MATERI PENUNJANG KULIAH

STATISTK KOMUNIKASI

ANALIS IS BIVARIATE

Copy ini hanya dimaksudkan sebagai penunjang perkuliahan tatap muka dalam kelas. Peserta kuliah tidak
akan memahami materi dalam copy ini tanpa mengikuti perkuliahan serta membaca buku teks yang
diwajibkan ataupun dianjurkan
 WHY BIVARIATE ANALYSIS?

THREE CRITERIA TO ESTABLISH CAUSALITY

(Neuman, 1997, pp.49-50; Nachmias & Nachmias, 1992, pp. 102-103)

1.COVARIATION/ ASSOCIATION

2.TIME-ORDER/TEMPORAL ORDER

3.NONSPURIOUSNESS/ THE ELIMINATION OF

PLAUSIBLE ALTERNATIVES
 ASSOCIATION – CORRELATION

 In common usage "association" refers to measures of strength of

relationship in which at least one of the variables is a dichotomy,
nominal, or ordinal. Correlation, is a type of association used
when both variables are interval . . . . – Garson
(www2.chass.ncsu.edu/grason/pa765
 SIGNIFICANCE VERSUS ASSOCIATION
 
 Measures of significance test the null hypothesis that the strength of an
observed relationship is not different from what would be expected due to
the chance of random sampling. Significance coefficients reflect not only
strength of relationship but also sample size and sometimes other
parameters.

 Therefore it is possible to have a relationship which displays strong

association but is not significant or a relationship which displays an
extremely weak association but is very significant.

 Note also that significance is relevant only when one has a random
sample, whereas association is always relevant to research inferences. –
Garson (www2.chass.ncsu.edu/grason/pa765)
 Bivariate Analysis
Analisis karakteristik korelasi dua variabel:

Statistical
Significance

Strength weak - strong

Direction negative - positive

Form lienar - curvilenear

Nonspuriousness
Direction of
influence

reciprocal asymmetric symmetric

independent vr. - dependent vr.

theoretical status
of independent vr.

sufficient necessary contributory

condition condition condition
 DATA ANALYSIS VS DATA INTERPRETATION

ANALISIS DATA INTERPRETASI DATA

CONCOMITANT VARIATION ASYMETRIC

“Tingkat Liberalisasi Ekonomi ” (x) “Liberalisasi Ekonomi ” (X)
berhubungan dng. “Tingkat mempengaruhi “Demokratisasi” (Y)
Demokratisasi ” : negara-negara yang x y
Tingkat Liberalisasi Ekonomi-nya
relatif “tinggi” cenderung memiliki
Tingkat Demokratisasi yang juga
relatif tinggi
x y
INVERSED ASYMMETRIC
Correlation or association is “Demokratisasi ” (x) mempengaruhi
symmetrical, not providing evidence ‘Liberalisasi Ekonomi” (y)
of which way causation flows. x y

SYMMETRIC
“Demokratisasi’ dan “Liberalisasi
Ekonomi” sebenarnya tidak
berhubungan; kemunculan
keduanya lebih disebabkan oleh
factor z (e.g. tekanan internasional)
x
z
y

RECIPROCAL
“ Demokratisasi” dan “Liberalisasi
Ekonomi” saling mempengaruhi

x y
 THEORETICAL STATUS
OF INDEPENDENT VARIABLE

 Sufficient condition , atau kondisi cukup. Suatu variabel

mempunyai status sebagai suatu sufficient condition apabila
hanya dengan variabel itu saja telah dimungkinkan munculnya
suatu gejala lain.

X Y

 Necessary condition , atau kondisi yang diperlukan bagi

munculnya suatu gejala lain. Suatu gejala tidak akan muncul
tanpa adanya kondisi yang diperlukan tersebut; tetapi hanya
dengan kondisi itu saja, gejala tersebut juga tidak akan muncul.

