Olah Data Statistik

Kadang-kadang, mahasiswa doktoral ditantang pada validitas menggunakan statistik parametrik untuk menganalisis skor skala sumatif. Aku mengacu pada skor skala yang diperoleh rata-rata (atau menjumlahkan) banyak pertanyaan Likert-jenis survey untuk mengukur mendasari membangun seperti "kecerdasan emosional" misalnya. Jadi, misalnya, katakanlah Anda memiliki 10 pertanyaan survei diukur pada 5-titik Likert-Type skala seperti: 1 = Sangat Tidak Setuju; 2 = Tidak Setuju; 3 = Netral; 4 = Setuju, dan; 5 = Sangat Setuju. Idenya adalah bahwa setiap tindakan pertanyaan survei beberapa aspek dari konstruk yang mendasari (misalnya kecerdasan emosional) dan bahwa dengan rata-rata semua pertanyaan, Anda mendapatkan ukuran yang valid dan dapat diandalkan kecerdasan emosional. Tentu saja pekerjaan yang harus dilakukan untuk membangun validitas dan reliabilitas, tetapi untuk kepentingan diskusi ini, mari kita asumsikan kita memiliki instrumen yang valid dan reliabel jenis ini.

Statistik parametrik mengacu uji statistik seperti t-test, ANOVA, dan analisis regresi linear. Mereka uji statistik disebut parametrik karena mereka didasarkan pada probabilitas distribusi yang mendasari (misalnya Distribusi Normal) yang memiliki parameter (misalnya mean dan standar deviasi). Kadang-kadang, data empiris tidak memenuhi asumsi ketat tes parametrik (misalnya distribusi normal, tidak ada outlier dll). Dalam hal ini, langkah-langkah perbaikan yang dilakukan seperti transformasi dari data atau penggunaan statistik non-parametrik. Tapi, demi diskusi ini, mari kita asumsikan nilai sumatif skala dan data lainnya (misalnya variabel independen atau tergantung untuk dibandingkan dengan skor skala sumatif) memenuhi asumsi untuk analisis statistik parametrik. Secara pribadi, saya  percaya itu adalah tepat untuk menerapkan statistik parametrik dalam hal ini. Rupanya ribuan peneliti lainnya setuju dengan saya karena Anda akan melihat statistik parametrik diterapkan skor skala sumatif dalam ribuan artikel yang dipublikasikan dalam kaliber tinggi peer review jurnal.


Misalnya, mengambil rata-rata 10 Likert-jenis pertanyaan survei diukur pada skala 5-point akan menghasilkan pengukuran dengan "skala pengukuran terus-menerus", yang berarti dapat mengambil nilai-nilai pecahan seperti 1.13, 2.56 ..., 4,87. Orang mungkin bertanya, perbedaan antara 1,00 dan 2,00 sama dengan perbedaan antara 3,00 dan 4,00? Aku mengambil posisi bahwa jika ada perbedaan (yaitu skor skala sumatif tidak benar-benar interval atau rasio), kemungkinan relatif tidak signifikan. Dengan kata lain, hasilnya masih akan menghasilkan valid dan bermakna hasil sebagian besar waktu (menurut saya). Saya berpikir bahwa rata-rata di atas beberapa pertanyaan survei jenis menghaluskan isu yang keluar, sehingga menjadi perhatian yang relatif kecil. Mungkin skenario terburuk adalah, melaporkan ancaman potensial ini untuk validitas sebagai keterbatasan penelitian.

Dalam skala pengukuran kategoris ada dua jenis, nominal dan ordinal. Gender dan warna favorit adalah nominal sedangkan tingkat kesepakatan adalah ordinal. Satu-satunya perbedaan antara nominal dan ordinal adalah bahwa urutan kategori untuk variabel nominal tidak memiliki arti sedangkan variabel ordinal memiliki rangka yang berarti dari terkecil hingga terbesar. Misalnya, Anda tidak dapat menempatkan warna favorit, merah, hijau, biru, kuning pesanan dari setidaknya untuk sebagian besar, tapi sangat tidak setuju jelas kurang dari setuju, yang kurang dari netral dan sebagainya. Hal ini cukup tidak biasa untuk memiliki variabel dependen ordinal dalam penelitian. Ketika variabel ordinal terlibat dalam variabel dependen itu jauh lebih umum untuk memiliki alat yang terdiri dari banyak pertanyaan, yang masing-masing diukur pada skala pengukuran ordinal. Instrumen ini dirancang untuk menghasilkan skor skala, yang merupakan agregat dari pertanyaan survei individu (biasanya rata-rata dari pertanyaan). Jadi, jika Anda memiliki survei 10 Likert- jenis (yaitu ordinal) pertanyaan, Anda biasanya tidak akan menganalisis pertanyaan survei individu sendiri. Survei ini dirancang sedemikian rupa sehingga Anda mengambil rata-rata dari 10 pertanyaan, yang menghasilkan nomor yang dapat mengambil nilai-nilai pecahan seperti 1,17, 2,73, 3,47 dll Jadi, skor skala yang dihasilkan adalah pengukuran yang sebenarnya (yaitu variabel independen atau dependen) bahwa Anda menganalisis, dan diukur pada skala pengukuran kontinyu, sehingga memenuhi persyaratan yang tertentu tes parametrik, seperti korelasi Pearson atau regresi linear.

