Analisis Regresi Berganda dengan AMOS 20.

00
Menggambarkan model persamaan regresi dalam layar AMOS 20.0 dengan cara:

Klik program Amos Graphic

Pada layar kosong gambarkan model persamaan regresi, sebagai berikut:

Keterangan :

Ada tiga variable exogen yaitu EARNS, WEALTH, SAVING serta satu
variable endogen INCOME

Antar variable exogen harus saling dihubungkan (dikovarian-kan)

Variable endogen harus diberi nilai residual (Z1)

Membaca data Crossec.xls

Klik File lalu Data File

Pilih File Name, lalu cari dimana data crossec.xls disimpan, sebagai berikut:

Keterangan : data Crossec.xls merupakan data excel yang sudah disediakan terlebih
dahulu yang berisikan informasi mengenai variabel INCOME, SAVING, WEALTH dan
EARNS, dengan jumlah sampel sebanyak 100.
Menentukan metode Estimasi dan Output

Pilih View lalu Analyzed Properties

Pilih metode estimasi Maximum Likelihood (ML) dan pilih Estimate Means and
Intercept

Pilih Output, lalu pilih Minization History, Standardized Estimate, Squared

Multiple Correlation, dan Test of Normality and Outlier

Akhirnya menutup windows dengan klik tanda silang

Run model dengan perintah

Pilih Analyze lalu Calculate Estimate

Berinama file amos

Hasil output secara detail dapat dilihat dengan cara

Pilih View lalu pilih Text Output

Berikut tampilan outputnya

Analysis Summary

Berisi keterangan tentang tanggal dan waktu data diolah serta nama file.
Notes for Group

Berisi keterangan bahwa model berbentuk recursive berarti model hanya satu arah
bukan model resiprokal atau saling mempengaruhi (nonrecursive). Jumlah sampel 100.
Variable Summary

Berisi keterangan model memiliki satu variable endogen INCOME dan tiga variable
exogen EARNS, WEALTH, SAVING serta satu variable unobserved exogen yaitu e1.
Jumlah variable dalam model 5 yang terdiri dari 4 variabel observed dan satu variable
unobserved dan empat variable exogen dan satu variable endogen.
Assessment of Normality

Berisi output untuk menguji apakah data kita normal secara multivariate sebagai syarat
asumsi yang harus dipenuhi dengan ML. jika dilihat secara univariate nilai critical

skewness (kemencengan) sangat tinggi untuk semua variable yaitu di atas 2,58
(signifikan pada 1%) dan dapat disimpulkan bahwa data kita secara univariate tidak
terdistribusi secara normal. Secara multivariate nilai 53,903 merupakan koefisien dari
multivariate kurtosis dengan nilai critical 38,901 yang nilainya di atas 2,58. Sehingga
dapat disimpulkan bahwa data kita juga tidak normal secara multivariate. Solusi yang
harus dilakukan adalah melakukan transformasi data dengan bentuk fungsi lainnya
seperti logaritma atau akar kuadrat untuk mendapatkan data dengan distribusi normal.
Observations

Untuk mengukur apakah data kita ada yang outlier yaitu mendeteksi apakah skor
observasi ada yang jauh berbeda yaitu mendeteksi apakah skor observasi ada yang jauh
berbeda dengan skor centroid untuk 100 kasus. Mahalobis d-squared digunakan untuk
mengukur jarak skor hasil observasi terhadap nilai centroidnya. Lihat kasus no.7 yang
memberikan jarak terjauh dari centroidnya dengan nilai Mahalobis d-squared 51,998.
Nilai ini diikuti oleh kedua kolom p1 dan p2. Kolom p1 menunjukkan dengan asumsi
normal, probabilitas d-squared di atas nilai 51,998 adalah lebih kecil dari 0,000. Kolom
p2 juga dengan asumsi normal, probabilitasnya masih di bawah 0,000. Ketentuan bahwa
walaupun nilai p1 diharapkan bernilai kecil, tetapi nilai pada kolom p2 menunjukkan
observasi yang jauh dari centroidnya dan dianggap outlier serta harus dibuang (didrop)
dari analisis. Berdasarkan hasil output di atas, maka data yang dianggap outlier adalah
observasi 7, 100, 96, 36, 45, 24, 81 yang nilai kolom p2 di bawah 0,000. Data ini
sebaiknya dibuang.
Notes for Model

