Dokumen - Tips - Analisis Regresi Berganda Dengan Amos 20docx
Dokumen - Tips - Analisis Regresi Berganda Dengan Amos 20docx
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
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
Output lainnya memberikan nilai means dan intercept dari model dengan nilai intercept
2,546. Sehingga model persamaan regresi kita menjadi :
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.
Tony’s 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
Lalu…faktor-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:
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.
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
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.
**********************
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.
********************************
Seperti kita tahu, saat kita menggambar hubungan antar variables biasanya kita menemukan hubungan
seperti ini:
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)
**************************************************************
Jika banyak yang nggak cocok maka lihat dimana masalahnya? dgn langkah ke-2…