Makalah Mata Kuliah Psikometri

Validitas

Kelas: A
Disusun Oleh:
Kelompok 4
No.  Nama  NIM  Nilai Nilai
Makalah  Individu
1 KATRIN GERALDIN 171301210
2 YANSEN NAPITUPULU 181301207
3 ANNISA NADILA BADRANI 191301001
4 MELANI PUTRI SINAGA 191301002
5 VIVI AVIDITYA NAKAMURA 191301003
6 ROHANI ZULBUSKO 191301004
 
Dosen Pengampu:
Ika Sari Dewi, M.Pd, Psikolog

FAKULTAS PSIKOLOGI
UNIVERSITAS SUMATERA UTARA
2021
 Kata Pengantar

Puji dan syukur kami ucapkan atas kehadirat Tuhan Yang Maha Esa atas segala rahmat
dan berkat yang diberikan-Nya sehingga kami dapat menyelesaikan tugas makalah yang berjudul
VALIDITAS ini. Adapun tujuan dari pembuatan makalah ini adalah untuk memenuhi tugas
yang diberikan oleh Dosen pengampu, Ika Sari Dewi, M.Pd, Psikolog pada mata kuliah
Psikometri.
Kami mengucapkan terima kasih kepada Ibu Ika Sari Dewi, M.Pd, Psikolog selaku
dosen pengampu yang telah memberikan tugas ini. Kami juga mengucapkan terima kasih kepada
semua pihak yang telah mempercayakan topik bahasan makalah ini kepada kami sehingga baik
kami maupun yang membaca dapat menambah wawasan, khsusunya mengenai validitas.
Kami juga menyadari, makalah yang kami tulis ini masih belum sempurna. Oleh karena
itu dengan segala kerendahan hati, kami bersedia menerima setiap kritik, saran, maupun
masukan terkait makalah yang kami susun ini.

Medan, 14 Maret 2021

Kelompok 4A

DAFTAR ISI

1
Kata Pengantar.................................................................................................................................1
DAFTAR ISI...................................................................................................................................2
3.10 Memperkirakan Validitas Kriteria dengan Lebih dari Satu Prediktor: Regresi Linier
Berganda..........................................................................................................................................2
3.11 Analisis Regresi untuk Memperkirakan Validitas Kriteria: Perkembangan Persamaan
Regresi.............................................................................................................................................4
3.12 Persamaan Regresi Tidak Standar untuk Regresi Berganda....................................................7
3.13 Testing the Regression Equation for Significance...................................................................8
3.14 Partial regression slopes (Kemiringan Regresi)....................................................................12
3.15 Standardized Regression Equation........................................................................................14
3.16 Predictive Accuracy of a Regression Analysis......................................................................16
3.18 Summary................................................................................................................................22
DAFTAR PUSTAKA....................................................................................................................24

3.10 Memperkirakan Validitas Kriteria dengan Lebih dari Satu Prediktor: Regresi Linier
Berganda

2
 Teknik korelasi yang disajikan sejauh ini berguna untuk memperkirakan validitas kriteria
dengan berfokus pada hubungan antara kriteria dan satu atau lebih variabel prediktor – bila
diukur pada titik waktu yang sama. Namun, seringkali tujuan dalam studi validasi adalah untuk
memprediksi hasil pada beberapa kriteria di masa mendatang. Misalnya, pertimbangkan
pertanyaan berikut: "Berapa skor ujian HVSCI (Highly Valid Scale of Intelligence) di masa depan
berdasarkan pengetahuan Anda tentang skor mereka pada perkembangan bahasa, identifikasi
grafis, memori jangka pendek, pendengaran dan visual?" Pertanyaan terkait adalah, "Seberapa
yakin kita tentang skor yang diprediksi untuk peserta ujian?" Untuk menjawab pertanyaan seperti
ini, kita akan menggunakan regresi linier berganda (MLR).

