com
BAB 1 5
Analisis data
kuantitatif: Uji hipotesis
TUJUAN PEMBELAJARAN
Setelah menyelesaikan Bab 15, Anda seharusnya dapat:
1. Diskusikan kesalahan tipe I, kesalahan tipe II, dan kekuatan statistik.
PENGANTAR
Dalam Bab 5 kita membahas langkah-langkah yang harus diikuti dalam pengembangan dan pengujian hipotesis. Langkah-langkah ini adalah:
Dalam bab ini kita akan membahas pengujian hipotesis. Pertama, kita akan memperhatikan kesalahan tipe I, kesalahan
tipe II, dan kekuatan statistik. Selanjutnya akan dibahas berbagai uji statistik univariat dan bivariat yang dapat digunakan
untuk menguji hipotesis. Akhirnya, kita akan kembali ke kasus Excelsior Enterprises dan menguji hipotesis yang
dikembangkan di bab sebelumnya.
300
Bab -- analisis data kuantitatif: pengujian hipotesis 301
Dalam Bab 5 kami menjelaskan bahwa metode hipotetis-deduktif membutuhkan hipotesis yang dapat dipalsukan. Untuk
alasan ini, hipotesis nol dikembangkan. Hipotesis nol ini (H ) dengan demikian
0
ditetapkan untuk ditolak untuk mendukung
hipotesis alternatif, yang disebut H . A
Hipotesis nol dianggap benar sampai bukti statistik, dalam bentuk uji hipotesis, menunjukkan sebaliknya.
Bukti statistik yang diperlukan disediakan olehstatistik inferensial, seperti analisis regresi atau MANOVA.
Statistik inferensial membantu kita menarik kesimpulan (atau membuat kesimpulan)tentang populasi
dari sampel.
Tujuan pengujian hipotesis adalah untuk menentukan akurat jika hipotesis nol dapat ditolak demi
hipotesis alternatif. Berdasarkan data sampel peneliti dapat menolak hipotesis nol (dan karenanya menerima
hipotesis alternatif)dengan tingkat kepercayaan tertentu: selalu ada risiko bahwa kesimpulan yang ditarik
tentang populasi tidak benar.
Ada dua jenis kesalahan (atau dua cara di mana kesimpulan bisa salah), diklasifikasikan sebagai kesalahan tipe I dan
kesalahan tipe II. Akesalahan tipe I, juga disebut sebagai alfa (α), adalah probabilitas menolak hipotesis nol padahal
hipotesis itu benar. Dalam contoh Excelsior Enterprises yang diperkenalkan di Bab 14, kesalahan tipe I akan terjadi jika kita
menyimpulkan, berdasarkan data, bahwa burnout mempengaruhi niat untuk pergi padahal sebenarnya tidak. Probabilitas
kesalahan tipe I, juga dikenal sebagaitingkat signifikansi, ditentukan oleh peneliti. Tingkat signifikansi tipikal dalam penelitian
bisnis adalah 5% (<0,05) dan 1% (<0,01).
A kesalahan tipe II, juga disebut sebagai beta (β), adalah probabilitas gagal menolak hipotesis nol yang diberikan bahwa
hipotesis alternatif sebenarnya benar; misalnya, menyimpulkan, berdasarkan data, bahwa burnout tidak memengaruhi niat untuk
pergi, padahal kenyataannya memang demikian. Probabilitas kesalahan tipe II berbanding terbalik dengan probabilitas kesalahan tipe
I: semakin kecil risiko salah satu jenis kesalahan ini, semakin tinggi risiko kesalahan jenis lainnya.
Konsep penting ketiga dalam pengujian hipotesis adalah kekuatan statistik (1 ). Kekuatan statistik, atau hanya kekuatan,
adalah peluang untuk menolak hipotesis nol dengan benar. Dengan kata lain, kekuatan adalah probabilitas bahwa
signifikansi statistik akan ditunjukkan jika ada.
