com
pengantar
ke Nonparametrik
GAMBARAN
1
2 Analisis Data dengan Sampel Kecil dan Data Non-Normal
analisis data mereka, atau yang lebih penting, kurangnya paparan dapat
mencegah peneliti mengenali bahwa alat nonparametrik tersedia untuk mereka.
Pilihan utama para peneliti adalah mengharapkan ketangguhan ketika mereka
menggunakan metode parametrik, dan ini memiliki potensi untuk memandu
orang tersebut ke kesimpulan yang salah berdasarkan penggunaan prosedur
statistik ini yang tidak tepat.
Buku ini ditulis dalam bahasa yang jelas dan dapat dimengerti oleh
nonstatistik yang ingin melakukan analisis statistik pada sampel kecil dan/atau
variabel yang tidak terdistribusi normal. Prosedur nonparametrik yang tercakup
di sini menjelaskan bagaimana peneliti dapat menganalisis data yang jika tidak
demikian mungkin akan gagal. Misalnya, proposal hibah yang berhasil sering kali
didukung oleh data percontohan yang dapat dipercaya, dan percontohan ini
sering kali terdiri dari sampel kecil. Pendanaan mungkin bergantung pada
kemampuan peneliti untuk menunjukkan temuan yang signifikan, dan
menggunakan metode parametrik untuk data yang tidak memenuhi asumsi atau
tidak memiliki kekuatan yang cukup dapat menghasilkan temuan yang tidak
signifikan ketika temuan yang signifikan benar-benar ada. Sebaliknya, peneliti
mungkin menemukan hasil signifikan yang merupakan artefak dari penggunaan
teknik analitik yang tidak tepat.
Dalam buku ini, kami berasumsi bahwa Anda, pembaca, ingin memahami statistik
nonparametrik secara konseptual, dan kemudian mempelajari langkah-langkah untuk
menyelesaikan uji statistik nonparametrik. Kami bermaksud agar buku ini menjadi
sumber referensi lebih dari sekadar buku teks, jadi kami telah memformat informasinya
dengan cara yang mudah dipahami. Misalnya, Anda akan menemukan bagian dalam
buku ini di mana kami telah menggunakan poin-poin daripada teks standar dalam
paragraf. Hal ini untuk membuat informasi mudah ditemukan dan mudah dibaca.
Kami juga tidak membahas rumus matematika, kami juga tidak memandu Anda
melalui derivasi aktual tentang cara mendapatkan nilai kritis untuk pengujian hipotesis.
Selain itu, kami tidak membahas cara melakukan pengujian nonparametrik dengan
tangan, karena kami menganggap Anda memiliki akses ke PC dan memiliki
pemahaman dasar tentang perangkat lunak IBM® SPSS® Statistics software (SPSS).
Kami telah memilih perangkat lunak SPSS karena menawarkan proses tunjuk dan klik
untuk prosedur nonparametrik yang cukup mudah diikuti. Jadi, buku ini tidak
menawarkan kode kepada pengguna R atau SAS untuk melakukan pengujian
nonparametrik; namun, kami menyertakan sintaks SPSS dalam Lampiran A. Oleh karena
itu, buku ini ditulis untuk ahli nonstatistik, namun mungkin berguna juga untuk ahli
statistik terapan, karena kami menyediakan tautan ke
Pengantar Nonparametrik 3
ORGANISASI
Buku ini disusun sehingga Anda dapat dengan cepat menemukan teknik
nonparametrik yang optimal untuk data Anda, dan kemudian ikuti petunjuk
langkah demi langkah yang jelas untuk menggunakan SPSS untuk melakukan
analisis Anda. Setiap bab mencakup skenario yang biasanya ditemukan dalam
penelitian ilmu sosial untuk mengontekstualisasikan teknik analitik, termasuk
rincian tentang desain penelitian, populasi, sampel, kelompok dalam sampel,
jumlah kasus/pengamatan/titik data, waktu (jika relevan), variabel, tingkat
pengukuran, deskripsi distribusi variabel, dan serangkaian pertanyaan penelitian
dan hipotesis. Selanjutnya, dengan menggunakan skenario sebagai contoh,
pertanyaan penelitian dan hipotesis yang relevan memandu diskusi tentang
metode nonparametrik yang dapat digunakan untuk menjawabnya.
