Dalam pembentukan suatu model hampir dipastikan diakhiri dengan pengujian kecocokan model atau pengujian kesesuaian model dengan data penelitian yang kita miliki. Pada pengujian model yang paling sederhana, regresi sebagai misal, dalam regresi pengujian kecocokan model dilakukan dengan pengujian ANOVA yang menghasilkan statistik F (GoF).

Dalam pengujian model regresi pun dihasilkan suatu nilai yang dinamakan indeks determinasi atau umum dikenal R-Square, yang merupakan ukuran representatif variasi atas suatu konsep variabel diukur oleh variabel lainnya atas suatu sampel atau populasi yang diteliti. Semakin besar nilai indeks determinasi yang diperoleh maka semakin baik model yang terbentuk atas variabel-variabel yang dilibatkan didalamnya. Selain itu, dikenal pula pengujian statistik t pada model, yang lebih umum dikenal sebagai pengujian parsial atau pengujian individual langsung pada variabel yang menyusun suatu model.

Tentunya semakin kompleks suatu model pengukuran atas suatu konsep maka tentu saja akan semakin kompleks pula instrumen yang diperlukan dalam pengujian kesesuaian atau kecocokan model yang diperlukan. Pada kesempatan kali ini kita akan membahas beberapa instrumen yang digunakan dalam pengujian kesesuaian atau kecocokan model SEM, yang pada artikel sebelumnya sudah sedikit dibahas bagaimana cara menggunakan LISREL untuk menghasilkan perhitungan model SEM.

GOF Pada Model SEM  

Menurut Joreskog dan Sorbom untuk menguji model SEM dapat dilakukan melalui pendekatan 2 tahap, yaitu menguji model pengukuran dan setelah itu penguji model pengukuran dan struktural secara simultan. Dalam metode analisis SEM, stataistik yang diuji secara individual dengan menggunakan uji t. Melalui keluaran diagram jalur statistik T-Values, LISREL mengkonfirmasikan hasil uji t secara lengkap dengan tingkat kesalahan uji ditetapkan sebesar 0,05. Jika hasil uji menunjukkan nonsignifikan, LISREL akan mencetak keluaran tersebut dengan sebuah garis diagram jalur berwarna merah.

Disamping secara individual, SEM juga menguji model yang diusulkan secara keseluruhan, yaitu melalui uji kesesuaian model (overall model fit test). Dalam SEM, yang dimaksud dengan “kesesuaian model” adalah kesesuaian antara matriks kovarian sampel dengan estimasi matriks kovarians populasi yang dihasilkan, secara informasi umum dapat dijelaskan bahwa keragaman yang ada pada sampel sesuai atau represestatif dengan keragaman yang ada pada populasi.

Karena itu, pertanyaan utama yang diajukan dalam uji kesesuaian model adalah “Apakah model yang diusulkan menghasilkan sebuah estimasi matriks kovarians populasi yang konsisten dengan matriks kovarians sampel?”. Suatu model (model pengukuran dan model struktural) dikatakan fit atau sesuai dengan data apabila matriks kovarian sampel tidak berbeda dengan estimasi matriks kovarian populasi yang dihasilkan. Maka hipotesis statistik untuk uji kesesuaian model dalam SEM dirumuskan,

H₀ : Tidak ada perbedaan antara matriks kovarian sampel dengan matriks kovarian populasi

H_{1 :} Ada perbedaan antara matriks kovarian sampel dengan matriks kovarian populasi

Uji kesesuaian model diharapkan dapat menerima hipotesis nol. Bagaimana uji kesesuaian model dilakukan? Dalam SEM uji tersebut dilakukan dengan menggunakan beberapa ukuran kesesuaian (Goodness of Fit Test-GOF). Pada dasarnya ukuran GOF terdiri dari tiga yaitu ukuran yang bersifat absolute (absolute fit test), komparatif (incremental fit measures) dan parsimoni (parsimonius fit measures).

