15
10
-5
-10
-0.3 -0.2 -0.1 0 0.1 0.2 0.3
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 X 2 dicari lalu
dikeluarkan, kemudian sisa digambarkan untuk menunjukkan bagaimana kemungkinan
kaitan Y dan X2 dengan keluarnya X1.
Kita teruskan dengan analisa konfirmasi dan mengukur eratnya kecocokan antara
heterogenitas dan mobilitas, sedangkan integrasi dikontrol, dengan menghitung korelasi
X2 dan Y :
N X 2 'Y ' ( X 2 ' )( Y ' )
[ N ( X 2 ' ) 2 ( X 2 ' ) 2 ][ N (Y ' ) 2 ( Y ' ) 2 ]
rYX2 =
15(13.1394) (0.0068)( 0.069)
= [15(0.461886) 0.00004624][15(628.3785) 0.004761]
= -0.77
Dengan membuat integrasi konstan dinamakan korelasi parsial mobilitas dan
heterogenitas. Lebih mudah menyatakan eratnya korelasi parsial ini dalam r2, 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 '
Kedua pendekatan menunjukkan bahwa sesudah pengaruh integrasi dikeluarkan,
heterogenitas banyak menambah pengertian kita tentang mobilitas.
Perlu dicatat bahwa juga pada analisa konfirmasi, kaitan antara
heterogenitas dan mobilitas lebih erat sesudah integrasi dikontrol. Tanpa pengontrolan,
korelasi ordonol log heterogenitas dan mobilitas adalah -0.60. Jadi, heterogenitas
hanya menjelaskan 36% variasi mobilitas, sesudah pengontrolan integrasi heterogenitas
menjelaskan 59% variasi pada mobilitas, jadi lebih dari setengahnya.
Perlu ditegaskan kembali bahwa pengontrolan suatu variable tidak
selalu mempererat kaitan antara 2 variabel. Kadang-kadang akan melemahkan,
menghilangkan kaitan lainnya, atau tak mempengaruhinya, atau membalikkan arah
kaitannya : setiap hal dapat terjadi. Satu-satunya jalan ialah mencoba serta melihatnya
sendiri, control X1 dan ambillah X2 dan Y.
B. Menghitung Langsung Korelasi Parsial
Mengontrol suatu variable sangat berguna karena itu sebaiknya kita dapat
mengerjakannya dengan cepat. Rumus sederhana untuk menghitung korelasi parsial :
rX 2Y (rX 2 X 1 )( rYX 1 )
1 r 2 X 2 X 1 1 r 2YX 1
Korelasi parsial = rX2Y.X1 =
Notasi : rX2Y.X1 : korelasi parsial X2 dengan Y sedangkan X1 dikontrol
rX2Y (rX2X1)(rYX1) :
Menggabungkan korelasi korelasi sederhana, dimulai dengan r untuk
X2 dan Y, korelasi sebelum X1 dikontrol; kemudian dikeluarkan
(dikurangi) korelasi X1 dengan Y dan X2 (rX2X1 dan rYX1).
(1 r 2 X 2 X 1 ) (1 r 2YX 1 ) :
1 r2 menyatakan bagian variable terikat yang tak diterangkan : jadi
disini terdapat bagian X2 dab Y yang tak diterangkan oleh X1.
Dalam contoh diatas,
0.60 (0.02)( 0.64)
rX2Y.X1 = 1 0.0004 1 0.41
0.59
= (1)(0.77)
= -0.77
Harganya sama dengan harga korelasi X2 dan Y yang perhitungannya lebih panjang,
tetapi secara numerik identik.
C. Pengujian Kesignifikanan Korelasi Parsial
r 2 X 2Y . X 1
N 3
1 r 2
F1, N-3 =
X 2 Y . 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 :
0.59
1 1 .59
r2X2Y.X1 = 0.59 jadi F1, 12 = (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.
D. 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
Umur
Kecepatan Membaca
+
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. Seolah-olah 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.
E. Korelasi Parsial dan Kausalitas: Suatu Contoh
Lihat contoh dari World Handbook, diperoleh tingkat kematian per 1000
penduduk berkaitan terbalik dengan urbanisasi (r = -0.33). Urbanisasi didefinisikan
sebagai persentase penduduk yang tinggal di suatu kemungkinan yang penduduknya
lebih dari 20000 orang. Banyak cara korelasi yang kausal mempunyai arti, misalnya
biasanya di daerah perkotaaan lebih banyak dokter dan rumah sakit, kebersihan lebih
baik, dll, tetapi inipun aspek variable lainnya, kekayaan umum. Bagaimana korelasi PNB
per jiwa dengan variable lainnya.
PNB Tingkat kematian Urbanisasi
per jiwa (per 1000)
PNB per jiwa 1,0
Tingkat kematian -0,41 1,0
Urbanisasi 0,71 -0,33 1,0
Cara penulisan dalam bentuk matriks korelasi ini menyatakan korelasi antar variable,
memudahkan bila banyak variable yang terlibat.
