Selasa, 25 Oktober 2016

Beda BNI Syariah dengan yang lain



Saya pernah menjadi nasabah beberapa bank syariah, antara lain Muamalat dan Mandiri Syariah.

Kalau Muamalat jelas, adalah bank syariah pertama di Indonesia dan tidak memiliki unit konvensional.

Beda dengan Mandiri Syariah. Bank ini merupakan anak usaha dari Bank Mandiri. Walaupun statusnya bapak anak, tapi sistemnya terpisah sama sekali. Artinya, jika ingin menyetor ke nomor rekening mandiri syariah, tidak bisa dilakukan di Bank Mandiri biasa. Kalaupun dipaksakan, jatuhnya seperti transfer ke bank lain. Kena cas biaya transfer.

Sistem Mandiri Syariah mungkin mirip dengan BRI syariah dan beberapa bank syariah lainnya yang berstatus anak.

Tapi ternyata ada bank syariah yang memiliki perilaku berbeda, yaitu BNI syariah. Bank ini mirip banget dengan bapaknya, yaitu Bank BNI. Kemiripan bukan hanya dari segi warna tema kantornya, tapi juga sistimnya. Tampaknya memang bersatu dalam sistim yang sama.

Akibat dari sistim yang demikian, nasabah BNI Syariah dapat menarik uang di ATM BNI konvensional tanpa biaya. Begitupun dengan setoran, dapat dilakukan di BNI konvensional manapun. Tentunya akibat ini sangat menguntungkan nasabah.

Hanya saja dari segi kesyariahannya bagaimana ya? Ada pembaca yang bisa menjelaskannya?


Jumat, 21 Oktober 2016

Statistik Inferensial

Dengan statistik inferensial, Anda mencoba untuk mencapai kesimpulan yang melampaui data langsung saja. Misalnya, kita menggunakan statistik inferensial untuk mencoba untuk menyimpulkan dari data sampel apa populasi mungkin berpikir. Atau, kita menggunakan statistik inferensial untuk membuat penilaian dari probabilitas bahwa perbedaan diamati antara kelompok adalah diandalkan satu atau yang mungkin terjadi secara kebetulan dalam penelitian ini. Dengan demikian, kita menggunakan statistik inferensial untuk membuat kesimpulan dari data kami dengan kondisi yang lebih umum; kita menggunakan statistik deskriptif hanya untuk menggambarkan apa yang terjadi di data kami.
Di sini, saya berkonsentrasi pada statistik inferensial yang berguna dalam desain penelitian eksperimental dan quasi-eksperimental atau dalam evaluasi hasil Program. Mungkin salah satu dari tes inferensial sederhana digunakan ketika Anda ingin membandingkan kinerja rata-rata dua kelompok pada ukuran tunggal untuk melihat apakah ada perbedaan. Anda mungkin ingin tahu apakah kelas delapan anak laki-laki dan perempuan berbeda dalam nilai ujian matematika atau apakah grup program berbeda dari ukuran hasil dari kelompok kontrol. Setiap kali Anda ingin membandingkan kinerja rata-rata antara dua kelompok Anda harus mempertimbangkan t-test untuk perbedaan antara kelompok.
Sebagian besar statistik inferensial besar berasal dari keluarga umum model statistik yang dikenal sebagai General Linear Model. Ini termasuk t-test, Analisis Variance (ANOVA), Analisis Kovarian (ANCOVA), analisis regresi, dan banyak metode multivariat seperti analisis faktor, skala multidimensi, analisis cluster, analisis fungsi diskriminan, dan sebagainya. Mengingat pentingnya Umum Model Linear, itu ide yang baik untuk setiap peneliti sosial yang serius untuk menjadi akrab dengan cara kerjanya. Pembahasan Umum Model Linear sini sangat dasar dan hanya mempertimbangkan model garis lurus yang paling sederhana. Namun, hal itu akan membuat Anda terbiasa dengan ide model linear dan membantu mempersiapkan Anda untuk analisis yang lebih kompleks dijelaskan di bawah.
Salah satu kunci untuk memahami bagaimana kelompok dibandingkan diwujudkan dalam gagasan dari "boneka" variabel. nama tidak menyarankan bahwa kita menggunakan variabel yang tidak sangat cerdas atau, lebih buruk lagi, bahwa analis yang menggunakan mereka adalah "bodoh"! Mungkin variabel ini akan lebih baik digambarkan sebagai "proxy" variabel. Pada dasarnya variabel dummy adalah salah satu yang menggunakan nomor diskrit, biasanya 0 dan 1, untuk mewakili kelompok yang berbeda dalam penelitian Anda. variabel dummy adalah ide sederhana yang memungkinkan beberapa hal yang cukup rumit terjadi. Misalnya, dengan memasukkan variabel dummy sederhana dalam model, saya bisa model dua baris yang terpisah (satu untuk setiap kelompok perlakuan) dengan persamaan tunggal. Untuk melihat bagaimana ini bekerja, lihat diskusi tentang variabel dummy.
Salah satu analisis yang paling penting dalam evaluasi hasil program yang melibatkan membandingkan program dan kelompok non-program pada variabel hasil atau variabel.
Bagaimana kita melakukan ini tergantung pada desain penelitian yang kami gunakan. desain penelitian dibagi menjadi dua jenis utama dari desain:
eksperimental dan quasi-eksperimental. Karena analisis berbeda untuk masing-masing, mereka disajikan secara terpisah.
Analisis eksperimental. Sederhana dua kelompok posttest-satunya acak percobaan biasanya dianalisis dengan t-tes sederhana atau satu arah ANOVA. Desain eksperimen faktorial biasanya dianalisis dengan Analisis Varians (ANOVA) Model. Acak Blok Desain menggunakan bentuk khusus dari ANOVA Model memblokir yang menggunakan variabel dummy-kode untuk mewakili blok. Analisis Desain Eksperimental Kovarian menggunakan, tidak mengherankan, Analisis model statistik Kovarian.
Analisis kuasi-eksperimental. Desain kuasi-eksperimental berbeda dari yang eksperimental dalam bahwa mereka tidak menggunakan tugas acak untuk menetapkan unit (misalnya, orang) untuk kelompok memprogram. Kurangnya tugas acak dalam desain ini cenderung menyulitkan analisis mereka jauh. Misalnya, untuk menganalisis Nonequivalent Grup Desain (NEGD) kita harus menyesuaikan skor pretest untuk kesalahan pengukuran dalam apa yang sering disebut Analisis Keandalan-Dikoreksi model Kovarian. Dalam regresi-Discontinuity Desain, kita harus sangat prihatin curvilinearity dan model kesalahan spesifikasi. Akibatnya, kita cenderung menggunakan pendekatan analisis konservatif yang didasarkan pada regresi polinomial yang dimulai oleh overfitting fungsi kemungkinan benar dan kemudian mengurangi model berdasarkan hasil. The Regresi Titik Pengungsian Desain hanya memiliki satu unit diperlakukan tunggal.
Namun demikian, analisis desain RPD didasarkan langsung pada model ANCOVA tradisional.
Bila Anda telah menyelidiki berbagai model analitik, Anda akan melihat bahwa mereka semua berasal dari keluarga yang sama - Model Umum Linear