Absolute Fit Test 

1. Chi-Square dan nilai P : ukuran uji kesesuaian model berbasis maximum likelihood (ML). Diharapkan nilainya rendah sehingga diperoleh nilai P (probability) yang tinggi melebihi 0,05.
2. Goodness of Fit Indeks (GFI) : ukuran kesesuaian model secara deskriptif. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
3. Root Mean Square Error of Approximation (RMSEA) : nilai aproksimasi akar rata-rata kuadrat error. Diharapkan nilainya rendah lebih kurang sama dengan 0,08.
4. Expected Cross-Validation Index (ECVI) : ukuran kesesuaian model jika model yang diestimasi diuji lagi dengan sampel yang berbeda tetapi dengan ukuran yang sama.

Incremental Fit Measures

1. Ajusted GFI (AGFI) : nilai GFI yang disesuaikan. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
2. Normed Fit Index (NFI) : ukuran kesesuaian model dengan basis komparatif terhadap base line atau model null. Model null umumnya merupakan suatu model yang menyatakan bahwa antara variabel-variabel yang terdapat dalam model yang diestimasi tidak saling berhubungan. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
3. Comparative Fit Index (CFI) : ukuran kesesuaian model berbasis komparatif dengan model null. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
4. Incremental Fit Index (IFI) : ukuran kesesuaian komparatif yang dikemukakan oleh Bollen. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
5. Relative Fit Index (RFI) : Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
6. Tucker-Lewis Index : ukuran kesesuaian model sebagai koreksi terhadap ukuran NFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.

Parsimonius Fit Measures

1. Normed Chi Square (NCS) : ukuran kesesuaian yang bersifat parsimoni, yaitu menguji koefisien yang diestimasi memenuhi syarat untuk mencapai suatu model fit. NCS bernilai anatar 1 s.d 5 mengindikasikan model fit dengan data.
2. Parsimonious Normed Fit Index (PNFI) : ukuran kesesuaian yang bersifat parsimoni sebagai modifikasi ukuran NFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
3. Parsimonious GFI (PGFI) : ukuran kesesuaian parsimoni sebagai koreksi dari GFI. Nilainya diharapkan tinggi lebih besar sama dengan 0,90.
4. Akaike Information Criterion (AIC) : ukuran kesesuaian parsimoni dari Akaike. Semakin kecil AIC mendekati nol (0) menunjukkan model lebih parsimoni.

Model yang memenuhi ukuran-ukuran GOF yang telah dijelaskan di atas merupakan model yang baik bagi data. Secara prinsip, semakin banyak kriteria ukuran yang terpenuhi oleh model maka model tersebut cocok untuk data atau sampel yang kita punya. Karena pada prinsipnya SEM menguji suatu teori yang dimodelkan pada data sampel yang kita punya, maka diperlukan ketelitian dan kehati-hatian dalam menentukan kesimpulan atas model yang didapatkan berdasarkan kriteria GOF. Semangat Mempelajari!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Pengujian asumsi pada model regresi berikutnya yang akan kita bahas adalah terkait dengan non heteroskedastisitas (Homoskedastisitas) pada model regresi. Sama halnya dengan pengujian asumsi normalitas model regresi yang menjadi sumber pengujian adalah faktor gangguan atau residual u_i, pengujian hetorskedastisitas pun berkaitan dengan faktor gangguan atau residual u_i yang dihasilkan oleh model.

Sifat dasar heteroskedastisitas

Satu dari asumsi penting model regresi linear klasik adalah bahwa varians tiap unsur gangguan u­­­­_i yang tergantung pada nilai yang dipilih dari variable yang menjelaskan (X) adalah suatu angka konstan yang sama dengan σ² (varians yang sama).

