TUGAS

LITERATUR REVIEW

Dr. SUJONO, SE.M.Si

OLEH

REZKI QORILANI

B2B123038

PROGRAM STUDI MANAJEMEN (S2)

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS HALUOLEO

KENDARI

2023.1
 DAFTAR ISI

Cover.........................................................................................................................................

Daftar Isi....................................................................................................................................

Regresi Berganda di Era Big Data...........................................................................................1

Regresi Sederhana..................................................................................................................3

Kesalahan Standar Estimasi....................................................................................................5

Penilaian Keseluruhan Model..................................................................................................6

Dampak Ukuran Daya Prediktif................................................................................................6

Variabel Favorit dengan Multikollinearita

Rendah.....................................................................................................................................6

Proses Keputusan Analisis Regresi Berganda.........................................................................7

Perbandingan Model................................................................................................................8

Ukuran Sampel........................................................................................................................11

Kekuatan Statistik dan Ukuran Sampel Ukuran......................................................................11

Generalisasi dan Ukuran Sampel...........................................................................................12

Metode Diagnosis...................................................................................................................15

Diagnostik Grafis....................................................................................................................15

Linearitas Fenomena..............................................................................................................16

Varians Konstan dari Jangka Kesalahan.................................................................................17

Normalitas Distribusi Istilah Kesalahan...................................................................................18

Independen Terhadap Istilah Kesalahan................................................................................19

Pemilihan Variabel..................................................................................................................21

Spesifikasi Konfirmator dan Stimulan Pendekatan.................................................................22

Pendekatan Kombinatorial......................................................................................................24

Ukuran Korelasi yang Memasukkan Multikorinealitas.............................................................26

Mengidentifikasi Multikorinealitas............................................................................................30

Dekomposisi Multikorinealitas..................................................................................................31

Korelasi Biraviat......................................................................................................................32

Toleransi atau VIF..................................................................................................................33

Koefisien Struktur...................................................................................................................34

Analisis Dominasi....................................................................................................................34

Sampel Tambahan atau Terpisah...........................................................................................35

Permalan dengan Model.........................................................................................................36

Model Multilevel......................................................................................................................37

Model Panel............................................................................................................................39

Jenis Variabel..........................................................................................................................41

Jenis Model.............................................................................................................................42

Kesalahan Baku Koefisien......................................................................................................43

Ikhtisar Proses Bertahap.........................................................................................................44

Analisis Prot Regresi Linear....................................................................................................45

ii
Interprestasi Koefisien Regresi Tugas Pertama......................................................................46

Menilai Kepentingan Variabel..................................................................................................47

Mengukur Derajat dan Dampak Multikolinearitas....................................................................47

Ukuran Pentingnya Variabel....................................................................................................48

Korelasi Biraviat......................................................................................................................49

Koefisien Struktur....................................................................................................................50

Analisis Keumumaran..............................................................................................................51

Analisis Dominasi.....................................................................................................................51

Daftar Pustaka.........................................................................................................................v

iii
iv
 1. Ringkasan Bahan Kajian

Analisis regresi berganda merupakan suatu teknik statistik yang dapat digunakan

untuk menganalisis hubungan antara satu variabel terikat (kriteria) dan beberapa variabel

bebas (prediktor). Tujuan analisis regresi berganda adalah menggunakan variabel

independen yang nilainya diketahui untuk memprediksi nilai dependen tunggal yang dipilih

peneliti. Setiap variabel independen diberi bobot dengan prosedur analisis regresi untuk

memastikan prediksi maksimal dari kumpulan variabel independen. Bobot menunjukkan

kontribusi relatif dari variabel independen terhadap keseluruhan prediksi dan memfasilitasi

interpretasi mengenai pengaruh masing-masing variabel dalam membuat prediksi,

meskipun korelasi antar variabel independen mempersulit proses interpretasi. Dengan

demikian, sama-sama dapat mencapai tujuan prediksi atau penjelasan. Himpunan variabel

independen tertimbang membentuk variat regresi, yaitu kombinasi linier dari variabel

independen yang paling baik dalam memprediksi variabel dependen.

Sebagaimana disebutkan dalam Bab 1, analisis regresi berganda adalah teknik

ketergantungan. Oleh karena itu, untuk menggunakannya, seseorang harus bisa membagi

variabel menjadi variabel terikat dan variabel bebas. Analisis regresi juga merupakan alat

statistik yang sebaiknya digunakan hanya jika variabel terikat dan bebasnya berbentuk

metrik. Namun, dalam keadaan tertentu dimungkinkan untuk memasukkan data nonmetrik

baik sebagai variabel independen (dengan mentransformasikan data ordinal atau nominal

dengan pengkodean variabel dummy) atau variabel dependen (dengan menggunakan

ukuran biner dalam teknik khusus regresi logistik).

 Regresi Berganda di Era Big Data

Regresi berganda tidak diragukan lagi telah menjadi teknik analisis yang dominan

bagi para peneliti di era penjelasan ilmiah dan ketergantungan pada metode kuantitatif.

Namun ada satu pertanyaan yang dihadapi semua peneliti. Namun regresi berganda adalah

contoh utama dari jenis model yang berlawanan, yaitu model statistik/data, yang

1
berorientasi pada konfirmasi model yang diusulkan dengan penekanan pada penjelasan.

Dan penekanan pada penjelasan ini membuat regresi berganda sangat cocok untuk

beberapa bidang analisis utama. Yang pertama adalah peramalan, dimana pemahaman

tentang “penyebab” dasar suatu proses diperlukan sebelum membuat proyeksi ke masa

depan.

Regresi berganda dan varian pemodelan deret waktu dan pemodelan persamaan

struktural memberikan kerangka kerja untuk pemahaman mendalam tentang proses yang

sedang diselidiki. Hal ini penting untuk melakukan peramalan dimana model diharapkan

dapat melakukan ekstrapolasi ke kondisi masa depan yang mungkin belum pernah terjadi di

masa lalu. Bidang analitik kedua yang sangat cocok untuk regresi berganda adalah bidang

akademik dan manajerial. Dalam penelitian akademis, penciptaan pengetahuan adalah

tujuan mendasar dan dengan demikian model statistik/data akan selalu diutamakan. Dan

dalam bidang manajerial, organisasi perlu memahami bagaimana “mengelola” prosesnya.

Sangat sulit untuk memberi insentif kepada manajer dalam meningkatkan kepuasan

pelanggan atau meningkatkan kinerja perusahaan jika tidak ada model obyektif yang

memberikan wawasan tentang bagaimana hal ini dilakukan. Hal ini juga merupakan peran

regresi berganda, untuk memberikan cara obyektif dalam mengukur dampak faktor-faktor

potensial terhadap hasil terte Era Big Data menghadirkan regresi berganda dengan banyak

tantangan, mulai dari banyaknya jenis variabel, banyaknya variabel (bahkan ketika jumlah

variabel melebihi ukuran sampel) hingga jumlah observasi yang dipertimbangkan [120].

Namun bahkan dengan tantangan-tantangan ini, regresi berganda masih memberikan dasar

model statistik/data yang cocok untuk berbagai masalah penelitian yang berfokus pada

prediksi dan penjelasan. Hal ini bukan berarti mengabaikan peran kumpulan teknik

penambangan data/algoritmik yang sedang berkembang, namun regresi berganda masih

memiliki peran utama dalam analisis saat ini dan di masa depan.

2
Contoh Regresi Sederhana dan Berganda

 Prediksi Menggunakan Variabel Independen Tunggal: REGRESI SEDERHANA

Titik awal dalam setiap analisis regresi adalah mengidentifikasi satu

variabel independen yang menghasilkan prediksi terbaik dari ukuran dependen.

Berdasarkan konsep meminimalkan jumlah kesalahan kuadrat dalam prediksi,

kita dapat memilih variabel independen “terbaik” berdasarkan koefisien

korelasinya, karena semakin tinggi koefisien korelasinya, semakin kuat

hubungannya dan semakin besar akurasi prediksinya. Dalam persamaan

regresi, kami merepresentasikan titik potong sebagai b0 . Besarnya perubahan

variabel terikat akibat variabel bebas dilambangkan dengan istilah b1 , disebut

juga koefisien regresi. Dengan menggunakan prosedur matematika yang dikenal

sebagai kuadrat terkecil, kita dapat memperkirakan nilai b0 dan b1 sedemikian

rupa sehingga jumlah kesalahan kuadrat prediksi 1SSE 2 diminimalkan.

Kesalahan prediksi, selisih antara nilai aktual dan nilai prediksi variabel terikat

disebut residu (e atau P).

Menafsirkan Model Regresi Sederhana Dengan estimasi koefisien intersep

dan regresi menggunakan prosedur kuadrat terkecil, perhatian kini beralih ke

interpretasi kedua nilai berikut:

Koefisien Regresi Estimasi perubahan variabel terikat sebesar satuan perubahan

variabel bebas.

Jika koefisien regresi ternyata signifikan secara statistik (yaitu koefisien

berbeda secara signifikan dari nol), nilai koefisien regresi menunjukkan sejauh mana

variabel bebas berhubungan dengan variabel terikat.

3
 intercept Interpretasi dari intersep agak berbeda. Intersep hanya memiliki nilai

penjelas dalam rentang nilai variabel independen. Selain itu interpretasinya

didasarkan pada karakteristik variabel independen:

 Secara sederhana, intersep memiliki nilai interpretasi hanya jika nol adalah

nilai yang valid secara konseptual untuk independen variabel penyok (yaitu,

variabel independen dapat mempunyai nilai nol dan tetap mempertahankan

relevansi praktisnya). Misalnya, asumsikan bahwa variabel independen

adalah dana periklanan. Jika realistis bahwa, dalam beberapa situasi, tidak

ada iklan yang dilakukan, maka intersep akan mewakili nilai variabel terikat

ketika iklan bernilai nol.

 Jika nilai independen mewakili ukuran yang tidak pernah mempunyai nilai

sebenarnya nol (misalnya, sikap atau persepsi tions), bantuan intersepsi

dalam meningkatkan proses prediksi, tetapi tidak memiliki nilai penjelasan.

Untuk beberapa situasi khusus dimana hubungan spesifik diketahui

melewati titik asal, suku intersep dapat dihilangkan (disebut regresi melalui titik asal).

Dalam kasus ini, interpretasi residu dan koefisien regresi sedikit berubah.

KESALAHAN STANDAR ESTIMASI

Ukuran akurasi prediksi lainnya adalah variasi yang diharapkan dalam nilai prediksi,

yang disebut kesalahan standar estimasi (SEE ). Didefinisikan secara sederhana sebagai

deviasi standar dari nilai prediksi, hal ini memungkinkan peneliti untuk memahami interval

kepercayaan yang dapat diharapkan untuk setiap prediksi dari model regresi. Jelas, interval

kepercayaan yang lebih kecil menunjukkan akurasi prediksi yang lebih besar. Hal ini

menjadi sangat penting sebagai “pemeriksaan” kesesuaian model. Penelitian terbaru

mensurvei peneliti dengan hasil dari berbagai tingkat kesesuaian model dan seringkali

hasilnya dianggap lebih dapat diprediksi daripada yang dapat dibenarkan oleh model [110].

4
Pemeriksaan SEE memberikan ukuran tambahan yang meningkatkan penilaian model. Oleh

karena itu, ukuran relevansi praktis ini penting dalam evaluasi model secara keseluruhan.

PENILAIAN KESELURUHAN MODEL

Kedua ukuran keakuratan prediksi ini sekarang dapat digunakan untuk menilai tidak

hanya model regresi sederhana ini, namun juga perbaikan yang dilakukan ketika lebih

banyak variabel independen ditambahkan dalam model regresi berganda.

PREDIKSI MENGGUNAKAN BEBERAPA VARIABEL INDEPENDEN: REGRESI

BERGANDA

Dampak Multikolinearita; Kemampuan suatu variabel independen tambahan untuk

meningkatkan prediksi variabel dependen tidak hanya terkait dengan korelasinya terhadap

variabel dependen, tetapi juga dengan korelasi variabel independen tambahan terhadap

variabel independen. ) sudah ada dalam persamaan regresi. Kolinearitas adalah hubungan,

diukur sebagai korelasi, antara dua variabel independen. Multikolinearitas mengacu pada

korelasi antara tiga atau lebih variabel independen (terbukti ketika salah satu variabel

diregresi terhadap variabel lainnya).

Meskipun ada perbedaan yang jelas antara kedua konsep ini dalam istilah statistik,

penggunaan istilah-istilah tersebut secara bergantian merupakan praktik yang umum.

Seperti yang diharapkan, korelasi antar variabel independen dapat mempunyai dampak

yang besar terhadap regresi model dalam beberapa aspek berbeda:

DAMPAK UKURAN DAYA PREDIKTIF

Dampak multikolinearitas adalah mengurangi daya prediksi unik suatu variabel

independen sebesar sejauh mana variabel tersebut dikaitkan dengan variabel independen

lainnya. Ketika kolinearitas meningkat, varian unik yang dijelaskan oleh masing-masing

variabel independen menurun dan persentase usia prediksi bersama meningkat. Karena

prediksi bersama ini hanya dapat dihitung satu kali, maka hal ini mempunyai dua efek yang

5
nyata: (a) efek prediksi yang disebabkan oleh salah satu variabel independen hanya

didasarkan pada kekuatan prediksi uniknya, sehingga multikolinearitas berdampak pada

penurunan koefisien regresi variabel yang terkena dampak, dan (b) keakuratan prediksi

masih ditingkatkan melalui peningkatan varians bersama, namun variabel-variabel yang

sangat berlebihan hanya akan menambah varians bersama secara bertahap melebihi apa

yang akan ditambahkan oleh satu variabel secara individual. Dengan demikian, prediksi

keseluruhan meningkat jauh lebih lambat seiring dengan ditambahkannya variabel

independen dengan multikolinearitas tinggi.