Statistik Deskriptif

Statistik deskriptif digunakan untuk menggambarkan fitur dasar data dalam sebuah penelitian. Mereka menyediakan ringkasan sederhana tentang sampel dan langkah-langkah.
Bersama dengan analisis grafis sederhana, mereka membentuk dasar dari hampir setiap analisis kuantitatif data.
Statistik deskriptif biasanya dibedakan dari statistik inferensial. Dengan statistik deskriptif Anda hanya menggambarkan apa atau apa data menunjukkan. Dengan statistik inferensial, Anda mencoba untuk mencapai kesimpulan yang melampaui data langsung saja. Misalnya, kita menggunakan statistik inferensial untuk mencoba untuk menyimpulkan dari data sampel apa populasi mungkin berpikir. Atau, kita menggunakan statistik inferensial untuk membuat penilaian dari probabilitas bahwa perbedaan diamati antara kelompok adalah diandalkan satu atau yang mungkin terjadi secara kebetulan dalam penelitian ini. Dengan demikian, kita menggunakan statistik inferensial untuk membuat kesimpulan dari data kami dengan kondisi yang lebih umum; kita menggunakan statistik deskriptif hanya untuk menggambarkan apa yang terjadi di data kami.
Statistik deskriptif digunakan untuk menyajikan deskripsi kuantitatif dalam bentuk dikelola. Dalam studi penelitian kita mungkin memiliki banyak langkah-langkah. Atau kita dapat mengukur sejumlah besar orang pada ukuran apapun.
Statistik deskriptif membantu kita untuk menyederhanakan data dalam jumlah besar dengan cara yang masuk akal. Setiap statistik deskriptif mengurangi banyak data ke dalam ringkasan sederhana. Misalnya, mempertimbangkan sejumlah sederhana yang digunakan untuk meringkas seberapa baik adonan yang tampil di bisbol, batting rata-rata. nomor tunggal ini hanyalah jumlah hit dibagi dengan jumlah kali di kelelawar (dilaporkan tiga digit signifikan). Sebuah adonan yang memukul 0,333 adalah mendapatkan hit satu kali dalam setiap tiga di kelelawar. Satu batting 0,250 adalah memukul satu kali dalam empat. Jumlah tunggal menjelaskan sejumlah besar peristiwa diskrit.
Atau, mempertimbangkan momok banyak siswa, yang Prestasi Kumulatif (IPK). nomor tunggal ini menggambarkan kinerja umum mahasiswa di berbagai berpotensi macam saja pengalaman.
Setiap kali Anda mencoba untuk menggambarkan satu set besar pengamatan dengan indikator tunggal Anda menjalankan resiko distorsi data asli atau kehilangan detail penting. Batting rata tidak memberitahu Anda apakah adonan memukul home run atau single. Itu tidak mengatakan apakah dia berada di kemerosotan atau kilat. IPK tidak memberitahu Anda apakah siswa itu dalam kursus sulit atau yang mudah, atau apakah mereka kursus di bidang utama mereka atau dalam disiplin lain. Bahkan diberikan keterbatasan ini, statistik deskriptif memberikan ringkasan kuat yang dapat memungkinkan perbandingan di orang atau unit lain.
Analisis univariat
Analisis univariat melibatkan pemeriksaan di kasus satu variabel pada suatu waktu. Ada tiga karakteristik utama dari sebuah variabel tunggal yang kita cenderung melihat:
distribusi
tendensi sentral
dispersi
Dalam kebanyakan situasi, kami akan menjelaskan ketiga karakteristik ini untuk masing-masing variabel dalam penelitian kami.
Distribusi. Distribusi ini adalah ringkasan dari frekuensi nilai-nilai individu atau rentang nilai untuk variabel. Distribusi yang paling sederhana akan daftar setiap nilai variabel dan jumlah orang yang memiliki nilai masing-masing. Misalnya, cara khas untuk menggambarkan distribusi mahasiswa adalah dengan tahun di perguruan tinggi, daftar nomor atau persen siswa di masing-masing empat tahun. Atau, kami menjelaskan gender dengan daftar nomor atau persen laki-laki dan perempuan. Dalam kasus ini, variabel memiliki cukup beberapa nilai-nilai yang kita bisa daftar masing-masing dan meringkas berapa banyak kasus sampel memiliki nilai. Tapi apa yang kita lakukan untuk variabel seperti pendapatan atau IPK? Dengan variabel ini bisa ada sejumlah besar nilai yang mungkin, dengan relatif sedikit orang yang memiliki masing-masing. Dalam hal ini, kami kelompok skor mentah menjadi kategori menurut rentang nilai. Misalnya, kita mungkin melihat IPK sesuai dengan rentang nilai-huruf. Atau, kita mungkin pendapatan kelompok menjadi empat atau lima rentang nilai pendapatan.
Tabel tabel distribusi 1. Frekuensi.
Salah satu cara yang paling umum untuk menggambarkan variabel tunggal dengan distribusi frekuensi. Tergantung pada variabel tertentu, semua nilai data dapat diwakili, atau Anda mungkin kelompok nilai-nilai dalam kategori pertama (misalnya, dengan usia, harga, atau variabel suhu, itu akan biasanya tidak masuk akal untuk menentukan frekuensi untuk setiap nilai.
Sebaliknya, nilai dikelompokkan ke dalam rentang dan frekuensi ditentukan.). distribusi frekuensi dapat digambarkan dalam dua cara, sebagai meja atau sebagai grafik. Tabel 1 menunjukkan distribusi frekuensi usia lima kategori rentang usia yang ditetapkan. Distribusi frekuensi yang sama dapat digambarkan dalam grafik seperti yang ditunjukkan pada Gambar 1. Jenis grafik sering disebut sebagai histogram atau bar chart.
Gambar 1. Frekuensi distribusi bar chart.
Distribusi juga dapat ditampilkan menggunakan persentase. Misalnya, Anda bisa menggunakan persentase untuk menggambarkan:
persentase orang di tingkat pendapatan yang berbeda
persentase orang dalam rentang usia yang berbeda
persentase orang dalam rentang yang berbeda dari nilai tes standar
Tendensi sentral. Kecenderungan pusat distribusi adalah perkiraan "pusat" dari distribusi nilai. Ada tiga jenis utama dari perkiraan tendensi sentral:
Berarti
rata-rata
Mode
