Tahukah Anda bahwa para peneliti sering menggunakan tingkat signifikansi 0.05 atau 0.01 dalam pengujian mereka? Ini berarti mereka mencari hasil yang sangat kecil kemungkinannya terjadi secara kebetulan. Tingkat ini membantu mereka memahami data dari uji klinis.
Dalam uji klinis , uji T, nilai P, dan ukuran efek sangat penting untuk memeriksa apakah pengobatan baru bekerja dengan baik dan aman. Artikel ini akan menunjukkan kepada Anda bagaimana uji T digunakan dalam uji klinis nyata . Anda akan mempelajari tentang alat statistik penting ini dan melihat cara kerjanya.
Ringkasan Utama
- Tingkat signifikansi yang umum digunakan dalam uji statistik adalah 0.05 dan 0.01.
- Interval kepercayaan biasanya dinyatakan sebagai persentase, misalnya 95%.
- Ukuran sampel yang lebih besar meningkatkan kemampuan untuk mendeteksi efek asli.
- Teknik seperti koreksi Bonferroni menyesuaikan tingkat signifikansi untuk memperhitungkan beberapa perbandingan.
- Mengidentifikasi dan menangani outlier secara tepat dapat membantu mengurangi dampaknya terhadap signifikansi statistik.
Pengantar Uji-T dan Pengujian Hipotesis
Pengujian hipotesis adalah metode kunci dalam statistik. Metode ini membantu kita membuat dugaan tentang kelompok besar berdasarkan sampel yang lebih kecil. Kita melihat dua gagasan utama: hipotesis nol (H0) dan hipotesis alternatif (H1 atau Ha). Tujuannya adalah untuk melihat apakah data mendukung hipotesis alternatif dibandingkan hipotesis nol.
Hipotesis Nol dan Alternatif
Hipotesis nol (H0) mengasumsikan tidak ada perbedaan atau efek yang signifikan. Hipotesis alternatif (H1 atau Ha) menyatakan bahwa ada perubahan atau perbedaan yang ingin kita periksa. Kita menggunakan pengujian hipotesis untuk melihat apakah data menunjukkan bahwa kita dapat menolak hipotesis nol dan menerima hipotesis alternatif.
Tingkat Signifikansi dan Nilai P
Tingkat signifikansi (α) memberi tahu kita kapan harus menolak hipotesis nol . Biasanya ditetapkan pada 0.05 atau 5%. Nilai p menunjukkan peluang data kita muncul secara kebetulan, dengan asumsi hipotesis nol benar. Jika nilai p rendah (kurang dari α), kita menolak hipotesis nol.
“Nilai-p dan uji hipotesis merupakan hal yang umum dalam jurnal-jurnal medis, dengan kecenderungan kuat untuk menonjolkan temuan-temuan positif.”
Ada dua jenis kesalahan yang dapat kita lakukan dalam pengujian hipotesis . Kesalahan tipe I berarti kita mendapatkan hasil positif palsu, dan kesalahan tipe II berarti hasil negatif palsu. Penting untuk mengetahui tentang kesalahan-kesalahan ini agar dapat memahami hasil statistik dengan baik.
Membedakan Uji-T dari Uji-Z
Baik uji-T maupun uji-Z merupakan kunci dalam analisis statistik. Uji-T membantu mencari tahu apakah ada perbedaan nyata antara dua variabel. Namun, Anda perlu memilih yang tepat berdasarkan detail data Anda.
Kapan Menggunakan Uji Z
Uji Z paling baik digunakan ketika Anda mengetahui varians populasi dan memiliki ukuran sampel yang besar (n > 30). Uji ini menggunakan distribusi normal standar, yang juga dikenal sebagai distribusi Z. Uji ini sangat bagus untuk membandingkan rata-rata sampel dengan rata-rata populasi yang diketahui atau untuk membandingkan dua rata-rata sampel ketika Anda mengetahui varians populasi.
Kapan Menggunakan Uji-T
Untuk varians populasi yang tidak diketahui dan ukuran sampel kecil (n
Memilih antara uji Z dan uji T sangat penting untuk mendapatkan hasil yang andal. Mengetahui asumsi dan kebutuhan masing-masing uji akan membantu Anda membuat pilihan yang tepat. Dengan begitu, Anda dapat memperoleh kesimpulan yang akurat dari data Anda.