Memberikan keterangan hasil perhitungan Chi-squared. Oleh karena degree of freedom

(df) sama dengan nol, maka nilai probabilitas tidak dapat dihitung.
Estimates

Koefisien Regresi
Regression weight memberikan besarnya nilai koefisien regresi unstandardized dan
standardized. Nilai standardized = nilai unstandardized standard error. Nilai Critical
(cr) adalah sama dengan nilai t pada regresi OLS dan P adalah tingkat probabilitas
signifikansi dengan *** berarti by default signifikan pada 0,001. Jadi dapat disimpulkan
bahwa EARNS berpengaruh positif terhadap INCOME dengan koefisien standardized
0,763 (artinya kenaikan gai $1000 akan meningkatkan INCOME sebesar $7630), begitu
juga dengan WEALTH berpengaruh positif terhadap INCOME dengan koefisien
standardized sebesar 0,195 (kenaikan kekayaan keluarga $1000 akan meningkatkan
INCOME sebesar $195). SAVING ternyata tidak berpengaruh terhadap INCOME karena
probabilitas jauh di atas 0,05.
Rumusan persamaan regresi berganda
Output lainnya memberikan nilai means dan intercept dari model dengan nilai intercept
2,546. Sehingga model persamaan regresi kita menjadi :
INCOME = 2,546 + 0,831 EARNS + 0,065 WEALTH + 0,002 SAVING
Koefisien determinasi
Sedangkan besarnya nilai koefisien determinasi ditunjukkan oleh nilai Squared Multiple
Correlation 0,808 (R2) yang berarti variabilitas INCOME yang dapat dijelaskan oleh
variabilitas EARNS, WEALTH, SAVING sebesar 80,8% sedangkan 19,92% adalah variable
lainnya yang tidak kita teliti. Jadi dapat disimpulkan bahwa model cukup baik.

Tonys Teaching & Learning

Saya pengin membuat model bagaimana mekanisme psikologi seseorang hingga berkeputusan mau
memakai aplikasi SMS untuk layanan publik.
Kenapa model ini berguna? karena jika saya bisa memahami model mekanisme adopsi ini maka model
ini akan bisa dimanfaatkan oleh pemerintah maupun praktisi e-government untuk dapat:
* memperkirakan apakah sebuah layanan SMS layanan publik kemungkinan besar akan diterima
masyarakat atau tidak (yakni dengan mengukur setiap variable dalam model pada sample target
pengguna layanan tersebut).
* memahami faktor-faktor penting yang mempengaruhi sebuah aplikasi SMS untuk layanan publik
diterima atau ditolak masyarakat sehingga pemerintah dapatmengevaluasi layanan SMS yang gagal
dan melakukan perbaikan/peningkatan desain maupun manajemen pada aplikasi SMS yang telah
berjalan agar ke depan layanan ini akan diterima & dimanfaatkan oleh masyarakat.
Untuk membikin model tersebut, saya telah melakukan study literature faktor-faktor yang
mempengaruhi penerimaan SMS dan layanan e-government + saya melakukan survey mengumpulkan
data empiris (kualitatif) tentang faktor-faktor apa saja yang mempengaruhi respondents memakai atau
tidak memakai aplikasi SMS untuk layanan masyarakat. Hasilnya: saya memperoleh semua faktor itu.
Selanjutnya faktor-faktor itu saya coba susun dalam sebuah model dengan memahami model-model
utama penerimaan teknologi yang telah ditemukan sebelumnya. Finally, saya memilih TPB dan DTPB.
Alasannya? ada di thesis saya dech
Lalufaktor-faktor yang saya temukan saya kelompokkan berdasarkan Faktor Utama (salient beliefs)
dari model acuan saya. Naaah..justifikasi apa yang memastikan pengelompokkan variable-variable itu
benar? Justifikasinya bisa mempergunakan model prominent sebelumnya + pembuktian Statistika
dengan menggunakan Factor Analysis (tepatnya Principal Component Analysis atau PCA). Bagaimana
melakukannya dengan SPSS sudah saya ceritakan di Posting Sebelumnya tentang Factor Analysis
Hasilnya, saya memperoleh sebuah model berisi faktor-faktor dan hubungan antar faktor yang siap
saya uji kebenarannya.
pengujian ini membutuhkan data yang relatif banyak karena saya akan menggunakan SEM (Structural
Equation Modelling) dan aplikasi AMOS.
Hubungan antar 2 faktor umumnya bisa dinyatakan dalam persamaan regresi linier sebagai berikut:

