Run Test pada Statistik Non Parametrik

Run Test atau uji run sangat dikenal dalam uji asumsi klasik yaitu uji autokorelasi. Padahal sebenarnya run test adalah uji keacakan atau suatu metode untuk melihat apakah suatu data diambil secara acak atau tidak. Maka sering disebut One-sample runs test of randomness. Run test sering digunakan untuk uji autokorelasi sehingga akhirnya malah lebih populer pada uji tersebut, meskipun sebenarnya uji ini berkembang dari statistik non parametrik. Ini sangat mirip dengan uji Kolmogorov-Smirnov yang sangat jamak digunakan sebagai uji normalitas, padahal juga merupakan salah satu uji dalam statistik non parametrik. Mungkin lebih tepat disebut Uji Liliefors karena beliaulah yang memberikan reasoning yang sangat bagus tentang hal ini.

Istilah Runs adalah suatu simbol yang diikuti dan didahului oleh simbol yang berbeda. Mungkin lebih jelas kita lihat simulasi berikut ini:

Contoh Data Run Test

Ada 15 wali murid yang diberikan pertanyaan atau kuesioner tentang vaksinasi dan Pembelajaran Tatap Muka. Skor hasil jawaban diberikan seperti tabel di atas dan mempunyai median sebesar 16. Wali 01 karena mempunyai skor 20 di atas 16 maka diberikan tanda 1, demikian juga wali murid 02. Tetapi wali murid 03 mempunyai skor 15 atau di bawah 16 sehingga diberikan tanda 0 demikian juga wali murid 04, demikian seterusnya. Berdasarkan kolom Tanda, maka kita bisa menghitung jumlah Runs, yaitu 1 untuk wali murid 01 dan 02. Karena wali murid 03 adalah 0 (berubah tanda dari 1) maka muncul Runs baru sehingga total Runs menjadi 2. Wali murid 05 dan 06 muncul 1 Runs lagi, sehingga menjadi 3 demikian seterusnya. Totalnya ada 9 Runs.

Jumlah Runs tersebut lalu dikonsultasikan ke Tabel Runs, meskipun jarang, tetapi biasanya terdapat pada lampiran buku statistik Anda. Tetapi memang tidak populer, seperti Tabel R atau Tabel F, jadi kadang memang tidak ada lampiran tabel Runs. Tetapi jika ada silahkan dikonsultasikan dan ada sampel kecil dan sampel besar. Jumlah Runs ini yang menentukan kriteria penerimaan H0 atau penerimaan Ha.

Jika menggunakan SPSS, maka akan lebih simpel. Pilih Analyze, pilih Nonparametric Test, lalu pilih Legacy Dialogs dan klik pada Runs seperti pada gambar di bawah:
Menu Runs pada SPSS Versi 23

Maka akan masuk ke menu Run Test dan masukkan variabel yang akan diuji seperti gambar di bawah ini:
Memasukkan Variabel

Masukkan variabel ke dalam box Test Variables List seperti pada gambar di atas, pilih cut point median, lalu klik OK sehingga akan keluar output sebagai berikut:
Output Run Test dengan SPSS Versi 23

Nilai Test value, pada output baris paling atas adalah 16 yang merupakan nilai median (perhatikan tanda asterik a). Lalu wali murid yang mempunyai skor lebih rendah dari 16 (median) sebanyak 7 sedangkan yang sama atau lebih tinggi ada 8. Ini sudah tampak jelas di tabel output di atas. Total cases adalah 15 atau jumlah semua wali murid dan Number of Runs adalah 9, seperti yang telah kita contohkan di tabel pertama di atas dengan Excel. 

Untuk justifikasi, kita tinggal melihat nilai Signifikansi yaitu sebesar 0,986 > 0,05 yang menunjukkan bahwa sampel telah diambil secara acak. Jika di bawah 0,05 maka dijustifikasi bahwa sampel diambil tidak acak atau ada pola tertentu atau dalam uji autokorelasi dinyatakan ada gangguan autokorelasi.

