Pendahuluan
Telaah statistika mengatakan bahwa dalam analisis hubungan yang bertujuan untuk
peramalan atau pendugaan nilai Y atas dasar nilai-nilai X1, X2,, Xp terhadap nilai Y
maka pola hubungan yang sesuai adalah pola hubungan yang mengikuti model
regresi, sedangkan untuk tujuan hubungan sebab akibat yang pola yang tepat adalah
model struktural atau analisis jejak atau analisis lintas (path analisis).
Yang menjadi pertanyaan sekarang adalah, pola hubungan yang bagaimana yang
ingin diungkapkan, apakah hubungan yang bisa digunakan untuk peramalan atau
menduga nilai sebuah variabel- respon Y atas dasar nilai tertentu beberapa variabel
prediktor X1, X2,, Xp. Atau, pola hubungan yang mengisyaratkan besarnya
pengaruh variabel penyebab X1, X2,, Xp terhadap variabel akibat Y, baik pengaruh
langsung secara sendiri-sendiri maupun secara bersamaan.
Pada dasarnya metode analisis lintas (path analysis) merupakan bentuk analisis
regresi linier terstruktur berkenaan dengan variabel-variabel baku (standardized
variables) dalam suatu sistem tertutup (closed system) yang secara formal
bersifat lengkap. Dengan demikian, analisis lintas dapat dipandang sebagai sustu
analisis struktural yang membahas hubungan kausal di antara variabel-variabel dalam
sistem tertutup.
Apabila suatu model hubungan kausal antara variabel tak bebas Y dan variabelvariabel bebas Xi, untuk i = 1, 2,, p; telah disfesifikasikan secara tepat berdasarkan
teori yang ada, maka dapat diselidiki hubungan kausal atau sebab-akibat dengan
menggunakan analisis lintas. Pada dasarnya koefisien lintas (path coefficient) juga
merupakan koefisien beta () atau koefisien regresi baku, di mana berdasarkan
analisis lintas dapat diketahui pengaruh langsung (direct effect) dari setiap variabel
bebas yang dibakukan (ZY), serta pengaruh tidak langsung (indirect effect) dari
variabel bebas baku ZXi melalui variabel bebas baku ZXj (di mana i j) di dalam model
hubungan kausal tersebut.
Metode analisis lintas dikembangkan pertama kali oleh seorang ahli genetika Sewall
Wright, di mana pada tahun 1921 melalui artikelnya yang berjudul: "Correlation and
Causation". Wright menjelaskan hubungan kausal dalam genetika populasi
mengunakan analisis lintas. Hingga saat ini, paper yang ditulis Wright pada
tahun 1921 masih dipergunakan sebagai dasar permulaan mempelajari analisis lintas,
karena pada dasarnya untuk memahami analisis lintas hanya membutuhkan
pemahaman terhadap analisis regresi dan korelasi sebagai dasar analisis.
139
Dari uraian di atas dapat ditarik suatu kesimpulan, terutama untuk regresi, bahwa di
dalam mempelajari hubungan antar-peubah tidak dipermasalahkan kenapa hubungan
tersebut ada (atau tidak ada). Juga tidak dipermasalahkan apakah hubungan yang
ada diantara peubah tak bebas Y dan peubah penentu atau penjelas atau peubah
takbebas X dikarenakan oleh peubah bebas X-nya itu sendiri atau merupakan faktorfaktor lain yang mempengaruhi atau yang erat hubungannya dengan X lainnya
sehingga peubah bebas X tersebut berkaitan erat dengan peubah tak bebas Y.
Apabila dikaitkan dengan ilmunya itu sendiri yaitu hubunagn antara faktor X dengan Y.
Mungkin hubungan yang nyata antara X dan Y tersebut tidak dapat dijelaskan
menurut ilmunya sendiri. Adanya hubungan tersebut justru disebabkan oleh faktorfaktor lain yang mempengaruhi peubah tak bebas X.
Sebagai contoh, suatu penelitian dilakukan untuk mempelajari tingkat penerimaan ibuibu rumah tangga terhadap alat-alat kontrasepsi dalam mempopulerkan program
keluarga berencana di Taiwan (Li, 1977).
