Modul 1 • Bring Your Own Data (BYOD) & Auto-Diagnostic Scanner
Laboratorium Eksplorasi Data Mandiri, Deteksi Outlier & Diagnostik Otomatis
5 Preset Dataset Riset:
15 Baris × 4 Kolom
Variabel Independen (X):
Variabel Dependen (Y):
Metode Analisis & Kode:
Pratinjau Data & Scanner Baris Outlier (|Z| > 2.2 atau di luar 1.5×IQR):
0 Outlier
📊 Tabel Ringkasan Statistik Deskriptif & Uji Normalitas Jarque-Bera (Otomatis untuk Seluruh Kolom):
1. Correlation Matrix Heatmap (r)
2. Scatter Plot + OLS + 95% CI Band
3. Residual vs Fitted Diagnostic Plot
Modul 2 • Tri-View Live Code Sync Engine
Otomatis berubah saat Anda mengganti dataset, variabel X/Y, atau metode analisis di atas.
Sinkronisasi Persamaan Matematis, Interpretasi Eksekutif & Generator Kode (Python, R, Stata)
1. Persamaan & Laporan Eksekutif
Estimasi Model Aktif
🐍 2. Python Script (statsmodels & scipy)
📊 3. R (lmtest / sandwich) & Stata Do-File
Modul 3 • Interactive Statistical Decision Tree & Socratic Compass
Pilih karakteristik masalah riset Anda untuk mendapatkan rekomendasi metode parametrik vs robust.
Kompas Pemilihan Metode Statistik & Ekonometrika (Wizard 4-Tahap)
Tahap 1: Tujuan Riset Utama Anda?
Tahap 2: Skala & Jenis Variabel Dependen (Y)?
Tahap 3: Struktur Data & Kondisi Distribusi?
Tahap 4: Masalah Endogenitas / Desain Eksperimen?
Rekomendasi Utama Socratic Compass
Buka Simulator Terkait ➔
Two-Sample Student's t-Test / One-Way ANOVA
Alternatif Non-Parametrik / Robust:
Modul 4 (Fitur Ekstra) • Integritas Riset & Aljabar Matriks Ekonometrika
Eksplorasi jebakan False Positive publikasi ilmiah dan bedah langsung matriks β̂ = (X'X)⁻¹X'Y.
The p-Hacking Lab (p-Curve Simulator) & Live Matrix Algebra of OLS Visualizer
A. The p-Hacking Lab: Bagaimana Efek Nol (True β = 0) Dimanipulasi Menjadi p < 0.05
Seluruh simulasi di bawah ditarik dari populasi murni acak (H₀ Benar: β = 0). Coba 3 taktik p-hacking berikut dan amati bagaimana False Positive muncul:
Peluang minimal 1 False Positive dari 20 uji independen (α=0.05): 1 - (0.95)²⁰ = 64.15%!
B. Live Matrix Algebra of OLS Visualizer: β̂ = (X'X)⁻¹ X'Y
Ubah angka mana pun pada 5 baris sampel (Xᵢ, Yᵢ) di bawah ini dan saksikan secara real-time bagaimana matriks desain X, matriks informasi X'X, inversnya (X'X)⁻¹, dan vektor X'Y dikalikan menghasilkan β̂ = [β̂₀, β̂₁]'!
| Obs (i) | i = 1 | i = 2 | i = 3 | i = 4 | i = 5 |
|---|---|---|---|---|---|
| Input Xᵢ | |||||
| Input Yᵢ |