10.

1 INTRODUCTION TO THE INDEPENDENT-MEASURES DESIGN

Semua statistik inferensial melibatkan penggunaan satu sampel sebagai dasar untuk menarik
kesimpulan tentang satu populasi. Dalam setiap kasus, penelitian Pertanyaan menyangkut perbedaan
rata-rata antara dua kumpulan data. Ada dua desain penelitian umum yang bisa digunakan untuk
mendapatkan dua perangkat data yang akan dibandingkan:
1. Dua kumpulan data bisa berasal dari dua kelompok partisipan yang sama sekali terpisah.
Misalnya, penelitian ini bisa melibatkan sampel pria dibandingkan dengan sampel wanita.
2. Dua kumpulan data bisa berasal dari kelompok peserta yang sama. Misalnya, peneliti bisa
memperoleh satu set skor dengan mengukur depresi untuk sampel pasien sebelum mereka
mulai terapi dan kemudian mendapatkan set kedua data dengan mengukur individu yang
sama setelah 6 minggu terapi. Strategi penelitian pertama, dengan menggunakan kelompok
yang benar-benar terpisah, disebut sebagai upaya mereka desain penelitian atau desain antar-
subjek. Istilah ini menekankan fakta bahwa desain melibatkan sampel terpisah dan
independen dan membuat perbandingan antara dua kelompok individu. Perhatikan bahwa
penelitian menggunakan dua penelitian terpisah sampel untuk mewakili dua populasi yang
berbeda (atau dua perlakuan berbeda).

Definisi Desain penelitian

Desain penelitian digunakan kelompok peserta terpisah untuk setiap perlakuan kondisi
(atau untuk setiap populasi) disebut penelitian tindakan mandiri desain atau desain penelitian
antar-subyek.

10.2 THE t STATISTIC FOR AN INDEPENDENT-MEASURES RESEARCH DESIGN

Karena uji t independent melibatkan dua yang sampel terpisah, diperlukan beberapa notasi khusus
untuk membantu menentukan data mana yang cocok dengan sampel mana. Notasi ini melibatkan
penggunaan subskrip, dimana angka kecil yang ditulis di samping statistik sampel. Sebagai contoh,
jumlah skor pada sampel pertama akan diidentifikasi oleh n 1; Untuk sampel kedua, jumlah skor adalah n2.
Sampel berarti akan diidentifikasi oleh M1 dan M2. Jumlah kuadratnya adalah SS1 dan SS2

THE HYPOTHESIS FOR AN INDEPENDENTMEASURES TEST

Tujuan dari independent-measures research study adalah untuk mengevaluasi perbedaan rata-rata
antara dua populasi (atau antara dua kondisi pengobatan). Menggunakan subskrip untuk membedakan
dua populasi, rata-rata untuk populasi pertama adalah μ1, dan mean populasi kedua adalah μ2.
Perbedaan antara mean adalahsederhana μ1−μ 2. Hipotesis nol (H0) menyatakan bahwa tidak ada
perubahan, tidak efek, atau, dalam hal ini, tidak ada bedanya. Jadi, dalam simbol, hipotesis nol untuk
uji tindakan mandiri

H 0 : μ1−μ2=0 (Tidak ada perbedaan antara mean populasi).

hipotesis nol juga dapat dinyatakan sebagai μ1=μ 2

Namun, versi pertama H0 menghasilkan nilai numerik tertentu (nol) yang digunakan
dalam perhitungan statistik t. Hipotesis alternatif menyatakan bahwa ada perbedaan rata-rata antara
keduanya populasi,
 H 1 : μ 1−μ2 ≠ 0 (Ada perbedaan mean.)
Secara ekivalen, hipotesis alternatif dapat dengan mudah menyatakan bahwa kedua populasi
tersebut berarti tidak sama μ1 ≠ μ2

THE FORMULAS FOR AN INDEPENDENT-MEASURES HYPOTHESIS TEST

Independent-measures hypothesis menggunakan versi lain dari statistik t. Itu Rumus untuk
statistik t baru ini memiliki struktur umum yang sama dengan formula statistik t yang diperkenalkan di
Bab 9. Untuk membantu membedakan kedua formula, maka dilihat rumus asli sebagai statistik t sampel
tunggal dan lihat formula baru sebagai statistik t independen. Karena adanya independentmeasures baru t
mencakup data dari dua sampel dan hipotesis terpisah tentang dua populasi.
Secara khusus, ada dua hal yang perlu diingat:
1. Struktur dasar statistik t sama untuk kedua ukuran independen dan uji hipotesis sampel
tunggal. Dalam kedua kasus tersebut.