Kekuatan statistik tergantung pada:
1. Alpha (α): kriteria signifikansi statistik yang digunakan dalam pengujian. Jika alpha bergerak mendekati nol
(misalnya, jika alpha bergerak dari 5% ke 1%), maka kemungkinan menemukan efek ketika ada efek berkurang. Ini
menyiratkan bahwa semakin rendah (yaitu, semakin dekat bergerak ke nol) semakin rendah daya; semakin tinggi
alpha, semakin tinggi kekuatannya.
2. Ukuran efek: ukuran efek adalah ukuran perbedaan atau kekuatan hubungan dalam populasi:
perbedaan besar (atau hubungan yang kuat) dalam populasi lebih mungkin ditemukan daripada
perbedaan kecil (kesamaan, hubungan).
3. Ukuran sampel: pada tingkat alfa tertentu, peningkatan ukuran sampel menghasilkan lebih banyak kekuatan, karena peningkatan
ukuran sampel menghasilkan estimasi parameter yang lebih akurat. Dengan demikian, peningkatan ukuran sampel mengarah pada
kemungkinan yang lebih tinggi untuk menemukan apa yang kita cari. Namun, meningkatkan ukuran sampel juga dapat
menyebabkan terlalu banyak daya, karena efek yang sangat kecil pun akan dianggap signifikan secara statistik.
Sepanjang garis ini, ada empat komponen yang saling terkait yang memengaruhi kesimpulan yang mungkin Anda tarik
dari uji statistik dalam proyek penelitian: kekuatan pengujian, alfa, ukuran efek, dan ukuran sampel. Mengingat nilai untuk
setiap tiga komponen ini, dengan demikian dimungkinkan untuk menghitung nilai keempat. Umumnya, direkomendasikan
untuk menetapkan daya, alfa, dan presisi yang diperlukan (ukuran efek) dari pengujian terlebih dahulu, dan kemudian,
berdasarkan nilai komponen ini, menentukan ukuran sampel yang sesuai.
302 metode penelitian untuk bisnis
KOTAK 15.1
Fokus penelitian bisnis biasanya pada kesalahan tipe I. Namun, kekuatan (misalnya, untuk menentukan ukuran sampel
yang sesuai) dan, dalam beberapa situasi, kesalahan tipe II (misalnya, jika Anda menguji efek obat baru) juga harus
dipertimbangkan secara serius.
Setelah Anda memilih tingkat signifikansi statistik yang dapat diterima untuk menguji hipotesis Anda, langkah
selanjutnya adalah memutuskan metode yang tepat untuk menguji hipotesis. Pilihan teknik statistik yang tepat
sangat bergantung pada jumlah variabel (independen dan dependen) yang Anda periksa dan skala
pengukuran (metrik atau nonmetrik) variabel Anda. Aspek lain yang berperan adalah apakah asumsi uji
parametrik terpenuhi dan ukuran sampel Anda.
Teknik statistik univariat digunakan ketika Anda ingin memeriksa hubungan dua variabel. Misalnya, jika
Anda ingin menguji pengaruh jenis kelamin pada jumlah permen yang dimakan siswa per minggu, statistik
univariat sesuai. Sebaliknya, jika Anda tertarik pada hubungan antara banyak variabel, seperti dalam kasus
Excelsior Enterprises,teknik statistik multivariat diperlukan. Uji univariat atau multivariat yang sesuai sangat
bergantung pada skala pengukuran yang Anda gunakan, seperti yang diilustrasikan Gambar 15.1.
Analisis chi-kuadrat telah dibahas dalam bab sebelumnya. Bab ini akan membahas teknik lain yang tercantum
dalam Gambar 15.1. Perhatikan bahwa beberapa teknik dibahas lebih rumit daripada yang lain. Pembahasan rinci
tentang semua teknik ini berada di luar cakupan buku ini.
H 0: Jumlah jam belajar mahasiswa dari universitas kami sama dengan jumlah jam belajar mahasiswa
secara umum.
