Statistik

Parametrik dan Non-

Parametrik
Desy Indra Yani
Fakultas Keperawatan
Universitas Padjadjaran
SPSS
 MENJALANKAN SPSS
•  Start à SPSS for windows

•  Lanjutkan dengan “Doule klik”, hingga muncul

tampilan sbb:

•  Klik Ok, lanjutkan dengan
membuka file (*.sav)

•  Atau Klik “Cancel” jika Anda
ingin membuat file baru
(new)
 LEMBAR KERJA PADA TAMPILAN SPSS

1. Data View

2. Variable View

Data View &

Variable View
 1. Data View

2. Variable View
 MENAMBAH VARIABEL
•  Klik Data à insert variables, seperti tampilan berikut ini:

•  Variabel baru “var0001” akan muncul pada tampilan “Data
view” maupun “Variable View”
 MENAMBAH RECORD/CASES
•  Klik Data à insert variables,
seperti tampilan:


•  Secara otomatis record
akan bertambah
(penambahan record terjadi
sesuai posisi kursor)
 MEMBERI LABEL
•  Tampilkan “Variable View”

LABEL

•  Fungsi à memberikan nama pada setiap variabel agar lebih
mudah dipahami (boleh ada spasi dan jumlah karakter tidak
terbatas
 MEMBERI VALUE
•  Fungsi à memberikan value pada setiap nilai variabel
•  Diperlukan hanya pada variabel dengan tipe “numeric”
UJI STATISTIK
 HIPOTESIS

•  Hipotesis umum / konseptual : dugaan sementara tentang suatu

keadaan. Keadaan itu dapat berupa perbedaan, hubungan atau
pengaruh
•  Hipotesis statistik : hipotesis yang dapat dinyatakan dengan besaran-
besaran statistik
•  Bentuk rumusan hipotesis statistik :
H0 : hipotesis keadaan tak berbeda / tak berhubungan
H1 : hipotesis keadaan berbeda / berhubungan
•  Hipotesis harus diuji untuk verifikasi tentang keadaan itu. Pengujian
dapat dilakukan secara non-statistik atau dengan statistik. Secara
statistik, menguji apakah dugaan tentang populasi itu benar atau
didukung data.
 WILAYAH KRITIK (Uji 1 arah)

Sampling Distribution Level of Confidence

Rejection
Region
1–α
α
Nonrejection
Region

Ho Sample Statistic
Critical Value
Value
Observed sample statistic
 WILAYAH KRITIK (Uji 2 arah)

Sampling Distribution Level of Confidence

Rejection Rejection
Region Region
1–α
1/2 α 1/2 α
Nonrejection
Region

Ho Sample Statistic
Critical Value Critical
Value Value
Observed sample statistic
 UJI STATISTIK

•  Dibedakan antara statistik parametrik dan non-parametrik

•  Parameter lazimnya mengacu pada ciri populasi yang terukur dengan
jelas, misal rata-rata, varians, proporsi dll. Ciri sampel adalah statistik.
Namun bentuk ini tergantung terutama pada skala pengukuran data :
interval / rasio – statistik parametrik
•  Untuk data dengan skala yang lebih rendah (nominal, ordinal) harus
diperlakukan secara berbeda dengan skala interval / rasio – statistik
non-parametrik
•  Statistik non-parametrik dapat digunakan untuk data kecil (n<30),
kecuali yang didasarkan pada tabulasi silang
 Uji Normalitas Data
Metode Parameter Kriteria Sebaran Ket
Normal

Analitik KS P > 0.05 Populasi > 50

SW P > 0.05 Populasi < 50
Deskriptif Koefisien Variasi < 30 % SD/Mean x 100 %

Skewness -2 s/d 2 Skewness /SE

skewness
Kurtosis -2 s/d 2 Kurtosis / SE

Histogram Simetris, tidak
miring
Boxplot Simetris median
tepat di tengah
Normal q-q plot Menyebar di
sekitar garis
 Outline
•  Statistik Parametrik
•  Statistik Non Parametrik
 Statistik Parametrik
•  Tujuan Pembelajaran
–  Mampu mengidentifikasi pertanyaan penelitian dan
hipotesis terkait statistik parametrik dan non
parametrik
–  Mampu melaksanakan tahapan asumsi t-test dan
ANOVA
–  Mampu menganalisa dan menginterpretasikan data
–  Melaporkan hasil dalam bentuk tabel dan narasi
–  Baca dan interpretasi data yang dipresentasikan
dalam bentuk tabel
 T-test One sample
Parametric test
Z-test
Inference
Independent
ANOVA
samples test