Berikut adalah ide, kira korelasi statistik Pearson untuk membandingkan lima gaya kepemimpinan dengan kepuasan kerja adalah: 0,29; .31, .38, .28, .44 Dan, untuk L1, L2, L3, L4, dan L5, masing-masing. Misalkan semua lima korelasi yang signifikan secara statistik. Sekarang, ketika kita menempatkan semua lima gaya kepemimpinan dalam yang sama "model regresi linier berganda" itu, analisis menunjukkan bahwa hanya L3, L5 dan secara statistik signifikan.

Ini akan menjadi penting untuk mengetahui karena itu berarti bahwa jika semua yang Anda miliki adalah salah satu nilai gaya
kepemimpinan, yang dapat digunakan untuk memprediksi variabel dependen (kepuasan kerja). Kita juga dapat melihat bahwa jika kita harusmemilih, kita akan lebih suka untuk mengetahui L5, karena memiliki korelasi kuat dengan kepuasan kerja. Tetapi jika kita ingin model prediksi terbaik untuk memprediksi kepuasan kerja, kita akan tahu bahwa kita hanya peduli tentang L3, L5 dan. Setelah kita tahu berapa banyak L3 dan L5 gaya kepemimpinan seseorang, mengetahui jumlah gaya kepemimpinan L1, L2, dan L4 mereka tidak akan mengubah prediksi kami variabel dependen.

Dengan kata lain, semua lima gaya kepemimpinan yang berkorelasi dengan kepuasan kerja, tetapi tidak semua lima menambahkan hingga kolektif yang lebih baik memprediksi variabel dependen. Hanya L3 dan L5 "menambahkan informasi independen" tentang kepuasan kerja. Hipotesis alternatif satu sisi yang jarang digunakan dan saya biasanya mencegah penggunaannya. Intinya adalah, mengapa membatasi diri  Anda dengan hipotesis alternatif sepihak? Jika hasil harus terjadi untuk menjadi signifikan secara statistik, tetapi dalam arah yang perlawanan Anda harapkan, Anda tidak akan dapat menolak hipotesis nol.

Saya pikir dalam konteks ini, "hipotesis penelitian" identik dengan "temuan diharapkan", tapi tidak identik dengan "hipotesis
alternatif". Dengan kata lain, apa yang saya pikir Anda harus lakukan adalah, menggunakan hipotesis alternatif dua sisi tapi kemudian menambahkan bagian yang disebut "Temuan diharapkan". Dengan begitu, Anda dapat memiliki manfaat penuh dari dua ekor tes dan masih memenuhi permintaan anggota komite bagi Anda untuk menyatakan suatu hipotesis penelitian yang menentukan arah tertentu.

Misalkan ada 10 artikel yang diterbitkan pada ini sangat subjek, semua menggunakan instrumen yang sama persis Anda berencana untuk menggunakan dan semua metodologi yang ketat yang digunakan. Misalkan kekuatan korelasi antara kepuasan kerja dan gaya kepemimpinan berkisar 0,20-0,35 dan rata-rata antara 10 makalah adalah .27. Kemudian, tebakan terbaik tentang bagaimana kuat korelasi akan di studi  Anda adalah .27. Kemudian, Anda akan melakukan analisis kekuatan statistik untuk menentukan seberapa besar ukuran sampel yang Anda  butuhkan untuk mendeteksi korelasi 0,27.

Dalam kebanyakan kasus skenario di atas tidak akan bekerja. Kebanyakan mahasiswa doktoral tidak mereplikasi penelitian sebelumnya. Oleh karena itu, sebagian besar mahasiswa doktoral tidak memiliki artikel untuk merujuk untuk memperkirakan ukuran efek yang diharapkan. Hal terbaik berikutnya adalah untuk menemukan beberapa artikel yang melaporkan hasil penelitian yang sangat mirip dengan Anda. Misalnya, mereka mempelajari hubungan antara kepuasan kerja dan gaya kepemimpinan, mereka menggunakan kuesioner gaya kepemimpinan yang sama, tapi instrumen kepuasan kerja yang berbeda.