Dari berbagai macam peubah yang dipelajari dan diduga berpengaruh terhadap
tingkat penerimaan tersebut ternyata bahwa banyaknya alat-alat listrik (kipas, alat
untuk memasak, kulkas, TV, dan lain sebagainya) berhubungan atau berkorelasi
sangat erat dengan tingkat penerimaan tersebut. Masalahnya, apakah hal yang
sedemikian itu dapat dijelaskan atau wajar berkorelasi, terutama menurut ilmunya itu
sendiri?. Setelah dipelajari lebih lanjut, ternyata banyaknya alat-alat listrik yang
dimiliki per keluarga berhubungan erat dengan tingkat pendapatan, pendidikan, dan
status keluarga.
Apabila analisis regresi yang telah dibicarakan dalam bab-bab sebelumnya
ternyata belum dapat memberikan penjelasan tentang apa dan kenapanya; maka
analisis hubungan sebab dan akibat (causal relation) atau path analysis
merupakan jawabannya.
Path analysis adalah untuk melihat atau menguraikan apakah sesuatu hubungan yang
ada disebabkan oleh pengaruh langsung peubah bebas itu sendiri ataukah tidak
langsung melalui peubah-peubah bebas lainnya.
Untuk memudahkan dalam menggambarkan pola hubungan tersebut umumnya
digunakan suatu diagram, dan karena diagram tersebut menunjukkan lintasan atau
jejak atau jalur atau arah pengaruh dari peubah atau faktor yang satu ke faktor atau
peubah yang lainnya. Maka dengan demikian, analisis ini disebut dengan diagram
lintas atau diagram jejak atau analisis litas atau analisis jejak atau diagram jalur
(path analysis).
Telaah statistika mengatakan bahwa untuk tujuan peramalan/ pendugaan nilai Y atas
dasar nilai-nilai X1,X2,Xk. pola hubungan yang sesuai adalah pola hubungan yang
mengikuti Model Regresi, sedangkan untuk tujuan hubungan sebab akibat pola yang
tepat adalah Model Struktural.
6.3
Di dalam melakukan analisis lintas, tidak terlepas dari usaha untuk membangun
diagram lintas (path diagram) agar lebih memperjelas uraian yang dikemukakan.
Dengan mengkombinasikan diagram-diagram geometrik dan persamaan-persamaan
aljabar, maka analisis statistika dalam mempelajari hubungan kausal-efek di antara
variabel-variabel menjadi lebih berbobot dalam arti hasilnya menjadi lebih mudah
untuk dipahami.
140
6. (2,1,2)
11. (2,3)
2. (1,1,3)
6. (1,1,2,1)
12. (1,4)
3. (1,2,2)
8. (3,1,1)
13. (2,1,1,1)
4. (1,1,1,2)
9. (2,2,1)
14. (3,2)
10. (1,2,1,1)
16. (4,1)
6. (1,3,1)
Berbagai pola hubungan kausal yang mungkin; ditunjukkan dalam gambar berikut.
Catatan: Arah hubungan dalam gambar (diagram lintas) ditunjukkan oleh arah anak panah.
141
6.4
Pembangkit analisis lintas dari model regresi, yang pada dasarnya di mana total
keragaman (varians total) dari variabel tak bebas Y dalam model regresi berganda
dapat didekomposisikan atau diuraikan menjadi sebagai berikut:
Total keragaman dari Y = A + B + C
Di mana:
A = proporsi keragaman yang diberikan atau dijelaskan secara langsung oleh koefisien lintas,
B = proporsi keragaman yang diakibatkan karena adanya korelasi di antara variabel bebas X, dan
C = proporsi keragaman yang diakibatkan adanya galat (error).
