Apa artinya menganalisa data?

Apa pun yang Anda lakukan dalam penilaian kebutuhan, evaluasi proses, atau evaluasi hasil, setelah
Anda mengumpulkan semua informasi yang ingin Anda kumpulkan, langkah selanjutnya adalah
memeriksanya. Fase proses evaluasi ini tidak berbeda dengan pengalaman seorang pelantolog. Siapa
yang berjalan di sepanjang dasar sungai yang kering dan mendeteksi potongan kecil yang berbentuk
aneh. Ketika pasir lepas disikat, semakin banyak benda yang dilepaskan sampai tidak lagi menjadi
fragmen kecil dari fosil, tetapi tulang femur terpolarisasi dari dinosaurus. Sedikit lebih banyak
penggalian dan potongan lain ditemukan dan kemudian yang lain, sampai seluruh kerangka ditemukan.

Apa yang dicari oleh para evaluator sangat mirip-kita ingin dapat mengumpulkan sedikit data ke dalam
struktur logis, suatu pola yang berarti yang memberi kita wawasan tentang cara kerja suatu program
yang sebelumnya mungkin tidak pernah terpapar tanpa pengawasan ilmiah. Sama seperti paleontolog
biasanya tidak menemukan kerangka lengkap, evaluator harus sering puas dengan data yang tidak
lengkap. Kadang-kadang kita harus mengambil bit pengganti dan bahkan tengntial data dan membangun
informasi dari mereka.

Tujuan dari analisis data adalah untuk menjawab pertanyaan-pertanyaan yang menjadi katalis untuk
penyelidikan. Jika ada hipotesa yang harus dicicipi, analisis data menginformasikan apakah hipotesa
didukung oleh data. Kami memadatkan informasi (terkadang sejumlah besar data) berharap bahwa pola,
tren, atau hubungan yang bermakna akan mengecil.

Apakah Anda akan melaporkan pada penilaian kebutuhan atau evaluasi program, sangat mungkin
bahwa beberapa titik Anda akan perlu menggunakan satu atau lebih prosedur statitical. Kadang-kadang,
misalnya, Anda akan ingin untuk menyimpulkan bahwa ada perbedaan yang signifikan secara statistik
antara pra dan pasca tes atau antara kelompok kontrol dan intervensi. Jika perbedaan antara kelompok
sangat berbeda (katakanlah 45 persen dari mereka dalam kelompok kontrol berhasil dibandingkan
dengan 83 persen dari mereka dalam kelompok intervensi) dimungkinkan untuk menyimpulkan bahwa
intervensi adalah keberhasilan yang tidak memenuhi syarat, dan mungkin tidak ada yang akan tantang
itu. Namun, bagaimana jika kelompok intervasi hanya memiliki 20 peserta dan kelompok kontrol
didasarkan pada skor dari 200 individu yang berbeda? Apakah Anda masih merasa aman untuk
menyimpulkan bahwa intervensi tersebut merupakan keberhasilan yang tidak memenuhi syarat? Dalam
menghitung tingkat probabilitas, prosedur statiskal memperhitungkan jumlah individu dan variasi dalam
skor mereka. Sebagian besar evaluator tidak dapat menentukan apakah perbedaan yang diamati antara
kelompok signifikan secara statistik dengan observasi visual dan perhitungan mental saja.

Argumen untuk menggunakan prosedur statistik dalam menganalisis data adalah bahwa data yang
digabungkan dengan desain penelitian yang sesuai dapat memberikan bukti objektif bahwa program itu
atau tidak berhasil- informasi tidak bergantung pada keinginan atau penilaian evaluator. Menghindari
penggunaan prosedur statistik ketika dibutuhkan tidak hanya amatir tetapi juga menyarankan
ketidakmampuan. Prosedur statistik memberikan kredibilitas dan profesionalisme pada laporan akhir
Anda. Bahkan berpikir audian Anda mungkin tidak mengerti apa itu t-test atau bagaimana menghitung
chi-square, penggunaan prosedur statistik ini membantu untuk menentukan apakah perbedaan itu
"nyata"

