Hypothesis Asumsi / jawaban sementara / praduga terhadap suatu masalah atau hubungan antara dua variable yang masih harus dibuktikan kebenarannya Hypothesis Testing Proses membuktikan kebenaran hypothesis Inductive Reasoning Spesifik  Umum Deductive Reasoning Umum  Spesifik

1. Research Methods In Concentration
HYPOTHESIS TESTING
Dosen Pengampu:
Prof. Dr. Indra Wijaya Kusuma., M.B.A.
Disusun Oleh: Eksekutif B 37 Finance Kelompok 5
PROGRAM STUDI MASTER MANAJEMEN
FAKULTAS EKONOMIKA DAN BISNIS
UNIVERSITAS GADJAH MADA
2020
1. Aditya Sujarminto
2. Andyan Wijanarko
3. Ditha
4. Resnanda Dahono
5. Satya Mauludi
6. Silfia Syakila

2. 1
• The nature and logic of hypothesis testing
2
• A statistically significant difference
3
• The six-step hypothesis testing procedure
4
• The differences between parametric and nonparametric tests
5
• The factors that influence the selection of an appropriate test of statistical significance
6
• How to interpret the various test statistics
AGENDA

3. The Nature and Logic of Hypothesis Testing

4. Introduction
• Hypothesis
– Asumsi / jawaban sementara / praduga terhadap suatu masalah atau
hubungan antara dua variable yang masih harus dibuktikan
kebenarannya
• Hypothesis Testing
– Proses membuktikan kebenaran hypothesis
• Inductive Reasoning
– Spesifik  Umum
• Deductive Reasoning
– Umum  Spesifik

5. Statistical Procedures
• Descriptive Statistics
– Hanya menggambarkan keadaan data apa adanya
– Mean, Median, Modus, Distribusi Frekuensi, dll.
• Inferential Statistics
– Pengambilan kesimpulan untuk populasi
berdasarkan data sampel
– Testing statistical hypotheses

6. Hypothesis Testing and the Research
Process

7. Approaches to Hypothesis Testing
• Classical Statistics
– Penilaian secara objektif
– Berdasarkan data sampel
– Hasil: Hypothesis ditolak / diterima
• Bayesian Statistics
– Lanjutan dari Classical Approach
– Berdasarkan data sampel
– Menimbang semua informasi yang tersedia,
termasuk penilaian secara subjektif

8. A Statistically Significant Difference

9. Statistical Significance
• Statistical significance terjadi karena sampel yang digunakan
dapat berbeda dengan populasinya.
• Perbedaan tersebut dapat signifikan atau tidak signifikan.
• Perbedaan signifikan terjadi jika perbedaan tersebut tidak
hanya karena random sampling.
• Practical significance bersifat judgement dari para pengambil
keputusan

10. Null dan Alternative Hypothesis
Two-tailed test One-tailed test

11. Tipe Error dalam Pengujian Hipotesis

12. The six-step hypothesis testing procedure

13. Prosedur Pengujian Statistik
Terdapat 6 langkah pengujian statistic:
1. Menyatakan null hypothesis
2. Memilih uji statistic
4 kriteria memilih alat uji:
a. Kekuatan efisiensi alat pengujian
b. Sample yang di ambil
c. Natur dari populasi pengujian
d. Satuan yang diukur
3. Memilihi level of significant (umumnya signifikan level di
0.05 atau 0.01 bergantung pada seberapa besar risiko yang
mau diambil)

14. Prosedur Pengujian Statistik
4. Menghitung perbedaan nilai (hasil perhitungan uji signifikan)
5. Mendapatkan nilai uji kritika (critical test value)
Melakukan pengecekan pada table yang sesuai. Menentukan daerah
mana yang diterima dan mana yang ditolak dari null hypothesis.
6. Interpretasi hasil uji

15. The Differences Between Parametric and
Nonparametric Tests

16. Assumptions for Using Parametric Tests
Populasi ini harus memiliki
varian yang sama.
Equal variances
Skala pengukuran harus
paling tidak interval
sehingga operasi
aritmatika dapat
digunakan.
Interval or ratio scales
Pengamatan harus independen
yaitu, pemilihan satu kasus tidak
boleh mempengaruhi peluang
untuk kasus lain untuk
dimasukkan dalam sampel.
Independent observations
Pengamatan harus diambil dari
populasi yang berdistribusi
normal.
Normal distribution
PARAMETRIC TEST
Pengujian data melalui statistik parametrik disyarati dengan adanya sejumlah anggapan-anggapan
yang kuat yang mendasari penggunaanya. Manakala anggapan-anggapan itu terpenuhi, pengujian-
pengujian parametrik inilah yang paling besar kemungkinannya untuk menolak H0 ketika H0 salah.
Artinya, kalau data penelitian dianalisis secara tepat dengan pengujian parametrik, pengujian
tersebut akan lebih kuat dari pengujian mana pun dalam hal penolakan terhadap H0 jika H0 salah.

