Penggunaan Statistik Untuk Penelitian
Penggunaan Statistik Untuk Penelitian
Di dalam metode penelitian kuantitatif terdapat titik beda dengan kualitatif : pada design studi dan
pengumpulan data.
Ada tantangan baru dengan big data -> sampling tidak dibutuhkan
Bisa juga menggunakan data untuk mengetahui variabel yang paling berpengaruh
Pendugaan Titik
Ukuran Pemusatan
Terdapat perbedaan metode yang digunakan. Kalau pada data yang berdistribusi normal, bisa pakai
median atau rata-rata. Namun jika pada data yang tidak berdistribusi normal, gunakan modus.
Ukuran Penyebaran
Data Kontinuum
Ordinal
Tidak ada keterangan jelas dari pembanding, jaraknya tidak sama sehingga tidak bisa
dioperasikan secara matematis
Data interval
Tidak ada nilai nol, seperti suhu
Ratio
Data yang memiliki tingkatan, memiliki jarak yang sama dan memiliki nilai 0 mutlak
Contoh: tinggi badan
Bisa dibandingkan, namun tak ada tinggi yang bernilai negatif
Data disebut konsisten apabila bertambahnya n akan semakin mendekati nilai sebenarnya.
H0 selalu negatif (tidak ada hubungan, tidak ada apa-apa) -> harus banyak baca, praktek sehingga
punya preliminary knowledge
Non parametris
Untuk dua group, pastikan ada defining variables dan tentukan masing-masing variable
kodenya apa. Dan yang diamati itu adalah F bukan t
Korelasi Pearson
Digunakan untuk mengukur keeratan (variabel R), bisa mengukur keeratan linear positif maupun
negatif. Namun ia menganggap selain dari hubungan tersebut nol:
Belum tentu yang memiliki korelasi 0 tidak memiliki hubungan sama sekali
Dan dia memperhitungkan pencilan sehingga terjadi penyimpangan. Jadi seharusnya pencilan
dibersihkan terlebih dahulu. Harus ada dasar teorinya.
Dua-duanya dipindahin ke kanan (variabel dependant), dan harus dilihat setelah dihitung bivariate
taraf signifikansinya terlebih dahulu. Baru dilihat R nya
Setelah itu, baru ditentukan: mana yang dependent dan mana yang independent
Rank Spearman
(misalnya untuk marketting, digunakan beberapa faktor inti: product, price, promotion, place)
Regresi
Kalau ternyata ada pengaruhnya, maka bisa dilakukan regresi : independent dan dependent
Dan bisa dianalisa bahwa terdapat errornya, yaitu dari variabel yang tidak diperhitungkan karena
terlalu rumit atau sulit didapatkan
R square adalah tingkat kejelasan independen terhadap dependen, 1-r adalah variabel lain yang
berpengaruh
linearitas
Error mengikuti asumsi regresi klasik (gauss markov theorem)
- error harus normal (diuji normalitasnya)
- varians error bersifat homoskedastisitas -> tidak boleh ada heteroskedastisitas
- tidak ada otokorelasi (khusus time series) -> error sekarang dipengaruhi error sebelumnya
Artinya, error sekarang harus sama dengan error sebelumnya atau error di masa yang akan
datang
Antara variabel independen tidak sering berubah (ceteris paribus) -> multikolinearitas
Batasnya <0.3
a. Analyze – regression – linear – plot pilih sdresid untuk y dan zpred untuk x
- Save – predicted value centang unstandardized, residual centang
unstandardized juga
Lalu,
b. Analyze – descriptive statistic – explore – plots – centang normality plit with tes
d. Transform – compute variable -bikin nama variabel mut_A, numericalnya dibikin abs ->
Abs(res_1) ok
Uji bivariate spearson, dengan uji mut u dengan x, ok
Terima H0 tidak ada korelasi heteroskedasititas
e. Multikolinearitas -> VIF < 10
NAMUN, SEBELUM INI SEMUA, HARUS DIUJI DULU KUESIONERNYA!!! APAKAH BUTIR-BUTIR
PERTANYAAN BISA DIUKUR!!! ADA UJI VALIDASI DAN UJI RELIABILITAS (tiap waktu dilaksanakan
konsisten)
Bisa di SPSS!
Reliability
Analyze – scale – reliability analysis – masukin semua termasuk residual (kecuali nama variabel ke
kanan) -> statistics -> centang scale if item deleted
Suatu kuesioner dinilai variabel apabila cronchbach alfa >0.6
Nah, akan ada variabel yang kalau di hilangkan (kolom if deleted) cronhbach alfa meningkat
Ini digunakan sebagai uij validitas
Kalau dibawah 0.3 -> butir tersebut tidak berkaitan
Bisa jadi redaksi salah, atau tidak nyambung
Hilangkan di excelnya