Correlation

Paired
Inferential samples test

Statistics
Bivariate Multivariate

Pearson’s r Multiple regression

Non Parametric Relationship

Inference

Chi-Square
 Statistik Parametrik Uji Beda
•  Jenis Uji Beda
–  T-test
–  Analysis of variance: ANOVA


•  Konsep uji beda
–  Antara kelompok (between groups)
–  Dalam kelompok (within groups)
 Konsep Uji Beda
•  Antar kelompok (between subjects)
–  Pengukuran perbedaan mean kelompok yang mandiri
(independece)

–  Penelitian akan menguji perbedaan mean (misal:

pengetahuan atau tekanan darah) yang terjadi karena
pengaruh suatu intervensi pada kelompok yang berbeda

–  Perbedaan kelompok mungkin berbeda dari satu aspek

misal jenis kelamin (laki-laki atau perempuan), usia (lansia
atau bukan lansia)

 Konsep Uji Beda
•  Uji dalam subject (within subject test)
–  Ujian perbedaan mean data dalam kelompok yang sama
(tidak mandiri/ not independence)
–  Membandingkan uji beda lebih dari satu set data yang
diukur pada kelompok subjek yang sama
–  Peneliti akan mengukur pola perubahan sepanjang waktu
dalam satu kelompok. Seperti membandingkan
perbandingan mean sebelum dan setelah intervensi
diberikan pada kelompok yang sama
–  Menguji time-series outcomes penelitian atau pengukuran
berulang untuk outcome sepanjang waktu
–  Contoh: peneliti mengukur perubahan pola self-care pada
pasien yang menjalani CABG setelah operasi untuk 1 bulan,
3 bulan dan 6 bulan
 Penggunaan t-test atau ANOVA
•  Uji beda antar kelompok atau dalam
kelompok
•  Skala pengukuran adalah interval atau rasio
•  Uji beda dengan t-test atau ANOVA
tergantung pada jumlah kelompok yang
diukur
 Uji Beda
Jenis Statistik Jumlah Jumlah data Skala
kelompok set pengukuran
Independent t- 2 2 Interval/ rasio
test
Depended t- 1 2 Interval/ rasio
tets
One-way >2 >2 Interval/ rasio
ANOVA
Repetated 1 >2 Interval/ rasio
measure
ANOVA (RM-
ANOVA)
 Asumsi
•  Independent Variable (IV): skala nominal
untuk kelompok (misal: kelompok kontrol vs
kelompok intervensi) atau data set (set 1 vs
set 2)
•  Asumsi independence untuk independent t-
test
•  DV (dependent variable): continous scale
(interval atau rasio)
•  DV: Distribusi normal
 Asumsi
•  Homogeneity of variance (asumsi honogeneity)
diukur dengan test Levene, digunakan untuk
independent t-test dan ANOVA
–  Cek normalitas dengan uji komogorov-smitnov/
spahiro-wilk/ skewness/ kurtosis
•  Asumsi compound symmetry untuk repeated
measure ANOVA:
–  Variance should be equal across the measurement
(asumsi sphericity)
–  Correlation across the measurement are the same (r12
= r12 = r23
 Uji Normalitas Disitribusi Data
•  Adalah dasar untuk semua uji parametrik
•  Alasan normalitas: untuk uji beda mean,
peneliti menggunakan sample mean untuk
mengukur uji beda antar atau dalam
kelompok sehingga hal ini membutuhkan
representasi populasi yang baik à distribusi
data dalam sampel harus normal
Uji Normalitas

Analyze – descriptive -
explore






 p > 0.05 p > 0.05

Untuk populasi > 50 à Kolmogrov-Smirnov

Untul populasi < 50 à Shapiro-WIlk
 Asumsi: Homogenity of Variance

•  Varians dalam tiap kelompok adalah

tidak berbeda dari satu sama lain
•  Mean sampel tiap kelompok tidak
jauh berbeda dengan mean dasar