Untuk menjelaskan lebih konkret tentang koefisien lintas, maka bayangkan bahwa kita
merumuskan model regresi linier berganda yang terdiri atas p buah variabel bebas,
sebagai berikut:
[6.1]
Dengan mengansumsikan bahwa E() = 0 serta asumsi klasik lainnya dalam analisis
regresi linier berganda, maka dibolehkan menduga persamaan regresi [6.1]
berdasarkan persamaan regresi tersebut seperti:
[6.2]
Selanjutnya apabila didefinisikan SY sebagai simpangan baku contoh dari variabel tak
bebas Y, dan SX1, SX2, . . ., SXp sebagai simpangan baku contoh dari Xi variabelvariabel bebas X1, X2, . . ., Xp, maka dari persamaan [6.2] dapat dihitung koefisien
regresi baku yang sering disebut juga sebagai koefisien beta (), sebagi berikut:
[6.3]
i = bi
SXi
SY
Di mana: i = 1, 2, . . . , p
Telah ditunjukkan secara teoritis dalam buku-buku teks bahwa koefisien lintas atau
koefisien jejak (path coeffisient) pada dasarnya adalah serupa dengan koefisien
beta (koefisien regresi dari variabel yang dibakukan). Dengan demikian, apabila
mendefinisikan Ci sebagai koefisien lintas atau koefisien beta dari variabel baku Z
yaitu variabel bebas X dan variabel tak bebas Y yang dibakukan; sehingga
berdistribusi normal dengan nilai rata-rata = nol dan nilai ragam = satu).
Pada dasarnya koefisien lintas Ci dapat dihitung berdasarkan rumus [6.3], jadi dalam
hal ini berlaku bahwa i = Ci. Pada sisi lain, koefisien lintas dapat juga ditentukan
berdasarkan penyeleaian terhadap gugus persamaan simultan dari variabel korelasi
antar-variabel bebas.
Gugus persamaan simultan yang dimaksud adalah seperti yang dinyatakan dengan
pola matriks dari koefisien korelasi antar-peubah bebas Xi dan dengan peybah tak
bebas Y seperti pada matriks berikut.
142
i,j
Sistem persamaan simultan [6.4] dapat ditulis dalam bentuk matriks, sebagai berikut.
[6.5]
r11
r12
. . .
r1p
C1
r1Y
r21
r22
. . .
r2p
C2
r2Y
.
.
.
rp1
.
.
.
rp2
.
.
.
.
.
.
.
.
.
.
Cp
.
.
.
rpY
RY
.
.
.
.
.
.
.
.
rpp
RX
Di mana:
RY =
Dari persamaan matriks [6.5] secara mudah dapat ditentukan vektor koefisien lintas C,
sebagai berikut:
[6.6]
C =
R X1 RY
Di mana:
143
Apabila koefisien lintas Ci telah diperoleh, maka beberapa informasi penting akan
diperoleh berdasarkan metode analisis lintas antara lain seperti.
1).
2).
3).
Pengaruh galat atau error atau sisaan atau residual yang tak dapat dijelaskan
oleh model analisis lintas. Pengaruh-pengaruh yang tidak dapat dijelaskan oleh
suatu model dimasukkan sebagai pengaruh galat atau sisaan yang diukur
nilainya dengan rumus:
CS2 = 1
p
Ci rij .
i =1
Di mana:
CS =
CS2
Besaran CS2 dalam analisis lintas adalah serupa dengan besaran nilai 1 - R2 dalam
analisis regresi linier berganda, di mana keduanya memiliki nilai yang sama besar
yang merupakan galat atau error atau sisaan (residual).
=
=
=
=
=
X1, X2, X3, dan X4 diukur dalam persen dari dari estndar harian
dalam proses; sedangkan Y diukur dalam kalori per gram semen.
Untuk menduga model regresi berganda [6.7] di atas maka dikumpulkan data
sebagaimana tampak dalam Tabel 6.1 berikut ini.
Dalam melakukan pendugaan model [6.7] dipergunakan bantuan komputer dengan
memanfaatkan program aplikasi Microstat atau dapat mengunakan Soft-ware
Komputer Compatible lainnya seperti SPSS 13.01 atau dapat mengunakan Soft-ware
Minitab14.01, atau dapat mengunakan Soft-ware Statistica 7.0, dan atau dapat
mengunakan Soft-ware- Soft-ware yang lain.
