Pendahuluan

Banyak mahasiswa tidak takut pada tombol Analyze, Regression, Compare Means, atau Correlate. Yang lebih menakutkan justru muncul setelah tombol itu ditekan: tabel-tabel keluar, angka-angka muncul, nilai Sig. terlihat, tetapi maknanya belum jelas.

Apakah nilai p 0,032 berarti penelitian kita “berhasil”?
Apakah korelasi 0,45 berarti pengaruhnya kuat?
Apakah data yang “tidak normal” membuat seluruh skripsi gagal?
Apakah hasil tidak signifikan berarti tidak ada hubungan sama sekali?
Apakah software selalu memilihkan analisis yang benar?

Buku ini ditulis untuk situasi seperti itu. Anda mungkin sudah dapat menjalankan software statistik, tetapi belum merasa yakin ketika harus menjelaskan mengapa analisis itu dipilih, apa arti angka yang keluar, dan seberapa jauh kesimpulan boleh ditarik. Dalam skripsi, kemampuan menjalankan software memang berguna, tetapi tidak cukup. Software dapat menghitung dengan cepat; yang harus memahami pertanyaan penelitian, kualitas data, asumsi, dan batas kesimpulan tetap peneliti.

Statistika dalam skripsi bukan sekadar kumpulan rumus. Statistika adalah cara menalar dari data yang terbatas menuju kesimpulan yang hati-hati. Data yang kita miliki hampir selalu hanya sebagian dari kenyataan. Dari sebagian itu, kita mencoba memahami pola yang lebih luas. Karena itu, statistika selalu berkaitan dengan ketidakpastian. Tugas kita bukan menghapus ketidakpastian, melainkan mengukurnya, membatasinya, dan menuliskannya secara jujur.

John Tukey, salah satu tokoh penting dalam statistika modern, menekankan bahwa analisis data adalah proses belajar dari data, bukan sekadar menerapkan prosedur formal secara mekanis (Tukey, 1977). Semangat buku ini sejalan dengan gagasan tersebut: kita akan belajar melihat data sebagai bahan berpikir, bukan hanya bahan untuk dimasukkan ke software.

Mengapa statistika terasa sulit?

Statistika sering terasa sulit bukan karena semua konsepnya rumit, melainkan karena banyak istilah dipakai sebelum maknanya dipahami. Mahasiswa biasanya langsung bertemu istilah seperti populasi, sampel, variabel, normalitas, signifikansi, hipotesis nol, interval kepercayaan, regresi, dan ukuran efek. Jika istilah-istilah itu hanya dihafal, hasil analisis mudah disalahartikan.

Mari mulai dari dasar.

Data adalah catatan tentang sesuatu yang diamati, diukur, dihitung, atau dikategorikan. Jika Anda meneliti kepuasan mahasiswa terhadap layanan akademik, maka jawaban kuesioner mahasiswa adalah data. Jika Anda meneliti nilai ujian, maka angka nilai adalah data. Jika Anda meneliti status bekerja atau tidak bekerja, maka kategori “bekerja” dan “tidak bekerja” juga data.

Variabel adalah ciri atau sifat yang nilainya dapat berbeda antarunit yang diteliti. “Usia” adalah variabel karena mahasiswa bisa berusia 19, 20, 21, dan seterusnya. “Jenis kelamin” adalah variabel karena kategorinya dapat berbeda. “Motivasi belajar” juga variabel jika diukur dengan instrumen tertentu, misalnya skala kuesioner.

Unit analisis adalah siapa atau apa yang menjadi satuan utama penelitian. Jika Anda meneliti mahasiswa, unit analisisnya mahasiswa. Jika Anda meneliti sekolah, unit analisisnya sekolah. Jika Anda meneliti unggahan media sosial, unit analisisnya bisa berupa unggahan. Kesalahan menentukan unit analisis dapat membuat analisis tampak rapi tetapi kesimpulannya keliru.

Populasi adalah keseluruhan unit yang menjadi sasaran kesimpulan penelitian. Sampel adalah sebagian unit dari populasi yang benar-benar diamati. Misalnya, Anda ingin menyimpulkan tentang seluruh mahasiswa Program Studi Manajemen di sebuah universitas. Itulah populasi target Anda. Namun Anda hanya mengumpulkan data dari 120 mahasiswa yang bersedia mengisi kuesioner. Mereka adalah sampel Anda.

