B.

Uji Hipotesis dengan Statistik t

Seperti biasa, hipotesis nol menyatakan bahwa pengobatan tidak berpengaruh; khususnya, H0
menyatakan bahwa rata-rata populasi tidak berubah. Dengan demikian, hipotesis nol
memberikan hipotesis spesifik
Nilai untuk rata-rata populasi yang tidak diketahui. Data sampel memberikan nilai untuk sampel
berarti. Terakhir, varians dan estimasi kesalahan standar dihitung dari sampel
data. Ketika nilai-nilai ini digunakan dalam rumus t, hasilnya menjadi.

sample mean ( ¿ data )− population mean ( ¿ H 0 )

t=
estimate standartd error

Seperti halnya rumus skor-z, statistik t membentuk rasio. Pembilangnya mengukur

perbedaan aktual antara data sampel (M) dan hipotesis populasi (μ).

Estimasi kesalahan standar dalam penyebut mengukur seberapa besar perbedaan yang
direalisasikan.
dapat diharapkan antara rata-rata sampel dan rata-rata populasi. Ketika diperoleh perbedaan
antara data dan hipotesis (pembilang) jauh lebih besar dari yang diharapkan (penyebut),
diperoleh nilai t yang besar (baik positif besar maupun negatif besar). Di dalam dalam hal ini,
kami menyimpulkan bahwa data tersebut tidak sesuai dengan hipotesis dan keputusan menolak
H0. Di sisi lain, ketika perbedaan antara data dan hipotesis
esisnya relatif kecil terhadap kesalahan standar, kita mendapatkan statistik t mendekati nol, dan
keputusan kita adalah “gagal menolak H0.”

Populasi yang Tidak Diketahui

Pada kasus ini, populasi yang tidak diketahui adalah populasi yang ada setelah pengobatan
diberikan, dan
hipotesis nol hanya menyatakan bahwa nilai mean tidak diubah oleh perlakuan.
Secara khusus, uji t tidak memerlukan pengetahuan sebelumnya tentang mean populasi atau
varians populasi.
Untuk menghitung statistik t adalah hipotesis nol dan sampel dari populasi yang tidak diketahui.
Dengan demikian, uji t dapat digunakan dalam situasi di mana hipotesis nol diperoleh dari suatu
teori, prediksi logis, atau sekadar angan-angan. Misalnya, banyak penelitian yang
menggunakanpertanyaan skala penilaian untuk mengukur persepsi atau sikap peserta diberikan
pernyataan dan ditanya untuk menyatakan pendapat mereka pada skala 1–7, dengan 1
menunjukkan “sangat negatif” dan 7 menunjukkan “sangat positif.” Skor 4 menunjukkan posisi
netral, tidak kuat pendapat dengan satu atau lain cara. Dalam situasi ini, hipotesis nol akan
menyatakan demikian tidak ada preferensi, atau tidak ada pendapat yang kuat, dalam populasi,
dan gunakan hipotesis nol
H0 : μ = 4. Data dari sampel kemudian digunakan untuk mengevaluasi hipotesis. Perhatikan
bahwa
peneliti tidak memiliki pengetahuan sebelumnya tentang mean populasi dan menyatakan
hipotesis bahwa
didasarkan pada logika.
■ Contoh Pengujian Hipotesis
Situasi penelitian berikut menunjukkan prosedur pengujian hipotesis dengan statistik t.
Perhatikan bahwa ini adalah contoh lain dari hipotesis nol yang didasarkan pada logika daripada
pengetahuan sebelumnya tentang rata-rata populasi.
Bayi, bahkan bayi yang baru lahir, lebih suka memandang wajah yang menarik dibandingkan
dengan wajah yang kurang menarik
(Slater dkk., 1998). Dalam penelitian tersebut, bayi berusia 1–6 hari diperlihatkan dua foto wajah
wanita. Sebelumnya, sekelompok orang dewasa telah menilai salah satu wajah secara signifikan
lebih menarik dibandingkan yang lain. Bayi-bayi itu diposisikan di depan layar tempat foto-foto
disajikan. Sepasang wajah tersebut tetap berada di layar sampai bayi tersebut mengaku.
Disimulasikan total 20 detik untuk melihat satu atau yang lain. Jumlah detik yang terlihat pada
wajah yang menarik dicatat untuk setiap bayi. Misalkan penelitian tersebut menggunakan sampel
sebesar
n = 9 bayi dan data tersebut menghasilkan rata-rata M = 13 detik untuk wajah menarik
dengan SS = 72. Perhatikan bahwa semua informasi yang tersedia berasal dari sampel. Secara
khusus,
kita tidak mengetahui mean populasi atau deviasi standar populasi.

