com
pengantarke Mediasi, Moderasi, dan
Analisis Proses Bersyarat
Metodologi dalam Ilmu Sosial
David A. Kenny, PendiriEditor
Todd D. Little, Editor Seri
www.guilford.com/MSS
Seri ini memberikan para peneliti dan mahasiswa terapan buku analisis dan desain
penelitian yang menekankan penggunaan metode untuk menjawab pertanyaan penelitian.
Daripada menekankan teori statistik, setiap volume dalam seri menggambarkan
kapan suatu teknik harus (dan tidak boleh) digunakan dan bagaimana output dari program
perangkat lunak yang tersedia harus (dan tidak boleh) diinterpretasikan. Jebakan umum serta
area pengembangan lebih lanjut diartikulasikan dengan jelas.
VOLUME TERBARU
S E CONDEDI TI ON
andrewF. Hayes
PERS GUILFORD
BaruYorkLondon
Hak Cipta © 2018 The Guilford Press
Divisi Publikasi Guilford, Inc.
370 Seventh Avenue Suite1200, New York, NY 10001-
1020www.guilford.com
Tidak ada bagian dari buku ini yang boleh direproduksi, diterjemahkan,
disimpan dalam sistem pengambilan, atau ditransmisikan, dalam bentuk
apa pun atau dengan cara apa pun, elektronik, mekanik, fotokopi,
mikrofilm, rekaman, atau lainnya, tanpa izin tertulis dari penerbit.
Seperti yang saya sebutkan di edisi pertama buku ini, ada baiknya
pertanyaan penelitian menjadi lebih bernuansa. Kami tidak lagi puas
dengan menunjukkan asosiasi sederhana atau asosiasi multivariat yang
tidak memenuhi syarat. Pertanyaan penelitian kami menyelidiki ranah
proses, mekanisme, dan fitur kondisional yang memengaruhi bagaimana
suatu proses atau mekanisme dapat terungkap: "Bagaimana?," "Dengan
cara apa?," "Dengan jalur mana?," dan "Di bawah mana keadaan?" contoh
pertanyaan membara yang sekarang ingin kita jawab. Pertanyaan-
pertanyaan semacam ini sekarang berada tepat pada penerapan prinsip-
prinsip analisis mediasi dan moderasi yang akurat. Masukkan Andrew
Hayes. Andy telah mencurahkan sebagian besar kecerdasan akademisnya
untuk memahami dasar-dasar kausal dari mediasi dan moderasi dan
untuk secara efektif menerapkan alat statistik yang akan
mengimplikasikan elemen kausal dari perilaku manusia. Dia bahkan
telah melangkah lebih jauh dengan mengembangkan PROCESS (sekarang
dalam versi 3), alat gratisnya yang mudah digunakan untuk SPSS dan
SAS yang menyederhanakan banyak tugas dalam pengujian mediasi dan
moderasi.
Edisi pertama adalah klasik yang tak terbantahkan. Edisi kedua ini
bahkan lebih baik! Andy telah menambahkan banyak fitur baru yang
penting ke edisi ini sambil mempertahankan semua fitur hebat dari edisi
pertama. Fitur baru termasuk kode contoh yang dibedakan dengan jelas
di SAS, SPSS, dan R serta output beranotasi secara menyeluruh dari versi
3 PROCESS, termasuk 13 model terprogram baru yang telah dia
tambahkan, dan Lampiran B baru yang menjelaskan cara membuat
model dalam PROCESS atau menyesuaikan model yang telah diprogram
sebelumnya. Materi tambahan tentang variabel multikategori dan
bagaimana menggabungkan mediasi paralel dan serial hanya
meningkatkan materi yang sudah kaya dari edisi pertama. Lebih-lebih
lagi,
Perlakuan Andy terhadap pemodelan proses bersyarat memberi
Anda pernyataan definitif tentang di mana teori dan praktik dengan
topik ini
v
viSeri Catatan Editor
Todd D. Little
Lagi di The Short Branch Saloon
Lakeside, Montana
Kata pengantar
Ketika penelitian di suatu area berada dalam fase paling awal, perhatian
biasanya difokuskan pada penetapan bukti hubungan antara dua
variabel, X dan Y, dan memastikan apakah asosiasi itu kausal atau hanya
artefak desain, pengukuran, atau tidak diperhitungkan. -untuk pengaruh
Tetapi ketika area penelitian berkembang dan matang, fokus akhirnya
bergeser dari menunjukkan keberadaan efek menuju pemahaman
mekanisme atau mekanisme di mana efek beroperasi, serta menetapkan
kondisi batas atau kontinjensinya. Menjawab pertanyaan seperti itu
tentang bagaimana dan kapan menghasilkan pemahaman yang lebih
dalam tentang fenomena atau proses yang diselidiki, dan memberikan
wawasan tentang bagaimana pemahaman itu dapat diterapkan.
Secara analitis, pertanyaan tentang bagaimana biasanya didekati
menggunakan analisis proses atau mediasi, sedangkan pertanyaan
tentang kapan paling sering dijawab melalui analisis moderasi. Tujuan
dari analisis mediasi adalah untuk menetapkan sejauh mana beberapa
variabel kausal yang diduga, X, mempengaruhi beberapa hasil, Y, melalui
satu atau lebih variabel mediator. Misalnya, ada bukti bahwa permainan
video game kekerasan dapat meningkatkan kemungkinan agresi di luar
konteks game. Mungkin pemain video game kekerasan menjadi percaya
melalui interaksi mereka dengan konten game kekerasan bahwa orang
lain cenderung menyerang, bahwa hal itu normatif, atau bahwa itu
adalah solusi efektif untuk masalah, atau mungkin membuat mereka
tidak peka terhadap rasa sakit yang dirasakan orang lain, dengan
demikian mengarahkan mereka untuk memilih agresi sebagai tindakan
ketika ada kesempatan. Sebaliknya, seorang peneliti yang melakukan
analisis moderasi berusaha untuk menentukan apakah ukuran atau tanda
pengaruh X pada Y tergantung dalam satu atau lain cara pada (yaitu,
"berinteraksi dengan") variabel atau variabel moderator. Di ranah efek
video game, orang mungkin bertanya apakah efek dari permainan video
game kekerasan pada agresi selanjutnya tergantung pada jenis kelamin,
usia, atau etnis pemain, atau faktor kepribadian seperti sifat agresif, atau
apakah permainan dimainkan secara kompetitif. atau secara kooperatif.
vii
viiKata Pengantar
bab. Saya kira tidak ada latar belakang khusus dalam statistik atau
pengetahuan tentang aljabar matriks atau metode statistik tingkat lanjut
seperti pemodelan persamaan struktural. Semua metode yang dijelaskan
sepenuhnya didasarkan pada prinsip-prinsip regresi kuadrat terkecil
biasa (Bab 2 memperkenalkan dan meninjau prinsip-prinsip ini).
Sebagian besar siswa dalam ilmu sosial dan perilaku yang telah
mengambil kursus pertama dalam metode statistik dan desain penelitian
akan dapat memahami dan menerapkan metode yang dijelaskan di sini,
seperti halnya siswa kesehatan masyarakat, bisnis, dan berbagai disiplin
ilmu lainnya.
Contoh yang saya gunakan di seluruh halaman ini didasarkan pada
data dari studi yang diterbitkan yang tersedia untuk umum di halaman
web buku diwww.afhayes.com,sehingga Anda dapat mereplikasi dan
memperluas analisis yang dilaporkan. Untuk memfasilitasi penerapan
metode yang diperkenalkan dan dibahas, saya memperkenalkan bantuan
komputasi dalam bentuk makro yang tersedia secara bebas untuk SPSS
dan SAS (bernama PROCESS) mulai dari Bab 3. PROCESS
menggabungkan banyak fungsi alat komputasi yang saya miliki ditulis
dan diterbitkan selama bertahun-tahun (alat yang menggunakan nama
seperti INDIRECT, SOBEL, MODPROBE, dan MODMED) menjadi satu
perintah terintegrasi. PROCESS mengambil beban komputasi dari
pundak peneliti dengan memperkirakan model, menghitung berbagai
efek yang menarik, dan menerapkan metode inferensi modern dan
intensif komputer, seperti interval kepercayaan bootstrap untuk efek
tidak langsung dan teknik Johnson-Neyman dalam analisis moderasi .
Contoh perintah PROCESS disediakan di seluruh buku ini, dan pengguna
SPSS yang tidak tertarik menggunakan versi sintaks PROCESS dapat
menginstal kotak dialog ke dalam SPSS yang membuat penggunaan
PROCESS secara harfiah sesederhana menunjuk dan mengklik. Hal ini
dapat sangat memudahkan pengajaran metode yang dijelaskan di sini
kepada siswa yang baru mulai menggunakan komputer untuk analisis
data.
Buku ini cocok sebagai teks utama untuk kursus khusus tentang
analisis moderasi atau mediasi atau teks tambahan untuk kursus analisis
regresi. Ini dapat digunakan oleh pendidik, peneliti, dan mahasiswa
pascasarjana dalam disiplin ilmu apa pun yang menggunakan
metodologi ilmu sosial, termasuk psikologi, sosiologi, ilmu politik, bisnis,
dan kesehatan masyarakat. Ini akan bermanfaat bagi pembaca sebagai
referensi praktis untuk pendekatan modern untuk analisis mediasi dan
moderasi, dan Lampiran A sangat penting bagi pengguna PROCESS,
karena ini adalah satu-satunya sumber dokumentasi resmi untuk add-on
yang kuat untuk SPSS dan SAS. Buku ini akan berguna bagi siapa saja
yang tertarik untuk mengidentifikasi kemungkinan efek dan asosiasi,
memahami dan menguji hipotesis tentang mekanisme di balik efek
kausal,
Anda akan menemukan 14 bab antara sampul depan dan belakang
yang menentukan
xPengantar
lima bagian besar dari buku ini. Bagian pertama, yang berisi Bab 1 dan 2,
memperkenalkan konsep-konsep dalam analisis moderasi dan mediasi
dan memberikan contoh integrasinya dalam bentuk model proses
bersyarat. Saya juga membahas sedikit tentang filosofi saya tentang
hubungan antara statistik dan kausalitas dan menjelaskan bagaimana kita
tidak boleh membiarkan keterbatasan data kita mendikte alat matematika
yang kita bawa ke tugas untuk mencoba memahami apa yang mungkin
dikatakan data kita kepada kita. Dalam Bab 2, saya mengulas analisis
regresi kuadrat terkecil biasa. Saya berasumsi bahwa sebagian besar
pembaca buku ini telah terpapar pada analisis regresi kuadrat terkecil
dalam beberapa bentuk, tetapi bagi mereka yang belum atau yang telah
menghabiskan banyak waktu sejak analisis regresi terakhir mereka,
ulasan ini akan berguna,
Bagian kedua berfokus secara eksklusif pada analisis mediasi. Dalam
Bab 3,Saya menjelaskan bagaimana regresi linier dapat digunakan untuk
melakukan analisis jalur sederhana dari sistem kausal tiga variabel X M
Y. Estimasi dan interpretasi efek langsung dan tidak langsung adalah
fokus pertama dari bab ini, pertama dengan agen penyebab dikotomi X
dan kemudian dengan X berkelanjutan. Setelah pengantar PROCESS,
saya membahas kesimpulan tentang efek langsung dan tidak langsung,
dengan penekanan pada metode statistik yang lebih baru seperti interval
kepercayaan bootstrap yang telah menjadi standar di abad ke-21 untuk
menguji hipotesis tentang mekanisme dalam analisis mediasi. Bab 4
mencakup berurusan dengan perancu, estimasi dan interpretasi model
dengan beberapa variabel X atau Y, dan mengukur ukuran efek. Dalam
bab ini saya juga memberikan alasan mengapa prosedur langkah-langkah
sebab akibat yang signifikan secara historis tidak lagi direkomendasikan
oleh orang-orang yang berpikir tentang analisis mediasi untuk mencari
nafkah. Bab 5 kemudian membangun dasar-dasar analisis mediasi
dengan membahas model dengan beberapa mediator, termasuk model
beberapa mediator paralel dan serial. Bab 6, yang baru untuk edisi kedua
buku ini, didedikasikan secara eksklusif untuk analisis mediasi ketika X
adalah variabel multikategori, seperti dalam percobaan dengan tiga atau
lebih kelompok yang dibangun melalui prosedur penugasan acak.
Bagian III mengesampingkan sementara analisis mediasi dan
mengalihkan pembahasan ke analisis moderasi. Dalam Bab 7, saya
menunjukkan bagaimana model regresi berganda dapat dibuat lebih
fleksibel dengan membiarkan efek satu variabel bergantung secara linier
pada variabel lain dalam model. Model regresi berganda yang
dimoderasi yang dihasilkan memungkinkan penyelidik untuk
memastikan sejauh mana pengaruh X pada variabel hasil Y bergantung
pada atau berinteraksi dengan variabel moderator W. Interpretasi model
regresi berganda yang dimoderasi difasilitasi dengan memvisualisasikan
dan menyelidiki moderasi, dan teknologi - teknik untuk melakukannya
diperkenalkan, bersama dengan bagaimana PROSES dapat digunakan
untuk membuat tugas jauh lebih mudah daripada sebelumnya.
Sedangkan Bab 7
Kata xi
pengant
berfokus secara eksklusif pada kasus di mana X adalah variabel
dikotomis dan W adalah kontinum, Bab 8 melanjutkan garis analisis ini
ke model di mana X adalah kuantitatif daripada dikotomis. Ini juga
membahas kesetaraan antara analisis varians faktorial 2 × 2 dan regresi
berganda yang dimoderasi, serta mengapa tidak perlu memasukkan
variabel ke dalam model secara hierarkis untuk menguji hipotesis
moderasi. Bab 9 mencakup mitos dan kebenaran tentang perlunya
memusnahkan atau menstandardisasi variabel dalam analisis moderasi,
model dengan lebih dari satu moderator, dan membandingkan efek
kondisional dalam model moderator multipel yang kompleks. Bab 10,
bab terakhir dalam Bagian III buku, yang baru untuk edisi ini,
didedikasikan untuk menguji hipotesis moderasi menggunakan analisis
regresi ketika X atau W adalah variabel multikategori.
Bagian keempat dari buku ini, Bab 11 sampai 13, mengintegrasikan
konsep dan pelajaran yang dijelaskan dalam dua sebelumnya dengan
memperkenalkan analisis proses bersyarat. Model yang mencakup
komponen mediasi dan moderasi adalah model proses bersyarat—model
di mana efek langsung dan/atau tidak langsung dari X pada Y hingga M
dimoderasi oleh atau dikondisikan pada satu atau lebih variabel. Bab 11
menawarkan gambaran umum tentang sejarah bentuk pemodelan ini—
kadang-kadang disebut sebagai analisis mediasi yang dimoderasi—dan
memberikan contoh dalam literatur tentang proses bersyarat yang
dihipotesiskan atau diuji. Pengantar konsep efek langsung dan tidak
langsung bersyarat disediakan, bersama dengan dasar matematika
mereka, dan contoh analisis proses bersyarat disediakan, termasuk
estimasi dan inferensi menggunakan analisis regresi atau, lebih nyaman,
menggunakan PROSES. Bab 12 memberikan contoh lebih lanjut dari
model proses bersyarat dengan moderasi dari kedua efek langsung dan
tidak langsung secara bersamaan, dan menunjukkan kesetaraan antara
satu bentuk model tertentu dan sesuatu yang dikenal sebagai moderasi
dimediasi. Tetapi saya mengambil sikap dalam bab ini dan berpendapat
bahwa tidak seperti mediasi yang dimoderasi, moderasi yang dimediasi
bukanlah konsep atau fenomena yang sangat menarik dan mungkin tidak
layak untuk dihipotesiskan atau diuji. Bab 13 baru untuk edisi ini dan
membahas contoh analisis proses bersyarat ketika X adalah variabel
multikategori. dan menunjukkan kesetaraan antara bentuk model yang
satu ini dan sesuatu yang dikenal sebagai moderasi termediasi. Tetapi
saya mengambil sikap dalam bab ini dan berpendapat bahwa tidak
seperti mediasi yang dimoderasi, moderasi yang dimediasi bukanlah
konsep atau fenomena yang sangat menarik dan mungkin tidak layak
untuk dihipotesiskan atau diuji. Bab 13 baru untuk edisi ini dan
membahas contoh analisis proses bersyarat ketika X adalah variabel
multikategori. dan menunjukkan kesetaraan antara bentuk model yang
x Kata
satu ini dan sesuatu yang dikenal sebagai moderasi termediasi. Tetapi
saya mengambil sikap dalam bab ini dan berpendapat bahwa tidak
seperti mediasi yang dimoderasi, moderasi yang dimediasi bukanlah
konsep atau fenomena yang sangat menarik dan mungkin tidak layak
untuk dihipotesiskan atau diuji. Bab 13 baru untuk edisi ini dan
membahas contoh analisis proses bersyarat ketika X adalah variabel
multikategori.
Bagian terakhir buku ini hanya berisi satu bab. Bab14 menjawab
berbagai pertanyaan yang sering diajukan kepada saya oleh pembaca
buku ini edisi sebelumnya, orang-orang yang telah mengikuti lokakarya
dari saya, atau orang lain yang telah menghubungi saya melalui email
selama bertahun-tahun. Bagian terbesar dalam Bab 14 didedikasikan
untuk menulis tentang mediasi, moderasi, dan analisis proses bersyarat.
Sisa bab ini menyentuh berbagai macam masalah dan pertanyaan dan
(biasanya) tanggapan singkat untuk masing-masing, setidaknya dari
sudut pandang saya.
Lampiran sangat penting, karena merupakan sumber terbaik dari
Kata xiii
pengant
informasi tentang cara menggunakan PROCESS. Lampiran A pada
dasarnya adalah panduan pengguna untuk PROCESS yang membahas
cara mengatur makro dan menyusun perintah PROCESS, dan membahas
berbagai opsi yang tersedia dalam PROCESS yang bervariasi tergantung
pada analisis yang dilakukan. Apendiks B sepenuhnya baru untuk edisi
buku ini dan berfokus pada fitur baru yang penting dalam rilis terbaru
PROCESS yang memungkinkan Anda untuk mengatur atau
menyesuaikan konstruksi model Anda sendiri daripada harus
bergantung pada salah satu dari banyak model terprogram yang
terpasang di dalamnya. PROSES.
Saya telah berhati-hati untuk mempertahankan nada ringan dan
percakapan di seluruh buku sambil mendiskusikan konsep dan analisis
tanpa terlalu mendalami matematika di baliknya. Saya percaya bahwa
mempertahankan minat pembaca adalah salah satu aspek yang lebih
penting dari penulisan ilmiah, karena jika audiens menjadi bosan dan
perhatian mulai mengembara, kekuatan dan pengaruh pesan berkurang.
Memang, filosofi tentang penulisan inilah yang memandu saran yang
saya berikan di Bab 14, di mana saya berbicara tentang bagaimana
melaporkan mediasi, moderasi, atau analisis proses bersyarat. Yang
terpenting, saran yang saya tawarkan di bagian buku ini dimaksudkan
untuk memberdayakan Anda sebagai orang yang memiliki posisi terbaik
untuk menentukan bagaimana Anda menceritakan kisah yang
diceritakan oleh data Anda kepada Anda.
PART I. DASAR
1 •pengantar 3
1.1 Seorang ilmuwandiPelatihan 3
1.2 Pertanyaan Apakah, Jika, Bagaimana, danKapan 5
1.3 Proses BersyaratAnalisis 9
1.4 Korelasi, Kausalitas, dan StatistikPemodelan 15
1.5 Diagram Statistik dan Konseptual, serta Anteseden
dan KonsekuenVariabel 19
1.6 StatistikPerangkat lunak 22
1.7 Ikhtisar Buku Ini 24
1.8 Ringkasan Bab 27
xvii
xviiiIsi
BAGIAN V. LAIN-LAIN
14 • Aneka Topik dan Beberapa Pertanyaan yang Sering Diajukan 507
14.1 Strategi untuk Mendekati Analisis Proses Bersyarat 509
14.2 Bagaimana Saya Menulis tentangini?514
14.3 Haruskah Saya Menggunakan Pemodelan Persamaan
Struktural Alih-alih
RegresiAnalisis?527
14.4 Jebakan SubgrupAnalisis530
14.5 Dapatkah Variabel Memediasi dan Memoderasi Secara
Bersamaan?
Variabel lainEfek? 536
14.6 Interaksi antara X dan M dalam MediasiAnalisis540
14.7 BerulangUkuran Desain541
14.8 Dikotomi, Ordinal,Hitung, dan Hasil Kelangsungan Hidup545
14.9Ringkasan Bab546
LAMPIRAN
A •MenggunakanPROSES551
Referensi 637
PengarangIndeks 668
TentangPengarang 692
File data untuk contoh yang digunakan dalam buku dan file
yang berisi PROCESS versi SPSS dan SAS tersedia di halaman
web pendamping diwww.afhayes.com.
Bagian I
DASAR
1
pengantar
3
4 Mediation, Moderation, and Conditional Process
Saya menilai seberapa dekat dengan bagian depan ruangan yang disukai
peserta (6 =
baris depan, 5 = baris kedua, 4 = baris ketiga, dan seterusnya).
Dengan dua pengukuran ini dikumpulkan dari lebih dari 200 siswa
di San Jose State, saya dapat menguji prediksi saya bahwa siswa dengan
sikap yang lebih positif tentang perguruan tinggi (yaitu, yang mendapat
nilai lebih tinggi pada skala sikap saya) akan lebih suka duduk lebih
dekat ke depan kelas. Memang, ketika saya menghitung koefisien
korelasi Pearson antara dua pengukuran, saya menemukan hubungan
positif seperti yang diharapkan, r = 0,27. Selanjutnya, uji hipotesis
mengungkapkan bahwa kemungkinan memperoleh korelasi ekstrem
atau lebih ekstrem ini dari nol (positif atau negatif, karena saya menguji
hipotesis dua sisi meskipun prediksi saya terarah) terlalu kecil (p <0,001)
untuk anggap itu hanya kebetulan atau "kebetulan". Secara alami, saya
bersemangat, tidak menyadari seperti yang saya lakukan sekarang
bahwa hasil apa pun menarik apakah sesuai dengan prediksi atau tidak.
Sayangnya, tiga pengulas anonim tidak berbagi antusiasme saya, dan
kemudian editor Journal of Nonverbal Behavior memberi tahu saya
dengan tegas bahwa temuan ini tidak cukup menarik atau diturunkan
dengan ketelitian yang cukup untuk menjamin publikasi. Daripada
menulis ulang makalah dan mengirimkan kembali ke tempat lain, saya
menyimpan makalah itu dan pindah ke New York bagian utara untuk
mengejar gelar PhD dalam psikologi sosial.
Setelah lebih dari 20 tahun, saya masih memiliki makalah ini, dan
kadang-kadang saya mengeluarkannya dari laci arsip saya ketika
merenungkan di mana saya telah berada dalam kehidupan profesional
saya dan ke mana saya akan pergi. Melihatnya sekarang, jelas bagi saya
bahwa para pengulas itu benar dan keputusan editor itu masuk akal dan
dapat dibenarkan. Bahkan jika penelitian telah dilakukan dengan jenis
ketelitian yang sekarang saya tanyakan pada diri sendiri dan siswa saya
sendiri, di koran saya tidak menawarkan apa pun kecuali spekulasi
mengapa asosiasi ini ada. Selain itu, saya tidak dapat menentukan arah
penyebabnya, jika ada. Meskipun saya berargumen bahwa variasi dalam
sikap menyebabkan variasi dalam pilihan tempat duduk, sama masuk
akalnya bahwa tempat duduk mempengaruhi sikap seseorang tentang
perguruan tinggi. Misalnya, mungkin siswa yang duduk lebih dekat ke
depan menerima lebih banyak perhatian dan umpan balik dari
instruktur, dapat mendengar dan melihat lebih baik dan karena itu
belajar lebih banyak, dan ini pada gilirannya membuat mereka merasa
lebih baik tentang pengalaman kuliah secara umum. Bahkan jika saya
dapat memastikan mengapa asosiasi itu ada atau arah penyebabnya,
saya tidak dalam posisi untuk dapat menggambarkan kondisi batasnya,
seperti tipe orang di mana hubungan ini diharapkan lebih besar atau
Introducti 5
lebih kecil. Misalnya, tidak diragukan ada banyak siswa cerdas yang
menyukai pengalaman kuliah tetapi karena satu dan lain alasan memilih
untuk duduk di belakang, seperti halnya ada siswa yang duduk di
depan meskipun mereka lebih suka berada di tempat lain—di tempat
lain. —daripada di kelas itu. Saya tidak dalam posisi untuk dapat
menggambarkan kondisi batasnya, seperti tipe orang yang diharapkan
hubungan ini lebih besar atau lebih kecil. Misalnya, tidak diragukan ada
banyak siswa cerdas yang menyukai pengalaman kuliah tetapi karena
satu dan lain alasan memilih untuk duduk di belakang, seperti halnya
ada siswa yang duduk di depan meskipun mereka lebih suka berada di
tempat lain—di tempat lain. —daripada di kelas itu. Saya tidak dalam
posisi untuk dapat menggambarkan kondisi batasnya, seperti tipe orang
yang diharapkan hubungan ini lebih besar atau lebih kecil. Misalnya,
tidak diragukan ada banyak siswa cerdas yang menyukai pengalaman
kuliah tetapi karena satu dan lain alasan memilih untuk duduk di
belakang, seperti halnya ada siswa yang duduk di depan meskipun
mereka lebih suka berada di tempat lain—di tempat lain. —daripada di
kelas itu.
6 Mediation, Moderation, and Conditional Process
efek kesehatan fisik dan psikologis seperti apa pada mereka yang
mengalaminya (misalnya, Cukor et al., 2011; DiGrande et al., 2008),
mereka yang hanya mengamati dari kejauhan (misalnya, Mijanovich &
Weitzman, 2010) , atau bagaimana perilaku orang berubah setelah
peristiwa tersebut (misalnya, Richman, Shannon, Rospenda, Flaherty, &
Fendrich, 2009). Dan genre televisi yang dikenal sebagai hiburan politik
telah melahirkan banyak penelitian tentang pemirsanya dan apakah
program seperti The Daily Show berfungsi untuk mendidik,
memobilisasi, atau mendemotivasi mereka yang menonton secara politis
(misalnya, Baumgartner & Morris, 2006; Xenos & Becker, 2009 ).
Literatur empiris di hampir setiap disiplin ilmu penuh denganpenelitian
yang memberikan jawaban atas pertanyaan apakah atau jika, dan untuk
alasan yang baik. Banyak pertanyaan teoretis dan terapan dalam sains
berfokus pada apakah ada bukti hubungan antara beberapa dugaan
penyebab X dan beberapa konsekuen atau hasil yang diduga Y. Apakah
metode terapi tertentu efektif untuk mengurangi depresi (misalnya,
Hofmann & Smits, 2008) ? Apakah menggabungkan obat dengan
psikoterapi bekerja lebih baik daripada terapi sendiri (misalnya,
Cuijpers, van Straten, Warmeredam, & Andersson, 2009). Apakah
bermain video game kekerasan atau menonton televisi kekerasan
membuat orang menjadi agresif (misalnya, Anderson & Bushman, 2001;
Anderson et al., 2010)? Apakah paparan iklan politik negatif membuat
orang tidak berpartisipasi dalam proses politik (misalnya, Lau, Silegman,
Heldman, & Babbit, 1999)? Apakah anak-anak dari orang tua yang
bercerai lebih rentan terhadap masalah perilaku atau psikologis daripada
anak-anak dari orang tua yang menikah (misalnya, Amato, 2001; Amato
& Keith, 1991; Weaver & Schofield, 2015)? Apakah penghargaan kinerja
di tempat kerja meningkatkan kepuasan karyawan dan mengurangi
pergantian (misalnya, Hakim, Piccolo, Podsakoff, Shaw, & Rich, 2010)?
Apa yang membedakan sains dari spekulasi kursi adalah bahwa kita
dapat menjawab pertanyaan seperti itu dengan mengumpulkan data.
Mampu menetapkan bahwa dua variabel terkait—bahwa efek atau
hubungan semacam itu ada—sebagian adalah tentang ilmu
pengetahuan, dan penelitian yang melakukannya layak dilakukan.
Memang, dorongan untuk menjawab pertanyaan semacam ini adalah
salah satu hal yang memotivasi para ilmuwan untuk bangun di pagi
hari.
Tetapi membangun asosiasi tidak diterjemahkan ke dalam pemahaman
yang mendalam bahkan ketika asosiasi kausal dapat dibangun. Kami tahu
bahwa kami lebih baikmemahami beberapa fenomena ketika kita dapat
menjawab tidak hanya apakah X memengaruhi Y, tetapi juga bagaimana
X memengaruhi Y, dan kapan X memengaruhi Y dan kapan tidak.
Pertanyaan "bagaimana" berkaitan dengan proses psikologis, kognitif,
Introducti 9
atau biologis yang mendasari yang menghubungkan X ke Y, sedangkan
pertanyaan "kapan" berkaitan dengan kondisi batas dari asosiasi kausal
—dalam keadaan apa, atau untuk jenis apa. orang, apakah?
1 Mediation, Moderation, and Conditional Process
X kamu
Xmemberikan efek pada Y dan dalam keadaan apa, atau untuk tipe
orang apa, X tidak memberikan efek?
Mediasi
Seorang peneliti yang tujuannya adalah untuk menetapkan atau menguji
bagaimana X memberikan efeknya pada Y sering mendalilkan model di
mana satu atau lebih variabel intervensi M terletak kausal antara X dan
Y. Salah satu bentuk paling sederhana dari model tersebut digambarkan
dalam Gambar 1.1. Variabel intervening ini, sering disebut mediator,
dikonseptualisasikan sebagai mekanisme yang melaluinya X
mempengaruhi Y. Artinya, variasi dalam X menyebabkan variasi dalam
satu atau lebih mediator M, yang pada gilirannya menyebabkan variasi
pada Y. Misalnya, ada bukti bahwa paparan ke ideal kurus melalui
media massa merupakan faktor risiko jika bukan penyebab sebenarnya
dari ketidakpuasan tubuh pada wanita (misalnya, Grabe, Ward, & Hyde,
2008; Levine & Murnen, 2009). Tapi bagaimana ini terjadi? Penelitian
menunjukkan bahwa internalisasi norma berfungsi sebagai mediator
hubungan ini (Lopez-Guimera, Levine, Sanchez-Cerracedo, & Fauquet,
2010). Wanita yang melaporkan keterpaparan yang lebih besar (atau
yang diberi paparan lebih besar secara eksperimental) pada citra wanita
yang kurus sebagai ideal lebih mungkin untuk menginternalisasi citra ini
dan mencari ketipisan sebagai tujuan pribadi daripada mereka yang
memiliki paparan yang lebih sedikit. Internalisasi tersebut, pada
gilirannya, menyebabkan ketidakpuasan tubuh yang lebih besar (Cafri,
Yamamiya, Brannick, & Thompson, 2005). Jadi internalisasi standar yang
digambarkan oleh media adalah salah satu mekanisme yang
menghubungkan paparan tersebut dengan ketidakpuasan tubuh. Tentu
saja, mekanisme lain mungkin juga bekerja, dan Lopez-Guimera et al.
(2010) membahas beberapa mediator potensial lainnya dari efek paparan
tersebut pada keyakinan, sikap, dan perilaku perempuan. Wanita yang
melaporkan keterpaparan yang lebih besar (atau yang diberi paparan
Introducti 1
lebih besar secara eksperimental) pada citra wanita yang kurus sebagai
ideal lebih mungkin untuk menginternalisasi citra ini dan mencari
ketipisan sebagai tujuan pribadi daripada mereka yang memiliki
paparan yang lebih sedikit. Internalisasi tersebut, pada gilirannya,
menyebabkan ketidakpuasan tubuh yang lebih besar (Cafri, Yamamiya,
Brannick, & Thompson, 2005). Jadi internalisasi standar yang
digambarkan oleh media adalah salah satu mekanisme yang
menghubungkan paparan tersebut dengan ketidakpuasan tubuh. Tentu
saja, mekanisme lain mungkin juga bekerja, dan Lopez-Guimera et al.
(2010) membahas beberapa mediator potensial lainnya dari efek paparan
tersebut pada keyakinan, sikap, dan perilaku perempuan. Wanita yang
melaporkan keterpaparan yang lebih besar (atau yang diberi paparan
lebih besar secara eksperimental) terhadap citra wanita yang kurus
sebagai ideal lebih mungkin untuk menginternalisasi citra ini dan
mencari ketipisan sebagai tujuan pribadi daripada mereka yang
memiliki paparan yang lebih sedikit. Internalisasi tersebut, pada
gilirannya, menyebabkan ketidakpuasan tubuh yang lebih besar (Cafri,
Yamamiya, Brannick, & Thompson, 2005). Jadi internalisasi standar yang
digambarkan oleh media adalah salah satu mekanisme yang
menghubungkan paparan tersebut dengan ketidakpuasan tubuh. Tentu
saja, mekanisme lain mungkin juga bekerja, dan Lopez-Guimera et al.
(2010) membahas beberapa mediator potensial lainnya dari efek paparan
tersebut pada keyakinan, sikap, dan perilaku perempuan. menyebabkan
ketidakpuasan tubuh yang lebih besar (Cafri, Yamamiya, Brannick, &
Thompson, 2005). Jadi internalisasi standar yang digambarkan oleh
media adalah salah satu mekanisme yang menghubungkan paparan
tersebut dengan ketidakpuasan tubuh. Tentu saja, mekanisme lain
mungkin juga bekerja, dan Lopez-Guimera et al. (2010) membahas
beberapa mediator potensial lainnya dari efek paparan tersebut pada
keyakinan, sikap, dan perilaku perempuan. menyebabkan
ketidakpuasan tubuh yang lebih besar (Cafri, Yamamiya, Brannick, &
Thompson, 2005). Jadi internalisasi standar yang digambarkan oleh
media adalah salah satu mekanisme yang menghubungkan paparan
tersebut dengan ketidakpuasan tubuh. Tentu saja, mekanisme lain
mungkin juga bekerja, dan Lopez-Guimera et al. (2010) membahas
beberapa mediator potensial lainnya dari efek paparan tersebut pada
keyakinan, sikap, dan perilaku perempuan.
Penyelidik tertarik untuk memeriksa pertanyaan tentang mekanisme
resoruntuk memproses pemodelan untuk memperkirakan secara empiris
dan menguji hipotesis tentang dua jalur pengaruh yang melaluinya X
membawa efeknya pada Y digambarkan
1 Mediation, Moderation, and Conditional Process
pada Gambar 1.1, satu langsung dari X ke Y dan yang lainnya tidak
langsung melalui M. Lebih dikenal sebagai analisis mediasi, jenis analisis
ini sangat umum di hampir semua disiplin ilmu. Beberapa artikel jurnal
yang paling banyak dikutip dalam metodologi baik secara historis
(misalnya, Baron & Kenny, 1986) dan baru-baru ini (misalnya,
MacKinnon, Lockwood, Hoffman, & West, 2002; Preacher & Hayes, 2004,
2008a) membahas mediasi analisis dan berbagai pendekatan statistik
untuk mengukur dan menguji hipotesis tentang pengaruh langsung dan
tidak langsung X terhadap Y. Saya menjelaskan dasar-dasar analisis
mediasi di Bab 3 sampai 6.
moderasi
Ketika tujuannya adalah untuk mengungkap kondisi batas dari
hubungan antara dua variabel, analisis moderasi digunakan. Suatu
asosiasi antara dua variabel X dan Y dikatakan termoderasi bila ukuran
atau tandanya bergantung pada variabel ketiga atau himpunan variabel
W. Secara konseptual, moderasi digambarkan seperti pada Gambar 1.2,
yang merepresentasikan variabel moderator W yang mempengaruhi
besarnya efek kausal X terhadap Y. Moderasi juga dikenal sebagai
interaksi. Sebagai contoh, studi eksperimental paparan standar tipis-
sebagai-ideal mengungkapkan bahwa paparan tersebut cenderung
memiliki efek yang lebih besar pada ketidakpuasan tubuh dan pengaruh
di antara wanita yang telah menginternalisasi standar kurus-sebagai-
ideal (lihat, misalnya, Groetz, Levine, & Murnen, 2002). Dengan kata lain,
relatif terhadap wanita yang berjuang untuk kurus sebagai tujuan
pribadi, wanita yang percaya pada norma sosial bahwa lebih kurus lebih
baik cenderung tidak menunjukkan bukti ketidakpuasan tubuh setelah
terpapar model kurus melalui gambar media. Jadi internalisasi norma
(W) berfungsi sebagai moderator dari pengaruh terpaan citra yang
mencerminkan norma tipis-ideal (X) terhadap ketidakpuasan tubuh (Y).
membayar tenaga kerja Anda dan kreditur Anda tergantung pada publik
yang engganuntuk melepaskan uangnya.
Dalam konteks inilah Pollack, VanEpps, dan Hayes (2012) melakukan
penelitian yang meneliti efek afektif dan kognitif dari tekanan ekonomi
pada wirausahawan. Yang paling menarik adalah apakah tekanan
ekonomi mendorong pemilik bisnis untuk merenungkan mengejar karir
lain, melepaskan peran kewirausahaan mereka, dan hanya melakukan
sesuatu yang lain sebagai gantinya. Tapi Pollack dkk. (2012) melangkah
lebih jauh daripada hanya menanyakan apakah tekanan ekonomi terkait
dengan "niat penarikan" semacam itu. Mereka mengusulkan bahwa
tekanan ekonomi seperti itu menyebabkan efek depresi, yang pada
gilirannya meningkatkan niat pemilik bisnis untuk meninggalkan
kewirausahaan dan mengejar pekerjaan lain. Ini adalah pertanyaan
tentang bukan apakah tetapi bagaimana. Di atas ini, mereka
mengusulkan bahwa pengusaha yang lebih terhubung secara sosial
dengan orang lain di bidang mereka akan kurang rentan terhadap efek
merusak dari tekanan ekonomi. Memiliki dukungan dari wirausahawan
lain dalam komunitas bisnis Anda dapat membantu menyangga dampak
dari stres tersebut terhadap depresi dan, pada gilirannya, keinginan
untuk meninggalkan bisnis. Penjelasan yang diusulkan ini menjawab
pertanyaan tentang kapan. Dalam keadaan apa, atau untuk tipe orang
seperti apa, pengaruh stres terhadap depresi dan niat penarikan bisnis
besar versus kecil atau bahkan nol?
Untuk melakukan penelitian ini, Pollack et al. (2012) mengirimkan
survei kepada anggota Business Networking International, grup jejaring
sosial untuk pemilik usaha kecil. 262 responden ditanyai serangkaian
pertanyaan yang digunakan untuk menilai tekanan ekonomi yang
mereka rasakan terkait dengan bisnis mereka (skor lebih tinggi = lebih
banyak stres), apakah dan seberapa besar mereka berpikir untuk
mundur dari kewirausahaan (skor lebih tinggi = semakin besar niat
untuk keluar), sejauh mana mereka merasakan berbagai emosi
(misalnya, putus asa, putus asa, tidak memadai) terkait dengan bisnis
mereka selama setahun terakhir (skor lebih tinggi = lebih banyak
pengaruh depresi), dan berapa banyak orang yang mereka ajak bicara,
mengirim email, atau bertemu langsung. tatap muka tentang bisnis
mereka setiap hari dari grup jejaring ini (skor lebih tinggi = lebih banyak
ikatan sosial).
Agak mengejutkan mungkin, tidak ada bukti asosiasiantara stres
ekonomi dan niat penarikan. Pengusaha yang melaporkan merasa lebih
stres ekonomi tidak lebih atau kurang mungkin untuk melaporkan niat
yang lebih besar untuk menarik diri dari bisnis mereka daripada mereka
yang merasa stres kurang (r = 0,06, p > 0,05). Tapi itu bukan keseluruhan
cerita, karena temuan ini memungkiri proses yang lebih menarik,
1 Mediation, Moderation, and Conditional Process
bernuansa, dan, pada akhirnya, bersyarat. Sebuah analisis moderasi
mengungkapkan bahwa mereka yang melaporkan stres yang relatif lebih
tinggi memang melaporkan niat penarikan yang relatif lebih tinggi
dibandingkan dengan mereka yang stres lebih rendah (yaitu, hubungan
itu positif), tetapi ini benar hanya di antara mereka yang memiliki ikatan
sosial yang relatif sedikit dengan anggota jaringan. Antara
Introducti 1
Hubu
ngan
sosia
l
W
M
Efek depresi
X kamu
Tekanan Penarikann
Ekonom iat
i
GAMBAR 1.3.Diagram konseptual dari model proses bersyarat yang sesuai dengan
Pollack et al. (2012) studi.
those who reported relatively more social ties, there was little or even a
negative association between economic stress and withdrawal intentions.
So social ties seemed to buffer the effects of stress on desire to withdraw
from their business enterprise. This is moderation; social ties moderates
the effect of economic stress on withdrawal intentions.
Pollack dkk. (2012) mengusulkan bahwa pengaruh tekanan
ekonomi padaniat penarikan kewirausahaan dioperasikan melalui
pengaruh negatif terkait bisnis. Artinya, ketidakpastian ekonomi dan
stres yang diakibatkannya membuat para pemilik bisnis kehilangan
semangat, membuat mereka merasa tidak mampu dan tidak berdaya,
dan mengarahkan mereka untuk memilih mengejar karir lain. Ini adalah
mediasi. Faktanya, peserta yang melaporkan lebih banyak stres ekonomi
melaporkan lebih banyak pengaruh depresi (r = 0,34, p <0,01), dan
mereka yang melaporkan lebih banyak pengaruh depresi melaporkan
niat yang lebih besar untuk menarik diri (r = 0,42, p <0,01). Namun
proses ini, menurut Pollack et al. (2012), dapat “terganggu” oleh ikatan
sosial yang kuat. Memiliki orang yang dapat Anda andalkan, ajak bicara,
atau melontarkan ide untuk mengelola stres terkait bisnis dapat
mengurangi efek stres tersebut pada perasaan Anda dan oleh karena itu
cara Anda berpikir tentang masa depan Anda sebagai pemilik bisnis.
Bukti tersebut konsisten dengan interpretasi bahwa tekanan ekonomi
mempengaruhi perasaan pemilik bisnis, tergantung pada ikatan sosial
mereka. Pengusaha di bawah tekanan ekonomi yang relatif lebih banyak
yang juga memiliki ikatan sosial yang relatif sedikit melaporkan dampak
2 Mediation, Moderation, and Conditional Process
depresi terkait bisnis yang relatif lebih banyak. Tetapi di antara mereka
yang memiliki ikatan sosial yang relatif lebih banyak, tekanan ekonomi
tidak berhubungan atau bahkan berhubungan negatif dengan pengaruh
negatif. Jadi ikatan sosial memoderasi efek stres pada efek negatif serta
niat penarikan. stres ekonomi tidak berhubungan atau bahkan
berhubungan negatif dengan pengaruh negatif. Jadi ikatan sosial
memoderasi efek stres pada efek negatif serta niat penarikan. stres
ekonomi tidak berhubungan atau bahkan berhubungan negatif dengan
pengaruh negatif. Jadi ikatan sosial memoderasi efek stres pada efek
negatif serta niat penarikan.
Introducti 2
W
M
X kamu
B W
X kamu
Z W
M
X kamu
W W
M1
X kamu
M2
E
M
2
X kamu
GAMBAR 1.4.Beberapa varian model proses kondisional, dari cukup sederhana (A)
hingga cukup kompleks (F).
saya atau siapa pun tidak boleh melarang Anda menggunakan metode
yang dijelaskan di sini hanya karena data Anda hanya bersifat
korelasional.
Sepanjang buku ini, variabel apa pun dalam diagram statistik yang
memiliki panah yang menunjuk padanya akan saya sebut variabel
konsekuen, dan variabel apa pun yang memiliki panah yang menunjuk
menjauh darinya akan saya sebut variabel anteseden. Saya juga akan
menggunakan istilah-istilah ini ketika mengacu pada variabel dalam
model yang dinyatakan dalam bentuk persamaan. Anteseden identik
dengan prediktor atau variabel bebas, dan konsekuen identik dengan
variabel terikat atau hasil. Jika variabel dalam diagram statistik memiliki
panah yang menunjuk padanya, itu adalah variabel konsekuen menurut
definisi, dan diprediksi oleh semua anteseden yang mengirim panah ke
sana. Jumlah variabel konsekuen dalam diagram statistik sesuai dengan
jumlah persamaan yang diwakili diagram.
Variabel konsekuen mungkin atau mungkin bukan variabel
anteseden, tergantung pada apakah variabel tersebut mengirimkan
panah ke variabel lain. Sebuah variabel dapat menjadi anteseden dan
konsekuen dalam beberapa model yang dibahas kemudian dalam buku
ini, yang berarti bahwa variabel yang sama dapat menjadi hasil atau
variabel dependen dalam satu persamaan tetapi prediktor atau variabel
independen dalam persamaan lain. Variabel anteseden dan konsekuen
mirip tetapi tidak sama dengan variabel eksogen dan endogen dalam
bahasa pemodelan persamaan struktural. Variabel endogen dalam
pemodelan persamaan struktural adalah variabel konsekuen menurut
definisi, tetapi variabel endogen tidak bisa juga menjadi variabel eksogen
dalam istilah pemodelan persamaan struktural, sedangkan variabel
konsekuen juga bisa menjadi variabel anteseden jika mengirimkan panah
ke variabel lain.
Melihat Gambar 1.5, terlihat bahwa ada empat variabel yang diamati
dalam model ini, tiga di antaranya antecedent dan satu consequent.
Karena hanya ada satu variabel konsekuen dalam diagram ini, maka
diagram ini mewakili satu persamaan bentuk
kamu= iY + b1X1 + b2W2 + b3XW + eY (1.1)
seperti yang akan dibahas secara rinci dalam Bab 7. Dalam model ini,
variabel konsekuen Y diprediksi oleh tiga variabel anteseden, X, W, dan
XW (yang terakhir adalah produk dari X dan W) karena Y menerima
panah dari masing-masing dari anteseden ini. Artinya, ketiga anteseden
ini adalah prediktor dari konsekuen Y karena mereka mengarahkan
panah ke Y.
Setiap variabel yang berfungsi sebagai konsekuen dalam model
statistik diasumsikan diprediksi dari variabel antesedennya dengan
tingkat kesalahan tertentu. Kesalahan dalam estimasi variabel konsekuen
diwakili dalam diagram statistik dengan huruf e dan garis putus-putus
menunjuk pada variabel konsekuen yang sesuai. Subskrip untuk
Introducti 3
kesalahan akan sama dengan label yang diberikan ke variabel konsekuen
yang dilampirkannya. Saya menggunakan garis putus-putus daripada
garis padat karena kami biasanya tidak menganggap kesalahan dalam
estimasi sebagai prediktor konsekuensi (yang akan dilambangkan
dengan panah padat), meskipun itu dapat ditafsirkan dengan cara itu.
3 Mediation, Moderation, and Conditional Process
A
W
kamu
X
B
X ekamu
b1 1
b2 kamu
W b3
XW
untuk perangkat lunak statistik yang akan saya tekankan dalam buku
ini, terutama SAS dan IBM SPSS Statistics (yang terakhir saya sebut
sebagai SPSS). Meskipun perangkat lunak lain dapat digunakan (seperti
Mplus, LISREL, AMOS, atau program pemodelan persamaan struktural
lainnya), sebagian besar tidak menerapkan setidaknya beberapa
prosedur yang saya tekankan dalam buku ini. Dan dengan
menghilangkan kebutuhan untuk mempelajari bahasa perangkat lunak
baru, saya yakin Anda akan lebih cepat mengembangkan pemahaman
dan apresiasi terhadap metode yang dijelaskan di sini.
Sepanjang halaman berikut saya akan menekankan estimasi
parameter model menggunakan regresi kuadrat terkecil biasa (OLS).
Meskipun program apa pun yang dapat melakukan analisis regresi OLS
dapat memperkirakan parameter sebagian besar model yang saya
jelaskan, program semacam itu hanya dapat membawa Anda sejauh ini
ketika dikeluarkan dari rak. Misalnya, tidak ada program yang saya
ketahui menerapkan teknik Johnson–Neyman untuk menyelidiki
interaksi, dan baik SPSS maupun SAS tidak dapat menghasilkan interval
kepercayaan bootstrap untuk produk parameter, metode yang saya
anjurkan untuk inferensi dalam analisis mediasi dan analisis proses
bersyarat. Selama beberapa tahun terakhir, saya telah menerbitkan
analisis moderasi dan mediasi dan menyediakan berbagai alat untuk
SPSS dan SAS dalam bentuk "makro" yang menyederhanakan analisis
yang saya uraikan dalam buku ini. Anda mungkin pernah menggunakan
salah satu alat ini sendiri, seperti INDIRECT (Preacher & Hayes, 2008a),
MODMED (Preacher et al., 2007), SOBEL (Preacher & Hayes, 2004), atau
MODPROBE (Hayes & Matthes, 2009). Tapi masing-masing alat ini
dirancang untuk tugas tertentu dan bukan yang lain, dan melacak alat
mana yang harus digunakan untuk analisis yang sulit. Jadi daripada
membingungkan Anda dengan menjelaskan seluk beluk dari masing-
masing alat ini, saya merancang makro baru, dirilis dengan edisi
pertama buku ini, yang disebut PROSES yang mengintegrasikan
sebagian besar fungsi makro saya sebelumnya menjadi satu. perintah
praktis atau kotak dialog, dan dengan fitur tambahan yang tidak tersedia
di makro saya yang lain. PROCESS telah menjadi sangat populer, dan
prediksi saya adalah bahwa Anda akan menyukai PROSES dan akan
mendapati diri Anda beralih ke PROCESS lagi dan lagi dalam kehidupan
profesional Anda. Jika Anda pernah menggunakan PROCESS
sebelumnya, Anda akan menemukan bahwa versi terbaru telah
ditingkatkan secara dramatis dibandingkan dengan rilis sebelumnya
yang dijelaskan dalam edisi pertama buku ini. PROCESS tersedia secara
gratis dan dapat diunduh dariwww.processmacro.org,dan fitur-fiturnya
didokumentasikan dengan berbagai contoh di seluruh buku ini dan juga
di Lampiran A. Saya sarankan untuk membiasakan diri Anda dengan
3 Mediation, Moderation, and Conditional Process
dokumentasi sebelum mencoba menggunakan PROCESS.
Anda juga harus memeriksa kembali sesekali
denganwww.processmacro.orguntuk melihatjika ada pembaruan yang dirilis
sejak terakhir kali Anda mengunduhnya.
Munculnya antarmuka pengguna grafis (GUI) pada 1980-an membuat
analisis data menjadi perusahaan titik-dan-klik bagi sebagian orang dan
mengubah apa yang tidak disukai.
Introducti 3
tugas ful bagi banyak orang menjadi sesuatu yang sebenarnya cukup
menyenangkan. Namun saya masih percayaada nilai untuk memahami
bagaimana menginstruksikan paket perangkat lunak pilihan Anda untuk
melakukan menggunakan sintaks atau "kode." Selain menyediakan
serangkaian instruksi yang dapat Anda simpan dengan mudah untuk
digunakan nanti atau diberikan kepada kolaborator dan kolega, sintaksis
lebih mudah dijelaskan dalam buku semacam ini daripada sekumpulan
instruksi tentang apa yang harus diklik, diseret, diarahkan, klik, dan
seterusnya, dan dalam urutan apa. Pengguna SAS tidak punya pilihan
selain menulis dalam kode, dan meskipun SPSS sangat populer sebagian
karena antarmuka pengguna yang mudah dinavigasi, dan saya
menyediakan versi PROCESS berbasis GUI, namun saya akan
menjelaskan semua instruksi SPSS menggunakan sintaks. Dalam buku
ini, semua kode untuk program apa pun yang saya gunakan atau
gambarkan pada saat itu akan dilambangkan dengan jenis huruf kurir di
dalam kotak. Untuk perintah SPSS, kode akan diatur dalam kotak hitam
dengan teks putih,
Tapi untuk
proses kode SAS, saya akan menggunakan kotak putih dengan teks
y=intent/x=exposure/m=attitude/w=social/model=8/boot=10000.
hitam. Jadi versi SAS dari perintah di atas akan terlihat seperti
%proses (data=contoh,y=niat,x=eksposur,m=sikap,w=sosial,model=8,
boot=10000);
Beberapa perintah tidak akan muat dalam satu baris dalam buku ini
dan harus dibawa ke bawah ke baris berikutnya. Ketika ini terjadi, itu
akan dilambangkan dengan indentasi teks lanjutan, seperti pada contoh
SAS di atas. Perintah telah berakhir saat Anda melihat terminator
perintah. Di SPSS, perintah terminator adalah titik (“."), sedangkan di
SAS itu adalah titik koma (“;”). Kegagalan untuk menyertakan
terminator perintah di akhir perintah Anda kemungkinan akan
membingungkan perangkat lunak Anda, dan kemungkinan akan terjadi
serangkaian kesalahan.
Baru pada edisi buku ini, dalam beberapa bab saya memberikan kode
R untuk memvisualisasikan interaksi dan efek langsung dan tidak
langsung yang dimoderasi. Kode R akan menonjol dari kode SPSS dan
SAS melalui penggunaan kotak abu-abu dan huruf hitam, seperti pada:
plot(y=sikap,x=skeptis,pch=15)
1.7 Ikhtisar Buku Ini
Buku ini dibagi menjadi lima bagian tematik serta beberapa lampiran.
Bagian pertama, yang sedang Anda baca sekarang, terdiri dari materi
pengantar dalam bab ini serta tinjauan umum tentang dasar-dasar
4 Mediation, Moderation, and Conditional Process
analisis regresi linier di Bab 2. Bab-bab ini harus dianggap sebagai
bacaan prasyarat yang penting. Jika Anda tidak terbiasa dengan regresi
linier
Introducti 4
analisis, hampir tidak ada dalam buku ini akan masuk akal bagi Anda.
Jadi meskipun godaan untuk melewatkan materi di bagian pertama ini
mungkin kuat, lakukanlah dengan risiko Anda sendiri.
Bab 3 sampai 6 menjelaskan bagian kedua, yang dikhususkan untuk
analisis mediasi. Bab 3 mengilustrasikan prinsip-prinsip analisis jalur
dasar, dengan fokus pada pembagian pengaruh total variabel anteseden
X pada variabel konsekuen Y menjadi efek langsung dan tidak langsung,
serta sarana untuk membuat inferensi statistik tentang efek langsung
dan tidak langsung. Bab 4 membahas kelemahan pendekatan lama untuk
analisis mediasi, beberapa kontroversi seperti perancu dan urutan
kausal, dan membahas model dengan beberapa variabel anteseden atau
konsekuen kausal. Bab 5 memperluas prinsip dan metode yang
diperkenalkan di Bab 3 ke dalam ranah model mediator ganda—model
pengaruh kausal yang ditransmisikan oleh dua atau lebih variabel
intervensi yang beroperasi secara paralel atau berurutan.
Bagian ketiga adalah Bab 7 sampai 10, dan topiknya adalah analisis
moderasi. Dalam Bab 7, saya mendefinisikan konsep efek bersyarat dan
menunjukkan bagaimana mengatur model linier yang memungkinkan
efek satu variabel pada variabel lain bergantung secara linier pada
variabel ketiga. Saya mengilustrasikan bagaimana hipotesis moderasi
diuji dan bagaimana menginterpretasikan koefisien regresi dari model
yang sesuai. Saya juga memperkenalkan beberapa metode untuk
membedah sifat kondisional dari asosiasi dan menunjukkan bagaimana
membangun representasi visual moderasi. Bab 8 mengilustrasikan
prosedur umum yang diperkenalkan dalam Bab 7, termasuk interaksi
antara variabel kuantitatif atau antara moderator dikotomis dan
anteseden fokus. Bab 9 membahas berbagai masalah lain-lain dalam
estimasi model yang memungkinkan efek satu variabel bergantung pada
yang lain, seperti model dengan beberapa interaksi, dan membongkar
mitos dan kesalahpahaman tentang pemusatan dan standarisasi dalam
analisis moderasi. Bab 10, yang baru untuk edisi ini, mengakhiri bagian
analisis moderasi buku dengan memperluas prinsip-prinsip yang
dijelaskan dalam bab-bab sebelumnya ke model dengan anteseden atau
moderator fokus multikategori.
Bab 11 sampai 13 mendefinisikan bagian keempat dari buku ini.
Topiknya adalah analisis proses bersyarat. Bab 11 memberikan banyak
contoh model proses bersyarat yang diusulkan dan diperkirakan dalam
literatur, memperkenalkan konsep penting dari efek langsung dan tidak
langsung bersyarat dan tidak bersyarat, menjelaskan bagaimana mereka
didefinisikan secara matematis, dan menunjukkan bagaimana mereka
diperkirakan. Bab 12 memberikan contoh analitis yang sedikit lebih
kompleks dari analisis proses bersyarat sementara juga menggambarkan
4 Mediation, Moderation, and Conditional Process
29
3 Mediation, Moderation, and Conditional Process
Dilihat
proc dari data=glbwarm;plot
sgscatter scatterplotnya, tampak bahwa ada kecenderungan bagi
govact*negemot;run;
mereka yang melaporkan emosi negatif yang relatif lebih kuat tentang
perubahan iklim juga relatif lebih mendukung tindakan pemerintah
untuk membantu mitigasi perubahan iklim. Yang pasti, asosiasinya tidak
sempurna dengan cara apa pun, tetapi trennya cukup jelas.
Mata kita dapat menipu kita, jadi selalu merupakan ide yang baik
untuk mengukur asosiasi daripada hanya mengandalkan penggambaran
Fundamentals of Linear Regression 3
visual seperti scatterplot. Korelasi momen produk Pearson, yang secara
simbolis dikenal sebagai r Pearson, adalah a
3 Mediation, Moderation, and Conditional Process
6
GOVACT: Dukungan untuk tindakan
0
01 2
34567
ukuran praktis dari asosiasi yang merupakan dasar dari sebagian besar
metode yang dibahas dalam buku ini. Ini dapat digunakan untuk mengukur
hubungan linier antaradua variabel kuantitatif, variabel kuantitatif dan
variabel dikotomis, serta antara dua variabel dikotomis. Secara
matematis,
∑n
ZX ZY
j=1 jj
r ≈ n
di mana ZXj dan ZYj adalah X dan Y untuk kasus j dalam bentuk
standar, artinya dinyatakan sebagai deviasi dari rata-rata sampelnya
dalam satuan deviasi standar:
ZXj XjX
Z YJY
= SDX = SDY
Yj
di mana SDX dan SDY masing-masing adalah standar deviasi X dan Y, X
dan Y adalah rata-rata sampelnya, dan penjumlahannya adalah untuk
semua n kasus dalam data. Pearson r dapat berkisar antara 1 dan 1,
−
meskipun nilai 1 dan 1 jarang diamati dalam data nyata. Semakin dekat r
−
ke 1, mengabaikan tanda, semakin kuat asosiasi liniernya. Tanda r sesuai
Fundamentals of Linear Regression 3
dengan
3 Mediation, Moderation, and Conditional Process
korelasi
NEGEMOT: GOVACT:
Emosi negatif Dukungan
tentang untuk
perubahan iklim tindakan
pemerintah
NEGEMOT: Emosi Korelasi Pearson 1 .578
negatif tentang perubahan
Tanda tangan (2-ekor) .000
iklim
N 815 815
GOVACT: Dukungan Korelasi Pearson .578 1
untuk tindakan
Tanda tangan (2-ekor) .000
pemerintah
N 815 815
arah hubungan linier antara X dan Y. Pearson's r positif jika nilai X yang
relatif tinggi cenderung berpasangan dengan nilai Y yang relatif tinggi,
dan nilai X yang relatif rendah cenderung berpasangan dengan nilai Y
yang relatif rendah. negatif jika nilai yang relatif tinggi pada X
cenderung berpasangan dengan nilai yang relatif rendah pada Y, dan
nilai yang relatif rendah pada X cenderung berpasangan dengan nilai Y
yang relatif tinggi. Pearson's r akan mendekati nol ketika tidak ada
urutan yang jelas untuk pasangan nilai X dan Y, atau ketika asosiasi
lebih baik dicirikan sebagai nonlinier (karena r Pearson adalah ukuran
asosiasi linier, bukan sembarang asosiasi).
Ada banyak prosedur dalam SPSS dan SAS yang dapat digunakan untuk
menghasilkanPearson r. Di SPSS, perintahnya
menghitung r Pearson
variabel korelasi serta sarana
= negemot dan standar deviasi untuk
govact.
keduanyavariabel. Di SAS, coba
Output SPSS
proc corr yang dihasilkan
data=glbwarm;var oleh govact;run;
negemot perintah ini dapat ditemukan pada
Gambar 2.2. Seperti dapat dilihat, r Pearson = 0,578. Tanda positif untuk
r menegaskan apa yang terlihat pada scatterplot pada Gambar 2.1.
Peserta dalam penelitian ini yang melaporkan emosi negatif yang relatif
lebih kuat tentang perubahan iklim juga relatif lebih mendukung
tindakan pemerintah.
Jika dua variabelXdan Y berkorelasi, ini menyiratkan bahwa jika
Andauntuk menggunakan pengetahuan tentang pengukuran kasus j
pada X untuk memperkirakan pengukuran kasus j pada Y, melakukan
ini untuk semua kasus j harus menghasilkan perkiraan yang lebih akurat
daripada jika seseorang hanya memperkirakan Yj = Y untuk setiap kasus
dalam data. Memang, salah satu interpretasi korelasi Pearson antara dua
variabel X dan Y adalah bahwa ia memberikan perkiraan berapa banyak
Fundamentals of Linear Regression 3
standar
3 Mediation, Moderation, and Conditional Process
Zˆ kamu j = rXYZXj
di manaZˆ Yj adalah nilai estimasi ZYj . Misalnya, seseorang yang
setengah dari standar deviasi di atas rata-rata (ZX = 0,5) dalam emosi
negatif diperkirakan Zˆ Y = 0,578(0,5) = 0,289 standar deviasi dari rata-
rata dalam dukungannya untuk pemerintah tindakan. Tanda Zˆ Ypositif,
artinya orang ini diperkirakan berada di atas rata-rata sampel (yaitu,
lebih mendukung daripada rata-rata). Demikian pula, seseorang yang
dua standar deviasi di bawah mean (ZX = 2) dalam emosi negatif
diperkirakan Zˆ Y = 0,578( 2) = 1,156 standar deviasi dari mean dalam
–
mendukung tindakan pemerintah. − Dalam hal − ini, Zˆ Y negatif, artinya
orang tersebut diperkirakan berada di bawah rata-rata sampel dalam
mendukung tindakan pemerintah (yaitu, kurang mendukung daripada
rata-rata).
Tentu saja, ini hanya perkiraan Y dari X. Jarang sekali
tepat untuk kasus tertentu dalam file data. Sebaliknya, itu adalah
harapan yang diekstraksi dari apa yang diketahui tentang hubungan
antara X dan Y. Dalam statistik, seperti dalam kehidupan, jarang sekali
harapan kita terpenuhi dengan sempurna. Tapi kami berharap harapan
itu mendekati kenyataan. Tidak seperti dalam kehidupan, dalam
statistik, kita memiliki alat numerik untuk mengukur seberapa dekat
harapan kita yang diperoleh dari hubungan antara X dan Y dengan
kenyataan. Pengukur itu adalah ukuran r Pearson. Semakin mendekati
satu (mengabaikan tanda), semakin konsisten ekspektasi tersebut
dengan realitas data kami.
Jadi korelasi dan prediksi adalah konsep yang berhubungan erat. Jika
dua variabel berkorelasi satu sama lain, maka Anda harus dapat
menggunakan informasi tentang nilai pada satu variabel dalam
pasangan X,Y untuk memperkirakan dengan setidaknya beberapa
tingkat akurasi nilai pada variabel lain dalam pasangan tersebut.
j j j j
j
Amati dari persamaan 2.3 bahwa SSresidual tidak boleh negatif (karena
jumlah dari sekumpulan nilai kuadrat harus positif) dan jika Yˆ j = Yj
untuk semua n kasus dalam data, maka SSresidual = 0. Sebagai
perbedaan antara estimasi dan nilai aktual Y meningkat, demikian juga
SSresidual. Dalam kumpulan data apa pun, SSresidual terbesar yang
mungkin adalah jumlah total kuadrat, didefinisikan sebagai:
n
( )2
SStotal
= –kamu
YJ
j=1
Theregresi/statistik
resulting SPSS default ci/dep=govact/method=masukkan negemot.
output can be found in Figure 2.3. The regression
konstanta dan koefisien regresi dapat ditemukan di bawah judul
“Koefisien Tidak Terstandardisasi:
proc reg data=glbwarm;model B” dalam clb;run;
govact=negemot/stb tabel koefisien model.
Seperti dapat dilihat, iY = 2,757 dan b = 0,514; dengan demikian, model
Fundamentals of Linear Regression 4
regresi OLS yang paling pas adalah
kamuˆ j = 2,757 + 0,514Xj (2.4)
4 Mediation, Moderation, and Conditional Process
Ringkasan Model
R . yang Std. Kesalahan
Model R Kotak R disesuaik Perkiraan
anKotak
sebu
1 .578 .334 .333 1.11109
ah
SSsisa= 1003.673
ANOVAsebuah
Jumlah dari
Model kotak dfMean PersegiF Tanda tangan
1 502.869 1 502.869 407.336 .000b
Regresi
SisaTotal 1003.673 813 1.235
1506,542 814
8
Kasus dengan residu positif
7
6
GOVACT: Dukungan untuk tindakan
5
^
kamu= 4.299
3
^
GAMBAR 2.4.Representasi visual dari persamaan regresi kuadrat terkecil (garis putus-
putus) yang memperkirakan dukungan untuk tindakan pemerintah (kamu) dari emosi
negatif tentang perubahan iklim (X).
untuk contoh perubahan iklim, dua kasus yang berbeda satu unit dalam
emosi negatif mereka tentang perubahan iklim diperkirakan berbeda
dengan b = 0,514 unit dalam dukungan mereka untuk tindakan
pemerintah.
Tanda b menyampaikan informasi tentang perbedaan relatif pada Y.
Jika b positif, kasus satu unit lebih tinggi pada X diperkirakan b unit
lebih tinggi pada Y, sedangkan jika b negatif, kasus satu unit lebih tinggi
pada X diperkirakan menjadi b unit lebih rendah pada Y. Di sini, b
adalah positif, sehingga seseorang satu unit lebih tinggi dalam emosi
negatif diperkirakan 0,514 unit lebih mendukung tindakan pemerintah
untuk mengurangi perubahan iklim global.
Konstanta regresi secara konseptual setara dengan perpotongan Y
dalam persamaan garis. Ini mengkuantifikasi nilai estimasi Y ketika X =
0. Pada Gambar 2.4, konstanta regresi sesuai dengan titik di mana garis
regresi melintasi sumbu vertikal. Namun, ini tidak selalu benar, karena
di mana garis memotong sumbu vertikal akan tergantung pada
bagaimana gambar tersebut dibuat. Jika sumbu vertikal ditarik vertikal
ke atas dari titik X = 0, maka konstanta tersebut memang merupakan
perpotongan-Y, tetapi jika sumbu vertikal dimulai pada beberapa titik
lain pada skala X, garis regresi akan memotong sumbu vertikal pada
lokasi yang berbeda dari konstanta regresi.
Dalam model perubahan iklim, iY = 2,757. Ini adalah perkiraan
dukungan untuk tindakan pemerintah bagi seseorang yang mengukur
nol pada skala emosi negatif. Meskipun ini memiliki arti matematis yang
jelas, secara substantif tidak masuk akal karena skala emosi negatif
dibatasi antara 1 dan 6. Seringkali konstanta regresi tidak memiliki
interpretasi substantif, tetapi terkadang demikian. Itu tergantung pada
bagaimana X diskalakan dan apakah X = 0 memiliki makna substantif.
Dimungkinkan untuk membuat iY secara substantif bermakna
dengan pemusatan rata-rata X sebelum memperkirakan model regresi.
Untuk mean-center suatu variabel, mean sampel dikurangkan dari
semua pengukuran variabel tersebut dalam data:
Xkanj= Xj− X (2.6)
di mana X′j adalah Xj yang berpusat rata-rata. Memperkirakan Y dari X′
menghasilkanmodel dengan kecocokan yang sama persis seperti yang
didefinisikan oleh SSresidual dan ukuran lain yang dibahas di bawah.
Selanjutnya, b akan sama dengan ketika X digunakan sebagai variabel
antecedent. Namun, konstanta regresi akan berubah untuk
mencerminkan penskalaan kembali X. Konstanta tersebut masih
ditafsirkan sebagai nilai estimasi Y ketika
Xkan= 0, tetapi perhatikan dari persamaan 2.6 bahwa X kan= 0 saat X = X. Jadi
iY adalah nilai taksiran Yj saat Xj = X.
Fundamentals of Linear Regression 4
Diterapkan pada contoh perubahan iklim, ketika emosi negatif
tentang perubahan iklim berpusat pada rata-rata sebelum estimasi
persamaan 2.1, model regresi yang dihasilkan adalah Yˆ j = 4,587 + 0,514X
′j. Seperti yang dijanjikan, b tidak terpengaruh oleh pemusatan rata-rata
dari X. Konstanta memberi tahu kita bahwa taksiran
5 Mediation, Moderation, and Conditional Process
Prosedur REG
SSsisa= 1491.890
Model: MODEL1 Variabel Dependen: govact
Analisis Varians
Jumlah Berarti
Sumber DF dari Kotak Nilai F Pr > F
kotak
Model 1 14,65205 14,65205 7.98 0,0048
Kesalahan 813 1491.89008 1.83504
Total yang 814 1506.54213
Dikoreksi
Ringkasan Model
Jumlah
Model Kuadrat df Rata-rata Persegi F Tanda tangan
b
1 Regresi 585.019 5 117.004 102,717 .000
Sisa 921.523 809 1.139 NONAsisa= 1.139
Total 1506,542 814
a. Variabel Dependen: GOVACT: Dukungan untuk tindakan pemerintah
b. Prediktor: (Konstan), USIA: Usia responden pada ulang tahun terakhir, POSEMOT: Emosi positif tentang perubahan iklim, NEGEMOT: Emosi negatif tentang
perubahan iklim, SEX: perempuan(0) atau laki-laki(1), IDEOLOGI: Ideologi politik (konservatisme)
sebuah
Koefisien
StandarKoefisi
Koefisien tidak standar en Interval Keyakinan 95,0% untuk B
Model B Std. Kesalahan Beta t Tanda Batas bawah Batas Atas
tangan
1 (Konstan) 4.064 .205 19.791 .000 3.661 4.467
NEGEMOT: Emosi .441 .026 .495 16.676 .000 .389 .493
negatif tentang
perubahan iklim
POSEMOT: Positifemosi tentang -.027 .028 -.027 -.951 .342 -.082 .028
perubahan iklim
^ ____
kamuj= 4.064 + 0.441X10,027X20.218X30,010X40,001X5
Zkamu= 0,495ZX____
^
0,027ZX 0.243ZX 0,004ZX 0,016ZX
j 1234 5
emosi (X2 = 4), dua pada ideologi (X3 = 2), dan yang laki-laki (X4 = 1) dan
30 tahun (X5 = 30). Menurut persamaan 2.11,
Jadi dua orang ini yang berbeda satu unit pada X1 tetapi sama pada X2,
X3,X4, dan X5 diperkirakan berbeda sebesar 5,244 4,803 = 0,441 unit pada
− dukungan untuk tindakan pemerintah. Tapi ini
b1. Tidak ada perbedaan nilai X2, X3, X4, dan X5 yang ditetapkan. Jika dianggap tetap, dua kasus yang berbeda satu unit pada
X1 diperkirakan berbeda dengan b1 unit pada Y. Interpretasi ini berlaku untuk semua koefisien regresi parsial dalam model
regresi berganda seperti ini. Paling umum, jika kita membiarkan X merujuk ke satu set nilai pada semua variabel kecuali
emosi negatif dan memiliki usia dan jenis kelamin yang sama
diperkirakan berbeda sebesar 0,243 standar deviasi dalam mendukung
tindakan pemerintah, dengan orang yang lebih konservatif
mengungkapkan lebih sedikit dukungan. Namun, seperti yang dibahas
dalam bagian 2.2, tidak akurat untuk mengatakan bahwa pria dan
wanita yang memiliki ideologi, usia, dan emosi yang sama diperkirakan
berbeda sebesar 0,004 standar deviasi dalam mendukung tindakan
pemerintah. Anda tidak boleh menafsirkan atau melaporkan koefisien
regresi standar untuk variabel anteseden dikotomis dalam model regresi.
yang terstandarkoefisien regresi yang dihasilkan secara otomatis oleh
program regresi OLS akan didasarkan pada model di mana semua
variabel Xi dan Y distandarisasi. Namun, dalam model regresi berganda,
seseorang hanya dapat menstandarisasi beberapa variabel anteseden
daripada semuanya jika dipilih. Ini harus dilakukan sebelum
memperkirakan model. Setelah ini dilakukan dan model dihasilkan,
koefisien regresi yang tidak terstandarisasi dan bukan koefisien regresi
terstandarisasi akan diinterpretasikan. Koefisien tidak terstandarisasi
akan berada dalam bentuk standar untuk variabel anteseden yang
pertama kali distandarisasi secara manual. Itu
adalah,untuk Xi standar, bi = b˜i. Koesien untuk variabel anteseden
yang tidak terstandarisasi akan berada dalam bentuk terstandarisasi
sebagian karena Y tetapi tidak anteseden tersebut berada dalam metrik
terstandarisasi. Untuk variabel tersebut, bi b˜i. Jika Y terstandarisasi
tetapi Xi tidak, bi diinterpretasikan sebagai jumlah simpangan baku di
mana dua kasus yang berbeda satu unit pada Xi adalah
diperkirakan berbeda pada Y.
Dengan menerapkan alasan ini, kita dapat secara manual
menstandardisasi dukungan untuk tindakan pemerintah dan semua
variabel sebelumnya kecuali jenis kelamin, tetapi tetap mempertahankan
jenis kelamin (X4) dalam bentuk aslinya. Ini akan memberi kita ukuran
yang masuk akal dari hubungan parsial antara jenis kelamin dan
dukungan untuk tindakan pemerintah dalam metrik unit standar dari
konsekuensi.1 Melakukan hal itu menghasilkan
dimana k
NONAsis
7 Mediation, Moderation, and Conditional Process
sisa (2.13)
a= SS
nk 1
adalah jumlah variabel anteseden dalam model regresi. kuantitas n
k 1 dalam – penyebut persamaan 2.13 juga disebut residenderajat kebebasan
ualatau dfresidual. Residu kuadrat rata-rata dapat dipikirkan
Fundamentals of Linear Regression 7
sebagai jumlah sampel yang dikoreksi sisa jumlah kuadrat. Ini kira-kira
rata-rata kuadrat sisa. Nilai yang mendekati nol menunjukkan
kecocokan yang lebih baik. Seperti terlihat pada Gambar 2.6, pada
contoh perubahan iklim, MSresidual = 1,139. Karena kriteria kuadrat
terkecil menghasilkan minimalisasi SSresidual, maka kriteria tersebut
juga meminimalkan MSresidual.
Seperti SSresidual, MSresidual adalah ukuran kecocokan terikat-
skala, yang bergantung pada metrik pengukuran Y. Selain itu,
MSresidual kurang dapat diinterpretasikan, terutama karena didasarkan
pada metrik kuadrat (yaitu, residu kuadrat). Ukuran alternatif kecocokan
adalah akar kuadrat dari residual kuadrat rata-rata, yang dikenal sebagai
kesalahan pendugaan standar, yang didefinisikan sebagai:
sisa
Kesalahan standar estimasi = MSresidual = SS
nk 1
Kesalahan standar estimasi tidak memiliki masalah noninterpretabilitas
yang dimiliki MSresidual. Ini dapat diinterpretasikan sebagai kira-kira
jumlah rata-rata di mana Y berbeda dari Yˆ mengabaikan tanda. Ini juga
kira-kira sama dengan standar deviasi residu. Dalam perubahan iklim
misalnya, kesalahan standar estimasi adalah 1,067 (lihat Gambar 2.6). Ini
kira-kira berapa banyak, rata-rata, Yˆ berbeda dari Y ketika Anda
mengabaikan tanda kesalahan. Karena kesalahan standar pendugaan
hanya merupakan transformasi dari SSresidual, hal itu juga
diminimalkan dengan kriteria kuadrat terkecil.
Ketiga ukuran kecocokan ini adalah ukuran terikat skala. Metrik Y
yang berbeda akan menghasilkan nilai SSresidual, MSresidual, dan
standar error estimasi yang berbeda. Ukuran kecocokan yang
menghilangkan masalah ini adalah koefisien korelasi ganda R dan
kuadratnya, R2. Ingat kembali dari bagian 2.2 bahwa SSresidual terikat
antara 0 dan SStotal, di mana SStotal adalah jumlah selisih kuadrat
antara Y dan Y. SStotal dapat dianggap sebagai kecocokan model di
mana Y diperkirakan menjadi Y untuk setiap kasus dalam data, seolah-
olah seseorang sepenuhnya mengabaikan informasi yang terkandung
dalam anteseden yang dapat digunakan untuk memperkirakan Y
dengan presisi yang lebih besar daripada penggunaan strategi naif untuk
memprediksi Y untuk setiap kasus. Setiap kali ada beberapa hubungan
linier antara anteseden dan konsekuen, betapapun kecilnya asosiasi itu,
SSresidual akan lebih kecil dari SStotal. Itu harus, tetapi tidak akan lebih
kecil dari nol.
Mempertimbangkan model naif sebagai model referensi, R2
mengkuantifikasi jarak yang ditempuh model regresi linier paling pas
antara model referensi naif ini dan model yang pas sempurna. Secara
matematis,
7 Mediation, Moderation, and SS
Conditional Process
2 sisa
R 1 SStotal
= − (2.14)
Fundamentals of Linear Regression 7
Jikahitung
Andau=rv.uniform(0,1).
lebih suka SAS, coba
urutkan kasus berdasarkan
Kode ini secara acak memilih 50 orang dari 815 dalam data GLBWARM
u. sementara.
data glbwarm;set
danglbwarm;u=uniform(0);jalankan;
kemudian
pilih memperkirakan
if ($casenum < 51). koefisien
proc sort regresi parsial untuk emosi
negatif dalam model dukungan untuk
regresi/dep=pemerintah/metode=masukkan
data=glbwarm;oleh kamu;jalankan; negemot tindakan pemerintah,
ideologi posemot usia
mempertahankan emosi (OBS
proc reg data = glbwarm positif, jenis kelamin,
= 50);model usia, dan
pemerintahan ideologi konstan
= negemot
menggunakan regresi OLS. Ketika saya melakukan ini di SPSS, saya
mendapat b1 = 0,467. Ketika saya melakukannya lagi, saya mendapat b1
= 0,392. Dan sekali lagi, hasilnya adalah b1 = 0,419. Gambar 2.7
menggambarkan histogram nilai b1 dari 10.000 pengulangan prosedur
ini. Perhatikan bahwa 10.000 perkiraan Tb1 sangat bervariasi, dari yang
terendah sekitar 0,02 hingga tertinggi 0,85, dengan
8 Mediation, Moderation, and Conditional Process
1.000
900
800
Frekuensi dalam 10.000 sampel
700
600
500
400
300
200
100
0
.00
.10 .20 .30 .40 .50 .60 .70 .80 .90
sebagian besar perkiraan di suatu tempat antara 0,30 dan 0,60. Ini adalah
varians sampling.
Upaya pengumpulan data asli yang menghasilkan 815 kasus dalam
file data GLBWARM dapat dianggap sebagai hasil percobaan tunggal
dari proses pengambilan sampel yang serupa tetapi dilakukan dalam
skala yang lebih besar. Ke-815 orang yang berpartisipasi dalam
penelitian ini mewakili satu subset orang—sebuah sampel—dari
kumpulan orang yang jauh lebih besar yang bisa saja ikut dalam
penelitian ini, tetapi sebagian karena keberuntungan undian, sama sekali
tidak. Artinya, 815 ini analog dengan 50 yang dipilih dari 815 dalam
eksperimen pemikiran yang dijelaskan sebelumnya. “Koleksi yang lebih
besar” ini biasanya disebut sebagai populasi. Dalam contoh sebelumnya,
815 satu-satunya penghuni Bumi adalah populasinya. Tapi dalam studi
yang sebenarnya, populasinya jauh lebih besar, mungkin. Populasi itu
mungkin semua orang yang tinggal di Amerika Serikat, semua orang
yang mau berpartisipasi dalam survei online, atau semacamnya.
Bagaimanapun, jika seluruh populasi ini memberikan data dalam
penelitian ini (apapun populasi itu), maka Tb1 dapat diketahui dengan
tepat. Tidak ada estimasi yang diperlukan. Tetapi mengingat bahwa
analisis data umumnya dilakukan hanya pada sebagian dari populasi,
yang dapat dilakukan hanyalah memperkirakan Tb1 menggunakan data
Fundamentals of Linear Regression 8
yang tersedia. Kami berharap bahwa perkiraan, b1, dekat dengan nilai
sebenarnya, tetapi kami tidak pernah tahu secara pasti seberapa dekat
itu semua yang bisa dilakukan adalah memperkirakan Tb1
menggunakan data yang tersedia. Kami berharap bahwa perkiraan, b1,
dekat dengan nilai sebenarnya, tetapi kami tidak pernah tahu secara
pasti seberapa dekat itu semua yang bisa dilakukan adalah
memperkirakan Tb1 menggunakan data yang tersedia. Kami berharap
bahwa perkiraan, b1, dekat dengan nilai sebenarnya, tetapi kami tidak
pernah tahu secara pasti seberapa dekat itu
8 Mediation, Moderation, and Conditional Process
karena kami hanya mengamati satu perkiraan khusus sampel dari nilai
sebenarnya berdasarkan data yang tersedia. Sebuah sampel acak yang
berbeda dari 815 akantelah menghasilkan estimasi yang berbeda dari Tb1,
karena b1 tunduk pada varians sampling setiap kali ukuran sampel lebih
kecil dari ukuran populasi.
Ada beberapa masalah inferensial yang sering kita hadapi ketika
melakukan analisis regresi. Satu kesimpulan berfokus pada pengujian
hipotesis tentangkoefisien regresi untuk anteseden i, Tbi, atau, sebagai
alternatif, menghasilkan perkiraan interval yang membatasi batas bawah
dan atas antara Tbi yang kemungkinan berada dengan tingkat
kepercayaan tertentu—interval kepercayaan. Kami memiliki gudang
teori dan metode statistik yang dapat digunakan untuk membantu
inferensi. Masalah inferensial kedua berkisar apakah menambahkan satu
set anteseden ke model konsekuen yang ada meningkatkan kecocokan
model. Saya membahas masing-masing berikutnya.
H0 :Tdua= 0
Ha:Tdua0
Interval Estimation
An alternative approach to inference is interval estimation, also known
as the construction of a confidence interval for Tbi. There is much debate
in the literature as to the relative merits and disadvantages of null
hypothesis testing and confidence intervals. I will not take a stand on this
debate in this book and instead refer you to Cortina and Dunlap (1997)
for a good discussion.
Dalam sampel tunggal mana pun, bi adalah tebakan terbaik kami
untuk nilai Tbi. Ini adalah estimasi titik Tbi. Jika sampel cukup besar dan
proses pengambilan sampel meniru sesuatu yang mirip dengan
pengambilan sampel acak dari populasi, kita dapat cukup yakin bahwa
bi akan mendekati Tbi. Kesalahan standar untuk bi memberi kita
informasi tentang seberapa besar perkiraan titik kemungkinan
menyimpang dari rata-rata Tbi mengingat ukuran sampel yang
digunakan. Namun bi hampir pasti tidak persis sama dengan Tbi.
Interval kepercayaan mengakui ketidakpastian ini sebagai rentang di
mana Tbi cenderung berada dengan tingkat kepercayaan tertentu.
Program OLS yang baik akan memberikan interval kepercayaan untuk bi
jika diminta, sehingga komputasi tangan jarang diperlukan. Biasanya,
interval kepercayaan 95% digunakan, dan ini biasanya default di
sebagian besar statistik
program. Rumus untuk selang kepercayaan ac% adalah
di mana tc% adalah nilai t yang memotong bagian− atas (100 c)/2% dari
distribusi t(dfresidual) dari sisa distribusi, di mana c adalah tingkat
kepercayaan yang diinginkan. Misalnya, untuk selang kepercayaan 95%,
kita memerlukan nilai t yang memotong 2,5% bagian atas dari distribusi
t(dfresidual) dari sisanya. "Nilai kritis t" ini tersedia di hampir semua
buku statistik pengantar serta yang lebih maju. Dalam contoh perubahan
8 Mediation, Moderation, and Conditional Process
iklim, tc% untuk dfresidual = 809 adalah 1,962, dan seterusnya
Artinya, kita dapat 95% yakin bahwa Tb1 berada di antara 0,390 dan
0,492. Output pada Gambar 2.6 memberikan interval kepercayaan
dengan akurasi yang sedikit lebih tinggi daripada perhitungan ≤ tangan
≤
ini: 0,389 Tb1 0,493. Jadi kita bisa yakin bahwa Tb1 positif dan berada di
antara 0,389 dan 0,493 ketika semua variabel lain dalam model tetap
konstan.
H0 :Tb1 danTb2 = 0
Ha:Tb1 atauTb2 atau keduanya 0
Melakukan pengujian ini membutuhkan estimasi R2 untuk dua model
regresi. Model 1 hanya memiliki jenis kelamin, usia, dan ideologi politik
sebagai anteseden. Model inimenghasilkan R2 = 0,177. Model 2 berisi
semua variabel anteseden dalam Model
1
2
1 serta dua variabel emosi. Model ini menghasilkan R2 = 0,388. Sebuah p-
nilai kemudian dibangun olehmengubah selisih antara kuadrat
beberapa korelasi ke rasio-F dan menemukan nilai-p yang sesuai dengan
F ini.