Untuk mendapatkan data simulasi di atas, silahkan download di sini. Format SPSS, dan silahkan convert ke Excel sehingga menjadi seperti pada gambar pertama di artikel ini. Silahkan download dengan akun Google Anda. 
Share:

Contoh One Way Anova dengan SPSS

One Way Anova dipergunakan untuk mencari apakah terdapat perbedaan antara dua sampel atau lebih yang tidak berkorelasi. Ini penting ditekankan, karena jika ada dua sampel yang berkorelasi, maka digunakan paired test jika normal dan Wilcoxon jika tidak normal atau non parametrik. Jika ada lebih dari dua sampel tetapi tidak berkorelasi, maka dipergunakan independent sample t test yang memerlukan asumsi normalitas dan Mann-Whitney U Test jika tidak normal. One way anova juga memerlukan asumsi normalitas dan masuk ke dalam statistik parametrik.

Dalam simulasi ini, data bisa Anda download di Google Drive. Gunakan akun Gmail Anda untuk melakukan login. Ini adalah data jumlah DVD yang disewa dalam suatu persewaan DVD dalam suatu waktu. Ada beberapa data, tetapi yang kita gunakan adalah data jumlah DVD yang disewa dan rentang usia dari para penyewa. Ada 6 kategori usia penyewa yaitu (1) 18 sd 24 tahun, (2) 25 sd 31 tahun, (3) 32 sd 38 tahun, (4) 39 sd 45 tahun, (5) 46 sd 52 tahun, dan (6) 53 sampai dengan 59 tahun. Kita ingin melihat apakah terdapat perbedaan jumlah DVD yang disewa di antara rentang usia tersebut.

Langkah pertama adalah dengan melihat normalitas. Kita bisa menggunakan Explore dan memberikan hasil sebagai berikut:

Uji Normalitas dengan Explore

Tampak bahwa nilai signifikansi untuk uji Liliefors adalah sebesar 0,092 > 0,05 yang menunjukkan bahwa asumsi normalitas telah terpenuhi. Hasil uji Shapiro-Wilk juga memperkuat hasil pengujian tersebut dengan signifikansi sebesar 0,168 > 0,05.
Menu One Way ANOVA dengan SPSS Versi 23

Setelah klik One Way ANOVA maka akan masuk ke menu sebagai berikut:
Memasukkan Variabel ke  dalam One Way ANOVA
Masukkan Total DVD assessment ke dalam Dependent List dan untuk Factor masukkan Age Group. Setelah itu klik Option di kanan atas sehingga masuk ke sub menu sebagai berikut:
Sub menu options untuk uji homogenitas
Berikan tick mark seperti pada gambar di atas untuk uji homogenitas dan penggambaran nilai rata-rata pada grafik. Setelah itu klik Continue lalu klik OK sehingga akan keluar output.
Output uji homogenitas One Way ANOVA

Nilai signifikansi adalah sebesar 0,720 > 0,05 yang berarti tidak terdapat perbedaan variance pada ke-6 kategori usia dalam sampel penelitian atau dengan kata lain, varian data adalah equal. Untuk melihat apakah terdapat perbedaan atau tidak maka digunakan output berikut:
Output uji beda One Way ANOVA

Tampak bahwa nilai F hitung adalah sebesar 4,601 dengan signifikansi sebesar 0,001 < 0,05 yang berarti terdapat perbedaan yang signifikan dalam sampel penelitian. Manajer rental DVD dapat mengatakan bahwa usia yang berbeda maka jumlah DVD yang disewa juga berbeda. Untuk melihat grafiknya, maka lebih jelas seperti gambar di bawah:
Mean plot

Dengan gambar di atas maka tampak jelas jumlah DVD yang disewa berdasarkan kategori usia. Tertinggi adalah rentang usia 39 sd 45 tahun yang yang terendah adalah rentang usia 53 sd 59 tahun. 