33
 Asumsi: Homogenity of Variance
•  Diukur dengan test Levene dari kesamaan dari
varians error
•  P > 0.05 agar asumsi ini terpenuhi
ANOVA
 Latihan
•  Tulis pertanyaan penelitian
•  Tulis hipotesis uji beda
 Latihan 1
•  Peneliti akan menguji pengaruh terapi musik
tehadap kualitas tidur pada anak usia 3-5 tahun
•  Subjek dari kelompok eksperimen mendengarkan
musik dari CD selama 45 menit pada siang hari
sebelum tidur selama 3 bulan
•  Subjek dari kelompok kontrol tidak
mendengarkan musik.
•  Kualitas tidur diukur dengan sleep quality
questionnaire (skor 0-150)
 Pertanyaan Penelitian
•  Apakah subjek yang berusia 3-5 tahun yang
mendengarkan musik memiliki kualitas tidur yang
lebih baik dibandingkan dengan subjek yang
tidak mendengarkan musik? (directional
question)

•  Apakah subjek yang berusia 3-5 tahun yang

mendengarkan musik memiliki kualitas tidur yang
berbeda dibandingkan dengan subjek yang tidak
mendengarkan musik?
 Hipotesis Penelitian
•  Subjek yang berusia 3-5 tahun yang mendengarkan
musik memiliki kualitas tidur yang lebih baik
dibandingkan dengan subjek yang tidak mendengarkan
musik (one-tail hypothesis)
•  H0 : µ1 = µ2; Ha: µ1 > µ2

•  Subjek yang berusia 3-5 tahun yang mendengarkan

musik memiliki kualitas tidur yang berbeda
dibandingkan dengan subjek yang tidak mendengarkan
musik (two-tail hypothesis)
•  Ha : µ1 = µ2; Ha: µ1≠ µ2
 Latihan 2
•  Peneliti mengukur pengetahuan diet pada pasien
DM tipe 2
•  Peneliti melakukan random assignment mejadi 3
kelompok
•  Kel 1: menerima pengajaran individual
•  Kel 2: menerima mengajarkan individual +
menerima self-study pamflet
•  Kel 3: menerima pengajaran individual +
mengundang anggota keluarga untuk menghadiri
aktivitas pengajaran + menerima self-study
pamflet
 Pertanyaan Penelitian & Hipotesis
penelitian
•  Apakah subjek pada kelompok 1, subjek pada
kelompok 2, dan subjek di kelompok 3
memiliki pengetahuan diet yang berbeda?
•  Subjek pada kelompok 3 memiliki
pengetahuan diet yang lebih tinggi
dibandingkan dengan subjek pada kelompok 1
& 2
•  H0: µ1 = µ2 = µ3
•  Ha: µ3 > µ2 > µ1
 Tahapan paired t-test
•  Buat Ho & h1
•  Tentukan level alpha
•  Identifikasi critical region untuk menolak H0
menggunakan distribusi tabel t pada df = N-1
•  Uji statistik
•  Membandingkan hasil dengan nilai t pada critical
region untuk mengambil keputusan: menerima
atau menolak Ho
–  Menolak Ho ketika test statistik > critical t value
–  Menerima HO ketika test statistik < critical t-value
Paired t-test
 Penulisan Hasil
•  Asumsi test menunjukkan bahwa self-efficacy
sebelum dan setelah implementasi DSME
adalah berdistribusi normal. Hasil uji
dependent t-tet menunjukkan bahwa mean
self-efficacy setelah mendapatkan program
DSME (M = 159,12, SD = 17,11) adalah tidak
berbeda dibandingkan dengan skor self-
efficacy sebelum program dilaksanakan (M =
157,27, SD = 24, 86)(t-test = 0,48; p value <
0,05)(tabel 1)
 Tabel dependent t-test
•  Tabel 1
•  Skor pre dan post tes self-efficacy (N = 26)