Ketika tes digunakan untuk tujuan prediksi, langkah pertama yang diperlukan adalah
pengembangan persamaan regresi (Regression Equation). Dalam kasus variabel prediktor
berganda, persamaan regresi linier berganda dikembangkan untuk memperkirakan garis lurus
yang paling pas (yaitu, garis regresi) untuk kriteria dari serangkaian variabel prediktor. Garis
regresi paling pas meminimalkan jumlah penyimpangan kuadrat dari garis lurus paling pas.

Sebagai contoh, Gambar berikut mengilustrasikan garis regresi berdasarkan analisis

regresi berganda dua prediktor menggunakan HVSCI sebagai kriteria, pengembangan bahasa
(X1 – cri1_tot) dan identifikasi grafik (X2 – fi2_tot) sebagai variabel prediktor.

(Garis regresi paling sesuai dengan interval prediksi 95%. Garis putus-putus mewakili
interval prediksi 95% berdasarkan persamaan regresi. Interval kepercayaan ditafsirkan, bahwa

3
dalam (1 – α) atau 95% dari interval kepercayaan sampel itu akan dibentuk dari beberapa sampel
acak, nilai rata-rata populasi Y untuk nilai X tertentu akan dimasukkan.)

Gambar berikut mengilustrasikan perbedaan antara skor kriteria HVSCI yang diamati
(yaitu, titik-titik melingkar) untuk 1.000 peserta ujian dan skor prediksi mereka (yaitu, garis lurus
solid yang paling sesuai), berdasarkan persamaan regresi yang dikembangkan dari data sampel
kita.

(Garis regresi paling sesuai dengan nilai Y yang diamati versus yang diprediksi dan interval
prediksi 95%.)

3.11 Analisis Regresi untuk Memperkirakan Validitas Kriteria: Perkembangan Persamaan

Regresi
Sebelum melanjutkan, kita akan meninjau asumsi regresi linier berganda (disajikan pada
Tabel 3.4). Karena modelnya linier, beberapa asumsi harus relevan untuk dapat melakukan
analisis dengan benar. Asumsi model harus dievaluasi dengan kumpulan data apa pun sebelum
melakukan analisis regresi, karena pelanggaran asumsi dapat menghasilkan perkiraan parameter
yang tidak akurat (yaitu, intersep, kemiringan regresi, dan kesalahan standar lereng).
Pelanggaran sedang terhadap asumsi melemahkan analisis regresi tetapi tidak sepenuhnya
membatalkannya. Oleh karena itu, peneliti memerlukan tingkat penilaian khusus untuk
pelanggaran asumsi dan dampaknya terhadap parameter yang akan diperkirakan dalam analisis
regresi.
Untuk alasan singkatnya dan kesederhanaan penjelasan, kita akan fokus pada regresi sampel dan
persamaan prediksi daripada persamaan populasi.

4
 Namun bagaimanapun, elemen persamaan dapat diubah menjadi parameter populasi jika
keadaannya sesuai (misalnya, fokus pada populasi dan desain penelitian mencakup pengacakan
dalam protokol pengambilan sampel dan validasi silang model). Dalam persamaan populasi,
notasi berubah menjadi huruf Yunani (yaitu, untuk parameter populasi) daripada huruf Inggris.
Bagian berikut ini mencakup (1) persamaan regresi berganda tidak standar dan standar, (2)
koefisien determinasi ganda, (3) korelasi ganda, dan (4) uji signifikansi statistik. Selain itu, uji F
untuk menguji signifikansi persamaan regresi berganda disajikan.

5
6
3.12 Persamaan Regresi Tidak Standar untuk Regresi Berganda

Persamaan regresi berganda tidak standar (Unstandardized Multiple Regression Equation)

dikembangkan dari data sampel seperti yang diilustrasikan dalam Persamaan 1.1.

Di sini kita ingin memprediksi skor masa depan peserta ujian pada kriteria tersebut. Untuk
melakukannya diperlukan penerapan persamaan prediksi sampel (Prediction Equation) yang
disediakan dalam Persamaan 1.2.

Persamaan 1.1 Persamaan regresi tidak standar untuk sampel (Unstandardized Multiple Regression
Equation)

Y i = a + b 1 X 1 i+ b 2 X 2 i +….. + b m X mi+e i

 Y i= skor pada variabel kriteria untuk subjek i.

