Episode berikut ini, sesudah saya pertanda mengenai beberapa hal ihwal sampling penelitian, saya tertarik untuk membahas secara substansial atau teoritis mengenai beberapa uji perkiraan dalam proses pemodelan statistik, kali ini saya akan membahas terlebih dahulu ihwal uji kenormalan sebuah model penelitian (model statistik). Untuk uji yang lainnya akan lebih lanjut saya bahas pada artikel berikutnya.
Kenormalan. Mungkin sudah banyak masyarakat yang mengerti ihwal kenormalan. Normal ialah sebuah kata sifat yang berarti sudah biasa (umum), kondisi stabil, atau kondisi mendasar, sanggup juga diartikan kondisi standar baku, dan mungkin banyak lagi maknanya.
Dalam statistika, uji kenormalan sebuah model hasil penelitian biasanya dipakai untuk melihat apakah model sudah memenuhi kriteri standar/kenormalan atau belum. Apa yang harus dinormalkan ?, nah, kebanyakan banyak peneliti salah kaprah dalam menguji mengenai kenormalan. Yang mereka uji ialah datanya, kalau datanya normal maka niscaya model yang dibuat normal. Ini kesimpulan yang kurang tepat. Justru yang dilihat atau diuji apakah normal atau tidak itu ialah variabel error model statistik. Selain itu, pengujian kenormalan model ada juga yang dengan menguji ekspektasi atau nilai impian dari variabel terikat dari model, ini juga gotong royong kurang tepat, lantaran antara variabel terikat dan variabel bebas itu diasumsikan dependen sehingga di dalamnya mengandung komponen interaksi dan itu semua terkacup dalam variabel error model. Hal ini sesuai dengan teori yang terdapat dalam berjudul Applied Regression Anlysis third edition karya Draper Smith halaman 60-61 yang menyatakan,
“Now in performing the regression analysis we have made certain assumptions about the errors; the usual assumptions are that the errors are independent, have zero mean, have constant variance, and follow normal a distribution. The last assumptions is required for making F-tests”.
Hal yang sama juga terdapat dalam buku Hill dan Lim serta Berenson cetakan 2011 yang berjudul Principal of Econometrics fourth edition.
Lalu, kenapa sih error harus normal ? kenapa harus normal ?
Sebab, dalam statistika segala bentuk distribusi, entah itu distribusi Chi-square, entah itu distribusi F entah itu distribusi t atau yang lain, itu diperoleh dari penurunan distribusi normal yang mempunyai rata-rata nol (0) dan varians konstan. Namun, perlu diinga bahwa perkiraan kenormalan hanya berlaku untuk analisis statistik parametrik, berbeda dengan non-parametrik, beliau biasanya tidak harus lolos uji kenormalan.
Apa saja uji yang berkhasiat untuk kenormalan ?
Anda sanggup menggunakan uji Kolmogorov-Smirnof (K-S) dan Liliefors (biasanya di paket jadwal SPSS), Chi-Square, Saphiro-Wilks, Anderson-Darling serta Ryan-Joiner (sama dengan Shapiro-Wilks) (biasanya di paket jadwal Minitab), Jarque-Bera (biasanya di paket jadwal Eviews), dan yang paling sederhana sanggup menggunakan Kurtosis(keruncingan data) dan Skewness(kemencengan data). Ada banyak uji yang sanggup Anda dipakai dan secara teoritis sanggup dipilih lantaran tujuannya sama, yaitu untuk menguji kenormalanerror. Namun, perlu Anda ketahui bahwa ketersediaan semua alat uji kenormalan tersebut mempunyai formula perhitungan dan perkiraan tersendiri. Sejauh pengamatan saya, uji yang paling lemah dalam mengukur kenormalan ialah uji Kolmogorov-Smirnof, tidak menyerupai uji Liliefors, uji K-S ini dilihat dari segi perkiraan nilai parameter populasi diketahui, sementara uji Liliefors yakni dengan faktor koreksi terhadap uji K-S dengan mengasumsikan parameter populasi belum diketahui sehingga diestimasi atau diperkirakan dari sampel.