Mean atau rata-rata mungkin metode yang paling umum digunakan untuk menggambarkan tendensi sentral. Untuk menghitung mean semua yang Anda lakukan adalah menambahkan semua nilai-nilai dan dibagi dengan jumlah nilai. Misalnya, mean atau rata-rata skor kuis ditentukan dengan menjumlahkan semua skor dan membaginya dengan jumlah mahasiswa yang mengambil ujian.
Misalnya, mempertimbangkan nilai-nilai skor tes:
15, 20, 21, 20, 36, 15, 25, 15
Jumlah dari 8 nilai-nilai ini adalah 167, sehingga rata-rata adalah 167/8 = 20,875.
Median adalah nilai ditemukan di tengah tepat dari set nilai. Salah satu cara untuk menghitung median adalah daftar semua nilai dalam urutan numerik, dan kemudian cari skor di tengah sampel. Sebagai contoh, jika ada 500 nilai dalam daftar, skor # 250 akan median. Jika kita memesan 8 skor yang ditunjukkan di atas, kita akan mendapatkan:
15,15,15,20,20,21,25,36
Ada 8 skor dan skor # 4 dan # 5 mewakili titik tengah. Karena kedua skor ini 20, median adalah 20. Jika dua nilai tengah memiliki nilai yang berbeda, Anda harus interpolasi untuk menentukan median.
Modus adalah nilai yang paling sering terjadi di set skor. Untuk menentukan mode, Anda mungkin lagi memesan skor seperti yang ditunjukkan di atas, dan kemudian menghitung masing-masing.
Nilai yang paling sering terjadi adalah modus.
Dalam contoh kita, nilai 15 terjadi tiga kali dan model. Dalam beberapa distro ada lebih dari satu nilai modal. Misalnya, dalam distribusi bimodal ada dua nilai yang paling sering terjadi.
Perhatikan bahwa untuk set yang sama dari 8 nilai kita punya tiga nilai yang berbeda - 20,875, 20, dan 15 - untuk mean, median dan modus masing-masing. Jika distribusi benar-benar normal (yaitu, bell-berbentuk), mean, median dan modus yang semua sama satu sama lain.
Penyebaran. Dispersi mengacu pada penyebaran nilai-nilai di sekitar tendensi sentral. Ada dua langkah umum dispersi, rentang dan deviasi standar. Rentang ini hanya nilai tertinggi dikurangi nilai terendah. Dalam distribusi contoh kita, nilai tinggi adalah 36 dan rendah adalah 15, sehingga kisaran adalah 36-15 = 21.
Standar Deviasi adalah perkiraan yang lebih akurat dan rinci dari dispersi karena outlier dapat sangat membesar-besarkan rentang (seperti yang benar dalam contoh ini di mana nilai outlier tunggal 36 berdiri terpisah dari sisa nilai-nilai. Standar Deviasi menunjukkan hubungan yang set skor harus mean sampel lagi memungkinkan mengambil set nilai.:
15,20,21,20,36,15,25,15
untuk menghitung standar deviasi, pertama kita menemukan jarak antara setiap nilai dan mean.
Kita tahu dari atas bahwa rata-rata adalah 20,875.
Jadi, perbedaan dari mean adalah:
15-20,875 = -5,875
20-20,875 = -0,875
21-20,875 = 0,125
20-20,875 = -0,875
36-20,875 = 15,125
15-20,875 = -5,875
25-20,875 = 4,125
15-20,875 = -5,875
Perhatikan bahwa nilai-nilai yang di bawah rata-rata memiliki perbedaan dan nilai-nilai negatif di atas itu memiliki yang positif. Selanjutnya, kita persegi setiap perbedaan:
-5,875 * -5,875 = 34,515625
-0,875 * -0,875 = 0,765625
0,125 * 0,125 = 0,015625
-0,875 * -0,875 = 0,765625
15,125 * 15,125 = 228,765625
-5,875 * -5,875 = 34,515625
4,125 * 4,125 = 17,015625
-5,875 * -5,875 = 34,515625
Sekarang, kita mengambil ini "kotak" dan jumlah mereka untuk mendapatkan Sum of Squares (SS) nilai. Di sini, jumlahnya adalah 350,875.
Selanjutnya, kita membagi jumlah ini dengan jumlah nilai dikurangi 1. Di sini, hasilnya adalah 350,875 / 7 = 50,125. Nilai ini dikenal sebagai
varians. Untuk mendapatkan standar deviasi, kita mengambil akar kuadrat dari varians (ingat bahwa kita kuadrat deviasi sebelumnya). Ini akan menjadi SQRT (50,125) = 7,079901129253.
Meskipun perhitungan ini mungkin tampak rumit, itu sebenarnya cukup sederhana. Untuk melihat ini, pertimbangkan rumus untuk deviasi standar:
Di bagian atas rasio, pembilang, kita melihat bahwa skor masing-masing memiliki rata-rata dikurangi dari itu, perbedaan adalah kuadrat, dan kotak dijumlahkan. Di bagian bawah, kita mengambil jumlah nilai dikurangi 1. Rasio adalah varians dan akar kuadrat adalah standar deviasi.
Dalam bahasa Inggris, kita bisa menggambarkan deviasi standar sebagai:
akar kuadrat dari jumlah kuadrat deviasi dari mean dibagi dengan jumlah skor minus satu
Meskipun kita dapat menghitung statistik ini univariat dengan tangan, hal itu akan sangat membosankan bila Anda memiliki lebih dari beberapa nilai dan variabel. Setiap program statistik yang mampu menghitung mereka dengan mudah untuk Anda. Misalnya, saya menempatkan delapan skor menjadi SPSS dan mendapat tabel berikut sebagai hasilnya:
N 8
berarti 20,8750
median 20,0000
Mode 15.00
Std. deviasi 7,0799
variance 50,1250
kisaran 21.00
yang menegaskan perhitungan yang saya lakukan dengan tangan di atas.
Standar deviasi memungkinkan kita untuk mencapai beberapa kesimpulan tentang nilai tertentu dalam distribusi kami. (! Atau dekat dengan itu) dengan asumsi bahwa distribusi skor normal atau berbentuk lonceng, kesimpulan berikut dapat dicapai:
sekitar 68% dari skor dalam sampel jatuh dalam satu standar deviasi dari mean
sekitar 95% dari skor dalam sampel jatuh dalam dua standar deviasi dari mean
sekitar 99% dari skor dalam sampel jatuh dalam tiga standar deviasi dari mean
Misalnya, sejak mean dalam contoh kita adalah 20,875 dan standar deviasi 7,0799, kita dapat dari estimasi pernyataan di atas bahwa sekitar 95% dari nilai akan jatuh di kisaran 20.875- (2 * 7,0799) ke 20.875+ (2 * 7,0799) atau antara 6,7152 dan 35,0348. informasi seperti ini adalah batu loncatan penting untuk memungkinkan kita untuk membandingkan kinerja individu pada satu variabel dengan kinerja mereka yang lain, bahkan ketika variabel diukur pada skala yang sama sekali berbeda.

