Terdapat banyak metode yang dapat digunakan oleh peneliti dalam rumpun analisis data multivariat. Pada pembahasan terdahulu beberapa metode populis yang sudah kita paparkan diantaranya analisis regresi berganda, analisis komponen utama, analisis faktor ekploratori, analisis faktor konfirmatori, analisis diskriminan hingga analisis struktural (SEM maupun Jalur). Korelasi Kanonik!

Pada kesempatan kali ini kita akan coba uraikan konsepsi tentang ragam metode analisis multivariat lainnya yang tujuannya mencari pola hubungan antara dua set atau dua kelompok variabel. Jika pada kesempatan sebelumnya kita telah mengenal pola hubungan antar variabel semisal korelasi pearson, rank spearman maupun derajat asosiasi yang dihasilkan dari tabel kontingensi, akan tetapi pola hubungan tersebut dalam kaitannya dengan rumpun analisis univariat atau analisis bivariat. Nah pada analisis korelasi kanonik, variabel yang dilibatkan adalah lebih dari satu variabel bebas dengan lebih dari satu variabel tak bebas.

Lebih lanjut paparan kita terkait dengan konsepsi dan cara perhitungan korelasi kanonik akan kita paparkan pada uraian berikut.

Penggunaan Korelasi Kanonik

Sebelum kita masuk ke dalam pembahasan terkait dengan konsepsi analisis korelasi kanonik ada baiknya kita coba memahami beberapa contoh kasus berikut,

“The health department is interested in determining if there is a relationship between housing quality – measured by a number of variables such as type of housing, heating and cooling conditions, availability of running water, and kitchen and toilet facilities –  and incidences of minor and serious illness and number of disability days.”

“The marketing manager of a consumer good firm is interested in determining if there is a relationship between types of products purchased and consumers’ lifestyles and personalities.”

Dari beberapa contoh kasus yang telah disebutkan di atas setidaknya kita dapat mengindentifikasi awal konteks penggunaan analisis korelasi yaitu adanya tujuan yang ingin diketahui yaitu mengidentifikasi hubungan “relationship”. Dan kaitannya dengan rumpun analisis multivariat dengan banyak variabel, dapat diindentifikasi bahwa variabel-variabel yang dilibatkan dalam pengukuran lebih dari satu. Oleh karenanya dalam konteks korelasi multivariat, diuji dengan analisis korelasi kanonik.

Konsepsi Korelasi Kanonik

Pada analisis korelasi kanonik (sebagai unsur pembeda) pada umumnya dikenal adanya pembagian variabel seperti layaknya pada analisis regresi yaitu variabel independent dan variabel independen. Lebih lanjut, jika para peneliti sudah coba membaca dan mempelajari artikel kita terkait dengan analisis komponen utama, maka untuk memahami cara kerja dari analisis korelasi kanonik mirip dengan cara kerja analisis komponen utama. Perbedaan yang mencolok antara keduanya adalah pada kriteria penentuan hasil yang berbeda. Persamaan prinsip yang utama adalah pembentukan suatu variabel baru berdasarkan kombinasi linear variabel pembentuknya, hanya saja pada analisis korelasi kanonik perlu dibedakan berdasarkan variabel independen (X) dan dependen (Y)-nya untuk tujuan pencarian derajat hubungan anatar dua variabel baru yang terbentuk.

Berikut disajikan persamaan variabel yang terbentuk dari kombinasi linear variabel-variabel pembentuknya yang menjadi dasar pencarian nilai korelasi kanonik.

Pada persamaan di atas menunjukkan bahwa W₁ merupakan kombinasi linear dari variabel X dan V₁ merupakan kombinasi linear dari variabel Y. Misalkan C₁ merupakan korelasi antara W₁ dengan V₁. Tujuan dari analisis korelasi kanonik adalah untuk mengestimasi nilai dari a₁₁, a₁₂, . . , a_1p dan b₁₁, b₁₂, . . , b­_1q yang memaksimumkan nilai C₁. Berdasarkan persamaan di atas kita dapat mendefiniskan bahwa W₁ dan V₁ merupakan variabel kanonik dan C₁ merupakan korelasi kanonik.

Berdasarkan persamaan dan uraian di atas, sekiranya kita dapat kerucutkan tujuan dari analisis korelasi kanonik diantaranya adalah

1. Mengidentifikasi pasangan variabel baru (W_i , V_i) yang tiap variabelnya merupakan kombinasi linear dari variabel X (independen) dan variabel dependen (Y).
2. Mengidentifikasi pasangan variabel baru (W_i , V_i) yang memaksimumkan nilai korelasi antara variabel baru W_i dan V_i
3. Tiap set variabel baru (W_i , V_i) tidak berkorelasi dengan set variabel baru lainnya yang dihasilkan.

Sekilas bagi peneliti atau data master yang telah mengenal atau mempelajari analisis komponen utama akan berpendapat bahwa analisis korelasi kanonik merupakan hal yang sama dengan analisis komponen utama. Akan tetapi secara prinsip akan ditemukan banyak perbedaan yang prinsipil diantaranya pada tujuan penggunaan, variabel baru yang dihasilkan dan kriteria penentuan banyak variabel baru yang diperlukan. Pada analisis komponen utama penentuan banyak komponen utama atau variabel baru tersebut disandarkan pada kemampuan komponen utama mensarikan sebagian besar varians atau keragaman pada data (> 80%) dan variabel yang dihasilkan merupakan variabel yang berdiri sendiri bukan merupakan pasangan.

Hal ini dikarenakan pada analisi komponen utama tujuan utamanya adalah untuk membuat kombinasi linear variabel pennyusunnya dalam rangka merampingan struktur variabel (data reduction). Sedangkan pada analisis korelasi kanonik penentuan banyaknya set variabel didasarkan atas set variabel baru (pasangan variabel baru) yang memiliki nilai korelasi yang maksimum dan variabel yang dihasilkan merupakan suatu set variabel (pasangan variabel). Hal ini dikarenakan sesuai dengan nama metode analisis ini yang merupakan suatu metode analisis korelasi akan tetapi yang melibatkan banyak variabel X dan Y.

