Untitled

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
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
MELAKUKAN MEDIASI DAN MODERASI STATISTIK

Paul E. Jose
PEMODELAN PERSAMAAN STRUKTUR LONGITUDINAL

Todd D. Little
STATISTIK BAYESIAN UNTUK ILMU SOSIAL

David Kaplan
ANALISIS FAKTOR KONFIRMASI UNTUK PENELITIAN TERAPAN, EDISI KEDUA

Timotius A. Brown
PRINSIP DAN PRAKTEK PEMODELAN PERSAMAAN STRUKTURAL EDISI

KEEMPAT
Rex B. Kline
PENGUJIAN HIPOTESIS DAN PEMILIHAN MODEL DALAM ILMU IPS

David L. Weakliem
ANALISIS REGRESI DAN MODEL LINIER: KONSEP, APLIKASI, DAN

IMPLEMENTASI
RichardB. Darlington dan Andrew F. Hayes
PEMODELAN PERTUMBUHAN: PERSAMAAN STRUKTURAL DAN PENDEKATAN PEMODELAN

MULTILEVEL
Kevin J. Grimm, Nilam Ram, dan Ryne Estabrook
METODE PSIKHOMETRIK: TEORI KE PRAKTEK

Larry R. Price
PENGANTAR MEDIASI, MODERASI, DAN ANALISIS PROSES KONDISI, EDISI

KEDUA: PENDEKATAN BERBASIS REGRESI
Andrew F. Hayes
TEORI PENGUKURAN DAN APLIKASINYA UNTUK ILMU SOSIAL

Deborah L. Bandalos
Perkenalan pada
Mediasi, Moderasi, dan
Analisis Proses Bersyarat
Pendekatan Berbasis Regresi
S E CONDEDI TI ON
andrewF. Hayes
Catatan Editor Seri oleh Todd D. Little
PERS GUILFORD
BaruYorkLondon
Hak Cipta © 2018 The Guilford Press
Divisi Publikasi Guilford, Inc.
370 Seventh Avenue Suite1200, New York, NY 10001-
1020www.guilford.com
Seluruh hak cipta
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.
Dicetak di Amerika Serikat Buku ini
dicetak di atas kertas bebas asam.
Digit terakhir adalah nomor cetak: 9 8 7 6 5 4 3 2 1
Library of Congress Katalogisasi-dalam-Publikasi Data
Nama: Hayes, Andrew F., penulis.

Judul: Pengantar mediasi, moderasi, dan analisis proses bersyarat :
pendekatan berbasis regresi / Andrew F. Hayes.
Deskripsi: Edisi kedua. | New York : Guilford Press, [2018] | Seri:
Metodologi dalam ilmu sosial | Termasuk referensi bibliografi dan indeks.
Pengidentifikasi: LCCN 2017039263 | ISBN 9781462534654 (sampul keras)
Subyek: LCSH: Ilmu sosial—Metode statistik. | Mediasi (Statistik) |
Analisis regresi.
Klasifikasi: LCC HA31.3 .H39 2018 | DDC 001.4/22—dc23
Catatan LC tersedia di https://lccn.loc.gov/2017039263
Catatan Editor Seri
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
telah berkembang dan kemana tujuan kita. Presentasi Andy tentang

ujung tombak tentang topik-topik ini mudah diikuti dan dipahami.
Dimulai dengan tinjauan regresi kuadrat terkecil biasa, buku ini
mencakup estimasi dan perhitungan efek langsung dan tidak langsung
dalam analisis mediasi, metode inferensi modern tentang efek tidak
langsung, model dengan beberapa mediator, memperkirakan dan
menyelidiki interaksi dalam analisis moderasi, efek langsung dan tidak
langsung bersyarat, pengujian mediasi yang dimoderasi, dan topik lain
yang berkaitan dengan eksplorasi, kuantifikasi, dan menjawab
pertanyaan tentang mekanisme dan kemungkinan efek terkait proses.
Andy merinci setiap langkah analisis menggunakan contoh data nyata
beserta tip menulis dan melaporkan analisis mediasi, analisis moderasi,
dan model proses bersyarat. Peneliti terapan akan menikmati pekerjaan
ini sebagai sumber referensi tentang cara menguji dan melaporkan
pengujian mediasi dan moderasi mereka. Andy memberi kami panduan
yang mudah diikuti untuk teknik yang memungkinkan kita masing-
masing menavigasi web kusut dari pertanyaan penelitian yang
disempurnakan saat ini.
Andy adalah seorang komunikator yang hebat. Dia mengajar banyak
lokakarya dan kursus singkat tentang mediasi dan moderasi. Popularitas
bengkel-bengkelnya merupakan bukti perangkat didaktik yang diasah
dengan baik yang telah ia sempurnakan dan yang akan Anda temukan
disajikan di seluruh bukunya. Seperti yang akan Anda temukan, tidak
ada topik atau masalah yang penting untuk menerapkan analisis mediasi
atau moderasi secara akurat. Andy menyajikan semuanya dan
menutupinya secara menyeluruh, jelas, dan memuaskan. Makanan
penutup untuk hidangan intelektual ini hadir dalam bentuk elemen
manis yang disediakan Andy di seluruh bukunya. Kecerdasan dan
kebijaksanaannya meresapi sumber daya ini. Ini adalah pekerjaan yang
penting dan mudah untuk dinikmati.
Saat Anda membaca dan mulai memahami sepenuhnya nuansa
dalam menggunakan prosedur ini, Anda juga akan mencantumkan
Andrew Hayes sebagai MVM (ahli metodologi paling berharga). Sebagai
MVM, Andy telah membuat sumber daya yang akan menjadi bahan
pokok di perpustakaan pribadi setiap peneliti yang serius. Ini akan
menjadi panduan pribadi Anda untuk bertanya dan menjawab
gelombang baru pertanyaan penelitian yang kompleks. Dengan jawaban
yang lebih baik untuk pertanyaan yang lebih baik, kita semua akan
menjadi lebih baik.
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
Baik peneliti substantif maupun ahli metodologi baru-baru ini

menyadari bahwa analisis yang berfokus pada menjawab hanya
bagaimana atau kapan pertanyaan akan menjadi tidak lengkap.
Pemahaman yang lebih halus tentang suatu fenomena berasal dari
pengungkapan dan penggambaran kemungkinan mekanisme—“kapan
dari bagaimana.” Integrasi analitis dari analisis moderasi dan mediasi
disorot dalam beberapa karya paling awal tentang analisis mediasi, tetapi
hanya dalam 10 tahun terakhir ini para ahli metodologi mulai berbicara
lebih luas tentang bagaimana melakukannya. Dijelaskan menggunakan
istilah yang mudah membingungkan seperti mediasi yang dimoderasi
dan moderasi yang dimediasi, tujuannya adalah untuk mengukur dan
menguji hipotesis secara empiris tentang sifat kontingen dari mekanisme
dimana X memberikan pengaruhnya pada Y. Misalnya, analisis semacam
itu dapat digunakan untuk menetapkan sejauh mana pengaruh
permainan video game kekerasan terhadap perilaku agresif melalui
mekanisme ekspektasi tentang perilaku agresif orang lain tergantung
pada usia, jenis kelamin, jenis permainan (misalnya, first-person shooter
permainan relatif terhadap bentuk lain dari permainan kekerasan), atau
kemampuan pemain untuk mengelola kemarahan. Hal ini dapat dicapai
dengan menyatukan estimasi parameter dari analisis mediasi dengan
estimasi parameter dari analisis moderasi dan menggabungkan estimasi
ini dengan cara yang mengukur kondisionalitas berbagai jalur pengaruh
dari X ke Y. game first-person shooter relatif terhadap bentuk lain dari
game kekerasan), atau kemampuan pemain untuk mengelola kemarahan.
Hal ini dapat dicapai dengan menyatukan estimasi parameter dari
analisis mediasi dengan estimasi parameter dari analisis moderasi dan
menggabungkan estimasi ini dengan cara yang mengukur
kondisionalitas berbagai jalur pengaruh dari X ke Y. game first-person
shooter relatif terhadap bentuk lain dari game kekerasan), atau
kemampuan pemain untuk mengelola kemarahan. Hal ini dapat dicapai
dengan menyatukan estimasi parameter dari analisis mediasi dengan
estimasi parameter dari analisis moderasi dan menggabungkan estimasi
ini dengan cara yang mengukur kondisionalitas berbagai jalur pengaruh
dari X ke Y.
Analisis mediasi dan moderasi adalah dua dari metode statistik yang
lebih banyak digunakan dalam ilmu sosial, perilaku, dan kesehatan, serta
bisnis, kedokteran, dan bidang lainnya. Beberapa makalah yang paling
banyak dikutip dalam metodologi ilmu sosial abad ini adalah tentang
mediasi atau analisis moderasi. Memang, akhir-akhir ini hampir menjadi
keharusan bagi para pembaca dan produser penelitian untuk memahami
perbedaan antara konsep-konsep ini dan mengetahui bagaimana
menerapkan analisis moderasi dan mediasi dalam karya mereka sendiri.
Buku yang Anda pegang sekarang adalah salah satu dari sedikit
perawatan sepanjang buku yang mencakup analisis statistik dari kedua
mekanisme dan kontinjensi. Isi buku ini, diuji di kelas dalam kursus
universitas dan lokakarya yang telah saya lakukan di seluruh dunia
selama beberapa tahun terakhir, mencakup dasar-dasar analisis mediasi
dan moderasi serta integrasinya dalam bentuk analisis proses bersyarat,
istilah yang saya perkenalkan pada edisi pertama. Setelah Anda
membalik halaman terakhir, Anda akan siap untuk melakukan analisis
seperti yang Anda lihat di sini dan menjelaskan analisis tersebut dalam
penelitian Anda sendiri.
Ini adalah buku pengantar, di mana saya hanya membahas prinsip-
prinsip dasar di sini, terutama menggunakan data dari studi
eksperimental sederhana atau studi cross-sectional dari jenis yang
tercakup dalam sebagian besar statistik dasar dan kursus desain
penelitian. Saya tidak memberikan banyak cakupan penelitian
longitudinal, analisis multi-level, variabel laten, tindakan berulang, atau
analisis hasil kategoris, misalnya, meskipun saya menyentuh topik ini di
akhir.
kata 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
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
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.
Baru di Edisi Ini
Anda memegang edisi kedua Pengantar Mediasi, Moderasi, dan Analisis

Proses Bersyarat. Edisi baru ini lebih panjang sekitar 200 halaman
daripada edisi pertama yang dirilis pada tahun 2013. Halaman tambahan
mencakup beberapa bab baru, lampiran lain, dan berbagai bagian baru
yang tersebar di seluruh buku. Selain itu, beberapa bagian bab dari edisi
pertama direorganisasi atau dipindahkan ke bab yang berbeda. Mungkin
yang paling signifikan, contoh analisis menggunakan PROCESS telah
dimodifikasi untuk mencerminkan perubahan pada sintaks dan fitur
dengan dirilisnya PROCESS versi 3 dengan buku ini. Di bawah ini adalah
daftar perubahan yang tidak lengkap dalam edisi ini:
 Sebuah tinjauan analisis regresi kental dalam Bab 2 (disingkat dari

dua bab).
 Keluaran PROCESS beranotasi di seluruh buku untuk
memudahkan menemukan bagian keluaran yang relevan sesuai
x Kata
dengan pembahasan dalam buku.
 Lampiran A yang ditulis ulang secara substansial untuk
mencerminkan perubahan pada sintaks, opsi, dan default di
PROCESS versi 3 dibandingkan dengan versi 2.
Kata xv
pengant
 Diagram konseptual yang dimodifikasi di bagian template
Lampiran A, bersama dengan penambahan 13 model terprogram
baru ke PROCESS yang menggabungkan mediasi serial dan paralel
dan yang memperkirakan model mediasi serial yang dimoderasi.
 Lampiran B baru yang menjelaskan cara membuat model dalam
PROSES dari awal serta cara mengedit model bernomor yang telah
diprogram sebelumnya.
 Contoh data nyata baru dari studi eksperimental yang diterbitkan
oleh Chapman dan Lickel (2016) dan digunakan dalam Bab 7, 8,
dan 12.
 Kode R dalam beberapa bab untuk memvisualisasikan interaksi,
plot Johnson– Neyman, dan plot hubungan antara efek tidak
langsung dan moderator.
 Bagian baru tentang model yang menggabungkan mediasi paralel
dan serial (bagian 5.5).
 Perubahan dalam diskusi tentang ukuran efek dalam analisis
mediasi yang sesuai dengan yang sekarang tersedia dalam
keluaran PROCESS (bagian 4.3).
 Bab baru tentang analisis mediasi dengan variabel anteseden
multikategori (Bab 6).
 Bagian baru tentang perbedaan antara menguji interaksi dan
menyelidiki interaksi (bagian 7.5).
 Bagian baru tentang bahaya pemusatan manual dan variabel
standarisasi (bagian 9.3).
 Bagian baru tentang pengujian perbedaan antara efek bersyarat
dalam model dengan lebih dari satu moderator (bagian 9.5).
 Bab baru tentang analisis moderasi dengan variabel anteseden atau
moderator multikategori (Bab 10).
 Fokus baru dalam bab tentang analisis proses bersyarat pada uji
formal moderasi efek tidak langsung menggunakan indeks mediasi
yang dimoderasi (Hayes, 2015).
 Bab baru tentang analisis proses bersyarat dengan variabel
anteseden multikategori (Bab 13).
 Bab terakhir yang diperluas tentang berbagai masalah dan
pertanyaan yang sering diajukan, termasuk beberapa panduan
tentang analisis data tindakan berulang dan referensi untuk
dikonsultasikan ketika memodelkan variabel yang diskrit dan
dianalisis lebih baik dengan sesuatu selain regresi kuadrat terkecil
biasa.
x Kata
ucapan terima kasih

Saya mulai menulis buku ini jauh sebelum kata pertama diketik.
Beberapa tahun yang lalu, saya mulai menerima undangan dari orang-
orang yang dulu tidak dikenal, banyak di antaranya sekarang adalah
rekan kerja dan teman, untuk datang berbicara tentang topik makalah
yang saya terbitkan atau mengadakan lokakarya tentang materi yang
berkaitan dengan buku ini. Undangan ini memungkinkan saya untuk
berinteraksi dengan orang-orang yang mungkin tidak akan pernah saya
kenal. Berbicara kepada audiens yang beragam dalam latar belakang dan
minat telah memberikan sarana untuk menyempurnakan dan mengasah
pesan saya seiring dengan berkembangnya ide dan filosofi saya tentang
isi buku ini. Tanpa undangan itu, keramahtamahan tuan rumah, dan
pengorbanan waktu yang mereka lakukan untuk mengatur dan
mengoordinasikan kunjungan saya, buku ini tidak akan seperti apa
adanya, juga tidak akan berevolusi dari edisi pertama ke edisi kedua
seperti yang telah terjadi. Jadi saya mengucapkan terima kasih kepada
Paul Allison, H. Onur Bodur, Leslie Booren, Adrian Brügger, Jonathan
Cohen, Roberta Crouch, Grete Dyb, Truls Erikson, Joseph Fletcher, Shira
Dvir Gvirsman, Tilo Hartmann, Kristina Klein, Hans-Joachim Knopf,
Catherine Lamberton, Todd D. Little, Kelley Main, Jörg Matthes, Osvaldo
Morera, Peter Neijens, Harmen Oppewal, Deirdre O'Shea, Jochen Peter,
Torsten Pieper, Carolin Plewa, Nicolas Pontes, Michelle Salyers, Jennifer
Skeem, Graham Stead, Toon Taris, Annika Tovote, Gülden lkümen, Jens
Vogelgesang, Claes de Vreese, Etty Wielenga-Meijer, Anna Woodcock,
dan semua orang yang telah menghabiskan waktu bersama saya selama
perjalanan saya berbicara tentang minat penelitian dan kehidupan
mereka.
Meskipun saya menikmati berbicara dan mengajar di luar negeri,
saya melakukan sebagian besar pengajaran saya hanya 3 mil dari rumah
saya. Saya senang mengajar mahasiswa pascasarjana, baik pemula
maupun lanjutan, mengerjakan gelar di departemen Psikologi asal saya,
rumah kedua saya di School of Communication, dan di tempat lain di
Ohio State University. Pertanyaan-pertanyaan mereka selama bertahun-
tahun telah membantu saya mempertajam bahasa saya ketika datang
untuk menggambarkan konsep-konsep abstrak dalam istilah yang
konkret tanpa terlalu tepat atau terlalu disederhanakan. Saya menghargai
toleransi mereka terhadap banyak kesalahan ketik pada slide PowerPoint,
kesabaran dengan kebutuhan saya yang kadang-kadang mengulangi diri
saya sendiri ketika saya merusak penjelasan, dan kadang-kadang
menunggu dengan penuh perhatian saat saya mengetik ulang kode SPSS
atau SAS yang menghasilkan serangkaian kesalahan saat menggunakan
makro dan alat lainnya Saya menemukan tetapi tidak selalu ingat cara
Kata xvi
menggunakannya. pengant
Terima kasih yang tulus juga disampaikan kepada banyak orang yang
telah bermurah hatibersedia menyumbangkan datanya untuk digunakan
di kelas, lokakarya, dan artikel jurnal saya, dan buku ini. Ini termasuk
Daniel Ames, George Bonanno, Nyla Branscombe, Heike Bruch, Jonathan
Cohen, Michael S. Cole, Carsten K.
W. De Dreu, Ryan Duffy, Naomi Ellemers, Chip Eveland, Francis Flynn,
Donna Garcia, Friedrike XR Gerstenberg, Al Gunther, Sri Kalyanaraman,
Brian Lickel, Anthony Mancini, Jörg Matthes, Erik Nisbet, Kirsi Peltonen,
x Kata
Jeffrey Pollack, Raija-Leena Punamäki, Michael Schmitt, Michael Slater,

S. Shyam Sundar, Nurit Tal-Or, Yariv Tsfati, Eric Van Epps, dan Frank
Walter. Menulis dan membaca tentang metodologi jauh lebih menarik
ketika contoh didasarkan pada data nyata dari studi yang ada dan
diterbitkan daripada studi hipotetis yang dibuat untuk tujuan ilustrasi.
Sebagai catatan, saya harus menunjukkan bahwa semua analisis yang
dilakukan dalam buku ini dan klaim yang saya buat berdasarkan data
orang lain adalah milik saya sendiri dan tidak harus didukung oleh
mereka yang mengumpulkan data tersebut sejak awal.
C. Deborah Laughton dan Seymour Weingarten di The Guilford
Press sangat mendukung dan antusias dengan proyek ini dan proyek lain
yang telah saya kerjakan untuk mereka, dan saya menghargai kontribusi
mereka sebelum penulisan dimulai, selama proses produksi, dan sebagai
yang pertama edisi berkembang menjadi yang kedua. Tidak diragukan
lagi mereka akan terus mempengaruhi jalannya dengan baik ke masa
depan. Matthew Fritz menawarkan review manuskrip edisi pertama
sebelum produksi, dan saya menghargai wawasan dan rekomendasinya.
Dukungan istri saya, Carole, dan anak-anak, Conor dan Julia, sangat
penting. Seperti yang diketahui siapa pun yang pernah menjadi bagian
dari tim peneliti, sebuah penelitian lebih dari sekadar artikel jurnal yang
menjelaskannya. Ada banyak hal yang terjadi di balik layar sebuah
penelitian yang tidak terlihat oleh orang luar, tetapi tanpanya penelitian
itu tidak akan selesai. Keluarga saya mirip dengan anggota laboratorium
penelitian dalam hal itu. Untungnya, mereka memahami komitmen
waktu yang dibutuhkan oleh proyek seperti ini. Ini adalah ketiga kalinya
dalam 15 tahun mereka harus menerima perhatian yang terbagi-bagi
yang datang dengan menulis buku, terutama ketika tanggal jatuh tempo
mendekat, dan saya menghargai toleransi mereka.
Akhirnya, saya juga ingin memberi tahu dunia secara tertulis tentang
rasa terima kasih yang saya rasakan kepada ayah saya karena telah
membelikan saya komputer pertama saya di sekolah menengah, dan ibu
saya karena mengizinkan saya mengunci diri di kamar saat saya belajar
sendiri DASAR . Saya membayangkan ayah saya tidak berpikir panjang
atau mendalam tentang keputusannya untuk menghabiskan $300 untuk
Commodore VIC-20 pada awal 1980-an, tetapi ini adalah mesin yang saya
pelajari untuk diprogram, dan ternyata keputusan ini memiliki pengaruh
besar di mana saya berakhir dalam kehidupan profesional saya. Tanpa
pengenalan awal ilmu komputer ini, saya mungkin tidak akan memilih
karir ini, saya mungkin tidak akan menulis PROCESS, dan, sebagai
akibatnya, buku ini tidak akan ada.
Kata xix
pengant
Isi
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
2 • Dasar-dasar Regresi LinierAnalisis 29

2.1 Korelasi danRamalan 30
2.2 Regresi Linier SederhanaModel 34
2.3 Penjelasan Alternatif untukAsosiasi 45
2.4 Beberapa LinierRegresi 48
2.5 Ukuran ModelBugar 54
2.6 StatistikKesimpulan 56
2.7 Anteseden MultikategoriVariabel 65
2.8 Asumsi untuk Interpretasi dan StatistikKesimpulan 68
BAGIAN II. ANALISIS MEDIASI

3 •Model Mediasi Sederhana 77
3.1 Model Mediasi Sederhana 78
3.2 Estimasi Pengaruh Langsung, Tidak Langsung, dan Total dariX 82
3.3 Contoh dengan Dikotomi X: Pengaruh Media yang
DidugaPengaruh 86
3.4 StatistikKesimpulan 93
xvii
xviiiIsi
3.5 Contoh dengan X Kontinu: Tekanan Ekonomidi

antara Pemilik Usaha Kecil 107
4 • Langkah-Langkah Kausal, Pembaur, dan KausalMemesan 113

4.1 Bagaimana dengan Baron dankenny? 113
4.2 Membingungkan dan PenyebabMemesan 121
4.3 MemengaruhiUkuran 132
4.4 StatistikKekuatan 140
4.5 Beberapa X atau Y:Analisis Secara Terpisah atau Bersamaan? 141
5 • Lebih dari Satu Mediator 147

5.1 Model Beberapa Mediator Paralel 149
5.2 Contoh Menggunakan Studi Pengaruh Media yang 154
Diduga
5.3 StatistikInferensi161
5.4 Model Mediator Ganda Serial167
5.5 Model dengan Properti Mediasi Paralel dan Serial 180
5.6 Komplementaritas dan Persaingan Antar Mediator 183
5.7 Ringkasan Bab186
6 • Analisis Mediasi dengan Anteseden Multikategori 187

6.1 Jumlah Relatif, Langsung, dan Tidak
LangsungEfek189 195
6.2 Contoh: Diskriminasi Jenis Kelamin di Tempat
Kerja
6.3 Menggunakan Pengodean Grup yang
BerbedaSistem204
6.4 Beberapa Masalah Lain-lain212
BAGIAN III. ANALISIS MODERASI

7 • Dasar-dasar ModerasiAnalisis 219
7.1 Bersyarat dan Tanpa SyaratEfek223
7.2 Contoh: Bencana Perubahan Iklimdan
Kemanusiaan231
7.3 MemvisualisasikanModerasi243
7.4 Menyelidiki danInteraksi248
7.5 Perbedaan antara Pengujian Moderasi dan
Probingitu259
7.6 Kategorisasi dan Subkelompok BuatanAnalisis263
8 • Memperluas Prinsip-Prinsip Dasar ModerasiAnalisis 267

8.1 Moderasi dengan Moderator Dikotomis268
8.2 Interaksi antara Dua KuantitatifVariabel276
8.3 Hirarki versus SimultanEntri289
8.4 Kesetaraan antara Analisis Regresi Moderasi dan Analisis
Faktorial 2 2 dariVarians292
isixix
9 • Beberapa Mitos dan Perluasan Tambahan ModerasiAnalisis 303

9.1 Kebenaran dan Mitos tentangPemusatan Rata-rata304
9.2 Estimasi dan Interpretasi Koefisien Regresi Standar dalam
ModerasiAnalisis313
9.3 Perhatian pada Pemusatan Manualdan Standardisasi319
9.4 Lebih dari satuModerator320
9.5 Membandingkan BersyaratEfek342
9.6 Chapter Summary346
10 • Anteseden Fokal Multikategori danmoderator 349

10.1 Moderasi Efek Anteseden
MultikategoriVariabel350
10.2 Contoh Diskriminasi Jenis Kelamin di Tempat
KerjaBelajar354
10.3 MemvisualisasikanModel362
10.4 MenyelidikiInteraksi366
10.5 Ketika Moderator Bersifat Multikategori379
10.6 Menggunakan Pengkodean yang BerbedaSistem387
BAGIAN IV. ANALISIS PROSES KONDISI

11 • Dasar-dasar Proses BersyaratAnalisis 393
11.1 Contoh Model Proses Bersyarat dalamSastra397
11.2 Bersyarat Langsung dan Tidak LangsungEfek402
11.3 Contoh: Menyembunyikan Perasaan Anda dari Pekerjaan Andatim407
11.4 Estimasi Model Proses BersyaratMenggunakan PROCESS414
11.5 Mengukur dan Memvisualisasikan (Kondisional)
Tidak Langsung dan LangsungEfek417
12 • Contoh Lebih Lanjut dari Proses BersyaratAnalisis 431

12.1 Meninjau kembaliStudi Pembingkaian Bencana432
12.2 Moderasi Efek Langsung dan Tidak Langsung dalam Proses
BersyaratModel439
12.4 DimediasiModerasi459
13 • Analisis Proses Bersyarat dengan MultikategorikalMendahului 469

13.1 Meninjau Kembali Diskriminasi Seksual ditempat kerja470
13.2 Melihat Komponen Pengaruh Tidak Langsung dariX 480
13.3 Kondisional Relatif Tidak LangsungEfek487
13.4 Pengujian dan Penyelidikan ModerasiMediasi491
13.5 Langsung Bersyarat RelatifEfek495
13.6 Menempatkan SemuanyaBersama500
13.7 Lebih jauhEkstensi dan Kompleksitas501
xxIsi
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
B •Membangun dan Menyesuaikan Model diPROSES613
C •Interval Keyakinan Monte Carlo di SPSS dan SAS 633
Referensi 637
PengarangIndeks 668
Indeks Subyek 679
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
Penelitian yang menetapkan mekanisme atau mekanisme di mana

efek beroperasi atau kondisi yang memfasilitasi dan menghambat efek
tersebut memperdalam pemahaman kita tentang fenomena yang
dipelajari para ilmuwan. Analisis mediasi dan analisis moderasi
digunakan untuk menetapkan bukti atau menguji hipotesis tentang
mekanisme dan kondisi batas tersebut. Analisis proses bersyarat
digunakan ketika tujuan penelitian seseorang adalah untuk
menggambarkan kondisi batas dari mekanisme atau mekanisme di
mana suatu variabel mentransmisikan efeknya pada variabel lain.
Dengan menggunakan kerangka analisis jalur regresi, buku ini
memperkenalkan prinsip-prinsip analisis mediasi, analisis moderasi,
dan penyatuannya sebagai analisis proses bersyarat. Dalam bab awal
ini, Saya memberikan gambaran konseptual tentang moderasi dan
mediasi dan menjelaskan contoh analisis proses bersyarat yang
menggabungkan unsur-unsur mediasi dan analisis moderasi. Setelah
mengartikulasikan perspektif saya tentang penggunaan metode
statistik ketika menguji proses kausal, diikuti dengan diskusi tentang
diagram konseptual dan statistik, saya mengakhiri dengan sinopsis
dari setiap bab dalam buku ini.
1.1 Seorang Ilmuwan dalam Pelatihan

Sebagai mahasiswa sarjana yang belajar psikologi di Universitas Negeri
San Jose pada akhir 1980-an, salah satu proyek penelitian empiris
pertama yang saya lakukan adalah studi tentang hubungan antara sikap
mahasiswa tentang perguruan tinggi dan pemilihan tempat duduk
mereka di kelas. Saya mengembangkan instrumen yang konon
(walaupun di belakang, tidak benar-benar) mengukur apakah seseorang
merasa mendapatkan pendidikan tinggi pada umumnya adalah hal yang
baik dan penting untuk dilakukan atau tidak. Setelah peserta penelitian
menyelesaikan instrumen, saya mempresentasikan masing-masing
dengan diagram kelas umum perguruan tinggi, dengan kursi diatur
dalam matriks 6 (baris) kali 5 (kolom), dan saya meminta mereka untuk
menandai kursi yang mana. mereka akan memilih untuk duduk jika
mereka dapat memilih kursi mana pun di kelas. Berdasarkan baris mana
yang dia pilih,
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.
Saya telah belajar banyak pelajaran tentang penelitian selama bertahun-

tahun—pelajaran-pelajaran yang dimulai dengan usaha pertama yang awal
dan tidak berhasil dalam penerbitan akademis. Saya telah belajar bahwa
penelitian itu sulit, membutuhkan kesabaran, dan bahwa ego kitasering
terlalu terlibat ketika kita menafsirkan umpan balik dari orang lain.
Meskipun studi khusus ini tidak pernah dipublikasikan, saya telah
belajar bahwa ketahanan terhadap penolakan yang dikombinasikan
dengan ketekunan setelah kegagalan sering kali mengarah pada
kesuksesan. Tapi saya pikir salah satu pelajaran penting yang saya
pelajari sebagai produsen dan konsumen penelitian adalah betapa jauh
lebih mengesankannya sebuah penelitian ketika dapat berbicara lebih
dari sekedar apakah ada efek, apakah suatu hubungan berbeda dari
nol. , atau apakah dua kelompok berbeda satu sama lain. Sebaliknya,
beberapa penelitian terbaik yang telah saya lakukan dan penelitian
terbaik yang pernah saya baca melangkah lebih jauh dengan menjawab
tidak hanya "apakah" atau "jika", tetapi juga "bagaimana" dan "kapan".
Pendekatan untuk menganalisis data seseorang dengan tujuan
menjawab dua pertanyaan terakhir ini adalah topik buku ini.
1.2 Pertanyaan Apakah, Jika, Bagaimana, dan Kapan

Pertanyaan "apakah" atau "jika" berfokus terutama pada apakah dua
variabel terkait, secara kausal atau sebaliknya, atau jika sesuatu lebih
atau kurang mungkin terjadi dalam satu rangkaian keadaan atau kondisi
daripada yang lain. Pertanyaan seperti itu sering kali menjadi
pertanyaan pertama yang diajukan ilmuwan dalam pelatihan, terkadang
hanya dengan mengamati dunia di sekitarnya dan bertanya-tanya
tentangnya. Misalnya, ketika saya meminta mahasiswa sarjana di kelas
metode penelitian untuk menyusun dan merancang proyek penelitian,
salah satu topik yang populer adalah efek paparan standar kurus ideal
pada harga diri dan ketidakpuasan tubuh. Dari semester ke semester,
siswa ingin merancang penelitian untuk melihat apakah wanita yang
terpapar gambar wanita yang digambarkan di majalah kecantikan,
Internet, televisi populer, dan video musik—yang kurus dan cantik—
menderita dalam beberapa hal dari paparan ini. Saya percaya ini adalah
topik yang sangat populer karena hampir tidak mungkin untuk
menghindari pemboman harian oleh media penggambaran seperti apa
wanita ideal seharusnya dan, dengan perluasan, apa yang tampaknya
dihargai oleh masyarakat. Secara alami, banyak yang bertanya-tanya
apakah ini buruk bagi wanita dan masyarakat—apakah rasa harga diri
wanita, citra tubuh mereka, dan kemungkinan gangguan makan
dipengaruhi oleh paparan ini.
Introducti 7
Pertanyaan tentang apakah keragaman juga berfungsi sebagai titik
awal dalam pencarian kita untuk memahami efek dari sesuatu yang
telah terjadi di masyarakat, ketika teknologi baru dikembangkan, ketika
masalah baru dihadapi orang-orang dari suatu komunitas atau bangsa,
dan sebagainya. maju. Setelah menara kembar World Trade Center di
New York City diruntuhkan oleh teroris pada 11 September 2001, para
peneliti mulai bertanya apakah dan
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?
X kamu
GAMBAR 1.1.Model mediasi sederhana dengan variabel mediator tunggalMterletak secara

kausaldi antaraXdankamu.
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
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
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
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).
GAMBAR 1.2.Model moderasi sederhana dengan variabel moderatorkamu

X
tunggalWmempengaruhi ukuranXefeknya padakamu.
Introducti 1
Secara statistik, analisis moderasi biasanya dilakukan dengan

menguji interaksi linier antara X dan W dalam model Y. Dengan bukti
bahwa efek X pada Y dimoderasi oleh W, penyidik biasanya kemudian
akan mengukur dan menggambarkan sifat kontingen dari asosiasi atau
efek tersebut. dengan memperkirakan efek X pada Y pada berbagai nilai
moderator, sebuah latihan yang dikenal sebagai menyelidiki interaksi.
Prinsip-prinsip analisis moderasi diperkenalkan di Bab 7 sampai 10.
Contoh ini menggambarkan bahwa jawaban atas bagaimana dan
kapan pertanyaan dapat terjalin. Sebuah variabel dapat berfungsi
sebagai mediator atau moderator, tergantung pada bagaimana fenomena
yang diselidiki dikonseptualisasikan dan diuji. Dan pada prinsipnya,
variabel yang sama dapat melayani kedua peran secara bersamaan
untuk proses tertentu yang berkembang dan beroperasi dalam jangka
waktu yang lama. Misalnya, paparan awal terhadap gambar media yang
menggambarkan norma kurus-sebagai-ideal dapat meyakinkan remaja
bahwa kurus memang lebih baik, yang mengakibatkan ketidakpuasan
tubuh mengingat hanya sedikit wanita yang dapat memenuhi standar
yang tidak realistis dan bahkan tidak sehat ini. Tentu saja, tidak semua
remaja putri akan menerima pesan ini. Di antara mereka yang
melakukannya, begitu norma ini telah diinternalisasi dan diadopsi
sebagai tujuan pribadi,
1.3 Analisis Proses Bersyarat

Lockhart, MacKinnon, & Ohlrich, 2011; MacKinnon, Fairchild, & Fritz,
2007; Magill, 2011; Maric, Wiers, & Prins, 2012; Mascha, Dalton, Kurz, &
Saager, 2013; Namazi & Namazi, 2016; Pengkhotbah & Hayes, 2008b; Ro,
2012; Schmidt & Scimmelmann, 2014; VanderWeele, 2016; Whisman &
McClelland, 2005; Windgassen, Tukang Emas, Moss-Morris, & Chalder,
2016). Namun, banyak dari artikel ini tidak membahas kombinasi
mediasi dan moderasi dalam model yang sama. Perhatian yang lebih
rendah ini Moss-Morris, & Chalder, 2016). Namun, banyak dari artikel
ini tidak membahas kombinasi mediasi dan moderasi dalam model yang
sama. Perhatian yang lebih rendah ini Moss-Morris, & Chalder, 2016).
Namun, banyak dari artikel ini tidak membahas kombinasi mediasi dan
moderasi dalam model yang sama. Perhatian yang lebih rendah ini
integrasi analisis moderasi dan mediasi mungkin sebagian disebabkan

oleh fakta bahwa prosedur analitis yang menggabungkan moderasi dan
mediasi diperkenalkan kepada komunitas riset dalam segala hal yang
menyerupai cara sistematis hanya dalam 15 tahun terakhir atau lebih.
Misalnya, Muller, Judd, dan Yzerbyt (2005) menulis tentang mediasi efek
yang dimoderasi dan moderasi efek yang dimediasi, Edwards dan
Lambert (2007) memberikan kerangka kerja untuk menguji hipotesis
yang menggabungkan moderasi dan mediasi menggunakan analisis
jalur. , dan Preacher, Rucker, dan Hayes (2007) memperkenalkan konsep
"efek tidak langsung bersyarat" sebagai kuantifikasi sifat kontingen dari
suatu proses atau mekanisme dan menyediakan teknik untuk estimasi
dan inferensi (artikel tambahan termasuk Morgan-Lopez & MacKinnon,
2006; Fairchild & MacKinnon, 2009).
Sebagian sebagai hasil dari artikel ini, peneliti sekarang sering
menggunakan istilah-istilah seperti “moderasi yang dimediasi”, “mediasi
yang dimoderasi”, dan “efek tidak langsung bersyarat”, tetapi seringkali
hanya agak canggung.menerapkan metode analitis yang sesuai karena
kurangnya panduan yang jelas dari para ahli metodologi tentang
bagaimana melakukannya dan menulis tentangnya dengan benar. Yang
pasti, beberapa artikel metodologi yang ada mencoba untuk berbicara
kepada pengguna, dan beberapa menyediakan kode perangkat lunak
statistik atau alat untuk memudahkan penerapan metode yang dibahas,
tetapi hanya begitu banyak yang dapat dicapai dalam satu artikel jurnal.
Selain itu, saran yang ada terfragmentasi dan tersebar di beberapa artikel
di jurnal yang berbeda. Bagian IV dari buku ini didedikasikan untuk
integrasi analitis mediasi dan moderasi menggunakan strategi analisis
data yang saya sebut pemodelan proses bersyarat atau analisis proses
bersyarat dalam edisi pertama buku ini pada tahun 2013 serta dalam bab
buku yang diterbitkan sekitar tahun yang sama. waktu (Hayes &
Pengkhotbah, 2013). Dari dulu,
Analisis proses bersyarat digunakan ketika tujuan penelitian
seseorang adalah untuk menggambarkan sifat kondisional dari
mekanisme atau mekanisme yang dengannya suatu variabel
mentransmisikan efeknya pada variabel lain dan menguji hipotesis
tentang efek kontingen tersebut. Seperti dibahas sebelumnya, analisis
mediasi digunakan untuk mengukur dan memeriksa jalur langsung dan
tidak langsung yang melaluinya variabel anteseden X mentransmisikan
pengaruhnya pada variabel konsekuen Y melalui satu atau lebih variabel
perantara atau mediator.1 Analisis moderasi digunakan untuk menguji
bagaimana pengaruh variabel anteseden X terhadap konsekuen Y
1
Mendahuluidan variabel konsekuen akan didefinisikan secara formal di bagian 1.5.
Introducti 1
tergantung pada variabel ketiga atau set variabel. Analisis proses

bersyaratadalah keduanya dalam kombinasi dan berfokus pada estimasi
dan interpretasi dari sifat bersyarat (komponen moderasi) dari efek tidak
langsung dan/atau langsung (komponen mediasi) dari X pada Y dalam
sistem kausal. Meskipun tidak selalu dijelaskan menggunakan istilah ini,
artikel metodologi yang disebutkan sebelumnya telah mendorong adopsi
yang semakin luas dari metode analisis ini. Tidak sulit menemukan
contoh analisis proses bersyarat dalam literatur empiris dari banyak
disiplin ilmu, termasuk psikologi sosial (Kung, Eibach, & Grossmann,
2016; Osborne, Huo, & Smith, 2015; Wu, Balliet, & Van Lange , 2015),
psikologi kesehatan (Webb, Fiery, & Jafari, 2016), psikologi
perkembangan (Canfield & Saudino, 2016; Thomas & Bowker, 2015),
psikologi klinis dan psikiatri (Goodin et al., 2009; Lee, Ahn, Jeong , Chae,
& Choi, 2014; Rees & Freeman, 2009; Torres & Taknint, 2015), psikologi
kognitif (Rodriguez & Berry, 2016), kesehatan masyarakat (Blashil &
Wal, 2010), sosiologi (Augustine, 2014; Li, Patel, Balliet, Tov, & Scollon,
2011), studi wanita ( Gaunt & Scott, 2014; Sibley & Perry, 2010),
administrasi publik (Smith, 2016), psikologi biologi dan ilmu saraf (Little
et al., 2015; Oei, Tollenaar, Elzinga, & Spinhoven, 2010; Thai, Taber-
Thomas, & Pe´rez-Edgar, 2016), bisnis, pemasaran, dan manajemen
(Felipe, Rodan, & Leal-Rodriguez, 2016; Karnal, Machiels, Orth, & Mai,
2016; Smith, Martinez, & Sabat, 2016), dan komunikasi (Goodboy,
Martin, & Brown, 2016; Gvirsman, 2014; Johnson, Slater, Silver, &
Ewoldsen, 2016), antara lain.
Sebuah contoh konkrit akan membantu untuk mengklarifikasi apa itu
analisis proses bersyarat. Pada tahun 2011, Kongres AS menyandera
ekonomi Amerika dan dunia atas ketidaksepakatan yang sebagian besar
bermotif politik dan memperebutkan kondisi di mana jumlah uang yang
diizinkan untuk dipinjam oleh pemerintah dapat dinaikkan—yang
disebut plafon utang. Sebagian sebagai akibat dari pertengkaran politik
dan kegagalan Kongres untuk menangani masalah pengeluaran dan
pendapatan secara memadai, Standard & Poor's menurunkan peringkat
kredit pemerintah AS untuk pertama kalinya dalam sejarah, dari AAA
menjadi AA+. Dalam kerangka waktu ini, pengangguran AS berada
pada titik tertinggi baru-baru ini di lebih dari 9%, harga perumahan
turun, dan begitu pula nilai portofolio pensiun orang. Kira-kira dalam
rentang waktu yang sama, ekonomi Yunani ditebus oleh Dana Moneter
Internasional, Uni Eropa menghadapi ketidakstabilan ekonomi, dan
gempa bumi yang diikuti oleh tsunami dan kehancuran hampir nuklir di
pembangkit listrik di Jepang mengguncang rakyat Jepang dan
ekonominya. Bukan untuk mengecilkan pentingnya ekonomi yang
buruk bagi masyarakat luas, tetapi bayangkan memiliki bisnis di
lingkungan seperti ini, di mana mata pencaharian ekonomi Anda dan
kemampuan Anda untuk
Introducti 1
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,
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
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