 X 1 i= skor pada variabel prediktor 1 untuk peserta ujian i.

 X 2 i = skor pada variabel prediktor 2 untuk peserta ujian i.

 b 1= sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh Xk
setelah menghilangkan pengaruh prediktor lainnya.
 b 2= sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh Xk
setelah menghilangkan pengaruh prediktor lainnya.
 a = intersep sampel.
 e i= kesalahan prediksi atau residual peserta ujian tertentu (bagian dari Y tidak
diprediksi oleh X).
 i = nilai indeks peserta ujian 1. . . n dalam sampel

Persamaan 1.2 Persamaan prediksi (Prediction Equation) sampel dengan beberapa prediktor

Y ' i = a + b 1 X 1 i+ b 2 X 2 i +….. + b m X mi

 Y ' i= skor prediksi pada variabel kriteria untuk subjek i.

 X 1 i = skor pada variabel prediktor 1 untuk peserta ujian i.

 X 2 i = skor pada variabel prediktor 2 untuk peserta ujian i.

7
  b 1 = sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh Xk
setelah menghilangkan pengaruh prediktor lainnya.
 b 2 = sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh Xk
setelah menghilangkan pengaruh prediktor lainnya.
 a = intersep sampel.
 e i = kesalahan prediksi atau residual peserta ujian tertentu (bagian dari Y tidak
diprediksi oleh X).
 i = nilai indeks untuk peserta ujian 1. . . n dalam sampel.

3.13 Testing the Regression Equation for Significance

Menguji signifikansi statistik dari persamaan regresi keseluruhan melibatkan hipotesis

dalam Persamaan 3.14 (yaitu, hipotesis bahwa R2 adalah nol dalam populasi, perhatikan huruf
Yunani yang mewakili parameter populasi).

Jika hipotesis nol dalam Persamaan 3.14 ditolak, maka setidaknya salah satu prediktor
signifikan secara statistik. Sebaliknya, jika hipotesis tidak ditolak, maka pengujian secara
keseluruhan menunjukkan bahwa tidak ada satupun prediktor yang berperan signifikan dalam
persamaan. Uji statistik dari hipotesis bahwa R2 adalah nol dalam populasi disajikan dalam
Persamaan 3.15a. Memasukkan nilai dari Tabel 3.5a dan 3.5b ke dalam Persamaan 3.15b, kita
melihat bahwa hasilnya sesuai dengan keluaran SPSS.

Persamaan 3.12. Persamaan regresi tidak standar untuk sampel

Y i = a + b 1 X 1 i+ b 2 X 2 i + … + b m X mi + e i

 Yi = skor pada variabel kriteria untuk subjek i.

 X1i = skor pada variabel prediktor 1 untuk peserta ujian i.
 X2i = skor pada variabel prediktor 2 untuk peserta ujian i.

8
  b1 = sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh X k
setelah menghilangkan pengaruh prediktor lainnya.
 b2 = sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh X k
setelah menghilangkan pengaruh prediktor lainnya.
 a = intersep sampel.
 ei = kesalahan prediksi atau residual peserta ujian tertentu (bagian dari Y tidak
diprediksi oleh X ' S).
 i = nilai indeks untuk peserta ujian 1. . . n dalam sampel.

Persamaan 3.13. Persamaan prediksi sampel dengan beberapa prediktor

Y ' i = a + b 1 X 1 i+ b 2 X 2 i + … + b m X mi + e i

 Y 'i = skor prediksi pada variabel kriteria untuk subjek i.

 X1i = skor pada variabel prediktor 1 untuk peserta ujian i.
 X2i = skor pada variabel prediktor 2 untuk peserta ujian i.
 b1 = sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh X k
setelah menghilangkan pengaruh prediktor lainnya.
 b2 = sampel kemiringan parsial untuk garis regresi untuk Y yang diprediksi oleh X k
setelah menghilangkan pengaruh prediktor lainnya.
 a = intersep sampel.
 ei = kesalahan prediksi atau residual peserta ujian tertentu (bagian dari Y tidak
diprediksi oleh X ' S).

 i = nilai indeks untuk peserta ujian 1. . . n dalam sampel

Untuk menggambarkan Persamaan 3.15a dan 3.15b, hasil analisis regresi berganda
menggunakan sintaks SPSS di bawah ini disajikan pada Tabel 3.5a dan 3.5b.