Sekali lagi, dalam kebanyakan kasus, Anda tidak akan menemukan artikel yang datang cukup dekat dengan apa yang Anda belajar untuk menjadi gunanya. Oleh karena itu, dalam hal ini, Anda tidak tahu apa ukuran efek akan. Di satu sisi, Anda ingin menggunakan ukuran sampel yang sangat besar, hanya dalam kasus efek ukuran kecil. Di sisi lain, untuk semua yang Anda tahu, ukuran efek akan besar, sehingga Anda tidak ingin membuang-buang waktu dan uang pada sampel yang besar ketika sampel kecil akan dilakukan. Hal yang logis untuk dilakukan adalah memilih ukuran sampel yang cukup besar untuk mendeteksi ukuran efek media.

Di dunia nyata (sebagai lawan pendekatan buku teks), mahasiswa doktoral biasanya dibatasi oleh waktu, biaya dan kendala lain yang membatasi ukuran sampel mereka. Ukuran sampel ditentukan di bagian berdasarkan apa yang bisa dilakukan mengingat kendala, dan kemudian analisis daya dapat menunjukkan apa efek ukuran dapat dideteksi dengan ukuran sampel, dan pada dasarnya, yang membenarkan ukuran sampel.

Misalnya, ketika memilih sampel, Anda harus berpikir tentang bagaimana Anda bisa mendapatkan akses ke populasi sasaran. Sebagai contoh, jika Anda ingin belajar kepuasan kerja dan gaya kepemimpinan yang dirasakan antara karyawan non-pengawas di industri makanan cepat saji, Anda mungkin pergi dari pintu ke pintu ke sejumlah restoran cepat saji, meminta untuk berbicara dengan manajer, dan meminta izin untuk melakukan survei / karyawan nya. Ini akan menjadi banyak pekerjaan dan tidak akan menjadi pendekatan praktis. Jadi, Anda memikirkan cara yang lebih baik, mungkin Anda bisa menghubungi kantor pusat perusahaan untuk satu rantai makanan cepat saji tertentu dan mendapatkan izin seperti itu. Kemudian, administrator perusahaan bisa membantu dengan menyebarkan survei di antara karyawan. Pertimbangan praktis akan sering menentukan populasi target Anda "mampu" untuk belajar. Ini mungkin bukan target populasi ideal, tapi mungkin keterbatasan diperlukan studi untuk membuatnya bisa dilakukan.

Sekarang bahwa Anda telah memilih "bisa dilakukan" populasi sasaran, Anda perlu memperkirakan berapa banyak anggota populasi sasaran yang memenuhi syarat untuk studi Anda (misalnya Anda mungkin dapat menemukan bahwa keluar dari administrator perusahaan yang membantu 

Anda. Katakanlah adalah 1.000 karyawan. Sekarang, karena survei bersifat sukarela, ukuran sampel yang sebenarnya akan menjadi fungsi dari berapa banyak orang setuju untuk berpartisipasi, menandatangani informed consent, dan menyelesaikan survei.

Anda dapat melakukan kajian literatur untuk tingkat respons survei yang khas. Mereka bervariasi sesuai dengan sejumlah faktor, tetapi selama bertahun-tahun tingkat respon yang paling umum yang saya lihat dikutip adalah 20%. Jadi, untuk bagian ukuran pembenaran sampel Anda, Anda pada dasarnya mengatakan: saya memiliki akses ke populasi target sekitar 1.000 karyawan non-pengawas. Semua 1.000 anggota populasi target akan diundang untuk berpartisipasi dalam penelitian ini. Berdasarkan makalah oleh ...., Tingkat respons survei khas sekitar 20%. Dengan demikian, ukuran sampel diantisipasi adalah sekitar 200.
Sekarang, melakukan analisis kekuatan statistik Anda menggunakan ukuran sampel dari 200, 80% listrik, dan tingkat alpha .05 dan memecahkan untuk ukuran efek. Sekarang Anda akan dapat mengatakan ... sampel kenyamanan sekitar 200 akan digunakan, didasarkan pada analisis kekuatan, ukuran sampel dari 200 akan menghasilkan 80% listrik di .05 tingkat signifikansi untuk mendeteksi efek ukuran ....

Selain: Saya biaya secara harga tetap. Apakah Anda mendapatkan saya on-board dari satu hari, atau setelah mencoba untuk mendapatkan seluruh proposal Anda diterima, hanya untuk memilikinya ditolak satu kali atau lebih, harga sama. Hal ini hampir selalu "lebih" bekerja bagi saya untuk membantu seorang mahasiswa doktor yang sudah sangat jauh ke dalam usulan dari membantu seorang mahasiswa doktor yang baru mulai keluar. Semakin cepat Anda mulai bekerja dengan konsultan statistik, hal-hal yang halus akan pergi untuk Anda.

