Uji Statistik Nonparametrik
- Diperkenalkan oleh
- Henry Mann and Donald Whitney
- Tahun
- 1947
- Jenis
- Method
- Keluarga
- distribution-free-methods
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Uji (distribusi-bebas) nonparametrik adalah metode statistik untuk pengujian hipotesis yang tidak mengasumsikan data mengikuti distribusi probabilitas tertentu (misalnya, normal), membuatnya kuat terhadap penyimpangan dari normalitas, pencilan, dan data ordinal. Uji Mann-Whitney U (1947) dan uji Kruskal-Wallis (1952) memperluas pengujian hipotesis melampaui batasan asumsi parametrik.
Penting dalam biologi, kedokteran, psikologi, dan bidang apa pun di mana data bersifat non-normal, sangat miring, atau diukur pada skala ordinal (peringkat, penilaian), uji nonparametrik memberikan inferensi yang valid ketika asumsi parametrik gagal.
Intuisi di balik metode
Uji parametrik (t-test, ANOVA) mengasumsikan distribusi normal dan varians yang sama; pelanggaran asumsi ini dapat menghasilkan nilai p dan interval kepercayaan yang salah. Uji nonparametrik menghindari asumsi distribusi dengan memberi peringkat observasi: alih-alih menganalisis nilai mentah, mereka mengubah data menjadi peringkat (terkecil ke-1, terkecil ke-2, ..., terbesar) dan menguji apakah distribusi peringkat berbeda antar kelompok. Karena peringkat adalah bilangan bulat dan mempertahankan urutan, mereka kuat terhadap pencilan, non-normalitas, dan heteroskedastisitas. Pertukaran: uji nonparametrik mengorbankan kekuatan dalam kondisi ideal (data normal, varians sama) tetapi mendapatkan kekokohan dan validitas dalam kondisi realistis. Praktik modern: gunakan uji nonparametrik secara luas; mereka kuat dan seringkali hampir sama kuatnya dengan alternatif parametrik.
Sejarah
Henry Mann dan Donald Whitney mengembangkan uji U pada tahun 1947 untuk membandingkan dua sampel. William Kruskal dan Allen Wallis memperluas pendekatan tersebut ke beberapa sampel pada tahun 1952. Frank Wilcoxon secara independen mengembangkan uji peringkat sampel berpasangan (uji signed-rank, 1945). Charles Spearman sebelumnya memperkenalkan korelasi peringkat (1904). Metode-metode ini tidak digunakan sampai komputasi modern membuat perhitungan manual menjadi usang. Kebangkitan saat ini didorong oleh: (1) pengakuan bahwa banyak kumpulan data bersifat non-normal, (2) data ordinal ada di mana-mana (survei, penilaian), (3) filosofi statistik yang kuat menekankan perlindungan terhadap pelanggaran asumsi.
Kapan digunakan
Gunakan uji nonparametrik ketika asumsi uji parametrik dilanggar dan transformasi (log, akar kuadrat) tidak dapat menormalkan data, atau ketika data secara inheren ordinal. Psikologi: menganalisis respons skala Likert (ordinal, seringkali non-normal); banyak studi menggunakan skala dengan < 10 kategori di mana normalitas tidak masuk akal. Kedokteran: membandingkan nilai biomarker di berbagai kelompok perlakuan ketika pengukuran sangat miring (misalnya, beberapa pasien dengan nilai nol, yang lain dengan nilai tinggi). Biologi: menilai ukuran berbasis peringkat (peringkat kelimpahan spesies, peringkat turnamen). Juga gunakan metode nonparametrik sebagai default dalam analisis eksplorasi awal ketika distribusi data tidak diketahui; jika hasil selaras dengan uji parametrik, pendekatan parametrik kemungkinan aman untuk analisis konfirmasi.