sampel statistik−ukuran populasi h ipotesis

t=
perkiraan eror standar

2. Pengukuran independen pada dasarnya adalah dua sampel t yang melipatgandakan semua
elemen dari rumus sampel tunggal.

Keseluruhan t formula Sampel tunggal menggunakan satu sampel untuk menguji hipotesis
sekitar satu populasi mean. Sampel mean dan mean populasi muncul di pembilang rumus t, yang
mengukur berapa banyak perbedaan yang ada data sampel dan hipotesis populasi.

sampel statistik−ukuran populasi h ipotesis M −μ

t= =
perkiraan eror standar SM

Langkah-langkah independen menggunakan perbedaan antara dua sarana sampel

Mengevaluasi hipotesis tentang perbedaan antara dua mean populasi. Dengan demikian, ukuran
independen t formula adalah

perbedaan sampel mean – perbedaan populasi mean ( M 1−M 2 )−( μ1−μ 2)

t= =
estimated standard error S(M 1− M 2 )

Dalam rumus ini, nilai M 1−M 2diperoleh dari data sampel dan nilai untuk μ1−μ 2berasal dari
hipotesis nol.

Estimated Standard error pada rumus mengukur seberapa akurat sampel merepresentasikan
parameter populasi . pada uji t data tunggal ,standar error direpresentasikan dengan symbol SM . namun
ketika mengunakan uji t independent standar eror dilambangkan dengan symbol S M1-SM2,perbedaan
sampel mean (M1 – M2) ,mean populasi μ1−μ 2.
Jangan biarkan notasi standard errormembingungkan . Secara umum standar error mengukur
seberapa akurat statistik mewakili parameter. Simbol untuk standar error mengambil bentuk statistik. Bila
statistik adalah mean sampel, M, simbolnya untuk k standar error adalah S M. Untuk uji independen,
statistik adalah sampel mean difference (M1 – M2 ), dan simbol untuk error st r adalah S(M 1−M 2) . Dalam
setiap kasus, standar error memberitahu berapa banyak perbedaan yang wajar untuk diharapkan antara
sampel statistik dan parameter populasi yang sesuai.
 Menafsirkan estimasi standar error
Estimate standar error M1 – M2 yang muncul di dasar statistik t independen dapat dilakukan
ditafsirkan dalam dua cara. Pertama, standar error didefinisikan sebagai ukuran standar,
atau rata-rata, jarak antara statistik sampel (M1 – M2) dan populasi yang sesuai parameter ( μ1−μ 2).
Seperti biasa, sampel tidak diharapkan sempurna akurat dan standard errormengukur berapa banyak
perbedaan yang wajar untuk diharapkan antara statistik sampel dan parameter populasi.

Ini menghasilkan interpretasi kedua untuk estimasi standar error. Secara khusus,
standar error dapat dilihat sebagai ukuran seberapa banyak perbedaan yang masuk akal
mengharapkan antara dua sampel berarti jika hipotesis nol benar.
Interpretasi kedua dari estimated standar error menghasilkan penyederhanaan
versi statistik t independen.

Dalam versi ini, pembilang statistik t mengukur berapa banyak perbedaan mean ada antara dua
sarana sampel, termasuk perbedaan yang disebabkan oleh treatment yang berbeda, Penyebut mengukur
berapa banyak perbedaan yang harus adaa ntara dua sampel berarti jika tidak ada efek pengobatan yang
menyebabkannya berbeda. Nilai yang besar untuk statistik t adalah bukti adanya efek treatment.

CALCULATING THE ESTIMATED STandard ERROR

Untuk mengembangkan rumusnya, dipertimbangkan tiga hal berikut:

1. Masing-masing dari dua mean sampel mewakili mean populasi sendiri, namun masing-masing
kasus ada beberapa kesalahan.
M1 mendekati μ1 dengan beberapa kesalahan.
M2 mendekati μ2 dengan beberapa kesalahan.
Dengan demikian, ada dua sumber kesalahan.

