METODE INFERENSI PADA TABEL KONTINGENSI

Metode inferensi memainkan peranan penting dalam analisis data

kategorik yang tidak memiliki bentuk tabel kontingensi. Metode ini memerlukan
asumsi sampling berdistribusi Poisson, Multinomial, atau Binomial.
3.1. Selang Kepercayaan Pada Parameter bersama
Tingkat akurasi penduga dari parameter bersama ditentukan oleh standar
error dari distribusi sampling. Pada bagian ini, ditampilkan standar error dan
selang kepercayaan untuk jumlah sampel yang besar.
3.1.1. Selang Pendugaan Pada Odds Rasio
Odds rasio dari sampel
11 22 12 21

/ n n n n untuk tabel kontigensi berukuran 2

x 2 bernilai 0 atau jika terdapat
0
ij
n
, dan tidak terdefinisikan jika terdapat
isian pada baris dan kolom yang keduanya bernilai nol. Karena tabel tersebut
memiliki keluaran dengan nilai peluang yang positif, nilai harapan dan varians
dari

dan log

tidak tersedia. (Dapat diperiksa bahwa hal ini juga berlaku pada
metode Maximum Likelihood Estimator dari parameter model yang diuraikan
pada bagian teraChir bab ini.) Dalam hal bias dan mean-squre error, Gart dan
Zweifel (1967) dan Hadane (1956) menjelaskan bahwa penduga yang diperbaiki
adalah sbb.
11 22
12 21
( 0.5)( 0.5)
( 0.5)( 0.5)
n n
n n

+ +

+ +
%
Dan log

%
akan berlaku dengan baik (sebagaimana pada soal 14.4)
Penduga

dan

%
memiliki distribusi normal yang asimptotik di sekitar .
Kecuali jika n cukup besar, bagaimanapun juga, distribusinya akan cenderung
untuk menceng. Untuk kasus dimana =1 misalnya, karena

0 maka nilai

tidak bisa melebihi , namun dapat bernilai lebih besar pada peluang yang tidak
memenuhi syarat. Transformasi dengan log, lebih memiliki struktur
penjumlahan dibandingkan dengan perkalian, dan konvergen lebih cepat kepada
distribusi normal. Standar error dugaan untuk log

adalah
1/ 2
11 12 21 22
1 1 1 1

(log )
n n n n

_
+ + +

,
Yang diturunkan dari formula 3.1.7.
Normalitas untuk sampel besar dari log

akan memenuhi
/ 2

log (log ) z

t
Merupakan selang kepercayaan Wald untuk log . Mengubah kedalam
bentuk eksponensial (antilog) dari titik akhir memerlukan selang kepercayaan
untuk . Selang ini disarankan oleh Woolf (1995) dan biasanya cukup berhasil ,
terlepas dari sifatnya yang konservatif (sebagai contoh: cakupan peluang
sebenarnya lebih tinggi daripada nilai secara nominal.)
Ketika

= 0 atau , selang Woolf tidak tersedia. Ketika

= 0, kita perlu
mengambil nilai 0 sebagai batas bawah, dan ketika

= , nilai digunakan
sebagai batas atas. Untuk batasan lainnya dapat digunakan formula Woolf
dengan sed ikit penyesuaian, seperti dilakukan oleh Gart (1966), dengan
mengganti {n
ij
} menjadi {n
ij
+ 0.5} pada penduga dan standar error. Sebuah
pendekatan yang lebih sementara membentuk selang dengan mengubah nilai uji
(Cornfield 1956) atau uji rasio Likelihood untuk (sebagaimana dibahas pada
3.1.8).
3.1.2. Contoh Pada Aspirin dan Myocardial Infarction
Myocardial Infarction
Total
Yes No
Placebo 28 656 684
Aspirin 18 658 676
Dengan odds rasio

1.56
mendekati
1.55
%
, maka selang kepercayaan untuk
log adalah0, 445 1, 96(0, 307) t atau (-0,157; 1,047). Interval penghubung untuk
adalah [exp(-0,157),exp(1,047) atau (0,85;2,85). Estimasi sebenarnya untuk
odds ratio cukup tidak tepat.
Ketika selang kepeercayaan mengandung nilai 1,0 maka masuk akal bahwa odds
sebenarnya untuk kematian myocardial infarction sama untuk aspirin dan
placebo. Jika sebenarnya terdapat manfaat efek aspirin namun odds ratio tidak
akan terlalu besar, mungkin akan ditunjukkan manfaat sebab hubungan untuk
kasus myocardial infarction dalam jumlah kecil.
3.1.3. Pendugaan Selang Pada Selisish Proporsi
Selisih proporsi dan resiko relatif membandingkan distribusi bersyarat dari
sebuah variabel respon untuk dua kelompok. Untuk pengukuran ini, kita
memperlakukan sampel sebagai binomial independen. Pada kelompok ke-i, y
i
memiliki distribusi binomial dengan jumlah sampel n
i
dan peluang sukses respon
sebesar
i
.
Proporsi sampel
/
i i i
y n memiliki nilai harapan
i
dan varians
(1 ) /
i i i
n . Karena
1
dan
2
independen, maka keduanya memiliki selisih
sebesar
1 2 1 2
( ) E
Dan standar error
( )
1/ 2
1 1 2 2
1 2
1 2
(1 ) (1 )

n n


1
+
1
]
Penduga ( )
1 2
menggunakan formula (3.3) dengan
i
digantikan oleh

i
,
maka
( ) ( )
1 2 / 2 1 2
z

t
Merupakan selang kepercayaan wald untuk
1 2
. Sebagaimana selang Wald
(1.13) untuk proporsi tunggal, yang biasanya memiliki peluang cakupan
sebenarnya kurang dari nilai koefisien kepercayaan, terutama ketika
1
dan
2

mendekati 0 atau 1.
3.1.4. Selang Pendugaan pada Resiko Relatif
Resiko relatif sampel adalah
1 2
/ r yang sebagaimana halnya odds rasio,
kovergen dengan sangat cepat ke bentuk normal pada skala logaritma. Standart
error asimptotik untuk log r adalah
1/ 2
1 2
1 1 2 2
1 1
(log ) r
n n

_
+

,
Selang wald mengeksponensialkan
/ 2
log (log ) r z r

t yang akan memberikan hasil

yang baik namun dapat menjadi konservatif.
3.1.5. Penurunan Standar Error dengan Metode Delta*
Terdapat sebuah metode yang mudah dan sangat berguna untuk
menurunkan standar error dari inferensi dengan jumlah sampel besar. Jika T
n
merupakan statistik yang berdistribusi normal asimptotik disekitar parameter ,
nilai n menunjukkan ketergantungannya terhadap jumlah sampel. Misalkan
terdapat sebuah penduga yang merupakan fungsi g(T
n
) dari T
n
. Maka dalam
kondisi yang halus g(T
n
) itu sendiri memiliki sebuah distribusi normal dengan
jumlah sampel besar. Nilai standar error bergantung kepada seberapa cepat g(t)
berubah pada t yang mendekati .
Lebih khusus untuk n yang besar, dimisalkan bahwa T
n
berdistribusi
normal disekitar dengan standar error
/ n
. Hal ini terjadi ketika
n
,
dengan cdf dari ( )
n
n T konvergen kepada cdf dari random variabel
berdistribusi normal dengan mean 0 dan varians
2