Paling umum, untuk menguji hipotesis nol bahwa semua koefisien
regresi parsial untuk satu set anteseden dalam model regresi sama
dengan nol, rasio-F dihitung sebagai
() dfsisa
) (
2212 2
( =
R )R (2.1
F m,
sisa2
m 1 R2
di mana R2 dan R2 adalah korelasi ganda kuadrat2 untuk Model 1 dan
12
2, berturut-turut, Model 2 mencakup m variabel anteseden serta semua
variabel anteseden dalam Model 1, dan df residual2 adalah derajat
kebebasan residual untuk Model 2. Nilai-p untuk F diturunkan dari F(m,
df sisa2)
distribusi. Diterapkan pada contoh ini, R2 = 0,177, R2 = 0,388, m = 2, dan
12
dfsisa2= 809, dan seterusnya
9 Mediation, Moderation, and Conditional Process
F(2, 809) = 809 (0,388 0,177) = 139,632, p < .001
2 (1 0,388)
Fundamentals of Linear Regression 9
Proses Inferensi
Diskusi sebelumnya membahas tujuan inferensial dari analisis data
dalam hal populasi. Artinya, variasi pengambilan sampel menambahkan
perbedaan antara hubungan antara dua variabel yang diamati dalam
sampel dan hubungan yang sebenarnya dalam populasi. Asosiasi "sejati"
ini dikonseptualisasikan sebagai asosiasi yang akan diamati jika semua
anggota populasi yang menjadi tujuan inferensi memberikan data untuk
penelitian. Secara setara, itu dikonseptualisasikan sebagai asosiasi yang
akan diamati jika sampel berukuran tak terbatas, atau setidaknya sebesar
populasi itu sendiri. Terlepas dari itu, variasi sampel ke sampel yang
dihasilkan ketika menggunakan ukuran sampel yang lebih kecil dari
ukuran populasi dikonseptualisasikan sebagai karena proses
pengambilan sampel secara acak.
Mengingat bahwa sebagian besar peneliti tidak mengambil sampel
secara acak dari populasi tertentu ketika merekrut peserta penelitian,
beberapa telah mempertanyakan nilai model inferensi populasi dan
menganjurkan konseptualisasi alternatif dan teknik statistik. Ini bukan
tempat untuk membahas literatur besar dan menarik ini (lihat, misalnya
Bear, 1995; Berger, 2000; Edgington, 1964, 1978, 1995; Frick, 1998;
Kennedy, 1995; Ludbrook & Dudley, 1998; Lunneborg, 2000; May,
Masson, & Hunter, 1989; May & Hunter, 1993; Mook, 1987; Oja, 1987;
Still & White, 1981; ter Braak, 1992). Cukuplah untuk mengatakan bahwa
dalam pengalaman saya, sebagian besar peneliti menghargai bahwa
kesimpulan populasi jarang menjadi tujuannya, meskipun kadang-
kadang. Melainkan lebih sering,
These processes at work can be expressed in terms of true values or
parameters, such as Tbi, but these symbols mean something different
under a process model of inference. The true regression coefficient in
process inference terms can be thought of as a representation of the
mathematical weight given to the input Xi in the process that generates
the output Y. In the same way that a quality control expert observes only
some of the product coming off a production line, a researcher is privy to
only a subset of the outputs the process generates; outputs from the
process at work among those participants who were included in the
study and measured on the input and output variables. Importantly, bi
departs from Tbi because only a small subset of possible outputs from
the process has been observed. We try to infer Tbi from what is available
to us as researchers. We don’t need to assume what is available
represents a random sample from some population of outputs. Indeed, if
you think of the process as a production line, there is no defined
population to make an inference about, as the
Fundamentals of Linear Regression 9
Anda mungkin memiliki dua grup eksperimen dan grup kontrol dalam
sebuah variabel, dengan angka 0, 1, dan 2 yang mengkodekan ketiga grup
tersebut. Ketika variabel seperti ituadalah jenis daripada kuantitas, Anda
tidak bisa hanya memasukkan variabel seperti itu dalam model apa
adanya, karena program regresi akan menafsirkan angka sebagai
kuantitas. Prosedur khusus diperlukan untuk mewakili keanggotaan
dalam satu dari lebih dari dua kelompok.
Untuk memasukkan variabel anteseden multikategori yang mewakili
grup gdalam model regresi, itu harus diwakili dengan − variabel g 1
menggunakan salah satu dari berbagai sistem pengkodean kelompok
yang berbeda. Salah satu sistem populer untuk kelompok pengkodean
adalah pengkodean indikator,
− juga dikenal sebagai pengkodean dummy.
Dengan pengkodean indikator, variabel indikator g 1 yang berisi nol
atau satu mewakili kelompok g mana yang termasuk dalam kasus, dan
variabel indikator ini digunakan
− sebagai anteseden dalam model regresi.
Untuk menyusun kode indikator, buat g 1 variabel Di untuk setiap kasus
diset ke 1 jika kasus
− ada di grup i, jika tidak set Di ke nol. Prosedur ini
disajikan pada Tabel 2.1. Karena hanya variabel g 1 yang dibuat, salah
satu grup tidak menerima variabel indikatornya − sendiri. Sebaliknya,
seperti dapat dilihat, kelompok yang tidak mendapatkan indikatornya
sendiri menerima nol pada semua variabel indikator g 1 Di.
Misalnya, jika anteseden multikategori Anda mewakili tiga
kelompok, perkirakan
kamuˆ =b 0 +b1D1 + b2 D2
di mana D1 dan D2 adalah kode indikator seperti yang baru saja
dijelaskan. Dalam model ini, b1 adalah selisih Yˆ antara grup referensi
dan grup yang diset ke 1 pada D1. Demikian pula, b2 adalah selisih Yˆ
antara grup referensi dan grup yang diset ke 1 pada D2. Konstanta
regresi, b0 adalah Yˆ untuk grup referensi. Ini ternyata menjadi sarana
kelompok atau perbedaan antara sarana, seperti yang dibahas di bawah
ini.
Saya menggambarkan metode ini menggunakan data pemanasan
global. Dalam GLB-
Data HANGAT, ada variabel bernama PARTYID yang mengkodekan
apakah seseorang yang diidentifikasi sebagai Demokrat (1), Independen
(2), atau Republik (3). Dukungan rata-rata untuk tindakan pemerintah
dalam memitigasi dampak perubahan iklim adalah masing-masing
5,064, 4,605, dan 3,925 untuk ketiga kelompok ini. Kode di bawah ini
menyusun dua indikator, satu untuk Demokrat dan satu untuk
Republik, dengan Independen sebagai kategori referensi, dan kemudian
memperkirakan modelnya:
menghitung
d1=(partyid=1). hitung
9 Mediation, Moderation, and Conditional Process
Kelompok D1 D2 · ·· Di · ·· Dg1
110 · ·· 0 · ·· 0
201 · ·· 0 · ·· 0
.
saya 00 · ·· 1 ··· 0
.
g− 100 · ·· 0 ··· 1
g 00 · ·· 0 ·········0
atas potensi bahwa Anda telah melanggar satu atau lebih asumsi
tersebut. Kemungkinan besar Anda pernah melakukannya, bahkan jika
uji statistik dari asumsi yang mungkin Anda terapkan mengatakan
sebaliknya. Model statistik adalah alat yang kami gunakan untuk
membantu kami memahami data kami, dan mereka dapat memberi kami
wawasan yang hanya perkiraan realitas. Pertanyaannya bukanlah
apakah kita telah melanggar suatu asumsi, tetapi seberapa besar
kemungkinan melakukan hal itu akan menyesatkan kita ketika kita
menafsirkan hasil-hasil kita dan kesimpulan-kesimpulan yang kita buat
darinya. Regresi OLS banyak digunakan oleh para peneliti karena cukup
mudah untuk dipahami dan dijelaskan, diimplementasikan secara luas
dalam perangkat lunak yang tersedia, dan cenderung melakukan
pekerjaan yang mendekati kenyataan dengan baik jika digunakan secara
serius. Keuntungan dari regresi OLS jauh lebih besar daripada beberapa
biaya meninggalkannya untuk metode lain yang mungkin lebih baik
tetapi jauh lebih rumit dan kurang dipahami dengan baik. Yang pasti,
hormati kompleksitas dan properti data Anda dan lakukan yang terbaik
untuk menganalisisnya dengan metode yang paling cocok, tetapi jangan
terobsesi dengan setiap pelanggaran asumsi kecil. Sepanjang buku ini,
saya berasumsi bahwa Anda telah merenungkan kesesuaian regresi OLS
untuk masalah Anda dan telah memutuskan bahwa Anda merasa
nyaman dan ingin terus maju.
Linearitas
Saat menggunakan regresi OLS untuk memodelkan beberapa variabel
konsekuen dari minat Y, Anda harus bersedia mengasumsikan bahwa
hubungan antara variabel dalam model bersifat linier, atau setidaknya
mendekati linier. Koefisien regresi untuk Xi yang dihasilkan dengan
mengoptimalkan kecocokan model menggunakan kriteria kuadrat
terkecil mengkuantifikasi berapa banyak dua kasus yang berbeda satu
unit pada Xi tetapi sama pada semua anteseden lain dalam model yang
diperkirakan berbeda pada Y. Interpretasi ini adalah tidak dikondisikan
pada nilai tertentu dari Xi. Dengan kata lain, terlepas dari nilai Xi mana
yang Anda pilih, kasus dengan Xi = xi + 1 diperkirakan berbeda oleh unit
bi pada Y relatif terhadap kasus dengan Xi = xi. Asumsi ini akan
dilanggar jika, pada kenyataannya, perbedaan Y antara dua kasus yang
berbeda satu unit pada Xi bergantung pada Xi.
Asumsi linieritas penting karena jika dilanggar, ini membahayakan
kebermaknaan interpretasi koefisien regresi (misalnya, Darlington &
Hayes, 2017). Jika pada kenyataannya, perbedaan Y antara kasus yang
berbeda satu unit pada Xi bergantung pada Xi, maka bi bukanlah
deskripsi yang memadai di seluruh rentang Xi tentang bagaimana
1 Mediation, Moderation, and Conditional Process
perbedaan dalam Xi memetakan ke perbedaan di Y. Tentu saja, kami
tidak tahu kenyataan. Jika kita melakukannya, kita tidak perlu
membangun model dan membuat kesimpulan menggunakan model
seperti itu. Yang bisa kita lakukan hanyalah menggunakan data kita
untuk mencoba memodelkan seperti apa kenyataan itu. Untungnya,
kami juga dapat menggunakan data kami untuk menguji apakah asumsi
linearitas masuk akal mengingat data yang tersedia. Selain itu,
dimungkinkan untuk
Fundamentals of Linear Regression 1
Normalitas
Asumsi normalitas menyatakan bahwa kesalahan dalam estimasi
variabel konsekuen Y, yang dikondisikan pada Yˆ, terdistribusi normal.4
Asumsi ini adalah salah satu yang paling tidak penting dalam analisis
regresi linier. Sim-
penelitian ulation menunjukkan bahwa hanya pelanggaran paling parah dari
asumsi normalitas secara substansial mempengaruhi validitas kesimpulan
statistik darianalisis regresi kecuali ukuran sampelnya cukup kecil
(misalnya, Duncan & Layard, 1973; Edgell & Noon, 1984; Havlicek &
Peterson, 1977; Hayes, 1996). Namun, non-normalitas dapat
mempengaruhi varians sampling dalam beberapa keadaan sedemikian
rupa sehingga kekuatan pengujian hipotesis berkurang. Kekuatan uji
hipotesis adalah probabilitasnya dengan benar menolak hipotesis nol
yang salah.
Asumsi ini jarang ditemui dalam praktik terutama karena prosedur
pengukuran yang biasanya digunakan peneliti. Seringkali, skala
pengukuran dibatasi oleh nol, seperti ketika suatu variabel adalah
hitungan hal-hal (misalnya, berapa banyak teman baik yang dimiliki
seseorang, berapa banyak panggilan telepon yang dilakukan seseorang
hari ini, dll.). Skala pengukuran juga terkadang menghasilkan data
diskrit, artinya hanya beberapa nilai unik yang diamati pada skala
pengukuran. Contohnya adalah penggunaan skala 7 poin yang meminta
seseorang untuk mengevaluasi seberapa besar dia menyukai program
televisi, atau seberapa pemalunya dia. Secara teknis, distribusi normal
adalah distribusi kontinu, jadi tidak ada model variabel seperti itu yang
menggunakan regresi OLS yang akan menghasilkan kesalahan
pendugaan yang terdistribusi normal. Akhirnya, banyak jika tidak
sebagian besar hal yang peneliti pelajari dan ukur tidak terdistribusi
normal, meskipun ada klaim yang dibuat di banyak buku statistik
tentang distribusi normal di mana-mana (lih., Micceri, 1989). Saat
memodelkan variabel konsekuen yang tidak normal menggunakan
regresi OLS, kesalahan estimasi juga cenderung tidak normal.
Pelanggaran asumsi normalitas sudah pasti ketika menggunakan regresi
OLS.sion untuk menganalisis variabel konsekuen yang diskrit atau
terbatas pada ujung bawah atau atas skala pengukuran. Misalnya,
regresi OLS tidak ideal untuk memodelkan variabel konsekuen
dikotomis. Regresi logistik atau probit lebih tepat. Untuk skala ordinal
kasar dengan hanya beberapa kategori pengukuran, beberapa jenis
1 Mediation, Moderation, and Conditional Process
model regresi ordinal (misalnya,
4
Bertentangan dengan kepercayaan beberapa orang, asumsi normalitas tidak berkaitan
dengan distribusi Y itu sendiri atau prediktor Y dalam model regresi. Analisis regresi
tidak membuat asumsi tentang bentuk distribusi ini.
Fundamentals of Linear Regression 1
probit atau regresi logit ordinal) akan lebih disukai daripada regresi
OLS, meskipun ada beberapa perdebatan dalam literatur tentang
seberapa banyak kerusakan yang terjadi ketika memodelkan variabel
konsekuen yang diukur secara kasar dengan OLS. Hitung variabel
konsekuen lebih baik dianalisis dengan Poisson atau regresi binomial
negatif, tetapi sekali lagi, penggunaan OLS tidak jarang atau sama sekali
tidak tepat jika tindakan pencegahan tertentu diambil. Long (1997)
memberikan pengantar yang bagus untuk semua metode ini.
Homoskedastisitas
Asumsi homoskedastisitas adalah asumsi yang kompleks. Secara kasar
(walaupun tidak lengkap), ini menyatakan bahwa kesalahan dalam
estimasi Y sama-sama variabel yang dikondisikan pada Yˆ. Ketika
kondisi ini tidak terpenuhi, kesalahan dalam estimasi dikatakan
heteroskedastis. Heteroskedastisitas dapat mempengaruhi kedua
validitas
inferensi dan mengurangi kekuatan statistik uji hipotesis dan
mempengaruhi akurasi interval kepercayaan untuk koefisien regresi,
tergantung pada bentuk heteroskedastisitas. Penelitian simulasi
menunjukkan bahwa pelanggaran ringan terhadap asumsi
homoskedastisitas tidak terlalu menjadi perhatian (misalnya, Hayes,
1996), tetapi asumsi tersebut masih layak untuk ditanggapi dengan
serius. Ada beberapa tes informal homoskedastisitas, seperti eyeballing
sebuah petak sebar dari ituresidual as sebuah fungsi darikamu, sebagai
dengan baik sebagai beberapa resmi tes
dari hipotesis nol bahwa kesalahan dalam estimasi adalah
homoskedastis. Lihat Breusch dan Pagan (1979), Berry (1993), Cohen,
Cohen, West, dan Aiken (2003), Cook dan Weisberg (1983), Darlington
dan Hayes (2017), Downs dan Rocke (1979), Goldfeld dan Quandt
( 1965), dan White (1980) untuk membahas beberapa kondisi yang dapat
menghasilkan heteroskedastisitas dan berbagai pengujian asumsi ini.
Homoskedastisitas tidak diperlukan untuk penurunan koefisien
regresi. Agak heteroskedastisitas memberikan efeknya pada inferensi
melalui efeknya pada kesalahan standar koefisien regresi. Penaksir
kesalahan standar yang diprogram ke dalam sebagian besar rutinitas
regresi OLS didasarkan pada asumsi ini. Jika Anda memiliki alasan
untuk percaya bahwa asumsi homoskedastisitas telah dilanggar,
meningkatkan ukuran sampel tidak akan membantu seperti ketika
asumsi normalitas dilanggar (Hayes, 1996; Long & Ervin, 2000). Prosedur
PROCESS untuk SPSS dan SAS yang dijelaskan dalam buku ini
memberikan pilihan untuk penggunaan metode inferensial dalam
analisis regresi yang tidak mengasumsikan homoskedastisitas, seperti
1 Mediation, Moderation, and Conditional Process
penduga kovarians yang konsisten dengan heteroskedastisitas. Untuk
pengenalan dan diskusi singkat tentang estimator ini,
Fundamentals of Linear Regression 1
Kemerdekaan
Regresi OLS juga mengasumsikan kesalahan dalam estimasi secara
statistik independen. Dalam istilah yang paling dasar, dua hal adalah
independen jika informasi tentang yang satu tidak memberikan
informasi tentang yang lain. Jika kesalahan dalam pendugaan
independen, ini berarti bahwa untuk semua (i, j) pasangan pengamatan,
tidak ada informasi yang terkandung dalam kesalahan pendugaan Y
untuk kasus i yang dapat digunakan untuk menaksir kesalahan
pendugaan Y untuk kasus j.
Banyak proses dapat mengakibatkan pelanggaran independensi. Sebagai
contoh,himpunan bagian dari kasus dapat berbagi sesuatu yang terkait
dengan Y, dan kegagalan untuk memperhitungkan hal itu dalam model
dapat mengakibatkan kesalahan estimasi yang tidak independen.
Contohnya adalah studi yang didasarkan pada beberapa jenis prosedur
pengambilan sampel klaster. Dalam studi anak-anak usia sekolah,
misalnya, anak-anak sering dipilih untuk dimasukkan dalam penelitian
berdasarkan pengambilan sampel acak ruang kelas di sekolah atau di
daerah. Sepuluh dari anak-anak dalam penelitian ini mungkin siswa Mr.
Jones di Tremont Elementary, 10 mungkin dari kelas Mrs. Peterson di
Barrington Elementary, 20 lainnya mungkin berasal dari kamar Mrs.
Stewart di Hastings Elementary, dan seterusnya. Misalkan tujuannya
adalah untuk memperkirakan kinerja pada tes prestasi di seluruh negara
bagian dari berapa hari seorang anak tidak masuk sekolah. Masalahnya
adalah bahwa prestasi siswa di kelas tertentu tentu sebagian ditentukan
oleh seberapa baik guru dalam pekerjaannya, atau bagaimana anak-anak
ditugaskan ke guru. Jika Mr. Jones adalah guru yang sangat berbakat
dibandingkan dengan guru lain, atau mengajar anak-anak yang sangat
berbakat di sekolah, model tersebut mungkin akan cenderung
meremehkan kinerja siswanya yang relatif lebih banyak. Dengan kata
lain, kesalahan dalam estimasi akan cenderung positif untuk siswa di
kelas Mr. Jones dalam frekuensi relatif yang lebih besar daripada siswa
dari kelas lain. Ini akan menjadi pelanggaran terhadap asumsi
independensi. atau mengajar anak-anak yang sangat berbakat di sekolah,
modelnya mungkin akan cenderung meremehkan kinerja siswanya yang
relatif lebih banyak. Dengan kata lain, kesalahan dalam estimasi akan
cenderung positif untuk siswa di kelas Mr. Jones dalam frekuensi relatif
yang lebih besar daripada siswa dari kelas lain. Ini akan menjadi
pelanggaran terhadap asumsi independensi. atau mengajar anak-anak
yang sangat berbakat di sekolah, modelnya mungkin akan cenderung
meremehkan kinerja siswanya yang relatif lebih banyak. Dengan kata
lain, kesalahan dalam estimasi akan cenderung positif untuk siswa di
kelas Mr. Jones dalam frekuensi relatif yang lebih besar daripada siswa
1 Mediation, Moderation, and Conditional Process
dari kelas lain. Ini akan menjadi pelanggaran terhadap asumsi
independensi.
Contoh lain akan mengabaikan hubungan keluarga saat
menggunakan peserta dari keluarga yang sama. Misalkan, misalnya,
Anda ingin menguji hubungan antara pendapatan dan kepuasan
pernikahan dengan meminta 50 pasangan suami-istri untuk masing-
masing melaporkan seberapa puas mereka dalam pernikahan dan
berapa banyak uang yang mereka hasilkan. Jika Anda meregresi 100
pengukuran kepuasan pada 100 pengukuran pendapatan untuk menguji
hipotesis bahwa pendapatan dan kepuasan berhubungan positif,
hasilnya hampir pasti akan terkontaminasi oleh pelanggaran asumsi
independensi. Kepuasan satu orang dalam sebuah pernikahan hampir
pasti dapat diprediksi dari seberapa puas pasangannya. Akibatnya,
tanda-tanda kesalahan estimasi pasangan suami istri lebih cenderung
sama daripada berbeda.
Fundamentals of Linear Regression 1
Bagian II
MEDIASIAN
ALISIS
3
Model Mediasi Sederhana
77
78 Mediation, Moderation, and Conditional Process
X
kamu
& Fries, 2014), keselamatan kerja (misalnya, Morgan, Jones, & Harris,
2013), studi keluarga (misalnya, Bergman, Cummings, & Davies, 2014;
Waldinger & Schultz, 2016), studi wanita (misalnya, Mittal, Senn , &
Carey, 2013), dan perilaku organisasi, manajemen, dan pemasaran
(misalnya, Boren, 2014; Gao, Huang, & Simonson, 2014; Schaerer, Swaab,
& Galinsky, 2015) sastra, di antara banyak disiplin ilmu lainnya.
Memang, akan sulit untuk membaca literatur di banyak bidang tanpa
menemui model semacam ini yang dikembangkan dan diuji secara
empiris.