Tapi kalau Anda menggunakan uji K-S, ya sah-sah saja toh ada teorinya, tetapi akan lebih baik minimal Anda menggunakan uji Liliefors dalam menguji kenormalanerror model statistik Anda.
Sumber http://www.ngobrolstatistik.com/Kenormalan. Mungkin sudah banyak masyarakat yang mengerti ihwal kenormalan. Normal ialah sebuah kata sifat yang berarti sudah biasa (umum), kondisi stabil, atau kondisi mendasar, sanggup juga diartikan kondisi standar baku, dan mungkin banyak lagi maknanya.
Dalam statistika, uji kenormalan sebuah model hasil penelitian biasanya dipakai untuk melihat apakah model sudah memenuhi kriteri standar/kenormalan atau belum. Apa yang harus dinormalkan ?, nah, kebanyakan banyak peneliti salah kaprah dalam menguji mengenai kenormalan. Yang mereka uji ialah datanya, kalau datanya normal maka niscaya model yang dibuat normal. Ini kesimpulan yang kurang tepat. Justru yang dilihat atau diuji apakah normal atau tidak itu ialah variabel error model statistik. Selain itu, pengujian kenormalan model ada juga yang dengan menguji ekspektasi atau nilai impian dari variabel terikat dari model, ini juga gotong royong kurang tepat, lantaran antara variabel terikat dan variabel bebas itu diasumsikan dependen sehingga di dalamnya mengandung komponen interaksi dan itu semua terkacup dalam variabel error model. Hal ini sesuai dengan teori yang terdapat dalam berjudul Applied Regression Anlysis third edition karya Draper Smith halaman 60-61 yang menyatakan,
“Now in performing the regression analysis we have made certain assumptions about the errors; the usual assumptions are that the errors are independent, have zero mean, have constant variance, and follow normal a distribution. The last assumptions is required for making F-tests”.
Hal yang sama juga terdapat dalam buku Hill dan Lim serta Berenson cetakan 2011 yang berjudul Principal of Econometrics fourth edition.
Lalu, kenapa sih error harus normal ? kenapa harus normal ?
Sebab, dalam statistika segala bentuk distribusi, entah itu distribusi Chi-square, entah itu distribusi F entah itu distribusi t atau yang lain, itu diperoleh dari penurunan distribusi normal yang mempunyai rata-rata nol (0) dan varians konstan. Namun, perlu diinga bahwa perkiraan kenormalan hanya berlaku untuk analisis statistik parametrik, berbeda dengan non-parametrik, beliau biasanya tidak harus lolos uji kenormalan.
Apa saja uji yang berkhasiat untuk kenormalan ?
Anda sanggup menggunakan uji Kolmogorov-Smirnof (K-S) dan Liliefors (biasanya di paket jadwal SPSS), Chi-Square, Saphiro-Wilks, Anderson-Darling serta Ryan-Joiner (sama dengan Shapiro-Wilks) (biasanya di paket jadwal Minitab), Jarque-Bera (biasanya di paket jadwal Eviews), dan yang paling sederhana sanggup menggunakan Kurtosis(keruncingan data) dan Skewness(kemencengan data). Ada banyak uji yang sanggup Anda dipakai dan secara teoritis sanggup dipilih lantaran tujuannya sama, yaitu untuk menguji kenormalanerror. Namun, perlu Anda ketahui bahwa ketersediaan semua alat uji kenormalan tersebut mempunyai formula perhitungan dan perkiraan tersendiri. Sejauh pengamatan saya, uji yang paling lemah dalam mengukur kenormalan ialah uji Kolmogorov-Smirnof, tidak menyerupai uji Liliefors, uji K-S ini dilihat dari segi perkiraan nilai parameter populasi diketahui, sementara uji Liliefors yakni dengan faktor koreksi terhadap uji K-S dengan mengasumsikan parameter populasi belum diketahui sehingga diestimasi atau diperkirakan dari sampel.
Tapi kalau Anda menggunakan uji K-S, ya sah-sah saja toh ada teorinya, tetapi akan lebih baik minimal Anda menggunakan uji Liliefors dalam menguji kenormalanerror model statistik Anda.