Chapter 18 : Measures of Association

Summary

Tugas Disusun Guna untuk Memenuhi Nilai Tugas Mata Kuliah Metode Penelitian
Bisnis

Kelompok SDM 2 :

Agatha Pricillia Sekar / S412102002

Misykatun N. Husna / S412102017

Magister Manajemen Fakultas Ekonomi dan Bisnis

Universitas Sebelas Maret Surakarta

2021
 Chapter 18 : Langkah-langkah Asosiasi

Dalam bab sebelumnya, kami menekankan pengujian hipotesis perbedaan.

Namun, pertanyaan manajemen sering berkisar pada studi tentang hubungan antara
dua atau lebih variabel. Kemudian, hipotesis relasional diperlukan. Implikasinya,
bagaimanapun, adalah bahwa satu variabel bertanggung jawab untuk yang lain.
Hipotesis relasional yang benar untuk pertanyaan ini akan menyatakan bahwa
variabel terjadi bersama-sama dalam beberapa cara tertentu tanpa menyiratkan
bahwa yang satu menyebabkan yang lain.

Berbagai tujuan disajikan dengan analisis korelasi. Kekuatan, arah, bentuk,

dan fitur lain dari hubungan dapat ditemukan. Atau pertanyaan taktis dan strategis
dapat dijawab dengan memprediksi nilai satu variabel dari variabel lainnya. Mari kita
lihat beberapa pertanyaan manajemen yang umum:

• Dalam bisnis pesanan melalui pos, biaya katalog yang berlebihan

dengan cepat menekan margin. Banyak surat yang gagal mencapai
pembeli yang reseptif atau aktif. Apa hubungan antara surat yang
menghapus pelanggan yang tidak aktif dan peningkatan margin
keuntungan?
• Perusahaan menengah sering mengalami kesulitan untuk menarik hasil
panen MBA, dan ketika mereka berhasil, mereka kesulitan
mempertahankannya. Apa hubungan antara kandidatperingkat
berdasarkan wawancara eksekutif dan peringkat yang diperoleh dari
pengujian atau penilaian manajerial?
• Alokasi pemasaran perusahaan rokok bergeser beberapa tahun yang
lalu sebagai akibat dari pemukiman multi-negara bagian yang
menghilangkan iklan luar ruang dan transit. Baru-baru ini, iklan di
majalah-majalah dengan pembaca muda yang besar mendapat sorotan.
Selama periode tertentu, apa hubungan antara pengeluaran point-of-
sale dan laba bersih?
• Perusahaan teknologi tinggi AS yang agresif telah banyak beriklan di
pasar chip Eropa, dan penjualan mereka telah tumbuh 20 persen di atas
 penjualan tiga perusahaan Eropa terbesar. Bisakah kita memprediksi
penjualan tahun depan berdasarkan iklan saat ini?

Semua pertanyaan ini dapat dievaluasi melalui ukuran asosiasi. Dan semua
memerlukan teknik yang berbeda berdasarkan pada tingkat di mana variabel diukur
atau maksud pertanyaan. Tiga yang pertama menggunakan data nominal, ordinal,
dan interval. Yang terakhir dijawab melalui regresi linier sederhana. Dengan korelasi,
seseorang menghitung indeks untuk mengukur sifat hubungan antar variabel.

Dengan regresi, persamaan dikembangkan untuk memprediksi nilai variabel

dependen. Keduanya dipengaruhi oleh asumsi tingkat pengukuran dan distribusi
yang mendasari data. Eksplorasi data melalui inspeksi visual dan evaluasi diagnostik
asumsi terus ditekankan.

Analisis Korelasi Bivariat

Analisis korelasi bivariat berbeda dari ukuran asosiasi nonparametrik dan

analisis regresi dalam dua hal penting. Pertama, korelasi parametrik membutuhkan
dua variabel kontinu yang diukur pada skala interval atau rasio. Kedua, koefisien
tidak membedakan antara variabel bebas dan variabel terikat. Ini memperlakukan
variabel secara simetris karena koefisien r xy memiliki yang sama interpretasi
sebagai r yx .