144
X1
7
1
11
11
7
11
3
1
2
21
1
11
10
X2
26
29
56
31
52
55
71
31
54
47
40
66
68
X3
6
15
8
8
6
9
17
22
18
4
23
9
8
X4
60
52
20
47
33
22
6
44
22
26
34
12
12
Y
78,5
74,3
104,3
87,6
95,9
109,2
102,7
72,5
93,1
115,9
83,8
113,3
109,4
7,4615
48,1538
11,7692
30,0000
95,4231
5,8824
15,5609
6,4051
16,7382
15,0437
34,6026
242,1416
41,0253
208,1673
226,3129
Variabel
bebas
X1
X2
X3
X4
Y
Rata-rata
7,4615
48,1538
11,7692
30,0000
95,4231
Standar
Deviasi
5,8224
15,5609
6,4051
16,7382
15,0437
Koefisien
regresi
1,5511
0,5102
0,1019
- 0,1441
62,4054
Std. error Y.
2=
Koef. Deterninasi (R )
R2 terkoreksi
Mutiple R
Standar
error bi
0,7448
0,7238
0,7547
0,7091
=
=
=
=
t-stat.
(DB = 10)
2,083
0,705
0,135
- 0,203
2,4460
0,9824
0,9736
0,9911.
145
Peluang.
t
0,07082
0,50090
0,89592
0,84407
R2
Parsial
0,3516
0,0585
0,0023
0,0051
JK
DB
KT
F Hit
pF
2667,8994
47,8636
2716,7631
4
8
12
666,9749
5,9830
111,479
0,000
Dari hasil analisis Tabel 6.3 dapat dibangun persamaan regresi linier berganda
sebagai pendugaan bagi model [6.7] sebagai berikut.
[6.8]
Dari hasil analisis terlihat bahwa meskipun besaran R2 sangat tinggi, dan juga uji
terhadap persamaan regresi dalam analisis ragam bersifat sangat nyata (p0,01)
secara statistika, namun tidak ada satu pun koefisien regresi parsial yang bersifat
nyata pada taraf nyata = 0,05.
Apakah dengan demikian, boleh disimpulkan bahwa variabel-variabel bebas tidak
berpengaruh terhadap variabel respons Y?. Tentu saja tidak.
Kasus penelitian ini menarik untuk ditunjukkan secara statistika bahwa telah terjadi
multikolinieritas di antara variabel-variabel bebas X, sehingga mengakibatkan
masalah yang serius dalam pendugaan parameter model regresi dan interprestasinya.
Menghadapi kasus semacam ini, maka jelas model persamaan regresi [6.8] tersebut
diatas tidak dapat diandalkan untuk menerangkan hubungan kausal-efek yang terjadi
sesungguhnya, dalam sistem pembuatan batubata tersebut.
Nilai R2 yang tinggi dan uji F atau uji simultan atau uji varians persamaan regresi
berganda yang sangat nyata (p0,01) secara statistika, namun uji koefisien regresi bi
secara parsial menunjukkan tidak ada satupun koefisien regresi yang bersifat
nyata (p>0,05) secara statistika, merupakan indikasi yang sangat kuat bahwa telah
terjadi kasus multikoliniearitas dalam data pembuatan batu bata merah tersebut.
Bagaimana mengatasinya masalah tersebut di atas, sehingga didapatkan kesimpulan
yang dapat diandalkan baik secara riil maupun secara statistika?. Banyak cara untuk
mengatasi kasus semacam ini, namun dalam kesempatan ini hanya dibahas peranan
analisis jejak atau analiis lintas atau path analysis dalam mengungkapkan pengaruh
yang sesungguhnya dalam model hubungan kausal tersebut di atas; sebagaimana
disfesifikasikan dalam model persamaan [6.7].