Menyelami Uji-T
Uji T merupakan alat penting dalam analisis statistik. Uji ini membantu para peneliti menemukan wawasan penting dalam data mereka. Metode ini hadir dalam berbagai jenis, masing-masing dengan tujuan tersendiri dalam menguji hipotesis. Mari kita lihat berbagai jenis uji T dan apa yang membuat uji-uji tersebut dapat diandalkan.
Jenis Uji-T
Uji T satu sampel membandingkan rata-rata sampel dengan rata-rata populasi yang diketahui. Uji ini menunjukkan apakah sampel berbeda secara signifikan dari nilai yang diharapkan. Uji T dua sampel membandingkan rata-rata dua kelompok. Uji ini membantu mengetahui apakah ada perbedaan besar di antara keduanya.
Uji T sampel berpasangan mengamati kelompok yang sama pada waktu yang berbeda. Ini membantu mendeteksi perubahan atau perbedaan dalam kelompok tersebut.
Setiap jenis uji T memiliki peran tersendiri dalam menganalisis data. Pilihannya bergantung pada pertanyaan penelitian dan struktur data.
Asumsi yang mendasari Uji T
Agar uji-T dapat diandalkan, beberapa asumsi harus dipenuhi. Asumsi-asumsi tersebut meliputi:
- keadaan yg biasa:Rata-rata sampel harus mengikuti distribusi normal.
- Kesetaraan VariansVarians kedua kelompok harus serupa atau sama untuk uji-T dua sampel.
- Kemerdekaan: Setiap titik data dalam suatu kelompok harus independen dari lainnya.
Tes seperti tes Shapiro-Wilk , tes Levene, dan metode visual memeriksa asumsi-asumsi ini. Tes -tes ini membantu memastikan bahwa hasil uji T valid.
Mengetahui berbagai uji-T dan asumsinya membantu peneliti membuat keputusan yang lebih baik. Hal ini menghasilkan temuan yang lebih andal dan berdampak.
Skenario Dunia Nyata untuk Aplikasi Uji-T
Uji t adalah alat penting yang digunakan di banyak bidang, mulai dari uji klinis hingga penelitian pendidikan , kontrol kualitas , studi psikologis, dan riset pasar . Mari kita lihat beberapa contoh yang menunjukkan bagaimana uji t digunakan dalam kehidupan nyata.
Dalam uji klinis , peneliti menggunakan uji t sampel berpasangan untuk membandingkan pasien sebelum dan sesudah pengobatan. Hal ini membantu mereka melihat apakah pengobatan tersebut efektif dan apakah hasilnya signifikan secara statistik.
Dalam penelitian pendidikan , uji t dua sampel independen sering digunakan. Uji ini membantu pendidik mengetahui metode pengajaran mana yang paling efektif dengan membandingkan kinerja siswa dalam kelompok yang berbeda.
Dalam pengendalian mutu , uji-t sangat penting untuk memeriksa apakah kualitas suatu produk memenuhi standar. Dengan membandingkan kualitas rata-rata suatu batch produk dengan tingkat yang diinginkan, produsen dapat menjaga kualitas produk mereka tetap tinggi.
Dalam penelitian psikologi , uji t berpasangan digunakan untuk mempelajari perubahan perilaku sebelum dan sesudah intervensi tertentu. Hal ini membantu peneliti melihat bagaimana program mereka memengaruhi individu atau kelompok.
Terakhir, dalam riset pasar , uji t dua sampel independen membantu menemukan perbedaan dalam hal yang disukai atau dilakukan konsumen di berbagai kelompok. Informasi ini memandu pemasaran dan pengembangan produk.
| Aplikasi | Tipe Uji T | Tujuan |
|---|---|---|
| Clinical Trials | Uji T Sampel Berpasangan | Membandingkan hasil pasien sebelum dan sesudah perawatan |
| Penelitian Pendidikan | Independen Uji T Dua Sampel | Mengevaluasi perbedaan kinerja antar kelompok siswa |
| Kontrol Kualitas | Uji T Satu Sampel | Menentukan apakah kualitas produk berbeda dari standar |
| Penelitian Psikologis | Uji T berpasangan | Menilai perubahan perilaku sebelum dan sesudah intervensi |
| Riset Pasar | Uji T Dua Sampel Independen | Menganalisis perbedaan preferensi atau perilaku konsumen |
Memahami fleksibilitas uji-t membantu para peneliti dan profesional membuat keputusan yang lebih baik di bidangnya. Alat yang hebat ini menawarkan wawasan yang berharga.