Persamaan 3.15a. Uji-F untuk persamaan regresi keseluruhan

9
  F = Rasio F yang akan digunakan dalam menentukan signifikansi statistik
berdasarkan distribusi-F.
 R2 = koefisien determinasi berganda dalam satu sampel.
 m = jumlah prediktor.
 n = ukuran sampel.

Persamaan 3.15b. Uji-F untuk persamaan regresi keseluruhan

Tabel 3.5a. Uji Keseluruhan Persamaan Regresi Berganda

a. Predictors: (Constant), Gsm short-term memory: auditory and visual components, Gc

measure of vocabulary, Gf size of graphic identifikasi
b. Dependent Variable (Variabel Terikat): Skala kriteria eksternal kecerdasan terkristalisasi
yang sangat valid dari prosedur masuk variabel IQ terkristalisasi = ENTER (semua
prediktor dimasukkan secara bersamaan)

Tabel 3.5b. Uji Keseluruhan Persamaan Regresi Berganda

10
 a. Predictors: (Constant), Gsm short-term memory: auditory and visual components, Gc
measure of vocabulary, Gf size of graphic identifikasi
b. Variabel Dependent: Skala yang sangat valid dari ukuran kriteria eksternal kecerdasan
terkristalisasi dari IQ yang mengkristal

Mengenai statistik pada Tabel 3.5a dan 3.5b, R adalah korelasi ganda (yaitu, satu angka yang
mewakili korelasi antara tiga prediktor dan kriteria). Perhatikan bahwa R cukup besar dalam
konteks analisis korelasi (yaitu, kisaran 0 hingga 1.0). Selanjutnya, kita melihat dari Tabel 3.5b
bahwa persamaan regresi secara keseluruhan signifikan secara statistik dengan probabilitas
kurang dari .001 (p <.001). Signifikan R diartikan sebagai makna bahwa setidaknya satu variabel
merupakan prediktor signifikan dari HVSCI (pembaca harus memverifikasi ini dengan mengacu
pada tabel F nilai kritis dalam buku teks statistik). Tabel 3.5b menyajikan jumlah kuadrat (dari
Persamaan 3.9 dan 3.11), derajat kebebasan, kuadrat rata-rata (menjelaskan bagian yang berbeda
dari model regresi), statistik F, dan signifikansi ("Sig." Yang menandakan nilai probabilitas
terkait dengan F-statistik).

3.14 Partial regression slopes (Kemiringan Regresi)

Parsial Kemiringan regresi parsial dalam persamaan regresi berganda secara langsung
berkaitan dengan korelasi parsial dan semiparsial yang disajikan di awal bab ini. Sebagai
ilustrasi, kami menggunakan data contoh kami untuk menghitung kemiringan parsial dalam
analisis regresi kami. Persamaan untuk memperkirakan lereng parsial untuk b1 (tes
perkembangan bahasa; cri1_tot) dan b2 (tes identifikasi grafik) diturunkan dalam Persamaan
3.16a dan 3.16b.

Persamaan 3.16a. Kemiringan regresi parsial untuk b1 (prediktor 1)

11
  b1 = kemiringan parsial sampel tidak standar untuk uji pengembangan bahasa.
 ʳYX₁ = korelasi antara kriteria (HVSCI) dan perkembangan bahasa (prediktor 1).
 ʳYX₂ = korelasi antara kriteria (HVSCI) dan identifikasi grafik (prediktor 2).
 ʳX₁X₂ = korelasi antara perkembangan bahasa (prediktor 1) dan identifikasi grafis
(prediktor 2).
 ˢY = sampel standar deviasi dari kriteria (HVSCI).
 ˢX₁ = sampel deviasi standar perkembangan bahasa (prediktor 1).
 ʳ²X₁X₂ = korelasi kuadrat antara perkembangan bahasa (prediktor 1) dan identifikasi
grafis (prediktor 2).
Catatan. Output regresi SPSS menghasilkan koefisien b1 sebesar 1,89. Perbedaan ini disebabkan
oleh jumlah tempat desimal yang digunakan di seluruh perhitungan tangan versus perhitungan
SPSS.