VARIABEL FAVORIT DENGAN MULTIKOLLINEARITAS RENDAH

Untuk memaksimalkan prediksi dari sejumlah variabel independen tertentu, peneliti

harus mencari variabel independen yang memiliki multikolinearitas rendah dengan variabel

independen lainnya tetapi juga memiliki korelasi yang tinggi dengan variabel dependen.

Persamaan Regresi Berganda

Seperti disebutkan sebelumnya, regresi berganda adalah penggunaan dua atau lebih

variabel independen dalam memprediksi variabel dependen. Tugas peneliti adalah

memperluas model regresi sederhana dengan menambahkan variabel independen yang

memiliki daya prediksi tambahan terbesar. Meskipun kita dapat menentukan hubungan

variabel independen dengan variabel dependen melalui koefisien korelasi, besarnya daya

prediksi tambahan untuk variabel tambahan berkali- kali lipat ditentukan oleh

multikolinearitasnya dengan variabel lain yang sudah ada dalam persamaan regresi. Kita

dapat melihat contoh kartu kredit untuk mendemonstrasikan konsep ini.

Menambahkan Variabel Independen Ketiga

Kita telah melihat peningkatan akurasi prediksi yang diperoleh dari peralihan dari

persamaan regresi sederhana ke persamaan regresi berganda, namun kita juga harus

mencatat bahwa pada titik tertentu penambahan variabel independen akan menjadi kurang

6
menguntungkan dan bahkan dalam beberapa kasus kontraproduktif. Penambahan lebih

banyak variabel independen didasarkan pada trade-off antara peningkatan daya prediksi

versus model regresi yang terlalu kompleks dan bahkan berpotensi menyesatkan. Survei

penggunaan kartu kredit memberikan satu lagi kemungkinan tambahan pada persamaan

regresi berganda, yaitu jumlah mobil yang dimiliki 1V3 2. Jika sekarang kita menentukan

persamaan regresi untuk memasukkan ketiga variabel independen Dengan demikian, kita

dapat melihat beberapa perbaikan dalam persamaan regresi, namun tidak sebesar yang

terlihat sebelum2nya. R nilainya meningkat menjadi 0,87, hanya meningkat 0,01

dibandingkan model regresi berganda sebelumnya.

 Proses Keputusan untuk Analisis Regresi Berganda

Tahap 1: tujuan Regresi Berganda

Analisis regresi berganda, suatu bentuk model linier umum, adalah teknik statistik

multivariat yang digunakan untuk menguji hubungan antara satu variabel terikat dan

sekumpulan variabel bebas. Titik awal yang diperlukan dalam regresi berganda, seperti

halnya semua teknik statistik multivariat, adalah masalah penelitian. Fleksibilitas dan

kemampuan beradaptasi dari regresi berganda memungkinkan penggunaannya dengan

hampir semua hubungan ketergantungan.

Dalam memilih penerapan regresi berganda yang sesuai, peneliti harus mempertimbangkan

tiga isu utama:

 Kesesuaian masalah penelitian

 Spesifikasi hubungan statistik

 Pemilihan variabel terikat dan bebas

MASALAH PENELITIAN YANG COCOK UNTUK REGRESI BERGANDA

Regresi berganda sejauh ini merupakan teknik multivariat yang paling banyak

digunakan dari teknik yang dibahas dalam teks ini. Dengan penerapannya yang luas,

7
regresi berganda telah digunakan untuk berbagai tujuan. Penerapan regresi berganda yang

semakin meluas terbagi dalam dua kelompok besar masalah penelitian: prediksi dan

penjelasan. Prediksi menyangkut sejauh mana variate regresi (satu atau lebih variabel

independen) dapat memprediksi variabel dependen. Penjelasan mengkaji koefisien regresi

(besarnya, tanda, dan signifikansi statistiknya) untuk setiap variabel independen dan

berupaya mengembangkan alasan substantif atau teoretis atas pengaruh variabel

independen. Masalah-masalah penelitian ini tidak berdiri sendiri-sendiri, dan penerapan

analisis regresi berganda dapat mengatasi salah satu atau kedua jenis masalah penelitian

tersebut.

Prediksi dengan Regresi Berganda

Salah satu tujuan mendasar dari regresi berganda adalah untuk memprediksi variabel

terikat dengan sekumpulan variabel bebas. Dengan demikian, regresi berganda memenuhi

salah satu dari dua tujuan:

MAKSIMALKAN KEAKURATAN PREDIKTI

Tujuan pertama adalah memaksimalkan daya prediksi keseluruhan variabel

independen sebagaimana direpresentasikan dalam variat. Seperti yang ditunjukkan dalam

contoh sebelumnya dalam memprediksi penggunaan kartu kredit, variat dibentuk dengan

memperkirakan koefisien regresi untuk setiap variabel independen sehingga menjadi

prediktor optimal dari ukuran dependen. Keakuratan prediksi selalu penting untuk

memastikan validit Ukuran akurasi prediksi dikembangkan dan uji statistik digunakan untuk

menilai signifikansi kekuatan prediksi.

Dalam aplikasi tertentu yang hanya berfokus pada prediksi, peneliti terutama tertarik untuk

mencapai prediksi maksimal, dan menafsirkan koefisien regresi relatif tidak penting.

Sebaliknya, peneliti menggunakan banyak pilihan baik dalam bentuk maupun spesifikasi

variabel independen yang dapat memodifikasi variat untuk meningkatkan kekuatan

prediksinya, seringkali memaksimalkan prediksi dengan mengorbankan interpretasi.

8
PERBANDINGAN MODEL

Regresi berganda juga dapat mencapai tujuan kedua yaitu membandingkan dua atau

lebih kumpulan variabel independen untuk memastikan kekuatan prediksi setiap varian.

Sebagai ilustrasi pendekatan konfirmatori terhadap pemodelan, penggunaan regresi

berganda ini berkaitan dengan perbandingan hasil dari dua atau lebih model alternatif atau

model yang bersaing. Fokus utama dari jenis analisis ini adalah kekuatan prediksi relatif

antar model, meskipun dalam situasi apa pun prediksi model yang dipilih harus

menunjukkan signifikansi statistik dan praktis.

PENTINGNYA RELATIF VARIABEL INDEPENDEN

Interpretasi paling langsung dari variat regresi adalah penentuan kepentingan relatif

setiap variabel independen dalam prediksi ukuran dependen. Dalam semua penerapan,

pemilihan variabel independen harus didasarkan pada hubungan teoretisnya dengan

variabel dependen. Analisis regresi kemudian memberikan cara untuk menilai secara

objektif besaran dan arah (positif atau negatif) hubungan masing-masing variabel

independen. Karakter regresi berganda yang membedakannya dengan regresi univariat

adalah penilaian hubungan secara simultan antara masing-masing variabel independen dan

ukuran dependen. Dalam melakukan penilaian simultan ini, kepentingan relatif dari masing-

masing variabel independen ditentukan.

Sifat Hubungan Dengan Variabel Dependen Selain menilai pentingnya setiap

variabel, regresi berganda juga memberi peneliti sarana untuk menilai sifat hubungan antara

variabel independen dan variabel dependen. Hubungan yang diasumsikan merupakan

hubungan linier berdasarkan korelasi antara variabel independen dan ukuran dependen.

9
MENENTUKAN HUBUNGAN STATISTIK

Regresi berganda cocok jika peneliti tertarik pada hubungan statistik, bukan

hubungan fungsional. Misalnya, mari kita periksa hubungan berikut:

Total biaya 5 Biaya variabel 1 Biaya tetap

Jika biaya variabel adalah $2 per unit, biaya tetap adalah $500, dan kita

memproduksi 100 unit, kita asumsikan bahwa biaya total akan tepat $700 dan setiap

penyimpangan dari $700 disebabkan oleh ketidakmampuan kita mengukur biaya karena

hubungan antar biaya. telah diperbaiki. Disebut hubungan fungsional karena kita

mengharapkan tidak ada kesalahan dalam prediksi kita. Oleh karena itu, kita selalu

mengetahui dampak dari setiap variabel dalam menghitung ukuran hasil.

Namun dalam contoh sebelumnya yang berhubungan dengan data sampel yang

mewakili perilaku manusia, kami berasumsi bahwa deskripsi kami tentang penggunaan

kartu kredit hanyalah perkiraan dan bukan prediksi sempurna. Ini didefinisikan sebagai

hubungan statistik karena beberapa komponen acak selalu ada dalam hubungan yang

diperiksa. Hubungan statistik dicirikan oleh dua elemen:

1. Ketika beberapa observasi dikumpulkan, lebih dari satu nilai dari nilai dependen

biasanya akan diamati untuk setiap nilai variabel independen.

2. Berdasarkan penggunaan sampel acak, kesalahan dalam memprediksi variabel

terikat juga diasumsikan acak, dan untuk variabel independen tertentu kita hanya

dapat berharap untuk memperkirakan nilai rata-rata dari variabel dependen yang

terkait dengannya.

Misalnya, dalam contoh regresi sederhana, kami menemukan dua keluarga dengan

dua anggota, dua keluarga dengan empat anggota, dan seterusnya, yang memiliki nomor

kartu kredit berbeda. Dua keluarga dengan empat anggota rata-rata memiliki 6,5 kartu

kredit, dan prediksi kami adalah 6,75. Prediksi kami memang tidak seakurat yang kami

10
inginkan, namun lebih baik dibandingkan hanya menggunakan rata-rata 7 kartu kredit.

Kesalahan tersebut diasumsikan sebagai akibat dari perilaku acak di antara pemegang

kartu kredit. Singkatnya, hubungan fungsional menghitung nilai eksak, sedangkan

hubungan statistik memperkirakan nilai rata-rata.

PEMILIHAN VARIABEL INDEPENDEN DAN INDEPENDEN

Keberhasilan akhir dari setiap teknik multivariat, termasuk regresi berganda, dimulai

dengan pemilihan variabel yang akan digunakan dalam analisis. Karena regresi berganda

merupakan teknik ketergantungan, maka peneliti harus menentukan variabel mana yang

merupakan variabel terikat dan variabel mana yang merupakan variabel bebas. Meskipun

sering kali pilihan-pilihan tersebut tampak jelas, peneliti harus selalu mempertimbangkan

tiga masalah yang dapat mempengaruhi keputusan apa pun: teori yang kuat, kesalahan

pengukuran, dan kesalahan spesifikasi.

Tahap 2: Desain Penelitian Analisis Regresi Berganda

Kemampuan beradaptasi dan fleksibilitas adalah dua alasan utama meluasnya

penggunaan regresi berganda di berbagai macam aplikasi. Seperti yang akan dilihat di

bagian berikut, regresi berganda dapat mewakili berbagai hubungan ketergantungan. Dalam

melakukannya, peneliti menggabungkan tiga fitur:

 Ukuran sampel. Regresi berganda mempertahankan tingkat kekuatan statistik yang

diperlukan dan signifikansi praktis/statistik di berbagai ukuran sampel.

 Elemen unik dari hubungan ketergantungan. Meskipun variabel independen

diasumsikan bersifat metrik dan memiliki hubungan linier dengan variabel dependen,

kedua asumsi tersebut dapat dilonggarkan dengan membuat variabel tambahan

untuk mewakili aspek khusus dari hubungan tersebut.

 Sifat hubungan variabel independen. Penggunaan moderasi dan mediasi

memberikan peneliti dengan efek tambahan di luar hubungan langsung antara

variabel independen dan dependen.

11
 Masing-masing fitur ini memainkan peran kunci dalam penerapan regresi berganda

pada berbagai jenis pertanyaan penelitian sambil mempertahankan tingkat signifikansi

statistik dan praktis yang diperlukan.

Ukuran sampel

Ukuran sampel yang digunakan dalam regresi berganda mungkin merupakan satu-

satunya elemen paling berpengaruh yang berada di bawah kendali peneliti dalam

merancang analisis. Pengaruh ukuran sampel terlihat paling langsung pada kekuatan

statistik pengujian signifikansi dan kemampuan generalisasi hasil. Kedua masalah tersebut

dibahas di bagian berikut.

Kekuatan Statistik dan Ukuran Sampel Ukuran

Sampel memiliki dampak langsung pada kesesuaian dan kekuatan statistik regresi

berganda. Sampel kecil, biasanya dicirikan memiliki kurang dari 30 observasi, hanya cocok

untuk dianalisis dengan menggunakan metode regresi berganda. regresi sederhana dengan

satu variabel independen. Bahkan dalam situasi seperti ini, hanya hubungan kuat yang

dapat dideteksi dengan tingkat kepastian apa pun. Demikian pula, sampel besar yang terdiri

dari

1.000 observasi atau lebih membuat uji signifikansi statistik menjadi terlalu sensitif, sering

kali menunjukkan bahwa hampir semua hubungan signifikan secara statistik. Dengan

sampel yang begitu besar, peneliti harus memastikan bahwa kriteria signifikansi praktis dan

signifikansi statistik terpenuhi.

Generalisasi dan Ukuran Sampel

Selain berperan dalam menentukan kekuatan statistik, ukuran sampel juga

mempengaruhi generalisasi hasil melalui rasio observasi terhadap variabel independen.