Senin, 17 Oktober 2016

Uji Chi Square

Chi-square adalah uji statistik yang biasa digunakan untuk membandingkan data observasi dengan data yang kita harapkan untuk mendapatkan sesuai dengan hipotesis tertentu.
Sebagai contoh, jika, menurut hukum Mendel, Anda diharapkan 10 dari 20 keturunan dari salib menjadi laki-laki dan jumlah diamati sebenarnya adalah 8 laki-laki, maka Anda mungkin ingin tahu tentang "kebaikan agar sesuai" antara diamati dan diharapkan. Adalah penyimpangan (perbedaan antara diamati dan diharapkan) hasil kebetulan, atau apakah mereka karena faktor lain. Berapa banyak penyimpangan dapat terjadi sebelum Anda, penyidik, harus menyimpulkan bahwa sesuatu selain kesempatan sedang bekerja, menyebabkan diamati berbeda dari yang diharapkan. Uji chi-square selalu menguji apa yang para ilmuwan sebut hipotesis nol, yang menyatakan bahwa tidak ada perbedaan yang signifikan antara hasil yang diharapkan dan diamati.
Rumus untuk menghitung chi-square (2) adalah:
2 = (o-e) 2 / e
Artinya, chi-square adalah jumlah dari perbedaan kuadrat antara diamati (o) dan diharapkan (e) data (atau penyimpangan, d), dibagi dengan data yang diharapkan di semua kategori mungkin.
Misalnya, bahwa persilangan antara dua tanaman kacang menghasilkan populasi 880 tanaman, 639 dengan biji hijau dan 241 dengan biji kuning.
Anda diminta untuk mengusulkan genotipe orang tua. hipotesis Anda adalah bahwa alel untuk hijau adalah dominan alel untuk kuning dan bahwa tanaman induk berdua heterozigot untuk sifat ini.
Jika hipotesis Anda benar, maka rasio diprediksi keturunan dari salib ini akan menjadi 3: 1 (berdasarkan hukum Mendel) seperti yang diperkirakan dari hasil Punnett persegi (Gambar B. 1).
Gambar B.1 - Punnett Square. Diprediksi keturunan dari persilangan antara tanaman hijau dan kuning-unggulan. Hijau (G) adalah dominan (3/4 hijau; 1/4 kuning).
Untuk menghitung 2, pertama menentukan jumlah
diharapkan dalam setiap kategori. Jika rasio 3: 1 dan jumlah total individu yang diamati adalah 880, maka nilai-nilai numerik yang diharapkan harus 660 hijau dan 220 kuning.
Chi-square mengharuskan Anda menggunakan nilai numerik, bukan persentase atau rasio.
Kemudian menghitung 2 menggunakan rumus ini, seperti yang ditunjukkan pada Tabel B.1.
Perhatikan bahwa kita mendapatkan nilai 2,668 untuk
2. Tapi apa nomor ini berarti? Berikut adalah cara untuk menafsirkan 2 nilai:
1. Tentukan derajat kebebasan (df). Derajat kebebasan dapat dihitung sebagai jumlah kategori dalam masalah dikurangi 1. Dalam contoh kita, ada dua kategori (hijau dan kuning); Oleh karena itu, ada tingkat I kebebasan.
2. Tentukan standar relatif untuk melayani sebagai dasar untuk menerima atau menolak hipotesis. standar relatif umum digunakan dalam penelitian biologis p> 0,05. Nilai p adalah probabilitas
bahwa penyimpangan yang diamati dari yang diharapkan adalah karena kebetulan saja (tidak ada akting kekuatan lain). Dalam hal ini, menggunakan p> 0,05, yang Anda harapkan penyimpangan terjadi karena kebetulan saja 5% dari waktu atau kurang.
3. Lihat tabel distribusi chi-kuadrat (Tabel B.2).
Menggunakan derajat tepat 'kebebasan, mencari nilai terdekat chi-square Anda dihitung dalam tabel. Tentukan closestp (probabilitas) nilai yang terkait dengan chi-square dan derajat kebebasan.
Dalam hal ini (2 = 2,668), nilai p adalah sekitar 0,10, yang berarti bahwa ada kemungkinan 10% bahwa setiap penyimpangan dari hasil yang diharapkan adalah karena kebetulan saja.
Berdasarkan p standar kami> 0,05, ini adalah dalam kisaran penyimpangan diterima. Dalam hal hipotesis Anda untuk contoh ini, yang diamati chi-squareis tidak berbeda secara signifikan dari yang diharapkan. nomor yang diamati konsisten dengan yang diharapkan di bawah hukum Mendel.
Langkah-Langkah Prosedur untuk Pengujian Hipotesis Anda dan Menghitung Chi-Square
1. Negara hipotesis yang diuji dan hasilnya diprediksi. Mengumpulkan data dengan melakukan percobaan yang tepat (atau, jika genetika bekerja masalah, menggunakan data yang disediakan dalam masalah).
2. Tentukan nomor yang diharapkan untuk masing-masing kelas observasional. Ingatlah untuk menggunakan angka, tidak persentase.
Chi-square tidak boleh dihitung jika nilai yang diharapkan dalam setiap kategori kurang dari 5.
3. Hitung 2 menggunakan rumus. Lengkapi semua perhitungan untuk tiga angka yang signifikan. Membulatkan jawaban Anda untuk dua signifikan digit.
4. Gunakan tabel distribusi chi-kuadrat untuk menentukan signifikansi dari nilai.
Sebuah. Menentukan derajat kebebasan dan menemukan nilai dalam kolom yang sesuai.
b. Cari nilai terdekat dihitung Anda 2 pada yang derajat dari baris kebebasan df.
c. Pindah ke atas kolom untuk menentukan nilai p.
5. Negara kesimpulan Anda dalam hal hipotesis Anda.
Sebuah. Jika p value untuk dihitung 2 adalah p> 0,05, menerima hipotesis Anda. 'Penyimpangan kecil cukup bahwa kebetulan saja menyumbang untuk itu. Nilai p dari 0,6, misalnya, berarti ada kemungkinan 60% bahwa setiap penyimpangan dari yang diharapkan adalah karena kebetulan saja. Ini adalah dalam kisaran penyimpangan diterima.
