Summary MPB - Chapter 18 - KEL SDM 2
Summary MPB - Chapter 18 - KEL SDM 2
Summary
Tugas Disusun Guna untuk Memenuhi Nilai Tugas Mata Kuliah Metode Penelitian
Bisnis
Kelompok SDM 2 :
2021
Chapter 18 : Langkah-langkah Asosiasi
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.
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
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.
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.
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.
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.
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.
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.
Model Dasar
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
Residu
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:
Tes F
Koefisien Determinasi
• Gama.
• Tau b dan tau c Kendall .
• Somers d .
• rho Spearman.
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.
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.