Ikhtisar Artikel – Cross Level Analysis

Applying Hierarchical Linear Modeling (HLM) to Social Work Administration Research

TAE KUEN KIM, PHYLLIS SOLOMON, and KAREN A. ZURLO

Data multilevel mengacu pada kumpulan data yang berisi informasi di lebih dari satu unit tingkat
mikro dari unit tingkat makro yang sama. Misalnya, data yang dikumpulkan pekerja sosial yang
bekerja di agen layanan sering mengandung variabel menggambarkan pekerja sosial (unit tingkat
mikro), seperti usia, serta variabel mendeskripsikan agen layanan (unit tingkat makro), seperti jenis
agen. Para peneliti mengumpulkan data seperti itu sering ingin menganalisis data menggunakan
variabel tingkat mikro dan tingkat makro, untuk memeriksa factor yang mempengaruhi kepuasan
kerja pekerja sosial, yang dipengaruhi oleh tidak hanya karakteristik individu tetapi juga fitur
agensi layanan. Bagian ini mengilustrasikan tiga pola struktur multilevel yang mungkin: varying
intercept only, varying slope only, and varying intercepts and slopes. Untuk kejelasan, kami
menggunakan situasi hipotetis di mana seorang peneliti meneliti hubungan tersebut antara stres
dan kinerja pekerjaan di antara pekerja sosial. Seharusnya bahwa seorang peneliti mengumpulkan
data menggunakan metode sampling multistage clustering di mana peneliti pertama-tama memilih
10 lembaga, dan selanjutnya dipilih 20 pekerja sosial dari masing-masing agen. Peneliti mengukur
tingkat stres dan kinerja pekerjaan setiap pekerja sosial.

Ada 2 pendekatan tradisional berhubungan dengan data multilevel: pendekatan aggregating dan
disaggregating.

Pendekatan Aggregating
Ketika para peneliti menemukan data bertingkat, satu pilihan yang mungkin mereka lakukan
adalah melakukan analisis di tingkat organisasi (tingkat makro). Dalam pendekatan ini, peneliti
mengumpulkan informasi dari semua individu dari organisasi yang sama dan menggunakan
informasi gabungan ini sebagai ukuran dari variabel organisasi (Guo, 2005). Misalnya, peneliti
hitung usia rata-rata pekerja sosial di agensi dan mengalokasikan usia rata-rata ini sebagai variabel
dari agensi itu. Analisis tingkat organisasi ini biasanya disebut pendekatan agregat (Hofmann,
1997). Pendekatan agregat memiliki kelemahan teoretis. Pertama, karakteristik agregasi individu
dalam organisasi mengabaikan informasi individu dan, karenanya, menghilangkan variasi penting
di antara individu-individu dalam organisasi yang sama (Fraser, Jenson, Kiefer, & Popuang, 1994).
Dengan demikian, sang peneliti tidak dapat menentukan varian tingkat individu yang berpotensi
bermakna (Hofmann, 1997).

Selain itu, temuan pendekatan agregat tidak lagi berlaku kepada individu. Dengan mengumpulkan
dan mengalokasikan informasi individu ke dalam organisasi, unit analisis telah berubah dari
tingkat individu menjadi tingkat organisasi. Menerapkan temuan ini kepada individu dapat
mengarah pada kekeliruan ekologis, di mana orang membuat pernyataan tentang individu sebagai
unit analisis, sedangkan hasil didasarkan pada pemeriksaan kelompok atau agregasi lainnya (Rubin
& Babbie, 2005). Jenis kesalahan ini terjadi “Ketika hubungan ditemukan pada satu tingkat
tertentu adalah tidak tepat diasumsikan terjadi dengan cara yang sama pada tingkat lain ”(Luke,
2004, hlm. 6). Selain keterbatasan teoritis ini, pendekatan agregat memiliki masalah praktis. Dalam
beberapa kasus, hampir tidak mungkin untuk melakukan analisis tingkat organisasi. Misalnya,
dengan mempekerjakan 200 klien dari 10 lembaga, agregasi tingkat organisasi mengurangi ukuran
sampel dari 200 unit hingga 10 unit. Proses ini sangat mengancam kekuatan statistik di mana
analisis statistik menjadi tidak layak (Moor & McCabe, 2003).

