Keuntungan utama dari studi pengukuran berulang adalah penggunaan yang sama persis individu
dalam semua kondisi treatment. Dengan demikian, tidak ada risiko peserta dalam satu perlakuan berbeda
secara substansial dari peserta lainnya. Dengan sebuah Desain independen, ada resiko hasilnya karena
individu dalam satu sampel berbeda secara sistematis (lebih pintar, lebih cepat, lebih ekstrovert, dan
sebagainya) daripada individu dalam sampel lainnya.
the matched-subjects design yang sesuai, masing-masing individu dalam satu sampel cocok seorang
individu di sampel lainnya. Pencocokan dilakukan sehingga kedua individu tersebut setara (atau hampir
setara) berkenaan dengan variabel tertentu itu peneliti ingin mengendalikannya.
Tentu saja, mungkin untuk mencocokkan peserta dengan lebih dari satu variabel. Untuk Misalnya,
seorang peneliti bisa mencocokkan pasangan subjek dengan usia, jenis kelamin, ras, dan IQ. Di dalam
Contohnya, misalnya, perempuan kulit putih berusia 22 tahun dengan IQ 115 yang ada di dalamnya
sampel akan disesuaikan dengan perempuan kulit putih berusia 22 tahun lainnya dengan IQ 115 in sampel
kedua Semakin banyak variabel yang digunakan, bagaimanapun, semakin sulit adalah mencari pasangan
yang cocok. Tujuan dari proses pencocokan adalah mensimulasikan pengulangan desain semaksimal
mungkin. Dalam repeated-measures-ulang, pencocokannya sempurna karena individu yang sama
digunakan dalam kedua kondisi tersebut. Dalam subjek yang sesuai Desain, bagaimanapun, yang terbaik
yang bisa dapatkan adalah tingkat kecocokan yang terbatas pada variabel (s) yang digunakan untuk
proses matching. Dalam perancangan berulang-ulang atau rancangan subjek yang sesuai membandingkan
dua perlakuan Kondisi, datanya terdiri dari dua set skor, yang dikelompokkan menjadi beberapa set dua.
11.2 THE t STATISTIC FOR A REPEATED-MEASURES RESEARCH
DESIGN
Statistik t untuk penelitian repeated-measures secara struktural mirip dengan statistik t lainnya, pada
dasarnya sama dengan statistik t sampel tunggal. Perbedaan utama dari sampel yang terkait t adalah
berdasarkan skor perbedaan daripada nilai baku (nilai X).
Eetiap nilai D memberitahu arah perubahannya. Sampel skor perbedaan (nilai D) berfungsi sebagai data
sampel untuk uji hipotesis dan semua perhitungan dilakukan dengan menggunakan nilai D. Untuk
menghitung statistik t, Sebagai contoh, menggunakan jumlah nilai D (n) serta mean sampel (M D) dan nilai
SS untuk sampel nilai D.
H0: μD= 0
hipotesis ini mengacu pada mean untuk keseluruhan populasi perbedaan skor. Gambar 11.1 (a)
menunjukkan contoh populasi skor perbedaan dengan a mean dari μ D= 0. Meskipun mean populasi adalah
nol, nilai individu dalam populasi tidak semuanya sama dengan nol. Jadi, meski hipotesis nol itu benar,
masih mengharapkan beberapa individu memiliki nilai perbedaan positif dan beberapa memiliki nilai
negative skor perbedaan. Namun, positif dan negatifnya tidak sistematis dan dalam keseimbangan jangka
panjang keluar ke μD= 0. Perhatikan juga bahwa sampel dipilih dari populasi ini mungkin tidak akan
memiliki mean persis sama dengan nol. Akan ada beberapa kesalahan antara mean sampel dan mean
populasi, jadi biarpun μD= 0 (H0 adalah benar), tidak mengharapkan MD sama persis dengan nol.
Hipotesis alternatif menyatakan bahwa ada efek yang menyebabkan skor dalam satu kondisi treatment
secara sistematis lebih tinggi (atau lebih rendah) daripada skor dalam kondisi lain. Dalam simbol,
H1: μD= 0
Menurut H1, perbedaan skor untuk individu dalam populasi cenderung secara sistematis positif (atau
negatif), menunjukkan perbedaan yang konsisten dan dapat diprediksi antara kedua treatment tersebut.