Oleh karena persamaan regresi sebagai penduga bagi model hubungan kausal
pada persamaan [6.7] telah diperoleh sebagaimana ditunjukkan dalam model
persamaan [6.8], maka koefisien lintas Ci dapat ditentukan berdasarkan rumus [6.3]
sebagai berikut:
C i = bi
C 1 = b1
C 2 = b2
C 3 = b3
C 4 = b4
S Xi
SY
S X1
SY
S X2
SY
S X3
SY
SX 4
SY
di mana
i = 1, 2, 3, dan 4.
146
Pada sisi lain, dapat pula ditentukan koefisien lintas terhadap model hubungan kausal
persamaan [6.7] dengan jalan membangun gugus persamaan simultan dalam variabel
korelasi antar variabel bebas. Untuk kasus empat buah variabel bebas yang
mempengaruhi variabel respons persamaan [6.7], maka gugus persamaan simultan
dapat dibangun sebagai berikut (lihat persamaan 6.4).
Pada sisi lain dapat pula ditentukan koefisien lintas terhadap model hubungan kausal
pada persamaan [6.7] dengan jalan membangun gugus persamaan simultan dalam
variabel koefisien korelasi antar-variabel bebas X yang berada dalam model.
Untuk kasus empat buah variabel yang mempengaruhi respon pada persamaan [6.7],
maka gugus persamaan simultan dapat dibangun sebagai berikut.
C1 r11
C1 r21
C1 r31
C1 r41
[6.9]
+
+
+
+
C2 r12
C2 r22
C2 r32
C2 r42
+
+
+
+
C3 r13
C3 r23
C3 r33
C3 r43
+
+
+
+
C4 r14
C4 r24
C4 r34
C4 r44
=
=
=
=
r1Y
r2Y
r3Y
r4Y
Dengan jalan mengerjakan analisis korelasi sederhana terhadap data dalam Tabel 6.1
di atas; dengan menggunakan persamaan umum untuk analisis koefisien korelasi
linier sederhana seperti:
[6.10]
rXY =
[{n X
n X i Yi X i
2
i
Yi
( X i ) }{n Yi 2 ( Yi ) 2 }
2
Dari perhitungan koefisien korelasi dapat diperoleh hasil seperti berikut yang dapat
dibuat dengan susunan matriksnya.
rij
r12
r13
r14
=
=
=
=
rX1X1
rX1X2
rX1X3
rX1X4
=
=
=
=
1,00
r21 = rX2X1 = 0,2286
r31 = rX3X1 = - 0,8242
r41 = rX4X1 = - 0,2454
=
=
=
=
rX1Y
rX2Y
rX3Y
rX4Y
= 0,7307
= 0,8163
= - 0,5347
= 0,8213
+
+
-
0,2286 C2
1,0000 C2
0,1392 C2
0,9730 C2
- 0,8241 C3
- 0,1392 C3
+ 1,0000 C3
+ 0,0295 C3
147
- 0,2454 C4 = 0,7307
- 0,9730 C4 = 0,8163
+ 0,0295 C4 = -0,5347
+ 1,0000 C4 = -0,8213
Sistem persamaan di atas dapat pula ditulis dalam bentuk matrik sebagai berikut:
1,0000
0,2286
- 0,8241
- 0,2454
[6.11]
+
+
-
0,2286
1,0000
0,1392
0,9730
- 0,8241
- 0,1392
+ 1,0000
+ 0,0295
- 0,2454
- 0,9730
+ 0,0295
+ 1,0000
RX
C1
C2
C3
C4
=
=
=
=
0,7307
0,8163
-0,5347
-0,8213
RY
Dengan sistem matriks kebalikan dari persamaan (6.11) dapat pula ditulis dalam
bentuk matriks sebagai berikut:
C1
38,7145
C2
C3
C4
94,7925
42,1353
100,4907
0,7307
0,6051
0,8163
= 0,5248
42,1353 105,8623
-0,5347
0,0418
-0 ,8213
- 0,1634
47,1571 111,9528
284,7507
Catatan: Terdapat sedikit perbedaan hasil koefisien lintas yang ditentukan berdasarkan
persamaan [6.3] dan persamaan [6.6] hanya semata-mata karena adanya
proses pembulatan dalam perhitungan. Untuk pembahasan lebih lanjut akan
dipergunakan hasil yang diperoleh berdasarkan persamaan [6.3].
