Kalkulator Tes Grubbs: Cepat

📊 Uji Grubbs (juga disebut uji residu bernorma maksimum atau ESDM — Metode Deviasi Siswa Ekstrim untuk outlier tunggal) adalah prosedur statistik yang digunakan untuk mendeteksi outlier tunggal dalam kumpulan data univariat yang mengikuti distribusi mendekati normal. Ini dikembangkan oleh Frank E.

📊 Grubbs, seorang ahli statistik Amerika yang menerbitkan pengujian tersebut dalam makalah penting tahun 1969 "Procedures for Detecting Outlying Observations in Samples" di Technometrics. Karya Grubbs dibangun berdasarkan kontribusi Thompson (1935) dan lainnya sebelumnya, namun penanganan sistematisnya terhadap masalah tersebut — termasuk tabel nilai kritis untuk berbagai ukuran sampel dan tingkat signifikansi — membuat pengujian tersebut dapat diakses dan diadopsi secara luas.

📊 Pengujian ini mengevaluasi hipotesis nol H₀: tidak ada outlier dalam data dibandingkan dengan hipotesis alternatif H₁: tepat ada satu outlier. Cara kerjanya dengan mengidentifikasi titik data yang terjauh dari rata-rata sampel, menghitung statistik uji G yang mengukur seberapa ekstrim titik tersebut dibandingkan dengan keseluruhan penyebaran data, dan membandingkan G dengan nilai kritis yang diperoleh dari distribusi t.

📊 Jika G melebihi nilai kritis pada tingkat signifikansi yang dipilih α, hipotesis nol ditolak dan titik ekstrem tersebut dinyatakan sebagai outlier statistik. Uji Grubbs sangat populer dalam pengendalian kualitas, kimia analitik, dan kedokteran laboratorium, di mana satu sampel yang terkontaminasi, kerusakan instrumen, atau kesalahan transkripsi dapat menghasilkan pengamatan yang sangat berbeda dari yang lain. Pengujian ini mengasumsikan bahwa data pokok (tidak termasuk potensi outlier) mengikuti distribusi normal, yang berarti data tersebut hanya boleh diterapkan setelah memverifikasi normalitas — Anda dapat menggunakan Pemeriksa Asumsi Regresi kami untuk menilai normalitas pada kumpulan data Anda. Ketika diduga ada beberapa outlier, pengujian Grubbs harus diterapkan secara iteratif (menghapus satu outlier pada satu waktu dan menjalankannya kembali), meskipun hal ini meningkatkan tingkat kesalahan Tipe I secara keseluruhan. Untuk mendeteksi beberapa outlier secara bersamaan, pertimbangkan uji Generalized ESD (Extreme Studentized Deviate) atau uji Rosner.