Aturan umumnya adalah rasio tidak boleh turun di bawah 5:1, artinya lima observasi

dilakukan untuk setiap variabel independen dalam variate. Meskipun rasio minimumnya

12
adalah 5:1, tingkat yang diinginkan adalah antara 15 hingga 20 observasi untuk setiap

variabel independen. Ketika tingkat ini tercapai, hasilnya harus dapat digeneralisasikan jika

sampelnya representatif. Namun, jika prosedur bertahap digunakan, tingkat yang

direkomendasikan meningkat menjadi 50:1 karena teknik ini hanya memilih hubungan

terkuat dalam kumpulan data dan memiliki kecenderungan lebih besar untuk menjadi

sampel spesifik [125]. Jika sampel yang tersedia tidak memenuhi kriteria ini, peneliti harus

yakin untuk memvalidasi generalisasi hasil.

Menentukan Derajat Kebebasan

Karena rasio ini turun di bawah 5:1, peneliti menghadapi risiko penyesuaian variasi

yang berlebihan terhadap sampel, sehingga hasilnya terlalu spesifik untuk sampel sehingga

kurang dapat digeneralisasikan. Dalam memahami konsep overfitting, kita perlu membahas

konsep statistik derajat kebebasan. Dalam prosedur estimasi statistik apa pun, peneliti

membuat estimasi parameter dari data sampel. Dalam kasus regresi, parameternya adalah

koefisien regresi untuk setiap variabel independen dan suku konstanta. Seperti yang telah

dijelaskan sebelumnya, koefisien regresi merupakan bobot yang digunakan dalam

menghitung variat regresi dan menunjukkan kontribusi masing-masing variabel independen

terhadap nilai prediksi. Lalu, apa hubungan antara jumlah observasi dan variabelnya? Mari

kita lihat tampilan sederhana dalam memperkirakan parameter untuk mendapatkan

gambaran mengenai masalah ini.

MENCIPTAKAN VARIABEL TAMBAHAN

Hubungan dasar yang direpresentasikan dalam regresi berganda adalah hubungan

linier antara variabel terikat metrik dan variabel bebas berdasarkan korelasi product-

moment. Salah satu masalah yang sering dihadapi peneliti adalah keinginan untuk

memasukkan data nonmetrik, seperti gender atau pekerjaan, ke dalam persamaan regresi.

Namun, seperti yang telah kita bahas, regresi terbatas pada data metrik. Selain itu,

ketidakmampuan regresi untuk secara langsung memodelkan hubungan nonlinier dapat

13
menghambat peneliti ketika dihadapkan pada situasi di mana hubungan nonlinier (misalnya,

berbentuk h) disarankan oleh teori atau terdeteksi ketika memeriksa data.

Transformasi Data Dalam situasi ini, variabel baru harus dibuat melalui transformasi, karena

regresi berganda sepenuhnya bergantung pada pembuatan variabel baru dalam model

untuk memasukkan variabel nonmetrik atau mewakili efek apa pun selain hubungan linier.

1. Meningkatkan atau mengubah hubungan antara variabel independen dan dependen

2. Aktifkan penggunaan variabel nonmetrik dalam variasi regresi.

Memasukkan Data Nonmetrik dengan Variabel Dummy

Salah satu situasi umum yang dihadapi peneliti adalah keinginan untuk

memanfaatkan variabel independen nonmetrik. Namun, sampai saat ini, semua ilustrasi

kami mengasumsikan pengukuran metrik untuk variabel independen dan dependen. Ketika

variabel dependen diukur sebagai variabel dikotomi (0, 1), maka analisis diskriminan atau

bentuk regresi khusus (regresi logistik), pengganti variabel independen. Setiap variabel

dummy mewakili satu kategori dari variabel independen nonmetrik, dan setiap variabel

nonmetrik dengan k kategori dapat direpresentasikan sebagai k 2 1 variabel dummy.

Pengkodean indikator: format yang paling umum Dari dua bentuk pengkodean

variabel dummy, yang paling umum adalah pengkodean indikator di mana setiap kategori

variabel nonmetrik diwakili oleh 1 atau 0. Koefisien regresi untuk variabel dummy mewakili

perbedaan pada variabel dummy. variabel terikat untuk setiap kelompok responden dari

kategori referensi (yaitu, kelompok yang dihilangkan yang menerima semua angka nol).

Perbedaan kelompok ini dapat dinilai secara langsung, karena koefisiennya berada pada

satuan yang sama dengan variabel terikat.

Bentuk pengkodean variabel dummy ini dapat digambarkan sebagai intersep yang

berbeda-beda untuk berbagai kelompok, dengan kategori acuan direpresentasikan dalam

suku konstan model regresi. Dalam contoh ini, variabel nonmetrik tiga kategori diwakili oleh

14
dua variabel dummy (D1 dan D2 ) yang mewakili kelompok 1 dan 2, dengan kelompok 3

sebagai kategori referensi. Koefisien regresinya adalah 2,0 untuk D1 dan 23,0 untuk D2 .

Koefisien ini diterjemahkan ke dalam tiga garis sejajar. Kelompok referensi (dalam hal ini

kelompok 3) ditentukan oleh persamaan regresi dengan kedua variabel dummy sama

dengan nol. Garis kelompok 1 berada dua satuan di atas garis kelompok acuan. Garis Grup

2 berada tiga satuan di bawah garis referensi grup 3. Garis sejajar menunjukkan bahwa

variabel dummy tidak mengubah sifat hubungan, namun hanya menyediakan intersep yang

berbeda antar grup.

30

20

10

0
5 6 7 8 9 10 11 12 13 14
X

Persamaan Regresi dengan Variabel Dummy (D1 dan D2 )

Ditentukan Y = a + b1X + b2D1 + b3D2

Diperkirakan

Y = 2 + 1,2X + 2D1 – 3D2

Keseluruhan
Spesifik Grup

Y = 2 + 1,2X + 2(1)

Kelompok 2 (D1 = 0, D2 = 1) Y = 2 + 1,2X – 3(1)

Kelompok 1 (D1 = 1, D2 = 0)

Golongan 3 (D1 = 0, D2 = 0) Y = 2 + 1,2X

Bentuk pengkodean ini paling tepat bila terdapat kelompok referensi logis,

misalnya dalam eksperimen. Setiap kali pengkodean variabel dummy digunakan, kita harus

mengetahui kelompok pembanding dan mengingat bahwa koefisien mewakili perbedaan

rata-rata kelompok dari kelompok ini. Pengkodean efek Sebuah metode alternatif

15
pengkodean variabel dummy disebut pengkodean efek. Hal ini sama dengan pengkodean

indikator, hanya saja kelompok pembanding atau yang dihilangkan (kelompok yang semua

angkanya nol) diberi nilai 21, bukan 0 untuk variabel dummy. Sekarang koefisien-koefisien

tersebut mewakili perbedaan- perbedaan untuk setiap kelompok dari rata-rata semua

kelompok dan bukan dari kelompok yang dihilangkan. Kedua bentuk pengkodean variabel

dummy tersebut akan memberikan hasil prediksi, koefisien determinasi, dan koefisien

regresi yang sama untuk variabel kontinu. Perbedaannya hanya terletak pada penafsiran

koefisien variabel dummy.

Tahap 3: Asumsi dalam Analisis Regresi Berganda

MENILAI VARIABEL INDIVIDU VERSUS VARIABEL

Sebelum membahas asumsi individual, pertama-tama kita harus memahami bahwa

asumsi yang mendasari analisis regresi berganda berlaku baik terhadap variabel individual

(dependen dan independen) dan hubungan secara keseluruhan. Bab 2 membahas metode

yang tersedia untuk menilai asumsi untuk masing-masing variabel. Dalam regresi berganda,

setelah suatu variat diturunkan, ia bertindak secara kolektif dalam memprediksi variabel

terikat, sehingga memerlukan penilaian asumsi tidak hanya untuk variabel individual tetapi

juga untuk variat itu sendiri. Bagian ini berfokus pada pengujian variate dan hubungannya

dengan variabel dependen untuk memenuhi asumsi regresi berganda. Analisis ini

sebenarnya harus dilakukan setelah model regresi diestimasi pada Tahap 4. Oleh karena

itu, pengujian asumsi harus dilakukan tidak hanya pada tahap awal regresi, tetapi juga

setelah model diestimasi.

METODE DIAGNOSIS

Ukuran utama kesalahan prediksi untuk suatu variate adalah residu—selisih antara

nilai observasi dan nilai prediksi untuk variabel dependen. Saat memeriksa residu, beberapa

bentuk standardisasi direkomendasikan untuk membuat residu dapat dibandingkan secara

langsung. (Dalam bentuk aslinya, nilai prediksi yang lebih besar secara alami memiliki

16
residu yang lebih besar.) Pendekatan standardisasi yang paling banyak digunakan adalah

residu yang dipelajari, yang berbeda dari metode lain dalam cara menghitung deviasi

standar. Untuk meminimalkan pengaruh observasi terhadap proses standarisasi, standar

deviasi dari sisa observasi dihitung dari estimasi regresi tanpa menyertakan observasi ke-i

dalam penghitungan estimasi regresi. Nilai residu yang dipelajari sesuai dengan nilai t,

sehingga cukup mudah untuk menilai signifikansi statistik dari residu yang sangat besar.

Diagnostik Grafis

Memplot residu versus variabel independen atau prediksi adalah metode dasar untuk

mengidentifikasi pelanggaran asumsi untuk hubungan secara keseluruhan. Namun,

penggunaan plot sisa bergantung pada beberapa pertimbangan utama. Plot Residual Dasar

Plot residu yang paling umum melibatkan residu 1ri 2 versus nilai dependen yang diprediksi

1Yi 2. Untuk model regresi sederhana, residu dapat diplot terhadap variabel dependen atau

independen, karena keduanya berhubungan langsung. Namun, dalam regresi berganda,

hanya nilai dependen yang diprediksi yang mewakili pengaruh total variasi regresi. Jadi,

kecuali jika analisis residu bermaksud untuk berkonsentrasi hanya pada satu variabel, maka

variabel dependen yang diprediksi akan digunakan.

MENILAI PELANGGARAN

Pelanggaran terhadap setiap asumsi dapat diidentifikasi melalui pola residu tertentu.

Gambar berisi sejumlah plot sisa yang menjawab asumsi dasar yang dibahas pada bagian

berikut. Salah satu plot yang menarik perhatian adalah plot nol, yaitu plot residu ketika

semua asumsi terpenuhi. Plot nol menunjukkan residu yang jatuh secara acak, dengan

penyebaran yang relatif sama di sekitar nol dan tidak ada kecenderungan kuat untuk lebih

besar atau lebih kecil dari nol. Demikian pula, tidak ditemukan pola untuk nilai besar versus

kecil dari variabel bebas. Plot sisa yang tersisa akan digunakan untuk mengilustrasikan

metode pemeriksaan pelanggaran asumsi yang mendasari analisis regresi. Pada bagian

17
berikut, kami menguji serangkaian uji statistik yang dapat melengkapi pemeriksaan visual

pada plot sisa.

Linearitas FENOMENA

Linieritas hubungan antara variabel terikat dan bebas menunjukkan sejauh mana

perubahan variabel terikat dikaitkan dengan variabel bebas. Koefisien regresi diasumsikan

konstan pada rentang nilai variabel independen. Konsep korelasi, ukuran hubungan yang

mendasari analisis regresi, didasarkan pada hubungan linier, sehingga menjadikannya isu

penting dalam merepresentasikan hubungan “sebenarnya” antar variabel dalam analisis.

Selain itu, pelanggaran asumsi linearitas tidak dapat diatasi dengan meningkatkan ukuran

sampel, seperti halnya asumsi lainnya (misalnya normalitas).

Linearitas hubungan bivariat dapat dengan mudah diperiksa melalui plot sisa. Setiap

pola lengkung yang konsisten dalam residu menunjukkan bahwa tindakan perbaikan akan

meningkatkan akurasi prediksi model dan validitas estimasi koefisien. Tindakan korektif

dapat mengambil salah satu dari tiga bentuk berikut:

 Transformasi nilai data (misalnya logaritma, akar kuadrat, dll.) dari satu atau lebih

variabel independen untuk mencapai linearitas [83].

 Memasukkan secara langsung hubungan nonlinier ke dalam model

regresi, misalnya melalui pembuatan suku polinomial seperti yang

dibahas pada Tahap 2.

 Menggunakan metode khusus seperti regresi nonlinier yang dirancang khusus

untuk mengakomodasi kurvalinier efek variabel independen atau hubungan

nonlinier yang lebih kompleks.

VARIAN KONSTAN DARI JANGKA KESALAHAN

Adanya variansi yang tidak sama (heteroskedastisitas) merupakan salah satu

pelanggaran asumsi yang paling sering terjadi. Dalam kasus ini, suku kesalahan (residual)

18
tidak konstan di seluruh rentang variabel independen. Kurangnya variansi yang konstan

dalam residu tidak membuat koefisien estimasi menjadi bias, namun hal ini menyebabkan

estimasi kesalahan standar estimasi yang tidak akurat (paling sering diremehkan). Hal ini

dapat menyebabkan tingkat kesalahan Tipe I yang meningkat atau penurunan kekuatan

statistik [98].