Persamaan 3.16b. Kemiringan regresi parsial untuk b2 (prediktor 2)

 b₂ = kemiringan parsial sampel tak terstandarisasi untuk uji identifikasi grafis.

 ʳYX₂ = korelasi antara kriteria (HVSCI) dan identifikasi grafik (prediktor 2).
 ʳYX₂ = korelasi antara kriteria (HVSCI) dan tes perkembangan bahasa (prediktor 1).
Catatan. Output regresi SPSS menghasilkan koefisien b1 sebesar 0,54. Perbedaan ini disebabkan
oleh jumlah tempat desimal yang digunakan di seluruh perhitungan tangan versus perhitungan
SPSS. Definisi elemen yang tersisa sama seperti pada Persamaan 3.16a untuk b1.

Untuk menentukan apakah kemiringan parsial signifikan secara statistik dari nol dalam

populasi, diperlukan kesalahan standar kemiringan regresi. Hipotesis yang diuji berbasis populasi
dan disajikan pada Persamaan 3.17.

Persamaan 3.17. Uji hipotesis untuk koefisien regresi

12
  H₀ = hipotesis nol.
 ꞵₖ = koefisien regresi populasi untuk prediktor k.
Signifikansi statistik kemiringan regresi parsial dievaluasi menggunakan kritis nilai dari
distribusi-t dan derajat kebebasan terkait (di mana df = n - m - 1; n = ukuran sampel dan m =
jumlah prediktor). Kesalahan standar untuk regresi parsial koefisien disediakan dalam Persamaan
3.18. Akhirnya, uji-t untuk signifikansi parsial kemiringan regresi disajikan dalam Persamaan
3.19.

Persamaan 3.18. Kesalahan standar dari kemiringan regresi

 ₛ(bₖ) = kesalahan standar dari kemiringan regresi.

 ˢresidual = 1 - R² atau penjumlahan kuadrat akibat regresi Y pada Xₖs.
 n - 1 = ukuran sampel dikurangi 1.
 s²ₖ = varians prediktor k.
 R²ₖ = koefisien determinasi berganda yang didefinisikan sebagai tumpang tindih antara
prediktor Xₖ dan prediktor yang tersisa.
Persamaan 3.19. Uji signifikansi koefisien kemiringan regresi

t = nilai-t yang dihitung untuk prediktor berdasarkan data.

b = koefisien regresi tidak standar.

s(bₖ)= kesalahan standar dari kemiringan regresi.

13
Catatan. Untuk memfasilitasi pemahaman Persamaan 3.18 dan 3.19, pembaca mungkin merasa
terbantu untuk meninjau Persamaan 3.3a-c mengenai peran jumlah kuadrat dan derajat
kebebasan dalam analisis regresi.

3.15 Standardized Regression Equation

Regresi Y pada X (atau beberapa X) juga dapat diekspresikan dalam metrik skor-z
dengan mengubah skor mentah pada Y dan X (lihat Bab 2 untuk tinjauan tentang cara mengubah
skor mentah menjadi skor-z). Setelah transformasi, rata-rata dan varians sekarang diekspresikan
dalam metrik 0 dan 1. Hasil dari transformasi ini adalah bahwa kemiringan regresi sekarang
distandarisasi (yaitu, kemiringan regresi standar) dan sama dengan rXY, korelasi Pearson.

Karena skor pada Y dan beberapa X distandarisasi, tidak diperlukan intersep untuk
persamaan regresi. Persamaan 3.20–3.22 menggambarkan (1) persamaan prediksi standar, (2)
persamaan regresi tidak standar, dan (3) persamaan prakiraan sampel menggunakan contoh data
uji kecerdasan.