W M3
F
GAMBAR 1.4.Beberapa varian model proses kondisional, dari cukup sederhana (A)
hingga cukup kompleks (F).
Sebuah konseptualdiagram model proses bersyarat yang sesuai

dengan contoh ini dapat ditemukan pada Gambar 1.3. Diagram ini
menggambarkan apa yang disebut beberapa orang sebagai mediasi yang
dimoderasi dan yang lainnya disebut moderasi yang dimediasi. Bahkan,
itu menggambarkan keduanya. Ini telah diberi label lain juga, seperti
efek langsung dan model moderasi tahap pertama (Edwards & Lambert,
2007). Terlepas dari itu, amati bahwa →
diagram ini menggambarkan dua
hubungan yang dimoderasi, satu dari→ tekanan ekonomi hingga pengaruh
depresi (XM), dan yang lainnya dari tekanan ekonomi hingga niat
menarik diri (XY), keduanya digambarkan sebagai dimoderasi oleh
ikatan sosial (W). Selain itu, ada efek tidak langsung dari tekanan
ekonomi pada niat penarikan melalui efek tertekan yang digambarkan
(X → M → Y), tetapi karena efek tidak langsung ini mencakup
komponen yang diusulkan sebagai dimoderasi (asosiasi X → M),
Introducti 2
juga dimoderasi atau bersyarat. Efek langsung dari tekanan ekonomi

pada niat penarikan (XY)
→ juga digambarkan sebagai moderat. Menurut
diagram ini, itu juga bersyarat, karena tergantung pada ikatan sosial.
Dengan demikian, proses yang menghubungkan tekanan ekonomi
dengan niat penarikan melalui efek tertekan dimoderasi atau bersyarat,
maka istilah model proses bersyarat. Sepanjang buku ini saya
menjelaskan bagaimana menyatukan komponen-komponen model ini
dan memperkirakan serta menginterpretasikan efek langsung dan tidak
langsung, baik yang dimoderasi maupun tidak.2
Contoh yang digambarkan pada Gambar 1.3 hanyalah salah satu
bentuk yang dapat diambil oleh model proses bersyarat. Beberapa
kemungkinan tambahan dapat ditemukan pada Gambar 1.4, tetapi ini
masih hanya mewakili beberapa dari banyak cara moderasi dan mediasi
dapat digabungkan menjadi satu model terintegrasi.→Panel A
menggambarkan model di mana efek MY dimoderasi oleh W, yang
disebut model moderasi tahap kedua dalam istilah yang diperkenalkan
oleh Edwards dan Lambert (2007). Untuk contoh model ini dalam
penelitian yang dipublikasikan, lihat Boren dan Veksler (2015), Canfield
dan Saudino (2016), dan
→ Kuwabara, Yu, Lee, dan Galinsky (2016). Model
di panel B menambahkan moderasi efek XM ke model di panel A,
menghasilkan model moderasi tahap pertama dan kedua (Edwards &
Lambert, 2007). Papadaki dan Giovalolias (2015) dan Thai et al. (2016)
memberikan→ contoh model ini. Panel C seperti model di panel A tetapi
menambahkan moderasi efek langsung X (XY) oleh Z. Panel D
menggambarkan moderasi efek MY oleh W, yang dimoderasi oleh Z.
Lihat Fries, Brown, Carroll, dan Arkin (2015) dan Krieger dan Sarge
(2013) sebagai contoh. Panel E dan F menunjukkan model dengan lebih
dari satu mediator. Model di panel E mirip dengan panel B tetapi
mencakup moderasi oleh W dari semua efek ke dan dari M1 dan M2
(lihat, misalnya, Jones et al., 2013; Takeuchi,
→ Yun, & Wong, 2011). Panel F
menggambarkan → model yang kompleks (lihat Andreeva et al., 2010)
dengan tiga mediator dan dua moderator. Dalam model ini, efek X M3
dimoderasi oleh W dan Z, efek X M1 dimoderasi oleh Z, dan efek M2 Y
dimoderasi oleh W. Panel D menggambarkan moderasi efek MY oleh W,
yang dimoderasi oleh Z. Lihat Fries, Brown, Carroll, dan Arkin (2015)
dan Krieger dan Sarge (2013) sebagai contoh. Panel E dan F
menunjukkan model dengan lebih dari satu mediator. Model di panel E
mirip dengan panel B tetapi mencakup moderasi oleh W dari semua efek
ke dan dari M1 dan M2 (lihat, misalnya, Jones et al., 2013; Takeuchi, Yun,
& Wong, 2011). Panel F menggambarkan model yang kompleks (lihat
Andreeva et al., 2010) dengan tiga mediator dan dua moderator. Dalam
model ini, efek X M3 dimoderasi oleh W dan Z, efek X M1 dimoderasi
oleh Z, dan efek M2 Y dimoderasi oleh W. Panel D menggambarkan
moderasi efek MY oleh W, yang dimoderasi oleh Z. Lihat Fries, Brown,
Carroll, dan Arkin (2015) dan Krieger dan Sarge (2013) sebagai contoh.
Panel E dan F menunjukkan model dengan lebih dari satu mediator.
Model di panel E mirip dengan panel B tetapi mencakup moderasi oleh
W dari semua efek ke dan dari M1 dan M2 (lihat, misalnya, Jones et al.,
2013; Takeuchi, Yun, & Wong, 2011). Panel F menggambarkan model
yang kompleks (lihat Andreeva et al., 2010) dengan tiga mediator dan
dua moderator. Dalam model ini, efek X M3 dimoderasi oleh W dan Z,
efek X M1 dimoderasi oleh Z, dan efek M2 Y dimoderasi oleh W. Model
di panel E mirip dengan panel B tetapi mencakup moderasi oleh W dari
semua efek ke dan dari M1 dan M2 (lihat, misalnya, Jones et al., 2013;
Takeuchi, Yun, & Wong, 2011). Panel F menggambarkan model yang
kompleks (lihat Andreeva et al., 2010) dengan tiga mediator dan dua
moderator. Dalam model ini, efek X M3 dimoderasi oleh W dan Z, efek X
M1 dimoderasi oleh Z, dan efek M2 Y dimoderasi oleh W. Model di
panel E mirip dengan panel B tetapi mencakup moderasi oleh W dari
semua efek ke dan dari M1 dan M2 (lihat, misalnya, Jones et al., 2013;
Takeuchi, Yun, & Wong, 2011). Panel F menggambarkan model yang
kompleks (lihat Andreeva et al., 2010) dengan tiga mediator dan dua
moderator. Dalam model ini, efek X M3 dimoderasi oleh W dan Z, efek X
M1 dimoderasi oleh Z, dan efek M2 Y dimoderasi oleh W.
1.4 Korelasi, Kausalitas, dan Pemodelan Statistik

Studi tentang tekanan ekonomi pada pengusaha yang baru saja
dijelaskan menggambarkan tentang apa itu analisis proses bersyarat,
tetapi juga menggambarkan apa yang oleh beberapa orang ditafsirkan
sebagai kelemahan analisis mediasi secara umum, serta
2
Ternyata dalam kasus ini tidak ada bukti bahwa pengaruh langsung tekanan ekonomi
terhadap niat menarik diri dimoderasi oleh ikatan sosial, meskipun yang disebut efek
total dimoderasi. Moderasi dari total efek tekanan ekonomi pada niat penarikan tidak
digambarkan dalam Gambar 1.3. Perbedaan antara efek total dan efek langsung akan
diperkenalkan di Bab 3.
Introducti 2
betapa bebasnya orang sering mengaitkan kausalitas sebagai mekanisme

yang menghasilkan asosiasi yang diamati dalam jenis studi apa pun.
Temuan ini berasal dari survei cross-sectional. Penelitian inilah yang
sering disebut dengan observasional daripada eksperimen. Semua
pengukuran pengusaha ini diambil pada saat yang sama, tidak ada
manipulasi eksperimental atau bentuk lain dari kontrol eksperimental,
dan tidak ada cara untuk menetapkan urutan kausal dari hubungan
yang diamati. Misalnya, orang yang merasa sedih tentang bisnis mereka
mungkin lebih mungkin untuk mempertimbangkan untuk mundur, dan
akibatnya mereka bekerja lebih sedikit, lebih jarang menjalin jaringan
dengan para pemimpin bisnis lain, dan merasa lebih stres akibat tekanan
ekonomi yang menumpuk sebagai akibatnya. Sifat pengumpulan data
tidak memungkinkan untuk menetapkan apa yang menyebabkan apa.
Eksperimen dan, pada tingkat lebih rendah, penelitian longitudinal
menawarkan beberapakeuntungan lebih dari penelitian cross-sectional
ketika membangun hubungan kausal. Sebagai contoh, misalkan tekanan
ekonomi dimanipulasi secara eksperimental dalam beberapa cara, tetapi
sebaliknya hasil yang sama ditemukan. Dalam hal ini, kita akan berada
dalam posisi yang jauh lebih baik untuk memperdebatkan arah
penyebab, setidaknya sebagian. Penugasan acak ke tingkat stres ekonomi
akan memastikan bahwa baik ikatan sosial, pengaruh depresi, maupun
niat menarik diri tidak dapat memengaruhi stres yang dirasakan peserta
penelitian. Ini juga menjamin bahwa tekanan ekonomi dan pengaruh
depresi tidak terkait secara palsu, artinya mereka memiliki penyebab
yang sama. Tetapi penugasan acak tidak akan membantu menetapkan
urutan temporal yang benar dari efek depresi dan niat → penarikan.
Meskipun bisa jadi stres ekonomi mempengaruhi efek depresi yang,
pada gilirannya, →
Untuk mengatasi keterbatasan studi eksperimental sekali pakai ini,
urutanstudi eksperimental dapat membantu sampai batas tertentu (lihat
Stone-Romero & Raposa, 2010). Pertama, seseorang mencoba untuk
menetapkan bahwa X menyebabkan M dan Y dalam satu studi
eksperimental. Keberhasilan dalam melakukannya kemudian dapat
diikuti dengan studi eksperimental kedua untuk menetapkan bahwa M
menyebabkan Y daripada Y menyebabkan
M. Estimasi dari analisis tersebut (mungkin termasuk komponen
moderasi juga) kemudian dapat disatukan untuk menetapkan sifat
(bersyarat atau tidak) dari efek tidak langsung X pada Y hingga M.
Namun seperti yang dikatakan Spencer, Zanna, dan Fong (2005)
perhatikan, tidak selalu mudah atau bahkan mungkin untuk
menetapkan secara meyakinkan bahwa M yang diukur dalam studi
pertama adalah sama
sebagai M yang dimanipulasi dalam studi kedua. Tidak adanya

kesetaraan seperti itu,kemampuan urutan percobaan untuk membangun
rantai sebab akibat peristiwadikompromikan.
Mengumpulkan data pada variabel yang sama dari waktu ke waktu
merupakan pendekatan alternatif untuk mempelajari proses kausal, dan
melakukan hal itu menawarkan beberapa keuntungan. Misalnya,
daripada mengukur wirausaha hanya sekali, akan lebih informatif untuk
mengukur pengalaman tekanan ekonomi mereka pada beberapa
kesempatan, serta pengaruh depresi dan niat mereka untuk menarik diri
dari aktivitas wirausaha. Jika stres ekonomi mempengaruhi niat
penarikan melalui efeknya pada efek depresi, maka Anda akan
mengharapkan bahwa orang yang berada di bawah stres lebih dari
sebelumnya akan mengungkapkan niat yang lebih kuat untuk menarik
diri daripada yang mereka ungkapkan sebelumnya sebagai akibat dari
perasaan lebih tertekan daripada sebelumnya. mereka rasakan
sebelumnya. Tetapi kovariasi dari waktu ke waktu tidak menyiratkan
sebab, seperti halnya kovariasi pada satu waktu gagal untuk
membangun hubungan sebab akibat. Ada prosedur statistik yang
mencoba untuk memisahkan kontemporer dari asosiasi jeda waktu
(misalnya, Finkel, 1995), dan ada literatur yang berkembang tentang
analisis moderasi dan mediasi, serta kombinasinya, dalam studi
longitudinal (misalnya, Bauer, Pengkhotbah, & Gil, 2006; Cole &
Maxwell, 2003; Cheong, MacKinnon, & Khoo, 2003; Selig &
Pengkhotbah, 2009). Kecuali pembahasan singkat di bagian 14.7, saya
tidak membahas literatur ini atau metode terkait dalam buku ini. Selig &
tidak membahas literatur ini atau metode terkait dalam buku ini. Selig &
tidak membahas literatur ini atau metode terkait dalam buku ini.
Beberapa mengajukan argumen bahwa para ilmuwan seharusnya
tidak mencoba untuk memodelkan proses yang konon kausal dengan
data yang tidak mendukung interpretasi kausal, seperti ketika data
tersebut murni korelasional di alam. Misalnya, Maxwell, Cole, dan
Mitchell (2011) mengambil posisi bahwa mencoba untuk mendapatkan
proses kausal menggunakan analisis mediasi dengan data korelasional
adalah "hampir pasti sia-sia" (hal. 836). Dan Trafimow (2015) mengedit
seluruh edisi Psikologi Sosial Dasar dan Terapan yang didedikasikan
untuk posisi bahwa analisis mediasi seperti yang dipraktikkan dan
ditafsirkan secara luas pada dasarnya cacat, dan diterbitkan dengan
tujuan “tidak ada upaya untuk adil secara lokal”, melainkan untuk
“kurangi ketergantungan psikolog sosial pada paradigma yang
dipertanyakan ini.”
Perspektif saya jauh lebih santai daripada ekstrem iniposisi. Kami
Introducti 2
tidak menggunakan metode statistik untuk membuat kesimpulan kausal.
Menetapkan sebab dan akibat lebih merupakan masalah dalam desain
penelitian dan analisis logis daripada satu dalam analisis data. Metode
statistik hanyalah alat matematis yang memungkinkan kita untuk
membedakan keteraturan dalam kekacauan yang tampak, atau sinyal
proses yang mungkin bekerja di tengah kebisingan latar belakang acak
atau proses lain yang belum kita masukkan ke dalam model kita.
Kesimpulan yang kami buat tentang penyebab adalah
3
Kutipan ini berasal dari panggilan untuk makalah yang dikirim ke listserv Divisi 5
American Psychological Association pada 8 Januari 2015.
bukan produk matematika di bawah proses pemodelan. Lebih

tepatnya,kesimpulan yang kita buat adalah produk dari pikiran kita—
bagaimana kita menafsirkan asosiasi yang telah kita amati, sinyal yang
kita yakini telah kita ekstrak dari kebisingan. Yang pasti, kita dapat dan
harus mempertahankan standar yang tinggi. Kita harus berusaha keras
untuk merancang studi yang ketat yang memungkinkan kita untuk
membuat kesimpulan kausal dengan kejelasan bila memungkinkan.
Tetapi kami tidak akan selalu dapat melakukannya mengingat
keterbatasan sumber daya, waktu, ketersediaan data, kemurahan hati
peserta penelitian, dan etika penelitian. Kita tidak boleh membiarkan
keterbatasan upaya pengumpulan data kita membatasi alat yang kita
bawa ke tugas untuk mencoba memahami apa yang mungkin dikatakan
data kita tentang proses yang kita pelajari. Tetapi kita benar-benar harus
mengenali keterbatasan data kita dan menyusun interpretasi kita dengan
peringatan dan peringatan yang sesuai.
Kausalitas adalah roti kayu manis dari ilmu sosial. Ini adalah konsep
yang lengket, dan menetapkan bahwa urutan peristiwa adalah kausal
dapat menjadi usaha yang berantakan. Saat Anda memilah-milah
konsepnya, ia terurai dalam apa yang tampak seperti spiral filosofis
reduksionisme yang tak berujung. Bahkan → jika kita dapat memenuhi
kriteria kausalitas saat menguji model XMY sederhana, bagaimana
mekanisme yang menghubungkan X dan M, dan M ke Y? Tentu saja,
proses kausal itu sendiri harus muncul melalui semacam mekanisme.
Apa mediator dari komponen individu dari rantai kausal? Dan apa yang
memediasi komponen dari komponen tersebut? Dan jika mediator
tersebut dapat dibentuk seperti itu, apa yang memediasi efek tersebut?
Dengan kata lain, kita tidak pernah benar-benar menjelaskan sebuah
asosiasi sepenuhnya, tidak peduli berapa banyak variabel intervening
yang kita ajukan dan perhitungkan untuk menghubungkan X dan Y. Ini
tidak berarti bahwa tidak ada gunanya memikirkan secara mendalam
tentang apa artinya atau mendiskusikan dan memperdebatkan jenis apa.
standar yang harus kita pegang sebagai ilmuwan untuk menerima
interpretasi kausal. Tapi itu tidak akan terjadi dalam buku ini. Ada buku
dan artikel jurnal lain tentang topik kausalitas jika Anda ingin
mengeksplorasi konsep sendiri (misalnya, Davis, 1985; Holland, 1986;
Morgan & Winship, 2007; Pearl, 2009), dan ada paduan suara yang
berkembang dari ilmuwan sosial kuantitatif yang menolak orientasi
berbasis regresi yang saya uraikan di sini dengan alasan bahwa
pemodelan linier dan penyesuaian statistik tidak melakukan pekerjaan
yang diklaim banyak orang. Yang mengatakan, buku ini adalah tentang
hubungan pemodelan statistik—hubungan yang pada akhirnya
mungkin tetapi mungkin tidak kausal—dan saya pikir Anda akan
menemukan teknik dan alat yang dijelaskan di sini berguna dalam
Introducti 2
pencarian Anda untuk memahami data Anda dan menguji beberapa
proposisi teoretis Anda dan hipotesis. Seberapa besar jurang inferensial
antara data dan klaim yang Anda coba lompati adalah keputusan yang
harus Anda buat, begitu pula cara Anda membenarkan kesimpulan
Anda kepada kritikus potensial. Saya tidak akan, Seberapa besar jurang
inferensial antara data dan klaim yang Anda coba lompati adalah
keputusan yang harus Anda buat, begitu pula cara Anda membenarkan
kesimpulan Anda kepada kritikus potensial. Saya tidak akan, Seberapa
besar jurang inferensial antara data dan klaim yang Anda coba lompati
adalah keputusan yang harus Anda buat, begitu pula cara Anda
membenarkan kesimpulan Anda kepada kritikus potensial. Saya tidak
akan,
saya atau siapa pun tidak boleh melarang Anda menggunakan metode
yang dijelaskan di sini hanya karena data Anda hanya bersifat
korelasional.
1.5 Diagram Statistik dan Konseptual,

dan Variabel Anteseden dan Konsekuen
Ketika mendiskusikan ide-ide kita tentang hubungan antar variabel
dengan rekan kerja atau ketika memberikan kuliah atau mencoba untuk
menggambarkan ide-ide kita dalam artikel penelitian, kita sering
melakukannya dengan menggunakan apa yang saya sebut diagram
konseptual dalam buku ini. Saya telah menggunakan diagram
konseptual tiga kali dalam bab pengantar ini, sekali untuk mediasi pada
Gambar 1.1, satu untuk moderasi pada Gambar 1.2, dan sekali lagi untuk
model proses bersyarat yang digambarkan pada Gambar 1.3. Diagram
konseptual mewakili satu set hubungan antara variabel, dengan arah
panah mewakili apa yang kita perlakukan sebagai arah aliran kausal,
atau hanya menunjukkan variabel mana yang dianggap prediktor
(dengan panah menunjuk menjauh darinya) dan yang dianggap hasil
(dengan panah menunjuk padanya) dalam proses yang dijelaskan atau
berteori. Diagram konseptual tidak sama dengan apa yang dikenal
sebagai diagram jalur dalam literatur pemodelan persamaan struktural.
Diagram konseptual tidak mewakili satu set persamaan matematika
seperti diagram jalur. Diagram konseptual digunakan hanya untuk
menyampaikan gagasan tentang hubungan, apakah kausal, nonkausal,
atau moderat, antara variabel.
Sebuah diagram statistik, sebaliknya, seperti diagram jalur, dalam hal
itu mewakili satu set persamaan, dalam bentuk visual, sesuai dengan
diagram konseptual. Diagram statistik secara visual menggambarkan
bagaimana efek yang direpresentasikan dalam diagram konseptual
sebenarnya akan diperkirakan oleh model matematika, seperti model
regresi linier. Contoh diagram statistik untuk model moderasi sederhana
seperti yang digambarkan dalam bentuk konseptual pada Gambar 1.5,
panel A, dapat ditemukan pada Gambar 1.5, panel B. Dalam diagram
statistik, kotak mewakili variabel yang diukur atau diamati secara
eksplisit (yaitu, variabel yang benar-benar ada dalam dataset seseorang),
dan panah searah yang solid mewakili prediktor atau diprediksi dari,
tergantung pada apakah panah menunjuk ke atau dari variabel.
Mungkin saja dua variabel yang dihubungkan oleh panah sebenarnya
berhubungan secara kausal, dengan arah aliran kausal diwakili oleh arah
panah. Tapi tahan godaan untuk menafsirkan panah searah yang solid
dalam diagram statistik sebagai menyiratkan sesuatu tentang kausalitas.
Introducti 3
Itu mungkin bukan apa yang ingin mereka sampaikan, meskipun
mungkin, tergantung pada konteksnya. Tidak ada perbedaan yang
dibuat dalam diagram statistik antara "penyebab" dan "prediktor."
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.
A
W
kamu
X
B
X ekamu
b1 1
b2 kamu
W b3
XW
GAMBAR 1.5.Model moderasi sederhana digambarkan sebagai diagram konseptual

(panel A) dan diagram statistik (panel B).
Perhatikan pada Gambar 1.5 bahwa setiap panah dalam diagram

statistik memiliki label yang melekat padanya. Label yang dilampirkan
pada panah antar variabel mewakili koefisien regresi untuk setiap
variabel anteseden dalam model statistik konsekuen. Tergantung pada
apakah diagram menggambarkan model sebelum estimasi koefisien atau
menyampaikan hasil setelah estimasi model, label ini akan berupa angka
atau simbol lain, seperti huruf alfabet. Misalnya, tanpa informasi tentang
nilai b1, b2, dan b3, masuk akal untuk memberi label secara simbolis dan
umum dengan cara ini, karena nilainya tidak diketahui. Namun jika
diagram digunakan untuk menggambarkan hasil setelah estimasi model,
orang mungkin menggunakan koefisien regresi aktual yang dihitung
menggunakan data yang tersedia. Dalam hal ini, b1, b2, b3 bisa diganti
dengan
− angka seperti 0.235, 0.127, dan 0.221, masing-masing. Sebagai
alternatif, seseorang dapat menggunakan label dalam diagram tetapi
menempatkan nilai perkiraannya dalam tabel yang sesuai dengan
diagram. Label yang dilampirkan pada panah yang mengarah dari
kesalahan konsekuen
Introducti 3
dalam estimasi biasanya akan menjadi 1, karena kesalahan dalam

estimasi hampir selalu diberi bobot 1 dalam model linier
Dalam analisis regresi, kita umumnya berasumsi bahwa anteseden
dari akibat yang sama adalah atau mungkin berkorelasi satu sama lain.
Kovariasi diasumsikan antara variabel anteseden sering digambarkan
dalam diagram jalur menggunakan panah dua arah melengkung.
Namun, saya tidak akan menggambarkan kovariasi seperti itu dalam
diagram statistik, karena hal itu dapat dengan sangat cepat membuat
representasi visual yang ringkas dari serangkaian persamaan menjadi
sangat kompleks dan berantakan, dan artinya lebih sulit untuk
dibedakan. Sebagai aturan umum, semua variabel anteseden yang tidak
terhubung dengan panah searah diasumsikan berkorelasi. Mungkin ada
saat-saat ketika perlu untuk memasukkan kovarians tertentu dalam
diagram statistik untuk menyampaikan informasi estimasi penting,
seperti dalam model yang menggabungkan moderasi dan mediasi. Saya
akan melakukannya saat dibutuhkan.
Model regresi linier seperti yang diwakili oleh persamaan 1.1
biasanya berisi konstanta regresi atau intersep, dilambangkan di sini
sebagai iY karena persamaan 1.1 adalah model dari konsekuensi Y.
Mungkin konstanta ini ditetapkan ke nol sebagai akibat dari
transformasi tertentu dari data, seperti pemusatan rata-rata atau
standardisasi, tetapi itu tidak berarti bahwa itu tidak ada ketika tidak
ditentukan secara formal dalam persamaan. Saya tidak akan
menggambarkan konstanta secara visual dalam diagram statistik yang
sesuai dengan model itu karena, seperti kovariasi antara anteseden,
melakukan hal itu menambah kekacauan visual yang tidak perlu sambil
tidak memberikan informasi yang secara khusus relevan dengan
interpretasi. Tetapi ketidakhadirannya dari diagram tidak boleh
diartikan sebagai ketidakhadirannya dari model.
Untuk mengurangi potensi membingungkan diagram konseptual
dan diagram statistik, saya menjelaskan dalam keterangan gambar
apakah diagram sesuai dengan model dalam bentuk statistik atau
konseptual. Selain itu, karena diagram konseptual tidak dimaksudkan
untuk menjadi representasi dari persamaan atau kumpulan persamaan,
model konseptual tidak akan menggambarkan kesalahan dalam
estimasi, sedangkan model statistik akan. Akhirnya, semua variabel
dalam model konseptual akan dilambangkan dengan kotak abu-abu,
sebagai lawan dari kotak putih yang digunakan dalam diagram statistik.
1.6 Perangkat Lunak Statistik

Saya percaya bahwa adopsi luas metode analisis modern sangat
difasilitasi ketika metode ini dijelaskan menggunakan perangkat lunak
yang sudah dikenal orang. Kemungkinan besar, Anda sudah memiliki
akses
4
Persamaan 1.1 dapat ditulis sebagai Y = iY + b1X1 + b2X2 + b3XW + 1e. Bobot 1 yang
diberikan pada e dalam persamaan 1.1 tersirat oleh ketidakhadirannya.
Introducti 3
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
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
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
perbedaan antara mediasi yang dimoderasi dan moderasi yang

dimediasi. Bab 13 mengintegrasikan prinsip-prinsip dari Bab 6, 10, 11,
dan 12, menerapkannya pada analisis proses bersyarat dengan variabel
anteseden multikategori.
Bagian kelima buku ini hanya berisi satu bab yang menutup tubuh
buku. Bab 14 membahas berbagai masalah lain-lain dan pertanyaan
umum tentang analisis mekanisme dan kemungkinannya. Beberapa
topik termasuk bagaimana pendekatan analisis yang kompleks,
penulisan ilmiah, pengobatan singkat desain tindakan berulang, dan
apakah variabel dapat menjadi moderator dan mediator dalam model
yang sama.
Sebagian besar buku metode statistik menyertakan lampiran, dan
yang ini tidak terkecuali. Lampiran A adalah dokumentasi untuk
PROCESS, makro yang tersedia secara bebas untuk SPSS dan SAS yang
sangat menyederhanakan analisis yang saya jelaskan dalam buku ini.
PROCESS telah berkembang pesat sejak rilis edisi pertama buku ini, dan
Lampiran B baru menjelaskan salah satu fitur baru terbesarnya: struktur
sintaks baru yang memungkinkan Anda membangun model dari awal
daripada harus bergantung pada model yang telah diprogram
sebelumnya. PROCESS telah menjadi sangat populer dalam beberapa
tahun terakhir, tetapi tidak semua orang yang mencoba
menggunakannya memahami dengan jelas apa yang dilakukannya atau
bagaimana tepatnya cara kerjanya. Saya sarankan membaca
dokumentasi sebelum menggunakan PROSES dalam penelitian apa pun
yang akan Anda coba publikasikan.
Ini adalah buku pengantar, jadi ada banyak hal penting, menarik,
dan beberapa orang bisa mengatakan poin kritis dan kontroversi yang
saya abaikan atau abaikan sama sekali. Misalnya, semua analisis yang
saya gambarkan dilakukan menggunakan analisis jalur berbasis regresi
OLS, yang mengasumsikan efek tetap, hasil berkelanjutan, dan tidak
adanya kesalahan pengukuran acak. Tentu saja, kita umumnya tidak
mengukur tanpa kesalahan, dan telah diketahui dengan baik bahwa
kegagalan untuk memperhitungkan kesalahan pengukuran acak dalam
variabel dalam model linier dapat menghasilkan bias dan kemungkinan
hasil yang menyesatkan. Dan seringkali hasil yang kita minati tidak
berkelanjutan. Sebaliknya, mereka mungkin mengambil salah satu dari
dua nilai atau mungkin diukur pada skala ordinal saja. Dalam kasus
seperti itu, regresi OLS tidak tepat. Saya juga mengabaikan tindakan
berulang dan desain bertingkat,
14.7. Ini semua adalah topik yang menarik dan penting, tentu saja, dan
ada literatur yang berkembang dalam penerapan analisis mediasi dan
moderasi, serta kombinasinya, untuk masalah seperti itu. Tetapi dengan
asumsi Anda tidak berencana untuk meninggalkan regresi OLS dalam
Introducti 4
waktu dekat karena beberapa kelemahan dan keterbatasannya, saya
yakin Anda tidak akan lebih buruk untuk dipakai dan, saya perkirakan,
bahkan sedikit lebih baik setelah Anda memutar yang terakhir. halaman
dan
telah mengembangkan pemahaman tentang bagaimana menggunakan

regresi OLS untuk memodelkan proses kontingen yang rumit.
1.8 Ringkasan Bab

Hasil studi empiris lebih mengesankan, lebih berpengaruh, dan lebih
membantu untuk pemahaman kita tentang bidang penyelidikan ilmiah
jika menetapkan tidak hanya apakah atau jika X mempengaruhi Y tetapi
juga bagaimana dan kapan hubungan itu bertahan atau kuat versus
lemah. Jika semua efek ada melalui semacam mekanisme, dan semua
efek memiliki semacam kondisi batas, maka analisis paling lengkap
menjawab pertanyaan bagaimana dan kapan secara bersamaan. Dalam
bab ini saya telah memperkenalkan konsep mediasi (bagaimana X
memengaruhi Y) dan moderasi (ketika X memengaruhi Y) dan
kombinasinya dalam bentuk model proses bersyarat. Meskipun analisis
data tidak dapat digunakan untuk menunjukkan atau membuktikan
klaim kausal, analisis data dapat digunakan untuk menentukan apakah
data konsisten dengan proses kausal yang diusulkan. Dengan demikian,
metode yang dijelaskan dalam buku ini berguna untuk menguji proses
kausal bahkan data yang tidak ada yang memberikan interpretasi kausal
yang tegas. Penekanan saya di seluruh buku ini adalah pada
penggunaan analisis jalur berbasis regresi sebagai sarana untuk
memperkirakan berbagai efek kepentingan (langsung dan tidak
langsung, bersyarat dan tidak bersyarat). Untuk memahami materi di
seluruh buku ini, prinsip-prinsip dasar pemodelan linier menggunakan
analisis regresi harus dipahami dengan baik. Dengan demikian, bab
berikutnya memberikan gambaran tentang dasar-dasar analisis regresi
linier. bersyarat dan tidak bersyarat). Untuk memahami materi di
linier. bersyarat dan tidak bersyarat). Untuk memahami materi di
linier.
Introducti 4
2
Dasar-dasar Analisis Regresi Linier
Analisis regresi kuadrat terkecil biasa (OLS) berfungsi sebagai dasar

untuk banyak hal yang dibahas dalam buku ini. Dalam bab ini, saya
memberikan gambaran tentang prinsip-prinsip regresi OLS, termasuk
proses estimasi, mengukur kecocokan model, interpretasi informasi
hasil regresi linier, dan dasar-dasar inferensi statistik.
Selama pemilihan Presiden AS tahun 2000 antara Gubernur Texas

George W. Bush dan Wakil Presiden Al Gore, kampanye Bush merilis
iklan televisi di mana ia menggambarkan dunia sebagai salah satu "teror,
orang gila, dan rudal." Dia berpendapat perlunya "pedang tajam" di
dunia yang berbahaya dan berjanji bahwa jika terpilih, dia akan
membangun kembali militer yang menderita dari peralatan yang menua
dan moral yang rendah, membantu melindungi Amerika Serikat dan
sekutunya dari pemerasan oleh negara lain dengan membangun sebuah
sistem pertahanan rudal, dan bahwa kebijakan luar negerinya akan
menjadi “dengan sentuhan besi” yang dimotivasi oleh kepentingan AS.
Demikian pula, dalam kampanye 2016 antara Hillary Clinton dan
Donald J. Trump, Trump memperingatkan pemilih tentang bahaya
kebijakan Demokrat yang dapat memungkinkan teroris dari Timur
Tengah dan "pemerkosa dan pengedar narkoba" dari Meksiko akses
mudah ke tanah Amerika dan tempat yang aman untuk melakukan
kejahatan mereka. Pesan tidak terlalu halus yang digunakan oleh para
politisi ini adalah bahwa ini adalah dunia menakutkan yang penuh
dengan orang-orang yang ingin menyakiti Amerika Serikat, dan dengan
memilih Bush atau Trump sebagai Presiden, kita semua akan lebih
aman.
Politisi bukan satu-satunya yang menggunakan emosi dalam upaya
mereka untuk mempengaruhi publik. Pertimbangkan pengumuman
layanan masyarakat yang diproduksi oleh Dana Pertahanan Lingkungan
di mana seorang pria tampaknya berusia 40-an berdiri di rel kereta api
sebagai lokomotif, peluit meraung, berteriak ke arahnya. Saat layar
bertransisi bolak-balik antara wajahnya dan berbagai bidikan kereta api
dari sudut yang berbeda, dia menyatakan dengan sebenarnya,
”Pemanasan global. Beberapa orang mengatakan konsekuensi yang tidak
dapat diubah adalah 30 tahun lagi.”
29
Bidikan kereta api lainnya ditampilkan, dan kamera kemudian

memfokuskan pada wajahnya saat dia menyatakan dengan nada
sombong, “30 tahun? Itu tidak akan mempengaruhi saya,” pada saat itu
dia melangkah ke samping untuk memperlihatkan seorang gadis muda
yang berdiri di belakangnya di atas rel. Kamera memperbesar wajahnya
yang khawatir tepat sebelum kereta menabraknya.
Iklan semacam itu berusaha untuk menarik sifat dasar kemanusiaan
dengan menarik hati kita daripada melibatkan kepala kita. Asumsinya
adalah bahwa tindakan orang dipandu oleh apa yang mereka rasakan.
Jika Anda ingin merangsang orang untuk bertindak (misalnya, memilih
politisi tertentu, menyumbang untuk suatu tujuan, atau memobilisasi
untuk mempengaruhi perubahan) tarik emosi mereka sambil memberi
mereka tindakan untuk mengatasi emosi yang dihasilkan dari pesan
tersebut. . Daya tarik emosional telah digunakan sebagai alat persuasif
selama orang dapat berkomunikasi, dan tidak diragukan lagi mereka
akan ada selama kita berada.
Dalam bab ini, saya memperkenalkanbeberapa prinsip analisis regresi
linier menggunakan data dari studi yang meneliti sejauh mana
keyakinan masyarakat tentang apakah dan bagaimana pemerintah harus
memberlakukan undang-undang baru untuk mengurangi dampak krisis
lingkungan terkait dengan respons emosional mereka terhadap potensi
krisis tersebut. Regresi linier adalah dasar dari sebagian besar metode
yang saya jelaskan dalam buku ini, jadi pemahaman yang kuat tentang
dasar-dasar regresi linier sangat penting. Saya berasumsi bahwa
sebagian besar pembaca telah terkena regresi linier dalam beberapa
bentuk sebelum menemukan buku ini, dan beberapa materi akan
ditinjau. Meski begitu, saya mendorong semua orang untuk membaca
bab ini. Tidak hanya akan membantu menyegarkan pemahaman Anda
tentang regresi linier, tetapi Anda juga akan lebih mudah memahami
materi dalam bab-bab berikutnya dengan pemahaman tentang cara saya
berbicara tentang regresi linier. Selanjutnya, saya memperkenalkan
beberapa notasi dalam dua bab ini yang akan digunakan di seluruh buku
ini.
2.1Korelasi dan Prediksi

Sejauh mana kepercayaan masyarakat tentang peran yang harus dimainkan
pemerintah dalam mengurangi potensi dampak krisis global terkait dengan
emosi mereka?reaksi terhadap krisis seperti itu? Untuk menjawab
pertanyaan ini, saya mengandalkan data dari 815 penduduk Amerika
Serikat (417 perempuan, 398 laki-laki) yang menyatakan kesediaan untuk
berpartisipasi dalam survei online dengan imbalan berbagai insentif.
Fundamentals of Linear Regression 3
Prosedur pengambilan sampel dirancang sedemikian rupa sehingga
responden secara kasar mewakili populasi AS. Dataset (bernama
GLBWARM) dapat diunduh dari halaman web untuk buku ini yang
terletak diwww.afhayes.com. Dataset berisi variabel yang dibangun dari
bagaimana setiap peserta menanggapi lima pertanyaan tentang sejauh
mana dia mendukung berbagai kebijakan atau tindakan oleh pemerintah
AS untuk mengurangi ancaman.
dari perubahan iklim global. Contohnya termasuk "Seberapa besar Anda

mendukung atau menentang peningkatan investasi pemerintah untuk
mengembangkan energi alternatif seperti biofuel, angin, atau matahari
sebesar 25%?" dan “Seberapa besar Anda mendukung atau menentang
pembuatan kebijakan 'Cap and Trade' yang membatasi gas rumah kaca
yang dikatakan menyebabkan pemanasan global?” Opsi respons
diskalakan dari "Sangat menentang" (berkode 1) atau "Sangat
mendukung" (7), dengan label menengah untuk menunjukkan tingkat
dukungan menengah. Sebuah indeks dukungan untuk tindakan
pemerintah untuk mengurangi perubahan iklim dibangun untuk setiap
orang dengan rata-rata tanggapan terhadap lima pertanyaan (GOVACT
dalam file data).
Dataset juga berisi variabel yang mengukur respons emosional
negatif peserta terhadap prospek perubahan iklim. Variabel ini dibangun
menggunakan tanggapan peserta terhadap pertanyaan yang meminta
mereka untuk menunjukkan seberapa sering mereka merasakan masing-
masing dari tiga emosi ketika memikirkan tentang pemanasan global:
"khawatir", "khawatir", dan "khawatir". Pilihan jawaban termasuk “tidak
sama sekali”, “sedikit”, “sedikit”, “sebagian”, “cukup”, dan “sangat
banyak”. Tanggapan ini diberi kode numerik 1 sampai 6, masing-
masing, dan tanggapan masing-masing peserta dirata-ratakan di ketiga
emosi untuk menghasilkan ukuran emosi negatif tentang perubahan
iklim (NEGEMOT dalam file data). Variabel ini diskalakan sedemikian
rupa sehingga skor yang lebih tinggi mencerminkan perasaan emosi
negatif yang lebih kuat.
Apakah orang yang merasakan emosi negatif yang lebih kuat tentang
prospek perubahan iklim melaporkan dukungan yang lebih besar untuk
tindakan pemerintah daripada mereka yang merasakan emosi negatif
seperti itu pada tingkat yang lebih rendah? Scatterplot pada Gambar
2.1 menggambarkan hubungan antara dukungan untuk tindakan
pemerintah dan emosi negatif tentang perubahan iklim. Scatterplot ini
dihasilkan SPSS menggunakan perintah
kemudian diedit menggunakan

grafik/scatterplot=negemot fungsi
dengan binning dan berbagai fitur lainnya di
govact.
SPSS. Perintah yang sebanding di SAS adalah
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
visual seperti scatterplot. Korelasi momen produk Pearson, yang secara
simbolis dikenal sebagai r Pearson, adalah a
6
GOVACT: Dukungan untuk tindakan
0
01 2
34567
NEGEMOT: Emosi negatif tentang perubahan iklim (X)
GAMBAR 2.1.Sebuah scatterplot hubungan antara emosi negatif tentang perubahan

iklim dan dukungan untuk tindakan pemerintah untuk mengurangi perubahan iklim.
(Catatan: Ukuran titik mencerminkan jumlah kasus pada titik tersebut di plot.)
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
dengan
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
GAMBAR 2.2.Keluaran SPSS menunjukkan korelasi Pearson antara tanggapan emosional

negatif terhadap perubahan iklim (NEGEMOT) dan dukungan untuk tindakan pemerintah
(GOVACT).
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
standar
penyimpangan dari rata-rata sampel pada Y sebuah kasus diberikan

berapa banyak standar deviasi dari sampel rata-rata kasus tersebut pada
X. Lebih formal,
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.
2.2 Model Regresi Linier Sederhana