4 Analisis Data dengan Sampel Kecil dan Data Non-Normal
Dengan cara ini, Anda dapat dengan mudah mencocokkan pertanyaan khusus Anda
dengan teknik yang sesuai, dan kemudian mengikuti contoh hingga kesimpulan dan
interpretasinya.
Dimulai dengan Bab 2, setiap bab dimulai dengan daftar tujuan bab,
skenario yang berfungsi sebagai latar belakang untuk pertanyaan penelitian
bab, dan tabel metode nonparametrik yang dibahas dalam bab ini. Bab 2
mencakup metode nonparametrik menggunakan variabel tunggal atau
kelompok. Bab 3 menyajikan prosedur untuk membandingkan dua atau
lebih kelompok independen pada karakteristik tertentu, dan Bab 4
menjelaskan teknik untuk membandingkan dua atau lebih kelompok terkait.
Bab kelima menjelaskan metode untuk memprediksi nilai atau level tertentu
berdasarkan sekumpulan variabel independen, ketika data tidak memenuhi
asumsi untuk regresi kuadrat terkecil.
Perangkat lunak utama yang digunakan di seluruh buku ini adalah SPSS, tetapi
karena SPSS saat ini tidak menyertakan teknik regresi nonparametrik dalam perangkat
lunaknya, kami menggunakan add-in untuk Excel—XLSTAT—untuk langkah-langkah
melakukan analisis prediktif.
Informasi tambahan yang berguna disediakan dalam Lampiran (misalnya, sintaks
SPSS, kekurangan) dan dari Bantuan SPSS (misalnya, bagaimana menyiapkan data Anda
untuk analisis). Kami juga menyarankan sumber daya tambahan (yaitu, tautan web,
artikel, buku) yang akan memberikan informasi dan rumus dasar yang terperinci. Di
situs web pendamping buku ini, Anda akan menemukan semua kumpulan data yang
digunakan dalam analisis buku. Setelah mengunduh kumpulan data, Anda dapat
mengikuti langkah-langkah untuk setiap metode nonparametrik menggunakan contoh
data untuk memperkuat pembelajaran dan pemahaman Anda tentang proses tersebut.
Anda mungkin tergoda untuk langsung ke bab analisis data pada saat ini,
tetapi jika Anda melakukannya, Anda belum tentu memahami dasar dari apa yang
Anda lakukan. Akibatnya, Anda mungkin salah dalam menjelaskan prosedur Anda
kepada orang lain, atau dalam menyajikan kesimpulan dan interpretasi analisis
Anda. Kami mendorong Anda untuk meninjau dengan cermat semua informasi
dalam bab ini sebelum melanjutkan.
Bagi sebagian orang, statistik atau tes nonparametrik mungkin sulit dipahami pada
awalnya, karena sebagian besar kursus "Pengantar Statistik" didasarkan pada
Pengantar Nonparametrik 5
ISTILAH KUNCI
Beberapa istilah kunci yang digunakan digunakan di seluruh buku ini. Istilah-istilah tersebut adalah
sebagai berikut:
Mari kita periksa asumsi ini, satu per satu, untuk memahami, secara
konseptual, keadaan di mana pelanggaran asumsi mungkin
memerlukan penggunaan strategi nonparametrik.
ASUMSI PARAMETRIK
terhadap pelanggaran ringan normalitas, ini tidak berarti bahwa Anda dapat
mengabaikan asumsi normalitas, terutama dengan sampel kecil. Selain itu,
Anda harus menjawab pertanyaan tentang apa, tepatnya, yang merupakan
penyimpangan ringan dari normalitas.
