Mengajar ekonometrika dengan data gaji rekan kerja dan kepuasan kerja

(1)

Review Internasional Pendidikan Ekonomi 34 (2020) 100178

Daftar isi tersedia diSains Langsung

Tinjauan Internasional Pendidikan Ekonomi

beranda jurnal:www.elsevier.com/locate/iree

Mengajar ekonometrika dengan data gaji rekan kerja dan kepuasan kerja ☆

Todd Easton

Sekolah Bisnis Pamplin, Universitas Portland, 5000 N. Willamette Blvd, Portland, OR, 97203, Amerika Serikat

INFO PASAL ABSTRAK

Kata kunci:

Tabel kontingensi Distribusi frekuensi Statistik pengajaran Mengajar ekonometrika

Regresi linier berganda, uji Chi-square

Penelitian terbaru mempelajari bagaimana gaji relatif mempengaruhi kepuasan kerja. Ini memberikan sampel acak informasi karyawan Universitas California tentang gaji rekan kerja mereka dan memperkirakan pengaruh informasi ini terhadap kepuasan kerja. Artikel ini menyarankan cara kumpulan data yang dibuat oleh penelitian ini dapat digunakan di kelas ekonometrik dan statistik. Ini memberikan contoh penggunaan data ini untuk menghitung distribusi frekuensi, tabel kontingensi, uji Chi-kuadrat, dan model probabilitas linier. Hal ini juga menjelaskan bagaimana contoh-contoh ini dapat digunakan secara produktif di kelas.

1. Perkenalan

Artikel ini memperkenalkan kumpulan data berharga untuk mengajar kelas ekonometrik dan statistik tingkat pengantar. Selain itu, ini memberikan contoh bagaimana kumpulan data dapat digunakan untuk mengajar secara efektif. Kumpulan data ini berharga karena memungkinkan instruktur menggunakan data nyata, memanfaatkan minat siswa terhadap kesenjangan pendapatan, dan menghubungkan kelasnya dengan topik yang dipelajari siswa di tempat lain.

Kumpulan data ini dikembangkan sebagai bagian dari penelitian penting olehKartu dkk. (2012). Mereka menanyakan bagaimana ketimpangan pendapatan dalam unit-unit organisasi mempengaruhi kepuasan kerja karyawan. Saya menunjukkan bagaimana instruktur dapat menggunakan kumpulan data untuk memberikan kesempatan kepada siswa untuk berlatih menggunakan distribusi frekuensi, tabel kontingensi, uji Chi-kuadrat, model probabilitas linier, dan model logit. Saya juga menunjukkan bagaimana instruktur dapat menggunakan kumpulan data untuk memperkenalkan siswa pada pengobatan eksperimental guna mengidentifikasi efek sebab akibat. Contoh yang saya berikan diambil dari pengajaran saya di kelas statistik bisnis untuk mahasiswa MBA, yang menekankan pada literasi data. Namun, sebagian besar akan relevan di kelas ekonometrik dan kelas statistik lainnya.

Hasil belajar yang ditekankan dalam pemaparan saya adalah kemampuan siswa dalam menerapkan setiap metode statistika dan menafsirkan keluaran yang dihasilkan setiap metode. Misalnya, saya menunjukkan bagaimana seseorang dapat menggunakan kumpulan data untuk mengilustrasikan penggunaan tabel kontingensi untuk mengeksplorasi hubungan antara pengetahuan pekerja tentang gaji rekan kerja dan tingkat kepuasan kerja mereka. Saya juga menyarankan cara- cara yang dapat membantu siswa menafsirkan frekuensi relatif tertentu dari tabel kontingensi.

Salah satu alasan mengapa kumpulan data ini berharga adalah karena memungkinkan instruktur menghubungkan kelas mereka dengan dunia nyata dan penelitian nyata.

Singer dan Willett berpendapat untuk menggunakan data nyata untuk mengajarkan statistik (1992). Mereka berpendapat bahwa siswa tertarik untuk mempelajari dunia tempat mereka tinggal, sehingga data yang berasal dari dunia tersebut memotivasi mereka.Becker dan Greene menyarankan agar instruktur menghindari “situasi yang dibuat-buat dengan data yang dibuat-buat” dan lebih menekankan penerapan ekonometrik untuk menjawab pertanyaan nyata (2001). Neumann, Hood, dan Neumann melakukan wawancara terhadap mahasiswa sarjana di kelas statistik tahun pertama, menanyakan mereka tentang kumpulan data nyata yang telah digunakan dalam pengajaran di kelas tersebut; 58% menganggap data nyata membuat pembelajaran statistik lebih menarik dan menyenangkan (2013). Penggunaan data nyata di kelas dapat meningkatkan minat siswa. Hal ini juga dapat membantu mempersiapkan siswa untuk menerapkan apa yang mereka pelajari, dengan menunjukkan bagaimana metode telah digunakan untuk menjawab pertanyaan penelitian.

☆Penulis berterima kasih kepada Ned Freed dan Karen Kovak atas saran-sarannya yang berharga. Alamat email:[email protected].

https://doi.org/10.1016/j.iree.2020.100178

Diterima pada 31 Juli 2018; Diterima dalam bentuk revisi 20 Januari 2020; Diterima 4 Februari 2020 Tersedia online 20 Februari 2020

(2)

Alasan kedua mengapa kumpulan data ini bagus untuk pengajaran adalah karena siswa peduli terhadap kesenjangan pendapatan. Data nyata meningkatkan minat siswa ketika data tersebut terhubung dengan kehidupan mereka secara substansial (Willett dan Penyanyi, 1992). Ketimpangan pendapatan mempunyai hubungan seperti itu; ketimpangan pendapatan mempengaruhi kehidupan siswa, teman-temannya, dan keluarganya. Di sebagian besar negara maju, ketimpangan pendapatan telah meningkat sejak tahun 1970an. Peningkatan di AS sangat besar. Kesadaran masyarakat Amerika terhadap peningkatan ini sangatlah luas;

misalnya, survei Pew tahun 2012 menemukan bahwa 68% warga Amerika usia kuliah mengetahui bahwa ketimpangan pendapatan telah meningkat dalam sepuluh tahun sebelumnya.1Kumpulan data yang disajikan di sini memungkinkan instruktur memanfaatkan minat terhadap kesenjangan dengan membantu siswa mengeksplorasi konsekuensinya.

Alasan ketiga mengapa kumpulan data ini berguna adalah karena data ini memberikan informasi tentang karyawan suatu organisasi tertentu, termasuk data tentang kepuasan kerja. Hal ini memungkinkan instruktur untuk menarik hubungan berharga antara kelas ekonometrik dan kelas lain yang diambil siswa, misalnya ekonomi tenaga kerja, atau administrasi bisnis, atau psikologi. Ada banyak kumpulan data bagus yang tersedia di internet untuk membantu instruktur mengajarkan ekonometrik dan statistik, namun sangat sedikit yang memberikan informasi tentang karyawan suatu organisasi. Selain itu, kepuasan kerja merupakan karakteristik karyawan yang sangat penting. Peningkatan kepuasan kerja meningkatkan kesejahteraan pekerja (Bowling dkk., 2010), mengurangi pergantian pekerjaan (Wright dan Bonet, 2007), dan dapat meningkatkan produktivitas organisasi (Böckerman dan Ilmakunnas, 2012).

