Nama : Poetri Marissa Yulhar

NIM: 20081032

Chapter 2 Examining Your Data hal 115

1 Jelaskan bagaimana metode grafis dapat melengkapi langkah-langkah empiris saat

memeriksa data ?
Jawab : Tujuan penggunaan teknik grafis bukan untuk menggantikan ukuran empiris, tetapi
menggunakannya sebagai pelengkap untuk memberikan representasi visual dari hubungan
dasar sehingga peneliti dapat merasa percaya diri dalam pemahaman mereka tentang
hubungan tersebut.

2 Daftar potensi penyebab outlier yang mendasarinya. Pastikan untuk memasukkan atribusi
kepada responden dan peneliti?
Jawab :
 Kesalahan prosedural. Kelas pertama muncul dari kesalahan prosedural, seperti kesalahan
entri data atau kesalahan dalam pengkodean. Pencilan ini harus diidentifikasi dalam tahap
pembersihan data, tetapi jika diabaikan, pencilan harus dihilangkan atau dicatat sebagai
nilai yang hilang.
 Peristiwa luar biasa. Pencilan kelas kedua adalah observasi yang terjadi sebagai akibat
dari peristiwa luar biasa, yang menjelaskan keunikan observasi tersebut. Misalnya,
asumsikan kita melacak curah hujan harian rata-rata, ketika kita mengalami badai yang
berlangsung selama beberapa hari dan mencatat tingkat curah hujan yang sangat tinggi.
Tingkat curah hujan ini tidak sebanding dengan apapun yang tercatat dalam pola cuaca
normal. Jika dimasukkan, mereka akan mengubah pola hasil secara nyata. Peneliti harus
memutuskan apakah peristiwa luar biasa sesuai dengan tujuan penelitian. Jika demikian,
pencilan harus dipertahankan dalam analisis. Jika tidak, itu harus dihapus.
 Pengamatan luar biasa. Pencilan kelas ketiga terdiri dari pengamatan luar biasa yang
peneliti tidak memiliki penjelasan. Dalam kasus ini, profil yang unik dan sangat berbeda
muncul. Meskipun pencilan ini paling mungkin dihilangkan, pencilan dapat
dipertahankan jika peneliti merasa pencilan ini mewakili elemen populasi yang valid.
Mungkin mereka mewakili elemen yang muncul, atau elemen yang belum dimanfaatkan
 yang sebelumnya tidak diidentifikasi. Di sini peneliti harus menggunakan pertimbangan
dalam keputusan retensi / penghapusan.
 Kombinasi unik. Kelas pencilan keempat dan terakhir berisi observasi yang termasuk
dalam kisaran nilai biasa pada masing-masing variabel. Pengamatan ini tidak terlalu
tinggi atau rendah pada variabel, tetapi unik dalam kombinasi nilai di seluruh variabel.
Dalam situasi ini, peneliti harus mempertahankan observasi kecuali bukti spesifik tersedia
yang mendiskontokan pencilan sebagai anggota populasi yang valid.

3 Diskusikan mengapa outlier mungkin diklasifikasikan sebagai bermanfaat dan bermasalah ?

Jawab : Outlier tidak dapat dicirikan secara kategoris sebagai bermanfaat atau bermasalah,
tetapi harus dilihat dalam konteks analisis dan harus dievaluasi oleh jenis informasi yang
mungkin mereka berikan. Ketika bermanfaat, outlier—meskipun berbeda dari sebagian besar
sampel—mungkin merupakan indikasi karakteristik populasi yang tidak akan ditemukan
dalam analisis normal. Sebaliknya, outlier bermasalah tidak mewakili populasi, bertentangan
dengan tujuan analisis, dan dapat secara serius mendistorsi tes statistik. Dengan demikian,
mereka tidak memenuhi kerangka analisis yang dilakukan. Meskipun mereka dapat
memberikan umpan balik untuk penyesuaian yang diperlukan untuk analisis, mereka juga
memberikan peneliti sarana untuk memfokuskan analisis dan hasil pada populasi yang
dimaksudkan daripada terkena dampak pengamatan yang bahkan tidak dimaksudkan untuk
dimasukkan.

4 Membedakan antara data yang hilang secara acak (MAR) dan hilang sepenuhnya secara
acak (MCAR). Menjelaskan bagaimana setiap jenis mempengaruhi analisis data yang hilang?

