Mengeksplorasi Uji Normalitas Data dalam Investasi: Analisis Kolmogorov-Smirnov dan Shapiro-Wilk

Dalam dunia investasi, memahami distribusi data sangat penting untuk membuat keputusan yang berdasar. Salah satu metode yang digunakan untuk menguji normalitas data adalah uji Kolmogorov-Smirnov dan uji Shapiro-Wilk. Dalam artikel ini, kita akan menjelajahi kedua uji tersebut dan bagaimana mereka dapat digunakan untuk memahami data investasi.

Uji Kolmogorov-Smirnov adalah uji non-parametrik yang digunakan untuk menguji apakah dua distribusi data yang tidak diketahui sama. Uji ini dapat digunakan untuk menguji apakah data investasi mengikuti distribusi normal. Dalam kasus yang diberikan, statistik Kolmogorov-Smirnov adalah 0,072 dengan tingkat kebebasan (df) 100 dan signifikansi (sig) 0,200. Statistik ini menunjukkan bahwa data investasi tidak mengikuti distribusi normal.

Uji Shapiro-Wilk juga merupakan uji non-parametrik yang digunakan untuk menguji apakah data mengikuti distribusi normal. Dalam kasus yang diberikan, statistik Shapiro-Wilk adalah 0,985 dengan tingkat kebebasan (df) 100 dan signifikansi (sig) 0,302. Statistik ini juga menunjukkan bahwa data investasi tidak mengikuti distribusi normal.

Selain itu, uji Kolmogorov-Smirnov dan uji Shapiro-Wilk juga dapat digunakan untuk menguji apakah data investasi mengikuti distribusi normal. Dalam kasus yang diberikan, statistik Kolmogorov-Smirnov adalah 0,082 dengan tingkat kebebasan (df) 100 dan signifikansi (sig) 0,097. Statistik ini menunjukkan bahwa data investasi tidak mengikuti distribusi normal. Uji Shapiro-Wilk juga menunjukkan bahwa data investasi tidak mengikuti distribusi normal, dengan statistik 0,977 dan tingkat kebebasan (df) 100 dan signifikansi (sig) 0,077.

Secara keseluruhan, uji Kolmogorov-Smirnov dan uji Shapiro-Wilk adalah alat yang berguna untuk menguji normalitas data investasi. Dengan menggunakan uji-uji ini, investor dapat memahami distribusi data dan membuat keputusan yang lebih terinformasi. Namun, penting untuk diingat bahwa uji-uji ini tidak dapat menentukan apakah data mengikuti distribusi normal, tetapi mereka dapat membantu investor memahami distribusi data dan membuat keputusan yang lebih terinformasi.