14
 Dalam Persamaan 3.21, pertimbangkan skenario di mana peserta ujian memiliki skor
pengembangan bahasa 7 dan skor identifikasi grafis 6. Menggunakan hasil dari perhitungan
sebelumnya pada Persamaan 3.21 untuk b1, b2, dan a, kita dapat menghitung peserta ujian
prediksi skor pada HVSCI seperti yang ditunjukkan pada Persamaan 3.22. Menggunakan sintaks
berikut (di bawah) untuk menjalankan analisis regresi menghasilkan nilai prediksi 25,1 untuk
peserta ujian kami. Agar SPSS menyimpan nilai prediksi untuk setiap ujian inee (dan interval
prediksi 95%), baris "/ SAVE PRED" dalam sintaks yang disediakan di bawah ini diperlukan.
Perbandingan nilai prediksi untuk peserta ujian ini mengungkapkan bahwa kami koefisien
regresi dan intersep sesuai (dalam tempat desimal / perbedaan pembulatan). Korelasi antara skor
HVSCI aktual (yang diamati) dan skor prediksi untuk 1.000 peserta ujian adalah 0,81. Untuk
mengevaluasi tingkat hubungan antara skor aktual dan skor prediksi, Anda dapat menjalankan
korelasi antara skor yang disimpan (prediksi) untuk 1.000 peserta ujian dan skor aktual mereka.

3.16 Predictive Accuracy of a Regression Analysis

Pertanyaan yang paling kritis terkait dengan validitas prediktif ketika menggunakan
analisis regresi adalah, "Seberapa akurat persamaan regresi dalam hal skor yang diamati versus
skor yang akan diprediksi oleh persamaan?" Menjawab pertanyaan ini melibatkan penggunaan
kesalahan standar perkiraan (SEE), ringkasan ukuran kesalahan prediksi berdasarkan distribusi
bersyarat Y untuk nilai X tertentu. Untuk menggambarkan peran SEE, digunakan regresi linier
sederhana Y (HVSCI) pada X (cri1_tot). Untuk sampel dengan prediktor tunggal, kesalahan
standar dari perkiraan disediakan dalam Persamaan 3.23a. Dengan menggunakan Persamaan
3.23a, kita dapat menghitung kesalahan standar dari estimasi untuk model regresi linier
sederhana.

15
 SPSS sintaks di bawah ini mencakup semua opsi yang diperlukan (1) untuk mengevaluasi
asumsi model regresi linier (misalnya, pencilan, diagnostik oleh setiap peserta ujian, grafik
residu untuk mengevaluasi homogenitas varian) dan (2) untuk memperkirakan skor yang
diprediksi pada Y, termasuk kepercayaan 95% di sekitar skor prediksi untuk Y.

Selanjutnya, memprediksi skor peserta ujian menggunakan koefisien regresi dan intersep. Secara
khusus, memprediksi skor pada HVAC untuk peserta ujian yang skor aktualnya adalah 25 pada
HVAC dan 12 pada tes pengembangan bahasa (cri1_tot) menggunakan Persamaan 3.13.

16
 Terakhir, dengan menggunakan jumlah kuadrat yang disajikan pada Tabel 3.6a, kita
dapat menghitung R2 — variasi total dalam Y yang dapat diprediksi menggunakan prediktor atau
prediktor dalam persamaan regresi linier atau linier berganda sederhana. Ingat bahwa R2 dihitung
dengan membagi jumlah regresi kuadrat dengan jumlah total kuadrat pada Tabel 3.6b.

Pengembangan dan HVSCI dalam sampel kami yang terdiri dari 1.000 peserta ujian. Terakhir,
menggunakan jumlah Kuadrat disajikan pada Tabel 3.6a, kita dapat menghitung R2 -- Variasi
total dalam Y yang dapat diprediksi menggunakan prediktor atau prediktor dalam regresi linier
sederhana atau regresi linier berganda persamaan. Ingat bahwa R2 dihitung dengan membagi

17
jumlah regresi kuadrat dengan jumlah tersebut, Dari total kotak pada Tabel 3.6b. Misalnya,
dengan menggunakan jumlah kuadrat pada Tabel 3.6b, Hasilnya adalah 305224.404 /
478495.356 = .638. Perhatikan bahwa .638 sama dengan Tabel 3.6a, file, Tabel ringkasan model
regresi.