. Pembatasan ini merupakan

contoh dari kasus konvergen dalam distribusi, yang ditulis sebagai
( )
2
(0, )
d
n
n T N
Jika g merupakan fungsi yang setidaknya dapat diturunkan sebanyak dua kali
pada . Dengan menggunakan Ekspansi Deret Taylor untuk g(t) dalam suatu
lingkungan dimana t= , pada bagian 14.1.2. telah ditunjukkan bahwa
[ ] ( ) ( ) ( ) '( )
n n
n g T g n T g
Untuk jumlah n besar dimana '( ) / g g t hitung ketika t= . Perhatikan bahwa
jika
2
(0, ) Y N : maka
2 2
(0, ) cY N c : , maka
[ ]
2 2
( ) ( ) (0,[ '( )] )
d
n
n g T g N g
Dengan kata lain g(T
n
) diperkirakan normal di sekitar ( ) g dengan varians
2 2
[ '( )] / g n . Sebagaimana terlihat pada gambar 3.1.
Secara lokal di sekitar , g(t) diperkirakan linier dengan kemiringan '( ) g .
Maka g(T
n
) diperkirakan normal, karena transformasi linier dari random variabel
adalah dengan sendirinya normal. Sebaran dari nilai g(T
n
) di sekitar ( ) g adalah
| '( ) | g kali sebaran nilai T
n
di sekitar . Jika kemiringan g pada adalah , maka
g memetakan suatu daerah dari nilai T
n
ke daerah nilai g(T
n
) sekitar setengah
luasan.
Hasil 3.6 disebut sebagai metode delta. Karena '( ) g dan
2 2
( )
biasanya bergantung kepada parameter , varian asimptotiknya tidak diketahui.
Selang kepercayaan dan ujinya mengganti T
n
untuk dan menggunakan hasil
[ ]
( ) ( ) / | '( ) | ( )
n n
n g T g g T yang merupakan asimptotik untuk normal standar.
Dengan kata lain,
( ) 1.96 | '( ) | ( ) /
n n
g T g T n t
Merupakan 95% selang kepercayaan statistik Wald dengan sampel besar untuk
( ) g
3.1.6. Aplikasi Metode Delta untuk Sampel Logit*
Kita ilustrasikan metode delta untul fungsi estimasi ML
n
T y n

adalah
parameter Binomial untuk

,dimana y adalah banyaknya percobaan sukses dari

sejumlah n percobaan. Maka
( ) E Y n

dan
( ) (1 ) Var Y n
,
( ) E

dan
( ) (1 ) / Var n

. Selain itu,

memiliki distribusi normal sampel besar dengan

teorema limit pusat.
Maka fungsi log odds untuk

yaitu
( ) log[ / (1 )] g


disebut logit sampel.
Evaluasi

dengan menurunkan persamaan 1/ (1 ). Maka diperoleh

1
log log 0, .
1 (1 )
1
d
n N

1
_
1


1
,

]
Normalitas asimtotik

Menyebar secara asimtotik normal pada
log[ / (1 )]

Varians asimtotik adalah varian distribusi normal yang kurang lebih merupakan
distribusi sebenarnya untuk sampel n yang besar. Untuk

0 1 < <
,varians
asimtotik
1
[ (1 )] n

untuk sampel logit terbatas. Sebaliknya, varian sebenarnya

ternyata tidak tersedia: karena =0 atau 1 dengan nilai peluang yang positif,
nilai logit sebanding dengan - atau dengan peluang yang positif. Nilai
peluangnya konvergen menuju 0 dengan sangat cepat ketika jumlah n
meningkat.
Untuk sampel n besar distribusi sampel logit sama pentingnya dengan normal
dimana rata-rata log[ / (1 )] dan standar deviasi
1/ 2
[ (1 )] n

. Kemudian
untuk logit, varians asimtotik sebenarnya lebih besar dari varians sebenarnya.
Dalam hal ini, metode bootstrap tidak dapat menolong untuk memperkirakan
standar error untuk banyak pengukuran diskrit, sebab memiliki relasi yang lebih
pada standart error asimtotik.
3.1.7. Aplikasi Metode Delta untuk Log Odds Rasio*
Standar error untuk log odds rasio dan log resiko relative dihasilkan dari versi
multiparameter metode delta. Misalkan { } , 1,...,
i
n i c memiliki distribusi
multinomial { } ( , )
i
n . Proporsi sampel
/
i i
n n memiliki mean dan varians
( )
i i
E dan
var( ) (1 ) /
i i i
n
Pada bagian 14.1.4. telah ditunjukkan bahwa untuk
i j
,

i
dan

memiliki
kovariansi
cov( , ) /
i j i j
n
Proporsi sampel ( )
1 2 1
, ,...,
c


memiliki distribusi normal multivariate dengan
sampel besar. Untuk set fungsi tersebut, metode delta memberikan hasil berikut,
yang dibuktikan pada bagian 14.1.4.
Jika ( ) g merupakan funsi turunan dari
i
dengan nilai sampel
( ) g untuk sampel
multinomial, maka
( )
i
i
g

, i=1,,c
Maka ketika
n
distribusi [ ]
( ) ( ) / n g g konvergen ke distribusi normal
standar dimana
( )
2
2 2
i i i i


Varians asimptotik tergantung kepada { }
i
dan turunan parsial dari ukuran
dengan memperhatikan { }
i
. Pada prakteknya, menggantikan { }
i
dan { }
i
pada
(3.9) dengan nilai sampelnya akan menghasilkan estimasi Maximum Likelihood
untuk
2

dan
2

. Selanjutnya
2
/ n
merupakan standar error dugaan untuk
( ) g . Selang Kepercayaan Wald untuk ( ) g adalah
/ 2
( ) / g z n

t
Dengan mengganti untuk

dalam (3.9), distribusi pembatas masih

merupakan normal standar, namun konvergen secara lambat. Nilai yang setara
pada distribusi dengan sampel besar dapat dijelaskan sebagai berikut: Proporsi
sampel konvergen secara peluang kepada { }
i
, berdasarkan hukum bilangan
lemah pada jumlah yang besar. Karena merupakan fungsi kontinu pada
proporsi sampel, maka akan konvergen dalam peluang kepada

, dan /
akan konvergen secara peluang ke 1. Sekarang
( ) ( ) ( ) ( )

g g g g
n n

Bentuk pertama di sebelah kanan konvergen dalam distribusi ke normal standar,

(3.9), sementara bentuk kedua di sebelah kiri konvergen dalam peluang ke 1.
Oleh karenanya produk yang dihasilkan juga memiliki dibatasi oleh distribusi
normal standar.
Dengan mengaplikasikan metode delta ke log odds rasio, dengan menjabarkan
11 22 12 21
( ) log log log log log g + karena
11
11 11
(log ) 1

12 21 22
12 21 22
1 1 1
; ;



0
ij ij
i j

dan ( )
2 2
1/
ij
ij ij
i j i j


. Maka standar error
asimptotik dari log

untuk sampel multinomial { }

ij
n adalah
( )
1/ 2

(log ) / 1/
ij
i j
n n

Karena

ij ij
n n
maka standar error dugaan adalah (3.1)
Metode delta juga dapat diterapkan secara langsung dengan untuk
mendapatkan