Salah satu alternatif untuk Kartu, dkk. kumpulan data adalah kumpulan data yang berisi tanggapan terhadap survei yang mengevaluasi kualitas manajemen di lembaga pendidikan Australia, tersedia di situs web “File Data dan Latihan SPSS, 2019.”2Laporan ini memberikan tanggapan dari 536 karyawan terhadap 10 item survei yang mengevaluasi seberapa baik mereka dikelola, kepuasan kerja mereka, dan pertanyaan tentang usia, masa kerja, dan kota. Kumpulan data Australia akan menjadi pilihan yang baik bagi instruktur yang ingin memaparkan siswa pada survei yang mengukur berbagai dimensi manajemen yang baik, namun kegunaannya terbatas untuk mengeksplorasi kepuasan kerja: pertanyaan kepuasan adalah ya-tidak dan hanya 10% responden yang tidak menjawab. puas. Kartu, dkk. kumpulan data juga memiliki keuntungan karena terdokumentasi dengan baik; siswa dapat mempelajari secara spesifik siapa yang menciptakannya, untuk tujuan apa, dan kapan. Kumpulan data Australia tidak memiliki informasi ini.

Sisa makalah ini disusun sebagai berikut. Saya memperkenalkan kumpulan data dan penelitian yang menghasilkannya di Bagian2. Bagian 3mengilustrasikan bagaimana kumpulan data dapat digunakan untuk mengajarkan enam metode statistik yang sering disertakan dalam kelas pengantar, sekaligus memberikan tip pengajaran dan mengidentifikasi potensi kesalahan. Di bagian4, saya merangkum, mendiskusikan penilaian, dan menyarankan cara agar kumpulan data dapat digunakan di kelas lanjutan.

2. Penelitian dan kumpulan data

Salah satu dimensi penting dari ketimpangan pendapatan adalah ketimpangan pendapatan dalam pekerjaan. Misalnya,Mouw dan Kalleberg menggunakan 496 pekerjaan 3 digit untuk memperkirakan perubahan kesenjangan upah dari tahun 1983 hingga 2008; pada akhir periode tersebut, 57% variasi upah log terjadi pada jenis pekerjaan, sementara 43% terjadi pada jenis pekerjaan (2010). Bagaimana kesenjangan dalam pekerjaan ini mempengaruhi kepuasan kerja? Bagi para ilmuwan sosial yang mencoba memahami motivasi manusia dan bagi para manajer yang menyusun kebijakan di tempat kerja, ini adalah pertanyaan penting. Kumpulan data yang diperkenalkan di sini digunakan dalam penelitian penting oleh David Card, dkk.; itu memberikan bukti untuk membantu menjawab pertanyaan ini (2012).

Pada tahun 2008,Lebah Sacramentomendirikan situs web yang menyediakan akses ke database yang berisi gaji semua karyawan negara bagian California.3Beberapa bulan kemudian, para peneliti mengirimkan email ke sampel acak karyawan di tiga kampus Universitas California;

email tersebut menjelaskan situs web dan memberikan tautan ke sana (Kartu dkk., 2012).4Beberapa hari setelah perlakuan eksperimental ini, para peneliti mensurvei seluruh karyawan di kampus, menanyakan kepuasan kerja mereka dan apakah mereka pernah mengunjungi lokasi tersebut. Selanjutnya peneliti menghitung posisi masing-masing responden dalam pembagian gaji unitnya. Kumpulan data yang dihasilkan memungkinkan para peneliti untuk memperkirakan pengaruh kepuasan kerja karyawan dengan mengetahui gaji relatifnya.

Kumpulan data menyediakan berbagai variabel yang relevan. Yang saya bahas di artikel ini adalah variabel yang menunjukkan apakah karyawan tersebut menerima email pengobatan, variabel yang menunjukkan apakah karyawan tersebut mengunjungiLebah Sacramentositus web, ukuran kepuasan kerja karyawan, dan variabel yang menunjukkan apakah seorang karyawan berada di kuartil terbawah distribusi gaji unitnya.Tabel 1 mencantumkan variabel-variabel ini dan memberikan deskripsi. Kumpulan data tersebut menyediakan dua puluh satu variabel tambahan, termasuk variabel indikator yang mengukur kampus lapangan kerja, ukuran tambahan mengenai posisi karyawan dalam distribusi gaji unit mereka, dan, untuk karyawan yang mengunjungiLebahsitus, indikator gaji siapa yang mereka periksa pada kunjungan mereka.

Teks survei karyawan tersedia di awal Lampiran Online yang diterbitkan bersama artikel tersebut. Tingkat respons survei adalah 20,4%, dengan total respons 6411. Kumpulan datanya sendiri tersedia di halaman materi tambahan artikel sebagai file Stata terkompresi. Versi kumpulan data yang disingkat, yang hanya mencakup variabel yang dibahas dalam artikel ini, tersedia sebagai Buku Kerja Excel di Data Mendeley.

1Survei tersebut dilakukan olehPusat Penelitian Pew (2013)pada bulan Juli 2012. Persentase yang dilaporkan adalah jumlah penduduk berusia 19-22 tahun dalam sampel yang memilih opsi “menjadi lebih besar” di Pertanyaan 13: “Dalam sepuluh tahun terakhir, apakah Anda mengetahui kesenjangan pendapatan antara orang kaya dan orang kaya? miskin sudah [RANDOMIZE(menjadi lebih besar), (menjadi lebih kecil)] atau tetap sama?”

2Penulis kumpulan data tidak diidentifikasi. Ini tersedia di halaman situs web yang menyediakan file data SPSSPanduan Kelangsungan Hidup SPSS, oleh Julie Pallant.

3Tautannya ke versi saat iniSitus Lebah Sacramento (2017).

4Semua informasi yang disajikan di sini tentang penelitian ini dan data yang mendasarinya diambil dariKartu dkk. (2012). Detail tambahan tersedia di Kartu dkk. (2010).

(3)

Tabel 1 Variabel Dibahas.

Variabel Keterangan DIPERHATIKAN_IND

SAC_BEE WAGESAT2

PEKERJAAN2 PINDAHKAN2

Sama dengan 1 jika karyawan menerima email perawatan, 0 sebaliknya Sama dengan 1 jika karyawan mengunjungiLebah Sacramentositus web, 0 sebaliknya.

Item Likert 4 tingkat, jawaban untuk: “Seberapa puaskah Anda dengan upah/gaji Anda pada pekerjaan ini?” Item Likert 4 tingkat, jawaban untuk: “Secara keseluruhan, seberapa puaskah Anda dengan pekerjaan Anda?”

Item Likert 3 tingkat, jawaban untuk: ““Dengan mempertimbangkan semuanya, seberapa besar kemungkinan Anda akan melakukan upaya sungguh-sungguh untuk mencari pekerjaan baru dalam tahun depan?”

Sama dengan 1 jika karyawan berada di kuartil terbawah distribusi gaji unitnya (dihitung secara terpisah untuk dosen dan staf), 0 sebaliknya Sama dengan 1 jika MOVE2 sama dengan 3 (Sangat Mungkin), 0 sebaliknya

RENDAH25 PINDAHKAN_VLIK

3. Mengajar dengan dataset

Saya menggunakan kumpulan data untuk diskusi di kelas, latihan di kelas, dan tugas pekerjaan rumah. Berikut ini, saya menyajikan pertanyaan-pertanyaan yang dapat diajukan oleh instruktur, teknik-teknik yang dapat digunakan untuk menjawab pertanyaan-pertanyaan tersebut, dan kemungkinan kesalahpahaman siswa.