Contoh misal mau lihat hubungan antara

biaya yang

dihabiskan untuk Promosi (advertising) dan Penjualan (sales) yang diperoleh. Ternyata kita punya 5 data
disini (titik hijau). Nah..trend titik-titik hijau ini dapat kita simpulkan sebagai hubungan antara
Advertising dengan Sales, yakni berupa garis lurus. Masih ingat pelajaran SMA, persamaan garis lurus
hubungan X dan Y ini dapat dinyatakan dalam persamaan linear:
Y = mX + C
Y: koordinat titik Y (dalam hal ini Sales atau banyaknya Penjualan)
X: koordinat titik X (dalam hal ini Advertising atau banyaknya biaya promosi)
m: gradient atau kemiringan garis atau dalam bahasa English magnitude atau dalam persamaan
multiple-regression disebut regression weight dilambangkan dengan Beta.
C: adalah constanta selisih..atau dalam fakta sebenarnya
adalah error atau residualatau disturbance atau hal lain yang tidak terakomodasi dalam persamaan
linear tersebut.
Masalah menjadi sedikit kompleks manakala kita menganalisa bukan hanya 2 faktor tetapi hubungan
antara banyak faktor (misal antar faktor Y dengan faktor A, B, C, D, E). Maka persamaan yang kita
peroleh (disebut juga sebagai persamaan multivariate) yakni
Dependent variable = m1*Independent variable1 + m2*Independent variable2 + m3*Independent
variable3 + Error
atau dalam kasus diatas:
Y = m1A + m2B + m3C + m4D + m5E + Error
biasanya symbol gradient (m) dalam persamaan dinyatakan sebagai Beta atau magnitude factor.
Dalam penelitian yang saya lakukan saya mau mencari persamaan dari faktor-faktor yang
mempengaruhi perilaku Menggunakan Teknologi SMS layanan Publik (Usage atau U). Saya
menghipotesa bahwa Usage ini dipengaruhi oleh niat (Usage Intention atau UI) dan persepsi
kesempatan (Perceived Behavioral Control atau PBC). Sehingga persamaan saya:
U = m1 UI + m2 PBC + Error1

Lebih lanjut, Usage Intention (UI) dalam thesis saya dipengaruhi langsung oleh 3 faktor: Perceived
Behavioral Control (PBC), Attitude (A), dan Social Influences (SI):
UI = m3 PBC + m4 A + m5 SI + Error2
PBC dalam thesis saya dipengaruhi oleh Self Efficacy (SE) dan Facilitating Conditions (FC):
PBC = m6 SE + m7 FC + Error3
Attitude (A) dipengaruhi oleh 8 factors (detail di thesis saya

