Analisis Diskriminan Dalam Konseling Penelitian Psikologi

Analisis Diskriminan dalam Konseling Penelitian Psikologi
Alissa Sherry
Universitas Texas di Austin
Penelitian ilmu sosial sering melibatkan perbandingan pada dua kelompok atau lebih. Sebagai
contoh, peneliti dapat mengeksplorasi perbedaan antara jenis kelamin, ras, etnis, identitas
seksual, kondisi perawatan, kategori diagnostik, atau berbagai variabel pengelompokan lainnya.
Meskipun ada sejumlah cara untuk mendekati perbandingan ini, peneliti ilmu sosial yang terapan
sering merasa nyaman hanya dengan satu atau dua dan memungkinkan, yakni kekurangan waktu
untuk mempelajari atau menyelidiki subjek/sampel yang mungkin lebih sesuai untuk pertanyaan
penelitian mereka. Artikel ini menyajikan analisis diskriminan sebagai salah satu pendekatan
alternatif. Lebih khusus lagi, tulisan ini menggambarkan analisis diskriminan deskriptif secara
lebih rinci, termasuk contoh menggunakan keluaran SPSS (Versi 11.0).
Dalam spesialisasi psikologi yang beragam, telah ada minat yang meningkat dalam
statistik "Bahasa Inggris standar". Peneliti dan pendidik, serta ahli statistik, menjadi lebih banyak
berinvestasi dalam menyajikan statistik kepada orang-orang yang mewakili berbagai kemampuan
statistik. Tujuan dari perubahan ini ke arah komunikasi yang lebih baik adalah bahwa hal itu
akan mengurangi kecemasan banyak orang tentang statistik dan mendorong mereka yang
terjebak dalam "rutinitas" statistik untuk mencoba teknik baru yang lebih tepat. Sejumlah
publikasi telah memelopori tren ini (lihat Lewis-Beck, 1995; Urdan, 2005; Pengembangan
statistik dan bagian Aplikasi Jurnal Penilaian Kepribadian; Metode, Bagian Berbicara secara
Jelas tentang Pengukuran dan Evaluasi dalam Konseling dan Pengembangan), dan edisi khusus
ini dari The Konseling Psikolog bertujuan untuk memperluas basis pengetahuan ini ke khalayak
psikologi konseling yang luas.
Rumusan masalah umum untuk konselor psikolog adalah "Bagaimana kelompok dapat
dibedakan?" Untuk menjawab pertanyaan ini, ada beberapa pendekatan parametrik untuk
membandingkan data kategori atau kelompok. Beberapa yang paling banyak digunakan dalam
penelitian ilmu sosial adalah uji t, analisis varians (ANOVA), analisis kovarian (ANCOVA),
analisis multivariat varians (MANOVA), analisis multivariat kovarians (MANCOVA), regresi
SEM: Structural equation modeling; predictive discriminant analysis (PDA), general linear model (GLM); descriptive
discriminant analysis (DDA)
logistik, persamaan struktural pemodelan (SEM; lihat Martens & Hasse, dalam pers [TCP edisi
khusus, bagian 2]; Weston & Gore, 2006 [masalah ini]), dan analisis diskriminan. Sebuah model
linier umum (GLM) mengatur masing-masing ini, membuat mereka secara statistik serupa dalam
beberapa cara (lihat Henson, 2000, untuk review dari pernyataan ini). Selain itu, hubungan
mereka satu sama lain bersifat hierarkis, yang berarti bahwa beberapa teknik mengaitkan yang
lain dalam memberikan penjelasan yang lebih parsimoni dari data (Henson, 2000).
MEMILIH METODE STATISTIK
Untuk sebagian besar penelitian, memilih antara berbagai metode perbandingan

kelompok tergantung pada desain penelitian dan rumusan permasalahan untuk penelitian. Salah
satu pertimbangan desain yang memungkinkan adalah apakah kelompok tersebut dibandingkan
pada variabel dikotomi atau kontinyu. Regresi logistik dapat melakukan perbandingan pada
kedua variabel dikotomi dan kontinu. Karena dapat membandingkan variabel dikotomi, prosedur
tidak memiliki asumsi distribusi normal (Anda tidak dapat memiliki distribusi normal dengan
hanya dua pilihan respons) dan sebaliknya menggunakan perkiraan probabilitas untuk
menghitung koefisien. Perbedaan antara regresi logistik dan regresi berganda meliputi: regresi
logistik tidak mengasumsikan linearitas hubungan antara variabel independen dan dependen,
tidak memerlukan variabel terdistribusi normal, dan tidak menganggap homoskedastisitas. Oleh
karena itu, regresi logistik dapat membandingkan variabel dikotomis tidak seperti regresi
berganda. Meskipun masih merupakan prosedur regresi, regresi logistic dapat membandingkan
kelompok dalam variabel hasil dapat dikotomi. Sebuah pertanyaan penelitian yang regresi
logistik kemungkinan akan menjawab mungkin sebagai berikut: Jika skor IQ siswa (kontinyu)
diketahui, apakah siswa memiliki ketidakmampuan belajar (dikotomi), dan status sosial ekonomi
siswa (kategori rendah, sedang, atau tinggi), seberapa besar kemungkinan sampel siswa lulus
atau tidak lulus dari sekolah menengah (variabel pengelompokan)? Variabel pengelompokan
akan menjadi variabel dependen, dan skor IQ, status difabel siswa, dan status sosial ekonomi
akan menjadi variabel independen.
Pertimbangan desain lain memungkinkan adalah apakah peneliti menghipotesiskan