Di sinilah statistika mulai bekerja. Karena kita jarang mengamati seluruh populasi, kita memakai sampel untuk memperkirakan keadaan populasi. Proses menarik kesimpulan dari sampel menuju populasi disebut inferensi statistik. Inferensi tidak pernah sempurna, karena sampel dapat berbeda dari populasi. Perbedaan ini bukan selalu karena peneliti salah, melainkan karena variasi alami dalam pengambilan sampel.

Contoh sederhana: Anda ingin memperkirakan rata-rata uang saku mahasiswa dalam satu fakultas. Jika Anda bertanya kepada 30 mahasiswa, rata-ratanya mungkin Rp42.000 per hari. Jika Anda bertanya kepada 30 mahasiswa lain, rata-ratanya mungkin Rp47.000. Dua sampel yang berbeda dapat menghasilkan angka yang berbeda. Statistika membantu kita memahami apakah perbedaan itu masih wajar karena variasi sampel, atau cukup besar untuk dianggap sebagai petunjuk adanya pola yang lebih luas.

Dari “menghitung” ke “menafsirkan”

Software statistik dapat menghitung rata-rata, korelasi, regresi, uji t, ANOVA, chi-square, dan banyak prosedur lain. Namun software tidak tahu konteks penelitian Anda kecuali Anda menerjemahkannya ke dalam data dan model. Software tidak tahu apakah kuesioner Anda valid. Software tidak tahu apakah sampel Anda mewakili populasi. Software juga tidak tahu apakah kesimpulan Anda terlalu berlebihan.

Misalnya, Anda meneliti hubungan antara intensitas penggunaan media sosial dan kualitas tidur mahasiswa. Software dapat menghitung korelasi dan menghasilkan nilai:

r = -0,38, p = 0,004

Angka itu belum otomatis menjadi kalimat kesimpulan yang baik. Kita perlu bertanya:

• Apa arti korelasi negatif?
• Seberapa kuat hubungan -0,38?
• Apakah nilai p 0,004 berarti hubungan itu penting secara praktis?
• Apakah desain penelitian memungkinkan kita menyimpulkan bahwa media sosial menyebabkan kualitas tidur menurun?
• Bagaimana kualitas pengukuran “intensitas penggunaan media sosial” dan “kualitas tidur”?
• Siapa sampelnya, dan kepada siapa hasil ini boleh digeneralisasi?

Tanpa pertanyaan-pertanyaan ini, analisis statistik mudah berubah menjadi ritual: pilih menu, salin tabel, tulis “signifikan”, lalu selesai. Padahal penelitian yang baik membutuhkan lebih dari itu. Peneliti harus menghubungkan output dengan pertanyaan penelitian, desain, data, dan teori.

American Statistical Association pernah menegaskan bahwa nilai p tidak boleh dipakai secara mekanis sebagai satu-satunya dasar pengambilan kesimpulan ilmiah (Wasserstein & Lazar, 2016). Nilai p dapat membantu, tetapi ia tidak mengatakan apakah hipotesis benar, tidak mengukur besar efek secara langsung, dan tidak menggantikan penilaian ilmiah. Peringatan ini penting bagi mahasiswa skripsi karena banyak kesimpulan ditulis seolah-olah “p < 0,05” adalah akhir dari seluruh pembahasan.

Apa yang sebenarnya dicari dalam analisis statistik?

Dalam skripsi, analisis statistik biasanya dipakai untuk menjawab satu atau beberapa jenis pertanyaan. Pertanyaan itu dapat bersifat deskriptif, komparatif, asosiatif, prediktif, atau kausal.

Pertanyaan deskriptif bertujuan menggambarkan keadaan. Contoh: “Bagaimana tingkat kepuasan mahasiswa terhadap layanan perpustakaan?” Untuk pertanyaan ini, statistik deskriptif seperti persentase, rata-rata, median, dan grafik mungkin sudah menjadi bagian utama analisis.

Pertanyaan komparatif bertujuan membandingkan dua atau lebih kelompok. Contoh: “Apakah terdapat perbedaan motivasi belajar antara mahasiswa yang bekerja dan yang tidak bekerja?” Di sini kita mulai memikirkan uji perbedaan, seperti uji t, ANOVA, atau alternatif nonparametrik.