Sebagai misal untuk membuat perbedaan antara homoskedastisitas dan heteroskedastisitas menjadi jelas, asumsikan bahwa terdapat model 2 variabel Y menyatakan tabungan dan X menyatakan pendapatan. Kemungkinan pertama, menunjukkan bahwa meningkatnya pendapatan, tabungan secara rata-rata juga meningkat. Pada kondisi pertama memungkinkan varians gabungan dari variable tabungan akan tetap sama (homogen) untuk semua perubahan pada pendapatan. Kemungkinan kedua, varians tabungan meningkat bersamaan dengan peningkatan pendapatan. Keluarga berpendapatan tinggi secara rata-rata menabung lebih banyak dari pada keluarga berpendapatan rendah maka variabilitas dalam tabungannya pun akan lebih besar.

Dalam konsep homoskedastisitas dari factor gangguan u_i dalam model regresi linear klasik dikehendaki kemungkinan yang pertama dan jika terjadi kemungkinan yang kedua maka factor gangguan u_i pada model regresi linear klasik terdapat heteroskedastisitas (non Homoskedastisitas).

Konsekuensi Heteroskedastisitas

Ingat bahwa jika semua asumsi model regresi linear klasik dipenuhi, penaksir OLS adalah BLUE, yaitu penaksir yang dihasilkan memiliki varians yang minimum atau efisien. Jika kita tetap memiliki semua asumsi kecuali homoskedastisitas, dapat ditunjukkan bahwa penaksi OLS yang dihasilkan tetap tidak bias dan konsisten tetapi penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun besar (asimtotik). Dengan perkataan lain, dalam penyampelan berulang penaksir OLS secara rata-rata sama dengan nilai populasi sebenarnya (sifat tidak bias) dan dengan meningkatnya ukuran sampel sampai tak terhingga penaksir OLS mengarah pada nilai sebenarnya (sifat konsisten) tetapi variansnya tidak lagi minimum bahkan jika besarnya sampel meningkat secara tak terbatas (sifat efisien asimtotik).

Maka jika terdapat permasalahan heteroskedastisitas (non Homoskedastisitas) pada model regresi maka akan terdapat hal berikut pada nilai taksiran koefisien regresi :

1. Jika heteroskedastisitas dicurigai ada maka secara teori BLUE dari nilai koefisien regresi b adalah penaksir kuadrat terkecil tertimbang (weighted least square-WLS), bukan penaksir b konvensional (ordinary least square-OLS)
2. Varians taksiran dari koefisien regresi b yang diperoleh dengan asumsi heteroskedastisitas tidak lagi minimum, varians taksiran dari koefisien regresi b tertimbang yang minimum.
3. Dalam kaitannya dengan poin 2, jika menggunakan varians dengan asumsi heteroskedastisitas, maka selang keyakinan untuk koefisien regresi b adalah lebar yang sebenarnya tidak diperlukan dan pengujian signifikansi menjadi kurang kuat.
4. Sebagai konsekuensi lanjutan dalam penggunaan varians yang tidak tepat (terdapat heteroskedastisitas), kita mungkin mengambil kesimpulan yang sama sekali salah karena pengujian t dan F dari hasil OLS sangat mungkin untuk membesar-besarkan signifikansi statistic dari parameter yang ditaksir secara OLS. Oleh karena itu dalam kasus heteroskedastisitas penaksir OLS konvensional tidak sesuai. Secara idealnya, tentu saja kita harus menggunakan metoda WLS sebagaii gantinya.