= r1Y =
=
=
=
=
C1
= 0,6066.
C2 r12 = 0,1206.
C3 r12 = - 0,0358.
C4 r14 = 0,0394.
= r2Y =
=
=
=
=
C2
= 0,5276.
C1 r21 = 0,1386.
C3 r23 = - 0,0060.
C4 r24 = 0,1560.
= r3Y =
=
=
=
=
C3
= 0,0434.
C1 r31 = - 0,4998.
C2 r32 = - 0,0736.
C4 r34 = - 0,0048.
148
= r3Y =
=
=
=
=
C4
= - 0,1603.
C1 r41 = - 0,1488.
C2 r42 = - 0,5136.
C4 r43 = - 0,0013.
Ci riy
i =1
0,0176 = 0,1327
Berdasarkan analisis lintas tampak bahwa dua variabel bebas yang memiliki
pengaruh langsung terbesar yaitu variabel X1 dan X2. Pengaruh variabel langsung X1
terhadap Y adalah sebesar 0,6065 dapat diinterpretasikan bahwa setiap kenaikan
satu simpangan baku dalam nilai X1 secara rata-rata akan meningkatkan nilai Y
sebesar 0,6065 simpanan baku.
Demikian pula interpretasi tentang pengaruh langsung dari variabel X2, X3, dan X4
terhadap variabel respons Y.
Besaran CS2 = 0,0176 dapat diinterpretasikan babwa analisis lintas tidak menjelaskan
keragaman total dari variabel Y sebesar 0,0176 atau 1,76%. Dengan demikian
analisis lintas berhasil menjelaskan keragaman total dari Y sebesar 1 CS2 =
2
1 - 0,0176 = 0,9824 atau 98,24%, yang ternyata sama dengan besaran R dari
persamaan regresi berganda [6.8].
Berdasarkan kenyataan ini, maka dapat dikemukakan bahwa sifat hubungan antara
R2 dan CS2 sebagai berikut yaitu di bawah ini.
2
149
Pengaruh
langsung
Pengaruh
total
Z1
0,6065
0,1206
- 0,0358
0,0394
0,7306
Z2
0,5277
0,1386
- 0,0060
0,1560
0,8163
Z3
0,0434
0,4998
- 0,0735
- 0,0048
- 0,5347
Z4
- 0,1603
0,1488
- 0,5135
0,0013
- 0,8213
Z4
Keterangan:
1.
Koefisien lintas adalah serupa dengan koefisien beta atau koefisien regresi variable baku,
sehingga pengaruh langsung yang ditunjukkan dalam analisis lintas dapat langsung
dibandingkan untuk mengetahui peranan dari setiap variabel bebas Xi dalam
mempengaruhi variabel tak bebas (respons) Y.
2.
Berdasarkan sifat di atas maka variabel bebas Y yang belum dibakukan akan dibakukan
dalam analisis lintas sehingga koefisien lintas Ci yang diperoleh dapat diperbandingkan.
Secara geometrik dapat dibangun diagram lintas untuk hubungan kausal dari model
regresi [6.7] seperti tampak dalam gambar di bawah ini.
Z1
C1 = 10,6065
C2 = 0,5277
r12 = 0,2280
Z2
r13 = - 0,8241
r23 = - 0,1392
Y
Cs = 0,1327
(E) = Sisa
C3 = 0,0434
C4 = - 0,1603
Z3
r14 = 0,2280
r24 = - 0,9730
r34 = 0,0295
Z4
150
Y = 0 + 1X1 + 2X2 +
Nama
X1
X2
Y
Rata-rata
7,4615
48,1538
95,4231
Std. deviasi
5,8224
15,5609
15,0437
t-stat.
(DB = 10)
Peluang
t
R2
parsial
12,105
0,0000
0,9361
14,442
0,0000
0,9543
Koefisien
regresi
X1
1,4683
Standar
error
0,1213
X2
0,6623
0,0459
Konstanta
52,8773
Std. error Y.