korelasi positif yang kuat antara aspek konstruksi yang sama atau percaya bahwa variabel
teoritis, tidak secara langsung diukur atau diamati, mungkin dapat mempengaruhi variabel
terukur atau teramati (pada validasi konstruk, lihat Hoyt, Warbasse, & Chu, in press [TCP
special issue, part 2]), Jika jawaban untuk keduanya adalah ya, maka SEM kemungkinan adalah
metode statistik terbaik (Cole, Maxwell, Arvey, & Salas, 1993; Martens, 2005; Martens &
Hasse, dalam pers; Weston & Gore, 2006 [masalah ini]). Pertanyaan penelitian yang
kemungkinan akan dijawab oleh SEM mungkin adalah sebagai berikut: Dalam membandingkan
siswa Kaukasia, Kulit Hitam, dan Latino / siswa (variabel pengelompokan), sejauh mana
kesalahan pengukuran dalam skor IQ (tetap, variabel tak teramati; yaitu, tidak langsung diukur)
mempengaruhi nilai prestasi dan nilai rata-rata (variabel kontinu), menghitung perbedaan
kelompok pada nilai-nilai tersebut?
Untuk pendekatan yang tersisa, peneliti dapat membandingkan dua atau lebih kelompok
diskrit menggunakan satu atau lebih variabel yang diukur pada skala interval (berkelanjutan).
Salah satu masalah yang perlu dipertimbangkan secara hati-hati pada titik ini adalah
kemungkinan melakukan kesalahan Tipe I, atau berdasarkan percobaan. Kesalahan Tipe I
mengacu pada kemungkinan menemukan hasil yang signifikan secara statistik ketika seseorang
seharusnya tidak menemukannya. Dengan kata lain, hasil menunjukkan bahwa ada perbedaan,
hubungan, atau pengaruh yang ada dalam populasi ketika, pada kenyataannya, tidak.
Menentukan apakah temuan signifikan didasarkan pada probabilitas signifikansi jika peneliti
melakukan penelitian yang sama 100 kali. Sebagai contoh, jika suatu temuan secara statistik
signifikan menggunakan p = .05, peneliti dapat secara kasar mengatakan bahwa hasil yang
signifikan secara statistik hanya 5% kemungkinan terjadi secara kebetulan saja. Mengingat
prinsip probabilitas, semakin sering suatu populasi diberikan sampel (dan, dengan demikian,
semakin banyak uji statistik yang dilakukan), semakin besar kemungkinan hasil yang diberikan
akan terjadi secara kebetulan. Teknik multivariat membatasi kemungkinan kesalahan Tipe I di
mana saja dalam penelitian (Thompson, 1991). Ini karena mereka memecahkan beberapa
variabel keputusan hanya menggunakan satu prosedur statistik. Uji-T dan ANOVA (dan
ANCOVA), di sisi lain, adalah teknik univariat dalam GLM. Oleh karena itu, seorang peneliti
harus membatasi pelaksanaannya dalam kumpulan data yang diberikan untuk mengurangi
kemungkinan kesalahan Tipe I (Huberty & Morris, 1989; Kellow, 2000; Thompson, 1994).
Misalkan seorang peneliti tertarik pada perbedaan antara remaja dan mahasiswa pada
lima faktor kepribadian yang diukur oleh NEO Personality Inventory – Revised (NEO PIR;
Costa & McCrae, 1992). Seperti yang disebutkan sebelumnya, lima tes univariat tidak sesuai.
Melihat ke arah konteks multivariat, solusi terbaik berikutnya adalah MANOVA, karena dapat
menguji apakah ada perbedaan yang signifikan secara statistik di antara kelompok-kelompok
yang menggunakan satu prosedur statistik. Namun, ini akan memberikan informasi mengenai
hanya apakah ada perbedaan antara kelompok, tidak tepat di mana atau sejauh mana perbedaan
ada di antara variabel dependen. Dalam kebanyakan kasus, peneliti ingin tahu tentang apa
variabel dan sejauh mana kedua kelompok ini berbeda. Seringkali, peneliti telah menggunakan
tes ANOVA untuk menemukan secara tepat di mana perbedaan itu terkait dengan lima variabel
dependen. Namun, sekarang, analisisnya kembali ke masalah yang dibahas sebelumnya —
beberapa pengujian univariat meningkatkan kesalahan Tipe I.
Seorang peneliti bisa menerapkan penyesuaian Bonferroni pada titik ini, tetapi ini
menciptakan dua masalah penting.1 Pertama, ada kesalahpahaman di antara peneliti yang
melakukan MANOVA pertama melindungi terhadap inflasi kesalahan Tipe I yang menyebabkan
tes ANOVA pasca-hoc berikutnya. Namun, ini jarang terjadi dan benar hanya dalam tiga kondisi.
Yang pertama adalah ketika hipotesis nol MANOVA untuk studi tertentu sepenuhnya benar,
dalam hal ini peneliti tidak mungkin untuk melakukan tindak lanjut karena hasilnya tidak
signifikan. Namun, dengan tidak signifikan, kemungkinan menemukan hasil yang signifikan
dengan tes ANOVA post hoc sangat rendah sehingga kemungkinan melakukan kesalahan Tipe I
sangat kecil. Kondisi kedua adalah ketika hipotesis nol MANOVA benar-benar salah, yang
berarti tidak ada kemungkinan kesalahan Tipe I karena hasilnya signifikan. Kondisi ketiga
adalah jika MANOVA salah untuk semua kecuali satu variabel hasil (Enders, 2003; Huberty &
Petoskey, 2000; Maxwell, 1992). Masalah kedua adalah karena ANOVA bukan teknik
multivariate, perbandingan yang dibuat dengan menggunakan mereka tidak bergantung satu
sama lain tanpa memperhitungkan kemungkinan varians yang mereka bagi. Dengan kata lain,
ANOVA tidak dapat mempertimbangkan cara-cara di mana variabel dapat berpotensi
mempengaruhi satu sama lain dan kontribusi relatif mereka. Ini benar terlepas dari apakah
seorang peneliti menggunakan ANOVA sebagai tindak lanjut dari MANOVA yang signifikan
atau melakukan ANOVA pada sejumlah variabel yang terkait. Teknik multivariat merupakan
teknik analisis yang paling berpengaruh dalam realitas penelitian ilmu sosial karena dapat
memberikan anganggapan bahwa perilaku manusia memiliki banyak penyebab dan berbagai efek
dan bahwa penyebab dan efek ini ada secara bersamaan, tidak saling terpisah satu sama lain.
Serangkaian ANOVA untuk menguji perbedaan kelompok pada beberapa variabel terkait tidak
dapat menangkap efek penting ini.
ANALISIS DISKRIMINAN
Analisis diskriminan terdiri dari dua pendekatan untuk menganalisis perbedaan

kelompok: analisis diskriminan prediktif (PDA) dan analisis diskriminan deskriptif (DDA). PDA
menggunakan variabel respon kontinyu (atau skala intervally) untuk memprediksi keanggotaan
grup. Seorang peneliti dapat menggunakan ini untuk menjawab banyak pertanyaan, seperti
"Seberapa akurat aturan klasifikasi, berdasarkan informasi sampel di tangan, mengklasifikasikan
sampel ke dalam kelompok?" Seorang peneliti juga dapat mencoba memprediksi keanggotaan
kelompok dengan memperkirakan tingkat klik yang benar dan dengan mencari tahu variabel
respon mana yang paling berkontribusi terhadap tingkat klik ini (Huberty, Wisenbaker, & Smith,
1987; Thompson, 1998). Venable dan Thompson (1998) secara efektif menggunakan prosedur
ini dalam menyelidiki variabel psikologis apa yang membedakan antara pengasuh yang secara
prematur mengambil anak-anak mereka keluar dari konseling dan mereka yang tidak.
Menggunakan enam konstruk psikologis (misalnya, permusuhan intrapividual, permusuhan
antarmanusia, permusuhan umum, kecemasan, depresi, paranoia), penulis memperoleh tingkat
hit 77% untuk terminator prematur. Dengan kata lain, konstruk-konstruk psikologis ini
meramalkan orang tua mana yang jatuh dalam kelompok yang secara prematur menghentikan
konseling anak-anak mereka.
Secara teknis, PDA bukan bagian dari GLM, atau beberapa ahli menyebutnya sebagai
hibrida offshoot dari GLM (Thompson, 1998). Prosedur statistik dalam GLM memiliki beberapa
karakteristik yang sama. Mereka (a) bersifat korelasional, (b) memaksimalkan varians bersama
antara variabel atau antara set variabel, (c) menghasilkan efek ukuran efek r2, dan (d)
menerapkan bobot untuk variabel yang diamati untuk membuat variabel sintetis atau laten yang
kemudian fokus analisis (Cohen, 1968; Henson, 2000; Knapp, 1978; Thompson, 1991). Di PDA,
hit rate sangat diperlukan dalam memahami hasil PDA, di mana bobot umumnya tidak relevan
dalam interpretasi. Selain itu, lebih banyak variabel respons dapat berdampak negatif terhadap
tingkat klik PDA. Namun, dalam setiap analisis GLM, variabel tambahan selalu mengarah ke
ukuran efek yang lebih besar atau sama dengan ukuran efek yang terkait dengan variabel yang
lebih sedikit. Jadi, kesimpulan berdasarkan konsep GLM mungkin tidak berlaku untuk PDA
(Henson, 2002; Thompson, 1998).
ANALISIS DISKRIMINAN
Analisis diskriminan terdiri dari dua pendekatan untuk menganalisis perbedaan

