Anda di halaman 1dari 12

Bab II

Pembahasan
Apabila dalam suatu penelitian diperoleh data yang bukan merupakan hasil
pengukuran, tetapi suatu data yang bersifat kualitatif atau kategorikal dari suatu
variabel kategori K yang bersifat diskrit, maka analisis statistik yang sesuai adalah
dengan analisis data kualitatif yaitu analisi ln linear. Data-data kualitatif semacam ini
sering kita jumpai dalam penelitian-penelitian bidang sosial dan biolni.
Analisis log linier digunakan untuk mengetahui hubungan antara variabel
kategorikal atau kualitatif sehingga antar variabel tersebut diketahui pola
hubungannya. Analisis Lnlinear merupakan perpanjangan dari tabel kontingensi dua
arah dimana hubungan kondisional antara dua atau lebih diskrit, variabel kategoris
dianalisis dengan mengambil lnaritma natural dari frekuensi sel dalam tabel
kontingensi. Meskipun model-model lnlinear dapat digunakan untuk menganalisis
hubungan antara dua variabel kategori (dua arah tabel kontingensi), mereka lebih
sering digunakan untuk mengevaluasi tabel kontingensi multiway yang melibatkan tiga
atau lebih variabel. Variabel yang diselidiki oleh model ln linier semua diperlakukan
sebagai "variabel respon". Dengan kata lain, tak ada perbedaan antara variabel
independen dan dependen. Oleh karena itu, model lnlinear hanya menunjukkan
hubungan antara variabel. Jika satu atau lebih variabel diperlakukan secara eksplisit
bergantung dan lain-lain sebagai independen, maka lnit atau regresi lnistik harus
digunakan sebagai gantinya. Juga, jika variabel yang sedang diselidiki adalah kontinu
dan tidak dapat dipecah menjadi kategori diskrit, lnit atau regresi lnistik akan kembali
analisis yang tepat.
a. Model ln linear dua dimensi
Jika terdapat dua variabel, dengan variabel pertama terdiri dari i kategori,
variabel kedua meliputi j kategori, maka model ln linear untuk variabel diatas
disebut dengan model ln linier dua dimensi.
Bentuk model lengkapnya adalah sebagai berikut:

dimana
U = rata-rata dari seluruh lnaritma nilai harapan
= pengaruh variabel pertama terhadap model
= pengaruh variabel kedua terhadap model
= pengaruh variabel pertama dan kedua terhadap model
Pemasangan model
Jika kita berpikir bahwa satu set variabel memenuhi model ln-linear, maka
kita dapat menggunakan data sampel untuk mendapatkan perkiraan
frekuensi yang diharapkan sel untuk model itu. Untuk model estimasi ML

dari frekuensi yang diharapkan tergantung pada frekuensi sel hanya melalui
beberapa statistik yang cukup. Statistik yang cukup adalah distribusi
marjinal yang sesuai dengan ketentuan dalam simbol untuk model. Dalam
tabel dua dimensi statistik yang cukup adalah frekuensi marjinal n i dan n. J..
Kita sekarang dapat menulis bentuk probabilistik, frekuensi yang diharapkan
estimasi dan derajat kebebasan
Model Formulir probabilistik

Perkiraan
n i n..

(X, Y)

p ij = p p i..

df
j

^
=
m ij

(R -1) (c -1)
N

(XY)

^
= n ij
m ij

Dalam model (X, Y) bentuk probabilitas model menentukan asumsi


kemerdekaan.
Seperti telah ditunjukkan, frekuensi yang diharapkan
diperkirakan di bawah asumsi yang sama. Dalam model (X, Y) yang
diharapkan frekuensi marjinal diperkirakan dan adalah identik dengan
frekuensi marjinal diamati n i dan n.. j:
n n i..
^
=
m ij

^
=
m ij

n i.

=
N

n. j,

yang c n. j = N , maka
n i.
^
=
m i.

N = n i.
N

(Sama untuk

^
m. j

).