3.1. Distribusi frekuensi relatif

Seseorang dapat menghitung berbagai macam statistik deskriptif yang menarik dengan kumpulan data. Saya fokus pada distribusi frekuensi relatif, karena memahaminya dengan baik membantu siswa memahami distribusi probabilitas ketika saya memperkenalkannya.

Data dikumpulkan untuk menjawab pertanyaan tentang kepuasan kerja. Empat variabel dalam dataset mengukur dimensi kepuasan; Saya membahas tiga hal yang tampaknya paling terkait erat dengan kepuasan yang dirasakan seorang karyawan di tempat kerja. Variabel WAGESAT2 adalah item Likert 4 tingkat yang dibuat dari jawaban atas pertanyaan ini: “Seberapa puaskah Anda dengan upah/gaji Anda pada pekerjaan ini?” Variabel JOBSAT2 adalah item Likert 4 tingkat lainnya; itu dibuat dengan tanggapan terhadap pertanyaan ini: “Secara keseluruhan, seberapa puaskah Anda dengan pekerjaan Anda?” Variabel ketiga, MOVE2, didasarkan pada respons Likert 3 tingkat terhadap pertanyaan ini: “Dengan mempertimbangkan semuanya, seberapa besar kemungkinan Anda akan melakukan upaya sungguh- sungguh untuk mencari pekerjaan baru di tahun depan?”

Kiat Mengajar:Karena dua ukuran pertama memiliki pilihan respons yang sama, mudah untuk meminta siswa membandingkannya. Misalnya, setelah saya memperkenalkan distribusi frekuensi relatif dan fitur grafik yang informatif dan mudah dipahami di kelas, pada tugas pekerjaan rumah saya meminta siswa untuk membuat grafik yang bagus yang membandingkan distribusi WAGESAT2 dan JOBSAT2. Sebagai tindak lanjutnya, saya bertanya,

“Tolong tuliskan deskripsi hubungan penting antara kedua variabel tersebut, yang terlihat pada grafik Anda. Gunakan kurang dari 60 kata dan sertakan dua frekuensi relatif yang diambil dari tabel data yang Anda gunakan untuk membuat grafik.” Saya menyertakan tugas menulis singkat seperti ini pada pekerjaan rumah untuk membantu siswa berpikir tentang konsep dan belajar mengkomunikasikan hasil analisis statistik. Membuat pertanyaan yang saya ajukan spesifik dan menyertakan batasan kata memudahkan saya mengevaluasi jawaban siswa.

Grafik yang dihasilkan bagus mungkin seperti iniGambar 1.

Jawaban yang baik mungkin seperti berikut: “Berdasarkan tanggapan survei, karyawan tampaknya lebih puas dengan pekerjaannya dibandingkan dengan gajinya. Misalnya, 37% karyawan mengatakan mereka sangat puas dengan pekerjaannya, namun hanya 12% yang mengatakan mereka sangat puas dengan gajinya.”

Setelah kami mendiskusikan jawaban atas pertanyaan lanjutan di kelas, saya mencoba membuat siswa lebih memikirkannya. Setelah memaparkan jawaban di atas, saya mungkin bertanya, “Proporsi karyawan yang menyatakan puas dengan pekerjaannya hampir sama dengan proporsi karyawan yang menyatakan puas dengan gajinya. Dari sini kita dapat menyimpulkan bahwa karyawan yang puas dengan pekerjaannya juga kemungkinan besar akan merasa puas

Gambar 1.Membandingkan Dua Ukuran Kepuasan Kerja.

(4)

Meja 2

Kepuasan Kerja dan Kepuasan Upah.

Menghitung

Puas dengan gaji?

Puas dengan pekerjaan?

Sama sekali tidak puas Tidak terlalu puas Puas Sangat puas Hasil akhir

Sama sekali tidak puas.

Tidak terlalu puas

Puas dengan gaji Sangat puas Hasil akhir

13541 26 9 211

274324 165 13 776

4581165 1260 140 3033

177515 1121 578 2391

10442045 2572 750 6411

puas dengan gaji mereka? Mengapa atau mengapa tidak?" Pertanyaan seperti ini membuat siswa berpikir tentang distribusi gabungan kedua variabel, sesuatu yang nantinya dapat membantu mereka memahami tabel kontingensi dengan lebih cepat.

Khususnya di kelas besar, ada baiknya menyertakan pertanyaan seperti ini pada slide PowerPoint. Mendengar pertanyaan tersebut dan kemudian dapat merujuknya kembali akan menghemat waktu kelas, karena siswa mengajukan lebih sedikit pertanyaan klarifikasi. Versi visual dari pertanyaan tersebut juga meningkatkan kemungkinan siswa pemalu, yang tidak mau bertanya, dapat memahaminya. Terakhir, versi visual menciptakan ekspektasi yang lebih kuat bahwa siswa benar-benar memberikan jawaban; hal ini memperkecil kemungkinan mereka menganggap pertanyaan tersebut bersifat retoris.

3.2. Tabel kontingensi

Setelah kita mendeskripsikan variabel satu per satu, sekarang saatnya mendeskripsikannya secara bersama-sama. Karena kita telah

membandingkan JOBSAT2 dan WAGESAT2, tabel kontingensinya sepertiMeja 2adalah tempat yang baik untuk memulai. Setelah mengingatkan mereka bagaimana tabel kontingensi dibuat, saya meminta siswa untuk menafsirkan dua angka dari kolom “Puas” pada tabel: 1260 dan 3033. Setelah kita membahas perbedaan antara frekuensi interior dan frekuensi marginal, saya tunjukkan bahwa kedua angka tersebut Mari kita lihat bahwa hanya 42%

karyawan yang puas dengan pekerjaannya juga puas dengan gajinya.

Setelah menggambarkan distribusi gabungan dari dua ukuran kepuasan kerja, wajar jika kita bertanya faktor-faktor apa yang mungkin mempengaruhi kepuasan kerja.Kartu dkk. (2012)menyelidiki hubungan antara seorang karyawan mengetahui penghasilan rekan kerja dan kepuasan kerja karyawan tersebut. Tabel kontingensi lain dapat membantu siswa melihat tautan ini. Setelah siswa menafsirkan hitungan dari tabel kontingensi, saya memulai eksplorasi mereka dengan meminta mereka membuat tabel kontingensi.

Satu-satunya ukuran komprehensif dari kumpulan data mengenai apa yang diketahui responden tentang gaji rekan kerja adalah variabel SAC_BEE; ini mengukur apakah seorang karyawan telah mengunjungiLebah Sacramentositus web.⁵Siswa dapat membuat tabel kontingensi yang mengklasifikasikan berbagai ukuran kepuasan kerja kumpulan data berdasarkan SAC_BEE. Namun, variabel yang disebut MOVE2, yang mengukur niat mencari pekerjaan, menghasilkan asosiasi yang paling kuat, jadi saya memusatkan perhatian siswa pada variabel tersebut. Saya meminta mereka untuk membuat tabel kontingensi yang menampilkan jumlah, yang menjelaskan hubungan antara nilai variabel SAC_BEE dan variabel MOVE2. Untuk memudahkan membandingkan tabel yang dihasilkan siswa, saya meminta mereka untuk meletakkan MOVE2 pada kolom dan SAC_BEE pada baris. Siswa membuat tabel yang bentuknya seperti iniTabel 3.