kelompok: analisis diskriminan prediktif (PDA) dan analisis diskriminan deskriptif (DDA). PDA
menggunakan variabel respon kontinyu (atau skala intervally) untuk memprediksi keanggotaan
grup. Seorang peneliti dapat menggunakan ini untuk menjawab banyak pertanyaan, seperti
"Seberapa akurat aturan klasifikasi, berdasarkan informasi sampel di tangan, mengklasifikasikan
sampel ke dalam kelompok?" Seorang peneliti juga dapat mencoba memprediksi keanggotaan
kelompok dengan memperkirakan tingkat klik yang benar dan dengan mencari tahu variabel
respon mana yang paling berkontribusi terhadap tingkat klik ini (Huberty, Wisenbaker, & Smith,
1987; Thompson, 1998). Venable dan Thompson (1998) secara efektif menggunakan prosedur
ini dalam menyelidiki variabel psikologis apa yang membedakan antara pengasuh yang secara
prematur mengambil anak-anak mereka keluar dari konseling dan mereka yang tidak.
Menggunakan enam konstruk psikologis (misalnya, permusuhan intrapividual, permusuhan
antarmanusia, permusuhan umum, kecemasan, depresi, paranoia), penulis memperoleh tingkat
hit 77% untuk terminator prematur. Dengan kata lain, konstruk-konstruk psikologis ini
meramalkan orang tua mana yang jatuh dalam kelompok yang secara prematur menghentikan
konseling anak-anak mereka.
Secara teknis, PDA bukan bagian dari GLM, atau beberapa ahli menyebutnya sebagai
hibrida offshoot dari GLM (Thompson, 1998). Prosedur statistik dalam GLM memiliki beberapa
karakteristik yang sama. Mereka (a) bersifat korelasional, (b) memaksimalkan varians bersama
antara variabel atau antara set variabel, (c) menghasilkan efek ukuran efek r2, dan (d)
menerapkan bobot untuk variabel yang diamati untuk membuat variabel sintetis atau laten yang
kemudian fokus analisis (Cohen, 1968; Henson, 2000; Knapp, 1978; Thompson, 1991). Di PDA,
hit rate sangat diperlukan dalam memahami hasil PDA, di mana bobot umumnya tidak relevan
dalam interpretasi. Selain itu, lebih banyak variabel respons dapat berdampak negatif terhadap
tingkat klik PDA. Namun, dalam setiap analisis GLM, variabel tambahan selalu mengarah ke
ukuran efek yang lebih besar atau sama dengan ukuran efek yang terkait dengan variabel yang
lebih sedikit. Jadi, kesimpulan berdasarkan konsep GLM mungkin tidak berlaku untuk PDA
(Henson, 2002; Thompson, 1998).
Sebaliknya, DDA bertujuan untuk menemukan variabel apa yang berkontribusi pada
pemisahan kelompok. Peneliti menerapkannya ketika menggunakan keanggotaan kelompok
untuk memprediksi atau menggambarkan skor pada variabel kontinyu. Pendekatan ini berguna
untuk memahami perbedaan antar kelompok, untuk mengidentifikasi variabel mana yang paling
baik menangkap perbedaan kelompok, untuk mendeskripsikan dimensi kelompok, atau menguji
teori tahap atau taksonomi (Betz, 1987). Walsh dkk. (1996) secara efektif menggunakan DDA
untuk membandingkan siswa kelas 9 dan kelas 12 pada skala nilai pengukuran. Hasil mereka
menunjukkan bahwa nilai-nilai seperti kehebatan fisik dan prestise lebih deskriptif dari siswa
kelas 9, sedangkan otoritas, kondisi kerja, dan variasi lebih deskriptif dari siswa kelas 12. Cara
sederhana untuk membedakan DDA dari PDA adalah mempertimbangkan pertanyaan penelitian.
PDA memprediksi keanggotaan grup; DDA menjelaskan pengelompokan efek variabel (Huberty
& Lowman, 1997).
DDA adalah bagian dari GLM dan secara konseptual dan matematis analog dengan
regresi berganda di mana kedua teknik melibatkan perhitungan dari satu set variabel prediktor
berkelanjutan ke kriteria. Perbedaan utama adalah bahwa variabel dependen dalam DDA secara
linear digabungkan secara matematis, untuk secara maksimal membedakan antar kelompok.
Seperti regresi berganda, DDA menghitung persamaan linear menggunakan koefisien fungsi
diskriminan standar, yang analog dengan bobot beta dalam regresi. Koefisien ini
mengidentifikasi kepentingan relatif dari setiap variabel kontinyu dalam memprediksi kriteria.
Dalam DDA, variabel dependen digabungkan secara linier untuk membuat variabel dependen
sintetik atau komposit yang memisahkan atau secara maksimal membedakan kelompok. Karena
ini, teknik DDA cenderung untuk menekankan perbedaan kelompok dan untuk menekankan
persamaan kelompok karena variabel yang membedakan kelompok umumnya lebih berat (Betz,
1987). Ini merupakan karakteristik penting dari DDA untuk dipertimbangkan ketika merancang
penelitian dan menentukan pertanyaan penelitian.
Mengingat masalah sebelumnya mengenai kesalahan Tipe I, DDA merupakan salah satu
cara untuk meminimalkan kesalahan Tipe I dengan mampu menentukan dengan tepat di mana
kelompok berbeda pada variabel yang diberikan dengan satu prosedur statistik. Selain itu, DDA
mempertahankan kompleksitas variabel penelitian yang saling terkait karena menganggap
hubungan ini secara bersamaan dalam analisis. Kelebihan ini juga berlaku untuk PDA. Para
peneliti juga menggunakan DDA sebagai teknik post-hoc untuk MANOVA. Namun, ini tidak
diperlukan karena DDA dapat mencukupi untuk mengindikasikan bahwa perbedaan kelompok
itu ada dan tepat di mana mereka ada di antara variabel; oleh karena itu, peneliti dapat
menggunakannya sebagai pengganti MANOVA. Sementara DDA secara statistik menilai efek
dari variabel pengelompokan menggunakan prosedur MANOVA, output DDA juga membantu
peneliti dalam menjelaskan dan menjelaskan perbedaan yang bermakna (Bray & Maxwell, 1982,
1985; Huberty & Barton, 1989; Huberty & Wisenbaker, 1992).
ILUSTRASI DDA
Peneliti bimbingan psikologi membandingkan kelompok secara statistik dalam banyak

