EXSTAT Compass
Experimental Design & Statistical Analysis Navigator — aplikasi pembelajaran dan pendukung keputusan untuk membantu mahasiswa, dosen, dan peneliti memahami hubungan antara desain eksperimen, struktur data, statistik deskriptif, uji asumsi/prasyarat, serta analisis inferensial univariat dan multivariat.
Masukkan karakteristik penelitian Anda
Anda tidak perlu sudah mengetahui nama desain atau uji statistik. Isi karakteristik penelitian; EXSTAT Compass akan menyarankan desain penelitian, analisis deskriptif, inferensial, dan software yang sesuai.
—
Desain eksperimen & alternatif analisis
Cari desain atau metode analisis. Gunakan filter untuk memusatkan pada keluarga desain tertentu.
| Desain | Struktur data | Deskriptif | Asumsi/diagnostik | Univariat | Multivariat | Alternatif/robust |
|---|
Urutan yang disarankan sebelum “klik statistik”
1. Research Question
Tentukan efek/perbedaan/hubungan apa yang sebenarnya ingin diuji.
2. Desain
Randomisasi? kelompok independen? repeated? cluster? pretest–posttest?
3. Outcome
Kontinu, ordinal, biner, count; satu atau beberapa outcome.
4. Struktur dependensi
Observasi independen, berpasangan, berulang, atau tersarang dalam kelas/sekolah.
5. Deskriptif
Kenali pusat, variasi, distribusi, baseline, missing data, dan pola ekstrem.
6. Model utama
Pilih model yang paling sesuai dengan desain dan estimand, bukan berdasarkan kebiasaan.
7. Diagnostik
Periksa residual, variance structure, linearitas, sphericity, ICC, dan pengaruh observasi.
8. Effect size + CI
Laporkan besar efek dan ketidakpastian, tidak hanya p-value.
9. Interpretasi
Hubungkan kembali hasil ke RQ, desain, validitas, dan batas inferensi kausal.
Istilah yang sering membingungkan
Univariat
Model inferensial dengan satu outcome utama pada satu waktu analisis.
Multivariat
Memodelkan beberapa outcome secara simultan dan memperhitungkan keterkaitan antar-outcome.
Repeated measures
Subjek yang sama diukur pada beberapa waktu/kondisi sehingga observasi saling berkorelasi.
Clustered data
Unit berada dalam kelompok alami, misalnya siswa di kelas atau kelas di sekolah.
Covariate
Variabel penjelas tambahan yang dimasukkan untuk meningkatkan presisi atau mengendalikan perbedaan relevan.
Robust method
Metode yang lebih tahan terhadap pelanggaran asumsi tertentu, misalnya Welch, robust SE, bootstrap, atau mixed model.
Catatan metodologis: pemeriksaan asumsi sebaiknya berfokus pada asumsi model dan residual. Tes formal seperti Shapiro–Wilk atau Box’s M tidak boleh menjadi satu-satunya dasar keputusan, terutama pada sampel besar/kecil ekstrem.
No comments:
Post a Comment