.En - Id

C 1 5
pterHa
Correlati di
Alat yang Anda Butuhkan

Item berikut dianggap sebagai bahan latar
belakang penting untuk bab ini. Jika Anda
meragukan pengetahuan Anda tentang salah satu
item ini, Anda harus meninjau bab atau bagian
yang sesuai sebelum melanjutkan.
■■
Jumlah kotak ( SS) ( Bab 4)
■■
Rumus komputasi
■■
Rumus definisi
■■
z- skor (Bab 5)
■■
Pengujian hipotesis (Bab 8)
© Deborah Batt
PRATINJAU
15.1 pengantar
15.2 Korelasi Pearson
15.3 Menggunakan dan Menafsirkan Korelasi Pearson
15.4 Uji Hipotesis dengan Korelasi Pearson
15.5 Alternatif untuk Korelasi Pearson
Ringkasan
Fokus pada Pemecahan Masalah
Demonstrasi 15.1
Masalah
485
pratinjau
Sebuah laporan baru-baru ini yang menggambarkan hasil dari dua studi Meskipun data pada Gambar 15.1 tampak menunjukkan hubungan
terpisah, satu dengan peserta Jerman dan satu dengan Amerika, yang jelas, kami memerlukan beberapa prosedur untuk mengukur
meneliti hubungan antara pendapatan dan berat badan untuk pria dan hubungan dan uji hipotesis untuk menentukan apakah mereka signifikan.
wanita (Judge & Cable, Dalam lima bab sebelumnya, kami menjelaskan hubungan antar variabel
2011). Berdasarkan standar sosial, penulis memperkirakan dalam istilah perbedaan rata-rata antara dua atau lebih kelompok skor, dan
hubungan negatif untuk wanita, dengan pendapatan menurun kami menggunakan uji hipotesis yang mengevaluasi signifikansi perbedaan
seiring dengan peningkatan berat badan. Untuk pria, rata-rata. Untuk data di Gambar 15.1, bagaimanapun, hanya ada satu
bagaimanapun, harapannya adalah untuk hubungan yang kelompok laki-laki dan hanya satu kelompok perempuan. Menghitung berat
umumnya positif, dengan pendapatan yang meningkat seiring rata-rata dan pendapatan rata-rata untuk laki-laki tidak akan membantu
dengan peningkatan berat badan, setidaknya sampai obesitas. menjelaskan hubungan antara kedua variabel. Untuk mengevaluasi data
Prediksi tersebut berawal dari pengamatan bahwa menjadi kurus ini, diperlukan pendekatan yang sama sekali berbeda untuk statistik
dipandang sebagai tanda sukses dan disiplin diri bagi perempuan. deskriptif dan inferensial.
Untuk pria, bagaimanapun, berat badan ekstra sering dipandang
sebagai tanda kesuksesan. Misalnya, taipan kaya biasanya
digambarkan dalam kartun politik sebagai pria gemuk yang Kedua kumpulan data pada Gambar 15.1 merupakan contoh
merokok cerutu dengan setelan ketat. Jika pengamatan ini benar, hasil studi penelitian korelasional. Pada Bab 1, desain korelasional
maka ada kemungkinan bahwa bobot mempengaruhi diskriminasi diperkenalkan sebagai metode untuk menguji hubungan antara dua
pada tahap tertentu selama masa kerja mulai dari perekrutan dan variabel dengan mengukur dua variabel berbeda untuk setiap
gaji awal hingga peluang pelatihan dan promosi. individu dalam satu kelompok partisipan. Hubungan yang diperoleh
dalam studi korelasional biasanya dijelaskan dan dievaluasi dengan
ukuran statistik yang dikenal sebagai a
Pola hasil dari studi Jerman dan Amerika ditunjukkan pada korelasi. Sama seperti rata-rata sampel memberikan deskripsi singkat
Gambar 15.1. Perhatikan bahwa hasil mendukung prediksi peneliti; dari keseluruhan sampel, korelasi memberikan deskripsi hubungan.
pendapatan menurun dengan meningkatnya berat badan untuk wanita Dalam bab ini, kami memperkenalkan korelasi dan memeriksa
dan pendapatan meningkat dengan tambahan berat untuk pria. bagaimana korelasi digunakan dan diinterpretasikan.
Gambar 15.1 Pendapatan dan berat badan Pendapatan dan berat badan
Contoh positif untuk pria untuk wanita
dan hubungan negatif-

kapal. (a) Pendapatan
berhubungan secara positif
untuk berat bagi pria. (b)
Pendapatan berhubungan
negatif dengan
berat untuk wanita.

Berat (dalam pound)
Berat (dalam pound)
(Sebuah) Pendapatan (dalam $ 1000) (b) Pendapatan (dalam $ 1000)
486
SEcTIoN 15.1 | pengantar 487
15.1 pengantar
TUJUAN BELAJAR 1. Jelaskan informasi yang diberikan oleh tanda (+ / -) dan nilai numerik a
korelasi.
Korelasi adalah teknik statistik yang digunakan untuk mengukur dan mendeskripsikan hubungan antara dua variabel.
Biasanya kedua variabel hanya diamati karena mereka ada secara alami di lingkungan — tidak ada upaya untuk
mengontrol atau memanipulasi variabel. Misalnya, seorang peneliti dapat memeriksa catatan sekolah menengah
(dengan izin) untuk mendapatkan ukuran kinerja akademik setiap siswa, dan kemudian mensurvei setiap keluarga
untuk mendapatkan ukuran pendapatan. Data yang dihasilkan dapat digunakan untuk mengetahui apakah ada
hubungan antara nilai sekolah menengah dan pendapatan keluarga. Perhatikan bahwa peneliti tidak memanipulasi
nilai siswa atau pendapatan keluarga mana pun, tetapi hanya mengamati apa yang terjadi secara alami. Anda juga
harus memperhatikan bahwa korelasi membutuhkan dua skor untuk setiap individu (satu skor dari masing-masing dua
variabel). X dan Y. Pasangan skor dapat dicantumkan dalam tabel, atau disajikan secara grafis dalam diagram sebar
(Gambar 15.2). Di plot pencar, nilai untuk X variabel terdaftar pada sumbu horizontal dan Y nilai dicantumkan pada
sumbu vertikal. Setiap individu diwakili oleh satu titik dalam grafik sehingga posisi horizontal sesuai dengan individu
tersebut X nilai dan posisi vertikal sesuai dengan
Y nilai. Nilai dari scatter plot adalah memungkinkan Anda untuk melihat pola atau tren yang ada pada data. Skor pada Gambar
15.2, misalnya, menunjukkan hubungan yang jelas antara pendapatan keluarga dan nilai siswa: seiring dengan meningkatnya
pendapatan, nilai juga meningkat.
■ ■ Karakteristik Hubungan
Korelasi adalah nilai numerik yang menggambarkan dan mengukur tiga karakteristik hubungan antara X dan Y. Ketiga
karakteristik tersebut adalah sebagai berikut
1. Arah Hubungan Tanda korelasi, positif atau

negatif, menggambarkan arah hubungan.
100
Orang Keluarga Mahasiswa
Pendapatan Rata-rata
95
(dalam $ 1000) Kelas
90
SEBUAH 31 72
B 38 86 85
C 42 81
D 44 78 80
E 49 85
F 56 80 75
G 58 91
65 89 70
Nilai rata-rata siswa
H.
saya 70 94
J 90 83
30 55 70 90110130150170190
K 92 90
Pendapatan keluarga (dalam $ 1000)
L 106 97
M 135 89
N 174 95
Gambar 15.2
Data korelasional yang menunjukkan hubungan antara pendapatan keluarga ( X) dan nilai siswa ( Y) untuk sampel n = 14 siswa sekolah menengah. Skor tersebut dicantumkan
dalam urutan dari pendapatan keluarga terendah hingga tertinggi dan ditampilkan dalam plot pencar.
488 chaPTER 15 | Korelasi
DEFINISI Di sebuah korelasi positif, kedua variabel cenderung berubah ke arah yang sama: sebagai nilai dari X variabel
meningkat dari satu individu ke individu lainnya, itu Y variabel juga cenderung meningkat; ketika X variabel
menurun, itu Y variabel juga menurun.
Di sebuah korelasi negatif, kedua variabel cenderung berlawanan arah. Sebagai X variabel
meningkat, itu Y variabel menurun. Artinya, ini adalah hubungan terbalik.
Dua contoh yang disajikan dalam Pratinjau memberikan contoh hubungan positif dan negatif (lihat Gambar 15.1).
Bagi pria, ada hubungan positif antara berat badan dan pendapatan, dengan pendapatan meningkat seiring dengan
bertambahnya berat badan dari orang ke orang. Bagi wanita, hubungannya negatif, dengan pendapatan menurun
seiring bertambahnya berat badan.
2. Bentuk Relasi Dalam contoh gaji dan berat sebelumnya

(Gambar 15.1), hubungan cenderung memiliki bentuk linier; Artinya, titik-titik dalam plot pencar cenderung
mengelompok di sekitar garis lurus. Kami telah menggambar garis di tengah titik data di setiap gambar untuk
membantu menunjukkan hubungan. Penggunaan korelasi yang paling umum adalah untuk mengukur hubungan
garis lurus. Namun, bentuk hubungan lain memang ada dan ada korelasi khusus yang digunakan untuk
mengukurnya. (Kami memeriksa alternatif di Bagian 15.5.)
3. Kekuatan atau Konsistensi Hubungan Terakhir, pengukuran korelasinya

konsistensi hubungan. Untuk hubungan linier, misalnya, titik data bisa pas dengan sempurna di garis
lurus. Setiap saat X meningkat satu poin, nilai Y juga berubah dengan jumlah yang konsisten dan dapat
diprediksi. Gambar 15.3 (a) menunjukkan contoh hubungan linier sempurna. Namun, hubungan
biasanya tidak sempurna. Meskipun mungkin ada kecenderungan untuk nilai Y meningkat kapan saja
X meningkat, jumlah itu Y perubahan tidak selalu sama, dan terkadang,

Y menurun saat X meningkat. Dalam situasi ini, titik data tidak jatuh secara sempurna pada garis
lurus. Konsistensi hubungan diukur dengan nilai numerik
Y (Sebuah)
Y ( b)
X X
Gambar 15.3
Contoh nilai yang berbeda untuk
korelasi linier: (a) korelasi negatif (c)
Y Y ( d)
sempurna, - 1.00,
(b) tidak ada tren linier, 0,00,
(c) hubungan positif yang kuat,

kira-kira +.90, dan
(d) korelasi negatif yang
relatif lemah,
sekitar - 0.40. X X
SEKTOR 15.2 | Korelasi Pearson 489
dari korelasi. SEBUAH korelasi sempurna selalu diidentifikasi oleh korelasi 1,00 dan menunjukkan
hubungan yang konsisten sempurna. Untuk korelasi 1,00 (atau - 1.00), setiap perubahan X disertai dengan
perubahan yang dapat diprediksi dengan sempurna Y. Di sisi lain, korelasi 0 menunjukkan tidak ada
konsistensi sama sekali. Untuk korelasi 0, titik data tersebar secara acak tanpa tren yang jelas (lihat
Gambar 15.3 (b)). Nilai antara 0 dan 1 menunjukkan tingkat konsistensi.
Contoh nilai yang berbeda untuk korelasi linier ditunjukkan pada Gambar 15.3. Dalam setiap contoh kami
telah membuat sketsa garis di sekitar titik data. Baris ini, disebut
amplop karena menyertakan data, sering kali membantu Anda untuk melihat tren keseluruhan dalam data. Sebagai
aturan praktis, ketika amplop dibentuk secara kasar seperti bola, korelasinya sekitar 0,7. Amplop yang lebih tebal
dari bola menunjukkan korelasi yang mendekati 0, dan bentuk yang lebih sempit menunjukkan korelasi yang
mendekati 1,00.
Anda juga harus memperhatikan bahwa tanda (+ atau -) dan kekuatan korelasi tidak bergantung. Misalnya,
korelasi 1,00 menunjukkan hubungan yang sangat konsisten baik itu positif (+1,00) atau negatif ( - 1.00). Begitu pula
dengan korelasi +0.80 dan - 0,80 adalah hubungan yang sama-sama konsisten. Terakhir, Anda harus memperhatikan
bahwa korelasi tidak boleh lebih besar dari +1.00 atau lebih kecil dari - 1.00. Jika perhitungan Anda menghasilkan
nilai di luar kisaran ini, Anda harus segera menyadari bahwa Anda telah melakukan kesalahan.
Belajar CheCk 1. Nilai negatif untuk korelasi menunjukkan .

Sebuah. hubungan yang jauh lebih kuat daripada jika korelasinya positif
b. hubungan yang jauh lebih lemah daripada jika korelasinya positif

c. meningkat X cenderung disertai dengan peningkatan Y
d. meningkat X cenderung disertai dengan penurunan Y
2. Manakah dari berikut ini yang merupakan urutan yang benar, dari yang terkuat dan paling konsisten hingga
terlemah dan paling tidak konsisten, untuk korelasi berikut?

Sebuah. - 1,00, 0,85, - 0,43, 0,02
b. 0,85, 0,02, - 0,43, - 1.00

c. - 1.00, - 0,43, 0,02. 0.85
d. 0.85, - 0,43, 0,02, - 1.00
jawaban 1. D, 2. SEBUAH
15.2 Korelasi Pearson

Tujuan Pembelajaran 2. Hitung jumlah produk deviasi ( SP) untuk satu set skor menggunakan
definisi dan rumus komputasi.
3. Hitung korelasi Pearson untuk sekumpulan skor dan jelaskan apa yang diukurnya.
4. Jelaskan bagaimana nilai korelasi Pearson dipengaruhi ketika sebuah konstanta

ditambahkan ke masing-masing X skor dan / atau Y skor, dan saat X dan / atau Y skor semua dikalikan dengan
konstanta.
Sejauh ini, korelasi yang paling umum adalah korelasi Pearson (atau korelasi momen-produk
Pearson), yang mengukur derajat hubungan garis lurus.
Definisi Itu Korelasi Pearson mengukur derajat dan arah hubungan linier antara dua variabel.
Korelasi Pearson untuk sampel diidentifikasi dengan surat itu r. Korelasi yang sesuai untuk seluruh populasi
diidentifikasi dengan huruf Yunani rho ( ρ), yang dalam bahasa Yunani setara dengan surat itu r. Secara
konseptual, korelasi ini dihitung dengan
sejauh mana X dan Y bervariasi bersama-sama sejauh mana X

r5
dan Y berbeda secara terpisah
kovariabilitas dari X dan Y

5
variabilitas X dan Y terpisah
Ketika ada hubungan linier sempurna, setiap perubahan di X variabel disertai dengan perubahan yang sesuai di Y
variabel. Pada Gambar 15.3 (a), misalnya, setiap kali nilai X meningkat, ada penurunan nilai yang dapat diprediksi
dengan sempurna Y. Hasilnya adalah hubungan linier sempurna, dengan X dan Y selalu bervariasi bersama.
Dalam hal ini, kovariabilitas ( X dan Y bersama) identik dengan variabilitas X dan Y secara terpisah, dan rumus
tersebut menghasilkan korelasi dengan besaran 1,00 atau - 1.00. Di sisi lain, jika tidak ada hubungan linier, terjadi
perubahan X variabel tidak sesuai dengan perubahan yang dapat diprediksi di Y variabel. Dalam hal ini, tidak ada
kovariabilitas, dan korelasi yang dihasilkan adalah nol.
■ ■ Jumlah Produk Penyimpangan

Untuk menghitung korelasi Pearson, perlu untuk memperkenalkan satu konsep baru: the jumlah produk penyimpangan,
atau SP. Nilai baru ini mirip dengan SS ( jumlah deviasi kuadrat), yang digunakan untuk mengukur variabilitas
variabel tunggal. Sekarang, kami menggunakan SP untuk mengukur jumlah kovariabilitas antara dua variabel.
Nilai untuk SP dapat dihitung dengan rumus definisi atau rumus komputasi.
Itu rumus definisi untuk jumlah produk adalah
SP = ∑ ( X - M) (Y X- M) Y
(15.1)
dimana M adalah
X
mean untuk X skor dan M adalah mean untuk
Y
Y s.
Rumus definisi menginstruksikan Anda untuk melakukan urutan operasi berikut:
1. Temukan X deviasi dan Y penyimpangan untuk setiap individu.
2. Temukan produk penyimpangan untuk setiap individu.
3. Tambahkan produk.
Perhatikan bahwa proses ini secara harfiah mendefinisikan nilai yang sedang dihitung; Artinya, rumus sebenarnya
menghitung jumlah produk dari penyimpangan.
Itu rumus komputasi untuk jumlah produk penyimpangan adalah
Peringatan: Itu n dalam rumus
ini mengacu pada Hai X Hai Y
SP 5 Hai XY 2 (15.2)
jumlah pasangan skor. n
Karena rumus komputasi menggunakan skor asli ( X dan Y nilai), biasanya menghasilkan penghitungan yang lebih
mudah daripada yang diperlukan dengan rumus definisi, terutama jika M atau M bukan bilangan bulat. Namun, kedua
rumusX tersebutY akan selalu menghasilkan nilai yang sama SP.
Youmay telah mencatat bahwa rumus untuk SP mirip dengan rumus yang telah Anda pelajari SS ( jumlah
kotak). Hubungan antara dua set rumus dijelaskan di Kotak 15.1. Contoh berikut menunjukkan
perhitungan SP dengan kedua rumus tersebut.
Kotak 15.1 Membandingkan SP dan SS Rumus
Ini dapat membantu Anda mempelajari rumus untuk SP jika hubungan ada untuk rumus komputasi. Untuk SS, rumus
diperhatikan kemiripan antara keduanya SP rumus dan rumus komputasi adalah
terkait untuk SS yang disajikan dalam Bab 4. Rumus definisi
begitu X d 2
untuk SS adalah SS 5 Hai X 2 2
n
SS = ∑ ( X - M) 2 Seperti sebelumnya, setiap nilai kuadrat sama dengan mengalikan dengan
dirinya sendiri, sehingga rumusnya dapat ditulis ulang sebagai