Batasan dan pertimbangan
- Kehilangan kekuatan dalam kondisi ideal: ketika data benar-benar terdistribusi normal dengan varians yang sama, uji nonparametrik kehilangan 5–15% kekuatan dibandingkan dengan t-test (efisiensi relatif asimtotik ~0,95).
- Kurang berkembang untuk desain kompleks: lebih sedikit padanan nonparametrik yang ada untuk ANOVA faktorial, MANOVA, atau penyesuaian kovariat kompleks; metode nonparametrik multilevel kurang standar.
- Ukuran efek kurang standar: berbeda dengan uji parametrik dengan ukuran efek yang mapan (Cohen's d), ukuran efek nonparametrik (r, korelasi rank-biserial) kurang umum dalam praktik.
- Pengujian post-hoc kompleks: perbandingan pairwise setelah Kruskal-Wallis kurang standar; penalti koreksi pengujian berganda dapat mengurangi kekuatan.
- Terbatas pada uji lokasi atau asosiasi: metode nonparametrik terutama menguji apakah distribusi berbeda; tidak dapat mengestimasi parameter atau menguji hipotesis spesifik tentang struktur rata-rata.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Kuat terhadap non-normalitas dan pencilan: nilai p yang valid bahkan ketika data sangat non-normal atau mengandung nilai ekstrem yang tidak dapat dihapus.
- Bekerja dengan data ordinal: dapat menganalisis skala Likert, peringkat, atau kategori berurutan lainnya; uji parametrik mengasumsikan data kontinu, membuatnya secara teknis tidak valid untuk ordinal.
- Perhitungan sederhana: statistik berbasis peringkat intuitif dan sederhana secara komputasi; dapat dihitung secara manual untuk sampel kecil.
- Bebas distribusi: tidak mengasumsikan distribusi probabilitas tertentu, membuatnya dapat diterapkan secara universal ke berbagai jenis data.
- Kekuatan statistik yang baik di bawah pelanggaran asumsi parametrik: ketika asumsi parametrik salah, uji nonparametrik lebih kuat daripada uji parametrik yang menghasilkan nilai p yang tidak valid.
Penerapan
- Penelitian psikologis: membandingkan respons skala Likert (kepuasan kerja, tingkat keparahan depresi) antar kelompok perlakuan; penilaian biasanya ordinal dan non-normal.
- Kedokteran klinis: menganalisis tingkat biomarker (seringkali miring dengan batas deteksi) sebelum/sesudah pengobatan; membandingkan penilaian tingkat keparahan gejala.
- Kesehatan kerja: memberi peringkat paparan bahaya di berbagai tempat kerja atau membandingkan penilaian keselamatan ordinal; alternatif praktis untuk metode parametrik.
- Penilaian pendidikan: membandingkan skor tes atau peringkat antar sekolah atau metode pengajaran; mengakomodasi distribusi skor yang non-normal.
- Kontrol kualitas: memberi peringkat keparahan cacat atau membandingkan ukuran kualitas ordinal antar batch produksi tanpa mengasumsikan normalitas.
Cara kerjanya
Cara kerjanya
Gunakan uji nonparametrik ketika: (1) data hasil non-normal (periksa plot Q-Q, uji Shapiro-Wilk), (2) data ordinal (peringkat, penilaian, skala dengan nilai terbatas), (3) ukuran sampel kecil (< 30) di mana normalitas tidak dapat diverifikasi, (4) terdapat pencilan yang tidak dapat dibenarkan atau dihapus, (5) varians tidak sama (heteroskedastisitas). Pengumpulan data sama seperti uji parametrik; tidak diperlukan desain sampel khusus. Persyaratan utama: observasi harus independen (tidak ada pengukuran berulang tanpa penyesuaian); data harus dapat diberi peringkat (dapat menentukan urutan relatif). Bekerja dengan data kontinu, ordinal, atau biner.