X1 Y

X2

X3

 Contributory condition , atau kondisi penunjang, merupakan

kondisi yang memperbesar kemungkinan munculnya suatu
gejala. Namun tanpa kondisi itupun, gejala tadi tetap bisa
muncul.
X1 Y

X2

X3
 STATUS TEORETIK INDEPENDENT VARIABLE

Sufficient Condition

Tidak pilih MARLBORO Pilih MARLBORO

Pria - 100%
Perempuan 100% -

Necessary Condition

Tidak pilih MARLBORO Pilih MARLBORO

Pria 20% 80%
Perempuan 100% -

Contributory Condition

Tidak pilih MARLBORO Pilih MARLBORO

Pria 20% 80%
Perempuan 60% 40%
 ANALISIS DATA
Apa yang kita temuai dalam data
(`What )
 Variabel “Television Use” (x) berhubungan
dng. variabel “ Political Attitude ” : mereka
yang “amat sering” menonton TV
cenderung menyebut dirinya sebagai
“moderate” -- bukan “liberal” atau
“conservative” (Gerbner et al., 1984) 1
x y
1George Gerbner et al. (1984), Political Correlates of Television Viewing.” Public Opinion Quarterly , Vol.48; pp. 283-300.
2George Gerbner, and Larry Gross (1976) “Living with Television: the Violence Profile No.. 9.” Journal of Communication, No.26,; pp.176-207.
INTERPRETASI DATA:
Beberapa Alternatif Theoretical Interpretations
Bagaimana variabel2 tadi berhubungan Mengapa variabel2 tsb berhubungan demikian
( How ) ( Why )
 Asymmetrical: “Television Use” (X)  TV cenderung memilih penggambran situasi atau
mempengaruhi “Political Attitude” (Y) sikap yang moderat, menghindari yang ekstrim,
baik yang liberal ataupun konservatif (Gerbner,
x y
1976)2
 Televisis cenderung mempertemukan situasi atau
sikap-sikap ekstrim secara berimbang, sehingga
secara keseluruhan akan menampilkan “middle-of-
the-road images and values” tentang realitas
politik yang ada. Karenanya, seorang yang relatif
banyak menonton TV juga cenderung
menempatkan diri sebagai pihak yang “moderat”
 Inversed asymmetrical: “Political Attitude” (x)  Mereka yang merasa moderat cenderung lebih
mempengaruhi ‘television use” (y) banyak mempergunakan TV, antara lain karena ia
menilai TV merupakan medium yang netral
x y
(dibanding suratkabar)
 Symmetrical: “political Attitude” (x) dan “television  Suatu kondisi psikologis tertentu (z) menyebabkan
use” (y) sebenarnya tidak berkorelasi, namun individu lcenderung menarik diri dari lingkungan
masing2 dipengaruhi oleh kondisi psikologis politik di sekitarnya (tidak ingin mengambil sikap
tertentu (z) apapun terhadap isu-isu politik yang muncul) dan
lebih banyak memanfaatkan waktunya untuk
x membenamkan diri dalam acara TV
z y
Reciprocal: “ Political Attitude” dan “television use”  Mereka yg merasa moderat, cenderung memilih
saling mempengaruhi x saluran TV yg moderat. Pemberitaan yg moderat
y memperkuat sikap moderat yg telah dimiliki.
BEBERAPA FORMULASI HUBUNGAN BIVARIAT DAN KONSEKUENSI PENGUKURANNYA
 CONCOMITANT VARIATION Pearson’s r
semakin sering melihat tayangan kampanye Golkar
semakin positif sikap terhadap Golkar

CROSS-SECTIONAL  DIFFERENTIATION t-test

kelompok yang sering melihat tayangan kampanye independent
Golkar relatif lebih bersikap positif terhadap Golkar samples
dibanding kelompok yang jarang menonton

CORRELATION  PROBABILITY DISTRIBUTION

persentase orang yang bersikap positif terhadap Cramer
Golkar diantara yang sering menonton tayangan Lambda
kampanye Golkar relatif lebih besar dibanding diantara Spearman
mereka yang jarang menonton tayangan kampanye Kendall
partai tersebut

LONGITUDINAL  BEFORE-AFTER DIFFERENTIATION t-test

Setelah menonton serangkaian tayangan kampanye paired samples
Golkar persentase orang yang bersikap positif
terhadap partai tersebut meningkat dibanding
sebelumnya.
 GENDER BY PARTY AFFILIATION
CROSSTABULATION