Semua variabel skala harus diuji normalitasnya sebelum dimasukkan ke
dalam uji parametrik. Hal ini terutama benar ketika melakukan analisis
multivariabel di mana beberapa variabel skala dimasukkan dalam model
statistik tunggal (misalnya, regresi multivariat). Setiap variabel harus
menunjukkan hubungannya dengan distribusi yang mulus, kontinu, dan
berbentuk lonceng. Namun, ketika ukuran sampel kecil, kesenjangan antara
nilai (yaitu, titik data pada kurva) membuat uji normalitas lebih cenderung
gagal. Hal ini terutama benar ketika menguji variabel respons tipe Likert
yang digunakan sebagai variabel skala daripada variabel ordinal, dan
terlebih lagi ketika opsi respons berjumlah lima atau lebih sedikit. Jadi,
meskipun banyak ilmuwan sosial cenderung menggunakan opsi respons
skala Likert seolah-olah mereka mewakili variabel kontinu, kita harus yakin
untuk mempertimbangkan ukuran sampel. Misalnya, lebih mudah untuk
membenarkan penggunaan variabel tipe Likert jika ukuran sampel adalah
1.000 dan opsi respons berkisar dari 1 hingga 7 atau 1 hingga 9 daripada jika
ukuran sampel adalah 50 dan opsi respons Likert adalah 1 hingga 4.
Pengujian untuk menentukan apakah suatu variabel dapat diperlakukan
sebagai variabel skala disertakan dalam bab-bab mendatang.
Anda memiliki dua opsi utama ketika variabel Anda gagal dalam
uji normalitas. Pilihan pertama Anda adalah menggunakan strategi
transformasi untuk menormalkan variabel Anda sehingga akan lulus
uji normalitas (misalnya, transformasi log atau kuadrat). Tidak
semua variabel dapat diubah menjadi distribusi normal (misalnya,
data dengan nol dan nilai negatif tidak dapat ditransformasikan ke
log), dan ketika upaya transformasi Anda gagal, Anda tetap tidak
dapat menggunakannya begitu saja, dengan harapan pengujian
Anda akan kuat terhadap pelanggaran normalitas . Ketika variabel
non-normal merespon dengan baik terhadap transformasi, Anda
dapat menggunakannya dalam prosedur parametrik, tetapi
kemudian Anda tidak dapat menginterpretasikan temuan Anda
seolah-olah variabel tersebut tidak diubah. Anda dihadapkan pada
pemahaman tentang variabel yang diubah dalam analisis dan
temuan Anda, dan ini bisa rumit, jika bukan tidak mungkin.
Pengantar Nonparametrik 9
setiap kumpulan data unik, dengan asumsi kumpulan data Anda adalah yang sesuai
dengan studi simulasi sebelumnya ini dapat menempatkan temuan Anda pada risiko
jika Anda memilih untuk mengabaikan asumsi parametrik.
Asumsi 2. Varians Populasi Sama (yaitu, Homogenitas Varians Antara Kelompok Ada), di
mana Skor dalam Kelompok yang Berbeda Memiliki Varians yang Sama
Linearitas adalah asumsi penting untuk tes parametrik seperti korelasi dan
regresi. Misalnya, memperoleh nilai untuk korelasi antara dua variabel
adalah akurat hanya jika hubungan mereka dapat diwakili oleh kombinasi
parameter linier. Dalam regresi sederhana, dua parameter yang disebut
koefisien regresi menjelaskan hubungan antara variabel dependen (yaitu,
variabel hasil) dan variabel independen (yaitu, variabel prediktor). Dua
parameter (yaitu, intersep dan kemiringan) dapat digunakan untuk
membuat grafik garis lurus, dengan kemiringan garis adalah
12 Analisis Data dengan Sampel Kecil dan Data Non-Normal
nilai korelasi yang mewakili hubungan antara variabel terikat dan variabel
bebas. Tentu saja, penempatan garis yang paling sesuai dengan plot pencar
untuk dua variabel selalu memungkinkan, tetapi karena plot pencar
menunjukkan penyimpangan dari garis lurus, nilai korelasi mungkin tidak
lagi mewakili hubungan antara variabel. Asumsi hubungan linier
menyatakan bahwa garis lurus dapat mewakili hubungan tersebut.
