“Satistik”
OLEH:
UNIVERSITAS HASANUDDIN
MAKASSAR
2021
STATISTIK (ANALISIS DATA KUANTITATIF: UJI HIPOTESIS)
Dalam Bab ini akan dibahas langkah-langkah yang harus diikuti dalam
pengembangan dan pengujian hipotesis. Langkah-langkah ini adalah:
Dalam bab ini pula akan dibahas pengujian hipotesis. Pertama, kita akan
memperhatikan kesalahan tipe I, kesalahan tipe II, dan kekuatan statistik.
Selanjutnya akan dibahas berbagai uji statistik univariat dan bivariat yang dapat
digunakan untuk menguji hipotesis.
Ada dua jenis kesalahan (atau dua cara di mana kesimpulan bisa salah),
diklasifikasikan sebagai kesalahan tipe I dan kesalahan tipe II. Akesalahan tipe
I, juga disebut sebagai alfa (α), adalah probabilitas menolak hipotesis nol
padahal hipotesis itu benar. kesalahan tipe II, juga disebut sebagai beta (β),
adalah probabilitas gagal menolak hipotesis nol yang diberikan bahwa hipotesis
alternatif sebenarnya benar; misalnya, menyimpulkan, berdasarkan data,
bahwa burnout tidak memengaruhi niat untuk pergi, padahal kenyataannya
memang demikian. Probabilitas kesalahan tipe II berbanding terbalik dengan
probabilitas kesalahan tipe I: semakin kecil risiko salah satu jenis kesalahan ini,
semakin tinggi risiko kesalahan jenis lainnya.
Konsep penting ketiga dalam pengujian hipotesis adalah kekuatan statistik (1).
Kekuatan statistik, atau hanya kekuatan, adalah probabilitas menolak hipotesis
nol dengan benar. Dengan kata lain, kekuatan adalah probabilitas bahwa
signifikansi statistik akan ditunjukkan jika ada. Kekuatan statistik tergantung
pada:
Setelah Anda memilih tingkat signifikansi statistik yang dapat diterima untuk
menguji hipotesis Anda, langkah selanjutnya adalah memutuskan metode yang
tepat untuk menguji hipotesis. Pilihan teknik statistik yang tepat sangat
bergantung pada jumlah variabel (independen dan dependen) yang Anda
periksa dan skala pengukuran (metrik atau nonmetrik) variabel Anda. Aspek
lain yang berperan adalah apakah asumsi tes parametrik terpenuhi dan ukuran
sampel Anda.
Satu sampel T-tes digunakan untuk menguji hipotesis bahwa rata-rata dari
populasi dari mana sampel diambil sama dengan standar pembanding.
Sampel independen T-tes dilakukan untuk melihat apakah ada perbedaan yang
signifikan rata-rata untuk dua kelompok dalam variabel kepentingan. Itu
adalahnominal variabel yang dibagi menjadi dua subkelompok (misalnya,
perokok dan bukan perokok; karyawan di departemen pemasaran dan mereka
yang di departemen akuntansi; karyawan yang lebih muda dan lebih tua) diuji
untuk melihat apakah ada perbedaan rata-rata yang signifikan antara dua
kelompok terpisah pada variabel dependen. variabel, yang diukur pada selang
atau skala rasio (misalnya, tingkat kesejahteraan; membayar; atau tingkat
pemahaman).
Menguji hipotesis tentang beberapa cara
Analisis regresi
Ide dasar dari analisis regresi berganda mirip dengan analisis regresi
sederhana. Hanya dalam kasus ini, kami menggunakan lebih dari satu variabel
independen untuk menjelaskan varians dalam variabel dependen. Analisis
regresi berganda adalah teknik multivariat yang sangat sering digunakan dalam
penelitian bisnis. Titik awal dari analisis regresi berganda adalah, tentu saja,
model konseptual (dan hipotesis yang diturunkan dari model itu) yang telah
dikembangkan oleh peneliti pada tahap awal proses penelitian.
Koefisien regresi standar (atau koefisien beta) adalah perkiraan yang dihasilkan
dari analisis regresi berganda yang dilakukan pada variabel yang telah
distandarisasi (suatu proses dimana variabel diubah menjadi variabel dengan
ratarata 0 dan standar deviasi 1). Hal ini biasanya dilakukan untuk
memungkinkan peneliti membandingkan efek relatif dari variabel independen
terhadap variabel dependen, ketika variabel independen diukur dalam unit
pengukuran yang berbeda (misalnya, pendapatan diukur dalam dolar dan
ukuran rumah tangga diukur dalam jumlah individu).
Variabel dummy adalah variabel yang memiliki dua atau lebih level yang
berbeda, yang diberi kode 0 atau 1. Variabel dummy memungkinkan kita untuk
menggunakan variabel nominal atau ordinal sebagai variabel independen untuk
menjelaskan, memahami, atau memprediksi variabel dependen.
Multikolinearitas
Analisis diskriminan
Analisis diskriminan (Kotak 15.10) membantu mengidentifikasi variabel
independen yang membedakan variabel dependen yang berskala nominal –
katakanlah, variabel yang tinggi pada variabel dari variabel yang rendah.
Kombinasi linear dari variabel bebas menunjukkan fungsi pembeda yang
menunjukkan perbedaan besar yang ada pada kedua kelompok mean. Dengan
kata lain, variabel bebas yang diukur pada skala interval atau rasio
mendiskriminasikan kelompok-kelompok yang menjadi perhatian penelitian.
Regresi logistik
Analisis konjoin
ANOVA dua arah dapat digunakan untuk menguji pengaruh dua variabel
independen nonmetrik pada variabel dependen metrik tunggal. Perhatikan
bahwa, dalam konteks ini, variabel independen sering disebut sebagai faktor
dan inilah mengapa desain yang bertujuan untuk menguji pengaruh dua
variabel independen nonmetrik pada variabel dependen metrik tunggal sering
disebut adesain faktorial. Desain faktorial sangat populer dalam ilmu-ilmu
sosial. ANOVA dua arah memungkinkan kita untuk menguji efek utama (efek
variabel independen terhadap variabel dependen) tetapi juga efek interaksi
yang ada antara variabel independen (atau faktor). Efek interaksi ada ketika
efek dari satu variabel bebas (atau satu faktor) pada variabel terikat tergantung
pada tingkat variabel bebas lainnya (faktor).
MANOVA
Korelasi kanonik
Korelasi kanonik meneliti hubungan antara dua atau lebih variabel terikat dan
beberapa variabel bebas; misalnya, korelasi antara seperangkat perilaku
pekerjaan (seperti keasyikan dalam bekerja, penyelesaian pekerjaan tepat
waktu, dan jumlah ketidakhadiran) dan pengaruhnya terhadap serangkaian
faktor kinerja (seperti kualitas kerja, keluaran, dan tingkat kinerja). menolak).
Fokus di sini adalah menggambarkan profil perilaku pekerjaan yang terkait
dengan kinerja yang menghasilkan produksi berkualitas tinggi.