana X adalah skor.

Dari gambar 12,1 menunjukkan, jika satu set nilai adalah dibentuk menjadi skor
set, distribusi baru memiliki deviasi standar.
Keuntungan utama dari 2 skor adalah mereka memungkinkan skor dari tes yang
berbeda atau subyek yang akan dibandingkan seluruh individu. Misalnya, perhatikan
ringkasan dari nilai tes justin pada table 12.7 juga disebut skor mentah dikonversi ke
nilai z dan setara persentil.
Kita dapat menggunakan Gambar 12.1 untuk memperkirakan inequivalents untuk
skor givenz, tetapi hanya jika seluruh nomor scores2re atau jatuh rapi di skor scale.
Estimating yang jatuh antara nilai yang diberikan dalam angka lebih sulit. Sebuah
pendekatan yang lebih tepat, oleh karena itu, adalah dengan menggunakan Tabel A-3
pada Lampiran A Untuk setiap z antara-3,00 dan 3,00, kolom berlabel Lokasi proporsi
cascs yang disertakan sampai saat itu. Dengan kata lain, untuk setiap nilai 2, daerah
dibuat di sebelah kiri garis pada kurva merupakan proporsi kasus yang jatuh di bawah
skor z. Dengan demikian, untuk z.00 (nilai rata-rata), kita membaca menuruni colununs
sampai kita datang to.00.The daerah 5000 yang sesuai, yang mewakili 50% dari kasus
dan 50 per icentile.To menentukan daerah di bawah kurva atau per -. sentil untuk
Justin'szscore dari 1,0 kita hanya membaca bawah ther kolom sampai kita datang ke 1.00
c, skor z nya membaca sesuai arca di bawah kurva adalah 813. dengan mengalikan oleh
100, kami sec bahwa Justin membaca. skor sesuai dengan sekitar sentil per- 84 (yang
adalah apa yang kami temukan Carlier ketika kita eimated persentil dari Gambar 12.1)
Begitu pula, untuk skor membaca Dolores untuk z + 2,00, kita menemukan daerah di
bawah is.9772 kurva atau 97. 72% apa yang kami temukan sebelumnya The oMableA.3
manfaat isthat memungkinkan kita untuk membuat estimasi dari lebih tepat 2 skor.
Seperti Gambar 12.1 menunjukkan, nilai z adalah blok bangunan untuk sejumlah
nilai standar lainnya, yang merupakan transformasi dari z skor yang komunikasi- makan
informasi yang sama dalam bentuk andable lebih umum di bawah dengan
menghilangkan negatif, desimal, Tscores.

A T skor (juga disebut az pemberitahuan menjadi perbedaan antara smallzscore

dan modal Z kone) tidak lebih dari az skor dinyatakan atau diubah menjadi
skor score.The T setara adalah LEED untuk memberikan lebih mudah untuk memahami
nilai yang standar tanpa plus atau minus dan berasal skor z dari-1.00 bocomes sebuah
scorc T atau 40 17 1o 00 + 50 * 40) Ketika skor diubah ke T distribusi baru memiliki
rata-rata 50 dan deviasi andard dari 10 seperti yang ditunjukkan pada Gambar 12.1. tepat
di bawah garis menunjukkan nilai-nilai cquivalentzscore.
Sebuah contoh yang baik dari mengkonversi skor z menjadi distribusi asierto
mengerti adalah bagaimana SAT dan ada nilai dihitung untuk distribusi CEEB, seperti
yang ditunjukkan pada Gambar 12.1-Distribusi CEEB dibentuk dengan mengalikan skor
z dengan 100 Gto climinate-keputusan als) dan menambahkan 500 (CEEB 00 z 500) .Ini
lation Calcu, berasal dari scor z menghasilkan rata-rata 500 dengan standar deviasi dari
100, itu jauh lebih mudah, untuk e, mengatakan bahwa saudara Dolores ini, Ivan,
mencetak 800 pada nya SAT / Math daripada mengatakan dia 3,00 standar deviasi.
Demikian juga, jika sahabat Ivan, Gregg mencetak 1.00 deviasi standar pada SAT-nya,
itu lebih bermanfaat untuk memberitahu Gregg dia reccivcd skor of400, yang di bawah
uhe berarti dari 500 Demikian pula, wc dapat memahami lebih eas- ily sekarang dasar
untuk perhitungan skala standar terwujud lainnya diilustrasikan pada Gambar 12.1.
Sebagai contoh, AGCT Angkatan Darat Jenderal Klasifikasi Test) distribusi dibentuk
dengan mengalikan skor z 20: AGCT 20z 100. Anda bisa sec kesamaan dalam semua
skor dardized ini-standar yang berasal dengan zscore rendah hati.
Jika distribusi skor baku normal, maka begitu juga distribusi skor z dan Tscore
distribusi tion. Lf, di sisi lain, distribusi asli tidak normal (seperti ketika sampel kecil di
dilibatkan, 2 dan T scorcs tidak normal tions distribusi, baik. Dalam kedua kasus, kita
dapat menggunakan equivalencies kurva normal mengkonversi nilai tersebut menjadi cor
merespon persentil, atau sebaliknya, seperti pada Gambar 12.1 menunjukkan. misalnya,
skor az dari 1,00 menghasilkan distribusi CEEB (atau skor SAD 600, skor aAGCT dari
120, sebuah Wechsler dari 13, dan skor IQ dari 115-semua t persentil ke-84. Sebuah kata
dari hati-hati, namun Kita tidak bisa menyamakan skor tersebut atau tes lintas persentil
leve karena skor yang diperoleh dari kelompok sewa. berada di persentil ke-84 pada SAT
OES tidak sesuai dengan berada di ke-84 persentil pada tes IQ.