Regresi sederhana dan regresi berganda adalah model parametrik
yang mengasumsikan hubungan linier, dan model tersebut digunakan
untuk memprediksi nilai variabel terikat berdasarkan nilai dari satu
variabel bebas atau beberapa variabel bebas. Untuk membuat prediksi,
hubungan antara variabel independen dan dependen harus jelas.
Dengan kata lain, variabel independen dalam model statistik seperti
regresi berganda harus menyarankan hanya satu nilai untuk variabel
dependen. Memiliki hubungan linier antara variabel independen dan
dependen memungkinkan prediksi.
Dalam regresi sederhana (yaitu, regresi dengan hanya satu variabel
independen), hubungan antara variabel dependen dan independen
dapat dilihat dengan grafik sebar nilai-nilai. Namun, dalam regresi
berganda (yaitu, regresi dengan beberapa variabel independen),
memverifikasi hubungan linier sedikit lebih rumit. Selain itu,
menambahkan koefisien regresi daya yang lebih tinggi dapat
memodelkan hubungan lengkung antara variabel dependen dan
independen. (Untuk informasi lebih lanjut tentang pengujian asumsi
hubungan linier, lihat StatSoft, 2000.)
Melakukan regresi sederhana atau berganda ketika asumsi tidak terpenuhi
berpotensi menimbulkan salah tafsir tentang hubungan antara variabel
independen dan dependen, atau lebih buruk lagi, Anda dapat mengidentifikasi
nilai prediksi untuk variabel dependen yang benar-benar tidak berdasar. Anda
memiliki beberapa opsi dalam situasi ini. Salah satu pilihannya adalah mencoba
mengubah satu atau beberapa variabel Anda agar lebih menyerupai distribusi
normal, meskipun transformasi membuat menjelaskan hubungan variabel jauh
lebih sulit. Pilihan lain adalah menggunakan regresi nonparametrik atau
nonlinier, yang dibahas dalam Bab 5.
Secara sederhana, Anda mengasumsikan bahwa titik data untuk hubungan antara
variabel dependen dan independen memiliki variabilitas yang serupa di
sepanjang rentang garis prediksi. Misalnya, jika Anda memeriksa plot pencar dari
garis prediksi dan titik data, homoskedastisitas muncul jika titik di sepanjang garis
prediksi menunjukkan pola yang sama di sepanjang seluruh rentang garis
prediksi. Pelanggaran asumsi ini (yaitu, heteroskedastisitas) menghasilkan
beberapa kasus memiliki tarikan lebih dari yang lain, seperti yang ditunjukkan
oleh plot pencar yang terkadang terlihat seperti kerucut atau kipas.
Heteroskedastisitas dapat mengakibatkan nilai prediksi yang tidak valid atau
estimasi hubungan variabel yang tidak akurat. Ketika dihadapkan dengan
heteroskedastisitas, Anda memiliki dua pilihan. Pertama, Anda dapat mencari
variabel yang menyebabkan heteroskedastisitas dan memeriksa kasus yang
tampaknya bermasalah untuk melihat apakah Anda dapat menggantinya secara
sah. Namun, tidak tepat untuk pergi "belanja kasus", karena setiap kasus yang
mewakili responden nyata tidak dapat dikecualikan tanpa sebab. Pilihan lainnya
adalah dengan menggunakan pendekatan nonparametrik, seperti regresi
nonparametrik atau nonlinier, seperti yang dibahas dalam Bab 5. (Untuk
informasi lebih lanjut tentang pengujian asumsi homoskedastisitas, lihat Gaskin,
2015.)
