Anda di halaman 1dari 10

MEMAHAMI PROSEDUR ANALISIS PENGARUH

Makalah:
Metodologi Penelitian Akuntansi
Dosen Pembimbing:
Wawan Sadtyo Nugroho, SE., M.Si

Disusun Oleh Kelompok 12

1. Desi Dwi Lestari 14.0102.0003


2. Firsa Anggia Hardana 14.0102.0033
3. Tri Porwanti 14.0102.0039

FAKULTAS EKONOMI DAN BISNIS PROGRAM STUDI AKUNTANSI


UNIVERSITAS MUHAMMADIYAH MAGELANG
TAHUN 2018
A. ANALISIS REGRESI SEDERHANA

Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat dipakai
sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen)
terhadap variabel terikat (dependen).
Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa
tujuan, yaitu:
1) Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai
variabel bebas.
2) Menguji hipotesis karakteristik dependensi
3) Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas
diluar jangkaun sample.

Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai berikut:

Y = A + BX + e

Y adalah variabel dependen atau respon


A adalah intercept atau konstanta
B adalah koefisien regresi atau slope
e adalah residual atau error

Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:

1) Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai Y.
Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model atau
persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model tersebut
memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y yang
diketahui. Katakanlah sebuah model regresi digunakan untuk membuat persamaan
antara pendapatan (X) dan konsumsi (Y).
2) Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki satu serial
data variabel Y, melalui analisis regresi linier sederhana kita dapat membuat model
variabel-variabel yang memiliki pengaruh terhadap variabel Y. Hubungan antara
variabel dalam analisis regresi bersifat kausalitas atau sebab akibat. Berbeda halnya
dengan analisis korelasi yang hanya melihat hubungan asosiatif tanpa mengetahui apa
variabel yang menjadi sebab dan apa variabel yang menjadi akibat.

Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:

1. Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum menggunakan
analisis regresi bahwa analisis ini mensyaratkan bahwa variabel X bersifat fixed atau
tetap, sementara variabel Y bersifat random. Maksudnya adalah satu nilai variabel X
akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. dengan
demikian harus ada nilai error atau kesalahan pada variabel Y.

2. Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi bersifat
linier. artinya kenaikan variabel X harus diikuti secara proporsional oleh kenaikan
variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita dapat melakukan
transformasi data atau menggunakan model kuadratik, eksponensial atau model lainnya
yang sesuai dengan pola hubungan non-linier.

3. Varians error yang konstan, ini menjelaskan bahwa varians error atau varians residual
yang tidak berubah-ubah pada respon yang berbeda. Asumsi ini lebih dikenal dengan
asumsi homoskedastisitas. Oleh karena itu, penanggulangan permasalahan
heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan model
varians error ke dalam model atau model ARCH/GARCH.

4. Autokorelasi untuk data time series, jika kita menggunakan analisis regresi sederhana
untuk data time series atau data yang disusun berdasarkan urutan waktu, maka ada satu
asumsi yang harus dipenuhi yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh
variabel lag waktu sebelumnya terhadap variabel Y. Jika ada gangguan autokorelasi
artinya ada pengaruh variabel lag waktu sebelumnya terhadap variabel Y.
B. REGRESI BERGANDA

Pengertian Regresi Berganda

Regresi berganda adalah model regresi atau prediksi yang melibatkan lebih dari satu variabel
bebas atau prediktor. Istilah regresi berganda dapat disebut juga dengan istilah multiple
regression. Perbedaannya adalah jika multiple regression atau regresi berganda adalah adanya
lebih dari satu variabel prediktor (variabel bebas/variabel independen. Sedangkan multivariat
regression atau regresi multivariat adalah analisis regresi dimana melibatkan lebih dari satu
variabel response (variabel terikat/variabel dependen).

Jenis regresi Berganda


Regresi berganda sebagai salah satu jenis analisis statistik, banyak sekali macamnya,
tergantung pada skala data per variabel.

Regresi Linear Berganda

Regresi Linear Berganda adalah model regresi berganda jika variabel terikatnya berskala data
interval atau rasio (kuantitatif atau numerik). Sedangkan variabel bebas pada umumnya juga
berskala data interval atau rasio. Namun ada juga regresi linear dimana variabel bebas
menggunakan skala data nominal atau ordinal, yang lebih lazim disebut dengan istilah data
dummy. Maka regresi linear yang seperti itu disebut dengan istilah regresi linear dengan
variabel dummy.