Data analysus dan komputer

Hampir semua analisis data hari ini dilakukan di komputer. Hampir tidak ada yang menggunakan
kalkulator dan mengikuti rumus seperti resep rahasia untuk menghitung statistik yang menarik.
Sebagian besar perangkat lunak yang digunakan prosedur statistik telah menjadi benar-benar user
friendly; dan karena begitu banyak menu didorong, bahkan pengguna pemula tidak menemukan bahwa
itu banyak masalah paresen. Universitas biasanya memiliki berbagai macam program perangkat lunak
statistik yang tersedia bagi mahasiswa dan fakultas. Anda mungkin menemukan, bagaimanapun, bahwa
profesor individu mungkin memiliki preferensi khusus untuk satu, seperti paket statistik untuk ilmu
sosial (SPSS), di atas yang lain, seperti sistem analisis statistik (SAS). Versi siswa dari program ini sering
tersedia di toko buku universitas. Program spreadsheet microsoft excel juga dapat menghasilkan
berbagai macam statistik yang berguna dan sering kali diinstal pada sebagian besar komputer pribadi
dan laptop.

Bahkan jika agensi Anda tidak mampu membeli program perangkat lunak statistik untuk evaluasi
program, bantuan tersedia di internet. Profesor john paezullo di universitas Georgetown telah
membangun dan memelihara halaman web lebih dari 600 tautan dan 380 halaman penghitungan
(interaktif) sattistical yang memungkinkan Anda untuk melakukan sejumlah besar prosedur statistik
tanpa membeli perangkat lunak. Beberapa tautan adalah tutorial dan demonstrasi instruksional dan
sekarang. Guaida lain dan membantu Anda untuk memilih uji statistik yang tepat mengingat tingkat
pengukuran variabel Anda. Masih oyhers memungkinkan Anda untuk membuat grafik data Anda dan
menghitung limpahan kaya statistik - tidak hanya yang dibahas dalam bab ini tetapi juga yang diajarkan
kepada siswa dalam kelas statistik menengah dan muka.

Sebelum membeli program perangkat lunak statistik, Anda mungkin ingin setidaknya menelusuri situs
web yang tercantum dalam kotak 13.1

Analisis multivariat

Analisis multivariate data biasanya mengacu pada penggunaan prosedur seperti analisis varians
multivariat, regresi berganda, dan subyek analisis diskriminan yang diajarkan dalam kursus statistik
tingkat menengah. Namun, kita bisa mulai memahami kegunaan dari perspektif multivariat dengan
menggabungkan tabel yang kita periksa tiga variabel sekaligus.

Asumsikan bahwa Anda telah melakukan evaluasi dan mempresentasikan temuan kepada direktur
eksekutif Anda. Pada titik ini, muncul pertanyaan lain, mungkin karena klien merasa puas dengan
layanan di salah satu dari tiga kantor satelit biro iklan tersebut. Direktur eksekutif mencurigai adanya
masalah dengan salah satu kantor, karena keluhan cenderung datang terutama dari wilayah geografis
itu dan jarang dari dua lokasi lainnya. Dia meminta Anda untuk melihat tingkat keberhasilan untuk klien
pria dan wanita untuk masing-masing agensi; tiga lokasi. Tabel 13.6 memberikan ilustrasi tabel chi-
kuadrat yang menyajikan tiga variabel gender, wilayah geografis dan hasil pada satu waktu.

Seperti yang ditunjukkan pada tabel 13.6,87 persen laki-laki yang menerima intervensi di area 1
memiliki hasil yang sukses, tingkat terbaik untuk seks di salah satu dari tiga wilayah tersebut. Laki-laki
bernasib paling miskin di area 3, di mana hanya 41 persen yang berhasil. Wanita melakukan hampir
sama baiknya di area 1 dan 2 dan, seperti laki-laki, melakukan yang termiskin di area 3. Secara
keseluruhan, 60 persen klien mele mengalami hasil yang sukses dibandingkan dengan 65 persen dari
wanita. Tidak hanya evaluator menemukan beberapa lokasi yang tampaknya lebih berhasil dengan
laki-laki daripada perempuan, jelas juga bahwa tiga klien yang lebih sedikit yang berhasil diproduksi di
kantor 3 daerah daripada di dua lokasi lainnya. Area 1 dan 2 berhasil dengan mayoritas klien mereka,
tetapi 3 area tidak.