Saat melakukan regresi, jarang, jika pernah, saat variabel dependen dan
independen menyarankan garis prediksi yang cocok dengan data. Perbedaan
antara garis prediksi yang diestimasi dan data yang digunakan untuk
menetapkan garis disebut residual atau kesalahan. Nilai sisa ini membantu
menjelaskan seberapa cocok garis prediksi Anda dengan data. Nilai sisa yang
lebih besar menunjukkan lebih sedikit dukungan untuk nilai prediksi, sementara
nilai yang lebih kecil menunjukkan lebih banyak dukungan untuk nilai prediksi
(yaitu, model prediksi yang buruk versus model prediksi yang lebih baik, masing-
masing). Mengingat hal ini, distribusi nilai sisa diasumsikan mengikuti distribusi
normal. Jika tidak, potensi untuk membuat prediksi yang salah atau menarik
kesimpulan yang salah tentang hubungan variabel tinggi. Residu non-normal
menunjukkan bahwa model Anda tidak dibangun dengan tepat untuk
memprediksi variabel dependen. Ketika dihadapkan dengan distribusi residual
yang tidak normal, pilihan Anda adalah menemukan variabel yang menyebabkan
masalah dan menentukan apakah Anda dapat mengecualikannya secara sah dari
model, atau menggunakan
14 Analisis Data dengan Sampel Kecil dan Data Non-Normal
ASUMSI LAINNYA
Jika Anda merencanakan studi penelitian yang akan memilih responden secara
acak dari suatu populasi, Anda harus meluangkan banyak waktu untuk
mengidentifikasi populasi target Anda dan mempelajari semua perbedaan dan
persamaan potensial dalam populasi. Anda harus menetapkan kriteria inklusi dan
eksklusi yang jelas sehingga populasi Anda terdefinisi dengan jelas. Selanjutnya,
Anda mungkin akan memutuskan untuk mengumpulkan data dari sampel
populasi daripada seluruh populasi, karena salah satu dari sejumlah alasan —
misalnya, Anda tidak memiliki akses atau cukup waktu atau uang untuk
mengumpulkan data dari semua anggota populasi. Dengan demikian,
kepercayaan studi Anda dan kesimpulan yang Anda tarik tentang populasi akan
didasarkan pada sampel Anda. Yang penting, sampel Anda harus mencerminkan
perbedaan dan persamaan yang sama yang Anda identifikasi dalam populasi.
Untuk menyelesaikan ini, Anda harus menggunakan metode pengambilan sampel
probabilitas yang memberi setiap orang dalam populasi target Anda kesempatan
yang sama untuk menjadi sampel Anda. Ini meyakinkan konsumen penelitian
Anda bahwa sampel Anda mewakili populasi.
Anda tidak akan selalu dapat menggunakan strategi pengambilan sampel
probabilitas untuk penelitian Anda, dan terkadang data sekunder Anda tidak akan
berasal dari sampel acak. Dalam situasi ini, Anda harus memahami dengan jelas
dan kemudian menjelaskan bahwa analisis dan temuan berasal dari sampel
praktis (yaitu sampel non-acak dari suatu populasi). Sampel kenyamanan adalah
hal biasa dalam penelitian ilmu sosial, dan terutama jika populasi yang diinginkan
adalah populasi klinis. Namun demikian,
Pengantar Nonparametrik 15
Tingkat pengukuran merupakan masalah penting untuk semua prosedur statistik (lihat
Kotak 1.1, “Tingkat Pengukuran”). Asumsi ini mengharuskan Anda untuk
mengidentifikasi tingkat pengukuran yang tepat secara akurat untuk setiap variabel
yang digunakan dalam analisis statistik. Dalam ilmu sosial, data rasio adalah
Kotak 1.1Tingkat Pengukuran
Perbandingan—Informasi yang mencakup angka nol yang bermakna dan tidak berubah-ubah
dan yang sering digunakan dalam usia atau penghitungan (misalnya, 2 dua kali lipat 4; 50 tahun
lima kali lebih tua dari 10 tahun). Kita dapat menentukan apakah kasus sama atau tidak, lebih
besar atau lebih kecil dari, dan kita dapat menambah, mengurangi, mengalikan, dan membagi.
