TUGAS RMK (RANGKUMAN MATERI KULIAH) PEMIKIRAN DAN

METODOLOGI NON POSITIVIS

“Satistik”

OLEH:

KARTYANINGSIH BELA A062202007

PROGRAM STUDI MAGISTER AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS

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:

1. Nyatakan hipotesis nol dan hipotesis alternatif.

2. Tentukan tingkat signifikansi yang diinginkan (P 0,05, atau lebih, atau
kurang).
3. Pilih uji statistik yang sesuai tergantung pada jenis skala yang telah
digunakan (nominal, ordinal, interval, atau rasio).
4. Lihat apakah hasil keluaran dari analisis komputer menunjukkan bahwa
tingkat signifikansi terpenuhi. Ketika nilai yang dihasilkan lebih besar dari
nilai kritis, hipotesis nol ditolak, dan alternatif diterima. Jika nilai yang
dihitung lebih kecil dari nilai kritis, hipotesis nol diterima dan hipotesis
alternatif ditolak.

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.

KESALAHAN TIPE I, KESALAHAN TIPE II, DAN KEKUATAN STATISTIK

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:

1. Alpha (α): kriteria signifikansi statistik yang digunakan dalam pengujian.

Jika alpha bergerak mendekati nol (misalnya, jika alpha bergerak dari
5% ke 1%), maka kemungkinan menemukan efek ketika ada efek
berkurang. Ini menyiratkan bahwa semakin rendah (yaitu, semakin dekat
bergerak ke nol) semakin rendah daya; semakin tinggi alpha, semakin
tinggi kekuatannya.
2. Ukuran efek: ukuran efek adalah ukuran perbedaan atau kekuatan
hubungan dalam populasi: perbedaan besar (atau hubungan yang kuat)
dalam populasi lebih mungkin ditemukan daripada perbedaan kecil
(kesamaan, hubungan).
3. Ukuran sampel: pada tingkat alfa tertentu, peningkatan ukuran sampel
menghasilkan lebih banyak kekuatan, karena peningkatan ukuran
sampel menghasilkan estimasi parameter yang lebih akurat. Dengan
demikian, peningkatan ukuran sampel mengarah pada kemungkinan
yang lebih tinggi untuk menemukan apa yang kita cari. Namun,
meningkatkan ukuran sampel juga dapat menyebabkan terlalu banyak
daya, karena efek yang sangat kecil pun akan dianggap signifikan
secara statistik.

MEMILIH TEKNIK STATISTIK YANG TEPAT

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.

Menguji hipotesis tentang mean tunggal

Satu sampel T-tes digunakan untuk menguji hipotesis bahwa rata-rata dari
populasi dari mana sampel diambil sama dengan standar pembanding.

Menguji hipotesis tentang dua cara terkait

Tes peringkat bertanda Wilcoxon adalah tes nonparametrik untuk memeriksa

perbedaan yang signifikan antara dua sampel terkait atau pengukuran berulang
pada sampel tunggal. Ini digunakan sebagai alternatif untuk sampel
berpasanganT‐test ketika populasi tidak dapat diasumsikan berdistribusi
normal. Tes McNemar adalah metode nonparametrik yang digunakan pada
data nominal. Ini menilai signifikansi perbedaan antara dua sampel dependen
ketika variabel yang diminati adalah dikotomis. Hal ini digunakan terutama
dalam studi beforeafter untuk menguji efek eksperimental.

Menguji hipotesis tentang dua cara yang tidak terkait

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

Sedangkan (sampel independen) T-uji menunjukkan ada tidaknya perbedaan

rata-rata yang signifikan dalam variabel dependen antara dua kelompok,
analisis varians (ANOVA) membantu untuk menguji perbedaan rata-rata yang
signifikan di antara lebih dari dua kelompok pada variabel terikat interval atau
skala rasio.

Analisis regresi

Analisis regresi sederhana digunakan dalam situasi di mana satu variabel

independen dihipotesiskan mempengaruhi satu variabel dependen. Misalnya,
asumsikan bahwa kami mengusulkan bahwa kecenderungan untuk membeli
suatu produk hanya bergantung pada kualitas yang dirasakan dari produk itu.1
Dalam hal ini kita harus mengumpulkan informasi tentang kualitas yang
dirasakan dan kecenderungan untuk membeli suatu produk. Kami kemudian
dapat memplot data untuk mendapatkan beberapa ide awal tentang hubungan
antara variabel-variabel ini.

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

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).

Regresi dengan variabel dummy

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

Multikolinearitas adalah fenomena statistik yang sering ditemui di mana dua

atau lebih variabel independen dalam model regresi berganda sangat
berkorelasi. Dalam kasus yang paling parah (jika korelasi antara dua variabel
independen sama dengan 1 atau 1) multikolinearitas membuat estimasi
koefisien regresi menjadi tidak mungkin. Dalam semua kasus lain itu membuat
perkiraan koefisien regresi tidak dapat diandalkan.

Menguji moderasi menggunakan analisis regresi: efek interaksi

Sebelumnya dalam buku ini menggambarkan variabel moderasi sebagai

variabel yang memodifikasi hubungan asli antara variabel independen dan
variabel dependen. Artinya pengaruh salah satu variabel (x1) pada kamu
tergantung pada nilai variabel lain, variabel moderasi (x2). Sepertiinteraksi
termasuk sebagai produk dua variabel dalam model regresi.

Tes dan analisis multivariat lainnya

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

Regresi logistik (Kotak 15.11) juga digunakan ketika variabel dependen

nonmetrik. Namun, ketika variabel dependen hanya memiliki dua kelompok,
regresi logistik sering lebih disukai karena tidak menghadapi asumsi ketat yang
dihadapi analisis diskriminan dan karena sangat mirip dengan analisis regresi.

Analisis konjoin

Analisis konjoin adalah teknik statistik yang digunakan di banyak bidang

termasuk pemasaran, manajemen produk, dan riset operasi. Analisis conjoint
mengharuskan peserta untuk membuat serangkaian trade-off. Dalam
pemasaran, analisis konjoin digunakan untuk memahami bagaimana konsumen
mengembangkan preferensi untuk produk atau layanan. Analisis konjoin
dibangun di atas gagasan bahwa konsumen mengevaluasi nilai suatu produk
atau layanan dengan menggabungkan nilai yang disediakan oleh setiap atribut.

ANOVA dua arah

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

MANOVA mirip dengan ANOVA, dengan perbedaan bahwa ANOVA menguji

perbedaan rata-rata lebih dari dua kelompok pada satu variabel dependen,
sedangkan tes MANOVA berarti perbedaan antara kelompok di seluruh
beberapa variabel dependen secara bersamaan, dengan menggunakan jumlah
kuadrat dan matriks hasil kali silang. Sama seperti banyakT‐tes akan
membiaskan hasil (seperti yang dijelaskan sebelumnya), beberapa tes ANOVA,
menggunakan satu variabel dependen pada satu waktu, juga akan membiaskan
hasil, karena variabel dependen cenderung saling terkait. MANOVA
menghindari bias ini dengan secara simultan menguji semua variabel
dependen, meniadakan efek dari setiap interkorelasi di antara mereka.

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.