Jika variabel ketiga ini tidak diperhitungkan, korelasi antara kedua variabel yang diteliti dapat menyesatkan atau bahkan menimbulkan kebingungan.<\/span><\/p>\n Tutorial ini memberikan beberapa contoh masalah variabel ketiga dalam konteks berbeda.<\/span><\/p>\n Seorang peneliti mengamati bahwa kota-kota dengan lebih banyak hidran kebakaran juga cenderung memiliki lebih banyak anjing.<\/span><\/p>\n Namun kedua variabel ini hanya berkorelasi karena keduanya mempunyai korelasi yang kuat dengan variabel ketiga: jumlah penduduk<\/strong> .<\/span><\/p>\n Kota-kota besar cenderung memiliki lebih banyak hidran kebakaran dan<\/em> lebih banyak anjing. Sebaliknya, kota-kota kecil cenderung memiliki lebih sedikit hidran kebakaran dan<\/em> lebih sedikit anjing.<\/span> <\/p>\n Peneliti menemukan penjualan es krim dan serangan hiu mempunyai korelasi yang sangat positif.<\/span><\/p>\n Namun kedua variabel ini hanya berkorelasi karena keduanya memiliki korelasi yang kuat dengan variabel ketiga: suhu<\/strong> .<\/span><\/p>\n Saat cuaca hangat, lebih banyak orang membeli es krim dan lebih banyak orang berenang di laut, hal ini menjelaskan mengapa nilai penjualan es krim dan serangan hiu cenderung meningkat pada waktu yang sama sepanjang tahun.<\/span> <\/p>\n Sebuah penelitian menemukan bahwa semakin banyak relawan yang melapor setelah bencana alam, semakin besar pula kerusakan yang ditimbulkan.<\/span><\/p>\n Namun kedua variabel tersebut hanya berkorelasi karena keduanya mempunyai korelasi yang kuat dengan variabel ketiga: besarnya bencana alam<\/strong> .<\/span><\/p>\n Bencana alam yang lebih besar berkorelasi kuat dengan lebih banyak kerusakan yang ditimbulkan serta peningkatan jumlah relawan.<\/span> <\/p>\n Apa yang dimaksud dengan bias variabel yang dihilangkan?<\/a> Dalam statistik, masalah variabel ketiga terjadi ketika korelasi yang diamati antara dua variabel sebenarnya dapat dijelaskan oleh variabel ketiga yang tidak diperhitungkan. Jika variabel ketiga ini tidak diperhitungkan, korelasi antara kedua variabel yang diteliti dapat menyesatkan atau bahkan menimbulkan kebingungan. Tutorial ini memberikan beberapa contoh masalah variabel ketiga dalam konteks berbeda. Contoh 1: Anjing dan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Contoh 1: Anjing dan hidran kebakaran<\/strong><\/span><\/h3>\n
![\"Contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/troisiemevariable1.png\")
<\/p>\n Contoh 2: Penjualan es krim dan serangan hiu<\/strong><\/span><\/h3>\n
![\"Masalah](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/troisiemevariable2.png\")
<\/p>\n Contoh 3: Relawan dan bencana alam<\/strong><\/span><\/h3>\n
![\"Contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/troisiemevariable3.png\")
<\/p>\n Artikel Terkait<\/strong><\/span><\/h3>\n
Apa itu bias yang kurang dihitung?<\/a>
Apa itu bias agregasi?<\/a>
Apa yang dimaksud dengan variabel yang membingungkan?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"