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

Tidak ada komentar: