Korelasi Parsial Dan Kausalitas
Korelasi Parsial Dan Kausalitas
Y ' = -0.069
(Y ' ) 628.3785
2
X ' 0.0068
( X ' ) 0.461886
2
Gambar ini mirip sekali dengan gambar cara eksplorasi yang sejajar, table 1.7.
Kedua gambar dihasilkan dengan cara yang sama : pengaruh linear dalam Y
dan X2 dicari lalu dikeluarkan, kemudian sisa digambarkan untuk menunjukkan
bagaimana kemungkinan kaitan Y dan X2 dengan keluarnya X1.
= -0.77
Dengan membuat integrasi konstan dinamakan korelasi parsial mobilitas dan
heterogenitas. Lebih mudah menyatakan eratnya korelasi parsial ini dalam r 2,
kuadrat korelasi, disini (-0.77)2 = 0.59, yang berarti bahwa heterogenitas
menyebabkan 59% dari variable pada mobilitas bila integrasi dikontrol.
Bagian yang tidak dijelaskan, yaitu 1 0.59 = 0.41, berkorespondensi dengan
nisbah dq pada cara eksplorasi sebesar :
dq Y ' '
0.60
dq Y '
rX 2Y (rX 2 X 1 )(rYX1 )
1 r 2 X 2 X 1
1 r 2YX 1
(1 r 2 X 2 X 1 ) (1 r 2YX 1 ) :
1 r2 menyatakan bagian variable terikat yang tak
diterangkan : jadi disini terdapat bagian X 2 dab Y yang tak
diterangkan oleh X1.
Dalam contoh diatas,
rX2Y.X1 =
0.60 (0.02)(0.64)
1 0.0004 1 0.41
0.59
= (1)(0.77)
= -0.77
Harganya sama dengan harga korelasi X 2 dan Y yang perhitungannya lebih
panjang, tetapi secara numerik identik.
r 2 X 2Y . X 1
F1, N-3 =
N 3
2
1 r X 2Y . X 1
Dihitung hasil bagi (nisbah) variansi yang dijelaskan dengan yang tak
dijelaskan (parsial r kuadrat dibagi 1 kurang parsial r kuadrat) dan dikalikan
dengan derajat kebebasan (N-3). Derajat kebebasannya menjadi 1 dan N-3
bukan 1 dan N-2 (korelasi sederhana), karena digunakan satu variable lagi
(kita control X1).
Pada contoh tadi, kuadrat korelasi parsial antara heterogenitas dan mobilitas
bila integrasi dikontrol adalah :
r2X2Y.X1 = 0.59 jadi
0.59
F1, 12 = 1 1.59 (12)
= 17.268
Yang signifikan melampaui taraf 1%. Jadi pengaruh heterogenitas nyata atas
mobilitas, integrasi dikontrol. Seperti korelasi sederhana, korelasi parsial
simetris : tak dapat ditentukan apakah heterogenitas yang variable bebas
dan mobilitas variable tak bebas, ataupun sebaliknya. Sering diamati bahwa
korelasi yang besar antara X dan Y tidak berarti bahwa X penyebab Y.
Variabel Yang Berkaitan dan Hubungan Kausal
Apakah Anda tahu bahwa kecepatan membaca dan panjang jempol
berkorelasi positif dalam populasi dan korelasinya pun cukup erat? Apakah itu
berarti bahwa keduanya berkaitan secara kausal? Ada kaitan antara kedua
variable tadi, tapi bukan kausal. Orang-orang yang bertubuh kecil biasanya
bertubuh kecil pula, umumnya anak-anak, dan anak-anak biasanya membaca
lebih lambat daripada orang dewasa. Dengan meningkatnya umur, jempol pun
bertambah panjang begitupun kecepatan membaca. Karena itu, bila umur
dikontrol mka korelasi antara panjang jempol dan kecepatan membaca akan
hilang. Situasi ini digambarkan dengan diagram kecil dimana hubungan kausal
dinyatakan dengan anak panah. Tanda plus pada anak panah menunjukkan
hubungannya positif dan tanda minus bila negatif.,
Panjang Jempol
Kecepatan
Membaca
Umur
Umur berkaitan secara kausal baik dengan panjang jempol maupun kecepatan
membaca. Panjang jempol tidaklah mempunyai kaitan kausal dengan kecepatan
membaca (tidak ada anak panah di antaranya). Akan tetapi panjang jempol
dan kecepatan membaca berkorelasi positif karena keduanya berkaitan
dengan umur. Korelasi seperti ini disebut korelasi maya : suatu korelasi
antara dua variable dimana yang satu tidak punya pengaruh atas yang lainnya,
tetapi berkaitan akibat pengaruh yang dialami bersama dari variable dan
variable-variabel lainnya. Hubungan maya ini dapat dikenali bila punya
informasi mengenai variabel yang maya itu; kontrollah variable tersebut dan
lihat apakah korelasinya menjadi kecil.
Contoh lain : Pengeluaran perkapita untuk minuman keras menurut
waktu berkaitan erat secara positif dengan rata-rata gaji pendeta. Seolaholah jalan mencegah agar orang-orang tidak mabuk ialah dengan membiarkan
para pendeta miskin. Rasanya ini tidak benar, karena itu kita anggap bahwa
penghasilan pendeta tak berkaitan secara kausal dengan pengeluaran untuk
alkohol. Tetapi, mungkin ada hubungan kausal dalam arah yang berlawanan :
kenaikan pengeluaran untuk alkohol mungkin menimbulkan masalah sosial yang
lebih besar sehingga permintaan bantuan pendeta bertambah besar pula.
Tetapi kemungkinan yang terbesar ialah inipun merupakan korelasi maya.
Barangkali hubungannya sebagai berikut :
+
Pengeluaran per
jiwa untuk alkohol
Gaji pendeta
Bila PNB per jiwa dikontrol maka korelasi antara gaji pendeta dan
pengeluaran untuk alkohol mestinya menjadi kecil.
Urbanisasi (U)
penyebab
Bila model ini benar, maka korelasi antara urbanisasi dengan tingkat kematian
haruslah nol bila PNB per jiwa dikontrol. Dengan memasukkan harga-harganya
diperoleh :
rUK.P =
0.33 ( 0.41)(0.71)
= -0.06
1 ( 0,41) 2 1 (0,71) 2
Harganya kecil sekali, mendukung kuat bagi model di atas. Akan tetapi, dari
segi konsepsi masih mungkin model alternatifnya yang berlaku; kekayaan
dapat menjadi penyebab urbanisasi seperti pada model sebelumnya, tetapi
kesehatan mungkin lebih terjamin di kota. Maka modelnya akan menjadi :
+
PNG per jiwa
rPK.U =
Urbanisasi
Tingkat kematian
0.41 (0.71)(0.33)
1 0.712 1 ( 0.33) 2
= -0.27
Jelas terlihat bahwa model yang pertama lebih dapat diterima daripada yang
kedua.
dq Y "
dq Y '
dalam analisa eksplorasi, dan adalah :
1 r2X2Y.X1
dalam analisa konfirmasi.