Alasan kedua untuk memahami model kausal tiga variabel yang
agak mendasar ini adalah bahwa prinsip-prinsip yang dijelaskan dalam
bab ini akan diterapkan nanti dalam buku ini untuk model yang lebih
kompleks yang juga sangat populer di banyak disiplin empiris. Jadi
pemahaman tentang konsep-konsep yang dibahas dalam bab ini
diperlukan untuk kemajuan lebih lanjut dalam buku ini dan untuk
memahami penelitian yang diterbitkan di bidang pilihan Anda.
Ketika memikirkan apakah suatu fenomena atau teori yang Anda
pelajari dapat dikonseptualisasikan sebagai proses mediasi, penting
untuk diingat bahwa mediasi pada akhirnya merupakan penjelasan
kausal. Diasumsikan bahwa hubungan dalam sistem adalah kausal, dan
yang penting, M terletak secara kausal antara X dan Y. Harus
diasumsikan, jika tidak juga dibuktikan secara empiris, bahwa X
menyebabkan M, yang pada gilirannya menyebabkan Y. M tidak
mungkin membawa efek X pada Y jika M tidak terletak secara kausal
antara X dan Y. Beberapa berpendapat bahwa tidak adanya data yang
memungkinkan seseorang untuk dengan yakin menyimpulkan sebab-
akibat, model mediasi tidak dapat dan tidak boleh diestimasi atau
diinterpretasikan. Saya telah mengartikulasikan perspektif saya tentang
hubungan antara statistik, desain penelitian, dan penyebab di Bab 1,
tetapi posisi saya layak untuk diulang di sini. Saya percaya bahwa
seseorang dapat melakukan analisis mediasi bahkan jika seseorang tidak
dapat secara tegas menetapkan kausalitas mengingat keterbatasan
pengumpulan data dan desain penelitiannya. Hal ini sering, bahkan
biasanya, kasus bahwa data yang tersedia untuk analisis tidak cocok
untuk klaim kausal tegas, mungkin karena data tersebut murni
korelasional, dikumpulkan pada satu titik waktu, dan tanpa manipulasi
eksperimental atau penugasan acak. Kadang-kadang teori atau argumen
yang kuat adalah satu-satunya landasan di mana klaim kausal dapat
dibangun mengingat keterbatasan data kita. Tetapi saya tidak melihat
masalah dalam melakukan jenis analisis yang saya jelaskan di sini dan
bab-bab berikutnya bahkan ketika klaim kausal bertumpu pada landasan
empiris yang goyah. Otak kitalah yang menafsirkan dan menempatkan
makna pada prosedur matematika yang digunakan, bukan prosedur itu
The Simple Mediation 85
sendiri.
dan model hubungan antar variabel.
86 Mediation, Moderation, and Conditional Process
M =aku+kapak+eM (3.1)
ka =iY+ckanX+bM+eY (3.2)
m
u
eM
1
M
ekamu
sebuah b
1
X c' kamu
c= ckan+ ab
masalah analitis seperti itu. Saya tidak membahas metode yang sesuai
dalam buku ini, karena ini adalah topik yang lebih maju, tetapi saya
menguraikan poin ini di bab terakhir dan memberikan beberapa
referensi.
kamu M kamu
REAKSI PMI disesuai
kan
Halaman depan (X=1) 3.746 5.853 3.616
Berarti
SD 1.452 1.267
eM
1
X kamu
c'= 0,254
COND REAKSI
GAMBAR 3.3.Model mediasi sederhana untuk studi pengaruh media yang diduga
dalam bentuk diagram statistik.
Analisis
data regresiproc
pendaftaran diringkas
= pmi; dalam Tabel 3.2, dan koefisien regresi
ditumpangkan pada diagram
model pmi=cond;model statistik
reaksi=cond model reaksi=cond;
pmi;model pada Gambar Lari; 3.3. Seperti
dapat dilihat, a = 0,477, b = 0,506, c′ = 0,254. Dalam hal persamaan 3.1 dan
3.2 tetapi menghilangkan istilah kesalahan dan dinyatakan dalam
estimasi M dan Y,
Mˆ =5.377 + 0.477X
kamuˆ =0,527 + 0,254X + 0,506M
Koefisien memberitahu kita bahwa dua kasus yang berbeda satu unit
pada X adalahdiperkirakan berbeda dengan a = 0,477 unit pada M. Jadi
mereka yang ditugaskan untuk kondisi halaman depan (X = 1), rata-rata,
0,477 unit lebih tinggi (karena a positif) dalam pengaruh media yang
mereka asumsikan daripada yang ditugaskan ke halaman interior
kondisi (X = 0). Seperti yang telah dibahas sebelumnya, karena grup
dikodekan pada X menggunakan selisih satuan tunggal, a adalah selisih
antara mean grup pada M: a = [M | (X = 1)] [M | (X = 0)]. Yaitu, a =
–− ≈
Mfront Minterior = 5.853 5.377 0.477 (selisih antara 0,477 dan 0,476
hanyalah hasil dari kesalahan pembulatan yang dihasilkan dengan
melakukan perhitungan ini dengan tangan hanya ke tempat desimal
ketiga).
Itukoefisien regresi untuk dugaan pengaruh media, b =
0,506,berarti bahwa dua orang ditugaskan pada kondisi eksperimen
yang sama (yaitu, setara pada X) tetapi berbeda satu unit dalam
pengaruh media yang mereka duga.
(M) diperkirakan berbeda 0,506 unit dalam niat membeli gula (Y). Itu
98 Mediation, Moderation, and Conditional Process
Akibat
M(PMI) kamu(REAKSI)
Kita dapat menempatkan nilai spesifik pada kedua cara ini dengan
memilih nilai M untuk mengkondisikan Y dan kemudian
memperkirakan Y dari X dan M menggunakan persamaan 3.2. Pilihan
yang masuk akal adalah mengkondisikan menjadi rata-rata pada
mediator, yang menghasilkan rata-rata yang disesuaikan untuk Y (lihat
Tabel 3.1), dilambangkan
∗
di sini sebagai Y :
∗
kamu = iY + bM + ckanX (3.6)
Misalnya,yang ditugaskan untuk kondisi halaman depan (X = 1)
tetapi siaparata-rata (M = 5,602) dalam pengaruh media yang diduga
diperkirakan memiliki skor
∗
kamu = 0,527 + 0,506(5,602) + 0,254(1) = 3,616
z}
The Simple Mediation 10
(YX=1 YX=0) = ∗
∗ X=0 ) + (MX=1 MX=0) b
(Y X –
z}
___________ ___________ ___________ ___________ _______________ _______________
z}
Efek total (c) Efek langsung tidak langsungefek (ab)
(ckan)
10 Mediation, Moderation, and Conditional Process
Di SAS,
prosesperintah yang setara adalah
y=reaksi/x=cond/m=pmi/total=1/normal=1/model=4/seed=31216.
Output
%prosesdari PROCESS versi SPSS dapat dilihat pada Gambar 3.4.
(data=pmi,y=reaksi,x=cond,m=pmi,total=1,normal=1,model=4,
Menggunakan regresi OLS, PROCESS model 4 mengestimasi persamaan
seed=31216);
3.1 dan 3.2 dan dengan demikian memberikan a, b, dan c′ bersama
dengan statistik regresi standar seperti R2 untuk masing-masing
persamaan. Ini juga membuat bagian output yang berisi efek langsung
dan tidak langsung dari X. Opsi total=1 menghasilkan output untuk c,
efek total X pada Y. Opsi tambahan dalam perintah ini dan fitur lain dari
PROCESS akan ditampilkan seperlunya di seluruh buku ini dan juga
dijelaskan dalam dokumentasi di Lampiran A dan B.
The Simple Mediation 10
Model: 4
Y : reaksi
X : kond
M : pmi
Ukuran
Sampel:
123
Kebiasaan
Benih: 31216 Benih angka acak
************************************************** ************************
VARIABEL HASIL:
pmi
Ringkasan
Model
************************************************** ************************
sebuah
VARIABEL HASIL: keluaran
reaksi
Model (persamaan
Ringkasan Model kopi
3.1)
se t p LLCI ULCI
RR-sqMSEFdf1df2
p Regresi OLS
.4538.20591.940415.55712.0000120.0000
.0000
c'
Model keluaran
(persamaan
kondisi
3.2)
konstan
kopi se t p LLCI ULCI
pmi
.5269 .5497 .9585 .3397 -.5615 1.6152
************************** MODEL EFEK TOTAL ********************* *******
b VARIABEL HASIL:
reaksi
Ringkasan Model
RR-sqMSEFdf1df2
p
Regresi
.1603.02572.36103.18971.0000121.0000 OLSkeluaran
.0766 (persamaan
c
Model 3.4)
coeffsetpLLCIULCI
konstan3.2500.190617.0525.00002.8727
3.6273
cond.4957.27751.7860.0766-.05381.0452
************** EFEK TOTAL, LANGSUNG, DAN TIDAK LANGSUNG DARI X TERHADAP Y **************
Memeng se Z p
tes sobel
aruhi
GAMBAR 3.4.Keluaran dari prosedur PROCESS untuk SPSS untuk media yang diduga
mempengaruhi analisis mediasi sederhana.
The Simple Mediation 10
Misalnya, dari hasil dugaan pengaruh media pada Tabel 3.2, a = 0,477, b
= 0,506, laut = 0,236, dan seb = 0,097. Memasukkan informasi ini ke dalam
persamaan 3.7 menghasilkan estimasi orde kedua dari kesalahan standar
dari efek tidak langsung
√
dasar laut= 0,47720,0972+ 0,50620.2362+ 0,23620,0972= 0,130
ab
=
Zdasar ,
laut
dan menurunkan proporsi distribusi normal standar yang lebih ekstrim
daripada Z. ±Untuk efek tidak langsung dalam studi pengaruh media
yang diduga, Z = 0,241/0,130 = 1,854. Tabel probabilitas normal dua sisi
untuk Z = 1,854 menghasilkan p = 0,064. Hasil tes ini dalam kegagalan
untuk menolak hipotesis nol dari tidak ada efek tidak langsung
menggunakan = 0,05 kriteria keputusan, meskipun beberapa mungkin
nyaman berbicara tentang ini sebagai bukti "yang signifikan secara
marginal" dari efek tidak langsung yang positif.
Jika Anda lebih suka interval kepercayaan daripada pengujian hipotesis
nol,dard error ab dapat digunakan untuk menghasilkan estimasi interval
untuk TaTb dengan mengasumsikan normalitas distribusi sampling ab
dan menerapkan persamaan 3.8:
abZci%seabTsebuahTbab+ Zci% laut (3.8)
di mana ci adalah kepercayaan yang diinginkan (misalnya, 95) dan
Zci% adalah nilai dari distribusi normal standar − di atas yang (100
ci)/2% persen daridistribusi berada. Untuk selang kepercayaan 95%, Z =
1,96. Dengan demikian,
0.014≤ TsebuahTb0.496
Jadi kita bisa yakin 95% bahwa TaTb berada di antara 0,014 dan−
0,496. Seperti halnya uji hipotesis nol, nol tidak dapat dikesampingkan
sebagai nilai yang masuk akal untuk TaTb, artinya kami tidak dapat
mengatakan secara pasti bahwa pengaruh tidak langsung lokasi artikel
terhadap niat membeli gula melalui dugaan pengaruh media berbeda
dari nol. Dengan kata lain, kita tidak dapat mengklaim bahwa dugaan
pengaruh media berfungsi sebagai mediator efek X pada Y menurut
pendekatan teori normal untuk menyimpulkan tentang efek tidak
langsung.
The Simple Mediation 11
Pendekatan teori normal dapat dilakukan dengan tangan dengan cukup
mudah, dansebagian besar program pemodelan persamaan struktural
(SEM) melakukan tes ini
11 Mediation, Moderation, and Conditional Process
1. Ambil sampel acak n kasus dari sampel asli, ambil sampel kasus tersebut
dengan penggantian, di mana n adalah ukuran sampel asli. Ini disebut
sampel bootstrap.
3. Ulangi (1) dan (2) di atas total k kali, di mana k adalah bilangan besar,
menyimpan nilai ab∗ setiap waktu. Umumnya, k dari setidaknya beberapa
ribu lebih disukai. Lebih dari 10.000 biasanya tidak diperlukan, tetapi
pada prinsipnya, semakin banyak semakin baik. Saya menggunakan 5.000
dalam semua contoh dalam buku ini.
4. Urutkan k efek tidak langsung ab∗ diperkirakan dari langkah (1), (2), dan
(3) dari rendah ke tinggi.
Untuk mengilustrasikan langkah (1), (2), dan (3) dari sampling dan
The Simple Mediation 11
estimasi bootstrap iniproses tion, Tabel 3.3 memberikan contoh skala
kecil. Misalkan Anda memiliki sampel n = 10 kasus dalam penelitian
yang diukur pada variabel X, M, dan Y,
11 Mediation, Moderation, and Conditional Process
dan Anda ingin membuat distribusi bootstrap sampling dari efek tidak
langsung X pada Y hingga M. Dengan menggunakan data asli di kolom
paling kiri tabel, efek tidak langsung yang diperoleh adalah ab = 0,770.
Ini adalah estimasi titik dari TaTb. Sebuah interval kepercayaan
bootstrap untuk TaTb dibangun dengan berulang kali mengambil
sampel acak ukuran n dari sampel asli, dengan penggantian, dan
memperkirakan efek tidak langsung di setiap sampel ulang. Kolom
tengah Tabel 3.3 berisi satu sampel bootstrap tersebut, yang
menghasilkan efek tidak langsung dari ab∗ = 0,526. Kolom paling kanan
berisi sampel bootstrap kedua dengan efek tidak langsung ab ∗ = 1,039.
Karena proses ini berulang-ulang,
Tabel ini juga menggambarkan arti dari random resampling dengan
replacement. Perhatikan dalam sampel bootstrap 1 bahwa kasus 2 dan 8
dari sampel asli keduanya muncul dua kali, tetapi karena keberuntungan
undian, kasus 7 dan 10 tidak muncul sama sekali. Demikian pula, sampel
bootstrap 2 memiliki kasus 8 dan 10 dari sampel asli yang muncul dua
kali, tetapi kasus 1 dan 9 tidak pernah muncul. Itulah sifat dari random
resampling dengan replacement. Proses ini memungkinkan sebuah
kasus muncul beberapa kali dalam sampel bootstrap dan diperlukan
dalam
The Simple Mediation 11
250
200
150
100
0,007 0,526
50
0
-.30
-.20 -.10 .00 .10 .20 .30 .40 .50 .60 .70 .80 .90 1.00
GAMBAR 3.5.Sebuah histogram dari 5.000 perkiraan bootstrap dari efek tidak langsung
dalam studi pengaruh media yang diduga.
dihitung sebelumnya tidak berjarak sama dari estimasi titik 0,241. Batas
bawah berjarak 0,241 0,007
− = 0,234 unit dari estimasi titik, dan batas atas
berjarak 0,526 0,241 = 0,285− unit. Hal ini bukan karena proses
pengambilan sampel ulang secara acak, melainkan mencerminkan
asimetri sebenarnya dari distribusi pengambilan sampel ab. Interval
kepercayaan (dan nilai-p) berdasarkan pendekatan teori normal untuk
inferensi, sebaliknya, memaksakan kendala simetri pada jarak ini. Titik
akhir dari interval kepercayaan 95% dengan menggunakan persamaan
3.8 selalu merupakan kesalahan standar 1,96 dari estimasi titik. Titik
akhir simetris di sekitar estimasi titik. Dengan demikian, interval
kepercayaan bootstrap persentil disebut "asimetris," sedangkan interval
kepercayaan teori normal adalah "simetris.
Bootstrap bukan satu-satunya pendekatan untuk membangun interval
kepercayaan asimetris. Interval kepercayaan Monte Carlo, seperti
bootstrap,are simulation-based. This approach relies on the fact that
though the dis- tribution of ab is not normal, the sampling distributions
of a and b tend to be nearly so. Furthermore, in simple mediation
analysis using OLS regression, a and b are independent across repeated
sampling (i.e., their covariance is zero). Thus, an empirical
approximation of the sampling distribution of ab can be generated by
randomly sampling values of a and b from normally distributed
populations with µ = a, σ = sea and µ = b, σ = seb, respectively, where a,
b, sea, and seb are the OLS regression coefficients and standard er- rors
from the mediation analysis. The sampled values of a and b are then
multiplied together to produce ab∗, and this process is repeated k times.
Over the k replications, the upper and lower bounds of the confidence in-
terval for ab can be generated using the procedure described in steps (4)
through (6) on page 98. A generic discussion of the Monte Carlo
approach to interval estimation can be found in Buckland (1984).
MacKinnon et al. (2004) and Preacher and Selig (2012) further describe
the application of this approach to mediation analysis. PROCESS
implements the Monte Carlo approach through the mc option, as
described in Appendix A. Appendix C describes another tool in the form
of a macro for SPSS and SAS that could be used to generate a Monte
Carlo confidence interval even when you don’t have the original data, as
PROCESS requires.
Distribusi pendekatan produk bergantung pada pendekatan
matematis dari distribusi sampling produk. Metode kompleks ini
menentang deskripsi nonmatematis. Cukup dikatakan bahwa itu
memerlukan transformasi ab ke metrik standar, menemukan nilai metrik
standar yang menentukan batas atas dan bawah dari
12 Mediation, Moderation, and Conditional Process
TABEL 3.4.95% Interval Keyakinan untuk Efek Tidak Langsung dalam Studi Pengaruh
Media yang Diduga
BawahAtas
MetodeLimitLimit
Normalteori0 .0140.496
Persentilbootstrap0.0070.526 −
monteCarlo0.0080.514
Distribusi dariproduk0.0110.514
perempuan (Kimki, Eshel, Zysberg, & Hantman, 2009; Webster & Saucier,
2011)atau Kaukasia daripada Asia (Woo, Brotto, & Gorzalka, 2011).
Bahkan dalam studi noneksperimental seperti ini, efek total, langsung,
dan tidak langsung dari X dapat dinyatakan dalam bentuk perbedaan Y
antara kedua kelompok, selama pengkodean X digunakan yang
mendukung interpretasi semacam itu.
Tentu saja, tidak semua agen penyebab yang diduga dalam model
mediasi berbentuk dikotomi. Misalnya, Gong, Shenkar, Luo, dan Nyaw
(2007) meneliti pengaruh jumlah mitra dalam usaha patungan terhadap
kinerja usaha baik secara langsung maupun tidak langsung melalui
kerjasama mitra. Landreville, Holbert, dan LaMarre (2010) mempelajari
pengaruh perbedaan individu dalam frekuensi menonton komedi larut
malam terhadap frekuensi pembicaraan politik selama kampanye politik.
Mereka bertanya apakah lebih sering menonton meningkatkan
pembicaraan politik sebagian dengan meningkatkan minat menonton
debat politik, yang pada gilirannya mendorong pembicaraan yang lebih
besar. Dan dalam penyelidikan pria dengan kanker prostat, Orom et al.
(2009) melaporkan bahwa pria yang relatif lebih optimis dalam
kepribadian mereka merasa lebih mudah untuk membuat keputusan
tentang pengobatan mereka, karena optimisme tersebut diterjemahkan
menjadi kepercayaan diri yang lebih besar tentang kemampuan
pengambilan keputusan mereka, yang membuatnya lebih mudah untuk
memutuskan. Dalam studi ini, jumlah mitra usaha patungan, optimisme
seseorang, dan seberapa sering seseorang melaporkan menonton komedi
larut malam diukur secara kuantitatif—sebagai masalah derajat—bukan
dalam istilah biner.
Ketika X adalah kontinum daripada dikotomi, efek total, langsung,
dan tidak langsung tidak dapat diungkapkan secara harfiah dalam hal
perbedaan rata-rata antara kelompok-kelompok diskrit dalam penelitian
ini. Memang, seringkali tidak ada dua orang dalam penelitian ini dengan
pengukuran yang persis sama pada X. Namun demikian, tidak ada
modifikasi yang diperlukan untuk matematika atau prosedur yang
dijelaskan dalam bagian 3.2 hingga 3.4 untuk memperkirakan efek ini,
dan interpretasi efek ini tetap tidak berubah. . Efek total dari X kontinu
pada beberapa hasil Y masih dipartisi secara bersih menjadi efek
langsung dan efek tidak langsung melalui mediator M, dan efek ini
dapat diperkirakan menggunakan prosedur analitis yang sama yang
dijelaskan sejauh ini.
Sebagai ilustrasi, saya menggunakan data dari studi tentang tekanan
ekonomi pada wirausahawan oleh Pollack et al. (2012) diperkenalkan di
Bab 1. File data yang sesuai dengan penelitian ini adalah ESTRESS dan
dapat diunduh dariwww.afhayes.com. Partisipan dalam penelitian ini
adalah 262 pengusaha yang tergabung dalam Business Networking
13 Mediation, Moderation, and Conditional Process
International, sebuah grup jejaring untuk pemilik usaha kecil, yang
menanggapi survei online tentang kinerja terkini bisnis mereka serta
reaksi emosional dan kognitif mereka terhadap iklim ekonomi. . Seperti
yang digambarkan pada Gambar 3.6, Pollack et al. (2012) mengusulkan
bahwa tekanan ekonomi (X) mengarah pada keinginan untuk tidak
setuju.