Diagnosis dibuat dengan plot sisa atau uji statistik sederhana. Merencanakan

residu (yang dipelajari) terhadap nilai dependen yang diprediksi dan membandingkannya

dengan plot nol menunjukkan pola yang konsisten jika variansnya tidak konstan. Mungkin

pola yang paling umum adalah berbentuk segitiga di kedua arah. Pola berbentuk wajik

dapat diharapkan dalam kasus persentase dimana lebih banyak variasi diperkirakan terjadi

pada rentang tengah dibandingkan pada bagian ekor. Seringkali sejumlah pelanggaran

terjadi secara bersamaan, seperti pada nonlinier dan heteroskedastisitas. Perbaikan

terhadap salah satu pelanggaran seringkali juga memperbaiki permasalahan di bidang lain.

Setiap program komputer statistik mempunyai uji statistik untuk heteroskedastisitas.

Misalnya, IBM SPSS menyediakan uji Levene untuk homogenitas varians, yang mengukur

kesetaraan varians untuk sepasang variabel tunggal. Penggunaannya sangat disarankan

karena tidak terlalu terpengaruh oleh penyimpangan dari keadaan normal, yang merupakan

masalah lain yang sering terjadi dalam regresi.

NORMALITAS DISTRIBUSI ISTILAH KESALAHAN

Meskipun secara teknis asumsi normalitas hanya berlaku pada syarat/sisa

kesalahan, setiap upaya untuk memperbaiki ketidaknormalan melibatkan penilaian

ketidaknormalan variabel independen atau variabel dependen atau keduanya [105].

Diagnostik paling sederhana untuk himpunan variabel independen dalam persamaan adalah

histogram residu, dengan pemeriksaan visual untuk distribusi yang mendekati distribusi

normal. Meskipun menarik karena kesederhanaannya, metode ini sangat sulit dilakukan

pada sampel yang lebih kecil, dimana distribusinya seringkali tidak normal. Metode yang

19
lebih baik adalah penggunaan plot probabilitas normal. Plot ini berbeda dengan plot residu

karena residu terstandar dibandingkan dengan distribusi normal. Distribusi normal membuat

garis diagonal lurus, dan residu yang diplot dibandingkan dengan diagonal. Jika suatu

distribusi normal, garis sisa mengikuti diagonal. Prosedur yang sama dapat

membandingkan variabel dependen atau independen secara terpisah hingga berdistribusi

normal [33].

Analisis regresi umumnya dianggap kuat terhadap pelanggaran normalitas ketika

ukuran sampel melebihi 200 pengamatan, namun peneliti selalu didorong untuk melakukan

penilaian terhadap normalitas residu untuk mengidentifikasi masalah yang bermasalah.

Dalam sampel yang lebih kecil, variabel dapat ditransformasikan untuk mencapai normalitas

guna mengoreksi pelanggaran asumsi. Ketika variabel terikat diketahui mengikuti distribusi

yang tidak normal (misalnya, jumlah, proporsi atau probabilitas, variabel biner), peneliti

didorong untuk mengeksplorasi penggunaan model linier umum (lihat Bab 1 untuk

pembahasan lebih lanjut) yang secara eksplisit menggabungkan distribusi istilah kesalahan

ini. selain distribusi normal. Hal ini memberi peneliti metode untuk menghindari transformasi

ukuran dependen hanya untuk mencapai normalitas.

INDEPENDENSI TERHADAP ISTILAH KESALAHAN

Kami berasumsi dalam regresi bahwa setiap nilai prediksi bersifat independen,

artinya nilai prediksi tidak terkait dengan prediksi lainnya; artinya, mereka tidak

dikelompokkan atau diurutkan berdasarkan variabel apa pun. Kita dapat mengidentifikasi

kejadian seperti itu dengan memplot residu terhadap kemungkinan pengelompokan atau

variabel sekuensing. Jika residunya independen, polanya akan tampak acak dan mirip

dengan plot nol dari residu. Pelanggaran akan diidentifikasi melalui pola yang konsisten

dalam residu. Jenis variabel pengelompokan atau pengurutan terbagi dalam dua kelas

dasar: data deret waktu dan observasi berkerumun. Data deret waktu mewakili pengamatan

20
pada unit yang sama (misalnya orang atau objek) dalam beberapa kesempatan. Hal ini

mirip dengan pengukuran berulang dalam banyak situasi eksperimental.

Tipe kedua dari variabel pengelompokan/pengurutan ditemukan ketika data

terdistribusi secara hierarkis (yaitu, terdapat kelompok observasi yang membentuk struktur

bersarang di dalam data). Contoh klasiknya adalah dalam lingkungan pendidikan, di mana

setiap siswa dapat dikelompokkan berdasarkan kelas, kemudian kelas dalam sekolah, dan

seterusnya. Kelompok-kelompok ini semuanya dapat saling terkait dalam kelompok tersebut

(misalnya, dampak umum antara satu guru dengan guru lainnya) dan dengan demikian

melanggar peraturan. asumsi independensi. Sekelompok model yang disebut model

multilevel atau hierarki telah dikembangkan untuk secara khusus mengatasi masalah ini dan

memberikan solusi atas ketergantungan antar observasi. Kelompok model ini juga akan

dibahas nanti dalam bab ini bersama dengan model panel sebagai perluasan analisis

regresi untuk mengatasi situasi penelitian seperti ini.

Tahap 4: Memperkirakan Model Regresi dan Menilai secara keseluruhan Model Cocok

Pada tahap ini, peneliti harus menyelesaikan tiga tugas dasar:

1. Pilih metode untuk menentukan model regresi yang akan diestimasi.

2. Menilai signifikansi statistik model keseluruhan dalam memprediksi variabel terikat.

3. Tentukan apakah observasi mana pun memberikan pengaruh yang tidak semestinya

terhadap hasil.

MENGELOLA VARIASI

Mungkin tugas paling penting dalam analisis regresi apa pun adalah spesifikasi

variat yang benar dalam model akhir. Seperti yang telah kita bahas sebelumnya,

permasalahan seperti multikolinearitas dan kesalahan spesifikasi memainkan peran penting

dalam hasil analisis regresi dan sebagian besar permasalahan ini diselesaikan melalui

penilaian peneliti dan hilangnya solusi empiris. Pada Bab 1, kami memperkenalkan

21
kerangka kerja Mengelola Variasi (lihat Gambar 5.13) yang akan kami bahas kembali di sini

karena mencakup masalah spesifikasi variabel (keputusan pra-analisis) dan pemilihan

variabel (menentukan variasi selama proses estimasi). Bagian berikut akan memberikan

rincian lebih lanjut tentang berbagai pilihan yang tersedia bagi peneliti di masing-masing

bidang pengambilan keputusan.

SPESIFIKASI VARIABEL

Keputusan dasar yang dihadapi peneliti pada tahap ini adalah apakah akan

menggunakan variabel independen dalam bentuk aslinya atau melakukan suatu bentuk

pengurangan dimensi pada himpunan variabel independen. Penggunaan variabel asli

memberikan peneliti pengukuran langsung terhadap variabel yang diteliti, yang mungkin

sangat penting karena penjelasan menjadi tujuan yang penting. Namun seiring

bertambahnya jumlah variabel, masalah interpretabilitas muncul seperti yang dijelaskan

pada Tahap 1, terutama ketika peneliti berupaya menghindari kesalahan spesifikasi dengan

tidak memasukkan variabel yang relevan.

Jika reduksi dimensi dilakukan, peneliti kembali dapat memilih salah satu dari dua

pilihan: melakukan reduksi dimensi sebelum analisis dilakukan melalui beberapa bentuk

analisis faktor eksplorasi (atau menggunakan pendekatan yang dikendalikan perangkat

lunak. seperti regresi komponen utama di mana perangkat lunak melakukan reduksi dimensi

tanpa campur tangan peneliti. Keuntungan reduksi dimensi dalam bentuk apapun telah

dibahas sebelumnya ketika mengatasi masalah yang terkait dengan multikolinearitas dan

kesalahan pengukuran. Untuk mengatasi multikolinearitas, variabel redundan dibentuk

menjadi suatu bentuk variabel gabungan yang kemudian menggantikan variabel individual

dalam analisis. Efeknya adalah memusatkan seluruh efek prediktif ke dalam satu ukuran

dibandingkan dengan memiliki beberapa ukuran yang semuanya “berbagi” dalam efek

tersebut. Misalnya, gabungan kesalahan pengukuran memberikan keandalan dan validitas

yang lebih besar mengenai konsep utama yang mendasari variabel, dengan mengandalkan

“konvergensi” variabel untuk mewakili perspektif bersama mengenai konsep yang jauh lebih

22
kuat daripada Masalah pengurangan kesalahan pengukuran melalui komposit merupakan

elemen mendasar dari pemodelan persamaan struktural. Pilihan yang tepat terlihat jelas

dalam situasi ekstrem—variabel yang jumlahnya sangat sedikit atau sangat besar. Namun

sebagian besar situasi penelitian berada pada kondisi ekstrem dan penilaian peneliti

mempunyai dampak yang besar. Jadi kami merekomendasikan para peneliti untuk

mengeksplorasi semua alternatif untuk memahami implikasi dari setiap pendekatan.

Pemilihan VARIABEL

Dalam sebagian besar kasus regresi berganda, peneliti memiliki sejumlah

kemungkinan variabel independen yang dapat dipilih untuk dimasukkan ke dalam

persamaan regresi. Terkadang kumpulan variabel independen ditentukan secara tepat dan

model regresi pada dasarnya digunakan dalam pendekatan konfirmatori. Namun dalam

kebanyakan kasus, peneliti dapat memilih untuk menentukan variabel yang akan

dimasukkan dalam variate (dengan spesifikasi eksplisit atau menggunakan pendekatan

kombinatorial) atau menggunakan teknik estimasi untuk memilih di antara kumpulan

variabel independen dengan pencarian sekuensial atau dibatasi. proses. Tujuannya harus

selalu untuk menemukan model regresi terbaik, baik melalui satu atau lebih pendekatan

berikut. Masing-masing dari empat pendekatan dasar ini akan dibahas selanjutnya.

Spesifikasi Konfirmatori atau Simultan Pendekatan

Yang paling sederhana, namun mungkin paling menuntut, untuk menentukan

model regresi adalah dengan menggunakan pendekatan konfirmatori (juga dikenal sebagai

pendekatan simultan) di mana peneliti menentukan kumpulan variabel independen yang

akan dimasukkan. Dibandingkan dengan pendekatan lain yang akan dibahas selanjutnya,

peneliti memiliki kendali penuh atas pemilihan variabel. Meskipun spesifikasi konfirmatori

memiliki konsep yang sederhana, peneliti sepenuhnya bertanggung jawab atas trade-off

antara variabel yang lebih independen dan akurasi prediksi yang lebih besar dibandingkan

kekikiran model, multikolinearitas, dan penjelasan ringkas. Yang paling bermasalah adalah

23
kesalahan spesifikasi baik penghilangan atau penyertaan yang dibahas sebelumnya pada

Tahap 1.

Pendekatan Kombinatorial

Bentuk lain dari pemilihan variabel yang dikendalikan pengguna adalah pendekatan

kombinatorial, yang pada dasarnya merupakan proses pencarian umum pada semua

kemungkinan kombinasi variabel independen. Prosedur yang paling terkenal adalah regresi

semua subset yang mungkin, persis seperti namanya. Semua kemungkinan kombinasi

variabel independen diperiksa, dan kumpulan variabel yang paling sesuai diidentifikasi.

Misalnya, model dengan 10 variabel independen memiliki 1.024 kemungkinan regresi (1

persamaan dengan konstanta saja, 10 persamaan dengan satu variabel independen, 45

persamaan dengan semua kombinasi dua variabel, dan seterusnya). Dengan prosedur

estimasi yang terkomputerisasi, proses ini kini dapat dikelola bahkan untuk permasalahan

yang cukup besar, sehingga dapat mengidentifikasi persamaan regresi keseluruhan yang

terbaik untuk sejumlah ukuran kecocoka Penggunaan pendekatan ini mengalami penurunan

karena kritik terhadap (1) sifat atheoretis dan (2) kurangnya pertimbangan faktor-faktor

seperti multikolinearitas, identifikasi outlier dan pengaruh, dan interpretasi hasil.

Ketika isu-isu ini dipertimbangkan, persamaan “terbaik” mungkin melibatkan

permasalahan serius yang mempengaruhi kesesuaiannya, dan model lain pada akhirnya

dapat dipilih. Namun pendekatan ini dapat memberikan wawasan mengenai jumlah model

regresi yang memiliki kekuatan prediksi yang setara, namun memiliki kombinasi variabel

independen yang sangat berbeda.

Metode Pencarian Sekuensial Berbeda dengan pendekatan yang dikontrol

pengguna, metode pencarian sekuensial memiliki kesamaan yaitu pendekatan umum dalam

memperkirakan persamaan regresi dengan mempertimbangkan sekumpulan variabel yang

ditentukan oleh peneliti, dan kemudian algoritma perangkat lunak secara selektif

menambahkan atau menghapus di antara variabel-variabel tersebut. variabel sampai

24
beberapa ukuran kriteria secara keseluruhan tercapai. Pendekatan ini memberikan metode

obyektif untuk memilih variabel yang memaksimalkan prediksi sambil menggunakan jumlah

variabel terkecil. Dua jenis pendekatan pencarian sekuensial adalah (1) estimasi bertahap

dan (2) penambahan maju dan eliminasi mundur. Dalam setiap pendekatan, variabel dinilai

secara individual kontribusinya terhadap prediksi variabel dependen dan ditambahkan atau

dihapus dari model regresi berdasarkan kontribusi relatifnya. Prosedur bertahap dibahas

dan kemudian dikontraskan dengan prosedur penjumlahan maju dan eliminasi mundur.