Model regresi linier adalah persamaan yang menghubungkan satu atau
lebih variabel input ke variabel output dengan memanfaatkan informasi
yang terkandung dalam hubungan antara input dan output. Variabel
input sering disebut variabel prediktor, independen, atau penjelas, tetapi
dalam Bab 1 saya memperkenalkan istilah variabel anteseden, jadi saya
akan menggunakan istilah itu. Variabel output disebut kriteria, hasil,
atau variabel dependen, sinonim untuk variabel konsekuen, istilah juga
diperkenalkan di Bab 1. Banyak prosedur statistik yang digunakan
ilmuwan dapat direpresentasikan dalam bentuk model regresi, seperti
uji t kelompok independen dan analisis varians.
Tujuan ketika melakukan analisis regresi linier adalah untuk

memperkirakan berbagai parameter model regresi sedemikian rupa
sehingga persamaan yang dihasilkan menghasilkan perkiraan variabel
konsekuen dari satu atau lebih variabel anteseden yang sebaik mungkin,
mengingat bagaimana seseorang mendefinisikan "baik" dan berbagai
asumsi yang dibuat tentang hubungan antara variabel, seperti linearitas.
Informasi yang berasal dari model regresi dapat digunakan untuk
menguji hipotesis tentang proses yang menghubungkan anteseden dan
konsekuen, anteseden mana yang harus digunakan dan yang diabaikan
ketika mencoba menjelaskan variasi dalam konsekuen, dan berbagai hal
lain yang menarik minat para ilmuwan.
Model regresi linier sederhana adalah salah satu bentuk yang lebih
mendasar yang diambil model regresi, karena hanya berisi satu variabel
anteseden.Model regresi linier sederhana adalah
YJ= iY + bXj + ej (2.1)

dimana Yj dan Xj mengacu pada pengukuran kasus j pada variabel
konsekuen dan variabel anteseden, masing-masing, b adalah koefisien
regresi atau bobot regresi untuk variabel anteseden X, iY adalah
konstanta regresi, dan ej adalah kesalahan dalam estimasi nilai kasus j
dari Y dari kasus j nilai X, juga dikenal sebagai residual. Proses
pendugaan model regresi disebut sebagai regresi Y pada X. Ketika
menganalisis data menggunakan model regresi linier, kita mengetahui Xj
dan Yj, karena ini adalah datanya. Tujuan kami adalah menemukan apa
yang tidak kami ketahui, iY dan b, dan kemudian menginterpretasikan
informasi yang dihasilkan model regresi setelah diturunkan.
Misalkan kita tahu iY dan b. Dalam hal ini, kita dapat menghasilkan
estimasi Y dari X dengan varian model ini:
kamuˆ j =saya kamu + bXj (2.2)
di manakamuˆ j adalah kasusnilai estimasi, nilai pas, atau prediksi j dari Y

yang diberikan kasus j's X
nilai. Substitusi persamaan 2.2 ke persamaan 2.1 menghasilkan
kamu j =kamu ˆ j +ej
dan mengisolasi hasil

ej
e j =kamu j −kamuj
Jadi, residual ej pada persamaan 2.1 adalah selisih antara nilai estimasi
kasus j untuk Y dari persamaan 2.2 dan nilai aktual kasus j dari Y.
Menempatkan semua ini bersama-sama, jika kita tahu iY dan b, kita
bisa menghasilkan perkiraan nilai Y kasus j dari nilai X kasus j. Namun,
perkiraan ini kemungkinan tidak akan sama persis dengan Yj. Selisih
antara Yj dan Yˆ j adalah
residual kasus j, yang mewakili perbedaan antara nilai aktual kasus j

pada Y dan apa yang diestimasi Y untuk diberikan nilai j dari X.
Ada banyak sekali pasangan nilai iY dan b yang dapat digunakan
untuk menghasilkan estimasi Y dari X dari persamaan 2.2. Tetapi ketika
Anda memperkirakan model regresi linier menggunakan kriteria
kuadrat terkecil biasa, Anda hanya akan mendapatkan satu dari banyak
kemungkinan pasangan. Pasangan nilai untuk konstanta regresi dan
koefisien yang dihasilkan oleh prosedur regresi kuadrat terkecil biasa
(OLS) adalah khusus karena meminimalkan jumlah sisa kuadrat
(SSresidual), yang didefinisikan sebagai
SS )2
n
–kamu = (2.3)
( sisa ∑
= kamu e2 n
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
Jadi regresi OLS (yaitu, analisis regresi menggunakan kriteria kuadrat

terkecil)memperoleh nilai iY dan b dalam persamaan 2.1 dan 2.2 yang
menghasilkan model data yang paling sesuai seperti yang didefinisikan
oleh kriteria kuadrat terkecil— artinya mereka membuat SSresidual
sekecil mungkin, dan tentu saja di antara 0 dan SStotal.
Paket statistik paling populer termasuk rutin untuk memperkirakan
model regresi OLS. Misalnya, di SPSS dan SAS, model regresi sederhana
yang memperkirakan dukungan untuk tindakan pemerintah untuk
mengurangi efek perubahan iklim (Y) dari emosi negatif terkait
perubahan iklim (X) akan dihasilkan menggunakan perintah
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
regresi OLS yang paling pas adalah
kamuˆ j = 2,757 + 0,514Xj (2.4)
Ringkasan Model
R . yang Std. Kesalahan
Model R Kotak R disesuaik Perkiraan
anKotak
sebu
1 .578 .334 .333 1.11109
ah
a. Prediktor:(Konstan), NEGEMOT: Emosi negatif tentang perubahan iklim
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
sebuah. Variabel Dependen: GOVACT: Dukungan untuk tindakan pemerintah

b. Prediktor: (Konstan), NEGEMOT: Emosi negatif tentang perubahan iklim
^
^ Koefisiensebuah
Zkamuj= 0,578ZXj
kamu=
jj
2,757 + 0,514X
Standar
Koefisien tidak standar
Koefisien Interval Keyakinan 95,0% untuk B
Beta
Model B Std. Kesalahan t Batas bawah
Tanda tangan Batas Atas
1 2,757 .099 27.948 .000 2.564 2.951
(Konstan) .514 .025 20.183 .000 .464 .564
NEGEMOT: Emosi negatif tentang perubahan iklim
.578
sebuah. Variabel Dependen: GOVACT: Dukungan untuk tindakan pemerintah
GAMBAR 2.3.Output SPSS dari analisis regresi sederhana memperkirakan dukungan

untuk tindakan pemerintah untuk mengurangi perubahan iklim dari emosi negatif tentang
perubahan iklim.
Kedua nilai iY dan b ini adalah pasangan nilai yang membuat

SSresidual menjadi kecil sebagai dia bisa mungkin menjadi di sebuah
model dari itu membentukkamuˆ j =saya kamu + bXj. Mengamati pada
Gambar 2.3 bahwa SSresidual = 1003.673. Tidak ada model dari bentuk
dalam persamaan 2.1 yang akan menghasilkan SSresidual yang lebih
kecil.
Menggunakan persamaan 2.4, perkiraan dukungan setiap orang
untuk pemerintahtindakan (Yˆ) dapat dihasilkan dengan memberikan
informasi tentang emosi negatif orang tersebut tentang perubahan iklim
(X). Misalnya, untuk seseorang dengan skor emosi negatif X = 4, model
menghasilkan
kamuˆ =2,757 + 0,514(4) = 4,813. Misalkan dukungan aktual orang ini untuk
tindakan pemerintah, Y, adalah 3,6. Jika demikian, maka sisa orang ini
adalah e–= 3,6 4,813
− = 1,213. Model tersebut melebih-lebihkan dukungan
orang ini untuk tindakan pemerintah sebanyak 1.213 unit.
Persamaan regresi sederhana dapat direpresentasikan secara visual
dalam bentuk garis pada bidang dua dimensi. Pada Gambar 2.4, garis
regresi telah ditumpangkan pada sebar data. Menggunakan representasi
visual ini, perkiraan Yˆ dapat diperoleh dengan memilih nilai
pada sumbu horizontal, memproyeksikan ke atas secara vertikal hingga
Anda memotong garis, dan kemudian memproyeksikan secara
horizontal ke sumbu vertikal. Titik di mana proyeksi horizontal
menyentuh sumbu vertikal adalah Yˆ dari model regresi. Misalnya,
seperti yang terlihat pada Gambar 2.4, ketika X = 3, model
8
Kasus dengan residu positif
7
6
GOVACT: Dukungan untuk tindakan
5
^
kamu= 4.299
3
^
2 kamuj= 2,757 + 0,514Xj
X= 3.000 Kasus dengan residu negatif

0
01234567
NEGEMOT: Emosi negatif tentang perubahan iklim (X)
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).
hasilAnda berada di antara 4 dan 4,5. Dari model tepatnya

matematis membentuk (persamaan 2.4), itu estimate untuk X = 3
adalahkamuˆ = 4.299.
Interpretasi Konstanta dan Koefisien Regresi

Model regresi linier sederhana menghubungkan X ke Y secara matematis
dengan mengungkapkanhubungan antara X dan Y dalam bentuk
persamaan garis. Mengingat kembali ke sekolah menengah, ingatlah
bahwa persamaan garis memiliki dua komponen: kemiringan, dan
perpotongan Y. Dalam persamaan regresi linier, koefisien regresi sesuai
dengan kemiringan garis, dan karena alasan ini, koefisien regresi
kadang-kadang disebut kemiringan regresi. Ini mengkuantifikasi berapa
banyak dua kasus yang berbeda satu unit pada X diperkirakan berbeda
pada Y. Lebih formal, untuk setiap nilai X = x,
b = [Yˆ|(X = x)] −[Yˆ|(X= x −1)] (2.5)
di mana garis vertikal “ ”| berarti “dikondisikan pada”, “diberikan”, atau

“kapan”. Dengan demikian, persamaan 2.5 dapat dibaca “b sama dengan
nilai taksiran Y ketika X = x dikurangi nilai taksiran Y ketika X = x
dikurangi 1.” Jadi diterapkan
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.
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
dukungan untuk tindakan pemerintah adalah iY = Y = 4,587, untuk

seseorang yang
rata-rata dalam reaksi emosional negatifnya terhadap perubahan iklim.
Model Regresi Standar

Sejauh ini, interpretasi dari koefisien regresi dalam model regresi telah
ditulis dalam bentuk metrik yang tidak standar atau mentah. Banyak
rutinitas regresi juga akan menghasilkan versi model dalam bentuk
standar. Model regresi terstandarisasi adalah apa yang dihasilkan ketika
semua variabel pertama kali distandarisasi sebelum estimasi model
dengan menyatakan setiap pengukuran dalam satuan deviasi standar
dari rata-rata sampel. Ketika ini dilakukan, model yang dihasilkan
mengambil bentuk
Zˆ kamu j =bZXj (2.7)
di mana ZY dan ZX adalah versi standar dari Y dan X, dan b˜ adalah

koefisien regresi standar untuk X. Perhatikan bahwa model regresi
standar tampaknya tidak mengandung konstanta. Faktanya, memang
demikian, meskipun konstanta dalam model regresi standar selalu nol,
jadi tidak perlu memasukkannya ke dalam persamaan 2.7.
Meskipun seseorang dapat secara formal menstandardisasi X dan Y
sebelum memperkirakan model regresi, ini biasanya tidak diperlukan.
Sebagian besar paket statistik yang melakukan regresi OLS akan
memberikan model regresi standar di bagian output. Dalam output SPSS
pada Gambar 2.3, misalnya, koefisien regresi standar dapat ditemukan di
bawah kolom berlabel "Koefisien standar." Jadi, dalam model perubahan
iklim,
terstandarisasirjalan keluar persamaan adalahZ ˆ kamu j =0,578ZXj , di mana ZY
dan ZX adalah
dukungan standar untuk tindakan pemerintah dan emosi negatif
standar, masing-masing.
Koefisien regresi standar ditafsirkan sebagai perbedaan yang
diharapkan dalam Y, dalam standar deviasi, antara dua kasus yang
berbeda dengan satu standar deviasi pada X. Jadi, dua orang yang
berbeda satu standar deviasi dalam emosi negatif mereka tentang
perubahan iklim diperkirakan
berbeda dengan b˜ = 0,578 standar deviasi dalam dukungan mereka untuk
pemerintah
tindakan. Koefisien positif berarti bahwa orang dengan lebih banyak
emosi negatif diperkirakan memiliki dukungan yang lebih kuat terhadap
tindakan pemerintah untuk memitigasi perubahan iklim. Perhatikan
bahwa koefisien regresi standar sama persis dengan korelasi Pearson
antara X dan Y. Ini akan benar dalam model regresi apa pun dengan
hanya satu anteseden, tetapi tidak digeneralisasi ke model dengan lebih
dari satu anteseden.
Regresi Sederhana dengan Variabel Anteseden Dikotomis

Dalam persamaan regresi linier, variabel anteseden dapat berupa dimensi
kuantitatif (misalnya, seperti dalam contoh sejauh ini) atau variabel
dikotomis.Contoh variabel dikotomis adalah apakah seseorang adalah
laki-laki atau perempuan, atau yang mana dari dua kondisi peserta
ditugaskan dalam percobaan atau uji klinis, seperti apakah seseorang
dalam studi obat menerima obat eksperimental atau plasebo. Tidak ada
modifikasi yang diperlukan untuk matematika saat menggunakan
variabel dikotomis dan anteseden. Sebagai ilustrasi, saya akan
menggunakan analisis regresi linier untuk memperkirakan perbedaan
antara laki-laki dan perempuan (X) dalam mendukung tindakan
pemerintah untuk mitigasi perubahan iklim (Y). File data GLBWARM
berisi variabel (SEX) coding apakah peserta adalah laki-laki (berkode 1,
51,2% dari peserta) atau perempuan (berkode 0, 48,8%). Menghitung rata-
rata dukungan untuk tindakan pemerintah di setiap jenis kelamin
mengungkapkan bahwa laki-laki rata-rata sedikit kurang mendukung
tindakan pemerintah (Yma = 4.450, SD = 1.
(Yperempuan = 4,718, SD = 1,165). Regresi Y pada X
regresi/statistik default ci/dep=govact/method=masukkan jenis kelamin.
proc reg data=glbwarm;model govact=seks/stb clb;lari;

hasil
kamuˆ j = 4.718 −0.268Xj
as can be seen in the SAS output in Figure 2.5. The regression constant
iYmasih merupakan nilai estimasi Y ketika X = 0. Dalam hal ini,
perempuan adalah
berkode X =0, jadi Yˆ = 4,718. Ini adalah perkiraan dukungan untuk pemerintah
tindakan di antara wanita, dan itu sesuai dengan rata-rata sampel untuk
wanita:
iY= Yperempuan = 4,718. Koefisien regresi mempertahankan interpretasi
matematisnya sebagai estimasi perbedaan Y antara dua kasus yang
berbedaoleh satu unit pada X, dengan tanda negatif memberi tahu kita
bahwa kasus yang lebih tinggi pada X diperkirakan lebih rendah pada Y.
Ini konsisten dengan rata-rata yang dilaporkan sebelumnya. Laki-laki,
yang diberi kode satu unit lebih tinggi pada X relatif terhadap
perempuan, rata-rata lebih rendah dalam mendukung tindakan
pemerintah. Selanjutnya, amati bahwa perbedaan antara rata-rata adalah
tepat 0,268 unit pada skala (yaitu, Ymale Yfemale = 4,450 4,718 = 0,268).
Jadi koefisien regresi–− mengkuantifikasi perbedaan − antara rata-rata
kelompok.
Dalam regresi sederhana dengan variabel anteseden dikotomis, model
akan menghasilkan estimasi untuk Y yang sesuai dengan rata-rata kedua
kelompok. Telah ditunjukkan sebelumnya bahwa untuk perempuan, X = 0
dan
model menghasilkankamu ˆ =4.718− 0,268(0) =4.718 = Yperempuan. Untuk
laki-laki, X = 1
dan itu model menghasilkankamuˆ = 4.718 −0.268(1) = 4.450 =kamu pria.
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
Root MSE 1.35464 R- 0,0097

Persegi
Rata-rata 4.58699 Adj R-Sq 0,0085
Dependen
kamu=
^ 4,718 _ 0,268X Coeff Var 29,53214
j j Perkiraan Parameter
Parameter Standar Standar

Variabel DF Memperki Kesalahan Nilai t Pr > |t| Memperkirakan
rakan
Mencegat 1 4.71799 0,06634 71.12 <.0001 0

Perkiraan Parameter
seks 1 -0,26824 0,09493 -2.83 0,0048 -0,09862
Variabel DF Batas Keyakinan 95% Z=

^ _0.099Z
Mencegat 1 4.587774.84820 kamuj Xj
seks 1 -0.45457-0.08190
GAMBAR 2.5.Keluaran SAS dari analisis regresi sederhana yang memperkirakan

dukungan untuk tindakan pemerintah dalam mitigasi perubahan iklim global (kamu) dari
jenis kelamin peserta (X).
Meskipun model akan selalu menghasilkan mean grup, koefisien

regresi dan konstanta regresi akan bergantung pada bagaimana kedua
grup dikodekan. Misalnya, perempuan diberi kode X = 1 dan laki-laki −
diberi kode X = 1. Dalam kasus itu, model regresinya adalah
kamuˆ = 4.584
– −0,134X.Sekarang b = 0.134 adalah
setengah dari itu perbedaan di antara
rata-rata tersebut dan iY adalah rata-rata tidak berbobot dari rata-rata:
(Yma+Yfemale)/2.
Tetapimodel masih mereproduksi cara kelompok. Untukperempuan, Yˆ
=
4.584 −0.134(−1) = 4.718, dan untuk laki-laki,kamuˆ = 4.584 −0.134(1) =
4.450.
Ketika X adalah variabel dikotomis, koefisien regresi akan selalumenjadi
beberapa fungsi dari perbedaan antara nilai-nilai kode yang digunakan
untuk kode kelompok. Khususnya, jika kode angka yang lebih besar
adalah XL dan kode angka yang lebih kecil adalah XS,
YXLYXS
b= XLXS
dimana YXL dan YXS adalah rata-rata grup untuk kedua grup yang
diberi kode X = XL dan X = XS. Misalnya, jika dua kelompok berbeda dua
unit pada X, maka b adalah setengah dari perbedaan antara rata-rata
kelompok. Jika mereka berbeda tiga unit pada X, maka b adalah
sepertiga dari perbedaan rata-rata, dan jadi
maju. Saya merekomendasikan untuk membiasakan diri untuk selalu

mengkodekan variabel dikotomis sedemikian rupa sehingga kedua
kelompok hanya berbeda satu unit, sehingga b dapat diartikan sebagai
perbedaan antara cara kelompok. Saya biasanya akan menggunakan 0
dan 1 dalam buku ini.
Perhatian tentang Coe Regresi Standarilmiah. Model regresi standar
memperkirakan dukungan untuk tindakan pemerintah dari jenis kelamin adalah
Zˆ kamu = 0.099ZX
j j
Jadi, iY = 0 dan b˜ = 0,099. Meskipun b˜ dapat diartikan secara

−
matematisistilah sebagai perbedaan yang diperkirakan dalam Y, dalam
standar deviasi, antara dua kasus yang berbeda dengan satu standar deviasi
pada X, ini tidak berarti sub-secara kokoh. Jumlah standar deviasi di mana
dua kelompok berbeda pada kelompok pengkodean variabel dikotomis
akan tergantung pada distribusi kasus di kedua kelompok. Dalam data
tersebut, 48,8% sampel adalah perempuan (X = 0) dan 51,2% adalah laki-
laki (X = 1). Simpangan baku dari X adalah
0,499. Jadi perempuan dan laki-laki berbeda lebih dari dua standar deviasi
pada
X. Itu berarti bahwa b˜ hanya sekitar setengah dari perbedaan rata-rata antara
laki-laki dan perempuan dalam satuan simpangan baku Y.
Jika hal ini selalu terjadi, akan cukup mudah untuk mengingat bahwa
kita hanya perlu mengalikan b˜ dengan sekitar dua untuk
menafsirkannya sebagai perbedaan rata-rata dalam deviasi standar Y.
Namun, jumlah standar
penyimpangan kelompok yang berbeda pada X adalah fungsi dari
distribusi kasus di kedua kelompok. Jika kelompok-kelompok itu dibagi,
katakanlah, 40:60, mereka akan berbeda sekitar 2,04 standar deviasi pada
X, dan b˜ akan kurang dari
setengah dari perbedaan rata-rata dalam Y standar. Jika mereka dibagi
30:70, mereka akan berbeda sekitar 2,17 standar deviasi, dan b˜ akan
lebih kecil lagi. Pada pemisahan 20:80, kelompok-kelompok tersebut
berbeda 2,5 standar deviasi pada X, dan b˜ masih lebih kecil. Semakin X
mendukung satu kelompok, semakin standar
penyimpangan kelompok akan berbeda pada X, dan b˜ yang lebih kecil akan
menjadi.
Maksud saya adalah bahwa ketika variabel anteseden dikotomis,
minat substantif kita secara alami berfokus pada perbedaan antara
kelompok pada Y.
Jika grup dikodekan sedemikian rupa sehingga mereka berbeda satu
unit pada X, maka b selalu merupakan selisih rata-rata antara grup pada
Y. Tidak demikian untuk b˜. Koefisien regresi standar adalah fungsi dari
perbedaan rata-rata dan
distribusi kasus di seluruh kelompok. Ini adalah sifat yang tidak
diinginkan dari b˜ ketika X dikotomis. Saya merekomendasikan bahwa
regresi standar
sion coecient untuk variabel anteseden dikotomis tidak ditafsirkan atau
dilaporkan.
Jika Anda menginginkan indeks perbedaan rata-rata dalam satuan
standar deviasi, saya merekomendasikan standarisasi Y tetapi bukan X
dikotomis dan kemudian menafsirkan-ing koefisien regresi tidak standar
dalam model memperkirakan ZY dari
X. Dalam model seperti itu, b adalah koefisien regresi terstandarisasi

sebagian. Dalamcontoh regresi sederhana dengan emosi negatif sebagai
satu-satunya variabel anteseden, melakukannya menghasilkan
Zˆ kamu j = 0,096 −0.197Xj
Konstanta iY adalah rata-rata standar Y untuk wanita, dan b adalah

perbedaan rata-rata antara pria dan wanita dalam standar deviasi Y. Jadi
pria diperkirakan berbeda dari wanita sebesar 0,197 standar deviasi
dalam dukungan mereka untuk tindakan pemerintah. Tanda negatif
untuk b berarti laki-laki lebih rendah dari perempuan, rata-rata, dalam
dukungan mereka. Koefisien regresi terstandardisasi sebagian tidak akan
bergantung pada distribusi kasus ke dalam dua kelompok yang
ditentukan oleh X.
Catatan tentang Representasi Simbolik

Sebuah penyimpangan singkat adalah dalam rangka pada saat ini.
Penting ketika melaporkan hasil analisis untuk menentukan simbol yang
Anda gunakan kecuali ada konvensi yang kuat, karena kegagalan untuk
melakukannya dapat mengundang kebingungan. Penggunaan b dan
yang berbeda dalam analisis regresi merupakan contoh kasus yang
penting. Ada banyak ketidakkonsistenan dalam literatur substantif dan
metodologi tentang bagaimana koefisien regresi dilambangkan dalam
bentuk yang tidak terstandarisasi versus terstandarisasi. Beberapa
menggunakan b atau B untuk merujuk pada koefisien regresi yang tidak
distandarisasi dan untuk merujuk pada koefisien regresi yang
distandarisasi. Lainnya, daripada menggunakan , mengejanya dengan
merujuk "bobot beta" atau hanya berbicara tentang "beta". Beberapa
menggunakan untuk merujuk pada koefisien regresi populasi,
untuk membedakannya dari perkiraan sampel, yang lain menggunakan
sebagai bobot regresi tidak terstandarisasi, dan masih ada orang lain
yang menggunakan untuk merujuk ke sampel koefisien regresi tidak
terstandarisasi dan meninggalkan topi untuk populasi yang sesuai atau
nilai "benar". Dalam buku ini, saya menggunakan b˜ untuk bobot regresi
standar.
Pada akhirnya, simbol yang kita gunakan sebagian besar bersifat
arbitrer. Kami
dapat menggunakan simbol apapun yang kita inginkan. Maksud saya
adalah Anda tidak boleh berasumsi bahwa orang lain akan tahu arti
simbol yang Anda gunakan, karena simbol yang Anda kenal untuk
mewakili konsep tertentu mungkin tidak dipahami sebagai mewakili
konsep tersebut oleh semua orang. Hal yang sama berlaku untuk istilah
seperti "koefisien beta" atau verbalisasi simbol lainnya. Sebaiknya
tentukan simbol Anda terlebih dahulu, atau beri tahu pembaca Anda apa
arti simbol Anda saat digunakan dalam teks dan tabel. Ini akan
membantu orang lain lebih memahami dan menafsirkan pekerjaan
Anda.
2.3 Penjelasan Alternatif untuk Asosiasi

Bahwa "korelasi tidak menyiratkan sebab-akibat" terukir di otak semua
ilmuwan. Jika variabel X dan Y berkorelasi, itu tidak berarti bahwa X
menyebabkan Y atau Y menyebabkan X. Kemampuan untuk
menyimpulkan sebab-akibat bahkan pada akhirnya bukan masalah
statistik. Sebaliknya, itu adalah desain studi seseorang, prosedur
pengumpulan data yang digunakan, dan teori yang masuk akal yang
paling langsung mempengaruhi apakah klaim sebab-akibat dapat dibuat
dan dengan tingkat kepercayaan apa, bukan ukuran atau tanda indeks
statistik asosiasi. Tidak adanya fitur desain tertentu, banyak proses baik
sistematis dan serampangan dapat menyebabkan hubungan antara dua
variabel. Proses ini berfungsi sebagai penjelasan alternatif untuk sebuah
asosiasi, dan mereka mengganggu kemampuan peneliti untuk membuat
klaim kausal. Semakin besar jumlah penjelasan alternatif seperti itu,
semakin tidak nyaman kita harus membuat klaim sebab-akibat dari apa
pun selain hubungan antar variabel. Ingat dari bagian 2.2 bahwa emosi
negatif tentang perubahan iklim dan dukungan untuk tindakan
pemerintah untuk mengurangi perubahan iklim terkait secara positif.
Apakah ini berarti jika kita bisa membuat orang lebih cemas dan takut
tentang perubahan iklim, mereka akan lebih mendukung tindakan
pemerintah? Mungkin, tetapi tentu saja hubungan antara dua variabel ini
saja tidak cukup untuk menjamin kesimpulan kausal seperti itu.
Alternatif 2 bahwa emosi negatif tentang perubahan iklim dan dukungan
untuk tindakan pemerintah untuk mengurangi perubahan iklim terkait
secara positif. Apakah ini berarti jika kita bisa membuat orang lebih cemas
dan takut tentang perubahan iklim, mereka akan lebih mendukung
tindakan pemerintah? Mungkin, tetapi tentu saja hubungan antara dua
variabel ini saja tidak cukup untuk menjamin kesimpulan kausal seperti
itu. Alternatif 2 bahwa emosi negatif tentang perubahan iklim dan
dukungan untuk tindakan pemerintah untuk mengurangi perubahan
iklim terkait secara positif. Apakah ini berarti jika kita bisa membuat
orang lebih cemas dan takut tentang perubahan iklim, mereka akan lebih
mendukung tindakan pemerintah? Mungkin, tetapi tentu saja hubungan
antara dua variabel ini saja tidak cukup untuk menjamin kesimpulan
kausal seperti itu. Alternatif
penjelasan berlimpah.
Di bagian ini saya memberikan beberapa penjelasan alternatif, tetapi
hanya setelah terlebih dahulu menjelaskan beberapa variabel yang
tersedia dalam file data GLBWARM. Ingatlah bahwa emosi negatif
tentang perubahan iklim dioperasionalkan dari tanggapan peserta
tentang seberapa sering mereka melaporkan perasaan khawatir,
khawatir, dan khawatir ketika memikirkan tentang perubahan iklim.
Pada saat yang sama, peserta ditanya seberapa sering mereka merasa
“berharap”, “terdorong”, dan “optimis” tentang perubahan iklim global
menggunakan skala 1 hingga 6 poin yang sama. Ukuran emosi positif
tentang perubahan iklim dibangun sebagai respons rata-rata yang
diberikan peserta terhadap tiga item ini (POSEMOT dalam data). Seperti
emosi negatif, emosi positif diskalakan sedemikian rupa sehingga skor
yang lebih tinggi mencerminkan perasaan emosi yang lebih positif
tentang prospek perubahan iklim.
Peserta juga diminta untuk menilai ideologi politik mereka (IDEOLOGI
dalam file data) pada skala 1 (sangat liberal) hingga 7 (sangat konservatif)
sebagai tanggapan.untuk pertanyaan "Bagaimana Anda menggambarkan
pandangan Anda tentang sebagian besar masalah politik?" Responden,
sebagai kolektif, mewakili seluruh spektrum ideologi politik, dengan
39% menjawab moderat atau tengah jalan (peringkat 4) dan sisanya
mendistribusikan diri mereka dalam jumlah yang hampir sama di kedua
sisi titik tengah ini.
Pertimbangkan beberapa penjelasan alternatif yang masuk akal

untuk hubungan yang diamati antara emosi negatif dan dukungan
untuk tindakan pemerintah. Mungkin asosiasi ini hanya mencerminkan
perbedaan antara pria dan wanita dalam hal bagaimana emosional
mereka tentang apa saja dan dalam keyakinan mereka tentang
kemampuan pemerintah untuk secara efektif memecahkan masalah
sosial. Artinya, mungkin sesuatu tentang bagaimana laki-laki dan
perempuan disosialisasikan − membuat mereka berbeda pada kedua
dimensi ini. Memang, laki-laki
− melaporkan emosi negatif yang kurang
kuat (r = 0,117) serta kurang mendukung tindakan pemerintah
dibandingkan perempuan (r = 0,099). Jadi mungkin tanggapan emosional
terhadap perubahan iklim dan dukungan untuk tindakan pemerintah
tidak terkait melalui beberapa mekanisme sebab-akibat, melainkan
terkait secara palsu.
Atau, kita tahu bahwa di Amerika Serikat, orang-orang yang
mengidentifikasi diri sebagai konservatif secara politik cenderung
percaya bahwa pemerintah harus memainkan peran terbatas dalam
kehidupan warganya. Konservatif cenderung menyukai pajak yang
rendah, regulasi bisnis yang minimal oleh pemerintah, dan kurang
mendukung layanan dan manfaat sosial yang disediakan pemerintah.
Sebaliknya, orang-orang yang mengidentifikasi diri sebagai liberal secara
politik lebih menyukai peran pemerintah yang lebih besar dan
cenderung menyukai program jaring pengaman sosial, seperti bantuan
ekonomi bagi yang kurang beruntung dan pengangguran, regulasi bisnis
yang ketat, dan pajak yang lebih tinggi sehingga pemerintah dapat
menyediakan layanan bagi rakyatnya. rakyat. Artinya, perbedaan
individu antara orang-orang dalam mendukung kebijakan pemerintah
sebagian disebabkan oleh perbedaan di antara mereka dalam ideologi
politik mereka. Tidak mengherankan,
−
Yang penting, ada penelitian yang menunjukkan bahwa kaum
konservatif dan liberal memiliki kehidupan dan pengalaman emosional
yang berbeda (lihat, misalnya, Leone & Chirumbolo, 2008; Napier & Jost,
2008; Vigil, 2010). Jika demikian, maka asosiasi antara reaksi emosional
terhadap perubahan iklim dan dukungan untuk tindakan pemerintah
mungkin hanya merupakan epifenomenon dari efek ideologi politik
pada dukungan untuk tindakan pemerintah. Hubungan antara X dan Y
adalah epifenomenal jika X berkorelasi dengan penyebab Y tetapi tidak
dengan sendirinya mempengaruhi Y. Banyak hal yang berkorelasi
dengan penyebab Y juga akan cenderung berkorelasi dengan Y. Tapi itu
tidak membuat semua itu hal-hal yang menyebabkan − Y juga. Memang,
dalam data ini, ideologi politik berkorelasi dengan respons emosional
negatif terhadap perubahan iklim (r = 0,349), dengan kaum konservatif
melaporkan lebih sedikit emosi negatif daripada kaum liberal. Jadi ada
kemungkinan hubungan yang diamati antara respons emosional negatif
terhadap iklim
perubahan dan dukungan untuk tindakan pemerintah adalah

epifenomenal. Kita tidak perlu berasumsi bahwa ideologi mempengaruhi
emosi yang dirasakan secara kausal untuk memunculkan
epifenomenalitas sebagai penjelasan alternatif untuk asosiasi ini. Atau
mungkin bukan emosi negatif secara khusus, tetapi emosi umum yang
mengarah pada dukungan yang lebih besar untuk tindakan pemerintah.
Dalam data ini, ada hubungan positif antara emosi positif dan negatif
yang dirasakan tentang perubahan iklim (r = 0,128). Mengingat bahwa
orang yang melaporkan kecemasan dan kekhawatiran yang relatif lebih
besar tentang perubahan iklim juga melaporkan perasaan yang relatif
lebih optimis dan bersemangat, misalnya, peran unik dari emosi negatif
relatif terhadap positif dalam proses ini menjadi kabur. Apakah
kecemasan dan kekhawatiran itu membuat masyarakat merasa bahwa
tindakan harus diambil oleh pemerintah,
berbagai sumber, termasuk pemerintah?
Itulah masalah yang dihadapi interpretasi asosiasi antara duavariabel.
Biasanya ada banyak proses yang dapat menjelaskan asosiasi, beberapa
kausal, yang lain tidak. Beberapa penjelasan alternatif dapat
dikesampingkan secara logis atau teoretis. Lainnya dapat ditangani
sebelum pengumpulan data dengan menggunakan desain yang
mengesampingkan mereka secara apriori, seperti eksperimen. Jika emosi
negatif dimanipulasi secara eksperimental dalam beberapa cara dan
orang-orang secara acak ditugaskan untuk merasakan emosi negatif atau
tidak tentang perubahan iklim, maka perbedaan antara kelompok yang
dibangun secara eksperimental ini dalam mendukung tindakan
pemerintah setelah manipulasi memiliki interpretasi kausal yang lebih
jelas. Penugasan acak cenderung menyamakan kelompok, rata-rata, pada
awal penelitian pada semua variabel selain variabel yang dimanipulasi.
Ketika manipulasi eksperimental tidak mungkin, tidak diinginkan, atau
hanyatidak terjadi selama pengumpulan data, regresi linier berganda
dapat digunakan sebagai opsi mundur untuk menangani setidaknya
beberapa penjelasan alternatif untuk suatu asosiasi. Apa yang membuat
hubungan antara dua variabel X dan Y menjadi ambigu adalah bahwa
orang-orang yang berbeda pada X dan Y kemungkinan juga berbeda
dalam banyak hal lainnya, dan mungkin hal-hal itulah yang
bertanggung jawab atas asosiasi tersebut. Regresi berganda memberi
peneliti sarana untuk terlibat dalam semacam penalaran kontrafaktual
yang dibantu secara matematis dengan memperkirakan apa hubungan
antara X dan Y jika orang tidak berbeda pada variabel anteseden lain
dalam model regresi. Ini dilakukan dengan "menyamakan secara
matematis" orang (atau apa pun unit analisisnya) di
variabel tersebut. Proses menyamakan ini juga disebut memilah-milah yang

lainvariabel dari hubungan antara X dan Y, atau secara statistik
mengendalikan variabel-variabel tersebut. Variabel-variabel lain ini
kadang-kadang disebut kovariat dalam istilah model linier, tetapi dalam
praktiknya mereka hanyalah variabel pendahulu dalam model regresi Y,
seperti halnya X.
2.4 Regresi Linier Berganda

Model regresi linier sederhana mudah diperluas ke estimasi variabel
konsekuen menggunakan lebih dari satu variabel anteseden.
Memasukkan lebih dari satu anteseden dalam model regresi
memungkinkan Anda untuk menyelidiki secara simultan peran berbagai
pengaruh pada variabel konsekuen. Manfaat tambahan dan penting dari
model regresi berganda adalah model ini menyediakan berbagai ukuran
asosiasi parsial yang mengukur komponen asosiasi antara anteseden dan
konsekuen yang unik untuk anteseden tersebut relatif terhadap variabel
anteseden lain dalam model. Dengan demikian, regresi berganda
memungkinkan Anda untuk menguji masuk akal dari berbagai
penjelasan untuk hubungan antara dua variabel, seperti kepalsuan atau
epifenomenalitas yang dibahas dalam bagian 2.3. Ini berguna karena
penjelasan alternatif seperti itu mengurangi kepercayaan yang dapat
Anda kumpulkan tentang apakah suatu asosiasi dapat ditafsirkan secara
masuk akal sebagai kausal—sesuatu yang sering ingin Anda klaim.
Meskipun mengesampingkan penjelasan alternatif tertentu untuk suatu
asosiasi secara statistik melalui analisis regresi berganda tidak dengan
sendirinya membenarkan klaim kausal, ini dapat membantu saat Anda
membangun argumen bahwa asosiasi tersebut mungkin bersifat kausal.
In its most general form, a multiple linear regression model with k
variabel anteseden berbentuk
YJ= iY + b1X1j + b2X2j + . . . + bkXkj + ej (2.8)

di mana Xij adalah pengukuran kasus j pada variabel anteseden i, bi
adalah koefisien regresi untuk variabel anteseden Xi, dan semua suku
lain didefinisikan seperti sebelumnya. Model juga dapat diekspresikan
dalam bentuk nilai pas dari Y dengan menghilangkan sisa, seperti
kamuˆ j = iY +b1X1 j +b2X2j + . . . +bkXkj (2.9)

Regresi sederhana adalah kasus khusus dari persamaan 2.8 dan 2.9
dengan k = 1. Dengan menggunakan kriteria kuadrat terkecil biasa,
rutinitas regresi OLS akan memperoleh model regresi berganda yang
berisi koefisien regresi iY dan k konstan, satu untuk masing-masing
variabel anteseden k , yang meminimalkan SSresidual. Namun, ada
beberapa perbedaan penting antara simple
dan regresi berganda dalam hal interpretasi bobot regresi dan

pertanyaan model dapat digunakan untuk menjawab.
Beberapa suku dalam persamaan 2.8, dan 2.9 melibatkan dua
subskrip i dan j yang masing-masing menunjukkan bilangan anteseden
dan kasus. Untuk notasi sederhana, selanjutnya saya akan menghapus
subskrip j yang menunjukkan kasus, karena setiap analisis regresi akan
melibatkan regresi konsekuen pada satu atau lebih variabel anteseden
yang masing-masing mengukur satu set n kasus dalam file data. Ketika
subscript j dihilangkan seluruhnya, persamaan 2.8 dan 2.9 menjadi
kamu= iY + b1X1 + b2X2 + . . . + bkXk + e

dan
kamuˆ j = iY +b1X1 j +b2X2j + . . . +bkXkj
Untuk mengilustrasikan estimasi dan interpretasi model regresi
berganda, saya secara bersamaan menyatakan kembali dukungan untuk
tindakan pemerintah terhadap emosi negatif tentang perubahan iklim,
emosi positif tentang perubahan iklim, ideologi politik, jenis kelamin,
dan usia dalam beberapa tahun. Dengan kelima variabel anteseden ini
masing-masing dilambangkan dengan X1, X2, X3, X4, dan X5, maka
modelnya adalah
kamuˆ =saya kamu +b1X1 +b2X2 +b3X3 +b4X4 +b5X5 (2.10)

Di SPSS dan SAS, ini dilakukan dengan menggunakan perintah
regresi/statistik default ci/dep=govact/method=masukkan

Output yangideologi
negemot dihasilkan olehusia
posemot perintah SPSS dapat dilihat pada Gambar
jenis kelamin.
2.6. Itukonstanta regresi (dalam baris berlabel “Konstan”) adalah 4,064,
dan lima koefisien regresi untuk emosi negatif, emosi positif, ideologi,
proc
jenis reg data=glbwarm;model
kelamin, govact=negemot
dan usia, masing-masing, b1posemot ideologi usia jenis kelamin
= 0,441,
/stb clb;lari;
– b2 = 0,027,−b3 = 0,218,
b4
– = 0,010, dan b5−= 0,001. Dalam bentuk persamaan dan menyatakan
model dalam bentuk taksiran nilai Y, modelnya adalah
kamuˆ = 4.064 + 0.441X1 −0.027X2 −0.218X3 −0.010X4 −0.001X5 (2.11)

Ringkasan Model
R . yang Std. Kesalahan R, R2, dan kesalahan

Model R Kotak R disesuaik Perkiraan
anKotak standar pendugaan
seb
1a. Prediktor: (Konstan),
.623 .388
USIA: .385ulang tahun1.06728
Usia responden pada terakhir, POSEMOT: Emosi positif tentang perubahan iklim, NEGEMOT: Emosi negatif tentang
perubahan iklim, SEX: perempuan(0) atau laki-laki(1), IDEOLOGI: Ideologi politik (konservatisme)
s
ANOVA
ebuah
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
IDEOLOGI: Politikideologi -.218 .027 -.243 -8.071 .000 -.271 -.165

(konservatisme)
SEX: perempuan(0) atau laki- -.010 .077 -.004 -131 .896 -.161 .141
laki(1)
USIA: Usia responden saat -.001 .002 -.016 -.552 .581 -.006 .003
ulang tahun terakhir
sebuah. Variabel Dependen: GOVACT: Dukungan tindakan ernment
untuk pemerintah
^ ____
kamuj= 4.064 + 0.441X10,027X20.218X30,010X40,001X5
Zkamu= 0,495ZX____
^
0,027ZX 0.243ZX 0,004ZX 0,016ZX
j 1234 5
GAMBAR 2.6.Keluaran SPSS dari analisis regresi berganda yang memperkirakan

dukungan untuk tindakan pemerintah dalam mitigasi perubahan iklim global (kamu) dari
negatif (X1) dan positif (X2) emosi tentang perubahan iklim, ideologi politik (X3), jenis kelamin (X4), dan umur (X5).
Interpretasi Koefisien Regresi Konstan dan Parsial

Iturjalan keluar konstan di sebuah banyakrjalan keluar model
adalahkamuˆ untuk sebuah kasus dengan pengukuran 0 pada semua
variabel anteseden dalam model. Dalam contoh ini,iY= 4,064, tetapi
perkiraan Y ini agak tidak masuk akal secara substantif mengingat 0 berada di
luar batas skala pengukuran emosi (baik emosi positif maupun negatif memiliki
batas bawah 1) serta ideologi (yaitu 1 hingga 7 skala) dan usia.
Fokus interpretatif dalam regresi berganda biasanya diarahkan ke
koefisien regresi daripada konstanta. Untuk memahami interpretasi
mereka, pertimbangkan apa yang diperkirakan model regresi untuk
seseorang dengan pengukuran tiga pada emosi negatif (X1 = 3), empat
pada emosi positif.
emosi (X2 = 4), dua pada ideologi (X3 = 2), dan yang laki-laki (X4 = 1) dan
30 tahun (X5 = 30). Menurut persamaan 2.11,
kamuˆ = 4.064 + 0.441(3) −0.027(4) −0.218(2) −0.010(1) −0.001(30) = 4.803
Sekarang pertimbangkan pria lain yang memiliki emosi positif,

ideologi,dan usia, namun mengukur satu poin lebih tinggi pada skala
emosi negatif (X1 = 4). Untuk orang itu, model memperkirakan
kamuˆ = 4.064 + 0.441(4) −0.027(4) −0.218(2) −0.010(1) −0.001(30) = 5.244
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
variabel Xi, maka
bsaya =[Y ˆ | (Xis = x; X)] −[Y | (Xit= x − 1; X)]

