CHAPTER 11

11.1 INTRODUCTION TO REPEATED-MEASURES DESIGNS

Repeated-measures designs sebagai salah satu strategi untuk membandingkan dua kondisi atau
dua populasi. Itu Repeated-measures designs dicirikan oleh fakta bahwa dua sampel terpisah digunakan
untuk mendapatkan dua set nilai yang harus dibandingkan. memeriksa strategi alternatif yang dikenal
sebagai repeated-measures ulang, atau withinsubjects Desain. Dengan repeated-measures, dua nilai
terpisah diperoleh untuk setiap individu dalam sampel. Di setiap Kasus, variabel yang sama diukur dua
kali untuk kumpulan individu yang sama; bahwa adalah, benar-benar mengulangi pengukuran pada
sampel yang sama. definisi Repeated-measures, atau desain dalam subjek, adalah yang di dalamnya
Variabel dependen diukur dua kali atau lebih untuk masing-masing individu secara tunggal mencicipi.
Kelompok subyek yang sama digunakan dalam semua kondisi treatment.

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

Para peneliti mencoba memperkirakan kelebihan langkah berulang Desain dengan menggunakan
teknik yang dikenal sebagai subjek yang cocok. Desain yang sesuai dengan mata pelajaran melibatkan
dua sampel terpisah, namun masing-masing individu dalam satu sampel cocok satu lawan satu dengan
individu di sampel lainnya. Biasanya, individu dicocokkan dengan satu atau lebih banyak variabel yang
dianggap sangat penting untuk penelitian ini. Meski peserta dalam satu sampel tidak identik dengan
Peserta dalam sampel lainnya, rancangan subjek yang sesuai setidaknya memastikan bahwa dua sampel
setara (atau cocok) dengan beberapa variabel spesifik.

DEFINISI THE MATCHED-SUBJECTS DESIGN

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).

DIFFERENCE SCORES: THE DATA FOR A REPEATED-MEASURES

STUDY
Nilai perbedaan, atau nilai D bahwa perbedaan skor mengukur jumlah perubahan dalam waktu
reaksi untuk setiap orang. Biasanya, perbedaan skor diperoleh oleh mengurangi skor pertama (sebelum
treatment) dari skor kedua (setelah treatment) untuk setiap orang:

perbedaan skor = D= X2- X1

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.

THE HYPOTHESES FOR A RELATED-SAMPLES STUDY

Tujuan peneliti adalah menggunakan sampel skor perbedaan untuk menjawab pertanyaan
tentang populasi umum. Secara khusus, peneliti ingin tahu apakah ada populasi skor perbedaan. Artinya,
untuk mengetahui apa yang akan terjadi jika setiap individu dalam populasi diukur dalam dua kondisi
treatment (X1 dan X2) dan skor perbedaan (D) dihitung untuk semua orang. Secara khusus, tertarik pada
mean untuk populasi skor perbedaan. mengidentifikasi populasi ini berarti perbedaan dengan simbol μD
(menggunakan subskrip huruf D untuk menunjukkan bahwa berhadapan dengan nilai D daripada nilai
X).
Hipotesis nol menyatakan bahwa, untuk populasi umum, tidak ada efek, tidak ada perubahan,
atau tidak ada bedanya. Untuk penelitian berulang, hipotesis nol menyatakan bahwa perbedaan rata-rata
untuk populasi umum adalah nol. Dalam simbol,

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.

THE t STATISTIC FOR RELATED SAMPLES

Secara khusus, memiliki populasi yang berarti dan standar Penyimpangan tidak diketahui, dan
memiliki sampel yang akan digunakan untuk menguji hipotesis populasi yang tidak diketahui, statistik t
sampel tunggal, yang memungkinkan untuk menggunakan mean sampel sebagai dasar untuk menguji
hipotesis tentang sesuatu yang tidak diketahui berulang kali t test. statistik t sampel tunggal didefinisikan
dengan rumus Dalam rumus ini,

