Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Ukuran Asosiasi
GH Huang, Universitas Nasional Chiao Tung, Hsinchu, Taiwan

A 2010 Elsevier Ltd. Semua hak dilindungi undang-undang.

Glosarium Korelasi peringkat – Koefisien korelasi peringkat

Perjanjian - Ukuran kesepakatan bermaksud untuk
mengukur reproduktifitas variabel yang sama yang
diukur lebih dari satu kali.
Prosedur Cochran–Mantel–Haenszel – Ketika hubungan
antara dua variabel diskrit dipengaruhi oleh faktor
ketiga, kita harus melihat rasio odds dari dua variabel
dalam strata yang terpisah oleh faktor ketiga. Prosedur
Cochran-Mantel-Haenszel digunakan untuk
menggabungkan rasio odds untuk strata yang terpisah
menjadi perkiraan ringkasan keseluruhan.Variabel
kontinu – Sebuah variabel disebut variabel kontinu jika
dapat mengambil nilai apapun dalam interval tertentu.
Tidak ada celah dalam kemungkinan nilai variabel.
Variabel ordinal/nominal diskrit – Variabel diskrit dapat
mengambil nilai dari kumpulan angka diskrit. Ketika angka-
angka tersebut hanya mencerminkan urutan relatif tetapi
bukan nilai numerik tertentu, variabel diskrit disebut
variabel ordinal diskrit. Jika bilangan hanya digunakan
untuk mengidentifikasi kategori dan kategori tersebut
tidak memiliki urutan tertentu, maka variabel diskrit
disebut variabel nominal diskrit.
Statistik Kappa – Statistik Kappa digunakan untuk
mengukur derajat kesepakatan nonrandom antara dua
variabel diskrit. Di sini, kesepakatan non-acak berarti
bahwa dua variabel lebih sering setuju daripada yang
diharapkan secara kebetulan.
Kendall tau- Statistik tau Kendall adalah ukuran asosiasi
nonparametrik berdasarkan jumlah konkordansi dan
ketidaksesuaian dalam pengamatan berpasangan.
Statistik dapat diterapkan pada kasus-kasus di mana
variabel-variabelnya kontinu dan/atau ordinal diskrit.
menggunakan peringkat data, alih-alih nilai aktual yang
diamati, untuk menghitung koefisien korelasi. Hal ini
sangat berguna bila terdapat nilai ekstrim pada salah
satu atau kedua variabel, dimana koefisien korelasi
Pearson akan sangat terpengaruh.
Peneliti sering ingin mengukur kekuatan hubungan atau
asosiasi antara dua variabel. Tingkat asosiasi yang tinggi
menunjukkan bahwa perubahan dalam satu variabel
cenderung disertai dengan perubahan yang lain, dan
tingkat asosiasi yang rendah akan menunjukkan dua
variabel hampir independen satu sama lain. Ada banyak
indeks yang mencirikan hubungan antara dua variabel.
Artikel ini membagi indeks menurut jenis variabel yang
kita ukur – yaitu, apakah variabel kontinu, ordinal diskrit,
atau nominal diskrit. Dalam diskusi berikut, kami
mengasumsikan bahwa satu setn pengamatan bivariat (x
1, kamu1), . . . ,(xn, kamun) diukur, dan xSaya'pasir kamuSaya
's dapat menjadi salah satu dari tiga jenis variabel. Kami
tertarik untuk menilai hubungan antarax dan Y.
Asosiasi untuk Variabel Kontinu
Pertimbangkan dua variabel kontinu; misalnya, skor
tes matematika versus skor tes sains. Koefisien
korelasi produk-momen Pearson (Pearson, 1896;
Fisher, 1915) dapat digunakan untuk mengukur
sejauh mana dua variabel berhubungan linier, dan
dapat dihitung sebagai
Pn
ffiffiffiffiffiffiffiffiffiffiffiffiSayaffi¼ffiffi1Dx
R ¼ qffiP ffiffiffiffiffiffi - xTHD Y yNS
Pffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff
Saya

n
ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff
2 di dalam

Rasio peluang – Rasio odds adalah ukuran dasar asosiasi Saya¼1DxSaya - xNS2 Saya¼1D kamuSaya - kamuNS

dalam tabel 2x2 yang dibentuk dari variabel nominal.