Pada kesempatan selanjutnya kita akan coba perlihatkan penggunaan software statistik (diantaranya : SAS) dalam menghasilkan uji analisis korelasi kanonik pada data. Ada baiknya untuk pengenalan awal bagi peneliti atau data master yang baru membaca artikel ini untuk memahami terlebih dahulu metode analisis komponen utama, hal ini dapat sangat membantu mempercepat proses pemahaman khususnya pada metode analisis korelasi kanonik dan umumnya metode analisis data multivariat. SEMANGAT MEMAHAMI!!!

Sumber :

• Subhash Sharma, Applied Multivariate Technique

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Dalam mendeteksi ada tidaknya heteroskedastisitas pada model regresi, terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

1. Metode Grafik
2. Uji Park
3. Uji Glesjer
4. Uji Korelasi Spearman
5. Uji Goldfeld-Quandt
6. Uji Bruesch-Pagan-Godfrey
7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita sudah menguraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master yaitu metode grafik. Pada kesempatan kedua kita sudah  menguraikan metode lainnya yaitu Uji Park. Pada kesempatan kali ini kita akan coba menguraikan metode selanjutnya yaitu Uji Glesjer.

Uji Glesjer

Pengujian Glesjer mempunyai semangat yang sama  dengan pengujian Park. Setelah mendapatkan residual dari regresi OLS, Glesjer menyarankan untuk meregresikan nilai absolute dari residual (resid) terhadap variable X yang diperkirakan mempunyai hubungan erat dengan varians yang dihasilkan.

Adapun langkah dalam melakukan uji Glesjer dengan menggunakan Eviews sebagai berikut:

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Untuk menguji asumsi heteroskedastisitas, klik menu View, Residual Diagnostics, Heteroskedasticity Tests, maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

5. Klik pada salah satu uji yang akan digunakan yaitu uji Glesjer lalu klik OK, maka akan dihasilkan output Eviews seperti tampak pada gambar berikut.

6. Sedangkan secara manual pengaplikasian uji Glesjer dengan menggunakan Eviews, pertama buatlah variabel baru dengan nama resabs (residual absolut) dengan menuliskan resabs = abs (resid), seperti tampak pada gambar berikut.

7. Selanjutnya hitunglah regresi dengan persamaan Abs(resid) = c X₁ X₂ seperti tampak pada gambar berikut.

8. Klik OK maka akan diperoleh hasil output Eviews seperti tampak pada gambar berikut.

9. Dari hasil poin 7 di atas, dengan kriteria pengujian bahwa jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Dalam mendeteksi ada tidaknya heteroskedastisitas pada model regresi, terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

1. Metode Grafik
2. Uji Park
3. Uji Glesjer
4. Uji Korelasi Spearman
5. Uji Goldfeld-Quandt
6. Uji Bruesch-Pagan-Godfrey
7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita sudah menguraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master yaitu metode grafik. Pada kesempatan kali ini kita akan coba menguraikan metode selanjutnya yaitu Uji Park.

Uji 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.

Adapun langkah-langkah dalam melakukan uji park dengan menggunakan Eviews sebagai berikut :

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Untuk menguji asumsi heteroskedastisitas, klik menu View, Residual Diagnostics, Heteroskedasticity Tests, maka akan muncul jendela Eviews seperti tampak pada gambar berikut. Pilih salah satu jenis uji yang disediakan diantaranya Breusch-Pagan-Godfrey, Harvey, Glesjer, ARCH, White atau uji kustom. Berbagai uji ini menggunakan variabel dependen yang berbeda-beda, meskipun mirip yaitu nilai residual. Metode Breusch-Pagan-Godfrey menggunakan resid^2, pada uji Harvey digunakan log(resid^2), pada uji Glesjer digunakan abs(resid), pada ARCH digunakan resid^2 disertai nilai Lag dan pada uji White digunakan resid^2.

5. Klik pada salah satu uji yang akan digunakan maka akan dihasilkan output Eviews seperti tampak pada gambar berikut.

Gambar 1. Uji Breusch-Pagan-Godfrey

Gambar 2. Uji Harvey

Gambar 3. Uji Glesjer

Gambar 4. Uji White

6. Pada kesempatan kali ini kita akan uraikan secara manual pengaplikasian uji Park dengan menggunakan Eviews. Hitunglah regresi dengan persamaan Log(resid2) = c X₁ X₂ seperti tampak pada gambar berikut. Nilai resid2 merupakan kuadrat nilai resid (residual), cara untuk mendapatkan nilai resid2 sudah kita jelaskan pada artikel sebelumnya.

7. Klik OK maka akan diperoleh hasil output Eviews seperti tampak pada gambar berikut.

8. Dari hasil poin 7 di atas, dengan kriteria pengujian bahwa jika nilai koefisien regresi b signifikan secara statistic, ini menyarankan bahwa dalam data terdapat heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Glesjer, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Salah satu asumsi regresi klasik lainnya yang tidak kalah penting adalah asumsi heteroskedastisitas dari model regresi. Seperti kita ketahui bahwa evaluasi asumsi pada model regresi suatu hubungan antar variabel dibedakan kepada evaluasi pada variabel itu sendiri dan pada residual yang dihasilkan dari model. Evaluasi pada variabel, kita ketahui model regresi di evaluasi setidaknya pada dua asumsi yaitu linearitas dan multikolinearitas. Sedangkan pada residual, dievaluasi setidaknya pada tiga asumsi yaitu normalitas, heteroskedastisitas dan autokorelasi. Eviews!

Pada kesempatan kali ini kita akan membahas evaluasi asumsi lainnya yang dikenakan pada residual yaitu pengujian heteroskedastisitas, yang sebelumnya kita sudah uji normalitas dengan menggunakan Eviews. Secara konsepsi heteroskedastisitas berarti bahwa variabilitas (keragaman) nilai residual yang dihasilkan oleh model regresi relatif konstan (baca artikel : Asumsi Non Heteroskedastisitas Dalam Regresi). Tidak tepenuhinya asumsi non heteroskedastisitas pada model regresi linear terbentuk salah satunya ketidakefisienan model regresi dalam menghasilkan nilai penaksiran atau prediksi.