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

11.3 HYPOTHESIS TESTS AND EFFECT SIZE FOR THE REPEATED-

MEASURES DESIGN
Dalam penelitian berulang, masing-masing individu diukur dalam dua perlakuan berbeda kondisi dan
tertarik apakah ada perbedaan sistematik antara skor dalam kondisi treatment pertama dan skor pada
kondisi treatment kedua. Skor perbedaan (nilai D) dihitung untuk setiap orang dan hipotesis uji
menggunakan skor perbedaan dari sampel untuk mengevaluasi keseluruhan perbedaan rata-rata, μ D, untuk
seluruh populasi. Uji hipotesis dengan statistik t pengukuran berulang mengikuti proses empat langkah
yang sama yang telah gunakan untuk tes lainnya :

1. Nyatakan hipotesisnya, dan geser alfa

2. Cari daerah kritis
3. Hitung statistik t
4. Membuat sebuah keputusan. . nilai t diperoleh jatuh di wilayah kritis.

MEASURING EFFECT SIZE FOR THE REPEATED-MEASURES t

Seperti tes hipotesis lainnya, kapanpun efek ditemukan secara statistic, disarankan agar melaporkan
ukuran absolute besarnya efeknya. Ukuran ukuran efek yang paling umum digunakan adalah Cohen's d
dan r2, persentase varians diperhitungkan. Ukuran efek juga dapat dijelaskan dengan interval confidence
memperkirakan perbedaan mean populasi, D.
memperkenalkan Cohen's d sebagai ukuran standar dari perbedaan rata-rata antara treatment.
Standarisasi hanya membagi populasi mean perbedaan dengan standar deviasi. Untuk penelitian berulang,
Cohen's d didefinisikan sebagai

population mean difference μ D

d= =
standard deviation σD
 Persentase varians diperhitungkan, r2 Persentase varians dihitung menggunakan nilai t yang
diperoleh dan nilai df dari uji hipotesis, persis seperti yang telah dilakukan untuk sampel tunggal t dan
untuk langkah-langkah independen . memakai rumus,
2
2 t
r= 2
t + df

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.

DESCRIPTIVE STATISTICS AND THE HYPOTHESIS TEST

Data sampel dari sebuah penelitian membuat lebih mudah untuk melihat ukuran efek dan untuk
memahami hasil uji hipotesis. Selain menunjukkan nilai dalam sampel, mempunyai posisi μ D= 0;
Artinya, nilai yang ditentukan dalam hipotesis nol. Perhatikan bahwa skor dalam sampel dipindahkan dari
nol. Secara khusus, data tidak konsisten dengan mean populasi μD= 0, itulah sebabnya mengapa menolak
null hipotesa.

VARIABILITY AS A MEASURE OF CONSISTENCY FOR THE

TREATMENT EFFECT
Dalam penelitian berulang, variabilitas skor perbedaan menjadi relatif konsep konkret dan mudah
dimengerti. Secara khusus, variabilitas sampel menggambarkan konsistensi efek. Misalnya, jika konsisten
menambahkan beberapa poin ke masing-masing nilai individu, maka himpunan skor perbedaan
dikelompokkan bersama dengan variabilitas yang relatif kecil.

11.4 USES AND ASSUMPTIONS FOR REPEATED-MEASURES t TESTS

REPEATED-MEASURES VERSUS INDEPENDENTMEASURES DESIGNS
Dalam banyak situasi penelitian, dimungkinkan untuk menggunakan rancangan berulang sebuah
rancangan independen untuk membandingkan dua kondisi treatment. Independensinya Desain akan
menggunakan dua sampel terpisah (satu dalam setiap kondisi treatment)
 dan repeated-measures-ulang hanya menggunakan satu sampel dengan individu yang sama
berpartisipasi dalam kedua treatment. Keputusan tentang desain mana yang akan digunakan sering
dilakukan dengan mempertimbangkan kelebihan dan kekurangan dari kedua desain tersebut. Secara
umum, Repeated-measures-ulang memiliki sebagian besar keuntungan.

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).