( ) dan selang kepercayaan Wald

/ 2

( ) z

t . Namun hal ini

sangat tidak disarankan karena

konvergen ke normal lebih lambat

dibandingkan dengan

log , dan selang yang dihasilkan dapat mengandung nilai

negatif. Hal ini tidak memberikan hasil yang setara dengan hasil yang
didapatkan dari selang Wald yang menggunakan

1/
dan standar errornya.
3.1.8. Angka dan Profil Likelihood untuk selang Kepercayaan
Standar error yang didapatkan dengan metode delta muncul pada selang
interval Wald. Namun, selang yang dihasilkan tersebut kadang kala kurang baik
jika diterapkan pada jumlah sampel yang kecil hingga menengah. Selang
alternative lainnya dihasilkan dengan mencari kebalikan dari rasio likelihood
pada skor hasil tes. Meskipun memerlukan perhitungan yang lebih rumit, namun
metode ini seringkali bekerja lebih baik.
Pertama kita gambarkan metode skor untuk selisih proporsi, dimana skor
tes memiliki statistik uji
0 1 2
: H (Mee 1984; Miettinen dan Nurminen 1985)
( )
[ ] [ ]
1 2
1 1 1 2 2 2

( )
{ ( ) 1 ( ) / } { ( ) 1 ( ) / }
z
n n




+
Dimana
1
( ) menyatakan penduga Maximum Likelihood dari subjek
1

terhadap batasan
1 2
. Yaitu
1
( ) dan
2
( ) merupakan nilai dari
1
dan
2
yang memenuhi
1 2
dan memaksimalkan hasil dari dua fungsi massa
peluang binomial. Nilai ini tidak memiliki bentuk yang closed form dan
ditentukan menggunakan metode numeric. Skor selang kepercayaan merupakan
set dari sedmikian hingga
/ 2
| ( ) | z z

< . Perhitungan untuk interval tersebut

membutuhkan pengulangan (Nurminen, 1986).
Demikian halnya pada resiko relatif, performa yang sedikit lebih baik
dihasilkan berdasarkan suatu selang yang menggunakan metode skor (Bedrick,
1987; Grant dan Nam, 1988; Koopman, 1984; Miettinen dan Nurminen, 1985;
Nurminen, 1986). Cornfield (1956) serta Miettinen dan Nurminen (1985)
menunjukkan selang skor untuk odds rasio. Kita memilih untuk tidak
menggunakan kontinuitas, atau koreksi sampling terbatas dengan selang
tersebut, karena hasilnya terlalu kaku. Fakta bahwa perhitungan selang skor
lebih rumit dibandingkan dengan selang selang Wald, seharusnya tidak
menjadikan halangan dalam penggunaanya di era modern ini karena pada
dasarnya prinsipnya sangatlah sederhana.
Untuk selang kepercayaan yang berdasarkan uji rasio likelihood, dapat
digambarkan serupa dengan odds rasio. Likelihood multinomial untuk tabel 2 x 2
merupakan suatu fungsi dari { }
11 12 21
, , . Setara dengan hal itu, fungsi tersebut
dapat dituliskan dalam bentuk { }
1 1
, ,
+ +
(lihat bagian 2.4.1). Selanjutnya
membalik uji rasio likelihood
0 0
: H untuk memeriksa apakah
0
berada dalam
selang kepercayaan, terdapat dua parameter gangguan. Penduga ML null
1 0
( )
+
dan
1 0
( )
+
yang memaksimalkan likelihood berdasarkan null, tersebut bervariasi
sebagaimana
0
.
Fungsi Profil Log-Likelihood adalah
0 1 0 1 0
( , ( ), ( )) L
+ +
, dilihat sebagai
fungsi
0
. Untuk setiap
0
, fungsi ini memberikan log-likelihood biasa yang
membatasi
0
. Periksa apakah
0

memaksimalkan Log-likelihood
0 1 1
( , , ) L
+ +
, yang muncul pada proporsi sampel
1 1
/ n n
+ +
dan
1 1
/ n n
+ +
.
Selang kepercayaan likelihood profil untuk adalah bagian dari
0
yang masing-
masing
2
0 1 0 1 0 1 1 1

2 ( , ( ), ( )) ( , , ) ( ) L L
+ + + +
1
<
]
Persamaan terbut mengandung seluruh
0
yang tidak ditolak di dalam uji rasio
likelihood dengan ukuran nominal .
Pendekatan terkait dapat menggunakan fungsi likelihood bersyarat yang
mengeliminasi parameter gangguan dengan memberikan syarat pada statistik
cukupnya. Hal ini sangat menguntungkan ketika terdapat banyak parameter
gangguan. Berbeda dengan Wald, keuntungan dari penggunaan skor dan selang
yang berdasarkan likelihood adalah mereka tidak terpengaruh secara
berlawanan ketika resiko relatif sampel atau odds rasio adalah 0 atau .
3.2. Uji Kebebasan Pada Tabel Kontingensi Dua Arah
Untuk sampling multinomial dengan peluang { }
ij
dalam sebuah tabel
kontingensi I x J, hipotesis null untuk kebeasan statistik adalah
0
:
ij i j
H
+ +

untuk setiap I dan j. Pada sampel multinomial independen pada kolom I,

berkorespondensi secara bebas dengan homogenitas dari setiap peluang
keluaran dari setiap baris.
3.2.1. Uji Pearson dan Rasio Likelihood Chi kuadrat
Pada bagian 1.5.2 telah diperkenalkan statistik Pearson
2
untuk uji
peluang multinomial. Sebuah uji dengan H
0
: kebebasan menggunakan
2
dengan
n
i
ditempatkan pada n
ij
dan
ij i j
n
+ +

ditempatkan pada
i

. Di sini
( )
ij ij
E n

berada di dalam H
0
. Biasanya nilai { }
i

+
dan { }
j

+
tidak diketahui. Penduga ML-
nya merupakan proporsi sampel marginal
1 1
/ n n
+ +
dan
1 1
/ n n
+ +
, jadi
dilakukan estimasi frekuensi harapan adalah { }
/
ij i j i j
n n n n
+ + + +
maka nilai
2
akan setara dengan
( )
2
2

ij ij
i j
ij
n

Pearson (1900, 1904, 1922) menyatakan bahwa mengganti { }
ij
dengan { }

ij

tidak akan mempengaruhi distribusi

2
. Karena tabel kontingensi memiliki
sebanyak IJ kategori, dia menyarankan bahwa
2
akan asimptotik chi-kuadrat
dengan derajat bebas = IJ-1. Sebaliknya, karena { }

ij
memerlukan perkiraan nilai
{ }
i

+
dan { }
j

+
maka berdasarkan bagian 1.5.6.
( 1) ( 1) ( 1) ( 1)( 1) df IJ I J I J
Dimensi dari nilai { }
i

+
dan { }
j

+
merefleksikan batasan
1
i j
i j

+ +

. R. A.
Fisher (1922) memperbaiki error yang diberikan oleh Pearson (Bagian 16.2).
Dalam Artikelnya dia memperkenalkan notasi dari derajat kebebasan.
Skor uji menghasilkan statistik
2
, sementara uji rasio likelihood
menghasilkan hal yang berbeda. Pada sampling multinomial, bakal dari
likelihood adalah.
ij
n
ij
i j

,dimana seluruh
0
ij

dan
1
ij
i j

Dengan H0: kebebasan,

/
ij i j i j
n n n
+ + + +
+
. Dalam kasus umum dimana
/
ij ij
n n
. Rasio dari likelihood setara dengan
( )
ij
ij
n
i j
i j
n
n
ij
i j
n n
n n
+ +



Statistik Chi-square pada rasio likelihood adalah 2log , yang dinotasikan
dengan
2
G
, setara dengan
2
2log 2 log( / )
ij ij ij
i j
G n n

Dimana { }
/
ij i j
n n n
+ +
. Semakin besar nilai
2
G
dan
2
, maka semakin kuat bukti
untuk menolak hipotesis kebebasan.
Dalam kasus yang umum, ruang parameter terdiri atas { }
ij
sampai
dengan pembatasan linier
1
ij
i j

, sehingga dimensinya adalah IJ-1. Dibawah

H
0
, { }
ij
ditentukan oleh { }
i

+
dan { }
j

+
, maka dimensinya adalah (I-1)+(J-1).
Selisih pada dimensi ini setara dengan (I-1)(J-1). Untuk jumlah sampel yang
besar nilai
2
G
dan
2
memiliki batasan distribusi Chi-kuadrat yang sama.
Faktanya keduanya kemudian setara secara asimptotik;
2
-
2
G
konvergen dalam
peluang ke nol (bagian 14.3.4). Hasil pembatasan untuk sampling multinomial
juga dapat diterapkan dengan susunan sampling lainnya (Roy dan Mitra, 1956;
Watson, 1959).
Hasil perhitungan tersebut jika diterapkan ketika jumlah n meningkat,
sehingga menyebabkan { }
ij ij
n meningkat, untuk jumlah kolom yang tetap.
Ketika jumlahnya meningkat, distribusi multinomial untuk { }
ij
n lebih baik
diperkirakan dengan distribusi normal multivariat, dimana
2
G
dan
2
ternyata
lebih dekat kepada distribusi Chi-kuadrat. Kekonvergenan
2
terhadap distribusi
Chi kuadrat lebih cepat dibandingkan dengan
2
G
. Perhitungan dengan
menggunakan
2
G
memberikan hasil yang lebih buruk ketika n/IJ <5. Ketika
besaran I atau J besar, maka hasil
2
cukup memuaskan ketika sebagian
frekuenasi yang diharapkan lebih kecil dari 1 namun lebih banyak melampaui 5.
Metode sampel kecil (bagian 3.5) tersedia kapanpun terdapat keraguan apakah
jumlah n cukup besar atau tidak.
3.3. Uji Chi-Kuadrat Ikutan
Sebagaimana uji signifikansi sebagaimana umumnya, uji kebebasan Chi-
kuadrat memiliki kegunaan yang terbatas. Nilai peluang yang kecil
mengindikasikan bahwa terdapat bukti yang cukup terhadap adanya hubungan,
namun menyediakan informasi yang sedikit tentang kekuatan atau bentuk
hubungan tersebut. Para statistisi telah lama mewaspadai untuk tidak
bergantung sepenuhnya terhadap hasil uji Chi kuadrat dibandingkan dengan
mempelajari sifat dari hubungan tersebut (Berkson, 1938; Cochran, 1954). Pada
bagian ini akan didiskusikan lanjutan cara untuk uji tentang hubungan.
3.3.1. Residual Pearson dan Residual yang Distandarkan
Perbandingan antar kolom yang diamati atau perkiraan frekuensi harapan
memberikan pertolongan untuk memperlihatkan sifat dari ketergantungan.
Dibawah H
0
, selisih yang semakin besar antara
( )
ij ij
n
sering terjadi dalam
kolom dengan
ij

yang besar. Pada sampling Poisson misalnya, standar deviasi

dari
ij
n
dan
( )
ij ij
n
adalah
n
; standar deviasi dari
( )
ij ij
n
adalah kurang dari
( )
ij ij
n
namun proporsional terhadap
ij
. Maka selisih yang mentah ini tidak
cukup. Residual Pearson didefinisikan sebagai
( )
1/ 2

ij ij
ij
ij
n
e

Percobaan untuk menyesuaikan hal ini. Residual Pearson terkait dengan Statistik
Pearson
2 2
ij
i j
e
.
Dibawah H
0
, { }
ij
e adalah normal asimptotik dengan mean 0.
Bagaimanapun, pada 14.3.2 telah ditunjukkan bahwa varians asimptotiknya
adalah kurang dari 1.0, yang merupakan rata-rata [(I-1)(J-1)]/(jumlah kolom).
Dengan memperbandingkan residual Pearson terhadap nilai persentase standar
normal memberikan indikator konservatif bahwa kolom memiliki tingkat
kesesuaian yang kurang.
Residual Pearson yang distandarkan adalah asimptotik terhadap hasil
normal standar yang dihasilkan dari membaginya dengan standar error
(haberman, 1973a dan bagian 14.3.2). Untuk H
0
: tidak terikat/bebas, maka
1/ 2

(1 )(1 )
ij ij
ij i j
n
p p

+ +

1
]
Jika nilai residual Pearson yang distandarkan bernilai lebih dari 2 atau 3 dalam
nilai mutlak, maka hal ini mengindikasikan terjadinya kekurangsuaian H
0
dalam
kolom tersebut. Nilai yang lebih besar akan lebih sesuai jika derajat bebas besar
sehingga terlihat jelas bahwa salah satunya memiliki kesempatan yang cukup
besar.
3.3.2. Pendidikan dan Perbaikan Fundamental Agama
Tabel 3.2 Pendidikan dan Kepercayaan Agama
Tingkat
Tertinggi
Kepercayaan Agama Total
Fundamenta
lis
Moderat Liberal
< SMA 178 138 108 424
(137,8)
1
(161,5) (124,7)
(4,5)
2
(-2,6) (-1,9)
SMA atau
Junior
College
570 648 442 1660
(539,5) (632,1) (488,4)
(2,6) (1,3) (-4,0)
Sarjana 138 252 252 642
atau
pascasarjan
a
(208,7) (244,5) (188,9)
(-6,8) (0,7) (6,3)
Total 886 1038 802 2726
Tabel diatas menunjukan residual standar Pearson untuk uji kebebasan.
Misalnya n
11
= 178 dan
11

= 137,8. Hubungan persamaan Proporsi marginal

p
1+
= 424/2726=0,156 dan p
1+
= 886/2726 = 0,325 dan diperoleh residual
standart Pearson adalah 4,5.
Sel ini menunjukkan ktidaksesuaian yang cukup besar antara n
11
dan
11

daripada perkiraan jika variabel benar-benar independent.