PARTY Total
GENDER PDI-P PAN PKB PAN PK PPP Golkar PBB
Female Count 271 2 4 133 1 12 45 1 469
% within Gender 57.8% .4% .9% 28.4% .2% 2.6% 9.6% .2% 100.0%
% within Party 65.3% 20.0% 7.3% 41.3% 50.0% 92.3% 16.0% 50.0% 42.6%
Male Count 144 8 51 189 1 1 236 1 631
% within Gender 22.8% 1.3% 8.1% 30.0% .2% .2% 37.4% .2% 100.0%
% within Party 34.7% 80.0% 92.7% 58.7% 50.0% 7.7% 84.0% 50.0% 57.4%
Total Count 415 10 55 322 2 13 281 2 1100
Chi-Square Tests
Value df Asymp. Sig. (2-sided)
Likelihood Ratio 230.06 7 .000
3
N of Valid Cases 1100
a 5 cells (31.3%) have expected count less than 5. The minimum expected count is .85.

Directional Measures
Value Asymp. Std. Approx. T Approx. Sig.
Error
Lambda Symmetric .199 .027 7.092 .000
Gender .294 .037 6.777 .000
Dependent
College .134 .026 4.768 .000
Dependent
Goodman and Kruskal tau Gender .193 .021 .000
Dependent
College .071 .010 .000
Dependent
Uncertainty Coefficient Symmetric .103 .012 8.370 .000
Gender .153 .018 8.370 .000
Dependent
College .078 .009 8.370 .000
Dependent
a Not assuming the null hypothesis. c
Based on chi-square approximation
b Using the asymptotic standard error assuming the null hypothesis. d Likelihood ratio chi-square
probability

Symmetric Measures
Value Asymp. Std. Approx. T Approx. Sig.
Error
Phi .439 .000
Cramer's V .439 .000
Contingency Coefficient .402 .000
Kendall's tau-b .333 .025 13.269 .000
Kendall's tau-c .391 .029 13.269 .000
Gamma .535 .036 13.269 .000
Spearman Correlation .360 .027 12.776 .000
 Chi-square 2

 2 =  ( O f - Ef ) 2
Ef
 Of = observed frequency ;
 Ef = expected frequency

 Tidak mengukur kekuatan hubungan

 Tidak bisa diperbandingkan dengan nilai 2 tabel lain yang memiliki kolom dan
baris berbeda, dan n juga berbeda
 Derajat kebebasan df = (c-1 ) ( r - 1 )
 Syarat penggunaan: tidak ada sel dengan E f < 1 ; jumlah sel yang memiliki Ef < 5
tidak boleh lebih dari 20% (Kohout, 1978; p.400)
  2 =  ( O f - E f )2 CONTOH PENGHITUNGAN
Ef
Sikap Latarbelakang Pendidikan
Terhadap
PLTN Humaniora/ Ekonomi/ Bisnis Sains/Teknik Total
Sosial
Setuju 20 20 40 80
Tidak Setuju 20 35 20 75
Tidak Tahu 30 25 20 75
Total 70 80 80 230

O E O-E (O-E)2 (O-E)2

E
20 24.35 - 4.35 18.92 0.77
20 27.82 - 7.82 dst. dst.
40 27.82 dst.
20 22.82
35 26.08
20 26.08
30 22.82
25 26.68
20 26.68
2 =  ( Of - Ef )2 16.840
Ef
2 = 16.840 > 11.07 (critical value untuk  = 0.05 dan df = 4). Keputusan= Tolak Ho
 Chi-square ( 2 )
2x2 2x2 2x2 rxk
n > 40 E.F. > 5 E.F. < 5 r >2
20  N  40 N < 20 k>2

2 = N (AD - BC)2
(A+B)(B+C) (A+ C) (B+D)
v
2 =  ( Of - Ef )2
Ef
v
2 = N (  AD - BC – N/2)2
(A+B) (B+C) (A+C)(B+D)
v Yates
Correction