Studi perubahan dari waktu ke waktu Repeated-measures-ulang sangat cocok untuk

belajarpengembangan, atau perubahan lainnya yang terjadi seiring berjalannya waktu. Ini melibatkan
pengukuran individu pada satu waktu dan kemudian kembali mengukur individu yang sama di lain waktu.
Dengan cara ini, peneliti bisa mengamati perilaku itu berubah atau berkembang dari waktu ke waktu.
Perbedaan individu Keuntungan utama dari perancangan berulang adalah itu mengurangi atau
menghilangkan masalah yang disebabkan oleh perbedaan individu.

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.

TIME-RELATED FACTORS AND ORDER EFFECTS

Kerugian utama dari perancangan berulang adalah struktur dari Desain memungkinkan faktor selain
efek menyebabkan skor peserta berubah dari satu perlakuan ke perlakuan berikutnya. Secara khusus,
dalam perancangan berulang, Setiap individu diukur dalam dua kondisi treatment yang berbeda, biasanya
pada dua berbeda waktu. Dalam situasi ini, faktor luar yang berubah dari waktu ke waktu mungkin
bertanggung jawab untuk perubahan nilai peserta.
Misalnya, kesehatan atau suasana hati peserta berubah dari waktu ke waktu dan menyebabkan
perbedaan dalam skor peserta. Faktor luar seperti itu karena cuaca juga bisa berubah dan mungkin
memiliki pengaruh terhadap nilai peserta. Karena studi berulang-ulang biasanya berlangsung dari waktu
ke waktu, mungkin saja demikian Faktor terkait waktu (selain dua treatment) bertanggung jawab untuk
menyebabkan perubahan dalam skor peserta. Juga, ada kemungkinan bahwa partisipasi dalam treatment
pertama mempengaruhi individu skor di treatment kedua. Jika peneliti mengukur kinerja individu,
Misalnya, peserta bisa mendapatkan pengalaman selama treatment pertama kondisi, dan latihan ekstra
ini bisa membantu penampilan mereka dalam kondisi kedua. Dalam situasi ini, peneliti akan menemukan
perbedaan yang berarti antara kedua kondisi tersebut; Namun, perbedaannya tidak akan disebabkan oleh
treatment, sebaliknya akan terjadi disebabkan oleh efek latihan. Perubahan nilai yang disebabkan oleh
partisipasi dalam Perlakuan sebelumnya disebut efek pesanan dan dapat mendistorsi perbedaan rata-rata
yan ditemukan di penelitian penelitian berulang-ulang.
Mengimbangi Salah satu cara untuk mengatasi faktor terkait waktu dan efek pesanan adalah
mengimbangi urutan presentasi treatment. Artinya, para peserta secara acak dibagi menjadi dua
kelompok, dengan satu kelompok menerima 1 dilanjutkan denga 2, dan kelompok lainnya yang
menerima 2 dilanjutkan dengan 1.
Tujuannya Mengimbangi adalah untuk mendistribusikan efek luar secara merata selama dua treatment.
Untuk Misalnya, jika efek latihan menjadi masalah, maka setengah dari peserta mendapatkan pengalam
lam 1, yang kemudian membantu kinerjanya dalam 2. Namun, yang lain setengah mendapatkan
pengalaman dalam treatment 2, yang membantu kinerjanya dala treatment . Jadi, Pengalaman
sebelumnya membantu kedua treatment itu secara setara. Akhirnya, jika ada alasan untuk mengharapkan
efek waktu yang kuat terkait atau kuat Efeknya, strategi terbaik adalah tidak menggunakan repeated-
measures-ulang. Sebagai gantinya gunakan langkah-langkah independen (atau rancangan subjek yang
sesuai) sehingga masing-masing individ berpartisipasi hanya dalam satu perlakuan dan hanya diukur satu
kali.

ASSUMPTIONS OF THE RELATED-SAMPLES t TEST

Statistik sampel yang terkait memerlukan dua asumsi dasar:

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.

2. Distribusi populasi skor perbedaan (nilai D) harus normal.

Seperti sebelumnya, asumsi normalitas bukan merupakan penyebab keprihatinan kecuali jika Ukuran
sampel relatif kecil. Dalam kasus keberangkatan yang parah dari normalitas, validitas uji t dapat
dikompromikan dengan sampel kecil. Namun, Dengan sampel yang relatif besar (n> 30), asumsi ini bisa
diabaikan.