Dalam rumus ini, Anda harus mengkuadratkan setiap penyimpangan, yang
setara dengan mengalikannya dengan penyimpangan itu sendiri. Dengan Hai X Hai X
SS 5 Hai XX 2
pemikiran ini, rumusnya dapat ditulis ulang sebagai n
Sekali lagi, perhatikan kesamaan struktur antara file SS

SS = ∑ ( X - M) (X - M)
formula dan SP rumus: Jika Anda ingat bahwa
SS rumus menggunakan nilai kuadrat dan SP rumus menggunakan
Kesamaan antara SS formula dan SP
perkalian, maka dua rumus baru untuk penjumlahan produk harus mudah
formula harus jelas — the SS rumus menggunakan kuadrat dan SP formula
dipelajari.
menggunakan produk. Ini sama
contoh 15.1 Set yang sama n = 4 pasang skor digunakan untuk menghitung SP, pertama menggunakan rumus definisi dan kemudian
menggunakan rumus komputasi.
Untuk rumus definisi, Anda memerlukan skor deviasi untuk masing-masing X nilai dan masing-masing Y nilai-nilai.
Perhatikan bahwa mean untuk file Xs adalah M = 2.5 dan mean untuk file Y s adalah M = 5. Penyimpangan dan produk
X Y
penyimpangan ditunjukkan pada tabel berikut:
Peringatan: Tanda-tanda
Skor Penyimpangan Produk
( 1 dan 2) sangat penting dalam
menentukan jumlah produk, SP. X Y X - MX Y - MY ( X - M X) ( Y - M Y)
1 3 - 1.5 -2 + 3
2 6 - 0,5 + 1 - 0,5
4 4 + 1.5 -1 - 1.5
3 7 + 0,5 + 2 + 1
+ 2 = SP
Untuk skor-skor ini, jumlah produk dari deviasi adalah SP = + 2. Untuk rumus komputasi, Anda memerlukan X nilai,
itu Y nilai, dan XY produk untuk setiap individu. Kemudian Anda menemukan jumlah dari X s, jumlah dari Y s,
dan jumlah file
XY produk. Nilai-nilai tersebut adalah sebagai berikut:
X Y XY
1 3 3
2 6 12
4 4 16
3 7 21
10 20 52 Total
Mengganti total dalam rumus memberi
Hai X Hai Y
SP 5 Hai XY 2
n
10 s 20 d
5 52 2
4
= 52 - 50
=2
Kedua rumus tersebut menghasilkan hasil yang sama, SP = 2. ■
Contoh berikut adalah kesempatan untuk menguji pemahaman Anda tentang perhitungan SP ( jumlah
produk penyimpangan).
contoh 15.2 Hitung jumlah produk deviasi ( SP) untuk set skor berikut. Gunakan rumus definisi, lalu rumus
komputasi. Anda harus mendapatkan SP = 5 dengan kedua rumus.
X Y
0 1
3 3
2 3
5 2
0 1
■
■ ■ Perhitungan Korelasi Pearson

Seperti disebutkan sebelumnya, korelasi Pearson terdiri dari rasio yang membandingkan kovariabilitas X dan Y
( pembilang) dengan variabilitas X dan Y secara terpisah (penyebut). Dalam rumus untuk Pearson r, kita
gunakan SP untuk mengukur kovariabilitas X dan Y. Variabilitas X diukur dengan komputasi SS Untuk X skor
dan variabilitas Y
diukur dengan SS Untuk Y skor. Dengan definisi tersebut, rumus untuk korelasi Pearson menjadi
SP
r5 (15.3)
SAYA SS
X
SSY
Perhatikan bahwa Anda kalikan SS untuk X oleh SS untuk Y dalam penyebut rumus Pearson.
Contoh berikut menunjukkan penggunaan rumus ini dengan serangkaian skor sederhana.
contoh 15.3 Korelasi Pearson dihitung untuk himpunan n = 5 pasang skor yang ditampilkan di margin.
Sebelum memulai penghitungan apa pun, sebaiknya letakkan data di plot sebar dan buat perkiraan awal
X Y korelasi. Data ini telah digambarkan pada Gambar 15.4. Melihat diagram sebar, terlihat bahwa ada korelasi positif
0 2 yang sangat baik (tetapi tidak sempurna). Anda harus mengharapkan nilai perkiraan r = +. 8 atau +.9. Untuk
10 6 menemukan korelasi Pearson, kita perlu SP, SS untuk X, dan SS untuk Y. Perhitungan untuk masing-masing nilai
4 2 ini, menggunakan rumus definisi, disajikan pada Tabel 15.1. (Perhatikan bahwa mean untuk file
8 4
8 6
X nilai adalah M = X6 dan rata-rata untuk Y skor adalah M = 4.) Y
Y6
Gambar 15.4
Plot sebar untuk data dari Contoh
X
15.3. 0 1 2 3 4 5 6 7 8 9 10
TaBLe 15.1 Skor Penyimpangan Penyimpangan Kuadrat Produk

Perhitungan SS, SS,X Y
dan SP untuk sampel X Y X - MX Y - MY ( X - M X) 2 ( Y - M Y) 2 ( X - M X) ( Y - M Y)
n = 5 pasang skor.
0 2 -6 -2 36 4 + 12
10 6 + 4 + 2 16 4 + 8
4 2 -2 -2 4 4 + 4
8 4 + 2 0 4 0 0
8 6 + 2 + 2 4 4 + 4
SSX= 64 SSY= 16 SP = + 28
Menggunakan nilai dari Tabel 15.1, korelasi Pearson adalah

SP 28 28
r5 5 5 5 1 0.875
Adalah SS ds SSYd Adalah 64 ds 16 d 32 ■
X
■ ■ Korelasi dan Pola Titik Data

Perhatikan bahwa nilai yang kita peroleh untuk korelasi pada Contoh 15.3 sangat konsisten dengan pola yang
dibentuk oleh titik data pada Gambar 15.4. Tanda positif untuk korelasi menunjukkan bahwa titik-titik tersebut
berkerumun di sekitar garis yang miring ke kanan. Kedua, nilai korelasi yang tinggi (mendekati 1,00) menunjukkan
bahwa titik-titik tersebut berkerumun sangat erat di dekat garis. Dengan demikian, nilai korelasi menggambarkan
hubungan yang ada pada data tersebut.
Karena korelasi Pearson menggambarkan pola yang dibentuk oleh titik data, faktor apa pun yang tidak
mengubah pola juga tidak mengubah korelasi. Misalnya, jika 5 poin ditambahkan ke masing-masing X nilai-nilai
pada Gambar 15.4, maka setiap titik data akan bergerak ke kanan. Namun, karena semua titik data bergeser ke
kanan, pola keseluruhan tidak berubah, hanya dipindahkan ke lokasi baru. Demikian pula, jika setiap 5 poin
dikurangkan X nilai, polanya akan bergeser ke kiri. Dalam kedua kasus, pola keseluruhan tetap sama dan
korelasinya tidak berubah. Dengan cara yang sama, menambahkan konstanta ke (atau mengurangkan konstanta
dari) masing-masing Y nilai hanya menggeser pola ke atas (atau ke bawah) tetapi tidak mengubah pola dan, oleh
karena itu, tidak mengubah korelasi. Demikian pula, mengalikan masing-masing X dan / atau Y nilai konstanta
positif juga tidak mengubah pola yang dibentuk oleh titik-titik data dan tidak mengubah korelasi. Misalnya, jika
masing-masing X
nilai-nilai pada Gambar 15.4 dikalikan dengan 2, kemudian plot sebar yang sama dapat digunakan untuk menampilkan
baik skor asli atau skor baru. Angka saat ini menunjukkan skor asli, tetapi jika nilai di X- sumbu (0, 1, 2, 3, dan
seterusnya) digandakan (0, 2, 4, 6, dan seterusnya), maka gambar yang sama akan menunjukkan pola yang
dibentuk oleh skor baru. Mengalikan salah satu X atau Y nilai dengan angka negatif, bagaimanapun, tidak
mengubah nilai numerik korelasi tetapi mengubah tandanya. Misalnya jika masing-masing X nilai pada Gambar
15.4 dikalikan dengan - 1, maka titik data saat ini akan dipindahkan ke sisi kiri Y- sumbu, membentuk bayangan
cermin dari pola arus. Alih-alih korelasi positif pada gambar saat ini, pola baru akan menghasilkan korelasi
negatif dengan nilai numerik yang sama persis. Singkatnya, menambahkan konstanta ke (atau mengurangkan
konstanta dari) masing-masing X dan / atau Y nilai tidak mengubah pola titik data dan tidak mengubah korelasi.
Juga, mengalikan (atau membagi) masing-masing X atau masing-masing Y nilai konstanta positif tidak
mengubah pola dan tidak mengubah nilai korelasi. Mengalikan dengan konstanta negatif, bagaimanapun,
menghasilkan bayangan cermin dari pola dan, oleh karena itu, mengubah tanda korelasi.
■ ■ Korelasi Pearson dan z- Skor

Korelasi Pearson mengukur hubungan antara lokasi individu di
X distribusi dan lokasinya di Y distribusi. Misalnya, korelasi positif berarti individu yang mendapat skor tinggi X
juga cenderung mendapat skor tinggi Y. Demikian pula korelasi yang negatif menunjukkan individu dengan
tinggi X skor cenderung rendah Y skor.
Ingat dari Bab 5 itu z- Skor mengidentifikasi lokasi yang tepat dari setiap skor individu dalam suatu distribusi.
Dengan pemikiran ini, masing-masing X nilai dapat diubah menjadi z- skor,
z,X menggunakan mean dan deviasi standar untuk himpunan X s. Begitu pula masing-masing Y skor dapat diubah
menjadi z. Jika X dan Y nilai-nilai
Y
dipandang sebagai sampel, transformasi diselesaikan menggunakan rumus sampel
untuk z ( Persamaan 5.3). Jika X dan Y nilai-nilai membentuk populasi lengkap, the z- skor dihitung menggunakan
Persamaan 5.1. Setelah transformasi, rumus untuk korelasi Pearson dapat dinyatakan seluruhnya dalam z- skor.
Hai zz
XY
Sebagai contoh, r 5 s n 2 1 d (15.4)
Hai zz
XY
Untuk suatu populasi, ρ 5 (15,5)
N
Perhatikan bahwa nilai populasi diidentifikasi dengan huruf Yunani rho.
Belajar CheCk 1. Berapa jumlah produk ( SP) untuk data berikut ini?
Sebuah. 6
XY
b. - 5
24
c. 43 52
d. Tidak satu pun dari 3 pilihan lainnya benar. 35
25
2. Satu set n = 5 pasang X dan Y nilai memiliki SS = 5, SS = 20X dan SP = 8.Y Untuk data ini, korelasi Pearson
adalah _____.
Sebuah. r =100
8
= 0,08
b. r = 8 10 = 0.80
c. r = 8 25 = 0.32
d. r = 8 20 = 0.40
SEcTIoN 15.3 | Menggunakan dan Menafsirkan Korelasi Pearson 495
3. Satu set n = 15 pasang X dan Y nilai memiliki korelasi Pearson r = 0.10. Jika masing-masing X nilai
dikalikan 2, lalu apa korelasi untuk data yang dihasilkan?
Sebuah. 0.10
b. - 0.10
c. 0.20
d. - 0.20
jawaban 1. B, 2. B, 3. SEBUAH
15.3 Menggunakan dan Menafsirkan Korelasi Pearson
Tujuan Pembelajaran 5. Jelaskan bagaimana sebuah korelasi dapat dipengaruhi oleh kisaran skor yang terbatas atau oleh
pencilan.
6. Tentukan koefisien determinasi dan jelaskan apa yang diukurnya.
7. Jelaskan apa yang diukur dengan korelasi parsial.
■ ■ Dimana dan Mengapa Korelasi Digunakan

Meskipun korelasi memiliki sejumlah penerapan yang berbeda, beberapa contoh khusus disajikan di sebelahnya
untuk memberikan indikasi nilai pengukuran statistik ini.
1. Prediksi Jika dua variabel diketahui terkait dalam beberapa cara sistematis, itu adalah
mungkin untuk menggunakan salah satu variabel untuk membuat prediksi yang akurat tentang variabel lainnya.
Misalnya, ketika Anda mendaftar untuk masuk perguruan tinggi, Anda diminta untuk menyerahkan banyak informasi
pribadi, termasuk skor Anda pada Tes Prestasi Skolastik (SAT). Pejabat perguruan tinggi menginginkan informasi ini
sehingga mereka dapat memprediksi peluang Anda untuk sukses di perguruan tinggi. Telah dibuktikan selama
beberapa tahun bahwa skor SAT dan nilai rata-rata perguruan tinggi berkorelasi. Siswa yang berprestasi baik di SAT
cenderung berprestasi di perguruan tinggi; siswa yang mengalami kesulitan dengan SAT cenderung mengalami
kesulitan di perguruan tinggi. Berdasarkan hubungan ini, petugas penerimaan perguruan tinggi dapat membuat
prediksi tentang potensi keberhasilan setiap pelamar. Anda harus mencatat bahwa prediksi ini tidak sepenuhnya
akurat. Tidak semua orang yang mendapatkan nilai SAT yang buruk akan mengalami kesulitan di perguruan tinggi.
Itulah mengapa Anda juga mengirimkan surat rekomendasi, nilai sekolah menengah, dan informasi lainnya dengan
aplikasi Anda. Proses menggunakan hubungan untuk membuat prediksi disebut regresi dan dibahas di bab berikutnya.
2. Validitas Misalkan seorang psikolog mengembangkan tes baru untuk mengukur kecerdasan.
Bagaimana Anda bisa menunjukkan bahwa tes ini benar-benar mengukur apa yang diklaimnya; yaitu, bagaimana Anda
bisa mendemonstrasikan validitas tes? Salah satu teknik umum untuk menunjukkan validitas adalah dengan
menggunakan korelasi. Jika tes tersebut benar-benar mengukur kecerdasan, maka skor pada tes tersebut harus
dikaitkan dengan ukuran kecerdasan lainnya — misalnya, tes IQ standar, kinerja dalam tugas-tugas pembelajaran,
kemampuan memecahkan masalah, dan sebagainya. Psikolog dapat mengukur korelasi antara tes baru dan
masing-masing pengukuran kecerdasan lainnya untuk menunjukkan bahwa tes baru itu valid.
3. Keandalan Selain mengevaluasi validitas prosedur pengukuran,

korelasi digunakan untuk menentukan reliabilitas. Sebuah prosedur pengukuran dipertimbangkan
dapat diandalkan sejauh menghasilkan pengukuran yang stabil dan konsisten. Artinya, prosedur pengukuran
yang andal akan menghasilkan skor yang sama (atau hampir sama) bila individu yang sama diukur dua kali
dalam kondisi yang sama. Misalnya, jika IQ Anda diukur sebagai 113 minggu lalu, Anda akan berharap
memperoleh skor yang hampir sama jika IQ Anda diukur lagi minggu ini. Salah satu cara untuk mengevaluasi
keandalan adalah dengan menggunakan korelasi untuk menentukan hubungan antara dua set pengukuran.
Ketika reliabilitas tinggi, korelasi antara dua pengukuran harus kuat dan positif. Pembahasan lebih lanjut
tentang konsep reliabilitas disajikan dalam Kotak 15.2.
4. Verifikasi Teori Banyak teori psikologis membuat prediksi khusus