Uji-t, Nilai-p, Ukuran efek
Ukuran efek sangat penting ketika melihat perbedaan antara dua kelompok. Ini memberi tahu kita seberapa besar perbedaannya. Cohen's d adalah cara untuk mengukur perbedaan ini. Bersama dengan signifikansi statistik ( nilai p ), ini membantu kita melihat apakah temuan tersebut penting.
Signifikansi statistik menunjukkan apakah perbedaan tersebut kemungkinan besar bukan kebetulan. Nilai p yang rendah berarti ada perbedaan nyata. Tetapi itu tidak memberi tahu kita seberapa besar perbedaannya. Ukuran efek menunjukkan perbedaan sebenarnya antara kedua kelompok.
Penting untuk mencantumkan ukuran efek dalam Abstrak dan Hasil suatu penelitian. Indeks ukuran efek Cohen mengklasifikasikan efek sebagai kecil, sedang, atau besar. Mengetahui ukuran efek sebelum memulai penelitian membantu merencanakan ukuran sampel dan kekuatan statistik.
| Ukuran Efek | Interpretasi |
|---|---|
| 0.2 | Efek kecil |
| 0.5 | Efek sedang |
| 0.8 | Efek besar |
Singkatnya , ukuran efek , Cohen's d , dan signifikansi statistik sangat penting untuk memahami hasil uji T dalam penelitian medis dan uji klinis.
Uji T untuk Penilaian Khasiat dalam Uji Klinis
Dalam uji klinis, uji statistik merupakan kunci untuk memeriksa seberapa baik obat baru bekerja. Uji-T merupakan metode umum yang digunakan untuk melihat apakah kelompok perawatan dan kelompok kontrol berbeda. Uji-T membantu kita memahami apakah suatu obat atau perawatan efektif.
Uji Statistik untuk Evaluasi Khasiat
Peneliti klinis menggunakan banyak uji statistik untuk memeriksa seberapa baik pengobatan baru bekerja. Ini termasuk:
- ANOVA (Analisis Varians) – Tes ini membandingkan rata-rata tiga kelompok atau lebih. Tes ini memberikan gambaran terperinci tentang bagaimana perawatan memengaruhi orang.
- Analisis Kelangsungan Hidup – Ini melihat berapa lama waktu yang dibutuhkan untuk terjadinya sesuatu, seperti saat penyakit berkembang atau saat seseorang meninggal. Ini membantu melihat bagaimana pengobatan mengubah hasil pasien.
- Uji Chi-Kuadrat – Tes ini mencari tahu apakah ada perbedaan besar dalam seberapa sering sesuatu terjadi pada kelompok perlakuan dan kontrol.
- Pengujian Non-Inferioritas – Memeriksa apakah pengobatan baru sama bagusnya dengan pengobatan yang sudah ada. Ini menunjukkan apakah pengobatan baru tersebut sama efektifnya.
Bersama dengan uji-t, metode ini membantu peneliti memahami seberapa baik obat baru bekerja. Dengan menggunakan berbagai uji, mereka dapat mempelajari tentang efek pengobatan pada berbagai hasil. Ini membantu membuat keputusan yang lebih baik dan meningkatkan pengobatan.
Penggunaan uji ini membantu para peneliti memeriksa seberapa baik obat baru bekerja. Hal ini menghasilkan keputusan yang lebih baik dan membantu memajukan ilmu kedokteran.
Uji T untuk Evaluasi Keamanan dalam Uji Klinis
Pemeriksaan keamanan dalam uji klinis sangat penting. Pemeriksaan ini menganalisis data untuk mendeteksi dan memeriksa kejadian buruk dan risiko yang terkait dengan obat baru. Tes seperti uji T , uji chi-square, dan uji logistik membantu melihat seberapa sering dan seberapa parah kejadian tersebut. Tes ini juga mengamati bagaimana karakteristik pasien memengaruhi kejadian tersebut.
Menilai Kejadian Buruk dan Efek Samping
Para peneliti menggunakan statistik untuk memeriksa keamanan obat baru. Uji-t membandingkan seberapa sering efek samping terjadi pada kelompok pengobatan dan plasebo. Uji chi-square melihat apakah obat tersebut menyebabkan lebih banyak efek samping . Regresi logistik melihat bagaimana faktor-faktor seperti usia memengaruhi risiko efek samping.
