BAB 9

MODEL EMPIRIS

BENTUK MODEL EMPIRIS

Model empiris dapat mempunyai sebuah dependen variabel maupun lebih

dari satu dependen variabel.

Yang termasuk model-model empiris yang mengggunakan hanya sebuah

variabel dependen adalah model regresi, model regresi logit, model regresi
probit, model regresi tobit, model analisis diskriminan, model ANOVA dan
model analisis conjoint.
Bentuk dari model regresi adalah sebagai berikut:

Y1 = X1 + X2 + … + X n
(metrik) (metrik, non-metrik)

Bentuk dari model regresi Logit/Probit/Tobit adalah sebagai berikut:

Y1 = X1 + X 2 + … + Xn
(non-metrik) (metrik, non-metrik)

Bentuk dari model analisis Diskriminan adalah sebagai berikut:

Y1 = X1 + X 2 + … + Xn
(non-metrik) (metrik, non-metrik)

Bentuk dari model ANOVA adalah sebagai berikut:

Y1 = X1 + X 2 + … + Xn
(metrik) (non-metrik)

Bentuk dari model analisis Conjoint adalah sebagai berikut:

Y1 = X1 + X 2 + … + Xn
(metrik, non-metrik) (non-metrik)
 Yang termasuk model-model empiris yang mengggunakan lebih dari
sebuah variabel dependen adalah model MANOVA dan model korelasi
kanonikal.

Bentuk dari model MANOVA adalah sebagai berikut:

Y1 + Y2 + … + Yn = X1 + X2 + … + Xn
(metrik) (non-metrik)

Bentuk dari korelasi Kanonikal adalah sebagai berikut:

Y1 + Y2 + … + Yn = X1 + X2 + … + Xn
(metrik, non-metrik) (metrik, non-metrik)

Yang termasuk model-model empiris yang mengggunakan banyak persamaan secara
simultan adalah model persamaan-persamaan simultan (simultaneous equations) dan
structural equation modeling.
Bentuk dari model persamaan-persamaan simultan (simultaneous equations) adalah
sebagai berikut:
Y1 = X11 + X12 + … + X1n
Y2 = X21 + X22 + … + X2n

Yn = Xn1 + Xn2 + … + Xnn

(metrik) (metrik, non-metrik)
Bentuk dari structural equation modeling adalah sebagai berikut:
Y1 = X11 + X12 + … + X1n

X11 = X21 + X22 + … + X2n

X1n = Xn1 + Xn2 + … + Xnn
(metrik, non-metrik) (metrik, non-metrik)
Tabel. Ringkasan bentuk-bentuk model empiris.
Model
Regresi
Regresi Logit/Probit/Tobit
Analisis diskriminan
ANOVA
Analisis conjoint
MANOVA
Korelasi kanonikal
Persamaan-persamaan
simultan
Structural equation modeling
Tipe data
Variabel Dependen Variabel Independen
(metrik) (metrik, non-metrik)
(non-metrik) (metrik, non-metrik)
(non-metrik) (metrik, non-metrik)
(metrik) (non-metrik)
(metrik, non-metrik) (non-metrik)
(metrik) (non-metrik)
(metrik, non-metrik) (metrik, non-metrik)
(metrik) (metrik, non-metrik)
(metrik, non-metrik) (metrik, non-metrik)
VARIABEL DI MODEL EMPIRIS

Model adalah bentuk simbol dari suatu teori. Bentuk simbol pada model
ini harus menunjukkan hubungan kausal antara variabel-variabel di dalam
model. Oleh karena itu model seperti ini juga disebut dengan nama model
kausal (causal model).
Variabel (variable) adalah suatu simbol yang berisi suatu nilai. Selain
variabel di kelompokan menjadi variabel dependen (VD) dan variabel
independen (VI), variabel juga dikelompokan menjadi variabel moderasi
(VMO) atau moderating variable, variabel mediasi (VME) atau mediating
variable, dan variabel ekstrani (VE) atau extraneous variable.
Variabel Moderasi

Suatu variabel moderasi (moderating variable) atau (VMO) adalah suatu

variabel independen lainnya yang dimasukkan ke dalam model karena
mempunyai efek kontingensi dari hubungan variabel dependen dan variabel
independen sebelumnya.

VMO

VI VD

Gambar. Variabel moderasi.