Evaluator dan peneliti harus waspada dalam pencarian mereka untuk variabel asing (variabel yang
mungkin diabaikan dan tidak termasuk dalam studi atau evaluasi tetapi yang mempengaruhi temuan)
tabel13.6 menunjukkan bagaimana evaluator hanya menyimpulkan dengan variabel dependen tingkat
keberhasilan program secara keseluruhan bisa kehilangan kesempatan untuk memberikan informasi
tambahan dan berharga kepada direktur program. Dengan mengendalikan variabel lokasi dan jenis
kelamin, evaluator memberikan program dengan pemahaman yang lebih baik tentang bagaimana dan di
mana program tersebut berhasil. Untuk lebih meningkatkan tingkat keberhasilan lembaga, direktur
perlu fokus pada peningkatan jumlah keberhasilan di bidang 3. Dengan mengantisipasi keberhasilan
yang mungkin berbeda berdasarkan lokasi dan jenis kelamin klien, evaluator telah meningkatkan
kegunaan laporan evaluasi . Berbekal informasi, direktur program mungkin ingin menguji hipotesis atau
negara tentang mengapa laki-laki memiliki lebih sedikit keberhasilan daripada perempuan atau
mengapa tingkat keberhasilan sangat rendah di area 3 (misalnya, moral yang buruk, pengawasan yang
tidak memadai, staf yang membutuhkan pelatihan)

Evaluator dapat mengantisipasi variabel asing dengan mengingat bahwa keberhasilan dengan klien
jarang didistribusikan secara merata di semua klien. Penilai perlu berspekulasi tentang karakteristik klien
yang akan cenderung menunjukkan paling sedikit dan paling maju. Program mungkin sangat efektif
tergantung pada pendidikan klien, sumber daya keuangan dan sosial, dan sebagainya. Selain
karakteristik klien, evaluator harus mempertimbangkan setiap faktor yang relevan yang dapat
berinteraksi dengan intervensi atau memiliki pengaruh terhadapnya. Dengan mengidentifikasi variabel-
variabel ini dan mengumpulkan informasi tentang mereka, evaluator dapat memahami sejauh mana
pengaruh mereka dan menghasilkan laporan evaluatin yang berisi analisis nyata.

Harap dicatat bahwa bahkan contoh ini menggunakan tiga variabel adalah dasar. Seperti yang
disarankan dalam paragraf pembukaan bagian ini, ada berbagai macam prosedur statistik yang canggih
yang dapat dipilih oleh para evaluator.
Mitos tentang signifikansi statistik

Sebagai aturan umum, sebagian besar peneliti atau evaluator akan senang menemukan perbedaan
"signifikan secara statistik" ketika mereka mendorong data mentah yang telah mereka kumpulkan
selama berbulan-bulan melalui program perangkat lunak statistik mereka. Kami telah berusaha keras
untuk menjelaskan tingkat pengukuran dan prosedur statistik yang terkait sehingga Anda akan dapat
mendeteksi perbedaan yang signifikan secara statistik antara atau di antara kelompok-kelompok dalam
penelitian Anda. Namun, dalam pencarian untuk menemukan p <0,5, kita harus ingat bahwa perbedaan
kecil mungkin signifikan secara statistik, tetapi tidak signifikan secara klinis.

