Artikel yang diterbitkan ( pdf ) berisi 2 kalimat ini:
Selain itu, kesalahan pelaporan dapat disebabkan oleh penerapan aturan yang salah atau oleh kurangnya pengetahuan tentang uji statistik. Misalnya, total df dalam ANOVA dapat dianggap sebagai kesalahan df dalam pelaporan uji , atau peneliti dapat membagi nilai p yang dilaporkan dari atau dengan dua, untuk memperoleh nilai satu sisi , sedangkan nilai dari a atau sudah merupakan tes satu sisi.χ 2 F p p χ 2 F
Mengapa mereka mengatakan itu? Tes chi-squared adalah tes dua sisi. (Saya telah meminta salah satu penulis, tetapi tidak mendapat jawaban.)
Apakah saya mengabaikan sesuatu?
hypothesis-testing
chi-squared
Joel W.
sumber
sumber
Jawaban:
Tes chi-squared pada dasarnya selalu merupakan tes satu sisi . Berikut ini cara berpikir yang longgar: tes chi-squared pada dasarnya adalah tes 'good of of fit'. Kadang-kadang secara eksplisit disebut seperti itu, tetapi bahkan ketika tidak, itu masih sering pada dasarnya kebaikan. Misalnya, uji independensi chi-kuadrat pada tabel frekuensi 2 x 2 adalah (semacam) uji goodness of fit dari baris pertama (kolom) untuk distribusi yang ditentukan oleh baris kedua (kolom), dan sebaliknya secara bersamaan. Jadi, ketika nilai chi-squared yang terealisasi berada di ujung kanan dari distribusi itu, itu menunjukkan kecocokan yang buruk, dan jika itu cukup jauh, relatif terhadap beberapa ambang yang ditentukan sebelumnya, kita dapat menyimpulkan bahwa itu sangat buruk kami tidak percaya data berasal dari distribusi referensi itu.
Jika kita menggunakan uji chi-squared sebagai tes dua sisi, kita juga akan khawatir jika statistiknya terlalu jauh ke sisi kiri distribusi chi-squared. Ini berarti bahwa kami khawatir kecocokan itu mungkin terlalu baik . Ini bukan sesuatu yang biasanya kita khawatirkan. (Sebagai catatan sejarah, ini terkait dengan kontroversi apakah Mendel memalsukan data. Idenya adalah bahwa datanya terlalu bagus untuk menjadi kenyataan. Lihat di sini untuk info lebih lanjut jika Anda penasaran.)
sumber
Itu sangat tergantung pada dua hal:
hipotesis apa yang sedang diuji. Jika Anda menguji varians data normal terhadap nilai yang ditentukan, sangat mungkin untuk berurusan dengan ekor atas atau bawah dari chi-square (satu-ekor), atau kedua ekor dari distribusi. Kita harus ingat bahwa Statistik tipe bukan satu-satunya tes chi-square di kota!(O−E)2E
apakah orang berbicara tentang hipotesis alternatif menjadi satu atau dua sisi (karena beberapa orang menggunakan 'dua sisi' untuk merujuk pada alternatif dua sisi, terlepas dari apa yang terjadi dengan distribusi sampling statistik . Kadang-kadang dapat membingungkan. Jadi misalnya, jika kita melihat tes proporsi dua sampel, seseorang mungkin dalam nol menulis bahwa kedua proporsi itu sama dan dalam alternatif menulis bahwaπ1≠π2 dan kemudian membicarakannya sebagai 'berekor dua', tetapi mengujinya menggunakan chi-square daripada uji-z, dan hanya melihat pada bagian atas dari distribusi statistik uji (jadi dua sisi dalam hal distribusi perbedaan dalam proporsi sampel, tetapi satu ekor dalam hal distribusi statistik chi-square diperoleh dari itu - dalam banyak cara yang sama bahwa jika Anda membuat t-test Anda statistik , Anda hanya melihat satu ekor dalam distribusi ).|T| |T|
Artinya, kita harus sangat berhati-hati tentang apa yang ingin kita bahas dengan menggunakan 'uji chi-square' dan tepat tentang apa yang kita maksudkan ketika kita mengatakan 'satu-ekor' vs 'dua-ekor'.