di mana x- dan y- adalah contoh sarana xSaya'pasir kamuSaya's,
Rasio odds didefinisikan sebagai rasio peluang suatu
masing-masing. Nilai dariR terletak antara -1 dan +1. Jikar > 0,
peristiwa yang terjadi dalam satu kelompok dengan
maka variabel berkorelasi positif – asx meningkat (menurun),
peluang itu terjadi di kelompok lain.
begitu juga y. Jika r < 0, maka variabel berkorelasi negatif – as x
Korelasi parsial – Korelasi parsial adalah ukuran
bertambah (menurun), kamu cenderung menurun (meningkat).
yang menilai derajat hubungan antara dua
Nilai dariR mendekati nol berarti tidak ada hubungan linier antar
variabel setelah mengontrol variabel lain. Ini
variabel; kemungkinan alasannya adalah (1) kedua variabel
dapat dihitung sebagai koefisien korelasi
tersebut independen (misalnya, pengetahuan tentang skor
Pearson untuk residual dari regresi linier variabel
matematika sama sekali tidak meningkatkan prediksi skor sains),
yang tertarik pada variabel terkontrol.
atau (2) kedua variabel tersebut memiliki hubungan nonlinier.

260
 Ukuran Asosiasi 261

hubungan (misalnya, untuk siswa dengan skor matematika kurang dari
70/100, semakin tinggi skor matematika, semakin rendah skor sains;
namun, untuk siswa dengan skor matematika lebih besar dari 70/100,
semakin tinggi skor matematika, semakin tinggi sains skor).
Jika kita memiliki outlier (yaitu, nilai ekstrim) dalam satu
atau kedua variabel, koefisien korelasi Pearson akan sangat
terpengaruh. Misalnya, pertimbangkan situasi di mana
sebagian besar siswa memiliki nilai matematika dalam
kisaran 50/100 dan 90/100, tetapi ada beberapa individu
yang nilainya sangat rendah (misalnya, 5/100). Dalam hal ini,
nilai rata-rata matematika menjadi sangat kecil dan nilaiR
menjadi cukup kecil juga. Ada alternatif lain. Koefisien
korelasi peringkat Spearman (Spearman, 1904) tidak
menggunakan data yang diamati sebenarnya, tetapi
peringkat data DRx ; Rkamu NS; . 1. . ; DRmasukkan
1
koefisien
x nR; NS untuk com-
korelasi. Di Sini,Rx adalah
Saya
pangkat xSaya
di antara x1, . . . ,xn, dan Rkamu adalah
Saya
pangkat kamuSaya di antara kamu1
, . . . ,kamun. Jika ada nilai terikat (misalnya, beberapa siswa memiliki skor
yang sama), seseorang dapat menetapkan peringkat yang sama, rata-rata
peringkat yang awalnya sesuai dengan nilai-nilai ini, untuk masing-masing
nilai yang sama.
Dalam beberapa kasus, penting untuk menilai derajat
hubungan antara dua variabel setelah mengontrol variabel
lain. Para peneliti mungkin tertarik pada hubungan antara
nilai matematika dan sains SAT setelah menghilangkan
kontribusi dari usia dan jenis kelamin. Koefisien korelasi
parsial (Yule, 1897) adalah ukuran yang mencapai tujuan ini.
Misalkan kita tertarik pada hubungan antarax dan Y, tetapi
ingin mengontrol variabel lain Z1, . . . ,ZP. Koefisien korelasi
parsial didefinisikan sebagai koefisien korelasi Pearson
untuk himpunann variabel turunan berpasangan Dex ; ekamu
NS; . . . ; De ;di mana ex adalah sisa untuk1 Sayaindividu
1
dari NS,
xe
nkamu
mengamati peringkat siswa dalam tes matematika dan sains, tetapi
bukan nilai sebenarnya. Selain koefisien korelasi peringkat Spearman
yang baru saja kami jelaskan, koefisien korelasi peringkat tau Kendall
(Kendall, 1938) dapat digunakan untuk mengevaluasi hubungan
antara x dan Y. Tau Kendall adalah ukuran asosiasi nonparametrik
berdasarkan jumlah konkordansi dan ketidaksesuaian dalam
pengamatan berpasangan. Membiarkan (xSaya, kamuSaya) dan (xJ,
kamuJ) menjadi sepasang pengamatan (bivariat). JikaxJ - xSaya dan
kamuJ - kamuSaya memiliki tanda yang sama, kita katakan bahwa
pasangan tersebut konkordan; jika mereka memiliki tanda yang
berlawanan, pasangan itu sumbang. MembiarkanC menyatakan
jumlah pasangan konkordan dan D menyatakan jumlah pasangan
sumbang. Rumus untuk Kendall's tau-A adalah
C-D
kamun TA ¼
T0
di mana T0 ¼ n(n - 1)/2 adalah jumlah total pasangan
pengamatan. JikaTA > 0, dua set pengamatan lebih
cenderung sesuai daripada sumbang, dan ada
hubungan positif antara x dan Y. TA < 0 menunjukkan
hubungan negatif antara x dan Y. Jika tidak ada
pengamatan terikat, maka -1 - TA - +1. Jika ada ikatan,
|TA| akan lebih kecil dari 1.
Ketika variabel hanya memiliki beberapa kemungkinan
nilai (yaitu,Saya dan J kecil), data biasanya diringkas sebagai
AKU J tabel kontingensi dengan naku j mewakili frekuensi
untuk Sayatingkat th x variabel dan Jtingkat th kamu
variabel. Dalam contoh kami, ini dapat terjadi ketika siswa
hanya dikategorikan sebagai sangat baik, baik, rata-rata,
atau buruk berdasarkan hasil tes matematika dan sains
mereka. Perlu dicatat bahwaP , sekarang, TA tidak lamaPeh bohong
n antara -1 dan th1. Mari nSayath ¼ J naku j dan nthJ ¼ n Saya aku j .