Lebih lanjut, manajer ingin melihat lebih detail, rentang usia mana saja yang berbeda dan rentang usia mana yang tidak berbeda. Ini digunakan Post Hoc. Recall kembali menu One Way ANOVA sebagai berikut:
Navigasi sub menu Post Hoc

Klik pada Post Hoc di kanan atas, maka akan diarahkan ke sube menu Post hoc sebagai berikut:
Sub menu Post hoc

Pilih LSD karena varians equal dan pilih opsi di bawah jika varians data tidak equal. Setelah itu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:
Output Post Hoc
Perbedaan ditunjukkan dengan signifikansi < 0,05. Berdasarkan gambar di atas maka perbedaan signifikan terjadi pada kelompok usia (1) dengan (4), antara (2) dengan (4), antara (3) dengan (5), antara (3) dengan (6), antara (4) dengan (5) dan antara (4) dengan (6). Tentunya bisa dibalik bahwa perbedaan antara (1) dengan (4) berarti juga perbedaan antara (4) dengan (1) karena datanya sama sehingga parameternya juga sama.

Dengan metode post hoc kita dapat melihat kelompok mana yang berbeda dan kelompok mana yang tidak berbeda secara lebih detail. 

Share:

Analisis Faktor untuk Reduksi Data

Analisis faktor adalah alat analisis yang dapat digunakan untuk dua hal yaitu untuk mereduksi data (data reduction) dan mendeteksi struktur (structure detection). Keduanya berbeda ya jangan dicampur-adukkan. Beberapa artikel atau blog sering mencampur-adukkan keduanya. Bahkan pernah ada buku yang ditulis oleh pengarang yang sangat terkenal juga mengabaikan kedua fungsi tersebut. Kali ini kita akan membahas tentang analisis faktor untuk data reduction. Tujuan dari reduksi data adalah mengurangi (mereduksi) beberapa data dari sebuah variabel (yang mempunyai korelasi yang tinggi) dan mungkin menggantinya dengan sedikit data yang mempunyai korelasi yang rendah.

Sebagai ilustrasi, terdapat 13 variabel yang mempunyai pengaruh terhadap suatu konstruk. Jumlah tersebut terlalu banyak dan di antara variabel tersebut ada beberapa yang secara teori saling berkorelasi sehingga sebenarnya bisa direduksi sehingga menjadi beberapa variabel saja tanpa kehilangan informasi yang signifikan. Data contoh analisis faktor ini dapat Anda download di Google Drive.

Langkah pertama, pilih Analyze, pilih Dimension Reduction lalu klik pada Factor seperti pada gambar di bawah ini:

Menu Analisis Faktor pada SPSS Versi 23

Setelah itu maka akan masuk ke menu Analisis Faktor. Masukkan 13 variabel yang ada ke box Variables. Lalu klik pada Descriptives di kanan atas:

Sub Menu Descriptives

Setelah masuk ke sub menu Descriptives, berikan tanda centang seperti tampak pada gambar di bawah:

Memberikan tanda centang

Setelah itu klik Continue lalu klik pada Extraction di kanan atas di bawah Descriptives sehingga akan masuk ke sub menu sebagai berikut:

Sub menu Extraction

Pilih Method Principal Components Analysis (PCA) lalu klik Continue lalu klik Rotation seperti pada gambar di atas:

Sub menu Rotation

Pilih Varimax, lalu klik Continue lalu klik OK sehingga akan keluar output. Kita bahas satu persatu output Analisis faktor yang bertujuan untuk mereduksi data.

Output KMO dan Signifikansi

Nilai Kaiser-Meyer-Olkin adalah 0,653 dan nilai yang disarankan adalah di atas 0,5 sehingga sudah memenuhi. Sedangkan untuk Signifikansi < 0,05 sehingga kita dapat menggunakan analisis faktor untuk data ini.

Output Communalities

Diharapkan nilai Extraction tinggi dan ada yang menyarankan di atas 0,5 tetapi ada juga yang menyarankan 0,4. Di tutorial SPSS ada yang masih menggunakan di atas 0,3 untuk metode Principa Axis Factoring. Tampak bahwa nilainya di atas 0,5 semua sehingga tidak ada variabel yang perlu dikeluarkan karena nilainya yang rendah. 