Pendeteksian heteroskedastisitas

Bagaimana orang tahu bahwa heteroskedastisitas terdapat dalam model regresi linear klasik? Dalam hal ini ahli ekonometrika berbeda dengan ahli pengetahuan dalam bidang seperti pertanian atau biologi dimana mereka mempunyai kontrol yang cukup baik atas subjek mereka. Lebih sering dalam penelitian ekonomis hanya terdapat satu sampel nilai Y yang berhubungan dengan suatu nilai X tertentu. Dan tidak ada cara untuk orang mengetahui nilai varians σ² dari hanya satu observasi Y. Jadi dalam sebagian besar kasus yang melibatkan penelitian ekonometrika, heteroskedastisitas mungkin merupakan persoalan “spekulasi” atau seperti dikatakan oleh seorang pengarang, bersifat ad hock. (professor Zvi Griliches). Beberapa metode informal dan “formal” untuk mendeteksi heteroskedastisitas diantaranya,

1. Sifat dasar masalah. Seringkali sifat dasar masalah yang sedang dipelajari menyarankan apakah heteroskedastisitas nampak dijumpai. Pada kenyataanya, dalam data cross sectional yang meliputi unit yang heterogen, heteroskedastisitas mungkin lebih merupakan kelaziman (aturan) dari pada pengecualian. Jadi misal, dalam analisis cross sectional yang melibatkan pengeluaran investasi dalam hubungannya dengan penjualan, tingkat bunga dan seterusnya, heteroskedastisitas biasanya bisa diperkirakan akan ada jika perusahaan kecil, menengah dan besar disampel secara bersamaan.
2. Metode grafik. Jika tidak ada informasi apriori atau empiris mengenai sifat heteroskedastisitas, dalam praktek orang dapat melakukan analisis regresi atas asumsi bahwa tidak ada heteroskedastisitas dan kemudian melakukan pengujian sesudahnya (post mortem) dari kuadrat residual yang ditaksir untuk melihat jika residual tadi menunjukkan pola yang sistematis. Meskipun kuadrat residual tidak sama dengan factor gangguan u_i, residual kuadrat tadi dapat digunakan sebagai pendekatan khususnya jika ukuran sampel cukup besar. Metode grafik digunakan dengan cara memetakan kuadrat residual terhadap nilai Y yang ditaksir dari persamaan regresi, idenya adalah untuk mengetahui apakah nilai rata-rata yang ditaksir dari Y secara sistematis berhubungan dengan kuadrat residual.
3. Pengujian Park. Park memformalkan metode grafik dengan menyarankan bahwa varians σ² (kuadrat residual) adalah suatu fungsi yang menjelaskan variable X. Dengan kata lain pengujian Park dilakukan dengan cara meregresikan varians σ² (kuadrat residual) atas variable X. Jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas. Apabila ternyata tidak signifikan, kita bisa menerima asusmsi homoskedastisitas. Pengujian Park merupakan prosedur 2 tahap, tahap pertama, melakukan regresi OLS dengan tidak memandang persoalan heteroskedastisitas dan diperoleh residual. Kemudian tahap kedua, melakukan regresi kuadrat residual dengan variable X.
4. Pengujian Glesjer. Pengujian Glesjer mempunyai semangat yang sama dengan pengujian Park. Setelah mendapatkan residual dari regresi OLS, Glesjer menyarankan untuk meregresikan nilai absolute dari residual terhadap variable X yang diperkirakan mempunyai hubungan erat dengan varians yang dihasilkan.
5. Pengujian rank korelasi dari Spearman. Langkah pertama, cocokan regresi terhadap data mengenai Y dan X dan dapatkan nilai residual. Langkah kedua, dengan mengambil nilai mutlak residual lalu merangking baik harga mutlak dari residual dan variable X sesaui dengan urutan yang meningkat atau menurun dan menghitung koefisien rank korelasi Spearman. Langkah ketiga, dengan mengasumsikan bahwa koefisien rank korelasi populasi adalah nol (0) dan n > 8, tingkat signifikansi dari rank korelasi Spearman diuji dengan pengujian t. Jika t yang dihitung melebihi t kritis, kita bisa menerima hipotesis adanya heteroskedastisitas, kalau tidak kita menolaknya. Jika model regresi meliputi lebih dari satu variable X, koefisien rank korelasi Spearman dapat dihitung dan diuji pada tiap variable X secara terpisah.