situasi. Bagian sebelumnya secara teoritis mengilustrasikan cara-cara bahwa DDA lebih unggul
daripada MANOVA dalam membandingkan kelompok. Tetapi karena peneliti menggunakan
DDA jarang dibandingkan dengan MANOVA, maka mungkin akan berguna bagi pemengamatan
interpretasi dari contoh keluaran DDA. Gaya yang sangat diterapkan pada bagian ini
dimaksudkan untuk memberikan panduan langkah demi langkah bagi peneliti terapan dan
mereka yang mencari paparan awal terhadap metode ini. Pembaca dapat menemukan contoh
penelitian sebelumnya menggunakan DDA di Sherry, Henson, dan Lewis (2003). Para peneliti
menggunakan DDA untuk menguji perbedaan antara mahasiswa dan remaja pada NEO PI-R —
instrumen kepribadian yang dimaksudkan untuk mengukur lima faktor kepribadian: neurotisisme
(N), ekstroversi (E), keterbukaan terhadap pengalaman (O), keramahan (A), dan kehati-hatian
(C; Costa & McCrae, 1992). Sherry dkk. (2003) melakukan enam DDA. Satu menyelidiki
perbedaan antara dua kelompok pada domain luas (N, E, O, A, C), dan lima lainnya menyelidiki
perbedaan pada enam aspek yang terkait dengan masing-masing dari lima domain. Tujuan
penelitian ini adalah untuk menyelidiki apakah ada perbedaan antara kelompok yang
mengharuskan penyelidikan lebih lanjut untuk menciptakan data normatif untuk remaja yang
belum ada meskipun skala tersebut digunakan dengan populasi ini.
Saya harap bagian ini dapat menjembatani penelitian aktual dengan pengajaran dan
instruksi yang bermanfaat. Daripada menduplikasi penelitian yang ada, data telah dibuat untuk
mencerminkan temuan dari penelitian ini sambil menyediakan beberapa jalan pembelajaran
tambahan yang tidak tersedia dalam kumpulan data sebelumnya. Pertama, kumpulan data dalam
contoh heuristik saat ini tersedia di Lampiran. Ini memungkinkan pembaca untuk memasukkan
data dan memeriksa outputnya dengan output dalam artikel ini. Kedua, ada kelompok ketiga
dalam contoh ini sehingga pendatang baru untuk DDA dapat melihat bagaimana hal itu dapat
bermanfaat dengan lebih dari dua kelompok. Oleh karena itu, contoh saat ini menggunakan lima
faktor kepribadian (N, E, O, A, dan C) yang diukur oleh NEO PI-R (Costa & McCrae, 1992) dan
membandingkannya di antara tiga kelompok.2 Lima domain tersebut adalah variabel independen
untuk contoh DDA ini. NEO PI-R dinormalisasi pada sampel nonklinis, dan faktor-faktor
mewakili berbagai ciri kepribadian yang ada pada semua individu pada berbagai tingkat
penyesuaian (Costa & McCrae, 1992). Untuk tujuan ilustrasi ini, kelompok-kelompok tersebut
adalah remaja, mahasiswa, dan orang dewasa, dengan 10 kasus di setiap kelompok.3 Dengan
demikian, kelompok usia adalah variabel dependen, atau variabel pengelompokan, untuk contoh
ini.
DDA dapat diakses dari menu drop-down di SPSS (versi 11.0.2; 2003). Untuk melakukan
ini, pilih Analyze → Classify → Discriminant. Setelah berada di jendela ini, tambahkan variabel
pengelompokan (dependen) dan sisa independen ke kotak yang sesuai. Di jendela yang sama ini,
pengguna juga harus memilih "Enter Independents Together" untuk memasukkan variabel
independen ke dalam persamaan secara bersamaan. Kemudian, klik "Statistik" dan lanjutkan
untuk memilih semua bidang yang tersedia untuk statistik dan klik "Lanjutkan/Continue". Ini
akan memberikan beberapa informasi deskriptif tambahan tentang variabel seperti mean, standar
deviasi, dan output untuk membantu dalam menentukan apakah asumsi telah terpenuhi untuk
bergerak maju dalam menganalisis data. Akhirnya, klik "Klasifikasikan" dan di bawah
"Probabilitas Sebelumnya", pilih "Hitung dari ukuran kelompok"; di bawah "Covariance
Matrix", pilih "Within-Groups"; dan di bawah "Plot", pilih ketiga plot yang tersedia. Klik
"Lanjutkan/Continue". Jika Anda memutuskan untuk menempelkannya ke jendela sintaks
sebelum mengklik "Oke", berikut ini akan muncul:
Atau dengan cara lain, yakni: peneliti dapat memutuskan untuk melakukan ini secara
manual dengan memilih File → New → Syntax dan mengetik sintaks di jendela yang disediakan.
Sintaks ini akan tetap sama untuk DDA apa pun, kecuali jumlah grup dan nama variabel akan
berubah sesuai dengan studi peneliti. Perhatikan baris kedua menunjukkan kelompok apa yang
dibandingkan. Kelompok 1 sampai 3 semuanya dibandingkan seperti yang dicatat oleh "(1 3)."
Selain itu, kelompok kata, ditulis dalam huruf kecil, menunjukkan nama variabel yang terkait
dengan pengelompokan (dependen) variabel. Misalnya, jika nama variabel pengelompokan
adalah jenis kelamin dan peneliti membandingkan laki-laki (ditunjukkan oleh 1) dan wanita
(ditunjukkan oleh 2), maka itu akan terbaca “jenis kelamin (1 2).” Pastikan semua nama variabel
ditulis persis seperti yang muncul pada label variabel di SPSS. Untuk penjelasan lebih rinci
tentang sintaks untuk DDA dan PDA, serta melakukan mereka menggunakan paket statistik
lainnya, lihat Huberty dan Lowman (1997).
Tujuh Asumsi
Tujuh asumsi matematis untuk DDA perlu dipenuhi untuk melakukan analisis (Klecka,
1980; Tabachnick & Fidell, 1996). Tiga yang pertama adalah (a) dua atau lebih kelompok yang
saling eksklusif, (b) minimal dua mata pelajaran per kelompok, dan (c) sejumlah variabel
kontinyu selama ukuran sampel kelompok terkecil melebihi jumlah variabel kontinyu . Jadi,
misalnya, Anda secara teoritis dapat membandingkan dua kelompok dengan empat peserta (dua
di setiap kelompok) selama Anda membandingkan kelompok-kelompok ini hanya pada satu
variabel. Namun, perhatikan ini adalah ilustrasi ekstrim dari asumsi ini karena perbandingan ini
dapat dilakukan dengan ANOVA. Keputusan untuk menggunakan DDA adalah jika Anda
membandingkan kelompok pada lebih dari satu variabel. Jadi, anggaplah ada empat variabel dan
dua kelompok. Diperlukan setidaknya lima peserta dalam kelompok terkecil. Empat asumsi
terakhir adalah bahwa (d) variabel kontinyu diukur pada tingkat interval, (e) tidak ada variabel
kontinyu yang dapat berupa kombinasi linear dari variabel kontinyu lainnya (misalnya, dua sub-
skala dan skala penuh dari mana subskala dibuat), (f) setiap kelompok harus mendemonstrasikan