5. MEASURES OF RELATIONSHIP atau UKURAN RELATIONSHIP

Hubungan-melibatkan measur mengumpulkan data untuk tambang d apakah dan
degrcc relasi exis menjadi tween dua atau lebih terukur variabel ini des dari relasi
expressco sebagai koefisien korelasi dihitung dengan menggunakan dua set nilai dari si
atau Jika dua variabel sangat lated, koefisien korelasi dekat 1,00 atau-100 akan diperoleh
dua variabel yang tidak berhubungan, co near.00 efisien akan diperoleh.
Seperti yang ditekankan dalam Bab 8, ketika menafsirkan mea. langkah-
hubungan, peneliti harus berhati-hati tidak t membuat inappropriato asumsi kausal.
Sayangnya, kesalahan ini sering terjadi, tidak hanya di rescarch tetapi juga dalam pers
populer. Misalnya, National Public Radio baru ini melaporkan bahwa sebuah organisasi
wellmeaning ditemukan, setelah menjalankan studi korelasional, bahwa oftrees num ber
di lingkungan berbanding terbalik berkorelasi dengan jumlah kejahatan di
neighborhoodThat yaitu, lingkungan dengan lebih banyak pohon memiliki tingkat
kejahatan yang lebih rendah. organisasi menyimpulkan, karena itu, bahwa menanam
pohon akan menurunkan tingkat kejahatan Meskipun jumlah pohon adalah variabel lunak
(kita selalu dapat menanam lebih banyak pohon), bukan tidak mungkin solusi untuk
tingkat kejahatan; asumsi bahwa menanam pohon akan mengurangi kejahatan tingkat
serius cacat. Kurangnya pohon di lingkungan penuh kejahatan tidak benar-benar
masalah, itu adalah lingkungan dengan lebih banyak pohon biasanya di bagian yang
lebih bagus dari ini sama mudah untuk mengasumsikan hubungan sebab akibat dalam
pendidikan penelitian-keliru - dan dengan demikian peneliti harus hati-hati waspada
terhadap itu.
Sejumlah metode statistik yang berbeda dapat digunakan untuk menguji
hubungan mana yang tepat tergantung pada skala pengukuran yang diwakili oleh data
Dua yang paling sering digunakan analisis korelasional adalah korelasi product moment
sien, Pearson r, dan correla perbedaan peringkat koefisien tion, biasanya disebut sebagai
Spearman RBO Keduanya dibahas dalam bagian berikut; mereka juga menjelaskan,
bersama dengan teknik-tech korelasional lainnya, dalam Bab 8.

a. THE PEARSON R
Koefisien Pearson r korelasi adalah yang paling ap propriate ukuran ketika
variabel menjadi corrc lated dinyatakan sebagai salah interval atau rasio data yang Mirip
dengan mean dan standar deviasi, yang pearson r memperhitungkan setiap orang di
ributions juga paling stabil mengukur hubungan. Dalam penelitian pendidikan, paling
ukuran mewakili skala interval Pearson r adalah koefisien yang paling sering digunakan
untuk pengujian untuk hubungan.
Asumsi yang terkait dengan penerapan pearson r adalah bahwa ppl variabel
adalah hubungan antara variabel adalah salah satu linear. Jika hubungan tidak linier,
pearson r tidak akan lapangan indikasi yang valid dari relasi. Meskipun rumus komputasi
yang kompleks pada pandangan pertama, Pearson beberapa r adalah basicallo
perhitungan matematis yang menganggap hubungan ative uji cach orang, atau
occunu Kc.gx adalah skor seseorang untuk tes pertama, Andari skor orang itu untuk tes
sccond ).