Sejauh derajat kebebasan yang bersangkutan, kita tahu bahwa satu-satunya


kendala dalam hal probabilitas sel r c ij p = 1, sehingga ada (rc - 1) probabilitas linear
sel dalam tabel. Sejauh probabilitas marjinal yang bersangkutan, probabilitas marjinal

linear untuk p i. adalah (r -1), menjadi r i. p = 1, dan untuk p. j mereka adalah (c -1),
menjadi c p. j = 1. Total adalah (r -1) + (c -1) = r + c -2.
Derajat kebebasan untuk model (X, Y) sesuai dengan perbedaan antara sel
probabilitas linear dalam tabel dan jumlah probabilitas linear dalam kategori marjinal,
sehingga,
df = (rc - 1) - (r + c - 2) = (r - 1) (c - 1).
Probabilitas sel linear independen untuk dikurangkan dari (rc - 1), dalam rangka untuk
menentukan derajat kebebasan, adalah (r + c -2) untuk kategori marjinal, dan (r -1) (c 1) untuk interaksi kategori, kemudian
df. = (Rc - 1) - [(r + c - 2) + (r - 1) (c - 1)] = 0.
Untuk frekuensi yang diharapkan diperkirakan dalam model (XY), model ini berisi
semua parameter yang mungkin, sehingga memberi cocok sempurna untuk data; maka
diharapkan frekuensi diperkirakan hanya
^
= N ij.
m ij
Sebagai model pas yang bersangkutan, kita mengatakan bahwa model memiliki fit yang
baik jika itu merupakan data. Ini berarti bahwa statistik
r
2

G =

n ij

n ij ln
^
m ij

harus menjadi nilai yang, dalam ditetapkan G2 distribusi, memiliki nilai p lebih tinggi
dibandingkan 0.10 setidaknya. Artinya, frekuensi yang diharapkan diperkirakan cukup
dekat dengan frekuensi yang diamati.
Jika bentuk probabilitas model ini p ij = p p i.. j, G 2 statistik dengan p> 0,10 memberikan
bukti bahwa X dan Y adalah independen dan model (X, Y) sesuai dengan data yang benar

Efek

Tabel 2.3: Efek, hipotesis nol, frekuensi yang diharapkan diperkirakan, derajat kebebasan
Efek

Hipotesis Nol

Est. exp. frekuensi

df

Umum
p 11 = = p rc = [1 / (rc)] n 11 = = n rc = [N / (rc)]

rc -1

efek
Tunggal
p 1 = = p r = 1 / r

n 1 = = n r = N / r

r-1

p .1 = = p c =. 1 / c

n .1 = = n. c = N / c

c-1

p ij = p i. p. j

[(N i. n. J) / (N)]

(R -1) (c -1)

Faktor
Efek
Berinteraksi.
Efek
Pada tabel 2.3 , untuk efek umum, hipotesis nol menentukan probabilitas yang sama untuk semua
sel RXC, maka equidistribution N dalam sel RXC. Untuk setiap variabel tunggal (faktor), hipotesis nol
menentukan probabilitas yang sama untuk kategori, maka equidistribution N dalam kategori. Untuk
efek interaksi, hipotesis nol menetapkan bahwa dua variabel X dan Y independen. Rasio
kemungkinan statistik G 2 digunakan untuk menguji hipotesis dalam tabel 2.3 .
Tabel 2.4: Efek, simbol, statistik rasio kemungkinan, derajat kebebasan
Efek

Sym.

Kemungkinan rasio statistik

df

Umum
-

G 2 = 2 {rc n ij ln (n ij / [N / rc])}

rc -1

Efek
Tunggal
X

G X 2 = 2 r i. n ln (n i. / N / r)}

r -1

G Y 2 = 2 c j n ln. (N. J / N / c)}

c -1

Faktor
Efek
Berinteraksi.
XY
Efek

G XY 2 = 2 r c ij n ln (n ij / [(n i.
(R -1) (c -1)
n. J) / N])}

Nilai tinggi dari statistik 2 G (p <.05) memberikan bukti bahwa hipotesis nol ditolak dan bahwa ada
efek ditafsirkan karena faktor tertentu (variabel) atau interaksi dari X dan Y.