Jawab : Data yang hilang disebut hilang secara acak (MAR) jika nilai yang hilang dari Y
bergantung pada X, tapi tidak Y. Dengan kata lain, yang diamati nilai Y mewakili sampel
acak dari yang sebenarnya nilai Y untuk setiap nilai X, tetapi data yang diamati untuk Y tidak
selalu mewakili semua sampel yang benar-benar acak nilai-nilai Y.

Hilang Sepenuhnya Secara Acak (MCAR) Tingkat keacakan yang lebih tinggi disebut hilang
sama sekali secara acak (MCAR). Dalam hal ini nilai yang diamati dari Y benar-benar
sampel acak dari semuanya Y nilai-nilai, tanpa hubungan yang mendasari dengan variabel
lain yang diamati, ditandai sebagai "hilang sembarangan murni"

Dua jenis menunjukkan tingkat keacakan untuk data yang hilang Y. Satu jenis memerlukan
metode khusus untuk mengakomodasi komponen nonrandom (MAR) sedangkan jenis kedua
(MCAR) cukup acak untuk mengakomodasi semua jenis perbaikan data. Meskipun kedua
jenis tampaknya menunjukkan bahwa mereka mencerminkan pola data yang umum, hanya
MCAR yang memungkinkan penggunaan pemulihan yang diinginkan. Perbedaan antara
kedua jenis ini terletak pada kemampuan generalisasi populasi dalam bentuk aslinya.

5 Menjelaskan kondisi di mana seorang peneliti akan menghapus kasus dengan data yang
hilang versus kondisi di mana seorang peneliti akan menggunakan metode imputasi ?

Jawab :

Imputasi data hilang berdasarkan luasnya data yang hilang

 Data hilang di bawah 10%, salah satu metode imputasi dapat diterapkan ketika data yang
hilang serendah ini, meskipun metode kasus lengkap telah terbukti paling tidak disukai.
 Data hilang diantara 10% sampai 20%, meningkatnya kehadiran data yang hilang
membuat semua tersedia, dengan cara substitusi dan metode regresi paling disukai untuk
data MCAR, sedangkan metode berbasis model diperlukan dengan proses data yang
hilang MAR
 Data hilang lebih dari 20 %, jika dianggap perlu untuk memperhitungkan data yang
hilang ketika levelnya lebih dari 20 persen, metode yang disukai adalah:
 Metode regresi untuk situasi MCAR
 Metode berbasis model ketika MAR kehilangan data terjadi

6 Mengevaluasi pernyataan berikut: Untuk menjalankan sebagian besar analisis multivariat,

tidak perlu memenuhi semua asumsi normalitas, linearitas, homosedastisitas, dan
kemandirian ?

Jawab : Dengan data yang dikumpulkan, tugas pertama bukanlah memperkirakan model
multivariat tetapi mengevaluasi asumsi yang mendasarinya, baik statistik maupun konseptual,
yang secara substansial memengaruhi kemampuan mereka untuk merepresentasikan
hubungan multivariat. Untuk teknik yang didasarkan pada inferensi statistik, asumsi
normalitas multivariat, linieritas, independensi istilah kesalahan, dan persamaan varian
semuanya harus dipenuhi. Setiap teknik juga melibatkan serangkaian asumsi konseptual yang
berhubungan dengan masalah seperti perumusan model dan jenis hubungan yang
direpresentasikan. Sebelum estimasi model dilakukan, peneliti harus memastikan bahwa
asumsi statistik dan konseptual terpenuhi.
7 Diskusikan pernyataan berikut: Analisis multivariat dapat dijalankan pada kumpulan data
apa pun, selama ukuran sampel memadai?

Jawab : Peneliti harus memastikan bahwa data yang mendasari analisis memenuhi semua
persyaratan untuk analisis multivariat. Teknik multivariat menuntut lebih banyak dari data
dalam hal kumpulan data yang lebih besar dan asumsi yang lebih kompleks daripada yang
dihadapi dengan analisis univariat. Data yang hilang, pencilan, dan karakteristik statistik dari
data semuanya jauh lebih sulit untuk dinilai dalam konteks multivariasi. Dengan demikian,
kecanggihan analitik yang diperlukan untuk memastikan bahwa persyaratan ini terpenuhi.
Jadi tidak dapat kita memastikan sampel yang memadai sudah cukup untuk memenuhi
analisis multivariate.