Terdapat beberapa metode yang umum dibahas dalam literatur-literatur, terutama kaitannya dengan ekonometrika. Yang sering dipakai dan relatif sederhana adalah metode grafik yang mudah diperoleh dengan menggunakan software SPSS. Pada kesempatan kali ini akan kita beberapa cara mendeteksi masalah heteroskedastisitas dengan menggunakan Eviews, salah satu didalamnya adalah metode grafik. Berikut beberapa metode pendeteksian heteroskedastisitas yang terdapat dalam Eviews diantaranya,

1. Metode Grafik
2. Uji Park
3. Uji Glesjer
4. Uji Korelasi Spearman
5. Uji Goldfeld-Quandt
6. Uji Bruesch-Pagan-Godfrey
7. Uji White

Beberapa artikel kedepan kita akan uraikan penggunaan metode-metode tersebut dengan menggunakan aplikasi Eviews. Pada kesempatan pertama kita akan uraikan metode yang paling sederhana dan mudah untuk dilakukan oleh peneliti atau data master.

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.

Adapun langkah dalam menghasilkan grafik antara kuadrat residual dengan variabel Y dengan menggunakan Eviews sebagai berikut:

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Buat variabel baru misal resid2 yang akan diisi dengan rumus resid^2. Kita memerlukan residual kuadrat untuk membuat grafik sebar (scatter plot) antara residual dengan variabel dependen (Y). Klik jendela Eviews pada workfile lalu klik pada menu Genr dan akan tampak seperti gambar berikut. Lalu isikan resid2 = resid^2 lalu klik OK maka hasilnya akan tersimpan pada jendela workfile Eviews.

5. Untuk menghasilkan scatter plot pada Eviews, klik Quick, Graph, Scatter, maka akan tampak seperti gambar berikut. Selanjutnya isikan secara manual resid2 Y lalu klik OK.

Gambar 1. Pendefinisian Variabel Pada Grafik

Gambar 2. Pemilihan Tipe Grafik Scatter Plot

6. Dari proses pada poin 5 maka akan dihasilkan tampilan gambar scatter plot sebagai berikut.

7. Panduan sederhana untuk membaca grafik scatter plot yang dihasilkan adalah jika scatter plot mengelompok dan membentuk suatu pola tertentu atau pola teratur maka diindikasikan model mengalami masalah heteroskedastisitas. Akan tetapi apabila scatter plot yang dihasilkan menunjukkan bahwa data meyebar secara acak maka diindikasikan bahwa model tidak mengalami masalah heteroskedastisitas.

Pada bahasan selanjutkan kita akan uraikan pengujian lainnya yaitu Uji Park, Uji Glesjer, Uji Korelasi Spearman, Uji Goldfeld-Quandt, Uji Bruesch-Pagan-Godfrey dan Uji White dalam rangka pendeteksian heteroskedastisitas pada model regresi terbentuk dengan menggunakan Eviews. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Pada kesempatan kali ini kita akan coba mengupas penggunaan Eviews untuk melakukan pengujian asumsi multikolinearitas pada model regresi. Bagi peneliti atau data master yang baru saja menemukan artikel ini, ada baiknya membaca dan memahami definisi, konsekuensi serta penanggulangan multikolinearitas pada model regresi pada arikel kita sebelumnya. Secara sederhana pada artikel ini kita definisikan multikolinearitas pada model regresi adalah adanya pola hubungan antar variabel bebas (X) yang signifikan sehingga menimbulkan bias terhadap pola hubungan antara variabel bebas (X) dengan variabel tak bebas (Y) dan dalam pemodelan regresi hal ini sangat dihindari.

Dalam Eviews tidak terdapat menu analisis yang menyediakan secara khusus untuk menguji multikolinearitas pada model regresi terbentuk (tidak seperti pada SPSS dimana terdapat nilai Tolerance dan VIF). Dua metode yang mungkin dipakai dalam Eviews untuk menilai multikolinearitas pada model regresi terbentuk adalah dengan menilai nilai korelasi antar variabel X dan meregresikan antar variabel X (regresi auxiliary).

Oleh karenanya dua indikator yang bisa dijadikan patokan bagi peneliti atau data master dalam mengevaluasi multikolinearitas pada model regesi terbentuk dengan menggunakan Eviews diantaranya,

1. Nilai R-kuadrat yang tinggi, akan tetapi variabel independen banyak yang tidak signifikan.
2. Dengan menghitung koefisien korelasi antar variabel independen (X). Apabila nilai koefisien korelasinya rendah maka tidak terdapat multikolinearitas dan berlaku sebaliknya.

Pada kesempatan kali ini kita akan tunjukan kedua metode yang dapat digunakan oleh Eviews dalam menilai multikolinearitas pada model regresi terbentuk.

Analisis Korelasi Antar Variabel Independen (X)

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Klik menu Quick, Group Statistics dan pilih pada menu Correlations sehingga jendela Eviews akan tampak seperti gambar berikut. Untuk memproses analisis korelasi pada data, sama halnya dengan analisis regresi pada artikel sebelumnya, secara manual kita ketik nama variabel yang akan di uji korelasinya. Setelahnya kita klik OK.

4. Setelah klik OK, maka akan tampak hasil analisis korelasi seperti tampak pada gambar berikut.

5. Terlihat bahwa nilai korelasi antar variabel X terlihat sangat tinggi (0.8105). Hal ini dapat mengindikasikan bahwa pada model regresi mengalami multikolinearitas. Untuk memastikannya kita lakukan uji lanjutan pada data yaitu dengan cara meregresikan antar variabel independen (X).

Regresi Antar Variabel Independen (X)

1. Kembali pada jendela tampilan Workfile, untuk membuat model regresi berdasarkan variabel yang kita miliki maka klik menu Object, lalu pilih New Object, Equation. Maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

2. Langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung. Pada kolom Equation Specification, seperti tampak pada gambar berikut. Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares.

3. Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Terlihat bahwa nilai koefisien regresi antar variabel X terlihat signifikan dan nilai R-kuadrat yang dihasilkan cukup besar. Hal ini mengkonfirmasikan hasil analisis korelasi sebelumnya serta menjadi indikasi bahwa pada model regresi mengalami multikolinearitas. Sehingga diperlukan proses perbaikan pada model regresi yang dihasilkan, agar model regresi yang digunakan tidak menimbulkan bias pada hasil taksirannya.

Mungkin dari hasil tersebut dapat dikonfirmasikan dengan penggunaan software pembanding seperti SPSS untuk lebih meyakinkan terhadap hasil yang diperoleh (perbedaan metode evaluasi multikolinearitas). Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software Eviews untuk pengujian asumsi regresi lainnya diantaranya heteroskedastisitas dan autokorelasi. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Pada artikel sebelumnya pembahasan pada software Eviews sudah menginjak pada pembahasan analisis regresi. Seperti kita ketahui bahwa dalam analisis regresi selain pemodelan dan mengetahui variabel penyebab yang signifikan, ada hal yang lain ketika peneliti menghendaki fungsi penaksiran dari model yaitu pengujian asumsi regresi linear klasik. Seperti kita ketahui bersama pada pembahasan asumsi klasik dengan menggunakan SPSS setidaknya ada 5 asumsi dalam mengevaluasi model regresi terbentuk diantaranya Normalitas, Multikolinearitas, Autokorelasi, Heteroskedastisitas dan Linearitas.

Ada baiknya para peneliti atau data master sebelum mendalami pemahaman pengujian asumsi tersebut pada artikel ini, terlebih dahulu membaca dan memahami secara konsep dan penanggulangan ketidakterpenuhinya asumsi-asumsi tersebut, pada artikel-artikel kita terdahulu. Ini dimaksudkan agar tidak menimbulkan kebingungan-kebingungan dan salah paham terhadap hasil output yang dihasilkan pada software SPSS.

Dan pada kesempatan kali ini kita akan awali pembahasan pengujian asumsi regresi linear klasik pada bahasan asumsi Normalitas. Seperti kita ketahui bahwa bahwa amatlah bagus untuk model regresi yang terbentuk jika variabel-varibel yang terlibat dalam pembentukan model memiliki distribusi normal. Akan tetapi secara literatur persyaratan tersebut minimal berlaku pada variabel dependen (Y) dan Residual (e).  Beberapa teknik pengujian yang umum digunakan semisal Kolmogorov – Smirnov dan Shapiro-Wilks serta pada grafik kita dapat mengevaluasi bentuk grafik Q-Q Plot dan Histogram dimana terdapat pada software SPSS.

Sedangkan pada software Eviews untuk pengujian normalitas pada data digunakan dua macam pengukuran yaitu Histogram (seperti pada SPSS) dan uji Jarque-Bera. Uji Jarque-Bera mengukur perbedaan skewness dan kurtosis data dan dibandingkan dengan data apabila bersifat normal. Sama halnya dengan uji pada Kolmogorov Smirnov, H₀ pada pengujian Jarque-Bera menyatakan bahwa data berdistribusi normal dan pendekatan pengujian dengan statistik Chi-Square.

Adapun tahapan penggunaan Eviews untuk menguji normalitas pada data sebagai berikut.

1. Siapkan data yang akan diuji normalitasnya pada software Microsoft Excel, seperti tampak pada gambar berikut. Pastikan tampilan pada Excel memudahkan peneliti atau data master dalam proses penginputan pada software Eviews. (cara input data pada Eviews dapat membaca artikel sebelumnya).

2. Buka software Eviews dan import data yang sudah disiapkan seperti pada poin 1 kedalam software Eviews. Sehingga tampak tampilan jendela Eviews sebagai berikut.

3. Untuk mendapatkan model regresi dan nilai residualnya (resid), langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung pada kolom Equation Specification (menu Quick, Estimate Equation). Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews). Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

4. Untuk menguji normalitas pada residual (resid), klik menu View, Descriptive Statistics pilih Histogram and Stats, maka akan tampilan jendela Eviews sebagai berikut. (Uji normalitas pada Eviews secara satu per satu (dengan histogram)).

5. Untuk menguji normalitas pada residual (resid) dan variabel lainnya, klik menu View, Descriptive Statistics pilih Common Samples, maka akan tampilan jendela Eviews sebagai berikut. (Uji normalitas pada Eviews dilakukan pada beberapa variabel sekaligus (tanpa histogram)).

6. Setelah didapat output pada poin 4 atau 5, maka kriteria uji yang dikenakan pada hasil pengolahan data adalah sebagai berikut :
   • Bila nilai J-B tidak signifikan (lebih kecil dari 2) maka data berdistribusi normal.
   • Bila probabilitas lebih besar dari 5% (tidak signifikan) maka data berdistribusi normal.

Sekali lagi, dengan menggunakan software dan pada kesempatan kali ini dengan menggunakan Eviews sekiranya mempermudah proses pembuktian pemenuhan asumsi normalitas bagi model regresi yang dihasilkan. Pada bahasan selanjutkan kita akan jelaskan pula cara penggunaan software Eviews untuk pengujian asumsi regresi lainnya diantaranya multikolinieritas, heteroskedastisitas dan autokorelasi. Sampai jumpa pada pembahasan artikel selanjutnya. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Artiket sebelumnya kita sudah sedikit mengenalkan lingkungan dari software Eviews. Kita pelajari bersama bagaimana cara melakukan input data yang kita miliki kedalam software Eviews. Beberapa tampilan jendela Eviews sudah kita jelaskan dan beberapa akan kita jelaskan bersamaan dengan proses analisis yang dilakukan pada data atau variabel yang sudah terdaftar pada jendela Eviews.

Pada kesempatan kali ini kita akan tunjukan pengolahan analisis regresi dengan menggunakan Eviews. Sekali lagi bahwa Eviews software statistik yang sangat cocok dalam menganalisis type data deret waktu (time series) akan tetapi dalam software Eviews difasilitasi juga pengolahan data cross section dan kombinasinya (data panel).

Berikut kita uraikan tahapan-tahapan dalam menganalisis data cross section dengan menggunakan Eviews.