Pendekatan Disaggregating
Untuk menghindari keterbatasan teoritis dan praktis dari pendekatan agregat, peneliti cenderung
menggunakan analisis tingkat individu tradisional, yang menganggap semua individu sebagai
independen (Luke, 2004). Peneliti dapat melakukan analisis pada tingkat individu (tingkat mikro)
dengan berulang kali mengalokasikan informasi organisasi yang sama untuk semua individu dari
organisasi yang sama dan menggunakan informasi organisasi ini sebagai ukuran variabel individu
(Guo, 2005). Misalnya, semua pekerja sosial dari agensi yang sama mungkin menerima nilai yang
sama yang mewakili karakteristik agensi mereka, seperti jumlah staf dan jenis agensi. Analisis
tingkat individu ini biasanya disebut sebagai pendekatan disaggregating (Hofmann, 1997).

Pendekatan disaggregating, bagaimanapun, mengarah ke masalah statistik, terutama ketika

menggunakan teknik regresi konvensional. Dalam data multilevel, karena individu dari organisasi
yang sama memiliki karakteristik organisasi yang sama, seperti lingkungan kerja, mereka lebih
mungkin terkait satu sama lain daripada individu dari organisasi lain (Duncan, Jones, & Moon,
1998). Ini melanggar salah satu asumsi dasar model regresi konvensional yang disebut
uncorrelated disturbances1, karena individu dimiliki oleh organisasi yang sama mungkin akan
memiliki kesalahan yang berkorelasi (Raudenbush & Bryk, 2002). Fenomena ini menghasilkan
kecenderungan untuk menyimpulkan bahwa relationships exist when they really do not (Allison,
1999a).

Selain itu, masalah non-independence ini terhubung langsung dengan metode pengambilan sampel
yang digunakan. Banyak penelitian administrasi kerja sosial (misalnya, Gellis, 2001; Giffords,
2003; Hopkins, 2002) tergantung pada multistage cluster sampling di mana peneliti pertama
memilih sejumlah organisasi dan kemudian memilih individu dalam organisasi yang dipilih ini.
Sekali peneliti menggunakan multistage cluster sampling, mereka perlu memberi perhatian khusus
terhadap kemungkinan correlated disturbance dan estimasi bias yang dihasilkan dari masalah non-
independence (Allison, 1999b). Semua masalah-masalah pendekatan tradisional ini menunjukkan
bahwa para peneliti membutuhkan metode statistik yang tepat untuk menganalisa data multilevel.

Tujuan HLM
Tujuan dari HLM adalah memprediksi variabel dependen berdasarkan fungsi variabel independen
lebih banyak dari satu tingkat, dan untuk menguji dinamika antara tingkat mikro dan makro,
mengurangi masalah non-independence (Raudenbush & Bryk, 2002). Untuk memahami
bagaimana HLM mencapai tujuan ini membutuhkan apresiasi terhadap konsep utama berikut:
intra-class correlation (ICC), fixed-random effects and variance-covariance components, cross-
level interactions, and estimation methods and statistical tests.

Intra-class correlation (ICC)

Adalah ukuran tingkat ketergantungan individu dalam kumpulan data. Individu yang berbagi
pengalaman umum, terkait kedekatan mereka dalam ruang dan / atau waktu, cenderung lebih mirip
(Kreft & deLeeuw, 2004, hal. 9). Jadi, ICC terkadang mengacu pada ukuran kelompok
homogenitas (Kreft & de Leeuw, 2004).
Fixed-random effects and variance-covariance components.
Tidak seperti model regresi konvensional yang terdiri dari fixed effect dan tingkat kesalahan
tingkat mikro, HLM memiliki random effects yang terkait dengan variasi tingkat mikro dan makro.
variasi mikro dan makro (kadang-kadang disebut residual) Ini diwakili oleh variance-covariance
components dalam HLM (Hofmann, 1997). Dengan menentukan error terms tingkat makro, atau
random effects, HLM dapat menangani masalah non-independen secara efisien.

Cross-level interactions
Alasan penting lain untuk menggunakan HLM adalah bahwa peneliti perlu memeriksa bagaimana
variabel individu berinteraksi dengan variabel organisasi dan oleh karena itu, perlu menguji efek
gabungan dari variabel dua tingkat terhadap variabel dependen. (Guo, 2005, p. 639). Cross-level
interactions didefinisikan sebagai interaksi antar variabel yang diukur pada level yang berbeda
dalam data multilevel.

Estimation methods and statistical tests

HLM pada dasarnya memperkirakan parameter model dengan maximum likelihood (ML)
algorithm. Dengan demikian, HLM menyediakan berbagai ukuran, termasuk Akaike Information
Criterion (AIC) dan Schwarz's Bayesian. HLM juga menyediakan skor t dan Wald Z untuk
parameter terpisah dan varians-covariance components. Berdasarkan tingkat signifikansi yang
diamati untuk t dan Wald Z, peneliti dapat memutuskan apakah setiap variabel independen
signifikan dan varians-covariance components adalah nol (Norusis, 2004).