Sebagai contoh, bayangkan sekelompok 30 klien yang menderita masalah cemas. Mereka diberikan
skala kecemasan klinis sebelum dimulainya intervensi dan kemudian lagi setelah 6 minggu. Uji t sampel
berpasangan (karena masing-masing pretest individu dibandingkan dengan posttestnya)

 Hasil dalam data yang ditunjukkan pada tabel 13.7

Skala kecemasan klinis dirancang sehingga skor 30 adalah pemotongan klinis (indikasi masalah). Dari
tabel 13.7 kita dapat mengamati bahwa pada pretest kelompok secara keseluruhan menunjukkan
tingkat kecemasan yang tinggi jauh di atas pada skor pemotongan. Dan kita dapat melihat bahwa
beberapa waktu kemudian, ada penurunan kecemasan yang signifikan secara statistik. Sayangnya, data
menunjukkan bahwa sementara beberapa klien mungkin telah menunjukkan perbaikan besar, kelompok
secara keseluruhan masih mengalami tingkat pelayanan yang cemas pada titik posttest. Secara klinis, jika
seseorang mengamati sampel klien ini dalam program pengobatan formal, mereka akan memiliki banyak
gejala dan masalah yang sama yang mereka miliki pada pretest secara partikular, tidak ada peningkatan
yang berarti.

Jadi, meskipun evaluator harus mencari signifikansi statistik sebagai sarana untuk menentukan kapan
suatu program efektif, mereka juga harus menanyakan pertanyaan penting mengenai hasil: apakah klien
lebih baik karena intervensi? Signifikansi statistik dipengaruhi oleh ukuran sampe. Perbedaan sepele
dalam kelompok kecil dapat menjadi signifikan secara statistik jika ukuran sampel meningkat secara
memadai. Ketika kami bekerja dengan sampel yang sangat besar, ada beberapa risiko bahwa kami dapat
menemukan hubungan yang signifikan secara statistik yang tidak penting dalam hal apakah perubahan
nyata telah terjadi.

Ada beberapa cara untuk mengatasi masalah ini. Salah satu pendekatan adalah untuk menghitung
indeks perubahan yang dapat diandalkan, yang mengurangi skor pretest klien dari skor posttest mereka
dan membagi nilai itu dengan kesalahan standart dari perbedaan antara dua nilai tes. Indeks chnge yang
dapat diandalkan yang lebih besar dari 1,96 kemungkinan tidak akan terjadi (p <05) tanpa perubahan
yang sebenarnya terjadi

Untuk menghitung kriteria ini untuk perbaikan, Anda perlu standar deviasi dari kelompok kontrol dan
kelompok eksperimen pretreatment, tes - keandalan tes ulang instrumen, skor pretest individu (x1) dan
posttest (x2) dan formula ini (Jacobson & truax)
Metode lain untuk menimbang pentingnya temuan signifikan secara statistik adalah untuk memeriksa
jumlah atau penyatuan varians dalam variabel dependen yang dijelaskan oleh satu atau lebih variabel
independen. Mobil nilai ini. Kemudian digunakan untuk membuat penilaian tentang perbaikan atau
perubahan substantif. Dengan t-test, proporsi varians (PVE) dijelaskan dapat dihitung dengan rumus
berikut:

Dengan menggunakan data yang disediakan dalam tabel 13,8, ambil t-nilai -2,64, squre itu (-2,64 ^ 2 =
6,97), bagi dengan 32,22 (6,97 + 25,25), dan berakhir dengan 22 ini. Nilai paling banyak, paling banyak,
22 persen dari varians dalam skor CAS dapat dipertanggungjawabkan oleh intervensi. Intervensi ini
mungkin menyebabkan kurang, tetapi kemungkinan besar tidak akan bertanggung jawab untuk lebih
dari 22 persen. Dengan studi yang tidak dapat Anda kendalikan dengan sempurna, Anda biasanya tidak
dapat mengklaim bahwa intervensi menyebabkan perubahan, tetapi dengan menggunakan statistik PVE,
Anda dapat menghitung pengaruh maksimum yang mungkin dari intervensi jika bertanggung jawab atas
perubahan yang diamati.

Rumus serupa untuk menghitung proporsi varian dijelaskan untuk chi-square dan statistik uji F (lihat
Rubin & Conway). Statistik ini setara dengan Eta kuadrat, korelasi Pearson kuadrat, koefisien Phi persegi,
atau kuadrat koefisien korelasi kuadrat dalam hal menilai peningkatan karena intervensi.