Artinya, bi adalah estimasi perbedaan Y antara dua kasus s dan t yang
sama pada semua variabel antecedent kecuali Xi tetapi berbeda satu unit
pada Xi. Seperti dalam regresi sederhana, tanda koefisien regresi
menunjukkan apakah kasus satu unit lebih tinggi pada Xi diperkirakan
lebih tinggi pada Y (bila bi positif) atau lebih rendah pada Y (bila bi
negatif).
Ketika emosi negatif tentang perubahan iklim adalah satu-satunya yang
mendahuluivariabel dalam model, kita melihat di bagian 2.2 bahwa dua
orang yang berbeda satu unit dalam emosi negatif diperkirakan berbeda
sebesar 0,514 unit dalam mendukung kebijakan pemerintah untuk
mengurangi efeknya. Tetapi kami mengatakan di bagian 2.3 bahwa ada
beberapa penjelasan untuk asosiasi ini yang mengganggu kemampuan
kami untuk menyimpulkan bahwa ini adalah hubungan sebab-akibat.
Dari analisis regresi berganda, kami telah menemukan bahwa dua orang
dengan jenis kelamin, usia, ideologi, dan emosi positif yang sama
tentang perubahan iklim tetapi yang berbeda satu unit dalam emosi
negatif mereka diperkirakan berbeda sebesar 0,441 unit dalam dukungan
mereka terhadap tindakan pemerintah. . Ini adalah perbedaan dukungan
yang sedikit lebih kecil daripada ketika jenis kelamin, usia, ideologi, dan
emosi positif tidak dipertahankan konstan atau dikontrol secara statistik,
tetapi koefisien regresi parsial antara emosi negatif dan dukungan untuk
tindakan pemerintah bukanlah nol. Ini menunjukkan bahwa asosiasi
yang diamati tidak dapat dikaitkan
untuk kepalsuan atau epifenomenalitas sehubungan dengan empat

variabel ini. Tentu saja, mungkin ada beberapa perbedaan lain di antara
orang-orang dalam emosi negatif mereka yang menghasilkan asosiasi ini
yang belum kita perhitungkan.
Jadi untuk mengontrol satu atau lebih kovariat secara statistik ketika
mengukur hubungan antara beberapa pendahulu Xi dan konsekuen Y,
cukup sertakan kovariat dalam model bersama dengan Xi. Sayangnya,
seseorang tidak akan pernah tahu apakah hubungan yang diamati antara
anteseden atau konsekuen adalah kausal atau dapat dikaitkan dengan
beberapa variabel atau variabel lain yang belum dikontrol secara statistik
dalam model. Tetapi mengetahui bahwa hubungan kepentingan tetap
ada ketika hal-hal lain tetap konstan setidaknya menghilangkan
beberapa penjelasan alternatif. Pada akhirnya, yang terbaik yang dapat
melakukan data yang tidak ada yang mendukung interpretasi kausal
yang lebih tegas adalah upaya untuk mengontrol kovariat yang mungkin
dianggap oleh para kritikus bertanggung jawab atas asosiasi yang Anda
klaim sebagai kausal,
Model Regresi Standar

Dalam model regresi berganda, bi diinterpretasikan sebagai estimasi
perbedaan Y antara dua kasus yang berbeda satu unit pada Xi tetapi
sama pada semua variabel lain dalam model. Interpretasi ini berlaku
untuk koefisien regresi standar dalam model regresi berganda, tetapi arti
dari "satu unit" berbeda mengikuti standarisasi. Jika Xi dan Y keduanya
terstandarisasi (terlepas dari apakah variabel anteseden lainnya atau
tidak
adalah standar),bsaya adalah itu diperkirakan perbedaan di standar
penyimpangan dari kamu
antara dua kasus yang berbeda satu standar deviasi pada Xi tetapi
samapada semua variabel anteseden lainnya dalam model. Namun, tidak
seperti dalam regresi sederhana, koefisien regresi standar bi dalam
model regresi berganda biasanya tidak setara dengan korelasi Pearson
antara Xi dan Y.
Dalam contoh ini, model regresi standar adalah
Zˆ kamu = 0,495ZX1 −0.027ZX2 −0.243ZX3 −0.004ZX4 −0.016ZX5

Di Sini,b1 = 0,495, jadi kami bisa mengatakan itu dua rakyat siapa berbeda
oleh satu standardeviasi dalam emosi negatif (X1) tetapi yang
mengekspresikan emosi positif yang sama dan memiliki ideologi, jenis
kelamin, dan usia yang sama diperkirakan berbeda sebesar 0,495 standar
deviasi dalam dukungan mereka untuk tindakan pemerintah, dengan
orang yang lebih tinggi dalam emosi negatif mengekspresikan dukungan
yang lebih besar . Dan
karenab3 =0,243,
− kita dapat mengatakan bahwa dua orang yang berbeda oleh
satu standar
penyimpangan pada skala ideologi tetapi yang mengekspresikan hal positif
dan
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
Zˆ kamu = 0,004 + 0,495ZX1 −0.027ZX2 −0.243ZX3 −0.007X4 −0.016ZX5
Perhatikan bahwa koefisien regresi untuk semua kecuali X4 tidak

berubah relatif terhadap model regresi yang sepenuhnya terstandarisasi.
−
Tapi b4 = 0,007 sekarang memiliki interpretasi yang masuk akal. Kita
dapat mengatakan bahwa laki-laki dan perempuan berbeda 0,007
standar deviasi dalam mendukung tindakan pemerintah ketika semua
variabel lain dalam model dianggap konstan. Tanda negatif berarti laki-
laki kurang mendukung tindakan pemerintah dibandingkan perempuan.
1 7 Mediation, Moderation, and Conditional Process
Jika Anda hanya tertarikdalam koefisien regresi terstandardisasi sebagian untuk
anteseden yang tidak terstandarisasi, tidak perlu menstandardisasi anteseden lainnya,
karena apakah anteseden terstandarisasi atau tidak tidak akan memengaruhi koefisien
regresi terstandarisasi sebagian untuk variabel anteseden yang tidak terstandarisasi yang
diminati.
Hal ini dimungkinkan untuk menghitung koefisien regresi standar

menggunakan koefisien tidak standar dan standar deviasi dari variabel
anteseden dan konsekuen. Rumusnya adalah
( )
SDXsaya
b˜ saya =b saya (2.12)
S
Jika Anda ingin koefisien regresi terstandarisasi sebagian, dengan Xi
tetap dalam metrik aslinya, bagi b˜i dengan SDXi . Ini sama dengan
menghilangkan SDXi dari pembilang dalam persamaan 2.12.
Ketika Anda memutuskan untuk membakukan beberapa variabel tetapi
tidak yang lain sebelumnya
untuk memperkirakan model regresi, pastikan Anda
mempertimbangkan efek dari data yang hilang dalam analisis akhirnya.
Banyak program regresi menggunakan penghapusan daftar, menghapus
kasus apa pun dalam analisis yang kehilangan data pada salah satu
variabel dalam model regresi. Misalkan Anda menstandarisasi variabel
X1, tetapi beberapa kasus dengan data pada X1 kehilangan data pada X2
atau Y (atau keduanya). Saat Anda memasukkan X1 dan X2 ke dalam
model regresi Y, program regresi Anda mungkin menghapus kasus-
kasus yang kehilangan data pada X2 dan Y sebelum memperkirakan
model. Tetapi sekarang ZX1 tidak lagi merupakan bentuk standar yang
sah dari X1 karena standarisasi asli didasarkan pada mean dan standar
deviasi dari subset kasus yang berbeda daripada yang sebenarnya
digunakan dalam analisis.
2.5 Ukuran Model Fit

Persamaan regresi meminimalkan SSresidual dan karena itu merupakan
model linier yang paling sesuai dengan kriteria kuadrat terkecil. Ukuran
SSresidual dapat dianggap sebagai ukuran ketidaksesuaian, karena nilai
yang lebih besar dikaitkan dengan perbedaan yang lebih besar antara Y
dan Yˆ. Namun, ukuran absolutnya tidak memiliki
artinya, karena ditentukan oleh ukuran sampel serta skala pengukuran-ment
dari Y. Semuanya sama, karena n meningkat, demikian juga SSresidual.
Dan SSresidual tidak dapat dibandingkan di seluruh model variabel
konsekuen yang berbeda bahkan jika variabel antesedennya sama.
Ada ukuran kecocokan lain yang diturunkan dari SSresidual yang
menangani salah satu atau kedua masalah ini dengan SSresidual
setidaknya sampai tingkat tertentu. Yang pertama adalah mean kuadrat
residual (MSresidual), kadang-kadang disebut mean squared error
(MSE), yang didefinisikan paling umum untuk setiap model regresi
linier sebagai
dimana k
NONAsis
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
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)
Karena SSresidual diminimalkan oleh kriteria kuadrat terkecil, maka

kriteria ini memaksimalkan R2 dan juga R. R dan R2 terikat antara 0 dan
1.
R2umumnya ditafsirkan sebagai proporsi varians dalam Y ex-
dijelaskan oleh model. Model yang sangat pas menjelaskan semua variasi
dalam Y, jadi R = R2 = 1, sedangkan itu naif model itu memprediksikamuˆ
= kamu untuk semua kasus,R= R2 = 0. Dalam model perubahan iklim, R2 =
0,388. Jadi emosi negatif dan positif, usia, jenis kelamin, dan ideologi
× bersama-
sama menjelaskan 0,388 100 = 38,8% varians dalam dukungan rakyat untuk
tindakan pemerintah.
R bisa juga menjadi ditafsirkan sebagai itu Pearson korelasi di antara
kamu dankamu.
Interpretasi ini memperjelas bagaimana R dan R2 dapat ditafsirkan
sebagai ukuran kecocokan model. Dalam model yang pas, korelasi
antara apa yang diperkirakan model untuk Y dan nilai aktual Y di n
kasus dalam data harus besar. Jika korelasi ini kecil, akan sulit untuk
menyatakan bahwa model ini melakukan pekerjaan yang sangat baik
dalam menghitung atau menjelaskan perbedaan individu dalam Y.
Koefisien korelasi ganda R, serta kuadratnya, adalah metrik bebas
skala, yang berarti kecocokan dua model dapat dibandingkan
menggunakan ukuran relatif dari nilai R atau R2 mereka bahkan ketika
keduanya merupakan model dari variabel konsekuen yang berbeda.
Selain itu, ukuran kecocokan ini sebagian besar tidak tergantung pada
ukuran sampel. Semua hal lain dianggap sama, R dan R2 akan
cenderung agak lebih besar dalam sampel yang lebih kecil, tetapi
hubungan antara ukuran sampel dan korelasi ganda dengan cepat
menurun seiring dengan bertambahnya ukuran sampel. Untuk semua
tujuan praktis, R dan R2 untuk dua model berdasarkan ukuran sampel
yang berbeda dapat langsung dibandingkan selama satu ukuran sampel
tidak terlalu kecil. Namun, Anda tidak dapat membandingkan R atau R2
secara adil antara model yang berbeda dalam jumlah anteseden, karena
korelasi ganda akan cenderung lebih besar pada model yang
mengandung lebih banyak variabel anteseden. Ini karena R tidak pernah
bisa turun dan hampir selalu naik ketika variabel anteseden
ditambahkan ke model. Pada bagian 2.6, saya membahas uji inferensial
untuk perbedaan kecocokan yang didasarkan pada nilai R2 yang
dihitung dalam dua model yang berbeda dalam jumlah anteseden.
2.6 Inferensi Statistik

Perhatikan eksperimen pikiran berikut. Bayangkan bahwa 815 orang
dalam file data GLBWARM mewakili sensus populasi planet Bumi.
Tidak ada orang lain di planet ini. Jadi kumpulan data GLBWARM
adalah kumpulan data dari seluruh populasi. Jika kita memperkirakan
dukungan untuk tindakan pemerintah untuk mengurangi dampak
perubahan iklim dari emosi negatif, emosi positif, ideologi, jenis
kelamin, dan usia, maka kita dapat menghasilkan
model regresi populasi yang meminimalkan jumlah sisa kuadrat. Model

regresi populasi ini akan berbentuk
kamuˆ = T sayakamu + T b1 X1 + T b2X2 + T b3 X3 + T b4 X4 + T b5X5 (2.15)
di mana T prescript T mewakili nilai "benar" atau populasi dari koefisien

regresi. Jadi dalam contoh ini, dengan X1 adalah emosi negatif tentang
perubahan iklim, Tb1 = 0,441. Ini adalah koefisien regresi untuk emosi
negatif dalam model dukungan untuk tindakan pemerintah dalam
analisis yang dilaporkan di bagian 2.4.
Sekarang anggaplah itu daripada sensus planet ini dari 815
orangAnda hanya memiliki 50 orang dari 815 penduduk Bumi dalam
penelitian Anda, dan Anda memperoleh 50 orang ini dengan mengambil
sampel secara acak dari populasi 815 penduduk. Dalam sampel 50 ini,
Anda mengurangi dukungan untuk tindakan pemerintah pada lima
anteseden yang sama ini. Proses pengambilan sampel ini tidak akan
mengubah Tb1, tentu saja, karena merupakan properti tetap dari
populasi. Namun dalam model ini, koefisien regresi untuk emosi negatif,
b1, yang merupakan perkiraan Anda untuk Tb1, hampir pasti tidak akan
sama dengan nilai sebenarnya Tb1 = 0,441. Ini akan menjadi sesuatu
yang berbeda karena varians sampling.
Untuk mengilustrasikan varians pengambilan sampel, coba jalankan
kode di bawah ini di SPSS dengan file data GLBWARM terbuka.
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
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
Koefisien regresi tidak standar (b1)
GAMBAR 2.7.Histogram 10.000 perkiraan Tb1 dalam sampel 50.

.
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
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
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.
Menguji Hipotesis Null

Saat menguji hipotesis tentang koefisien regresi, asumsi dibuat tentang
Tbi dan kemudian keputusan dibuat tentang kemungkinan asumsi
tersebut berdasarkan data yang tersedia. Asumsinya adalah hipotesis nol
dan secara statistik diadu dengan hipotesis alternatif, yang merupakan
pelengkap logis dari hipotesis nol. Dalam regresi, hipotesis nol yang
paling sering diuji adalah bahwa Xi dan Y tidak berkorelasi linier dalam
populasi. Dalam model regresi sederhana (yaitu, hanya satu anteseden),
ini adalah hipotesis nol tentang asosiasi sederhana, tetapi dalam regresi
berganda, hipotesis nol adalah tentang asosiasi parsial: apakah ada
hubungan linier antara Xi dan Y ketika semua anteseden lainnya
diadakan tetap. Jika Xi tidak berhubungan dengan Y, maka Xi tidak
boleh diberi bobot dalam penurunan estimasi Y.
H0 :Tdua= 0
Ha:Tdua0
Untuk memutuskan antara hipotesis nol dan hipotesis alternatif,

perlu untuk menurunkan probabilitas hubungan yang diperoleh antara
Xi dan Y atau sesuatu yang lebih ekstrim dari hipotesis nol di kedua arah
(untuk uji dua arah atau nondirectional) dengan asumsi nol hipotesis itu
benar. Probabilitas ini adalah p-value untuk hasil yang diperoleh. Jika
nilai-p tidak lebih besar dari tingkat signifikansi untuk pengujian
(biasanya, tingkat signifikansi atau -level yang digunakan adalah 0,05),
maka hipotesis nol ditolak demi hipotesis alternatif. Penolakan hipotesis
nol menyiratkan
bahwa ada beberapa hubungan antara Xi dan Y dalam populasi (dengan

menganggap kovariat konstan, jika ada), dengan arah asosiasi dalam
populasi yang diimplikasikan oleh arah estimasi asosiasi yang diperoleh
dalam sampel.
Nilai p diperoleh dengan mengonversikoefisien regresi yang
diperoleh bi terhadap deviasi dari hipotesis nol dalam satuan kesalahan
standar dan kemudian menghitung probabilitas penyimpangan tersebut
dari hipotesis nol menggunakan distribusi t(dfresidual), di mana
dfresidual adalah derajat kebebasan residual untuk model regresi.
Kesalahan standar bi, dihitung dengan program regresi OLS apa pun,
mengkuantifikasi seberapa banyak bi cenderung menyimpang dari Tbi.
Bersamaan dengan kesalahan standar, hampir semua program regresi
juga menghitung rasio perkiraan terhadap kesalahan standarnya dan
nilai-p untuk menguji hipotesis nol.
Keluaran SPSSpada Gambar 2.6 memberikan pengujian hipotesis
nolbahwa Tb1 = 0, dimana X1 adalah emosi negatif tentang perubahan
iklim. Dalam sampel 815 peserta ini, b = 0,441, dengan perkiraan
kesalahan standar (seb1) sebesar 0,026 (disediakan di bawah judul kolom
"Kesalahan Std" pada keluaran SPSS). Membagi b1 dengan kesalahan
standarnya menghasilkan
t(809) = b1 = 0,441 = 16,962

seb1 0,026
di mana 809 adalah dfresidual untuk model. Statistik t dilaporkan
lebih tepat oleh SPSS sebagai t = 16.676. Hasil ini memiliki nilai p
yang sangat keciltampaknya nol pada output (di bawah judul "Sig").2
Tentu saja, nilai p bukan nol, dan tidak boleh ditafsirkan atau dilaporkan
seperti itu. Dengan resolusi tiga desimal dalam output, kita tahu p
< .0005, yang kurang dari = 0,05 (atau tingkat lainnya yang dapat
dibayangkan benar-benar digunakan). Hipotesis nol dapat ditolak demi
alternatif, yang berarti kita dapat menyimpulkan bahwa Tb1 0. Hasil
yang diperoleh dari b1 = 0,441 terlalu tidak sesuai dari nol untuk
menghubungkannya dengan keanehan kesalahan pengambilan sampel
acak atau "kebetulan". Dengan mengesampingkan nol dan dengan b1
dalam arah positif, kita dapat menyimpulkan Tb1 > 0. Secara substantif,
terdapat bukti bahwa dalam populasi, ada hubungan positif antara
emosi negatif tentang perubahan iklim dan dukungan untuk tindakan
pemerintah ketika semua variabel anteseden lainnya dalam model tetap.
Orang yang merasakan emosi negatif pada tingkat yang lebih besar
relatif lebih mendukung tindakan tersebut.
2
Di seluruh buku ini, akan ada perbedaan kecil antara perhitungan yang dilakukan
dalam teks dengan tangan, yang diselesaikan hanya sampai tempat desimal ketiga,
dengan keluaran yang ditemukan di berbagai keluaran komputer atau tabel berdasarkan
keluaran komputer. Output yang dihasilkan komputer didasarkan pada perhitungan
yang dilakukan dengan presisi yang jauh lebih tinggi—setidaknya tempat desimal
kedelapan dan biasanya lebih.
Adalah mungkin untuk menguji hipotesis nol bahwa hubungan antara Xi

dan Y adalah beberapa nilai selain nol, tetapi hal ini jarang dilakukan dalam
praktik. Biasanya teori dan keyakinan kita tentang fenomena yang sedang
diselidiki tidak begitusophisticated that they give rise to sensible
predictions about the absolute size of an association. Instead, they
usually are only precise enough to be able to predict the direction of the
association. Thus, ruling out zero is important, using a null hypothesis
test or some other procedure, because doing so allows an investigator to
make a claim about the direction of the association (see, e.g., Cortina &
Dunlap, 1997; O’Keefe, 2011).
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
b1 tc%seb1≤ Tb1 b1 + tc%seb1 (2.16)
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
iklim, tc% untuk dfresidual = 809 adalah 1,962, dan seterusnya
0,441 1,962(0,026) Tb1 0,441 + 1,962(0,026)

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.
Menguji Hipotesis tentang Himpunan Variabel Anteseden

Regresi berganda juga dapat digunakan untuk menguji hipotesis tentang
sekumpulan variabel anteseden dalam model. Misalnya, dengan
mempertimbangkan emosi sebagai satu set (yaitu, emosi positif dan
negatif), apakah reaksi emosional terhadap perubahan iklim terkait
dengan dukungan untuk tindakan pemerintah sambil mempertahankan
ideologi, jenis kelamin, dan usia yang konstan? Dengan emosi negatif
dan positif menjadi X1 dan X2 dalam model regresi kami, pertanyaan ini
dapat dibingkai dalam hipotesis nol dan alternatif berikut:
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
F(2, 809) = 809 (0,388 0,177) = 139,632, p < .001
2 (1 0,388)
Hipotesis nol dapat ditolak. Reaksi emosional terhadap perubahan iklim

terkait dengan dukungan terhadap tindakan pemerintah yang
memegang ideologi politik, jenis kelamin, dan usia yang konstan.
Pengujian ini juga dapat diartikan sebagai pengujian apakah model
dengan tambahan m variabel pada Model 2 lebih cocok daripada model
yang mengecualikannya (Model 1). Dalam contoh ini, kita dapat
menyimpulkan bahwa model yang menyertakan emosi positif dan
negatif lebih cocok (yaitu, memperkirakan Y dengan akurasi yang lebih
besar) daripada model yang tidak menyertakan dua variabel ini.
Perhitungan ini melelahkan jika dilakukan dengan tangan, tetapi
sebagian besar rutinitas regresi OLS yang baik memiliki sarana untuk
mengimplementasikan tes ini. Di SPSS, perintahnya adalah
danregresi/statistik
di SAS, perintahnya adalah
default ubah/dep=govact/method=masukkan ideologi jenis
prockelamin usia/metode=masukkan
reg data=glbwarm;model negemot posemot.
govact=negemot posemot ideologi usia
jenis kelamin; tes negemot=0,posemot=0;jalankan;
Ada dua kasus khusus dari tes ini yang layak disebutkan. Pertama,
ketika Model 1 dan Model 2 berbeda hanya dengan satu variabel
anteseden, artinya m = 1, rasio-F yang dihasilkan oleh persamaan 2.17
adalah kuadrat dari statistik t untuk variabel anteseden tersebut dalam
model yang mencakup semua variabel anteseden , dan nilai p mereka
akan sama. Jadi, uji-t untuk koefisien regresi dapat diinterpretasikan
sebagai pengujian apakah model yang menyertakan variabel anteseden
lebih cocok daripada model yang mengecualikannya.
Kasus khusus kedua adalah ketika m = k, di mana k adalah
jumlahvariabel anteseden dalam model regresi Anda. Dalam hal ini,
Model 1 adalah model yang hanya mencakup konstanta regresi, dan
Model 2 mencakup semua k variabel anteseden. Perubahan R2 adalah
korelasi ganda kuadrat untuk model termasuk semua k anteseden.
Hipotesis nol yang diuji adalah bahwa semua bi = 0 dan hipotesis
alternatifnya adalah bahwa setidaknya satu bi 0. Hipotesis nol dan
alternatif juga dapat dibingkai dalam bentuk korelasi ganda "benar" TR2.
Hipotesis nolnya adalah TR2 = 0 dan alternatifnya adalah TR2 > 0.
Sebagian besar program statistik menghasilkan pengujian ini secara
otomatis saat Anda melakukan analisis regresi. Pada Gambar 2.6, tes
ditemukan di bagian berlabel "ANOVA." Seperti dapat dilihat, F(5, 809) =
102,717, p < .0005. Jadi kita bisa menolak hipotesis nol. Namun dalam
jenis analisis yang kami fokuskan dalam buku ini, Jarang hasil tes ini
menarik karena penolakan hipotesis nol ini hanya menghasilkan klaim
samar bahwa ada beberapa hubungan antara salah satu anteseden dan
konsekuen. Kami biasanya tertarik pada koefisien regresi itu sendiri,
bukan kecocokan model secara keseluruhan.
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
proses akan menghasilkan keluaran selama ada masukan yang diberikan

padanya. Sebagai gantinya,kesimpulannya adalah tentang proses di
tempat kerja yang menghubungkan input ke output—roda gigi dari
mesin penghasil data.
Pertimbangkan hipotesis nol bahwa Tb1 = 0 dalam contoh perubahan
iklim. Hipotesis seperti itu, jika benar, sama dengan mengatakan bahwa
proses psikologis, biologis, atau kognitif yang memunculkan keyakinan
individu tentang apa yang harus dilakukan pemerintah tentang
perubahan iklim (output Y) tidak menggunakan respons emosional
negatif terhadap krisis (Xi) sebagai input ketika semua input lainnya
tetap. Atau, nol menetapkan bahwa reaksi emosional ini tidak menerima
bobot (karenanya, Tb1 = 0) dalam kalkulus mental yang menghasilkan
tanggapan terhadap pertanyaan tentang keyakinan tentang tindakan
pemerintah. Jika ini benar, maka kita akan mengharapkan untuk melihat
hubungan antara X1 dan Y dalam sampel, menggunakan b1 sebagai
ukuran asosiasi parsial, yang tidak lebih besar dari apa yang cenderung
dihasilkan oleh proses acak, seperti menetapkan nilai Y secara acak ke
pola nilai variabel anteseden. Tetapi jika nilai b1 yang diperoleh lebih
besar dari apa yang cenderung dihasilkan oleh proses acak, ini mengarah
pada kesimpulan bahwa ada beberapa proses sistematis yang
menghubungkan X1 dengan Y (yaitu, emosi negatif atau sesuatu yang
dikacaukan dengan emosi tersebut digunakan sebagai masukan ke
kalkulus mental). Dengan kata lain, Tb1 0.
Tidak adanya pengambilan sampel acak dari populasi tertentu,
proses inferensi tidak memungkinkan jenis generalisasi populasi yang
dapat dilakukan oleh pengambilan sampel acak. Sebaliknya, kesimpulan
tersebut khusus untuk proses menghasilkan data yang diamati dan
dengan demikian sampel-spesifik. Tetapi hal ini dapat diterima oleh
sebagian besar ilmuwan, karena inferensi populasi seringkali tidak
menjadi tujuan. Mampu menetapkan bahwa proses acak tidak bekerja
menghasilkan asosiasi membuka pintu untuk penjelasan lain yang lebih
menarik yang mungkin memotivasi penelitian di tempat pertama.
Namun, dalam contoh khusus ini, jika seseorang bersedia menerima
bahwa metode pengambilan sampel yang digunakan untuk merekrut
peserta untuk mengisi survei online menghasilkan sampel yang cukup
representatif dari populasi sasaran (penduduk Amerika Serikat),
2.7 Variabel Anteseden Multikategori

Setiap variabel anteseden dalam contoh sejauh ini telah dikoto-mous
(artinya hanya mengandung dua nilai, seperti kode untuk dua
kelompok) atau kuantitatif, di mana angka-angka dalam data mewakili
kuantitas sesuatu. Tetapi Anda akan sering menemukan diri Anda ingin
memasukkan variabel anteseden dalam model regresi yang
multikategori, dengan pengkodean data yang termasuk dalam lebih dari
dua kelompok kasus. Misalnya,
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
TABEL 2.1.Pengkodean Indikator darigKategori
Kelompok D1 D2 · ·· Di · ·· Dg1
110 · ·· 0 · ·· 0
201 · ·· 0 · ·· 0
.
saya 00 · ·· 1 ··· 0
.
g− 100 · ·· 0 ··· 1
g 00 · ·· 0 ·········0
Persamaan regresi yang

data glbwarm;setel dihasilkan adalah3
glbwarm;
kamuˆ = 4.605 + 0.459D1 −0.680D2

d1=(partyid=1);d2=(partyid=3);jalankan;
proc reg data=glbwarm;model govact=d1 d2;run;
Dalam persamaan ini b0 = 4,605 sesuai dengan Y untuk grup referensi,
yang dalam contoh ini adalah Independen. Koefisien regresi untuk D1
adalah b1 = 0,459, yang merupakan perbedaan rata-rata dalam
mendukung tindakan pemerintah antara Demokrat − dan Independen
(5,064 4,605 = 0,459). Dan koefisien regresi
− untuk D2, b2 = 0,680, adalah
perbedaan rata-rata dalam mendukung tindakan pemerintah antara
Partai Republik
– dan
− Independen (3,925 4,605 = 0,680). Untuk model ini,
R2 = 0,131, dan uji kecocokan model (lihat bagian 2.6) menghasilkan F(2,
812) = 61,243, p < .0005. Ini setara dengan rasio-F dari analisis varians
faktor tunggal yang membandingkan ketiga rata-rata. Kita dapat
menolak hipotesis nol dan menyimpulkan bahwa Demokrat,
Independen, dan Partai Republik rata-rata berbeda dalam mendukung
tindakan pemerintah untuk mengurangi dampak perubahan iklim
global. Kedua koefisien regresi untuk D1 dan D2 signifikan secara
statistik, yang mengarah pada kesimpulan bahwa pasangan rata-rata
yang sesuai (Demokrat versus Independen untuk b1, Republik versus
Independen untuk b2) secara statistik berbeda satu sama lain.
3
Tidak ada data yang hilang diFile data GLBWARM, jadi kode SAS ini sesuai.Jika ada
kasus yang hilang di PARTYID, kode SAS ini akan mengakibatkan siapa pun yang hilang
di PARTYID sebagai Independen. Untuk mengkodekan data yang hilang dengan benar,
data yang hilang perlu dikodekan secara eksplisit dengan dua baris lagi dalam langkah
data: if (partyid=.) then d1=.;if (partyid=.) then d2=.
Kode indikator yang mewakili keanggotaan dalam kategori variabel

anteseden multikategori dapat dimasukkan dalam model dengan
tambahanpendahuluan. Jika variabel multikategori dianggap sebagai
kovariat, maka semua efek lain yang diestimasi oleh model akan
diestimasi dengan memegang kovariat multikategori tetap. Atau
seseorang dapat bertanya apakah kelompok-kelompok tersebut rata-rata
berbeda pada variabel konsekuen ketika semua variabel anteseden
lainnya dalam model dianggap konstan. Pertanyaan ini dapat dijawab
dengan menggunakan metode yang dijelaskan pada bagian 2.6, pertama
memperkirakan R2 untuk model yang mencakup semua anteseden
kecuali yang multikategori dan kemudian melihat berapa banyak R2
meningkat ketika kode indikator ditambahkan ke model. Misalnya,
dalam model yang memperkirakan dukungan untuk tindakan
pemerintah dari emosi negatif, emosi positif, ideologi, jenis kelamin, dan
usia, R2 = 0,388. Ketika dua variabel indikator identifikasi pihak
pengkode ditambahkan, R2 = 0,392. Peningkatan ini sebesar 0. 004 tidak
cukup signifikan secara statistik, F(2, 807) = 2.586, p = .076, jadi kita tidak
dapat menyimpulkan bahwa Demokrat, Independen, dan Republik yang
sama pada lima variabel anteseden lainnya berbeda pada rata-rata dalam
mendukung tindakan pemerintah. Ini setara dengan analisis faktor
tunggal kovarians yang membandingkan tiga rata-rata, dengan variabel
pendahulu lainnya yang berfungsi sebagai kovariat.
Pengkodean indikator hanyalah salah satu dari banyak cara untuk
merepresentasikan variabel anteseden multikategori dalam model
regresi. Metode lain dibahas di bagian selanjutnya dari buku ini. Untuk
presentasi yang lebih rinci tentang topik ini, lihat Darlington dan Hayes
(2017) atau Davis (2010).
2.8 Asumsi untuk Interpretasi dan

Inferensi Statistik
Regresi adalah alat yang berguna untuk dimiliki di kotak peralatan
statistik Anda. Utilitasnya sebagai "sistem analitik data umum" (Cohen,
1968) akan terlihat jelas di seluruh buku ini. Tetapi ini adalah penemuan
manusia yang tidak sempurna, dapat menyesatkan Anda jika digunakan
tanpa pandang bulu, dan didasarkan pada beberapa asumsi yang tidak
selalu realistis atau mungkin terpenuhi dalam keadaan di mana metode
tersebut diterapkan. Asumsi-asumsi ini layak untuk dipahami, tetapi
pada awalnya abstrak dan dapat membingungkan, dan sulit untuk
diterapkan secara adil hanya dalam beberapa paragraf. Diskusi yang
lebih menyeluruh tentang asumsi regresi OLS daripada yang saya
berikan di sini dapat ditemukan dalam monografi singkat oleh Berry
(1993).
Sebelum memperkenalkan asumsi-asumsi ini, saya akan memperjelas
perspektif saya.Karena pelanggaran asumsi terkadang dapat berdampak
buruk pada inferensi, kita harus memperhatikan asumsi yang dibuat
oleh regresi OLS. Pada saat yang sama, saya tidak percaya Anda harus
kehilangan terlalu banyak tidur
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
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
model hubungan nonlinier menggunakan regresi OLS. Untuk detail

tentang pengujian dan pemodelan hubungan nonlinier dengan regresi
OLS, lihat Darlington dan Hayes (2017), atau Fox (1991).
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
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.
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
penduga kovarians yang konsisten dengan heteroskedastisitas. Untuk
pengenalan dan diskusi singkat tentang estimator ini,
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
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.
Seperti halnya heteroskedastisitas, nonindependensi mempengaruhi

keakuratan estimasi kesalahan standar koefisien regresi, karena penaksir
kesalahan standar OLS mengasumsikan independensi kesalahan dalam
estimasi. Apakah kesalahan standar berlebihan atau diremehkan akan
tergantung pada bentuk non-independensi, tetapi biasanya hasilnya
adalah perkiraan yang terlalu rendah. Jika kesalahan standar
diremehkan, ini berarti bahwa uji hipotesis akan menjadi tidak valid,
dan interval kepercayaan terlalu sempit dibandingkan dengan yang
seharusnya ketika asumsi independensi terpenuhi. Diskusi tambahan
tentang beberapa penyebab dan konsekuensi dari non-kemerdekaan,
serta bagaimana menanganinya secara analitis ketika itu tidak dapat
diabaikan, dapat ditemukan di tempat-tempat seperti Grawitch dan
Munz (2004), Griffin dan Gonzales (1995), Hayes ( 1996), Kenny dan Judd
(1986), Kenny, Mannetti, Pierro,
2.9 Ringkasan Bab

Regresi kuadrat terkecil biasaAnalisis adalah salah satu alat analisis yang
lebih berguna yang telah tersedia bagi seorang peneliti, dan merupakan
dasar dari banyak metode statistik yang digunakan peneliti. Memahami
bagaimana mengestimasi dan menginterpretasikan sebuah model regresi
adalah penting, karena analisis regresi adalah metode yang akan saya
tekankan dalam pembahasan saya tentang mediasi, moderasi, dan
analisis proses bersyarat dalam buku ini.
Model regresi sederhana adalah representasi matematis dari
hubungan antara variabel konsekuen Y dan variabel anteseden X.
Dengan menggunakan kriteria kuadrat terkecil, rutinitas regresi linier
memperoleh konstanta regresi dan koefisien regresi yang mendefinisikan
persamaan terbaik yang menghubungkan variabel anteseden ke variabel
konskuen. Persamaan regresi menghasilkan estimasi Y untuk setiap
kasus dalam data dari nilai kasus tersebut pada X sambil meminimalkan
perbedaan antara nilai aktual Y dan estimasi persamaan untuk Y.
Dua variabel X dan Y mungkin berkorelasi sebagai akibat dari sejumlah
perbedaanproses yang berbeda. Penyelidik sering ingin menafsirkan
asosiasi dalam istilah kausal, tetapi ketika ada penjelasan alternatif,
bahasa kausal harus diucapkan dengan hati-hati dengan peringatan dan
peringatan yang sesuai. Perbedaan antara orang-orang pada X dan Y
mungkin disebabkan oleh beberapa jenis efek kausal X pada Y, tetapi
bisa juga karena orang-orang yang berbeda pada X dan Y juga berbeda
pada variabel lain yang mempengaruhi X dan Y, sehingga mendorong
asosiasi palsu. antara X dan Y. Atau X mungkin berkorelasi dengan
penyebab Y dan karena itu juga berkorelasi dengan Y meskipun itu
sendiri bukan penyebab Y, sebuah fenomena yang dikenal sebagai
asosiasi epifenomenal. Regresi berganda
dapat digunakan untuk mengesampingkan beberapa penjelasan

alternatif untuk hubungan antara X dan Y dengan memasukkan variabel
yang mewakili penjelasan alternatif tersebut sebagai kovariat dalam
model regresi linier yang memperkirakan Y dari X. Ketika ini dilakukan,
model regresi berganda menghasilkan koefisien regresi parsial yang
mengukur hubungan antara X dan Y ketika memegang semua variabel
anteseden lainnya dalam model konstan. Memahami proses kontrol
statistik ini, serta bagaimana menginterpretasikan model regresi dengan
lebih dari satu variabel anteseden, adalah penting karena sebagian besar
model yang diestimasi dalam sisa buku ini, dimulai dengan Bab 3
tentang analisis mediasi, akan memasukkan lebih dari satu variabel
anteseden.
Bagian II
MEDIASIAN
ALISIS
3
Model Mediasi Sederhana
Dalam bab ini, saya memperkenalkan elemen analisis mediasi, dengan

fokus pada model mediasi paling dasar yang mungkin terdiri dari
variabel anteseden kausal yang terkait dengan variabel konsekuen
tunggal melalui variabel perantara tunggal ataupenengah. Ini sangat
populer dan banyak diperkirakanmodel mediasi sederhanadigunakan
untuk memperkenalkan mekanisme analisis jalur dan untuk
menunjukkan bagaimana efek variabel pada hasil dapat dipartisi
menjadi efek langsung dan tidak langsung yang dapat diukur
menggunakan regresi OLS. Tes inferensial untuk efek langsung dan
tidak langsung disajikan, dengan penekanan pada pendekatan yang
tidak membuat asumsi yang tidak perlu.
Ada badan penelitian dalam literatur persuasi dan perubahan sikap

tentang efek yang berbeda dari keuntungan versus kerugian framing
dalam mempengaruhi perilaku (misalnya, O'Keefe & Jensen, 1997).
Pesan bingkai keuntungan adalah pesan yang menekankan semua hal
yang akan Anda peroleh atau dapatkan jika Anda terlibat dalam
perilaku yang dianjurkan oleh pesan tersebut. Misalnya, jika Anda ingin
membujuk teman Anda untuk berhenti merokok, Anda dapat
berargumen kepadanya bahwa jika dia berhenti merokok, dia akan
merasa lebih baik secara fisik setiap hari, dia akan hidup hingga usia
lanjut, dan lebih banyak orang akan menyukainya. Sebaliknya, pesan
yang dibingkai dalam istilah kerugian menekankan semua hal yang akan
hilang jika dia gagal terlibat dalam perilaku yang dianjurkan. Misalnya,
Anda dapat memberi tahu teman Anda bagaimana kesehatannya akan
memburuk, dia akan mati lebih muda,
Literatur menunjukkan bahwa dalam beberapa keadaan, dapatkan pesan
bingkailebih efektif dalam mempengaruhi orang, sedangkan dalam
keadaan lain, kerangka kerugian bekerja lebih baik. Dengan kata lain,
efek pembingkaian pesan dimoderasi karena tergantung pada keadaan.
Sebagaimana dibahas dalam Bab 1, menetapkan kondisi batas suatu efek
dan mengidentifikasi faktor-faktor yang memengaruhi ukuran suatu
efek adalah tujuan ilmiah yang penting.
Tetapi sama pentingnya untuk pemahaman ilmiah dan penerapan
pemahaman itu adalah mencari tahu bagaimana efek terjadi di tempat
pertama. Untuk
77
Misalnya, jika sebuah penelitian menunjukkan bahwa pesan bingkai

keuntungan bekerja lebih baik daripada pesan bingkai kerugian dalam
mempengaruhi perokok untuk berhenti, ada apa dengan bingkai keuntungan
yang menghasilkan perubahan perilaku yang lebih besar? Apa mekanisme di
tempat kerja itu?mengarah pada kemungkinan yang lebih besar untuk
berhenti merokok setelah diberitahu tentang semua keuntungan potensial
yang dapat terjadi jika seseorang berhenti merokok daripada semua
kerugian yang akan dialami seseorang dengan terus merokok? Apakah
pesan yang dibingkai dalam hal keuntungan memberdayakan orang lebih
dari pesan yang dibingkai kerugian, yang pada gilirannya meningkatkan
kemungkinan mengambil tindakan? Atau mungkin pesan kehilangan
bingkai lebih cenderung memicu banyak perdebatan, yang mengurangi
persuasif pesan relatif untuk mendapatkan pesan bingkai.
Sedangkan menjawab pertanyaan tentang kapan atau untuk siapa
merupakan domain analisis moderasi, pertanyaan yang menanyakan
tentang bagaimana kaitannya dengan mediasi, fokus bab ini dan tiga bab
selanjutnya. Dalam bab ini, saya memperkenalkan model mediasi
sederhana dan menggambarkan menggunakan analisis jalur berbasis
regresi OLS bagaimana pengaruh variabel anteseden X pada beberapa
konsekuen akhir Y dapat dipartisi menjadi dua jalur pengaruh, langsung
dan tidak langsung. Saya menunjukkan bahwa prosedur yang diikuti
untuk memperoleh jalur pengaruh ini tidak bergantung pada apakah X
dikotomis atau kontinu. Saya juga membahas berbagai pendekatan
untuk membuat kesimpulan tentang efek langsung dan tidak langsung
dalam model mediasi yang paling sederhana ini.
3.1 Model Mediasi Sederhana