Bab -- analisis data kuantitatif: pengujian hipotesis 303
Teknik univariat:
Menguji hipotesis pada mean tunggal:
Data metrik: Uji-t satu sampel
Data nonmetrik: Chi-kuadrat
sampel terkait
Data metrik sampel berpasangan T
Data nonmetrik: -tes Chi-kuadrat
Wilcoxon
McNemar
Teknik multivariasi:
Satu variabel terikat metrik
Analisis varians dan kovarian
Analisis regresi berganda
Analisis konjoin
Satu variabel dependen nonmetrik
Analisis diskriminan
Regresi logistik
Lebih dari satu variabel terikat metrik
Analisis multivariat varians
Korelasi kanonik
GAMBAR 1 5 . 1
Ikhtisar teknik statistik univariat dan multivariat
H 1: Jumlah jam belajar mahasiswa dari universitas kami berbeda dengan jumlah jam belajar mahasiswa
secara umum.
Cara untuk memutuskan apakah ada perbedaan yang signifikan antara mahasiswa dari universitas Anda
dan mahasiswa pada umumnya bergantung pada tiga aspek: nilai rata-rata sampel (36,2 jam); nilai standar
pembanding (32 jam); dan tingkat ketidakpastian mengenai seberapa baik rata-rata sampel mewakili rata-rata
populasi (kesalahan standar rata-rata sampel).
304 metode penelitian untuk bisnis
x
Tn 1
S/n
Asumsikan bahwa simpangan baku yang diamati adalah 8. Oleh karena itu, T-statistik menjadi:
36.2 32
T 2.438
8 / 20
KOTAK 15.2
Di bawah ini
ujian
Bab -- analisis data kuantitatif: pengujian hipotesis 305
Setelah menghitung T-statistik, sekarang kita dapat membandingkan T–nilai dengan tabel standar T–nilai dengan
1 derajat kebebasan untuk menentukan apakah T-statistik mencapai ambang signifikansi statistik.
Ketika T‐statistik lebih besar dari nilai tabel yang sesuai, hipotesis nol (tidak ada perbedaan yang signifikan)
ditolak.
Kita T‐statistik (2.438) lebih besar dari nilai tabel yang sesuai (1.729). Ini berarti bahwa perbedaan
antara 36,2 dan 32 signifikan secara statistik. Hipotesis nol dengan demikian harus ditolak: ada perbedaan yang signifikan
dalam waktu belajar antara mahasiswa dari universitas kami dan mahasiswa pada umumnya.
KOTAK 15.3
Di bawah ini
hutang w
306 metode penelitian untuk bisnis
Dalam hal ini, akan ada dua pengamatan untuk setiap karyawan, satu sebelum pelatihan dan satu setelah pelatihan. Kami
akan menggunakan sampel berpasanganT‐test untuk menguji hipotesis nol bahwa rata-rata perbedaan antara pengukuran
sebelum dan sesudah adalah nol.
CONTOH
Seorang profesor universitas tertarik pada pengaruh dalamadalah contoh kita dapatkan: 22.5/13.79412/√10. Setelah
program pengajarannya terhadap kinerja murid- menghitungT-statistik, sekarang kita dapat com-
muridnya. Untuk alasan ini, sepuluh siswa diberikan mengurangi T–nilai dengan tabel standar T–nilai dengan
tes matematika pada minggu pertama semester dan 1 derajat kebebasan untuk menentukan apakah T-
nilai mereka dicatat. Selanjutnya, para siswa diberi tes statistik mencapai ambang signifikansi statistik. Sekali
setara selama minggu terakhir semester. Profesor lagi, ketikaT‐statistik lebih besar dari nilai tabel yang
sekarang ingin tahu apakah nilai matematika siswa sesuai, hipotesis nol (tidak ada perbedaan yang
telah meningkat. signifikan) ditolak.
Tabel 15.1 menggambarkan nilai siswa pada ulangan Kita T–statistik lebih besar dari tabel yang sesuai
matematika minggu pertama dan minggu terakhir semester. nilai (1,83). Ini berarti bahwa perbedaan antara 70 dan 57,5
Untuk mengetahui apakah ada perbedaan yang signifikan signifikan secara statistik. Hipotesis nol dengan demikian
dalam nilai matematika kita memerlukan statistik tes. Statistik uji harus ditolak: ada peningkatan yang signifikan dalam skor
adalah selisih rata-rata/S perbedaan
/√n. matematika.