Dengan jasa saya, karena harga yang sama, mengapa tidak mendapatkan saya on-board awal ?.4) Konsultasikan dengan ahli statistik tentang topik Anda dan berbagi ide tentang apa jenis data yang Anda ingin mengumpulkan (misalnya mungkin Anda memiliki survei tertentu dalam pikiran, atau kumpulan data arsip). Statistik yang dapat menyarankan Anda tentang pertimbangan metodologis berkaitan dengan pendekatan yang direncanakan. Kemungkinan besar statistik akan menunjukkan berbagai pilihan, masing-masing memiliki pro dan kontra, dan pilihan yang Anda buat memiliki implikasi untuk pernyataan masalah Anda, tujuan penelitian, pertanyaan penelitian, instrumentasi, populasi dan lebih.

Selain: Saya hampir selalu mengirim draf informasi bahwa setelah pertama kolaboratif konsultasi telepon. Kemudian, dalam hitungan 7 hari atau kurang, saya akan menyelesaikan semua pertimbangan statistik untuk proposal Anda (misalnya rencana analisis data, sampel ukuran pembenaran).


Menggunakan salinan dari "Shell" dari langkah 6, mulai dengan pasal 1. Skim melalui sub-judul dan memilih salah satu yang Anda merasa paling percaya diri dalam, yang Anda pikir Anda bisa menulis dari atas kepala Anda (yaitu buah tergantung rendah).Lanjutkan langkah 8 dan 9 sampai Anda terjebak. Jika Anda terjebak, jika ada hubungannya dengan statistik, berkonsultasi dengan ahli statistik Anda untuk meminta nasihat. Jika ini adalah masalah materi pelajaran, mungkin Anda perlu berhenti dan melakukan lebih literatur.


Ikuti langkah-langkah 8-10 sampai Anda memiliki 1 ayat atau kurang ditulis dalam setiap bagian dari bab 1. Anda mungkin menemukan bahwa saat melakukan hal ini, Anda dapat mengisi beberapa bagian di bab 2 dan 3. Pergi ke depan dan melakukan itu juga. Setelah semua, Anda harus memiliki pertanyaan penelitian, hipotesis, analisis data rencana, daya analisis dan pertimbangan statistik lainnya dari statistik Anda pada titik ini, dan bahwa semua berjalan dalam bab 3.


Setelah Anda telah menulis 1 ayat atau kurang dalam setiap bagian dari bab 1, 2 dan 3, berhenti dan menyimpan salinan. Itu adalah Anda "pandangan mata burung" dari seluruh proposal.Tinjau setiap bagian lagi dan bertanya pada diri sendiri, apakah saya "menyebutkan setiap gagasan inti" yang perlu masuk ke bagian ini (lihat rubrik untuk apa harus ada)? Jika Anda melewatkan ide, menambahkannya. Lakukan ini untuk semua bagian dan menyimpan ini sebagai


Burung Eye View Revisi 1.

Sekarang bahwa Anda memiliki pandangan mata ini burung dari proposal selesai, itu hanya masalah "fleshing" setiap bagian. Apa yang akan saya lakukan adalah mengambil setiap "ide" utama dalam setiap bagian, menentukan berapa lama saya ingin bahwa bagian menjadi, dan kemudian memutuskan berapa banyak saya ingin memperluas pada setiap gagasan utama sampai bagian yang panjang yang diinginkan. Pada titik ini Anda harus memiliki proposal disertasi terorganisir dengan baik dan hampir selesai. Membaca dengan hati-hati, karena banyak kesalahan tata bahasa dan tanda baca yang benar mungkin dan mencoba untuk membuat transisi dari satu bagian ke yang berikutnya sehalus mungkin. Kemudian, mengirimkan draf itu untuk statistik untuk review lain.

Selain: Hanya karena mentor menyarankan revisi tidak berarti Anda harus membuat revisi itu. Ingat, Anda mungkin tahu 10 kali lebih banyak tentang studi Anda dari mentor Anda tidak pada saat ini. Anda mungkin telah menghabiskan beberapa minggu jika tidak bulan bekerja intensif hanya pada studi ini, sedangkan mentor Anda memiliki untuk mengajar dan mungkin mentor beberapa mahasiswa doktoral lainnya juga.

Setelah Anda telah mengembangkan menanggapi setiap komentar dari mentor, membuat revisi di mana Anda dan statistik Anda merasa mereka tepat, mengirim draft revisi kembali ke mentor.Ulangi langkah 19-21 untuk anggota komite lain sampai mereka puas dan mereka mengajukan proposal ke ARB, IRB, resensi eksternal atau apa pun langkah selanjutnya adalah di universitas Anda.

Kenyamanan - Alih-alih mengirimkan surat melalui layanan US Postal, atau mengirim email ke daftar besar alamat email, Anda hanya meminta administrator yang sesuai asosiasi untuk mengirim Anda (email) surat undangan atas nama Anda. Hal ini menjamin anonimitas dari peserta studi karena Anda tidak meminta nama, alamat, nomor telepon, alamat email dll

Anda dapat menjangkau khalayak yang lebih luas. Daripada merekrut peserta penelitian dari satu organisasi, terletak di lokasi geografis tunggal, asosiasi profesional nasional anggota yang terletak di banyak organisasi dan lokasi geografis, yang pergi ke kemampuan untuk menggeneralisasi sampel penelitian untuk populasi yang lebih besar.