b. Jika p value untuk dihitung 2 adalah p <0,05, menolak hipotesis Anda, dan menyimpulkan bahwa beberapa faktor selain kesempatan operasi untuk deviasi untuk menjadi begitu besar.
Misalnya, nilai p 0,01 berarti bahwa hanya ada peluang 1% bahwa deviasi ini adalah karena kebetulan saja. Oleh karena itu, faktor lain harus terlibat.
Uji chi-square akan digunakan untuk menguji untuk "kebaikan cocok" antara data yang diamati dan diharapkan dari beberapa pemeriksaan laboratorium dalam manual ini lab.
Secara umum, uji chi-square adalah uji statistik yang digunakan untuk menguji perbedaan dengan variabel kategori. Ada sejumlah fitur dari dunia sosial kita mencirikan melalui variabel kategori - agama, preferensi politik, dll Untuk menguji hipotesis menggunakan variabel seperti, menggunakan uji chi-square.
Uji chi-square digunakan dalam dua kondisi yang sama namun berbeda:
Sebuah. untuk memperkirakan seberapa dekat distribusi diamati cocok distribusi yang diharapkan - kami akan lihat ini sebagai kebaikan-of-fit tes
b. untuk memperkirakan apakah dua variabel acak independen.
Kebaikan-of-Fit Uji
Salah satu kebaikan-of-fit aplikasi yang lebih menarik dari uji chi-square adalah untuk meneliti masalah keadilan dan kecurangan dalam permainan kesempatan, seperti kartu, dadu, dan rolet. Sejak permainan seperti biasanya melibatkan taruhan, ada insentif yang signifikan bagi orang untuk mencoba untuk rig game dan tuduhan kartu hilang, "dimuat" dadu, dan "lengket" roda roulette yang terlalu umum.
Jadi bagaimana bisa kebaikan-of-fit tes digunakan untuk memeriksa kecurangan dalam perjudian?
Hal ini lebih mudah untuk menggambarkan proses melalui contoh. Ambil contoh dadu. Kebanyakan dadu digunakan dalam taruhan memiliki enam sisi, dengan masing-masing pihak memiliki nilai satu, dua, tiga, empat, lima, atau enam. Jika mati yang digunakan adalah adil, maka peluang dari setiap nomor tertentu datang adalah sama: 1 di 6. Namun, jika mati dimuat, maka nomor-nomor tertentu akan memiliki kemungkinan lebih besar muncul, sementara yang lain akan memiliki lebih rendah kemungkinan.
Satu malam di Tunisia Nights Casino, penjudi terkenal Jeremy Turner (alias The Missouri Guru) adalah memiliki malam yang fantastis di meja dadu. Dalam dua jam bermain, dia disiksa sampai $ 30.000 dalam kemenangan dan tidak menunjukkan tanda-tanda berhenti. Orang banyak berkumpul di sekitar dia untuk menonton beruntun - dan The Missouri Master memberitahu siapa pun dalam pendengaran bahwa keberuntungan itu adalah karena fakta bahwa dia menggunakan sepasang beruntung kasino dari "dadu jago," dinamakan demikian karena salah satu hitam dan lainnya biru.
Gulungan
Tanpa diketahui Turner, bagaimanapun, seorang ahli statistik kasino telah diam-diam mengawasi gulungan dan menandai bawah nilai-nilai setiap roll, mencatat nilai-nilai dadu hitam dan biru secara terpisah. Setelah 60 gulungan, statistik telah menjadi yakin bahwa mati biru dimuat.
Nilai tentang Blue Die Diamati Frekuensi yang diharapkan Frekuensi
1 16 10
2 5 10
3 9 10
4 7 10
5 6 10
6 17 10
Total 60 60
Pada pandangan pertama, meja ini akan muncul menjadi bukti kuat bahwa mati biru, memang, dimuat. Ada lebih 1 dan 6 ini dari yang diharapkan, dan kurang dari nomor lain. Namun, ada kemungkinan bahwa perbedaan tersebut terjadi secara kebetulan. Statistik chi-square dapat digunakan untuk memperkirakan kemungkinan bahwa nilai-nilai yang diamati pada die biru terjadi secara kebetulan.
Ide kunci dari uji chi-square adalah perbandingan nilai diamati dan diharapkan. Berapa banyak dari sesuatu yang diharapkan dan berapa banyak yang diamati pada beberapa proses? Dalam hal ini, kita akan mengharapkan 10 dari setiap nomor telah muncul dan kami mengamati nilai-nilai tersebut di kolom sebelah kiri.
Dengan set ini angka, kita menghitung statistik chi-square sebagai berikut:
Menggunakan rumus ini dengan nilai-nilai dalam tabel di atas memberi kita nilai 13,6.
Terakhir, untuk menentukan tingkat signifikansi kita perlu mengetahui "derajat kebebasan." Dalam kasus kebaikan-of-fit uji chi-square, jumlah derajat kebebasan adalah sama dengan jumlah istilah yang digunakan dalam menghitung chi-square minus satu. Ada enam hal di chi-square untuk masalah ini - karena itu, jumlah derajat kebebasan adalah lima.
Kami kemudian membandingkan nilai yang dihitung dalam rumus di atas untuk satu set standar tabel. Nilai kembali dari meja adalah 1,8%.
Kami menafsirkan ini sebagai berarti bahwa jika mati adil (atau tidak dimuat), maka kesempatan untuk mendapatkan? 2 statistik sebagai besar atau lebih besar dari yang dihitung di atas hanya 1,8%. Dengan kata lain, hanya ada kesempatan yang sangat tipis bahwa gulungan tersebut berasal dari dadu. Missouri Guru dalam masalah serius.
ikhtisar
Untuk rekap langkah-langkah yang digunakan dalam menghitung uji kebaikan-of-fit dengan chi-square:
1. Menetapkan hipotesis.
2. Hitung chi-square statistic. Melakukan hal itu mengetahui:
Jumlah pengamatan
nilai-nilai yang diharapkan