Tindakan Perbaikan

Seperti telah diutarakan sebelumnya, heteroskedastisitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS, tetapi penaksir tadi tidak lagi efisien. Ketidakefisienan ini membuat prosedur pengujian hipotesis yang biasa, nilainya menjadi diragukan. Oleh karena itu, tindakan perbaikan jelas-jelas diperlukan. Ada dua pendekatan untuk dilakukan yaitu jika varians σ² diketahui dan jika tidak diketahui.

1. Jika varians σ² diketahui, Metode Kuadrat Terkecil Tertimbang (Weighted Least Square). Dalam metode kuadrat terkecil biasa atau tidak tertimbang diperoleh dengan meminimumkan Residual Sum of Square (RSS) terhadap yang tidak diketahui (unknown). Dalam meminimumkan RSS ini, metode kuadrat terkecil tak tertimbang secara implicit memberikan bobot yang sama untuk setiap kuadrat residual. Sedangkan, metode kuadrat terkecil tertimbang memperhitungkan titik-titik ekstrim dari nilai kuadrat residual, dengan meminimumkan bukan RSS biasa atau tak tertimbang melainkan RSS yang sudah terboboti (weighted). Dimana nilai bobot (weight) dipilih sedemikian rupa sehingga observasi yang ekstrim mendapatkan bobot yang lebih kecil.
2. Jika varians σ² tidak diketahui. Dalam penelitian ekonometrik pengetahuan sebelumnya mengenai varians jarang dimiliki. Sebagai hasilnya, metode kuadrat terkecil tertimbang yang dibahas sebelumnya tidak dapat segera digunakan. Oleh karena itu, dalam praktek orang bisa terpaksa menggunakan suatu asumsi ad hoc mengenai varians dan mentransformasikan model regresi asli dengan cara sedemikian rupa sehingga model yang telah ditransformasikan akan memenuhi asumsi homoskedastisitas.
   1. Asumsi 1 : Jika semata-mata karena metode grafik “spekulasi” atau pendekatan Park dan Glejser dipercayai bahwa varians dari u_i proporsional terhadap kuadrat variable yang menjelaskan X, orang bisa mentransformasikan model regresi asli dengan cara membagi model asli seluruhnya dengan variabel X_i.
   2. Asumsi 2 : Jika percaya bahwa varians dari u_i bukan proporsional terhadap kuadrat variable yang menjelaskan X, tetapi proporsional terhadap variable yang menjelaskan X itu sendiri, maka model asli dapat ditransformasikan dengan cara membagi model asli seluruhnya dengan akar kuadrat dari variable X_i.
   3. Asumsi 3 : Jika nilai yang diharapkan dari varians u_i proporsional dengan nilai yang diharapkan dari Y (nilai taksiran Y), maka model asli dapat ditransformasikan dengan cara membagi model asli seluruhnya dengan nilai Y_i yang ditaksir.
   4. Asumsi 4 : Transformasi Log (Ln) pada model asli. Sering kali ini mengurangi heteroskedastisitas. Hal ini disebabkan karena transformasi yang memampatkan skala pengukuran variable mengurangi perbedaan antara kedua nilai tadi dari sepuluh kali lipat menjadi perbedaan dua kali lipat. Misal, angka 80 adalah 10 kali lipat dari 8, tetapi Ln 80 hanya 2 kali lipat dari Ln 8.

Untuk menyimpulkan pembahasan mengenai tindakan perbaikan, harus ditekankan kembali bahwa semua transformasi yang dibahas tadi adalah bersifat ad hoc, pada dasarnya kita berspekulasi terhadap varians. Yang mana di antara transformasi yang dibahas tadi akan bekerja tergantung sifat dari masalah dan keparahan dari Heteroskedastisitas. SELAMAT MEMPELAJARI!!!