regresi linier
Saya
x pada Z 1 , . . . ,Z P , dan ekamu adalah residual dari Versi modifikasi dari tau Kendall adalah
regresi linier kamupada Z1, . . . ,ZP. Ketika hanya Saya
ada satuZ
variabel, koefisien korelasi parsial adalah sebagai C-D
TB ¼ pffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffif

DT0 - T1THDT0 - T2NS

ffiRffiXY - RXZR PSaya

RXY:Z ¼ pffi ffi ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiff di mana T1 ¼
kamuffiffiZffiffiffiffiffiffiffiffiffiffiffiffi
Saya¼1 nSayathDnSayath - 1=2Padalah jumlah pasangan
D1 - R2XZTHD1 - R2YZNS J
terikat pada x variabel, dan T2 ¼ J ¼1 nthJ DnthJ - 1=2 adalah
di mana RXY, RXZ, dan RYZ adalah koefisien korelasi Pearson antara x jumlah pasangan terikat pada kamu variabel. Untuk sebuah J
dan Y, di antara x dan Z, dan antara kamudan Z, masing-masing. Sayatabel kontingensi, C dan D dapat dihitung sebagai
Korelasi antarax dan kamu bisa sangat tinggi, tetapi korelasi
parsialnya rendah. Siswa yang mengikuti tes SAT di tahun terakhir XX XX
C¼ naku j nSaya0 J 0 dan D ¼ naku j nSaya0 J 0
mereka mungkin mendapat skor lebih tinggi baik dalam matematika
saya<i0 j<j 0 saya<i0 j>j 0
maupun sains daripada mereka yang mengikuti tes di tahun
pertama; oleh karena itu, korelasi antara nilai SATmath dan sains
tinggi. Saat kami menghapus efek usia ini dengan menggunakan Asosiasi untuk Variabel Nominal
korelasi parsial, asosiasi mungkin hilang. Diskrit