nilai-nilai yang diamati
3. Kaji tingkat signifikansi. Melakukan hal memerlukan mengetahui jumlah derajat kebebasan.
4. Akhirnya, memutuskan apakah akan menerima atau menolak hipotesis nol.
pengujian Independence
Penggunaan utama lain dari uji chi-square adalah untuk menguji apakah dua variabel independen atau tidak. Apa artinya menjadi mandiri, dalam pengertian ini? Ini berarti bahwa dua faktor yang tidak terkait. Biasanya dalam penelitian ilmu sosial, kami tertarik untuk mencari faktor-faktor yang terkait - pendidikan dan pendapatan, pekerjaan dan prestise, usia dan perilaku pemilih.
Dalam hal ini, chi-square dapat digunakan untuk menilai apakah dua variabel independen atau tidak.
Lebih umum, kita mengatakan bahwa variabel Y adalah "tidak berkorelasi dengan" atau "independen" variabel X jika lebih dari satu tidak terkait dengan lebih dari yang lain. Jika dua variabel kategori yang berkorelasi nilai-nilai mereka cenderung bergerak bersama-sama, baik dalam arah yang sama atau di seberang.
Contoh
Kembali ke contoh dibahas pada pendahuluan chi-square, di mana kita ingin tahu apakah anak laki-laki atau perempuan mendapat masalah lebih sering di sekolah. Berikut ini adalah tabel mendokumentasikan persentase anak laki-laki dan perempuan yang mendapat masalah di sekolah:
Mendapat in Trouble No Masalah Jumlah
Anak laki-laki 46 71 117
Gadis 37 83 120
Total 83 154 237
Untuk menguji statistik apakah anak laki-laki mendapat masalah di sekolah lebih sering, kita perlu membingkai pertanyaan dalam hal hipotesis.
1. Menetapkan Hipotesis
Seperti dalam kebaikan-of-fit uji chi-square, langkah pertama dari uji chi-square kemerdekaan adalah untuk membentuk hipotesis. Hipotesis nol bahwa kedua variabel independen - atau, dalam kasus ini yang kemungkinan terlibat dalam kesulitan adalah sama untuk anak laki-laki dan perempuan. Hipotesis alternatif yang akan diuji adalah bahwa kemungkinan mendapatkan dalam kesulitan tidak sama untuk anak laki-laki dan perempuan.
peringatan Catatan
Hal ini penting untuk diingat bahwa uji chi-square hanya tes apakah dua variabel independen. Hal ini tidak bisa menjawab pertanyaan yang lebih besar atau kurang. Menggunakan uji chi-square, kita tidak dapat mengevaluasi secara langsung hipotesis bahwa anak laki-laki mendapat masalah lebih dibandingkan anak perempuan; bukan, tes (tegasnya) hanya dapat menguji apakah dua variabel independen atau tidak.
2. Hitung nilai yang diharapkan untuk setiap sel tabel
Seperti dengan kebaikan-of-fit contoh dijelaskan sebelumnya, gagasan kunci dari uji chi-square kemerdekaan adalah perbandingan nilai diamati dan diharapkan. Berapa banyak dari sesuatu yang diharapkan dan berapa banyak yang diamati pada beberapa proses? Dalam kasus data tabular, namun, kami biasanya tidak tahu apa distribusi harus seperti (seperti yang kita lakukan dengan gulungan dadu). Sebaliknya, dalam penggunaan ini uji chi-square, nilai yang diharapkan dihitung berdasarkan baris dan kolom total dari meja.
Nilai yang diharapkan untuk setiap sel tabel dapat dihitung dengan menggunakan rumus berikut:
Misalnya, pada tabel membandingkan persentase anak laki-laki dan perempuan dalam kesulitan, jumlah yang diharapkan untuk jumlah anak laki-laki yang mendapat masalah adalah:
Langkah pertama, kemudian, dalam menghitung statistik chi-square dalam uji kemerdekaan adalah menghasilkan nilai yang diharapkan untuk setiap sel tabel. Disajikan dalam tabel di bawah ini adalah nilai-nilai yang diharapkan (dalam tanda kurung dan miring) untuk setiap sel:
Mendapat in Trouble No Masalah Jumlah
Anak laki-laki 46 (40,97) 71 (76,02) 117
Gadis 37 (42,03) 83 (77,97) 120
Total 83 154 237
statistik 3. Hitung Chi-square
Dengan set ini angka, kita menghitung statistik chi-square sebagai berikut:
Dalam contoh di atas, kita mendapatkan statistik chi-square sama dengan:
4. Kaji tingkat signifikansi
Terakhir, untuk menentukan tingkat signifikansi kita perlu mengetahui "derajat kebebasan." Dalam kasus uji chi-square kemerdekaan, jumlah derajat kebebasan adalah sama dengan jumlah kolom dalam tabel minus satu dikalikan dengan jumlah baris dalam satu meja dikurangi.
Dalam tabel ini, ada dua baris dan dua kolom.
Oleh karena itu, jumlah derajat
kebebasan adalah:
Kami kemudian membandingkan nilai yang dihitung dalam rumus di atas untuk satu set standar tabel. Nilai kembali dari meja adalah p <20%. Dengan demikian, kita tidak dapat menolak hipotesis nol dan menyimpulkan bahwa anak laki-laki tidak signifikan lebih mungkin untuk mendapat masalah di sekolah dibandingkan anak perempuan.
ikhtisar
Untuk rekap langkah-langkah yang digunakan dalam menghitung uji kebaikan-of-fit dengan chi-square
1. Menetapkan hipotesis
2. nilai Hitung diharapkan untuk setiap sel tabel.
3. Hitung chi-square statistic. Melakukan hal itu mengetahui:
Sebuah. Jumlah pengamatan
b. nilai-nilai yang diamati
4. Kaji tingkat signifikansi. Melakukan hal memerlukan mengetahui jumlah derajat kebebasan
5. Akhirnya, memutuskan apakah akan menerima atau menolak hipotesis nol.