tentang hubungan antara dua variabel. Misalnya, teori dapat memprediksi hubungan antara
ukuran otak dan kemampuan belajar; teori perkembangan dapat memprediksi hubungan antara IQ
orang tua dan IQ anak; Seorang psikolog sosial mungkin memiliki teori yang memprediksi
hubungan antara tipe kepribadian dan perilaku dalam situasi sosial. Dalam setiap kasus, prediksi
teori dapat diuji dengan menentukan korelasi antara dua variabel.
Kotak 15.2 Reliabilitas dan Kesalahan dalam Pengukuran
Gagasan tentang keandalan pengukuran terkait langsung dengan satu pengukuran ke pengukuran berikutnya dan pengukuran
gagasan bahwa setiap pengukuran individu mencakup elemen tersebut tidak dapat diandalkan. Pengukuran waktu reaksi,
kesalahan. Dinyatakan sebagai persamaan, misalnya, cenderung sangat tidak dapat diandalkan. Misalkan,
Anda sedang duduk di depan meja dengan jari di atas tombol dan
skor terukur = skor sebenarnya + kesalahan
bola lampu di depan Anda. Tugas Anda adalah menekan tombol
secepat mungkin saat lampu menyala. Pada beberapa
Misalnya, jika saya mencoba mengukur kecerdasan Anda dengan tes IQ,
percobaan, Anda fokus pada cahaya dengan jari Anda tegang
skor yang saya peroleh sebagian ditentukan oleh tingkat kecerdasan Anda
dan siap untuk mendorong. Pada percobaan lain, konsentrasi
yang sebenarnya (skor Anda yang sebenarnya) tetapi juga dipengaruhi oleh
Anda terganggu, atau hari bermimpi, atau berkedip saat lampu
berbagai faktor lain seperti suasana hati Anda saat ini. , tingkat kelelahan
menyala sehingga waktu berlalu sebelum Anda akhirnya
Anda, kesehatan umum Anda, dan sebagainya. Faktor-faktor lain ini
menekan tombol. Akibatnya, ada komponen kesalahan yang
digabungkan menjadi kesalahan, dan biasanya merupakan bagian dari
sangat besar pada pengukuran dan waktu reaksi Anda dapat
pengukuran apa pun.
berubah secara dramatis dari satu percobaan ke percobaan
berikutnya. Jika pengukuran tidak dapat diandalkan, Anda tidak
Secara umum diasumsikan bahwa komponen kesalahan berubah
dapat mempercayai pengukuran tunggal untuk memberikan
secara acak dari satu pengukuran ke pengukuran berikutnya dan ini
indikasi akurat tentang skor sebenarnya individu.
menyebabkan skor Anda berubah. Misalnya, skor IQ Anda cenderung
lebih tinggi saat Anda cukup istirahat dan merasa baik dibandingkan
dengan pengukuran yang diambil saat Anda lelah dan depresi. Meskipun
kecerdasan Anda yang sebenarnya tidak berubah, komponen kesalahan
Korelasi dapat digunakan untuk membantu peneliti mengukur dan
menyebabkan skor Anda berubah dari satu pengukuran ke pengukuran
mendeskripsikan reliabilitas. Dengan mengambil dua pengukuran untuk
lainnya.
setiap individu, dimungkinkan untuk menghitung korelasi antara skor
pertama dan skor kedua. Korelasi positif yang kuat menunjukkan tingkat
Selama komponen kesalahan relatif kecil, maka skor Anda akan
keandalan yang baik: orang yang mendapat skor tinggi pada pengukuran
relatif konsisten dari satu pengukuran ke pengukuran berikutnya, dan
pertama juga mendapat skor tinggi pada pengukuran kedua. Korelasi
pengukuran tersebut dikatakan dapat diandalkan. Jika Anda merasa
yang lemah menunjukkan bahwa tidak ada hubungan yang konsisten
sangat bahagia dan cukup istirahat, itu mungkin memengaruhi skor IQ
antara skor pertama dan skor kedua; Artinya, korelasi yang lemah
Anda beberapa poin, tetapi itu tidak akan meningkatkan IQ Anda dari
menunjukkan keandalan yang buruk.
110 menjadi 170.
Di sisi lain, jika komponen kesalahan relatif besar, Anda

akan menemukan perbedaan besar dari
■ ■ Menafsirkan Korelasi
Saat Anda menemukan korelasi, ada empat pertimbangan tambahan yang harus Anda ingat.
1. Korelasi secara sederhana menggambarkan hubungan antara dua variabel. Itu tidak menjelaskan
mengapa kedua variabel itu terkait. Secara khusus, korelasi tidak boleh dan tidak dapat ditafsirkan
sebagai bukti hubungan sebab-akibat antara dua variabel.
2. Nilai korelasi dapat sangat dipengaruhi oleh kisaran skor yang mewakili
dikirim dalam data.
3. Satu atau dua titik data ekstrim, sering disebut outlier, dapat memberikan efek dramatis
nilai korelasi.
4. Saat menilai seberapa "baik" suatu hubungan, Anda tergoda untuk fokus pada jumlah
nilai kal korelasi. Misalnya, korelasi +0,5 berada di tengah antara 0 dan 1,00 dan oleh karena itu
tampaknya mewakili tingkat hubungan yang moderat. Namun, korelasi tidak boleh diartikan sebagai
proporsi. Meskipun korelasi 1,00 tidak berarti bahwa ada hubungan yang 100% dapat diprediksi
dengan sempurna X dan Y, korelasi 0,5 tidak berarti Anda dapat membuat prediksi dengan akurasi
50%. Untuk menjelaskan seberapa akurat satu variabel memprediksi variabel lainnya, Anda harus
mengkuadratkan korelasinya. Jadi, korelasi r =. 5 berarti satu variabel
sebagian memprediksi yang lain, tetapi porsi yang dapat diprediksi hanya r 2 =. 5 2 = 0,25 (atau 25%) dari total
variabilitas.
Kami sekarang membahas masing-masing dari empat poin ini secara rinci.
■ ■ Korelasi dan Penyebab

Salah satu kesalahan paling umum dalam menafsirkan korelasi adalah mengasumsikan bahwa korelasi selalu menyiratkan
hubungan sebab-akibat antara dua variabel. (Bahkan Pearson membuat kesalahan dengan menyatakan penyebab dari
data korelasional; Blum, 1978.) Kami terus-menerus dibombardir dengan laporan hubungan: merokok berhubungan dengan
penyakit jantung; konsumsi alkohol terkait dengan cacat lahir; Konsumsi wortel terkait dengan penglihatan yang baik.
Apakah hubungan ini berarti rokok menyebabkan penyakit jantung atau wortel menyebabkan penglihatan yang baik?
Jawabannya adalah tidak. Meskipun mungkin ada hubungan kausal, keberadaan korelasi yang sederhana tidak
membuktikannya. Sebelumnya, misalnya, kita membahas sebuah penelitian yang menunjukkan hubungan antara nilai
sekolah menengah dan pendapatan keluarga. Namun hasil ini tidak berarti memiliki pendapatan keluarga yang lebih tinggi penyebab
siswa untuk mendapatkan nilai yang lebih baik. Misalnya, jika ibu mendapat bonus tak terduga di tempat kerja, kecil
kemungkinan nilai anaknya juga akan meningkat secara tiba-tiba. Untuk menetapkan hubungan sebab-akibat, perlu
dilakukan eksperimen yang benar (lihat halaman 13) di mana satu variabel dimanipulasi oleh seorang peneliti dan variabel
lain dikontrol dengan ketat. Fakta bahwa korelasi tidak menetapkan sebab-akibat ditunjukkan dalam contoh berikut.
contoh 15.4 Misalkan kita memilih berbagai kota dan kota kecil di seluruh Amerika Serikat dan mengukur jumlah gereja ( X variabel) dan
jumlah kejahatan berat ( Y variabel) untuk masing-masing. Scatter plot yang menunjukkan data hipotetis untuk penelitian ini
disajikan pada Gambar 15.5. Perhatikan bahwa plot pencar ini menunjukkan korelasi positif yang kuat antara gereja dan
kejahatan. Anda juga harus mencatat bahwa ini adalah data yang realistis. Masuk akal bahwa kota-kota kecil memiliki lebih
sedikit kejahatan dan lebih sedikit gereja dan kota-kota besar memiliki nilai yang besar untuk kedua variabel tersebut.
Apakah hubungan ini berarti bahwa gereja menyebabkan kejahatan? Apakah ini berarti kejahatan menyebabkan gereja?
Jelaslah bahwa kedua jawaban tersebut adalah tidak. Meskipun ada korelasi kuat antara gereja dan kejahatan, penyebab
sebenarnya dari hubungan tersebut adalah ukuran populasi.
■
60
50
40
30
20
Jumlah kejahatan serius
10
Gambar 15.5
Data hipotetis yang menunjukkan
hubungan logis antara
jumlah gereja dan jumlah
0 10 20 30 40 50 60 70
kejahatan serius untuk sampel
kota-kota AS. Jumlah gereja
■ ■ Korelasi dan Rentang Terbatas

Setiap kali korelasi dihitung dari skor yang tidak mewakili kisaran penuh kemungkinan nilai, Anda
harus berhati-hati dalam menafsirkan korelasi. Misalnya, Anda tertarik dengan hubungan antara IQ
dan kreativitas. Jika Anda memilih sampel dari sesama mahasiswa, data Anda mungkin hanya
mewakili rentang skor IQ yang terbatas (kemungkinan besar dari 110 - 130). Korelasi dalam hal ini jarak
terbatas bisa sangat berbeda dari korelasi yang akan diperoleh dari berbagai nilai IQ. Misalnya,
Gambar 15.6 menunjukkan hubungan positif yang kuat antara X dan Y
ketika seluruh rentang skor dipertimbangkan. Namun, hubungan ini dikaburkan saat data dibatasi pada
rentang terbatas.
Untuk amannya, Anda tidak boleh menggeneralisasi korelasi apa pun di luar rentang data yang direpresentasikan
dalam sampel. Agar korelasi dapat memberikan deskripsi yang akurat untuk populasi umum, harus ada cakupan yang
luas X dan Y nilai dalam data.
Gambar 15.6
X nilai-nilai dibatasi
Dalam contoh ini, rangkaian lengkap X dan ke kisaran terbatas
Y nilai menunjukkan korelasi positif yang kuat, tetapi
kisaran skor yang dibatasi menghasilkan korelasi
Y nilai-nilai
mendekati nol. X nilai-nilai

■ ■ Pencilan
Pencilan adalah individu dengan X dan / atau Y nilai yang secara substansial berbeda (lebih besar atau lebih kecil)
dari nilai yang diperoleh untuk individu lain dalam kumpulan data. Titik data pencilan tunggal dapat memiliki
pengaruh dramatis pada nilai yang diperoleh untuk korelasi. Efek ini diilustrasikan pada Gambar 15.7. Gambar 15.7
(a) menunjukkan satu set n = 5 titik data yang korelasi antara file X dan Y variabel hampir nol (sebenarnya r = - 0,08).
Pada Gambar 15.7 (b), satu titik data ekstrim (14, 12) telah ditambahkan ke kumpulan data asli. Ketika pencilan ini
dimasukkan dalam analisis, korelasi positif yang kuat muncul (sekarang
r = + 0.85). Perhatikan bahwa pencilan tunggal secara drastis mengubah nilai korelasi dan dengan demikian dapat
memengaruhi interpretasi seseorang tentang hubungan antar variabel X dan Y.
Tanpa pencilan, seseorang akan menyimpulkan tidak ada hubungan antara kedua variabel. Dengan titik data ekstrim, r
= + 0.85 menyiratkan hubungan yang kuat dengan Y meningkat secara konsisten sebagai X meningkat. Masalah
pencilan adalah alasan yang baik untuk melihat plot pencar, bukan hanya mendasarkan interpretasi Anda pada nilai
numerik korelasi. Jika Anda hanya "melihat angka-angka", Anda mungkin mengabaikan fakta bahwa satu titik data
ekstrem memperbesar ukuran korelasi.
■ ■ Korelasi dan Kekuatan Hubungan

Korelasi mengukur tingkat hubungan antara dua variabel pada skala dari 0 - 1.00. Meskipun angka ini
memberikan ukuran derajat hubungan, banyak peneliti lebih suka mengkuadratkan korelasi dan
menggunakan nilai yang dihasilkan untuk mengukur kekuatan hubungan.
(Sebuah) (b)
12 12
10 10
r = –0,08 r = 0.85
8 8
6 6
4 4
2 2
Y nilai-nilai
Y nilai-nilai
2 4 6 8 10 12 14 2 4 6 8 10 12 14
X nilai-nilai X nilai-nilai
Data Asli Data dengan Outlier Included
Subyek X Y Subyek X Y
SEBUAH 1 3 SEBUAH 1 3
B 3 5 B 3 5
C 6 4 C 6 4
D 4 1 D 4 1
E 5 2 E 5 2
F 14 12
Gambar 15.7
Demonstrasi tentang bagaimana satu titik data ekstrem (pencilan) dapat memengaruhi nilai korelasi.
Salah satu kegunaan umum korelasi adalah untuk prediksi. Jika dua variabel berkorelasi, Anda dapat menggunakan
nilai satu variabel untuk memprediksi variabel lainnya. Misalnya, petugas bagian penerimaan perguruan tinggi tidak hanya
menebak pelamar mana yang kemungkinan besar akan berhasil; mereka menggunakan variabel lain (skor SAT, nilai
sekolah menengah, dan sebagainya) untuk memprediksi siswa mana yang paling mungkin berhasil. Prediksi ini didasarkan
pada korelasi. Dengan menggunakan korelasi, petugas penerimaan berharap untuk membuat prediksi yang lebih akurat
daripada yang didapat secara kebetulan. Secara umum, korelasi kuadrat ( r 2) mengukur perolehan dalam akurasi yang
diperoleh dari penggunaan korelasi untuk prediksi. Korelasi kuadrat mengukur proporsi variabilitas dalam data yang
dijelaskan oleh hubungan antara X dan Y. Terkadang disebut file koefisien determinasi.
Definisi Nilai r 2 disebut koefisien determinasi karena mengukur proporsi variabilitas dalam satu
variabel yang dapat ditentukan dari hubungannya dengan variabel lainnya. Korelasi dari r
= 0,80 (atau - 0,80), misalnya, berarti r 2 = 0,64 (atau 64%) dari variabilitas di file Y skor
dapat diprediksi dari hubungan dengan X.
Dalam bab-bab sebelumnya (lihat hlm. 281, 317 dan 348) kami perkenalkan r 2 sebagai metode untuk mengukur ukuran
efek untuk studi penelitian di mana perbedaan rata-rata digunakan untuk membandingkan perlakuan. Secara khusus, kami
mengukur seberapa banyak varians dalam skor diperhitungkan oleh perbedaan antara perlakuan. Dalam terminologi
eksperimental, r 2 mengukur seberapa banyak varians dalam variabel dependen diperhitungkan oleh variabel independen.
Sekarang kami melakukan hal yang sama, kecuali bahwa tidak ada variabel independen atau dependen. Sebaliknya, kami
hanya memiliki dua variabel, X dan Y, dan kami gunakan r 2 untuk mengukur seberapa besar varians dalam satu variabel
dapat ditentukan dari hubungannya dengan variabel lainnya. Contoh berikut menunjukkan konsep ini.
contoh 15.5 Gambar 15.8 menunjukkan tiga kumpulan data yang merepresentasikan derajat yang berbeda dari hubungan linier. Kumpulan data
pertama (Gambar 15.8 (a)) menunjukkan hubungan antara IQ dan ukuran sepatu. Dalam hal ini, korelasinya adalah r = 0 (dan r 2 = 0), dan
Anda tidak memiliki kemampuan untuk memprediksi IQ seseorang berdasarkan ukuran sepatunya. Mengetahui ukuran sepatu
seseorang tidak memberikan informasi (0%) tentang IQ seseorang. Dalam kasus ini, ukuran sepatu tidak membantu menjelaskan
mengapa orang yang berbeda memiliki IQ yang berbeda.
Sekarang perhatikan data pada Gambar 15.8 (b). Data ini menunjukkan korelasi positif yang sedang, r = + 0,60,
antara nilai IQ dan nilai rata-rata perguruan tinggi (IPK). Siswa dengan
(Sebuah) (b) (c)

IPK perguruan tinggi
IQ Gaji tahunan
Gaji bulanan
Ukuran sepatu
IQ
Gambar 15.8
Tiga kumpulan data yang menunjukkan tiga derajat hubungan linier yang berbeda.
Siswa ber-IQ tinggi cenderung memiliki nilai yang lebih tinggi daripada siswa dengan IQ rendah. Dari hubungan ini,
dimungkinkan untuk memprediksi IPK siswa berdasarkan IQ-nya. Namun, Anda harus menyadari bahwa prediksi
tersebut tidak sempurna. Meski pelajar ber-IQ tinggi cenderung untuk memiliki IPK tinggi, ini tidak selalu benar. Jadi,
mengetahui IQ siswa memberikan beberapa informasi tentang nilai siswa, atau mengetahui nilai siswa memberikan
beberapa informasi tentang IQ siswa. Dalam hal ini, skor IQ membantu menjelaskan fakta bahwa siswa yang berbeda
memiliki IPK yang berbeda. Secara khusus, Anda bisa mengatakan itu bagian dari perbedaan IPK diperhitungkan oleh IQ.
Dengan korelasi r = + 0,60, kami dapatkan r 2 = 0,36, artinya 36% varian IPK dapat dijelaskan oleh IQ.
Terakhir, pertimbangkan data pada Gambar 15.8 (c). Kali ini kami menunjukkan hubungan linier sempurna ( r = + 1.00)
antara gaji bulanan dan gaji tahunan untuk sekelompok karyawan perguruan tinggi. Dengan r = 1.00 dan r 2 = 1,00, ada
100% prediktabilitas. Jika Anda mengetahui gaji bulanan seseorang, Anda dapat memprediksi gaji tahunan orang tersebut
dengan sangat akurat. Jika dua orang memiliki gaji tahunan yang berbeda, perbedaan tersebut dapat sepenuhnya
dijelaskan (100%) oleh perbedaan gaji bulanan mereka.
■
Sama seperti r 2 digunakan untuk mengevaluasi ukuran efek untuk perbedaan rata-rata dalam Bab 9, 10, dan 11,
r 2 sekarang dapat digunakan untuk mengevaluasi ukuran atau kekuatan korelasi. Standar yang sama yang diperkenalkan pada
Tabel 9.3 (p. 283), berlaku untuk kedua penggunaan file r 2 mengukur. Secara khusus, sebuah r 2 nilai 0,01 menunjukkan
pengaruh kecil atau korelasi kecil, an r 2 nilai 0,09 menunjukkan korelasi sedang, dan r 2 0,25 atau lebih besar menunjukkan
korelasi yang besar.
Informasi lebih lanjut tentang koefisien determinasi ( r 2) disajikan di Bagian 15.5 dan Bab 16. Untuk saat ini,
Anda harus menyadari bahwa setiap kali dua variabel terkait secara konsisten, Anda dapat menggunakan satu
variabel untuk memprediksi nilai variabel kedua. Satu komentar terakhir tentang interpretasi korelasi disajikan
dalam Kotak 15.3.
Kotak 15.3 Regresi Menuju Rata-rata
Perhatikan masalah berikut ini.