Tabel 3.2 menunjukkan residual positif yang cukup besar untuk subjek < SMA
dan pandangan fundamentalis dengan diploma atau lulusan dan pandangan
liberal. Ini artinya bahwa subjek lebih signifikan pada beberapa kombinasi
daripada H
0
: meramalkan kebebasan. Serupa dengan, jika sedikit subjek
dengan level pendidikan tinggi dan pandangan liberal daripada meramalkan
kebebasanya.
Odds Ratio mendeskripsikan trend ini. Tabel 2x2 dibentuk dari awal dan akhir
baris dan awal dan akhir kolom pada tabel 3.2. diperoleh odds ratio (178x252)/
(108X138)=3,0. Diploma atau lulusan estimasi odds untuk liberal terpilih
daripada fundamentalis adalah 3 kali estimasi odds untuk < SMA.
3.3.3. Mempartisi Chi-Kuadrat
Jika Z merupakan random variabel berdistribusi normal standar. Maka Z
2
memiliki distribusi chi-kuadrat dengan derajat bebas 1. Random variabel
berdistribusi chi kuadrat dengan derajat bebas v merepresentasikan
2 2 2
1 2
...
v
z z z + + + , dimana Z
1
,,Z
v
merupakan random variabel berdistribusi normal
standar yang saling bebas. Maka jika random vaiabel tersebut dipartisi ,
misalnya menjadi v bagian yang masing masingnya mempunyai derajat bebas 1,
akibatnya
2
1
dan
2
2
merupakan random variabel chi kuadrat yang saling bebas
dan memiliki derajat kebebasan v
1
dan v
2
. Dengan demikian
2 2 2
1 2
+
memiliki distribusi chi kuadrat dengan derajat bebas v
1
+ v
2
. Tambahan lain
mengenai uji chi kuadrat adalah dengan mempartisi uji statistiknya sehingga
setiap bagian merepresentasikan aspek tertentu dari efek yang berlaku. Dengan
melakukan partisi dapat ditunjukkan bahwa hubungan yang terjadi merupakan
selisih antara kategori tertentu atau pengelompokan kategori.
Kita mulai dengan mempartisi uji kebebasan pada tabel 2 x J. Dengan
mempartisi
2
G
yang memiliki derajat bebas (J-1) menjadi J-1 bagian. Komponen
ke j adalah
2
G
untuk tabel 2 x 2 dimana kolom pertama mengkombinasikan
kolom 1 melalui j pada tabel lengkap, dan kolom kedua adalah kolom j+1.Hal
tersebut merupakan
2
G
untuk uji kebebasan pada tabel 2 x J yang setara dengan
statistik yang mengkombinasikan dua kolom pertama, ditambah dengan statistik
yang mengkombinasikan dua kolom pertama dan kemudian membandingkannya
dengan kolom ketiga, dan seterusnya, tergantung kepada statistik yang
mengkombinasikan J-1 kolom pertama dengan kolom terakhir. Setiap komponen
memiliki derajat bebas 1.
Sepertinya lebih mudah untuk menghitung
2
G
untuk (J-1) yang
memisahkan tabel 2 x2 yang memasangkan setiap kolom dengan pasangannya,
katakan yang terakhir. Namun bagaimanapun juga, komponen statistik ini tidak
bebas dan bukan merupakan penjumlahan
2
G
untuk keseluruhan tabel secara
lengkap. Untuk tabel I x J, komponen chi kuadrat yang saling bebas dihasilkan
dengan membandingkan kolom 1 dan 2 lalu mengkombinasikannya, dan
membandingkannya dengan kolom 3 , dst. Setiap statistik J-1 memilki derajat
bebas I-1. Partisi yang lebih sempurna mengandung statistik sebanyak (I-1)(J-1)
yang masing masing memiliki derajat bebas 1. Salah satu bentuk partisi tersebut
dapat diterapkan pada (I-1)(J-1) memisahkan tabel 2 x 2 (Lancaster, 1949)
ab
a b
n

aj
a i
n
<

aj
a i
n
<

ij
n
Dengan i=2,..,I dan j=2,,J. Untuk lainnya dapat dilihat pada Giulia dan
Haberman (1998) dan Goodman (1969a, 1971b).
3.3.4. Contoh: Asal dari Schizopherenia
Tabel 3.3 mengklasifikasikan sampel psychiatrist dengan gagasan psychiatrist
sekolah mereka dan opini mereka pada asal Schizopherenia. Dimana G
2
=23,04
dengan df=4. Untuk lebih memahami hubungan ini, kita partisi G
2
kedalam
empat komponen saling bebas. Ditampilkan dalam tabel 3.4. Untuk subtabel
awal perbandingan pandangan eclectic dan medical school pada asal
schizophrenia adalah biogenic atau environmental yang diklasifikasikan dalam 2
kategori. Pada subtabel ini G
2
= 0,29 dengan df = 1. Pada Subtabel kedua
perbandingan dua sekolah dengan menganggap bahwa proporsi berasal dari
kombinasi waktu asal , lebih dari biogenic atau environmental. Subtabel ini
G
2
=1,36.
Tabel 3.3 Pengaruh Pandangan Sekolah Psychiatric dan Menganggap
berasal Schizophrenia
Pandangan
Sekolah
Psychiatric
Asal Schizophrnia
Biogenic Environmental Combiantion
Eclectic 90 12 78
Medical 13 1 6
Psychoanalytic 19 13 50
Tabel 3.4 Kegunaan Subtabel Dalam Partisi Chi-Squared untuk table 3.3
Bio En
v
Bio+E
nv
Co
m
Bio En
v
Bio+E
nv
Co
m
Ecl 90 12 Ecl 102 78 Ecl+M
ed
10
3
13 Ecl+M
ed
116 84
Me
d
13 1 Me
d
14 6 Psy 19 13 Psy 32 50
Dengan df =1. Penjumlahan dua komponen persamaan G
2
untuk uji kebebasan
dengan dua baris awal pada tabel 3.3. Memberikan bukti kecil perbedaan antara
pandangan eclectic dan school medical pada anggapan asal schizophrenia.
Kemudian kita kombinasikan eclectic dan medical school dan membandingkan
mereka pada psychoanalytic school. Pada subtabel ketiga pada tabel 3.4
membandingkan mereka pada klasifikasi (biogenic,environmental), memberikan
G
2
=12,95 dengan df=1. Keempat subtabel membandingkan mereka untuk
(biogenetic atau environmental, kombinasi) dipisahkan, memberikan G
2
=8,43
dengan df=1.
3.3.5. Aturan Partisi
Goodman (1969a, 1971b) dan Lancaster (1949, 1969) memberikan aturan
untuk menentukan jumlah komponen bebas dari chi kuadrat.
1. Jumlah derajat bebas dari sub tabel harus sama dengan jumlah derajat
bebas secara keseluruhan
2. Setiap kolom dalam sub tabel harus dihitung hanya sekali, dan setiap sub
tabel juga dihitung hanya sekali
3. Masing masing jumlah marginal dari tabel secara lengkap harus
merupakan marginal dari hanya salah satu sub tabel.
Untuk jumlah partisi yang pasti, ketika jumlah derajat bebas sub tabel
dapat dijumlahkan seperlunya sementara
2
G
tidak, maka masing-masing
komponen tidak independen.
Pada setiap statistik
2
G
, terdapat jumlah partisi yang pasti. Statistik
2

