RANGKUMAN STATISTIK DASAR BAB 15 & 16

Nabila Zachrie 2017-0751-0079

Correlation

Korelasi adalah teknik statistik yang digunakan untuk mengukur dan menggambarkan
hubungan tionship antara dua variabel.

Korelasi adalah nilai numerik yang menggambarkan dan mengukur tiga karakteristik
hubungan antara X dan Y. Ketiga karakteristik ini adalah sebagai berikut:
1. Arah Hubungan. Tanda korelasi, positif atau negatif, menggambarkan arah hubungan.
 Dalam korelasi positif, dua variabel cenderung berubah dalam arah yang sama. tion:
Karena nilai dari variabel X meningkat dari satu individu ke yang lain, variabel Y
juga cenderung meningkat; ketika variabel X menurun, variabel Y- bisa juga
menurun.
 Dalam korelasi negatif, dua variabel cenderung menuju arah berlawanan. Ketika
variabel X meningkat, variabel Y menurun. Artinya, itu adalah kebalikannya
hubungan.
2. Bentuk Hubungan. Dalam contoh kopi dan bir sebelumnya, the hubungan cenderung
memiliki bentuk linier; yaitu titik-titik dalam plot pencar cenderung mengelompok di
sekitar garis lurus.
3. Kekuatan atau Konsistensi Hubungan. Akhirnya, korelasi ures konsistensi hubungan.
Untuk elationship linear, misalnya, titik data bisa benar-benar pas pada garis lurus.
Setiap kali X meningkat satu titik, nilai Y juga berubah dengan jumlah yang konsisten
dan dapat diprediksi.

Korelasi Pearson mengukur derajat dan arah linier hubungan antara dua variabel.
Korelasi Pearson diidentifikasi oleh huruf r. Secara konseptual, korelasi ini dihitung oleh

Untuk menghitung korelasi Pearson, perlu diperkenalkan satu konsep baru: jumlah produk
penyimpangan, atau SP.
Nilai untuk SP dapat dihitung dengan rumus definisi atau rumus komputasi. Formula definisi
untuk jumlah produk:

Rumus definisi memerintahkan Anda untuk melakukan urutan berikut operasi:

1. Temukan penyimpangan X dan penyimpangan Y untuk setiap individu.
2. Temukan produk penyimpangan untuk masing-masing individu.
3. Tambahkan produk.

Rumus komputasi untuk jumlah produk penyimpangan adalah

Meskipun korelasi memiliki sejumlah aplikasi yang berbeda, beberapa contoh spesifik
disajikan untuk memberikan indikasi nilai ukuran statistik ini.

1. Prediksi. Jika dua variabel diketahui terkait secara sistematis, maka adalah mungkin
untuk menggunakan salah satu variabel untuk membuat prediksi yang akurat tentang
yang lain.
2. Validitas. Misalkan seorang psikolog mengembangkan tes baru untuk mengukur
kecerdasan Gence. Bagaimana Anda bisa menunjukkan bahwa tes ini benar-benar
mengukur apa yang diklaimnya; itu adalah, bagaimana Anda bisa menunjukkan validitas
tes?
3. Keandalan. Selain mengevaluasi validitas prosedur pengukuran, korelasi digunakan
untuk menentukan reliabilitas. Prosedur pengukuran dikonversikan menyampingkan
andal sejauh itu menghasilkan pengukuran yang stabil dan konsisten.
4. Verifikasi Teori. Banyak teori psikologi membuat prediksi spesifik tentang hubungan
antara dua variable
Nilai r 2 disebut koefisien determinasi karena mengukur proporsi variabilitas dalam satu
variabel yang dapat ditentukan dari hubungan tionship dengan variabel lain. Korelasi sebesar
r 0,80 (atau –0,80), untuk ujian- ple, artinya r 2 0,64 (atau 64%) dari variabilitas dalam skor
Y dapat diprediksi dari hubungan dengan X.
Hipotesa

Pertanyaan dasar untuk uji hipotesis ini adalah apakah korelasi ada dalam populasi. Hipotesis
nol adalah "Tidak. Tidak ada korelasi dalam populasi, "atau" Korelasi populasi adalah nol.
"Hipotesis alternatif adalah" Ya. Ada yang nyata, korelasi bukan nol dalam populasi. "Karena
korelasi populasi secara tradisional diwakili oleh (huruf Yunani rho), hipotesis ini akan
dinyatakan dalam simbol sebagai

Ketika ada prediksi spesifik tentang arah

korelasi, adalah mungkin untuk melakukan tes arah, atau satu-ekor. Sebagai contoh, jika
seorang peneliti memprediksi hubungan
positif, maka hipotesisnya adalah

Korelasi parsial mengukur hubungan antara dua variabel sementara mengendalikan pengaruh
variabel ketiga dengan memegangnya konstan.

