Mengapa Signifikansi Statistik Penting?

Apa Signifikansi Statistik?

Signifikansi statistik mengacu pada klaim bahwa hasil dari data yang dihasilkan oleh pengujian atau eksperimen tidak mungkin terjadi secara acak atau kebetulan, tetapi kemungkinan besar disebabkan oleh a penyebab spesifik. Memiliki signifikansi statistik penting untuk disiplin akademis atau praktisi yang sangat bergantung pada analisis data dan penelitian, seperti ekonomi, keuangan, investasi, obat-obatan, fisika, dan biologi.

Signifikansi statistik dapat dianggap kuat atau lemah. Saat menganalisis kumpulan data dan melakukan tes yang diperlukan untuk membedakan apakah satu atau lebih variabel memiliki efek pada suatu hasil, signifikansi statistik yang kuat membantu mendukung fakta bahwa hasilnya nyata dan tidak disebabkan oleh keberuntungan atau peluang. Secara sederhana, jika p-value kecil maka hasilnya dianggap lebih reliabel.

Masalah muncul dalam pengujian signifikansi statistik karena peneliti biasanya bekerja dengan sampel populasi yang lebih besar dan bukan populasi itu sendiri. Akibatnya, sampel harus mewakili populasi, sehingga data yang terkandung dalam sampel tidak boleh bias dalam hal apapun. Di sebagian besar ilmu, termasuk ekonomi, signifikansi statistik relevan jika klaim dapat dibuat pada tingkat 95% (atau kadang-kadang 99%).

Memahami Signifikansi Statistik

Perhitungan signifikansi statistik (pengujian signifikansi) tunduk pada tingkat kesalahan tertentu. Peneliti harus mendefinisikan terlebih dahulu probabilitas a kesalahan pengambilan sampel, yang ada dalam tes apa pun yang tidak mencakup seluruh populasi.

Ukuran sampel merupakan komponen penting dari signifikansi statistik karena sampel yang lebih besar kurang rentan terhadap cacing. Hanya acak, sampel yang representatifs harus digunakan dalam pengujian signifikansi. Tingkat di mana seseorang dapat menerima apakah suatu peristiwa adalah signifikan secara statistik dikenal sebagai tingkat signifikansi.

Peneliti menggunakan statistik uji yang dikenal sebagai nilai-p untuk menentukan signifikansi statistik: jika nilai-p turun di bawah tingkat signifikansi, maka hasilnya signifikan secara statistik. Nilai p adalah fungsi dari rata-rata dan simpangan baku dari sampel data.

Nilai p menunjukkan probabilitas di mana hasil statistik yang diberikan terjadi, dengan asumsi peluang saja yang bertanggung jawab atas hasilnya. Jika probabilitas ini kecil, maka peneliti dapat dengan aman mengatur peluang kita sebagai penyebab. Nilai p harus berada di bawah tingkat signifikansi agar hasil setidaknya dianggap signifikan secara statistik.

Kebalikan dari tingkat signifikansi, dihitung sebagai 1 dikurangi tingkat signifikansi, adalah tingkat kepercayaan. Hal ini menunjukkan tingkat keyakinan bahwa hasil statistik tidak terjadi secara kebetulan atau kesalahan sampling. Kebiasaan kepercayaan diri tingkat di banyak uji statistik adalah 95 persen, yang mengarah ke tingkat signifikansi biasa atau nilai-p dari 5 persen.

Pertimbangan Khusus

Signifikansi statistik tidak selalu menunjukkan signifikansi praktis, artinya hasilnya tidak dapat diterapkan pada situasi bisnis dunia nyata. Selain itu, signifikansi statistik dapat disalahartikan ketika peneliti tidak menggunakan bahasa dengan hati-hati dalam melaporkan hasil mereka. Karena suatu hasil signifikan secara statistik tidak berarti bahwa itu adalah bukan acak, hanya saja kemungkinannya menjadi acak sangat berkurang.

Hanya karena dua seri data memiliki korelasi yang kuat satu sama lain tidak berarti sebab-akibat. Misalnya, jumlah film yang dibintangi oleh aktor Nicolas Cage pada tahun tertentu sangat berkorelasi dengan jumlah kecelakaan tenggelam di kolam renang. Tapi korelasi ini adalah palsu karena tidak ada klaim kausal teoretis yang dapat dibuat.

Masalah lain yang mungkin muncul dengan signifikansi statistik adalah bahwa data masa lalu, dan hasil dari data itu, apakah signifikan secara statistik atau tidak, mungkin tidak mencerminkan kondisi yang sedang berlangsung atau masa depan. Dalam berinvestasi, hal ini dapat memanifestasikan dirinya dalam model penetapan harga yang mogok selama masa krisis keuangan karena korelasi berubah dan variabel tidak berinteraksi seperti biasa. Signifikansi statistik juga dapat membantu investor membedakan apakah satu model penetapan harga aset lebih baik daripada yang lain.

Jenis Uji Signifikansi Statistik

Beberapa jenis uji signifikansi digunakan tergantung dari penelitian yang dilakukan. Misalnya, tes dapat digunakan untuk satu, dua, atau lebih sampel data dengan berbagai ukuran untuk rata-rata, varians, proporsi, data berpasangan atau tidak berpasangan, atau distribusi data yang berbeda.

Hipotesis Null

Semua faktor ini memiliki apa yang disebut hipotesis nol, dan signifikansi sering menjadi tujuan pengujian hipotesis dalam statistik. Hipotesis nol yang paling umum adalah bahwa parameter tersebut sama dengan nol (biasanya menunjukkan bahwa variabel memiliki efek nol pada hasil yang diinginkan). Jika Anda dapat menolak hipotesis nol dengan keyakinan 95 persen atau lebih baik, peneliti dapat menggunakan signifikansi statistik. Hipotesis nol juga dapat diuji untuk kesetaraan (bukan sama dengan nol) efek untuk dua atau lebih pengobatan alternatif.

Penolakan hipotesis nol, bahkan jika tingkat signifikansi statistik yang sangat tinggi tidak akan pernah bisa membuktikan sesuatu, hanya dapat menambah dukungan pada hipotesis yang ada. Di sisi lain, kegagalan untuk menolak hipotesis nol sering menjadi alasan penolakan hipotesis.

Tes signifikansi statistik memiliki banyak kesamaan matematika dengan menghitung interval kepercayaan. Dalam situasi umum, cara untuk menafsirkan signifikansi statistik adalah bahwa interval kepercayaan 95 persen yang sesuai tidak mengandung nilai nol. Bahkan jika suatu variabel ditemukan signifikan secara statistik, variabel itu harus tetap masuk akal di dunia nyata.

Selain itu, efek dapat signifikan secara statistik tetapi hanya memiliki dampak yang sangat kecil. Misalnya, mungkin sangat tidak mungkin karena kemungkinan perusahaan yang menggunakan kertas toilet dua lapis di kamar mandi mereka memiliki karyawan yang lebih produktif, tetapi peningkatan produktivitas absolut setiap pekerja kemungkinan besar akan amat kecil.