2=
Koef. Deterninasi (R )
2
R terkoreksi
Mutiple R
=
=
=
=
2,4063
0,9787
0,9744
0,9893.
Dari hasil analisis komputer Tabel 6.7 di atas tampak bahwa model regresi [6.12]
memberikan hasil yang sangat memuaskan, di mana model tersebut memiliki besaran
2
R yang tinggi, uji persamaan regresi bersifat sangat nyata secara statistika, serta
yang terpenting lagi adalah kedua variabel bebas X1 dan X2 masing-masing telah
bersifat sangat nyata secara statistika berdasarkan uji koefisien regresi secara parsial.
Keadaan ini mengindikasikan bahwa benar telah terjadi multikolinieritas dalam model
regresi dengan empat variabel bebas X1, X2, X3, dan X4 pada model regresi [6.7],
karena dengan mengeluarkan variabel-variabel X3 dan X4 yang tadinya bersifat tidak
nyata secara statistika ketika diuji secara parsial telah menjadi nyata secara statistika.
Berdasarkan kenyataan ini, maka model hubungan kausal yang tepat untuk
menerangkan kasus percobaan semen portland adalah persamaan regresi "terbaik"
berikut:
[6.13]
151
dengan R = 0,9787
Selanjutnya, analisis lintas dapat dilakukan terhadap model regresi [6.11]. Oleh
karena persamaan regresi untuk model hubungan kausal yang dirumuskan telah
diperoleh, maka koefisien lintas dapat dihitung serupa dengan koefisien beta () atau
koefisien regresi baku menggunakan persamaan [6.3].
Dengan menggunakan rumus [6.3] maka dapat dihitung koefisien lintas untuk model
hubungan kausal [6.11], sebagai berikut.
S Xi
C i = bi
SY
di mana i = 1, 2.
S X1
C1 = b1
SY
C2 = b2
SY
= r1Y =
= C1
=
= C2 r12 =
0,5741.
0,1566.
= r2Y =
= C2
=
= C1 r21 =
0,6851.
0,1312.
C r
2
i iY
i =1
= 1 - {(0,5741)(0,7306) + (0,6851)(0,8163)
= 0,021
CS =
0,0213
= 0,1459.
Besaran koefisien lintas Ci sebesar 0,5741 dapat diinterpretasikan apabila variabel
bebas X meningkat nilainya sebesar satu simpanan baku, maka nilai dari variabel
respons Y akan meningkat secara rata-rata sebesar 0,5741 simpanan baku.
Demikian pula, koefisien lintas C2 nilainya sebesar 0,6851 dapat diintepretasikan
apabila variabel X1 dibuat konstan, maka setiap peningkatan nilai X2 sebesar satu
simpangan baku akan meningkatkan nilai Y secara rata-rata sebasar 0,6851
simpangan baku.
152
Pengaruh
langsung
0,5741
Pengaruh
tidak langsung
0,1565
Pengaruh
total
0,7306
Z2
0,6851
0,1386
0,8163
Diagram lintas untuk model hubungan kausal untuk persamaan [6.11] ditunjukkan
dalam gambar di bawah ini.
Z1
C1 = 0,5741
r14 = 0,2286
Y
CS = 0,1459
(E) = Sisa
C2 = - 0,6851
Z2
153
Ingat bahwa dalam persamaan regresi dengan empat variabel bebas X, tidak ada
satupun koefisien regresi yang nyata secara statistika, sedangkan dalam persamaan
regresi yang terdiri dari dua variabel bebas X yang telah dieliminasi memiliki koefisien
regresi yang nyata secara statistika.
Dalam hal ini, dapat ditunjukkan bahwa seleksi variabel untuk menghasilkan
persamaan regresi terbaik berdasarkan informasi dari analisis lintas ternyata memiliki
tingkat ketepatan yang sama dengan analisis regresi bertatar (stepwise regression)
dalam memirlih persamaan regresi terbaik.