Sumber : Guzarati, Zain, Ekonometrika Dasar

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Apa yang dimaksud dengan Rancangan Percobaan?? Rancangan percobaan merupakan suatu metode yang digunakan dalam penelitian dimana terdapat rekayasa melalui penentuan jenis perlakuan yang diberikan kepada satuan pengamatan atau objek yang dijadikan percobaan itu sendiri.

Kita flashback sejenak siapa sebernarnya penemu metode Rancangan Percobaan. Ia adalah R.A Fisher. R.A Fisher yang memperkenalkan konsep modern dari pengacakan dan analisis ragam (analysis of variance) dalam membandingkan perlakuan-perlakuan pada tahun 1922. So… Rancangan Percobaan merupakan metode lama dalam suatu penelitian. Untuk kekinian kebanyakan peneliti atau mahasiswa banyak mengenal lebih kepada tools pengolahaan data hasil penelitiannya yaitu ANOVA dengan uji F-nya.

Ada 3 hal prinsip ketika kita berbicara tentang Rancangan Percobaan. (1) Pengacakan (2) Pengulangan dan (3) Kontrol Lokal. Apa maksud dari ketiga hal prinsip tersebut? Ketiga hal prinsip tersebut wajib diketahui oleh para peneliti sebelum masuk dan melakukan tindakan percobaan didalam laboratoriumnya. Prinsip-prinsip tersebut perlu memdapatkan perhatian yang baik oleh peneliti guna mengoptimalkan proses perencanaan, pelaksanaan dan hasil penelitian itu sendiri.

(1) Pengacakan

Pengacakan berarti membuat sesuatu menjadi berantakan?? hehe… bukan itu maksud dari pengacakan disini. Jika kita mempunyai sejumlah objek yang akan diberikan treatment oleh beberapa jenis dari perlakuan, maka sejumlah objek tersebut memiliki kesempatan yang sama untuk mendapatkan satu diantara beberapa perlakuan tersebut. Singkatnya kita tidak tahu sebelumnya dan tidak mempunyai kecenderungan untuk memberikan treatment suatu perlakuan terhadap sejumlah objek pengamatan pada penilaian subjektif dari peneliti, akan tetapi just chosen by its drawn.

Kegunaan pengacakan ini diantaranya menjamin kesahihan (validity) atas pendugaan tak bias dari kekeliruan percobaan, nilai tengah perlakuan serta perbedaan diantara satuan percobaan.

(2) Pengulangan

Pengulangan dalam suatu percobaan diartikan dimana suatu perlakuan dasar yang muncul lebih dari satu kali dari suatu percobaan atas satuan percobaan. Ini diartikan bahwa dari satu kelompok perlakuan terdapat beberapa satuan percobaan yang dikenakan perlakuan yang sama.

Kegunaan pengulangan ini diantaranya memberikan dugaan dari kekeliruan percobaan, meningkatkan ketelitian suatu percobaan melalui pengurangan simpangan baku dari nilai tengah perlakuan, memperluas cakupan penarikan kesimpulan dan mengendalikan ragam kekeliruan (error variance)

(3) Kontrol Lokal

Kontrol lokal dalam suatu percobaan diartikan sebagai teknik mengurangi kekeliruan percobaan dengan cara sedemikian rupa sehingga keragaman yang ada di antara satuan-satuan percobaan tidak “masuk ke dalam” perbedaan di antara perlakuan-perlakuan.

Pengendalian lokal dapat dikerjakan melalui (1) Perancangan Percobaan -pemilihan jenis rancangan percobaan yang tepat bagi satuan percobaan- (2) Penggunaan Pengamatan Pengiring dan (3) Pemilihan Ukuran Satuan Percobaan

Dengan memahami ketiga prinsip dasar dari metoda Perancangan Percobaan di atas, diharapkan ketika peneliti menentukan dan menerapkan model percobaan pada satuan pengamatan bisa menuntun penelitian yang dilakukan pada hasil yang efisien dan optimal.