Pertanyaan asosiatif bertujuan melihat hubungan antarvariabel. Contoh: “Apakah ada hubungan antara dukungan sosial dan stres akademik?” Analisis yang mungkin dipakai adalah korelasi atau tabel silang, tergantung jenis datanya.

Pertanyaan prediktif bertujuan memperkirakan nilai atau kategori berdasarkan variabel lain. Contoh: “Apakah disiplin belajar, motivasi, dan kehadiran dapat memprediksi nilai akhir?” Analisis regresi sering digunakan untuk tujuan seperti ini.

Pertanyaan kausal bertujuan menilai sebab-akibat. Contoh: “Apakah metode pembelajaran baru menyebabkan peningkatan hasil belajar?” Pertanyaan kausal membutuhkan desain penelitian yang lebih kuat, misalnya eksperimen atau pendekatan kausal lain yang memperhatikan kelompok pembanding, pengacakan, atau kontrol terhadap faktor perancu. Literatur metodologi eksperimen dan kuasi-eksperimen menekankan bahwa kesimpulan kausal bergantung pada desain, bukan hanya pada teknik analisis setelah data terkumpul (Shadish, Cook, & Campbell, 2002).

Perbedaan jenis pertanyaan ini sangat penting. Kesalahan umum terjadi ketika mahasiswa menggunakan analisis hubungan, seperti korelasi, tetapi menulis kesimpulan kausal. Misalnya, dari korelasi antara penggunaan gawai dan konsentrasi belajar, peneliti langsung menyimpulkan bahwa penggunaan gawai “menyebabkan” konsentrasi menurun. Kesimpulan seperti itu terlalu jauh jika desain penelitiannya hanya survei potong lintang. Korelasi dapat menunjukkan bahwa dua variabel bergerak bersama, tetapi tidak dengan sendirinya membuktikan sebab-akibat.

Statistika selalu berhubungan dengan variasi

Jika semua orang memiliki nilai yang sama, statistika menjadi hampir tidak diperlukan. Misalnya, jika semua mahasiswa dalam satu kelas mendapat nilai 80, kita tidak perlu menghitung simpangan baku untuk mengetahui variasinya, karena tidak ada variasi. Namun dalam kenyataan, data hampir selalu bervariasi. Ada mahasiswa yang nilainya tinggi, sedang, dan rendah. Ada responden yang sangat puas, cukup puas, dan tidak puas. Ada perusahaan yang labanya naik, ada yang turun.

Variasi adalah perbedaan nilai antarunit. Statistika berusaha merangkum, menjelaskan, dan menafsirkan variasi itu.

Contoh: dua kelas memiliki rata-rata nilai yang sama, yaitu 75. Namun kelas A memiliki nilai 70, 72, 75, 78, 80. Kelas B memiliki nilai 45, 60, 75, 90, 105. Rata-ratanya sama, tetapi sebarannya berbeda. Kelas B jauh lebih bervariasi. Jika kita hanya melihat rata-rata, kita kehilangan informasi penting.

Karena itu, buku ini tidak akan hanya membahas “angka utama” seperti mean atau nilai p. Kita juga akan membahas sebaran data, simpangan baku, grafik, outlier, interval kepercayaan, dan ukuran efek. Semua itu membantu kita memahami data secara lebih utuh.

Model statistik: peta, bukan wilayah

Banyak analisis statistik bekerja dengan model. Model adalah penyederhanaan terstruktur dari kenyataan. Dalam regresi linear, misalnya, kita membuat model bahwa nilai variabel terikat dapat diperkirakan dari satu atau beberapa variabel bebas melalui hubungan linear. Ini tidak berarti dunia nyata benar-benar linear sempurna. Model hanyalah alat untuk memahami pola.

George Box, seorang statistikawan terkenal, mengingatkan bahwa model statistik adalah penyederhanaan; kegunaannya terletak bukan pada kesempurnaan, melainkan pada apakah model itu cukup membantu untuk tujuan tertentu (Box, 1976). Dalam skripsi, pemahaman ini penting. Kita tidak perlu menganggap setiap model sebagai gambaran mutlak kenyataan. Kita perlu bertanya: apakah model ini sesuai dengan pertanyaan penelitian, jenis data, asumsi, dan keterbatasan yang ada?