Output total variane explained

Jika kita menggunakan semua variabel, yaitu 13 maka model akan mampu menjelaskan 100% (kolom cummulative). Jika kita hanya menggunakan 12 saja, maka akan hilang informasi sebesar 1,023% atau mampu menjelaskan 98,977%. Kita dapat memilih menggunakan berapa variabel dari 13 variabel yang ada. Disarankan menggunakan nilai eigenvalues di atas 1, sehingga kita akan menggunakan 5 variabel saja tetapi sudah mampu menjelaskan 72,152% dari variance yang ada. Dari 13 variabel, jika kita menggunakan 5 variabel saja (dengan eigenvalues di atas 1) maka kita sudah mampu menjelaskan 72,152% atau kehilangan informasi sebesar 27,848%.

Untuk melihat 5 variabel apa saja, maka kita menggunakan output component matrix sebagai berikut:

Output component matrix

Komponen 1 mempunyai korelasi tertinggi dengan Q1 yaitu 0,741. Komponen 2 tertinggi adalah Q13 yaitu sebesar 0,758. Dengan demikian kita dapat menentukan 5 variabel yang akan digunakan yaitu Q1, Q13, Q10, Q5 dan Q2. Dengan menggunakan 5 variabel tersebut kita sudah mampu menjelaskan sebesar 72,152% dari 13 variabel yang ada di penelitian.

Secara lebih rinci, sebenarnya masih ada rotated, tetapi itu kita bahas lain kali. Juga tentang tujuan analisis faktor untuk mendeteksi struktur atau mencari variabel laten akan kita berikan dalam artikel lain. 

Share:

Uji Normalitas pada AMOS Versi 18

Asumsi normalitas memang sangat penting pada analisis parametrik. Beberapa artikel tentang normalitas sudah kami tampilkan di blog sederhana ini. Kali ini kita akan membahas tentang uji normalitas pada AMOS Versi 18. 

AMOS adalah salah satu software Structural Equation Modeling (SEM) yang cukup populer, tentu saja di samping LISREL. Untuk uji normalitas kali ini, kita akan menggunakan path diagram seperti di bawah ini:

Simulasi Path Diagram

Setelah path diagram dihubungkan dengan data, dalam format Excel, maka klik pada Analysis Property di icon di sebelah kiri layar

Icon Analysis Properties

Icon juga ditunjuk dengan gambar anak panah. Setelah itu, maka akan dirahkan ke Menu Analysis Properties sebagai berikut:

Tab Menu Output

Pilih Tab Output di bagian atas box. Lalu berikan tanda centang pada Tests for normality dan outliers. Setelah itu tutup Box tersebut dengan mengklik tanda X di bagian kiri atas. Di layar lalu klik Calculate Estimates dengan icon seperti tampak pada gambar:

Icon Calculate Estimates

Setelah diklik maka program akan melakukan perhitungan dan setelah selesai, kita dapat melihat path diagram yang sudah di run. Sedangkan untuk melihat output normalitas, kita klik saja Icon View Text

Icon untuk Melihat Output

Untuk melihat uji normalitas, kita bisa melihatnya pada output Assesment Normality di mana outputnya adalah sebagai berikut:

Assessment of normality (Group number 1)
Variable min max skew c.r. kurtosis c.r.
NP1 4,000 7,000 ,587 3,030 -,048 -,123
NP2 4,000 7,000 ,537 2,772 -,193 -,498
NP3 4,000 7,000 ,604 3,120 ,204 ,527
NP4 4,000 7,000 ,615 3,175 -,009 -,022
KP3 4,000 7,000 ,724 3,739 ,123 ,318
NS3 4,000 7,000 ,524 2,707 ,181 ,468
NZ3 4,000 7,000 ,546 2,820 -,051 -,133
NZ2 4,000 7,000 ,499 2,576 -,122 -,315
NZ1 4,000 7,000 ,606 3,127 -,162 -,419
SZ1 4,000 7,000 ,543 2,805 -,030 -,078
SZ2 4,000 7,000 ,553 2,853 -,047 -,121
SZ3 4,000 7,000 ,530 2,737 -,050 -,130
KP1 4,000 7,000 ,728 3,759 ,632 1,633
KP2 4,000 7,000 ,568 2,934 -,011 -,029
NS2 4,000 7,000 ,552 2,849 -,008 -,022
NS1 4,000 7,000 ,623 3,217 ,086 ,222
Multivariate 6,618 1,744