Analisis mediasi adalah metode statistik yang digunakan untuk
mengevaluasi bukti dari studi yang dirancang untuk menguji hipotesis
tentang bagaimana beberapa variabel anteseden kausal X
mentransmisikan efeknya pada variabel konsekuen Y. Apa
mekanismenya, baik itu emosional, kognitif, biologis, atau sebaliknya,
yang dengannya X mempengaruhi Y? Apakah membingkai pesan anti-
merokok dalam keuntungan sebagai lawan istilah kerugian (X)
memengaruhi kemungkinan berhenti merokok (Y) karena jenis bingkai
memengaruhi seberapa banyak orang membantah, yang pada gilirannya
memengaruhi perilaku? Atau mungkin loss framing menyebabkan
reaksi emosional negatif tertentu, seperti kecemasan, yang mengganggu
pemrosesan dan elaborasi pesan yang sistematis, yang pada gilirannya
mengurangi efektivitas pesan.
Model mediasi yang paling mendasar—model mediasi sederhana—
The Simple Mediation 79
direpresentasikan dalam bentuk diagram konseptual pada Gambar 3.1.
Seperti dapat dilihat, model ini mengandung dua variabel konsekuen
(M) dan (Y) dan dua variabel anteseden (X) dan (M), dengan X secara
kausal mempengaruhi Y dan M, dan M secara kausal mempengaruhi Y.
Model mediasi sederhana adalah sistem kausal di mana setidaknya satu
variabel X anteseden kausal diusulkan sebagai mempengaruhi hasil Y
melalui variabel intervensi tunggal M. Dalam model seperti itu,
X
kamu
GAMBAR 3.1.Diagram konseptual model mediasi sederhana.
ada dua jalur dimana X dapat mempengaruhi Y. Jalur ini ditemukan

dengan menelusuri cara seseorang bisa mendapatkan dari X ke Y
sementara tidak pernah menelusuri ke arah yang berlawanan dengan
arah titik panah. Satu jalur mengarah dari X ke Y tanpa melewati M dan
disebut efek langsung X pada Y. Jalur kedua dari X ke Y adalah efek
tidak langsung X pada Y melalui M. Jalur pertama melewati dari
anteseden X ke konsekuen M dan kemudian dari anteseden M ke
konsekuen Y. Efek tidak langsung mewakili bagaimana Y dipengaruhi
oleh X melalui urutan kausal di mana X memengaruhi M, yang pada
gilirannya memengaruhi Y.
Dalam model mediasi, M biasanya disebut variabel mediator,
meskipun istilah variabel perantara, variabel pengganti, dan titik akhir
perantara digunakan di beberapa bidang. Dalam contoh sejauh ini,
kontradiksi dan kecemasan dikonseptualisasikan sebagai mediator
potensial dari efek pembingkaian pada kemungkinan berhenti merokok.
Mereka mewakili mekanisme yang mungkin atau yang diusulkan—isi
dari “kotak hitam”—yang dengannya pembingkaian pesan
memengaruhi perilaku. Begitu X memberikan pengaruhnya pada M,
maka pengaruh kausal M terhadap Y menghasilkan variasi dalam Y.
Secara historis, pertanyaan tentang "bagaimana" dianggap masuk akal
untuk ditanyakanhanya setelah yang pertama telah menetapkan bukti
hubungan antara X dan
kamu. Akibatnya, analisis mediasi akan dilakukan hanya ketika
seseorang telah berhasil menunjukkan bahwa X dan Y terkait. Alasan ini
didasarkan pada salah satu dari tiga kriteria yang secara populer
digambarkan sebagai perlu untuk menetapkan sebab-akibat: korelasi
antara X dan Y (dua kriteria lainnya adalah menetapkan bahwa X
mendahului Y, dan mengesampingkan penjelasan yang bersaing). Jadi,
misalkan seseorang tidak menemukan perbedaan rata-rata dalam
kemungkinan berhenti merokok (Y) antara dua kelompok perokok
dalam sebuah eksperimen yang dihadapkan pada pesan anti-merokok
(X) berbingkai berbeda yang dirancang untuk mengubah perilaku. Apa
gunanya mencoba menjelaskan bagaimana pembingkaian pesan
memengaruhi perilaku ketika seseorang tidak memiliki bukti perbedaan
perilaku setelah terpapar pesan berbingkai berbeda? Jika seseorang tidak
memiliki
bukti nyata bahwa X berhubungan dengan Y, maka, demikian

argumennya, X tidak mempengaruhi Y, jadi tidak ada pertanyaan
“bagaimana” untuk dijawab.
Konseptualisasi analisis mediasi ini sebagai sarana statistik
"memperhitungkan efek" mungkin sebagian disebabkan oleh
mempopulerkan pendekatan tertentu terhadap analisis mediasi yang
saya jelaskan di bagian 4.1 tetapi tidak lagi direkomendasikan.
Pendekatan ini telah mendominasi analisis mediasi hingga saat ini,
masih tetap digunakan secara luas, dan telah mendarah daging dalam
cara berpikir para ilmuwan. Di permukaan, tampaknya keberadaan
hubungan antara X dan Y akan menjadi prasyarat yang masuk akal
untuk mencoba menjelaskan efek yang mendasari X pada Y. Tetapi ada
kesadaran dan penghargaan yang berkembang bahwa pemikiran seperti
itu salah arah dan usang. Seperti yang dinyatakan Bollen (1989) beberapa
tahun yang lalu dalam beberapa kalimat yang terselip di halaman 52 dari
bukunya yang populer Structural Equations with Latent Variables,
"kurangnya korelasi tidak menyangkal sebab-akibat" dan "korelasi
bukanlah kondisi kausalitas yang diperlukan atau cukup." Hal ini
tampaknya bertentangan dengan kebijaksanaan konvensional dan apa
yang diajarkan di sekolah pascasarjana atau dicetak dalam buku-buku
metode penelitian. Namun itu benar, dan sebagian besar pakar analisis
mediasi kini telah mengadopsi perspektif yang diartikulasikan Bollen
(lihat, misalnya, Cerin & MacKinnon, 2009; Hayes, 2009; Hayes &
Rockwood, 2017; MacKinnon, 2008; Rucker, Preacher, Tormala, & Petty,
2011; Shrout & Bolger, 2002; Zhao, Lynch, & Chen, 2010). Analisis
mediasi seperti yang dipraktikkan sekarang tidak lagi memaksakan
bukti hubungan sederhana antara X dan Y sebagai prasyarat. Hal ini
bukti hubungan sederhana antara X dan Y sebagai prasyarat. Hal ini
bukti hubungan sederhana antara X dan Y sebagai prasyarat. Zhao,
Lynch, & Chen, 2010). Analisis mediasi seperti yang dipraktikkan
sekarang tidak lagi memaksakan bukti hubungan sederhana antara X
dan Y sebagai prasyarat. Zhao, Lynch, & Chen, 2010). Analisis mediasi
seperti yang dipraktikkan sekarang tidak lagi memaksakan bukti
hubungan sederhana antara X dan Y sebagai prasyarat.
Mediasi sederhanamodel adalah model mediasi paling dasar yang
dapat diperkirakan, dan tidak diragukan lagi model ini sangat
menyederhanakan dinamika kompleks yang melaluinya X memengaruhi
Y dalam proses nyata yang dipelajari para ilmuwan. Dalam bab-bab
selanjutnya, saya menjelaskan model mediasi yang lebih kompleks yang
lebih realistis, seperti model di mana X mentransmisikan efeknya pada Y
melalui beberapa mekanisme yang diwakili oleh mediator yang berbeda.
Namun demikian, pemahaman yang menyeluruh tentang model ini
adalah penting. Model mediasi sederhana secara rutin diperkirakan dan
komponennya diinterpretasikan dalam psikologi sosial empiris
(misalnya, Newheiser & Barreto, 2014; Petrocelli, Rubin, & Stevens,
2016), kognitif (misalnya, Banks, Tartar, & Welhaf, 2014; Lavenure et al .,
2016), klinis (misalnya, Dubois-Comtois, Moss, Cyr, & Pascuzzo, 2014;
Nelson, Shankman, & Proudfit, 2014),
& 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
sendiri.
dan model hubungan antar variabel.
3.2 Estimasi Pengaruh Langsung, Tidak

Langsung, dan Total dari X
Ketika menguji secara empiris proses kausal yang melibatkan komponen
mediasi, kepentingan utama adalah estimasi dan interpretasi dari efek
langsung dan tidak langsung bersama dengan tes inferensial
daripadanya. Untuk menurunkan efek ini, kita juga harus
memperkirakan komponen penyusun dari efek tidak langsung, yang
berarti efek X pada M serta efek M pada Y, meskipun komponen
penyusun dari efek tidak langsung tidak menjadi perhatian utama dalam
mediasi modern. analisis. Banyak peneliti sering memperkirakan efek
total X pada Y juga, meskipun hal itu tidak diperlukan untuk tujuan
interpretasi. Saya mendefinisikan efek total nanti.
Model mediasi sederhana yang direpresentasikan dalam bentuk
diagram statistik dapat dilihat pada Gambar 3.2. Perhatikan bahwa
dalam membandingkan Angka
3.1 dan 3.2, ada sedikit perbedaan antara diagram konseptual dan
diagram statistik yang mewakili model mediasi sederhana. Karena ada
dua variabel konsekuen dalam diagram ini, dua model linier diperlukan,
satu untuk setiap konsekuen. Diagram statistik ini mewakili dua
persamaan:
M =aku+kapak+eM (3.1)
ka =iY+ckanX+bM+eY (3.2)
m
u
di mana iM dan iY adalah konstanta regresi, eM dan eY adalah

kesalahan dalam estimasi M dan Y, masing-masing, dan a, b, dan c′
adalah koefisien regresi yang diberikan kepada variabel anteseden
dalam model dalam estimasi konsekuensi. Koefisien model diperlakukan
sebagai perkiraan pengaruh kausal diduga dari setiap variabel dalam
sistem pada orang lain, dan tujuan analitis adalah untuk memperkirakan
koefisien ini, menyatukannya, dan menafsirkan. Koefisien ini dapat
diperkirakan dengan melakukan dua analisis regresi OLS menggunakan
prosedur yang disertakan dengan SPSS, SAS, R, dan paket statistik
lainnya, menggunakan program pemodelan persamaan struktural
seperti LISREL, AMOS, Mplus, atau EQS, atau melalui penggunaan
PROSES, disebutkan pertama kali di Bab 1 dan diilustrasikan di bagian
berikutnya. Dalam model mediasi sederhana, umumnya tidak ada
bedanya, meskipun tanpa bantuan komputasi tambahan, prosedur
regresi OLS yang disertakan dengan sebagian besar paket statistik tidak
akan memberi Anda semua informasi yang Anda perlukan untuk
melakukan beberapa tes inferensial yang lebih disukai yang dijelaskan
nanti dalam bab ini. Untuk saat ini, kita dapat berbicara tentang
koefisien dan efek dalam model tanpa memperhatikan spesifikasi
metode yang digunakan untuk memperkirakannya.
eM
1
M
ekamu
sebuah b
1
X c' kamu
GAMBAR 3.2.Diagram statistik model mediasi sederhana.
Pengaruh Langsung X pada Y

Dalam persamaan 3.2, c′ memperkirakan pengaruh langsung X pada Y.
Interpretasi umum dari pengaruh langsung adalah bahwa dua kasus
yang berbeda satu unit pada X tetapi sama pada M diperkirakan berbeda
oleh c′ unit pada Y Lebih formal,
ckan = [Y | (X = x, M =m)] −[Y | (X= x −1, M = m)] (3.3)
di mana m adalah nilai apa| pun dari M, berarti dikondisikan atau

diberikan, dan topiatas Y berarti diperkirakan atau diharapkan dari
model. Dengan kata lain, untuk dua kasus dengan M = m tetapi berbeda
satu satuan pada X, c′ adalah nilai taksiran Y untuk kasus dengan X = x
dikurangi nilai− taksiran Y untuk kasus dengan X = x 1. Seperti yang
dapat ditentukan dengan melihat persamaan 3.3, tanda c′ menyatakan
apakah kasus satu satuan − lebih tinggi pada X diperkirakan lebih tinggi (c
′ = +) atau lebih rendah (c′ = ) pada Y. Jadi pengaruh langsung positif
berarti bahwa kasus yang lebih tinggi pada X diperkirakan lebih tinggi
pada Y, sedangkan efek langsung negatif berarti bahwa kasus yang lebih
tinggi pada X diperkirakan lebih rendah pada Y.
kasus khusus di mana X adalah dikotomi, dengan dua nilai X berbeda
satu unit (misalnya, X = 1 dan X = 0), Yˆ dapat diinterpretasikan sebagai
mean grup,
| − | −
jadi ckan= [Y (X = x, M = m)] [Y (X = x 1, M = m)], artinya c kanmemperkirakan
perbedaan antara dua kelompok berarti memegang M konstan. Ini setara
dengan apa yang dalam analisis istilah kovarians disebut perbedaan
rata-rata yang disesuaikan.
Pengaruh Tidak Langsung X terhadap Y

Sebelum mendefinisikan efek tidak langsung, pertama-tama perlu
didiskusikan apa a dan b dalam persamaan 3.1 dan 3.2 estimasi. Dalam
model ini, a mengkuantifikasi berapa banyak dua kasus yang berbeda
satu unit pada X diperkirakan berbeda pada M, dengan
tanda yang menentukan apakah kasus lebih tinggi pada X diperkirakan

lebih tinggi (+) atau lebih rendah (−) pada M. Artinya,
sebuah =[M ˆ | (X = x)] −[M | (X= x −1)]
Ketika X adalah variabel dikotomis dan kedua grup dikodekan

sedemikian rupa sehingga mereka berbeda satu unit pada X (misalnya, 0
dan 1), a dalam persamaan 3.1 mewakili perbedaan antara| mean dua−
grup pada
− M: a = [M (X = x)][
M(X =x 1)].
Koefisien dari persamaan 3.2 memiliki interpretasi yang analog
dengan c′, kecuali dengan M sebagai anteseden. Dua kasus yang berbeda
satu satuan pada M tetapi sama pada X diperkirakan berbeda dengan b
satuan pada Y. Seperti pada a dan c′, tanda b menentukan apakah kasus
yang lebih tinggi pada M diperkirakan lebih tinggi (+) atau lebih rendah
(−) pada Y:
b = [Y | (M = m, X = x)] −[Y | (M= m −1, X = x)]
Pengaruh tidak langsung dari X pada Y melalui M adalah hasil

kali dari a dan b. UntukMisalnya, jika a = 0,5 dan b = 1,3, maka
pengaruh tidak langsung X terhadap Y melalui M adalah ab = 0,65.
Pengaruh tidak langsung menyatakan bahwa dua kasus yang berbeda
satu satuan pada X diperkirakan berbeda satu satuan ab pada Y sebagai
akibat dari pengaruh X pada M yang selanjutnya mempengaruhi Y.
Pengaruh tidak langsung akan positif (artinya kasus yang lebih tinggi
pada X diperkirakan lebih tinggi pada Y) jika a dan b keduanya positif
atau keduanya negatif, sedangkan itu akan negatif (artinya kasus yang
lebih tinggi pada X diperkirakan lebih rendah pada Y) jika a atau b, tapi
tidak keduanya, negatif.
Meskipun seseorang dapat menafsirkan efek tidak langsung tanpa
mempertimbangkan tanda-tanda a dan b, hal itu dapat berbahaya,
karena tanda ab ditentukan oleh dua konfigurasi yang berbeda dari
tanda-tanda a dan b. Teori tertentu yang Anda uji mungkin memprediksi
ab positif karena, menurut proses yang dijelaskan teori, a dan b
keduanya harus positif. Tetapi bagaimana jika a dan b ternyata negatif
dalam analisis Anda? Ini akan menghasilkan efek tidak langsung positif
seperti yang diprediksi, namun pola hasil untuk a dan b ini persis
berlawanan dengan apa yang diprediksi teori, dan ini akan
menimbulkan keraguan apakah teori tersebut cukup menggambarkan
proses menghasilkan data Anda.
Pengaruh Total X terhadap Y

Efek langsung dan tidak langsung secara sempurna membagi bagaimana
perbedaan di X memetakan ke perbedaan di Y, efek total X dan
dilambangkan di sini sebagai c. Efek total c mengkuantifikasi berapa
pada Y. Artinya,
c =[Y ˆ | (X = x)] −[Y | (X= x −1)]

Dalam model mediasi sederhana, c dapat diturunkan dengan mengestimasi

Y dari X
sendiri:
kamu= iY∗ + cX + eY∗ (3.4)
Ketika X adalah variabel dikotomisdikodekan oleh selisih satu satuan, c
adalah selisih antara mean grup pada Y: c = [Y| (X = x)]− [Y |(X = x −1)].
Terlepas dari apakah X dikotomi, efek total X pada Y sama dengan
jumlah efek langsung dan tidak langsung dari X:
c= ckan+ ab
Hubungan ini dapat ditulis ulang sebagai ab − = cc′, yang memberikan

yang laindefinisi efek tidak langsung. Pengaruh tidak langsung adalah
selisih antara pengaruh total X terhadap Y dan pengaruh X terhadap Y
yang mengendalikan M, pengaruh langsung.
Kesetaraan antara efek total X dan jumlah efek langsung dan tidak
langsung dapat diilustrasikan dengan mensubstitusikan persamaan 3.1
ke dalam persamaan 3.2, dengan demikian menyatakan Y sebagai fungsi
dari X saja:
kamu= iY + c'X+ b(iM + aX + eM) + eY
yang secara ekuivalen dapat ditulis sebagai
kamu= (iY + biM) + (ab + c')X+ (eY + beM) (3.5)
Persamaan 3.5 adalah fungsi linier sederhana dari X, sama seperti

persamaan 3.4. Sebenarnya, persamaan 3.4 dan 3.5 adalah identik jika
Anda membuat substitusi berikut: c = ab + c′, iY∗ = iY + biM, dan eY ∗ =
(eY + beM). Jadi ab + c′ memiliki interpretasi yang sama dengan c.
Jumlah efek langsung dan tidak langsung mengkuantifikasi berapa
pada Y.
Penting untuk diketahui bahwa matematika ini, dimana c = c′ +ab,
berlaku ketika Y dan M diestimasi menggunakan regresi OLS, artinya
dianalisis sebagai variabel kontinu menggunakan kriteria OLS untuk
memaksimalkan kecocokan model. Ini juga berfungsi saat menggunakan
model hasil berkelanjutan berbasis kemungkinan maksimum, seperti
saat menggunakan program pemodelan persamaan struktural. Itu tidak
berlaku ketika menggunakan metode pemodelan lain yang menyimpang
dari apa yang dikenal dalam literatur pemodelan linier umum sebagai
tautan identitas dalam model. Misalnya, misalkan variabel hasil Anda
adalah dikotomis atau variabel ordinal tiga atau empat kategori dan
Anda menggunakan regresi logistik atau probit daripada regresi OLS
untuk memperkirakan b, c, dan c′ dalam persamaan 3.2 dan 3.4. Dalam
hal ini, c biasanya tidak akan sama dengan c′ + 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.
3.3 Contoh dengan Dikotomi X: Pengaruh Media

yang Diduga Pengaruh
Untuk mengilustrasikan estimasi efek langsung dan tidak langsung dalam
media sederhanaModel tion, saya menggunakan data dari studi yang
dilakukan di Israel oleh Tal-Or, Cohen, Tsfati, dan Gunther (2010). File
data tersebut diberi nama PMI dan dapat diunduh
dariwww.afhayes.com.Para peserta dalam penelitian ini (43 laki-laki dan
80 perempuan yang belajar ilmu politik atau komunikasi di sebuah
universitas di Israel) membaca salah satu dari dua artikel surat kabar
yang menggambarkan krisis ekonomi yang dapat mempengaruhi harga
dan pasokan gula di Israel. Sekitar setengah dari peserta (n = 58) diberi
sebuah artikel yang mereka diberitahu akan muncul di halaman depan
sebuah surat kabar besar Israel (selanjutnya disebut sebagai kondisi
halaman depan). Peserta yang tersisa (n = 65) diberi artikel yang sama
tetapi diberitahu bahwa artikel itu akan muncul di tengah-tengah
suplemen ekonomi surat kabar ini (di sini disebut sebagai kondisi
halaman interior). Manakah dari dua artikel yang dibaca peserta
ditentukan oleh tugas acak. Dalam semua hal lain, para peserta dalam
penelitian ini diperlakukan setara,
Setelah peserta membaca artikel tersebut, mereka ditanyai sejumlah
pertanyaan tentang reaksi mereka terhadap cerita tersebut. Beberapa
pertanyaan diajukan kepada peserta seberapa cepat mereka berencana
membeli gula dan berapa banyak yang ingin mereka beli. Tanggapan
mereka dikumpulkan untuk membentuk niat membeli gula (REAKSI
dalam file data), sehingga skor yang lebih tinggi mencerminkan niat
yang lebih besar untuk membeli gula (lebih cepat dan dalam jumlah
yang lebih besar). Mereka juga ditanyai pertanyaan yang digunakan
untuk mengukur seberapa besar mereka percaya bahwa orang lain di
masyarakat akan terdorong untuk membeli gula sebagai akibat dari
paparan artikel tersebut, ukuran dugaan pengaruh media (PMI dalam
file data).
Tal-Or dkk. (2010) beralasan bahwa relatif terhadap artikel yang
terkubur di dalamrior sebuah surat kabar, sebuah artikelditerbitkan di
halaman depan akan mendorong keyakinan bahwa orang lain
kemungkinan akan terpengaruh oleh kemungkinan kekurangan dan
dengan demikian akan keluar dan membeli gula. Keyakinan bahwa
orang lain akan merespons dengan cara ini, pada gilirannya, akan
mendorong peserta untuk percaya bahwa dia juga harus pergi keluar
dan membeli gula. Artinya, orang akan menggunakan keyakinan mereka
tentang bagaimana orang lain akan menanggapi artikel mengantisipasi
harga
TABEL 3.1.Statistik Deskriptif untuk Studi Pengaruh Media yang Diduga
kamu M kamu
REAKSI PMI disesuai
kan
Halaman depan (X=1) 3.746 5.853 3.616
Berarti
SD 1.452 1.267
Halaman dalam (X=0) 3.250 5.377 3.362

Berarti
SD 1.608 1.338
Berarti 3.484 5.602

SD 1,550 1.321
peningkatan dan kekurangan pasokan sebagai panduan untuk menentukan

perilaku mereka sendiri(yaitu, "Orang lain akan membeli semua gula, jadi
saya harus bertindak selagi saya masih bisa, sebelum harga meroket dan
persediaan hilang").
Model statistik digambarkan pada Gambar 3.3, dan statistik
deskriptif untuk setiap variabel dalam dua kondisi dapat ditemukan
pada Tabel
3.1. Untuk memperkirakan pengaruh manipulasi (X pada Gambar 3.3,
dengan kondisi halaman depan berkode 1 dan kondisi halaman dalam
berkode 0) terhadap kemungkinan membeli gula (Y pada Gambar 3.3),
secara langsung maupun tidak langsung melalui dugaan pengaruh
media ( M pada Gambar 3.3), koefisien dua model linier yang
didefinisikan oleh persamaan 3.1 dan 3.2 dapat dihasilkan dengan
menggunakan program regresi OLS. Ada banyak program statistik yang
tersedia yang dapat memperkirakan koefisien model seperti ini dengan
mudah. Misalnya, dengan menggunakan file data PMI, dalam SPSS
perintah di bawah ini memperkirakan a, b, dan c′:
Efek total (c) dapat dihitung sebagaicond.

regresi/dep=pmi/metode=masukkan jumlah efek langsung dan tidak
langsung dari model yang dihasilkan,kondisi
regresi/dep=reaksi/metode=masukkan atau dengan analisis regresi
ketiga:
Di SAS, PROC REG mengimplementasikan

regresi/dep=reaksi/metode=masukkan kondisi.regresi kuadrat terkecil biasa,
dan perintah di bawah ini memperkirakan koefisien regresi:
eM
1
sebuah= 0,477 b= 0,506 e

PMI k
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
TABEL 3.2.Koefisien Model untuk Studi Pengaruh Media yang Diduga
Akibat
M(PMI) kamu(REAKSI)
Mendahului coeff. SE p coeff. SE p
X(COND) seb 0,477 0.236 .045 ck 0,254 0.256 .322

ua an
h
M(PMI) —- —- —- b 0,506 0,097 < .001
Konstan aku 5.377 0,162 < .001 iY 0,527 0,550 .340
R2= 0.033 R2= 0,206

F(1, 121) = 4,088, p = .045 F(2, 120) = 15,557, p < .001
adalah, b =[Y|(M=m, X = x)]−[Y ˆ |(M=m− 1, X =x)]. Tanda b adalah

positif, artinya mereka yang dianggap relatif lebih tinggi dalam pengaruh
mediadiperkirakan relatif lebih tinggi dalam niat mereka untuk membeli
gula.
Efek tidak langsung dikuantifikasi sebagai produk dari efek
manipulasiulasi lokasi artikel pada dugaan pengaruh media (a) dan
pengaruh dugaan pengaruh media terhadap niat membeli gula ketika
lokasi artikel ditetapkan (b). Melakukan matematika dengan mengalikan
dua koefisien ini menghasilkan efek tidak langsung dari manipulasi
lokasi artikel pada niat untuk membeli gula melalui pengaruh media
yang diduga: ab = 0,477(0,506) = 0,241. Jadi relatif terhadap mereka yang
ditugaskan pada kondisi halaman dalam, mereka yang membaca sebuah
artikel yang diperintahkan untuk diterbitkan di halaman depan surat
kabar, rata-rata 0,241 unit lebih tinggi kemungkinannya untuk membeli
gula sebagai akibat dari pengaruh lokasi artikel terhadap media yang
diduga mempengaruhi yang pada gilirannya diduga mempengaruhi niat
masyarakat untuk membeli gula.
Perkiraan pengaruh langsung lokasi artikel terhadap kemungkinan
membeli gula adalah c′ = 0,254. Artinya, dua kasus yang berbeda satu
satuan pada X tetapi sama besar pada M diperkirakan berbeda 0,254
satuan pada Y. Karena kedua kelompok dikodekan sedemikian rupa
sehingga berbeda satu satuan pada X, secara substantif, kita dapat
mengatakan bahwa bebas dari efek dugaan pengaruh media terhadap
kemungkinan membeli gula (karena M dianggap konstan dalam turunan
c′), peserta yang ditugaskan ke kondisi halaman depan (X = 1)
diperkirakan rata-rata 0,254 unit lebih tinggi dalam kemungkinan
membeli gula dari yang ditugaskan untuk kondisi halaman interior (X =
0). Yaitu, [Y | (X = 1, M = m)] [Y | (X = 0, M = m)] = 0,254.
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
rata-rata, pada ukuran niat. Sebaliknya, mereka yang ditugaskan untuk

kondisi halaman interior (X = 0) yang rata-rata dalam pengaruh media
diperkirakan memiliki skor
∗
kamu = 0,527 + 0,506(5,602) + 0,254(0) = 3,362
rata-rata dalam niat mereka. Perbedaan antara dua rata-rata yang

disesuaikan ini, tentu saja, 0,254 dan tidak tergantung pada pilihan M di
mana estimasi Y diturunkan.
Total pengaruh manipulasi terhadap niat membeli gula dapat
diperoleh dengan menjumlahkan pengaruh langsung dan tidak
langsung. Dalam hal ini, efek totalnya adalah c′ + ab = 0,254 + 0,241 =
0,495, artinya mereka yang membaca artikel yang diperintahkan untuk
dipublikasikan di halaman depan rata-rata,
0,495 unit lebih tinggi dalam niat mereka untuk membeli gula daripada
yang diberitahukan akan diterbitkan di interior surat kabar. Dalam
model mediasi sederhana seperti ini, total efek X dapat diperkirakan
hanya dengan regresi Y pada X saja, tanpa M dalam model. Koefisien
untuk X adalah efek total, dan ini sesuai dengan perbedaan antara rata-
rata dari dua
– kelompok (yaitu, − Y depan Yinterior = 3,746 3,250 = 0,496),
yaitu c (dalam kesalahan pembulatan yang diharapkan yang dihasilkan
oleh perhitungan tangan).
Ketika X adalah variabel dikotomis yang dikode oleh selisih satu
satuan, dan dengan asumsi persamaan di bawah ini bahwa X berkode 0
dan 1 untuk kedua golongan, hubungan antara pengaruh total,
langsung, dan tidak langsung dapat dinyatakan dalam bentuk
perbedaan antara rata-rata dari dua kelompok bersama dengan efek M
pada Y mengendalikan X:
z}
(YX=1 YX=0) = ∗
∗ X=0 ) + (MX=1 MX=0) b
(Y X –
z}
___________ ___________ ___________ ___________ _______________ _______________
z}
Efek total (c) Efek langsung tidak langsungefek (ab)
(ckan)
Mengganti statistik dari analisis sebelumnya,
(3,746 3,250) = (3,616 3,362) + (5.853 5,377) 0,506

____________
z} ____________ ____________ ____________
z} __________
z} __________
Efek total (c) Efek langsung tidak langsungefek (ab)
(ckan)
Estimasi Model dalam PROCESS untuk SPSS dan SAS

Sepanjang buku ini saya akan mengandalkan alat praktis yang saya buat
untuk SPSS dan SAS yang disebut PROCESS, petunjuk penggunaannya
dapat ditemukan di Lampiran A dan B dan di berbagai tempat di buku
ini bila perlu. Salah satu fitur PROCESS adalah dapat memperkirakan
koefisien regresi dalam model mediasi sederhana seperti ini, serta dalam
model yang lebih kompleks yang melibatkan dua atau lebih mediator,
sambil memberikan perkiraan efek tidak langsung, berbagai tes
inferensial , dan informasi tambahan yang akan dibahas kemudian.
Selanjutnya dapat digunakan untuk analisis moderasi dan pemodelan
yang menggabungkan moderasi dan mediasi. Versi SPSS dari perintah
PROCESS untuk analisis yang baru saja dilakukan adalah
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.
Model: 4
Y : reaksi
X : kond
M : pmi
Ukuran
Sampel:
123
Kebiasaan
Benih: 31216 Benih angka acak
************************************************** ************************
VARIABEL HASIL:
pmi
Ringkasan
Model
R R-sq UMK F df1 df2 p Regresi OLS

.1808 .0327 1.7026 4.0878 1.0000 121.0000 .0454
************************************************** ************************
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 **************
Pengaruh total X terhadap Y

EffectsetpLLCIULCI
c .4957.27751.7860.0766-.05381.0452
Efek langsung dari X pada Y

EffectsetpLLCIULCI
c .2544.2558.9943.3221-.2522.7609
Efek tidak langsung dari X pada Y:

EfekBootSE 95% interval kepercayaan
BootLLCIBootULCI
pmi.2413.1307 bootstrap untuk efek tidak
ab Uji teori normal untuk efek tidak langsung: langsung
Memeng se Z p
tes sobel
aruhi
************************** CATATAN ANALISIS DAN KESALAHAN *********************** *
Tingkat kepercayaan untuk semua interval kepercayaan dalam

output: 95.0000
Jumlah sampel bootstrap untuk interval kepercayaan bootstrap: 5000

GAMBAR 3.4.Keluaran dari prosedur PROCESS untuk SPSS untuk media yang diduga
mempengaruhi analisis mediasi sederhana.
3.4 Inferensi Statistik

Bagian sebelumnya didedikasikan untuk menjelaskan bagaimana
pengaruh X pada Y dalam model mediasi sederhana dapat dipartisi
menjadi komponen langsung dan tidak langsung. Ketika efek ini
diperkirakan menggunakan regresi OLS, itu akan selalu benar dalam
setiap kumpulan data yang c = c′ + ab. Tetapi efek-efek ini sebagaimana
diwakili oleh c, c′, dan ab adalah contoh spesifik dari nilai sebenarnya Tc,
Tc′, dan TaTb. Mereka menggambarkan hubungan antara variabel dalam
data yang tersedia, tetapi mereka tidak mengatakan apa-apa tentang
generalisasi. Biasanya, peneliti tertarik pada generalisasi, baik dengan
melihat apakah "kebetulan" dapat diabaikan sebagai penjelasan yang
masuk akal untuk efek yang diperoleh dengan melakukan uji hipotesis,
atau dengan mengakui varians pengambilan sampel yang melekat pada
perkiraan apa pun melalui konstruksi perkiraan interval untuk efek-efek
ini.
Inferensi tentang Pengaruh Total X terhadap Y

Dalam model mediasi sederhana, pengaruh total X terhadap Y adalah
penjumlahan dari pengaruh langsung X terhadap Y dan pengaruh
tidak langsung X terhadap Y melalui M. Sedangkanada banyak
pilihan yang tersedia untuk inferensi tentang efek tidak langsung,
inferensi untuk efek total sederhana dan mudah. Meskipun efek total
adalah jumlah dari dua jalur pengaruh, itu dapat diperkirakan dengan
meregresi Y hanya pada X, tanpa M dalam model. Koefisien regresi
untuk X dalam model tersebut, c dalam persamaan 3.4, adalah efek total
dari X. Inferensi dapat dibingkai dalam bentuk uji hipotesis nol (H0 : Tc
= 0 versus alternatif Ha : Tc 0) atau apakah suatu estimasi interval untuk
Tc termasuk nol.
Mekanisme kedua prosedur dijelaskan pada bagian 2.6. Setiap
program regresi OLS memberikan output yang diperlukan untuk
mengimplementasikan kedua pendekatan, seperti halnya prosedur
PROCESS dengan penggunaan opsi total. Opsi total dalam PROCESS
adalah salah satu dari banyak opsi "beralih", artinya PROCESS akan
melakukannya (bila argumen disetel ke 1) atau tidak (saat argumen
disetel ke 0). Jadi menambahkan total=1 ke baris perintah PROCESS
memberitahu SPSS untuk menunjukkan model yang menghasilkan efek
total X pada Y di bagian output. Argumen default adalah nol, artinya
jika Anda mengabaikan opsi total seluruhnya, PROCESS tidak akan
menunjukkan model ini menghasilkan total efek X.
Karena kami memintanya, Anda dapat menemukan efek total dalam
output PROCESS pada Gambar 3.4 di bawah bagian berlabel "Efek total
X pada Y" atau dalam informasi model di bawah "Model Efek Total".
Seperti dapat dilihat, efek totalnya adalah c = 0,496 tetapi hanya meleset
dari signifikansi statistik menggunakan an
= 0,05 kriteria keputusan, t(121) = 1,786, p = 0,077. Dengan kepercayaan 95%,

Tcberada di suatu tempat antara 0,054 dan 1,045.
Inferensi tentang Pengaruh Langsung X terhadap Y

Efek langsung mengkuantifikasi perbedaan yang diperkirakan dalam Y
antara dua kasus yang sama pada M tetapi berbeda satu unit pada X.
Inferensi untuk efek langsung X pada Y dalam analisis mediasi biasanya
dilakukan dengan menggunakan metode standar yang digunakan untuk
inferensi untuk setiap koefisien regresi dalam model regresi. Ini
melibatkan pengujian hipotesis nol tentang Tc′ terhadap hipotesis
alternatif atau pembangunan interval kepercayaan untuk Tc. Kecuali
dalam keadaan yang tidak biasa, peneliti fokus untuk memastikan
apakah klaim bahwa Tc′ berbeda dari nol dibenarkan berdasarkan data
yang tersedia. Jika demikian, ini mendukung argumen bahwa X terkait
dengan Y terlepas dari mekanisme yang diwakili oleh M. Jika tidak,
seseorang dapat mengklaim bahwa tidak ada bukti hubungan antara X
dan Y ketika mekanisme melalui M diperhitungkan. Dengan kata lain,
Dalam hal hipotesis nol, ini berarti pengujian H0 : Tc′ = 0
terhadapalternatif Ha : Tc′ 0. Dibingkai dalam interval kepercayaan, ini
melibatkan penentuan apakah estimasi interval untuk Tc′ termasuk nol.
Mekanisme kedua prosedur dijelaskan pada bagian 2.6. Setiap program
regresi OLS menyediakan output yang diperlukan untuk
mengimplementasikan kedua pendekatan, seperti halnya prosedur
PROCESS.
Dalam studi pengaruh media yang diduga, apakah ada bukti
pengaruh langsung penempatan artikel kekurangan gula terhadap niat
membeli gula? Jawaban atas pertanyaan ini dapat ditemukan di dua
lokasi pada output PROCESS pada Gambar 3.4. Pada bagian yang
berlabel “Efek Total, Langsung, dan Tidak Langsung dari X terhadap Y”
adalah efek langsung bersama dengan kesalahan standar, nilai t, nilai p,
dan interval kepercayaan 95%. Informasi ini juga ditemukan di bagian
berlabel "Variabel Hasil: reaksi" di baris berlabel "cond", yang
merupakan nama variabel untuk manipulasi eksperimental. Seperti
dapat dilihat, efek langsung tidak berbeda secara statistik dari nol, c′ =
0,254, t(120) = 0,994, p = 0,322. Hipotesis
− nol bahwa Tc′ = 0 tidak dapat
ditolak. Estimasi interval untuk Tc′ adalah 0,252 hingga 0,761 dengan
kepercayaan 95%. Interval kepercayaan ini tidak termasuk nol, jadi nol
tidak dapat dengan pasti dikesampingkan sebagai nilai yang masuk akal
untuk efek langsung. Tentu saja, uji hipotesis dan interval kepercayaan
mengarah pada inferensi yang sama, karena keduanya hanyalah cara
berbeda untuk mengemas informasi yang sama.
Inferensi tentang Pengaruh Tidak Langsung X terhadap Y melalui M

Efek tidak langsung mengkuantifikasi berapa banyak dua kasus yang
berbeda oleh satu unit pada X diperkirakan berbeda pada Y sebagai
akibat dari pengaruh X pada M, yang pada gilirannya mempengaruhi Y.
Efek tidak langsung relevan dengan apakah efek X pada Y dapat
dikatakan
→ ditransmisikan melalui mekanisme yang diwakili oleh rantai
peristiwa kausal XMY. Seperti halnya efek langsung, peneliti biasanya
ingin mengetahui apakah data memungkinkan klaim bahwa perkiraan
perbedaan Y yang disebabkan oleh mekanisme ini dapat dikatakan
berbeda dari nol. Jika demikian, seseorang dapat mengklaim M
berfungsi sebagai mediator dari efek X pada Y. Seperti halnya inferensi
tentang efek langsung, inferensi ini dapat dirumuskan dalam bentuk uji
hipotesis nol tentang TaTb atau dengan membangun perkiraan interval.
Pada bagian ini saya hanya menjelaskan beberapa pendekatan untuk
kesimpulan statistik.untuk efek tidak langsung yang telah diusulkan. Ada
banyak lagi yang tersedia, dan yang baru selalu diperkenalkan dalam
literatur metodologi. Yang saya fokuskan di sini telah digunakan secara
luas di masa lalu atau menjadi populer baru-baru ini, dan karenanya
layak untuk ditekankan. Untuk diskusi tentang beberapa pendekatan
yang saya abaikan di sini, lihat Biesanz, Falk, dan Savalei (2010), Falk
dan Biesanz (2016), MacKinnon et al. (2002), MacKinnon (2008),
Pengkhotbah dan Hayes (2008b), Pengkhotbah dan Selig (2012), dan
Yuan dan MacKinnon (2009).
Pendekatan Teori Normal. Juga disebut produk pendekatan
koefisien untuk inferensi, uji Sobel, dan metode delta, pendekatan teori
normal didasarkan pada teori inferensi yang sama yang digunakan
untuk inferensi tentang efek total dan langsung dan banyak tes
inferensial lainnya yang dijelaskan dalam buku statistik dasar . Dengan
perkiraan kesalahan standar ab dan dengan asumsi distribusi
pengambilan sampel ab normal, nilai p untuk ab dapat diturunkan
dengan nilai hipotesis nol spesifik dari TaTb, atau perkiraan interval
dapat dihasilkan.
Sebelum pendekatan teori normal dapat diimplementasikan,
diperlukan estimasi standar error ab. Ada beberapa estimator yang
beredar dalam literatur yang telah digunakan dalam analisis mediasi
(lihat, misalnya, Aroian, 1947; Baron & Kenny, 1986; Goodman, 1960;
MacKinnon, Warsi, & Dwyer, 1995; Sobel, 1982), dan semuanya
merupakan fungsi dari a dan b dan kesalahan standarnya. Salah satu
yang dikenal sebagai kesalahan standar orde kedua adalah
√
dasar laut= sebuah2se2+ (3.7)
b s s b
b2se2+ se2se2
di mana se2 dan se2 adalah kesalahan standar kuadrat dari a dan b, masing-
masing. Semua
sebuah b
informasi yang diperlukan untuk menghitung dasar laut tersedia dalam
program apa pun yang mungkin Anda gunakan untuk memperkirakan a
dan b. Tidak ada perangkat lunak khusus yang diperlukan.
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
Dengan perkiraan kesalahan standardari efek tidak langsung,

nullhipotesis bahwa TaTb = 0 dapat diuji terhadap alternatif bahwa TaTb
0 dengan mengambil rasio ab terhadap standard error-nya,
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,
0,241 1,96(0,130) TaTb 0,241 + 1,96(0,130)
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.
Pendekatan teori normal dapat dilakukan dengan tangan dengan cukup
mudah, dansebagian besar program pemodelan persamaan struktural
(SEM) melakukan tes ini
dalam beberapa bentuk secara otomatis ketika memperkirakan model

mediasi sederhana. Di luar program SEM, sebagian besar paket
perangkat lunak statistik memerlukan add-on atau makro khusus untuk
melakukan pengujian ini. PROCESS akan melakukan pengujian ini
dengan menggunakan opsi normal. Bagian output yang relevan dari
PROCESS dapat ditemukan pada Gambar 3.4 di bawah bagian berlabel
“Uji teori normal untuk efek tidak langsung.”
Pendekatan teori normal mengalami dua kekurangan yang membuatnya
sulit untuk direkomendasikan. Pertama, metode ini mengasumsikan bahwa
distribusi sampling ab adalah normal. Tetapi telah ditunjukkan secara
analitis dan melalui simulasi bahwa distribusi tidak teratur dalam ukuran
sampel yang mencirikan sebagian besar empirisstudi (Bollen & Stine, 1990;
Craig, 1936; Stone & Sobel, 1990). Karena tidak pernah mungkin untuk
mengetahui secara pasti apakah distribusi pengambilan sampel cukup
dekat dengan normal mengingat karakteristik masalah seseorang untuk
secara aman menerapkan metode yang mengasumsikan normalitas,
diinginkan untuk menggunakan tes yang tidak memerlukan asumsi ini.
Kedua, penelitian simulasi yang membandingkan pendekatan ini dengan
berbagaibersaing metode inferensial telah menunjukkan bahwa itu
adalah salah satu yang terendah dalam kekuasaan dan menghasilkan
interval kepercayaan yang cenderung kurang akurat daripada beberapa
metode yang dijelaskan berikutnya (Hayes & Scharkow, 2013;
MacKinnon, Lockwood, & Williams, 2004). Jika X memang
mempengaruhi Y secara tidak langsung melalui M, pendekatan teori
normal cenderung tidak mendeteksinya daripada alternatif-alternatif
yang bersaing. Untuk dua alasan ini, saya sarankan Anda menghindari
pendekatan ini. Untuk model mediasi sederhana, dan pada
kenyataannya semua model yang dibahas dalam buku ini, selalu
memungkinkan untuk menggunakan alternatif yang lebih baik. Saya
akan menjelaskan beberapa alternatif tersebut selanjutnya.
Interval Keyakinan Bootstrap. Sebagai anggota dari kelas prosedur
yang dikenal sebagai metode resampling, bootstrap telah ada selama
beberapa dekade. Itu dimungkinkan oleh munculnya komputasi
berkecepatan tinggi, dan karena daya komputer telah meningkat
sementara biaya daya itu telah menurun, bootstrap sedang
diimplementasikan dalam perangkat lunak statistik modern dengan
frekuensi yang meningkat. Bootstrap adalah metode serbaguna yang
dapat diterapkan pada banyak masalah inferensial yang mungkin
dihadapi peneliti. Hal ini sangat berguna ketika perilaku statistik atas
pengambilan sampel berulang tidak diketahui, terlalu rumit untuk
diturunkan, atau sangat bergantung pada konteks. Saya tidak akan
membahas semua detail halus tentang bootstrap, karena ada artikel
bagus dan seluruh buku yang dikhususkan untuk topik dan variasi ini.
Untuk ikhtisar yang sangat mudah dibaca, lihat Good (2001), Lunneborg
(2000), Mooney and Duval (1993),
Terlepas dari masalah inferensial, esensi bootstrap tetap konstan di
seluruh aplikasi. Sampel asli berukuran n diperlakukan sebagai
representasi miniatur dari populasi yang awalnya diambil sampelnya.
Ob-
layanan dalam sampel ini kemudian "disampel ulang" dengan

penggantian, dan beberapa statistik yang menarik dihitung dalam
sampel baru berukuran n yang dibuat melalui proses pengambilan
sampel ulang ini. Berulang-ulang—idealnya ribuan kali—representasi
dari distribusi sampling statistik dibangun secara empiris, dan
representasi empiris ini digunakan untuk tugas inferensial yang ada.
Dalam analisis mediasi, bootstrap digunakan untuk menghasilkan
representasi yang diturunkan secara empiris dari distribusi sampling
dari efek tidak langsung, dan representasi empiris ini digunakan untuk
pembangunan interval kepercayaan untuk TaTb. Berbeda dengan
pendekatan teori normal, tidak ada asumsi yang dibuat tentang bentuk
distribusi sampling ab. Interval kepercayaan bootstrap lebih
menghormati ketidakteraturan distribusi sampling ab dan, sebagai
hasilnya, menghasilkan inferensi yang lebih mungkin akurat daripada
ketika pendekatan teori normal digunakan. Ketika digunakan untuk
menguji hipotesis, hasilnya adalah tes dengan kekuatan yang lebih tinggi
dari pendekatan teori normal.
There are six steps involved in the construction of a bootstrap confidence
interval untuk TaTb:
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.
2. Perkirakan pengaruh tidak langsung ab∗ dalam sampel bootstrap, di mana

ab∗ adalah produk dari a dan b dari persamaan 3.1 dan 3.2.
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.
5. Untuk selang kepercayaan ci%, tentukan nilai ab ∗ dalam distribusi

perkiraan k ini yang mendefinisikan
− persentil ke 0,5(100 ci) dari distribusi.
Ini adalah batas bawah interval kepercayaan ci%. Ini akan menjadi nilai
ab∗ dalam posisi ordinal 0,005k(100 ci) dari distribusi yang diurutkan.
6. Tentukan nilai ab∗ dalam distribusi k perkiraan ini yang

mendefinisikan[100 0,5(100 ci)]persentil distribusi. Ini adalah batas atas
interval kepercayaan ci%. Ini akan menjadi nilai ab ∗ dalam posisi ordinal
k[1 0,005(100 ci)] + 1 dari distribusi yang diurutkan.
Untuk mengilustrasikan langkah (1), (2), dan (3) dari sampling dan
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,
TABEL 3.3.Perkiraan bootstrap darisebuah,b, dan Efek Tidak LangsungabSaat Mengambil

Dua Sampel Bootstrap dari Sampel Ukuran Aslin= 10
AslisampelBootstrap Sampel1 tali sepatu sampel 2
Kasus X KU Kasus X MY Kasus X M kamu
1 0 1.500 3.000 4 0 2.500 4.500 10 1 5.000 5.000

2 0 2.000 2.750 8 1 3.000 3.750 3 0 1.000 3.500
3 0 1.000 3.500 2 0 2.000 2.750 7 1 2.500 2.250
4 0 2.500 4.500 3 0 1.000 3.500 5 0 4.500 4.750
5 0 4.000 4.750 1 0 1.500 3.000 6 1 4.500 4.500
6 1 4.500 4.500 2 0 2.000 2.750 8 1 3.000 3.750
7 1 2.500 2.250 6 1 4.500 4.500 8 1 3.000 3.750
8 1 3.000 3.750 8 1 3.000 3.750 4 0 2.500 4.500
9 1 1.500 2.500 5 0 4.000 4.750 10 1 5.000 5.000
10 1 5.000 5.000 9 1 1.500 2.500 2 0 2.000 2.750
sebuah 1.100 sebuah 0.833 sebuah 1.458

b 0,700 b 0,631 b 0,713
ab 0,770 ab∗ 0,526 ab∗ 1.039
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
untuk meniru proses pengambilan sampel asli, yang merupakan tujuan

bootstrapcontoh. Misalkan kasus 1 dalam sampel asli adalah "Joe." Joe
kebetulan dihubungi untuk berpartisipasi dalam penelitian ini dan
memberikan data untuk upaya tersebut. Dalam proses pengambilan
sampel ulang, Joe berfungsi sebagai pengganti untuk dirinya sendiri dan
orang lain seperti dia dalam kelompok calon peserta penelitian, seperti
yang didefinisikan oleh pengukuran Joe pada variabel dalam model.
Pengambilan sampel asli dapat mengambil sampel beberapa Joe atau
tidak sama sekali, sebagian bergantung pada keberuntungan undian.
Dengan demikian, proses pengambilan sampel ulang secara acak mirip
dengan mengulang penelitian berulang-ulang tetapi menggunakan data
dari mereka yang awalnya memberikan data untuk penelitian dalam
ulangan tersebut daripada mengumpulkan data pada sekelompok orang
baru. Meskipun mungkin tampak seperti di permukaan, ini tidak curang
atau membuat data palsu atau salah menggelembungkan ukuran sampel
seseorang.
Langkah (5) dan (6) adalah cara umum untuk menggambarkan
bagaimana titik akhirdari interval kepercayaan dibangun dengan k
estimasi bootstrap dari efek tidak langsung. Contoh spesifik akan
membantu. Jika diinginkan interval kepercayaan ci = 95%, batas bawah
dan batas atas interval didefinisikan sebagai nilai bootstrap ab∗ yang
menentukan persentil ke-2,5 dan ke-97,5 dalam distribusi nilai k ab∗.
Misalkan k = 10.000. Dalam hal itu, setelah mengurutkan 10.000 nilai ab∗
yang diperoleh dari pengambilan sampel bootstrap berulang dari rendah
ke tinggi, persentil ke-2,5 dan ke-97,5
–−dari distribusi akan berada pada −
posisi ordinal 0,005(10,000)(100 95) = 250 dan (10,000)[1
0,005(10095)] + 1 = 9,751 in the
sorted list, respectively. These are the lower and upper bounds of the
95% confidence interval for TaTb.
Jelas, ini adalah proses komputasi intensif yang membutuhkan
komputer. Untungnya, hal ini tidak sulit untuk dilakukan, karena
bootstrap telah tertanam baik dalam beberapa program analisis data
(misalnya, Mplus) atau kode khusus dapat ditulis untuk
mengimplementasikan pendekatan ini dalam banyak program yang
populer digunakan, antara lain SPSS dan SAS. Makro PROCESS akan
secara otomatis membuat interval kepercayaan bootstrap untuk setiap
efek tidak langsung yang dihasilkannya dalam model apa pun yang
dapat diperkirakannya. Selanjutnya, dengan menggunakan fungsi
simpan dan menulis sedikit kode tambahan, Anda dapat
memvisualisasikan distribusi bootstrap dari efek tidak langsung.
Seperti dapat dilihat pada output PROCESS pada Gambar 3.4,
interval kepercayaan bootstrap 95% untuk efek tidak langsung lokasi
artikel pada reaksi melalui pengaruh media yang diduga, menggunakan
5.000 sampel bootstrap, adalah 0,007 hingga 0,526 (di bawah judul
"BootLLCI" dan " BootULCI"). Jadi 2,5% dari 5.000 estimasi bootstrap
lebih kecil dari 0,007, 2,5% lebih besar dari
400 95% dari perkiraan

bootstrap adalah antara
0,007 dan 0,526
350
Frekuensi dalam 5.000 sampel
300
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
Efek tidak langsung (ab)
GAMBAR 3.5.Sebuah histogram dari 5.000 perkiraan bootstrap dari efek tidak langsung
dalam studi pengaruh media yang diduga.
0,526. Karena interval kepercayaan ini sepenuhnya di atas nol, ini

mendukung kesimpulan bahwa efek tidak langsungnya positif.
Meskipun secara teknis tidak benar untuk mengatakan bahwa seseorang
dapat menolak hipotesis nol bahwa TaTb = 0 dengan nilai p tidak lebih
besar dari 0,05, dalam praktiknya interpretasi interval kepercayaan pada
dasarnya mengarah pada klaim substantif yang sama. Terdapat bukti
yang jelas bahwa efek tidak langsung positif hingga tingkat “signifikan
secara statistik”.1 PROCESS juga memberikan estimasi bootstrap dari
kesalahan standar dari efek tidak langsung di bawah judul “Boot SE.” Ini
adalah standar deviasi dari 5.000 perkiraan bootstrap dari efek tidak
langsung.
Penggambaran visual dari 5.000 perkiraan bootstrap ab dapat
ditemukan pada Gambar 3.5. Meskipun mungkin tidak terlihat pada
pandangan pertama, distribusinya tidak normal. Ini memiliki sedikit
condong dan juga lebih memuncak daripada distribusi normal. Memang,
uji hipotesis mengarah pada penolakan hipotesis nol tentang normalitas,
dengan bukti kemiringan positif dan kurtosis. Secara default, PROCESS
menghasilkan interval kepercayaan bootstrap untuk efek tidak langsung
menggunakan 5.000 sampel bootstrap. Tapi ini bisa diubah
menggunakan
Nilai p dari uji hipotesis nol dihitung berdasarkan asumsi bahwa hipotesis nol itu benar.
Karena interval kepercayaan bootstrap tidak diturunkan berdasarkan asumsi tentang
ukuran TaTb, tidak benar untuk mengatakan bahwa p < .05 jika interval kepercayaan
95% tidak termasuk nol.
opsi boot, menentukan jumlah sampel bootstrap mengikuti tanda sama

dengan. Misalnya, untuk 10.000 sampel bootstrap, tambahkan
boot=10000 ke perintah PROCESS. Dan jika Anda lebih memilih interval
kepercayaan 90% atau 99% daripada interval kepercayaan 95% (default),
PROCESS memungkinkan Anda mengubah tingkat kepercayaan untuk
semua interval kepercayaan dalam output melalui opsi conf. Misalnya,
untuk interval kepercayaan 90%, tambahkan conf=90 ke perintah
PROCESS. Perhatikan bahwa bootstrap hanya digunakan untuk
produksi interval kepercayaan untuk efek tidak langsung, kecuali jika
Anda memberi tahu PROCESS untuk melakukan sebaliknya. Semua
interval kepercayaan lainnya dalam output PRO-CESS hanyalah interval
kepercayaan biasa yang dihasilkan seperti yang dijelaskan pada bagian
2.6.2
Interval kepercayaan bootstrap yang dihitung menggunakan
pendekatan yang baru saja dijelaskan disebut interval kepercayaan
bootstrap persentil, karena didasarkan sepenuhnya pada nilai ab − ∗ yang
membatasi bagian atas dan bawah (100 ci)/2% dari distribusi k estimasi
bootstrap dari efek tidak langsung. Pendekatan alternatif untuk
konstruksi interval kepercayaan bootstrap termasuk koreksi bias dan
koreksi bias dan akselerasi. Interval kepercayaan bootstrap terkoreksi
bias seperti interval kepercayaan persentil tetapi titik akhir disesuaikan
sebagai fungsi dari proporsi nilai k dari ab∗ yang kurang dari ab,
estimasi titik dari efek tidak langsung yang dihitung dalam data asli .
Titik akhir akan disesuaikan ke atas atau ke bawah ke berbagai tingkat
tergantung pada proporsi itu. Untuk komponen percepatan,
penyesuaian tambahan dibuat berdasarkan kecondongan distribusi k
estimasi bootstrap. Mekanisme konstruksi interval kepercayaan
bootstrap yang dikoreksi bias dan dikoreksi bias dan dipercepat dapat
ditemukan di Efron (1987), Efron dan Tibshirani (1993), Lunneborg
(2000), dan Preacher and Selig (2012).
Meskipun interval kepercayaan bootstrap persentil adalah
pendekatan inferensial yang saya tekankan dalam buku ini, itu bukan
tanpa jebakan dan kritiknya, dan ini patut diakui. Pertama, untuk
memiliki banyak kepercayaan pada inferensi berbasis bootstrap, jelas
penting bahwa seseorang dapat mengumpulkan kepercayaan pada
kualitas sampel seseorang sebagai representasi yang wajar dari distribusi
populasi dari variabel yang diukur. Bootstrap didasarkan pada gagasan
bahwa pengambilan sampel ulang dengan penggantian dari sampel
seseorang meniru proses pengambilan sampel asli. Tetapi jika sampel
tidak cukup mewakili populasi dari mana sampel itu berasal, maka
bootstrap akan menghasilkan hasil yang sulit dipercaya. Tidak
diperlukan sampel asli yang diperoleh secara acak dari populasi,
Opsi modelbt dalam PROCESS menghasilkan interval kepercayaan bootstrap untuk
semua koefisien regresi. Lihat Lampiran A untuk rinciannya.
mencerminkan distribusi populasi. Pengambilan sampel secara acak

memfasilitasi keterwakilan ini, tentu saja, tetapi itu tidak diperlukan.
Kedua, bootstrap sangat berguna relatif terhadap pendekatan teori
normal dalam sampel yang lebih kecil, karena dalam sampel yang lebih
kecil ketidaknormalan distribusi pengambilan sampel ab cenderung
paling parah, sampel besar asimtotik dari teori normal. pendekatan lebih
sulit dipercaya, dan keunggulan kekuatan bootstrap lebih terasa. Tetapi
jika sampel aslinya sangat kecil, setidaknya pada prinsipnya, ada
kemungkinan bahwa satu atau dua kasus yang tidak biasa dalam
beberapa hal dapat mendistorsi analisis bootstrap bahkan lebih daripada
prosedur inferensial yang lebih tradisional. Atau, ada kemungkinan
bahwa bootstrap mungkin lebih baik daripada metode lain dalam
sampel kecil dengan outlier. Memang, beberapa penelitian simulasi saya
yang belum dipublikasikan menunjukkan bahwa interval kepercayaan
bootstrap mungkin lebih disukai bahkan dalam sampel kecil dengan
outlier. Tetapi penelitian lebih lanjut tentang ini diperlukan.
Ketiga, karena interval kepercayaan bootstrap didasarkan pada
pengambilan sampel ulang data secara acak, titik akhir interval
kepercayaan bukanlah kuantitas yang tetap. Sebaliknya, setiap kali
interval kepercayaan bootstrap dihasilkan dari data yang sama, interval
kepercayaan yang sedikit berbeda akan dihasilkan. Ini merepotkan bagi
sebagian orang, karena idealnya dua orang yang menganalisis data yang
sama menggunakan metode yang sama harus mendapatkan hasil yang
sama persis. Ini juga dapat menyebabkan kesalahan oleh penyelidik
yang tidak bermoral yang hanya mengulangi analisis bootstrap sampai
hasil yang diinginkan diperoleh.
Kritik terakhir ini, meskipun sah, dapat dibantah dengan alasan
bahwa variasi pengambilan sampel dari analisis ke analisis dapat dibuat
kecil sewenang-wenang hanya dengan menetapkan jumlah sampel
bootstrap ke jumlah yang sangat besar. Ini menimbulkan pertanyaan
tentang berapa banyak sampel bootstrap yang cukup. Dapat ditunjukkan
bahwa variasi dalam estimasi batas-batas interval kepercayaan
menyusut dengan sangat cepat seiring dengan bertambahnya jumlah
sampel bootstrap. Secara umum, 5.000 hingga 10.000 sampel bootstrap
cukup untuk sebagian besar aplikasi. Ada nilai tambah yang relatif kecil
untuk meningkatkannya di atas 10.000, karena perolehan presisi cukup
marjinal di luar itu. Konon, mengingat kecepatan teknologi komputasi
desktop saat ini, tidak sulit untuk menggunakan jumlah yang jauh lebih
besar untuk menjaga variasi karena proses pengambilan sampel ulang
acak menjadi minimum absolut. Lakukan 100.000 sampel bootstrap, atau
bahkan 1.000.000 jika Anda mau. Biarkan komputer Anda menyelesaikan
masalahnya sambil minum kopi atau tidur siang.
Cara alternatif untuk mengatasi masalah interval kepercayaan ini
sebagai target bergerak disebut seeding generator bilangan acak.
Bootstrap mengambil sampel secara acak baris file data berdasarkan
informasi yang diumpankan ke algoritma bootstrap oleh generator
angka acak. Tapi tidak
generator angka acak benar-benar menghasilkan angka yang

sepenuhnya acak. Untuk alasan ini, pembangkit bilangan acak biasanya
disebut pembangkit bilangan acak semu. Mereka menghasilkan urutan
angka yang panjang dengan algoritma sistematis yang pada akhirnya
akan berulang. Saat Anda menyemai generator nomor acak, Anda
memberi tahu generator di mana untuk memulai dalam urutan. Jika
Anda menggunakan benih yang sama dua kali, setiap kali menarik,
katakanlah, 5.000 penarikan dari generator, maka generator akan
menghasilkan urutan yang sama dari 5.000 nomor "acak" kedua kali.
PROCESS memungkinkan Anda untuk melakukan seed generator
nomor acak untuk boot-strapping menggunakan opsi seed. Gunakan
nomor berapa pun untuk benih yang Anda inginkan. Pada perintah di
halaman 91, saya menggunakan 31216, yang kebetulan merupakan
tanggal saya melakukan analisis ini dalam format hari, bulan, tahun (3
Desember 2016). Akibatnya, setiap kali saya menjalankan perintah
PROCESS ini, selama urutan baris dalam data tetap dan saya tidak
mengubah jumlah sampel bootstrap, PROCESS akan selalu
menghasilkan interval kepercayaan bootstrap yang sama untuk efek
tidak langsung . PROCESS akan menampilkan seed yang digunakan di
bagian atas output, jika Anda lupa seed apa yang Anda gunakan. Jika
Anda memilih untuk tidak menggunakan benih, PROCESS akan
menggunakan benih yang dipilih secara acak, dan tidak ada cara untuk
menentukan benih itu apa sehingga benih tidak ditampilkan dalam
output PROCESS.
Anda mungkin menemukan bahwa jika Anda menggunakan 31216
sebagai benih dan melakukan analisis yang samaSaya melaporkan
menggunakan versi SPSS atau SAS menggunakan file data PMI, Anda
juga akan mendapatkan interval kepercayaan bootstrap yang sama pada
Gambar 3.4. Hebatnya, saya telah menemukan bahwa benih
menggeneralisasi di seluruh versi SPSS, dan bahkan antara SAS dan
SPSS. Jadi, jika Anda memberikan data Anda kepada rekan kerja dan
menyediakan benih yang digunakan untuk pembuat angka acak, dia
harus dapat mereplikasi hasil Anda dengan tepat. Ini mungkin tidak
selalu benar, karena perangkat lunak terkadang berubah dari versi ke
versi, dan jika perusahaan memutuskan untuk mengubah generator
angka acak yang digunakan, atau jika program yang berbeda
menggunakan generator angka acak yang berbeda, maka hasil yang
menggunakan seed umum mungkin tidak digeneralisasi. lintas platform,
versi, atau waktu.
Saya pikir itu adalah ide yang baik untuk membiasakan menyemai
nomor acakgenerator saat menggunakan bootstrap untuk inferensi. Ini
mengatasi masalah dengan interval kepercayaan yang berubah setiap
kali Anda melakukan analisis yang sama, sesuatu yang menurut
sebagian orang mengganggu. Dan seringkali kami melakukan beberapa
analisis dari data yang sama, dengan bootstrap digunakan dalam setiap
analisis. Jika Anda menggunakan benih yang sama di setiap analisis,
Anda tahu bahwa hasil bootstrap di setiap analisis didasarkan pada
kumpulan sampel bootstrap yang sama.
Pendekatan Interval Keyakinan “Asimetris” Alternatif.
Mengamatibahwa batas atas dan bawah interval kepercayaan bootstrap
95%
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 distribution 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
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
interval kepercayaan untuk efek tidak langsung dalam metrik standar,

dan kemudian mengubah titik akhir ini kembali ke metrik asli ab. Seperti
metode Monte Carlo, yang diperlukan untuk menerapkan pendekatan
ini adalah a, b, sea, dan seb dari analisis mediasi. Data asli tidak
diperlukan. Untuk diskusi tentang metode ini, lihat MacKinnon, Fritz,
Williams, dan Lockwood (2007). Tofighi dan MacKinnon (2011)
memberikan kode R yang mengimplementasikan pendekatan ini, serta
interval kepercayaan Monte Carlo.
Penelitian simulasi menunjukkan distribusi produk dan pendekatan
interval kepercayaan Monte Carlo bekerja cukup baik dengan standar
relatifvaliditas dan kekuatan, tetapi sebagian besar dapat dipertukarkan
karena jarang menghasilkan kesimpulan yang berbeda (Hayes &
Scharkow, 2013). Tidak ada pendekatan yang membutuhkan data asli
seperti bootstrap. Tapi produk pendekatan koefisien menghasilkan titik
akhir yang tetap daripada bervariasi secara acak sebagai akibat dari
bootstrap atau proses simulasi Monte Carlo.
Apakah Metode Benar-Benar Penting?Pada bagian ini saya telah
menjelaskan empat tes inferensial untuk efek tidak langsung. Jika Anda
menerapkan semua metode ini ke data yang sama, Anda biasanya akan
menemukan bahwa tidak ada bedanya metode mana yang Anda
gunakan, karena mereka cenderung menghasilkan inferensi substantif
yang sama tentang efek tidak langsung. Namun terkadang mereka tidak
setuju, seperti yang ditunjukkan pada Tabel 3.4. Ini menimbulkan
pertanyaan apakah ada satu tes yang lebih baik di antara mereka atau
yang harus Anda percayai lebih dari yang lain, terutama ketika mereka
tidak setuju. Ada banyak penelitian yang membandingkan kinerja relatif
dari tes ini (misalnya, Biesanz et al., 2010; Fritz & MacKinnon, 2007; Fritz,
Taylor, & MacKinnon, 2012; Hayes & Scharkow, 2013; MacKinnon et al.,
2004 ; Pengkhotbah & Selig, 2012; Williams & MacKinnon, 2008),
Meskipun tes Sobel (yaitu, pendekatan teori normal) relatif

konservatif terhadap metode lain, jika Anda sangat memperhatikan
kesalahan Tipe I, itu bisa menjadi pilihan yang baik. Tetapi biaya daya
dari kekonservatifan ini mungkin terlalu tinggi untuk ditoleransi oleh
sebagian besar orang. Anda lebih mungkin melewatkan efek tidak
langsung yang nyata dengan menggunakan tes Sobel. Jadi seperti yang
disebutkan sebelumnya, saya merekomendasikan untuk
menghindarinya. Interval kepercayaan bootstrap cenderung memiliki
daya yang lebih tinggi dibandingkan dengan uji Sobel. Pada prinsipnya,
interval kepercayaan bootstrap yang dikoreksi bias dan dikoreksi bias
dan dipercepat harus lebih baik daripada yang dihasilkan dengan
metode persentil yang lebih sederhana. Namun, ada bukti bahwa koreksi
bias (dengan atau tanpa komponen percepatan) dapat sedikit
meningkatkan kemungkinan kesalahan Tipe I ketika Ta atau Tb adalah
nol (lihat, misalnya, Fritz et al., 2012; Hayes & Scharkow, 2013).
Sayangnya, Anda tidak akan pernah tahu apakah Ta atau Tb adalah nol,
sehingga sulit untuk menggunakan temuan ini untuk memandu
keputusan Anda tentang apakah akan menggunakan metode koreksi
bias. Terlepas dari itu, jika peningkatan risiko tingkat kesalahan Tipe I
ini mengkhawatirkan Anda, gunakan interval kepercayaan bootstrap
persentil atau interval kepercayaan Monte Carlo sebagai gantinya.
Distribusi pendekatan produk juga bekerja dengan cukup baik, tetapi
hampir tidak pernah bertentangan dengan interval kepercayaan Monte
Carlo. gunakan interval kepercayaan bootstrap persentil atau interval
kepercayaan Monte Carlo sebagai gantinya. Distribusi pendekatan
produk juga bekerja dengan cukup baik, tetapi hampir tidak pernah
bertentangan dengan interval kepercayaan Monte Carlo. gunakan
interval kepercayaan bootstrap persentil atau interval kepercayaan
Monte Carlo sebagai gantinya. Distribusi pendekatan produk juga
bekerja dengan cukup baik, tetapi hampir tidak pernah bertentangan
dengan interval kepercayaan Monte Carlo.
Interval kepercayaan bootstrap persentil telah menjadi metode yang
lebih banyak direkomendasikan untuk inferensi tentang efek tidak
langsung dalam analisis mediasi. Penelitian simulasi yang diringkas di
atas menunjukkan bahwa ini adalah salah satu metode yang lebih baik
untuk membuat kesimpulan tentang efek tidak langsung yang
menyeimbangkan validitas dan pertimbangan daya, tetapi ini bisa
berubah saat data baru masuk dan tes baru ditemukan. Popularitasnya
juga telah ditingkatkan dengan adanya alat yang tersedia secara bebas
yang membuatnya mudah untuk diimplementasikan menggunakan
perangkat lunak yang sudah digunakan para ilmuwan. Untuk alasan ini,
saya menekankannya di seluruh buku ini, dan ini adalah metode default
yang digunakan oleh PROCESS ketika model Anda mengandung efek
tidak langsung.
3.5 Contoh dengan Continuous X: Tekanan

Ekonomi di antara Pemilik Usaha Kecil
Dalam contoh sebelumnya, saya mengilustrasikan analisis mediasi
dalam studi dengan X dikotomis. Dalam eksperimen, X sering kali hanya
mengambil satu dari dua nilai, seperti apakah seseorang secara acak
ditugaskan untuk suatu perlakuan atau kondisi kontrol. X dapat menjadi
dikotomis dalam model mediasi bahkan jika tidak dimanipulasi secara
eksperimental, seperti apakah seorang anak didiagnosis dengan
attention-deficit hyperactivity disorder (ADHD) atau tidak (Huang-
Pollock, Mikami, Pfiffner, & McBurnette, 2009). orang tua atau tidak
(Shenk, Noll, & Cassarly, 2010), atau apakah seorang tentara membunuh
seseorang selama pertempuran (Maguen et al., 2011), atau hanya apakah
seseorang laki-laki daripada
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
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.
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
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
konstan .7994 .1433 5.5777 .0000 .5172 1.0816 3.1)
estres .1729 .0296 5.8308 .0000 .1145 .2313
************************************************** ************************
VARIABEL HASIL:
menarik
Ringkasan
Model
.4247 .1804 1.2841 28.4946 2.0000 25.000.00 .0000
0
c' Regresi
Model
OLSkeluaran
konstan 1.4471 .2520 5.7420 .0000 .9508 1.9433 (persamaan
estres -.0768 .0524 -1,4667 .1437 -1800 .0263 3.2)
************************** MODEL EFEK TOTAL ********************* *******

b VARIABEL HASIL:
menarik
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

EffectsetpLLCI
ULCI
c .0561.05421.0353.3015-.0506
.1629

EffectsetpLLCI
c ULCI
-.0768.0524 -1.4667.1437-1.800 95% interval kepercayaan
.0263 bootstrap untuk efek tidak
Efek tidak langsung dari X pada Y: langsung
EfekBootSE
BootLLCIBootULCI
mempengaruhi.1330.0333
ab************************** CATATAN ANALISIS DAN KESALAHAN ***********************
* Tingkat kepercayaan untuk semua interval kepercayaan dalam output:

95.0000
Jumlah sampel bootstrap untuk interval kepercayaan bootstrap: 5000

GAMBAR 3.7.Output dari makro PROCESS untuk SPSS untuk analisis mediasi
sederhana tekanan ekonomi.
TABEL 3.5.Koefisien Model untuk Studi Stres Ekonomi
Akibat
M(MEMENGARUHI) kamu(MENARIK)
Mendahului coeff. SE p coeff. SE p
X(ESTRES) sebu 0,173 0,030 < .001 c −0.077 0,052 .146

M(MEMENGA ah —- —- —- k 0,769 0.103 < .001
RUHI) a
2 2
R = 0.116 R = 0,180
F(1, 260) = 33,999, p < .001 F(2, 259) = 28,495, p < .001
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
Mengalikan a dan b menghasilkan efek tidak langsung, ab = 0,173(0,769)

= 0,133. Jadi dua pengusaha yang berbeda satu unit dalam tekanan
ekonomi mereka diperkirakan berbeda sebesar 0,133 unit dalam niat
mereka untuk menarik diri dari bisnis mereka sebagai akibat dari
kecenderungan mereka yang berada di bawah tekanan ekonomi yang
relatif lebih besar untuk merasa lebih tertekan (karena a positif), yang
pada gilirannya diterjemahkan menjadi niat penarikan yang lebih besar
(karena b positif). Efek tidak langsung ini secara statistik berbeda dari
nol, sebagaimana diungkapkan oleh interval kepercayaan bootstrap 95%
yang seluruhnya di atas nol (0,071 hingga 0,201 dalam output PROCESS
di bawah judul “BootLLCI” dan “BootULCI,” masing-masing).
Efek langsung dari tekanan ekonomi, c′ − = 0,077, adalah perkiraan
perbedaan dalam niat penarikan antara dua pemilik bisnis yang
mengalami tingkat yang sama dari pengaruh depresi tetapi yang
berbeda oleh satu unit dalam laporan mereka.
tekanan ekonomi. Koefisiennya negatif, artinya orang yang merasa lebih

stres tetapi sama-sama depresi diperkirakan 0,077 unit lebih rendah
dalam niatnya untuk menarik diri dari usaha kewirausahaan. Namun,
seperti yang dapat dilihat pada keluaran PROCESS, efek langsung ini
secara statistik tidak berbeda dari nol, t(259) = 1,467,
− p = 0,144, dengan
interval kepercayaan 95% dari 0,180
− hingga 0,026.
Efek total stres ekonomi pada niat penarikan diperoleh dengan
menjumlahkan efek langsung dan tidak langsung, atau dengan regresi
niat penarikan pada stres ekonomi dengan sendirinya: − c = c′ + ab = 0,077
+ 0,133 = 0,056. Dua orang yang berbeda satu unit dalam tekanan
ekonomi diperkirakan berbeda 0,056 unit dalam niat penarikan yang
dilaporkan. Tanda positif berarti orang di bawah stres yang lebih besar
melaporkan niat yang lebih tinggi untuk menarik diri dari
kewirausahaan. Namun, efek ini tidak berbeda secara statistik
− dari nol,
t(260) = 1,035, p = 0,302, atau antara 0,051 dan 0,163 dengan kepercayaan
95%.
3.6 Ringkasan Bab

Variabel mediator berfungsi sebagai saluran melalui mana efek kausal
beroperasi. Ketika beberapa variabel kausal X mengirimkan efek pada Y
melalui mediator M, dikatakan bahwa X mempengaruhi Y secara tidak
langsung melalui M. Efek tidak langsung dapat diukur dengan mudah
menggunakan regresi OLS dan beberapa aturan analisis jalur yang
sederhana. X juga dapat mempengaruhi Y secara langsung, artinya tidak
tergantung pada pengaruhnya terhadap M. Kedua jalur pengaruh ini
berjumlah untuk menghasilkan efek total X pada Y. Inovasi dalam
metode intensif komputer telah memungkinkan untuk melakukan
pengujian inferensial dari efek tidak langsung tanpa membuat asumsi
yang tidak perlu tentang bentuk distribusi samplingnya. Prinsip dan
metode ini disorot di sini dalam konteks model mediasi sederhana—
model kausal dengan hanya satu variabel mediator.
4
Langkah-Langkah Kausal,
Pembaur, dan Urutan Kausal
Dalam bab ini, saya membandingkan metode analisis mediasi yang

diperkenalkan di Bab 3 dengan metode yang populer secara
historislangkah kausalmendekati. Saya kemudian menangani berbagai
ancaman terhadap validitas kesimpulan yang mungkin dicapai dengan
menggunakan analisis mediasi, termasuk perancu, epifenomenalitas,
dan urutan sebab akibat alternatif dariX,M, dankamu. Setelah diskusi
tentang berbagai ukuran ukuran efek dalam analisis mediasi, saya
membahas estimasi efek langsung dan tidak langsung dalam model
dengan beberapa anteseden kausal dan variabel hasil.
Dasar-dasar analisis mediasi statistik adalah fokus Bab 3. Ini adalah

materi prasyarat untuk memahami model yang lebih kompleks yang
melibatkan lebih dari satu mediator dan integrasi analisis mediasi dan
moderasi yang dibahas dalam bab-bab selanjutnya. Kenyamanan dengan
prinsip-prinsip ini memungkinkan Anda untuk melakukan analisis
mediasi dan menggunakannya untuk menjelaskan pertanyaan penelitian
dan hipotesis Anda tentang proses kausal. Dalam bab ini, saya
membahas berbagai komplikasi, termasuk menguji dan
mengesampingkan berbagai penjelasan alternatif untuk asosiasi yang
diamati dalam analisis mediasi, ukuran efek, dan model dengan berbagai
agen penyebab dan hasil. Tetapi pertama-tama saya berbicara tentang
metode langkah-langkah kausal yang populer secara historis untuk
analisis mediasi dan mengapa saya tidak merekomendasikan
penggunaannya.
4.1 Bagaimana dengan Baron dan Kenny?

Siapa pun yang membaca buku ini yang akrab dengan analisis mediasi
seperti yang dipraktikkan secara dominan hingga sekitar satu dekade
terakhir ini akan bertanya-tanya mengapa saya tidak memberikan
perhatian pada pendekatan langkah-langkah kausal. Meskipun metode
ini dapat ditelusuri dalam beberapa bentuk kembali ke tahun 1950-an,
itu dipopulerkan pada tahun 1980-an oleh sebuah artikel yang sangat
berpengaruh oleh Baron dan Kenny (1986) yang diterbitkan di
113
Jurnal Psikologi Kepribadian dan Sosial. Untuk alasan ini, pendekatan

langkah-langkah kausal dikenal banyak orang sebagai metode Baron dan
Kenny. Secara historis, sebagian besar analisis mediasi yang diterbitkan
didasarkan pada logika pendekatan langkah-langkah kausal, dan masih
digunakan oleh beberapa orang hingga saat ini. Namun, popularitasnya
memudar. Saya tidak merekomendasikan metode ini untuk alasan yang
saya dokumentasikan di bawah ini, tetapi hanya setelah terlebih dahulu
menjelaskan bagaimana analisis mediasi dilakukan dan ditafsirkan
dengan menggunakan pendekatan langkah-langkah kausal.
Strategi langkah-langkah kausal telah digunakan untuk menjawab
pertanyaan apakah variabel tertentu M berfungsi sebagai mediator
hubungan antara X dan Y. Dalam hal proses pemodelan, pendekatan
langkah-langkah kausal hampir sama. sebagai metode yang sudah
dibahas panjang lebar. Tapi itu berbeda dalam satu cara penting dengan
berfokus sepenuhnya pada hasil dari serangkaian tes signifikansi untuk
setiap jalur dalam sistem kausal. Dengan menggunakan pendekatan
langkah-langkah kausal, agar M dianggap sebagai mediator efek X pada
Y, Anda harus terlebih dahulu menetapkan bahwa ada efek yang akan
dimediasi, artinya X dan Y terkait. Uji lakmus apakah ada efek X pada Y
adalah penolakan hipotesis nol bahwa efek total Tc, yang diperkirakan
dalam persamaan 3.4, adalah nol. Jika ya, maka kriteria ini terpenuhi,
dan Anda melanjutkan ke langkah kedua. Jika tidak,
semua pengujian berhenti.
Dengan asumsi kriteria pertama ini terpenuhi, pada langkah kedua
ini, pengaruh X terhadap M kemudian diestimasi menggunakan
persamaan 3.1. Jika a signifikan secara statistik, ini memenuhi kriteria
kedua dari strategi langkah kausal, yang mensyaratkan bahwa X
mempengaruhi M. Kegagalan untuk menolak hipotesis nol bahwa Ta = 0
menghentikan proses ini di jalurnya, dan klaimnya adalah bahwa M
tidak mediator dari efek X pada Y.
Jika kriteria kedua ini terpenuhi, maka pengujian kriteria ketiga
dilakukan: bahwa M mempengaruhi Y mengendalikan X. Untuk
menetapkan kriteria ini, Y diregresi pada X dan M menggunakan
persamaan 3.2, dan hipotesis nol bahwa Tb = 0 diuji. Jika hipotesis nol ini
tidak dapat ditolak, prosedur berhenti dengan klaim bahwa M tidak
berfungsi sebagai mediator efek X pada Y.
Tetapi jika kriteria ketiga ini juga terpenuhi, maka pengaruh
langsung X (c′ pada persamaan 3.2) dibandingkan dengan pengaruh
total c (dari persamaan 3.4). Jika c′ lebih dekat ke nol daripada c dan c′
tidak signifikan secara statistik, maka M dikatakan memediasi
sepenuhnya efek X pada Y. Artinya, M sepenuhnya memperhitungkan
efek X pada Y. Tetapi jika c′ lebih dekat ke nol dari c tetapi c′ secara
statistik berbeda dari nol, maka M memediasi sebagian efek X pada Y.
Causal Steps, Confounding, and Causal 11
Hanya sebagian dari efek X pada Y yang dibawa melalui M.
Popularitas pendekatan ini tidak diragukan lagi karena fakta bahwa itu
cukupsederhana untuk dipahami, mudah untuk dijelaskan dan
diajarkan, itu masih diajarkan
dan direkomendasikan oleh peneliti yang tidakmengikuti literatur

metodologi, dapat diringkas dalam beberapa kalimat dalam laporan
ilmiah, tidak memerlukan perangkat lunak khusus, dan tidak
memerlukan latar belakang statistik atau analisis data yang kuat untuk
diterapkan. Tetapi pengakuan telah berkembang bahwa pendekatan ini
tidak ideal baik secara statistik maupun filosofis, dan akhir-akhir ini sulit
untuk menghindari penggunaan strategi langkah-langkah kausal.
Lewatlah sudah hari-hari di mana seseorang harus memenuhi “kondisi
mediasi” ini, seperti yang sering disebut. Adalah adil untuk mengatakan
bahwa Anda tidak akan dapat mempublikasikan penelitian Anda jika
Anda mengandalkan metode langkah-langkah kausal. Hari itu mungkin
sudah ada di sini.
Untuk menjelaskan beberapa masalah dengan pendekatan langkah-
langkah kausal, pertama-tama ada baiknya mempertimbangkan apa
yang saya lihat sebagai tiga prinsip inferensi yang masuk akal
menggunakan statistik. Yang pertama adalah bahwa klaim yang dibuat
ilmuwan tentang beberapa fenomena harus didasarkan pada kuantifikasi
fenomena yang paling relevan secara langsung dengan klaim tersebut.
Yang kedua adalah bahwa para ilmuwan harus mendasarkan klaim
pada tes statistik inferensial sesedikit yang diperlukan untuk
mendukung klaim itu. Dan ketiga, para ilmuwan harus menyampaikan
beberapa informasi kepada konsumen dari penelitian mereka tentang
ketidakpastian yang melekat pada klaim itu. Estimasi titik dari efek baik-
baik saja, tetapi mereka harus dilengkapi dengan informasi tentang
varians pengambilan sampel atau sumber ketidakpastian lainnya bila
memungkinkan.
Dengan mengingat prinsip-prinsip ini, perhatikan bahwa prosedur
langkah-langkah kausal tidak secara formal mengkuantifikasi efek tidak
langsung atau memerlukan tes inferensial apa pun tentangnya.
Sebaliknya, menurut pendekatan langkah-langkah kausal, keberadaan
efek tidak langsung disimpulkan secara logis dari hasil serangkaian tes
hipotesis nol tentang kuantifikasi sesuatu selain efek tidak langsung. Ini
melanggar prinsip akal sehat pertama dan bertentangan dengan cara
para ilmuwan biasanya mengumpulkan bukti dan membuat argumen.
Ketika kita ingin tahu apakah satu terapi lebih efektif daripada yang lain,
kita mengukur perbedaan antara mereka yang melakukan dan tidak
mengalami terapi itu pada hasil yang diinginkan dan menentukan
apakah ada bukti perbedaan dengan beberapa jenis uji hipotesis atau
kontradiksi. - interval kepercayaan. Ketika kami ingin mengetahui
apakah orang yang sering bermain video game kekerasan lebih agresif
daripada mereka yang bermain lebih sedikit, kami memperkirakan
korelasi antara permainan video game kekerasan dan agresi, dan
kemudian melakukan semacam tes inferensial tentang korelasi itu.
Mengapa kesimpulan tentang efek tidak langsung harus berbeda?
Inferensi kami tentang efek tidak langsung harus didasarkan pada
perkiraan efek tidak langsung dan apakah prosedur inferensial
membenarkan klaim bahwa TaTb tidak nol, bukan pada hasil
serangkaian uji hipotesis tentang Ta dan Tb. Mengapa kesimpulan
tentang efek tidak langsung harus berbeda? Inferensi kami tentang efek
tidak langsung harus didasarkan pada perkiraan efek tidak langsung
dan apakah prosedur inferensial membenarkan klaim bahwa TaTb tidak
nol, bukan pada hasil serangkaian uji hipotesis tentang Ta dan Tb.
Mengapa kesimpulan tentang efek tidak langsung harus berbeda?
Inferensi kami tentang efek tidak langsung harus didasarkan pada
perkiraan efek tidak langsung dan apakah prosedur inferensial
membenarkan klaim bahwa TaTb tidak nol, bukan pada hasil
serangkaian uji hipotesis tentang Ta dan Tb.
Sanggahan terhadap kritik terhadap pendekatan langkah-langkah

kausal ini kira-kira seperti ini:
“Jika Ta 0 dan Tb 0, maka TaTb 0. Dan jika Ta = 0 atau Tb =

0, maka TaTb = 0. Lalu mengapa kita perlu melakukantes
inferensial tentang efek tidak langsung? Kami tahu apa yang
perlu kami ketahui dengan menggunakan prosedur langkah-
langkah kausal.”
Meskipun ini terdengar masuk akal, masalahnya adalah itu salah.