ESTIMASI LANGKAH

Mungkin pendekatan sekuensial yang paling populer dalam pemilihan variabel adalah

estimasi bertahap. Pendekatan ini memungkinkan peneliti untuk menguji kontribusi masing-

masing variabel independen terhadap model regresi. Setiap variabel dipertimbangkan untuk

dimasukkan sebelum mengembangkan persamaan.

PENAMBAHAN KE DEPAN DAN PENGHILANGAN KEBELAKANG

Prosedur penjumlahan ke depan dan eliminasi ke belakang sebagian besar merupakan

proses trial-and-error untuk menemukan estimasi regresi terbaik. Model penjumlahan maju

mirip dengan prosedur bertahap yaitu membangun persamaan regresi yang dimulai dengan

satu variabel independen, sedangkan prosedur eliminasi ke belakang dimulai dengan

persamaan regresi yang mencakup semua variabel independen dan kemudian menghapus

variabel independen yang tidak memberikan kontribusi signifikan. . Perbedaan utama

pendekatan bertahap dengan prosedur penjumlahan maju dan eliminasi mundur adalah

kemampuannya untuk menambah atau menghapus variabel pada setiap tahap. Setelah

variabel ditambahkan atau dihapus dalam skema penambahan maju atau eliminasi mundur,

tindakan tersebut tidak dapat dibatalkan pada tahap berikutnya. Dengan demikian,

kemampuan metode bertahap untuk menambah dan menghapus menjadikannya metode

yang disukai sebagian besar peneliti.

25
PERINGATAN TERHADAP METODE PENCARIAN SEKUENSIAL

Bagi banyak peneliti, metode pencarian sekuensial tampaknya merupakan solusi

sempurna terhadap dilema yang dihadapi dalam pendekatan konfirmatori dengan mencapai

daya prediksi maksimum hanya dengan variabel-variabel yang berkontribusi dalam jumlah

yang signifikan secara statistik. Namun dalam pemilihan variabel untuk dimasukkan ke

dalam varian regresi, ada tiga hal penting yang sangat mempengaruhi persamaan regresi

yang dihasilkan.

Dampak Multikolinearitas antar variabel independen mempunyai dampak besar

terhadap spesifikasi akhir model. Kriteria untuk dimasukkan atau dihapusnya pendekatan ini

adalah memaksimalkan daya prediksi tambahan dari variabel tambahan. Jika salah satu

variabel tersebut masuk ke dalam model regresi, kecil kemungkinan variabel lainnya juga

ikut masuk karena variabel-variabel tersebut sangat berkorelasi dan secara terpisah

menunjukkan varian unik yang kecil (lihat pembahasan selanjutnya mengenai

multikolinearitas). Oleh karena itu, peneliti harus menilai pengaruh multikolinearitas dalam

interpretasi model dengan tidak hanya menguji persamaan regresi akhir, tetapi juga menguji

korelasi langsung seluruh variabel independen potensial. Pengetahuan ini akan membantu

peneliti untuk menghindari kesimpulan bahwa variabel-variabel independen yang tidak

dimasukkan dalam model adalah tidak penting padahal sebenarnya variabel-variabel

tersebut mungkin sangat terkait dengan variabel dependen, tetapi juga berkorelasi dengan

variabel-variabel yang sudah ada dalam model. Meskipun pendekatan pencarian sekuensial

akan memaksimalkan kemampuan prediksi model regresi, namun peneliti harus berhati-hati

dalam menggunakan metode tersebut dalam menetapkan dampak variabel independen

tanpa mempertimbangkan multikolinearitas antar variabel independen.

Metode yang Dibatasi

Pendekatan terakhir terhadap pemilihan variabel adalah serangkaian teknik yang

muncul berdasarkan estimasi regresi aktual untuk “menyusutkan” estimasi berdasarkan

26
variansnya. Teknik ini sangat berguna ketika (a) terdapat derajat multikolinearitas yang

tinggi atau (b) jumlah variabel melebihi jumlah observasi dalam sampel.

Tinjauan Pendekatan Pemilihan Model

Apakah pengguna melakukan kontrol atas proses pemilihan variabel atau

menggunakan metode yang dikendalikan perangkat lunak, kriteria yang paling penting

adalah pengetahuan substantif peneliti tentang konteks penelitian dan landasan teoretis apa

pun yang memungkinkan perspektif objektif dan terinformasi. mengenai variabel-variabel

yang akan dimasukkan serta tanda-tanda yang diharapkan dan besaran koefisiennya.

Tanpa pengetahuan ini, hasil regresi dapat memiliki akurasi prediksi yang tinggi

namun relevansi manajerial atau teoritisnya kecil. Masing-masing metode estimasi

mempunyai kelebihan dan kekurangan, sehingga tidak ada satu metode yang selalu

diunggulkan dibandingkan pendekatan lainnya. Oleh karena itu, peneliti tidak boleh

sepenuhnya mengandalkan salah satu dari pendekatan ini tanpa memahami bagaimana

implikasi metode estimasi berhubungan dengan tujuan peneliti dalam prediksi dan

penjelasan serta landasan teoritis penelitian. Seringkali penggunaan dua atau lebih metode

secara bersamaan dapat memberikan perspektif yang lebih seimbang bagi peneliti

dibandingkan hanya menggunakan satu metode dan mencoba mengatasi semua masalah

yang mempengaruhi hasil.

MENGUJI VARIASI REGRESI UNTUK MEMENUHI ASUMSI REGRESI

Dengan memilih variabel independen dan memperkirakan koefisien regresi, peneliti

sekarang harus menilai model estimasi untuk memenuhi asumsi yang mendasari regresi

berganda. Uji Signifikansi Koefisien Regresi Pengujian signifikansi statistik untuk estimasi

koefisien dalam analisis regresi adalah tepat dan diperlukan bila analisis didasarkan pada

sampel populasi dan bukan pada sensus. Saat menggunakan sampel, peneliti tidak hanya

tertarik pada estimasi koefisien regresi untuk sampel tersebut, namun juga tertarik pada

bagaimana koefisien diharapkan bervariasi antar sampel yang diulang. Pembaca yang

27
tertarik dapat menemukan pembahasan lebih rinci tentang penghitungan yang mendasari uji

signifikansi koefisien regresi dalam lampiran Statistik Dasar di situs web teks.

MEMBUAT INTERVAL KEPERCAYAAN

Pengujian signifikansi koefisien regresi adalah estimasi probabilitas berbasis statistik

mengenai apakah estimasi koefisien pada sejumlah besar sampel dengan ukuran tertentu

memang akan berbeda dari nol. Untuk membuat penilaian ini, interval kepercayaan harus

ditetapkan di sekitar koefisien estimasi. Jika selang kepercayaan tidak memuat nilai nol,

maka dapat dikatakan selisih koefisien dengan nol signifikan secara statistik.

MEMAHAMI PENGAMATAN YANG BERPENGARUH

Hingga saat ini, kami fokus pada mengidentifikasi pola umum dalam seluruh rangkaian

pengamatan. Di sini kami mengalihkan perhatian kami ke observasi individual, dengan

tujuan menemukan observasi yang:

 berada di luar pola umum kumpulan data atau

 sangat mempengaruhi hasil regresi.

Pengamatan ini belum tentu “buruk” dalam arti harus dihapus. Dalam banyak kasus,

mereka mewakili elemen khas dari kumpulan data. Namun, kita harus mengidentifikasinya

terlebih dahulu dan menilai dampaknya sebelum melanjutkan [13]. Bagian ini

memperkenalkan konsep observasi yang berpengaruh dan potensi dampaknya terhadap

hasil regresi.

Jenis-Jenis Pengamatan yang Berpengaruh Pengamatan yang berpengaruh dalam arti

luas mencakup semua pengamatan yang mempunyai pengaruh tidak proporsional terhadap

hasil regresi. Tiga tipe dasar didasarkan pada sifat dampaknya terhadap hasil regresi

UTLIER Pengamatan yang memiliki nilai residu besar dan hanya dapat diidentifikasi

sehubungan dengan model regresi tertentu adalah outlier [2]. Outlier secara tradisional

merupakan satu-satunya bentuk observasi berpengaruh yang dipertimbangkan dalam

28
model regresi, dan metode regresi khusus (misalnya, regresi kuat) bahkan dikembangkan

untuk menangani secara khusus dampak outlier pada hasil regresi [8, 100].

Dampak Pengamatan yang Berpengaruh

Pengamatan yang berpengaruh sering kali sulit diidentifikasi melalui analisis residu

tradisional ketika mencari outlier. Pola residunya tidak akan terdeteksi karena residu untuk

titik-titik berpengaruh (jarak tegak lurus dari titik perkiraan garis regresi) tidak akan terlalu

besar untuk diklasifikasikan sebagai outlier. Oleh karena itu, berfokus hanya pada residu

yang besar biasanya akan mengabaikan observasi yang berpengaruh ini.

Mengidentifikasi Pengamatan yang Berpengaruh

Dalam diskusi berikut, kita membahas proses empat langkah untuk mengidentifikasi

outlier, poin leverage, dan pengamatan yang berpengaruh. Seperti disebutkan sebelumnya,

observasi mungkin termasuk dalam satu atau

lebih kelas-kelas ini, dan tindakan yang diambil bergantung pada penilaian peneliti,

berdasarkan bukti terbaik yang ada.

LANGKAH 1: MENELITI RESIDUAL DAN PLOT REGRESI

Parsial Residual berperan penting dalam mendeteksi pelanggaran asumsi model, dan

juga berperan dalam mengidentifikasi observasi yang merupakan outlier pada variabel

dependen setelah model diestimasi. Kami menggunakan dua metode deteksi: analisis

residu dan plot regresi parsial.

 Kasus yang digunakan dalam menghitung residu. Kita telah melihat bagaimana kita

menghitung sisa menggunakan semua observasi, tetapi bentuk kedua, residu yang

dihapus, berbeda dari residu normal karena observasi ke-i dihilangkan ketika

memperkirakan persamaan regresi yang digunakan untuk menghitung nilai prediksi

observasi tersebut. Dengan demikian, setiap observasi tidak berdampak pada nilai

29
 prediksinya sendiri dalam sisa yang dihapus. Residu yang dihapus lebih jarang

digunakan, meskipun memiliki manfaat mengurangi pengaruh observasi terhadap

perhitungannya.

 Standarisasi residu. Prosedur kedua dalam mendefinisikan residu melibatkan

apakah akan membakukan residu tersebut. Residu yang tidak terstandarisasi berada

dalam skala variabel terikat, yang berguna dalam interpretasi tetapi tidak

memberikan gambaran mengenai apa yang terlalu besar atau terlalu kecil untuk

tidak dipertimbangkan. Residual terstandar merupakan hasil proses pembuatan

skala umum dengan membagi setiap residu dengan simpangan baku residu. Setelah

standarisasi, residu memiliki rata-rata nol dan simpangan baku satu. Dengan ukuran

sampel yang cukup besar (50 atau lebih), residu terstandarisasi kira-kira mengikuti

distribusi t, sehingga residu yang melebihi ambang batas seperti 1,96 (nilai t kritis

pada tingkat kepercayaan 0,05) dapat dianggap signifikan secara statistik. Uji

signifikansi yang lebih ketat juga telah diusulkan, yang memperhitungkan beberapa

perbandingan yang dilakukan pada berbagai ukuran sampel [18].

LANGKAH 2: MENGIDENTIFIKASI POIN PENINGKATAN

Langkah kita berikutnya adalah menemukan observasi-observasi yang secara

substansial berbeda dari observasi-observasi lainnya pada satu atau lebih variabel

independen. Kasus-kasus ini disebut titik pengaruh (leverage point) karena kasus-kasus

tersebut dapat “mengungkit” hubungan ke arahnya karena perbedaannya dengan observasi-

observasi lainnya. Ada dua ukuran yang umumnya digunakan untuk mengidentifikasi titik

leverage: nilai Hat dan jarak Mahalan.

Jarak Mahalanobis Ukuran yang sebanding dengan nilai topi adalah jarak

Mahalanobis (D2 ), yang hanya mempertimbangkan jarak observasi dari nilai rata-rata

variabel independen dan bukan dampaknya terhadap nilai prediksi. Jarak Mahalanobis

adalah cara lain untuk mengidentifikasi outlier. Tujuan ini terbatas karena nilai ambang

batas bergantung pada sejumlah faktor, dan nilai ambang batas aturan praktis tidak

mungkin dilakukan. Namun, signifikansi statistik jarak Mahalanobis dapat ditentukan dari

30
tabel yang dipublikasikan [8]. Namun bahkan tanpa tabel yang dipublikasikan, peneliti dapat

melihat nilai-nilai tersebut dan mengidentifikasi observasi apa pun yang nilainya jauh lebih

tinggi dibandingkan observasi lainnya. Misalnya, sekumpulan kecil pengamatan dengan nilai

Mahalanobis tertinggi yang dua hingga tiga kali nilai tertinggi berikutnya akan menyebabkan

perpecahan besar dalam distribusi dan indikasi lain mengenai kemungkinan pengaruh.