Untuk masing-masing variabel akan keluar output Minimal, Maksimal dan juga nilai Skewness dan Kurtosis. Memang AMOS menggunakan metode Skewness dan Kurtosis dalam uji normalitas. Berbeda dengan SPSS di mana kita harus menghitung nilai Z-nya, pada AMOS sudah dikeluarkan nilai c.r. atau Critical Ratio. Misalnya NP1 c.r. adalah sebesar 3,030 untuk Skewness dan -0,123 untuk Kurtosis. Kita tinggal membandingkannya dengan nilai standar yaitu sebesar 1,96 untuk 5% dan 2,58 untuk 1%. 

Penting dicatat bahwa asumsi normalitas yang dipergunakan untuk justifikasi adalah multivariate. Jadi kita ambil nilai yang ada di baris paling bawah, yaitu sebesar 1,744. Nilai ini di bawah 1,96 sehingga dinyatakan bahwa data telah memenuhi asumsi normalitas. Jika lebih lengkap disertakan juga nilai 5%.

AMOS tidak mempunyai metode uji normalitas yang lain karena memang fokus pada analisis SEM. Berbeda dengan SPSS yang mempunyai banyak sekali menu untuk melakukan uji normalitas.

Jika Anda memerlukan data untuk simulasi ini dan juga contoh tabulasi data untuk SEM dengan AMOS dalam format Excel, silahkan ke TKP.

Share:

Contoh Analisis Regresi Ordinal secara Lengkap dengan SPSS

Regresi ordinal adalah salah satu metode statistik yang digunakan untuk mencari pengaruh dari satu atau beberapa variabel bebas terhadap satu variabel terikat yang berskala ordinal atau kategori. Jadi memang hampir sama dengan analisis regresi linear berganda hanya yang membedakan adalah skala dari variabel terikatnya. Apa yang dimaksud dengan ordinal? Artikel lengkap tentang skala pengukuran statistik ada di sini. Skala ordinal adalah skala yang dapat menunjukkan tinggi rendah suatu pengkuran tetapi tidak dapat menunjukkan selisih yang sama atau tidak ada nol mutlak. Contoh skala ordinal adalah ranking, atau opini audit, atau peringkat juara. Kita dapat menentukan bahwa juara 1 lebih baik dari pada juara 2, tetapi kita tidak dapat mengatakan bahwa juara 1 dua kali lebih baik dari pada juara 2 (2 = 2 x 1). Untuk variabel bebasnya dapat berskala interval atau rasio (Covariate) dan juga bisa berskala ordinal juga (Factor). Pengantar regresi ordinal telah kita sampaikan pada artikel di sini.

Mengapa diperlukan analisis regresi ordinal? Karena dalam prakteknya, banyak sekali parameter yang diukur dengan skala kategori atau ordinal. Sebagai contoh, opini audit. Dengan 5 kategori yang ada, opini audit adalah masuk ke skala ordinal, karena tidak ada nol mutlak dan selisih antara kategori satu dengan yang lain tidak sama. Contoh selisih antara wajar tanpa pengecualian dengan wajar dengan pengecualian, TIDAK SAMA dengan selisih antara wajar dengan pengecualian dengan wajar dengan paragraf tambahan. Dengan adanya skala ordinal, kita tidak dapat menggunakan analisis regresi linear berganda karena asumsinya tidak terpenuhi.

Lebih jelasnya akan kita berikan contoh kasus. Seorang manajer ingin menilai apakah suatu perusahaan yang dikatakan baik tergantung dari 3 variabel yaitu  Quick Ratio (QR), Return on Assets (ROA) dan Debt to Equity Ratio (DER). Informasi telah didapatkan bahwa bahwa kriteria perusahaan ada 4, yaitu Sangat baik (4), Baik (3), Tidak Baik (2) dan Sangat tidak baik (1). Penting kami sampaikan bahwa ini adalah data fiktif saja, bukan data yang sebenarnya. Data dari 75 perusahaan dalam format SPSS Versi 23 dapat Anda download di Google Drive dengan akun Gmail Anda.