Self-efficacy Mean SD t P-value

sebelum 157.27 24,88 -0,48 0,63

setelah 159,12 17,11

Independent t-test
 Penulisan hasil
•  Asumsi test menunjukkan bahwa self-efficacy
setelah implementasi DSME + afirmasi dan
self-efficacy pada kelompok kontrol adalah
berdistribusi normal. Hasil uji independent t-
test menunjukkan bahwa mean self-efficacy
setelah mendapatkan program DSME +
afirmasi (M = 168,48, SD = 18,33) adalah tidak
berbeda dibandingkan dengan skor self-
efficacy pada kelompok kontrol (M = 160,5, SD
= 24, 29)(tabel 2)
 Independent t-test
•  Tabel 2
•  Mean dan SD skor self-efficacy pada kelompok
DSME + afirmasi dan pada kelompok kontrol

Kelompok Mean SD T-tet P-value

DSME + 168.48 18.32 1,33 0,19

afirmasi
Kontrol 160.50 24.29
ANOVA test
 ANOVA test
•  Tidak ada yang berbeda nilai self-efficacy pada
kelompok DSME, Kelompok DSME + Afirmasi,
dan Kelompok Kontrol pada pasien hipertensi
(F(2,74) = 1,59, P > 0.05).
 Hasil penelitian
Tabel 3
Anova skor self-effcacy antara kelompok DSME, Kelompok DSME
+ Afirmasi dengan Kelompok kontrol pada pasien hipertensi

Sumber Sum of Df Mean squre F P-value

squares (SS)
Antar 1294,68 2 647,34 1,59 0,21
kelompok
Dalam 30127,39 74 407,13
kelompok
Total 31422,08 276
NON-PARAMETRIK
 Penggunaan Non-Parametrik
•  Ketika asumsi distribusi normal pada DV tidak
terpenuhi, terutama pada sampel yang kecil

•  Ketika DV diukur dengan skala nominal atau

ordinal
 Perbandingan Asumsi
•  Parametrik
–  Distribusi normal
–  Skala pengukuran interval atau rasio
•  Non-Parametrik
–  Tidak berdistribusi normal/ distribusi free
–  Skala pengukuran nominal atau ordinal
 One sample
T-test
test
Parametric Z-test Independent
Inference ANOVA samples test

Correlation Paired
samples test
Linear Multiple

Pearson’s r Multiple regression

Inferential Nominal 1 group χ2 Goodness of fit

Statistics 2 group
χ2
K group
χ2
Non Parametric dependent group McNemar
Inference
2 group - Mann-Whitney U
Ordinal - Wincoxon rank sum test
Spearman K group
Bivariate Kruskal Wallis test
Dependent group Wilcoxon
Logistic Correlation
regression Multi-variate Pair match-paired
Repeated Friedman
 Test Non-Parametrik
•  Chi-square
•  McNemar test
•  Wilcoxon rank sum test/ Mann-whitney U test
•  Wilcoxon Matched-pair signed-rank test
•  Kruskal-Wallis Test
•  Friedman test
•  Spearman’s rank correlation: rho
•  Logistic regression
 Chi-Square
•  Suatu metode untuk menguji hubungan
antara 2 variabel atau lebih yang
dicrosstabulasikan pada tabel contingency
(tabel frekuensi)
–  Goodnes of fit (observed frequencies vs. expected
frequencies)
–  2 atau lebih IV
 Asumsi untuk Chi-Square
•  Kedua IV dan DV adalah diukur dengan skala
nominal (frekuensi bukan mean)
•  Dapat pada skala ordinal jika kategorinya
sedikit
•  No more than 20% of the cells have expected
frequencies under 5
•  Contoh, jika ada tabel 2x2, peneliti dapat
memiliki 1 cell yang memiliki expected
frequencies dibawah 5
 Test of Goodness of Fit
Ex:
The manager expected that the 60 customers would appear in
the company meeting; however, he observed that only 30
customers came to this meeting. The manager would like to
know that whether the expected numbers of customers
differed from the observed numbers (set alpha level at .05)

Ho: The observed number of customers was not

different from the
expected numbers
H1: The observed number of customers
was different from the
expected numbers
 GR * FRE Crosstabulation
Count

obs
FRE
exp Total
What is your
GR 1
2
30
0
0
60
30
60
conclusion?
Total 30 60 90

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 90.000b 1 .000
Continuity Correctiona 85.556 1 .000
Likelihood Ratio 114.573 1 .000
Fisher's Exact Test .000 .000
N of Valid Cases 90
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
10.00.