2) Membuat sangat jelas bahwa Anda tidak meminta alamat email, nomor telepon, alamat surat atau informasi pribadi tentang anggota asosiasi. Anda meminta bahwa mereka email surat undangan untuk menyelesaikan survei online (catatan, saya selalu merekomendasikan sebuah survei online bila memungkinkan, periksa www.SurveyMonkey.com), atas nama Anda, hanya dengan mengirimkan email kelompok untuk semua anggota asosiasi mereka. Membuat jelas bahwa survei Anda tidak meminta informasi identitas pribadi, bahwa identifikasi studi peserta akan benar-benar anonim.

Saya tidak meminta alamat email, nomor telepon, alamat surat atau informasi pribadi tentang anggota asosiasi. Sebaliknya, saya ingin Anda untuk mengirim email surat saya undangan untuk menyelesaikan survei online, atas nama saya, untuk semua anggota asosiasi Anda. Survei saya tidak meminta informasi identitas pribadi, identifikasi studi peserta akan benar-benar anonim.

Anda cukup cerdas untuk datang sejauh ini, tidak ada alasan (dari titik berdiri akademik) untuk berlama-lama di "ABD Zone." Semakin lama Anda berada di sana, semakin sulit menjadi untuk mengambil potongan-potongan dan bergerak maju.

Seorang konsultan statistik yang berkualitas dan berpengalaman yang bekerja dengan calon Ph.D memahami keadaan khusus yang dapat menyebabkan status ABD (pekerjaan fulltime misalnya sibuk, keluarga, dan masalah pribadi lainnya). Pertanyaannya adalah bagaimana Anda menemukan seorang ahli statistik yang berkualitas ?.

Waktu yang ideal untuk mulai bekerja dengan konsultan statistik adalah setelah Anda memiliki topik dan Anda telah melakukan beberapa kajian literatur awal. Jika tidak, Anda menjalankan resiko tidak perlu rumit studi Anda. Hal ini dapat mengakibatkan konsultan tidak mampu untuk membantu Anda, kecuali Anda bersedia untuk memulai dengan pernyataan masalah, tujuan penelitian, pertanyaan penelitian, instrumentasi dan data rencana analisis.

Sebagaimana dinyatakan di atas, banyak siswa memukul disertasi mereka "dinding bata" ketika mereka menghadapi pertimbangan statistik. Sering, mahasiswa akan berjuang selama berbulan-bulan sebelum mereka mencari bantuan ahli statistik itu. Hal ini sering menyebabkan biaya kuliah tambahan dan tanggal kelulusan terjawab. Jumlah calon Ph.D tidak menyelesaikan program mereka adalah mengejutkan. Jika saya harus menyebutkan satu alasan mengapa calon Ph.D, melakukan studi kuantitatif atau dicampur-metode mendapat keluar jalur dalam program mereka, itu adalah statistik dan ketakutan mereka statistik. Jadi, pertanyaannya adalah apakah atau tidak itu adalah etis untuk mendapatkan bantuan sama sekali. Jika demikian, berapa banyak bantuan yang terlalu banyak ?.

Saya tidak tahu apakah ada yang pernah survei anggota komite disertasi yang mengajukan pertanyaan, namun, saya tahu banyak penasihat mengambil posisi berikut ketika mereka menyarankan atau menyetujui bantuan luar: Untuk sebagian besar proses ini pengendalian diri.

Jika mahasiswa bergantung terlalu banyak pada konsultan, produk mungkin terlihat baik; Namun, siswa akan mampu mempertahankan disertasi mereka.Begitu banyak klien saya datang kepada saya setelah beberapa penulisan ulang dari pernyataan masalah, pertanyaan penelitian, data rencana analisis dll Mereka bisa menyelamatkan diri banyak waktu, uang dan frustrasi dengan menghubungi statistik lebih cepat.Selain itu, banyak dari klien saya datang kepada saya setelah mereka sepenuhnya disetujui usulan. Sering kali, proposal diterima meskipun statistik tidak jelas ditulis dan kadang-kadang, statistik mereka hanya salah polos. Hal ini dapat terjadi jika Anda tidak memiliki seseorang dengan gelar maju dalam statistik komite Anda. Ketika itu terjadi, saya tidak dapat melakukan analisis untuk mereka kecuali kita pertama mengulang statistik dalam metode bab.