Jelaskan mengapa rookie of the year di bisbol liga
utama biasanya tidak tampil sebaik di musim
keduanya.
Perhatikan bahwa pertanyaan ini tampaknya tidak bersifat
statistik atau matematis. Namun, jawaban atas pertanyaan
tersebut secara langsung berkaitan dengan konsep statistik
korelasi dan regresi (Bab 16). Secara khusus, ada observasi
sederhana tentang korelasi yang dikenal sebagai regresi Variabel 1
menuju mean.
Variabel 2
Gambar 15.9
Demonstrasi regresi terhadap mean. Gambar tersebut
Definisi Ketika ada korelasi yang kurang sempurna antara dua menunjukkan plot sebar untuk data dengan korelasi yang kurang
variabel, skor ekstrim (tinggi atau rendah) untuk satu variabel dari sempurna. Perhatikan bahwa skor tertinggi pada variabel I
cenderung dipasangkan dengan skor yang kurang ekstrim (lebih (titik tangan kanan ekstrim) bukanlah skor tertinggi pada variabel
ke arah mean) pada variabel kedua. Fakta ini disebut regresi 2, tetapi digeser ke bawah menuju mean. Selain itu, skor terendah
pada variabel 1 (titik paling kiri) bukanlah skor terendah pada
variabel 2, tetapi dipindahkan ke atas menuju mean.
menuju mean.
Gambar 15.9 menunjukkan plot pencar dengan korelasi yang

kurang dari sempurna antara dua variabel. Data
(berlanjut)
Kotak 15.3 Regresi Menuju Rata-rata ( lanjutan)
Poin dalam gambar ini mungkin mewakili rata-rata pemukul untuk pemula tidak sempurna, ini adalah fakta statistik bahwa skor yang sangat tinggi dalam
bisbol pada tahun 2014 (variabel 1) dan rata-rata pemukul untuk pemain satu tahun biasanya akan tidak dipasangkan dengan skor yang sangat tinggi di
yang sama pada tahun 2015 (variabel 2). Karena korelasinya kurang dari tahun depan.
sempurna, skor tertinggi pada variabel 1 umumnya tidak skor tertinggi Sekarang coba gunakan konsep regresi menuju mean untuk
pada variabel 2. Dalam istilah bisbol, pemula dengan rata-rata tertinggi menjelaskan fenomena berikut.
pada tahun 2014 tidak memiliki rata-rata tertinggi pada tahun 2015.
1. Anda memiliki makanan yang benar-benar luar biasa di a
restoran. Namun, ketika Anda kembali dengan sekelompok
teman, Anda menemukan bahwa makanannya

Ingatlah bahwa korelasi tidak menjelaskan Mengapa
mengecewakan.
satu variabel terkait dengan yang lain; itu hanya mengatakan
bahwa ada hubungan. Korelasi tidak dapat menjelaskan 2. Anda memiliki nilai tertinggi pada ujian I di Anda
mengapa rookie terbaik tidak tampil sebaik di tahun kedua. kelas statistik, tetapi skornya hanya sedikit di atas rata-rata
Tapi, karena korelasinya pada ujian II.
■ ■ Korelasi Parsial
Kadang-kadang seorang peneliti mungkin mencurigai bahwa hubungan antara dua variabel terdistorsi oleh pengaruh
variabel ketiga. Di awal bab ini, misalnya, kami menemukan hubungan positif yang kuat antara jumlah gereja dan
jumlah kejahatan berat untuk sampel di berbagai kota dan kota (lihat Contoh 15.4, hal 497). Namun, kecil
kemungkinannya ada hubungan langsung antara gereja dan kejahatan. Sebaliknya, kedua variabel tersebut
dipengaruhi oleh populasi: Kota-kota besar memiliki banyak gereja dan tingkat kejahatan yang tinggi dibandingkan
dengan kota-kota kecil, yang memiliki lebih sedikit gereja dan lebih sedikit kejahatan. Jika populasi dikendalikan,
mungkin tidak akan ada korelasi nyata antara gereja dan kejahatan.
Untungnya, ada teknik statistik yang dikenal sebagai korelasi parsial, yang memungkinkan seorang peneliti untuk
mengukur hubungan antara dua variabel sambil menghilangkan atau mempertahankan pengaruh variabel ketiga secara
konstan. Dengan demikian, seorang peneliti dapat menggunakan korelasi parsial untuk menguji hubungan antara gereja
dan kejahatan tanpa risiko bahwa hubungan itu terdistorsi oleh ukuran populasi.
Definisi Korelasi parsial mengukur hubungan antara dua variabel sambil mengontrol pengaruh
variabel ketiga dengan membuatnya konstan.
Dalam situasi dengan tiga variabel, X, Y, dan Z, adalah mungkin untuk menghitung tiga korelasi Pearson individu:
1. r mengukur
XY
korelasi antara X dan Y
2. r mengukur
XZ
korelasi antara X dan Z
3. r mengukur
YZ
korelasi antara Y dan Z
Ketiga korelasi individual ini kemudian dapat digunakan untuk menghitung korelasi parsial. Misalnya,
korelasi parsial antara X dan Y, memegang Z konstanta, ditentukan oleh rumus
r XY
2 s rr d XZ YZ
r XY? Z 5 (15.6)
Adalah 1 2 r 2 ds
XZ
1 2 r2d YZ
Contoh berikut menunjukkan penghitungan dan interpretasi korelasi parsial.
contoh 15.6 Kami mulai dengan data hipotetis yang ditunjukkan pada Tabel 15.2. Skor ini telah dibuat untuk
mensimulasikan situasi gereja / kejahatan / populasi untuk sampel n = 15 kota. Itu X variabel mewakili jumlah
gereja, Y mewakili jumlah kejahatan, dan Z mewakili populasi untuk setiap kota. Perhatikan bahwa kota
dikelompokkan menjadi tiga kategori berdasarkan jumlah penduduk (kota kecil, kota sedang, kota besar)
dengan n = 5 kota di setiap kelompok.
TaBLe 15.2 Kota Kecil ( Z = 1) Kota Sedang ( Z = 2) Kota besar ( Z = 3)

Data hipotetis menunjukkan
Gereja ( X) Kejahatan ( Y) Gereja ( X) Kejahatan ( Y) Gereja ( X) Kejahatan ( Y)
hubungan antara
jumlah gereja, jumlah 1 4 7 8 13 15
kejahatan, dan populasi untuk 2 3 8 11 14 14
satu set 3 1 9 9 15 16
n = 15 kota. 4 2 10 7 16 17
5 5 11 10 17 13
Titik data untuk 15 kota tersebut ditunjukkan pada diagram pencar pada Gambar 15.10. Perhatikan bahwa variabel
populasi, Z, memisahkan skor menjadi tiga kelompok berbeda: Kapan Z = 1, populasinya rendah dan gereja serta
kejahatan ( X dan Y) juga rendah; kapan Z = 2, populasinya moderat dan gereja serta kejahatan ( X dan Y) juga
sedang; dan kapan Z = 3, populasinya besar dan gereja serta kejahatan keduanya tinggi. Jadi, dengan bertambahnya
populasi dari satu kota ke kota lain, jumlah gereja dan kejahatan juga meningkat, dan hasilnya adalah korelasi positif
yang kuat antara gereja dan kejahatan.
Untuk kumpulan lengkap 15 kota, korelasi Pearson individu semuanya besar dan positif:
Sebuah. Korelasi antara gereja dan kejahatan adalah r = 0,923. XY
b. Korelasi antara gereja dan populasi adalah r = 0,961. XZ
c. Korelasi antara kejahatan dan populasi adalah r = 0,961. YZ
Namun, dalam masing-masing dari tiga kategori populasi, tidak ada hubungan linier antara gereja dan
kejahatan. Secara khusus, dalam setiap kelompok, variabel populasi konstan dan lima titik data untuk X dan Y membentuk
pola melingkar, menunjukkan tidak ada hubungan linier yang konsisten. Korelasi positif yang kuat antara
gereja dan kejahatan tampaknya disebabkan oleh perbedaan populasi. Korelasi parsial memungkinkan kita
untuk mempertahankan populasi konstan di seluruh sampel dan mengukur hubungan mendasar antara gereja
dan kejahatan tanpa pengaruh dari populasi. Untuk data ini, korelasi parsial adalah
0,923 2 0,961 s 0,961 d

r XY 2 Z 5
Adalah 1 2 0,961 2 ds 1 2 0,961 2 d
0
5
0,076
=0
Jadi, ketika perbedaan populasi dihilangkan, tidak ada korelasi tersisa antara gereja dan
kejahatan ( r = 0). ■
Dalam Contoh 15.6, perbedaan populasi, yang sesuai dengan nilai yang berbeda dari Z variabel,
dihilangkan secara matematis dalam perhitungan korelasi parsial. Namun, dimungkinkan untuk
memvisualisasikan bagaimana perbedaan ini dihilangkan dalam data aktual. Melihat Gambar 15.10, fokus
pada lima titik di sudut kiri bawah. Ini adalah
17
16 Z=3
Kota besar
15
14
13
12
11
10
9
Z=2
Kota Sedang
8
6
Jumlah Kejahatan
3 Z=1
Kota Kecil
2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Jumlah Gereja
Gambar 15.10
Data hipotetis yang menunjukkan hubungan logis antara jumlah gereja dan jumlah kejahatan untuk tiga kelompok kota: kota dengan populasi kecil ( Z
= 1), mereka yang memiliki populasi sedang ( Z = 2), dan mereka yang memiliki populasi besar ( Z = 3).
lima kota dengan populasi kecil, sedikit gereja, dan sedikit kejahatan. Lima titik di pojok kanan atas mewakili lima
kota dengan populasi besar, banyak gereja dan banyak kejahatan. Korelasi parsial mengontrol ukuran populasi
dengan menyamakan populasi secara matematis untuk semua 15 kota. Populasi meningkat di lima kota kecil, yang
juga meningkatkan gereja dan kejahatan. Demikian pula, penurunan populasi di lima kota besar, yang juga
mengurangi gereja dan kejahatan. Pada Gambar 15.10, bayangkan lima titik di kiri bawah bergerak ke atas dan ke
kanan sehingga tumpang tindih dengan titik-titik di tengah. Pada saat yang sama, lima titik di kanan atas bergerak ke
bawah dan ke kiri sehingga titik-titik tersebut juga tumpang tindih dengan titik-titik di tengah. Ketika populasi
disamakan, himpunan 15 kota yang dihasilkan ditunjukkan pada Gambar 15.11. Perhatikan bahwa mengendalikan
populasi tampaknya telah menghilangkan hubungan antara gereja dan kejahatan. Kemunculan ini diverifikasi oleh
korelasi untuk 15 titik data pada Gambar 15.11, yaitu r = 0, sama persis dengan korelasi parsial.
11
10
8
Jumlah Kejahatan ( Y)
7 8 9 10 11
Jumlah Gereja ( X)
Gambar 15.11
Hubungan antara jumlah gereja dan jumlah kejahatan untuk 15 kota yang sama ditunjukkan pada Gambar 15.10 setelah populasi
disamakan.
Belajar CheCk 1. Korelasi untuk satu set X dan Y skor adalah r = 0.60. Skor tersebut dipisahkan menjadi dua kelompok, dengan
satu kelompok terdiri dari individu dengan X nilai yang sama dengan atau di atas median dan kelompok lain
yang terdiri dari individu dengan X nilai yang berada di bawah median. Jika korelasi dihitung untuk grup dengan X
nilai di bawah median, bagaimana perbandingan korelasi dengan korelasi untuk set lengkap skor?
Sebuah. Itu akan tetap ada r = 0.60.
b. Ini akan lebih besar dari r = 0.60
c. Ini akan lebih kecil dari r = 0.60.
d. Tidak mungkin untuk memprediksi bagaimana korelasi untuk kelompok yang lebih kecil nantinya
terkait dengan korelasi untuk seluruh kelompok.
2. Misalkan korelasi antara tinggi dan berat badan untuk orang dewasa adalah +0,80. Apa
proporsi (atau persen) dari variabilitas berat dapat dijelaskan dengan hubungan dengan tinggi
badan?
Sebuah. 80%
b. 64%
c. 100 - 80 = 20%
d. 40%
3. Apa yang diukur dengan korelasi parsial?

Sebuah. Ini adalah korelasi yang diperoleh untuk sampel dengan skor yang hilang ( X atau Y nilai).
b. Ini adalah korelasi yang diperoleh untuk rentang skor yang terbatas.
c. Ini menghilangkan pengaruh pencilan (skor ekstrim) saat menghitung a

korelasi.
d. Ini mengukur hubungan antara dua variabel sambil mengendalikan pengaruh-
ence dari variabel ketiga.
jawaban 1. D, 2. B, 3. D
15.4 Uji Hipotesis dengan Korelasi Pearson

TUJUAN BELAJAR 8. Lakukan uji hipotesis yang mengevaluasi signifikansi korelasi.
Korelasi Pearson umumnya dihitung untuk data sampel. Namun, seperti kebanyakan statistik sampel,
korelasi sampel sering digunakan untuk menjawab pertanyaan tentang korelasi populasi yang sesuai.
Misalnya, seorang psikolog ingin mengetahui apakah ada hubungan antara IQ dan kreativitas. Ini
adalah pertanyaan umum tentang populasi. Untuk menjawab pertanyaan tersebut, sampel akan
dipilih, dan data sampel akan digunakan untuk menghitung nilai korelasi. Anda harus mengenali
proses ini sebagai contoh statistik inferensial: menggunakan sampel untuk menarik kesimpulan
tentang populasi. Di masa lalu, kami telah memusatkan perhatian terutama pada penggunaan sarana
sampel sebagai dasar untuk menjawab pertanyaan tentang sarana populasi. Di bagian ini,
■ ■ Hipotesis
Pertanyaan dasar untuk uji hipotesis ini adalah apakah ada korelasi dalam populasi. Hipotesis nol
adalah "Tidak. Tidak ada korelasi dalam populasi. " atau "Korelasi populasi nol." Hipotesis alternatifnya
adalah “Ya. Ada korelasi nyata, bukan nol dalam populasi. " Karena korelasi populasi secara tradisional
diwakili oleh ρ ( huruf Yunani rho), hipotesis ini akan dinyatakan dalam simbol sebagai
H:0ρ = 0 (Tidak ada korelasi populasi.) (Ada
H:1ρ ≠ 0 korelasi nyata.)
Jika ada prediksi khusus tentang arah korelasi, dimungkinkan untuk melakukan uji terarah, atau uji
satu sisi. Misalnya, jika seorang peneliti memprediksi hubungan positif, hipotesisnya adalah
H:0ρ ≤ 0 (Korelasi populasi tidak positif.) (Korelasi
H:1ρ> 0 populasi positif.)
Korelasi dari data sampel digunakan untuk mengevaluasi hipotesis. Untuk pengujian biasa dan tidak terarah,
korelasi sampel mendekati nol memberikan dukungan untuk H. dan nilai sampel yang jauh dari nol0cenderung
membantah H. Untuk uji terarah, nilai positif untuk
0
korelasi sampel akan cenderung menyangkal hipotesis nol yang
menyatakan bahwa korelasi populasi tidak positif.
SEcTIoN 15.4 | Uji Hipotesis dengan Korelasi Pearson 507
Meskipun korelasi sampel digunakan untuk menguji hipotesis tentang korelasi populasi, Anda harus ingat
bahwa sampel tidak diharapkan identik dengan populasi asalnya; akan ada beberapa perbedaan (kesalahan
pengambilan sampel) antara statistik sampel dan parameter populasi yang sesuai. Secara khusus, Anda harus
selalu mengharapkan beberapa kesalahan antara korelasi sampel dan korelasi populasi yang diwakilinya.
Salah satu implikasi dari fakta ini adalah bahwa meskipun tidak ada korelasi dalam populasi ( ρ = 0), Anda
masih mungkin mendapatkan nilai bukan nol untuk korelasi sampel. Ini terutama berlaku untuk sampel kecil.
Gambar 15.12 mengilustrasikan bagaimana sampel kecil dari populasi dengan korelasi mendekati nol dapat
menghasilkan korelasi yang menyimpang dari nol. Titik-titik berwarna pada gambar mewakili seluruh populasi
dan tiga titik yang dilingkari mewakili sampel acak. Perhatikan bahwa tiga titik sampel menunjukkan korelasi
positif yang relatif baik meskipun tidak ada tren linier ( ρ = 0) untuk populasi.
Jika Anda memperoleh korelasi bukan nol untuk sampel, tujuan uji hipotesis adalah untuk memutuskan di
antara dua interpretasi berikut.
1. Tidak ada korelasi dalam populasi ( ρ = 0) dan nilai sampel adalah hasil dari kesalahan pengambilan
sampel. Ingat, sampel tidak diharapkan identik dengan populasi. Selalu ada beberapa kesalahan
antara statistik sampel dan parameter populasi yang sesuai. Ini adalah situasi yang ditentukan oleh H.
2. Korelasi sampel bukan nol secara akurat mewakili korelasi nyata dan bukan nol dalam
populasi. Ini adalah alternatif yang dinyatakan dalam H.
1
Korelasi dari sampel akan membantu untuk menentukan mana dari dua interpretasi ini yang lebih mungkin.
Korelasi sampel mendekati nol mendukung kesimpulan bahwa korelasi populasi juga nol. Korelasi sampel
yang secara substansial berbeda dari nol mendukung kesimpulan bahwa terdapat korelasi nyata dan bukan
nol dalam populasi.
■ ■ Uji Hipotesis
Uji hipotesis yang mengevaluasi signifikansi suatu korelasi dapat dilakukan dengan menggunakan a t statistik atau F- perbandingan.
Itu F- rasio dibahas kemudian (hlm. 541–543) dan kami fokus
Y nilai-nilai
Gambar 15.12
Plot sebar dari suatu populasi X dan
Y nilai dengan korelasi mendekati nol.
Namun, sampel kecil n = 3 titik data dari
populasi ini menunjukkan korelasi positif
yang relatif kuat. Poin data dalam sampel
dilingkari. X nilai-nilai
di t statistik di sini. Itu t statistik untuk korelasi memiliki struktur umum yang sama seperti t
statistik yang diperkenalkan di Bab 9, 10, dan 11.
statistik sampel 2 parameter populasi

t5
kesalahan standar
Dalam hal ini, statistik sampel adalah korelasi sampel ( r) dan parameter yang sesuai adalah korelasi populasi
( ρ). Hipotesis nol menentukan bahwa korelasi populasi adalah ρ = 0. Bagian terakhir dari persamaan adalah
kesalahan standar, yang ditentukan oleh
kesalahan standar untuk r 5 s 5 SAYAn

r
1 2 r2
22
(15,7)
Jadi, lengkapnya t statistik adalah
t5 SAYA r2r (15,8)