Parameter estimasi dalam model ln-linear


Estimasi parameter u dalam model ln-linier diperoleh dengan mengganti frekuensi
yang diharapkan diperkirakan ke rumus untuk parameter u. Mengingat tabel dua
dimensi, formula adalah:
1
^
=
u

^
)
m ij

ln (

rc
1
^
=
u X (i)

ln (

^
^
)m ij
u

ln (

^
^
)m ij
u

c
1
^
=
u Y (j)

^
^
^ ^
^
= Ln (
)u XY (ij)
m ij
u u X (i) u Y (j)

1
^
= Ln (
)m ij

1
^
ln (
)m ij

mana, dalam model jenuh,

ln (

^
^
)+
.
m ij
u

^
= n ij .
m ij

Analisis data
Kami mempertimbangkan sebuah contoh ilustratif. Sebuah tabel dua dimensi diberikan
(tabel 2.5 )

Tabel 2.5: frekuensi Diamati


Variabel Y

Variabel X

20

56

24

100

28

14

50

16

20

30

100

40

170

Frekuensi yang diharapkan diperkirakan dihitung untuk setiap sel (tabel 2.6 ). Para G
(X, Y) 2 statistik untuk model kemandirian dihitung dalam rangka untuk memberikan
bukti, baik bahwa (X, Y) model cocok dengan data, atau bahwa model tersebut tidak
sesuai dengan data dan efek interaksi hadir.
Tabel 2.6: Perkiraan frekuensi yang diharapkan
Variabel Y
1

1 17.65 58.82 23.53 100


Variabel X

8.82 29.41 11.76

50

3.53 11.76

20

30
mana, misalnya, 17,65 = [100 30 / 170].
Model yang tepat
Nilai statistik adalah

100

4.71

40 170

dengan dF=5,14 dan p> 0.10. Hasil ini menunjukkan bahwa (X, Y) model kemandirian
sesuai dengan data, yaitu,
ln (m ij) = u + u X (i) + u Y (j).
Jadi, tidak ada bukti adanya efek interaksi XY.
Dalam tabel berikut estimasi untuk parameter dalam model ketergantungan (X,
Y) disajikan. Mereka adalah perkiraan marjinal untuk X dan Y kategori.
X (i)

Y (j)

.77

-. 50

.07

.71

-. 84

-. 21

Dalam tabel diperoleh:

]
[

=0.77
Begitu seterusnya

=-0.50
Begitu seterusnya.
Jadi model ln linearnya adalah
ln m ij = u + u X (i) + u Y (j)
ln mij = 1.13 +(0.77+0.07-0.84)+(-0.50+0.71-0.21)
= 1.13

Dengan spss
Penentuan model:
Hipotesis yang digunakan:
H0: interaksi k-faktor dan yang lebih tinggi sama dengan nol
H1: interaksi k-faktor dan yang lebih tinggi terkandung dalam model
Keputusan yang diambil adalah tolak H0 jika p , dimana = 0,05.

K-Way and Higher-Order Effects


K

Likelihood Ratio
df

K-way and Higher Order


Effects
a.

Chi-Square

Pearson

Sig.

Chi-Square

Number of
Sig.

Iterations

126,238

,000

122,024

,000

68,826

,000

56,243

,000

Tests that k-way and higher order effects are zero.

Berdasarkan hasil output di atas, untuk k = 2 dan k = 1, memberi keputusan


bahwa H0 ditolak, yang berarti secara signifikan menjelaskan hubungan antar peubah
di semua tingkat interaksi dalam model dan minimal interaksi 2 faktor harus terdapat
dalam model.