Hal lain yang terjadi adalah, siswa datang ke saya dengan proposal sepenuhnya disetujui dan mereka ingin membantu dengan analisis. Aspek statistik metodologi mereka benar, tapi tidak perlu rumit yang saya tidak dapat membantu mereka karena ruang lingkup proyek yang begitu besar saya tidak bisa muat pekerjaan ke dalam jadwal saya, atau saya bisa melakukan pekerjaan untuk harga yang terjangkau.

Mungkin, tetapi banyak mahasiswa doktoral tidak memiliki "statistik yang sebenarnya" di komite mereka. The metodologi komite Anda pasti memiliki lebih banyak pengalaman dengan statistik dari anggota komite lainnya, tapi yang sangat berbeda daripada memiliki seseorang dengan gelar yang lebih dalam statistik dan 14 tahun atau lebih pengalaman sebagai konsultan statistik pada komite Anda. Intinya adalah, saya telah melihat banyak proposal disertasi komite yang disetujui yang memiliki pertanyaan penelitian yang tidak meminjamkan diri dengan baik untuk analisis statistik.Pada titik selama pengembangan disertasi Anda apakah Anda mulai berjuang dengan statistik? Dalam pandangan saya, pertimbangan statistik ikut bermain segera setelah Anda telah mengembangkan sebuah topik. Untuk semua tujuan praktis, konsultan statistik mungkin tidak diperlukan sampai Anda telah menghabiskan waktu mengembangkan topik dan melakukan beberapa kajian literatur.

Ketika saya menanyakan pertanyaan ini, saya ingin merespon dengan analogi berikut. Ahli bedah biasanya tidak melakukan anestesi sendiri, karena anestesi adalah bidang yang sangat teknis dan khusus, dan ahli bedah akan lebih memilih untuk meninggalkan seorang ahli. Dengan analogi, kebanyakan peneliti tidak melakukan analisis statistik mereka sendiri, karena statistik adalah bidang yang sangat teknis dan khusus, dan mereka akan lebih memilih untuk meninggalkan statistik untuk ahli. Jadi, jika menulis disertasi adalah tentang belajar bagaimana melakukan penelitian, maka dengan bekerja sama dengan ahli statistik, Anda mendapatkan pengalaman dunia nyata bagaimana untuk melakukan penelitian.

Apakah saya harus menggunakan satu ekor atau dua ekor Tes Hipotesis? Hipotesis alternatif satu sisi yang jarang digunakan dan saya biasanya mencegah penggunaannya. Intinya adalah, mengapa membatasi diri Anda dengan hipotesis alternatif sepihak? Jika hasil harus terjadi untuk menjadi signifikan secara statistik, tetapi dalam arah yang berlawanan Anda harapkan, Anda tidak akan dapat menolak hipotesis nol. Ini adalah pemahaman saya ada terutama dua keadaan di mana Anda akan menggunakan uji satu sisi: 1) ketika hasil yang signifikan secara statistik dalam salah satu arah akan tidak menarik (misalnya sebuah perusahaan farmasi mengembangkan obat baru dan mereka hanya perawatan jika itu lebih baik daripada obat standar), atau; 2) ketika secara fisik tidak mungkin untuk hubungan untuk pergi di salah satu arah. Saya telah bekerja dengan banyak mahasiswa doktoral yang telah memiliki anggota komite yang merasa sangat kuat bahwa tes hipotesis satu sisi harus digunakan. Saya pikir nasihat adalah upaya sesat untuk mendapatkan mahasiswa doktoral untuk
menyatakan "Temuan yang diharapkan" mereka. Dengan kata lain, kadang-kadang anggota komite akan mengatakan bahwa Anda harus memiliki "hipotesis penelitian" yang menentukan arah mana korelasi akan pergi. Saya pikir dalam konteks ini, "hipotesis penelitian" identik dengan "temuan diharapkan", tapi tidak identik dengan "hipotesis alternatif". Dengan kata lain, apa yang saya pikir Anda harus lakukan adalah, menggunakan hipotesis alternatif dua sisi tapi kemudian menambahkan bagian yang disebut "Temuan diharapkan". Dengan begitu, Anda dapat memiliki manfaat penuh dari dua ekor tes dan masih memenuhi permintaan anggota komite bagi Anda untuk menyatakan suatu hipotesis penelitian yang menentukan arah tertentu.