Gambar 11.1 (b) menunjukkan contoh populasi skor perbedaan dengan yang positif Perbedaan rata-rata,
μD > 0. Kali ini, sebagian besar individu dalam populasi memiliki beda skor yang lebih besar dari nol.
Sampel yang dipilih dari populasi ini akan terutama mengandung nilai perbedaan positif dan mungkin
akan memiliki perbedaan yang berarti yang lebih besar dari nol, M D> 0.
M −μ
t=
SM
Mean sampel, M, dihitung dari data, dan nilainya mean populasi, μ, diperoleh dari hipotesis nol.
estimated standar error, SM, juga dihitung dari data dan memberikan ukuran berapa banyak perbedaan
antara mean sampel dan mean populasi. Untuk perancangan berulang, data sampel adalah skor perbedaan
dan diidentifikasi dengan huruf D, bukan X. Oleh karena itu, menggunakan rumus D ditekankan bahwa
berhadapan dengan skor perbedaan, bukan nilai X. Juga, mean populasi yang menarik bagi adalah
perbedaan mean populasi (mean jumlah perubahan untuk seluruh populasi), dan mengidentifikasi
parameter ini dengan simbol μD. Dengan perubahan sederhana ini, rumus t untuk perancangan berulang
menjadi:
M D −μD
t=
SM D
Dalam rumus ini, estimasi standar error untuk MD, SMD , dihitung persis cara yang sama seperti yang
dihitung untuk statistik sampel tunggal t. Untuk menghitung taksiran standar error, langkah pertama
adalah menghitung varians (atau standar deviasi) untuk sampel nilai D.
Standar deviasi dan ukuran sampel,dengan n.
Perhitungan dilakukan dengan menggunakan skor perbedaan (nilai D) dan hanya ada satu nilai D
untuk setiap subjek. Dengan sampel dri n subjek, disana adalah persis n D skor, dan statistik t telah df= n
- 1. Ingat bahwa n mengacu pada jumlah nilai D, bukan jumlah skor X pada data asli. juga harus
mencatat bahwa statistik t pengukuran berulang secara konseptual serupa ke statistik t yang telah periksa
sebelumnya:
sample statistic− population parameter
t=
estimated standard error
Interval confidence untuk memperkirakan D, kemungkinan untuk menghitung interval confidence
sebagai metode alternatif untuk mengukur dan menggambarkan ukuran efek . Untuk pengukuran
berulang, menggunakan sampel mean perbedaan, M D, untuk memperkirakan perbedaan mean
populasi,D. Pada kasus ini, Interval confidence secara harfiah memperkirakan ukuran efek dengan
memperkirakan populasi berarti perbedaan antara kedua kondisi. Seperti statistik t lainnya, langkah
pertama adalah menyelesaikan persamaan t untuk yang tidak diketahui parameter. Untuk statistik t
pengukuran berulang, digunakan rumus :
μ D=M D ±ts M D
Dalam persamaan, nilai untuk MD dan untuk SMD diperoleh dari data sampel. Meskipun nilai statistik t
tidak diketahui, dapat menggunakan ddegrees of freedom (df) untuknya statistik t dan tabel distribusi t
untuk memperkirakan nilai t. Menggunakan perkiraan t dan nilai yang diketahui dari sampel, kemudian
dapat menghitung nilai D.
Jumlah subjek Repeated-measures-ulang biasanya memerlukan lebih sedikit subjek daripada desain
ukuran independen. Repeated-measures menggunakan subjek lebih efisien karena masing-masing
individu diukur dalam kedua kondisi treatment. Hal ini bisa sangat penting bila ada sedikit mata pelajaran
yang tersedia (misalnya, saat mempelajari spesies langka atau individu dalam profesi langka).
Perbedaa individu adalah karakteristik seperti usia, IQ, jenis kelamin, dan kepribadian yang bervariasi
dari satu individu ke yang lain Perbedaan individual ini dapat mempengaruhi nilai yang diperoleh sebuah
studi penelitian, dan dapat mempengaruhi hasil tes hipotesis.
1. Observasi dalam setiap kondisi treatment harus independen . Perhatikan bahwa asumsi kemerdekaan
mengacu pada skor di dalamnya setiap treatment di dalam setiap perlakuan, skor diperoleh dari perbedaan
individu dan harus independen satu sama lain.