Menampilkan Data

1. Persiapkan data yang kita miliki dalam file excel, pastikan data yang kita set dalam Excel memudahkan software Eviews dalam membacanya. Tampilan data cross section yang akan kita olah seperti tampak pada gambar berikut.

2. Buka software Eviews dan masukan data yang sudah kita set pada file excel tadi kedalam software Eviews, sehingga tampilan jendela Eviews akan tampak seperti gambar berikut. (Lihat cara entry data pada Eviews pada artikel sebelumnya)

3. Untuk membuka variabel pada jendela work sheet secara bersamaan maka tekan Ctrl dan klik pada variabel secara berurutan yang akan ditampilkan pada jendela work sheet Eviews, seperti tampak pada gambar berikut.

Gambar 1. Menampilkan Variabel Secara Bersamaan (Group)

Gambar 2. Work Sheet Variabel Pada Jendela Eviews

Statistik Deskriptif

4. Setelah kita berhasil menampilkan data seperti pada poin 3, untuk mendapatkan statistik deskriptif dari data pada work sheet Eviews maka klik menu View pilih Descriptive Stats, Individual Samples. Maka statistik deskriptif dari data akan tampak seperti pada gambar berikut.

Model Regresi

5. Kembali pada jendela tampilan Workfile, untuk membuat model regresi berdasarkan variabel yang kita miliki maka klik menu Object, lalu pilih New Object, Equation. Maka akan muncul jendela Eviews seperti tampak pada gambar berikut.

6. Langkah selanjutnya adalah menuliskan secara manual model regresi yang akan dihitung. Pada kolom Equation Specification, seperti tampak pada gambar berikut. Default method yang dipakai untuk membentuk persamaan regresi adalah Least Squares. (kecuali menghendaki metode lain sesuai dengan teori dapat memilih pilihan metode yang dimiliki oleh Eviews).

Gambar 1. Model Persamaan Regresi

Gambar 2. Pilihan Metode Dalam Eviews

7. Setelah klik OK maka akan muncul output hasil analisis regresi dengan menggunakan Eviews, seperti tampak pada gambar berikut ini.

Persamaan Regresi

8. Setelah kita peroleh output regresi seperti pada poin 7, maka Eviews bisa menghasilkan pula model persamaan matematis berdasarkan output regresi yang dihasilkan. Pada output yang diperoleh pada pon 7, klik View pilih Representations, maka akan tampak persamaan matematis yang dihasilkan seperti pada gambar berikut.

Grafik Regresi

9. Masih pada jendela Eviews pada poin 7, apabila ingin menampilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta residual regresinya, klik Views pilih Actual, Fitted, Residual dan pilih pada Actual, Fitted, Residual Table, maka akan diperoleh grafik fungsi regresi seperti tampak pada tampilan berikut.

10. Untuk keperluan interpretasi pada microsoft Word, pada output atau grafik dilakukan dengan cara blok seluruh bagian yang akan dipindahkan lalu Copy dan pilih Formatted agar hasil pemindahan sesuai dengan format asli pada software Eviews.

Mungkin bagi peneliti atau data master yang baru mengenal Eviews dan belum terbiasa dalam menggunakannya, akan terasa cukup rumit dalam pengaplikasinya. Jika dibandingkan dengan software sejenis semisal SPSS, akan ditemui kompleksitas tersendiri sedangkan pada SPSS terlihat sangat lah mudah dan sederhana. Tapi yang paling mendasar dari semua penggunaan aplikasi Statistik adalah pemahaman terhadap teori dasar sehingga kebutuhan output apa saja yang diperlukan akan efektif dan efisien. Pada artikel-artikel selanjutnya kita akan coba jelaskan juga bagaimana cara pengujian asumsi regresi linear klasik dengan menggunakan Eviews. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• Email : welcome@mobilestatistik.com

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

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

Pada pembahasan yang lalu kita sudah mengenal beberapa tools statistik yang dapat digunakan oleh para peneliti atau data master yang dapat sangat membantu dalam proses analisis data yang dimiliki. Mungkin dari kita memiliki kecenderungan sendiri dalam memilih software statistik, apakah itu karena kemudahan, kekhususan atau terlihat keren. Yang paling mendasar dari semuanya adalah software tersebut singkron dengan pemahaman mendasar atas teori statistik yang dijadikan acuan bagi peneliti atau data master dalam menganalisis data. Hal ini akan sangat membantu peneliti atau data master dalam pengaplikasian software yang digunakan yang sesuai dengan kebutuhan yang hendak dicapai, sehingga dengan adanya software tidak menambah kebingungan dalam pengaplikasiannya, akan tetapi mengotimalkan capaian hasil analisis yang hendak dicapai oleh peneliti atau data master tersebut. Eviews!

Mungkin dari semua software statistik yang ada, para peneliti atau data master sangat familiar dengan SPSS, software yang relatif sederhana dalam pengoperasiannya dan tampilan output yang user friendly juga. Berdasarkan pengalaman, penggunaan software statistik sebaiknya turut didasarkan pada spesifikasi atau spesialisasi dalam kegunaannya, sebagai misal LISREL, AMOS atau SmartPLS memiliki kekhususan dalam mengolah data berupa pemodelan (PATH atau SEM), GWR4 atau GeoDa memliki  kekhususan dalam mengolah data yang melibatkan keruangan (Spasial), sekalipun Microsoft Excel dilengkapi dengan menu-menu analisis statistik akan tetapi pemanfaatannya lebih banyak pada operasional perhitungan manual. Jadi, ada baiknya prioritaskan pilihan kita pada software yang memiliki kekhususan tertentu terhadap analisis agar didapat juga output yang lengkap dan menjawab.

Nah pada kesempatan kali ini, kita akan sedikit banyak mengenalkan salah satu software yang memiliki keunggulan dalam pengolahan data deret waktu yaitu Eviews. Meskipun pengolahan data deret waktu dapat juga dilakukan dengan menggunakan software SPSS atau MINITAB, akan tetapi dalam Eviews didapati banyak keunggulan. Dan secara pengoperasionalannya akan kita bahas pada beberapa artikel kedepan. Pada kesempatan kali ini akan kita coba kenalkan rupa dan penampakan lingkungan dari software Eviews, sebagai berikut.