Meskipun agak jarang, seseorang dapat menemukan bahwa uji
inferensial formal TaTb mengarah pada kesimpulan bahwa tidak ada
efek tidak langsung bahkan ketika a dan b secara statistik berbeda dari
nol. Tetapi yang lebih penting, adalah mungkin untuk menyimpulkan
TaTb 0 bahkan jika a atau b (atau keduanya) tidak signifikan secara
statistik. Karena ab adalah perkiraan yang tepat dari efek tidak langsung,
inferensi harus didasarkan pada ab, bukan pada uji hipotesis individu Ta
dan Tb. Pengaruh tidak langsung tidak diperkirakan sebagai a dan b.
Diperkirakan sebagai produk dari a dan b. Signifikansi statistik a dan b
bukanlah persyaratan mediasi oleh pemikiran saat ini.
Kedua, kemampuan untuk mengklaim M sebagai mediator bergantung
pada keberhasilan-penolakan penuh dari tiga hipotesis nol (tentang Tc,
Ta, dan Tb). Tapi tes hipotesis adalah penemuan manusia yang bisa
salah. Mereka didasarkan pada asumsi yang mungkin tidak terpenuhi
dan yang dapat mempengaruhi kinerja mereka. Bahkan ketika asumsi
tersebut terpenuhi, kita tahu kemungkinan tetap bahwa uji hipotesis
akan gagal menolak hipotesis nol yang salah, atau akan salah menolak
hipotesis yang benar. Semakin banyak pengujian hipotesis yang
dilakukan seseorang untuk membuat atau mendukung suatu klaim,
semakin besar kemungkinan seseorang melakukan kesalahan. Lebih baik
meminimalkan jumlah prosedur inferensial yang harus digunakan untuk
mendukung klaim. Tes inferensial tunggal dari efek tidak langsung
adalah semua yang diperlukan. Jadi pendekatan langkah kausal
melanggar prinsip akal sehat kedua.
Ketiga, mereka yang menggunakan strategi langkah kausal biasanya
berpikir dikotomis tentang mediasi. Apakah pengaruh X terhadap Y
diperantarai oleh M atau tidak? Ini adalah klaim kualitatif, dan klaim
yang tidak membawa informasi tentang ketidakpastian yang
menyertainya. Ini melanggar prinsip akal sehat ketiga. Kita telah melihat
bahwa efek tidak langsung dapat diukur, dan interval kepercayaan
dapat dibangun untuk efek tidak langsung. Interval keyakinan
umumnya lebih informatif daripada klaim kualitatif tentang apakah
suatu efek ada atau tidak.
Keempat, penyidik secara rutin memulai prosedur langkah kausal
dengan terlebih dahulumenguji apakah X mempengaruhi Y dengan
melakukan uji hipotesis untuk Tc, pengaruh total X. Kegagalan menolak
hipotesis nol bahwa Tc = 0 berarti kriteria yang tersisa untuk
menetapkan M sebagai mediator tidak relevan, sehingga hubungan
sebab akibat
prosedur langkah berhenti di jalurnya. Logika ini didasarkan pada

keyakinan bahwa efek yang tidak ada tidak dapat dimediasi, jadi tidak
ada gunanya mencoba menjelaskan mekanisme yang menghasilkan efek
seperti itu.
Tapi logika ini cacat. Adalah mungkin bagi X untuk memberikan efek
pada Y secara tidak langsung melalui M bahkan jika seseorang tidak
dapat menetapkan melalui uji hipotesis bahwa efek totalnya berbeda
dari nol. Meskipun ini tampaknya kontra-intuitif, itu tidak membuatnya
tidak benar. Besarnya efek total tidak membatasi atau menentukan
ukuran efek tidak langsung. Sebuah efek tidak langsung dapat berbeda
dari nol bahkan ketika efek total tidak. Ini terjadi lebih dari yang
mungkin disadari orang. Memang, kita telah melihat dua contoh
fenomena seperti itu di Bab 3. Ingat bahwa ada bukti yang konsisten
dengan efek tidak langsung dari lokasi artikel pada niat untuk membeli
gula melalui dugaan pengaruh media meskipun total efek lokasi artikel
pada niat tidak signifikan secara statistik. Dan tidak ada bukti yang
signifikan secara statistik dari efek total tekanan ekonomi pada niat
penarikan, meskipun efek tidak langsung dari tekanan ekonomi melalui
efek tertekan secara statistik berbeda dari nol menggunakan interval
kepercayaan bootstrap. Situasi seperti ini, jelas, dapat terjadi dan
mungkin terjadi lebih sering daripada yang disadari atau dihargai orang.
Untuk beberapa contoh dalam literatur, lihat Cole, Walter, dan Bruch
(2008), Fillo et al. (2016), Hammond, Mu¨ ller, Carpendale, Bibok, dan
Liebermann-Finestone (2012), Maguen et al. (2011), Panno, Lauriola, dan
Pierro (2016), Petrocelli dkk. (2016), dan Seehuus, Clifton, dan Rellini
(2015). Sekarang ada konsensus umum di antara para ahli metodologi
(misalnya, Bollen, 1989; Cerin & MacKinnon, 2009; Hayes, 2009;
LeBreton, Wu, & Bing, 2009; MacKinnon, 2008; Rucker et al., 2011; Shrout
& Bolger, 2002; Zhao et al., 2010) bahwa efek total X pada Y seharusnya
tidak menjadi prasyarat untuk mencari bukti efek tidak langsung.
Ketidaknyamanan inimungkin menyebabkan beberapa orang yang
tidak dapat memahami logika efek tidak langsung Tidak adanya bukti
dari efek total dapat diselesaikan dengan cukup mudah dengan
mengakui bahwa efek total bukanlah cara berpikir yang baik tentang
efek X pada Y. Ingatlah bahwa total efeknya sama dengan efek langsung
ditambah efek tidak langsung. Jika kedua efek ini berbeda tanda, mereka
dapat menambahkan sesuatu yang mendekati nol, atau bahkan nol itu
sendiri.1 Atau efek tidak langsung mungkin berbeda dari nol dan
diperkirakan dengan kepastian yang cukup besar (yaitu, interval
kepercayaan yang sempit) tetapi ketika ditambahkan ke efek langsung
yang kecil dan diperkirakan dengan banyak ketidakpastian (yaitu,
interval kepercayaan yang besar), efek total mungkin mengandung
kesalahan pengambilan sampel yang cukup untuk membuatnya sulit
untuk dideteksi sebagai
1
Biasanya tidak sulit untuk menemukan interpretasi substantif yang masuk akal untuk
efek langsung dan tidak langsung yang berlawanan tandanya. Beberapa orang melabeli
penindasan fenomena semacam itu atau mediasi yang tidak konsisten, tetapi ini
hanyalah label, bukan penjelasan.
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
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.
“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.
Kritik terhadap Mediasi yang Lengkap dan Sebagian

Mereka yang menggunakan strategi langkah kausal sering mencoba
untuk mengartikulasikan temuan mereka dalam istilah "tingkat
mediasi." Apakah M merupakan mediator dari efek X pada Y sama
sekali dan, jika demikian, apakah M sepenuhnya atau sebagian
memediasi efek itu? Mediasi parsial menyiratkan bahwa mekanisme
melalui M tidak sepenuhnya menjelaskan hubungan yang diamati antara
X dan Y, sedangkan mediasi lengkap berarti bahwa hubungan antara X
dan Y sepenuhnya dijelaskan oleh mekanisme tidak langsung. Meskipun
istilah-istilah ini banyak digunakan dalam literatur ilmiah dan sering
menjadi subjek hipotesis yang diuji, saya berpendapat di bawah ini
bahwa mereka adalah konsep kosong dan harus ditinggalkan.
Pertama, perhatikan bahwa mediasi lengkap dan sebagian didefinisikan
hanya ketikapenyidik telah menentukan bahwa total efek berbeda dari
nol. Tetapi kita telah melihat bahwa seseorang dapat menemukan bukti
dari efek tidak langsung tanpa bukti dari efek total. Jadi, setidaknya
dalam beberapa keadaan yang terjadi dalam penelitian nyata, konsep-
konsep ini sama sekali tidak berlaku. Ini sendiri bukanlah kritik terhadap
konsep, tetapi penting karena berarti tidak ada gunanya mencoba
memberi label pada pola temuan dalam arti mediasi lengkap dan parsial
jika pola temuan tidak sesuai dengan konsep yang didefinisikan.
Kedua, ada perasaan di mana mediasi lengkap tampaknya lebih
baik,klaim yang lebih diinginkan, dan saya pikir para ilmuwan
merayakan mediasi lengkap dengan sedikit lebih banyak kegembiraan
dan sampanye daripada klaim mediasi parsial. Jika Anda mengusulkan
bahwa M memediasi efek X pada Y dan dapat menghilang di akhir
penelitian dengan klaim bahwa M berfungsi sebagai mediator lengkap
dari efek, ini entah bagaimana tampak seperti kesimpulan yang lebih
bahagia daripada klaim bahwa M hanya sebagian menengahi efek X.
Implikasinya adalah
jika M sepenuhnya menjelaskan efek X, sekarang kita tahu semua yang

perlu kita ketahui tentang proses yang sedang dipelajari. Tidak ada yang
perlu mengusulkan mekanisme lain yang mungkin sedang bekerja
karena mekanisme yang telah Anda identifikasi sepenuhnya
bertanggung jawab atas efek X. Anda berhak mendapatkan hadiah
karena Anda telah menemukan jawabannya. Mampu mengklaim hanya
sebagian mediasi berarti Anda belum menyelesaikan pekerjaan. Ini
hampir mengecewakan. Para ilmuwan harus terus mengerjakan masalah
ini, karena masih banyak yang harus dipahami tentang mekanisme
bagaimana efek X bekerja.
Seperti Rucker dkk. (2011) diilustrasikan dengan baik, masalah dengan
alasan iniadalah bahwa menetapkan bahwa beberapa variabel M
sepenuhnya memediasi efek X pada Y tidak mengatakan apa pun
tentang ada atau tidak adanya mediator lain yang mungkin dari efek X.
Bahkan jika Anda dapat mengatakan bahwa Anda telah sepenuhnya
memperhitungkan efek X pada Y dengan mediator pilihan Anda, ini
tidak menghalangi penyelidik lain untuk dapat membuat klaim yang
sama seperti Anda, tetapi menggunakan mediator yang berbeda. Jika
ada beberapa mediator yang sepenuhnya memediasi efek X ketika
dipertimbangkan secara terpisah, lalu apa gunanya mengklaim bahwa
mediator favorit Anda melakukannya? Ini adalah klaim kosong, tanpa
nilai atau makna nyata dan tidak ada yang pantas dirayakan.
Ketiga, klaim mediasi parsial, pada dasarnya, merupakan perayaan
model yang salah ditentukan. Pada tingkat filosofis, semua efek
dimediasi oleh sesuatu. Ketika Anda mengklaim bahwa M sebagian
memediasi efek X, Anda mengakui bahwa bagian dari efek X pada Y
belum diperhitungkan oleh
M. Jadi apa yang memperhitungkan efek X yang tersisa sebagaimana
dibuktikan oleh efek langsung yang signifikan secara statistik? Pasti ada
sesuatu, tetapi apa pun itu, itu tidak ada dalam model Anda. Yang pasti,
semua model salah pada tingkat tertentu. Semua model kami salah
ditentukan sampai tingkat tertentu. Saya pikir sebagian besar peneliti
menyadari hal ini bahkan jika mereka cenderung percaya bahwa model
mereka sendiri kurang benar dibandingkan model orang lain. Tapi
mengapa berhipotesis, dan mengapa merayakan ketika Anda
mendukung hipotesis mediasi parsial? Anda berhipotesis dan
merayakan model yang salah ditentukan.
Keempat, pertimbangkan dua peneliti yang mempelajari proses yang
sama persis dengan menggunakan metode yang sama persis dan
prosedur pengukuran yang sama persis. Selanjutnya, bayangkan bahwa
secara deskriptif hasilnya sama, tetapi penelitian penyidik A didasarkan
pada sampel yang lebih kecil daripada penelitian penyidik B. Jika pada
kenyataannya, M hanya sebagian menjelaskan efek X pada Y, penyidik B
lebih mungkin daripada penyidik A untuk mengklaim bahwa M
sebagian menengahi efek X, karena uji penyelidik B tentang efek
langsung (c′) akan dilakukan dengan lebih banyak kekuatan. Jadi
temuan penyelidik A tampak lebih mengesankan karena efek X pada Y
telah sepenuhnya dijelaskan oleh mekanisme tidak langsung, meskipun
ia memiliki lebih sedikit data daripada
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.
4.2 Pembaur dan Urutan Penyebab

Salah satu fitur indah dari eksperimen adalah interpretasi kausal yang
mereka dapatkan tentang perbedaan antar kelompok. Eksperimen yang
baik itu sulit dan membutuhkan banyak perencanaan yang cermat dan
kontrol yang ketat atas prosedur eksperimental, konstruksi rangsangan,
perlakuan terhadap peserta, dan sebagainya. Tetapi ketika dilakukan
dengan baik, tidak ada desain penelitian yang memberi peneliti lebih
percaya diri dalam klaim bahwa perbedaan antara kelompok yang
ditentukan oleh X pada beberapa variabel yang diminati disebabkan oleh
X daripada sesuatu yang lain. Mengingat bahwa model mediasi adalah
model kausal, kemampuan untuk membuat klaim kausal yang tegas
tentang efek X pada M dan efek langsung dan total X pada Y
memberikan daya tarik yang luar biasa bagi eksperimen.
Namun, model mediasi lebih dari sekadar menetapkan bahwa X
memengaruhi M dan Y. Seseorang juga harus merasa nyaman
mengklaim M penyebab Y. Sayangnya, penetapan acak ke nilai X tidak
menetapkan bahwa M menyebabkan Y. Kemungkinan alternatif ada.
Sebagai contoh, M mungkin berkorelasi dengan beberapa variabel lain
yang sebenarnya dipengaruhi oleh X, dan jika variabel lain itu
menyebabkan Y dan bukan M, salah satunya adalah kesimpulan yang
salah bahwa X mempengaruhi Y secara tidak langsung melalui M
padahal sebenarnya variabel lain variabel adalah variabel mekanisme di
mana X memberikan efeknya secara tidak langsung. Inilah fenomena
yang dirujuk dalam bagian 2.3 sebagai asosiasi epifenomenal. Artinya,
hubungan antara M dan Y mungkin merupakan epifenomenon dari fakta
bahwa X mempengaruhi beberapa variabel lain yang tidak ada dalam
model, dan bahwa variabel lain mempengaruhi Y, tetapi karena M
berkorelasi dengan variabel lain itu, tampak bahwa M adalah variabel
melalui pengaruh X terhadap Y. Epifenom-
Asosiasi akhir merupakan ancaman serius terhadap validitas kesimpulan

kausal yang dibuat dari analisis mediasi.
Asosiasi pembaur atau palsu juga menghadirkan ancaman validitas
yang serius. Klaim kausal tentang asosiasi terancam oleh perancu jika
hubungan antara variabel dapat dikaitkan dengan variabel ketiga yang
secara kausal mempengaruhi keduanya. Misalnya, fakta bahwa anak-
anak yang menonton televisi relatif lebih banyak cenderung mengalami
kelebihan berat badan (misalnya, Brown, Nicholson, Broom, & Bittman,
2011; Jordan, 2010) tidak menyiratkan dengan pasti bahwa menonton
televisi yang berlebihan menyebabkan masalah berat badan. . Mungkin
orang tua yang tidak mendorong gaya hidup sehat lebih mungkin untuk
membeli dan memberi makan anak-anak mereka makanan yang kurang
sehat yang tinggi lemak dan kalori dan juga cenderung tidak mendorong
anak-anak mereka untuk berolahraga, berolahraga, atau terlibat dalam
kegiatan lain. perilaku yang lebih baik untuk tubuh mereka daripada
hanya menonton televisi. Jadi belum tentu menonton televisi yang
berlebihan menyebabkan masalah berat badan. Mungkin perilaku orang
tualah yang menyebabkan menonton televisi secara berlebihan dan
penambahan berat badan pada anak-anak mereka. Jadi, perbedaan
antara orang tua anak-anak dalam hal seberapa besar mereka
mendorong gaya hidup sehat adalah potensi yang membingungkan,
sehingga sulit untuk mengklaim secara meyakinkan bahwa lebih banyak
menonton TV menyebabkan penambahan berat badan.
Ketika X tidak dimanipulasi secara eksperimental, maka segalanya
menjadi lebih buruk.Tidak adanya penetapan acak untuk nilai X, semua
asosiasi dalam model mediasi rentan terhadap asosiasi pengganggu dan
epifenomenal, bukan hanya asosiasi antara M dan Y. Apakah desain
seseorang mencakup manipulasi dan penugasan acak X atau tidak,
peneliti harus secara serius merenungkan ancaman potensial ini
terhadap inferensi kausal dan, jika mungkin, melakukan sesuatu untuk
mengurangi kemungkinannya sebagai penjelasan alternatif untuk
asosiasi yang diamati.
Akuntansi untuk Asosiasi Pembaur dan Epifenomenal

Untungnya, asosiasi epifenomenal dan perancu sebagai ancaman
terhadap validitas klaim kausal dapat dikelola setidaknya sebagian
melalui kontrol statistik. Jika dua variabel M dan Y secara
epiphemenonal terkait atau dikacaukan karena hubungannya dengan
beberapa variabel C, maka hubungan antara M dan Y seharusnya tidak
ada di antara orang-orang yang setara di C. Jadi, misalnya, kita
mempelajari sekelompok dari anak-anak dengan orang tua yang setara
satu sama lain dalam seberapa besar mereka mendorong gaya hidup
sehat pada anak-anak mereka. Jika kami menemukan bahwa di antara
anak-anak seperti itu, mereka yang menonton televisi relatif lebih
banyak (M) juga lebih cenderung kelebihan berat badan (Y),
X kamu
GAMBAR 4.1.Diagram konseptual model mediasi sederhana dengan kontrol statistik.
Seringkali kita tidak dapat benar-benar mempertahankan C konstan

melalui desain penelitian dengan cara ini. Namun, jika kita telah
mengukur C, kita dapat menghilangkan pengaruh C pada kuantifikasi
dari asosiasi kausal yang diduga dalam model mediasi secara matematis,
seperti yang dijelaskan dalam bagian 2.3. Dalam analisis mediasi,
perancu dan asosiasi epifenomenal karena C dapat dikesampingkan
dengan memasukkan C sebagai prediktor dalam model M dan Y, yang
direpresentasikan secara konseptual pada Gambar 4.1. Dengan mudah,
menambahkan C ke model M dan Y juga akan menghilangkan C sebagai
ancaman epifenomenal atau pengganggu terhadap klaim kausal tentang
hubungan antara X dan M dan X dan Y serta antara M dan Y.
Tentu saja, mengendalikan C tidak menghilangkan sumber potensial
lain dari pengganggu atau asosiasi epifenomenal. Mungkin beberapa
variabel selain C mengacaukan asosiasi dalam model mediasi, atau
mungkin C dan beberapa variabel lainnya. Kemungkinan multipel
perancu tidak menjadi masalah, selama variabel-variabel lain tersebut
diukur. Mereka hanya dapat ditambahkan sebagai prediktor tambahan
untuk model M dan Y dalam analisis mediasi.
Dalam praktiknya, peneliti sering kali memiliki lebih dari satu
variabel pengganggu potensial dalam pikiran bahwa mereka ingin
secara statistik memisahkan sebagian dari hubungan antara variabel-
variabel dalam model mediasi ≥ sederhana. Menunjukkan C sebagai
himpunan variabel q (q 1, sering disebut kovariat dalam konteks ini)
yang dapat mengancam klaim kausalitas karena asosiasi pengganggu
atau epifenomena, efeknya pada jalur dalam model mediasi (yaitu, a, b ,
dan c′) dapat dihilangkan secara statistik dengan memperkirakan
koefisien dalam model M dan Y berikut:
q
∑
M= iM + aX+ fiCi+ eM
saya=1
q
'X ∑
kamu= iY + c + bM+ giCi+ eY
saya=1
Seperti dapat dilihat, satu-satunya perubahan relatif terhadap

persamaan 3.1 dan 3.2 dari Bab 3 adalah penambahan q kovariat ke
model M dan Y. Hasil estimasi untuk a, b, dan c′ sekarang dapat
dikatakan sebagai “ dimurnikan" dari pengaruh kovariat pada nilainya
tanpa dimasukkannya C dalam model. Kovariat dipertahankan konstan
secara matematis atau dikontrol secara statistik dalam estimasi efek lain
dalam model.
Dalam model ini, c′ masih merupakan pengaruh langsung X terhadap
Y, ab tetap merupakan pengaruh tidak langsung X terhadap Y sampai M,
dan pengaruh total X terhadap Y adalah penjumlahan dari pengaruh
langsung dan tidak langsung, c′ + ab . Efek total akan sama dengan c
dalam model Y tanpa M tetapi termasuk q kovariat:
q
∑
kamu= iY∗ + cX+ hiCi+ eY∗ (4.1)
saya=1
Interpretasi langsung, tidak langsung,dan efek total tetap sama, tetapi

dengan penyertaan "sama pada C", "memegang C konstan", atau
"mengendalikan C secara statistik" (istilah yang memiliki arti yang sama
dan dapat digunakan secara bergantian). Jadi c′ mengkuantifikasi berapa
banyak dua kasus yang berbeda oleh satu unit pada X diperkirakan
berbeda pada Y dengan memegang M dan C konstan. Efek tidak
langsung, ab, mengkuantifikasi berapa banyak dua kasus yang berbeda
satu unit pada X tetapi sama pada kovariat C diperkirakan berbeda pada
Y sebagai akibat dari efek X pada M, yang pada gilirannya
mempengaruhi Y. Dan efek total dari X, c, memperkirakan berapa
banyak dua kasus yang berbeda oleh satu unit pada X diperkirakan
berbeda pada Y, secara statistik mengendalikan C.
Untuk mengilustrasikannya, kita akan meninjau kembali studi
tekanan ekonomi yang dijelaskan dalam bagian 3.5. Ingatlah bahwa
Pollack et al. (2012) menilai tekanan ekonomi dan dampak depresi terkait
bisnis yang dilaporkan 262 pengusaha selama penurunan ekonomi, serta
niat mereka untuk menarik diri dari kewirausahaan. Analisis mediasi
sederhana konsisten dengan klaim bahwa tekanan ekonomi dapat
mendorong keinginan untuk menarik diri dari dunia bisnis secara tidak
langsung melalui efeknya pada efek depresi. Artinya, mereka yang
melaporkan mengalami lebih banyak tekanan ekonomi merasakan
dampak depresi terkait bisnis yang lebih kuat (a = 0,173), dan mereka
yang mengalami lebih banyak dampak depresi melaporkan niat yang
lebih besar untuk menarik diri dari kewirausahaan bahkan setelah
memperhitungkan tekanan ekonomi (b = 0,769). Efek tidak langsung
secara statistik berbeda dari nol (ab = 0,133, dengan interval kepercayaan
bootstrap 95% dari 0,071 hingga 0,201). Tidak ada bukti efek langsung
dari tekanan ekonomi pada niat penarikan (c′ = -0,077, p = 0,144).
Efek tidak langsung mungkin mencerminkan urutan kausal yang

bonafide dari peristiwa di mana peningkatan stres menyebabkan efek
depresi, yang mengarah pada keinginan untuk menarik diri dari
kewirausahaan. Tapi ingat bahwa data ini berasal dari studi
observasional sekali pakai. Tidak ada yang dimanipulasi, tidak ada yang
diukur dari waktu ke waktu, dan potensi kekacauan berlimpah.
Misalnya, efek tidak langsung mungkin merupakan manifestasi dari
perbedaan individu seperti persepsi tentang kepercayaan diri dan
keterampilan dalam mengelola bisnis. Orang-orang yang merasa relatif
lebih percaya diri dalam kemampuan mereka mungkin cenderung
merasa relatif kurang stres secara umum, mungkin kurang rentan
terhadap perasaan negatif dan sedih tentang bisnis mereka dalam
keadaan apapun, dan menikmati pekerjaan mereka relatif lebih dari
orang-orang yang kurang percaya diri. Jika begitu, kemudian secara
statistik mengendalikan perbedaan individu seperti itu ketika menilai
efek tidak langsung dari tekanan ekonomi harus melemahkan atau
menghilangkannya. Artinya, di antara orang-orang yang sama dalam
kepercayaan mereka, seharusnya tidak ada bukti efek tidak langsung
dari tekanan ekonomi pada niat penarikan melalui efek tertekan, karena
variabel ini telah dikeluarkan dari proses yang, dengan alasan ini,
menginduksi hubungan palsu antara X dan M dan antara M dan Y.
Tetapi jika efek tidak langsung tetap ada bahkan ketika kepercayaan
konstan, klaim kausal tetap layak.
Penjelasan alternatif ini dapat diuji hanya jika sesuatu yang mirip
dengan kepercayaan telah diukur. Untungnya, Pollack dkk. (2012)
memasukkan ukuran "kemanjuran diri wirausaha" (Chen, Green, &
Crick, 1998). Ukuran ini mengindeks kepercayaan seseorang dalam
kemampuannya untuk berhasil terlibat dalam berbagai tugas terkait
kewirausahaan seperti menetapkan dan memenuhi tujuan, menciptakan
produk baru, mengelola risiko, dan membuat keputusan (ESE dalam file
data ESTRESS). Memang, dibandingkan dengan peserta yang relatif
rendah dalam efikasi diri kewirausahaan, mereka yang relatif tinggi
dalam efikasi
− diri kewirausahaan melaporkan perasaan stres ekonomi
yang −relatif lebih sedikit (r = 0,158, p = 0,010), relatif lebih sedikit
pengaruh depresi terkait bisnis (r =−0,246, p <0,001), dan melaporkan niat
yang relatif lebih lemah untuk menarik diri dari kewirausahaan (r = 0.
243, p < .001). Jadi asosiasi palsu atau epifenomenal adalah penjelasan
alternatif yang masuk akal untuk setidaknya beberapa hubungan yang
diamati antara stres ekonomi, pengaruh depresi, dan niat penarikan.
Untuk menjelaskan hubungan bersama antara kemanjuran wirausaha
dan variabel kunci dalam model kausal yang sedang diperkirakan,
wiraswasta wiraswasta (C1) disertakan dalam persamaan untuk kedua
efek depresi (M) dan niat untuk menarik diri ( Y). Untuk
mengilustrasikan bahwa lebih dari satu variabel dapat digunakan
sebagai kontrol statistik, saya juga menyertakan jenis kelamin peserta
(C2; SEX dalam data, 0 = perempuan, 1 = laki-laki) dan lama waktu
dalam bisnis, dalam tahun ( C3; TENURE dalam data) sebagai prediktor.
eM
1
M MEMENGARUHI
ekamu
sebuah= 0,159 b= 0,707
1
X c'= 0,094 kamu

ESTRES
MENARIK
C1
ESE
C2
SEKS C3
MASA JABATAN
GAMBAR 4.2.Diagram statistik model mediasi sederhana untuk studi tekanan ekonomi
dengan tiga kovariat.
Jadi, persamaan yang diestimasi untuk mengukur efek langsung dan

tidak langsung dari tekanan ekonomi adalah:
M= iM + aX + f1C1 + f2C2 + f3C3 + eM (4.2)
kamu= iY + c'X+ bM + g1C1 + g2C2 + g3C3 + eY (4.3)

Gambar 4.2 menggambarkan model lengkap yang sesuai dengan
persamaan ini dalam bentuk diagram statistik. Seperti biasa, koefisien
dalam persamaan 4.2 dan 4.3 dapat diperkirakan menggunakan rutinitas
regresi OLS apa pun, tetapi PROCESS membuatnya lebih mudah sambil
memberikan uji inferensial untuk efek tidak langsung yang tidak akan
diberikan oleh serangkaian analisis regresi terpisah. Di SPSS, perintah
PROCESS adalah
proses y=menarik/x=estress/m=mempengaruhi/cov=kepemilikan seks
Di SAS, gunakan
ini/total=1/ model=4/bibit=100770.
%proses
(data=estress,y=withdraw,x=estress,m=affect,cov=kepemilika
Satu-satunya perbedaan antara perintah PROCESS untuk model ini danmodel

dalam Bab 3 adalah penambahan tiga kovariat yang terdaftar setelah cov=.
TABEL 4.1.Koefisien Model untuk Analisis Mediasi Sederhana Stres Ekonomi dengan
Tiga Kovariat
Akibat
M(MEMENGARUHI) kamu(MENARIK)
AntesedenCoe ff. SEp coeff. SEp
X(ESTRES) sebuah 0.1590.030 < .001 ckan

M(MEMENGA 0.0940.053.077
—- —- —- b 0,707 0.105 < .001
RUHI)
C1 (ESE) f1 −0.155 0,044 .001 g1 −0.212 0,076 .006
f2 0,015 0,127
C3(MASA JABATAN)
– f3 0.0110.006.086− g3
0.0020.011.846
Konstan aku 1.7860.308 < .001 iY 2.7460.550 <
.001
R2= 0.163 R2= 0,206

F(4, 257) = 12,523, p < .001 F(5, 256) = 13,282, p < .001
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
(perkiraan titik = 0,113, dengan kepercayaan bootstrap 95% interval 0,058
hingga 0,173). Efek langsungnya sedikit lebih kuat dari sebelumnya
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
koefi se t p LLCI ULCI regresi

stres sien .5502 4.9913 .0000 1.6626 3.8295
konstan 2.7461 .0527 -1,7751 .0771 -.1973 .0102 keluaran
-.0935
memengaru .7071 .1049 6.7420 .0000 .5006 .9137 (persamaa
b
hi n 4.3)
ese -.2121 .0764 -2.7769 .0059 -.3625 -.0617
************************** MODEL EFEK TOTAL ********************* *******

VARIABEL HASIL:
menarik
Ringkasan
Model
.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)

EffectsetpLLCIULCI
c .0191.0541.3535.7240
-.0874.1257
c' Memenga mengatur p LLCI ULCI

ruhi
Efek tidak langsung dari X pada Y: kepercayaan diri bootstrap

EfekBootSE
BootLLCI BootULCI
interval untuk efek tidak langsung
mempengaruhi.117.0290
ab ************************** CATATAN ANALISIS DAN KESALAHAN
*********************** *Tingkat kepercayaan untuk semua interval
kepercayaan dalam output:

95.0000
Jumlah sampel bootstrap untuk interval kepercayaan bootstrap:

5000
GAMBAR 4.3.Output dari prosedur PROCESS untuk SPSS untuk analisis mediasi
sederhana stres ekonomi dengan tiga kovariat.
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
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
kelompok). Tetapi penugasan acak tidak memastikan bahwa M

mendahului Y dalam waktu. Siapa yang mengatakan bahwa arah aliran
kausal berjalan dari X ke M ke Y? Mungkin urutan sebab-akibat yang
sebenarnya adalah X hingga Y hingga M. Misalnya, dalam studi
pengaruh media yang diduga, dapat dikatakan bahwa jika orang
percaya bahwa mereka harus mengambil tindakan dalam menanggapi
artikel tentang kemungkinan kekurangan gula di negara ini, mereka
kemudian memproyeksikan keputusan itu ke publik pada umumnya
sebagai bentuk rasionalisasi untuk keyakinan mereka sendiri dan
tindakan yang dipilih. Artinya, keyakinan tentang bagaimana diri
seseorang dipengaruhi oleh media dapat berfungsi sebagai mediator dari
efek lokasi artikel pada keyakinan tentang bagaimana orang lain
mungkin dipengaruhi oleh media.
Jika X tidak ditentukan melalui manipulasi dan penetapan acak,
maka setiap urutan urutan kausal dari X, M, dan Y harus dianggap
sebagai calon potensial untuk arah aliran kausal. Bahkan dalam model
mediasi tiga variabel sederhana tanpa penetapan acak untuk nilai X,
enam kemungkinan arah aliran kausal sedang berjalan (XMY; → XYM;
MXY; MYX; YXM; YMX).
→→→→→→→→→
Mudah-mudahan, teori yang kuat atau kemustahilan logis menghalangi
beberapa di antaranya, tetapi kemungkinan seseorang dapat
mengumpulkan argumen yang masuk akal yang mendukung setidaknya
satu arah aliran kausal selain interpretasi pilihan Anda. Pertimbangkan
proposal alternatif untuk proses yang dimodelkan dalam studi stres
ekonomi, di mana efek depresi ditafsirkan sebagai mediator efek stres
ekonomi pada niat penarikan. Mungkin sama masuk akalnya bahwa
orang yang mulai berpikir untuk menyerah pada bisnis mulai
meluangkan lebih sedikit waktu untuk perusahaan, yang pada
waktunya merusak margin keuntungan, tekanan ekonomi meningkat,
dan pemilik mulai mulai tertekan karena harus meninggalkan bisnisnya.
atau bisnisnya, memberhentikan karyawan, dan sebagainya.
Untungnya, terkadang arah alternatif tertentu dari aliran kausal
sangat tidak masuk akal sehingga dapat diabaikan tanpa kesulitan.
Misalnya, misalkan X adalah tingkat pendidikan tertinggi yang dicapai
seseorang sebelum usia 25 tahun, dan M adalah nilai rata-rata nilai anak
orang tersebut pada saat lulus dari sekolah menengah. Tidak mungkin
M dapat menyebabkan X dalam kasus ini. Bagaimana prestasi akademik
anak seseorang saat lulus dari sekolah menengah dapat mempengaruhi
seberapa banyak pendidikan yang diterima orang tersebut sebelum usia
25 tahun? Jika X dan M diasosiasikan secara kausal, arah aliran kausal
harus X ke M dan bukan sebaliknya.
Teori yang baik juga dapat membantu untuk mengabaikan beberapa
kemungkinan arah sebab-akibat. Mungkin teori tertentu yang
menghubungkan X secara kausal dengan M telah diuji dan diterima oleh
sebagian besar peneliti dan ahli teori di bidang tertentu, dan hanya
sedikit yang akan berargumen bahwa M kemungkinan besar
memengaruhi X. Atau mungkin pada prinsipnya M dapat menyebabkan
X, tetapi teori yang menimbulkan seperti itu
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
ulang dengan arah alternatif aliran sebab akibat ini. Dengan
menggunakan data yang sama, mereka juga menemukan model
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
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).
(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.
4.3 Ukuran Efek

Dalam contoh di Bab 3, interpretasi efek langsung dan tidak langsungditulis
dalam istilah kuantitatif dalam metrik X dan Y. Dua kasus yang berbeda
satu unit pada X diperkirakan berbeda oleh unit c′ dan ab melalui proses
langsung dan tidak langsung. Karena efek ini diskalakan dalam hal
metrik X dan Y, mereka terikat skala dan akan ditentukan oleh
keputusan tentang pengukuran. Jadi ukuran absolut dari efek langsung
dan tidak langsung tidak mengatakan apa-apa tentang apakah efeknya
besar atau kecil dalam arti praktis atau teoretis. Mereka dapat dibuat
besar atau kecil secara sewenang-wenang dengan, misalnya, mengalikan
atau membagi X atau Y dengan konstanta.
Ini tidak berarti bahwa c′ dan ab secara substantif tidak bermakna.
Sebaliknya, mereka mungkin cukup berarti. Misalkan Y adalah jumlah
pound yang hilang seseorang dalam periode 2 bulan, X adalah variabel
dikotomis yang mengkode apakah seseorang menghadiri seminar
penurunan berat badan setengah hari dua bulan sebelumnya (1) atau
hanya membuat daftar tunggu untuk menghadiri suatu hari di masa
depan (0), dan M adalah ukuran kepercayaan pada kemampuan untuk
menurunkan berat badan
pada penutupan seminar. Bayangkan sebuah analisis mediasi sederhana

yang memodelkan penurunan berat badan mengungkapkan efek
langsung dari kehadiran di seminar c′ = 2 dan efek tidak langsung dari
ab = 5 melalui kepercayaan diri. Jadi mereka yang menghadiri seminar
penurunan berat badan rata-rata kehilangan 7 pon lebih banyak
daripada mereka yang tidak, dengan 5 dari pon tersebut keluar melalui
efek seminar pada kepercayaan diri yang pada gilirannya
mempengaruhi penurunan berat badan, dan sisanya 2 pon karena
beberapa proses atau mekanisme lain yang tidak termasuk dalam model.
Penurunan berat badan 7 pon akibat menghadiri seminar singkat
tampaknya merupakan efek yang berarti. Bisa juga dikatakan bahwa
efek tidak langsung (setidaknya secara deskriptif) lebih besar daripada
efek langsung karena keduanya diukur pada metrik yang sama—metrik
X dan Y. Seperti yang dibahas di bagian 5.3,
Ukuran efek yang berarti yang dihasilkan dari metrik yang bermakna
seperti ini mungkin bukan norma, namun, karena keputusan
pengukuran sering kali menghasilkan kuantifikasi konstruksi yang
berada pada skala yang berubah-ubah. Dalam hal ini, tidak banyak yang
dapat dilakukan tentang ambiguitas dalam interpretasi ukuran efek
langsung dan tidak langsung. Selain itu, signifikansi "praktis" atau
"teoretis" adalah istilah subjektif yang menentang kuantifikasi yang
tepat. Akhirnya, apa yang mungkin dianggap sebagai efek kecil dalam
satu konteks atau oleh satu penyidik mungkin dianggap relatif besar
dalam konteks yang berbeda atau oleh penyidik yang berbeda.
Meskipun ada banyak aturan praktis yang beredar dalam literatur untuk
melabeli efek sebagai “kecil”, “sedang”, atau “besar,
Kuantifikasi ukuran efek dalam analisis mediasi merupakan bidang
pemikiran dan penelitian yang terus berkembang. Di bawah ini saya
uraikan dua ukuran ukuran efek yang berlaku untuk efek langsung,
tidak langsung, dan total dalam model mediasi. Saya juga membahas
beberapa tindakan yang telah ditawarkan untuk efek tidak langsung,
tetapi masing-masing memiliki masalah signifikan yang membatasi
nilainya. Tindakan yang saya diskusikan di sini bukanlah satu-satunya
tindakan yang tersedia. Untuk diskusi yang sangat baik tentang ukuran
efek dalam analisis mediasi, lihat Pengkhotbah dan Kelley (2011). Saya
menggunakan notasi mereka di bawah ini.
Efek Standar Sebagian

Pertimbangkan analisis mediasi yang memeriksa efek tekanan ekonomi
pada niat untuk menarik diri dari kegiatan kewirausahaan. Ingat dari
analisis itu (dijelaskan dalam bagian 3.5) bahwa dua pengusaha yang
berbeda satu unit dalam tekanan ekonomi mereka diperkirakan berbeda
dengan ab = 0,133 unit dalam niat penarikan mereka secara tidak
langsung melalui efek depresi,
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
Dalam analisis tegangan ekonomi, SDY = 1,248, jadi efek langsung

dan tidak langsung yang dinyatakan dalam bentuk standar − sebagian
adalah
− c′ps= 0,077/1.248=
0,062 dan abps = 0,133/1.248 = 0,107. Ini berarti bahwa dua pengusaha
yang berbeda satu unit dalam tekanan ekonomi mereka berbeda sekitar
sepersepuluh dari standar deviasi dalam niat mereka untuk menarik diri
dari kewirausahaan sebagai akibat dari efek stres pada efek depresi,
yang pada gilirannya mempengaruhi niat penarikan. Terlepas dari
mekanisme tidak langsung ini, pengusaha satu unit lebih tinggi dalam
tekanan ekonomi diperkirakan 0,062 standar deviasi lebih rendah dalam
niat penarikan (lebih rendah karena c′ps negatif). Ini tampak seperti efek
yang cukup kecil ketika dikonseptualisasikan dalam hal variasi dalam
niat penarikan. Tapi siapa yang mengatakan sebenarnya, sebagai efek
kecil seseorang mungkin menjadi efek besar orang lain.
Seperti yang telah dibahas berkali-kali, jumlah efek langsung dan
tidak langsung untuk menghasilkan efek total X. Demikian juga efek
langsung dan tidak langsung yang distandarisasi sebagian ditambahkan
untuk menghasilkan efek total terstandarisasi sebagian. Itu adalah,
cps= c = cps+ abps
Skamu
Jadi mengingat dua pengusaha yang berbeda satu unit dalam tekanan
ekonomi mereka, pengusaha yang mengalami lebih banyak stres
diperkirakan
−0,062 + 0,107 = 0,045 standar deviasi lebih tinggi dalam niat untuk
menarik diri dari kewirausahaan sebagai akibat dari gabungan jalur
langsung dan tidak langsung dimana stres mempengaruhi niat
penarikan.
Ketika X adalah variabel dikotomis dan kedua kelompok dikodekan

sedemikian rupa sehingga mereka berbeda satu unit pada − skema
pengkodean (0 dan 1, 0,5 dan 0,5, dst), maka cp′ s dan abps dapat
diinterpretasikan sebagai bilangan standar. penyimpangan dalam Y
bahwa kelompok-kelompok tersebut rata-rata berbeda sebagai akibat
dari mekanisme langsung dan tidak langsung. Dalam asumsi pengaruh
media, analisis mediasi sederhana di bagian 3.3, c′ = 0,254, ab = 0,241,
SDY = 1,550, dan c′ps = 0,254/1,550 = 0,164 dan abps = 0,241/1,550 = 0,156.
Mereka yang menceritakan kisah yang akan diterbitkan di halaman
depan surat kabar rata-rata 0,156 standar deviasi lebih tinggi dalam niat
mereka untuk membeli gula sebagai akibat dari efek tidak langsung
melalui pengaruh media yang diduga daripada mereka yang
menceritakan kisah tersebut. terkubur di dalam kertas. Terlepas dari
mekanisme ini, mereka yang bercerita akan berada di halaman depan
rata-rata memiliki standar deviasi 0,164 lebih tinggi dalam niat mereka.
Pengaruh langsung dan tidak langsung ini menjumlahkan total
perkiraan perbedaan rata-rata niat untuk membeli gula antara dua
kondisi: 0,164 + 0,156 = 0,320 standar deviasi (atau, lebih tepatnya dari
Gambar 3.4, 0,319 standar deviasi).
Efek Sepenuhnya Standar

Efek standar sebagian mengubah skala c′ dan ab ke standar deviasidari Y
tetapi tetap X dalam metrik aslinya. Oleh karena itu, sebagian efek
standar berada dalam metrik terikat skala, karena ukurannya akan
bergantung pada penskalaan
X. Seringkali, perbedaan satu unit pada X memiliki sedikit makna
substantif. Menghapus penskalaan X dari efek standar sebagian
mengungkapkan efek langsung dan tidak langsung dalam hal perbedaan
dalam standar deviasi di Y antara dua kasus yang berbeda dengan satu
standar deviasi di X. Ini menghasilkan efek standar sepenuhnya:
kan)
X(c
ccs= SD = SDX(cps)
Skamu
X(ab)
abc= SD = SDX (abs)
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).
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 =
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.
Beberapa Tindakan (Bermasalah) Hanya untuk Efek Tidak Langsung