Langkah-langkah regresi ordinal dengan SPSS adalah sebagai berikut. Pilih Analyze lalu pilih Regression dan klik pada Ordinal seperti pada gambar di bawah ini:

Memilih menu Regresi Ordinal pada SPSS Versi 23
Maka kita akan masuk ke box regresi ordinal. Masukkan variabel Opini ke dalam box Dependent. Untuk variabel bebasnya karena termasuk skala rasio masukkan ke box Covariate(s). Jika variabel bebas juga merupakan skala ordinal, maka harus dimasukkan ke dalam Factor(s). 

Menu Regresi Ordinal
Setelah itu klik Option di kanan atas maka akan masuk ke Sub Menu Option di mana kita harus menentukan metode analisis apa yang harus digunakan dalam model kita.

Memilih Link untuk Model Regresi
Di bagian bawah, pada Link, terdapat 5 pilihan yaitu Cauchit, Complementari Log-log, Logit, Negative Log-log dan Probit. Penjelasan tentang kelima pilihan itu kami uraikan di sini. Untuk itu kita lihat dulu deskriptif dari varibel terikatnya. Kita bisa menggunakan diagram Batang (bar) atau metode yang lain. Di sini kita akan menggambarkannya dalam diagram:

Frekuensi Variabel Terikat
Untuk menggambarkan diagram di atas, silahkan simak tutorial menggambar diagram dengan SPSS. Tampak bahwa skor Baik (3) mempunyai frekuensi terbanyak. Kita bisa memilih Cauchit karena mempunyai kecenderungan yang ekstrem (3 dan 4). Setelah kita tentukan Link, klik Continue, lalu pilih Output di kanan atas di bawah Option. 

Sub menu output pada Regresi Ordinal
Berikan tanda centang seperti pada gambar. Untuk Saved Variables di kanan atas, maka kita memerintahkan program untuk menyimpan nilai prediksi sebagai variabel baru. Maka di file SPSS kita akan muncul satu variabel baru. Setelah klik Continue, lalu klik OK sehingga akan keluar output.

Output Warnings

Pada output Warnings, kita tidak usah cemas. Banyak nilai dengan frekuesni zero (0) bahkan 75%. Ini wajar karena variabel bebas menggunakan skala rasio. Tentunya tidak semua nilai variabel bebas mempunyai nilai prediksi. Akan tetapi jika variabel bebas juga menggunakan skala ordinal (Factor) maka nilai zero cenderung kecil bahkan bisa nol.

Output Model Fitting
Nilai Signifikansi adalah 0,00 < 0,05 yang menunjukan bahwa model telah fit dan bisa dilanjutkan.

Output Goodness of Fit
Output Goodness of Fit juga memberikan hasil yang serupa yaitu signifikansi sebesar 0,049 < 0,05 yang berarti model yang kita bangun adalah fit.

Output R Square
Regresi ordinal juga mengeluarkan output R Square. Tabel di atas memberikan tiga nilai R Square berdasarkan tiga metode yang berbeda. Kita dapat menggunakan salah satu saja dan kita pilih Nagelkerke yaitu sebesar 0,333 atau 33,3% kemampuan varibale bebas dalam menjelaskan varians variabel terikatnya.

Output Uji Hipotesis
Output Parameter estimates dapat digunakan untuk menguji hipotesis atau melihat variabel mana yang berpengaruh signfikan terhadap variabel terikat. Tampak bahwa DER tidak signifikan dalam mempengaruhi variabel terikat. Berbeda dengan QR dan ROA yang mempunyai signifkansi di bawah 0,05.

Masih ada parameter lain untuk menunjukkan bahwa model yang kita bangun adalah baik. Misalnya dengan Test Paralel Lines

Output Test of Parallel Lines
Test ini diharapkan tidak terdapat perbedaan antara variabel terikat dengan hasil prediksi. Tampak bahwa nilai Signifikansi adalah sebesar 0,061 > 0,05 yang menunjukkan bahwa tidak terdapat perbedaan antara data dengan nilai prediksi. Ini yang diharapkan karena jika berbeda maka model kita berarti kurang baik. 