Jika Anda melihat dekat pada rumus Pearson rauu akan melihat bahwa Anda
sudah berada famili dengan semua potongan ar formula kecuali satu, exy, yang bol untuk
penjumlahan produk skor Xandy setiap orang (tes pertama ega siswa skor multipli co
skor kedua siswa), Jelas, jika kita dataset, mul plying besar dan menjumlahkan setiap
band score6i cukup membosankan. Untungnya, computeE Rives pada nilai yang sama
dalam waktu lebih.
Untuk contoh konkret, kita kembali ke anaia kami hasil di kelas tiga Mrs. Alvarez
clzi Pacific Crest Dasar. Pertama, kita ingin mencari thc3 sociation atau korelasi antara
Kejatuhan Membaca skor Kejatuhan Matematika untuk siswa kita harapkan dari
pengalaman bahwa Membaca skor dan Mathscores wgul kemungkinan akan berkorelasi;
yaitu, siswa yang mendapat skor membaca wdt0 juga akan melakukannya dengan baik
pada matematika dan sebaliknya. Komputasi korelasi menggunakan SPSS adalah rchtho
sederhana Kami memilih opsi berikut, seperti illustratoo dalam Lampiran B, Gambar
B.12.5:
Analyze
Correlate
Bi-Variate
Setelah memilih opsi SPSS yang sesuai, kemudian pilih variable yang kita ingin
analisa. SPSS kemudian output ditampilkan ih Toble 12,8 ini display output pertama
CCL matriks menunjukkan koefisien korelasi sendiri ReadEThis ne fect orrelation (1),
tentu saja, seperti meja shows.If membaca seluruh matriks ke sel kedua, cakrawala. ully,
kita menemukan korelasi antara ReadF dan MathF 618 dengan tingkat
signifikansi of.001.The sel ketiga memberikan korelasi yang sama antara MathF dan
MathF oleh MathF 1, terdaftar pertama Sel terakhir adalah melawan dirinya sendiri, yang
merupakan korelasi fect sempurna tentu saja korelasi dua sel yang menunjukkan per- i G,
e pertama dan keempat disebut diagonal dari matrix.The dua sel lain dalam matriks
disebut sel off-diagonal. Karena hanya ada dua variabel dalam analisis ini. kedua kotak
offdiagonal menunjukkan koefisien korelasi yang sama Meskipun kita hanya perlu satu
nilai koefisien (618), SPSS mencetak informasi lengkap untuk semua sel. Setelah semua
informasi ini dalam matriks menjadi lebih impor. tant ketika kita berhubungan lebih dari
dua variabel dan matriks tumbuh 3 x 3, 4 x 4, atau lebih besar. Dalam dataset besar kita
sering menghitung korelasi untuk semua variabel rasio dalam persiapan untuk melakukan
beberapa re gression, seperti yang kita jelaskan di Bab 13.
Bagaimana kita menafsirkan temuan ini dari koefisien korelasi r 618 dengan nilai
signifikansi 001? Apakah ini baik? Apakah itu mewakili hubungan yang benar? Apakah
koefisien korelasi ini secara signifikan berbeda from.00? Jika Anda ingat diskusi terkait
dalam Bab 8, Anda tahu bahwa koefisien korelasi of.618 Bly proba- menunjukkan
hubungan yang kuat antara variabel. Selain itu, bahkan dengan ukuran sampel kecil kami
25 r.618 signifikan at.001.In kata lain, lihood seperti-menemukan korelasi ini besar,
hanya dengan (gambar) di pembuatan jalan dan matematika itu akan menjadi penting
bagi kami pada akhir tahun THC untuk menguji korelasi lagi: yaitu, untuk melihat wheth
membaca dan matematika skor yang er dudents 'telah meningkat pada tingkat yang sama.
 Kasus menggunakan SPSS untuk menentukan korelasi indlevel dari significancc
cukup jelas, tapi ingat jika kita sedang membuat perhitungan ini dengan tangan, suka itu
daripada menggunakan SPSS atau software statistik lainnya, kita harus tiba di Pearson r
sama of.618. SPSS mengikuti prosedur mic Anda akan untuk menghitung Pcarson r,
menyimpulkan produk dari skor X dan Y mengurangkan jumlah x kali dari Y,
membaginya dengan N di pembilang, dan kemudian membaginya dengan com
perhitungan rumit dalam denominator.Once Pearson r ditentukan, SPSS menghitung
signifikansi r ini didasarkan pada ukuran sampel dan derajat kebebasan (yang kita bahas
secara singkat dalam Bab 8 dan membahas secara lebih rinci dalam Bab 13) dan
mencetak persis tingkat signifikansi bagi mereka parameter, temuan kami dari of.001
tingkat signifikansi pada tabel 12.8 meyakinkan kita korelasi yang kami temukan adalah
tidak sangat mungkin karena kebetulan
Sedangkan SPSS menentukan tingkat cance signifi otomatis, ketika melakukan
analisis korelasi dengan tangan kita harus berkonsultasi meja koefisien korelasi, dengan
mempertimbangkan jumlah siswa atau peserta pengaruh jumlah tudents pada tingkat
signifikansi dilakukan melalui pertimbangan derajat kebebasan, sebagaimana tercantum
dalam Tabel A.2 di Lampiran A. Untuk derajat Pearson r kebebasan selalu dihitung
dengan rumus n-2 dengan n mewakili jumlah peserta untuk siapa kita telah dipasangkan
Data Ge, X dan n. Jadi, misalnya kita dengan Pacific Crest, derajat kebebasan (dD-N-2
25 2 23 Dengan tingkat signifikansi ditetapkan at.05 kita membaca menuruni labeled.05
kolom pada Tabel A.2 untuk garis yang sesuai dengan df nilai 20 dan 25 Ge., di kolom
pertama) nilai p pada Tabel A.2 adalah koefisien korelasi populasi th e digunakan
sebagai patokan untuk perbandingan dengan ple koefisien korelasi sam kami Meskipun
drvalue kami jatuh antara 20 dan 25, kita menemukan bahwa r Pearson kami 618 adalah
signifikan ifaf 25,3809) ordf 20 (p ex kami Perhatikan juga bahwa ifour Pearson r negatif
di A.2 di cukup (r 618) kita masih akan berkonsultasi Tabel dengan cara yang sama
karena arah relasi positif atau negatif) tidak mempengaruhi tingkat.
Spearman rho adalah di antara yang paling populer Ketika menggunakan rho
Spear manusia, kedua variabel berkorelasi harus peringkat. Sebagai contoh, jika intelijen
itu harus berkorelasi dengan peringkat kelas atau status cconomic, skor telligence di-
siswa harus diterjemahkan ke dalam jajaran Cc.g., rendah, sedang, tinggi), Spearman rho
memiliki kelemahan, namun , ketika lebih dari satu re individu ceives skor yang sama
ada dasi di ranking.In kasus ini sesuai jajaran dirata-ratakan. Misalnya, dua peserta
dengan skor tertinggi yang sama masing-masing akan ditugaskan Ranking 1,5, rata-rata
Rank dan Golongan 2. berikutnya skor tertinggi akan menjadi seperti menandatangani
Ranking 3. Demikian pula, tanggal 24 dan 25 nilai tertinggi, jika identik, masing-masing
akan ditugaskan peringkat 24,5. Seperti kebanyakan koefisien korelasi lain, Spearman
rho menghasilkan koefisien suatu tempat tween-1.000 dan + 1.00.If, misalnya, kelompok
ticipants nominal dicapai jajaran identik pada kedua koefisien variables.the akan 1,00.