LANGKAH 3: DIAGNOSTIK KASE TUNGGAL

Sampai saat ini kami telah menemukan titik-titik terpencil pada variabel prediktor dan

kriteria namun belum secara formal memperkirakan pengaruh satu pengamatan terhadap

hasil. Pada langkah ketiga ini, semua metode mengandalkan proposisi umum: ukuran

pengaruh yang paling langsung melibatkan penghapusan satu atau lebih pengamatan dan

mengamati perubahan dalam hasil regresi dalam hal residu, koefisien individual, atau

Peneliti kemudian hanya perlu memeriksa nilai-nilai dan memilih pengamatan yang melebihi

nilai yang ditentukan. Kita telah membahas salah satu pengukuran tersebut, yaitu residu

yang dihapuskan secara pelajar, namun sekarang kita akan mengeksplorasi beberapa

pengukuran lain yang sesuai untuk mendiagnosis kasus-kasus individual.

Pengukuran Pengaruh Secara Keseluruhan Langkah-langkah ini menilai dampak

terhadap kesesuaian model secara keseluruhan. Jarak Cook (Di ) dianggap sebagai ukuran

yang paling representatif. Ini menangkap dampak observasi dari dua sumber perubahan

nilai prediksi ketika kasus dihilangkan (outlying studentized residual) serta jarak observasi

dari observasi lainnya (leverage). Aturan praktisnya adalah mengidentifikasi pengamatan

dengan jarak Cook 1,0 atau lebih besar, meskipun ambang batas 4/1n 2 k 2 12 , di mana n

adalah ukuran sampel dan k adalah jumlah variabel independen, disarankan sebagai lebih

banyak ukuran konservatif dalam sampel kecil atau untuk digunakan dengan kumpulan data

yang lebih besar. Sekalipun tidak ada pengamatan yang melebihi ambang batas ini,

perhatian tambahan akan diberikan jika sekelompok kecil pengamatan memiliki nilai yang

jauh lebih tinggi dibandingkan pengamatan lainnya.

Ukuran serupa adalah COVRATIO, yang memperkirakan pengaruh observasi

terhadap efisiensi proses estimasi. Secara khusus, COVRATIO mewakili sejauh mana suatu

31
observasi berdampak pada kesalahan standar koefisien regresi. Hal ini berbeda dengan

DFBETA dan SDFBETA karena mempertimbangkan semua koefisien secara kolektif dan

bukan setiap koefisien secara individual. Ambang batas dapat ditetapkan pada 1 6 3p/n.

Nilai di atas ambang batas 1 1 3p/n membuat proses estimasi menjadi lebih efisien,

sedangkan nilai yang kurang dari 1 2 3p/n mengurangi efisiensi estimasi. Hal ini

memungkinkan COVRATIO untuk bertindak sebagai indikator observasi lain yang memiliki

pengaruh besar baik secara positif maupun negatif pada kumpulan koefisien.

Ukuran ketiga adalah SDFFIT, yaitu sejauh mana nilai yang dipasang berubah

ketika kasus dihapus. Nilai batas 2"1k 1 12/1n 2 k 2 12of telah disarankan untuk mendeteksi

pengaruh yang besar. Meskipun jarak Cook dan SDFFIT adalah ukuran kesesuaian secara

keseluruhan, keduanya harus dilengkapi dengan ukuran langkah 1 dan 2 untuk

memungkinkan kami menentukan apakah pengaruh timbul dari residu, leverage, atau

keduanya. Versi tidak standar (DFFIT) juga tersedia.

LANGKAH 4: MEMILIH PENGAMATAN YANG BERPENGARUH

Identifikasi observasi yang berpengaruh lebih merupakan proses konvergensi

dengan berbagai metode dibandingkan mengandalkan satu ukuran saja. Karena tidak ada

satu ukuran pun yang benar-benar mewakili semua dimensi pengaruh, maka hal ini

tergantung pada penafsirannya, meskipun ukuran-ukuran ini biasanya mengidentifikasi

sejumlah kecil pengamatan.

Tahap 5: menafsirkan Variasi Regresi

MENGGUNAKAN KOEFISIEN REGRESI

Koefisien regresi yang diperkirakan, disebut koefisien b, mewakili jenis hubungan (positif

atau negatif) dan kekuatan hubungan antara variabel independen dan dependen dalam

variabel regresi. Tanda koefisien menunjukkan hubungan positif atau negatif, dan nilai

koefisien menunjukkan perubahan nilai terikat setiap kali variabel bebas berubah sebesar

satu satuan.

32
Prediksi

Prediksi merupakan elemen integral dalam analisis regresi, baik dalam proses estimasi

maupun dalam situasi peramalan. Seperti yang dijelaskan di bagian pertama bab ini, regresi

melibatkan penggunaan variate (model regresi) untuk memperkirakan nilai tunggal untuk

variabel dependen. Proses ini digunakan tidak hanya untuk menghitung nilai prediksi dalam

prosedur estimasi, namun juga dengan sampel tambahan yang digunakan untuk validasi

tujuan.

MENILAI MULTIKOLLINEARITAS

Masalah utama dalam menafsirkan variasi regresi adalah korelasi antar variabel

independen. Masalah ini adalah masalah data, bukan spesifikasi model. Situasi ideal bagi

seorang peneliti adalah memiliki sejumlah variabel independen yang berkorelasi tinggi

dengan variabel dependen, namun memiliki sedikit korelasi di antara variabel-variabel

tersebut. Namun dalam sebagian besar situasi, khususnya situasi yang melibatkan data

respons konsumen, multikolinieritas pada tingkat tertentu tidak dapat dihindari. Pada

beberapa kesempatan lain, seperti menggunakan variabel dummy untuk mewakili variabel

nonmetrik atau istilah poli nomial untuk efek nonlinier, peneliti menciptakan situasi

multikolinearitas tinggi. Tugas peneliti antara lain sebagai berikut:

 Memahami ukuran korelasi baru yang menggabungkan multikolinearitas.

 Menilai tingkat multikolinearitas.

 Tentukan dampaknya terhadap hasil.

 Terapkan solusi yang diperlukan jika diperlukan.

Ukuran Korelasi yang Memasukkan Multikolinearitas

Kita telah membahas beberapa kali dampak multikolinearitas yang

menciptakan variansi bersama dengan variabel lain, namun belum membahas

bagaimana hal ini dapat diukur. Korelasi Pearson yang biasa kita gunakan adalah

korelasi bivariat atau korelasi orde nol. Ini hanya mewakili hubungan antara dua

33
variabel, tidak memperhitungkan variasi yang dimiliki oleh variabel lain dan

merupakan jenis korelasi yang muncul dalam matriks korelasi.

Ada dua bentuk korelasi lain yang mencerminkan derajat variansi bersama dari

multikolinearitas. Pertama, korelasi bivariat atau nol antara X2 dan Y mencakup b (varian

unik) dan c (varian bersama) seperti yang telah kita bahas. Hal ini berbeda dengan korelasi

semi-parsial atau sebagian yang hanya memuat varian unik (b). Korelasi parsial juga hanya

mempunyai varian unik (b), namun berbeda karena penyebutnya bukan varian total Y,

melainkan hanya sebagian Y yang tidak dijelaskan oleh variabel lain 1d 1 b2 .

Perbedaan ini penting, seperti yang akan dilihat nanti, bahwa korelasi semi-parsial

kuadrat mengkuantifikasi jumlah yang akan berkurang ketika variabel dihilangkan,

2
sedangkan korelasi parsial R digunakan dalam regresi bertahap untuk memilih variabel

tambahan untuk ditambahkan ke model. Dengan demikian, masing-masing korelasi ini

memberikan perspektif spesifik mengenai dampak multikolinearitas pada korelasi bivariat.

Mengidentifikasi Multikolinearitas

Cara paling sederhana dan paling jelas untuk mengidentifikasi kolinearitas adalah

dengan menguji matriks korelasi untuk variabel independen. Kita dapat mencari variabel lain

yang berkorelasi tinggi dengan variabel independen tertentu, namun hal tersebut hanya

mencerminkan kolinearitas. Adanya korelasi yang tinggi (umumnya 0,70 dan lebih tinggi)

merupakan indikasi pertama adanya kolinearitas yang substansial. Namun, kurangnya nilai

korelasi yang tinggi tidak menjamin kurangnya kolinearitas. Kolinearitas mungkin

disebabkan oleh pengaruh gabungan dari dua atau lebih variabel independen lainnya

(disebut multikolinearitas).

Untuk menilai multikolinearitas, kita memerlukan suatu ukuran yang menyatakan

sejauh mana setiap variabel independen dapat dijelaskan oleh sekumpulan variabel

independen lainnya. Secara sederhana, setiap variabel independen menjadi variabel

dependen dan diregresi terhadap variabel independen lainnya. Ada dua pendekatan yang

34
tersedia untuk menilai multikolinearitas. Pertama, ukuran keseluruhan (toleransi dan

kebalikannya, faktor variance inflasi) dari multikolinearitas menunjukkan tingkat

multikolinearitas untuk masing-masing variabel. Kedua, dekomposisi multikolinearitas antar

variabel dapat mengidentifikasi kumpulan variabel tertentu yang mungkin menjadi asal

muasal multikolinieritas.

DEKOMPOSISI MULTIKOLLINEARITAS

Metode dekomposisi memberikan peneliti sarana untuk mengidentifikasi kumpulan

variabel yang memiliki multikolinearitas tinggi [13]. Ada dua komponen yang

menggambarkan tingkat multikolinearitas secara keseluruhan serta keberadaannya di

seluruh variabel independen:

 Indeks kondisi. Ini mewakili kolinearitas kombinasi variabel dalam kumpulan data.

 Matriks varians-dekomposisi koefisien regresi. Ini menunjukkan proporsi varians

untuk setiap regresi koefisien (dan variabel independen terkaitnya) yang dapat

diatribusikan pada setiap indeks kondisi.

Penerapan metode dekomposisi hanya diperlukan jika terdapat indikasi

multikolinearitas tinggi. Namun hal ini memberikan cara untuk mengidentifikasi kumpulan

variabel yang harus diperiksa lebih dekat jika terdapat kebutuhan untuk mengatasi

multikolinearitas.

DAMPAK TERHADAP PENJELASAN

Dampak pada penjelasan terutama berkaitan dengan kemampuan prosedur regresi

dan peneliti dalam merepresentasikan dan memahami pengaruh masing-masing variabel

bebas dalam variat regresi. Ketika multikolinearitas terjadi (bahkan pada tingkat yang relatif

rendah yaitu 0,30 atau lebih) proses untuk mengidentifikasi efek unik dari variabel

independen menjadi semakin sulit. Hal ini berdampak pada beberapa aspek penjelasan.

Interpretasi Koefisien Ingatlah bahwa koefisien regresi mewakili jumlah varian unik yang

dijelaskan oleh masing- masing variabel independen. Karena multikolinearitas menghasilkan

35
porsi variansi bersama yang lebih besar dan tingkat varian unik yang lebih rendah, pengaruh

masing-masing variabel independen menjadi kurang dapat dibedakan.

Bahkan dimungkinkan untuk menemukan situasi di mana multikolinearitas sangat

tinggi sehingga tidak ada satu pun koefisien regresi independen yang signifikan secara

statistik, namun model regresi secara keseluruhan memiliki tingkat akurasi prediksi yang

signifikan. Kita akan membahas ukuran-ukuran yang relatif penting di bagian selanjutnya

yang menggambarkan varian unik dan varian bersama dari suatu variabel independen.

EFEK YANG TIDAK DAPAT DIABAIKAN

Ada situasi di mana tingkat multikolinearitas yang tinggi mungkin diharapkan dan

karenanya diabaikan. Yang paling umum adalah ketika istilah interaksi dimasukkan dalam

analisis (misalnya, efek moderasi). Karena suku interaksi merupakan hasil perkalian dua

variabel lain dalam persamaan, maka diharapkan terjadi multikolinearitas. Demikian pula,

ketika polinomial dimasukkan untuk mewakili efek non-linear dari variabel, maka akan terjadi

multikolinearitas yang tinggi. Inilah sebabnya mengapa berkali-kali uji signifikansi untuk

interaksi atau suku polinomial dilakukan melalui uji signifikansi tambahan yang sesuai.

Selain itu, mungkin terdapat multikolinearitas di antara variabel dummy yang digunakan

untuk mewakili variabel nonmetrik. Terakhir, jika ada variabel yang dimasukkan sebagai

variabel kontrol, maka tidak perlu dilakukan interpretasi dan dapat menunjukkan

multikolinearitas yang tinggi pula.

Setiap peneliti harus menentukan derajat kolinearitas yang dapat diterima, karena

sebagian besar standar atau ambang batas yang direkomendasikan masih memungkinkan

terjadinya kolinearitas yang substansial. Beberapa pedoman yang disarankan untuk

mengikuti bivariat dan multikolin.

KORELASI BIVARIAT

Saat menilai korelasi bivariat, ada dua hal yang harus dipertimbangkan. Pertama,

korelasi sebesar 0,70 (yang mewakili varian “bersama” sebesar 50%) dapat berdampak

pada penjelasan dan estimasi hasil regresi. Selain itu, bahkan korelasi yang lebih rendah

pun dapat berdampak jika korelasi antara dua variabel independen lebih besar daripada

36
korelasi variabel independen dengan ukuran dependen (misalnya, situasi pada contoh

pembalikan tanda sebelumnya). Pola-pola ini harus diperiksa untuk setiap variabel dengan

dua atau tiga korelasi tertinggi, terutama jika variabel tersebut melibatkan korelasi dengan

tanda yang berbeda [128].