Koefisien Momen Produk Pearson r

Koefisien korelasi Pearson (product moment) bervariasi pada rentang 11

hingga 0 hingga 21. Penunjukan r melambangkan estimasi koefisien asosiasi linier
berdasarkan data sampling. Koefisien r mewakili korelasi populasi. Koefisien korelasi
mengungkapkan besarnya dan arah hubungan. Magnitudo adalah sejauh mana
variabel bergerak serempak atau berlawanan. Ukuran korelasi 1,40 sama dengan
korelasi 2,40. Tanda itu tidak mengatakan apa-apa tentang ukuran. Tingkat
korelasinya sederhana. Tanda koefisien menandakan arah hubungan. Arah
memberitahu kita apakah nilai besar pada satu variabel terkait dengan nilai besar
pada variabel lain (dan nilai kecil dengan nilai kecil). Ketika nilai-nilai tersebut
berkorespondensi dengan cara ini, kedua variabel memiliki hubungan positif: ketika
salah satu meningkat, yang lain juga meningkat. Pendapatan keluarga, misalnya,
berhubungan positif dengan pengeluaran makanan rumah tangga.
 Ketika pendapatan meningkat, pengeluaran makanan meningkat. Variabel
lain berbanding terbalik. Nilai besar pada variabel pertama dikaitkan dengan nilai
kecil pada variabel kedua (dan sebaliknya). Harga produk dan jasa berbanding
terbalik dengan kelangkaannya. Secara umum, ketika produk berkurang dalam
jumlah yang tersedia, harganya naik. Tidak adanya hubungan dinyatakan dengan
koefisien mendekati nol.

Scatterplots untuk Menjelajahi Hubungan

Scatterplots sangat penting untuk memahami hubungan antar variabel.

Mereka menyediakan sarana untuk inspeksi visual data yang tidak dapat dilakukan
oleh daftar nilai untuk dua variabel. Baik arah maupun bentuk hubungan
disampaikan dalam sebuah plot. Dengan sedikit latihan, besarnya hubungan dapat
terlihat.

Ketika hubungan yang lebih kuat terlihat (misalnya, korelasi 6,90), titik-titik
mengelompok dekat dengan garis lurus imajiner yang melewati data. Hubungan
yang lebih lemah (6,40) menggambarkan awan data yang lebih menyebar dengan
titik-titik menyebar lebih jauh dari garis. Bentuk hubungan linier dicirikan oleh garis
lurus, sedangkan hubungan nonlinier memiliki kurva lengkung, parabola, dan
majemuk yang mewakili bentuknya. Pearson's r mengukur hubungan dalam variabel
yang berhubungan linier. Itu tidak dapat membedakan data linier dari data nonlinier.

Asumsi r

Seperti teknik parametrik lainnya, analisis korelasi membuat asumsi tertentu

tentang data. Banyak dari asumsi ini diperlukan untuk menguji hipotesis tentang
koefisien. Persyaratan pertama untuk r adalah linearitas. Semua contoh pada
Tampilan 18-2 dengan pengecualian r 5 0 menggambarkan hubungan antara
variabel yang dapat digambarkan dengan garis lurus yang melewati awan data.
Ketika r 5 0, tidak ada pola yang jelas yang dapat digambarkan dengan satu garis.
Secara parentetik, juga dimungkinkan untuk menemukan koefisien 0 di mana
variabel-variabel tersebut sangat terkait tetapi dalam bentuk nonlinier. Seperti yang
telah kita lihat, plot membuat temuan seperti itu menjadi jelas.

Asumsi kedua untuk korelasi adalah distribusi normal bivariat —yaitu, data
berasal dari sampel acak dari suatu populasi di mana kedua variabel terdistribusi
secara normal dalam suatu gabungan. Seringkali asumsi ini atau tingkat pengukuran
yang diperlukan tidak dapat dipenuhi. Kemudian analis harus memilih ukuran
asosiasi nonlinier atau nonparametric.