Pemantauan Pengukuran Laboratorium dan Klinis
Memastikan keamanan juga berarti mengamati hasil laboratorium dan klinis selama uji coba. Uji T berpasangan dan uji peringkat bertanda Wilcoxon mendeteksi perubahan dalam kelompok perlakuan. Plot kotak menunjukkan pola data, dan uji seperti Grubbs memeriksa nilai-nilai yang tidak biasa. Melihat bagaimana perubahan laboratorium atau klinis berhubungan dengan efek samping juga penting.
Statistik ini membantu peneliti memahami keamanan obat baru. Mereka memastikan untuk menemukan dan mengurangi risiko guna menjaga keselamatan peserta uji coba.
Uji T untuk Penentuan Dosis dalam Uji Klinis
Menentukan dosis yang tepat untuk suatu obat sangat penting dalam uji klinis. Ini berarti memilih jumlah terbaik, seberapa sering harus diminum, dan bagaimana cara pemberiannya. Alat-alat seperti analisis regresi , ANOVA , uji chi-square, dan regresi logistik sangat membantu. Alat-alat ini mengamati bagaimana dosis memengaruhi hasil pengobatan, keamanan, dan bagaimana reaksi pasien yang berbeda terhadap obat tersebut.
Mengidentifikasi Tingkat Dosis Optimal
Para peneliti mengikuti rencana langkah demi langkah untuk menemukan dosis terbaik:
- Mereka memeriksa bagaimana dosis yang berbeda mempengaruhi hasil pengobatan dengan analisis regresi.
- Mereka melihat keselamatan dengan ANOVA atau uji chi-square untuk menemukan efek buruknya.
- Regresi logistik membantu melihat bagaimana hal-hal seperti usia atau genetika memengaruhi dosis terbaik.
Dengan menggunakan metode ini, peneliti dapat menemukan dosis yang tepat dan aman. Hal ini membantu dokter membuat pilihan yang lebih baik bagi pasien.
| Teknik Statistik | Tujuan |
|---|---|
| Analisis regresi | Mengevaluasi hubungan dosis-respons |
| ANOVA | Menilai profil keamanan dari berbagai tingkat dosis |
| Uji Chi-kuadrat | Mengevaluasi hubungan antara dosis dan profil keamanan |
| Regresi logistik | Memahami pengaruh karakteristik pasien terhadap dosis optimal tanggapan |
Metode ini membantu menemukan dosis terbaik yang bekerja dengan baik dan menjaga pasien tetap aman. Hal ini penting untuk membuat obat baru.
Akuntansi Korelasi Serial dalam Uji Coba N-of-1
Dalam perawatan kesehatan yang dipersonalisasi, uji coba N-of-1 sangat penting untuk memeriksa bagaimana orang bereaksi terhadap pengobatan. Studi ini melihat data dari hanya satu orang. Mereka sering menemukan korelasi serial atau autokorelasi . Ini berarti data masa lalu memengaruhi data saat ini.
Penggunaan uji t biasa bisa jadi rumit dalam uji coba N-of-1 . Uji ini tidak menangani korelasi serial dengan baik. Hal ini dapat menyebabkan kesimpulan yang salah dan kesalahpahaman. Untuk mengatasi hal ini, dibuatlah uji t serial . Uji ini bekerja lebih baik dengan korelasi serial , sehingga hasil uji coba N-of-1 menjadi lebih dapat dipercaya.
| Ciri | Uji t biasa | Uji t serial |
|---|---|---|
| Akuntansi untuk Korelasi Serial | Tidak | Ya |
| Properti Statistik | Tidak akurat | peningkatan |
| Keandalan Inferensi | Menurunkan | Tertinggi |
Berkat metode statistik baru, uji coba N-of-1 kini dapat lebih solid dan dapat diandalkan. Hal ini mengarah pada pilihan pengobatan yang lebih cerdas dan perawatan kesehatan yang lebih baik untuk semua orang.
“Uji t serial yang dikembangkan dalam penelitian ini dapat mengakomodasi korelasi serial, sehingga meningkatkan sifat statistik dan keandalan analisis dalam uji coba N-of-1 .”
Memvisualisasikan Hasil Uji-T untuk Wawasan yang Lebih Jelas
Dalam dunia penelitian klinis, visualisasi data sangat penting untuk berbagi hasil dari pengujian seperti uji-t. Hal ini membantu peneliti dan dokter memahami ukuran, arah, dan pentingnya temuan. Pada akhirnya, hal ini mengarah pada pengambilan keputusan yang lebih baik dalam pengembangan obat dan uji klinis.