tidak memerlukan hasil penjumlahan yang sama dengan nilai

2
pada sub tabel.
Adalah cukup untuk menggunakan statistik
2
untuk mempartisi sub tabel;
dimana statistik
2
tersebut sama sekali tidak memerlukan partisi yang tepat
secara aljabar untuk tabel lengkap. Ketika hipotesis null terpenuhi,
2
tidak
memiliki kesamaan asimpotik dengan
2
G
. Sebagai tambahan, ketika tabel
memiliki jumlah yang kecil dalam uji chi kuadrat lebih aman untuk menggunakan
2
dalam menyelidiki sub tabel.
3.3.6.Batasan Uji Chi Kuadrat
Uji kebebasan Chi kuadrat lebih digunakan untuk mengindikasikan adanya
bukti tentang tingkat suatu hubungan. Hal ini sudah cukup untuk menjawab
seluruh pertanyaan tentang set data. Daripada bergantung terhadap uji ini,
penyelidikan sifat hubungan yaitu: selidiki residual, dekomposisi chi kuadrat ke
dalam beberapa komponen, dan menduga parameter seperti odds rasio yang
dapat menjelaskan keeratan hubungan.
Uji Chi kuadrat juga memiliki keterbatasan dalam jenis data yang
digunakan. Sebagai contoh, diperlukan jumlah sampel yang besar. Selain itu,
{ }
/
ij i j
n n n
+ +
yang digunakan dalam nilai
2
G
dan
2
bergantung kepada total
marginal, namun tidak demikian halnya dengan urutan penempatan pada nbaris
dan kolom. Dengan demikian
2
G
dan
2
tidak berubah nilainya dengan
pengurutan sementara baris dan kolom. Hal ini menyebabkan bahwa kita
memperlakukan kedua klasifikasi tersebut sebagai nominal.. Ketika setidaknya
salah satu variabel adalah ordinal, uji statistik yang mempergunakan urutan
tersebut menjadi lebih sesuai. (lihat uji di bagian 3.4).
3.3.7.Mengapa Menguji Kebebasan?
Struktur ideal seperti struktur yang bebas sangat jarang berlaku pada
situasi praktis. Dengan jumlah sampel yang besar seperti pada tabel 3.2. maka
nilai peluang yang didapatkan akan sangat kecil. Dengan memperhatikan hal
tersebut serta batasan yang telah diberikan, maka salah satu alasan untuk
memeriksa kebebasan dari distribusi bersama adalah untuk mendapatkan model
yang paling cermat. Jika model yang bebas tersebut memperkirakan peluang
sebenarnya dengan baik, maka kecuali jumlah n sangat besar, pendugaan
berdasarkan model tersebut { }
2
/
ij i j
n n n
+ +
dari peluang sel akan menjadi lebih
baik dibandingkan dengan proporsi sampel { }
/
ij ij
p n n . Maximum Likelihood
yang bebas akan menduga perhitungan sampel dengan lebih halus, sehingga
mengabaikan fluktuasi yang diakibatkan oleh random sampling.
Rumus Mean-Squared error (MSE)
MSE = Varians + (Bias)
2
Menjelaskan mengapa penduga yang saling bebas dapat mempunyai MSE yang
lebih kecil. Walaupun masih terdapat bias, mereka memiliki varians yang lebih
kecil karena pendugaan didasarkan oleh parameter yang lebih sedikit ({ }
i

+
dan
{ }
j

+
dibandingkan dengan { }
ij
). Akibatnya, MSE akan lebih kecil, kecuali n
sangat besar sehingga bentuk bias mendominasi varians.
Dari tabel 3.5. dapat diilustrasikan bahwa [ ]
1 ( 2)( 2)
ij i j
i j
+ +
+ untuk
i

+
=
j

+
= 1/3. Disini -1 < < 1, dengan =0 menyatakan bahwa model adalah
bebas. Kebebasan dapat memperkirakan hubungan dengan baik ketika
mendekati 0. Dengan demikian, total nilai MSE untuk kedua penduga adalah
MSE ({ }
ij
p ) =
2
( ) ( )
ij ij ij
i j i j
E p Var p


2
(1 ) / 1 /
ij ij ij
i j i j
n n
_


,

MSE ({ }
ij
) =
2
( )
ij ij
i j
E

Tabel 3.5. Peluang Sel untuk Perbandingan Penduga

(1+ )/9 1/9 (1- )/9
1/9 1/9 1/9
(1- )/9 1/9 (1+ )/9
MSE({p
ij
})=
1 8 4
9 81 n

' ;

MSE({

ij

})=
2
2 3
1 4 4 4 2 2 2
1
9 9 81 n n n n n

+ + +
' ; ' ;

3.4 Tabel Dua Arah Dengan Klasifikasi Ordinal
Tes uji chi-square X
2
dan G
2
mengabaikan beberapa informasi ketika
digunakan untuk menguji independensi antar klasifikasi yang berupa ordinal.
Oleh karena itu diperlukan statistik uji lainnya yang lebih baik untuk
melakukan uji independensi antar klasifikasi ordinal.
3.4.1 Alternatif trend linear untuk uji independensi
Analisis yang lebih populer saat ini menggunakan metode skor untuk
mengkategorikan dan meringkas trend linear.
Uji statistik yang bisa menangkap adanya trend linear adalah uji korelasi
Semakin besar nilai korelasi absolut, maka data semakin tidak
independen.
Rumus yang digunakan adalah:
2 2 2
( 1) M n r