Pada titik ini, saya menyebutkan hal ituTabel 3menimbulkan masalah: jauh lebih sedikit karyawan yang mengunjungi situs web dibandingkan yang tidak. Hal ini menyulitkan untuk mengidentifikasi hubungan apa pun yang mungkin ada antara kunjungan ke situs web dan niat untuk mencari pekerjaan baru. Untuk mengilustrasikan solusi terhadap masalah ini, saya menyajikan dua deskripsi baru dari data yang sama, yang ada diTabel 4. Yang pertama menyajikan persentase kolom dan persentase baris kedua.

Potensi Jebakan:Siswa sering mengacaukan persentase kolom dengan persentase baris, dandan sebaliknya. Untuk membantu mereka memahami perbedaannya, saya minta mereka menjelaskan persentasenyaTabel 4a dan persentase yang sesuai dariTabel 4B. Misalnya, pertama-tama saya mungkin meminta mereka menafsirkan persentase ketiga di kolom keduaTabel 4sebuah: 26,1%. Jawaban yang bagus mungkin berbunyi seperti ini, “26,1% masukTabel 4a adalah persentase karyawan yang mengunjungi situs web dan mengatakan bahwa mereka kemungkinan besar akan mencari pekerjaan baru.” Kemudian, saya mungkin meminta siswa untuk menafsirkan persentase ketiga di kolom keduaTabel 4B. Banyak siswa yang kesulitan menjawab pertanyaan pertama akan menjawab pertanyaan kedua dengan baik, karena mereka sekarang memiliki model untuk membantu menyusun pemikiran mereka. Kemungkinan jawaban yang baik adalah:

“32,4% yang masukTabel 4b adalah persentase karyawan yang mengatakan bahwa mereka kemungkinan besar akan mencari pekerjaan baru dengan mengunjungi situs web.”

Berikutnya, saya membuat siswa berpikir tentang hubungan positif antara kunjungan situs web dan kemungkinan mencari pekerjaan baru. Mengapa proporsi mereka yang cenderung mencari pekerjaan baru lebih rendah pada mereka yang tidak mengunjungi situs web (20,8 %) dibandingkan mereka yang mengunjungi situs web (26,1 %)? Mengapa proporsi orang yang mengunjungi situs web meningkat, dari mereka yang menjawab, “sama sekali tidak mungkin” untuk mencari pekerjaan baru (25,4 %) menjadi mereka yang menjawab, “sangat mungkin (32,4 %)?” Mengajukan pertanyaan seperti ini membantu siswa melihat hubungan antara tabel kontingensi dan jenis pertanyaan yang diajukan peneliti. Pertanyaan-pertanyaan seperti itu melibatkan imajinasi beberapa siswa dan membantu siswa menghubungkan metode statistik dengan penelitian ilmu sosial.

Siswa memberikan berbagai penjelasan untuk pola-pola ini; penjelasan tersebut biasanya mencakup beberapa versi dari dua versi berikut. Pertama, karyawan yang cenderung mencari pekerjaan baru mungkin lebih cenderung mengunjungi situs web karena mereka menginginkan lebih banyak informasi tentang penghasilan yang mungkin mereka peroleh dari pekerjaan lain. Kedua, mempelajari gaji rekan kerja dapat mempengaruhi kepuasan kerja karyawan. Seorang pegawai

5Terdapat 4 variabel yang memberikan informasi lebih spesifik mengenai gaji yang diperiksa responden saat mengunjungi website, namun pertanyaan survei yang memperoleh data untuk variabel tersebut hanya ditanyakan kepada responden di UCLA.

(5)

Tabel 3

Kunjungan ke Situs Web Sacramento Bee dan Niat Pencarian Kerja, Penting.

Menghitung Mencari pekerjaan baru?

Kunjungi situs web SB

TIDAK Ya Hasil akhir

Sama sekali tidak mungkin. Agak mungkin Sangat mungkin

Hasil akhir

22461433 964 4643

765541 462 1768

30111974 1426 6411

Tabel 4

Kunjungan ke Situs Web Sacramento Bee dan Niat Mencari Kerja, Frekuensi Relatif.

a Kolom persentase Kolom %

Mencari pekerjaan baru?

Hasil akhir

48,4%

30,9%

20,8%

100,0%

43,3%

30,6%

26,1%

100,0%

47,0%

30,8%

22,2%

100,0%

b Persentase baris Baris %

Hasil akhir

74,6%

72,6%

67,6%

72,4%

25,4%

27,4%

32,4%

27,6%

100,0%

yang mengetahui bahwa gajinya relatif rendah mungkin menjadi kurang puas dan oleh karena itu lebih besar kemungkinannya untuk keluar dari perusahaan. Seorang karyawan yang gajinya relatif tinggi mungkin menjadi lebih puas dan karena itu kecil kemungkinannya untuk berhenti bekerja.6

Kedua penjelasan ini sangat berbeda. Yang pertama mengatakan niat untuk keluar menyebabkan kunjungan website. Yang kedua mengatakan kunjungan website menyebabkan perubahan kepuasan kerja sehingga mempengaruhi niat untuk keluar. Bagaimana cara membedakannya?

3.3. Perawatan eksperimental

Perlakuan eksperimental adalah strategi untuk mengidentifikasi efek sebab akibat. Kumpulan data ini memungkinkan instruktur memperkenalkan siswa pada penggunaan metode eksperimental untuk mengidentifikasi efek sebab akibat, metode yang menjadi lebih umum dalam ilmu sosial selama dua puluh tahun terakhir.

Card dan rekan penulisnya menggunakan perlakuan baru untuk menghasilkan bukti yang mana dari dua penjelasan di atas yang benar (2012).

Perlakuannya adalah email yang dikirim peneliti ke sampel acak karyawan Universitas California. Email tersebut sangat meningkatkan persentase karyawan yang mengunjungi situs web, dari 19% untuk karyawan yang tidak menerima pengobatan menjadi 49% untuk karyawan yang menerima pengobatan. Dengan

memberikan kemudahan akses terhadap website dan informasi yang terkandung di dalamnya, email juga mengurangi pengaruh karakteristik karyawan terhadap kunjungan website.

Kiat Mengajar:Salah satu cara untuk mengilustrasikan pengaruh perlakuan eksperimental adalah dengan menggunakan tabel kontingensi. Satu tabel yang mungkin adalah seperti Tabel 4a, namun mengklasifikasikan responden berdasarkan apakah mereka diperlakukan, bukan berdasarkan apakah mereka mengunjungi situs web.7Tabel 5b melakukan ini, sementaraTabel 5sebuah pengulanganTabel 4A. Saya menunjukkan kepada siswa kedua tabel ini bersama-sama dan menyarankan untuk membandingkan keduanya yang mungkin mengarah pada kesimpulan bahwa karakteristik karyawan memengaruhi kunjungan situs web. Saya bertanya kepada mereka tabel apa yang mungkin mengarah pada kesimpulan ini.