Penggunaan hasil uji-t dapat dibuat lebih jelas dengan berbagai metode visual. Diagram sebar menunjukkan bagaimana titik data tersebar, menyoroti perbedaan antar kelompok. Bagan batang memudahkan untuk melihat perbedaan rata-rata, menunjukkan dampak data di dunia nyata.
Forest plot sangat bagus untuk menampilkan hasil uji-t . Grafik ini menampilkan ukuran efek dan interval kepercayaan. Ini memberikan gambaran lengkap tentang ketidakpastian dalam hasil.
Menambahkan visualisasi ini pada hasil uji-t membantu para peneliti untuk berbagi hasil kerja mereka dengan lebih baik. Hal ini mengarah pada pengambilan keputusan yang lebih cerdas dan perawatan pasien yang lebih baik. Karena penelitian semakin berfokus pada kejelasan, keandalan, dan kemudahan pemahaman, penggunaan visualisasi data sangat penting. Hal ini akan membentuk masa depan kedokteran berdasarkan bukti yang kuat.
“ Visualisasi data yang efektif dapat meningkatkan komunikasi dan interpretasi hasil uji T, sehingga menghasilkan pengambilan keputusan yang lebih tepat dalam konteks uji klinis dan pengembangan obat.”
Kesimpulan
Uji-T merupakan alat utama dalam menganalisis data uji klinis. Uji-T membantu para peneliti, ilmuwan data, dan analis bisnis memahami seberapa baik pengobatan bekerja dan keamanannya. Dengan menggunakan uji-T, Anda dapat menemukan dosis terbaik dan menangani desain uji klinis khusus.
Memvisualisasikan hasil uji-T memudahkan pemahaman dan penyebaran temuan. Hal ini membantu dalam pengambilan keputusan yang lebih baik dalam pengembangan obat. Hal ini juga menghasilkan hasil kesehatan yang lebih baik bagi pasien.
Poin utama dari bagian ini adalah fleksibilitas uji T dan perlunya memahami asumsinya. Selain itu, menggabungkan statistik dengan visualisasi data yang baik sangat penting. Hal ini membantu dalam mendapatkan wawasan mendalam dari uji klinis. Dengan menggunakan keterampilan ini, Anda dapat membuat proses pengembangan obat menjadi lebih lancar. Ini mengarah pada solusi perawatan kesehatan yang lebih baik yang membantu pasien.
FAQ (Pertanyaan Umum)
Apa perbedaan antara hipotesis nol dan hipotesis alternatif?
Hipotesis nol (H0) adalah titik awal. Hipotesis ini mengasumsikan tidak ada efek atau perbedaan yang signifikan. Hipotesis alternatif (H1 atau Ha) menunjukkan perubahan atau perbedaan yang diharapkan.
Apa tingkat signifikansi dan bagaimana ia digunakan dalam pengujian hipotesis?
Tingkat signifikansi (α) adalah ambang batas untuk menolak hipotesis nol. Nilai ini sering ditetapkan pada 0.05. Nilai p menunjukkan probabilitas data yang kita lihat, dengan asumsi hipotesis nol benar. Nilai p yang kecil (biasanya ≤ α) berarti bukti kuat yang menentang hipotesis nol, sehingga menyebabkan penolakan hipotesis nol.
Kapan Anda harus menggunakan uji Z dibandingkan uji T?
Gunakan uji Z ketika varians populasi diketahui dan ukuran sampel besar (n > 30). Gunakan uji T ketika varians populasi tidak diketahui dan ukuran sampel kecil (n > 30).
Apa saja jenis utama uji-T dan apa perbedaannya?
Terdapat tiga jenis utama uji T. Uji T satu sampel membandingkan rata-rata sampel dengan rata-rata populasi yang diketahui. Uji T dua sampel independen membandingkan rata-rata dua kelompok. Uji T sampel berpasangan membandingkan kelompok yang sama pada waktu yang berbeda. Setiap jenis memiliki kegunaan spesifik dalam analisis data dan pengujian hipotesis.
Apa asumsi utama yang mesti dipenuhi agar uji-T dapat menghasilkan hasil yang dapat diandalkan?
Agar uji T dapat diandalkan, beberapa asumsi harus dipenuhi. Asumsi-asumsi tersebut meliputi normalitas (data harus mengikuti distribusi normal), kesamaan atau kemiripan varians (untuk uji dua sampel), dan independensi titik data.