Langkah lain adalah dengan menggunakan korelasi Chi Square atau koefisien kontingensi. Di data SPSS akan muncul variabel baru yaitu Prediksi. Nilai ini kita ukur korelasinya dengan Chi Square yaitu sebagai berikut:

Korelasi dengan Chi Square

Tampak bahwa nilai korelasi adalah 0,523 dengan signifikansi sebesar 0,00 < 0,05. Berarti terdapat korelasi yang signifikan antara variabel terikat dengan nilai prediksinya. Ini yang diharapkan karena nilai prediksi berarti relatif tepat karena mempunyai nilai korelasi yang tinggi dengan data aslinya.

Share:

Independent Sample T Test untuk Non Parametrik dengan Median Test

Independent Sample T Test adalah uji untuk melihat apakah terdapat perbedaan antara dua sampel yang tidak berhubungan (berkorelasi). Dua sampel ini bisa berasal dari populasi yang berbeda atau bisa juga berasal dari satu sampel tetapi dengan perlakuan (treatment) yang berbeda. Jika lebih dari dua sampel maka bisa menggunakan K Independent sample t test. Dalam hal ini K independent sample t test juga akan memberikan hasil yang konsisten jika dikenakan pada dua sampel.

Jika kedua sampel tersebut memenuhi asumsi normalitas, maka kita bisa menggunakan Uji Independent T Test. Jika tidak memenuhi asumsi normalitas, maka kita bisa menggunakan Mann-Whitney U Test atau alternatif lain yaitu Median Test yang akan kita bahas bersama di artikel ini. Data yang dipergunakan untuk simulasi sama dengan data yang dipergunakan untuk simulasi Mann-Whitney U Test yang bisa didownload di Google Drive. Ini adalah data dari satu kelompok sampel, tetapi ada yang tepat waktu dalam mengumpulkan kueioner dan ada yang terlambat. Ini sering dipergunakan dalam non-response bias.

Uji non response bias dilakukan untuk melihat apakah terdapat perbedaan skor atau response dari responden yang mengumpulkan kuesioner yang dikirimkan dengan responden yang tidak mengirimkan kembali kuesioner yang dikirim. Responden yang tidak mengembalikan kuesioner diwakili oleh responden yang terlambat mengirimkan setelah dilakukan pendekatan persuasif kepada responden tersebut.

Untuk menggunakan Median Test, pilih Analyze, pilih Nonparametric Tests, pilih Legacy Dialogs lalu klik pada K Independent Samples seperti pada gambar di bawah:

Menu Median Test pada SPSS Versi 23
Seperti telah disebutkan di atas, bahwa meskipun ini dua sampel, tetapi menunya ada di "K" dan tidak masalah karena ketika memasukkan dua group maka untuk K = 2 akan identik dengan 2 Independent Samples. Menu Median test memang tersedia di K independent Samples bukan di 2 Independent Samples.

Setelah kita klik maka kita akan masuk ke menu Median Test sebagai berikut:

Menu Median Test
Masukkan variabel respons keTest Variable list, lalu kategori ke Grouping Variable. Berikan tanda centang ke Median karena ini menggunakan Median Test. Setelah itu klik pada Define Range di bawah Grouping Variable sehingga akan masuk ke sub menu sebagai berikut:

Grouping Variabel
Berikan angka 1 pada minimum dan 2 pada maximum. Ini sama dengan kategori pada variabel di mana 1 adalah yang Tepat dan 2 adalah yang Terlambat. Ini adalah skala nominal, sehingga bisa dibalik dan akan memberikan hasil yang konsisten. Setelah itu klik Continue lalu klik OK sehingga akan keluar output sebagai berikut:

Output Frekuensi
Tabel di atas adalah menunjukkan bahwa dari yang Tepat, terdapat 13 yang di atas median, dan 14 yang berada di bawah atau sama dengan median dan total adalah 27 (m). Sedangkan yang terlambat ada 29 (n) dengan 8 di atas median dan 21 sampel di bawah atau sama dengan median. (Simpan dulu kode m dan n).