):PEU, PPTEI, PRQI, PCt, PPR, PCy,

PRk, PRs
A = m8 PEU + m9 PPTEI + m10 PRQI+ m11 PCt+ m12 PPR+ m13 PCy+ m14 PRk+ m15 PRs+ Error4
Social Influences (SI) dalam thesis saya dipengaruhi oleh II dan NSI:
SI = m16 II + m17 NSI + Error5
belum lagi masih ada hypotheses Cross-Over effects antar factor tersebut.
Naaah, akhirnya bukan cuman faktornya aja yang banyak, tetapi juga persamaannya juga banyak.
Umumnya pada analisis multi-regression seperti ini, kita pengin mencari:
* persamaan antara Dependent variable dengan indpendent variables nya ( mencari nilai setiap
Magnitute (m) dan setiap Error )
* seberapa besar predictor atau independent variables mampu memprediksi dependent variable (the
amount of variance in the dependent variable that is explained by predictor variables atau
dilambangkan sebagai R kuadrat)
* Predictor yang paling dominant (the most efficient predictor) berdasarkan nilai magnitude atau
Beta atau regression weight-nya.
dengan menguji nya dengan memasukkan data empiris hasil pengukuran variable-variable tersebut dr
sejumlah respondents (dalam penelitian saya memakai survey dan melibatkan 683 orang di Australia, 3
kota di Indonesia dan beberapa negara lain).
Seperti kita tahu (ingat pelajaran SMA) kalo kita punya persamaan dengan 2 variable: Y = mX + c
dan dalam survey kita misal sudah mengukur nilai X dan Y setiap orang maka kita memperoleh:
respondent 1:
5 = 2m + c
respondent 2:
4 = 3m + c

jika dua persamaan itu kita kurangkan saya akan memperoleh:

1 = -m sehingga m = -1
dan nilai c bisa saya hitung dengan memasukkan nilai m=-1 tersebut ke dalam salah satu persamaan
yang ada di atas:
5 = 2 * (-1) + c
c= 5/2
akhirnya kita tahu hubungan antara variable X dan Y adalah:
Y = X 5/2
jadi untuk mengetahui nilai dua variable yang belum saya ketahui (dalam hal ini m dan c) maka saya
membutuhkan sedikitnya 2 respondents (atau sebanyak variable yang tidak diketahui).
Nah..masalahnya jika kita punya banyak variable yang tidak diketahui dan banyak persamaan lagi, maka
kalo dihitung manual menjadi kompleks (baik dalam menghitung kecukupan respondent maupun
menghitung nilai magnitude atau biasanya Beta dan error yang ada). Disinilah SEm atau Structural
Equation Modeling dibutuhkan.
**********************
SEM (Structural Equation Modelling) dan AMOS
SEM adalah suatu teknik statistika untuk menguji dan mengkonfirmasi apakah suatu model hubungan
sebab-akibat yg kompleks (complex relationships) benar atau tidak (termasuk di dalamnya menghitung
nilai-nilai magnitude atau regression weight atau dilambangkan Beta tiap variable yang terlibat dari tiap
persamaan dan error-error yang ada). Untuk melakukannya, tool atau aplikasi yang menurut saya paling
simple dan komunikatif adalah menggunakan AMOS khususnya fasilitas AMOS graphicnya.
Aplikasi AMOS telah memungkinkan kita untuk menggambar dan melakukan berbagai jenis teknik yang
ada di SEM:
* Path Analysis : menguji hubungan antar variable-variable yang diukur langsung (semua variable
dilambangkan dengan kotak)
* Confirmatory factor analysis (CFA): menguji hubungan antara latent variable (factor yg tidak bisa
diukur langsung, diukur secara tidak langsung dari aspek-aspek yang diduga terkait..contoh:
kemampuan Matematika diukur dari nilai ujian Aritmetika + nilai Ujian Geometri + nilai ujian Aljabar
latent variable digambarkan dengan elips, sedangkan item-item tidak langsung yang untuk mengukur
digambar dengan kotak dengan arah garis panah dari latent variable ke item-item variable tersebut)
* Structural Regression model: yakni menguji hubungan antar latent variables.

Semua kemampuan itu diakomodasi oleh aplikasi AMOS.