Perhitungan dan Pengujian r

Koefisien korelasi populasi adalah

Jika pembilang persamaan (4) dibagi dengan n , kita memiliki kovarians ,

jumlah deviasi yang dimiliki oleh distribusi X dan Y. Dengan kovarians positif,
variabel bergerak serempak; dengan yang negatif, mereka bergerak berlawanan.
Ketika kovarians adalah 0, tidak ada hubungan. Penyebut untuk persamaan (4)
menunjukkan variasi potensial maksimum yang dimiliki oleh kedua distribusi.
Dengan demikian, korelasi dapat dianggap sebagai rasio.

Varians Umum sebagai Penjelasan

Jumlah varians umum dalam X (laba bersih) dan Y (arus kas) dapat
diringkas dengan koefisien determinasi (r2). Tumpang tindih antara dua variabel
adalah proporsi varians bersama atau bersama. Area tumpang tindih mewakili
persentase total hubungan yang diperhitungkan oleh satu variabel atau variabel
lainnya. Jadi 86 persen varians di X dijelaskan oleh Y , dan sebaliknya.

Menguji Kans Signifikan dari r

Apakah koefisien yang mewakili hubungan antara laba bersih dan arus kas
itu nyata, atau terjadi secara kebetulan? Pertanyaan ini mencoba untuk menemukan
apakah r kita adalah simpangan peluang dari populasi p nol. Dalam situasi lain,
peneliti mungkin ingin mengetahui apakah ada perbedaan yang signifikan antara
dua atau lebih r. Dalam kedua kasus, signifikansi r harus diperiksa sebelum r
digunakan dalam perhitungan atau perbandingan lain. Untuk pengujian ini, kita harus
memiliki sampel acak independen dari distribusi normal bivariat.

Kemudian Z atau uji-t dapat digunakan untuk hipotesis nol, p 5 0.

Rumus untuk sampel kecil adalah

Interpretasi Korelasi

Koefisien korelasi dengan besaran atau tanda apa pun, apa pun signifikansi
statistiknya, tidak menyiratkan sebab-akibat. Peningkatan laba bersih dapat
menyebabkan peningkatan nilai pasar, atau peningkatan kepuasan dapat
menyebabkan peningkatan kinerja dalam situasi tertentu, tetapi korelasi tidak
memberikan bukti sebab dan akibat. Beberapa penjelasan alternatif dapat diberikan
untuk hasil korelasi:

• X menyebabkan Y.

• Y menyebabkan X.

• X dan Y diaktifkan oleh satu atau lebih variabel lain.

• X dan Y saling mempengaruhi secara timbal balik.

Studi ex post facto jarang memiliki desain yang cukup kuat untuk
menunjukkan kondisi mana yang benar. Dengan mengontrol variabel di bawah
desain eksperimental, kita dapat memperoleh bukti kausalitas yang lebih ketat.

Berhati-hatilah untuk menghindari apa yang disebut korelasi artefak, di

mana kelompok-kelompok yang berbeda bergabung untuk memberi kesan satu.
Panel atas Exhibit 18-8 menunjukkan data dari dua sektor usaha. Jika semua data
poin untuk variabel X dan Y dikumpulkan dan korelasi dihitung untuk satu kelompok,
hasil korelasi positif. Perhitungan terpisah untuk setiap sektor (perhatikan bahwa titik
untuk sektor A membentuk lingkaran, seperti halnya titik untuk sektor B)
menunjukkan tidak ada hubungan antara no variabel X dan Y.

Isu lain yang mempengaruhi interpretasi koefisien menyangkut signifikansi

praktis. Bahkan ketika koefisien secara statistik signifikan, itu harus bermakna
secara praktis. Dalam banyak hubungan, faktor-faktor lain bergabung untuk
membuat makna koefisien menyesatkan.