Dalam beberapa keadaan (dua yang saya sebutkan; mungkin ada lebih banyak), mungkin masuk akal untuk menyebutnya dua sisi, atau mungkin masuk akal untuk menyebutnya dua sisi jika Anda menerima kelonggaran penggunaan terminologi.
Mungkin pernyataan yang masuk akal untuk mengatakan itu hanya satu-ekor jika Anda membatasi diskusi untuk jenis tes chi-square tertentu.
sumber
Uji chi-square dari hipotesis bahwa variansnya adalah dapat berupa satu atau dua ekor dalam arti yang persis sama dengan uji-t dari hipotesis bahwa mean adalah dapat berupa satu atau dua sisi.(n−1)s2/σ2 σ2 (m−μ)n−−√/s μ
sumber
Jawaban @ gung benar dan cara diskusi harus dibaca. Namun, kebingungan dapat timbul dari bacaan lain:χ2
Akan mudah untuk menafsirkan sebagai 'dua sisi' dalam arti bahwa statistik uji biasanya terdiri dari sejumlah perbedaan kuadrat dari kedua sisi dari distribusi asli.χ2
Pembacaan ini akan membingungkan bagaimana statistik uji dihasilkan dengan ekor statistik uji mana yang sedang dilihat.
sumber
Saya juga memiliki beberapa masalah untuk mengatasi pertanyaan ini juga, tetapi setelah beberapa percobaan sepertinya masalah saya hanya dalam bagaimana tes tersebut dinamai.
Dalam SPSS sebagai contoh, tabel 2x2 dapat memiliki tambahan chisquare-test. Ada dua kolom untuk nilai-p, satu untuk "Pearson Chi-Sqare", "Koreksi Kontinuitas" dll, dan sepasang kolom lain untuk uji eksak Fisher di mana ada satu kolom untuk uji 2 sisi dan satu lagi untuk Tes 1 sisi.
Saya pertama kali berpikir bahwa sisi 1 dan 2 menunjukkan versi 1 atau 2 sisi dari uji chisquare, yang tampak aneh. Namun ternyata ini menunjukkan formulasi yang mendasari hipotesis alternatif dalam uji perbedaan antara proporsi, yaitu uji-z. Jadi, uji proporsi 2 sisi yang wajar sering dilakukan di SPSS dengan uji chisquare, di mana ukuran chisquare dibandingkan dengan nilai di bagian atas (1 sisi) distribusi. Tebak inilah yang telah ditunjukkan oleh tanggapan lain terhadap pertanyaan awal, tetapi saya perlu waktu untuk menyadari hal itu.
Omong-omong, formulasi yang sama digunakan di openepi.com dan mungkin juga sistem lain.
sumber
sumber
Uji dan F adalah uji satu sisi karena kita tidak pernah memiliki nilai negatif dari dan F. Untuk , jumlah perbedaan kuadrat yang diamati dan yang diharapkan dibagi dengan yang diharapkan (proporsi ), dengan demikian chi-square selalu merupakan angka positif atau mungkin mendekati nol di sisi kanan ketika tidak ada perbedaan. Dengan demikian, tes ini selalu merupakan tes satu sisi sisi kanan. Penjelasan untuk uji F serupa.χ 2 χ 2χ2 χ2 χ2
Untuk uji F, kami membandingkan antara varians grup dengan jumlah dalam varians grup (mean square error ke . Jika antara dan dalam jumlah rata-rata kuadrat sama, kami mendapatkan nilai F dari 1.SSwdfw
Karena pada dasarnya rasio jumlah kuadrat, nilainya tidak pernah menjadi angka negatif. Dengan demikian, kami tidak memiliki tes sisi kiri dan uji F selalu merupakan tes sisi satu sisi kanan. Periksa angka dan F, mereka selalu positif. Untuk kedua tes, Anda melihat apakah statistik yang dihitung terletak di sebelah kanan nilai kritis.χ2
sumber