********************************
Jenis-jenis variabel dalam SEM
Sebelum masuk bagaimana menggunakan AMOS, dibutuhkan pemahaman tentang jenis-jenis variabel
dalam SEM karena nanti kita musti membikin gambar yang tepat di AMOS.
Seperti kita tahu, saat kita menggambar hubungan antar variables biasanya kita menemukan hubungan
seperti ini:
Independent variables > Dependent variables
Independent variables > intermediate variables (as dependent as well as independent variables) >
Dependent variables
Nah, dalam SEM untuk menyederhanakan jenis variable ini (terutama utk intermediate variables) maka
hanya ada 2 jenis variables dalam SEM:
* Exogenous
yakni variables yang tidak tergantung dari variable manapun (total independent!),
cara ngapalinnya gampang: Exo..seperti kata Exit disini hanya ada panah terarah keluar dari variable
ini (tidak ada panah masuk ke variable ini).
* Endogenous
yakni variables yang (masih) tergantung dari variable lain (Jadi variable endogenous meliputi variable
dependent maupun intermediate!).
cara ngapalinnya gampang: End..disini berarti ada panah terarah berakhir/masuk ke variable ini.
* Latent vs Observed variables
Latent variable yakni variable yang tidak bisa diukur langsung (teknisnya tidak ada item pertanyaan
survey yang langsung menanyakan/mengukur variable ini). Variable latent diukur dengan item-item
pertanyaan yang mengukur aspek-aspek yang diduga terkait dan dilandasi (direpresentasikan) oleh
latent variable tersebut.
Observed variable adalah variable yang dapat diukur langsung (teknisnya ada item-item pertanyaan
survey yang langsung bertanya/mengukur variable ini, contoh: NIAT dengan pertanyaan Saya berniat
akan memakai teknologi ini: 1 2 3 4 5)
* Error: yakni unobserved variable yang mewakili ketidak akuratan pengukuran dan kemungkinan
variable lain yang tidak diukur dalam model.

Setiap Endogenous variable harus diberi Error variable! (variable yg tergantung variable lain)
Lambangnya lingkaran.
* Hubungan:
Direct effect (hubungan langsung) >
Correlation atau Covariance (kita hanya tertarik besar hubungan antar variables Bukan arah
hubungan) <>
Bi-directional effect atau Feedback loop yakni dua garis panah beda arah > dan < (atas bawah)
**************************************************************
Langkah-Langkah Menguji suatu Model dengan AMOS:

1. Gambar dahulu model lengkapkamu dengan tool graphic

yang disediakan oleh AMOS (di icon-icon itu disediakan tool untuk menggambar variable observed
(kotak), unobserved (elips), latent variable (yakni unobserved + variables utk mengukurnya..misal saya
ngukur self efficacy pake 3 pertanyaaan dari 3 aspect yang berbeda yakni SE1, SE2, SE3, maka saya
memakai tool inigambar lingkaran pake akar-akar ke atas), hubungan sebab akibat searah (gambar
panah), covariances (hubungan korelasi antar 2 variable tidak tertarik arah hubungannya ke
mana..gambar panah dua arah), menselect (telunjuk), menselect semua objects (tangan terbuka), mendeselect pilihan (tangan tertutup), copy object (mesin photo copy), memindah object (truck), mendelete
(silang), mengubah besar/kecil object (kotak dengan 4 anak panah keluar), memutar object misal untuk