b. DATA GRAFIK
Sebuah manfaat yang berbeda dari paket perangkat lunak kal statisti adalah
bahwa mereka menyediakan berbagai cara untuk menyajikan data dalam bentuk grafik.
Misalnya, Excel dan menyebar serupa. program lembar menawarkan cara yang sangat
mudah untuk membuat grafik data dengan diagram lingkaran yang umum digunakan dan
grafik garis. Karena bentuk distribusi tidak dapat Sel jelas, terutama jika sejumlah besar
skor yang terlibat, itu selalu membantu ful untuk memberikan representasi grafis dari
data, dan dalam beberapa kasus (misalnya, hubungan lengkung antara variabel bentuk
distribusi dapat mempengaruhi pilihan peneliti dari data statistik. 319 menampilkan
grafis data berkisar dari grafik simp ke yang lebih kompleks poligon frekuensi thu du
bermain tho bentuk data seperti dalam distributou.t bell kurva berbentuk normal. Gambar
menunjukkan simplcbak dibuat dalam Excel untuk distribusi Pacific Cres penyok, yang
diselenggarakan oleh gender dan lev ekonomi grafik Li diciptakan pertama dengan
membuat tabel pivot penjelasan, sosok B.12.3 di Appendu kemudian memilih Chart
Wizard. Gender pada mereka (tingkat vertikal dan ekonomi ic adalah pada horisontal X
Sebagai menunjukkan grafik, enam anak laki-laki di th tingkat ekonomi, empat anak
laki-laki berada di lev menengah sebagainya. Namun, perlu diketahui bahwa perangkap
thrcc dimensi memberikan yang efektif ilustrasi data untuk penonton yang tidak selalu
mudah untuk mengidentifikasi dari yang sebenarnya nilai poros meja islach hem. Jika
presisi adalah tujuan, maka pilihan lebih untuk menampilkan data.