TABEL 1 5 . 1
Nilai matematika sepuluh siswa pada minggu pertama dan terakhir semester
nilai matematika
1 55 75 + 20
2 65 80 + 15
3 70 75 +5
4 55 60 +5
5 40 45 +5
6 60 55 5
7 80 75 5
8 35 70 + 35
9 55 75 + 20
10 60 90 + 30
Skor rata - rata 57.5 70 22.5
Bab -- analisis data kuantitatif: pengujian hipotesis 307
KOTAK 15.4
Di bawah menu Analisis, pilih Tes Nonparametrik, lalu Sampel Terkait. Pilih 'Bandingkan secara
otomatis
peringkat (2
NS Tes peringkat bertanda Wilcoxon adalah tes nonparametrik untuk memeriksa perbedaan yang signifikan antara
dua sampel terkait atau pengukuran berulang pada sampel tunggal. Ini digunakan sebagai alternatif untuk sampel
berpasanganT‐test ketika populasi tidak dapat diasumsikan terdistribusi normal.
Tes McNemar adalah metode nonparametrik yang digunakan pada data nominal. Ini menilai signifikansi perbedaan
antara dua sampel dependen ketika variabel yang diminati adalah dikotomis. Hal ini digunakan terutama dalam studi
beforeafter untuk menguji efek eksperimental.
Dalam contoh berikut, seorang peneliti ingin menentukan apakah penggunaan metode pelatihan baru
(disebut CARE) berpengaruh pada kinerja atlet. Jumlah atlet individu diberikan pada Tabel 15.2. Performa (rata-
rata/baik) sebelum perlakuan (metode latihan baru) diberikan pada kolom (244 atlet menunjukkan performa
rata-rata sebelum dilatih dengan metode CARE, sedangkan 134 atlet menunjukkan performa baik sebelum
mengadopsi metode ini). Anda dapat menemukan performa setelah perlakuan (rata-rata/baik) pada baris (190
atlet memberikan performa rata-rata setelah menggunakan metode latihan baru, sedangkan jumlah atlet yang
memberikan performa baik meningkat menjadi 188).
308 metode penelitian untuk bisnis
TABEL 1 5 . 2
Performa atlet sebelum dan sesudah metode latihan baru
Sebelum
TABEL 1 5 . 3
Representasi yang lebih abstrak dari Tabel 15.2
Sebelum
rata-rata B +B
Setelah bagus +
total + B+
Sel - sel Tabel 15.2 dapat diwakili oleh huruf , B, , dan . Jumlah seluruh baris dan kolom adalah
total marjinal ( + B, + , + , dan B + ). Total keseluruhan diwakili oleh , seperti yang ditunjukkan pada Tabel 15.3.
Uji McNemar adalah teknik yang agak langsung untuk menguji homogenitas marginal. homogenitas marginal
mengacu pada kesetaraan (atau tidak adanya perbedaan yang signifikan) antara satu atau lebih dari total baris marjinal dan
total kolom marjinal yang sesuai. Dalam contoh ini, margSayahomogenitas akhir menyiratkan bahwa total baris sama dengan
total kolom yang sesuai, atau
bac
cdbd
Homogenitas marginal berarti tidak ada pengaruh perlakuan. Dalam hal ini berarti bahwa metode
pelatihan baru tidak akan mempengaruhi kinerja atlet.
Tes McNemar menggunakan2 distribusi, berdasarkan rumus: (| SM | 1)2//SM). χ2 adalah statistik dengan 1
derajat kebebasan [(# baris 1) × (# kolom 1)]. frekuensi marginalnya adalahbukan homogen jika2
hasilnya signifikan pada P 0,05. The2
nilai dalam contoh ini adalah:
Tabel distribusi chi-kuadrat, dengan 1 derajat kebebasan, mengungkapkan bahwa perbedaan antara sampel
signifikan pada tingkat 0,05: nilai kritis chi-kuadrat adalah 3,841. Karena 13.376 yang dihitung untuk contoh di atas
melebihi nilai ini, perbedaan antara sampel adalah signifikan. Oleh karena itu, kita dapat menyimpulkan bahwa
metode pelatihan baru memiliki efek positif pada kinerja atlet.
Bab -- analisis data kuantitatif: pengujian hipotesis 309
KOTAK 15.5
Di bawah menu Analisis, pilih Tes Nonparametrik, lalu Sampel Terkait. Pilih 'Secara otomatis membandingkan
data yang diamati dengan hipotesis' sebagai tujuan analisis Anda, 'Uji McNedmar (2 sampel)', di bawah 'S
Perhatikan bahwa jika B dan/atau kecil (B + 20) lalu2 tidak didekati dengan distribusi chi-kuadrat.
Sebaliknya a tes tanda seharusnya digunakan.
Ada banyak contoh ketika kita tertarik untuk mengetahui apakah dua kelompok berbeda satu sama lain pada variabel kepentingan
skala interval atau skala rasio tertentu. Misalnya, apakah pria dan wanita akan mendesakkan kasus mereka untuk memperkenalkan
waktu fleksibel di tempat kerja pada tingkat yang sama, atau akankah kebutuhan mereka berbeda? Apakah MBA berkinerja lebih baik
dalam pengaturan organisasi daripada mahasiswa bisnis dengan hanya gelar sarjana? Apakah individu di perkotaan memiliki pola
investasi tabungan yang berbeda dengan yang ada di semi perkotaan? Apakah CPA berkinerja lebih baik daripada non-CPA dalam
tugas akuntansi? Untuk menemukan jawaban atas pertanyaan seperti itu, dan
310 metode penelitian untuk bisnis
sampel independen T-tes dilakukan untuk melihat apakah ada perbedaan yang signifikan rata-rata untuk dua kelompok
dalam variabel kepentingan. Itu adalahnominal variabel yang dibagi menjadi dua subkelompok (misalnya, perokok dan
bukan perokok; karyawan di departemen pemasaran dan mereka yang di departemen akuntansi; karyawan yang lebih muda
dan lebih tua) diuji untuk melihat apakah ada perbedaan rata-rata yang signifikan antara dua kelompok terpisah pada
variabel dependen. variabel, yang diukur pada selang atau skala rasio (misalnya, tingkat kesejahteraan; membayar; atau
tingkat pemahaman).
KOTAK 15.6
Di bawah menu Analisis, pilih Bandingkan Berarti, lalu Uji T Sampel Independen. Pindahkan variabel dependen ke
dalam kotak “Test Variable(s)”. Pindahkan variabel independen (yaitu, variabel yang nilainya menentukan dua
kelompok) ke dalam kotak "Variabel Pengelompokan". Klik “Tentukan Grup” dan tentukan bagaimana grup-grup
tersebut a
Bab -- analisis data kuantitatif: pengujian hipotesis 311
KOTAK 15.7
Di bawah menu Analisis, pilih Bandingkan Berarti, lalu ANOVA Satu Arah. Pindahkan variabel terikat ke
dalam
kelompok) saya
312 metode penelitian untuk bisnis
Hasil ANOVA menunjukkan ada tidaknya mean dari berbagai kelompok berbeda nyata satu sama lain,
seperti yang ditunjukkan oleh statistik. Statistik menunjukkan apakah dua varians sampel berbeda satu sama
lain atau berasal dari populasi yang sama. Distribusi adalah distribusi probabilitas varians sampel
dan keluarga distribusi berubah dengan perubahan ukuran sampel. Rincian statistik dapat dilihat pada
Tabel IV pada tabel statistik menjelang akhir buku.