Hipotesis alternatif satu sisi yang jarang digunakan dan saya biasanya mencegah penggunaannya. Intinya adalah, mengapa membatasi diri Anda dengan hipotesis alternatif sepihak? Jika hasil harus terjadi untuk menjadi signifikan secara statistik, tetapi dalam arah yang berlawanan Anda harapkan, Anda tidak akan dapat menolak hipotesis nol. Ini adalah pemahaman saya ada terutama dua keadaan di mana Anda akan menggunakan uji satu sisi: 1) ketika hasil yang signifikan secara statistik dalam salah satu arah akan tidak menarik (misalnya sebuah perusahaan farmasi mengembangkan obat baru dan mereka hanya perawatan jika itu lebih baik daripada obat standar), atau; 2) ketika secara fisik tidak mungkin untuk hubungan untuk pergi di salah satu arah. Saya telah bekerja dengan banyak mahasiswa doktoral yang telah memiliki anggota komite yang merasa sangat kuat bahwa tes hipotesis satu sisi harus digunakan. Saya pikir nasihat adalah upaya sesat untuk mendapatkan mahasiswa doktoral untuk menyatakan "Temuan yang diharapkan" mereka. Dengan kata lain, kadang-kadang
anggota komite akan mengatakan bahwa Anda harus memiliki "hipotesis penelitian" yang menentukan arah mana korelasi akan pergi. Saya pikir dalam konteks ini, "hipotesis penelitian" identik dengan "temuan diharapkan", tapi tidak identik dengan "hipotesis alternatif".

Dengan kata lain, apa yang saya pikir Anda harus lakukan adalah, menggunakan hipotesis alternatif dua sisi tapi kemudian menambahkan bagian yang disebut "Temuan diharapkan". Dengan begitu, Anda dapat memiliki manfaat penuh dari dua ekor tes dan masih memenuhi permintaan anggota komite bagi Anda untuk menyatakan suatu hipotesis penelitian yang menentukan arah tertentu.Apa ukuran sampel terkecil yang dapat saya gunakan untuk studi saya? Ini sebenarnya pertanyaan lebih sulit daripada yang Anda kira. Cara buku teks untuk menentukan ukuran sampel adalah untuk melakukan tinjauan literatur untuk menentukan apa efek ukuran yang Anda cari. Misalnya, Anda ingin tahu apakah ada korelasi antara kepuasan kerja dan gaya kepemimpinan yang dirasakan dari supervisor antara karyawan non-pengawas. Misalkan ada 10 artikel yang diterbitkan pada ini sangat subjek, semua menggunakan instrumen yang sama persis

Anda berencana untuk menggunakan dan semua metodologi yang ketat yang digunakan. Misalkan kekuatan korelasi antara kepuasan kerja dan gaya kepemimpinan berkisar 0,20-0,35 dan rata-rata antara 10 makalah adalah .27. Kemudian, tebakan terbaik tentang bagaimana kuat korelasi akan di studi Anda adalah .27. Kemudian, Anda akan melakukan analisis kekuatan statistik untuk menentukan seberapa besar ukuran sampel yang Anda butuhkan untuk mendeteksi korelasi 0,27. Dalam kebanyakan kasus skenario di atas tidak akan bekerja. 

Kebanyakan mahasiswa doktoral tidak mereplikasi penelitian sebelumnya. Oleh karena itu, sebagian besar mahasiswa doktoral tidak memiliki artikel untuk merujuk untuk memperkirakan ukuran efek yang diharapkan. Hal terbaik berikutnya adalah untuk menemukan beberapa artikel yang melaporkan hasil penelitian yang sangat mirip dengan Anda. Misalnya, mereka mempelajari hubungan antara kepuasan kerja dan gaya kepemimpinan, mereka menggunakan kuesioner gaya kepemimpinan yang sama, tapi instrumen kepuasan kerja yang berbeda. Sekali lagi, dalam kebanyakan kasus, Anda tidak akan menemukan artikel yang datang cukup dekat dengan apa yang Anda belajar untuk menjadi gunanya. Oleh karena itu, dalam hal ini, Anda tidak tahu apa ukuran efek akan. 