Nyatakan hipotesis dan pilih tingkat alfa. Meskipun kami tidak memiliki informasitentang
populasi skor, dimungkinkan untuk membentuk hipotesis logis tentang nilai dari μ. Dalam hal
ini, hipotesis nol menyatakan bahwa bayi tidak mempunyai preferensi terhadap keduanya
menghadapi. Artinya, mereka harus menghabiskan rata-rata setengah dari 20 detik untuk melihat
kedua wajah tersebut.
Dalam simbol, hipotesis nol menyatakan
H0 : μ menarik = 10 detik

Langkah 1
Hipotesis alternatif menyatakan bahwa ada preferensi dan salah satu wajah didahulukan.
difermentasi di atas yang lain. Pengujian terarah dan satu sisi akan menentukan sisi mana yang
merupakan sisi mana
lebih disukai, tetapi hipotesis alternatif non-arah dinyatakan sebagai berikut:

H1 : μ menarik ≠ 10 detik
Kita akan menetapkan tingkat signifikansi pada α = 0,05 untuk dua sisi.

Langkah 2
Temukan wilayah kritis. Statistik ujinya adalah statistik t karena variabel populasinya
ance tidak diketahui. Oleh karena itu, nilai derajat kebebasan harus ditentukan terlebih dahulu

wilayah kritis dapat ditemukan. Untuk sampel ini

df = n – 1 = 9 – 1 = 8

Untuk pengujian dua sisi pada tingkat signifikansi 0,05 dan dengan derajat kebebasan 8, kriteria
wilayah cal terdiri dari nilai t lebih besar dari +2,306 atau kurang dari –2,306. Gambar 9.4
menggambarkan
wilayah kritis dalam distribusi t ini.

Langkah 3
Hitung statistik uji. Statistik t biasanya memerlukan perhitungan lebih banyak daripada
diperlukan untuk skor-z. Oleh karena itu, sebaiknya Anda membagi perhitungannya menjadi
proses tiga tahap sebagai berikut.

A. Pertama, hitung varians sampel. Ingatlah bahwa varians populasi adalah

tidak diketahui, dan Anda harus menggunakan nilai sampel sebagai gantinya. (Inilah alasannya
menggunakan statistik t dan bukan skor-z.)
2 SS SS 72
s= = = =9
n−1 df 8
B. Selanjutnya, gunakan varians sampel (s2) dan ukuran sampel (n) untuk menghitung estimasi
kesalahan standar. Nilai ini adalah penyebut dari statistik t dan mengukur caranya
banyak perbedaan yang masuk akal untuk diharapkan secara kebetulan antara mean sampel dan
mean sampel
rata-rata populasi yang sesuai.

√ √
2
Sm = S = 9 =√ 1 = 1
n 9
C. Terakhir, hitung statistik t untuk data sampel.

M −μ 13−10
t= = =3.00
Sm 1

Langkah 4

Membuat keputusan mengenai H0. Statistik t yang diperoleh sebesar 3,00 masuk dalam kritis
wilayah di sisi kanan distribusi t. Keputusan statistik kami adalah menolak H0

Dan menyimpulkan bahwa bayi memang menunjukkan preferensi ketika diberi pilihan wajah
yang menarik dan tidak menarik. Secara khusus, jumlah waktu rata-rata yangwaktu yang
dihabiskan bayi untuk melihat wajah menarik berbeda secara signifikan dengan waktu 10
detikitu yang diharapkan jika tidak ada preferensi. Seperti yang ditunjukkan oleh mean sampel,
ada adalah kecenderungan bayi menghabiskan lebih banyak waktu memandangi wajah yang
menarik.

 Asumsi uji t

Dua asumsi dasar diperlukan untuk uji hipotesis dengan statistik t.

1. Nilai-nilai dalam sampel harus terdiri dari observasi independen.

Dalam istilah sehari-hari, dua observasi bersifat independen jika tidak ada konsistensi.
tenda, hubungan yang dapat diprediksi antara pengamatan pertama dan pengamatan kedua. Lebih
tepatnya, dua peristiwa (atau pengamatan) adalah independen jika kejadian pertama terjadi
peristiwa tidak berpengaruh pada peluang terjadinya peristiwa kedua. Kami memeriksa secara
spesifik
contoh independensi dan non-independen pada Kotak 8.1

2. Populasi yang dijadikan sampel harus normal.

Asumsi ini adalah bagian penting dari matematika yang mendasari pengembangan statistik t dan
tabel distribusi t. Namun, melanggar asumsi ini- khususnya, hal ini memiliki pengaruh praktis
yang kecil terhadap hasil yang diperoleh untuk statistik t ketika ukuran sampel relatif besar.
Dengan sampel yang sangat kecil populasi normal distribusi tion itu penting. Dengan sampel
yang lebih besar, asumsi ini bisa dilanggartanpa mempengaruhi validitas uji hipotesis. Jika
Punya alasan untuk mencurigai bahwa distribusi populasi tidak normal, gunakan sampel yang
besar agar aman.

■ Pengaruh Ukuran Sampel dan Varians Sampel

Berbagai faktor dapat mempengaruhi hasil a
uji hipotesis. Khususnya, jumlah skor dalam sampel dan besarnya
varians sampel keduanya memiliki pengaruh besar pada statistik t dan dengan demikian
mempengaruhi statistik keputusan yang tepat. Struktur rumus t membuat faktor-faktor tersebut
lebih mudah dipahami.

t=¿ ¿
M −μ
Sm
where Sm =
√ S2
n

Karena kesalahan baku taksiran, sM, muncul pada penyebut rumus, a nilai sM yang lebih besar
menghasilkan nilai t yang lebih kecil (mendekati nol). Jadi, faktor apa pun itu mempengaruhi
kesalahan standar juga mempengaruhi kemungkinan menolak hipotesis nol dan menemukan efek
pengobatan yang signifikan. Dua faktor yang menentukan besar kecilnya standarkesalahan
adalah varians sampel, s2, dan ukuran sampel, n.

Kesalahan baku taksiran berhubungan langsung dengan varians sampel sehingga semakin besar
variansnya, semakin besar kesalahannya. Jadi, varians yang besar berarti kecil kemungkinannya
Anda akan mengalaminya
memperoleh efek pengobatan yang signifikan. Secara umum, varians yang besar berdampak
buruk bagi statistik inferensial. Varians yang besar berarti skor tersebar luas, sehingga sulit untuk
melihat pola atau tren yang konsisten dalam data. Secara umum, varians yang tinggi mengurangi
kemungkinan menolak hipotesis nol.

Di sisi lain, estimasi kesalahan standar berbanding terbalik dengan jumlah skor dalam sampel.
Semakin besar sampelnya, semakin kecil kesalahannya. Jika semua faktor lainnya demikian
Jika dianggap konstan, sampel yang besar cenderung menghasilkan statistik t yang lebih besar
sehingga lebih mungkin terjadi untuk menghasilkan hasil yang signifikan. Misalnya selisih rata-
rata 2 poin dengan sampel sebesar n = 4 mungkin bukan bukti yang meyakinkan mengenai efek
pengobatan. Namun, 2 poin yang sama
perbedaan dengan sampel n = 100 jauh lebih menarik.