Modus, median, mean aritmatika, dan mean geometrik adalah ukuran tendensi sentral.
Skala -Variabel apa pun yang dapat diperlakukan sebagai kontinu, seperti
• Item tunggal dengan skala opsi respons tipe Likert dengan 6 poin
atau lebih
• Beberapa item dalam ukuran, dijumlahkan untuk skor skala
• Interval atau rasio — lihat di bagian “Tingkat Pengukuran dari Buku Teks dan
Kursus Penelitian”
Pengantar Nonparametrik 17
tidak umum, karena memerlukan nilai nol yang bermakna dan tidak
berubah-ubah. Namun, bahkan data interval jarang terjadi, karena titik
data harus memiliki jarak yang sama di antara mereka. Untuk variabel
skala, asumsi interval yang sama sangat penting. (Syaratinterval yang
samamengacu pada ruang tersirat antara nilai bilangan bulat variabel
Anda.) Misalnya, jika ruang teoretis antara nilai 8 dan 10 tidak sama
dengan ruang antara 20 dan 22, Anda tidak memiliki variabel dengan
interval yang sama . Tidak memiliki interval yang sama berarti variabel
Anda sebenarnya bukan variabel skala; sebaliknya, itu sebenarnya
adalah variabel ordinal.
Namun demikian, peneliti ilmu sosial sering memperlakukan
variabel dengan ukuran seperti Likert seolah-olah mereka
adalah ukuran interval atau skala, dengan asumsi bahwa
tanggapan yang dipesan (misalnya, tidak pernah, kadang-
kadang, sering, selalu) sama-sama terpisah. Dengan kata lain,
jarak antara “tidak pernah” dan “kadang-kadang” sama dengan
jarak antara “kadang-kadang” dan “sering”. Ini bisa menjadi
masalah, karena peneliti yang merancang pertanyaan mungkin
percaya bahwa ruang antara pilihan jawaban adalah sama,
tetapi responden mungkin percaya sebaliknya. Agar pertanyaan
dapat diandalkan, setiap responden harus melihat opsi jawaban
dengan cara yang sama. Dengan kata lain, jika beberapa
responden merasakan ruang yang sama antara pilihan jawaban
dan responden lain tidak, penelitian mungkin tidak menangkap
informasi dengan cara yang diinginkan peneliti.
Cakupan respons adalah masalah konseptual lain yang penting yang terkait
dengan tingkat pengukuran dan asumsi normalitas. Cakupan respons mengacu
pada apakah Anda memiliki cukup respons untuk setiap opsi respons dalam
sebuah pertanyaan. Misalnya, asumsikan bahwa 100 orang merespons variabel
tipe Likert 4 poin dengan opsi responssangat tidak setuju, tidak setuju, setuju,dan
sangat setuju.Jika 37 orang memilihsangat tidak setuju dan 57 orang memilih
sangat setuju, Anda hanya memiliki enam tanggapan total ditidak setujudan
setujupilihan. Informasi yang Anda miliki untuksetuju dantidak setujutidak
mendukung penggunaan skala opsi respons tipe Likert 4 poin, dan Anda tidak
boleh menggunakan respons sebagai variabel kontinu. Sebagai gantinya, Anda
mungkin perlu mengubah tanggapan menjadi variabel dikotomis (yaitu, variabel
dengan hanya dua kategori). Meskipun Anda mungkin perlu memilih uji statistik
yang berbeda, validitas transformasi
18 Analisis Data dengan Sampel Kecil dan Data Non-Normal
kontribusi variabel sangat meningkat. Keputusan ini bisa jadi menantang dan
Anda tidak boleh mendasarkannya secara eksklusif pada pedoman matematika.
Pemahaman konseptual yang kuat tentang apa yang diwakili oleh variabel
merupakan pertimbangan penting dalam situasi ini.