Dalam situasi dengan tiga variabel, X, Y, dan Z, adalah mungkin untuk menghitung tiga
indikator. korelasi Pearson yang nyata:
1. rXY mengukur korelasi antara X dan Y
2. rXZ mengukur korelasi antara X dan Z
3. rYZ mengukur korelasi antara Y dan Z

Ketiga korelasi individu ini kemudian dapat digunakan untuk menghitung korelasi parsial.
Sebagai contoh, korelasi parsial antara X dan Y, menahan Z konstan, ditentukan oleh rumus

Untuk meringkas, korelasi Spearman mengukur hubungan antara keduanya. Variabel ketika
keduanya diukur pada skala ordinal (peringkat). Ada dua situasi umum
hubungan di mana korelasi Spearman digunakan:

1. Spearman digunakan ketika data asli bersifat ordinal; yaitu, ketika X dan
Nilai Y adalah peringkat. Dalam hal ini, Anda cukup menerapkan korelasi Pearson
formula ke set peringkat.
2. Spearman digunakan ketika seorang peneliti ingin mengukur konsistensi a

hubungan antara X dan Y, tidak bergantung pada bentuk spesifik dari hubungan. Dalam hal
ini, skor asli pertama dikonversi ke peringkat, lalu
rumus korelasi Pearson digunakan dengan jajaran. Karena rumus Pearson mengukur tingkat
di mana barisan cocok pada garis lurus, itu juga mengukur tingkat konsistensi dalam
hubungan untuk skor asli. Kebetulan, ketika ada hubungan satu arah yang konsisten antara
dua variabel, hubungan dikatakan monotonik. Jadi, sang Spearman korelasi mengukur tingkat
hubungan monoton antara kedua variabel.

Secara umum, hubungan linear antara dua variabel X dan Y dapat diekspresikan oleh
persamaan

di mana a dan b adalah konstanta tetap.

Teknik statistik untuk menemukan garis lurus yang paling pas untuk satu set data disebut
regresi, dan garis lurus yang dihasilkan disebut garis regresi.

Untuk menentukan seberapa baik suatu garis sesuai dengan poin data, langkah pertama
adalah mendefinisikan mathemati- menghitung jarak antara garis dan setiap titik data.
Untuk setiap nilai X dalam data, persamaan linear menentukan nilai Y pada garis. Nilai ini
adalah prediksi Y dan disebut Y ˆ ("Y topi"). Jarak antara nilai prediksi ini dan nilai Y yang
sebenarnya dalam data ditentukan oleh

Persamaan regresi untuk Y adalah persamaan linier

Kesalahan estimasi standar memberikan ukuran jarak standar antara prediksi nilai Y pada
garis regresi dan nilai Y aktual dalam data.

Untuk menghitung kesalahan estimasi standar, pertama-tama kita menemukan jumlah deviasi
kuadrat (SS). Setiap penyimpangan mengukur jarak antara nilai Y yang sebenarnya (dari
data) dan nilai Y yang diprediksi (dari garis regresi). Jumlah kuadrat ini biasa disebut
SSresidual karena didasarkan pada jarak yang tersisa antara skor Y yang sebenarnya dan nilai
yang diprediksi.

Nilai SS yang diperoleh kemudian dibagi dengan derajat kebebasannya untuk mendapatkan
variasi varians. Prosedur ini harus sangat akrab:
standard error of estimate =
Meskipun dimungkinkan untuk menggabungkan sejumlah besar variabel prediktor dalam
persamaan regresi berganda tunggal, kita membatasi diskusi kita ke kasus dua prediktor.
Ada dua alasan praktis untuk batasan ini.
1. Regresi berganda, bahkan terbatas pada dua prediktor, bisa relatif rumit.
Meskipun kami menyajikan persamaan untuk kasus dua prediktor, perhitungan biasanya
dilakukan oleh komputer, jadi tidak ada gunanya mengembangkan satu set
persamaan kompleks ketika orang akan menggunakan komputer sebagai gantinya.
2. Biasanya, variabel prediktor yang berbeda terkait satu sama lain, yang artinya
bahwa mereka sering mengukur dan memprediksi hal yang sama. Karena variabel dapat
tumpang tindih satu sama lain, menambahkan variabel prediktor lain ke persamaan regresi
tidak selalu menambah keakuratan prediksi.

Kami mengidentifikasi dua variabel prediktor sebagai X1 dan X2. Variabel yang kami coba
prediksi diidentifikasi sebagai Y. Menggunakan notasi ini, bentuk umum dari regresi
berganda Persamaan dengan dua prediktor adalah

DAFTAR PUSAKA
Frederick J Gravetter, L. B. (2013, 2010). Statistics for the Behavioral Sciences (9e ed.). (T. W.
Tim Matray, Ed.) Jon-David Hague.