Memahami tren

Asumsikan bahwa Anda mengevaluasi program intervensi komunitas untuk orang-orang yang telah
ditangkap pertama kali untuk mengemudi saat berada di bawah pengaruh (DUI). Setelah beberapa
pertimbangan, Anda memutuskan bahwa ukuran terbaik dari efektivitas y = intervensi adalah jumlah
orang yang ditahan kembali untuk DUI. Dengan demikian, Anda mulai mengumpulkan data Anda.
Sebuah pola terungkap saat Anda mengekpresikan data selama periode 5 tahun.

Pada tabel 13.9, kami mengamati bahwa sementara jumlah DUI tetap kurang lebih sama atas data
periode 5 tahun, nampaknya intervensi kurang efektif dari waktu ke waktu. Namun, sejumlah
penjelasan alternatif dimungkinkan. Pertama, polisi mungkin menambah staf atau berusaha lebih
keras untuk menangkap pengemudi mabuk. Kedua, karena lebih banyak pengemudi memiliki telepon
seluler, adalah mungkin bahwa lebih banyak warga yang memanggil polisi ketika mereka melihat
pengemudi yang mabuk - sehingga menyebabkan lebih banyak pengemudi yang ditangkap ditangkap.
Ketiga, hakim dan hakim mungkin kurang cenderung menolak tuduhan DUI. Tanpa kelompok kontrol,
sulit untuk memahami peningkatan jumlah orang yang ditahan ulang setiap tahun untuk DUI.

Tambahkan grup kontrol ke contoh. Dengan memeriksa DUI dan rearret di komunitas berukuran serupa
lainnya, kita mungkin bisa lebih memahami tren di komunitas kita sendiri.

Meskipun sangat mungkin bahwa proporsi DU yang lebih besar di masyarakat sedang ditahan kembali
daripada ketika program pertama kali dimulai, data dari komunitas B mencerminkan pola yang sama
dari persentase lebih besar dari driver DUI yang sedang ditahan kembali. Kesimpulan bahwa program
menjadi kurang efektif dari waktu ke waktu tampaknya tidak dapat diraih. Untuk memahami mengapa
rearrest meningkat, evaluator dapat melihat apakah jumlah mobil polisi atau ponsel meningkat selama
periode 5 tahun atau menentukan apakah ada perubahan dalam proses hukum (seperti menurunkan
tingkat alkohol darah ilegal dari. 10 ke .80) yang akan mempengaruhi jumlah penangkapan Dui.

Dalam mencoba memahami tren, Anda juga harus waspada terhadap tren atau variasi musiman. Kami
pernah memeriksa produktivitas staf profesional di pusat kesehatan mental masyarakat setelah
pemasangan sistem pelaporan baru. Kami menemukan bahwa jumlah konseling klien menunjukkan
perbaikan yang dramatis hampir segera setelah sistem baru dimulai pada bulan Agustus dan terus
meningkat, kecuali selama bulan Desember ketika sejumlah klien menepati janji karena cuaca buruk
dan hari libur cristmas. Setelah Desember, produktivitas staf terus meningkat hingga jatuh di bulan
Mei.

Ketika Anda melihat data 12 bulan ini (lihat gambar 13.10), apakah Anda yakin bahwa peningkatan
produktivitas adalah karena sistem pelaporan baru? Atau dapatkah angka 13.10 hanya menunjukkan
pola musiman aktivitas bunga pada bulan-bulan musim panas karena staf mengambil liburan dan lebih
sedikit rujukan yang diterima dari sekolah? Tanpa data tambahan dari tahun-tahun sebelumnya, sulit
untuk diketahui.