Regresi Logistik Berganda

Regresi Logistik berganda adalah model regresi berganda jika variabel terikatnya adalah data
dikotomi. Dikotomi artinya dalam bentuk kategorik dengan jumlah kategori sebanyak 2
kategori.
Sedangkan variabel bebas jenis regresi berganda ini pada umumnya adalah juga variabel
dikotomi. Namun tidak masalah jika variabel dalam skala data interval, rasio, ordinal maupun
multinomial.
Ada dua metode yang sering dipakai dalam jenis regresi berganda ini, yaitu metode logit dan
probit.
Regresi Ordinal berganda

Regresi berganda jenis ini adalah analisis regresi dimana variabel terikat adalah berskala data
ordinal. Sedangkan variabel bebas pada umumnya juga ordinal, namun tidak masalah jika
variabel dengan skala data yang lain, baik kuantitatif maupun kualitatif. Keunikan regresi ini
adalah jika variabel bebas adalah data kategorik atau kualitatif, maka disebut sebagai faktor.
Sedangkan jika data numerik atau kuantitatif, maka disebut sebagai covariates.

Regresi Multinomial Berganda

Regresi multinomial berganda adalah jenis regresi dimana variabel terikat adalah data nominal
dengan jumlah kategori lebih dari 2 (dua) dan variabel bebas ada lebih dari satu variabel.
Jenis regresi ini hampir sama dengan regresi logistik berganda, namun bedanya adalah variabel
terikat kategorinya lebih dari dua, sedangkan regresi logistik berganda variabel terikatnya
mempunyai kategori hanya dua (dikotomi).
Regresi ini juga mirip dengan regresi ordinal, hanya saja bedanya skala data pada regresi ini
tidak bertingkat (bukan ordinal) atau dengan kata lain tidak ada yang lebih baik atau lebih
buruk.

Regresi Data Panel Berganda

Dari jenis-jenis di atas, sebenarnya masih ada jenis lain yang merupakan pengembangan dari
jenis-jenis di atas, yaitu dengan adanya kompleksitas berupa data time series atau runtut waktu,
atau data panel. Seperti yang terjadi pada regresi data panel ataupun regresi cochrane orcutt.

Kalau misalnya regresi linear data panel, jika ada lebih dari satu variabel bebas, maka bisa
disebut dengan istilah regresi linear data panel berganda. Namun kebanyakan orang atau
peneliti, cukup menggunakan istilah yang umum digunakan, yaitu cukup dengan menyebut
sebagai regresi data panel saja.
C. MRA

Uji interaksi atau sering disebut dengan Moderated Regression Analysis (MRA) merupakan
aplikasi khusus regresi berganda linear dimana dalam persamaan regresinya mengandung
unsur interaksi (perkalian dua atau lebih variabel independen) dengan rumus persamaan
regresi:

Y = a + b1X1 + b2X2 + b3X3 + b3X1X2 + e ... (1)

Variabel perkalian antara X1 dan X2 merupakan variabel moderating oleh karena


menggambarkan pengaruh moderating variabel X2 terhadap hubungan X1 dan Y. Sedangkan
variabel X1 dan X2 merupakan pengaruh langsung dari variabel X1 dan X2 terhadap Y.
Mengapa perkalian antara X1 dan X2 dapat dianggap sebagai moderating variabel, hal ini dapat
dijelaskan dengan cara membuat persamaan derivasi (turunan) X1 atau dY/dX1 dari persamaan
(1). Hasil dy/dX1 adalah :

dY/dX1 = b1 + b3X2 ... (2)

Persamaan (2) memberikan makna bahwa Y/dX1 merupakan fungsi dari X2 atau variabel X2
memoderasi hubungan antara X1 dan Y.