Bagaimana uji-T digunakan dalam berbagai skenario dunia nyata?
Uji-T digunakan di banyak bidang, seperti uji klinis, pendidikan, pengendalian mutu , psikologi, dan riset pasar . Uji ini membantu membandingkan rata-rata, memeriksa perbedaan, dan mengevaluasi hasil dan efek.
Apa pentingnya ukuran efek selain statistik uji-T dan nilai-p?
Ukuran efek , seperti Cohen's d , menunjukkan besarnya perbedaan atau efek. Sangat penting untuk melihat ukuran efek , bersama dengan nilai p, untuk melihat dampak nyata dari hasil uji T.
Bagaimana uji-T digunakan untuk mengevaluasi kemanjuran dan keamanan obat investigasi dalam uji klinis?
Uji-T dan uji lainnya digunakan untuk memeriksa apakah obat bekerja dan aman. Uji-uji tersebut membandingkan kelompok perlakuan dan kelompok kontrol serta mengamati efek samping dan perubahan dalam tindakan kesehatan.
Bagaimana uji-T dapat digunakan untuk penentuan dosis dalam uji klinis?
Untuk menemukan dosis terbaik, para peneliti menggunakan analisis regresi , ANOVA, uji chi-square, dan regresi logistik. Metode-metode ini mengamati bagaimana dosis memengaruhi respons dan keamanan pengobatan, serta bagaimana pasien yang berbeda bereaksi terhadap dosis yang berbeda.
Bagaimana peneliti dapat mengatasi masalah korelasi serial dalam uji coba N dari 1?
Dalam uji coba N-of-1, data dari satu orang menunjukkan korelasi serial. Peneliti menggunakan "uji t serial" untuk menangani hal ini. Uji ini meningkatkan akurasi dan kepercayaan hasil dalam uji coba N-of-1.
Bagaimana teknik visualisasi dapat meningkatkan interpretasi dan komunikasi hasil uji-T?
Alat visual seperti diagram sebar, diagram batang, dan diagram hutan membuat hasil uji-T lebih jelas. Alat-alat tersebut membantu menunjukkan ukuran dan arah efek, penyebaran data, dan signifikansi. Hal ini menghasilkan keputusan yang lebih baik dalam uji klinis dan pengembangan obat.
Tautan Sumber
- https://www.statsig.com/perspectives/a-comprehensive-guide-to-statistical-significance
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4763495/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4111019/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4877414/
- https://towardsdatascience.com/t-test-and-hypothesis-testing-explained-simply-1cff6358633e
- https://neelamtyagi.medium.com/what-are-the-differences-between-z-test-and-t-test-397ba83e6fda
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6813708/
- https://www.analyticsvidhya.com/blog/2020/06/statistics-analytics-hypothesis-testing-z-test-t-test/
- http://courses.washington.edu/psy315/tutorials/t_test_2_independent_means_tutorial.pdf
- https://tavik.com/blog-1/how-to-find-p-value-for-t-test-explained-step-by-step-en-cb/
- https://www.jmp.com/en_in/statistics-knowledge-portal/t-test/paired-t-test.html
- https://statistics.laerd.com/spss-tutorials/independent-samples-t-test-using-spss-statistics.php
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3444174/
- https://www.datanovia.com/en/lessons/t-test-effect-size-using-cohens-d-measure/
- https://meera.seas.umich.edu/power-analysis-statistical-significance-effect-size.html
- https://www.fda.gov/media/78504/download
- https://academic.oup.com/innovateage/article/3/4/igz036/5560156
- https://www.uv.es/~friasnav/EffectSizeBecker.pdf
- https://www.ncbi.nlm.nih.gov/books/NBK557421/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4197528/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4466166/
- https://training.cochrane.org/handbook/current/chapter-06
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9372427/
- https://effectivehealthcare.ahrq.gov/products/n-1-trials/research-2014-1
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10081537/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8202354/
- https://www.linkedin.com/advice/0/how-do-you-report-t-test-statistical-significance-orgxe
- https://datatab.net/tutorial/effect-size-independent-t-test
- https://sphweb.bumc.bu.edu/otlt/MPH-Modules/PH717-QuantCore/PH717-Module7-T-tests/Module7-ttests3.html
- https://training.cochrane.org/handbook/current/chapter-15
Gunakan kalkulator ukuran sampel dan analisis kekuatan gratis kami untuk merencanakan penelitian Anda sebelum pengumpulan data.