Sebagian dan sepenuhnya efek standar yang dibahas di atas tentu saja
bukan satu-satunya pendekatan untuk mengukur ukuran efek tidak
langsung. Banyak yang lain telah diusulkan, dan saya membahas empat
di antaranya di sini. Diskusi saya tidak menyiratkan dukungan terhadap
langkah-langkah ini. Memang, saya menawarkan beberapa argumen
untuk menghindari masing-masing dan setiap orang salah satu dari ini.
Tetapi Anda harus menyadarinya karena Anda akan menemukan orang
lain melaporkannya atau menganjurkan Anda melakukannya.
Rasio E . Tidak Langsungect ke Total Eect. Secara historis, analisis
mediasi telah dilakukan ketika tujuannya adalah untuk menetapkan proses di
mana suatu efek beroperasi. Dengan adanya bukti efek X terhadap Y (efek total
c), analisis mediasi dapat digunakan untuk memecah efek tersebut menjadi
komponen-komponen penyusunnya secara langsung dan tidak langsung.
Pertanyaan yang wajar untuk diajukan sebagai bukti dari efek X pada Y adalah
seberapa besar efek X pada Y beroperasi secara tidak langsung melalui M. Alwin
dan Hauser (1975) dan MacKinnon et al. (1995) membahas ukuran efek yang
sering diartikan sebagai proporsi efek total yang dimediasi:
ab ab
PM=cc kan
= + ab
Semakin dekat PM ke satu, semakin besar pengaruh X terhadap Y

dapat dikatakanberoperasi melalui M, dan semakin dekat PM ke nol,
semakin kecil pengaruh X terhadap Y karena proses tidak langsung
melalui M. Misalnya, dalam analisis mediasi pengaruh media yang
diduga, ab = 0,241 dan c = 0,496, jadi PM = 0,241/0,496 = 0,486. Jadi 48,6%
pengaruh lokasi artikel terhadap niat membeli gula terjadi secara tidak
langsung melalui dugaan pengaruh media.
Meskipun cukup sederhana untuk dipahami, PM memiliki masalah
serius yang membuat saya merekomendasikan untuk menghindari
tindakan ini. Pertama, proporsi menurut definisi antara 0 dan 1, namun
PM tidak terlalu dibatasi. Jika ab atau c negatif tetapi tidak keduanya,
maka
| PM < 0, dan jika c lebih dekat ke nol dari ab, maka PM > 1.
Misalnya, dalam analisis mediasi sederhana tekanan ekonomi, ab = 0,133
dan c = 0,056, jadi PM = 2,375. Apakah masuk akal untuk mengatakan
bahwa 237,5% dari efek tekanan ekonomi pada niat penarikan dicatat
oleh efek tidak langsung melalui efek tertekan? Jelas, tidak. Memang,
ketika c mendekati nol, PM meledak menuju tak terhingga positif atau
negatif, tergantung pada tanda-tanda ab dan c.
Selain itu, PM sangat tidak stabil dari sampel ke sampel (lihat
MacKinnon et al., 1995). Ini memiliki varians sampling yang besar, dan
tidak jarang interval kepercayaan bagi PM untuk memasukkan nol
bahkan ketika sebagian besar ukuran efek lain untuk efek tidak langsung
dengan jelas menunjukkan bukti bahwa efeknya berbeda dari nol.
Mengabaikan masalah yang dijelaskan sebelumnya, seseorang harus
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
(lihat Pengkhotbah & Kelley, 2011).

| Jika RM > 1, maka pengaruh
tidak langsungnya lebih besardari| efek langsung, sedangkan jika RM <
1, efek tidak langsung lebih kecil dari efek langsung. Dalam kasus
khusus di mana pengaruh tidak langsung dan langsung bertanda sama,
maka RM > 1 berarti bahwa lebih banyak pengaruh total X terhadap Y
dibawa secara tidak langsung melalui M, sedangkan RM < 1
menyiratkan bahwa lebih banyak pengaruh total ditentukan oleh efek
langsung daripada efek tidak langsung.
Saya tidak bisa merekomendasikan ukuran efek tidak langsung ini.
Perhatikan bahwa ketika c′ mendekati nol, bahkan efek tidak langsung
yang kecil akan meledak dalam ukuran relatif terhadap efek langsung,
karena RM dengan cepat menjadi masif dengan menyusutnya c′. Dan
seperti yang Preacher dan Kelley (2011) catat, fluktuasi sampel-ke-
sampel kecil dalam perkiraan c′ benar-benar dapat mempengaruhi RM
ke satu arah atau lainnya. Penelitian simulasi telah membuktikan bahwa
seperti PM, RM tidak stabil sebagai penduga kecuali dalam sampel yang
besar. Itu tidak bisa dipercaya sebagai deskripsi ukuran efek tidak
langsung kecuali ukuran sampel setidaknya 2.000 atau lebih (MacKinnon
et al., 1995).
Proporsi Varians dalam Y Dijelaskan oleh E . Tidak Langsungdll. anak
peri,MacKinnon, Toborga, dan Taylor (2009) menurunkan ukuran ukuran
efek untuk efek tidak langsung dalam analisis mediasi sederhana yang
merupakan upaya untuk mengukur proporsi varians dalam Y yang
disebabkan oleh tidak langsung
pengaruh X terhadap Y melalui M. Ukurannya, yang diberi label R2 ,
o
adalah
dihitung 22
R = medMY
sebagai
22
- kamu.MXXY
- )
dimana dan r2 adalah korelasi kuadrat antara M dan Y dan X dan
K
r2
kamu, masing-masing,
X dan R2 adalah korelasi berganda kuadrat yang
memperkirakan Y
kamu.MX
2
dari X dan M. Kebermaknaan dari Robat didasarkan pada
asumsi bahwa ada hubungan antara X dan Y, artinya
Xmenjelaskan beberapa variasi dalam Y. Ketika ini terjadi, mungkin

sebagian kecil dari variasi yang dijelaskan itu disebabkan oleh
mekanisme tidak langsung. Tetapi seperti yang telah kita lihat, adalah
mungkin untuk sebuah efek tidak langsung yang tidak ada bukti adanya
hubungan yang dapat dideteksi antara X dan Y. Diulang ulang, adalah
mungkin untuk ab lebih besar dalam nilai absolut daripada c. Dalam
situasi seperti itu,
2
Robat bisa negatif, seperti dalam contoh tekanan ekonomi, dan ini melanggar
interpretasinya sebagai proporsi yang menurut definisi harus antara 0
dan 1. Jadi R2 tidak benar-benar memiliki proporsi interpretasi yang
o
dijelaskan varians.
Kappa-Kuadrat. Nol sering digunakan sebagai titik referensi yang
berartiterhadap yang untuk membahas ukuran efek. Efek nol memiliki
interpretasi yang jelas. Dengan demikian, ukuran efek yang mendekati
nol umumnya dianggap kecil, dan semakin jauh indeks diperoleh dari
nol, semakin besar efek yang dirasakan. Namun, ukuran efek selalu
dapat ditafsirkan relatif terhadap beberapa referensi lain, dan tergantung
pada pilihan referensi, efek apa pun dapat dianggap besar atau kecil.
Misalnya, meskipun efek tidak langsung yang sebagian terstandarisasi
sebesar 0,50 tentu saja lebih besar dari nol, itu hanya seperempat lebih
besar dari dua. Jadi 0,50 besar atau kecil? Itu tergantung pada apa yang
Anda bandingkan.
Peserta terbaru dalam daftar ukuran efek yang terus bertambah
dalam analisis mediasi sederhana, yang diperkenalkan oleh Preacher dan
Kelley (2011), mengakui bahwa varians dan korelasi antara variabel yang
diamati dalam data membatasi seberapa besar efek tidak langsungnya.
Mengingat hal ini, masuk akal untuk mengukur ukuran efek tidak
langsung relatif terhadap seberapa besar kemungkinan dapat diberikan
kendala ini. Mereka menyebut indeks mereka "kappa-kuadrat" (κ2) dan
mendefinisikannya sebagai rasio efek tidak langsung relatif terhadap
nilai maksimum yang mungkin dalam data:
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
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
Memeng se t p LLCI ULCI c_ps c_cs
aruhi
.0561 .0542 1,0353 .3015 -.0506 .1629 .0450 .0641
Memenga se t p LLCI ULCI c'_ps c'_cs

Efekruhi
langsung dari X pada Y
-.0768 .0524 -1,4667 .1437 -1800 .0263 -.0616 -.0877
Efek tidak langsung

Memeng dari X pada Y:
BootSE BootLLCI BootULCI
aruhi
memengar .1330 .0333 .0707 .2013
uhi
Efek tidak langsung terstandarisasi sebagian dari X pada Y:sebagian
Memengaruhi BootSEBootLLCIBootULCI efek standar
memengaruhi .1066 .0265 .0563 .1610
sama sekali
Efek tidak langsung yang sepenuhnya terstandarisasi dari X efek
pada standar
Y:
EfekBootSEBootLLCIBootULCImempengaruhi.1518
.0375 .0805 .2274
GAMBAR 4.4.Ukuran efek dengan interval kepercayaan bootstrap yang dihasilkan oleh
PROCESS untuk analisis mediasi sederhana tekanan ekonomi.
dari 2 dalam perangkat lunak yang ada, setidak-tidaknya pada tanggal

penerbitan buku ini, juga salah. Tetapi indeks ukuran efek ini sebaliknya
menunjukkan harapan.
Ukuran Efek Tersedia dalam PROSES

PROCESS dapat menghasilkan ukuran yang sebagian dan seluruhnya
terstandarisasi dari efek total, langsung, dan tidak langsung dalam
model mediasi ketika X adalah kontinum numerik. Untuk X dikotomis,
PROCESS tidak akan menghasilkan efek yang sepenuhnya
terstandarisasi, karena tidak bermakna ketika X dikotomis. Untuk
mendapatkan langkah-langkah ini dalam output, tambahkan effsize=1 ke
baris perintah PROCESS. PROCESS juga menghasilkan interval
kepercayaan untuk sebagian dan sepenuhnya standar efek tidak
langsung menggunakan bootstrap atau metode Monte Carlo. Kutipan
dari output yang dihasilkan oleh opsi ini untuk analisis tegangan
ekonomi dari bagian 3.5 dapat ditemukan pada Gambar 4.4.
4.4 Kekuatan Statistik

Kekuatan tes mengacu pada probabilitas bahwa tes akan menolak
hipotesis nol palsu. Jika Anda mengusulkan bahwa efek X pada Y
dilakukan melalui mediator M, Anda akan lebih suka mengetahui bahwa
jika ini benar, Anda akan dapat mendeteksi efek tidak langsung dalam
penelitian yang Anda rencanakan untuk dilakukan. Atau setelahnya,
Anda mungkin bertanya-tanya apakah penelitian Anda memiliki
kekuatan yang cukup untuk mendeteksi efek tidak langsung yang bukan
nol. Jika tidak, Anda bisa dikritik karena tidak memberikan hipotesis
Anda kemungkinan yang cukup untuk didukung. Jika
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),
4.5 Beberapa X atau Y: Analisis Secara

Terpisah atau Bersamaan?
Peneliti terkadang mengusulkan bahwa beberapa agen penyebab
(variabel X) secara bersamaan mengirimkan efek mereka pada hasil yang
sama melalui mediator yang sama. Misalnya, Von Hippel, Issa, Ma, dan
Stokes (2011) meneliti efek langsung dan tidak langsung dari
perbandingan sosial dengan peluang pria dan wanita di tempat kerja
mereka pada kemungkinan yang mereka rasakan untuk kemajuan karir
melalui rasa "ancaman stereotip." Dan Simpson dkk. (2011) meneliti
bagaimana keparahan gejala gangguan obsesif-kompulsif pascaterapi
dipengaruhi oleh keparahan sebelum perawatan, penimbunan sebelum
perawatan, dan persepsi "aliansi kerja" dengan terapis, baik secara
langsung maupun tidak langsung melalui kepatuhan pasien terhadap
prosedur dan strategi yang diajarkan. selama terapi kognitif-perilaku.
Beberapa Variabel X
Perhitungan efek langsung dan tidak langsung dalam model dengan
multiple
Xvariabel tidak memerlukan modifikasi pada prosedur yang dibahas sejauh
ini.
eM
1
sebuah
1
b
ekamu
X1
c'1 1
. kamu
sebuah
k-1
.
. c'k-1
Xk-1
sebuah k
c'k
Xk
GAMBAR 4.5.Model mediasi sederhana dengankmendahuluiXvariabel.
Setiap konsekuensi diregresi pada variabel dalam model yang diduga

menyebabkannya, dan koefisien yang dihasilkan disatukan atau
diinterpretasikan secara langsung. Tetapi estimasi dan interpretasi efek
dalam model semacam itu memiliki beberapa pertimbangan khusus
yang perlu didiskusikan. Terutama, pertimbangan berkisar pada
pertanyaan apakah penyertaan beberapa X dalam satu model akan
memiliki efek pada hasil yang akan diperoleh jika seseorang
memperkirakan beberapa model, masing-masing berfokus pada variabel
X tunggal pada suatu waktu. .
Gambar 4.5 menunjukkan model mediasi sederhana dengan k
variabel X meneruskan efeknya langsung ke Y tunggal dan secara tidak
langsung melalui M tunggal. Dalam model seperti itu, ada k efek
langsung dan tidak langsung, masing-masing satu untuk masing-masing
X. Ada dua variabel konsekuen dalam model ini, sehingga dua model
linier diperlukan untuk memperkirakan efeknya. Kedua model ini
adalah
M= iM + a1X1 + a2X2 + . . . + akXk + eM
kamu = iY + c1kan X1 + c2kan X2 + . . . + ckank Xk + bM +ekamu

dan mereka dapat diperkirakan sebagai satu set regresi OLS yang terpisah.
tidak langsungpengaruh Xi terhadap Y melalui M adalah aib, dan
pengaruh langsungnya adalah c′i . Efek keseluruhandari Xi adalah
jumlah dari pengaruh langsung dan tidak langsungnya: ci = c′i + aib.
Efek total Xi pada Y juga dapat diperkirakan dengan memprediksi Y dari
semua k Xs tetapi tidak M:
kamu= iY∗ + c1X1 + c2X2 + . . . + ckXk + eY∗
Ketika semua k Xs berada dalam model secara bersamaan, efek

langsung dan tidak langsung dari Xi diinterpretasikan sebagai estimasi
perbedaan dalam Y antara dua kasus yang berbeda oleh satu unit − pada
Xi tetapi sama pada variabel k 1 Xi lainnya (atau, −
direfrase, memegang k
1 X variabel yang tersisa konstan, atau mengendalikan variabel-variabel
tersebut). Dengan kata lain, ini mewakili efek langsung dan tidak
langsung Xi terhadap Y yang unik bagi Xi. Dengan demikian,
− efek-efek
ini ditafsirkan sebagaimana adanya ketika variabel k 1 X yang tersisa
dikonseptualisasikan sebagai kontrol statistik daripada variabel yang
efeknya secara substantif menarik.
Dalam model dengan variabel k X, efek total, langsung, dan tidak
langsung dari Xi mungkin sama atau mungkin tidak sama dengan efek
terkait dalam model mediasi sederhana yang − mengecualikan semua
variabel k 1 X lainnya (seperti pada Gambar 3.2). Setiap perbedaan akan
tergantung pada− ukuran korelasi antara Xi dan k 1 X lainnya, serta
korelasi antara X lainnya dan M dan Y.
Masuk akal untuk menanyakan pendekatan mana yang "lebih baik"
atau "lebih benar", dalam hal perkiraan yang mereka hasilkan dan
makna substantifnya. Dengan k kausal X, haruskah seseorang
memasukkan semua X dalam satu model (seperti yang dilakukan,
misalnya, Andela & Truchot, 2016; Von Hippel et al., 2011; Weikamp &
Go¨ ritz, 2016) atau memperkirakan k model masing-masing dengan satu
X (seperti yang dilakukan, misalnya, Gibbs, Ellison, & Lai, 2011; Han &
Shaffer, 2014). Jawabannya adalah bahwa pendekatan mana pun bisa
sah, dan terkadang seseorang dapat belajar dari melakukannya dua arah,
tetapi penting untuk mengenali bahwa efek langsung dan tidak
langsung memperkirakan hal yang berbeda dan karenanya interpretasi
hasil harus dilakukan dengan hati-hati. Pendekatan sebelumnya,
termasuk semua X dalam model, menghasilkan perkiraan bagian dari
satu efek X pada Y (langsung dan tidak langsung melalui M) yang unik
untuk X itu relatif terhadap X lain dalam model. Pendekatan terakhir,
memperkirakan beberapa model masing-masing dengan satu X,
menghasilkan perkiraan efek langsung dan tidak langsung X pada Y
dan, berpotensi, efek X lain yang dikeluarkan dari model.
Bahaya dalam memasukkan beberapa X dalam model mediasi,
seperti ketika memasukkan kontrol statistik, adalah kemungkinan
bahwa X yang sangat berkorelasi akan membatalkan efek satu sama lain.
Ini adalah perhatian standar dalam model linier yang melibatkan
prediktor berkorelasi. Dua variabel X (atau variabel X dan variabel
kontrol) yang sangat berkorelasi satu sama lain juga dapat berkorelasi
dengan M atau Y, sehingga ketika keduanya dimasukkan sebagai
prediktor M atau Y dalam model mediasi, keduanya bersaing satu sama
lain dalam upaya mereka untuk menjelaskan variasi dalam M dan Y.
Koefisien regresi mereka mengukur hubungan unik mereka dengan
mediator model dan variabel hasil (s). Pada ekstremnya, kedua variabel
tersebut akhirnya tampil seperti dua petinju di atas ring secara
bersamaan melemparkan pukulan kemenangan pada yang lain tepat di
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.
Estimasi Model dengan Beberapa Variabel X dalam PROSES

Salah satu batasan PROCESS adalah bahwa hanya satu variabel X yang
dapat dicantumkan di bagian x= dari baris perintah. Namun,
bandingkan Gambar 4.5 dengan Gambar 4.2. Secara matematis, ini
adalah model yang sama. Satu-satunya perbedaan adalah dalam
penafsiran variabel tambahan yang mengirimkan panah ke M dan Y—
baik sebagai kovariat dan bukan kepentingan substantif atau sebagai
pengaruh kausal tambahan yang efeknya sangat menarik. Seperti yang
dibahas pada bagian 4.2, PROCESS dapat memperkirakan model
mediasi dengan kovariat seperti pada Gambar 4.2, sehingga dapat juga
memperkirakan model mediasi dengan beberapa variabel X. Namun,
untuk memperkirakan efek langsung dan tidak langsung − dari semua
variabel k X pada Gambar 4.5, PROCESS harus dijalankan k kali, setiap
kali menempatkan satu Xi dalam model sebagai X − dan variabel k 1 X
yang tersisa sebagai kovariat. Setiap PROCESS dijalankan, efek langsung
dan tidak langsung dari variabel yang terdaftar sebagai X akan
dihasilkan. Pengulangan k 1 kali menghasilkan efek tidak langsung
untuk semua variabel k X. Secara matematis, semua koefisien regresi
yang dihasilkan, efek langsung, dan tidak langsung akan sama seolah-
olah mereka telah diestimasi secara bersamaan menggunakan program
pemodelan persamaan struktural.
Misalnya, pertimbangkan model mediator dengan satu mediator (MED),
satuoutcome (DV), dan tiga variabel X (IV1, IV2, dan IV3). Kumpulan
perintah SPSS PROCESS di bawah ini akan memperkirakan efek IV1,
IV2, dan IV3 pada DV secara langsung dan tidak langsung melalui MED:
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);
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
GAMBAR 4.6.Model mediasi sederhana dengankakibatkamuvariabel.
Dalam kode ini, generator bilangan acak diunggulkan dengan benih

umum (dan arbitrer) sehingga pada setiap proses, interval kepercayaan
bootstrap akan didasarkan pada kumpulan sampel bootstrap yang sama
dari data. Trik ini dengan mudah diperluas ke model mediasi yang lebih
kompleks yang dijelaskan dalam Bab 5 dan 6 serta model dengan kontrol
statistik hanya dengan memasukkan mediator tambahan dan kovariat
dalam perintah PROCESS.
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
dengan X umum dan
M. Karena Yi hanya ditentukan oleh X dan M, langsung dan tidak langsung
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.
4.6 Ringkasan Bab

Analisis mediasi statistik telah berubah sejak publikasi Baron dan Kenny
(1986). Masa kejayaan pendekatan “kriteria pembentukan mediasi”
kausal telah usai. Juga menghilang di abad ke-21 adalah kekhawatiran
tentang apakah suatu proses dapat diberi label sebagai mediasi lengkap
atau parsial. Analisis mediasi modern menekankan estimasi eksplisit
dari efek tidak langsung, pengujian inferensial dari efek tidak langsung
yang tidak membuat asumsi yang tidak perlu, dan pengakuan bahwa
bukti hubungan yang signifikan secara statistik antara X dan Y tidak
perlu dibicarakan dan dimodelkan. proses variabel intervensi (dalam hal
ini konsep mediasi lengkap dan parsial tidak masuk akal).
Apa yang tidak berubah selama bertahun-tahun adalah keterbatasan
klaim kausalseseorang dapat membuat ketika data seseorang tidak
memberikan kesimpulan kausal yang tegas. Asosiasi perancu dan
epifenomenal dapat menyebabkan hubungan nonkausal antara variabel
dalam model mediasi, dan peneliti harus mempertimbangkan
kemungkinan tersebut dan setidaknya memperhitungkannya secara
matematis dalam model dengan penyertaan yang bijaksana dari
berbagai kontrol statistik bila tersedia. Bahkan jika seseorang merasa
nyaman bahwa penjelasan alternatif seperti itu tidak mungkin untuk
menjelaskan temuannya, analisis mediasi statistik dengan sendirinya
tidak mendukung urutan kausal yang diusulkan dari variabel dalam
sistem kausal. Ada beberapa kemajuan yang dicapai dalam
pengembangan berbagai ukuran ukuran efek dalam analisis mediasi,
tetapi tidak ada indeks ukuran efek “peluru perak” yang dapat
direkomendasikan tanpa syarat.
Dalam dua bab berikutnya, saya menambahkan beberapa kompleksitas
tambahan ke mod-proses eling, pertama dengan mempertimbangkan
model dengan lebih dari satu mediator. Dalam bab-bab berikutnya,
Anda akan menghargai pentingnya memahami dasar-dasar analisis
mediasi yang baru saja kita bahas, serta kekuatan dan kelemahan
pendekatan statistik ini untuk memahami mekanisme di balik efek
kausal, karena dasar-dasar dan kontroversi ini terus berlanjut.
memainkan peran penting dalam analisis dan interpretasi model yang
lebih kompleks ini.
5
Lebih dari Satu Mediator
Dalam bab ini, saya memperluas prinsip-prinsip analisis mediasi yang

diperkenalkan di Bab 3 ke model dengan lebih dari satu mediator.
Model tersebut memungkinkan efek variabel untuk ditransmisikan ke
yang lain melalui beberapa mekanisme secara bersamaan. Dua
bentuk model beberapa mediator diperkenalkan di sini yang berbeda
satu sama lain dengan apakah mediator beroperasi secara paralel,
tanpa mempengaruhi satu sama lain, atau dalam serial, dengan
mediator dihubungkan bersama dalam rantai kausal. Dengan
memasukkan lebih dari satu mediator dalam model secara bersamaan,
adalah mungkin untuk mengadu teori satu sama lain dengan secara
statistik membandingkan efek tidak langsung yang mewakili
mekanisme teoretis yang berbeda.
Dalam Bab 3 saya memperkenalkan dasar-dasar analisis mediasi

statistik. Dalam konteks model dengan mediator tunggal, saya
menggambarkan bagaimana efek total anteseden kausal X pada
konsekuen Y dapat dipartisi menjadi komponen langsung dan tidak
langsung, dan saya menggambarkan berbagai cara pengujian hipotesis
secara statistik tentang total, langsung, dan tidak langsung. efek. Seperti
disebutkan di awal bab itu, model mediasi sederhana sering digunakan
oleh peneliti, tetapi sering kali terlalu menyederhanakan jenis fenomena
yang dipelajari peneliti. Secara khusus, karena hanya didasarkan pada
satu variabel mediator, hal itu tidak memungkinkan peneliti untuk
memodelkan beberapa mekanisme secara bersamaan dalam satu model
terintegrasi.
Keterbatasan model mediasi sederhana ini penting untuk setidaknya
empat alasan (lihat, misalnya, Pengkhotbah & Hayes, 2008a; MacKinnon,
2000, 2008). Pertama, sebagian besar efek dan fenomena yang dipelajari
para ilmuwan mungkin beroperasi melalui berbagai mekanisme
sekaligus. Tentu saja, semua model salah sampai batas tertentu, dan
tidak ada model yang secara lengkap dan akurat menjelaskan semua
pengaruh pada beberapa variabel yang diinginkan (lih. MacCallum,
2003). Tetapi beberapa model lebih salah daripada yang lain. Jika Anda
memiliki alasan untuk percaya bahwa efek variabel anteseden pada
konsekuensi dapat atau memang beroperasi melalui berbagai
mekanisme, pendekatan yang lebih baik adalah memperkirakan model
yang memungkinkan beberapa proses bekerja secara bersamaan.
147
Terkait dengan batasan pertama ini, seringkali mungkin untuk

mengusulkan, jika tidak juga secara teoritis mungkin, bahwa pengaruh
kausal tertentu dalam model mediasi sederhana itu sendiri dimediasi.
Misalnya, efek langsung dalam model mediasi sederhana
memperkirakan efek X pada Y terlepas dari M. Tetapi mungkin ada
mekanisme yang dapat diidentifikasi yang bertanggung jawab atas
transmisi efek ini. Dengan kata lain, efek langsung dapat diartikan
sebagai perkiraan pengaruh satu atau lebih mekanisme yang
menghubungkan X ke Y selain mediator yang sudah termasuk dalam
model. Demikian pula, dalam model mediasi sederhana, jalur a
memperkirakan efek total X pada M dan jalur b memperkirakan efek
total M pada Y yang mengendalikan X. Masing-masing efek total ini,
pada prinsipnya, dapat dipartisi menjadi langsung dan komponen tidak
langsung melalui satu atau lebih mediator,
Ketiga, mediator yang diusulkan dapat dikaitkan dengan hasil bukan
karena menyebabkan hasil tetapi karena berkorelasi dengan variabel lain
yang secara kausal mempengaruhi hasil. Ini adalah penjelasan alternatif
nonkausal untuk asosiasi yang saya rujuk dalam Bab 2 sebagai
epifenomenalitas. Misalnya, ingat analisis mediasi sederhana dari studi
stres ekonomi yang disajikan dalam Bab 3. Model ini mengusulkan
bahwa stres ekonomi mempengaruhi niat penarikan melalui pengaruh
depresi terkait bisnis, dengan pengaruh depresi meningkat melalui
pengalaman stres ekonomi, yang pada gilirannya meningkatkan
keinginan untuk menarik diri dari kewirausahaan. Tetapi anggaplah
bahwa sebenarnya bukan dampak terkait bisnis yang tertekan yang
menjadi mediator tetapi konflik peran. Mungkin tekanan ekonomi
membuat pengusaha harus menghabiskan lebih banyak waktu di tempat
kerja, jauh dari keluarga dan teman-teman, untuk menjaga bisnis mereka
tetap bertahan. Konflik antar peran ini (misalnya, peran sebagai
pemimpin bisnis, penyedia untuk keluarga, pasangan, atau ayah atau
ibu) dapat meningkatkan keinginan untuk mengubah pekerjaan sebagai
sarana untuk membawa tuntutan peran yang bersaing ke dalam
keseimbangan yang lebih baik. Jika pengaruh depresi terkait bisnis
berkorelasi dengan perasaan konflik peran, maka kegagalan untuk
memasukkan konflik peran dalam model sebagai mediator dapat
mengakibatkan klaim yang keliru bahwa efek depresi adalah mediator
yang mentransmisikan efek stres pada niat menarik diri. atau ayah atau
More Than One 14
yang mentransmisikan efek stres pada niat menarik diri. atau ayah atau
yang mentransmisikan efek stres pada niat menarik diri.
Akhirnya, masuknya beberapa mediator antara anteseden dan
konsekuen memungkinkan seseorang untuk mengadu teori mekanisme
yang bersaing satu sama lain. Misalnya, teori A mungkin mendalilkan
bahwa efek X pada Y ditransmisikan terutama melalui mediator A,
sedangkan teori B menetapkan bahwa mediator B yang berbeda adalah
saluran yang melaluinya X mempengaruhi Y. Dimasukkannya mediator
A dan B dalam model terintegrasi memungkinkan untuk perbandingan
formal ukuran efek tidak langsung X melaluinya, memberi Anda sarana
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.
5.1 Model Beberapa Mediator Paralel

Dalam model mediator ganda paralel, variabel anteseden X dimodelkan
sebagai mempengaruhi konsekuen Y secara langsung maupun tidak
langsung melalui dua atau lebih mediator, dengan syarat tidak ada
mediator yang secara kausal mempengaruhi yang lain. Misalnya,
Teixeira dkk. (2010) secara bersamaan memeriksa tiga mediator potensial
dari efektivitas 30-sesi, intervensi penurunan berat badan eksperimental
1 tahun di antara wanita paruh baya. Mediator ini termasuk makan
emosional (misalnya, makan untuk menenangkan suasana hati yang
negatif), makan terkendali (misalnya, tidak makan setelah merasa
kenyang), dan hambatan yang dirasakan untuk berolahraga. Gambar 5.1
menggambarkan model ini dalam bentuk konseptual. Mereka
menemukan bahwa dibandingkan dengan wanita yang secara acak
ditugaskan untuk program penurunan berat badan kontrol, mereka yang
mengalami metode eksperimental memang kehilangan lebih banyak
berat badan selama setahun. Analisis mediasi menyarankan bahwa
intervensi mengurangi frekuensi makan emosional dan meningkatkan
pengendalian diri saat makan, yang pada gilirannya menghasilkan
penurunan berat badan yang lebih besar. Tetapi terlepas dari kedua
mekanisme ini, tidak ada bukti bahwa intervensi mempengaruhi
penurunan berat badan dengan mengubah hambatan yang dirasakan
untuk berolahraga.
Diagram statistik model beberapa mediator paralel dengan k
mediator digambarkan pada Gambar 5.2. Ada bentuk lain yang dapat
diambil oleh model mediator ganda. Sebuah fitur yang menentukan dari
model beberapa mediator paralel yang membedakannya dari model
beberapa mediator alternatif, model beberapa mediator serial yang
dijelaskan di bagian 5.4, adalah kendala bahwa tidak ada mediator yang
dimodelkan sebagai mempengaruhi mediator lain dalam model. Batasan
ini terlihat pada Gambar 5.2 dengan tidak adanya panah searah yang
More Than One 15
menghubungkan mediator apa pun dengan mediator lainnya. Ini tidak
berarti bahwa para mediator dianggap independen. Faktanya, dalam
kebanyakan situasi, para mediator cenderung berkorelasi. Bahkan jika
mereka tidak, mungkin masih ada beberapa keuntungan untuk
memperkirakan model beberapa mediator paralel dengan k mediator
daripada k model mediasi sederhana. Melakukannya dapat
menghasilkan peningkatan daya untuk pengujian efek tidak langsung
jika
Restrained
Eating
M1
Makan Emosional
M2
X kamu
Intervensi BobotKehila
(vs Kontrol) ngan
M3
Hambata
n yang
Dirasakan
untuk
Berolahra
ga
GAMBAR 5.1.Diagram konseptual model beberapa mediator paralel.
mediator sangat berkorelasi dengan Y tetapi berkorelasi lemah satu sama

lain, dan melakukan hal itu memberikan kemampuan untuk
membandingkan ukuran efek tidak langsung melalui mediator yang
berbeda.
Pada prinsipnya, jumlah mediator yang dapat diikutsertakan dalam
multipararelmodel mediator tiple hanya dibatasi oleh jumlah kasus
dalam file data seseorang dan jumlah variabel yang memiliki pandangan
ke depan untuk diukur sebagai mediator yang mungkin. Dalam
praktiknya, model dengan dua mediator paling sering diperkirakan
(misalnya, Gurmen & Rohner, 2014; Grund & Fries, 2014; Kurti &
Dallery, 2014; Pitts & Safer, 2016; Spinhoven, Penninx, Krempeniou, van
Hemert, & Elzinga, 2015; Scogin, Morthland, DiNapoli, LaRocca, &
Chaplin, 2015). Tetapi beberapa model mediator paralel dapat
ditemukan dengan tiga (misalnya, Jones, Willness, & Madey, 2014; Kley,
Tuschen-Caffier, & Heinrichs, 2012; Merino, Senra, & Ferreiro, 2016;
Vraga, Johnson, Carr, Bode, & Bard, 2014), empat (misalnya, Alvarez &
Juang, 2010; Goldman, Goodboy, & Weber, 2016; Kirby, Jones, & Copello,
2014; Lecheler, de Vreese, & Slouthuus, 2011; Reese, & Alat Cukur, 2014;
Weiss, 2015), dan bahkan sebanyak tujuh mediator dalam satu model
secara bersamaan (misalnya, Anagnostopoulos, Slater, & Fitzsimmons,
2010; Hsu et al., 2012; Lecheler, Bos, & Vliegenthart, 2015). Reese, & Alat
Cukur, 2014; Weiss, 2015), dan bahkan sebanyak tujuh mediator dalam
More Than One 15
satu model secara bersamaan (misalnya, Anagnostopoulos, Slater, &
Fitzsimmons, 2010; Hsu et al., 2012; Lecheler, Bos, & Vliegenthart, 2015).
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
mi = iMsaya+ aiX + eMsayauntuk semua i = 1 sampaik (5.1)

k
∑
kamu = iY + c'X+ biMi+
eY (5.2)
saya=1
Dalam rangkaian persamaan ini, ai memperkirakan efek X pada Mi, bi

memperkirakan efek Mi pada Y yang mengendalikan
− X dan variabel k 1
M lainnya, dan c′ memperkirakan efek X pada Y dengan memegang
semua variabel k M konstan .
More Than One 15
Pertimbangkan beberapa mediator paralel dengan tiga mediator,

seperti contoh penurunan berat badan yang diperkenalkan sebelumnya.
Dengan k = 3 mediator, dibutuhkan empat persamaan:
M1 =aku1+sebuah1X+eM1 (5.3)
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
Efek Langsung dan Tidak Langsung dalam Model Beberapa Mediator

Paralel
Dalam beberapa mediator paralel seperti pada Gambar 5.2, X
dimodelkan untuk mengerahkan efeknya pada Y melalui jalur k + 1. Satu
jalur langsung, dari X ke Y tanpa melewati salah satu mediator yang
diusulkan, dan jalur k lainnya tidak langsung, masing-masing melalui
mediator tunggal. Dalam model mediator ganda, efek tidak langsung
disebut sebagai efek tidak langsung spesifik. Jadi, model dengan k
→→→
mediator memiliki k efek tidak langsung spesifik, satu melalui M1 (X M1
Y), satu melalui M2 (X M2 Y), dan seterusnya, hingga Mk (X Mk Y).
As in a simple mediation model, the indirect effect of X on Y through
a given mediator Mi is quantified as the product of paths linking X to Y
through Mi. In a parallel multiple mediator model, only two paths link X
More Than One 15
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
−
saya=1
More Than One 15
5.2 Contoh Menggunakan Studi

Pengaruh Media yang Diduga
Dalam Bab 3, saya menggambarkan analisis mediasi sederhana
menggunakan data dari penelitian yang dilakukan di Israel di mana
reaksi peserta terhadap artikel surat kabar tentang kemungkinan
kekurangan gula dinilai (Tal-Or et al., 2010). Ingat bahwa setengah dari
peserta membaca sebuah artikel yang mereka diberitahu akan
diterbitkan di halaman depan surat kabar harian terbesar Israel,
sedangkan setengah lainnya diberitahu itu akan muncul dalam
suplemen ekonomi internal. Setelah membaca artikel tersebut, keyakinan
mereka tentang bagaimana orang lain akan terpengaruh diukur (yaitu,
sejauh mana masyarakat umum akan terdorong untuk membeli gula
sebagai akibat dari artikel tersebut). Model dalam bab itu menempatkan
keyakinan ini, pengaruh media yang dianggap (PMI dalam file data),
sebagai mekanisme atau mediator yang mengintervensi antara
manipulasi eksperimental lokasi artikel (COND dalam file data: 1 untuk
kondisi halaman depan, 0 untuk kondisi halaman interior) dan niat
untuk membeli gula (REAKSI dalam file data). Artinya, orang-orang
yang mengira artikel itu akan dimuat di halaman depan akan lebih
cenderung percaya bahwa publik akan terpengaruh relatif terhadap
mereka yang diberitahu bahwa artikel itu akan muncul dalam suplemen
ekonomi, jadi mereka sendiri yang harus keluar. dan beli lebih banyak
gula sebelum semuanya habis.
Seperti yang dijelaskan di awal bab ini, membangun efek tidak
langsung dari X pada Y melalui M melalui analisis mediasi sederhana
tidak berarti bahwa M adalah satu-satunya mekanisme yang bekerja
menghubungkan X ke Y (lih., Rucker et al., 2011) . Selanjutnya, efek tidak
langsung dapat disebabkan oleh hubungan epifenomenal antara M
dalam model mediasi sederhana dan mediator "sejati" atau mediator
kausal antara X dan Y. Variabel apa pun yang berkorelasi dengan
dugaan pengaruh media dan juga dipengaruhi oleh faktor
eksperimental. - penentuan lokasi barang dapat menjadi mediator yang
sebenarnya mentransmisikan pengaruh lokasi terhadap niat membeli
gula.
Untungnya, Tal-Or et al. (2010) mengakui ini dan begitu juga pandangan
ke depanuntuk mengukur variabel yang terkait dengan mekanisme lain
yang mungkin—masalah yang dianggap penting. Mungkin orang
menyimpulkan, dari mana sebuah artikel diterbitkan di surat kabar,
sejauh mana isu tersebut adalah sesuatu yang layak untuk diperhatikan,
signifikansi lokal atau nasional, dan dengan demikian berpotensi
menjadi sesuatu yang harus dipikirkan dan mungkin ditindaklanjuti.
Jadi mereka mengukur keyakinan orang tentang betapa pentingnya
potensi kekurangan gula menggunakan dua pertanyaan yang
digabungkan untuk membentuk ukuran yang dianggap penting (IMPOR
dalam file data). Signifikan dengan poin yang dibuat sebelumnya,
pentingnya isu berkorelasi dengan pengaruh media yang diduga (r =
0,282, p <.01). Mereka yang relatif lebih mungkin untuk percaya bahwa
orang lain akan terpengaruh untuk membeli

Untitled

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Untitled

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

MELAKUKAN MEDIASI DAN MODERASI STATISTIK

PEMODELAN PERSAMAAN STRUKTUR LONGITUDINAL

STATISTIK BAYESIAN UNTUK ILMU SOSIAL

ANALISIS FAKTOR KONFIRMASI UNTUK PENELITIAN TERAPAN, EDISI KEDUA

PRINSIP DAN PRAKTEK PEMODELAN PERSAMAAN STRUKTURAL EDISI

PENGUJIAN HIPOTESIS DAN PEMILIHAN MODEL DALAM ILMU IPS

ANALISIS REGRESI DAN MODEL LINIER: KONSEP, APLIKASI, DAN

PEMODELAN PERTUMBUHAN: PERSAMAAN STRUKTURAL DAN PENDEKATAN PEMODELAN

METODE PSIKHOMETRIK: TEORI KE PRAKTEK

PENGANTAR MEDIASI, MODERASI, DAN ANALISIS PROSES KONDISI, EDISI

TEORI PENGUKURAN DAN APLIKASINYA UNTUK ILMU SOSIAL

Catatan Editor Seri oleh Todd D. Little

Seluruh hak cipta

Dicetak di Amerika Serikat Buku ini

dicetak di atas kertas bebas asam.

Digit terakhir adalah nomor cetak: 9 8 7 6 5 4 3 2 1

Library of Congress Katalogisasi-dalam-Publikasi Data

Nama: Hayes, Andrew F., penulis.

telah berkembang dan kemana tujuan kita. Presentasi Andy tentang

Baik peneliti substantif maupun ahli metodologi baru-baru ini

Baru di Edisi Ini

Anda memegang edisi kedua Pengantar Mediasi, Moderasi, dan Analisis

 Sebuah tinjauan analisis regresi kental dalam Bab 2 (disingkat dari

ucapan terima kasih

Jeffrey Pollack, Raija-Leena Punamäki, Michael Schmitt, Michael Slater,

2 • Dasar-dasar Regresi LinierAnalisis 29

BAGIAN II. ANALISIS MEDIASI

3.5 Contoh dengan X Kontinu: Tekanan Ekonomidi

4 • Langkah-Langkah Kausal, Pembaur, dan KausalMemesan 113

5 • Lebih dari Satu Mediator 147

6 • Analisis Mediasi dengan Anteseden Multikategori 187

BAGIAN III. ANALISIS MODERASI

8 • Memperluas Prinsip-Prinsip Dasar ModerasiAnalisis 267

9 • Beberapa Mitos dan Perluasan Tambahan ModerasiAnalisis 303

10 • Anteseden Fokal Multikategori danmoderator 349

BAGIAN IV. ANALISIS PROSES KONDISI

12 • Contoh Lebih Lanjut dari Proses BersyaratAnalisis 431

13 • Analisis Proses Bersyarat dengan MultikategorikalMendahului 469

B •Membangun dan Menyesuaikan Model diPROSES613

C •Interval Keyakinan Monte Carlo di SPSS dan SAS 633

Indeks Subyek 679

Penelitian yang menetapkan mekanisme atau mekanisme di mana

1.1 Seorang Ilmuwan dalam Pelatihan

Saya telah belajar banyak pelajaran tentang penelitian selama bertahun-

1.2 Pertanyaan Apakah, Jika, Bagaimana, dan Kapan

GAMBAR 1.1.Model mediasi sederhana dengan variabel mediator tunggalMterletak secara

GAMBAR 1.2.Model moderasi sederhana dengan variabel moderatorkamu

Secara statistik, analisis moderasi biasanya dilakukan dengan

1.3 Analisis Proses Bersyarat

integrasi analisis moderasi dan mediasi mungkin sebagian disebabkan

tergantung pada variabel ketiga atau set variabel. Analisis proses

2 Mediation, Moderation, and Conditional Process

Sebuah konseptualdiagram model proses bersyarat yang sesuai

juga dimoderasi atau bersyarat. Efek langsung dari tekanan ekonomi

1.4 Korelasi, Kausalitas, dan Pemodelan Statistik

betapa bebasnya orang sering mengaitkan kausalitas sebagai mekanisme

sebagai M yang dimanipulasi dalam studi kedua. Tidak adanya

bukan produk matematika di bawah proses pemodelan. Lebih

1.5 Diagram Statistik dan Konseptual,

GAMBAR 1.5.Model moderasi sederhana digambarkan sebagai diagram konseptual

Perhatikan pada Gambar 1.5 bahwa setiap panah dalam diagram

dalam estimasi biasanya akan menjadi 1, karena kesalahan dalam

1.6 Perangkat Lunak Statistik