distribusi normal multivariat pada variabel kontinyu, dan (g) matriks kovariansi untuk setiap
kelompok harus kira-kira sama. Meskipun bukan asumsi, pertimbangan tambahan untuk
menggunakan DDA adalah bahwa itu terbaik dilaksanakan ketika ukuran kelompok hampir
sama.
Asumsi A sampai E cukup mudah dan mudah dievaluasi. Dua asumsi yang terakhir lebih
sulit dinilai. Henson (1999) dengan baik menguraikan demonstrasi normalitas multivariat —
Asumsi F — menyediakan protokol untuk menilai asumsi normalitas serta analisis terapan
langkah demi langkah, termasuk sintaks untuk prosedur. Secara umum, ia menganjurkan
menggunakan jarak Mahalanobis (D2) untuk setiap kasus data.
Peneliti dapat menilai Asumsi G dengan menggunakan Gambar 1 dari output DDA.
Kerak asumsi ini adalah bahwa tingkat kesalahan dari masing-masing kelompok berasal dari
distribusi yang sama. Jika Asumsi F telah dipenuhi, mereka akan datang dari distribusi normal
yang sama. Homogenitas varians / matriks kovariansi di DDA analog dengan homogenitas
varians dalam ANOVA: keinginan untuk varians menjadi sama di seluruh kelompok. Jika
mereka sama, asumsinya adalah bahwa subjek diambil sampelnya dari populasi yang sama. Oleh
karena itu, setiap perbedaan yang dicatat dalam DDA dapat dikaitkan dengan variabel-variabel
yang menarik daripada kemungkinan bahwa kedua kelompok itu sebenarnya sangat berbeda dari
awal. Pengujian M Box terhadap homogenitas
Kotak M 73.004
M box yan tidak signifikan
Kira-kira 1.761 menunjukkan bahwa
df 1 30 homogenitas asumsi varians
terpenuhi
df 2 2309.99
sig 007
Tes hipotesis non matriks kovariansi populasi yang sama.
GAMBAR 1. Hasil Uji M Box of Homogenitas of Mattriks Varians / Kovariance
matriks varians / kovarian mengevaluasi asumsi ini dalam DDA. Gambar 1 memberikan hasil tes
seperti yang ditemukan dalam hasil cetak SPSS. Kotak M yang secara statistik signifikan
menunjukkan bahwa varians dari variabel prediktif kontinyu secara statistik signifikan dan
dengan demikian berbeda di seluruh kelompok. Oleh karena itu, peneliti harus menginginkan
tidak ada perbedaan statistik menurut tes Box's M karena dia ingin memastikan bahwa varians
sama di seluruh kelompok (remaja, perguruan tinggi, dewasa). Box's M dianggap sebagai tes
yang sangat sensitif terhadap nonnormality. Selain itu, ketika ukuran sampel relatif sama atau
besar pada kedua kelompok, DDA kuat terhadap pelanggaran asumsi ini (Tabachnick & Fidell,
1996). Perhatikan hasil untuk contoh saat ini di mana F (30, 2309.99) = 1,761, p = 0,007. Karena
kepekaannya, akan dapat diterima untuk menetapkan nilai p yang kuat seperti .001. Ada
beberapa ruang di sini untuk pengambilan keputusan statistik di pihak peneliti karena Box M
adalah tes yang terlalu sensitif. Tidak ada standar yang ditetapkan untuk pengambilan keputusan
statistik ini, yang harus dibuat mempertimbangkan ukuran sampel, kesetaraan ukuran kelompok,
dan tingkat signifikansi statistik. Meski begitu, jika asumsi tidak dipenuhi dengan menggunakan
pertimbangan ini, peneliti didorong untuk mengeksplorasi rute lain dalam memenuhi kondisi ini
seperti meninjau scatterplots dari skor pada dua fungsi diskriminan pertama yang diproduksi
secara terpisah untuk masing-masing kelompok (Tabachnick & Fidell, 1996). Namun, untuk
keperluan ilustrasi saat ini, data tampak memenuhi homogenitas varians / asumsi kovarians.
DDA (DESCRIPTIVE DISCRIMANT ANALYSIS)
Setelah peneliti mengevaluasi asumsi DDA, ia kemudian siap untuk mengevaluasi output
DDA. Langkah pertama adalah mengevaluasi signifikansi statistik dari fungsi diskriminan (juga
disebut fungsi diskriminan kanonik). Fungsi dalam DDA adalah analog dengan faktor dalam
analisis faktor dan pada dasarnya adalah variabel sintetis yang dibuat dengan menggabungkan
secara linear.
Dapat
Fungsi dari Willk’s Chi- df Sig. menafsirkan
teks lambda square
111.870 10 000
1-2
.001
-2 .493 17.684 4
.001
1 - .011 = .989 (98,9% varian dijelaskan)
1 - .493 = .507 (50,7% varian dijelaskan)
GAMBAR 2. Tes Signifikansi Statistik dari Setiap Fungsi Menggunakan Statistik Lambda
Wilks
variabel-variabel yang membedakan kepentingan (N, E, O, A, dan C; untuk lebih lanjut tentang
analisis faktor, lihat Kahn, 2006). Fungsi pertama memberikan pemisahan terbaik antara grup.
Fungsi kedua adalah orthogonal (yaitu, masing-masing independen dari yang lain dan, oleh
karena itu, tidak memiliki varians bersama) untuk yang pertama dan merupakan pemisahan
terbaik berikutnya setelah asosiasi dari Fungsi 1 telah dikeluarkan. Ini berlanjut sampai semua
dimensi yang mungkin telah dievaluasi (Tabachnick & Fidell, 1996). Di DDA, jumlah fungsi
sama dengan k (kelompok) - 1. Jadi, dalam contoh kita saat ini, ada dua fungsi karena tiga
kelompok —remaja, mahasiswa, dan orang dewasa— dilibatkan dalam analisis. Peneliti perlu
mengevaluasi setiap fungsi diskriminan untuk signifikansi statistik. Ini penting karena jika ada
fungsi yang ditemukan tidak signifikan, tidak ada evaluasi lebih lanjut dari fungsi tersebut dalam
output yang dapat dilakukan. Peneliti menguji signifikansi statistik dari fungsi dengan
memeriksa statistik Lambda Wilks yang ditemukan pada Gambar 2 Statistik ini analog dengan
rasio dalam-kelompok varians terhadap total varians (jumlah kuadrat) sedemikian rupa sehingga
semakin kecil lambda, semakin banyak variabel berkontribusi pada fungsi diskriminan (Betz,
1987). Lambda bervariasi dari 1 hingga 0, dengan 1 berarti semua sarana kelompok adalah sama
dan 0 berarti mereka berbeda. Dengan demikian, nilai lambda yang lebih kecil menunjukkan
bahwa variabel membedakan antara kelompok yang lebih baik. Menurut contoh dalam output
Gambar 2, pengujian dari kedua Fungsi 1 hingga 2 dan Fungsi 2 dengan sendirinya secara
statistik signifikan dan, dengan demikian, dapat ditafsirkan.
Ingat, signifikansi statistik saja tidak menunjukkan signifikansi praktis. Peneliti juga
harus meninjau ukuran efek dari dua fungsi ini (lihat Henson, 2006 [masalah ini]). Ukuran efek
adalah perkiraan
Fungsi Variansi dari % Kumulatif Kolerasi