Di Sini, x dan kamu adalah variabel nominal, yaitu nilaix dan

Asosiasi untuk Variabel Ordinal Diskrit kamu digunakan hanya untuk mengidentifikasi kategori dan
kategori tidak memiliki urutan khusus. Tabel kontingensi
Membiarkan xSaya'pasir kamuSaya's mengambil nilai pada 1, . . . ,Saya dan biasanya digunakan untuk mewakili data tersebut. Ukuran dasar
1, . . . ,J, masing-masing. Di sini, angka-angka hanya mencerminkan urutan asosiasi dalam tabel 2 2 yang dibentuk dari variabel nominal
relatif, tetapi bukan nilai numerik spesifik. Misalnya, kita hanya (yaitu,x dan kamu keduanya memiliki dua kategori)
262 Statistik

adalah rasio peluang. Rasio odds didefinisikan sebagai rasio siswa partisipasi kelas adalah perempuan dan berapa
peluang suatu peristiwa yang terjadi dalam satu kelompok proporsi siswa partisipasi kelas sesekali adalah perempuan.
dengan peluang itu terjadi di kelompok lain. Peluang terjadinya Atau penelitian ini dapat mensurvei 450 siswa dan untuk
suatu kejadian adalahP/(1 - P), di mana P adalah peluang setiap peserta kami menentukan jenis kelamin dan
kejadian. Misalnya, pertimbangkan tabel kontingensi make-up partisipasi kelasnya.
yang ditunjukkan pada:Tabel 1, dengan seks sebagai x variabel Rasio odds dapat diubah menjadi skala -1 hingga 1 dengan
dan partisipasi kelas sebagai kamu variabel. Rasio odds mengubahnya menjadi Yule's Q (Yule, 1912):
partisipasi aktif di kelas untuk perempuan dibandingkan dengan A-1 n11n22 - n12n21
laki-laki adalah Q¼ ¼
A th 1 n11n22 th n12n21
D158=210=ð52=210Þ ð 158 64
A¼ ¼ ¼ 1:1 Dalam situasi ketika hubungan antara x dan kamu
176=240=ð64=240NS 176 52
dipengaruhi oleh faktor ketiga, salah satu cara yang jelas adalah
Perhatikan bahwa rasio odds dapat dinyatakan sebagai dengan melihat tabel 2 2 dari x melawan kamu dalam strata
rasio perkalian silang dari frekuensi sel dari tabel 2 2. terpisah oleh faktor ketiga. Misalnya, jika kita khawatir bahwa
Nilai odds ratio jatuh pada [0, 1). Rasio odds 1 menunjukkan kehadiran di kelas mempengaruhi hubungan antara jenis
bahwa kejadian yang diteliti (misalnya, partisipasi aktif di kelas) kelamin dan partisipasi kelas, kita dapat menghitung rasio odds
sama-sama mungkin terjadi pada kedua kelompok (misalnya, untuk hubungan antara jenis kelamin dan partisipasi kelas di
perempuan vs laki-laki). Rasio odds yang lebih besar dari 1 setiap kelompok kehadiran di kelas (biasa versus tidak teratur).
menunjukkan bahwa kejadian tersebut lebih mungkin terjadi pada Untuk menggabungkan rasio odds untuk strata yang terpisah
kelompok pertama (misalnya, perempuan), dan rasio odds kurang menjadi perkiraan ringkasan keseluruhan, kita dapat
dari 1 menunjukkan bahwa kejadian tersebut lebih kecil menggunakan prosedur Cochran-Mantel-Haenszel (Cochran,
kemungkinannya pada kelompok pertama. Rasio odds adalah 1954; Mantel dan Haenszel, 1959) yang memberikan rata-rata
invarian di bawah pertukaranx dan kamu variabel; yaitu, rasio odds tertimbang dari rasio peluang terpisah. Rasio odds Cochran–
menjadi perempuan untuk siswa partisipasi kelas aktif dibandingkan Mantel–Haenszel diperkirakan sebagai
dengan siswa partisipasi kelas sesekali adalah sama dengan rasio !, !
xnDkNS k x DkNS
n12
nDkNS
peluang partisipasi aktif di kelas untuk perempuan dibandingkan 11 nð22
Þ 21
AMH ¼ nDkNS nDkNS
dengan laki-laki. Properti ini sangat berguna untuk studi dengan k k
berbagai skema sampling. UntukTabel 1, seseorang selalu dapat
di mana k mewakili ktanggal 2 2 meja (lapisan). Di kami
memperoleh rasio odds yang sama tidak peduli bagaimana sampel
contoh, misalkan 2 2 tabel untuk kelompok kehadiran kelas
penelitian dipilih. Studi ini pertama-tama dapat memilih 210
reguler dan kelompok kehadiran kelas tidak teratur ada di
perempuan dan 240 laki-laki dan kemudian membandingkan
Meja 2. Kemudian, rasio odds Cochran–Mantel–Haenszel
kemungkinan berpartisipasi aktif di kelas antara dua jenis kelamin.
dapat diperoleh sebagai
Atau studi tersebut pertama-tama mengidentifikasi 334 siswa
- -
partisipasi kelas aktif dan 116 siswa partisipasi kelas sesekali dan 131 4 27 60 36 29 140 23
AMH ¼ th th ¼ 0:5
kemudian menentukan berapa proporsi siswa aktif 200 250 200 250