Sifat penelitian, karakteristik sampel, atau alasan lain akan menjadi faktor
penentu. Koefisien tidak luar biasa hanya karena signifikan secara statistik. Dengan
menyelidiki bukti arah, besarnya, signifikansi statistik, dan varians umum bersama-
sama dengan tujuan dan keterbatasan studi.

Regresi Linier Sederhana

 Pada bagian sebelumnya, kami fokus pada hubungan antar variabel.
Korelasi product moment ditemukan untuk mewakili indeks besarnya hubungan,
tanda mengatur arah, dan r 2 menjelaskan varians umum. Hubungan juga berfungsi
sebagai dasar untuk estimasi dan prediksi. Ketika kita mengambil nilai X yang
diamati untuk memperkirakan atau memprediksi nilai Y yang sesuai, prosesnya
disebut prediksi sederhana. Ketika lebih dari satu variabel X digunakan, hasilnya
adalah fungsi dari beberapa prediktor. Prediksi sederhana dan ganda dibuat dengan
teknik yang disebut analisis regresi.

Model Dasar

Garis lurus pada dasarnya adalah cara terbaik untuk memodelkan

hubungan antara dua variabel kontinu. Regresi linier bivariat dapat dinyatakan
sebagai:

dimana nilai variabel terikat Y merupakan fungsi linier dari nilai yang
bersesuaian dengan variabel bebas X i pada pengamatan ke-i. Kemiringan dan
intersep Y dikenal sebagai koefisien regresi. Kemiringan, b 1 , adalah perubahan Y
untuk perubahan 1 unit di X. Kadang-kadang disebut "naik di atas run". Ini
didefinisikan oleh rumus

Aplikasi Konsep

Sayangnya, seseorang jarang menemukan kumpulan data yang terdiri dari

empat nilai berpasangan, korelasi sempurna, dan garis yang mudah ditarik. Model
yang didasarkan pada data tersebut bersifat deterministik karena untuk sembarang
nilai X , hanya ada satu kemungkinan nilai Y yang sesuai . Kemungkinan besar kita
akan mengumpulkan data di mana nilai Y bervariasi untuk setiap nilai X.
Mempertimbangkan Tampilan 18-12 , kita harus mengharapkan distribusi nilai harga
untuk suhu X 5 16, yang lain untuk X 5 20, dan satu lagi untuk setiap nilai X . Sarana
distribusi Y ini juga akan bervariasi dalam beberapa cara sistematis dengan X .
Variabilitas ini membawa kita untuk membangun model probabilistik yang juga
menggunakan fungsi linier. 8 Fungsi ini ditulis
Metode Kuadrat Terkecil

Metode kuadrat terkecil memungkinkan kita untuk menemukan garis regresi,

atau garis yang paling cocok, yang akan meminimalkan kesalahan ini. Ini
menggunakan kriteria meminimalkan kesalahan kuadrat total estimasi. Ketika kita
memprediksi nilai Y untuk setiap X i , perbedaan antara Y i aktual dan Y predicted
yang diprediksi adalah
kesalahan. Kesalahan ini
dikuadratkan dan kemudian
dijumlahkan. Garis kecocokan terbaik adalah garis
yang meminimalkan total kuadrat kesalahan
prediksi.

Menggambar Garis Regresi

Sebelum menggambar garis regresi, kami memilih dua nilai X untuk

dihitung. Menggunakan nilai 13 dan 24 untuk X i , titik-titiknya adalah

Residu

Ketika distandarisasi, residu sebanding dengan skor Z dengan rata-rata 0

dan standar deviasi 1. Dalam plot ini, residu standar harus berada di antara 2 dan
22, didistribusikan secara acak sekitar nol, dan tidak menunjukkan pola yang terlihat.
Semua kondisi ini mengatakan model diterapkan dengan tepat.