Di satu sisi, Anda ingin menggunakan ukuran sampel yang sangat besar, hanya dalam kasus efek ukuran kecil. Di sisi lain, untuk semua yang Anda tahu, ukuran efek akan besar, sehingga Anda tidak ingin membuang-buang waktu dan uang pada sampel yang besar ketika sampel kecil akan dilakukan. Hal yang logis untuk dilakukan adalah memilih ukuran sampel yang cukup besar untuk mendeteksi ukuran efek media. Di dunia nyata (sebagai lawan pendekatan buku teks), mahasiswa doktoral biasanya dibatasi oleh waktu, biaya dan kendala lain yang membatasi ukuran sampel mereka. Ukuran sampel ditentukan di bagian berdasarkan apa yang bisa dilakukan mengingat kendala, dan kemudian analisis daya dapat menunjukkan apa efek ukuran dapat dideteksi dengan ukuran sampel, dan pada dasarnya, yang membenarkan ukuran sampel. Misalnya, ketika memilih sampel, Anda harus berpikir tentang bagaimana Anda bisa mendapatkan akses ke populasi sasaran. Sebagai contoh, jika Anda ingin belajar kepuasan kerja dan gaya kepemimpinan yang dirasakan antara karyawan non-pengawas di industri makanan cepat saji, Anda mungkin pergi dari pintu ke pintu ke sejumlah restoran cepat saji, meminta untuk berbicara dengan manajer, dan meminta izin untuk melakukan survei / karyawan nya. Ini akan menjadi banyak pekerjaan dan tidak akan menjadi pendekatan praktis. Jadi, Anda memikirkan cara yang lebih baik, mungkin Anda bisa menghubungi kantor pusat perusahaan untuk satu rantai makanan cepat saji tertentu dan mendapatkan izin seperti itu. Kemudian, administrator perusahaan bisa membantu dengan menyebarkan survei di antara karyawan. Pertimbangan praktis akan sering menentukan populasi target Anda "mampu" untuk belajar. Ini mungkin bukan target populasi ideal, tapi mungkin keterbatasan diperlukan studi untuk membuatnya bisa dilakukan. Sekarang bahwa Anda telah memilih "bisa dilakukan" populasi sasaran, Anda perlu memperkirakan berapa banyak anggota populasi sasaran yang memenuhi syarat untuk studi Anda (misalnya Anda mungkin dapat menemukan bahwa keluar dari administrator perusahaan yang membantu Anda. Katakanlah adalah 1.000 karyawan. Sekarang, karena survei bersifat sukarela, ukuran sampel yang sebenarnya akan menjadi fungsi dari berapa banyak orang setuju untuk berpartisipasi, menandatangani informed consent, dan menyelesaikan survei. Anda dapat melakukan kajian literatur untuk tingkat respons survei khas . Mereka bervariasi sesuai dengan sejumlah faktor, tetapi selama bertahun-tahun tingkat respon yang paling umum yang saya lihat dikutip adalah 20% Jadi, untuk bagian
ukuran pembenaran sampel Anda, Anda pada dasarnya mengatakan:. Saya memiliki akses ke populasi target sekitar 1.000 non karyawan -supervisory. Semua 1.000 anggota populasi target akan diundang untuk berpartisipasi dalam penelitian ini. Berdasarkan makalah oleh ...., tingkat respons survei khas sekitar 20%. Dengan demikian, ukuran sampel diantisipasi adalah sekitar 200. Sekarang, melakukan Anda daya analisis statistik dengan menggunakan ukuran sampel dari 200, 80% listrik, dan tingkat alpha .05 dan memecahkan untuk ukuran efek. Sekarang Anda akan dapat mengatakan ... sampel kenyamanan sekitar 200 akan digunakan, didasarkan pada analisis kekuatan, ukuran sampel dari 200 akan menghasilkan 80% listrik di .05 tingkat signifikansi untuk mendeteksi efek ukuran ....Ini sebenarnya pertanyaan lebih sulit daripada yang Anda kira. Cara buku teks untuk menentukan ukuran sampel adalah untuk melakukan tinjauan literatur untuk menentukan apa efek ukuran yang Anda cari. Misalnya, Anda ingin tahu apakah ada korelasi antara kepuasan kerja dan gaya kepemimpinan yang dirasakan dari supervisor antara karyawan non-pengawas. Misalkan ada 10 artikel yang diterbitkan pada
ini sangat subjek, semua menggunakan instrumen yang sama persis Anda berencana untuk menggunakan dan semua metodologi yang ketat yang digunakan. Misalkan kekuatan korelasi antara kepuasan kerja dan gaya kepemimpinan berkisar 0,20-0,35 dan rata-rata antara 10 makalah adalah .27. Kemudian, tebakan terbaik tentang bagaimana kuat korelasi akan di studi Anda adalah .27. Kemudian, Anda akan melakukan analisis kekuatan statistik untuk menentukan seberapa besar ukuran sampel yang Anda butuhkan untuk mendeteksi korelasi 0,27. Dalam kebanyakan kasus skenario di atas tidak akan bekerja. Kebanyakan mahasiswa doktoral tidak mereplikasi penelitian sebelumnya. Oleh karena itu, sebagian besar mahasiswa doktoral tidak memiliki artikel untuk merujuk untuk memperkirakan ukuran efek yang diharapkan. Hal terbaik berikutnya adalah untuk menemukan beberapa artikel yang melaporkan hasil penelitian yang sangat mirip dengan Anda.


Misalnya, mereka mempelajari hubungan antara kepuasan kerja dan gaya kepemimpinan, mereka menggunakan kuesioner gaya kepemimpinan yang sama, tapi instrumen kepuasan kerja yang berbeda. Sekali lagi, dalam kebanyakan kasus, Anda tidak akan menemukan artikel yang datang cukup dekat dengan apa yang Anda belajar untuk menjadi gunanya. Oleh karena itu, dalam hal ini, Anda tidak tahu apa ukuran efek akan. Di satu sisi, Anda ingin menggunakan ukuran sampel yang sangat besar, hanya dalam kasus efek ukuran kecil.


















Comments