(1 2 r 2)
( n 2 2)
Derajat Kebebasan untuk t Statistik Itu t statistik memiliki derajat kebebasan yang ditentukan oleh df = n - 2. Penjelasan
intuitif untuk nilai ini adalah bahwa sampel dengan saja n = 2 titik data tidak memiliki derajat kebebasan. Secara khusus,
jika hanya ada dua titik, mereka akan cocok dengan sempurna di garis lurus, dan sampel menghasilkan korelasi yang
sempurna r = + 1.00 atau r =
- 1.00. Karena dua titik pertama selalu menghasilkan korelasi yang sempurna, korelasi sampel bebas untuk
bervariasi hanya jika kumpulan data berisi lebih dari dua titik. Jadi, df = n - 2. Contoh berikut menunjukkan
uji hipotesis.
contoh 15.7 Seorang peneliti menggunakan tes dua sisi biasa dengan α =. 05 untuk menentukan apakah ada korelasi
bukan nol dalam populasi. Contoh dari n = Diperoleh 30 individu dan menghasilkan korelasi r = 0.35.
Hipotesis nol menyatakan bahwa tidak ada korelasi dalam populasi.
H:0ρ = 0
Untuk contoh ini, df = 28 dan nilai kritisnya adalah t = ± 2.048. Dengan r 2 = 0.35 2 = 0,1225, data menghasilkan
0.35 2 0 0.35
t5 5 5 1.97
SAYA( 1 2 0,1225) / 28 0.177
Itu t nilai tidak berada di wilayah kritis jadi kami gagal menolak hipotesis nol. Korelasi sampel tidak cukup
besar untuk menolak hipotesis nol. ■
contoh 15.8 Dengan sampel n = 30 dan korelasi r = 0.35, kali ini kami menggunakan uji terarah dan satu detail untuk
menentukan apakah terdapat korelasi positif dalam populasi.
H:0ρ ≤ 0 (Tidak ada korelasi positif.) (Ada korelasi
H:1ρ> 0 positif.)
Korelasi sampel positif, seperti yang diperkirakan, jadi kami hanya perlu menentukan apakah korelasi tersebut cukup besar
untuk menjadi signifikan. Untuk pengujian satu sisi dengan df = 28 dan α =. 05, nilai kritisnya adalah t = 1.701. Dalam contoh
sebelumnya, kami menemukan bahwa sampel ini menghasilkan t = 1,97, yang berada di luar batas kritis. Untuk uji satu sisi,
kami menolak hipotesis nol dan menyimpulkan bahwa terdapat korelasi positif yang signifikan dalam populasi.
■
Meskipun dimungkinkan untuk melakukan uji hipotesis dengan menghitung a t statistik atau F- rasio,
perhitungan telah selesai dan dirangkum dalam Tabel B.6 in
SEcTIoN 15.4 | Uji Hipotesis dengan Korelasi Pearson 509
Lampiran B.Untuk menggunakan tabel, Anda perlu mengetahui ukuran sampel ( n) dan level alpha. Dalam
Contoh 15.7 dan 15.8, kami menggunakan sampel n = 30, korelasi r = 0,35, dan tingkat alfa 0,05. Di tabel,
Anda temukan df = n - 2 = 28 di kolom sebelah kiri dan nilai .05 untuk satu ekor atau dua ekor di bagian atas
tabel. Untuk df = 28 dan
α =. 05 untuk uji dua sisi, tabel menunjukkan nilai kritis 0,361. Karena korelasi sampel kita tidak lebih besar dari nilai
kritis ini, kita gagal menolak hipotesis nol (seperti pada Contoh 15.7). Untuk pengujian satu sisi, tabel
mencantumkan nilai kritis 0,306. Kali ini, korelasi sampel kami lebih besar dari nilai kritis sehingga kami menolak
hipotesis nol dan menyimpulkan bahwa korelasi tersebut secara signifikan lebih besar dari nol (seperti pada
Contoh 15.8).
Seperti kebanyakan uji hipotesis, jika faktor-faktor lain dianggap konstan, kemungkinan untuk menemukan korelasi
yang signifikan meningkat seiring dengan peningkatan ukuran sampel. Misalnya, korelasi sampel r = 0,50 menghasilkan
tidak signifikan t ( 8) = 1,63 untuk sampel n = 10, tetapi korelasi yang sama menghasilkan signifikan t ( 18) = 2.45 jika ukuran
sampel ditingkatkan menjadi n = 20. Contoh berikut adalah kesempatan untuk menguji pemahaman Anda tentang uji
hipotesis untuk mengetahui signifikansi korelasi.
■
contoh 15.9 Seorang peneliti memperoleh korelasi r = - 0,39 untuk sampel n = 25 orang. Untuk pengujian dua sisi dengan α =. 05,
apakah sampel ini memberikan bukti yang cukup untuk menyimpulkan bahwa ada korelasi tidak nol yang signifikan
dalam populasi? Hitung t statistik dan kemudian periksa kesimpulan Anda menggunakan nilai kritis pada Tabel B6.
Anda harus mendapatkan t ( 23) = 2.03. Dengan nilai kritis t = 2.069, korelasinya tidak signifikan. Dari Tabel B6 nilai
kritisnya adalah 0,396. Sekali lagi, korelasinya tidak signifikan.
■
di dalam literatur
Pelaporan Korelasi
Ada format standarAPA untuk melaporkan korelasi. Laporan harus menyertakan ukuran sampel, nilai
korelasi yang dihitung, apakah itu hubungan yang signifikan secara statistik, tingkat probabilitas, dan jenis
pengujian yang digunakan (satu atau dua sisi). Misalnya, korelasi dapat dilaporkan sebagai berikut:
Korelasi untuk data menunjukkan hubungan yang signifikan antara jumlah pendidikan dan
pendapatan tahunan, r = +. 65, n = 30, p <. 01, dua ekor.
Terkadang sebuah studi mungkin melihat beberapa variabel, dan korelasi antara semua kemungkinan pasangan variabel
dihitung. Misalkan, misalnya, sebuah penelitian mengukur pendapatan tahunan orang, jumlah pendidikan, usia, dan
kecerdasan. Dengan empat variabel, ada enam kemungkinan pasangan yang mengarah ke enam korelasi berbeda. Hasil
dari beberapa korelasi paling mudah dilaporkan dalam tabel yang disebut a matriks korelasi, menggunakan catatan kaki
untuk menunjukkan korelasi mana yang signifikan. Misalnya, laporan tersebut mungkin menyatakan:
Analisis tersebut meneliti hubungan antara pendapatan, jumlah pendidikan, usia, dan
kecerdasan n = 30 peserta. Korelasi antara pasangan variabel dilaporkan pada Tabel 1.
Korelasi yang signifikan dicatat dalam tabel.
Tabel 1 pendidikan Usia IQ

Matriks korelasi untuk
Pendapatan + . 65 * + . 41 ** + . 27
pendapatan, jumlah pendidikan,
usia, dan kecerdasan pendidikan + . 11 + . 38 **
Usia - . 02
n = 30
* p <. 01, dua ekor
* * p <. 05, dua ekor
Belajar CheCk 1. Untuk uji hipotesis untuk korelasi Pearson, apa yang dinyatakan dengan nol
hipotesa?
Sebuah. Ada korelasi bukan nol untuk populasi umum.
b. Korelasi populasi nol.
c. Ada korelasi bukan nol untuk sampel.
d. Korelasi sampel adalah nol.
2. Seorang peneliti yang mengevaluasi signifikansi korelasi Pearson, memperoleh t = 2.099 untuk sampel n = 20
peserta. Untuk uji dua sisi, manakah dari berikut ini yang secara akurat menggambarkan signifikansi
korelasi?
Sebuah. Korelasi signifikan dengan α =. 05 tetapi tidak dengan α =. 01.
b. Korelasi signifikan dengan keduanya α =. 05 atau α =. 01.

c. Korelasi tidak signifikan dengan keduanya α =. 05 atau α =. 01.
d. Tidak ada cukup informasi untuk mengevaluasi signifikansi korelasi.
jawaban 1. B, 2. C
15.5 Alternatif untuk Korelasi Pearson

Tujuan Pembelajaran 9. Jelaskan bagaimana peringkat ditetapkan ke serangkaian skor, terutama skor seri.
10. Hitung korelasi Spearman untuk sekumpulan data dan jelaskan apa yang diukurnya.
11. Jelaskan keadaan di mana korelasi titik-biserial digunakan dan

jelaskan apa yang diukur.
12. Jelaskan keadaan di mana koefisien phi digunakan dan jelaskan apa itu
Pengukuran.
Korelasi Pearson mengukur derajat hubungan linier antara dua variabel ketika data ( X dan Y nilai)
terdiri dari skor numerik dari skala interval atau rasio pengukuran. Namun, korelasi lain telah
dikembangkan untuk hubungan nonlinier dan jenis data lainnya. Pada bagian ini kita memeriksa tiga
korelasi tambahan: korelasi Spearman, korelasi titik-biserial, dan koefisien phi. Seperti yang akan
Anda lihat, ketiganya dapat dilihat sebagai aplikasi khusus dari korelasi Pearson.
■ ■ Korelasi Tombak
Ketika rumus korelasi Pearson digunakan dengan data dari skala ordinal (peringkat), hasilnya disebut Korelasi
Spearman. Korelasi Spearman digunakan dalam dua situasi.
Pertama, korelasi Spearman digunakan untuk mengukur hubungan antar X dan Y
ketika kedua variabel diukur pada skala ordinal. Ingat dari Bab 1 bahwa skala ordinal biasanya melibatkan perangkingan
individu daripada memperoleh skor numerik. Data urutan peringkat cukup umum karena seringkali lebih mudah diperoleh
daripada data skala interval atau rasio. Misalnya, seorang guru mungkin merasa percaya diri tentang kemampuan
kepemimpinan siswa dalam menyusun peringkat, tetapi akan merasa sulit untuk mengukur kepemimpinan pada skala lain.
Selain mengukur hubungan untuk data ordinal, korelasi Spearman dapat digunakan sebagai alternatif
berharga untuk korelasi Pearson, bahkan ketika skor mentah aslinya.
SEcTIoN 15.5 | Alternatif untuk Korelasi Pearson 511
Gambar 15.13
Hubungan antara latihan dan kinerja. Meskipun
hubungan ini tidak linier, terdapat hubungan
Tingkat kinerja ( Y)
positif yang konsisten: peningkatan kinerja
cenderung menyertai peningkatan dalam praktik.
Jumlah latihan ( X)
berada pada skala interval atau rasio. Seperti yang telah kita catat, korelasi Pearson mengukur derajat hubungan
linier antara dua variabel — yaitu, seberapa cocok titik data pada garis lurus. Namun, seorang peneliti sering
mengharapkan data untuk menunjukkan hubungan satu arah secara konsisten tetapi tidak harus hubungan
linier. Misalnya, Gambar 15.13 menunjukkan hubungan tipikal antara praktik dan kinerja. Untuk hampir semua
keterampilan, peningkatan jumlah latihan cenderung dikaitkan dengan peningkatan kinerja (semakin banyak
Anda berlatih, semakin baik Anda). Namun, ini bukanlah hubungan garis lurus. Saat Anda pertama kali
mempelajari keterampilan baru, latihan menghasilkan peningkatan kinerja yang besar. Namun, setelah Anda
melakukan suatu keterampilan selama beberapa tahun, latihan tambahan hanya menghasilkan perubahan
kecil dalam kinerja. Meskipun ada hubungan yang konsisten antara jumlah latihan dan kualitas kinerja, itu jelas
tidak linier. Jika korelasi Pearson dihitung untuk data ini, itu tidak akan menghasilkan korelasi 1,00 karena data
tidak pas dengan sempurna pada garis lurus. Dalam situasi seperti ini, korelasi Spearman dapat digunakan
untuk mengukur konsistensi hubungan, terlepas dari bentuknya.
Alasan korelasi Spearman mengukur konsistensi, bukan bentuk, berasal dari pengamatan sederhana:
Ketika dua variabel terkait secara konsisten, peringkatnya terkait secara linier. Misalnya, hubungan positif
yang konsisten sempurna berarti bahwa setiap saat X variabel meningkat, itu Y variabel juga meningkat.
Jadi, nilai terkecil X dipasangkan dengan nilai terkecil dari Y, nilai terkecil kedua dari X dipasangkan dengan
nilai terkecil kedua dari Y, dan seterusnya. Setiap kali peringkat untuk X naik 1 poin, peringkat untuk Y juga
naik 1 poin. Hasilnya, barisan itu pas dengan sempurna di garis lurus. Fenomena ini ditunjukkan pada
contoh berikut.
contoh 15.10 Tabel 15.3 menyajikan X dan Y skor untuk sampel n = 4 orang. Perhatikan bahwa data menunjukkan hubungan yang
sangat konsisten. Setiap kenaikan X disertai dengan peningkatan Y. Namun hubungannya tidak linier, seperti yang
terlihat pada grafik data pada Gambar 15.14 (a).
TaBLe 15.3 Orang X Y X- Pangkat Y- Pangkat

Skor dan peringkat untuk
SEBUAH 2 2 1 1
Contoh 15.10.
B 3 8 2 2
C 4 9 3 3
D 10 10 4 4
Peringkat
Skor
D D
4
10
C
9
8 B
3 C
7
6
5 2 B
4
3
2 SEBUAH 1 SEBUAH
Y peringkat
Y skor
0 1 2 3 4 5 6 7 8 9 10 1 2 3 4
X skor X peringkat
(Sebuah) (b)
Gambar 15.14
Plot sebar menunjukkan (a) skor dan (b) peringkat untuk data dalam Contoh 15.10. Perhatikan bahwa ada hubungan positif yang konsisten antara X dan Y skor,
meskipun itu bukan hubungan linier. Perhatikan juga bahwa plot sebar untuk peringkat menunjukkan hubungan linier yang sempurna.
Selanjutnya, kami mengonversi skor menjadi peringkat. Paling rendah X diberi peringkat 1, peringkat terendah berikutnya dari 2,
dan seterusnya. Itu Y skor kemudian diberi peringkat dengan cara yang sama. Peringkat tersebut tercantum dalam Tabel 15.3 dan
ditunjukkan pada Gambar 15.14 (b). Perhatikan bahwa konsistensi yang sempurna untuk skor menghasilkan hubungan linier yang
sempurna untuk peringkat. ■
Contoh sebelumnya menunjukkan bahwa hubungan yang konsisten di antara skor menghasilkan
hubungan linier saat skor diubah menjadi peringkat. Jadi, jika Anda ingin mengukur konsistensi hubungan
untuk sekumpulan skor, Anda cukup mengonversi skor menjadi peringkat lalu menggunakan rumus korelasi
Pearson untuk mengukur hubungan linier untuk data yang diberi peringkat. Derajat hubungan linier untuk
peringkat memberikan ukuran tingkat konsistensi untuk skor asli.
Singkatnya, korelasi Spearman mengukur hubungan antara dua variabel ketika keduanya diukur
pada skala ordinal (peringkat). Ada dua situasi umum di mana korelasi Spearman digunakan.
1. Spearman digunakan jika data asli berbentuk ordinal; yaitu, saat X dan Y
nilai adalah peringkat. Dalam kasus ini, Anda cukup menerapkan rumus korelasi Pearson ke kumpulan peringkat.
2. Spearman digunakan jika peneliti ingin mengukur konsistensi a

hubungan antara X dan Y, independen dari bentuk hubungan tertentu. Dalam hal ini, skor asli
Kata monoton
pertama-tama diubah menjadi peringkat; kemudian rumus korelasi Pearson digunakan dengan
menggambarkan urutan
peringkat. Karena rumus Pearson mengukur sejauh mana peringkat tersebut sesuai pada garis lurus,
itu secara konsisten
rumus tersebut juga mengukur tingkat konsistensi dalam hubungan untuk skor asli. Kebetulan, ketika
meningkat (atau menurun-
ing). Seperti kata itu
ada hubungan satu arah secara konsisten antara dua variabel, maka hubungan tersebut dikatakan monoton.
membosankan, Itu Dengan demikian, korelasi Spearman mengukur derajat hubungan monotonik antara dua variabel.
berarti konstan dan
tidak berubah.
Dalam kedua kasus tersebut, korelasi Spearman diidentifikasi oleh simbol r untuk membedakannya
S
dari
korelasi Pearson. Proses lengkap penghitungan korelasi Spearman, termasuk skor peringkat, diperlihatkan
dalam Contoh 15.11.
contoh 15.11 Data berikut menunjukkan hubungan monotonik yang hampir sempurna antara X dan Y. Kapan
X meningkat, Y cenderung menurun, dan hanya ada satu pembalikan dalam tren umum ini. Untuk menghitung korelasi Spearman,
pertama-tama kami memberi peringkat X dan Y nilai, dan kami kemudian menghitung korelasi Pearson untuk peringkat.
Kami telah membuat daftar