Contoh: Anda memakai regresi linear untuk meneliti apakah jam belajar memprediksi nilai ujian. Model regresi mungkin menunjukkan bahwa setiap tambahan satu jam belajar berkaitan dengan kenaikan rata-rata 3 poin nilai. Namun model itu tidak berarti setiap mahasiswa pasti naik tepat 3 poin. Ada faktor lain: kualitas belajar, kesehatan, kemampuan awal, lingkungan, dan sebagainya. Regresi memberikan ringkasan pola rata-rata, bukan ramalan sempurna untuk setiap individu.

Signifikan belum tentu penting

Salah satu kebiasaan paling kuat dalam skripsi adalah membagi hasil menjadi dua: “signifikan” dan “tidak signifikan”. Jika p < 0,05, hasil dianggap ada. Jika p ≥ 0,05, hasil dianggap tidak ada. Cara berpikir ini terlalu sempit.

Signifikansi statistik berkaitan dengan seberapa tidak lazim data yang diperoleh jika hipotesis nol tertentu dianggap benar. Secara sederhana, nilai p membantu menilai apakah pola dalam data cukup kuat dibandingkan dengan variasi acak yang diharapkan menurut model uji. Namun signifikansi statistik tidak sama dengan pentingnya hasil dalam dunia nyata. Cohen mengkritik ketergantungan berlebihan pada pengujian signifikansi dan mengingatkan bahwa “p < 0,05” sering diperlakukan terlalu absolut dalam praktik penelitian (Cohen, 1994).

Contoh: dalam sampel yang sangat besar, perbedaan rata-rata kepuasan 0,1 poin pada skala 1–5 bisa saja signifikan secara statistik. Tetapi apakah perbedaan 0,1 poin itu penting bagi kebijakan kampus? Belum tentu. Sebaliknya, dalam sampel kecil, perbedaan yang cukup besar secara praktis mungkin tidak signifikan karena data belum cukup kuat untuk membedakannya dari ketidakpastian sampling.

Karena itu, buku ini akan memperkenalkan ukuran efek. Ukuran efek adalah ukuran besarnya perbedaan, hubungan, atau pengaruh dalam satuan tertentu. Contohnya Cohen’s d untuk perbedaan dua rata-rata, r untuk korelasi, eta squared untuk ANOVA, dan odds ratio untuk data kategorik. Dengan ukuran efek, kita tidak hanya bertanya “apakah ada?”, tetapi juga “seberapa besar?” dan “apakah bermakna dalam konteks penelitian?”

Tidak signifikan bukan berarti tidak ada apa-apa

Kesalahan lain yang sering muncul adalah menyimpulkan bahwa hasil tidak signifikan berarti tidak ada hubungan, tidak ada perbedaan, atau tidak ada pengaruh. Kesimpulan seperti itu perlu hati-hati. Hasil tidak signifikan berarti data yang ada belum memberikan bukti statistik yang cukup kuat menurut prosedur dan ambang yang digunakan. Itu berbeda dari membuktikan bahwa efeknya benar-benar nol.

Altman dan Bland merumuskan peringatan penting: ketiadaan bukti bukanlah bukti ketiadaan (Altman & Bland, 1995). Dalam konteks skripsi, misalnya, jika penelitian dengan sampel kecil menemukan bahwa perbedaan hasil belajar antara dua metode tidak signifikan, kita belum tentu boleh berkata “kedua metode sama efektif”. Mungkin memang tidak ada perbedaan yang berarti, tetapi mungkin juga sampel terlalu kecil, instrumen kurang sensitif, atau variasi data terlalu besar.

Kalimat yang lebih hati-hati adalah:

“Penelitian ini tidak menemukan bukti statistik yang cukup untuk menyatakan adanya perbedaan hasil belajar antara kedua metode pada sampel yang diteliti.”

Kalimat ini lebih tepat daripada:

“Tidak ada perbedaan hasil belajar antara kedua metode.”

Perbedaannya halus, tetapi sangat penting. Kalimat pertama sesuai dengan keterbatasan bukti. Kalimat kedua terdengar seperti pernyataan mutlak tentang kenyataan.

Apa yang akan Anda pelajari dalam buku ini?