17. NON PARAMETRIK
 Digunakan dengan mengabaikan segala asumsi yang melandasi
metode statistik parametrik, terutama yang berkaitan dengan
distribusi normal
 Digunakan apabila salah satu parameter statistik parametrik
tidak terpenuhi
Advantages of Nonparametric Tests
Easy to understand and use
Usable with nominal data
Appropriate for ordinal data
Appropriate for non-normal population
distributions

18. Sumber : http://rumahbelajarpsikologi.com/images/stories/statistik/skemanonpar.jpg
Skema Penggunaan Parametrik atau Non Parametrik

19. Perbedaan Uji Parameti dan Non Parametic
No Statistik Parametrik Statistik Nonparametrik
(1) (2) (3)
1 Memerlukan asumsi distribusi dari data
yang digunakan. Biasanya distribusi data
yang diperlukan adalah distribusi normal.
Tidak memerlukan asumsi distribusi sehingga
sebaran data bebas.
2 Memerlukan jenis data bersifat metrik
(kuantitatif). Bisa dikatakan juga bahwa
data yang digunakan hanya data dalam
bentuk data interval atau rasio.
Memerlukan data metrik (kuantitaif) dan
nonmetrik (kualitatif). Atau bisa dikatakan bahwa
data yang digunakan bisa dalam bentuk data
nominal, ordinal, interval atau rasio.
3 Biasanya jumlah data yang digunakan
lebih atau sama dengan 30 (data
berukuran besar), sebab data yang lebih
atau sama dengan 30 diasumsikan
mengikuti teorema limit pusat (central
limit teorema).
Biasanya jumlah data yang digunakan kurang dari
30.

20. The factors that influence the selection of
an appropriate test of statistical significance

21. • Number of samples > (How many samples are
involved?)
• Independence or relatedness > (if > 2, Are the
individual cases independent or related?)
• Measurement level of data > (Is the
measurement nominal, ordinal, interval, or
ratio?)

22. Two-Sample Tests
________________________________________
k-Sample Tests
________________________________________
Measurement
Scale One-Sample Case
Related
Samples
Independent
Samples
Related
Samples
Independent
Samples
Nominal • Binomial
• x2 one-sample
test
• McNemar • Fisher exact
test
• x2 two-
samples test
• Cochran Q • x2 for k
samples
Ordinal • Kolmogorov-
Smirnov one-
sample test
• Runs test
• Sign test
•Wilcoxon
matched-pairs
test
• Median test
•Mann-
Whitney U
•Kolmogorov-
Smirnov
•Wald-
Wolfowitz
• Friedman
two-way
ANOVA
• Median
extension
•Kruskal-Wallis
one-way
ANOVA
Interval and
Ratio
• t-test
• Z test
• t-test for
paired
samples
• t-test
• Z test
• Repeated-
measures
ANOVA
• One-way
ANOVA
• n-way ANOVA
Recommended Statistical Techniques

23. Z-t Test & Chi-Square
t-testZ-test
• The Z and t -tests may be used to test for the
difference between two means.
• The t -test is chosen when the sample size is
small.
• Variations on the t –test are used for both
independent and related samples
Chi-Square
• Chi-square is a nonparametric statistic that is used frequently
for cross-tabulation or contingency tables. It is especially
valuable for nominal data but can be used with ordinal
measurements
• Its applications include testing for differences between
proportions in populations and testing for independence.
• Corrections for chi-square were discussed.

24. ANOVA
ANOVA
• One-way analysis of variance compares the means of several groups.
It has a single grouping variable, called a factor, and a continuous
dependent variable.
• The samples must be randomly selected from normal populations
and the populations should have equal variances.
• The distance from one value to its group’s mean should be
independent of the distances of other values to that mean
• ANOVA partitions the total variation among scores into between-
groups (treatment) and within-groups (error) variance. The F ratio,
the test statistic, determines if the differences are large enough to
reject the null hypothesis.
• ANOVA may be extended to two-way, n -way, repeated measures, and
multivariate applications.

25. How to interpret the various test statistics

26. Interpret the test
• Interpret the result by comparing the actual
test value with the critical test value
• If the actual value > critical value, reject the
null hypothesis and conclude that the
alternative hypothesis is supported
• If the actual value < critical value, failed to
reject the null hypothesis

27. Thank You