Untuk dua kelompok independen, gunakan uji Mann-Whitney U (alternatif nonparametrik untuk t-test independen): (1) Peringkat semua observasi dari terkecil hingga terbesar, abaikan keanggotaan kelompok. (2) Jumlahkan peringkat di setiap kelompok (R₁ dan R₂). (3) Hitung U₁ = n₁n₂ + [n₁(n₁+1)/2] − R₁ dan U₂ = n₁n₂ + [n₂(n₂+1)/2] − R₂. (4) Statistik uji U = min(U₁, U₂). (5) Dapatkan nilai p dari tabel distribusi Mann-Whitney (untuk sampel kecil) atau aproksimasi normal (untuk sampel besar). Laporkan ukuran efek: r = Z / √n di mana Z adalah statistik uji standar, n adalah total ukuran sampel; r ≈ 0,1 kecil, 0,3 sedang, 0,5 besar. Untuk tiga kelompok independen atau lebih, gunakan uji Kruskal-Wallis: pendekatan serupa tetapi menghitung statistik jumlah peringkat keseluruhan H mengikuti distribusi χ² dengan dk k−1. Untuk berpasangan (pengukuran berulang), gunakan uji Wilcoxon signed-rank: perbedaan antar pasangan diberi peringkat dan diuji terhadap nol. Untuk korelasi, gunakan korelasi peringkat Spearman ρ: korelasi peringkat daripada nilai mentah.
Interpretasi nilai p sama seperti uji parametrik: p < 0,05 menunjukkan perbedaan statistik yang signifikan antar kelompok (pada tingkat konvensional). Namun, karena peringkat digunakan, ukuran efek dan interpretasi sedikit berbeda. Uji Mann-Whitney U menjawab: apakah distribusi kelompok 1 secara stokastik lebih besar dari kelompok 2? (yaitu, apakah nilai di kelompok 1 cenderung lebih tinggi?). Perbedaan median sering diestimasi untuk interpretasi praktis, tetapi secara teknis uji membandingkan distribusi, bukan hanya median. Ukuran efek r memberikan ukuran standar pemisahan kelompok. Untuk Kruskal-Wallis, nilai p yang signifikan menunjukkan setidaknya dua kelompok berbeda; uji pairwise post-hoc Mann-Whitney mengidentifikasi pasangan mana (dengan koreksi Bonferroni). Untuk Spearman's ρ, interpretasi serupa dengan Pearson's r; nilai berkisar −1 hingga +1; ρ positif menunjukkan peringkat yang konsisten.
Kesalahan umum
- Kesalahpahaman tentang apa yang diuji: Uji Mann-Whitney U menguji apakah distribusi berbeda, bukan hanya median; dua distribusi dapat memiliki median yang sama tetapi bentuk yang berbeda. Selalu periksa distribusi secara visual.
- Menerapkan uji nonparametrik pada data yang jelas normal: membuang-buang kekuatan; gunakan uji parametrik ketika asumsi terpenuhi.
- Menggunakan uji nonparametrik pada data yang sangat terkategorisasi tanpa metode yang sesuai: data ordinal (misalnya, skala Likert 5 poin) yang dianalisis dengan Mann-Whitney mungkin valid, tetapi dengan hanya 2 kategori (dikotomis), uji nonparametrik berbasis peringkat runtuh menjadi chi-kuadrat.
- Gagal memeriksa asumsi independensi: uji nonparametrik mengasumsikan observasi independen; desain berklaster, pengukuran berulang, atau desain yang dicocokkan memerlukan penyesuaian (uji Friedman untuk pengukuran berulang, stratifikasi untuk yang dicocokkan).
- Mendikotomisasi variabel kontinu: mengubah data kontinu (usia) menjadi ordinal (muda/tua) lalu menerapkan uji nonparametrik kehilangan informasi. Pertahankan bentuk kontinu jika memungkinkan.