The Simple Mediation 13
eM
1
sebuah= 0,173MEMENGARUHI
b= 0,769 e
k
1
X kamu
c'=0,077
ESTRES MENARIK
GAMBAR 3.6.Model mediasi sederhana untuk studi stress ekonomi dalam bentuk
diagram statistik.
gage dari kegiatan kewirausahaan (Y) sebagai akibat dari efek tertekan
(M) stres tersebut menghasilkan, yang pada gilirannya mengarah pada
keinginan untuk melepaskan diri dari kewirausahaan. Lebih khusus lagi,
pengalaman stres menghasilkan perasaan putus asa dan putus asa, dan
semakin besar perasaan tertekan tersebut mempengaruhi, semakin besar
keinginan untuk menarik diri dari peran seseorang sebagai pemilik
usaha kecil untuk mengejar kegiatan kejuruan lainnya. Jadi efek depresi
dihipotesiskan sebagai mediator efek stres ekonomi pada niat penarikan.
Para peserta dalam penelitian ini (162 laki-laki, 100 perempuan) diminta
seripertanyaan tentang bagaimana mereka merasa bisnis mereka
lakukan. Tanggapan mereka digunakan untuk menyusun indeks
tekanan ekonomi (ESTRESS dalam file data, dengan skor tinggi
mencerminkan tekanan ekonomi yang lebih besar). Mereka juga ditanya
sejauh mana mereka memiliki berbagai perasaan yang berkaitan dengan
bisnis mereka, seperti "putus asa", "putus asa", "tidak berharga", dan
sejenisnya, yang agregasinya digunakan untuk mengukur dampak
depresi terkait bisnis (AFFECT dalam data, dengan skor yang lebih
tinggi mencerminkan efek yang lebih tertekan). Mereka juga ditanya satu
set pertanyaan untuk mengukur niat mereka untuk menarik diri dari
kewirausahaan di tahun berikutnya (MENARIK dalam data, dengan
skor yang lebih tinggi menunjukkan niat penarikan yang lebih besar).
Efek langsung dan tidak langsung dari tekanan ekonomi pada niat
penarikan diperkirakan seperti pada contoh sebelumnya dengan
dikotomi X. Mediator yang diusulkan, efek tertekan, diregresi pada
tekanan ekonomi (X) untuk menghasilkan a, dan niat penarikan mundur
pada kedua pengaruh tertekan dan tekanan ekonomi, yang
menghasilkan b dan c′, masing-masing. Dalam PROCESS, perintah
untuk memperkirakan model adalah
13 Mediation, Moderation, and Conditional Process
Model: 4
Y : menarik X
: estress M :
mempengaruhi
Ukuran
Sampel:
262
Kebiasaan
Benih: 100770 Benih angka acak
************************************************** ************************
VARIABEL HASIL:
memengaruhi
Ringkasan Model
R R-sq UMK F df1 df2 p
.3401 .1156 .4650 .0000
Regresi
33.9988 1.0000 260.0000
sebuah OLSkeluaran
Model (persamaan
kopi se t p LLCI ULCI
konstan .7994 .1433 5.5777 .0000 .5172 1.0816 3.1)
estres .1729 .0296 5.8308 .0000 .1145 .2313
************************************************** ************************
VARIABEL HASIL:
menarik
Ringkasan
Model
R R-sq UMK F df1 df2 p
.4247 .1804 1.2841 28.4946 2.0000 25.000.00 .0000
0
c' Regresi
Model
kopi se t p LLCI ULCI
OLSkeluaran
konstan 1.4471 .2520 5.7420 .0000 .9508 1.9433 (persamaan
estres -.0768 .0524 -1,4667 .1437 -1800 .0263 3.2)
Ringkasan
Model
R R-sq UMK F df1 df2 p Regresi
.0641 .0041 1,5543 1.0718 1.0000 260.0000 .3015 OLSkeluaran
c (persamaan
Model coeffsetpLLCIULCI
3.4)
konstan2.0619.26207.8691.00001.54592.5778
estress.0561.05421.0353.3015-.0506.1629
************** EFEK TOTAL, LANGSUNG, DAN TIDAK LANGSUNG DARI X TERHADAP Y **************
Akibat
M(MEMENGARUHI) kamu(MENARIK)
proses y=withdraw/x=estress/m=affect/total=1/model=4/seed=100770.
Output PROCESS dapat ditemukan pada Gambar 3.7 dan diringkas dalam
Tabel
3.5.%proses
Seperti(data=estress,y=withdraw,x=estress,m=affect,total=1,model=4,
dapat dilihat, a = 0,173, b = 0,769, dan − c′=0,077. Dalam
seed=100770);
bentuk dua model regresi OLS,
Mˆ =0,799 + 0,173X
kamuˆ =1,447−0.077X + 0,769M
4
Langkah-Langkah Kausal,
Pembaur, dan Urutan Kausal
113
11 Mediation, Moderation, and Conditional Process
berbeda dari nol. Mendukung poin ini, Kenny dan Judd (2014)
menunjukkan bahwa efek tidak langsung dari ukuran tertentu terkadang
lebih mudah dideteksi daripada efek total berukuran sebanding. Artinya,
pengujian efek tidak langsung umumnya lebih tinggi kekuatannya
daripada pengujian efek total dengan ukuran yang sama. Jadi mengapa
Anda ingin mengkondisikan pengujian efek tidak langsung pada
pengujian efek total ketika efek total kemungkinan akan diuji dengan
daya yang lebih kecil?
Situasi lain yang dapat menghasilkan efek total mendekati nol adalah
keberadaansubpopulasi di mana X memberikan efek yang berlawanan
pada Y. Misalnya, mungkin X mempengaruhi Y secara positif di antara
laki-laki tetapi secara negatif di antara perempuan, dan sesuatu harus
menjelaskan efek yang berbeda ini. Jika efeknya serupa besarnya dan
sampel dibagi rata antara kedua jenis kelamin, regresi Y pada X yang
tidak memperhitungkan perbedaan efek X pada Y antara pria dan
wanita dapat membawa Anda pada kesimpulan yang salah bahwa X
tidak berhubungan ke dan karena itu tidak mempengaruhi Y. Atau, bisa
jadi X tidak berhubungan dengan Y di antara beberapa orang tetapi
berhubungan positif dengan Y di antara orang lain. Jika ada cukup
banyak orang dalam sampel dalam kelompok pertama, hubungan antara
X dan Y akan diencerkan hingga sulit dideteksi tanpa sampel yang besar.
Intinya adalah bahwa adalah kesalahan untuk mengkondisikan
perburuan efek tidak langsung pada bukti efek total X, dan ada
konsensus umum di antara mereka yang berpikir tentang analisis
mediasi pada poin ini. Para peneliti yang menggunakan strategi
langkah-langkah kausal dan bersikeras pada efek total X yang signifikan
secara statistik sebelum memperkirakan dan menguji efek tidak
langsung akan berakhir dengan analisis data yang rendah. Mereka akan
gagal untuk mendeteksi efek tidak langsung ketika mereka ada dan
hasilnya akan menjadi pernyataan yang salah tentang proses
menghasilkan data. Lebih sedikit kesalahan inferensi akan dibuat dalam
jangka panjang jika strategi ini ditinggalkan.
Mediasi tanpa (atau bahkan dengan) bukti efek total dievaluasi oleh
beberapa peneliti menggunakan uji signifikansi bersama. Pengujian ini
mensyaratkan bahwa a dan b signifikan secara statistik untuk
mendukung klaim mediasi, tanpa persyaratan yang sesuai untuk c.
Metode ini membutuhkan dua pengujian (bukan hanya satu) dan tidak
menghasilkan estimasi interval dari ukuran ketidakpastian tidak
langsung atau lainnya. Dengan demikian, uji signifikansi bersama
melanggar prinsip akal sehat kedua dan ketiga. Variasi pada pendekatan
ini juga digunakan oleh beberapa orang untuk melakukan pengujian
efek tidak langsung (seperti menggunakan interval kepercayaan
bootstrap) hanya setelah menggunakan prosedur langkah-langkah
Causal Steps, Confounding, and Causal 12
kausal untuk menetapkan signifikansi statistik dari masing-masing jalur,
termasuk efek total (lihat , misalnya, Robinson & Sutin, 2017). Itu adalah,
memenuhi kriteria langkah-langkah kausal digunakan sebagai penjaga
gerbang untuk melakukan pengujian efek tidak langsung yang lebih
relevan. Ini hanyalah analisis data yang berlebihan, dan ini akan
menghasilkan pengurangan kekuatan statistik untuk mendeteksi
mediasi.
12 Mediation, Moderation, and Conditional Process
“Kriteria untuk melakukan mediasi” tidak lagi seperti itu. Ini adalah
pengujian efek tidak langsung yang penting, bukan pengujian pada jalur
individu dalam model.
Akhirnya, karena strategi langkah kausal tidak didasarkan pada
kuantifikasidari efek tidak langsung, ini mendorong peneliti untuk
berpikir tentang efek tidak langsung dan mediasi dalam istilah kualitatif
murni. Jika Anda berpikir dalam istilah ini, menjadi sulit untuk
menghibur dan menguji pertanyaan yang lebih halus tentang proses,
seperti apakah efek tidak langsung melalui satu mediator berbeda
ukurannya daripada efek tidak langsung melalui yang lain (seperti yang
dibahas dalam bagian 5.3). Pemikiran kualitatif seperti itu juga tidak
memungkinkan untuk mengkonseptualisasikan proses sebagai proses
yang dimoderasi, yang merupakan fokus dari beberapa bab terakhir
buku ini. Untuk menerapkan banyak metode yang dibahas nanti, perlu
untuk membiasakan berpikir tentang mediasi dalam istilah kuantitatif
daripada kualitatif murni.
penyidik B. Tetapi jika mediasi lengkap adalah klaim yang lebih baik
dan lebih diinginkan daripada mediasi parsial, ini berarti akan lebih baik
untuk membatasi ukuran sampel Anda sehingga Anda memiliki
kekuatan yang cukup untuk dapat mengklaim bahwa M adalah
mediator, tetapi tidak cukup untuk mendeteksi efek langsung. Dengan
kata lain, jika tujuan Anda adalah membangun mediasi lengkap,
sebaiknya gunakan ukuran sampel yang lebih kecil. Jelas, ini gila, dan ini
benar-benar bertentangan dengan apa yang umumnya kita yakini
tentang pengumpulan data—bahwa lebih banyak lebih baik.
Mediasi lengkap dan parsial adalah konsep yang mendarah daging
dalam pemikiran ilmuwan sosial dan perilaku. Tetapi saya hanya tidak
melihat apa yang mereka tawarkan kepada pemahaman kita tentang
suatu fenomena. Mereka terlalu bergantung pada ukuran sampel dan
perbedaan di antara mereka tidak memiliki makna atau nilai substantif
atau teoretis dari konsekuensi apa pun. Saya merekomendasikan untuk
menghindari pengungkapan hipotesis tentang mediasi atau hasil analisis
mediasi menggunakan istilah-istilah ini.
X kamu
q
'X ∑
kamu= iY + c + bM+ giCi+ eY
saya=1
eM
1
M MEMENGARUHI
ekamu
sebuah= 0,159 b= 0,707
1
C1
ESE
C2
SEKS C3
MASA JABATAN
GAMBAR 4.2.Diagram statistik model mediasi sederhana untuk studi tekanan ekonomi
dengan tiga kovariat.
%proses
(data=estress,y=withdraw,x=estress,m=affect,cov=kepemilika
TABEL 4.1.Koefisien Model untuk Analisis Mediasi Sederhana Stres Ekonomi dengan
Tiga Kovariat
Akibat
M(MEMENGARUHI) kamu(MENARIK)
AntesedenCoe ff. SEp coeff. SEp
Secara default, variabel apa pun dalam daftar kovariat akan dimasukkan
sebagai variabel anteseden tambahan dalam model masing-masing
konsekuensi. PROCESS memang menawarkan pilihan untuk
memasukkan kovariat dalam model hanya mediator, hanya Y, atau
mendistribusikan kovariat dalam berbagai cara di seluruh konsekuensi.
Lihat dokumentasi di Lampiran A, tetapi ketika opsi ini digunakan,
tidak lagi benar bahwa c = c′ + ab. Saya tidak merekomendasikan
mengganti default tanpa argumen berprinsip yang kuat. Jika Anda tidak
menyertakan kovariat di semua model konsekuen, Anda tidak akan
mengendalikannya sepenuhnya. Tetapi ada beberapa keadaan di mana
hal itu mungkin tepat untuk dilakukan.
Output PROCESS yang dihasilkan dapat ditemukan pada Gambar
4.3, dankoefisien model diringkas dalam Tabel 4.1 dan ditumpangkan
pada diagram statistik pada Gambar 4.2. Membandingkan output
PROCESS untuk model yang mengontrol jenis kelamin, masa kerja, dan
wiraswasta wirausaha dengan output yang tidak termasuk kontrol ini
(lihat Gambar 3.7), dapat dilihat bahwa secara substantif, tidak ada yang
benar-benar berubah. Bahkan setelah disesuaikan untuk kemungkinan
asosiasi palsu atau epifenomenal yang dihasilkan dari ketiga kovariat ini,
efek tidak langsung dari tekanan ekonomi pada niat penarikan melalui
efek tertekan adalah positif dan berbeda secara statistik dari nol
14 Mediation, Moderation, and Conditional Process
(perkiraan titik = 0,113, dengan kepercayaan bootstrap 95% interval 0,058
hingga 0,173). Efek langsungnya sedikit lebih kuat dari sebelumnya
Causal Steps, Confounding, and Causal 14
Model: 4
Y : menarik
X : estress
M :
mempengaruhi
Kovariat:
esextenure
Ukuran
Sampel:
262
Kebiasaan
Benih: 100770
************************************************** ************************
VARIABEL HASIL:
memengaruhi
Ringkasan Model
RR-sqMSEFdf1df2
p
.4039.1631.445212.52314.0000 OLS
257.0000 .0000
sebuah keluaran
Model regresi
coeffsetpLLCI
ULCIkonstan1.7855.30775.8033.00001.1796 (persamaa
estres .1593
2.3914
.0297 5.3612 .0000 .1008 .2179
n 4.2)
ese -.1549 .0444 -3.4892 .0006 -.2423 -.0675
seks .0148 .0857 .1726 .8631 -.1540 .1836
masa -.0108 .0063 -1.7227 .0861 -.0232 .0016
************************************************** ************************
VARIABEL HASIL:
menarik
Ringkasan Model
RR-sqMSEFdf1df2
p
.4539.20601.258613.28245.0000
256.0000 .0000 OLS
c'
Model
Ringkasan
Model
R R-sq UMK F df1 df2 p
.2550 .0650 1.4763 4.4667 4,0000 257.0000 .0017
c OLS
Model
kopi se t p LLCI ULCI regresi
estress.0191.0541.3535.7240-.0874.1257
konstan 4.0087 .5603 7.1548 .0000 2.9053 5.1120 keluaran
ese -.3216 .0808 -3,9789 .0001 -.4808 -.1624 (persamaa
n 4.1)
************** EFEK TOTAL, LANGSUNG, DAN TIDAK LANGSUNG DARI X TERHADAP Y **************
GAMBAR 4.3.Output dari prosedur PROCESS untuk SPSS untuk analisis mediasi
sederhana stres ekonomi dengan tiga kovariat.
Causal Steps, Confounding, and Causal 14
kontrol dalam arah negatif, tetapi masih tidak signifikan secara statistik
menurut standar yang umum digunakan,
− c′ = 0,094, p = 0,077.
Penggunaan opsi total=1 dalam PROCESS menghasilkan efek total X
pada Y sambil mengendalikan ecacy diri wirausaha, jenis kelamin, dan
kepemilikan. Amati bahwa efek totalnya adalah c = 0,019. Seperti yang
dijanjikan, total efek sama dengan jumlah efek langsung dan tidak
langsung dari X: c = c′ + ab = 0,019 =
0,113 + (− 0,094). Hubungan antara efek total, langsung, dan tidak
langsung dari X ini berlaku untuk model dengan kovariat selama
kovariat dimasukkan dalam persamaan untuk Y dan M.
Analisis semacam ini dapat dilakukan untuk melihat seberapa
sensitif atau rentan hasil dari analisis yang sebanding tanpa kontrol
tersebut terhadap penjelasan alternatif yang melibatkan variabel-variabel
yang dikendalikan, atau dapat dilakukan karena diketahui secara apriori
atau berdasarkan analisis awal. bahwa variabel-variabel tertentu
mungkin menghasilkan hubungan palsu antara variabel-variabel kunci
dalam sistem kausal. Mengesampingkan epifenomenalitas atau asosiasi
palsu sebagai penjelasan alternatif adalah bagian penting dari setiap
argumen kausal yang mencakup asosiasi yang hanya bersifat
korelasional. Namun, ini tidak berarti bahwa kita sekarang dapat
menafsirkan efek-efek ini secara tegas sebagai kausal. Tentu saja,
mungkin ada variabel pengganggu lain yang menghasilkan asosiasi
yang diamati antara X, M, dan Y yang belum diperhitungkan dalam
analisis ini. Ini adalah salah satu masalah dari pendekatan ini. Seseorang
hanya dapat menjelaskan potensi pengganggu yang telah diukur, dan
seseorang tidak akan pernah tahu apakah potensi pengganggu yang
benar, jika ada, telah dikontrol secara statistik. Yang terbaik yang dapat
dilakukan ketika interpretasi alternatif semacam itu mungkin ada untuk
suatu asosiasi adalah dengan mengantisipasi ancaman pengganggu
tersebut, mengukurnya selama penelitian, dan berharap tidak ada
kritikus yang dapat memahami variabel pengganggu alternatif yang
masuk akal yang tidak dapat Anda perhitungkan secara matematis.
analisis Anda.
Urutan kausal
Bahkan jika mungkin untuk mengantisipasi setiap kemungkinan yang
mengacaukan dan menghilangkanpengaruhnya pada asosiasi dalam
model mediasi, ini tidak menentukan arah urutan kausal. Mediasi adalah
proses kausal, dan di antara kriteria untuk mengklaim bahwa suatu
asosiasi adalah sebab-akibat adalah menetapkan bahwa penyebab
mendahului efek dalam waktu. Manipulasi eksperimental dan
penugasan acak ke X semuanya tetapi menjamin bahwa X mendahului
14 Mediation, Moderation, and Conditional Process
M dan Y dalam model mediasi. Ini karena penugasan acak sebagian
besar memastikan bahwa kelompok-kelompok yang mendefinisikan X
sama rata-rata pada M dan Y pada awal penelitian. Setiap perbedaan
yang diamati antara M dan Y setelah penugasan acak pasti terjadi setelah
penugasan kasus ke kelompok (dengan asumsi tidak ada kegagalan
penugasan acak untuk menyamakan
Causal Steps, Confounding, and Causal 14
kemungkinan jauh lebih lemah dan kurang pelit daripada teori yang
memprediksiXmenyebabkan M. Dalam salah satu dari kasus ini,
seseorang mungkin cukup nyaman dengan kemungkinan bahwa X
menyebabkan M daripada sebaliknya dan merasa tidak perlu untuk
membenarkan kemungkinan itu secara empiris.
Dalam upaya untuk mencari arah alternatif dari aliran kausal, satu
prosedur yang digunakan beberapa peneliti adalah memperkirakan
model mediasi yang sesuai dengan penjelasan alternatif untuk melihat
apakah efek langsung dan tidak langsung konsisten dengan apa yang
diprediksi oleh tatanan alternatif itu. Sebagai contoh, Shrum, Lee,
Burroughs, dan Rindfleisch (2011) mengusulkan bahwa orang-orang
yang terlibat dalam menonton televisi yang berat cenderung kurang
puas dengan kehidupan daripada pemirsa yang kurang sering karena
konsumsi televisi yang berlebihan mendorong nilai-nilai material, dan
materialisme semacam itu cenderung mengurangi kepuasan hidup
karena seseorang tidak dapat memperoleh barang yang diinginkannya.
Hasil analisis mediasi sederhana berdasarkan data dari survei terhadap
lebih dari 300 penduduk Amerika Serikat konsisten dengan proses ini.
Mereka menemukan efek tidak langsung negatif dari frekuensi
menonton televisi pada kepuasan hidup seperti yang diperkirakan,
tetapi tidak ada efek langsung. Artinya, orang yang melaporkan
menonton televisi relatif lebih cenderung lebih materialistis, dan
materialisme ini dikaitkan dengan berkurangnya kepuasan hidup.
Dengan menggunakan data yang sama, mereka juga menemukan model
alternatif di mana materialisme mempengaruhi kepuasan hidup secara
tidak langsung melalui frekuensi menonton televisi. Mereka tidak
menemukan bukti efek tidak langsung ketika model itu ditentukan
ulang dengan arah alternatif aliran sebab akibat ini. Dengan
menggunakan data yang sama, mereka juga menemukan model
alternatif di mana materialisme mempengaruhi kepuasan hidup secara
tidak langsung melalui frekuensi menonton televisi. Mereka tidak
menemukan bukti efek tidak langsung ketika model itu ditentukan
ulang dengan arah alternatif aliran sebab akibat ini. Dengan
menggunakan data yang sama, mereka juga menemukan model
alternatif di mana materialisme mempengaruhi kepuasan hidup secara
tidak langsung melalui frekuensi menonton televisi. Mereka tidak
menemukan bukti efek tidak langsung ketika model itu ditentukan
ulang dengan arah alternatif aliran sebab akibat ini.
Ketika prosedur ini diterapkan pada studi pengaruh media yang
diduga dengan memperlakukan dugaan pengaruh media sebagai hasil
akhir dan niat untuk membeli gula sebagai mediator, hasilnya tidak
konsisten dengan arah aliran kausal alternatif ini. Meskipun efek tidak
langsung dari lokasi artikel pada media yang diduga mempengaruhi
14 Mediation, Moderation, and Conditional Process
melalui niat untuk membeli gula memang positif (ab = 0,181), interval
kepercayaan bootstrap 95% (berdasarkan 5.000 sampel bootstrap)
mengangkangi nol (0,014 hingga 0,417), tidak seperti media yang diduga
pengaruh ditentukan sebagai mediator. Demikian pula, ketika tekanan
ekonomi ditentukan sebagai mediator dari efek penarikan niat pada efek
tertekan, tidak ada bukti dari proses tersebut di tempat kerja, sebagai
interval kepercayaan bootstrap untuk efek tidak langsung (ab = 0,012)
berisi nol ( 0,013 hingga 0,044).