2. Jumlah kesalahan yang terkait dengan masing-masing mean sampel diukur dengan estimasi standar
error M. Diperkirakan standar error untuk setiap mean sampel dihitung sebagai berikut:

3. Untuk statistik t independen, diingingkan untuk mengetahui jumlah total kesalahan yang terlibat
dalam menggunakan dua alat sampel untuk mendekati dua populasi mean. Untuk melakukan ini,
menemukan kesalahan dari masing-masing sampel secara terpisah dan kemudian menambahkannya dua
kesalahan itu bersama. Rumus yang dihasilkan untuk standar error adalah
 Karena statistik t independen hanya menggunakan dua mean sampel, rumusnya untuk estimasi standar
error hanya menggabungkan kesalahan untuk mean sampel pertama dan kesalahan untuk mean sampel
kedua. Dua sampel berukuran persis sama (yaitu n1 = n2). Untuk situasi di mana kedua ukuran sampel
berbeda, rumusnya bias dan oleh karena itu tidak tepat.
Fakta yang berlaku untuk varians sampel: Perbedaan yang diperoleh dari sampel besar adalah
perkiraan yang lebih akurat dari 2 dari varians yang diperoleh dari sampel kecil. Salah satu metode untuk
mengoreksi dalam standar error adalah menggabungkan dua sampel varians menjadi satu nilai yang
disebut varians gabungan. Varians gabungan diperoleh dengan rata-rata atau "menggabungkan" dua
varians sampel dengan menggunakan prosedur yang harus ingat bahwa bila hanya ada satu sampel,
varians sampelnya adalah dihitung sebagai:

Untuk statistik t independen, ada dua nilai SS dan dua nilai df(satu dari setiap sampel). Nilai dari dua
sampel digabungkan untuk dihitung apa yang disebut varians gabungan. Perbedaan gabungan
diidentifikasi dengan simboldan dihitung sebagai varians gabungan

Dengan satu sampel, varians dihitung sebagai SS dibagi dengan df. Dengan dua sampel,varians
gabungan dihitung dengan menggabungkan dua nilai SS dan kemudian membaginya kombinasi dari dua
nilai df.

ESTIMATED STANDARD ERROR

Dengan menggunakan varians gabungan di tempat varians sampel individu, kita sekarang bisa
dapatkan ukuran tidak bias dari standard erroruntuk perbedaan mean sampel. Itu
Rumus yang dihasilkan untuk estimasi standard errorpengukuran independen adalah

Secara konseptual, standard error ini mengukur seberapa akurat perbedaannya

antara dua mean sampel mewakili perbedaan antara kedua populasi mean. Dalam sebuah uji hipotesis, H0
menentukan bahwa μ1−μ 2 dan standard error juga mengukur berapa banyak perbedaan yang diharapkan,
rata-rata, antara dua sampel mean. Dalam kedua kasus tersebut, rumus menggabungkan kesalahan untuk
mean sampel pertama dengan kesalahan untuk mean sampel kedua. Perhatikan juga bahwa varians
gabungan dari dua sampel digunakan untuk menghitung standard error untuk mean sampel perbedaan.

THE FINAL FORMULA AND DEGREES OF FREEDOM

Rumus lengkap untuk statistik t tindakan independen adalah sebagai berikut:

 Tingkat kebebasan untuk statistik tindakan independen ditentukan oleh
nilai df untuk dua sampel terpisah:

df untuk statistik t = df untuk sampel pertama + df untuk sampel kedua

= df1 + df2
= (n1- 1) + (n2- 1)

Secara ekivalen, nilai df untuk statistik t independen dapat dinyatakan sebagai

df= n1 + n-2

t statistik independen digunakan untuk pengujian hipotesis. Secara khusus,

kita menggunakan perbedaan antara dua mean sampel (M1-M2) sebagai dasar pengujian
hipotesis tentang perbedaan antara dua mean populasi ( μ1−μ 2). Di dalam
konteks, keseluruhan struktur statistik t dapat dikurangi menjadi sebagai berikut:
data−hypotesis
t=
error

10.3 HYPOTHESIS TESTS AND EFFECT SIZEWITH THE

INDEPENDENT-MEASURES t STATISTIC
Statistik t statistik independen menggunakan data dari dua sampel terpisah untuk membantu
diputuskan apakah ada perbedaan mean yang signifikan antara dua populasi atau antara dua kondisi
treatment.