Ada beberapa jenis dari rancangan percobaan yang akan dibahas dalam artikel selanjutnya diataranya Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok (RAK), Rancangan Bujur Sangkar Latin (RBL), Rancangan Bujur Sangkar Graceo Latin (RBGL), Rancangan Kelompok Tak Lengkap, Rancangan Faktorial, Rancangan Petak Terbagi (RPT) dan Rancangan Petak-petak Terbagi (RPPT)

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com di :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

Salah satu pengujian terhadap model regresi yang sudah dibahas pada artikel sebelumya adalah tentang multikolinieritas pada model regresi utamanya regresi dengan lebih dari satu variabel bebas (independent). Multikolinearitas pada model regresi salah satunya dapat menyebabkan selang taksiran penaksir (koefisien regresi) menjadi lebar, dalam artian presisi yang didapatkan dari hasil penaksiran menjadi berkurang dan itu merupakan suatu kelemahan bagi model. Adapun salah satu yang menyebabkan terjadinya multikolinearitas adalah bias spesifikasi yaitu penetapan pola struktur keterkaitan variabel yang dimodelkan berdasarkan teori, yang berlaku pada populasi tetapi kurang terpenuhi secara sampel.

Lalu bagaimanakah kita mengetahui dalam model regresi yang kita hasilkan mengandung multikolinearitas? Dengan bantuan software SPSS dapat dengan mudah kita ketahui melalui hasil proses perhitungan, dua diantara ukuran yang sering dipakai adalah nilai VIF (variance inflation factor)  atau TOL (tolerance). Dengan ketentuan bahwa nilai VIF berada di bawah 10,00 dan TOL lebih dari 0,10, maka diambil keputusan bahwa model regresi tidak terdapat masalah multikolinearitas.

Berikut kita perlihatkan tahapan untuk menguji koliniearitas pada model regresi dengan menggunakan SPSS.

1. Buka software SPSS lalu definisikan variabel penelitian kita pada jendela Variabel View, setelahnya masukan data kedalam software SPSS melalui jendela Data View. Dalam tampilan SPSS akan terlihat seperti gambar berikut : 

2. Pilih menu Analyze lalu klik Regression lalu pilih Linear lalu klik, maka akan muncul jendela SPSS seperti gambar di bawah ini, yang berisikan menu-menu kelengkapan analisis regresi. 

3. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom pendefinisian variabel yaitu variabel dependent dan variabel independent guna menghasilkan model regresi yang kita inginkan. 

4. Untuk mendapatkan hasil pengujian multikolinearitas pada model, maka klik menu Statistics, maka akan muncul tampilan jendela seperti gambar di bawah. Lalu centang pada Colinearity Diagnostic lalu klik Continue. 

5. Setelah masuk ke jendela utama analisis regresi, lalu klik OK. Maka SPSS akan memproses pembentukan model dan pengujian asumsi multikolinearitas pada residual dan akan muncul tampilan output SPSS seperti gambar di bawah ini. 

6. Pada gambar output SPSS, kita mengidentifikasi nilai multikolinearitas pada menu Coefficients, dimana terdapat nilai Tolerance dan VIF. Sesuai dengan kriteria yang sudah dijelaskan di atas, pada hasil pengujian dapat dikatakan memenuhi kedua kriteria tadi, sehingga dapat dikatakan model regresi yang dihasilkan terbebas dari masalah multikolinearitas

Dengan menggunakan software SPSS mempermudah proses pembuktian pemenuhan asumsi non multikolinearitas bagi model regresi yang dihasilkan. Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software SPSS untuk pengujian asumsi regresi lainnya diantaranya heteroskedastisitas, autokorelasi dan linieritas. Sampai jumpa pada pembahasan artikel selanjutnya. SELAMAT MENCOBA!!!

———————————————————————————————————————————————————-

1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com :

• WhatsApp : 0813 2170 9749
• Email : welcome@mobilestatistik.com

2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.

• “1^st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-