Note: Obs= Numbers of attended customers

Exp = Expected numbers
 Example

n  To examine whether there were

differences in the rate of complications
for patient receiving IV medications with
a heparin lock in place.
 Hypotheses

•  What was Ho?

•  Complication incidence and length of heparin
lock placement are independent (not related)
•  What was H1?
•  Complication incidence and length of heparin
lock placement are not independent (they are
related)
Complication Heparin lock placement time group
incidence
72 hrs 96 hrs Total
Had 9 11 20
complications (18%) (22%) (20%)
Had no 41 39 80
complications (82%) (78%) (80%)
Total 50 50 100
•  Ho is rejected
•  There is a significant difference between complication incidence and
length of heparin lock placement
•  96 hrs-placement of heparin lock causes higher incidence of
complication than 72 hrs-placement of heparin lock.
Ex: Chi-square: Independent test

The researcher would like to check whether the proportions of male and female
subjects between experimental and control groups are different or not

H0:

H1:
 GR * เพศ Crosstabulation
Ex: Chi-square: Independent
เพศ
test
Gender

ชาย
M หญิ
Fง Total
GR ควบคุม
Control Count 24 6 30
% within Gender
เพศ 53.3% 40.0% 50.0%
Exp
ทดลอง Count 21 9 30 How do you interpret?
% within Gender
เพศ 46.7% 60.0% 50.0%
Total Count 45 15 60
% within Gender
เพศ 100.0% 100.0% 100.0%
Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square .800b 1 .371
Continuity Correctiona .356 1 .551
Likelihood Ratio .804 1 .370
Fisher's Exact Test .552 .276
Linear-by-Linear
.787 1 .375
Association
N of Valid Cases 60
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
7.50.

In 2x2 table, if expected frequency is < 10, use Yates’correction

for continuity, if expected frequency is < 5, use Fisher’s exact test
 Ex: Chi-square: Independent test

Table 2
Compare the proportions of gender between experimental and
control group (N=60)

Variable Experimenta Control χ2 P-value

l group group
(n=30) (n=30)
Gender .80 .37
Female 9 6
Male 21 24
Analyze data with Chi square statistics

Analyze->descriptive->crosstabs
 Group
Analyzed variable
Test of Two Dependences of Proportions
 McNemar test

Assumptions
•  Used with 2 nominal scales measures on the same
subjects
•  To test the direction of change
•  Is an adaptation of the chi-square formula
•  Only 2 cells are included in the analysis, df =1
•  Test statistics is χ2
 Example of McNemar test

Comparison of satisfaction of current weight

and weight at 18 yrs old

Satisfaction with Satisfaction with

current weight weight at 18 yrs
No Yes
No 117 91
Yes 31 202
H0:
H1:
 Test Statistics

Satisfaction with current

wt and with wt at 18 yrs
old
N 441
Chi-Squarea 28.533
Asymp. Sig. .000

Interpretation:
Satisfaction with current weight and at 18 years old was significantly
difference (χ2 = 28.53, df = 1, p <.0001)
Non-parametric test->2 related sample->เลือกตัวแปรที่จะดูความสัมพันธ์
Test of Two Independent Mean Ranks
The Wilcoxon Rank Sum test/ The Mann-Whitney U Test

•  Equivalent to independent t-test

•  Compare the mean rank b/w two groups
Assumptions
•  DV is measured in ordinal or interval scale
•  Independent groups
•  Dependent variables are not normal distribution
•  Test statistics is Z-test

 Ex: Mann-Whitney U Test

Comparison of information need between family perception and

nurse perception

Gr Need scores

Nurse 14 19 11 22 17

Family 10 16 15 18 13

H0:
H1:
 Mann-Whitney U Test
N1 = No of obs in the smallest gr
N2 = No of obs. In the largest gr
Equation Û = n1n2+n1(n1+1) -R1 R1 = sum of ranks assigned to n1
2 U = the smallest value of Û or ύ
ύ = n1n2- Û
Gr F N F N F F N F N N