Buku ini disusun mengikuti alur kerja skripsi, bukan mengikuti daftar rumus. Kita mulai dari cara berpikir statistik, lalu bergerak dari fenomena menuju pertanyaan penelitian. Setelah itu, kita membahas variabel, populasi, sampel, instrumen, kualitas data, dan persiapan data. Baru kemudian kita masuk ke statistik deskriptif, distribusi, estimasi, uji hipotesis, asumsi, pemilihan analisis, perbandingan kelompok, hubungan antarvariabel, regresi, data kategorik, ukuran efek, pembacaan output software, penulisan hasil, pembahasan, kesalahan umum, dan akhirnya penarikan kesimpulan yang sahih.

Urutan ini sengaja dipilih. Banyak mahasiswa mulai dari tengah: langsung memilih uji statistik. Padahal pilihan uji statistik bergantung pada pertanyaan penelitian, jenis variabel, desain, sampel, dan asumsi. Jika fondasi awal keliru, output yang benar secara hitungan pun dapat menghasilkan kesimpulan yang salah secara ilmiah.

Misalnya, mahasiswa ingin mengetahui “pengaruh motivasi terhadap prestasi belajar”, lalu langsung memilih regresi linear. Tetapi sebelum regresi, ia harus bertanya:

• Apa yang dimaksud dengan motivasi?
• Bagaimana motivasi diukur?
• Apakah instrumennya valid dan reliabel?
• Apa ukuran prestasi belajar?
• Siapa populasinya?
• Bagaimana sampel diambil?
• Apakah desain penelitian mendukung kata “pengaruh”, atau sebaiknya hanya “hubungan”?
• Apakah hubungan yang diasumsikan masuk akal secara teori?
• Apakah ada variabel lain yang perlu dikontrol?

Pertanyaan-pertanyaan ini tidak menghambat analisis. Justru pertanyaan inilah yang membuat analisis menjadi bermakna.

Cara membaca output software

Dalam banyak software statistik, output disusun dalam tabel. Tabel itu biasanya berisi nama variabel, nilai statistik, derajat kebebasan, nilai signifikansi, koefisien, interval kepercayaan, dan ukuran lain. Masalahnya, output sering menampilkan lebih banyak angka daripada yang diperlukan. Mahasiswa kemudian menyalin hampir semua tabel ke skripsi tanpa memahami mana yang relevan.

Buku ini akan membantu Anda membaca output dengan urutan yang lebih tenang:

Pertama, kembali ke pertanyaan penelitian. Apa yang ingin dijawab?

Kedua, lihat jenis variabel dan desain. Apakah analisis yang dipilih sesuai?

Ketiga, periksa ringkasan data. Apakah data masuk akal? Apakah ada nilai ekstrem, data hilang, atau pola yang mencurigakan?

Keempat, pahami asumsi. Apakah prosedur yang dipakai membutuhkan asumsi tertentu, dan apakah pelanggaran asumsi itu serius?

Kelima, baca hasil utama. Apa nilai statistiknya? Apa nilai p-nya? Apa interval kepercayaannya? Apa ukuran efeknya?

Keenam, tafsirkan secara substantif. Apa arti hasil itu dalam bahasa penelitian, bukan hanya bahasa angka?

Ketujuh, tulis kesimpulan dengan batas yang jelas. Jangan menyimpulkan lebih luas daripada populasi, sampel, desain, dan instrumen yang mendukungnya.

Pendekatan ini akan muncul berulang kali dalam bab-bab berikutnya. Tujuannya bukan membuat Anda menghafal semua prosedur, melainkan membangun kebiasaan berpikir yang dapat dipakai untuk banyak jenis analisis.

Bahasa statistik yang baik adalah bahasa yang proporsional

Dalam skripsi, statistik akhirnya harus ditulis dalam kalimat. Karena itu, kemampuan menafsirkan angka harus bertemu dengan kemampuan menulis secara hati-hati.

Bandingkan dua contoh berikut.

Kalimat yang terlalu kuat:

“Motivasi belajar terbukti berpengaruh besar terhadap prestasi mahasiswa.”

Kalimat yang lebih proporsional:

“Hasil regresi menunjukkan bahwa motivasi belajar berhubungan positif dengan prestasi mahasiswa pada sampel penelitian ini. Setelah variabel kehadiran dikontrol, peningkatan skor motivasi berkaitan dengan peningkatan rata-rata skor prestasi. Namun, karena desain penelitian bersifat survei potong lintang, hasil ini tidak cukup untuk menyimpulkan hubungan sebab-akibat secara kuat.”