TOLERANSI ATAU VIF

Batas yang disarankan untuk nilai toleransi adalah 0,10 (atau VIF terkait sebesar

10,0), yang berkorelasi dengan korelasi berganda sebesar 0,95 dengan variabel independen

lainnya. Ketika nilai-nilai pada tingkat ini ditemui, masalah multikolinearitas sangat mungkin

terjadi. Namun, permasalahannya kemungkinan besar juga terjadi pada tingkat yang lebih

rendah [88]. Misalnya, VIF sebesar 5,3 berarti korelasi berganda sebesar 0,9 antara satu

variabel independen dan semua variabel independen lainnya. Bahkan VIP sebesar 3,0

mewakili korelasi berganda sebesar 0,82, yang akan dianggap tinggi jika antara variabel

dependen dan independen.

PENTINGNYA RELATIF VARIABEL INDEPENDEN

Seperti yang telah kita lihat pada pembahasan sebelumnya, adanya multikolinearitas

mempersulit penafsiran koefisien regresi, terutama ketika menilai dampak variabel

independen terhadap ukuran dependen. Sesuatu yang sederhana seperti korelasi bivariat

melebih-lebihkan dampak masing-masing variabel, namun hanya menggunakan

estimasi koefisien regresi juga dapat menimbulkan komplikasi. Untuk mencapai tujuan ini

serangkaian tindakan baru yang relat telah dikembangkan untuk memberikan penilaian

terhadap dampak keseluruhan dari variabel-variabel independen, memperhitungkan

penjelasan varians yang dimiliki bersama dan unik serta dalam ukuran yang sebanding di

seluruh variabel independen [69]. Langkah-langkah baru ini membantu memperjelas

variabel independen mana yang berkontribusi paling besar terhadap model regresi dengan

memberikan informasi tambahan pada hasil regresi tradisional.

Pembahasan berikut ini pertama-tama akan mengulas ukuran langsung yang tersedia

mengenai kepentingan variabel yang tersedia dari hasil regresi dan korelasi yang digunakan

dalam proses estimasi. Kemudian serangkaian ukuran relatif penting akan dibahas yang

37
memperluas hasil dasar regresi dengan melakukan serangkaian model regresi atau

melakukan beberapa transformasi variabel independen.

Pengukuran Langsung Pentingnya Variabel

Para peneliti telah lama mengandalkan hasil regresi dan ukuran korelasi untuk

membuat penilaian pentingnya variabel. Kami akan segera meninjau langkah-langkah

tersebut dan mendiskusikan kelebihan dan keterbatasannya.

KORELASI BIVARIAT

Ukuran dampak suatu variabel yang pertama dan paling mendasar adalah korelasi

bivariat dengan variabel dependen. Ini mewakili hubungan mendasar dari analisis regresi

dan karenanya harus selalu dipertimbangkan. Dalam beberapa hal, ini mewakili informasi

paling mendasar tentang hubungan yang digunakan dalam analisis regresi dan dengan

demikian memberikan titik awal untuk memahami dampak suatu variabel. Namun hal ini

terbatas, seperti yang telah kita lihat dalam diskusi sebelumnya dengan adanya

multikolinearitas.

Ukuran Kepentingan Relatif

Ukuran kepentingan relatif yang dibahas di bawah ini memberikan perspektif yang

berbeda mengenai

(a) dampak unik dan bersama dari suatu variabel independen terhadap ukuran-ukuran

dependen, sementara (b) menyatakan dampak-dampak ini sedemikian rupa sehingga dapat

dibandingkan secara langsung.

KOEFISIEN STRUKTUR

Koefisien struktur merupakan korelasi bivariat setiap variabel independen dengan

nilai prediksinya, bukan variabel dependen seperti yang terlihat pada matriks korelasi input

[32]. Dengan demikian, nilai tersebut merupakan ukuran kontribusi relatif terhadap nilai

prediksi. Mereka tidak membuat perbedaan apa pun antara varian unik dan varian bersama,

seperti halnya korelasi bivariat dengan variabel terikat. Namun hubungannya dengan nilai

prediksi membuatnya cukup berguna jika dibandingkan dengan bobot regresi. Variabel

dengan bobot regresi kecil namun koefisien struktur kuadratnya besar mempunyai efek

38
prediksi bersama yang tinggi, namun efek uniknya kecil. Dalam situasi yang berlawanan,

bobot regresi yang besar tetapi koefisien struktur yang kecil menunjukkan variabel yang

mungkin menunjukkan efek penekanan [87].

ANALISIS DOMINASI

Metode analisis dominasi juga didasarkan pada semua subset regresi yang

mungkin, namun memberikan perbandingan yang berbeda antar variabel independen [23,

24]. Ukuran dasar dampak adalah rata-rata kuadrat korelasi semi-parsial di seluruh model

regresi yang memasukkan variabel tersebut. Juga disediakan dua ukuran dominasi antara

masing-masing pasangan variabel: (a) dominasi lengkap adalah ketika satu variabel selalu

memiliki korelasi semi-parsial kuadrat yang lebih besar, tidak peduli variabel apa pun yang

ada dalam model, (b) dominasi bersyarat adalah ketika salah satu variabel berada dalam

model. variabel melebihi yang lain dalam beberapa spesifikasi model, tetapi sebaliknya

dalam spesifikasi model lainnya. Ukuran ketiga dari dominasi umum hanya berfokus pada

bobot kepentingan secara keseluruhan dan bukan pada kombinasi spesifik.

Tahap 6: Validasi Hasil

Setelah mengidentifikasi model regresi terbaik, langkah terakhir adalah memastikan

bahwa model tersebut mewakili populasi umum (gener alizability) dan sesuai dengan situasi

di mana model tersebut akan digunakan (transferability). Pedoman terbaik adalah sejauh

mana model regresi cocok dengan model teoritis yang ada atau serangkaian hasil yang

telah divalidasi sebelumnya pada topik yang sama. Namun dalam banyak kasus, hasil atau

teori sebelumnya tidak tersedia. Oleh karena itu, kami juga membahas pendekatan empiris

untuk validasi model.

SAMPEL TAMBAHAN ATAU TERPISAH

Pendekatan validasi empiris yang paling tepat adalah dengan menguji model regresi

pada sampel baru yang diambil dari populasi umum. Sampel baru akan memastikan

keterwakilan dan dapat digunakan dalam beberapa cara. Pertama, model asli dapat

memprediksi nilai dalam sampel baru dan kecocokan prediktif dapat dihitung. Kedua, model

terpisah dapat diestimasi dengan sampel baru dan kemudian dibandingkan dengan

39
persamaan asli mengenai karakteristik seperti variabel signifikan yang dimasukkan; tanda,

ukuran, dan kepentingan relatif suatu variabel; dan akurasi prediksi. Dalam kedua kasus

tersebut, peneliti menentukan validitas model asli dengan membandingkannya dengan

model regresi yang diestimasi dengan sampel baru.

Seringkali kemampuan untuk mengumpulkan data baru dibatasi atau dihalangi oleh

faktor-faktor seperti biaya, tekanan waktu, atau ketersediaan responden. Kemudian, peneliti

dapat membagi sampel menjadi dua bagian: subsampel estimasi untuk membuat model

regresi dan subsampel ketidaksepakatan atau validasi yang digunakan untuk menguji

persamaan. Banyak prosedur, baik acak maupun sistematis, tersedia untuk memisahkan

data, masing-masing mengambil dua sampel independen dari satu dataset. Semua paket

statistik populer menyertakan opsi khusus untuk memungkinkan estimasi dan validasi pada

subsampel terpisah.

MENGHITUNG STATISTIK PERS

Pendekatan alternatif untuk mendapatkan sampel tambahan untuk tujuan validasi

adalah dengan menggunakan sampel asli secara khusus dengan menghitung statistik

PRESS (Prediction Sum of Squares), suatu ukuran yang mirip dengan R digunakan untuk

menilai keakuratan prediksi model regresi yang diperkirakan. Hal ini berbeda dari

pendekatan sebelumnya karena tidak hanya satu, tetapi n 2 1 model regresi diestimasi

dengan prosedur yang mirip dengan pendekatan validasi jackknife. Prosedur tersebut

menghilangkan satu observasi dalam estimasi model regresi dan kemudian memprediksi

observasi yang dihilangkan dengan model estimasi. Dengan demikian, observasi tidak dapat

mempengaruhi koefisien model yang digunakan untuk menghitung nilai prediksinya.

Prosedur tersebut diterapkan kembali, menghilangkan observasi lain, memperkirakan model

baru, dan membuat prediksi. Residual untuk pengamatan “tahan” kemudian dapat

dijumlahkan untuk memberikan ukuran kecocokan prediktif secara keseluruhan serta

dibandingkan dengan model asli untuk menilai peningkatan jumlah kuadrat residu karena

prosedur validasi.

PERAMALAN DENGAN MODEL

40
 Perkiraan selalu dapat dibuat dengan menerapkan model estimasi pada sekumpulan

nilai variabel independen baru dan menghitung nilai variabel dependen. Namun, dalam

melakukannya, kita harus mempertimbangkan beberapa faktor yang dapat berdampak

serius pada kualitas prediksi baru:

 Saat menerapkan model pada sampel baru, kita harus ingat bahwa prediksi kini tidak

hanya mencakup variasi pengambilan sampel dari sampel asli, namun juga variasi

sampel yang baru diambil. Oleh karena itu, kita harus selalu menghitung interval

kepercayaan dari prediksi kita selain estimasi titik untuk melihat kisaran nilai variabel

dependen yang diharapkan.

 Kita harus memastikan bahwa kondisi dan hubungan yang diukur pada saat

pengambilan sampel asli tidak berubah secara material.

Misalnya, dalam contoh kartu kredit kita, jika sebagian besar perusahaan mulai

membebankan biaya yang lebih tinggi untuk kartu mereka, kepemilikan kartu kredit

sebenarnya mungkin akan berubah secara substansial, namun informasi ini tidak

akan disertakan dalam model.

 Terakhir, jangan menggunakan model untuk memperkirakan di luar rentang variabel

independen yang ditemukan dalam sampel. Misalnya, dalam contoh kartu kredit kita,

jika keluarga terbesar memiliki 6 anggota, mungkin tidak bijaksana untuk

memprediksi kepemilikan kartu kredit untuk keluarga dengan 10 anggota. Kita tidak

dapat berasumsi bahwa hubungannya adalah sama untuk nilai-nilai variabel

independen yang jauh lebih besar atau lebih kecil dibandingkan dengan nilai dalam

sampel estimasi awal.

Memperluas Regresi Berganda

Seperti yang diharapkan, meluasnya penggunaan regresi berganda di seluruh bidang

analitik, baik akademis maupun organisasi, telah melahirkan beragam varian untuk

mengatasi berbagai masalah, banyak di antaranya telah dibahas. Di antara yang paling

banyak digunakan adalah sebagai berikut: regresi kuat untuk menangani outlier tanpa

41
penghapusannya, regresi kuantil di mana variabel terikat dibagi menjadi beberapa

subkelompok dan model diestimasi untuk masing-masing subkelompok, regresi terbatas di

mana batasan ditempatkan pada rentang atau bahkan arah param estimasi eter, regresi

dengan data hasil yang disensor atau terpotong (mirip dengan analisis kelangsungan hidup),

regresi dengan koreksi kesalahan pengukuran dan beberapa model regresi persamaan

berganda lainnya regresi yang tampaknya tidak berhubungan dan regresi multivariat. Bab ini

tidak membahas semua metode ini, namun peneliti harus menyadari bahwa ada beragam

model berbasis regresi untuk menangani berbagai pertanyaan penelitian yang berbeda.

MODEL MULTILEVEL

Munculnya model multilevel di berbagai disiplin ilmu telah mengakui bahwa efek

multilevel atau hierarki (1) mengembangkan kerangka teoritis yang lebih sesuai untuk

banyak situasi aktual di mana model tersebut dipelajari, serta (2) memberikan kerangka

terpadu untuk mengatasi permasalahan yang ada. banyak masalah statistik yang terjadi

secara alami ketika ada struktur data hierarki. Selain itu, perangkat lunak dan sumber daya

untuk pemodelan bertingkat telah berkembang hingga setiap peneliti harus memasukkan

pemodelan bertingkat jika diperlukan. Diskusi berikut berfokus pada pertama-tama

memberikan pengenalan pemodelan multilevel, pentingnya efek kontekstual dan struktur

data hierarki yang dihasilkan, tingkat efek dalam model hierarki dan penggunaannya secara

luas di seluruh disiplin ilmu dan sumber daya dasar yang tersedia. Bagian selanjutnya

merinci beberapa konsep dasar dalam pemodelan bertingkat, mencocokkan properti

pengukuran dengan level, korelasi intrakelas, efek acak versus tetap, pertimbangan ukuran

sampel, sedangkan bagian terakhir menjelaskan strategi pemodelan lima tahap untuk

mengembangkan model bertingkat.

Sebelum pengembangan model bertingkat, peneliti dipaksa melakukan dua

kompromi. Pertama, pelanggaran terhadap asumsi independensi secara umum diabaikan.

Kedua, variabel-variabel yang menjadi ciri wilayah dimasukkan langsung ke dalam

42
persamaan regresi tunggal yang dikumpulkan di seluruh wilayah, meskipun variabel-variabel

tersebut diukur pada tingkat yang berbeda dan dengan demikian nilai tunggal suatu wilayah

digunakan untuk semua individu dalam wilayah tersebut. Kedua tindakan ini melanggar

prinsip dasar regresi berganda, namun merupakan satu-satunya tindakan pada saat itu.