Jenis Uji Statistik

JENIS UJI STATISTIK

Sekarang bahwa Anda telah melihat distribusi data Anda dan mungkin dilakukan beberapa statistik deskriptif untuk mengetahui mean, median atau modus, sekarang saatnya untuk membuat beberapa kesimpulan tentang data.
Seperti sebelumnya dibahas dalam modul, statistik inferensial adalah serangkaian uji statistik yang kita gunakan untuk membuat kesimpulan tentang data. Ini uji statistik memungkinkan kita untuk membuat kesimpulan karena mereka dapat memberitahu kami jika pola kita mengamati nyata atau hanya karena kebetulan.
Bagaimana Anda tahu apa jenis tes untuk digunakan?
Jenis uji statistik: Ada berbagai macam uji statistik. Keputusan yang uji statistik menggunakan tergantung pada desain penelitian, distribusi data, dan jenis variabel. Secara umum, jika data yang terdistribusi normal Anda akan memilih dari tes parametrik. Jika data non-normal Anda memilih dari serangkaian tes non-parametrik. Di bawah ini adalah tabel daftar hanya beberapa uji statistik umum dan penggunaannya
Jenis Test:
Korelasional ini te
korelasi Pearson
Pengujian kekuatan dari dua variabel kontinu
korelasi Spearman
Pengujian kekuatan dari dua variabel ordinal (tidak n asumsi distrib yang normal
Tes chi-square untuk kekuatan dari dua variabel kategori
Perbandingan Me antara
Dipasangkan Tes T-test untuk perbedaan antara
Tes T-test independen untuk perbedaan antara variabel
ANOVA
Tes perbedaan betwee setiap varian lain di luar menyumbang
Regresi: menilai memprediksi chan
regresi sederhana
Tes bagaimana perubahan pra memprediksi tingkat perubahan variabel i
regresi berganda
Tes bagaimana perubahan co variabel prediktor yang lebih pra perubahan dalam hasil varia
Non-parametrik: asumsi bertemu r
Wilcoxon rank-sum test
Pengujian perbedaan antara variabel - memperhitungkan arah accoun perbedaan
Uji Wilcoxon sign-rank
Pengujian perbedaan antara - memperhitungkan perbedaan magnitu
uji tanda
Tes jika dua variabel yang terkait mengabaikan besarnya arah akun.