latent object (lingkaran muter), memindah angka-angka hasil analisis biar tampak semua (gambar elips
ada 2 anak panah dibawahnya),
2. Attach data sumber kamu (misal dari file *.spss) ke tiap variable yang ada (dengan icon Select
data file dan List variable in data set Gambar Table dan Gambar kotak tiga baris)
3. Definisikan Analysis Properties yang ingin kamu lakukan (gambar Sempoa ada kotak-kotak)
4. Calculate (gambar Sempoa)
Nahhasilnya akan muncul nilai-nilaiRegression coefficient (ini yang kita sebut sebelumnya sebagai
magnitude),nilai error-error nya, dan variance explained dari dependent variable oleh predictor
variablesnya.
Nilai-nilai Output itu disampaikan dalam 2 macam:
-Unstandardized: yakni nilai-nilai correlation factor itu disampaikan apa adanya, maksud saya gini
misal kalo biaya promosi saya input dalam satuan Jutaan Rupiah maka nilai nya akan menjadi lain jika
orang lain memakai model saya dengan meng-input data promosi dalam Ribuan Rupiah. Jadi nilai
perhitungan Unstandardize ini tidak bisa dipakai acuan untuk parameter universal model kita, karena
akan berbeda untuk nilai unit yang berbeda! Dalam Output report di AMOS, unstandardized output ini
penting terutama untuk melihat nilai significancy P:
*** significant pada P < 0.01 (jadi kalo ada nilai P masih relatif dekat dengan 0.01 misal 0.016
masih bisa dipertimbankan)
** significant pada P <0.05
- Standardized: yakni nilai-nilai correlationnya telah distandarkan untuk unit ukuran apapun yakni
dengan cara membagi nilai Beta (regression coefficient) dengan standard deviation dari nilai Beta
tersebut.
Disini kita melihat nilai atau bobot hubungan antar faktor dari Table Standardized Regression
Weights dan sebagai ketentuan (Jacson et. al 2010..saya punya papernya):
Beta > 0.8 considered besar (pengaruh faktor ini besar)
0.8>= Beta > 0.5 moderate
Beta < 0.2 kecil
******************************************
Analisis Output AMOS
Sebenarnya setalah kita meng-Calculate model kita, maka nilai-nilai regression coefficients, variance
explained dan error udah akan muncul. Namun seringkali akan lebih mudah jika kita mengamati Table
Outputnya. Pertama, tampilin dulu laporan outputnya di View > Text Output
1.Pertama-tama lihat bagian Model Fit nya
bagian ini berisi parameter-parameter perhitungan apakah model yang kita analisa cocok atau tidak.

Cari dan check untuk default model apakah memenuhi nilai-nilai kecocokan model rekomendasi ini
(Joreskog and Sorbom 1993; Jackson, Dezee et al. 2005):

Chi-square (p value)

> 0.05

(at the = 0.05 level)

RMR (root mean squared residual)

< 0.05

RMSEA (root mean squared error of approximation)

< 0.05

GFI (goodness-of-fit index)

> 0.9

AGFI (adjusted goodness-of-fit index)

> 0.9

CFI (comparative fit index)

> 0.9

TLI (Tucker-Lewis Index)

> 0.9

Jika banyak yang nggak cocok maka lihat dimana masalahnya? dgn langkah ke-2
2. Lihat bagian Estimates
Lihat Table Regression Weights awal (unstandardized), lihat nilai P nya!
apakah semua nilai P significant (*** atau mendekati 0.01 atau ** atau mendekati 0.05)??
jika ada yang tidak significant atau nilai terlalu besar dari 0.01 atau 0.05 maka tandai
korelasi antar faktor itu, karena korelasi itu disarankan untuk dihapus dari model! (tetapi
sekali lagi ini hanya saran berdasar data yang kita punya, keputusan menghapus sangat tergantung juga
dari landasan teory yang kita punya).
Lihat di Table Standardized Regression Weights, lihat nilai Estimate nya
Cari nilai yang < 0.2 karena korelasi dua faktor ini relatif lemah/kecil! bisa dipertimbangkan
untuk di-delete.
Nah..jika kita menemukan banyak nilai yang lemah (dan umumnya memang estimasi pertama banyak
model yang nggak cocok), maka saatnya kita melihat Saran AMOS tentang modifikasi yang musti
dilakukan dan nilai variance explained yang akan berubah..
3. lihat bagian Modification Indices
Jadi di tabel ini ada saran:
covariance atau corelation baru yang bisa dibuat <>
hubungan searah baru yang bisa dibuat <
plus jangan lupa di langkah 2 tadi saran penghapusan hubungan yang lemah

Nah..sampai tahap ini, maka kita musti coba berbagai alternatif yang telah dilaporkan hingga
menemukan model yang memenuhi model fit.