Ketika perbedaan rata-rata yang signifikan antara kelompok ditunjukkan oleh statistik, tidak ada cara untuk mengetahui dari
hasil ANOVA saja di mana mereka berada; yaitu, apakah perbedaan yang signifikan antara Grup A dan B, atau antara B dan C, atau A
dan C, dan seterusnya. Oleh karena itu tidak bijaksana untuk menggunakan banyakT-tes, mengambil dua kelompok sekaligus, karena
semakin besar jumlah T-tes dilakukan, semakin rendah kepercayaan yang dapat kita berikan pada hasil. Misalnya, tigaT–pengujian
yang dilakukan secara bersamaan menurunkan tingkat kepercayaan dari 95% menjadi 86% (0,95)3. Namun, beberapa tes, seperti uji
Scheffe, uji Jarak Berganda Duncan, uji Tukey, dan uji Student−Newman−Keul tersedia dan dapat digunakan, jika sesuai, untuk
mendeteksi di mana tepatnya letak perbedaan rata-rata.
Analisis regresi
Sederhana analisis regresi digunakan dalam situasi di mana satu variabel independen dihipotesiskan mempengaruhi satu variabel dependen.
Misalnya, asumsikan bahwa kami mengusulkan bahwa kecenderungan untuk membeli suatu produk hanya bergantung pada kualitas yang
dirasakan dari produk itu.1 Dalam hal ini kita harus mengumpulkan informasi tentang kualitas yang dirasakan dan kecenderungan untuk
membeli suatu produk. Kami kemudian dapat memplot data untuk mendapatkan beberapa ide awal tentang hubungan antara variabel-variabel
ini.
Dari Gambar 15.2 kita dapat melihat bahwa ada hubungan linier antara persepsi kualitas dan kecenderungan untuk membeli
produk. Kita dapat memodelkan hubungan linier ini dengan afungsi kuadrat terkecil.
5,00
4,00
Kecenderungan untuk Membeli
3,00
2,00
1,00
GAMBAR 1 5 . 2
Plot sebar kualitas yang dirasakan versus kecenderungan untuk membeli
Pada kenyataannya, setiap upaya untuk memodelkan pengaruh kualitas yang dirasakan pada kecenderungan untuk membeli produk tanpa memperhatikan faktor-faktor lain yang
1
mempengaruhi kecenderungan untuk membeli akan menyebabkan masalah statistik yang serius ("bias variabel yang dihilangkan").
Bab -- analisis data kuantitatif: pengujian hipotesis 313
5,00
4,00
2,00
R Sq Liner = 0,519
1,00
GAMBAR 1 5 . 3
Regresi kecenderungan untuk membeli berdasarkan kualitas yang dirasakan
Persamaan regresi linier sederhana mewakili garis lurus. Memang, untuk meringkas hubungan antara kualitas yang dirasakan
dan kecenderungan untuk membeli, kita dapat menggambar stRgaris lurus melalui titik-titik data, seperti pada Gambar 15.3.
Kita juga dapat menyatakan hubungan ini dalam persamaan:
kamuSaya
0 x
1 1Saya Saya
Parameternya 0 dan 1 disebut koefisien regresi. Mereka adalah pencegat (0) dan kemiringan ( 1) dari
garis lurus yang berhubungan dengan kecenderungan untuk membeli (kamu) dengan kualitas yang dirasakan (x1). Kemiringan dapat diartikan sebagai
jumlah unit di mana kecenderungan untuk membeli akan meningkat jika kualitas yang dirasakan meningkat satu unit. Istilah kesalahan menunjukkan
kesalahan dalam prediksi atau perbedaan antara kecenderungan untuk membeli yang diperkirakan dan kecenderungan untuk membeli yang sebenarnya.
Dalam contoh ini intersep ( 0) tidak signifikan sedangkan kemiringan ( 1) NS. Regresi yang tidak terstandarisasi
koefisien sion 1 adalah 0,832. Ingatlah bahwa koefisien regresi yang tidak terstandarisasi mewakili jumlah perubahan dalam variabel
dependen (kecenderungan untuk membeli dalam kasus ini) untuk perubahan satu unit dalam variabel independen (perceived quality).