Singkatnya, peneliti yang dihadapkan dengan ukuran yang tidak memenuhi
persyaratan untuk teknik parametrik tidak boleh menggunakannya dan hanya
berharap bahwa hasilnya bermakna. Ini mudah dilakukan, karena paket
perangkat lunak statistik seperti SPSS mengasumsikan bahwa variabel diukur dan
didefinisikan secara akurat. Terus terang, beberapa jurnal akan menerbitkan
artikel berdasarkan analisis parametrik menggunakan tingkat pengukuran yang
tidak tepat untuk variabel, karena praktiknya sudah menjadi hal biasa. Namun
praktik ini mengurangi kepercayaan temuan dan melemahkan reputasi penelitian
ilmu sosial. Untungnya, teknik nonparametrik menawarkan strategi analitik
alternatif yang layak. Ketika peneliti menemukan diri mereka dengan data
nominal atau ordinal, termasuk tindakan seperti Likert dengan sedikit pilihan
respons, dan mereka cenderung menggunakan teknik parametrik, strategi yang
solid adalah menindaklanjuti analisis parametrik dengan analisis nonparametrik
paralel untuk menentukan apakah ada perbedaan yang berarti di antara
keduanya. Memasukkan kedua temuan akan berfungsi untuk memperkuat ilmu
pengetahuan dengan cara yang berarti.
probabilitas hipotesis nol benar mengingat data yang digunakan dalam pengujian.
kumpulan data besar seperti halnya untuk kumpulan data kecil, tetapi prosedur
tersebut lebih sering digunakan dengan kumpulan data kecil dan data dengan
distribusi non-normal.
1. Anda tidak boleh mendapat kesan yang salah bahwa karena tersedia
teknik analitik nonparametrik, maka tidak masalah untuk melakukan
penelitian dengan sampel kecil. Kami mendorong Anda untuk
Pengantar Nonparametrik 21
Penting juga bahwa Anda memilih tingkat signifikansi (alfa) untuk ambang
Anda sebelum Anda memulai analisis Anda. Ilmuwan sosial biasanya memilih 0,05
sebagai ambang batas mereka, tetapi dalam analisis nonparametrik kadang-
kadang masuk akal untuk memilih 0,10 sebagai gantinya (M. Hollander,
komunikasi pribadi, 2003), meskipun kecenderungannya untuk memberikan
tingkat kesalahan Tipe I eksperimen yang meningkat. Informasi ini terintegrasi ke
dalam bab-bab buku ini.
tes tipe sukses pada variabel kategori dengan tiga nilai atau lebih, SPSS
akan memilih nilai pertama sebagaikesuksesandan sisanya sebagai
kegagalan. Ini menjadi lebih jelas saat Anda mengerjakan bab-bab yang
relevan.
• Kami melaporkan jumlah tempat desimal yang disertakan dalam
output SPSS (biasanya tiga), daripada nilai pembulatan.
LANGKAH PERTAMA
Jika Anda berencana untuk mengikuti langkah-langkah dalam bab ini untuk
menganalisis data Anda sendiri, Anda perlu memasukkan data Anda ke dalam SPSS.
Tata cara memasukkan data Anda ke dalam SPSS terdapat pada fitur bantuan SPSS (klik
tombolH opsi menu elp). Setelah data Anda berada di SPSS, langkah selanjutnya adalah
memverifikasi bahwa semua variabel Anda ditetapkan ke tingkat pengukuran yang
sesuai. Gambar 1.1 menampilkan tampilan data untuk contoh data yang digunakan
dalam Bab 2. Perhatikan bahwa setiap variabel diberi salah satu dari tiga tingkat nilai
pengukuran (misalnya, nominal, ordinal, atau skala).
Setelah data Anda berada di SPSS, Anda mengenali notasi SPSS, dan Anda
sudah familiar dengan istilah kunci, Anda siap untuk melanjutkan ke Bab 2.