Uji Statistik

Pengertian Uji Statistik

Apa yang dimaksud oleh uji statistik?
Sebuah uji statistik menyediakan mekanisme untuk membuat keputusan kuantitatif tentang proses atau proses. Tujuannya adalah untuk menentukan apakah ada cukup bukti untuk "menolak" konjektur atau hipotesis tentang proses. Dugaan ini disebut hipotesis nol. Tidak menolak mungkin hasil yang baik jika kita ingin terus bertindak seolah-olah kita "percaya" hipotesis nol benar. Atau mungkin hasil mengecewakan, mungkin menunjukkan kita belum memiliki data yang cukup untuk "membuktikan" sesuatu dengan menolak hipotesis nol.
Untuk diskusi lebih lanjut tentang makna dari uji hipotesis statistik, lihat Bab 1.
Konsep hipotesis nol
Sebuah penggunaan klasik dari uji statistik terjadi dalam studi kontrol proses. Misalnya, misalkan kita tertarik dalam memastikan bahwa photomask dalam proses produksi harus linewidths rata-rata 500 mikrometer. Hipotesis nol, dalam hal ini, adalah bahwa linewidth rata adalah 500 mikrometer. Tersirat dalam pernyataan ini adalah kebutuhan untuk photomask bendera yang memiliki linewidths berarti yang baik jauh lebih besar atau kurang dari 500 mikrometer. Hal ini berarti hipotesis alternatif bahwa linewidths berarti tidak sama dengan 500 mikrometer. Ini adalah alternatif dua sisi karena penjaga terhadap alternatif dalam arah yang berlawanan; yaitu, bahwa linewidths terlalu kecil atau terlalu besar.
Prosedur pengujian bekerja dengan cara ini.
Linewidths pada posisi acak pada masker cahaya diukur dengan menggunakan mikroskop elektron scanning. Sebuah uji statistik dihitung dari data dan diuji terhadap nilai-nilai atas dan bawah kritis yang telah ditentukan. Jika uji statistik lebih besar dari nilai kritis atas atau kurang dari nilai kritis rendah, hipotesis nol ditolak karena ada bukti bahwa linewidth berarti tidak 500 mikrometer.
tes satu sisi dari hipotesis
hipotesis nol dan alternatif juga dapat menjadi salah satu sisi. Misalnya, untuk memastikan bahwa banyak bola lampu memiliki masa rata-rata minimal 500 jam, program pengujian dilaksanakan. Hipotesis nol, dalam hal ini, adalah bahwa rata-rata seumur hidup lebih besar dari atau sama dengan 500 jam. Komplemen atau hipotesis alternatif yang sedang dijaga terhadap adalah bahwa rata-rata seumur hidup kurang dari 500 jam. Uji statistik dibandingkan dengan nilai kritis yang lebih rendah, dan jika kurang dari batas ini, hipotesis nol ditolak.
Dengan demikian, uji statistik membutuhkan sepasang hipotesis; yaitu,
: Hipotesis nol
: Hipotesis alternatif.
tingkat signifikansi
Hipotesis nol adalah pernyataan tentang keyakinan. Kita mungkin meragukan bahwa hipotesis nol benar, yang mungkin mengapa kita "menguji" itu. Hipotesis alternatif mungkin, pada kenyataannya, menjadi apa yang kita yakini benar.
Prosedur tes dibangun sehingga risiko menolak hipotesis nol, ketika itu sebenarnya benar, kecil.
Risiko ini,, sering disebut sebagai tingkat signifikansi pengujian. Dengan memiliki tes dengan nilai kecil
, Kita merasa bahwa kita telah benar-benar "terbukti" sesuatu ketika kita menolak hipotesis nol.
Kesalahan jenis kedua
Risiko gagal menolak hipotesis nol ketika itu sebenarnya palsu tidak dipilih oleh pengguna tetapi ditentukan, seperti yang sudah diduga, dengan besarnya perbedaan nyata. Risiko ini,, biasanya disebut sebagai kesalahan dari jenis kedua. perbedaan besar antara realitas dan hipotesis nol lebih mudah untuk mendeteksi dan menyebabkan kesalahan kecil dari jenis kedua;
sementara perbedaan kecil lebih sulit untuk mendeteksi dan mengakibatkan kesalahan besar jenis kedua. Juga risiko
meningkat sebagai risiko berkurang. Risiko kesalahan jenis kedua biasanya diringkas oleh kurva karakteristik operasi (OC) untuk ujian.

Jumat, 30 September 2016

Perbedaan Data Nominal dan Ordinal

Di dalam ilmu statistik, kita mengenal 4 jenis data, yaitu data nominal, ordinal, interval, dan rasio. Data nominal mirip dengan data ordinal, sedangkan data interval hanya berbeda sedikit dengan data rasio.

Di artikel ini kita hanya fokus pada data nominal dan data ordinal.

Persamaan data nominal dan data ordinal adalah sama-sama bersifat kategori oleh karena itu dianggap sebagai data kualitatif. Baik data nominal maupun ordinal tidak dapat dilakukan operasi matematika seperti penjumlahan, pengurangan, perkalian, atau pembagian.

Sedangkan perbedaan data nominal dan ordinal yaitu:

Data nominal adalah data yang bersifat kategori dan setara. Tidak ada peringkat. Contohnya adalah jenis kelamin. Lazim dikenal ada laki-laki dan perempuan. Untuk mempermudah pengolahan data, kedua data tersebut biasanya diberi simbol angka. Angka 1 untuk laki-laki dan angka 2 untuk perempuan. Sekali lagi, angka 1 dan 2 di sini hanya lambang, bukan menunjukkan peringkat.

Contoh data nominal lainnya adalah agama, yaitu Islam, Katolik, Protestan, Hindu, Budha.  Sama dengan jenis kelamin, di sini juga dapat digunakan angka dari 1 sampai 5 sebagai simbol tiap agama.

Data ordinal adalah data yang bersifat kategori dan memiliki peringkat. Contoh data ordinal yang paling sering kita jumpai adalah pendidikan. Ada SD, SMP, SMA, dan PT. Pada data ordinal juga dapat digunakan angka sebagai simbol. Misal SD simbolnya 1, SMP simbolnya 2, dan seterusnya.

Jadi dapat disimpulkan bahwa perbedaan data nominal dan ordinal terletak pada ada tidaknya peringkat pada data. Jika tidak ada peringkat alias setara, maka termasuk data nominal. Sedangkan jika ada peringkat, termasuk data ordinal.

Kamis, 29 September 2016

Pengertian Statistik

Pengertian statistik adalah data berupa angka maupun bukan angka. Data tersebut dikumpulkan, diolah, dianalisis, disajikan, dan dimaknai (diinterpretasikan). Hasil interpretasi dapat digunakan untuk pengembangan ilmu pengetahuan dan teknologi.

Statistik terbagi ke dalam dua kategori yaitu statistik deskriptif dan statistik inferensial.

Statistik deskriptif adalah teknik statistik untuk mendapatkan gambaran tentang data sampel yang dipunyai. Gambaran tersebut hanya berlaku untuk data sampel yang dipunyai dan tidak berlaku untuk populasi dari mana data tersebut berasal.

Statistik inferensial adalah teknik statistik untuk mengetahui gambaran populasi berdasarkan data sampel yang berasal dari populasi tersebut. Contoh statistik inferensial adalah quick count survei pilpres, pilgub, maupun pilbup.

Sebagai tambahan, statistik berbeda dengan statistika. Pengertian statistika lebih luas lagi, mencakup seluruh ilmu yang terkait dengan data, baik pengolahan data, interpretasi data, dan sebagainya.

Statistika di setiap bidang mempunyai nama masing-masing. Misalnya di biostatistika untuk bidang kesehatan, ekonometrika untuk bidang ekonomi, dan sosiometri untuk bidang ilmu sosial.

Walaupun namanya berbeda, tapi metode yang digunakan mempunyai banyak persamaan.