Untuk menjawab pertanyaan: perbandingan tabel menunjukkan perbedaan antara individu yang tidak diobati dan diobati lebih kecil dibandingkan perbedaan antara individu yang tidak mengunjungi situs web dan individu yang mengunjungi situs web. Sebagai contoh, ambil persentasenya

6Tentu saja, seorang instruktur akan senang mendengar penjelasan ketiga atas perbedaan antara proporsi ini: kesalahan pengambilan sampel. Namun, dalam perbandingan khusus ini, perbedaannya kemungkinan besar bukan disebabkan oleh kesalahan pengambilan sampel. Misalnya, jika kita mengevaluasi perbandingan berpasangan di kolom-kolom pada Tabel 4a, menggunakan uji-z dengan tingkat signifikansi 5% dan koreksi Bonferroni, perbedaan antara 20,8% dan 26,1% adalah signifikan secara statistik.

7Di sini dan sepanjang diskusi saya tentang pengobatan eksperimental, saya memusatkan perhatian pada pengobatan yang diberikan, bukan pada pengobatan yang diterima. Individu yang menerima email dapat memilih untuk mendapatkan pengobatan (mengunjungi situs web) atau tidak. SebagaiFreedman (2008)menunjukkan, memfokuskan analisis pada kelompok yang diberi perlakuan untuk menghindari potensi bias. Karyawan yang menerima email dan mengunjungi situs web mungkin berbeda dalam beberapa hal dengan karyawan yang menerima email memilih untuk tidak mengunjungi. Card dan rekan penulisnya berpendapat bahwa mengukur perubahan niat untuk keluar dari mereka yang tidak diobati ke yang diobati memperkirakan dampak pengobatan rata-rata minimum.

(6)

Tabel 5

Kunjungan Situs Web, Perawatan Email, dan Niat Mencari Kerja.

Tabel 5a Kolom %

Hasil akhir

48,4%

30,9%

20,8%

100,0%

43,3%

30,6%

26,1%

100,0%

47,0%

30,8%

22,2%

100,0%

Tabel 5b Kolom %

Individu yang dirawat

Hasil akhir

47,4%

30,7%

21,9%

100,0%

45,8%

31,1%

23,1%

100,0%

47,0%

30,8%

22,2%

100,0%

yang mengatakan mereka kemungkinan besar akan mencari pekerjaan baru. Di dalamTabel 5b, persentasenya meningkat dari 21,9 % pada kelompok yang tidak diobati menjadi 23,1 % pada kelompok yang diobati. Di dalamTabel 5a, naik dari 20,8 % bagi mereka yang tidak mengunjungi situs web menjadi 26,1 % bagi mereka yang mengunjunginya. Fakta bahwa perbedaan pertama lebih kecil dibandingkan perbedaan kedua menunjukkan bahwa perbedaan karakteristik karyawan mempengaruhi kunjungan keLebah Sacramento situs web dan pengobatan eksperimental mengurangi pengaruh heterogenitas ini8

Namun,Tabel 5mengelompokkan seluruh karyawan menjadi satu. Dengan melakukan hal tersebut, hal ini dapat menyembunyikan pengaruh kunjungan situs web. Hal ini dapat terjadi misalnya jika posisi pegawai dalam pembagian gaji di unitnya mempengaruhi pengaruh kunjungan terhadap kepuasan kerja. Misalnya, seorang profesor ekonomi dengan gaji yang relatif rendah kemungkinan besar akan mencari pekerjaan baru, sedangkan hal sebaliknya mungkin terjadi pada profesor ekonomi dengan gaji yang relatif tinggi.Tabel 6memungkinkan kita untuk menyelidiki kemungkinan ini, dengan membandingkan karyawan di 25% terbawah distribusi gaji unit mereka dengan karyawan di 75% teratas distribusi gaji unit mereka.

Kiat Mengajar:saya tunjukkanTabel 6kepada siswa dan mintalah mereka memusatkan perhatiannya pada baris terakhir. Saya bertanya kepada mereka bukti apa yang diberikan mengenai pengaruh kunjungan situs web terhadap kepuasan kerja. Pertentangan tersebut menunjukkan bahwa mereka yang menerima perlakuan lebih besar kemungkinannya untuk mencari pekerjaan baru, karena proporsi yang menyatakan bahwa mereka kemungkinan besar akan mencari pekerjaan baru meningkat sebesar 7,6 poin persentase di antara pekerja di kuartil terbawah, namun menurun sebesar 0,7 poin persentase di antara pekerja di tiga besar. kuartil. Mudah-mudahan, seorang siswa berpendapat bahwa kunjungan situs web tampaknya mengalami penurunan kepuasan di antara karyawan yang berpenghasilan relatif rendah.

Setelah kita membahas perbedaannyaTabel 6sebuah danTabel 6b, saya bertanya kepada siswa tentang bukti-bukti yang ada diTabel 6sebuah dirinya sendiri. Apa yang menyebabkan penurunan kepuasan ini?

Biasanya, mereka berpendapat bahwa hal ini mungkin disebabkan oleh karyawan yang menjadi lebih sadar bahwa gaji mereka relatif rendah. Terakhir, saya bertanya kepada siswa mengapa mungkin ada perbedaan besar antara kelompok kuartil terendah dan karyawan lainnya. Jika gaji relatif rendah menurunkan kepuasan, mengapa gaji relatif tinggi tidak meningkatkan kepuasan? Ini adalah pertanyaan yang menantang, yang belum dapat dijawab secara meyakinkan oleh penelitian. Setelah berdiskusi tentang kemungkinan alasannya, saya melaporkan bahwa Card et al. berpendapat bahwa hasil ini merupakan bukti penolakan terhadap ketimpangan; kepuasan kerja dipengaruhi oleh gaji relatif, namun kepuasan “merupakan fungsi cekung dari gaji relatif” (2012, hal. 2982).

3.4. Uji chi-kuadrat

Setelah kursus berlanjut ke statistik inferensial,Tabel 6memungkinkan instruktur mengangkat masalah lain pada kumpulan data: kesalahan pengambilan sampel. Jika percobaan diulangi, karyawan yang berbeda akan menerima email tersebut, kemungkinan besar akan mengubah proporsi sampel yang diamati.

Mungkinkah perbedaan 7,6 poin persentase yang dibahas di atas hanya disebabkan oleh kesalahan pengambilan sampel?

Tentu saja, salah satu cara untuk menjawab pertanyaan tersebut adalah dengan memikirkan perbedaan antara proporsi yang ditampilkanTabel 6a dan proporsi populasi yang mereka perkirakan. Misalnya, kita dapat memusatkan perhatian pada proporsi karyawan yang mengatakan bahwa mereka kemungkinan besar akan mencari pekerjaan baru. Kita dapat menguji hipotesis bahwa tidak ada perbedaan antara proporsi karyawan yang tidak menerima email (kontrol) dan karyawan yang menerima email (yang menerima email). Secara lebih formal, hipotesis nol dan alternatif kami adalah:

H

⁰

: H

1

:

C

=

T

C T

Cara sederhana untuk menerapkan tes ini adalah dengan membuat tabel yang menggabungkan pekerja yang “agak mungkin” dan “sama sekali tidak mungkin”

ke dalam satu kelompok, untuk membuat ukuran biner kepuasan kerja.Tabel 7melakukan hal ini dengan menggunakan variabel MOVE_VLIK yang sama dengan satu untuk karyawan yang melaporkan kemungkinan besar akan pindah dan nol jika tidak.Tabel 7mencerminkan strukturTabel 6, namun menyajikan jumlah, bukan frekuensi relatif, dan menambahkan statistik dari uji hipotesis di bagian bawah.