Causal Steps, Confounding, and Causal 14
(2011), Oishi, Seol, Koo, dan Miao (2011), Usborne dan Taylor (2010), dan
de Zavala dan Cichocka (2011).
Hasil dari analisis yang baru saja dijelaskan tidak berarti menetapkan
dengan pasti bahwa arah arus sebab akibat seperti yang dikemukakan
oleh Pollack et al. (2012), Shrum et al. (2011), atau Tal-Or et al. (2010).
Membalikkan jalur kausal dalam model mediasi tidak akan membuat
Anda lebih dekat dengan "kebenaran" tentang arah sebab dan akibat,
karena model tersebut setara dalam arti bahwa model tersebut
menyiratkan hubungan yang sama antara variabel dalam model.
Memang, terkadang membalikkan jalan dalam hal ini bahkan dapat
menghasilkan kesimpulan yang berlawanan dengan kenyataan (Lemmer
& Gollwitzer, 2017). Pada akhirnya, hanya desain yang tepat yang
memberikan interpretasi kausal yang jelas untuk arah efek yang dapat
menyelesaikan masalah ini (lihat Thoemmes, 2015). Namun, Saya agak
kurang skeptis daripada yang lain tentang kegunaan praktik ini untuk
menyatukan argumen melawan setidaknya beberapa urutan kausal yang
bersaing yang diprediksi oleh akun teoretis alternatif dari proses di
tempat kerja. Ini adalah bagian penting dari penemuan ilmiah. Namun
terkadang estimasi setelah penataan ulang urutan kausal dengan cara ini
memang menghasilkan bukti yang konsisten dengan urutan kausal
alternatif (lihat, misalnya, Davydov, Shapiro, & Goldstein, 2010; Luksyte
& Avery, 2010; Morano, Colella, Robazza, Bortoli, & Capranica, 2011).
Ketika hal ini terjadi, yang tidak diragukan lagi cukup sering, datanya
tidak informatif tentang akun-akun yang bersaing tentang urutan sebab-
akibat, dan studi tambahan diperlukan dengan menggunakan desain
yang lebih baik dalam menetapkan arah sebab-akibat.
dan c′ = 0,077
− unit secara langsung, tidak bergantung pada pengaruh
tertekan. Tapi apakah?ini efek besar atau kecil? Mengingat sifat
sewenang-wenang dari skala pengukuran yang digunakan (tanggapan
terhadap skala penilaian yang dikumpulkan dari beberapa pertanyaan),
sulit untuk mengatakannya, karena metrik pengukuran tidak bermakna
secara inheren. Hal ini dapat diselesaikan sebagian dengan mengindeks
efek ini relatif terhadap variabilitas antara pengusaha dalam niat mereka
untuk menarik diri dari kegiatan yang berhubungan dengan bisnis. Efek
ini dapat dianggap cukup besar jika ada sedikit variasi dalam niat
penarikan, tetapi bisa sangat kecil jika ada banyak variasi.
Ukuran efek standar sebagian (lihat, misalnya, MacKinnon, 2008)
adalah transformasi efek yang mengekspresikannya relatif terhadap
standar deviasi Y daripada metrik asli Y, sehingga memberikan konteks
relatif terhadap variabilitas dalam hasil. Rumus untuk efek langsung dan
tidak langsung terstandar sebagian sederhana:
ckan
cps=
Skamu
ab
abps= SDY
These two measures are identical to the direct and indirect effects when
those effects are calculated using standardized regression coefficients (or
standardized X, M, and Y are used in the model rather than X, M, and Y
in
milik mereka asli metrik). Itu adalah, cckan s =c kan dan abc =a˜b ˜ (Lihat,
misalnya, Cheung, 2009;
Pengkhotbah & Hayes, 2008b).
15 Mediation, Moderation, and Conditional Process
Dalam studi tegangan ekonomi, SDX = 1,424, SDY = 1,248, c′ = 0,077,
ab =0,133, dan seterusnya cckan s =1.424 (0.077)/1.248= 0,088 dan abcs =
Causal Steps, Confounding, and Causal 15
1,424 (0,133)/1.248 = 0,152. Ini lebih besar daripada efek standar sebagian
karena mereka merujuk pada perbedaan standar deviasi Y antara dua
orang yang berbeda 1,424 unit pada X (yaitu, satu standar deviasi)
daripada hanya satu unit. Jadi jika pengusaha i adalah satu standar
deviasi lebih tinggi dalam tekanan ekonomi daripada pengusaha j,
pengusaha i diperkirakan 0,152 standar deviasi lebih tinggi dalam niat
penarikan sebagai akibat dari efek stres pada pengaruh yang pada
gilirannya mempengaruhi niat penarikan. Tetapi efek langsung menarik
perbedaan itu kembali ke nol, sebagai independen dari efek tertekan,
pengusaha yang lebih stres diperkirakan 0,088 standar deviasi lebih
rendah dalam niat penarikan. Seperti yang benar dengan efek standar
sebagian,
total efek:
X(c)
cc= SD = ccs+ abc
Skamu
Jadi efek langsung dan tidak langsung yang berlawanan diterjemahkan
ke dalam perkiraan − perbedaan 0,152 + ( 0,088) = 0,064 standar deviasi
dalam niat penarikan antara dua pengusaha yang berbeda dengan satu
standar deviasi dalam tekanan ekonomi. Efek total yang sepenuhnya
terstandarisasi juga setara dengan c˜, koefisien regresi standar untuk X
dalam model regresi sederhana yang memperkirakan Y dari X saja.
Efek yang sepenuhnya terstandarisasi umumnya tidak bermakna jika
X adalah variabel dikotomis. Masalah dengan penggunaannya dengan
dikotomi X adalah bahwa SDX dipengaruhi oleh distribusi kasus ke
dalam dua kelompok yang dikodekan dalam X (lihat bagian 2.4). Sebagai
contoh, jika n kasus dalam sampel terdistribusi secara merata antara dua
kelompok, dan dengan asumsi kelompok dikodekan dengan perbedaan
satu unit pada X, maka SDX = 0,50 (dalam sampel besar), dan cc′s dan
abcs akan menjadi setengah ukuran nilai standar sebagian yang sesuai.
Tetapi jika n kasus terdistribusi tidak merata antara kedua kelompok,
SDX akan lebih kecil dari 0,50, dan oleh karena itu juga akan c′cs dan
abcs, dan mereka akan lebih diskrepan dari c′ps dan abps.
Perbedaan antara sepenuhnya dan sebagian standar
efek itu sendiri tidak menjadi masalah. Apa masalahnya adalah bahwa
perbedaan rata-rata yang persis sama dalam Y dalam satuan standar
deviasi yang dihasilkan dari mekanisme langsung dan tidak langsung
(yang diukur c′ps dan abps) tergantung pada bagaimana kasus
didistribusikan ke dalam dua kelompok ketika benar-benar standar.
ukuran efek ukuran digunakan. Ukuran ukuran efek untuk X dikotomi
tidak boleh dipengaruhi dengan cara ini oleh sesuatu yang tidak secara
langsung terkait dengan ukuran perbedaan rata-rata. Jadi, saya tidak
dapat merekomendasikan penggunaan ukuran efek yang sepenuhnya
terstandarisasi ketika X adalah variabel dikotomis.
15 Mediation, Moderation, and Conditional Process
memiliki sampel yang cukup besar (minimal 500, menurut MacKinnon et al.,
1995)sebelum seseorang dapat memiliki banyak kepercayaan pada PM
sebagai deskripsi besarnya efek tidak langsung.
Rasio E . Tidak Langsungect ke Direct Effect. Variasi rasio efek tidak
langsung terhadap total adalah rasio efek tidak langsung terhadap efek
langsung, yang mengacu pada ukuran efek tidak langsung relatif terhadap efek
langsung
daripada efek total:
ab
RM= kan
c
RMhanyalah sebuah transformasi dari PM. Sebuah aljabar kecil
menunjukkan bahwa RM dapat dinyatakan dalam PM sebagai
PM
1=PM
RM
ab
κ2MAKSIMAL(ab)
=
di mana MAX(ab) adalah yang terbesar sehingga ab dapat diberikan
variabilitas yang diamatidari X, Y, dan M dan keterkaitannya dalam data.
2 terikat antara
0 dan 1, yang menjadikannya proporsi yang benar, tidak seperti ab/c dan
R2 .
Saya menyebutkan 2 karena gagasan untuk mengindeks obat tidak
langsung
ect relatif
terhadap nilai maksimum yang mungkin sangat menarik. Ide ini sudah memiliki
beberapa dukungan dalam analisis regresi, di mana korelasi (sebagian atau
sederhana) dapat diartikan sebagai seberapa besar hubungan relatif terhadap
Causal Steps, Confounding, and Causal 16
beberapa nilai maksimum yang mungkin (lihat Darlington & Hayes, 2017). Dan
Anda akan melihat beberapa orang menggunakan 2 dalam laporan ilmiah
mereka. Sayangnya, Wen dan Fan (2015) menunjukkan bahwa penurunan nilai
maksimum yang mungkin dari ab dalam penyebut 2 mengandung kesalahan
komputasi, sehingga implementasi
16 Mediation, Moderation, and Conditional Process
************** EFEK TOTAL, LANGSUNG, DAN TIDAK LANGSUNG DARI X TERHADAP Y **************
Memeng se t p LLCI ULCI c_ps c_cs
aruhi
.0561 .0542 1,0353 .3015 -.0506 .1629 .0450 .0641
Pengaruh total X terhadap Y
GAMBAR 4.4.Ukuran efek dengan interval kepercayaan bootstrap yang dihasilkan oleh
PROCESS untuk analisis mediasi sederhana tekanan ekonomi.
pekerjaan Anda didanai oleh orang lain selain Anda, dapat dianggap
sebagai pemborosan uang pemberi dana jika studi Anda tidak memiliki
kekuatan yang cukup untuk mendeteksi efek tidak langsung.
Secara pribadi, saya menemukan analisis kekuatan sedikit lebih dari
permainan semi-informasiyang kami mainkan, mengingat bahwa untuk
melakukan analisis kekuatan (setidaknya analisis kekuatan apriori),
Anda memerlukan lebih banyak informasi daripada yang mungkin
Anda miliki atau ketahui sebelum pengumpulan data. Dalam analisis
mediasi, masalah Anda dibuat lebih rumit oleh fakta bahwa efek tidak
langsung terbentuk sebagai produk dari dua efek tanpa cara yang
disepakati untuk mengukur besarnya efek tersebut atau produknya
(sesuatu yang perlu Anda lakukan untuk menilai kekuatan untuk
mendeteksi efek dari ukuran tertentu). Namun demikian, ada sedikit
literatur tentang kekuatan dan pemilihan ukuran sampel dalam analisis
mediasi, jadi jika kekuatan adalah sesuatu yang Anda pikirkan, Anda
mungkin ingin membiasakan diri dengan pendekatan untuk
memperkirakan kekuatan berbagai metode untuk mendeteksi efek tidak
langsung. Bacaan paling sederhana adalah Fritz dan MacKinnon (2007),
Beberapa Variabel X
Perhitungan efek langsung dan tidak langsung dalam model dengan
multiple
Xvariabel tidak memerlukan modifikasi pada prosedur yang dibahas sejauh
ini.
Causal Steps, Confounding, and Causal 16
eM
1
sebuah
1
b
ekamu
X1
c'1 1
. kamu
sebuah
k-1
.
. c'k-1
Xk-1
sebuah k
c'k
Xk
waktu yang sama. Keduanya tersingkir dan tidak ada yang pergi dengan
penampilan yang layak mendapatkan hadiah. Semakin kuat asosiasi
antara variabel dalam model, semakin besar potensi masalah seperti itu.
Akibatnya, seseorang dapat menemukan bahwa ketika dimasukkan
sebagai satu-satunya X, masing-masing variabel memberikan efek
langsung dan/atau tidak langsung pada Y hingga M, tetapi ketika
dipertimbangkan bersama-sama, tidak satu pun dari variabel tersebut
tampaknya memiliki efek sama sekali.
Di SAS,
proseskumpulan perintah yang iv3/model=4/seed=5235.
y=dv/x=iv1/m=med/cov=iv2 sesuai adalah
proses y=dv/x=iv2/m=med/cov=iv1 iv3/model=4/seed=5235.
proses y=dv/x=iv3/m=med/cov=iv1
%proses iv2/model=4/seed=5235.
(data=file data,y=dv,x=iv1,m=med,cov=iv2 iv3,model=4,
seed=5235);
%proses (data=file data,y=dv,x=iv2,m=med,cov=iv1 iv3,model=4,
seed=5235);
%proses (data=file data,y=dv,x=iv3,m=med,cov=iv1 iv2,model=4,
seed=5235);
17 Mediation, Moderation, and Conditional Process
eM
1
M
b1
kamu1 1
ekamu
sebuah 1
c'1
b2 kamu2 1
X ekamu
2
c'2 .
.
bk .
c'k
kamuk 1
e
k
Beberapa Variabel Y
Kadang-kadang peneliti tertarik pada efek langsung dan tidak langsung
dari beberapa anteseden kausal yang diduga pada beberapa variabel
hasil yang berbeda. Misalnya, Broeren, Muris, Bouwmeester, van der
Heijden, dan Abee (2011) memperkirakan efek langsung dan tidak
langsung dari neurotisisme (X) pada gejala kecemasan (Y1), gejala
depresi (Y2), dan kesulitan tidur (Y3) pada 158 anak-anak Belanda,
dengan kekhawatiran (M1) dan perenungan (M2) ditetapkan sebagai
mediator efek neurotisisme. Dan Webster dan Saucier (2011)
menemukan bukti bahwa setelah manipulasi arti-penting kematian,
perbedaan gender (X) antara laki-laki dan perempuan dalam
homonegativitas (Y1), penerimaan pembatasan kesempatan kerja bagi
laki-laki gay (Y2), dan prasangka efektif terhadap laki-laki gay (Y3)
dimediasi oleh penerimaan peran gender tradisional (M1) tetapi tidak
oleh empati (M2).
Model mediasi dengan variabel k Y ditampilkan dalam bentuk
diagram statistik pada Gambar 4.6. Pemeriksaan dekat model ini
menunjukkan bahwa itu benar-benar hanya k model mediasi sederhana
Causal Steps, Confounding, and Causal 17
dengan X umum dan
M. Karena Yi hanya ditentukan oleh X dan M, langsung dan tidak langsung
17 Mediation, Moderation, and Conditional Process
efek X pada Yi akan sama terlepas dari apakah mereka diestimasi secara
bersamaan dengan variabel k 1 − Y lainnya dalam model secara analitis
(yang akan membutuhkan program pemodelan persamaan struktural)
atau menggunakan k analisis terpisah, satu untuk setiap variabel Y.
PROCESS dapat digunakan untuk memperkirakan jalur dalam model
seperti pada Gambar 4.6 dengan menjalankan k perintah PROCESS,
mengganti satu variabel Y untuk yang lain pada setiap proses dan
menyemai generator angka acak dengan benih umum untuk bootstrap.
5
Lebih dari Satu Mediator
147
14 Mediation, Moderation, and Conditional Process
menentukan efek tidak langsung mana yang lebih kuat dari keduanya
(atau tiga, atau empat, tergantung pada kompleksitas model).
Dalam bab ini, saya memperluas prinsip-prinsip analisis jalur dan
inferensi yang dijelaskan dalam Bab 3 ke model dengan lebih dari satu
mediator. Saya fokus pada dua bentuk model mediator ganda yang
ditentukan oleh apakah mediator dihubungkan bersama dalam rantai
kausal (model mediator multipel serial) atau hanya diizinkan untuk
berkorelasi tetapi tidak secara kausal mempengaruhi mediator lain
dalam model (model mediator multipel paralel ). Saya juga membahas
model yang memadukan proses paralel dan serial.
Restrained
Eating
M1
Makan Emosional
M2
X kamu
Intervensi BobotKehila
(vs Kontrol) ngan
M3
Hambata
n yang
Dirasakan
untuk
Berolahra
ga
e
M
1
1
M1
sebuah eM b1
1 2
1
ekamu
sebuah2
M2 b2 1
X . kamu
.
c' . bk-1
sebuahk-1
.
Mk-1 bk
sebuahk
1
eMk-1
Mk
1
e
M
k
GAMBAR 5.2.Diagram statistik yang mewakili model beberapa mediator paralel dengank
mediator.
Seperti dapat dilihat pada Gambar 5.2, model mediator ganda paralel
dengan k mediator memiliki k + 1 variabel konsekuen (satu untuk
masing-masing k mediator M dan satu untuk Y) sehingga memerlukan
persamaan k + 1 untuk memperkirakan semua efek X pada Y. Persamaan
ini adalah
M1 =aku1+sebuah1X+eM1 (5.3)
M2 =aku2+sebuah2X+eM2 (5.4)
M3 =aku3+sebuah3X+eM3 (5.5)
ka =iY+ckanX+b1M1+b2M2+b3M3+eY (5.6)
mu
Dalam persamaan 5.3, 5.4, dan 5.5, a1, a2, dan a3 mengkuantifikasi
jumlah di mana dua kasus yang berbeda satu unit pada X diperkirakan
berbeda masing-masing pada M1, M2, dan M3. Dalam persamaan 5.6, b1
memperkirakan jumlah di mana dua kasus yang berbeda satu unit pada
M1 berbeda pada Y dengan mempertahankan M2, M3, dan X konstan.
Demikian pula, b2 memperkirakan jumlah di mana dua kasus yang
berbeda satu unit pada M2 berbeda pada Y dengan M1, M3, dan X
konstan, dan b3 memperkirakan jumlah di mana dua kasus yang
berbeda satu unit pada M3 berbeda pada Y dengan memegang M1 , M2,
dan X konstan. Akhirnya, c′ memperkirakan jumlah di mana dua kasus
yang berbeda satu unit pada X berbeda pada Y dengan memegang
konstanta M1, M2, dan M3.
Interpretasi ai dan c′ tidak bergantung pada skala pengukuran X.
Apakah X adalah variabel dikotomis atau kontinum, interpretasinya
sama. Namun, ketika X adalah variabel dikotomis dengan dua kelompok
yang dikodekan oleh perbedaan satu unit, ini dapat ditafsirkan sebagai
perbedaan rata-rata yang diperkirakan. Sebagai contoh, misalkan kedua
grup dikodekan dengan X = 0 atau X = 1. Dalam hal ini, ai = [Mi | (X = 1)]
[Mi | (X = 0)],∗ dan c′ = [Y (X =∗1)] [Y (X = 0)], di mana Y adalah rata-rata
yang disesuaikan |
|
sebagaimana didefinisikan pada halaman 90, dengan semua mediator
diatur ke sampel mereka berarti:
∗ ∑k
kamu = iY + ckanX+ biMi.
s
ke Y melalui Mi. Yang pertama dari jalur ini adalah efek dari X ke Mi, dan
yang kedua adalah jalur dari Mi ke Y. Koefisien regresi yang sesuai
dengan jalur ini, ketika dikalikan bersama, menghasilkan efek tidak
langsung spesifik dari X pada Y melalui Mi. Jadi pertimbangkan model
mediator ganda paralel tiga-mediator yang diestimasi dengan persamaan
5.3 sampai 5.6. Dalam model ini, pengaruh tidak langsung spesifik X pada
Y melalui M1 adalah a1b1, efek tidak langsung spesifik melalui M2 adalah
a2b2, dan efek tidak langsung spesifik X melalui M3 adalah a3b3. Paling
umum, terlepas dari jumlah mediator, efek tidak langsung spesifik dari X
pada Y melalui Mi diperkirakan sebagai aibi dari persamaan 5.1 dan 5.2.
Efek tidak langsung spesifik diinterpretasikan sama seperti dalam model
mediasi sederhana, kecuali dengan tambahan “pengendalian untuk
semua mediator lain dalam model”. Dengan demikian,
mempengaruhi Y, membuat semua mediator lainnya konstan.
Ketika ditambahkan bersama-sama, efek tidak langsung spesifik
menghasilkan efek tidak langsung total X pada Y melalui semua
mediator dalam model. Dalam model dengan k mediator:
k
∑
Total pengaruh tidak langsung X terhadap Y= aibi
saya=1
Misalnya, dalam model mediator ganda paralel dengan tiga mediator
yang diwakili oleh persamaan 5.3 sampai 5.6, total efek tidak langsung
dari X pada Y adalah a1b1 + a2b2 + a3b3.
Efek langsung dari X mengkuantifikasi berapa banyak dua kasus
yang berbeda satu unit pada X diperkirakan berbeda pada Y terlepas
dari semua mediator. Seperti dibahas sebelumnya, ini adalah c′ dalam
model Y dari X dan semua mediator (misalnya, persamaan 5.6 untuk
model tiga-mediator, atau persamaan 5.2 lebih umum). Seperti pada
model mediasi sederhana, jumlah efek langsung dan tidak langsung
adalah total efek X.Di model dengan k mediator, dari
koefisien dalam persamaan 5.1 dan 5.2,
k
∑
c= ckan+ aibi (5.7)
saya=1
di mana c adalah efek total dari X. Efek total juga dapat diperkirakan
dengan meregresi Y pada X saja (seperti dalam persamaan 3.4).
Misalnya, dalam model tiga mediator, c = c′ + a1b1 + a2b2 + a3b3.
Isolasi total efek tidak langsung pada persamaan 5.7 menunjukkan
bahwa total efek tidak langsung sama dengan selisih antara total dan
efek langsung X:
k
kan
∑aibi=cc
−
15 Mediation, Moderation, and Conditional Process
saya=1
More Than One 15