Prediksi

Ini adalah prediksi titik Y dan harus dikoreksi agar lebih presisi. Seperti
perkiraan kepercayaan lainnya, kami menetapkan tingkat kepercayaan yang
diinginkan dan menggantinya ke dalam
rumus
Menguji Kebaikan Kecocokan

Dengan garis regresi yang diplot dan beberapa prediksi ilustratif, kita
sekarang harus mengumpulkan beberapa bukti kebaikan kecocokan — seberapa
baik model itu cocok dengan data. Tes terpenting dalam regresi linier bivariat adalah
apakah kemiringan, b 1 , sama dengan nol. Kemiringan nol dihasilkan dari berbagai
kondisi:

• Y sama sekali tidak berhubungan dengan X, dan tidak ada pola

sistematis yang jelas.
• Ada nilai konstan Y untuk setiap nilai X.
• Data terkait tetapi diwakili oleh fungsi nonlinier.

Tes F

Cetakan komputer umumnya berisi tabel analisis varians (ANOVA) dengan

uji F model regresi. Dalam regresi bivariat, uji t dan F menghasilkan hasil yang sama
karena t 2 sama dengan F . Dalam regresi berganda, uji F memiliki peran
keseluruhan untuk model, dan masing-masing variabel independen dievaluasi
dengan uji-t terpisah. Dari bab terakhir, ingatlah bahwa ANOVA mempartisi varians
menjadi bagian-bagian komponen.

Koefisien Determinasi

Berdasarkan rumus tersebut, koefisien determinasi adalah rasio kesalahan

garis terbaik terhadap yang terjadi dengan menggunakan Y . Salah satu tujuan
pengujian, kemudian, adalah untuk menemukan apakah persamaan regresi adalah
alat prediksi yang lebih efektif daripada rata-rata variabel dependen.

Seperti halnya korelasi, koefisien determinasi dilambangkan dengan r 2 . 13

Ini memiliki beberapa tujuan. Sebagai indeks kecocokan, ini diinterpretasikan
sebagai proporsi total varians dalam Y yang dijelaskan oleh X . Sebagai ukuran
hubungan linier, ini memberi tahu kita seberapa baik garis regresi cocok dengan
data. Ini juga merupakan indikator penting dari akurasi prediksi persamaan.
Koefisien determinasi, r 2 , dihitung seperti
ini:
Ukuran Asosiasi Nonparametrik

Ukuran untuk Data Nominal

Ukuran nominal digunakan untuk menilai kekuatan hubungan dalam tabel

klasifikasi silang. Mereka sering digunakan dengan chi-kuadrat atau dapat
digunakan secara terpisah. Pada bagian ini, kami memberikan contoh tiga statistik
berdasarkan chi-kuadrat dan dua yang mengikuti pendekatan pengurangan
kesalahan proporsional. Tidak ada ukuran serba guna yang sepenuhnya
memuaskan untuk data kategorikal. Beberapa terpengaruh oleh bentuk tabel dan
jumlah sel; yang lain sensitif terhadap ukuran sampel atau marjinal. Sulit untuk
menemukan statistik serupa yang melaporkan koefisien yang berbeda untuk data
yang sama. Ini terjadi karena sensitivitas khusus suatu statistik atau cara statistik itu
dirancang. Secara teknis, kami ingin menemukan dua karakteristik dengan ukuran
nominal:

• Bila tidak ada hubungan sama sekali, koefisiennya harus 0.

• Ketika ada ketergantungan penuh, koefisien harus menunjukkan
kesatuan, atau 1.

Ukuran Berbasis Chi-Square

Perhatikan bahwa pameran juga memberikan perkiraan signifikansi

koefisien berdasarkan distribusi chi-kuadrat. Ini adalah pengujian hipotesis nol
bahwa tidak ada hubungan antara variabel surat langsung dan keberhasilan
kampanye.