Score 10 11 13 14 15 16 17 18 19 22
How to interpret?
Rank 1 2 3 4 5 6 7 8 9 10

Û = (5)(5)+[5(5+1)/2]-(1+3+5+6+8)
= 17
ύ = (5)(5)-17=8

open table B-5 at α <.05 (Polit , 1996) if N2 ≤ 20, if N2 > 20 use Z table In this
example, N2 = 5, open table B-5 at N1 =5, N2 = 5, critical value = 2

If U > ค่า critical value, so accept H0

 The Wilcoxon Rank Sum test/ The Mann-Whitney U Test

If both samples are >20 (n>20), the distribution

of the Mann-Whitney
U test tends to approximate a normal shape,
In this case, the Mann-Whitney hypotheses
can be evaluated using
Z test, and use table Z to check the critical
value
1(n )(N )(N +N +1)
2 1
12
2

Z= U-n1n2/2
 Ranks

GR N Mean Rank Sum of Ranks

NEED Nurse 5 6.40 32.00
Family 5 4.60 23.00
Total 10

Test Statisticsb

NEED
Mann-Whitney U 8.000
Wilcoxon W 23.000
Z -.940
Asymp. Sig. (2-tailed) .347
Exact Sig. a
.421
[2*(1-tailed Sig.)]
a. Not corrected for ties.
b. Grouping Variable: GR
 Table: Mann-Whitney U Test
Table 3

Comparison of information need between family members perception and

nurses perception (N = 5)

Gr Nurses Family U test P value

Mean rank Mean rank 8.0 .35

6.40 4.60

There is no significant difference of information need between family member

and nurses (U = 8.0, p = .35)
Test of Two Dependent Mean Ranks
 Wilcoxon Matched-pair signed-rank test

n  Equivalent to paired t-test

n  Use to test group differences when they are two
paired group or a within-subjects design
n  Test statistics is Z-test
Assumptions of Wilcoxon Matched-pair signed-rank
test

n  The distribution of DV is not normal distribution

n  When DV is measured in ordinal scale
 Example

To test whether or not wife and husband had similar or

different anxiety level whose child was undergone surgery,
N = 10 married couple.

H0 =

H1 =
Wife Husband Diff Diff Rank R+ R-
17 16 1 1 1 1
19 14 5 5 5 5
16 20 -4 4 4 4
18 12 6 6 6 6
22 24 -2 2 2 2
18 21 -3 3 3 3
15 24 -9 9 9 9
22 11 11 11 11 11
14 21 -7 7 7 7
23 15 8 8 8 8

R+ = 30 R- = 25

R+ - R-
Z= Z = 0.255
(2n+1) RE
6
The critical value for reject H0 with α = .05 is 1.96

RE = (R+ + R-)/2 Thus, H0 is accept

 Wilcoxon Signed Ranks Test

Ranks

N Mean Rank Sum of Ranks

HUNSBAND - WIFE Negative Ranks 5a 6.00 30.00
Positive Ranks 5b 5.00 25.00
Ties 0c
Total 10
a. HUNSBAND < WIFE
b. HUNSBAND > WIFE
c. HUNSBAND = WIFE
 Wilcoxon Signed Ranks Test

Test Statisticsb

HUNSBAND -
WIFE
Z -.255a
Asymp. Sig. (2-tailed) .799
a. Based on positive ranks.
b. Wilcoxon Signed Ranks Test

Decision: ?

Presentation of the result:

Z = -.255 (p = .80)
Test of K Independent Mean Ranks
 The Kruskal-Wallis Test

n  Equivalent to one-way ANOVA

Assumptions
n  Test group differences for more than 2 groups
n  DV is ordinal, IV is category
n  DV is not normal distribution
n  Test statistics is H-test
 Example: The Kruskal-Wallis Test