Data Asli Peringkat
X nilai-nilai agar tren X Y X Y XY

lebih mudah dikenali.
3 12 1 5 5
4 10 2 3 6
10 11 3 4 12
11 9 4 2 8
12 2 5 1 5
36 = ∑ XY
Untuk menghitung korelasinya, kita butuh SS untuk X, SS untuk Y, dan SP. Ingatlah bahwa semua nilai ini dihitung
dengan peringkat, bukan skor aslinya. Itu X peringkat hanyalah bilangan bulat 1, 2, 3, 4, dan 5. Nilai-nilai ini miliki ∑ X = 15
dan ∑ X 2 = 55. Itu SS Untuk X peringkat adalah
begitu X d 2 s 15 d 2
SS 5 Hai X 2 2 5 55 2 5 10
X
n 5
Perhatikan bahwa peringkat untuk Y identik dengan peringkat untuk X; yaitu, mereka adalah bilangan bulat 1, 2,
3, 4, dan 5. Oleh karena itu, file SS untuk Y identik dengan SS untuk X:
SSY= 10
Untuk menghitung SP nilai, kami butuhkan ∑ X, ∑ Y, dan ∑ XY untuk peringkat. Itu XY nilai tercantum dalam tabel dengan peringkat, dan
kami telah menemukan bahwa kedua X s dan Y s memiliki jumlah 15. Dengan menggunakan nilai-nilai ini, kami memperoleh
begitu X dso Y d s 15 ds 15 d
SP 5 Hai XY 2 5 36 2 529
n 5
Akhirnya, korelasi Spearman hanya menggunakan rumus Pearson untuk peringkat.
SP 29
r S5 5 5 2 0.9
Adalah SS
X
ds SSYd SAYA 10 s 10 d
Korelasi Spearman menunjukkan bahwa data menunjukkan tren negatif yang konsisten (hampir sempurna).
■
■ ■ Peringkat Skor Terikat

Saat Anda mengubah skor menjadi peringkat untuk korelasi Spearman, Anda mungkin menemukan dua (atau
lebih) skor yang identik. Setiap kali dua skor memiliki nilai yang persis sama, peringkatnya juga harus sama. Ini
dilakukan dengan prosedur berikut.
1. Buat daftar skor dalam urutan dari yang terkecil hingga terbesar. Sertakan nilai terikat dalam daftar.
2. Tetapkan peringkat (pertama, kedua, dll.) Ke setiap posisi dalam daftar berurutan.
3. Ketika dua (atau lebih) skor terikat, hitung rata-rata dari posisi peringkat mereka,
dan tetapkan nilai rata-rata ini sebagai peringkat akhir untuk setiap skor.
Proses menemukan peringkat untuk skor terikat ditunjukkan di sini. Skor ini telah disusun dalam urutan dari yang
terkecil hingga terbesar.
Skor Posisi Pangkat Peringkat Akhir
3 1 1.5
Rata-rata 1 dan 2
3 2 1.5
5 3 3
6 4 5
6 5 5 Rata-rata 4, 5, dan 6
6 6 5
12 7 7
Perhatikan bahwa contoh ini memiliki tujuh skor dan menggunakan ketujuh peringkat. Untuk X = 12, skor terbesar, peringkat
yang sesuai adalah 7. Tidak dapat diberi peringkat 6 karena peringkat tersebut telah digunakan untuk skor seri.
■ ■ Formula Khusus untuk Korelasi Spearman

Setelah aslinya X nilai dan Y nilai telah diberi peringkat, kalkulasi yang diperlukan untuk
SS dan SP bisa sangat disederhanakan. Pertama, Anda harus memperhatikan bahwa file X peringkat dan Y peringkat sebenarnya
hanya satu set bilangan bulat: 1, 2, 3, 4,. . . , n. Untuk menghitung mean untuk bilangan bulat ini, Anda dapat menemukan titik tengah
deret dengan M = (n + 1) / 2. Demikian pula dengan SS untuk rangkaian bilangan bulat ini dapat dihitung dengan
n s n22 1 d
SS 5 s Cobalah. d
12
Juga, karena X peringkat dan Y peringkat adalah nilai yang sama, itu SS untuk X identik dengan SS untuk Y.
Karena penghitungan dengan peringkat dapat disederhanakan dan karena korelasi Spearman menggunakan data yang
diperingkat, penyederhanaan ini dapat dimasukkan ke dalam penghitungan akhir untuk korelasi Spearman. Alih-alih menggunakan
rumus Pearson setelah memeringkat data, Anda dapat menempatkan peringkat langsung ke rumus yang disederhanakan:
Peringatan: Dalam rumus ini,

6 Hai D 2
Anda menghitung nilai pecahan r S5 1 2 (15.9)
n s n22 1 d
dan kemudian mengurangi 1.
Angka 1 bukan bagian dari dimana D adalah perbedaan antara file X peringkat dan Y peringkat untuk setiap individu. Formula khusus ini
pecahan. menghasilkan hasil yang sama dengan yang diperoleh dari rumus Pearson. Namun, perhatikan bahwa rumus
khusus ini hanya dapat digunakan setelah skor diubah menjadi peringkat dan hanya jika tidak ada ikatan di antara
peringkat. Jika jumlah seri yang terikat relatif sedikit, rumus tersebut masih dapat digunakan, tetapi kehilangan
akurasinya karena jumlah seri meningkat. Penerapan rumus ini ditunjukkan pada contoh berikut.
contoh 15.12 Untuk mendemonstrasikan rumus khusus untuk korelasi Spearman, kami menggunakan data yang sama yang disajikan
pada Contoh 15.11. Peringkat untuk data ini ditampilkan lagi di sini:
Peringkat Perbedaan
X Y D D2
1 5 4 16
2 3 1 1
3 4 1 1
4 2 -2 4
5 1 -4 16
38 = ∑ D 2
Dengan menggunakan rumus khusus untuk korelasi Spearman, kami memperoleh
6 Hai D 2
r S5 1 2
n s n22 1 d
6 s 38 d
512
5 s 25 2 1 d
228
512
120
= 1 - 1.90
= - 0.90
Ini adalah jawaban yang persis sama yang kita peroleh di Contoh 15.11, menggunakan rumus Pearson pada peringkat.
■
Contoh berikut adalah kesempatan untuk menguji pemahaman Anda tentang korelasi Spearman.
contoh 15.13 Hitung korelasi Spearman untuk kumpulan skor berikut:
X Y
2 7
12 38
9 6
10 19
Anda harus mendapatkan r = 0.80.

S
■ ■ Menguji Signifikansi Korelasi Spearman

Menguji hipotesis untuk korelasi Spearman mirip dengan prosedur yang digunakan untuk Pearson r. Pertanyaan
dasarnya adalah apakah ada korelasi dalam populasi. Korelasi sampel bisa jadi karena kebetulan, atau
mungkin mencerminkan hubungan aktual antara variabel dalam populasi. Untuk korelasi Pearson, huruf
Yunani rho ( ρ) digunakan untuk korelasi populasi. Untuk Spearman, ρ digunakan untuk parameter populasi.
Perhatikan bahwa simbol ini konsisten dengan statistik sampel,S r. Hipotesis nol menyatakan bahwa tidak ada
korelasi (tidak ada hubungan monotonik) antara variabel untuk populasi, atau
S
dalam simbol:
H:0ρ =S0 (Korelasi populasi nol.)
Hipotesis alternatif memprediksi bahwa korelasi bukan nol ada dalam populasi, yang dapat dinyatakan dalam
simbol sebagai
H:1ρ ∙ S0 (Ada korelasi nyata.)
Untuk menentukan apakah korelasi Spearman signifikan secara statistik (yaitu, H. 0
harus ditolak), lihat Tabel B.7. Tabel ini mirip dengan yang digunakan untuk menentukan signifikansi dari Pearson r ( Tabel
B.6); namun, kolom pertama adalah ukuran sampel ( n) daripada derajat kebebasan. Untuk menggunakan tabel,
sejajarkan ukuran sampel di kolom pertama dengan tingkat alfa di bagian atas. Nilai-nilai dalam tubuh tabel
menunjukkan besarnya korelasi Spearman yang perlu menjadi signifikan. Tabel tersebut dibangun berdasarkan
konsep
bahwa korelasi sampel harus mewakili nilai populasi yang sesuai. Secara khusus, jika korelasi populasi ρ
= 0 (sebagaimana ditentukan dalam H), maka korelasi Ssampel harus mendekati nol.0 Untuk setiap ukuran
sampel dan tingkat alfa, tabel mengidentifikasi korelasi sampel minimum yang berbeda secara signifikan
dari nol. Contoh berikut menunjukkan penggunaan tabel.
contoh 15.14 Seorang psikolog industri memilih sampel n = 15 karyawan. Para karyawan ini diurutkan berdasarkan
produktivitas kerja oleh manajer mereka. Mereka juga diberi peringkat oleh rekan. Korelasi Spearman yang
dihitung untuk data ini mengungkapkan korelasi r =. 60. Menggunakan Tabel B.7 dengan n = 15
S
dan α =. 05,
korelasi ±. 521 diperlukan untuk menolak H. Korelasi yang diamati untuk sampel dengan mudah melampaui
0
nilai
kritis ini. Korelasi antara peringkat manajer dan rekan secara statistik signifikan.
■
■ ■ Korelasi Titik-Biserial dan Ukuran Efek Pengukuran dengan r 2

Di Bab 9, 10, dan 11 kami perkenalkan r 2 sebagai ukuran effect size yang sering menyertai uji hipotesis
menggunakan t statistik. Itu r 2 digunakan untuk mengukur ukuran efek dan
r digunakan untuk mengukur korelasi yang berhubungan langsung, dan sekarang kami memiliki kesempatan untuk
menunjukkan hubungan tersebut. Secara khusus, kami membandingkan ukuran independen t uji (Bab 10) dan versi khusus
dari korelasi Pearson yang dikenal sebagai korelasi point-biserial.
Korelasi titik-biserial digunakan untuk mengukur hubungan antara dua variabel dalam situasi di
mana satu variabel terdiri dari skor numerik reguler, tetapi variabel kedua hanya memiliki dua nilai.
Variabel dengan hanya dua nilai disebut a
variabel dikotomis atau a variabel binomial. Beberapa contoh variabel dikotomis adalah:
1. pria vs. wanita

2. lulusan perguruan tinggi vs. bukan lulusan perguruan tinggi
3. anak sulung vs. anak yang lahir belakangan
4. sukses vs. kegagalan pada tugas tertentu

5. lebih tua dari 30 tahun vs. lebih muda dari 30 tahun
Merupakan kebiasaan untuk Untuk menghitung korelasi titik-biserial, variabel dikotomis pertama-tama diubah menjadi nilai numerik
menggunakan nilai numerik 0 dan dengan menetapkan nilai nol (0) ke satu kategori dan nilai satu (1) ke kategori lainnya. Kemudian rumus
1, tetapi dua angka yang berbeda korelasi Pearson biasa digunakan dengan data yang dikonversi.
akan menggunakannya
bekerja sama dengan baik dan

Untuk mendemonstrasikan korelasi point-biserial dan hubungannya dengan r 2 mengukur ukuran efek, kami
tidak akan mempengaruhi nilai
menggunakan data dari Contoh 10.2 (p. 310). Contoh asli membandingkan perilaku curang di ruangan yang
korelasi.
remang-remang dibandingkan dengan ruangan yang cukup terang. Hasil penelitian menunjukkan bahwa peserta di
ruangan remang-remang mengklaim telah memecahkan teka-teki secara signifikan lebih banyak daripada peserta di
ruangan yang cukup terang. Data dari studi pengukuran independen disajikan di sisi kiri Tabel 15.4. Perhatikan
bahwa data terdiri dari dua sampel terpisah dan ukuran independen t digunakan untuk menentukan apakah ada
perbedaan rata-rata yang signifikan antara dua populasi yang diwakili oleh sampel.
Di sisi kanan Tabel 15.4 kami telah mengatur ulang data menjadi bentuk yang sesuai untuk korelasi point-biserial.
Secara khusus, kami menggunakan skor pemecahan teka-teki setiap peserta sebagai X nilai dan kami telah membuat
variabel baru, Y, untuk mewakili kelompok atau kondisi masing-masing individu. Dalam hal ini, kami telah menggunakan Y = 0
untuk individu di ruangan yang cukup terang dan Y = 1 untuk peserta di ruangan remang-remang.
TaBLe 15.4 Data untuk Korelasi Titik-Biserial. Dua nilai X dan Y untuk
Data yang sama diatur dalam dua masing-masing
format berbeda. Di sisi kiri, data Jumlah Teka-teki Terpecahkan n ∙ 16 peserta
muncul sebagai dua sampel Teka-teki
terpisah yang sesuai untuk Kamar Terang Kamar dengan Cahaya Redup Peserta Terpecahkan X Kelompok Y
11 6 7 9 SEBUAH 11 0
sebuah tindakan independen
9 7 13 11 B 9 0
t uji hipotesis. Di sisi kanan, data 4 12 14 15 C 4 0
yang sama ditampilkan sebagai 5 10 16 11 D 5 0
sampel tunggal, dengan dua skor n=8 n=8 E 6 0
untuk setiap individu: jumlah
M=8 M = 12 F 7 0
teka-teki yang diselesaikan dan
SS = 60 SS = 66 G 12 0
skor dikotomis ( Y) yang
H. 10 0
mengidentifikasi kelompok tempat
saya 7 1
peserta berada (Pencahayaan baik
J 13 1
= 0 dan Cahaya redup = 1). Data di
K 14 1
sebelah kanan sesuai untuk L 16 1
korelasi titik-biserial. M 9 1
N 11 1
HAI 15 1
P. 11 1
Ketika data pada Tabel 15.4 awalnya disajikan pada Bab 10, kami melakukan pengukuran independen t uji
hipotesis dan diperoleh t = - 2.67 dengan df = 14. Kami mengukur ukuran efek pengobatan dengan
menghitung r 2, persentase varian diperhitungkan, dan diperoleh r 2 = 0,337.
Menghitung korelasi titik-biserial untuk data ini juga menghasilkan nilai r.

Secara khusus, file X skor menghasilkan SS = 190; itu Y nilai-nilai menghasilkan SS = 4,00, dan jumlah produk dari X dan
Y penyimpangan menghasilkan SP = 16. Korelasi point-biserial adalah
SP 16 16
r5 5 5 5 0,58
SAYA SS SS Y Adalah 90
1 d 4s d 27.57
X
Perhatikan bahwa mengkuadratkan nilai korelasi point-biserial menghasilkan r 2 = ( 0,58) 2 =

0,336, yang, dalam kesalahan pembulatan, sama dengan nilai r 2 kami memperoleh ukuran efek pengukuran.
Dalam beberapa hal, korelasi titik-biserial dan uji hipotesis ukuran independen mengevaluasi hal
yang sama. Secara spesifik, keduanya mengkaji hubungan antara pencahayaan ruangan dan perilaku
curang.
1. Korelasi mengukur kekuatan dari hubungan antara keduanya

variabel. Korelasi besar (mendekati 1,00 atau - 1.00) akan menunjukkan bahwa ada hubungan yang konsisten
dan dapat diprediksi antara kecurangan dan jumlah cahaya di ruangan itu. Secara khusus, nilai r 2 mengukur
seberapa besar variabilitas dalam menyontek dapat diprediksi dengan mengetahui apakah peserta dites di
ruangan yang terang atau remang-remang.
2. Itu t tes mengevaluasi makna dari hubungan tersebut. Tes hipotesis menentukan
menentukan apakah perbedaan rata-rata dalam nilai antara kedua kelompok lebih besar daripada yang dapat
dijelaskan secara wajar secara kebetulan.
Seperti yang kita catat di Bab 10 (hlm. 316–317), hasil dari uji hipotesis dan nilai r 2 sering
dilaporkan bersama. Itu t nilai mengukur signifikansi statistik dan r 2
mengukur ukuran efek. Juga, seperti yang kita catat di Bab 10, nilai untuk t dan r 2 berhubungan langsung. Faktanya,
keduanya dapat dihitung dari yang lain dengan persamaan
t2 r2
r25 dan t 2 5 s 1 2 r 2 dy df
t 2 1 df
dimana df adalah derajat kebebasan untuk t statistik.