2 = ( A+B) (C+D) (A+C)(B+D)

N A B C D
v Fischer’s
exact test

2 ‗ N│AD-BC│² McNemar
(A+D) test for
correlated
 MULTIVARIATE ANALYSIS

Multivariate analysis

Elaborasi
contingency tables
split correlation analysis
high-order partial correlation
path analysis

Regressi/
Prediksi
multiple regression

Differensiasi
discriminant analysis
manova

Eksplorasi/
identifikasi
factor analysis
cluster analysis
 Elaborasi
 Elaborasi:
Memasukkan (mengontrol/membuatkonstan) variabel ketiga dalam
analisis hubungan antaraindependent vr. dan dependent vr.guna merinci hubungan tsb.

 Variabel ketiga:
test factor/variable, intervening vr.,antecedent vr., specifying vr., dsb.
(tergantung Kerangka Teori)

 Pengontrolan variabel:
membuat konstan suatu vr. (merubah suatu variabel menjadi konstanta)

 Beberapa teknik elaborasi:

1. contingency tables
2. split/differential analysis
3. high-order partial correlation
Kemungkinan Hasil Suatu Elaborasi:

Konstan Replication

Melemah Explanation
3rd vr = antecedent vr.
Interpretation
3rd vr = intervening vr.

Terbelah Specification
3rd vr = specifying vr.

Menguat 3rd vr = suppressor vr.

Antecent Independent Intervening Dependent

variable(s) variable(s) variable(s) variable(s)

Specifying
variable(s)
extraneous
variable(s)
 Elaborasi 1
CONTINGENCY TABLES

Tabel Silang SES dan Konservatisme

( Zero-order Table )
n = 500 Pria & Wanita

SES

Konservatisme Rendah Tinggi

Tinggi 33% 78%

Rendah 67% 22%

100% 100%
 Tabel Silang SES dan Konservatisme
Dalam Kelompok Pria
( First-order Table )
n = 300 Pria
SES
Konservatisme Rendah Tinggi
Tinggi 48% 49%
Rendah 52% 51%
100% 100%
 Tabel Silang SES dan Konservatisme
Dalam Kelompok Wanita
( First-order Table )
n = 200 Wanita
SES
Konservatisme Rendah Tinggi
Tinggi 13% 81%
Rendah 87% 19%
100% 100%
 Elaborasi 2
SPLIT CORRELATION ANALYSIS

Zero-order Correlation

MIDSTAT MPS

MIDSTAT 1.0000 .5928

( 112) ( 112)
P= . P= .000

MPS .5928 1.0000

( 112) ( 112)
P= .000 P= .
 First-order Correlation (controlling for sex)
SEX: 1 pria

MIDSTAT MPS

MIDSTAT 1.0000 .8099

( 58) ( 58)
P= . P= .000

MPS .8099 1.0000

( 58) ( 58)
P= .000 P= .

SEX: 2 wanita
MIDSTAT MPS

MIDSTAT 1.0000 .2321

( 54) ( 54)
P= . P= .091

MPS .2321 1.0000

( 54) ( 54)
P= .091 P= .
Contoh
HIGH-ORDER P A R T I A L C O R R E L A T I O N ANALYSIS

Zero-order Correlation Coefficient

MIDSTAT MPS

MIDSTAT 1.0000 .5928

( 112) ( 112)
P= . P= .000

MPS .5928 1.0000

( 112) ( 112)
P= .000 P= .

First-order Partial Correlation Coefficient

Controlling for.. LOGIKA

MPS MIDSTAT

MPS 1.0000 .1687

( 0) ( 109)
P= . P= .077

MIDSTAT .1687 1.0000

( 109) ( 0)
P= .077 P= .
Elaborasi 3
HIGH-ORDER PARTIAL CORRELATION ANALYSIS

 Zero-order Partial Correlation Coefficient

N xy - (x) (y)
r xy =

[ Nx 2 - (x)2 ] [ Ny 2 - (y)2 ]

 First-order Partial Correlation Coefficient (Controling for A)

r XY - (r XA )(r YA )
r XY/A =
(1- r XA 2) (1- r YA 2)