Operasionalisasi Eviews

1. Pastikan aplikasi Eviews telah terisntal didalam komputer yang kita miliki seperti tampak pada gambar berikut. Untuk memulai menggunakan Eviews kita klik icon Eviews tersebut.

2. Setelah di klik maka akan terlihat tampilan jendela Eviews seperti gambar berikut. Tampilan tersebut berisikan menu-menu pengoperasian Eviews dan field dimana variabel-variabel yang akan digunakan dalam analisis tampak.

3. Jika kita sudah memiliki file yang akan digunakan dalam aplikasi Eviews untuk membukanya, kita klik menu File, Open, Eviews Workfile, seperti tampak pada gambar berikut. Pilih file yang akan digunakan lalu klik Open maka file tersebut siap digunakan oleh Eviews.

4. Untuk dapat melihat isi dari data yang sudah kita masukan kedalam software Eviews, kita dapat mengklik icon variabel yang terdaftar pada jendela Eviews seperti tampak pada gambar berikut.

5. Dari tampilan data pada poin 4, kita dapat melakukan berbagai uji statistik dengan pengklik menu View di sudut kiri atas jendela data yang kita klik, seperti tampak pada gambar berikut.

Input Data Pada Eviews

 Setelah pada pembahasan di atas kita mengetahui secara sepintas cara pengoperasian Eviews dan tampilan jendela Eviews, pada bagian ini kita akan jelaskan secara lebih jelas cara pengoperasioan Eviews pada bab penginputan data dengan cara Import Data. Seperti kita ketahui sebelumnya bahwa Eviews sangat bermanfaat dalam pemrosesan data dalam bentuk data deret waktu atau time series, oleh karenanya kita harus memastikan pendefinisian waktu dari data yang kita miliki agar memudahkan proses pendefinisian dan proses import pada software Eviews.

1. Persiapkan data yang kita miliki pada microsoft Excel seperti tampak pada gambar berikut. Pastikan data yang kita miliki sudah terdefinisikan secara waktu (jika data deret waktu).

2. Klik File, New, Workfile…, sehingga di layar akan tampak gambar sebagai berikut.

3. Ada 3 s.d 4 isian field yang harus kita definisikan pada data yang kita miliki diantaranya field Work Structure Type : menjelaskan data yang kita miliki apakah Unstructured/Undated, Dated-Regular Frequency dan Balanced-Panel, pada isian ini disesuaikan format data yang kita miliki. Field Panel Specifications : menjelaskan format waktu yang kita miliki apakah tahunan, bulanan, harian, dsb. Pada isian Start Date, isikan awal waktu data yang kita miliki dan End Date, isikan akhir waktu data yang kita miliki, pada isian ini dapat diisikan satuan waktu hingga satuan terkecil dari data waktu yang dimiliki (jam, menit, detik) jika kita memiliki data Intraday yang didefinisikan pada field Intraweek/Intraday Range. Secara lebih jelas tampak pada gambar berikut ini.

Gambar 1. Workfile dengan Tipe Data Unstructured / Undated (Cross Sectional)

Gambar 2. Workfile dengan Tipe Data Dated (Time Series)

Gambar 3. Workfile dengan Tipe Data Dated (Time Series-Intraday/Intraweek)

Gambar 4. Workfile dengan Tipe Data Balanced Panel (Data panel)

4. Setelah kita mendefinisikan data yang kita miliki pada jendela Workfile, setelah kita klik OK maka akan terlihat jendela Eviews seperti tampak pada gambar berikut. Sampai tahapan ini kita belum memiliki data apapun. Akan tetapi pada poin 2 kita sudah mendefinisikan data yang akan kita import kedalam Eviews. Pada jendela Eviews akan terlihat lambang B dan huruf c, yang merupakan konstanta serta resid atau residual, yang didalam statistik sering disebut sebagai residual atau error.

5. Klik menu File, Import, Impor from File. Pada tahapan ini kita akan mengimport data yang sebelumnya sudah kita miliki pada file Excel. Sehingga ketika kita masukan kedalam Eviews akan terlihat seperti gambar berikut.

6. Setelah kita berhasil memasukan data yang akan kita proses kedalam Eviews, maka tampilan akhir jendela Workfile yang sudah berisikan data yang sudah siap proses seperti tampak pada gambar berikut.

7. Untuk melakukan dan memastikan data yang kita masukan kedalam Eviews sudah benar maka kita hanya tinggal mngklik pada icon nama variabel yang kita definisikan pada data kita. Ketika di klik maka akan muncul gambar sebagai berikut.

8. Untuk mengamankan hasil entry data yang kita miliki kedalam Eviews maka lakukan penyimpanan SAVE, sesuai dengan nama file kerja yang kita kehendaki.
9. Dari tampilan data pada poin 6, kita dapat melakukan berbagai uji statistik dengan pengklik menu View di sudut kiri atas jendela data yang kita klik, seperti tampak pada gambar berikut.

Langkah awal yang sangat menentukan dalam menggunakan software Eviews adalah pendefinisian data penelitian yang dimiliki oleh peneliti atau data master. Tidak seperti software lainnya yang memang memiliki kekhasan dan kekhususan tersendiri pada software Eviews, beberapa penjelasan yang sudah di sampaikan sebelumnya semoga sedikit memberikan kejelasan terkait alur dan gambaran penggunaan software Eviews. Secara prinsip cara kerja dan output software (mis : SPSS) akan menghasilkan hasil yang sama (mis : analisis regresi). Yang membedakan hanyalah hal teknis penggunaan menu pada software itu sendiri. Pada kesempatan lainnya kita akan membahas beberapa penggunaan metode statistik (mis : Regresi, Analisis Data Deret Waktu, dll) dengan menggunakan Eviews. SEMANGAT MENCOBA!!!