Dalam beberapa kasus, kami tertarik untuk mengukur

Tabel 1 Seks vs partisipasi kelas
reproduktifitas variabel yang sama yang diukur lebih dari satu
Partisipasi kelas kali. Ini mengacu pada ukuran kesepakatan. Dengan demikian,
kesepakatan adalah kasus khusus dari asosiasi. Jika ada
Aktif sesekali Total
kesepakatan antara dua kesempatan, asosiasi juga pasti ada,
Seks Perempuan 158 52 210 tetapi bisa ada asosiasi yang kuat tanpa kesepakatan yang kuat.
Pria 176 64 240 Seseorang dapat menghitung ukuran kesepakatan, ketika,
Total 334 116 450
misalnya, dua penilai mengklasifikasikan suatu yang diberikan

Meja 2 Jenis kelamin versus partisipasi kelas untuk setiap kelompok kehadiran di kelas

Partisipasi kelasA Partisipasi kelasB

Aktif Sesekali Total Aktif sesekali Total

Seks Perempuan 131 29 160 27 23 50

Pria 36 4 40 140 60 200
Total 167 33 200 167 83 250

AKehadiran kelas reguler.

BKehadiran kelas tidak teratur.

kinerja siswa ke dalam kategori variabel diskrit.
Biarkanx variabel mewakili hasil penilai 1 dan kamu
variabel hasil penilai 2. Frekuensi sel naku j
adalah jumlah mata pelajaran yang diklasifikasikan sebagai Saya
kategori th oleh penilai 1 dan Jkategori oleh penilai 2. Salah satu cara
yang jelas untuk mengukur kesepakatan antara dua penilai
di 2 2 kasus adalah proporsi kesepakatan yang diamati
n11 th n22
P0 ¼
n
Proporsi persetujuan yang diamati secara signifikan dipengaruhi
oleh fakta bahwa bahkan jika dua penilai menggunakan kriteria yang
sama sekali berbeda untuk menyebut subjek positif atau negatif, kita
akan mengharapkan kesepakatan tentang subjek tertentu hanya
secara kebetulan. Misalnya, jika siswa sangat baik, kesepakatan
mungkin tinggi bahkan jika penilai tidak setuju satu sama lain. Salah
satu pendekatan untuk mengoreksi masalah kesepakatan secara
kebetulan adalah dengan menghitung statistik Kappa (Cohen, 1960)
P0 - Pe
k¼
1 - Pe
di mana Pe adalah proporsi yang diharapkan dari kesepakatan murni
kebetulan antara dua penilai. Pe dapat dihitung dalam kondisi
dengan asumsi bahwa hasil dua penilai adalah independen. Sebagai
contoh,Tabel 3 menunjukkan data untuk kesepakatan antara dua
penilai. Di Sini,P0 (34 + 248)/318 ¼ 0,89, dan
Pe ¼ PrDpenilai1 ¼ positif dan penilai2 ¼ positifNS
th PrDpenilai1 ¼ negatif dan penilai2 ¼ negatiff
PrDpenilai1 ¼ positifNS PrDpenilai2 ¼ positifNS
th PrDpenilai1 ¼ negatifNS PrDpenilai2 ¼ negatifg
- -
56 48 262 270
¼ th ¼ 0:73:
318 318 318 318
Dengan demikian, k (0,89 - 0,73)/(1 - 0,73) ¼ 0,59.
Langkah-langkah di atas untuk variabel nominal diskrit dapat
digeneralisasi menjadi: AKU J meja, dengan saya > 2 dan/atauJ > 2. Jika
seseorang menggunakan rasio odds untuk menggambarkan asosiasi
dalam suatu AKU J tabel, seseorang dapat mulai dengan jumlah nilai,
katakanlah Saya dan J, untuk x dan kamu variabel, dan kemudian satu set
dari (SAYA - 1) (J - 1) rasio odds dapat dihitung sebagai
naku j nAKU J
Aaku j ¼