Namun, Anda harus mencatatnya r 2 ditentukan sepenuhnya oleh ukuran korelasi, sedangkan t dipengaruhi
oleh besarnya korelasi dan besar kecilnya sampel. Misalnya, korelasi r = 0,30 menghasilkan r 2 = 0,09 (9%)
tidak peduli seberapa besar sampelnya. Di sisi lain, korelasi titik-biserial r = 0,30 untuk total sampel 10
orang ( n = 5 di setiap kelompok) menghasilkan nilai yang tidak signifikan t = 0.791. Jika sampel
ditingkatkan menjadi 50 orang ( n = 25 di setiap kelompok), korelasi yang sama menghasilkan signifikan t Nilai
dari t = 4.75. Meskipun t dan r terkait, mereka mengukur hal-hal yang berbeda.
■ ■ Koefisien Phi
Ketika kedua variabel ( X dan Y) diukur untuk setiap individu yang dikotomis, korelasi antara kedua variabel tersebut
disebut dengan koefisien phi. Untuk menghitung phi ( Φ), Anda mengikuti prosedur dua langkah.
1. Ubah setiap variabel dikotomis menjadi nilai numerik dengan menetapkan 0 hingga
satu kategori dan 1 untuk kategori lainnya untuk masing-masing variabel.
2. Gunakan rumus Pearson biasa dengan skor yang dikonversi. Proses
ini ditunjukkan dalam contoh berikut.
contoh 15.15 Seorang peneliti tertarik untuk meneliti hubungan antara urutan kelahiran dan kepribadian. Sampel acak dari n = Diperoleh
8 individu, dan setiap individu diklasifikasikan dalam hal posisi urutan kelahiran sebagai anak sulung atau satu-satunya
vs. lahir belakangan. Kemudian kepribadian masing-masing individu diklasifikasikan sebagai introvert atau ekstrovert.
Pengukuran asli kemudian diubah menjadi nilai numerik dengan tugas berikut:
Urutan Lahir Kepribadian
Anak ke-1 atau satu-satunya = Introvert = 0
0 Anak yang lahir belakangan = 1 Ekstrovert = 1
Data asli dan skor yang dikonversi adalah sebagai berikut:
Data Asli Skor yang Dikonversi
Urutan Lahir X Kepribadian Y Urutan Lahir X Kepribadian Y
1st Introvert 0 0
3 Ekstrovert 1 1
Hanya Ekstrovert 0 1
2nd Ekstrovert 1 1
4th Ekstrovert 1 1
2nd Introvert 1 0
Hanya Introvert 0 0
3 Ekstrovert 1 1
Rumus korelasi Pearson kemudian digunakan dengan data yang dikonversi untuk menghitung koefisien phi.
Karena penetapan nilai numerik bersifat arbitrer (salah satu kategori dapat ditetapkan sebagai 0 atau 1),
tanda korelasi yang dihasilkan menjadi tidak berarti. Seperti kebanyakan korelasi, file kekuatan hubungan
paling baik dijelaskan dengan nilai r 2, koefisien determinasi, yang mengukur seberapa besar variabilitas dalam
satu variabel diprediksi atau ditentukan oleh keterkaitannya dengan variabel kedua.
Kami juga harus mencatat bahwa meskipun koefisien phi dapat digunakan untuk menilai hubungan antara
dua variabel dikotomis, prosedur statistik yang lebih umum adalah statistik chisquare, yang akan dibahas pada
Bab 17. ■
Belajar CheCk 1. Jika skor berikut ini diberi peringkat, peringkat apa yang diberikan untuk individu dengan a
skor dari X = 7?
Skor: 1, 2, 2, 5, 6, 6, 6, 7, 10, 12
Sebuah. 5
b. 6
c. 7
d. 8
2. Korelasi Pearson dan Spearman keduanya dihitung untuk himpunan yang sama
data. Jika korelasi Spearman adalah r = + 1.00, Slalu apa yang dapat Anda simpulkan tentang korelasi
Pearson?
Sebuah. Itu akan menjadi positif
b. Ini akan memiliki nilai 1,00

c. Ini akan menjadi positif dan memiliki nilai 1,00
d. Tidak ada hubungan yang bisa diprediksi antara Pearson dan Spearman
korelasi
3. Ukuran efek untuk data dari ukuran independen t tes dapat diukur dengan
r 2, yang merupakan persentase varian yang diperhitungkan. Nilai untuk r 2 juga bisa diperoleh dengan ____.
Sebuah. mengkuadratkan korelasi Spearman untuk data yang sama
b. mengkuadratkan korelasi titik-biserial untuk data yang sama
c. mengkuadratkan korelasi Pearson untuk data yang sama
d. Tak satu pun dari opsi lain akan menghasilkan r 2.
4. Dalam situasi apa koefisien phi dapat digunakan?

Sebuah. Ketika sebuah tindakan independen t tes juga akan sesuai.
b. Saat keduanya X dan Y adalah peringkat.
c. Saat sampel tunggal t tes juga akan sesuai.

d. Saat keduanya X dan Y bersifat dikotomis.
jawaban 1. D, 2. SEBUAH, 3. B, 4. D
SUMMA r Y
1. Korelasi mengukur hubungan antara dua 3. Korelasi antara dua variabel tidak seharusnya
variabel, X dan Y. Hubungan tersebut dijelaskan oleh tiga ditafsirkan sebagai menyiratkan hubungan sebab akibat. Hanya
karakteristik: karena X dan Y terkait tidak berarti itu X
Sebuah. Arah. Suatu hubungan bisa positif atau penyebab Y atau itu Y penyebab X.
negatif. Hubungan yang positif artinya X dan

4. Untuk mengevaluasi kekuatan suatu hubungan, Anda persegi
Y bervariasi ke arah yang sama. Hubungan negatif artinya X dan
nilai korelasi. Nilai yang dihasilkan, r 2,
Y bervariasi dalam arah yang berlawanan. Tanda korelasi (+
disebut koefisien determinasi karena itu
atau -) menentukan arah.
mengukur porsi variabilitas dalam satu variabel yang dapat
ditentukan menggunakan hubungannya dengan variabel kedua.
b. Bentuk. Bentuk paling umum untuk suatu hubungan adalah
garis lurus. Namun, korelasi khusus ada untuk mengukur
bentuk lain. Bentuknya ditentukan oleh jenis korelasi yang 5. Korelasi parsial mengukur hubungan linier
digunakan. Misalnya, korelasi Pearson mengukur bentuk linier. antara dua variabel dengan menghilangkan pengaruh variabel ketiga
dengan membuatnya konstan.
c. Kekuatan atau konsistensi. Nilai numerik dari
6. Korelasi Spearman ( r) mengukur konsis-
korelasi mengukur kekuatan atau konsistensi hubungan. S
ketegangan arah dalam hubungan antara X dan

Korelasi 1,00 menunjukkan hubungan yang konsisten sempurna
Y —Yaitu, sejauh mana hubungan itu satu arah, atau monotonik.
dan 0,00 menunjukkan tidak ada hubungan sama sekali. Untuk
Korelasi Spearman dihitung dengan proses dua tahap:
korelasi Pearson,
r = 1.00 (atau - 1.00) berarti bahwa titik data pas dengan sempurna
Sebuah. Beri peringkat X skor dan Y skor secara terpisah.
pada garis lurus.
b. Hitung korelasi Pearson menggunakan
2. Korelasi yang paling umum digunakan adalah Pearson peringkat.
korelasi, yang mengukur derajat hubungan linier. Korelasi
7. Korelasi titik-biserial digunakan untuk mengukur
Pearson diidentifikasi oleh surat itu r dan dihitung oleh
kekuatan hubungan ketika salah satu dari dua variabel dikotomis.
Variabel dikotomis dikodekan menggunakan nilai 0 dan 1, dan
SP rumus Pearson biasa diterapkan. Menguadratkan korelasi
r5
SAYA SS SSY titik-biserial menghasilkan hal yang sama r 2 nilai yang diperoleh
X
untuk mengukur ukuran efek untuk ukuran independen
Dalam rumus ini, SP adalah jumlah produk penyimpangan dan
dapat dihitung dengan rumus definisi atau rumus komputasi:
t uji. Ketika kedua variabel, X dan Y, bersifat dikotomis, koefisien phi
dapat digunakan untuk mengukur kekuatan hubungan. Kedua variabel
tersebut diberi kode 0 dan
rumus definisi: SP = Σ ( X - M) (Y - M) X Y
1, dan rumus Pearson digunakan untuk menghitung korelasi.
SXSY
rumus komputasi: SP 5 S XY 2
n
TERMS KEY
korelasi (487) Korelasi Pearson (490) korelasi parsial (502)

korelasi positif (488) jumlah produk ( SP) ( 490) jarak Korelasi Spearman (510)
korelasi negatif (488) terbatas (498) korelasi point-biserial (516)
korelasi sempurna (489) koefisien determinasi (500) koefisien phi (518)
SPSS ® 521
SpSS ®
Petunjuk umum penggunaan SPSS disajikan pada Lampiran D. Berikut adalah instruksi rinci penggunaan SPSS
untuk pelaksanaannya Pearson, Spearman, point-biserial, dan korelasi parsial. catatan: Kami akan fokus pada
korelasi Pearson dan kemudian menjelaskan bagaimana sedikit modifikasi pada prosedur ini dapat dilakukan untuk
menghitung korelasi Spearman, titik-biserial, dan parsial. Instruksi terpisah untuk koefisien phi disajikan di akhir
bagian ini.
Entri Data
1. Data dimasukkan ke dalam dua kolom di editor data, satu untuk X nilai-nilai
(VAR00001) dan satu untuk Y nilai (VAR00002), dengan dua skor untuk setiap individu di baris yang
sama.
Analisis data
1. Klik Menganalisa di bilah alat, pilih Menghubungkan, dan klik Bivariat.
2. Satu per satu, pindahkan label untuk dua kolom data ke Variabel kotak. (Menyoroti
setiap label dan klik panah untuk memindahkannya ke dalam kotak.)
3. Itu Pearson kotak harus dicentang tetapi, pada titik ini, Anda dapat beralih ke Spearman
korelasi dengan mengklik kotak yang sesuai.
4. Klik BAIK.
Keluaran SPSS
Kami menggunakan SPSS untuk menghitung korelasi untuk data di Contoh 15.3 dan hasilnya ditunjukkan pada
Gambar 15.15. Program ini menghasilkan matriks korelasi yang menunjukkan semua kemungkinan korelasi, termasuk
korelasi X dengan X dan korelasi Y dengan Y ( keduanya adalah korelasi sempurna). Anda ingin korelasinya X dan Y, yang
terdapat di pojok kanan atas (atau kiri bawah). Outputnya meliputi tingkat signifikansi ( p nilai atau tingkat alfa) untuk
korelasi.
Korelasi
VAR00001 VAR00002
VAR00001 Korelasi Pearson 1 . 875
Sig. (2-tailed) . 052
N 5 5
VAR00002 Korelasi Pearson . 875 1
Sig. (2-tailed) . 052
Gambar 15.15
N 5 5
Output SPSS untuk korelasi
pada Contoh 15.3.
Untuk menghitung korelasi parsial, klik Menganalisa di bilah alat, pilih Menghubungkan, dan klik Sebagian. Pindahkan
label kolom untuk dua variabel yang akan dikorelasikan ke Variabel
kotak dan pindahkan label kolom untuk variabel agar tetap konstan ke dalam Mengontrol
kotak dan klik BAIK.
Untuk menghitung pendekar tombak korelasi, masukkan salah satu X dan Y peringkat atau X dan Y skor ke dalam dua
kolom pertama. Kemudian ikuti instruksi Analisis Data yang sama yang disajikan untuk korelasi Pearson. Pada langkah 3
dalam instruksi, klik pendekar tombak kotak sebelum akhir OK. ( catatan: Jika Anda masuk X dan Y skor ke editor data, SPSS
mengubah skor menjadi peringkat sebelum menghitung korelasi Spearman.)
Untuk menghitung point-biserial korelasi, masukkan skor ( X nilai) di kolom pertama dan masukkan nilai
numerik (biasanya 0 dan 1) untuk variabel dikotomis di kolom kedua. Kemudian, ikuti instruksi Analisis Data yang
sama yang disajikan untuk korelasi Pearson.
Itu koefisien phi dapat juga dihitung dengan memasukkan string lengkap 0s dan 1s ke dalam dua kolom editor
data SPSS, kemudian mengikuti instruksi Analisis Data yang sama yang disajikan untuk korelasi Pearson. Namun, ini
bisa membosankan, terutama dengan set skor yang besar. Berikut ini adalah prosedur alternatif untuk menghitung
koefisien phi dengan kumpulan data yang besar.
Entri Data
1. Masukkan nilai 0, 0, 1, 1 (secara berurutan) ke kolom pertama editor data SPSS.
2. Masukkan nilai 0, 1, 0, 1 (secara berurutan) ke kolom kedua.
3. Hitung jumlah individu dalam sampel yang diklasifikasikan X = 0 dan Y = 0. Masukkan frekuensi ini di kotak
atas di kolom ketiga editor data. Lalu, hitung sudah berapa X = 0 dan Y = 1 dan masukkan frekuensi di kotak
kedua dari kolom ketiga. Lanjutkan dengan nomor yang ada X = 1 dan Y = 0, dan akhirnya nomor yang
punya X = 1 dan Y = 1. Anda akan mendapatkan 4 nilai di kolom tiga.
4. Klik Data pada Tool Bar di bagian atas halaman SPSS Data Editor dan pilih Bobot
Kasus di bagian bawah daftar.
5. Klik lingkaran berlabel kasus berat oleh, lalu sorot label untuk kolom tersebut
berisi frekuensi Anda (VAR00003) di sebelah kiri dan memindahkannya ke Variabel Frekuensi kotak dengan
mengklik panah.
6. Klik BAIK.
7. Klik Menganalisa di bilah alat, pilih Menghubungkan, dan klik Bivariat.

8. Satu per satu pindahkan label untuk dua kolom data yang berisi 0 dan 1 (mungkin
VAR00001 dan VAR00002) ke file Variabel kotak. (Sorot setiap label dan klik panah untuk memindahkannya ke
dalam kotak.)
9. Verifikasi bahwa Pearson kotak dicentang.
10. Klik BAIK.
Keluaran SPSS
Program ini menghasilkan matriks korelasi yang sama dengan yang dijelaskan untuk korelasi Pearson. Sekali
lagi, Anda ingin korelasi antara X dan Y yang ada di pojok kanan atas (atau kiri bawah). Ingat, dengan koefisien
phi, tanda korelasi tidak ada artinya.
FoCus tentang pemecahan PRoblEM
1. Korelasi selalu memiliki nilai dari +1.00 hingga - 1.00. Jika Anda memperoleh korelasi di luar rentang ini, maka Anda telah
membuat kesalahan komputasi.
2. Saat menafsirkan korelasi, jangan bingung dengan tanda (+ atau -) dengan nilai numeriknya.
Tanda dan nilai numerik harus dipertimbangkan secara terpisah. Ingatlah itu tandanya
STRATEGI DEMO 15.1 523
menunjukkan arah hubungan antara X dan Y. Di sisi lain, nilai numerik mencerminkan kekuatan hubungan
atau seberapa baik titik mendekati hubungan linier (garis lurus). Oleh karena itu, korelasi - 0,90 sekuat
korelasi +0,90. Tanda-tandanya memberi tahu kita bahwa korelasi pertama adalah hubungan terbalik.
3. Sebelum Anda mulai menghitung korelasi, buat sketsa plot sebar data dan buat
perkiraan korelasi. (Apakah positif atau negatif? Apakah mendekati 1 atau mendekati 0?) Setelah menghitung
korelasi, bandingkan jawaban akhir Anda dengan perkiraan awal.
4. Rumus definisi untuk jumlah produk ( SP) harus digunakan hanya jika Anda memilikinya
satu set kecil ( n) skor dan sarana untuk X dan Y keduanya bilangan bulat. Jika tidak, rumus komputasi
menghasilkan hasil yang lebih cepat, lebih mudah, dan lebih akurat.
5. Untuk menghitung korelasi, n adalah jumlah individu (dan karenanya jumlah

pasangan dari X dan Y nilai).
DEMONTRASI 15.1
korelasi
Hitung korelasi Pearson untuk data berikut:
Orang X Y
SEBUAH 0 4 M =X 4 dengan SS = 40
X
B 2 1 M =Y 6 dengan SS = 54
Y
C 8 10
SP = 40
D 6 9
E 4 6
LANGKAH 1 Buat sketsa plot pencar Kami telah membuat plot pencar untuk data (Gambar 15.16) dan menempatkan
amplop di sekitar titik data untuk membuat perkiraan awal korelasi. Perhatikan bahwa amplopnya sempit dan
memanjang. Ini menunjukkan bahwa korelasinya besar — mungkin 0,80 - 0.90. Juga, korelasinya positif
karena peningkatan X umumnya disertai dengan peningkatan Y.
Y
10
2
Gambar 15.16
1
Plot pencar untuk data dalam Demonstrasi 15.1. Sebuah
amplop ditarik mengelilingi titik-titik dan sebuah garis ditarik 0 X
melalui tengah amplop. 0 1 2 3 4 5 6 7 8 9 10
LANGKAH 2 Hitung korelasi Pearson Untuk data ini, korelasi Pearson adalah
SP 40 40 40
r5 5 5 5 5 0.861
SAYA SS SSY 40 s 54 d
SAYA 2160
SAYA 46.48
X
Pada Langkah 1, perkiraan awal kami untuk korelasi antara +0,80 dan +0,90. Itu
korelasi yang dihitung konsisten dengan perkiraan ini.
LANGKAH 3 Evaluasi signifikansi korelasi Hipotesis nol menyatakan bahwa, untuk populasi, tidak ada hubungan linier antara X dan
Y, dan bahwa nilai yang diperoleh untuk korelasi sampel hanyalah hasil dari kesalahan pengambilan sampel. Secara
khusus, H. mengatakan bahwa korelasi populasi adalah nol ( ρ = 0). Dengan n = 5 pasang X dan Y
0
nilai tes df = 3. Tabel
B.6 mencantumkan nilai kritis 0,878 untuk pengujian dua sisi dengan α =. 05. Karena korelasi kita lebih kecil dari nilai ini,
kita gagal untuk menolak hipotesis nol dan menyimpulkan bahwa korelasi tersebut tidak signifikan.
PRoblEM
1. Informasi apa yang diberikan oleh tanda (+ atau -) dari Sebuah. Buat sketsa plot pencar yang menunjukkan enam titik data.
korelasi Pearson? b. Hanya dengan melihat plot pencar, perkirakan nilainya

dari korelasi Pearson.
2. Informasi apa yang diberikan oleh nilai numerik c. Hitung korelasi Pearson.
dari korelasi Pearson?
6. Untuk skor berikut,
3. Menghitung SP ( jumlah produk penyimpangan) untuk
skor berikut. catatan: Kedua cara adalah bilangan bulat, jadi X Y
rumus definisi berfungsi dengan baik:
0 4
2 9
X Y
1 6
4 5 1 9
0 2
Sebuah. Buat sketsa plot pencar dan perkirakan Pearson
1 1
korelasi.
3 4
b. Hitung korelasi Pearson.
4. Menghitung SP ( jumlah produk penyimpangan) untuk 7. Untuk skor berikut,

skor berikut. catatan: Kedua mean adalah nilai desimal, sehingga
X Y
rumus komputasi berfungsi dengan baik:
4 0
X Y
1 5
0 4 1 0
1 1 4 5
0 5
Sebuah. Buat sketsa plot pencar dan perkirakan Pearson
4 1
korelasi.
2 1
1 3
X Y
X Y
3 6
2 7 5 5
5 4 6 0
4 7 6 2
7 5 5 2
2 6
Sebuah. Buat sketsa plot sebar dan perkirakan nilai dari
4 7
Korelasi Pearson.
PRoBLEM 525
9. Dengan sampel kecil, satu titik bisa memiliki besar Hitung

Sebuah. korelasi antara anak-anak dan orang tua kandung
berpengaruh pada besarnya korelasi. Untuk membuat data berikut, mereka.
kami mulai dengan skor dari soal 8 dan mengubah yang pertama X nilai b. Hitung korelasi antara anak-anak dan orang tua angkat
dari X = 3 sampai X = 8. mereka.
c. Berdasarkan dua korelasi tersebut, apakah menonton TV tampak
X Y
diturunkan dari orang tua kandung atau dipelajari dari orang tua
8 6 angkat?
5 5 12. Dalam Pratinjau Bab kita membahas studi oleh Hakim
6 0 dan Cable (2010) yang menunjukkan hubungan negatif antara berat badan dan
6 2 pendapatan untuk sekelompok profesional wanita. Berikut ini adalah data yang
5 2 serupa dengan yang diperoleh dalam penelitian. Untuk menyederhanakan
variabel berat, wanita diklasifikasikan ke dalam lima kategori yang mengukur
Sebuah. Buat sketsa plot sebar dan perkirakan nilai dari
berat badan aktual relatif terhadap tinggi badan, dari
Korelasi Pearson.
1 = tertipis hingga 5 = terberat. Angka pendapatan adalah pendapatan tahunan
10. Untuk set skor berikut, (dalam ribuan), dibulatkan ke $ 1.000 terdekat.
Sebuah. Hitung korelasi Pearson untuk data ini.
X Y
b. Apakah korelasi signifikan secara statistik? Gunakan
4 5 uji dua sisi dengan α =. 05.