kanonik
1 97.6
42.270a .988
79.6
2 100.0
1.029a .712
2.4
Buat persegi untuk

mendapatkan variansi
Nilai eigen besar mengidikasikan yang diperhitungkan
fungsi-fungsi baik yang dalam setiap fungsi
membedakan dengan kelompok
GAMBAR 3. Nilai Eigen: Rasio Antara-Kelompok ke Jumlah Kuadrat Dalam-Kelompok
besarnya hubungan antara variabel. Sekali lagi, melihat output Gambar 2, di DDA, ukuran efek
diukur dengan menghitung 1 - Lambda Wilks. Untuk contoh ini, ukuran efek untuk pengujian
Fungsi 1 hingga 2 sama dengan 1 - .011 = .989, dan untuk Fungsi 2, ukuran efek sama dengan 1
- .493 = .507. Ini adalah ukuran efek yang luar biasa besar dan menunjukkan bahwa pada dua
fungsi ini, variabel-variabel bunga berkontribusi pada pemisahan kelompok dengan sangat baik.
Perhatikan juga bahwa ukuran efek fungsi yang tidak signifikan secara statistik biasanya
menghasilkan ukuran efek yang kecil, memberikan peneliti dengan alasan tambahan untuk tidak
menafsirkan atau mengevaluasi fungsi-fungsi ini di seluruh output.
Akhirnya, nilai eigen juga dihitung dan dapat ditemukan di tabel SPSS terkait (Gambar
3). Ini adalah rasio antara kelompok-kelompok ke jumlah kuadrat dalam-kelompok. Nilai eigen
besar mengindikasikan fungsi yang baik, atau fungsi yang membedakan dengan baik antar
kelompok (Betz, 1987). Selain itu, korelasi kanonik (Rc) mengukur korelasi antara variabel
pengelompokan (remaja, perguruan tinggi, dewasa) dan gabungan atau fungsi diskriminan yang
dibuat oleh komposit sintetis dari variabel-variabel yang menarik (N, E, O, A, dan C ). Untuk
dua fungsi yang dapat diinterpretasi, nilai eigen dan korelasi kanonik menyarankan fungsi yang
membedakan dengan baik dengan korelasi tinggi antara variabel pengelompokan dan variabel
dependen komposit. Nilai eigen adalah 42,270 dan 1,029 untuk masing-masing dari dua fungsi
yang secara statistik signifikan, masing-masing, dan korelasi kanonik adalah 0,988 dan 0,712,
masing-masing. Mengambil korelasi kanonik kuadrat (R2), peneliti dapat mencatat bahwa untuk
fungsi pertama, korelasi antara variabel pengelompokan (remaja, perguruan tinggi, dewasa) dan
variabel prediktor komposit (komposit sintetis N, E, O, A, dan C) menyumbang 97,6% dari
varians. Hasil ini menunjukkan bahwa fungsi membedakan antara tiga kelompok umur dengan
baik. Demikian pula, pada fungsi kedua, korelasi antara variabel pengelompokan dan variabel
prediktor komposit menyumbang 50,7% dari varians yang tersisa. Untuk contoh khusus ini,
temuan ini secara statistik dan praktis bersifat signifikan. Ini memberitahu peneliti bahwa ketiga
kelompok berbeda pada setidaknya satu dari lima variabel kepribadian. Bagian selanjutnya
menguraikan bagaimana peneliti dapat membedakan mana dari lima variabel kepribadian yang
menjelaskan perbedaan tersebut.
IDENTIFIKASI PERBEDAAN
Dalam mengidentifikasi di mana perbedaan terletak, peneliti akan mengevaluasi tiga hal:
koefisien struktur, koefisien fungsi yang distandardisasi, dan centroid. Ingat, peneliti dapat
mengevaluasi kedua fungsi karena keduanya signifikan secara statistik dan memiliki ukuran efek
yang baik. Jika suatu fungsi tidak ditemukan menjadi signifikan secara statistik, peneliti
seharusnya tidak mengevaluasi salah satu dari tabel ini untuk fungsi tertentu.
Koefisien Struktur
Matriks struktur (Gambar 4) menguraikan koefisien struktur dan memberi tahu peneliti
seberapa dekat setiap variabel dan fungsi terkait. Koefisien struktur adalah korelasi bivariat
sederhana antara variabel yang diamati dan variabel sintetik yang dibuat dari semua variabel
prediktor dalam persamaan linier. Karena koefisien struktur hanyalah statistik r Pearson, mereka
dapat berkisar dari -1 untuk +1, dan tidak ada varians bersama antara nilai-nilai prediktor
(Henson, 2002; Klecka, 1980; Sherry & Henson, 2005). Melihat tabel matriks struktur untuk
contoh pada Gambar 4, peneliti dapat mengidentifikasi varians dicatat dalam skor com-posite
untuk masing-masing dari lima variabel dalam analisis. Melihat pada Fungsi 1 dalam tabel
matriks struktur, kesungguhan memiliki korelasi terkuat dengan variabel pengelompokan
(kelompok usia, –.514), diikuti oleh keterbukaan (.452) dan, sampai batas tertentu, kesetujuan (–
.346). Mengkuadratkan nilai-nilai ini memungkinkan kita untuk menghitung varians yang
diperhitungkan dalam skor komposit untuk Fungsi 1. Akun Conscientiousness untuk 26,42% dari
varians di skor pada fungsi ini, diikuti oleh keterbukaan dengan 20,43% dan kesetujuan dengan
11,97%. Ini berarti kesungguhan memberikan kontribusi paling besar terhadap pemisahan
kelompok (yaitu, perbedaan antara ketiga kelompok usia), diikuti oleh keterbukaan dan
kemudian persetujuan. Juga, catat tanda masing-masing nilai yang menunjukkan bahwa
keterbukaan berhubungan negatif dengan kesetujuan dan
Struktur matrik
fungsi
1 2
Keramahan .346 .343 Buat
kotak ini
Ektversion .077 .011 untuk
Keterbukaan menemuk
.452 .792 an
Teliti .514 .792 varians
Neurotisme -.031 .227a yang
Pooled dalam kelompok kolerasi antara variabel diskriminatif dan fungsi diskriminan kanonik
standar. Variabel yang diperintahkan oleh ukuran mutlak kolerasi dalam fungsi.
* Kolerasi absolut terbesar antara masing-masing variabel dan fungsi apapun yang diskriminatif.
GAMBAR 4. Struktur Matriks Menunjukkan Seberapa Erat Variabel dan Fungsi Yang
Terkait
kesungguhan pada Fungsi 1. Tiga variabel yang sama muncul dalam Fungsi 2, dengan
keterbukaan sedikit lebih berkorelasi dengan variabel-variabel pengelompokan daripada
ketelitian, diikuti dengan keramahan. Pada Fungsi 2, akun keterbukaan untuk 62,73%, akun
conscientiousness untuk 59,91%, dan akun kemudahan untuk 11,77%. Namun, pada Fungsi 2,
masing-masing dari tiga variabel berkontribusi tertinggi berhubungan positif dengan yang lain.
Ini akan menjadi lebih jelas ketika mengevaluasi centroid grup. Tidak ada variabel lain yang
berkontribusi secara substansial terhadap salah satu fungsi yang dapat ditafsirkan. Peneliti
menilai ini dengan jumlah varians yang diperhitungkan. Dalam contoh saat ini, tak satu pun dari
dua fungsi lainnya menyumbang lebih dari 1% dari varians. Namun, ini tergantung pada
kebijaksanaan peneliti mengenai seberapa banyak varians merupakan signifikansi klinis.
Koefisien standar
Koefisien standar digunakan dalam persamaan linier yang dibahas sebelumnya dan
beranalogi dengan bobot beta dalam regresi berganda. Bobot ini menginformasikan kepada
peneliti tentang kepentingan relatif dari variabel dengan memaksimalkan korelasi antara variabel
pengelompokan dan fungsi diskriminan sintetik. Namun, mereka memiliki batasan penting
bahwa jika dua variabel sangat berkorelasi, mereka harus berbagi kontribusinya dengan
Fungsi
1 2 .423
Keramahan .065 .383
Ektversion .096 Koefisien
.653
Keterbukaan 1.009 standar
.485 memberita
Teliti .019 hu kita
Neurotisme .229 pentingnya
-1.061
relatif
Gambar 5. Koefisien Fungsi Standar
skor diskriminan. Karena koefisien standar mempertimbangkan kontribusi simultan dari semua
variabel lain, kontribusi absolut dari setiap variabel tidak tercermin (Klecka, 1980; Sherry &
Henson, 2005). Penting untuk mengevaluasi baik koefisien standar dan koefisien struktur.
Pertimbangkan data contoh saat ini, Gambar 5, dalam tabel koefisien fungsi diskriminan kanonik
standar. Untuk Fungsi 1, keterbukaan dan kesadaran masing-masing memiliki nilai melebihi 1,
yang tidak mungkin jika tidak ada banyak varians bersama di antara mereka. Ingat di atas, bahwa
jika dua variabel sangat berkorelasi, mereka harus membagi kontribusi mereka ke skor
diskriminan dan bahwa kontribusi absolut dari satu variabel tidak tercermin.
Jika skornya tidak berkorelasi sempurna, koefisien standar akan bertambah menjadi 1. Pada
Fungsi 2, semua variabel kecuali kesadaran muncul untuk berkontribusi pada korelasi antara
variabel independen dan variabel pengelompokan. Hal ini juga penting untuk mengevaluasi
koefisien struktur, di samping koefisien standar, untuk mengidentifikasi kekuatan penjelas dari
variabel. Koefisien standar memberi tahu sifat dari persamaan linier yang digunakan untuk
membuat variabel sintetis (atau diskriminan) dan, karena itu, menyampaikan kredit relatif setiap
variabel mendapat dalam menciptakan variabel sintetis. Secara hipotesis, ketika variabel
dependen tidak berkorelasi sempurna, tidak perlu melihat variabel struktur yang diuraikan di
bagian sebelumnya. Namun, ini jarang dalam penelitian psikologi, dan ketika multikolinieritas
memang ada, bobot standar harus membagi setiap varian yang secara bersama-sama dapat
menjelaskan pembentukan variabel diskriminan sintetik. Meskipun bukan masalah dalam contoh
saat ini, jika seorang peneliti menemukan koefisien struktur rendah (atau nol) dan koefisien
standar besar pada variabel, maka dia harus mempertimbangkannya sebagai variabel penekan,
atau variabel yang membantu memprediksi variabel sintetik meskipun tidak benar-benar terkait
langsung dengan variabel sintetik. Dengan kata lain, variabel dan fungsi tidak terkait setelah
interkorelasi antara semua variabel dicatat, seperti dalam matriks struktur. Namun, ketika
interkorelasi ini tidak diperhitungkan, seperti dalam matriks koefisien standar, variabel
tampaknya memiliki dampak pada variabel sintetis. Variabel suppressor mempengaruhi variabel
sintetis melalui hubungan mereka dengan variabel prediktor lainnya.
Grup Centroid
Yang terakhir, sekarang peneliti tahu bahwa kesetujuan, keterbukaan, dan kehati-hatian
berbagi tanggung jawab utama untuk perbedaan kelompok dalam skor diskriminan, tugas yang
tersisa adalah untuk menentukan kelompok mana yang memiliki lebih banyak sifat-sifat ini dan
yang memiliki lebih sedikit dalam persamaan linier. Pusat untuk memahami aspek DDA ini
adalah konsep centroid kelompok. Pada dasarnya, centroid grup adalah mean dari skor fungsi
diskriminan dalam suatu kelompok dan dihitung dengan menerapkan bobot diskriminan ke
sarana kelompok pada setiap variabel (Betz, 1987). Cara lain untuk memahami ini adalah bahwa
nilai rata-rata diskriminan dihasilkan dari kombinasi secara linear variabel dependen yang
diamati. Untuk Fungsi 1, koefisien struktur menyarankan bahwa keterbukaan, hati nurani, dan
kesetujuan memberikan kontribusi terhadap perbedaan antara ketiga kelompok. Namun, melihat
koefisien standar, keterbukaan dan kehati-hatian adalah dua variabel yang berkontribusi. Oleh
karena itu, varian dijelaskan oleh kesetujuan juga dijelaskan oleh keterbukaan dan kesungguhan,
dan sementara itu dapat berkontribusi untuk menciptakan variabel dependen sintetik, itu
mungkin tidak berguna dalam persamaan saat ini karena kolinearitas dengan keterbukaan dan
kesungguhan. Sementara varians prediktif yang terkait dengan kesetujuan tidak sepenuhnya unik,
seperti yang ditunjukkan oleh koefisien standar, koefisien strukturnya menunjukkan bahwa itu
bermakna. Oleh karena itu, centroidnya harus diperiksa. Melihat pada Fungsi 1 pada Gambar 6,
centroid grup untuk remaja secara substansial lebih tinggi daripada dua kelompok lainnya.
Membandingkan ini dengan tabel koefisien struktur, seorang peneliti dapat mengatakan bahwa
remaja lebih terbuka (ingat, ini memiliki valensi positif) dan kurang teliti dan menyenangkan
(ingat, ini memiliki valensi negatif) daripada mahasiswa atau orang dewasa. Melihat pada Fungsi
2, centroid grup untuk mahasiswa secara substansial lebih rendah daripada dua kelompok
lainnya. Membandingkan ini dengan tabel koefisien struktur, seorang peneliti dapat mengatakan
bahwa mahasiswa kurang terbuka dan teliti dan, pada tingkat lebih rendah, kurang
menyenangkan daripada
Fungsi
Grup 1 2
Remaja 8.440 .343
Perguruan tinggi -2.313 -1.312
Dewasa -6.127 .968
Fungsi diskriminasi kanonik yang tidak staandar dievaluasi pada sarana kelompok
GAMBAR 6. Rata-rata Skor Fungsi Diskriminan Dalam Kelompok atau Kelompok