D. ANALISIS JALUR

DEFINISI ANALISIS JALUR

Analisis jalur adalah suatu teknik pengembangan dari regresi linier ganda. Teknik ini
digunakan untuk menguji besarnya sumbangan (kontribusi) yang ditunjukkan oleh koefisien
jalur pada setiap diagram jalur dari hubungan kausal antar variabel X1 X2 dan X3 terhadap Y
serta dampaknya terhadap Z.
“Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada
regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara
langsung tetapi juga secara tidak langsung”. (Robert D. Retherford 1993).
Sedangkan definisi lain mengatakan: “Analisis jalur merupakan pengembangan langsung
bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan
(magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam
seperangkat variabel.” (Paul Webley 1997).

KARAKTERISTIK ANALISIS JALUR

Merujuk pendapat yang dikemukakan oleh Land, Ching, Heise, Maruyama, Schumaker dan
Lomax, Joreskog (dalam Kusnendi, 2008:147-148), karakteristik analisis jalur adalah metode
analisis data multivariat dependensi yang digunakan untuk menguji hipotesis hubungan
asimetris yang dibangun atas dasar kajian teori tertentu, dengan tujuan untuk mengetahui
pengaruh langsung dan tidak langsung seperangkat variabel penyebab terhadap variabel akibat.

Menguji hipotesis hubungan asimetris yang dibangun atas kajian teori tertentu artinya yang
diuji adalah model yang menjelaskan hubungan kausal antarvariabel yang dibangun atas kajian
teori teori tertentu. Hubungan kausal tersebut secara eksplisit dirumuskan dalam bentuk
hipotesis direksional, baik positif maupun negative.

Beberapa istilah yang lazim digunakan dalam analisis jalur antara lain :

1. Model jalur
Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan
tergantung.
2. Jalur penyebab untuk suatu variabel yang diberikan.
3. Variabel exogenous.
4. Variabel – variabel exogenous dalam suatu model jalur ialah semua variabel yang tidak ada
penyebab-penyebab eskplisitnya.
5. Koefesien jalur / pembobotan jalur.
Koefesien jalur adalah koefesien regresi standar atau disebut ‘beta’ yang menunjukkan
pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu
model jalur tertentu.
6. Variabel Laten dapat didefinisikan sebagai variabel penyebab yang tidak dapat diobservasi
secara langsung (unobservable).
7. Variabel Mediator / Intervening dan Moderator
E. SEM (Structural Equation Modeling)

Pengertian Structural Equation Modeling (SEM)

Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM,
adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum.
Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis)
dan regresi (regression ).

Definisi lain menyebutkan structural equation modeling (SEM) adalah teknik analisis
multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah
metode analisis lainnya sebagai kasus-kasus khusus.

Definisi berikutnya mengatakan bahwa Structural equation modeling (SEM) merupakan teknik
statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam
bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi
aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat
dianggap sebagai kasus khusus dalam SEM.

Sedikit berbeda dengan definisi-definisi sebelumnya mengatakan structural equation


modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda, sekalipun
demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena
mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang
berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan
yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent
independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu
atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator.
Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat
dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis
time series, dan analisis kovarian
Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat
sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk menerangkan.
Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah
suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu
model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen
yang digunakan untuk menerangkan.

Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda diantaranya ialah

- Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel;


- Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk
mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu
variabel laten;
- Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca
keluaran hasil analisis;
- Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada
koefesien-koefesien secara sendiri-sendiri;
- Kelima, kemampuan untuk menguji model – model dengan menggunakan beberapa
variabel tergantung;
- Keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara;
- Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term);
- Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa
kelompok subyek;
- Kesembilan kemampuan untuk mengatasi data yang sulit, seperti data time series
dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

Aplikasi utama structural equation modeling meliputi:

 Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis),
yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships)
diantara variabel - variabel dan menguji model-model sebab akibat (causal models)
dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat
mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau
keduanya;
 Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari
analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor
loadings dan interkorelasinya;

 Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik
analisis faktor dimana matriks korelasi dari faktor-faktor tertentu ( common factors)
dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;

 Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi
linear dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau
dilakukan spesifikasi pada nilai-nilai numeriknya;

 Model-model struktur covariance (covariance structure models), yang mana model


tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu.
Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang
mempunyai varian yang sama dengan menggunakan prosedur yang sama;

 Model struktur korelasi (correlation structure models), yang mana model tersebut
menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik
adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur
circumplex.