Dapatkan data dan hitung statistik uji. Data diberikan, jadi semua yang tersisaadalah menghitung statistik

MEASURING EFFECT SIZE FOR THE INDEPENDENTMEASURES t TEST

sebuah tes hipotesis biasanya disertai dengan laporan dari ukuran efek untuk memberi indikasi
besarnya absolut efek treatment. Salah satu teknik untuk mengukur ukuran efek adalah d Cohen, yang
menghasilkan standar ukuran perbedaan rata-rata. Dalam bentuk umum, Cohen's d didefinisikan sebagai
meandifference μ −μ
d= = 1 2
standard deviation σ

Dalam konteks studi penelitian independen, perbedaan antara Dua mean sampel (M1- M2) digunakan
sebagai perkiraan terbaik dari perbedaan rata-rata antara dua populasi, dan gabungan standar deviasi (akar
kuadrat dari pooled variance) digunakan untuk memperkirakan standar deviasi populasi. Jadi, rumusnya
untuk memperkirakan Cohen's d menjadi
estimated mean difference M 1 −M 2
d= =
estimated st andard deviation √ s 2p
 CONFIDENCE INTERVALS FOR ESTIMATING 1 - 2

untuk menghitung interval conficence sebagai alternative metode untuk mengukur dan
menggambarkan ukuran efektreatment. Untuk single sample t, digunakan mean sampel tunggal, M, untuk
memperkirakan mean populasi tunggal. Untuk langkah-langkah independen, kita menggunakan
perbedaan mean sampel, M1- M2, untumemperkirakan perbedaan rata-rata populasi, 1- 2. Dalam hal
ini, interval kepercayaan secara harfiah memperkirakan ukuran populasi berarti perbedaan antara kedua
populasi atau populasi kondisi perawatan. Seperti pada contoh sampel tunggal, langkah pertama adalah
menyelesaikan persamaan t untuk yang tidak diketahui parameter. Untuk statistik t tindakan independen,
kita dapatkan
μ1−μ 2=M 1−M 2 ± ts( M −M )
1 2

Dalam persamaan, nilai untuk M1= M2 dan untuk diperoleh dari sampel data. Meski nilai statistik t
belum diketahui, kita bisa menggunakan derajatnya kebebasan untuk statistik t dan tabel distribusi t untuk
memperkirakan nilai t.

CONFIDENCE INTERVALS AND HYPOTHESIS TESTS

Selain menggambarkan ukuran efek pengobatan, estimasi dapat digunakan untuk mendapatkan sebuah
indikasi pentingnya efek tersebut.

DIRECTIONAL HYPOTHESES AND ONE-TAILED TESTS

Saat merencanakan sebuah studi tindakan mandiri, seorang peneliti biasanya memiliki beberapa
harapan atau prediksi spesifik untuk hasilnya. Semacam ini directional Prediksi dapat dimasukkan ke
dalam pernyataan hipotesis, menghasilkan directional atau one tailed test. One tailed test dapat
menyebabkannya menolak H0 bila perbedaan rata-rata relatif kecil dibandingkan dengan besarannya
dibutuhkan dengan tes dua-ekor. Akibatnya, tes satu-ekor harus digunakan saat jelas dibenarkan oleh teori
atau temuan sebelumnya. Contoh berikut menunjukkan prosedur untuk menyatakan hipotesis dan
menemukan wilayah kritis untuk uji satu-ekor menggunakan statistik t independen.