Nilai M
2
akan meningkat seiring dengan meningkatnya nilai r dan n.
Semakin besar nilai M
2
, semakin kecil nilai p-value, maka semakin
menunjukkan ketidakindependennya.
Namun tidak selalu jika M
2
besar berarti hubungan antar klasifikasi
tersebut adalah linear. Nilai M
2
hanya menunjukkan ada atau
tidaknya independensi antar klasifikasi.
3.4.2 Contoh perbandingan antara penggunaan Tes uji chi-square X
2
dan G
2
dengan M
2
Tabel 2.8 Tabulasi silang antara Kepuasan Kerja dengan Pendapatan
Pendapatan
(dalam
Dollar)
Kepuasan Kerja
Sangat Tidak
Puas
Sedikit Puas Cukup Puas Sangat Puas
< 15.000 1 3 10 6
15.000
25.000
2 3 10 7
25.000
40.000
1 6 14 12
> 40.000 0 1 9 11
Sumber: General Social Survey, National Opinion Research Center, 1996.
Dari tabel di atas dapat dihitung nilai uji chi-square X
2
=6,0 dan G
2
=6,8
dengan df=9 (nilai p-value nya = 0,74 dan 0,66). Dari nilai p-value
tersebut ternyata gagal tolak H
0
, artinya bahwa tidak ada hubungan
antara kepuasan kerja dengan tingkat pendapatan.
Namun apabila menggunakan score (1,2,3 dan 4) untuk kepuasan kerja
dan (7,5; 20; 32,5; dan 6,0) untuk tingkat pendapatan, ternyata diperoleh
nilai korelasi r=0,2 dan uji statistik M
2
=(96-1)(0,2)
2
=3,81 serta p-
value=0,51. Dengan uji 1 arah (trend positif), dengan menggunakan M=
=1,95 dan p-value = 0,026 ternyata berhasil menolak H
0
. Jadi uji
M
2
lebih kuat dari pada chi-square.
3.4.3 Alternatif trend Monoton untuk uji independensi
Selain trend linear yang membutuhkan skoring, alternatif lainnya yang
lebih fleksibel adalah dengan menggunakan gamma.
Untuk sampel besar, gamma konvergen ke distribusi normal.
Uji statistik . Dari tabel 2.8 didapat nilai = 0,221, SE=0,117
(dengan perhitungan software SAS), sehingga diperoleh nilai
z=0,221/0,117 = 1,89 (p-value=0,03). Dengan tingkat keyakinan 95% nilai
terletak pada 0,221 1,96(0,117) atau (-0,01 s.d 0,45). Jadi hubungan
sebenarnya antara kepuasan kerja dengan tingkat pendapatan adalah
positif yang moderat.
3.4.4 Extra Power untuk uji independensi data ordinal
Uji X
2
dan G
2
adalah uji yang paling umum untuk pengujian independensi
antar variabel.
Namun untuk uji independensi data yang berskala ordinal dan
menunjukkan adanya trend, maka statistik uji M
2
atau z (fungsi gamma)
lebih kuat dari X
2
dan G
2
.
3.4.5 Pemilihan skor
Ada beberapa cara penentuan skor, namun yang ideal adalah bahwa skala
skor dipilih dari konsensus (kesepakatan) para ahli, sehingga
interpretasinya tidak mengalami distorsi.
Perbedaan sistem skor akan menghasilkan perbedaan interpretasi.
Salah satu metode yang disepakati oleh para ahli adalah metode
Spearmans rho. Metode ini digunakan ketika variabel yang diuji (X dan Y)
adalah variabel ordinal dan M
2
menggunakan midrank scores.
Berikut adalah contoh bahwa perbedaan skor akan mempengaruhi hasil
interpretasi
Contoh: Tabel 3.7 Hubungan antara Konsumsi dengan Malformation
Malformation
Konsumsi Alkohol (Rata-rata Frekuensi Minum per
hari)
0 < 1 1 -2 3 5 6
Absent 17.066 14.464 788 126 37
Present 48 38 5 1 1
Jumlah 17.114 14.502 793 127 38
Sumber: Graubard and Korn, 1987)
Apabila menggunakan skor sembarang untuk konsumsi alkohol (0; 0,5;
1,5; 4; 7), maka nilai M
2
=6,57 dan p-value=0,01. Dengan demikian maka
H
0
ditolak (terdapat hubungan antara konsumsi alkohol dengan
malformation).
Apabila menggunakan skor bertingkat (1, 2, 3, 4, 5), maka nilai M
2
=1,83
dan p-value=0,18, Dengan demikian maka gagal tolak H
0
(tidak terdapat
hubungan antara konsumsi alkohol dengan malformation).
Apabila menggunakan skor midrank (8557,5; 24.365,5; 32.013; 32.473
dan 32.555,5), maka nilai M
2
=0,35 dan p-value=0,55. Dengan demikian
maka gagal tolak H
0
.
3.4.6 Uji Trend untuk I x 2 dan 2 x J
Dengan midrank skor untuk Y, uji M
2
untuk tabel 2 x J cukup sensitif untuk
perbedaan di dalam mean rank untuk dua baris. Uji ini dikenal dengan
Wilcoxon atau Mann-Whitney test.
Ketika Y mempunyai 2 tingkatan pada tabel I x 2, trend linear dalam
statistik kemudian kembali ke trend linear dalam peluang kategori
respons. Uji ini dikenal dengan Uji Trend Cochran-Armitage (dibahas pada
bab 5.3.5).
3.4.7 Tabel Nominal dan Ordinal
Pengujian dengan teknik korelasi (M
2
) atau gamma () adalah tepat apabila
kedua klasifikasi data adalah ordinal. Namun ketika ada gabungan nominal dan
ordinal, maka diperlukan statistik uji lain. Salah satunya adalah dengan cara
merangkum tingkat variasi di antara rata-rata variabel ordinal pada kategori
yang berbeda-beda dari variabel nominal. Ini akan didiskusikan pada bagian
7.5.3.
3.5 Uji Independensi dengan Sampel Kecil
Ketika n kecil, maka metode alternatif yang digunakan adalah exact small-
sample distribution, bukan large-sample approximations.
3.5.1Uji Fishers exact untuk tabel 2 x 2
Sebuah fungsi distribusi tidak tergantung pada parameter yang tidak
diketahui dari pengkondisian total marginal pada tabel kontingensi.
Parameter-parameter itu biasanya bukan fix variabel.
Contohnya pada distribusi Poisson tidak mempunyai parameter yang fix.
Pada distribusi multinomial hanya n yang fix. Dan pada distribusi binomial
untuk tabel 2 x 2, hanya total marginal baris yang fix.
Uji Fishers exact menggunakan distribusi hypergeometric sebagai berikut:

Rumus tersebut adalah distribusi dari . terlatak antara
dimana dan
Untuk tabel 2x2, Independensi terjadi ketika odds ratio =1. H
0
: =1. P-
value adalah penjumlahan distribusi hypergeometric , t
0
adalah
notasi untuk nilai n
11
yang diobservasi.
3.5.2Fishers Tea Drinker
Berikut diberikan contoh penggunaan rumus Fisher.
Tabel 3.8 Percobaan Fishers Tea Tasting
Poured First
Guess Poured First
Total
Milk Tea
Milk 3 1 4
Tea 1 3 4
Total 4 4
Sumber: Berdasarkan Percobaan oleh Fisher, 1935.
Percobaan dilakukan oleh A. Fisher dengan koleganya Dr.Muriel Bristol.
Koleganya diminta untuk membedakan mana di antara 4 cangkir
minuman yang ditambahkan susu atau teh terlebih dahulu.
Misal t
0
= 3 adalah tebakan kolega Fisher yang sesuai, maka probability
ditambahkannya susu terlebih dahulu dalam cangkir minuman adalah:
Dengan cara sama diperoleh probabilitas n
11
=4 adalah 0,014, sehingga
nilai P-value , maka gagal tolak H
0
, artinya tidak ada
hubungan antara prediksi Dr.Bristol dengan kondisi sesungguhnya.
3.5.3P-Value dua arah untuk Uji Fishers Exact
Untuk uji satu arah, nilai p-value yang sama dapat dihasilkan dari tabel
ordinal tergantung dari besarnya n
11
, besarnya odds ratio atau besarnya
perbedaan proporsi.
Untuk uji 2 arah, perbedaan kriteria memberikan perbedaan p-value.
Untuk uji 2 arah, ada 4 pendekatan yang digunakan yaitu:
Pertama, Penjumlahan untuk menghitung t sebagaimana
dengan P-value nya adalah untuk nilai
observasi t
0
.
Yang kedua, menggunakan rumus:
,
Dimana hypergeometrik . Bentuk ini identik dengan
untuk statistik Pearson yang diobservasi.
Yang ketiga, menggunakan , tetapi nilai ini
bisa lebih dari 1.
Yang keempat, menggunakan ditambah
probablitas yang dihasilkan di bagian ekor lain yang paling dekat tetapi
tidak melebihi probabilitas ekor tersebut.
Pada praktiknya, uji 2 arah lebih umum digunakan daripada uji 1 arah.
Salah satu alasannya adalah adanya konsistensi dari tingkat kepercayaan
2 arah untuk mengestimasi ukuran yang memungkinkan untuk
membedakan antara 2 perlakuan.
3.5.4Tentang suatu fenomena Diskret dan isu konservatif
Distribusi Hypergeometrik adalah distribusi diskret untuk sampel kecil.
Pada umumnya distribusi diskret tidak dapa menerima level signifikan
yang fix, seperti 0,05. Hal ini menimbulkan stigma bahwa cara tersebut
adalah konservatif (kuno).
Cara lain untuk dapat menggunakan level signikan yang fix (0,05) adalah
dengan rumus:
Atau dengan mid-P-value dengan rumus mid-P-value = (1/2)P(n
11
=3) +
P(n
11
>3).
3.5.5Uji non-kondisional sampel kecil untuk independensi
Asumsi sampling secara umum untuk analisis perbandingan antara 2 grup
pada binary respons adalah bahwa baris2 merupakan sampel binomial
yang independen. Untuk distribusi poisson dan multinomial, tidak ada
distribusi marginal yang fix.
Uji non-kondisional sampel kecil untuk independensi adalah:
Untuk nilai
1
=
2
, probabilitas pada tabel 1 adalah
, supremum terjadi pada saat =1/2.
Sehingga P-value = 2(0,5)
3
(0,5)
3
=0,031
3.5.6Uji kondisional versus uji non-kondisional
Untuk statistik inferensia dengan nilai tidak nol (seperti interval
kepercayaan), Uji kondisional diterapkan hanya dengan odds ratio, tidak
dengan yang lain.
Uji non kondisional lebih powerful dibanding uji kondisional (seperti Uji
Fishers exact). Hanya saja secara komputasi, uji non-kondisional lebih
rumit dan kompleks.
Akan tetapi jika marginal total secara alami berupa fixed variabel, maka
Uji Fishers exact adalah yang terbaik. Meski dikategorikan konservatif,
namun dengan menggunakan mid-P-value akan bisa mengurangi efek
konservatif dari data diskret tersebut.
3.5.7Penurunan Distribusi Kondisional Exact
Diasumsikan antar baris dalam tabel IxJ mempunyai distribusi multinomial
yang independen. Total baris adalah fixed. I diestimasi sebagai
distribusi kondisional .
Formula Hipotesis H
0
: (indpenden).
Fungsi Probabilitas multinomial dirumuskan:
Distribusi tergantung pada .
Kontribusi pada pembentukan distribusi multinomial sebagaimana
rumus di atas tergantung pada data .
Data juga berdistribusi multinomial (n, {
+j
}) dengan formula:
Rumus pertama dibagi dengan rumus kedua akan menghasilkan distribusi
multihypergeometrik dengan rumus sebagai berikut:
3.5.8Uji Independen Exact untuk Tabel IxJ
Diberikan contoh tabel 3.9 tabulasi silang antara tingkat merokok dengan
Myocardial infarction sebagai berikut:
Tingkatan Merokok (batang rokok per hari)
0 1 - 24 > 25
Control 25 25 12
Myocardial
Infarction
0 1 3
Apabila menggunakan statistik uji X
2
(yang mengabaikan kategorisasi data
ordinal) diperoleh nilai exact , jadi gagal
tolak H
0
, artinya tidak ada hubungan antara banyaknya merokok dengan
myocardial infarction.
Dengan uji kondisional, perhitungan marginal untuk baris 1 (25, 26, 11)
dan untuk baris 2 (0, 0, 4) akan diperoleh probabilita (sesuai rumus
multiple hypergeometrik) adalah 0,018, jadi H
0
ditolak, artinya ada
hubungan antara banyaknya merokok dengan myocardial infarction.
3.6 Interval Kepercayaan dengan Sampel Kecil untuk Tabel 2x2
3.6.1 Inferensia Sampel kecil untuk Odds Ratio
Untuk distribusi multinomial tergantung pada n dan . Odds ratio
untuk tabel 2x2 adalah:
adalah fungsi dari dan Dan berdistribusi multinomial dengan
parameter
Karena n
11
adalah marginal total, maka distribusi kondisional noncentral
hypergeometrik dengan rumus sebagai berikut:
Untuk n
11
=t
0
, H
0
: =
0
, dan H
a
:
0
, nilai P-value adalah