Centroid
dua kelompok lainnya. Namun, ini tampaknya sebagian bertentangan dengan temuan dari fungsi
pertama yang menunjukkan bahwa remaja kurang teliti daripada mahasiswa. Ingat, fungsi
pertama dicatat lebih dari varians dalam skor ini, sehingga temuan pada fungsi ini memiliki
kekuatan penjelas lebih dari temuan dari Fungsi 2. Namun, pertimbangkan centroid untuk dua
kelompok lainnya pada Fungsi 2. Dari yang terendah hingga centroid tertinggi, kelompok adalah
perguruan tinggi (–1,312), remaja (.344), dan dewasa (0,968). Dengan memperhitungkan valensi
mereka, kita dapat mengatakan bahwa mahasiswa kurang terbuka dan teliti daripada remaja dan
orang dewasa lebih terbuka dan teliti daripada remaja. Perlu diingat, signifikansi statistik terletak
pada kemampuan variabel untuk memisahkan antara grup. Oleh karena itu, tidak ada signifikansi
statistik antara kelompok-kelompok itu sendiri tetapi antar variabel. Oleh karena itu, dalam
contoh saat ini, keramahan, hati nurani, dan keterbukaan secara signifikan membedakan antara
tiga kelompok umur. Centroid menyediakan perkiraan di mana masing-masing variabel ini jatuh
dalam satu kelompok relatif terhadap yang lain.
SAMPEL TULIS DAN TABEL
Analisis statistik hanya dapat bermanfaat untuk penelitian pencarian sebagai lan-guage
dan bentuk peneliti memilih untuk menyampaikan informasi. Bagian berikut menunjukkan
bagaimana peneliti dapat menulis contoh di atas, termasuk tabel berformat APA yang diperlukan.
Braces {} menggambarkan informasi tambahan yang ditulis untuk membantu pembaca tetapi
tidak dimaksudkan sebagai bagian dari artikel.
TABEL 1 : Sarana dan Standar Deviasi pada Lima faktor kepribadian untuk Tiga
kelompok
Remaja perguruan tinggi dewasa
Variabel M SD M SD M
Neurotisme 91.4 2.5 91.3 2.7 92.8
1.8
Extroversion 121.7 2.3 119.8 2.4 92.8
1.6
Pembukaan percobaan 137.2 4.3 115.0 3.8 115.3
2.3
Kesetujuan 97.2 2.9 108.6 3.3 107.3
8.7
Konsistensi 95.2 3.3 113.2 5.4 129.0
3.5
Contoh
Tiga puluh sukarelawan dari daerah perkotaan barat daya yang besar dari Amerika
Serikat berpartisipasi dalam penelitian ini untuk hadiah lotere $ 25. Dari jumlah tersebut, 10
adalah remaja (5 laki-laki, 5 perempuan; usia 14 sampai 17; M = 15,5, SD = 1,3), 10 adalah usia
kuliah (5 laki-laki, 5 perempuan; usia 18 hingga 22; M = 20,2, SD = 1,6 ), dan 10 orang dewasa
(5 pria, 5 wanita; usia 25 hingga 38; M = 31,4, SD = 3,7. {Peneliti mungkin ingin memasukkan
informasi demografis lainnya seperti ras, etnis, atau status sosial ekonomi.}
Data dikumpulkan pada lima faktor kepribadian (N, E, O, A, dan C). Tabel 1 daftar
sarana dan standar deviasi untuk masing-masing kelompok pada variabel-variabel ini. Data
kemudian dianalisis menggunakan SPSS versi 11.2.0 untuk memastikan bahwa sampel berarti
memenuhi asumsi normalitas multivariat. Jarak Mahalanobis dan nilai chi-square berpasangan
diplot dalam sebuah teroprasi, dan penyelidik utama dan seorang penilai independen
mengevaluasi plot. Karena plot membentuk garis lurus, garis diagonal, ada perjanjian interrater
bahwa data memenuhi asumsi normalitas multivariat {Catatan ini adalah prosedur yang
dijelaskan terbaik oleh Henson (1999) dan asumsi yang memuaskan (f).} Ditentukan bahwa
homogenitas asumsi varians bertemu untuk analisis ini sebagaimana dicatat oleh Box's M-F (30,
2309.99) = 1,761, p = 0,007-menunjukkan bahwa matriks kovarians dapat dikumpulkan untuk
analisis ini. Keandalan konsistensi internal untuk sampel pada lima subskala kepribadian adalah
0,87 untuk N, 0,90 untuk E, 0,89 untuk O, 0,88 untuk A, dan 0,92 untuk C.
Dalam memeriksa fungsi diskriminan kanonik, ada korelasi kanonik besar (0,988) pada
Fungsi 1 dengan ukuran efek R2 = 97,6%. Ada korelasi kanonik besar kedua (0,712) pada Fungsi
2 dengan ukuran efek R2 = 50,7%. Baik uji model penuh dari Fungsi 1 hingga 2 dan pengujian
Fungsi 2 secara statistik signifikan pada p = .001. {Jika tes fungsi ditemukan tidak signifikan
secara statistik, pernyataan akhir akan membaca sebagai berikut: Uji Fungsi X tidak signifikan
secara statistik (p = X)
TABEL 2: Wilka’s Lambda dan Korelasi Kanonis untuk Tiga Kelompok Umur
Fungsi Wilk’s Lambda X2 df p R2 Rc 2
1-2 .011 111.870 10 .000 .988 97.6%
2 .493 17.684 4 .001 .712 50.7%
TABEL 3 : Fungsi diskriminan Standar dan koefisien struktur untuk Tiga kelompok
skala koefisien rs rs2
N .065 -.031 00.09%
E .096 .077 00.59%
O 1.009 .452 18.98%
A .019 -.346 11.97%
C -1.061 -.514 26.42%
Fungsi 2
N .423 .227 05.15%
E .383 .011 00.01%
O .653 .792 62.73%
A .485 .343 11.77%
C .279 .774 59.91%
dan dengan demikian dikeluarkan dari analisis berikutnya.} Tabel 2 menunjukkan temuan ini.
Koefisien fungsi diskriminan standar dan koefisien struktur diperiksa untuk menentukan
variabel apa yang berkontribusi pada perbedaan kelompok. Tabel 3 mewakili kedua set koefisien
untuk semua analisis. Untuk Fungsi 1, hati nurani, keterbukaan, dan sampai batas tertentu,
keramahan tanggung jawab utama untuk perbedaan kelompok, dengan keterbukaan yang
berhubungan negatif dengan kesungguhan dan kesetujuan. Untuk Fungsi 2, keterbukaan dan
kehati-hatian terutama bertanggung jawab untuk perbedaan kelompok, diikuti oleh kesetujuan.
Semua ini berkorelasi positif dalam fungsi ini.
Mengenai centroid kelompok (lihat Tabel 4), tampak bahwa pada Fungsi 1, remaja secara
substansial lebih tinggi daripada dua kelompok lainnya. Ini menunjukkan bahwa kita dapat
menghubungkan perbedaan kelompok yang diamati pada Fungsi 1 yang berkaitan dengan
kesadaran, keterbukaan, dan keramahan kepada remaja. Lebih khusus lagi, remaja lebih terbuka
dan kurang teliti dan menyenangkan daripada mahasiswa dan bahkan lebih jika dibandingkan
dengan
TABEL 4: Kelompok Sentroid
Kelompok Fungsi 1 Fungsi 2
Remaja 8.440 .344

Perguruan -2.313 -1.312
Tinggi -6.127 .968
orang dewasa. Pada Fungsi 2, mahasiswa memiliki pusat terendah, diikuti oleh remaja dan
kemudian orang dewasa. Hal ini menunjukkan bahwa mahasiswa kurang terbuka dan teliti
daripada remaja dan orang dewasa lebih terbuka dan teliti daripada remaja. {Untuk dua tabel
terakhir, laporkan hanya fungsi yang signifikan secara statistik.}
IMPLIKASI UNTUK PRAKTIK
DDA merupakan alternatif terbaik untuk MANOVA dalam situasi di mana praktisi atau
peneliti ingin menemukan tidak hanya bahwa dua kelompok berbeda pada satu set variabel tetapi
juga bagaimana persisnya mereka berbeda pada variabel-variabel ini. Sebagai psikolog konseling
terus menjadi yang terdepan dalam meneliti isu keragaman, DDA dapat berguna dalam melihat
perbedaan antara tahap identitas dalam model tahapan, antara berbagai kelompok orientasi rasial
atau seksual, dan antara kelompok perlakuan yang berbeda. Namun, terutama karena penelitian
keragaman telah berkembang, semakin banyak peneliti yang mengidentifikasi perbedaan dalam
kelompok dan menghibur gagasan bahwa banyak aspek keragaman mungkin sebenarnya terletak
pada suatu kontinum daripada dalam kategori. Ketika menggunakan DDA, sangat penting bagi
para peneliti untuk memastikan bahwa kelompok didefinisikan dengan baik. Adalah praktik yang
buruk untuk mendikotomisasi atau trichotomize variabel kontinyu ke dalam kelompok (rendah,
med, tinggi) untuk keperluan kategorisasi. Jika cutoff untuk kelompok diubah, sebagian besar
peneliti tidak akan dapat mengatakan dengan pasti bahwa kasus-kasus yang mendekati skor cut-
off akan dapat dikategorikan dalam kelompok yang sama (Huberty & Hussein, 2003). Demikian
pula, karena psikologi konseling terus mengenali dimensi fungsi dalam bidang-bidang seperti
diagnosis, identitas, dan atribut psikologis, penting bagi peneliti untuk secara jelas
mengidentifikasi bahwa perbedaan kelompok sedang dipelajari dan bukan variabel yang lebih
tepat diukur pada interval atau berkelanjutan. skala. Dalam kasus seperti itu, analisis korelasi
kanonik mungkin lebih tepat (Sherry & Henson, 2005). Banyaknya pilihan menyoroti pentingnya
memiliki variabel yang diidentifikasi dengan jelas, mengukur skala, dan hipotesis (pada
pengembangan skala, lihat Worthington & Whittaker, di tekan [TCP edisi khusus, bagian 2]).
RINGKASAN
Contoh sebelumnya bukan dimaksudkan untuk menjadi demonstrasi DDA yang lengkap,
melainkan, pengenalan konsep untuk peneliti terapan. Pembaca yang lebih canggih juga
mungkin tertarik dengan buku Huberty (1994) tentang analisis deskriptif. Mengenai temuan
statistik, penting untuk diingat untuk selalu melaporkan perkiraan keandalan sehingga pembaca
memiliki gagasan tentang kepercayaan yang dia miliki dalam generalisasi hasil (Helms, Henze,
Sass, & Mifsud, 2006 [masalah ini]; Huberty & Hussein, 2003). Selain itu, panduan statistik
mendorong peneliti juga untuk melaporkan informasi tentang pencilan dan data yang hilang.
Menilai normalitas pada ketiga level (univarity, bivariate, dan multivariate) serta homo-geneity
dari variance / covariance matrix seharusnya tidak hanya dilakukan tetapi juga dilaporkan di
bagian hasil. Akhirnya, ahli statistik merekomendasikan laporan rinci deskriptif dan nama dan
versi paket statistik yang digunakan untuk analisis (lihat Huberty & Hussein, 2003, untuk daftar
rinci informasi penting yang harus dilaporkan).
LAMPIRAN
Data Set Digunakan untuk contoh
Kasus Kelompoka Neurotisme Extroversi Keterbukaan Agreeableness Conscientiousness
1 1 90.00 125.00 138.00 94.00 93.00