Tahap kedua adalah menguji kesesuaian model penuh dengan k-faktor sama dengan
nol. Hipotesis yang disusun adalah:
H0: interaksi k-faktor sama dengan nol
H1: interaksi k-faktor terkandung dalam model

Keputusan yang diambil adalah tolak H0 jika p , dimana = 0,05.


K-Way and Higher-Order Effects
K

Likelihood Ratio
df

K-way Effects

Chi-Square

Pearson

Sig.

Chi-Square

Number of
Sig.

57,412

,000

65,781

,000

68,826

,000

56,243

,000

a. Tests that k-way effects are zero.

Berdasarkan output di atas, untuk k = 1 dan k = 2, H0 ditolak, berarti model


dengan interaksi 1 faktor dan 2 faktor signifikan menjelaskan hubungan antar peubah.
Tahap ketiga adalah menguji kebebasan secara parsial. Uji ini akan menunjukkan
interaksi-interaksi yang ada dalam model. Jika diuji pada tingkat kepercayaan 0,05,
dengan hipotesis:
H0: tidak ada interaksi antar berbagai peubah
H1: interaksi antar berbagai peubah terkandung dalam model

Partial Associations
Effect

Partial Chidf

Iterations

Square

Number of
Sig.

Iterations

47,573

,000

9,839

,007

Maka dihasilkan dua efek utama. Apabila diurutkan berdasarkan tingkat signifikansinya,
interaksi-interaksi yang ada dalam model adalah [y], [x].

Convergence Information
Generating Class

y*x

Number of Iterations
Max. Difference between

0
,000

Observed and Fitted


Marginals
Convergence Criterion

3,136

a. Statistics for the final model after Backward Elimination.

Bentuk umum dari model log linier:


ln m ij = u + u X (i) + u Y (j)

b. Model ln linear tiga dimensi


Jika terdapat tiga variabel, dengan variabel pertama terdiri dari i kategori,
variabel kedua meliputi j kategori dan variabel ketiga dikelompokan menjadi
k kategori, maka model ln linear untuk variabel diatas disebut dengan model
ln linier tiga dimensi.
Bentuk model lengkapnya adalah sebagai berikut:

U = rata-rata dari seluruh lnaritma nilai harapan


= pengaruh variabel pertama terhadap model
= pengaruh variabel kedua terhadap model

= pengaruh variabel ketiga terhadap model


= pengaruh variabel pertama dan kedua terhadap model
= pengaruh variabel pertama dan ketiga terhadap model
= pengaruh variabel kedua dan ketiga terhadap model
= pengaruh variabel pertama, kedua dan ketiga terhadap model

c. Prinsip Hirarki
Prinsip hirarki adalah suatu cara untuk mencari semua kemungkinan dari
metode yang ada. Prinsip hirarki pada dasarnya adalah mencari model secara
teratur dan beraturan dari U oorder tinggi menuju U order yang lebih rendah,
dengan prinsip bahwa jika u order yang mempunyai tingkatan lebih tinggi
masuk atau ada ada di dalam model, maka faktor lain yang lebih rendah
harus ada. Demikian sebaliknya, jika U dengan faktor yang lebih tinggi pasti
juga tidak masuk pada model misalnya, suku
ada dalam model, maka
juga harus masuk dalam model. Sedangkan misalkan
tidak masuk dalam model, maka suku
tidak masuk dalam model.
Tabel 2.14: Ln-linear model
Model

Simbol

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k)

(X, Y, Z)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XY (ij)

(XY, Z)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XZ (ik)

(XZ, Y)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u YZ (jk)

(YZ, X)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XY (ij) u YZ + (jk)

(XY, YZ)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XY (ij) u XZ + (ik)

(XY, XZ)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XZ (ik) u YZ + (jk)

(XZ, YZ)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XY (ij) u XZ (ik) + + u YZ (jk)

(XY, XZ, YZ)

ln (m ijk) = u + u X (i) + u Y (j) + u Z (k) + u XY (ij) u XZ (ik) + + u YZ (jk) (XYZ)

+ U XYZ (ijk)