Ingat dari bagian sebelumnya bahwa korelasi antara HVSCI (Y) dan perkembangan bahasa (X)
adalah 0,79, hubungan yang tidak sempurna. Untuk menjawab pertanyaan tentang Seberapa
akurat skor yang diprediksi dengan menggunakan persamaan regresi membutuhkan
penerapan.Dari kesalahan standar skor prediksi yang diberikan dalam Persamaan 3.25.

Persamaan 3.25 juga digunakan untuk membuat interval kepercayaan untuk (1) skor yang
diprediksi untuk setiap peserta ujian dalam sampel atau (2) nilai prediksi rata-rata untuk semua
peserta ujian. SPSS Sintaks yang diberikan sebelumnya di bagian ini mencakup opsi untuk
menghasilkan prediksi Skor untuk setiap peserta ujian dan interval prediksi 95% terkait.

Seperti yang disebutkan sebelumnya, adalah umum untuk memiliki beberapa variabel prediktor
dalam sebuah prediksi Studi validitas. Estimasi kesalahan standar prediksi untuk regresi
berganda lebih Kompleks dan melibatkan aljabar matriks. Untungnya, komputer menjalankan
kalkulasi.

18
untuk kita. Untuk memahami detail tentang bagaimana kalkulasi diturunkan, pembaca dirujuk
kepada Pedhazur (1982, hlm. 68–96) atau Tabachnick dan Fidell (2007). Kesalahan standar
prediksi untuk regresi linier berganda disediakan dalam Persamaan 3.26 (Pedhazur, 1982, hal
145).

Sintaks SPSS untuk melakukan regresi linier berganda yang disediakan selanjutnya termasuk
Pilihan untuk menghasilkan skor prediksi untuk setiap peserta ujian dan 95% terkait Interval
prediksi.

19
Tabel 3.7a hingga 3.7c memberikan keluaran parsial dari sintaks SPSS untuk analisis regresi
linier berganda.

Untuk membuat informasi lebih konkret, kami akan menghitung prediksi peserta ujian skor
menggunakan koefisien regresi dan intersep pada Tabel 3.7c dengan memasukkan koefisien ke

20
dalam Persamaan 3.27. Secara khusus, kami akan memprediksi skor di HVSCI untuk peserta
ujian yang skor aktualnya adalah 25 pada HVSCI, 12 pada pengembangan bahasa, 0,0 pada

21
Identifikasi grafis, dan 9.0 pada tes memori jangka pendek menggunakan Persamaan 3.27. Itu
Persamaan prediksi sampel dengan nilai sampel diterapkan ke koefisien regresi Dari keluaran
SPSS (Tabel 3.7c) diilustrasikan pada Persamaan 3.27.

Perhatikan bahwa skor prediksi 30,33 adalah 2,73 poin lebih dekat dengan peserta ujian Skor
HVSCI aktual 25 daripada skor 33,07 yang diprediksi dengan prediktor tunggal Persamaan. Dari
Tabel 3.7a, kita melihat bahwa kesalahan standar dari estimasi untuk persamaan regresi berganda
adalah 12,82 (dibandingkan dengan 13,17 dalam model prediktor tunggal). Oleh karena itu,
dengan menambahkan memori jangka pendek (tetapi bukan identifikasi grafis berbasis fluid
intelligence karena skor peserta ujian adalah 0) ke persamaan regresi berganda, akurasi prediksi
ditingkatkan dalam model prediksi. Pada titik ini, menggunakan Regresi berganda sering kali
diinginkan dalam melakukan studi validitas, tetapi bagaimana seharusnya Anda pergi tentang
memilih prediktor untuk dimasukkan dalam model regresi? Bagian selanjutnya membahas
pertanyaan penting ini.