Kalimat kedua lebih panjang, tetapi lebih ilmiah. Ia menyebut jenis hubungan, ruang lingkup sampel, kontrol variabel, dan batas desain. Inilah gaya berpikir yang akan dilatih dalam buku ini.

Sikap yang perlu dibawa

Untuk mempelajari statistika skripsi dengan baik, Anda tidak harus menjadi ahli matematika. Namun Anda perlu membawa beberapa sikap.

Pertama, sabar terhadap definisi. Banyak kesalahan statistik berasal dari istilah yang tampak akrab tetapi dipahami secara kabur. Misalnya, “populasi” dalam statistika bukan sekadar jumlah penduduk; ia berarti keseluruhan unit yang menjadi sasaran kesimpulan penelitian.

Kedua, curiga secara sehat terhadap angka. Angka terlihat objektif, tetapi angka lahir dari keputusan: bagaimana variabel didefinisikan, bagaimana instrumen disusun, siapa yang dijadikan sampel, data mana yang dibuang, dan analisis apa yang dipilih. Objektivitas penelitian tidak muncul dari angka saja, melainkan dari proses yang transparan dan dapat diperiksa.

Ketiga, bedakan hasil hitungan dari kesimpulan penelitian. Output software adalah bahan. Kesimpulan adalah hasil penalaran. Dua peneliti bisa melihat output yang sama, tetapi peneliti yang lebih memahami konteks akan menulis kesimpulan yang lebih tepat.

Keempat, biasakan bertanya “dibandingkan dengan apa?” dan “berlaku untuk siapa?” Rata-rata tinggi atau rendah harus dibandingkan dengan kriteria tertentu. Hubungan kuat atau lemah harus dilihat dalam konteks bidangnya. Hasil sampel harus dikaitkan dengan populasi yang wajar.

Kelima, jangan menjadikan statistik sebagai alat pembenaran. Statistik bukan mesin untuk memaksa hipotesis diterima. Statistik adalah alat untuk menguji, memperkirakan, membandingkan, dan memahami bukti.

Tujuan akhir buku ini

Setelah membaca buku ini, Anda diharapkan tidak hanya dapat menjalankan analisis, tetapi juga dapat menjelaskan maknanya. Anda diharapkan mampu mengatakan:

• “Saya memilih analisis ini karena pertanyaan penelitian saya seperti ini.”
• “Variabel saya memiliki skala pengukuran seperti ini, sehingga pilihan analisisnya harus mempertimbangkan hal tersebut.”
• “Sampel saya mendukung kesimpulan sampai batas ini, tetapi tidak sampai batas itu.”
• “Nilai p ini menunjukkan bukti terhadap hipotesis nol, tetapi bukan ukuran besar efek.”
• “Interval kepercayaan ini memberi gambaran rentang nilai yang masuk akal untuk parameter.”
• “Hasil ini signifikan secara statistik, tetapi perlu dilihat lagi makna praktisnya.”
• “Hasil ini tidak signifikan, sehingga saya tidak boleh langsung menyimpulkan bahwa efeknya pasti tidak ada.”
• “Karena desain penelitian saya bukan eksperimen, saya harus berhati-hati memakai kata ‘pengaruh’.”

Jika Anda dapat melakukan itu, Anda sudah bergerak dari sekadar pengguna software menjadi peneliti pemula yang memahami dasar penalaran statistik.

Statistika skripsi bukan tentang membuat hasil terlihat rumit. Sebaliknya, statistika yang baik membantu pertanyaan penelitian menjadi lebih jelas, data menjadi lebih terbaca, dan kesimpulan menjadi lebih bertanggung jawab. Buku ini akan menemani Anda dari pertanyaan hingga kesimpulan, langkah demi langkah, dengan tujuan sederhana: agar setiap angka yang Anda laporkan memiliki makna yang Anda pahami.

References

Altman, D. G., & Bland, J. M. (1995). Absence of evidence is not evidence of absence. BMJ, 311(7003), 485. https://doi.org/10.1136/bmj.311.7003.485

Box, G. E. P. (1976). Science and statistics. Journal of the American Statistical Association, 71(356), 791–799. https://doi.org/10.1080/01621459.1976.10480949

Cohen, J. (1994). The earth is round (p < .05). American Psychologist, 49(12), 997–1003. https://doi.org/10.1037/0003-066X.49.12.997

Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.

Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.

Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108