Pendekatan Model Multilevel Model multilevel mendekati masalah dengan cara yang agak

lebih kompleks, namun pada dasarnya sederhana—persamaan terpisah untuk setiap level

yang kemudian digabungkan. Persamaan Level-1 sama seperti model regresi dasar kami

sebelumnya, bervariasi menurut wilayah:

MANFAAT MLM

Manfaat MLM bersifat metodologis dan konseptual [58]. Dari sudut pandang

metodologis, perbaikan yang paling penting adalah penggabungan ketergantungan antar

observasi yang diperkenalkan oleh struktur data bertingkat. Ketergantungan ini menciptakan

dua masalah statistik bila tidak diperbaiki dengan menggunakan MLM.

Pertama, kesalahan standar koefisien dibiaskan ke bawah (yaitu lebih kecil),

sehingga memudahkan untuk menemukan signifikansi statistik daripada yang seharusnya

[107]. Hal ini terutama menjadi masalah untuk variabel tingkat tinggi yang berkali- kali lipat

menjadi variabel kunci yang menjadi perhatian [77]. Kedua, ukuran sampel efektif yang

sebaiknya digunakan lebih kecil dibandingkan sampel keseluruhan karena struktur data

yang disarangkan [112]. Hal ini berdampak pada estimasi kekuatan statistik dan melebih-

lebihkan tingkat kekuatan statistik yang sebenarnya dicapai. Selain mengatasi

permasalahan ini, MLM dapat secara langsung menggabungkan data pengukuran berulang

serta diterapkan langsung pada rencana pengambilan sampel bertingkat yang lebih rumit

yang memiliki efek bersarang.

Dari perspektif konseptual, MLM memungkinkan dimasukkannya karakteristik dari

berbagai tingkat model konseptual sambil tetap mempertahankan sifat hierarki dari efeknya.

Banyak model konseptual yang diteorikan dalam struktur hierarki (misalnya, hasil

43
pendidikan, perilaku organisasi, kelompok sosial dan politik, dll.). MLM menyediakan metode

yang “mempertahankan” pengaruh tingkat terhadap hubungan dalam tingkat tersebut (yaitu,

variabel independen dalam persamaan tingkat hanyalah variabel yang diukur pada tingkat

tersebut). Hal ini juga memungkinkan adanya pembagian dampak ke berbagai tingkat yang

sebelumnya tidak tersedia. Terakhir, seperti yang akan dibahas pada bagian efek tetap

versus efek acak, penggunaan efek acak memungkinkan terjadinya generalisasi dampak

terhadap populasi yang tidak mungkin dilakukan dengan efek tetap.

SUMBER DAYA UNTUK MLM

Salah satu manfaat paling positif dari pengembangan multi-disiplin MLM adalah

keragaman perangkat lunak yang tersedia. Software pertama yang banyak digunakan untuk

MLM adalah HLM yang masih banyak digunakan hingga saat ini [93]. Perkembangan yang

lebih baru adalah MLwiN [26] dan modul bertingkat tersedia di banyak program statistik

(Stata, MPLUS) atau melalui metode statistik dasar (misalnya, model MIXED di IBM SPSS

dan SAS).

Selain kemampuan ketersediaan perangkat lunak, ada beberapa teks bagus dengan

penjelasan lebih rinci tentang MLM dari berbagai sudut pandang [62, 45, 47, 108, 6] serta

teks yang berorientasi pada perangkat lunak tertentu – IBM SPSS [58], SAS [ 12 Stata [91]

dan R [42].

MODEL PANEL

Dalam kerangka analisis yang agak mirip dengan model bertingkat, model panel atau

analisis panel adalah teknik analisis berbasis regresi yang dirancang untuk menangani

analisis cross-sectional dari data longitudinal atau data deret waktu. Dalam perspektif cross-

sectional, ini mengakomodasi analisis regresi tipikal dengan serangkaian variabel

independen yang terkait dengan variabel hasil. Analisisnya bisa menganalisis individu,

perusahaan, merek, sekolah, negara atau unit analisis lainnya, dan faktor apa saja yang

44
mempengaruhi hasilnya. Namun elemen unik dari model panel adalah bahwa model

tersebut juga mengakomodasi data longitudinal baik untuk variabel dependen maupun

independen. Jadi, daripada harus melakukan analisis terpisah setiap tahunnya atau

menggabungkan data-data tersebut dari tahun ke tahun dengan cara tertentu, model panel

dirancang untuk memenuhi karakteristik yang diperlukan dari jenis data ini.

Kesamaan dengan Model Bertingkat

Dengan menggunakan terminologi model bertingkat, setiap unit analisis (misalnya,

individu, perusahaan, sekolah, dll.) membentuk suatu kelompok (yaitu, Tingkat-2), dengan

data longitudinal untuk unit analisis tersebut berupa observasi dalam kelompok tersebut

(yaitu, Tingkat -1). Dalam model bertingkat kami memperhatikan ketergantungan dalam

grup. Dengan data longitudinal kita mengetahui bahwa kita mempunyai beberapa pola

korelasi serial yang harus diperhitungkan. Model panel akan menggunakan banyak konsep

yang sama, khususnya efek tetap versus efek acak, untuk menganalisis bentuk data

kelompok yang spesifik ini.

Manfaat Model Panel

Kemampuan untuk mengintegrasikan analisis cross-sectional dan longitudinal ke

dalam satu kerangka kerja memiliki beberapa keunggulan dibandingkan metode lainnya.

Pertama, dengan menggunakan estimasi efek tetap untuk suatu efek, permasalahan

variabel yang dihilangkan (endogenitas) diperhitungkan. Dengan melakukan hal ini, model

juga dapat menjelaskan heterogenitas di antara unit-unit analisis. Kombinasi penggunaan

efek tetap dan acak memungkinkan kontrol yang tepat atas variasi karena heterogenitas

antar unit analisis dan ketergantungan dalam kelompok.

Model Panel Latar Belakang

Model Panel Latar Belakang memberikan alternatif terhadap sejumlah teknik analisis

lain yang ditujukan untuk data jangka panjang. Pendekatan pertama adalah model cross-

45
sectional yang diulang-ulang, yang mengalami ketidakmampuan untuk “menghubungkan”

analisis selama bertahun-tahun yang kita bahas di bagian model multilevel. Pendekatan

kedua adalah model sejarah peristiwa, yang mencakup teknik-teknik seperti analisis

kelangsungan hidup, analisis waktu kegagalan, dan model bahaya atau risiko.

Jenis model ini cukup dapat diterapkan pada proses tertentu (misalnya

kelangsungan hidup) dan metode yang muncul memfasilitasi masuknya lebih banyak

kovariat (yaitu variabel independen). Namun model-model ini masih memiliki kelemahan

karena terbatasnya variasi yang dapat diakomodasi dan mengakibatkan fokus pada prediksi

dibandingkan penjelasan, serta beberapa masalah pengelolaan data yang kompleks.

Metode alternatif ketiga adalah analisis deret waktu, yang paling baik dicirikan sebagai

beberapa variabel, banyak periode waktu. Ia memiliki keunggulan unik dalam prosedur

analitis ekstensif untuk estimasi dan prediksi serta wawasan terperinci mengenai pola

sepanjang waktu.

Permasalahan Dasar

Beberapa permasalahan mendasar yang terlibat dalam model panel dan memaparkan

kepada pembaca jenis permasalahan yang harus ditangani dalam metode ini. Pada bagian

di bawah ini kita akan membahas jenis-jenis variabel yang dapat dimasukkan ke dalam

model panel, jenis-jenis model yang dapat diestimasi dengan menggabungkan efek-efek

tetap dan acak, beberapa pertanyaan dasar ketika memilih efek-efek tetap versus acak dan

kemampuan untuk menambahkan dimensi waktu.

JENIS VARIABEL

Ada empat tipe dasar variabel yang dapat digunakan dalam model panel. Yang

pertama adalah variabel yang berbeda antar unit analisis, namun tidak berubah seiring

berjalannya waktu (misalnya ras dan gender, jenis perusahaan atau tingkat sekolah). Jenis

variabel kedua dapat berubah seiring berjalannya waktu, namun sama untuk semua unit

analisis pada periode waktu tertentu (misalnya, indikator perekonomian nasional).

46
 REFERENCES

Aguinis H., JC Beaty, RJ Boik, dan CA Pierce. 2005. Ukuran Efek dan Kekuatan dalam

Menilai Efek Moderasi Variabel Kategori Menggunakan Regresi Berganda: Tinjauan 30

Tahun. Jurnal Psikologi Terapan 90: 94–107.

Aguinis, H., RK Gottfredson, dan H. Joo. 2013. Rekomendasi Praktik Terbaik untuk

Mendefinisikan,Mengidentifikasi, dan Menangani Pencilan. Metode Penelitian

Organisasi 16: 270–301.

Akaike, H. 1974. Pandangan Baru pada Model Statistik Identifikasi. Transaksi IEEE pada

Kontrol Otomatis 19: 716–23.

Alkharusi, H. 2012. Variabel Kategorikal dalam Analisis Regresi: Perbandingan Dummy dan

Effect Coding. Jurnal Pendidikan Internasional 4: 202–10.

Baltagi, B. 2008. Analisis Ekonometrika Data Panel. New York: Wiley.

Banerjee, S., BP Carlin, dan AE Gelfan. 2014. Pemodelan dan Analisis Hirarki untuk Data

Spasial. Boca Raton, FL: Pers CRC.

Barcikowski, RS 1981. Kekuatan Statistik dengan Mean Grup sebagai Unit Analisis. Jurnal

Statistik Pendidikan 6: 267–85.

Barnett, V., dan T. Lewis. 1994. Pencilan dalam Data Statistik, edisi ke-3. New York: Wiley.

Beck, Natanael. 2001. Data Rangkaian Waktu–Penampang: Apa yang Telah Kita Pelajari

dalam Beberapa Tahun Terakhir? Tahunan

Review Ilmu Politik 4: 271–93.

iii
Beckstead, JW 2012. Mengisolasi dan Mengkaji Sumber Supresi dan Multikolinearitas pada

Regresi Linier Berganda. Penelitian Perilaku Multivariat 47: 224–46.

Bell, A., dan K. Jones. 2015. Penjelasan Fixed Effect: Pemodelan Random Effects dari Data

Time-Series Cross- Sectional dan Panel. Penelitian dan Metode Ilmu Politik 3:133–53.

Belsley, DA, E. Kuh, dan E. Welsch. 1980. Diagnostik Regresi: Mengidentifikasi Data yang

Berpengaruh dan Sumber Kolinearitas. New York: Wiley.

Blalock, HM 1984. Model Efek Kontekstual: Masalah Teoritis dan Metodologis. Review

Tahunan Sosiologi 10: 353–72.

Bliese, PD, dan PJ Hanges. 2004. Menjadi Terlalu Liberal dan Terlalu Konservatif: Bahaya

Memperlakukan Data Kelompok Seolah-olah Mereka Independen. Metode Penelitian

Organisasi 7: 400–17.

BMDP Statistical Software, Inc. 1991. SOLO Power Anal ysis.Los Angeles: BMDP.

Bock, RD (edisi). 2014. Analisis Bertingkat Data Pendidikan. Amsterdam: Elsevier.

Merek Bollen, KA, dan JE. 2010. Model Panel Umum dengan Efek Acak dan Tetap:

Pendekatan Persamaan Struktural. Kekuatan Sosial 89: 1–34.

Kotak, GEP, dan DR Cox. 1964. Analisis Transformasi. Jurnal Royal Statistical Society B 26:

211–43.

Boyd, LH, dan GR Iversen. 1979. Analisis Kontekstual: Konsep dan Teknik Statistik.

Belmont, CA: Wadsworth.

iv
Bryk, AS, dan SW Raudenbush. 1988. Menuju Konseptualisasi Penelitian Pengaruh Sekolah

yang Lebih Tepat: Model Linier Hirarki Tiga Tingkat. Jurnal Pendidikan Amerika 97: 65–

108.

Bryk, AS, dan SW Raudenbush. 1989. Metodologi Penelitian Organisasi Lintas Tingkat.

Dalam SB Bacha rach (ed.), Penelitian Sosiologi Organisasi, Vol. 1, Greenwich, CT:

JAI Press, hlm.233–73.

Bryk, AS, dan SW Raudenbush. 1992. Model Linier Hirarki. Taman Newbury, CA: Sage.

Budescu DV 1993. Analisis Dominasi: Pendekatan Baru terhadap Masalah Pentingnya

Relatif Prediktor dalam Regresi Berganda. Buletin Psikologis 114: 542–51.

Budescu DV, dan R.Azen. 2004. Melampaui Ukuran Global yang Pentingnya Relatif:

Wawasan dari Analisis Dominasi. Metode Penelitian Organisasi 7: 341–50.

Capraro, RM dan MM Capraro, 2001. Analisis Kesamaan: Memahami Kontribusi Varians

terhadap Korelasi Kanonik Keseluruhan Pengaruh Sikap Terhadap Matematika pada

Prestasi Geometri. Sudut Pandang Regresi Linier Berganda 27: 16–23.

Charlton, C., J. Rasbash, WJ Browne, M. Healy, dan B. Cameron. 2017.MLwiN Versi 3.00.

Pusat Pemodelan Bertingkat, Universitas Bristol.

Clark, TS, dan DA Linzer. 2015. Haruskah Saya Menggunakan Efek Tetap atau Acak?

Penelitian dan Metode Ilmu Politik 3: 399–408.