8Untuk mengevaluasi hipotesis ini secara langsung, kami ingin mengetahui karyawan mana yang mengunjungi situs web sebelum perlakuan dan siapa yang mengunjunginya setelahnya.

Kumpulan data tidak menyediakan informasi ini.

(7)

Tabel 6

Perawatan email dan kemungkinan mencari pekerjaan baru.

a Karyawan di 25% terbawah

Kolom % Individu yang dirawat

Mencari pekerjaan baru? TIDAK Ya Ya Tidak

Hasil akhir

41,0%

33,9%

25,1%

100,0%

35,1%

32,2%

32,7%

100,0%

− 5.9 hal

− 1,7 hal 7.6 hal

b Karyawan di 75% teratas

Kolom % Individu yang dirawat

Mencari pekerjaan baru? TIDAK Ya Ya Tidak

Hasil akhir

49,4%

29,6%

20,9%

100,0%

49,0%

30,8%

20,2%

100,0%

− . 5 hal 1.2 hal

− . 7 hal

Tabel 7

Perawatan email dan kemungkinan mencari pekerjaan baru, Chi-square.

Tabel 7a, Karyawan di 25% terbawah

Mencari pekerjaan baru? Individu yang dirawat Total

TIDAK Ya

Sangat tidak mungkin Sangat mungkin

Total

829 276 1105

1107278 Nilai

134410 df

1517412

Asymp. tanda tangan.

(2 sisi) . 003

`

Pearson Chi-kuadrat Kasus yang Sah

8.667B

1517 1

Tabel 7b, Karyawan di 75% teratas

Mencari pekerjaan baru? Individu yang dirawat Total

TIDAK Ya

Sangat tidak mungkin Sangat mungkin

Total

2790 738 3528

1090 276 1366

3880 1014 4894

Asymp. tanda tangan.

(2 sisi) . 581

` Nilai df

Pearson Chi-kuadrat Kasus yang Sah

. 305B

4894 1

Setelah siswa mempelajari tes Chi-kuadrat untuk dua proporsi, saya dapat menunjukkannya kepada merekaTabel 7dan tanyakan apakah mereka akan menolak hipotesis nol untuk kelompok kuartil terbawah dan kelompok tiga kuartil teratas. Pada tingkat signifikansi 1%, data menunjukkan jawaban pertama adalah ya, karena P-nilainya adalah 0,003, dan jawaban kedua adalah tidak, karenaP-nilainya adalah 0,581. Hasil ini mendukung kesimpulan kami sebelumnya (menggunakanTabel 6) bahwa kunjungan situs web mengurangi kepuasan kerja di antara karyawan dalam kelompok berpenghasilan rendah.

3.5. Model probabilitas linier

Meskipun tabel kontingensi mengukur konsekuensi pengobatan eksperimental, ahli statistik sering kali memperkirakan efek pengobatan dengan teknik yang memudahkan pengendalian pengaruh non-perlakuan terhadap variabel terikat. Model probabilitas linier adalah salah satu

kemungkinannya, meskipun model tersebut memiliki cacat.Horrace dan Oaxaca menunjukkan bahwa mereka sering menghasilkan estimasi yang bias dan hampir selalu tidak konsisten (2006).Woolridge menunjukkan model seperti itu selalu memiliki kesalahan heteroskedastik (2013).

Meski begitu, model probabilitas linier adalah cara yang baik untuk memperkenalkan siswa pada model yang memperkirakan efek pengobatan.

Mereka sering kali membuat prediksi yang akurat untuk nilai sentral variabel independen dan estimasi koefisiennya secara langsung

(8)

Tabel 8

Memprediksi MOVE_VLIK dengan pengobatan.

Variabel B Std. Kesalahan T tanda tangan.

(Konstan)

DIPERHATIKAN_IND

. 219 . 012

. 006 . 012

35.88 1,00

. 000 . 315

interpretasi (Woolridge, 2013). Selain itu, setelah siswa memahami model probabilitas linier, mereka akan lebih mudah mempelajari model lain untuk memprediksi variabel terikat biner. Misalnya, pikirkan tentang model logit. Akan lebih mudah bagi siswa untuk memahami bahwa koefisien dari model seperti itu memperkirakan pengaruh variabel independen pada log peluang suatu peristiwa terjadi jika siswa terlebih dahulu memahami koefisien model probabilitas linier memperkirakan pengaruhnya terhadap kemungkinan suatu peristiwa.

Setelah siswa mempelajari regresi linier berganda, variabel dummy, dan istilah interaksi, instruktur dapat mengilustrasikan penggunaannya dengan kumpulan data. Salah satu kemungkinannya adalah memusatkan perhatian kelas, sepertiTabel 7ya, pada variabel MOVE_VLIK, nilai yang sama dengan satu jika responden melaporkan kemungkinan besar akan mencari pekerjaan baru dan nol jika tidak. Dengan menggunakannya sebagai variabel terikat, instruktur dapat memprediksi kemungkinan bahwa seorang karyawan melaporkan kemungkinan besar akan mencari pekerjaan baru. Model itu akan terlihat seperti ini:

BERGERAK_VLIK = b0+B1DIPERLAKUKAN_IND + b2RENDAH25+B3DIPERLAKUKAN_IND*RENDAH25, Di mana:

BERGERAK_VLIKadalah nilai prediksi dari variabel yang mengukur apakah karyawan tersebut kemungkinan besar akan mencari pekerjaan baru, DIPERHATIKAN_INDadalah variabel yang mengukur apakah karyawan menerima email pengobatan,

RENDAH25adalah variabel yang mengukur apakah karyawan berada di 25% terbawah dari distribusi gaji unitnya, dan DIPERLAKUKAN_IND*RENDAH25adalah istilah interaksi.

Potensi jebakan:Banyak siswa menemukan istilah interaksi sulit untuk ditafsirkan. Oleh karena itu, mungkin yang terbaik bagi seorang instruktur untuk mengajarkan dua model awal sebelum menafsirkan model lengkap yang diwakili oleh Persamaan 1. Saya mengilustrasikan pendekatan tersebut di sini.

Model awal pertama memprediksi MOVE_VLIK hanya dengan variabel independen pertama, yaitu variabel yang mengukur apakah karyawan menerima email pengobatan. Estimasi tersebut disajikan padaTabel 8.

Instruktur dapat mempresentasikan estimasi tersebut dan menanyakan interpretasi konstanta dan koefisien kemiringan, serta tingkat signifikansinya. Nilai koefisien kemiringan untuk variabel yang mengukur apakah karyawan menerima perlakuan hampir sesuai dengan perubahan frekuensi relatif pada baris “Sangat Mungkin” dariTabel 5B.

Model awal kedua memprediksi MOVE_VLIK hanya dengan variabel independen kedua, yaitu variabel yang mengukur apakah karyawan berada di 25% terbawah distribusi gaji di unitnya. Estimasi model tersebut dilaporkan dalamTabel 9.