Berdasarkan analisis regrasi bertatar (stepwise regression) juga diperoleh bahwa
persamaan regresi terbaik adalah persamaan regresi yang terdiri dari dua variabel X1
dan X2. Analisis regresi bertatar dengan menggunakan bantuan komputer
memberikan hasil seperti yang ditunjukkan berikut ini.
Hasil Analisis Regresi
Judul: Analisis Path
Banyaknya sampel: 13
Jumlah variabels: 5
Tabel 6.9 Pemilihan Persamaan Terbaik Berdasarkan Regresi Bertatar
Indeks
1
2
3
4
Variabel terikat
F to enter = 3;
Variabel
X1
X2
X3
X4
Y
Rata-rata
7,4615
48,1538
11,7692
30,0000
95,4231
Std. deviasi
5,8224
15,5609
6,4051
16,7382
15,0437
X4
Koefisien
regresi
- 0,7382
Const.
117,5679
Variabel
Std. error Y.
2=
Koef. Deterninasi (R )
2
R terkoreksi
Mutiple R
=
=
=
=
Standar
error
0,1546
t-stat
(DB = 10)
22,799
Peluang
0,00058
8,9639
0,6745
0,6722
0,9893.
JK
DB
KT
F-Hit
Regression
1831,8962
1381,8962
22,799
Residual
883,8669
11
80,3515
Total
2715,7631
12
154
pF
-04
5,762 E
Name
R parsial
Tolerance
F to enter
X1
0,9154
0,9398
108,224
X2
0,0170
0,0534
0,172
X3
0,8112
0,9991
40,295
Peluang F
-06
1,105 E
0,6867
8,375 E-05
X1
Koefisien
regresi
1,4400
Standar
error
0,1384
t-stat
(DB = 12)
108,224
X4
- 0,6140
0,0486
159,295
Const.
103,0974
Variabel
Std. error Y.
2=
Koef. Deterninasi (R )
2
R terkoreksi
Mutiple R
Tabel 6.14
=
=
=
=
0,000
R
parsial
0,9154
0,0000
0,9409
Peluang
2,7343
0,9725
0,9625
0,8986.
SK
JK
DB
KT
F-Hit
pF
Regression
2641,0010
1320,5005
176,627
1,581 E-08
Residual
74,7621
10
7,4762
Total
2715,7631
12
Tabel 6.15
Name
R2 parsial
Tolerance
F to enter
Prob
X2
0,3583
0,0532
5,026
0,0517
X3
0,3200
0,2891
4,236
0,0697
Std. error Y.
Koef. Deterninasi (R2=)
R2 terkoreksi
Mutiple R
=
=
=
=
Standar
error
0,1170
0,1856
0,1733
t-stat
(DB = 1,9)
154,008
5,026
1,863
2,3087
0,9823
0,9764
0,9911.
155
Peluang
0,0000
0,5169
0,20540
R
parsial
0,9448
0,3583
0,1715
Tabel 6.17
SK
JK
DB
KT
F-Hit
pF
Regression
Residual
Total
2667,9703
47,9727
2715,7631
3
9
12
889,2634
5,3303
166,832
3,323 E-08
Name
Parsial r
Tolerance
F to enter
Prob
X3
0,0023
0,0213
0,018
0,8959
Tabel 6.19
Variabel
Koefisien
regresi
Standar
error
F Hitung
(DB = 1,9)
Peluang
R
parsial
X1
1,4683
0,1213
146,523
0,0000
0,9361
X2
0,6623
0,0459
208,582
0,0000
0,9543
Const.
52,5773
Std. error Y.
Koef. Deterninasi (R2=)
R2 terkoreksi
Mutiple R
Tabel 6.20
=
=
=
=
2,4063
0,9787
0,9744
0,9893.
Source
Sun of
squares
D.F
Mean of
squares
F ratio
Prob
Regression
2657,8586
1328,9293
229,504
4,407 E-09
Residual
57,9045
10
5,7904
Total
2715,7631
12
Name
Parsial r
Tolerance
F to enter
Prob
X3
0,1691
0,3183
1,832
0,2089
X4
0,1715
0,0528
1,863
0,2054
156