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

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

• WhatsApp : 081321709749
• 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”

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

Pada pembahasan yang lalu kita sudah banyak membahas tentang satu metode analisis dalam rumpun multivariat yaitu analisis diskriminan. Secara sederhana pemahaman terhadap analisis diskriminan, layaknya kita memahami analisis regresi. Perbedaannya diantaranya terletak pada penggunaan populasi yang lebih dari satu pada diskriminan dan pemungsian variabel  dalam pembentukan model linear sebagai faktor pembeda yang signifikan antar 2 atau lebih populasi dimana data di ambil dan dianalisis. Sedang pada regresi kita membentuk model linear atas satu populasi dan mencari variabel signifikan pada populasi tersebut atas dasar kausalitas antar variabel yang diteliti.

Setelah kita memastikan diri bahwa kita paham konsepsi dan penggunaan diskriminan pada data yang kita miliki (baca artikel : analisis diskriminan), pada kesempatan kali ini kita akan membahas pembentukan persamaan linear pada analisis diskriminan dengan menggunakan software SPSS.  Adapun tahapan penggunaan software SPSS untuk analisis diskriminan akan dipaparkan pada pemaparan berikut.

1. Persiapkan data yang akan dianalisis pada microsoft excel seperti tampak pada gambar berikut. Seperti kita sudah pahami bahwa data yang akan di analisis merupakan data dua atau lebih populasi yang berbeda.

2. Setelah kita mendefinisikan data seperti pada tahap 1, buka software SPSS seperti tampak pada gambar berikut. Masukan data dalam file excel ke dalam software SPSS sehingga data siap untuk di analisis dengan menggunakan analisis diskriminan pada SPSS.

3. Klik menu Analyse pada SPSS dan pilih pada menu Classify kemudian klik pada menu Discriminant, seperti tampak pada gambar berikut. Definisikan variabel-variabel yang akan dianalisis pada kolom pendefinisian variabel pada menu analisis diskriminan pada SPSS.

4. Proses pendefinisian variabel pada SPSS, seperti tampak pada gambar berikut. Pada kolom Grouping Variabel isikan variabel yang difungsikan sebagai pengkategorian variabel berdasarkan atas populasinya. Pada kolom Independents isikan variabel yang dijadikan acuan dalam pengelompokan dan pembentukan fungsi diskriminan. Lalu pilih metode yang akan digunakan dalam pembentukan fungsi diskriminan apakah Enter atau Stepwise.

5. Setelahnya kita akan mendefiniskan output apa saja yang kita harapkan dalam analisis diskriminan yang diproses melalui SPSS. Klik pada menu Statistics seperti tampak pada gambar berikut. Centang pada semua pilihan output yang kita harapkan untuk dapat dijadikan acuan dalam evaluasi model fungsi diskriminan (based teori rujukan dan pemahaman) yaitu pada menu Descriptives, Matrices dan Function Coefficients. Setelahnya klik Continue.

6. Klik pada menu Method jika pada point 4 kita memilih metode Stepwise dalam pembentukan fungsi diskriminan. Pada menu ini kita definisikan kriteria pada proses stepwise (based teori rujukan dan pemahaman). Setelahnya klik Continue.

7. Jika kita memilih metode Enter, maka pilihan menu kita langsung pada menu Classify, seperti tampak pada gambar berikut. Pada menu ini kita mendefinisikan kriteria dalam mengklasifikasikan dan output yang kita harapkan pada output SPSS. Sekali lagi beberapa pilihan didasarkan pada pemahaman terhadap kebutuhan peneliti dan teori yang menjadi rujukan peneliti. Setelahnya klik Continue.

8. Menu terakhir adalah Save, pada menu ini terdapat piihan output yang kita harapkan tersimpan pada SPSS Data Editor, seperti tampak pada gambar berikut. Beberapa diantaranya adalah nilai peluang dan pengelompokan pada grup populasi dari tiap data pengamatan berdasarkan atas fungsi diskriminan yang terbentuk. Selain itu dapat diperoleh juga skor dari fungsi diskriminan yang bisa difungsikan berdasarkan tujuan dari penelitian. Setelahnya klik Continue.

9. Untuk pemrosesan perhitungan model fungsi diskriminan berdasarkan pendefinisian-pendefinisian yang telah dilakukan sebelumnya, klik OK maka SPSS akan segera memproses. Beberapa output yang dihasilkan seperti tampak pada gambar berikut.

Ouput 1. Uji Beda Tiap Variabel Penelitian

Output 2. Uji Homogenitas Variabel Penelitian

Output 3. Uji Keberartian Fungsi Diskriminan

Ouput 4. Koefisien Fungsi Diskriminan

Output 5. Skor Diskriminan dan Prediksi Pengelompokan

Sangat penting bagi peneliti atau data master memahami konsepsi dari analisis diskriminan sebelum penerapannya pada software SPSS. Para pembaca yang menemukan artikel ini sebelum memahami konsep analisis diskriminan secara utuh, sangat disarankan membaca dan memahami terlebih dahulu konsep dari analisis diskriminan yang sudah kita paparkan pada artikel sebelumnya (baca artikel : Analisis Diskriminan). Hal ini ditujukan agar memudahkan para pembaca dalam memahami alur analisis yang diperlukan dari analisis diskriminan itu sendiri. SEMANGAT MENCOBA!!!

Sumber :

• Subhash Sharma, Applied Multivariate Technique

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

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

• WhatsApp : 081321709749
• 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”

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

Pada kesempatan yang lalu kita sudah banyak membahas kaitannya dengan analisis pengaruh antar variabel. Salah satu yang paling sederhana adalah analisis regresi baik itu sederhana maupun berganda. Seperti telah dijelaskan dalam pembahasan konsepsi dan pemenuhan asumsi klasik pada regresi, utamanya pada bahasan heteroskedastisitas bahwa munculnya varians antar pengamatan dapat dipengaruhi salah satunya adanya pengaruh keruangan atau spasial. Oleh karenanya mucul analisis regresi yang melibatkan konsep keruangan atau spasial sehingga muncul analisis regresi terboboti keruangan atau spasial (GWR).

Pembahasan pada konsepsi regresi spasial sudah kita paparkan pula pada artikel sebelumnya, bagi peneliti yang hendak memahami konsepsi regresi spasial beserta tahapannya bisa melihat pada artikel kita sebelumnya. Pun dengan pengenalan software pembantu dalam analisis regresi data spasial sudah kita perkenalkan secara tampilan menu yang dapat memudahkan peneliti atau data master dalam pengaplikasian data pada software GWR4.

