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).
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
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
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.
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.
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.
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.
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
Dapatkan data dan hitung statistik uji. Data diberikan, jadi semua yang tersisaadalah menghitung statistik
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.
Selain menggambarkan ukuran efek pengobatan, estimasi dapat digunakan untuk mendapatkan sebuah
indikasi pentingnya efek tersebut.
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.
s 2 largest
Fmax=
s 2 smallest