Sedangkan untuk melihat apakah terdapat perbedaan atau tidak maka menggunakan output sebagai berikut:

Output Uji Median
Terdapat dua signifikansi yaitu 0,112 (Chi Square) dan 0,190 Yate's Continuity Correction. Keduanya di atas 0,05 yang berarti tidak ada perbedaan yang signifikan antara kelompok yang terlambat dengan kelompok yang tidak terlambat. Sebenarnya ada dua kategori yaitu sampel kecil dan sampel besar jika kita menggunakan Tabel untuk menguji hipotesis. Tetapi karena bantuan SPSS sudah memberikan signifikansi, maka kita lebih mudah memberikan justifikasi.

Untuk dua signifikansi kita bisa menggunakan guidance bahwa jika m + n > 20 maka kita menggunakan Chi Square sedangkan jika 20 atau kurang digunakan satunya.

Jika kita membandingkan hasil median test dengan Mann-Whitney U Test, maka akan terdapat perbedaan, yaitu median tidak terdapat perbedaan, tetapi hasil pengujian dengan Mann-Whitney U Test memberikan adanya perbedaan yang signifikan. Memang ada perbedaan konsep dari kedua metode tersebut. Mann-Whitney U Test menggunakan metode ranking sedangkan median test, tentu saja menggunakan nilai median. Selama tidak ada hal yang khusus, kita bisa menggunakan salah satu saja yang sesuai dengan justifikasi kita. Atau kita bisa juga menggunakan metode lain untuk memperkuat hasil pengujian ini. Salah satu metode yang ada adalah Kolmogorov-Smirnov Z.

Share:

Uji Linearitas SPSS dengan Ramsey

Uji linearitas dengan metode Ramsey adalah dengan membandingkan antara nilai F hitung modifikasi dengan F hitung pada tabel. Jika F hitung > F tabel maka terdapat kesalahan spesifikasi model demikian sebaliknya jika F hitung < F tabel berarti model telah dispesifikasi dengan benar. Metode ini juga sering disebut dengan RESET (Regressionn Specification Error Test) yang dikembangkan oleh J. B. Ramsey (1969). Adapun nilai F dihitung dengan persamaan sebagai berikut:

Persamaan F hitung Ramsey
Old adalah model awal yang diuji, sedangkan New adalah model baru untuk keperluan pengujian. Sedangkan nilai m adalah jumlah variabel yang ditambahkan untuk pengujian, n adalah jumlah data penelitian dan k adalah banyaknya parameter dalam persamaan New.

Sebagai ilustrasi, kita menggunakan data yang sama dengan data untuk pengujian linearitas dengan metode Durbin-Watson. Sedangkan datanya bisa Anda download di sini. Langkah pertama adalah meregresikan variabel Page_views terhadap Ranking Alexa, tetapi kita harus menyimpang DFit sebagai variabel baru.

Menu Save
Klik Save di bagian kanan untuk mendapatkan nilai DFit.

Menu DFit
Setelah itu klik Continue lalu klik OK sehingga akan keluar output dan juga ada tambahan variabel baru yaitu DFit di layar SPSS.

Output R Square Old

Tampak bahwa nilai R Square old atau awal adalah 0,025 dengan jumlah data 75. Setelah itu regresikan ulang model awal menjadi model baru dengan menambahkan variabel DFit. Adapun output yang didapatkan adalah sebagai berikut:

Output R Square New

Tampak bahwa nilai R Square baru adalah sebesar 0,891 dengan m atau jumlah variabel yang baru masuk adalah 1 yaitu DFit, parameter ada 2. Dengan demikian nilai F hitung adalah sebagai berikut:

Nilai F hitung
Sedangkan nilai F tabel untuk parameter 2 pada taraf signifikansi 0,05 dengan n sebanyak 75 adalah sebesar 3,20. Tampak jelas bahwa F hitung > F tabel yang menunjukkan bahwa model tidak dispesifikasi dengan benar. Hasil ini konsisten dengan pengujian linearitas dengan Durbin-Watson. Interpretasinya adalah bahwa peneliti mengabaikan variabel yang relevan. Ini masuk akal karena hanya memasukkan satu variabel saja pada model ini. 

Share:

Translate

Artikel Populer Seminggu Terakhir

Komentar Terbaru

`

Ingin menghubungi kami untuk kerja sama?

Nama

Email *

Pesan *