Sedangkan untuk H
a
:
0
, nilai P-value adalah
Jika
0
=1, maka akan menjadi uji 1 arah Fishers exact.
Estimasi parameter adalah dengan Conditional Maximum Likelihood.
3.6.2 Sampel Tea Tasting
Dari tabel 3.8 dengan Conditional ML, diperoleh nilai estimasi sebesar
6,4. Dengan tingkat kepercayaan 0,95 diperoleh nilai interval (0,2;
626,2)
Dengan uji 2 arah diperoleh interval yang lebih kecil yaitu (0,3; 306,2).
3.6.3 Dampak data diskret terhadap Inteval kepercayaan.
Untuk sampel kecil, uji independensi dan penentuan interval kepercayaan
menggunakan probability exact (with conditional distribution). Oleh
karenanya dikatakan sebagai pendekatan konservatif (sebab pengaruh
data diskret).
Untuk sampel besar, bisa dipilih antara pendekatan konservatif atau
liberal. Sebagai contoh, untuk data pada tabel 3.8, nilai P-value chi-square
= 0,157 (gagal tolak H
0
) dibandingkan dengan uji exact 2 arah dengan p-
value 0,486 (tolak H
0
). Dengan tingkat kepercayaan 95% pada sampel
besar, Confidence interval untuk odds ratio adalah (0,4; 220,9)
dibandingkan dengan Cornfields exact dengan confidence interval (0,2;
626,2).
Secara normal, metode exact lebih dianjurkan daripada metode
approximate, meskipun metode exact termasuk metode konservatif,
terutama untuk sampel kecil.
Metode untuk data diskret yang dianggap bisa mengkompromisasi metode
konservatif dan liberal adalah dengan mid-P-value. Untuk estimasi
interval odds ratio, mid-P-value bisa sangat konservatif, namun untuk
sampel kecil, mid-P-value bisa lebih akurat dari metode liberal (Cornfield
exact interval). Contohnya untuk tabel 3.8 , dengan tingkat kepercayaan
95%, interval yang dihasilkan dengan mid-P-value adalah (0,31; 309)
mempunyai interval lebih pendek dari pada interval Cornfield yaitu (0,21;
626).
3.6.4 Inferensia Dengan Sampel Kecil untuk Perbedaan Proporsi
Pendekatan kondisional untuk menghilangkan parameter yang
mengganggu (tidak berarti) dapat dilakukan manakala tersedia statistik
yang cukup, sehingga hanya beberapa model saja yang bisa menerima
penggunaan pendekatan kondisional.
Pendekatan non-kondisional meskipun penghitungannya lebih kompleks, namun
tidak membutuhkan statistik yang cukup untuk menghilangkan parameter
pengganggu.
Misal ada parameter pengganggu =
1
+
2
. Maka bisa direkayasa dengan cara
mensubstitusikan =
1
-
2
, akan diperoleh
1
= ( + )/2 dan
2
= ( - )/2.
Untuk =
0
dan adalah fixed, maka P-value adalah supremum dari probability
semua nilai , sehingga yang muncul adalah nilai
0
yang tidak unik (lebih dari
1). Adapun confidence interval untuk
1
-
2
adalah nilai-nilai
0
dimana nilai P-
valuenya tidak lebih dari . Sebagai catatan tambahan: Penyusunan 1 Interval 2
arah lebih baik dari pada 2 interval 1 arah yang terpisah.
3.7. Perluasan Untuk Tabel Multi Arah dan Respons Tanpa Tabulasi
Merupakan perluasan tabel multi arah untuk tabel kontingensi
3.7.1 Data Kategorik yang Tidak memerlukan Tabel Kontingensi
Model untuk variable respon kategorik dapat sebaik variable penjelas
kategorik
Ketika seluruh atau sebagian besar variable adalah kategorik, maka tidak
perlu selalu menjadi tabel kontingensi, tapi dapat dibuat menjadi bentuk
garis data untuk setiap subjek
Software akan membaca data kemudian menganalisa yang mungkin akan
melibatkan tabel kontingensi.
Sebagai ilustrasi diberikan contoh berikut :
Subject Gender Race Education
Opinion
1 f w 2 1
2 m b 3 1
3 m w 1 2