Dalam hal ini, setelah membahas suku konstanta, instruktur dapat memusatkan perhatian siswa pada interpretasi koefisien kemiringan dan signifikansinya. Pada pembahasan selanjutnya, sebaiknya kita membedakan deskripsi contoh hubungan yang diberikan di sini dengan yang disediakan di dalamTabel 6 dan Tabel 7. Sejauh ini, distribusi variabel tingkat gaji hanya diteliti bersama-sama dengan dua variabel lainnya, yaitu variabel yang mengukur perlakuan dan kepuasan kerja. Sebaliknya, di sini kita mengabaikan pengobatan; koefisien kemiringan hanya mengukur “efek” rata-rata terhadap kepuasan kerja karena berada di 25% terbawah.9

Setelah mendiskusikan koefisien ini, instruktur juga dapat meminta siswa untuk memberikan penjelasan yang mungkin mengapa koefisien tersebut positif dan signifikan secara statistik. Mengapa karyawan yang berada di kelompok 25% terbawah lebih sering mengatakan bahwa mereka kemungkinan besar akan mencari pekerjaan baru? Siswa harus mengenali berbagai penjelasan yang mungkin dan bahwa koefisien tersebut, meskipun signifikan secara statistik, tidak memberikan bukti kuat mengenai peningkatan minat terhadap pekerjaan alternatif dengan gaji yang relatif rendah. Misalnya, hubungan sebab dan akibat mungkin berjalan sebaliknya. Kepuasan kerja yang rendah dapat menurunkan produktivitas; produktivitas yang lebih rendah dapat menyebabkan upah yang lebih rendah.

Setelah membantu siswa memikirkan variabel independen yang mengukur perlakuan dan posisi distribusi gaji, instruktur telah mempersiapkan mereka untuk menafsirkan variabel yang berinteraksi keduanya, sehingga dia dapat menyajikan model yang lengkap.

Hasilnya disajikan dalamTabel 10berasal dari estimasi suatu model yang memprediksi kemungkinan besar seorang karyawan akan mencari dengan variabel yang mengukur perlakuan, variabel yang mengukur posisi dalam distribusi gaji, dan variabel yang berinteraksi dengan perlakuan dan jabatan.

Spesifikasi ini sangat dekat dengan yang satuKartu dkk. lebih suka (2012).10Hal ini memberikan bukti bahwa, jika Anda berada di 25% terbawah, mengetahui posisi Anda akan meningkatkan kemungkinan Anda mengatakan bahwa Anda akan mencari pekerjaan baru. Perkiraan poin untuk dampaknya adalah 7,6 poin persentase; yaitu koefisien dalamTabel 10menyiratkan bahwa menerima email meningkatkan proporsi karyawan yang mengatakan bahwa mereka kemungkinan besar akan mencari pekerjaan baru sebesar 30 %.11

9Koefisien ini juga memberikan peluang untuk memperkuat intuisi siswa tentang hubungan antara model probabilitas linier dan tabel kontingensi.

Seorang instruktur dapat bertanya: “Koefisien pada variabel LOW25 sesuai dengan perbedaan antara dua proporsi kolom dalam tabulasi silang yang disajikan padaTabel 6. Dua yang mana? (Ini sesuai dengan perbedaan antara sel kiri bawahTabel 6a [Tidak Diobati & Sangat Mungkin, 25,1%] dan sel kiri bawahTabel 6b [Tidak Diobati & Sangat Mungkin, 20,9%]: .251 - .209 = .042.)

10Ini adalah Spesifikasi (6) inTabel 4pada p. 2994.

11Di dalamGambar 2, perubahan sebesar 7,6 poin persentase ini sesuai dengan selisih antara nilai prediksi untuk Individu 3 dan nilai prediksi untuk Individu 2 (0,327 - 0,251 = 0,076). Peningkatan proporsional dalam probabilitas yang dilaporkan dihitung sebagai berikut: 0,076/0,251=0,303.

(9)

Tabel 9

Memprediksi MOVE_VLIK dengan posisi dalam pembagian gaji.

(Konstan)

RENDAH25

. 207 . 064

. 006 . 012

34.92 5.28

. 000 . 000

Tabel 10

Memprediksi MOVE_VLIK dengan perlakuan dan posisi dalam pembagian gaji.

R persegi R Persegi yang Disesuaikan MELIHAT

. 006 . 005 . 415

(Konstan)

DIPERHATIKAN_IND RENDAH25

TREATED_IND*RENDAH25

. 209

− . 007 . 042 . 083

. 007 . 013 . 014 . 027

29.95

− . 54 2.94 3.03

. 000 . 589 . 003 . 002

Setelah membahas koefisien dan tingkat signifikansi statistiknya, instruktur mungkin menunjukkan kepada siswa cara menghitung nilai prediksi, misalnya prediksi probabilitas untuk seorang karyawan di 75% teratas distribusi gaji unit mereka yang belum menerima email (Individu 1 di dalamGambar 2).

Kiat mengajar:Karena istilah interaksi sulit dipahami oleh banyak siswa, saya ingin memberikan waktu kepada siswa untuk memikirkannya bersama teman.

Untuk melakukan hal tersebut, saya menggunakan latihan think-pair-share seperti yang diilustrasikan dalam handoutGambar 2. Saya membagikan handout (dengan probabilitas untuk Individu 1 kosong), sebelum menunjukkan kepada siswa bagaimana menghitung probabilitas yang diprediksi untuk Individu 1. Memiliki handout untuk diberi nilai saat saya memberi ceramah membantu siswa memahami perhitungannya. Memasukkan empat pertanyaan spesifik dalam handout memungkinkan saya menyusun pekerjaan mitra agar lebih produktif. Memiliki dua paragraf yang menjelaskan penghitungan nilai prediksi memberi siswa sumber daya, selain saya, untuk membantu mereka menjawab pertanyaan-pertanyaan dalam handout. Khususnya di kelas besar, mengantisipasi pertanyaan dengan cara ini dapat secara signifikan mengurangi “waktu mati” yang dihabiskan siswa untuk menunggu instruktur menjawab pertanyaan.

3.6. Model logit

Jika instruktur ingin mendiskusikan model logit,Tabel 11estimasi Persamaan 1) menggunakan regresi logistik. Hasilnya sangat mirip dengan model probabilitas linier. Pengganti R-squared diTabel 11sangat dekat dengan R-kuadratTabel 10.

12

Ukuran signifikansi statistik juga cukup dekat antara kedua tabel tersebut. Probabilitas yang diprediksi untuk keempat kelompok (diwakili oleh empat individu diGambar 2) hampir identik.

4. Penutupan diskusi

Artikel ini memperkenalkan kumpulan data yang berharga, yang memungkinkan instruktur menghubungkan studi statistik dengan minat siswa terhadap ketimpangan pendapatan. Data dihasilkan olehKartu dkk. untuk mempelajari pengaruh ketimpangan pendapatan pekerjaan terhadap kepuasan kerja (2012).

Kumpulan data tersebut menjelaskan tanggapan terhadap survei staf dan fakultas di tiga kampus Universitas California.

Selain membahas topik yang menarik bagi siswa, kumpulan data memungkinkan instruktur membuat contoh yang relevan dan jelas tentang penggunaan alat statistik yang disertakan dalam banyak kelas pengantar. Artikel ini menunjukkan bagaimana instruktur dapat mengilustrasikan penggunaan distribusi frekuensi, tabel kontingensi, uji Chi-kuadrat, model probabilitas linier, dan model logit.Tabel 12memberikan pengingat tambahan tentang topik yang dibahas. Kumpulan data ini mungkin sangat berharga untuk kelas-kelas yang mencakup studi perlakuan eksperimental, karena nilai- nilai variabel penting dihasilkan menggunakan eksperimen kreatif, yang mungkin membuka mata siswa terhadap potensi uji coba berbiaya rendah untuk memberikan informasi penting.