Jika kita berpikir tentang periode waktu yang diperlukan untuk mengamati intervensi atau perubahan
program sebagai "jendela", jendela besar, semakin baik kesempatan kita untuk secara akurat
memahami efek dari intervensi atau perubahan program, hampir selalu lebih baik untuk lihat melalui
jendela besar (lihat lebih banyak data) daripada mencoba menilai tren potensial dengan melihat melalui
jendela yang terlalu kecil. Kami menjalankan risiko secara salah menyimpulkan bahwa kami memahami
fenomena atau tren setiap kali kami melihat terlalu sedikit. Sebagai contoh, data dalam tabel 13.11
diperoleh dari delapan agensi Big Brother / Big Sister yang berbeda pada persentase orang-orang yang
diikuti melalui sebuah aplikasi setelah awalnya membuat pertanyaan jika tentang prosesnya. Apa yang
mungkin Anda simpulkan jika sampel Anda hanya menyertakan data dari agensi D? kesimpulan apa yang
mungkin Anda peroleh hanya menggunakan formulir data agen H?

Menggunakan statistik dalam laporan

Sama seperti mungkin untuk gagal menggunakan statistik ketika dibutuhkan, juga memungkinkan untuk
membanjiri pembaca laporan evaluasi Anda dengan terlalu banyak data terlalu banyak tabel dan
mengutip hasil uji statistik yang terlalu banyak. Sangat penting bahwa Anda mempertimbangkan audiens
yang membaca laporan evaluasi Anda. Anda tidak boleh menulis di atas kepala mereka dan menyajikan
informasi statistik yang mungkin tidak mereka pahami dengan beberapa audiens, Anda mungkin ingin
mencatat bahwa perbedaan yang signifikan secara statistik ditemukan dan tidak melaporkan nilai t atau
x2 yang sebenarnya. Biasanya tidak perlu menunjukkan banyak rumus yang digunakan dalam
perhitungan statistik. Hadir informasi yang penting untuk memahami temuan utama tidak semuanya
terkandung dalam printout komputer.
Evaluator dapat membawa semua informasi yang tersedia bagi mereka. Kami melihat contoh yang bagus
tentang hal ini ketika seorang siswa menyiapkan karakteristik responden tabel untuk sebuah penelitian
yang telah dia selesaikan. Untuk memilih hanya satu variabel, tercermin dalam tabel 13.12. sebaliknya,
ia tidak perlu mempersulit hal-hal dengan menyajikan semua informasi yang diperoleh dari hasil cetak
komputer. Dia termasuk informasi seperti deviasi standar (.911), kortosis (-.4939), skweness (.518),
varians (.830), median (2.0), mean (2.33), standard eror (.124), dan seterusnya. Informasi semacam itu
sangat tidak masuk akal ketika kita berbicara tentang variabel status perkawinan. (statistik ini akan jauh
lebih masuk akal ketika variabel bukan kategori tidak jelas tetapi sebaliknya adalah data tingkat interval
seperti skor tes)

Kadang-kadang Anda akan ingin memberikan informasi seperti penyimpangan standar atau kecocokan
kepada Anda pembaca, tetapi kebanyakan awam tidak akan mudah mencerna informasi teknis. Salah
satu cara untuk menilai seberapa banyak detail statistik untuk diberikan kepada audiens Anda adalah
dengan meminta teman atau rekan kerja untuk membaca draf kasar Anda dan memberikan pendapat
mereka. Jika Anda menulis untuk akademisi atau untuk jurnal profesional, lihatlah informasi apa yang
cenderung disajikan dalam laporan penelitian yang dimuat di jurnal yang paling banyak Anda baca
tentang menyerahkannya.

Mengingat evaluasi yang diterapkan penelitian, evaluator harus mengingat aspek pramagtic dari
temuan. Bahkan beberapa temuan yang tidak signifikan secara statistik mungkin penting untuk
dilaporkan terutama yang menghasilkan rekomendasi atau saran untuk manangement. Salah satu cara
untuk menampilkan data sehingga audian dapat dengan mudah mencernanya adalah dengan grafik
seperti grafik batang dan diagram lingkaran. Program perangkat lunak statistik dapat menghasilkan
berbagai grafik dan grafik. (13.11) bahkan tanpa komputer, Anda masih dapat merancang bagan yang
akan membantu Anda mengilustrasikan data numerik.