Ukuran berbasis chi-kuadrat pertama diterapkan pada surat langsung dan

keberhasilan kampanye. Ini disebut phi (f). Phi berkisar dari 0 hingga 11.0 dan
mencoba mengoreksi x 2 secara proporsional ke N . Phi paling baik digunakan
dengan tabel 2 × 2 seperti Tampilan 18-20 karena koefisiennya dapat melebihi 11.0
bila diterapkan ke tabel yang lebih besar. Phi dihitung
 Koefisien Phi menunjukkan hubungan yang moderat antara keberhasilan
kampanye pemasaran dan surat langsung. Tidak ada saran dalam interpretasi ini
bahwa satu variabel menyebabkan yang lain, juga tidak ada indikasi arah hubungan.
Cramer's V adalah modifikasi phi untuk tabel yang lebih besar dan memiliki
jangkauan hingga 1,0 untuk tabel dalam bentuk apa pun. Perhitungannya seperti ini:

di mana k 5 jumlah baris atau

kolom yang lebih sedikit. Koefisien kontingensi C dilaporkan terakhir. Ini tidak
sebanding dengan ukuran lain dan memiliki batas atas yang berbeda untuk berbagai
ukuran tabel. Batas atas ditentukan sebagai

Pengurangan Proporsional dalam Kesalahan

Statistik pengurangan kesalahan proporsional (PRE) adalah jenis kedua

yang digunakan dengan tabel kontingensi. Lambda dan tau adalah contoh yang
dibahas di sini. Koefisien lambda (l) didasarkan pada seberapa baik frekuensi dari
satu variabel nominal menawarkan bukti prediktif tentang frekuensi yang lain.
Lambda bersifat asimetris—memungkinkan penghitungan arah prediksi—dan
simetris, memprediksi variabel baris dan kolom secara merata.

Tau (t) Goodman dan Kruskal menggunakan margin tabel untuk

mengurangi kesalahan prediksi. Berdasarkan tingkat signifikansi yang diamati kecil,
kita akan menyimpulkan bahwa tau berbeda secara signifikan dari koefisien 0 dan
bahwa ada hubungan antara pendapat tentang gaji eksekutif dan kelas pekerjaan
dalam populasi dari mana sampel dipilih.

Langkah-langkah untuk Data Ordinal

Ketika data memerlukan ukuran ordinal, ada beberapa alternatif statistik.

Pada bagian ini kami akan mengilustrasikan:

• Gama.
• Tau b dan tau c Kendall .
• Somers d .
 • rho Spearman.

Semua kecuali korelasi urutan peringkat Spearman didasarkan pada

konsep pasangan konkordan dan sumbang. Tak satu pun dari statistik ini
memerlukan asumsi distribusi normal bivariat, namun dengan memasukkan urutan,
sebagian besar menghasilkan rentang dari 21,0 (hubungan negatif sempurna)
hingga 11,0 (hubungan positif sempurna). Dalam rentang ini, koefisien dengan
magnitudo yang lebih besar (nilai absolut ukuran) diinterpretasikan memiliki
hubungan yang lebih kuat. Karakteristik ini memungkinkan analis untuk
menginterpretasikan baik arah maupun kekuatan hubungan.

Jika kita menggunakan ukuran nominal asosiasi dengan data ini (seperti
Cramer's V ), nilai statistik yang dihitung akan positif karena urutan tidak ada dalam
data nominal. Tetapi menggunakan ukuran asosiasi ordinal mengungkapkan sifat
sebenarnya dari hubungan tersebut. Dalam contoh ini, semua koefisien memiliki
tanda negatif; oleh karena itu, tingkat kebugaran yang lebih rendah dikaitkan dengan
tingkat manajemen yang lebih tinggi.

Informasi dalam pameran telah diatur sehingga jumlah pasangan

pengamatan individu yang konkordan dan sumbang dapat dihitung. Ketika subjek
yang berperingkat lebih tinggi pada satu variabel juga berperingkat lebih tinggi pada
variabel lain, pasangan pengamatan dikatakan konkordan. Jika peringkat yang lebih
tinggi pada satu variabel disertai dengan peringkat yang lebih rendah pada variabel
lain, maka pasangan observasi adalah sumbang. Misalkan P mewakili pasangan
yang konkordan dan Q untuk pasangan yang sumbang. Ketika pasangan konkordan
melebihi pasangan sumbang dalam hubungan P2Q, statistik melaporkan hubungan
positif antara variabel yang diteliti. Saat pasangan sumbang meningkat dari
pasangan konkordan, asosiasi menjadi negatif