Suatu model dimana kekayaan umum merupakan penyebab meningkatnya
urbanisasi dan turunnya tingkat kematian, yaitu :
+ Urbanisasi (U)
Bila model ini benar, maka korelasi antara urbanisasi dengan tingkat kematian haruslah
nol bila PNB per jiwa dikontrol. Dengan memasukkan harga-harganya diperoleh :
0.33 (0.41)( 0.71)
rUK.P = 1 (0,41)2 1 (0,71)2 = -0.06
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 Urbanisasi Tingkat kematian
Gambar 1. Diagram Jalur yang menyatakan hubungan kausal dari X1, sebagai
Gambar 1. merupakan diagram jalur yang paling sederhana, yang dinyatakan oleh
persamaan :
X2 = pX2X1 x1 +
Gambar 2. Diagram jalur yang menyatakan hubungan kausal dari X1, X2, X3, ke X4
X4, dan X3 dengan X4, adalah hubungan kausal, sedangkan hubungan antara X1
Perhatikan bahwa pada gambar 3. terdapat dua buah sub-struktur. Pertama sub-
strktur yang menyatakan hubungan kausal dari X1 dan X2 ke X3 dan sub-struktur
Makin kompleks sebuah hubungan struktural, makin kompleks diagram jalurnya, dan
makin banyak pula sub- struktur yang membangun diagram jalur tersebut.
2. Koefisien Jalur (Path Coefficient)
Besarnya pengaruh langsung (relative) dari suatu variabel eksogenus ke variabel
endogenus tertentu, dinyatakan oleh besarnya nilai nomerik Koefisien Jalur (Path
Coefficient) dari eksogenus tersebut ke endogenusnya.
residu (terhadap X3
3. Menghitung Koefisien Jalur.
Untuk model Struktur Rekursit (model yang tidak melibatkan arah pengaruh yang
timbal-balik). Penghitungan koefisien jalur bisa dilakukan melalui metode
kuadrat terkecil (Least Squares) yang telah kita ketahui dalam analisis regresi.
Langkah-langkah yang disarankan untuk diikuti adalah sebagai berikut,
1) Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi
hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Disini kita harus
bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur,
sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan
apa yang menjadi variabel endogenusnya.
2) Hitung Matriks Korelasi antar variabel
4. Theory Trimming
Oleh karena data yang kita gunakan untuk menguji proposisi hipotetik yang kita
kemukakan dalam penelitian dasarnya adalah sampel berukuran n, maka sebelum kita
menarik kesimpulan mengenai hubungan kausal yang digambarkan oleh diagram jalur,
kita perlu menguji kebermaknaan (test of significance) setiap koefisien jalur yang
telah kita hitung. Pengujian seperti ini disebut Theory Trimming.
Langkah kerja pengujian
1) Nyatakan Hipotesis Statistik
u i
(Hipotesis Operasional) yang akan diuji.
Perhatikan bahwa arah pengujian secara statistik (satu arah, atau dua arah)
tergantung kepada proposisi hipotetik yang diajukan.
2) Gunakan Statistik Uji
i = 1, 2, ..., k
k = banyaknya variabel eksogenus dalam sub
struktur yang sedang diuji
ti = menguji distribusi t-student, dengan drajat bebas n-k-2.
3) Hitung nilai-p (p-value)
4) Ambil kesimpulan, apakah perlu trimming atau tidak. Apabila terjadi trimming,
maka penghitungan harus diulang dengan menghilangkan jalur yang menurut
pengujian tidak bermakna (nonsignificant).
5. Menguji Perbedaan Besarnya Koefisien Jalur Dalam Sebuah Sub
Struktur.
Mungkin pada suatu saat kita ingin memperoleh keterangan mana yang lebih besar
pengaruhnya terhadap Xu , apakah Xi , atau Xj , untuk i j. Pengujian seperti ini
biasanya post hoc.
Langkah Kerja
1) Tentukan koefisien jalur yang akan diuji perbedaannya. Tentukan
Perhatikan bahwa arah pengujian ditentukan oleh kerangka pikir tertentu mengenai
keadaan besarnya pengaruh masing-masing variabel eksogenus terhadap endogenus.
dan panah satu arah dari Xt ke Xu. Pada gambar 3 pengaruh taklangsung dari X1 ke
X4 adalah panah satu arah dari X1 ke X3 dan dari X3 ke X4. Pengaruh taklangsung
X2 = Self Esteem
X3 = Verbal Intelligent
X4 = Performance
X5 = Job Satisfaction
N = 204
Sumber : Dillon, W.R., and Goldstein, M. (1984) Multivariate Analysis. Methods and
Applications John Wiley & Sons. New York. P436
ANALISIS :
1. Diagram Jalur
Diagram Jalur tersebut terdiri dari dua buah sub-struktur dengan persamaan struktural:
2. Sub-Struktur 1
Persamaan struktur untuk sub-struktur-1 dinyatakan oleh
Pada sub-struktur-1 terdapat tiga buah variabel eksogen X1, X2, dan X3, dan sebuah
Perhitungan diulang
3. Sub-Struktur-2
Untuk sub-struktur-2 persamaan strukturnya adalah,
2) Inversi untuk R3
3) Koefisien Jalur
Perhitungan diulang
4. Proposisi yang diterima diperhatikan oleh diagram jalur sebagai berikut
X5 dan dari X4 ke X5