6 5
Bobot ( X) Pendapatan ( Y)
3 2
9 4 1 115
6 5 1 78
2 3 4 53
3 63
Hitung korelasi Pearson. Tambahkan dua poin untuk masing-masing
Sebuah. X
5 37
b. menilai dan menghitung korelasi untuk skor yang dimodifikasi.
2 84
Bagaimana menambahkan konstanta ke setiap skor memengaruhi
nilai korelasi? 5 41
3 51
c. Kalikan setiap aslinya X nilai dengan 2 dan menghitung 1 94
korelasi untuk skor yang dimodifikasi. Bagaimana 5 44
mengalikan setiap skor dengan konstanta memengaruhi nilai
korelasi? 13. Para peneliti juga mengutip dalam masalah sebelumnya
11. Studi korelasi sering digunakan untuk membantu menentukan meneliti hubungan berat / gaji untuk pria dan menemukan hubungan yang
apakah karakteristik tertentu lebih dikendalikan positif, menunjukkan bahwa kami memiliki standar yang sangat berbeda untuk
oleh pengaruh genetik atau pengaruh lingkungan. Studi-studi ini sering pria daripada wanita (Judge & Cable, 2010). Berikut ini adalah data yang
meneliti anak angkat dan membandingkan perilaku mereka dengan serupa dengan yang diperoleh untuk sampel profesional pria. Sekali lagi,
perilaku orang tua kandung mereka dan orang tua angkat mereka. Satu bobot relatif terhadap tinggi dikodekan dalam lima kategori dari 1 = paling tipis
studi meneliti berapa banyak waktu yang dihabiskan individu untuk sampai 5 = paling berat. Penghasilan dicatat sebagai ribuan penghasilan
menonton TV (Plomin, Corley, DeFries, & Fulker, 1990). Data berikut setiap tahun.
serupa dengan hasil yang diperoleh dalam penelitian.

Sebuah. Hitung korelasi Pearson untuk data ini.
b. Apakah korelasi signifikan secara statistik? Gunakan
Jumlah Waktu yang Dihabiskan untuk Menonton TV uji dua sisi dengan α =. 05.
Anak Adopsi Lahir Orang Tua Orang tua angkat
Bobot ( X) Pendapatan ( Y)
2 0 1
4 151
3 3 4
5 88
6 4 2
3 52
1 1 0
2 73
3 1 0
1 49
0 2 3
5 3 2 3 92
2 1 3 1 56
5 3 3 5 143
14. Mengidentifikasi individu dengan risiko tinggi Alzheimer korelasi untuk sampel ini adalah r = 0,6,XYr = 0,4, danXZr = 0.7.
penyakit biasanya melibatkan serangkaian tes kognitif yang panjang. Namun,
YZ
peneliti telah mengembangkan Layar 7 Menit, yang merupakan cara cepat Sebuah. Temukan korelasi parsial antara X dan Y,
dan mudah untuk mencapai tujuan yang sama. Pertanyaannya adalah apakah memegang Z konstan.
Layar 7-Menit sama efektifnya dengan rangkaian tes lengkap. Untuk b. Temukan korelasi parsial antara X dan Z,
menjawab pertanyaan ini, Ijuin et al. (2008) memegang Y konstan. ( Petunjuk: Cukup ganti label untuk
variabel Y dan Z agar sesuai dengan label dalam persamaan.)
memberikan kedua tes tersebut kepada sekelompok pasien dan
membandingkan hasilnya. Data berikut ini merupakan hasil yang serupa
dengan yang diperoleh dalam penelitian ini. 18. Seorang peneliti mencatat jumlah serius tahunan
kejahatan dan jumlah yang dihabiskan untuk pencegahan
7-Menit Kognitif kejahatan di beberapa kota kecil, kota menengah, dan kota
Sabar Layar Seri besar di seluruh negeri. Data yang dihasilkan menunjukkan
korelasi positif yang kuat antara jumlah kejahatan berat dan
SEBUAH 3 11
jumlah yang dikeluarkan untuk pencegahan kejahatan. Namun,
B 8 19
peneliti menduga bahwa korelasi positif tersebut sebenarnya
C 10 22
disebabkan oleh populasi; dengan meningkatnya populasi, baik
D 8 20 jumlah yang dihabiskan untuk pencegahan kejahatan dan jumlah
E 4 14 kejahatan juga akan meningkat. Jika populasi dikendalikan,
F 7 13 mungkin harus ada korelasi negatif antara jumlah yang
G 4 9 dikeluarkan untuk pencegahan kejahatan dan jumlah kejahatan
H. 5 20 berat. Data berikut menunjukkan pola hasil yang diperoleh.
saya 14 25 Perhatikan bahwa kotamadya diberi kode dalam tiga kategori.
Hitung
Sebuah. korelasi Pearson untuk mengukur tingkat hubungan
antara dua skor tes. Apakah korelasi signifikan secara
b. statistik? Gunakan uji dua sisi dengan α =. 01.
c. Berapa persentase varians untuk skor kognitif yang

diprediksi dari skor Layar 7-Menit? (Hitung nilai r 2.) Jumlah Jumlah untuk Populasi
Kejahatan Pencegahan Ukuran
3 6 1
15. Untuk pengujian dua sisi dengan α =. 05, gunakan Tabel B.6 untuk menentukan
seberapa besar korelasi Pearson diperlukan agar signifikan secara statistik 4 7 1
untuk masing-masing sampel berikut? 6 3 1

7 4 1
Sebuah. Contoh dari n = 6 8 11 2
b. Contoh dari n = 12 9 12 2
c. Contoh dari n = 24 11 8 2
16. Seperti yang telah kita catat di bab-bab sebelumnya, bahkan sangat
12 9 2
pengaruh kecil dapat menjadi signifikan jika sampelnya cukup 13 16 3
besar. Misalkan, misalnya, seorang peneliti memperoleh korelasi r 14 17 3

= 0,60 untuk sampel 16 13 3
n = 10 peserta. 17 14 3
Sebuah. Apakah sampel ini cukup untuk menyimpulkan bahwa a
ada korelasi yang signifikan dalam populasi? Gunakan uji dua

19. Perhatian umum bagi siswa (dan guru) adalah
sisi dengan α =. 05. Jika sampel punya n = 25 peserta, apakah
penugasan nilai untuk esai atau makalah. Karena tidak ada jawaban
b. korelasinya signifikan? Sekali lagi, gunakan pengujian dua sisi
benar atau salah yang mutlak, nilai-nilai ini harus didasarkan pada
dengan α =. 05.
penilaian kualitas. Untuk menunjukkan bahwa penilaian ini benar-benar
dapat diandalkan, seorang instruktur bahasa Inggris meminta rekannya
17. Seorang peneliti mengukur tiga variabel, X, Y, dan Z untuk
setiap individu dalam sampel n = 20. Pearson
PRoBLEM 527
peringkat-pesan satu set makalah. Jajaran dan nilai instruktur Sebuah. Ubah bobot dan pendapatan menjadi peringkat
untuk makalah ini adalah sebagai berikut: dan menghitung korelasi Spearman untuk skor di soal
13.
Pangkat Kelas b. Apakah korelasi Spearman cukup besar
penting?
1 SEBUAH
2 B 22. Soal 13 pada Bab 10 menyajikan data yang menunjukkan itu

3 SEBUAH Atlet universitas dalam olahraga kontak (sepak bola dan hoki) yang
4 B secara teratur terkena benturan kepala memiliki skor kognitif yang jauh
5 B lebih rendah daripada atlet universitas dari olahraga non-kontak.

Ukuran independen t tes diproduksi t = 2.25 dengan df = 14 dan nilai r 2
6 C
= 0,265 (26,5%).
7 D
8 C
Sebuah. Ubah data dari soal ini menjadi bentuk
9 C
cocok untuk korelasi point-biserial (gunakan
10 D 1 untuk atlet non-kontak dan 0 untuk atlet kontak), lalu
11 F hitung korelasinya. Kuadratkan nilai korelasi titik-biserial
b. untuk memverifikasi bahwa Anda memperoleh yang sama r 2
Sebuah. Hitung korelasi Spearman untuk data ini. nilai yang dihitung dalam Bab 10.
( catatan: Anda harus mengubah nilai huruf menjadi peringkat, menggunakan
peringkat terikat untuk mewakili nilai terikat.)
b. Apakah korelasi Spearman secara statistik signifikan 23. Soal 14 dalam Bab 10 disajikan data menunjukkan-
tidak bisa? Gunakan uji dua sisi dengan α =. 05. Mengingat bahwa menangani uang dapat mengurangi persepsi nyeri. Dalam penelitian
tersebut, satu kelompok menghitung uang dan kelompok lainnya menghitung selembar
20. Tampaknya ada hubungan yang signifikan kertas kosong. Setelah tugas menghitung, setiap peserta mencelupkan tangan ke
antara kemampuan kognitif dan status sosial, setidaknya untuk burung. dalam air yang sangat panas dan menilai betapa tidak nyamannya itu.
Boogert, Reader, dan Laland (2006) mengukur status sosial dan
kemampuan belajar individu untuk sekelompok burung jalak. Data Sebuah. Ubah data dari soal ini menjadi bentuk
berikut ini merupakan hasil yang serupa dengan yang diperoleh dalam cocok untuk korelasi titik-biserial (gunakan 1 untuk uang
penelitian ini. Karena status sosial adalah variabel ordinal yang terdiri dan 0 untuk kertas biasa), lalu hitung korelasinya.
dari lima kategori terurut, korelasi Spearman sesuai untuk data ini. Ubah
kategori status sosial dan skor pembelajaran menjadi peringkat, dan b. Kuadratkan nilai korelasi titik-biserial untuk memperolehnya r 2.
hitung korelasi Spearman.
c. Itu t tes dalam bab 10 diproduksi t = 3.57 dengan

df = 16. Gunakan persamaan pada p. 518 untuk menghitung
nilai r 2 langsung dari t statistik dan nya
Sosial Belajar
Subyek Status Skor df. Dalam kesalahan pembulatan, nilai r 2 dari persamaan
tersebut harus sama dengan nilai yang diperoleh dari korelasi
SEBUAH 1 3 point-biserial.
B 3 10
24. Penelitian telah menunjukkan orang dengan kecerdasan tinggi
C 2 7
umumnya lebih cenderung menjadi sukarelawan sebagai peserta dalam
D 3 11
penelitian, tetapi tidak untuk penelitian yang melibatkan pengalaman tidak
E 5 19
biasa seperti hipnosis. Untuk menguji fenomena tersebut, peneliti
F 4 17
memberikan kuesioner kepada sampel mahasiswa. Survei tersebut
G 5 17 menanyakan nilai rata-rata siswa (sebagai ukuran kecerdasan) dan apakah
H. 2 4 siswa tersebut ingin mengambil bagian dalam studi di masa depan di mana
saya 4 12 peserta akan dihipnotis. Hasil penelitian menunjukkan bahwa 7 dari 10 orang
J 2 3 dengan kecerdasan rendah bersedia untuk berpartisipasi tetapi hanya 2 dari
10 orang dengan kecerdasan tinggi yang bersedia.
21. Soal 13 menyajikan data yang menunjukkan hubungan positif.

hubungan antara berat badan dan pendapatan untuk sampel pria
profesional. Namun, bobot diberi kode Sebuah. Ubah data menjadi bentuk yang cocok untuk komputasi-
dalam lima kategori yang bisa dilihat sebagai skala ordinal menggunakan koefisien phi. (Kode dua kategori intelijen sebagai 0
daripada skala interval atau rasio. Jika demikian, korelasi dan 1 untuk X variabel, dan kode kesediaan untuk berpartisipasi
Spearman lebih tepat daripada korelasi Pearson. sebagai 0 dan 1 untuk
Y variabel.)
b. Hitung koefisien phi untuk data tersebut.

.En - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

.En - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

C 1 5

Alat yang Anda Butuhkan

15.2 Korelasi Pearson

15.3 Menggunakan dan Menafsirkan Korelasi Pearson

15.4 Uji Hipotesis dengan Korelasi Pearson

15.5 Alternatif untuk Korelasi Pearson

Fokus pada Pemecahan Masalah

Contoh positif untuk pria untuk wanita

dan hubungan negatif-

berhubungan secara positif

untuk berat bagi pria. (b)

berat untuk wanita.

Berat (dalam pound)

(Sebuah) Pendapatan (dalam $ 1000) (b) Pendapatan (dalam $ 1000)

1. Arah Hubungan Tanda korelasi, positif atau

2. Bentuk Relasi Dalam contoh gaji dan berat sebelumnya

3. Kekuatan atau Konsistensi Hubungan Terakhir, pengukuran korelasinya

X meningkat, jumlah itu Y perubahan tidak selalu sama, dan terkadang,

(c) hubungan positif yang kuat,

Belajar CheCk 1. Nilai negatif untuk korelasi menunjukkan .

b. hubungan yang jauh lebih lemah daripada jika korelasinya positif

terlemah dan paling tidak konsisten, untuk korelasi berikut?

b. 0,85, 0,02, - 0,43, - 1.00

15.2 Korelasi Pearson

4. Jelaskan bagaimana nilai korelasi Pearson dipengaruhi ketika sebuah konstanta

sejauh mana X dan Y bervariasi bersama-sama sejauh mana X

kovariabilitas dari X dan Y

■ ■ Jumlah Produk Penyimpangan

Itu rumus definisi untuk jumlah produk adalah

1. Temukan X deviasi dan Y penyimpangan untuk setiap individu.

2. Temukan produk penyimpangan untuk setiap individu.

Kotak 15.1 Membandingkan SP dan SS Rumus

dirinya sendiri, sehingga rumusnya dapat ditulis ulang sebagai

Sekali lagi, perhatikan kesamaan struktur antara file SS

penyimpangan ditunjukkan pada tabel berikut:

Mengganti total dalam rumus memberi

Kedua rumus tersebut menghasilkan hasil yang sama, SP = 2. ■

■ ■ Perhitungan Korelasi Pearson

TaBLe 15.1 Skor Penyimpangan Penyimpangan Kuadrat Produk

dan SP untuk sampel X Y X - MX Y - MY ( X - M X) 2 ( Y - M Y) 2 ( X - M X) ( Y - M Y)

Menggunakan nilai dari Tabel 15.1, korelasi Pearson adalah

■ ■ Korelasi dan Pola Titik Data

■ ■ Korelasi Pearson dan z- Skor

Perhatikan bahwa nilai populasi diidentifikasi dengan huruf Yunani rho.

15.3 Menggunakan dan Menafsirkan Korelasi Pearson

6. Tentukan koefisien determinasi dan jelaskan apa yang diukurnya.

7. Jelaskan apa yang diukur dengan korelasi parsial.

■ ■ Dimana dan Mengapa Korelasi Digunakan

3. Keandalan Selain mengevaluasi validitas prosedur pengukuran,

4. Verifikasi Teori Banyak teori psikologis membuat prediksi khusus

Kotak 15.2 Reliabilitas dan Kesalahan dalam Pengukuran

Di sisi lain, jika komponen kesalahan relatif besar, Anda

■ ■ Korelasi dan Penyebab

■ ■ Korelasi dan Rentang Terbatas

mendekati nol. X nilai-nilai

■ ■ Korelasi dan Kekuatan Hubungan

Data Asli Data dengan Outlier Included

mengapa orang yang berbeda memiliki IQ yang berbeda.

(Sebuah) (b) (c)

Kotak 15.3 Regresi Menuju Rata-rata

Perhatikan masalah berikut ini.

Gambar 15.9 menunjukkan plot pencar dengan korelasi yang

Kotak 15.3 Regresi Menuju Rata-rata ( lanjutan)