THE ROLE OF SAMPLE VARIANCE AND SAMPLE SIZE IN THE

INDEPENDENTMEASURES t TEST
faktor yang dapat mempengaruhi hasil uji hipotesis Dua faktor yang berperan penting adalah
variabilitas skor dan ukuran sampelnya. Kedua faktor tersebut mempengaruhi besarnya standar yang
diperkirakan kesalahan dalam penyebut statistik t. Namun, standar error secara langsung terkait dengan
varians sampel (varians yang lebih besar menyebabkan kesalahan yang lebih besar) namun berbanding
terbalik terkait dengan ukuran sampel (ukuran yang lebih besar menyebabkan kesalahan yang lebih kecil).
Akibatnya, varians lebih besar menghasilkan nilai yang lebih kecil untuk statistik t (mendekati nol) dan
mengurangi kemungkinan menemukan hasil yang signifikan Sebaliknya, sampel yang lebih besar
menghasilkan nilai yang lebih besar untuk t statistik (lebih jauh dari nol) dan meningkatkan kemungkinan
menolak H0. Meskipun varians dan ukuran sampel keduanya mempengaruhi uji hipotesis, hanya varians
memiliki pengaruh besar pada ukuran ukuran efek seperti Cohen's d dan r 2; lebih besar varians
menghasilkan ukuran ukuran efek yang lebih kecil. Ukuran sampel, di sisi lain, memiliki tidak
berpengaruh pada nilai Cohen's d dan hanya pengaruh kecil pada r2.
10.4 ASSUMPTIONS UNDERLYING THE INDEPENDENT-MEASURES t
FORMULA
Ada tiga asumsi yang harus dipuaskan sebelum menggunakan independentmeasures
t untuk pengujian hipotesis:
1. Pengamatan dalam setiap sampel harus independen.
2. Dua populasi dari mana sampel dipilih harus normal.
3. Dua populasi dari mana sampel dipilih harus sama varians.

Dua asumsi pertama harus diketahui dari hipotesis t sampel tunggal. asumsi normalitasnya kurang penting
dari keduanya, terutama dengan sampel besar. Bila ada alasan untuk menduga bahwa Populasi yang jauh
dari normal, harus memberi kompensasi dengan memastikan bahw sampelnya relatif besar Asumsi
ketiga disebut homogenitas varians dan menyatakan bahwa Dua populasi yang dibandingkan harus
memiliki varians yang sama. Untuk uji itu, diasumsikan bahwa efek treatment adalah menambahkan
jumlah konstan ke (atau mengurangi konstanta jumlah dari) setiap skor individu. Akibatnya, standar
deviasi populasi setelahnya treatment sama seperti sebelumtreatment. Ingatlah bahwa varians gabungan
dalam rumus t-statistik diperoleh dengan rata-rata bersama-sama dua varians sampel. Jika kedua varians
sampel tersebut diperkirakan berbeda varians populasi, maka rata-rata tidak ada. Homogenitas varians
paling penting bila ada perbedaan besar antara ukuran sampel. Dengan ukuran sampel yang sama (atau
hampir sama), asumsi ini adalah kurang kritis, tapi tetap penting melanggar asumsi varians homogenitas
bisa meniadakan interpretasi data yang berarti dari percobaan tindakan mandiri. Secara khusus, ketika
menghitung statistik t dalam uji hipotesis, semua angka dalam formula berasal dari data kecuali
perbedaan mean populasi, yang kamu dapatkan dari H0. Jika mendapatkan hasil ekstrem untuk statistik t
(nilai di wilayah kritis), maka menyimpulkan bahwa nilai yang dihipotesiskan salah. Tapi
pertimbangkan apa yang terjadi kapanmelanggar asumsi varians homogenitas. Dalam kasus ini,
memiliki dua pertanyaan nilai dalam rumus (nilai populasi yang dihipotesiskan dan tidak berarti rata dari
dua varians). Sekarang jika mendapatkan statistik t ekstrim, dapat menolak hipotesi tersebut karena
mungkin varians gabungan yang menghasilkan statistik t ekstrim. Tanpa memenuhi persyaratan
homogenitas varians, idak bisa secara akurat menafsirkan statistik t, dan uji hipotesis menjadi tidak
berarti.

HARTLEY’S F-MAX TEST

Logikanya, jika kedua populasi tersebut variansnya sama, maka kedua varians sampelnya harus sangat
mirip. Bila kedua varians sampel cukup dekat, asumsi homogenitas telah terpenuhi dan dilanjutkan
dengan pengujian. Namun,Jika satu varian sampel lebih dari tiga atau empat kali lebih besar dari yang
lain, maka di sana alasan. Prosedur yang lebih objektif melibatkan uji statistik untuk dievaluasi asumsi
homogenitas. Meskipun ada banyak metode statistik yang berbeda untuk menentukan apakah
homogenitas varians asumsi sudah terpenuhi, Uji F-max Hartley adalah salah satu yang paling sederhana
untuk dihitung dan dimengerti. Tambahan Keuntungannya adalah bahwa tes ini juga bisa digunakan
untuk memeriksa homogenitas varian dengan lebih banyak dari dua sampel independen.

s 2 largest
Fmax=
s 2 smallest