3.17 Predictor Subset Selection in Regression

Dalam penelitian perilaku, banyak variabel prediktor sering tersedia untuk digunakan
dalam menyusun persamaan regresi untuk digunakan untuk tujuan validitas prediksi. Selain itu,
variabel prediktor berkorelasi satu sama lain selain berkorelasi dengan kriteria. Faktor pendorong
yang menentukan pemilihan variabel harus substantif pengetahuan tentang topik yang diteliti.
Selain itu, mencapai kesederhanaan model diinginkan dengan mengidentifikasi jumlah terkecil
variabel prediktor dari total set variabel yang memberikan varian maksimum yang dijelaskan
dalam variabel kriteria. Berfokus pada kesederhanaan model juga meningkatkan ukuran sampel
terhadap rasio prediktor karena semakin sedikit prediktor, semakin kecil ukuran sampel yang
diperlukan untuk hasil yang andal. Juga, Lord dan Novick (1968, p. 274) mencatat bahwa
penambahan banyak variabel prediktor jarang terjadi memperbaiki persamaan regresi karena
peningkatan inkremental dalam varians yang dihitung berdasarkan penambahan variabel baru
sangat rendah setelah titik tertentu.

Jika tujuan utama dari analisis regresi adalah untuk mendapatkan persamaan terbaik,
tersedia beberapa prosedur entri variabel. Teknik-teknik ini termasuk (1) entri maju, (2) entri
mundur, (3) metode bertahap, dan (4) semua kemungkinan optimalisasi regresi. Tujuan dari
prosedur pemilihan variabel adalah untuk memaksimalkan varians yang dijelaskan dalam

22
variabel kriteria oleh kumpulan prediktor. Teknik mungkin atau mungkin tidak digunakan dalam
pertimbangan teori (misalnya, dalam pendekatan konfirmatori). Salah satu teknik entri variabel
lainnya adalah teknik enter, di mana semua prediktor dimasukkan ke dalam model secara
bersamaan (tanpa urutan yang telah ditentukan). Teknik ini (digunakan dalam contoh
sebelumnya di bab ini) menghasilkan kontribusi unik dari setiap prediktor dengan kriteria selain
hubungan di antara prediktor.

3.18 Summary
Bab ini memperkenalkan validitas, gambaran umum dari proses validasi dan teknik
statistik untuk memperkirakan koefisien validitas. Validitas didefinisikan sebagai penilaian atau
perkiraan seberapa baik suatu tes atau instrumen mengukur apa yang seharusnya diukur.
Misalnya, kami prihatin dengan keakuratan jawaban terkait pertanyaan penelitian kami.
Menjawab pertanyaan penelitian dalam penelitian psikologi dan / atau perilaku melibatkan
penggunaan skor yang diperoleh dari tes atau instrumen pengukuran lainnya. Untuk tujuan ini,
keakuratan skor sangat penting untuk relevansi setiap kesimpulan yang dibuat. Kriteria, isi, dan
validitas konstruk disajikan dan dikontekstualisasikan dalam kerangka validitas yang
komprehensif, dengan kriteria dan bentuk isi dari validitas skor berfungsi untuk
menginformasikan validitas konstruk. Empat pedoman untuk menetapkan bukti validitas skor tes
dibahas: (1) bukti berdasarkan proses respons tes, (2) bukti berdasarkan struktur internal tes, (3)
bukti berdasarkan hubungan dengan variabel lain, dan (4) bukti berdasarkan konsekuensi
pengujian.
Bab ini menyajikan teknik statistik untuk memperkirakan validitas kriteria, bersama
dengancontoh yang diterapkan menggunakan data GfGc. Bab 4 menyajikan teknik tambahan
untuk menetapkan validitas skor. Secara khusus, teknik untuk klasifikasi dan seleksi dan untuk
konten dan validitas konstruk disajikan bersama dengan contoh yang diterapkan.

23
 DAFTAR PUSTAKA

Price, Larry R. Pyschometric Methods ; theory into practice. New York: The Guildford Press,
2017.

24