naku j nAku j
di mana Saya ¼ 1, . . . , (SAYA - 1) dan J ¼ 1, . . . , (J - 1). Prosedur
Cochran–Mantel–Haenszel dapat diterapkan pada masing-
masing (SAYA - 1) (J - 1) rasio peluang. Untuk mengukur
reproduktifitas variabel dengansaya > 2 kategori, statistik Kappa
dapat diperoleh dengan mengukur kesepakatan pada semua
Saya kategori.
Kesimpulan
Ada berbagai teknik untuk mengukur asosiasi untuk
berbagai jenis variabel. Untuk memilih ukuran untuk
Ukuran Asosiasi 263
Tabel 3 Kesepakatan penilai
Penilai 2
Positif Negatif Total
Penilai 1 Positif 34 14 48
Negatif 22 248 270
Total 56 262 318
dua variabel yang diberikan, pertama-tama dapat mengidentifikasi
jenis variabel untuk masing-masing dan mengikuti langkah-langkah
yang direkomendasikan yang disediakan dalam artikel ini. Perhatian
dan penyesuaian yang tepat harus dilakukan ketika ada faktor-faktor
yang dapat mengacaukan hubungan antara variabel-variabel yang
diminati dan ketika ada beberapa ikatan sebagai variabel-variabel
diskrit yang terlibat. Penting juga untuk memperhatikan bahwa
pembentukan asosiasi yang kuat tidak menyiratkan hubungan sebab
akibat. Dua variabel sangat terkait ketika mereka cenderung berubah
bersama-sama, sedangkan kausalitas terjadi ketika satu variabel
menyebabkan perubahan pada variabel lain.
Lihat juga: Inferensi Kausal; Regresi Linier Univariat.
Bibliografi
Cochran, WG (1954). Beberapa metode untuk memperkuat yang umum
w2 tes. Biometrik 10, 417–451.
Cohen, J. (1960). Koefisien kesepakatan untuk skala nominal.
Pengukuran Pendidikan dan Psikologis 20, 37–46. Fisher,
RA (1915). Distribusi frekuensi dari nilai-nilai
koefisien korelasi dalam sampel dari populasi besar tak
terbatas. Biometrika 10, 507–521.
Kendall, M. (1938). Ukuran baru korelasi peringkat.Biometrika 30,
81–89.
Mantel, N. dan Haenszel, W. (1959). Aspek statistik dari analisis
data dari studi retrospektif penyakit. Jurnal Institut Kanker
Nasional 22, 719–748.
Pearson, K. (1896). Kontribusi matematika untuk teori
evolusi, III. Regresi, hereditas, dan panmixia.Transaksi
Filosofis Royal Society of London, Seri A 187, 253–318.
Spearman, C. (1904). Bukti dan ukuran asosiasi
antara dua hal. Jurnal Psikologi Amerika 15, 72-101. Yule, GU
(1897). Pada teori korelasi.Jurnal Kerajaan
Masyarakat Statistik 60, 812–854.
Yule, GU (1912). Pada metode pengukuran hubungan antara
dua atribut. Jurnal dari Royal Statistical Society 75, 579–652.
Bacaan lebih lanjut
Agresti, A. (1996). Pengantar Analisis Data Kategoris.
New York: Wiley.
Cohen, J., Cohen, P., Barat, SG, dan Aiken, LS (2002). Terapan
Analisis Regresi/Korelasi Berganda untuk Ilmu Perilaku,edisi ke-3
Hillsdale, NJ: Erlbaum.
Fleiss, JL, Levin, B., dan Paik, MC (2003). Metode Statistik untuk
Tarif dan Proporsi, edisi ke-3 New York: Wiley.
Goodman, LA dan Kruskal, WH (1954). Langkah-langkah asosiasi untuk
klasifikasi silang. Jurnal Asosiasi Statistik Amerika
49, 732–764.