Compare the satisfaction of patients in 3 hospital services

using a six-item scale, and obtained the following scores

Hospital 1 6 12 18 14 17

Hospital 2 15 19 16 20 10

Hospital 3 30 27 24 25 22

H0 =
H1 =
 Example: The Kruskal-Wallis Test

Scores 6 10 12 14 15 16 17 18 19 20 22 24 25 27 30

Group A B A A B B A A B B C C C C C

Rank 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

R1 = 1+3+4+7+8 =23
H= 12 R2
R2 = 2+5+6+9+10 = 32 Σ n - 3(N+1)
N(N+1)
R3 = 11+12+13+14+15 = 65

H= 12 232 + 322 + 652

- 3(16)
15(16) 5 5 5

H = 9.78 N = total sample size

R = summed ranks for a group
The critical value in a chi-square table N = number of observation in a group
with α =.05 is 5.99 Σ = sum of the R2 /n ratio for all groups
 Example: The Kruskal-Wallis Test

Ranks

GR N Mean Rank
Satisfaction Hospital 1 5 4.60
Hospital 2 5 6.40
Hospital 3 5 13.00
Total 15

Test S tatisticsa,b

Decision:? SATIS FAC

Chi-Square 9.780
df 2
Presentation of the result: Asymp. Sig. .008
a. Kruskal Wallis Test
H = 9.78, df =2 (p= .008) b. Grou ping Variable: GR
Test of K Dependent Mean Ranks
 Friedman Test

n Equivalence to repeated measures ANOVA

Assumptions
n Used with 3 or more correlated groups
n Used with 3 or more sets of observations for the same
subjects
n  DV is an ordinal scale
n  DV is not normal distribution
 Example: Friedman Test

9 nurses were asked to order their decision of do not

resuscitation of 3 groups of patients: AIDS, cancer,
and stroke
H0 =
H1 =
 Example: Friedman Test

Nurses Scores (Rank)

AIDS Cancer Stroke

1 17(2) 18(3) 15(1)

2 15(2) 20(3) 11(1)
3 14(3) 12(1) 13(2)
4 11(1) 19(3) 18(2)
5 18(2) 20(3) 17(1)
6 16(3) 14(1) 15(2)
7 12(1) 14(3) 13(2)
8 9(1) 13(3) 12(2)
9 16(2) 17(3) 15(1)
R1 = 17 R2 =23 R3 = 14

χ2 = 12 (ΣR2) The critical value from chi-square table

- 3N(k+1)
Nk(k+1) with α =.05, df =2, is 5.99
χ2 = 4.67 Thus: Accept H0
 Example: Friedman Test

Ranks Test Statisticsa

N 9
Mean Rank
Chi-Square 4.667
AIDS 1.89 df 2
CANCER 2.56 Asymp. Sig. .097
STROKE 1.56 a. Friedman Test
Non-parametric Tests and Corresponding Parametric Analog
Nonparametric tests Parametric
Nominal Data Ordinal Data analog

One-group case Chi-square - -

goodness of fit
Two-group case Chi-square -Mann-Whitney t-test
U or
-Wincoxon rank
sum test
K-group case Chi-square Kruskal-Wallis H One-way ANOVA
test
Dependent McNemar test -Wilcoxon Paired t-tests
groups for significance matched-pairs
of change signed rank test
(Repeated -Friedman Repeated
measures) matched measures
samples ANOVA
Correlation Spearman Pearson

(Munro 2001)
 Statistik Non-Parametrik
•  Keuntungan
–  Penggunaan data berdistribusi bebas, kurang
membutuhkan tuntutan data
–  Perhitungan tidak rumit
–  Tidak random sampling
–  Dapat digunakan pada asumsi statistik parametrik
yang tidak terpenuhi
•  Kelemahan
–  Kurang power
–  Terbatas pada meng-generalisasikan pada populasi

 Tugas
1.  Lakukan analisis satitistik untuk DV pre-test
dan post-test SE pada 3 kelompok (within 2
groups, between 3 groups, between 2
groups)
2.  Lakukan analisis statistik untuk DV pre-test
tingkat SE dan post-test tingkat SE secara non
parametrik (kelompok (within 2 groups,
within 3 groups, between 2 groups, between
3 groups))
 Pertanyaan!!!
–  Identifikasi pertanyaan penelitian dan hipotesis
terkait statistik parametrik dan non parametrik
–  Laksanakan tahapan asumsi t-test dan ANOVA
–  Analisa dan interpretasikan data
–  Laporkan hasil dalam bentuk tabel dan narasi
–  Baca dan interpretasi data yang dipresentasikan
dalam bentuk tabel