Ilustrasi yang disertakan dalam artikel ini menyoroti pengajaran siswa untuk a) menerapkan metode statistik dan b) menafsirkan keluaran yang dihasilkan metode tersebut.

Artikel ini juga mengilustrasikan bagaimana seseorang dapat menilai pembelajaran keterampilan interpretasi siswa dengan cepat, dengan mengajukan pertanyaan di depan kelas dan meminta siswa melakukan latihan di kelas. Pertanyaan-pertanyaan yang saya sarankan juga dapat digunakan dalam rangkaian masalah dan ujian untuk menilai keterampilan interpretasi secara lebih formal. Keterampilan penerapan lebih menantang untuk dinilai. Saya melakukannya dengan menggunakan tugas pekerjaan rumah dan proyek analisis data akhir semester.

Kumpulan data ini juga dapat berguna di kelas yang lebih maju. Untuk studi pengobatan eksperimental, data dapat digunakan untuk menggambarkan implikasi efek pengobatan yang heterogen; mereka juga dapat digunakan untuk menggambarkan perbedaan antara rata-rata

12Kita juga dapat mengevaluasi kesesuaian dengan menggunakan aturan klasifikasi. Salah satu aturan yang masuk akal memprediksi nilai 1 (karyawan akan melaporkan bahwa mereka kemungkinan besar akan mencari pekerjaan baru) jika probabilitas yang diprediksi adalah 0,251 atau lebih besar, dan sebaliknya memprediksi nilai 0. Untuk aturan tersebut, sensitivitasnya adalah 27,2 % dan spesifisitasnya 79,3%.

(10)

Gambar 2.Berpikir berpasanganH are mantaneh cici tentang bagaimana menafsirkan model probabilitas linier.

Tabel 11

Memprediksi MOVE_VLIK menggunakan regresi logistik.

− 2 Catat kemungkinannya Lapangan Cox & Snell R Lapangan Nagelkerke R

6759.6 . 006 . 008

Koefisien B SE Wald df tanda tangan. Pengalaman(B)

(Konstan)

DIPERHATIKAN_IND RENDAH25 DIPERLAKUKAN*RENDAH25

− 1.330

− . 044 . 237 . 414

. 041 1032.14 1 .000

581003 005

. 265 . 957 1.268 1.512 . 079

. 081 . 149

. 318.64 7.73

11 1

.. .

(11)

Tabel 12

Metode dan topik yang cocok untuk diilustrasikan oleh kumpulan data.

Metode Topik

Distribusi frekuensi Tabel kontingensi Tes chi-kuadrat Model probabilitas linier

Histogram frekuensi relatif

Distribusi frekuensi absolut, distribusi frekuensi relatif (termasuk interpretasi persentase baris dan kolom) Hubungan antara distribusi frekuensi relatif dan hitungan dalam tabel Chi-kuadrat, interpretasiP-nilai Menafsirkan koefisien (termasuk dalam istilah interaksi), memahami hubungan antara koefisien dan frekuensi relatif dalam tabel kontingensi

Kekurangan model probabilitas linier, interpretasi koefisien logit Model logit

efek pengobatan dan efek pengobatan rata-rata lokal.13Kelas yang mempelajari variabel laten dapat memanfaatkan empat ukuran kepuasan kerja yang disediakan oleh kumpulan data. Kelas metode penelitian dapat menilai penggunaan pengobatan plasebo oleh penulis untuk mengevaluasi efek pengobatan email.

Penulis tunggal

Saya adalah penulis tunggal dan melakukan semua pekerjaan yang diperlukan untuk makalah ini.

Referensi

Becker, WE, Greene, WH, 2001. Pengajaran statistik dan ekonometrik untuk sarjana. J.Ekon. Perspektif. 15 (4), 169–182.

Böckerman, P., Ilmakunnas, P., 2012. Hubungan kepuasan kerja-produktivitas: studi menggunakan survei yang cocok dan data register. Hubungan Perburuhan Ind. Wahyu 65 (2), 244–262. Bowling, NA, Eschleman, KJ, Wang, Q., 2010. Pemeriksaan meta-analitik tentang hubungan antara kepuasan kerja dan kesejahteraan subjektif. J. Pekerjaan. Organ.

Psikologi. 83 (4), 915–934.

Card, D., Mas, A., Moretti, E., Saez, E., 2010. Ketimpangan di Tempat Kerja: Pengaruh Gaji Rekan Kerja terhadap Kepuasan Kerja. Makalah Kerja Biro Penelitian Ekonomi Nasional 16396 Tersedia di https://escholarship.org/uc/item/48z7z9dn. Diakses pada 1 Agustus 2014.

Card, D., Mas, A., Moretti, E., Saez, E., 2012. Ketimpangan di tempat kerja: pengaruh gaji rekan kerja terhadap kepuasan kerja. Saya. ekonomi. Wahyu 102, 2981–3003.

Freedman, D., 2008. Pengacakan tidak membenarkan regresi logistik. Statistik. Sains. 23, 237–249.

Horrace, WC, Oaxaca, RL, 2006. Hasil bias dan inkonsistensi kuadrat terkecil biasa untuk model probabilitas linier. ekonomi. Biarkan. 90 (3), 321–327. Mouw, T., Kalleberg, AL, 2010.

Pekerjaan dan struktur ketimpangan upah di Amerika Serikat, 1980an hingga 2000an. Saya. sosial. Wahyu 75 (3), 402–431. Neumann, David L., Hood, Michelle, Neumann, Michelle M., 2013. Menggunakan data kehidupan nyata saat mengajar statistik: persepsi siswa terhadap strategi ini dalam pengantar

mata kuliah statistika. Jurnal Penelitian Pendidikan Statistika 12 (2).

Pew Research Center, 2013. Kelas Menengah II. Kumpulan data tersedia di http://www.pewsocialtrends.org/dataset/middle-class-ii/. Diunduh 27 Juni 2017..

Sacramento Bee, 2017. Database Gaji Pegawai Negeri. Tersedia di http://www.sacbee.com/site-services/databases/state-pay/article2642161.html. Diakses pada 18 Juni 2018..

File Data dan Latihan SPSS, 2019. File Data dan Latihan SPSS. Diakses pada 25 Mei 2019.http://spss.allenandunwin.com.s3-website-ap-southeast-2.

amazonaws.com/data-files.html#.XOmi9YhKiUk.

Willett, JB, Singer, JD, 1992. Menyediakan model statistik: mengajarkan statistik terapan menggunakan data dunia nyata. Statistik untuk abad kedua puluh satu 83–98.

Woolridge, J., 2013. Pengantar Ekonometrika: Pendekatan Modern. Barat daya.

Wright, TA, Bonett, DG, 2007. Kepuasan kerja dan kesejahteraan psikologis sebagai prediktor non-aditif pergantian tempat kerja. J. Kelola. 33 (2), 141–160.

13Artikel ini membahas efek pengobatan heterogen pada halaman 2990-92 dan perbedaan antara kedua jenis efek pengobatan pada halaman 2994-95.