Nah, pada kesempatan kali ini kita akan paparkan pengaplikasian langsung data pada software GWR4. Adapun yang perlu diperhatikan oleh para peneliti ataupun data master adalah pemilihan fungsi kernel (+bandwidth) yang cocok pada data yang dimiliki. Kasus yang muncul pada pengaplikasian data pada GWR4 adalah tidak tuntasnya pemrosesan data oleh GWR4 dikarenakan ketidakcocokan pilihan fungsi kernel (+bandwidth) pada data yang dimiliki oleh peneliti atau data master, sehingga pada output GWR4 tidak memunculkan output analisis secara menyeluruh.

Adapun tahapan pengaplikasian data pada software GWR4 sebagai berikut :

1. Buka file excel dengan format .csv, pastikan data yang dimiliki memuat titik koordinat keruangan yang menjadi acuan software dalam membentuk model regresi terboboti keruangan atau spasial, seperti tampak pada gambar berikut.

2. Siapkan software GWR4 yang akan digunakan dalam memprosesan data yang terformat .csv tadi seperti tampak pada gambar berikut. Pada Step 1: Data, untuk memgimport data yang akan digunakan dalam analisis, pada kolom File Path klik Browse dan pilih file yang akan digunakan dalam analisis. Pada menu format pilih Comma (CSV) dan klik Open. Untuk mengecek apakah data yang sudah kita import sudah masuk dalam software GWR4 maka klik View Data maka akan terlihat tampilan seperti gambar berikut.

3. Setelah memastikan data telah masuk dalam sistem software GWR4, setelahnya klik Step 2 : Model, seperti tampak pada gambar berikut. Pada tahap 2 ini kita mendefinisikan dan menempatkan variabel penelitian pada kolom menu software GWR4 sebagaimana pendefinisian pada maksud dan tujuan penelitian yang telah ditetapkan oleh peneliti. Nama-nama variabel yang tersedia dalam file data dituliskan dalam kotak Variable (Field) list.

4. Pada tahapan ini, pada grup Regression variables, masukkan variabel respon (Y) ke dalam kotak isian Dependent variable dan semua variabel bebas (X₁-X_n) ke dalam grup Independent variables pada kotak isian Local (L). Lalu pada tab Locational Variabel, isikan sebagai berikut: ID Key (optional) yaitu kode identitas dari masing-masing wilayah, X coordinate (Lon) variabel dari koordinat bujur dan Y coordinate (Lat) yaitu variabel dari koordinat lintang. Selanjutnya pilih pilihan Spherical karena kita menggunakan variabel bujur dan lintang sebagai posisi geografis suatu wilayah. Setelahnya pada kotak grup Option centang pada Geographical variability test untuk keperluan uji koefisien model yang didapat dan Standardization of independent variables jika ingin menstandarkan nilai-nilai observasi dari variabel bebas. Dan pilih pilihan Gaussian pada grup Model Type karena kita akan menggunakan model regresi linier GWR.
5. Setelah kita menentukan variabel dan model yang digunakan dalam pemrosesan data pada tahapan 3 dan 4, langkah selanjutnya klik Step 3 : Kernel, seperti tampak pada gambar berikut. Pada tahap 3 ini kita akan mendefinisikan jenis pembobot (Kernel Type) dan metode pemilihan bandwith optmimum (Bandwidth Selection Method) berdasarkan Selection Criteria yang akan digunakan pada model sesuai dengan teori dan tipe data yang dimiliki oleh peneliti atau data master. (noted : untuk memperjelas pemahaman baca artikel sebelumnya terkait fungsi kernel dan bandwidth)

6. Setelah pada tahap sebelumnya kita definisikan fungsi pembobot beserta kelengkapan fungsi pembobot pada model regresi spasial (GWR), maka pada tahap selanjutnya Step 4 : Ouput. Pada tahapan ini kita akan mendefinisikan output proses data dengan GWR4 berupa lokasi penyimpanan file output yang kita kehendaki dengan mengklik tombol Browse untuk menentukan lokasi penyimpanan file output, seperti tampak pada gambar berikut. (dua output yang dihasilkan : pada software GWR4 dan microsoft excel)

7. Tahapan akhir pada software GWR4 adalah Step : Execute, tahapan untuk memulai pemrosesan data (estimasi model regresi spasial) dengan komponen spasial beserta metode-metode yang telah didefinisikan pada tiap tahapan sebelumnya, dengan mengklik tombol Execute This Session dan untuk melihat hasil berdasarkan titik koordinat klik tombol View The Parameters Estimates seperti tampak pada gambar berikut.

8. Pada tahapan akhir pemrosesan data oleh GWR4 terdapat beberapa informasi output yang didapatkan diantaranya :

• Pada menu output utama terdapat hasil yang difungsikan sebagai pembentukan persamaan regresi spasial secara general (nilai koefisien regresi spasial), nilai bandwidth optimum, nilai R square dan uji kebaikan model regresi spasial (model GWR dan dengan model OLS)
• Pada menu output hasil penyimpanan Step 4, diperoleh persamaan regresi spasial berdasarkan titik koordinat (wilayah) yang terdiri dari intercept, koefisien regresi, nilai standar error koefisien dan nilai t hitung koefisien, seperti tampak pada gambar berikut.

Hal yang perlu diperhatikan oleh peneliti atau data master adalah pemahaman secara utuh tentang analisis regresi dan pengujian asumsi klasik pada regresi, sebelum melangkah pada analisis regresi spasial. Sedangkan pada penggunaan regresi spasial itu sendiri diharapkan peneliti memahami secara utuh pula konsep pembobotan (fungsi kernel dan bandwidth) karena yang membedakan konsepsi regresi OLS dengan GWR terletak pada konsep dan fungsi pembobotannya. Jika peneliti atau data master sudah menguasai konsep-konsep tersebut, dapat membantu memudahkan dalam pengaplikasian pada software GWR4. SEMANGAT MENELITI.

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

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

• WhatsApp : 081321709749
• 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”

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