Oleh karena itu, koefisien regresi1 menunjukkan bahwa kecenderungan untuk membeli meningkat sebesar
0,832 (pada skala lima poin) untuk satu unit perubahan dalam kualitas yang dirasakan. Dengan kata lain, kecenderungan untuk membeli untuk
konsumen A, yang menilai kualitas yang dirasakan dengan 4 (pada skala lima poin) adalahdiperkirakan menjadi 0,832 unit lebih tinggi (pada
skala lima poin) daripada kecenderungan membeli untuk konsumen B, yang menilai kualitas yang dirasakan dengan 3 (pada skala lima poin).
Ide dasar dari analisis regresi berganda mirip dengan analisis regresi sederhana. Hanya dalam kasus ini, kami
menggunakan lebih dari satu variabel independen untuk menjelaskan varians dalam variabel dependen. Analisis
regresi berganda adalah teknik multivariat yang sangat sering digunakan dalam penelitian bisnis. Titik awal dari
analisis regresi berganda adalah, tentu saja, model konseptual (dan hipotesis yang diturunkan dari model itu) yang
telah dikembangkan oleh peneliti pada tahap awal proses penelitian.
Analisis regresi berganda menyediakan sarana untuk menilai secara objektif derajat dan karakter
hubungan antara variabel bebas dan variabel terikat: koefisien regresi menunjukkan kepentingan relatif dari
masing-masing variabel bebas dalam prediksi variabel terikat. Sebagai contoh, anggaplah seorang peneliti
percaya bahwa varians dalam kinerja dapat dijelaskan oleh empat variabel independen,A, B, C, dan (misalnya,
gaji, kesulitan tugas, dukungan pengawasan, dan budaya organisasi). Ketika variabel-variabel ini secara
bersama-sama diregresi terhadap variabel dependen dalam upaya untuk menjelaskan varians di dalamnya,
ukuran koefisien regresi individu menunjukkan seberapa besar peningkatan satu unit dalam variabel
independen akan mempengaruhi variabel dependen, dengan asumsi bahwa semua yang lain variabel bebas
tetap tidak berubah. Terlebih lagi, korelasi individu antara variabel independen dan variabel dependen runtuh
KOTAK 15.8
Dibawah
“Tergantung
Bab -- analisis data kuantitatif: pengujian hipotesis 315
menjadi apa yang disebut a banyak atau koefisien korelasi ganda. Kuadrat kelipatan , ‐persegi, atau2 seperti yang
umum diketahui, adalah jumlah varians yang dijelaskan dalam variabel dependen oleh prediktor.
A variabel dummy adalah variabel yang memiliki dua atau lebih level yang berbeda, yang diberi kode 0 atau 1. Variabel dummy memungkinkan
kita untuk menggunakan variabel nominal atau ordinal sebagai variabel independen untuk menjelaskan, memahami, atau memprediksi variabel
dependen.
Misalkan kita tertarik pada hubungan antara shift kerja dan kepuasan kerja. Dalam hal ini, variabel "shift kerja",
yang memiliki tiga kategori (lihat kasus Excelsior Enterprises), harus dikodekan dalam dua variabel dummy, karena
salah satu dari tiga kategori harus berfungsi sebagai kategori referensi. Ini mungkin dilakukan seperti yang
ditunjukkan pada Tabel 15.4. Perhatikan bahwa shift ketiga berfungsi sebagai kategori referensi.
Selanjutnya, variabel dummy 1 dan 2 harus dimasukkan dalam model regresi. Ini akan terlihat seperti ini:
kamuSaya
0 1 D1Saya 2Saya D2Saya Saya
Dalam contoh ini pekerja dari shift ketiga telah dipilih sebagai kategori referensi. Oleh karena itu,
kategori ini belum dimasukkan ke dalam persamaan regresi. Untuk pekerja di shift ketiga,1 dan 2
asumsikan nilai 0, dan persamaan regresi menjadi:
kamuSaya
0 Saya
kamuSaya
0 1 D1Saya Saya
TABEL 1 5 . 4
Pengodean ulang shift kerja menjadi kode dummy
Giliran pertama 1 1 0
Giliran kedua 2 0 1
Shift ketiga 3 0 0