Nilai p — Apa Artinya & Cara Menafsirkannya

Nilai p adalah angka dari uji statistik yang memberi tahu seberapa tidak biasa hasil Anda jika hipotesis nol benar. Lebih tepatnya, ini adalah probabilitas memperoleh hasil yang setidaknya se-ekstrem hasil yang diamati, berdasarkan model nol yang digunakan oleh uji tersebut.

Artinya, nilai p adalah cara untuk menilai seberapa kuat data menentang hipotesis nol. Nilai p tidak memberi tahu probabilitas bahwa hipotesis nol itu benar, dan juga tidak memberi tahu apakah efeknya besar atau penting dalam praktik.

Apa yang Sebenarnya Dijawab oleh Nilai P

Dalam pengujian hipotesis, Anda memulai dengan hipotesis nol, yang sering ditulis sebagai $H_0$. Ini adalah klaim dasar yang dianggap benar oleh uji untuk keperluan perhitungan.

Nilai p menjawab pertanyaan ini:

$$\text{If } H_0 \text{ were true, how unusual would data this extreme be?}$$

Jika nilai p kecil, data yang diamati akan relatif tidak biasa di bawah $H_0$. Jika nilai p tidak kecil, data tersebut tidak terlalu tidak biasa di bawah model itu.

Kesimpulan itu bergantung pada uji yang digunakan, asumsi di baliknya, dan apa yang dihitung sebagai "setidaknya se-ekstrem." Uji dua sisi dan uji satu sisi dapat menghasilkan nilai p yang berbeda dari data yang sama.

Contoh Nilai P: Menafsirkan $p = 0.03$

Misalkan sebuah sekolah membandingkan metode pengajaran baru dengan metode yang sekarang digunakan. Hipotesis nolnya adalah bahwa metode baru tidak membuat perbedaan pada rata-rata nilai ujian.

Setelah menjalankan uji statistik yang dipilih, hasilnya adalah $p = 0.03$.

Berikut penafsiran yang benar:

Jika hipotesis nol benar, dan jika asumsi uji masuk akal, data yang sejauh ini dari "tidak ada perbedaan" atau lebih jauh akan terjadi sekitar $3\%$ dari waktu.

Itu adalah bukti yang menentang hipotesis nol. Jika peneliti memilih tingkat signifikansi $\alpha = 0.05$ sebelum analisis, mereka akan menyebut hasil ini signifikan secara statistik karena $0.03 < 0.05$.

Tetapi perhatikan apa yang tidak dikatakan oleh hasil ini:

• Ini tidak berarti ada peluang $3\%$ bahwa hipotesis nol benar.
• Ini tidak berarti metode pengajaran baru memiliki efek yang besar.
• Ini tidak berarti hasil tersebut akan terulang dengan probabilitas $97\%$.

Itu adalah pertanyaan yang berbeda.

Mengapa Nilai P Sering Disalahartikan

Nilai p yang kecil berarti data akan sulit dijelaskan jika hipotesis nol benar secara tepat. Ini bisa menjadi bukti yang berguna, tetapi bukan keseluruhan ceritanya.

Efek yang sangat kecil dapat menghasilkan nilai p yang kecil jika ukuran sampel cukup besar. Sebaliknya, efek nyata yang penting bisa gagal menghasilkan nilai p yang kecil jika sampelnya terlalu kecil atau datanya berisik.

Itulah sebabnya nilai p sebaiknya dibaca bersama ukuran efek, interval kepercayaan, dan desain studi.

Kesalahan Umum tentang Nilai P

Kesalahan 1: Menganggap Nilai P Sebagai $P(H_0 \mid \text{data})$

Nilai p dihitung dengan asumsi bahwa $H_0$ benar. Nilai p bukan probabilitas bahwa $H_0$ benar setelah melihat data.

Kesalahan 2: Menyamakan Signifikansi Statistik dengan Kepentingan Praktis

Signifikansi statistik hanya berarti hasilnya melewati ambang yang dipilih dalam uji tertentu. Ini tidak memberi tahu apakah efek tersebut penting dalam praktik.

Kesalahan 3: Membaca Nilai P Besar sebagai Bukti Tidak Ada Efek

Nilai p yang besar tidak membuktikan hipotesis nol. Itu hanya berarti data tersebut bukan bukti yang kuat untuk menentangnya dalam analisis itu. Studi tersebut mungkin saja masih kurang bertenaga, berisik, atau kurang sesuai dengan pertanyaannya.

Kesalahan 4: Menganggap $0.049$ dan $0.051$ sebagai Kebalikan

Nilai-nilai itu sangat berdekatan. Batas tegas bisa berguna untuk pengambilan keputusan, tetapi bukti yang mendasarinya biasanya berubah secara bertahap, bukan melonjak drastis pada satu tempat desimal.

Kapan Nilai P Berguna

Nilai p digunakan dalam uji hipotesis formal di banyak bidang, termasuk eksperimen, survei, uji A/B, riset klinis, dan pengendalian mutu.

Nilai p paling berguna ketika hipotesis nol didefinisikan dengan jelas, uji dipilih dengan tepat, dan asumsi di balik model setidaknya cukup dapat dipertahankan.

Jika kondisi-kondisi itu lemah, nilai p bisa terlihat presisi padahal kesimpulannya rapuh.

Cara Cepat Menafsirkan Nilai P

Saat Anda melihat nilai p dalam makalah, laporan, atau keluaran perangkat lunak, ajukan pertanyaan-pertanyaan ini secara berurutan:

1. Apa tepatnya hipotesis nolnya?
2. Uji apa yang menghasilkan nilai p ini?
3. Apakah asumsi uji tersebut masuk akal?
4. Berapa ukuran efek dan interval kepercayaannya?
5. Apakah batas signifikansi dipilih sebelum analisis?

Daftar periksa singkat itu mencegah sebagian besar kesalahan penafsiran.

Coba Penafsiran Serupa

Ambil hasil apa pun yang dilaporkan sebagai "signifikan secara statistik" lalu tulis ulang dalam bahasa sederhana dengan pola ini: "Jika hipotesis nol benar, hasil yang se-ekstrem ini atau lebih ekstrem akan terjadi sekitar $p \times 100\%$ dari waktu." Lalu periksa apakah laporan itu juga memberikan ukuran efek atau interval kepercayaan. Itulah cara tercepat untuk beralih dari sekadar mengejar ambang ke penafsiran yang sebenarnya.