Gamma (g) Goodman dan Kruskal adalah statistik yang membandingkan

pasangan konkordan dan sumbang dan kemudian menstandarkan hasilnya dengan
memaksimalkan nilai penyebut. Ini memiliki interpretasi pengurangan kesalahan
proporsional (PRE) yang terhubung dengan baik dengan apa yang sudah kita
ketahui tentang ukuran nominal PRA. Gamma didefinisikan
sebagai
 Untuk data kebugaran, kami menyimpulkan bahwa saat tingkat manajemen
meningkat, kebugaran menurun. Ini segera terlihat dari jumlah pasangan sumbang
yang lebih banyak. Penjelasan yang lebih tepat untuk gamma mengambil nilai
absolutnya (mengabaikan tandanya) dan menghubungkannya dengan PRE. Secara
hipotetis, jika seseorang mencoba untuk memprediksi apakah pasangan itu sesuai
atau tidak, dia mungkin akan melempar koin dan mengklasifikasikan hasilnya.

Cara yang lebih baik adalah membuat prediksi berdasarkan lebih banyak
konkordansi atau ketidaksesuaian; nilai absolut gamma adalah pengurangan
proporsional dalam kesalahan ketika prediksi dilakukan dengan cara kedua. Tau c (t
c ) Kendall adalah penyesuaian lain untuk hubungan dasar P 2 Q gamma.
Pendekatan asosiasi ordinal ini cocok untuk tabel dengan ukuran berapa pun.
Meskipun kita mengilustrasikan tau c, kita akan memilih tau b karena tabel klasifikasi
silang untuk data kecocokan adalah persegi. Penyesuaian untuk bentuk tabel terlihat
pada rumus

di mana m adalah jumlah baris atau kolom yang lebih kecil. Somers's d
melengkapi cakupan statistik kami dengan menggunakan konsep pasangan
sumbang yang sesuai. Utilitas statistik ini berasal dari kemampuannya untuk
mengkompensasi peringkat terikat dan menyesuaikan arah variabel dependen.
Seperti sebelumnya, koefisien simetris (persamaan 1) memperhitungkan variabel
baris dan kolom secara seimbang. Perhitungan kedua dan ketiga menunjukkan
kebugaran sebagai tingkat dependen dan manajemen sebagai dependen, masing-
masing.

Korelasi rho (r) Spearman adalah ukuran ordinal lainnya. Seiring dengan tau
Kendall, ini sering digunakan dengan data ordinal. Rho mengkorelasikan peringkat
antara dua variabel terurut. Kadang-kadang, peneliti menemukan variabel kontinu
dengan terlalu banyak kelainan untuk dikoreksi. Kemudian skor dapat dikurangi
menjadi peringkat dan dihitung dengan rho Spearman. Sebagai bentuk khusus dari
korelasi product moment Pearson, kekuatan rho lebih besar daripada
kelemahannya.

Pertama, ketika data ditransformasikan dengan log atau kuadrat, rho tetap
tidak terpengaruh. Kedua, outlier atau skor ekstrim yang merepotkan sebelum
dilakukan pemeringkatan tidak lagi menjadi ancaman karena jumlah terbesar dalam
distribusi sama dengan ukuran sampel. Ketiga, ini adalah statistik yang mudah untuk
dihitung. Kekurangan utama adalah kepekaannya terhadap peringkat terikat. Ikatan
mendistorsi ukuran koefisien. Namun, jarang ada terlalu banyak ikatan untuk
membenarkan formula koreksi yang tersedia. Untuk mengilustrasikan penggunaan
rho, pertimbangkan situasi di mana KDL, sebuah perusahaan media, merekrut
peserta pelatihan eksekutif akun. Asumsikan lapangan telah dipersempit menjadi 10
pelamar untuk evaluasi akhir.