2 1 91.00 122.00 137.00 96.00 97.00
3 1 94.00 120.00 143.00 99.00 99.00
4 1 95.00 118.00 132.00 100.00 91.00
5 1 88.00 122.00 141.00 93.00 90.00
6 1 90.00 125.00 138.00 94.00 93.00
7 1 91.00 122.00 138.00 97.00 98.00
8 1 94.00 121.00 142.00 98.00 98.00
9 1 93.00 119.00 133.00 101.00 98.00
10 1 88.00 132.00 130.00 100.00 95.00
11 2 95.00 116.00 119.00 109.00 117.00
12 2 93.00 124.00 115.00 105.00 115.00
13 2 89.00 121.00 113.00 112.00 111.00
14 2 88.00 120.00 118.00 114.00 119.00
15 2 95.00 117.00 110.00 106.00 105.00
16 2 93.00 117.00 119.00 109.00 117.00
17 2 89.00 123.00 116.00 106.00 116.00
18 2 88.00 122.00 112.00 111.00 110.00
19 2 92.00 120.00 119.00 110.00 118.00
20 2 91.00 118.00 109.00 106.00 106.00
(lanjutan)
LAMPIRAN (lanjutan)
Kasus Kelompoka Neurotisme Extroversi Keterbukaan Kesetujuan Teliti
21 3 94.00 120.00 117.00 108.00 130.00
22 3 92.00 118.00 112.00 118.00 125.00

23 3 90.00 122.00 115.00 115.00 129.00
24 3 94.00 117.00 114.00 118.00 128.00
25 3 95.00 119.00 116.00 119.00 124.00
26 3 93.00 120.00 117.00 108.00 130.00
27 3 94.00 119.00 113.00 119.00 129.00
28 3 92.00 121.00 114.00 119.00 128.00
29 3 90.00 118.00 120.00 120.00 129.00
30 3 94.00 118.00 115.00 118.00 139.00
CATATAN
1. Seringkali, peneliti menerapkan koreksi Bonferroni dalam kasus di mana jumlah tes
statistik dilakukan menempatkan hasil pada risiko kesalahan Tipe I. Ini biasanya
dilakukan dengan membagi alpha testwise (biasanya p = .05) dengan jumlah variabel
untuk menghitung alpha aljabar baru yang lebih ketat. Tapi efek paradoks telah
diilustrasikan di mana alpha yang diturunkan ini dapat menyebabkan kesalahan Tipe II di
mana kekuatan statistik yang kurang mengarah ke tidak menemukan hasil yang signifikan
secara statistik ketika hasil tersebut hadir (Fish, 1988; Maxwell, 1992). Ulasan meta-
analitik dapat membantu ketika kekuatan statistik kurang (Quintana & Minami, di tekan).
2. Meskipun data telah dibuat untuk meniru temuan yang sebenarnya, data dan temuan di
sini disajikan untuk tujuan heuristik saja dan tidak mencerminkan data aktual atau hasil.
3. Jika ini adalah penelitian yang sebenarnya, lebih besar n per kelompok akan lebih
disukai, tetapi n yang lebih rendah ini dapat diterima untuk tujuan heuristik.
REFERENSI
Betz, N. E. (1987). Penggunaan analisis diskriminan dalam penelitian psikologi konseling. Jurnal
Psikologi Konseling, 34, 393-403.
Bray, J. H., & Maxwell, S. E. (1982). Menganalisis dan menafsirkan MANOVA yang
signifikan. Review Penelitian Pendidikan, 52, 340-367.
Bray, J. H., & Maxwell, S. E. (1985). Analisis variansi multivariat. Beverly Hills, CA: Sage.
Cohen, J. (1968). Regresi berganda sebagai sistem analitik data umum. Buletin Psikologi, 70,
426-443.
Cole, D. A., Maxwell, S. E., Arvey, R., & Salas, E. (1993). Perbandingan grup multivariab dari
sistem variabel: MANOVA dan pemodelan persamaan struktural. Buletin Psikologis, 114, 174-
184.
Costa, P. T., Jr., & McCrae, R. R. (1992). Manual profesional NEO PI-R. Odessa, FL: Sumber
Daya Penilaian Psikologis.
Enders, C. K. (2003). Melakukan perbandingan kelompok multivariat mengikuti MANOVA

yang signifikan secara statistik. Pengukuran dan Evaluasi dalam Konseling dan Pengembangan,
36, 40-56.

Analisis Diskriminan Dalam Konseling Penelitian Psikologi

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Diskriminan Dalam Konseling Penelitian Psikologi

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisis Diskriminan dalam Konseling Penelitian Psikologi

Universitas Texas di Austin

MEMILIH METODE STATISTIK

Untuk sebagian besar penelitian, memilih antara berbagai metode perbandingan

Pertimbangan desain lain memungkinkan adalah apakah peneliti menghipotesiskan

Analisis diskriminan terdiri dari dua pendekatan untuk menganalisis perbedaan

Analisis diskriminan terdiri dari dua pendekatan untuk menganalisis perbedaan

Peneliti bimbingan psikologi membandingkan kelompok secara statistik dalam banyak

GAMBAR 1. Hasil Uji M Box of Homogenitas of Mattriks Varians / Kovariance

DDA (DESCRIPTIVE DISCRIMANT ANALYSIS)

1 - .011 = .989 (98,9% varian dijelaskan)

1 - .493 = .507 (50,7% varian dijelaskan)

Fungsi Variansi dari % Kumulatif Kolerasi

Buat persegi untuk

GAMBAR 3. Nilai Eigen: Rasio Antara-Kelompok ke Jumlah Kuadrat Dalam-Kelompok

GAMBAR 6. Rata-rata Skor Fungsi Diskriminan Dalam Kelompok atau Kelompok

SAMPEL TULIS DAN TABEL

Remaja perguruan tinggi dewasa

1-2 .011 111.870 10 .000 .988 97.6%

2 .493 17.684 4 .001 .712 50.7%

skala koefisien rs rs2

N .065 -.031 00.09%

E .096 .077 00.59%

O 1.009 .452 18.98%

A .019 -.346 11.97%

C -1.061 -.514 26.42%

N .423 .227 05.15%

E .383 .011 00.01%

O .653 .792 62.73%

A .485 .343 11.77%

C .279 .774 59.91%

TABEL 4: Kelompok Sentroid

Kelompok Fungsi 1 Fungsi 2

Remaja 8.440 .344

IMPLIKASI UNTUK PRAKTIK

1 1 90.00 125.00 138.00 94.00 93.00

21 3 94.00 120.00 117.00 108.00 130.00

22 3 92.00 118.00 112.00 118.00 125.00

Enders, C. K. (2003). Melakukan perbandingan kelompok multivariat mengikuti MANOVA

Anda mungkin juga menyukai