- Menginterpretasikan ukuran efek berbasis peringkat sebagai ukuran efek praktis: ukuran efek nonparametrik r = 0,3 mengukur pemisahan statistik, bukan kepentingan praktis. Selalu periksa perbedaan aktual dalam median atau rata-rata untuk signifikansi praktis.
Pertanyaan yang sering diajukan
Kapan saya harus menggunakan Mann-Whitney U daripada t-test independen?
Gunakan Mann-Whitney U jika: (1) data tidak terdistribusi normal (plot Q-Q menunjukkan penyimpangan, Shapiro-Wilk p < 0,05), (2) varians tidak sama (uji Levene p < 0,05) dan ukuran sampel tidak sama, (3) data ordinal (peringkat, penilaian), (4) ukuran sampel kecil (n < 30) sehingga normalitas tidak dapat diverifikasi, atau (5) terdapat pencilan yang nyata (bukan kesalahan pengukuran) dan tidak dapat dihapus. Jika data jelas normal dan varians sama, t-test lebih disukai (lebih kuat). Dalam praktik, Mann-Whitney U adalah pilihan konservatif; ia bekerja cukup baik bahkan untuk data normal (kerugian kekuatan ~5%), sehingga menggunakannya secara luas dapat dibenarkan.
Apa yang sebenarnya diuji oleh uji Mann-Whitney U—median atau distribusi?
Secara teknis, Mann-Whitney U menguji apakah distribusi berbeda (dominasi stokastik). Jika distribusi memiliki bentuk yang sama, uji tersebut mendekati uji perbedaan median. Namun, dua distribusi dapat memiliki median yang sama tetapi bentuk yang berbeda (misalnya, satu simetris, satu miring). Sebaliknya, median yang berbeda menyiratkan distribusi yang berbeda. Praktik terbaik: selalu visualisasikan kedua distribusi dengan plot kotak atau plot kepadatan; memeriksa data aktual mengklarifikasi apakah hasil uji mencerminkan perbedaan median atau perbedaan distribusi yang lebih luas. Laporkan nilai p dan perbedaan median untuk interpretasi praktis.
Bagaimana cara menangani peringkat yang sama (tied ranks) dalam uji nonparametrik?
Peringkat yang sama (nilai yang sama) diberi peringkat rata-rata. Misalnya, jika dua observasi seri di tempat ke-5, keduanya diberi peringkat 5,5. Ini adalah pendekatan standar dan apa yang diimplementasikan oleh perangkat lunak statistik. Dengan banyak peringkat yang sama, statistik uji mungkin memerlukan penyesuaian (uji peringkat tengah, uji permutasi). Jika peringkat yang sama sangat umum (misalnya, banyak nilai nol atau data yang sangat terkategorisasi), pertimbangkan alternatif: uji permutasi, atau metode kuat yang dirancang untuk data diskrit.
Bisakah saya menggunakan uji nonparametrik dengan data skala Likert?
Ya, uji nonparametrik sangat cocok untuk skala Likert (data ordinal). Mann-Whitney U membandingkan distribusi respons Likert antar kelompok; Kruskal-Wallis membandingkan tiga kelompok atau lebih. Namun, berhati-hatilah dengan skala dengan sangat sedikit kategori (misalnya, skala 3 poin): kekuatan uji berkurang dibandingkan dengan data kontinu. Alternatifnya, untuk skala Likert multi-item (misalnya, menjumlahkan beberapa item menjadi skor komposit), komposit dapat mendekati normalitas (Teorema Batas Pusat), membenarkan uji parametrik. Gunakan uji nonparametrik sebagai default yang aman untuk ukuran ordinal item tunggal.
Metode terkait
Sumber
Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. Annals of Mathematical Statistics, 18(1), 50–60.
Buka referensi DOIDisalin.Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621.
Buka referensi DOIDisalin.Conover, W. J. (1999). Practical Nonparametric Statistics (3rd ed.). John Wiley & Sons.
Buka referensi publikasiDisalin.