Bahkan komputer berpikiran lunak dapat menghasilkan grafik dan grapsh dengan tampilan tiga dimensi
seperti contoh pada gambar 13.12, ini tidak dianjurkan ketika efek tiga dimensi lebih sulit untuk
menentukan dengan jelas penyadapan

Ketik I dan tipe ii kesalahan

Meskipun lebih umum bagi siswa evaluasi untuk gagal menggunakan prosedur statistik ketika mereka
dibutuhkan daripada terlalu sering menggunakan mereka, pembaca dihitung untuk menghitung
sejumlah besar korelasi atau tes statistik lainnya hanya untuk berburu "signifikan secara statistik"
temuan. Jika uji statistik cukup dihitung, beberapa perbedaan yang signifikan secara statistik akan
dihasilkan.

Misalkan Anda memiliki satu variabel dependen. Dan Anda tanpa pandang bulu mengkorelasikan 40
variabel sosiodemografi sparate dengan variabel dependet ini. Anda dapat mengharapkan pendekatan
"senapan" ini akan menghasilkan dua temuan yang signifikan secara statistik ketika signifikan ditentukan
pada level 0,05. Meskipun temuan-temuan "penting" ini mungkin tidak terkait dengan hipotesis awal
atau pertanyaan penelitian, terkadang sulit untuk menjaga ini dalam perspektif ketika tes bivariat
muncul sesuatu yang signifikan secara statistik. Dalam kegembiraan Anda menemukan sesuatu yang
signifikan, Anda mungkin lupa bahwa kejadian itu bisa menjadi kebetulan. Masalah dengan melakukan
banyak tes bivariat, tetapi temuan seperti itu kemungkinan akan dilepaskan lebih banyak ke peluang
daripada ke hal lain. Hindari masalah ini dengan tidak menghitung korelasi pada semua kemungkinan
kombinasi variabel hanya untuk menemukan sesuatu prosedur statistik untuk menggabungkan semua
variabel secara bersamaan. Namun, bahkan metode ini tidak menjamin bahwa semua temuan peluang
akan dihilangkan.

Menemukan perbedaan signifikan secara kebetulan adalah kesalahan tipe I. Kesalahan Tipe I
menuntun Anda untuk menyimpulkan bahwa ada hubungan antara dua variabel ketika tidak ada
hubungan nyata hanya sebagai kebetulan statistik. Secara tipikal kita mengurangi probabilitas membuat
tipe I erroe dengan menurunkan tingkat signifikansi. Ketika sangat penting untuk menghindari
pembuatan tipe eror, tingkat signifikan tradisional dari 0,05 dapat diturunkan menjadi 0,01 atau kurang.
Namun, dengan menurunkan risiko kesalahan atype I, kemungkinan membuat kesalahan tipe ii
meningkat. Dalam kesalahan tipe ii, hipotesis nul diterima ketika, pada kenyataannya, ada hubungan
antara dua variabel.

Dalam mengevaluasi program dan penelitian praktek, kesalahan tipe II kurang bermasalah daripada tipe
I karena tipe II eror mengklaim bahwa tidak ada perbedaan antara dua kelompok ketika pada
kenyataannya perbedaan yang dapat diandalkan tidak ada. Kesalahan tipe I lebih bermasalah karena
klaim pengobatan yang efektif ketika dalam realiyu pengaruh intervensi dapat diabaikan. Meskipun
ilmuwan sosial tampaknya lebih peduli dengan risiko membuat kesalahan tipe I daripada kesalahan tipe
II, adalah mungkin untuk memperkirakan risiko melakukan kesalahan tipe II ketika menggunakan tes
statistik yang berbeda. Mengetahui bahwa beberapa kejadian signifikansi statistik akan ditemukan
ketika temuan ini memiliki sedikit nilai atau makna membuatnya lebih mudah bagi evaluator untuk
mencurinya dan fokus pada temuan utama.