Model empiris untuk variabel moderasi ini dapat disajikan dengan interaksi
variabel-variabel di model analisis regresi moderasian (moderated
regression analysis) sebagai berikut:

VD    1VI   2VMO  3VI *VMO  e

Efek Efek Efek

utama utama interaksi

Notasi:
VD = variabel dependen.
VI = variabel independen.
VMO = variabel moderasi.
e = kesalahan residu.
Contoh :
Menguji efek dari partisipasi budget (PB) terhadap kinerja
perusahaan (KP) yang dapat dimodelkan sebagai berikut:
KP    1PB  e

Jika ternyata kenyataannya hubungan kausal ini

dipengaruhi oleh variabel lain secara kontingensi, misal
variabel preferensi manajer (PRM) sebagai variabel
moderasi. Maka model empiris ini dapat disajikan sebagai
berikut:
KP    1 PB   2 PRM   3 PB * PRM  e
Grafik dari Efek Moderasi

VD slop lebih tajam untuk nilai

VMO lebih tinggi

slop kurang tajam untuk nilai

VMO lebih rendah

VI

Gambar 9.2. Grafik dari efek moderasi.

Menghilangkan Variabel Efek Utama

Menghilangkan variabel-variabel efek utama dalam

persamaan regresi moderasian akan menyebabkan hasil
koefisien interaksi bias menuju ke arah signifikan.

Ini berarti bahwa jika koefisien interaksi signifikan,

hasil signifikansi ini dipertanyakan apakah karena hasil
dari interaksinya atau karena tambahan varian dari salah
satu variabel efek utama yang dihilangkan di persamaan
regresi.
 PENTING dan SALAH KAPRAH

Beberapa penelitian menghilangkan efek-efek order-lebih-rendah atau efek-

efek utama dari persamaan analisis regresi moderasian dan hanya
menggunakan efek interaksi sebagai berikut:

VD     3 VI * VMO  e
Hasil signifikan dari koefisien β3 tidak dapat dikatakan bahwa efek interaksi
terjadi. Signifikansi ini dapat terjadi karena efek yang signifikan pengaruh
VI terhadapVD, tidak perduli efek dari VMO terjadi atau tidak. Dengan kata
lain, karena bentuk interaksi adalah perkalian antara VI dengan VMO,
signifikansi tersebut dapat terjadi karena pengaruh signifikansi dari VI atau
signifikansi terjadi karena interaksi “mencuri varian” dari salah satu
variabelnya. Penghilangan efek-efek utama akan menghilangkan arti dari
efek interaksi. Dengan demikian, untuk menguji efek interaksi, efek-efek
utama harus dimasukkan ke dalam persamaan analisis regresi
moderasian.
Variabel Mediasi

Variabel mediasi (VME) atau mediating variable adalah variabel

yang secara teori mempengaruhi fenomena yang diobservasi (variabel
dependen), yang efeknya harus diinferensi melalui efek hubungan antara
variabel independen dengan fenomenanya (variabel dependennya).

VI VME VD
(model 1)

Gambar. Bentuk model hubungan mediasi.

Jika hubungan kausal antara variabel independen dengan variabel
dependen masih ingin diperlihatkan, maka bentuk modelnya adalah
sebagai berikut ini.

VI VME VD

VI VD

VME

Gambar Bentuk model hubungan mediasi dan hubungan

langsungnya.
Variabel Ekstrani

Variabel ekstrani (VE) atau extraneous variable adalah variabel lain selain
variabel independen, dependen, moderating, dan mediating yang dapat
mempengaruhi hubungan kausal. Variabel ekstrani dapat di kelompokkan
menjadi dua, yaitu variabel pelengkap dan variabel pengganggu.
a) Variabel Kontrol

Variabel pelengkap dikenal sebagai variabel kontrol (control variable) yaitu

untuk melengkapi atau mengkontrol hubungan kausalnya supaya lebih baik
untuk didapatkan model empiris yang lebih lengkap dan lebih baik.

b) Variabel Pengganggu

Variabel pengganggu (confounding variable) merupakan variabel yang

efeknya mengganggu hubungan kausal antara variabel independen dan
variabel dependen.
DEFINISI VARIABEL

Variabel-variabel didalam model harus didefinisikan agar jelas makna dan

pengukurannya. Dua macam definisi diperlukan yaitu sebagai berikut ini.
1. Definisi naratif (narative definition), yaitu definisi dalam bentuk kalimat
untuk menjelaskan makna dan artinya.
2. Definisi operasional (operational definition), yaitu definisi berupa cara
mengukur variabel itu supaya dapat dioperasikan.

Contohnya variabel reaksi pasar dengan definisi naratifnya sebagai return

tidak normal (abnormal return) yaitu perubahan return saham diluar perubahan
return normalnya. Definisi operasi ini adalah:

ARt = Rt – E(Rt),

dengan:
ARt = return tidak normal (abnormal return) pada saat t.
Rt = adalah return pada saat t.
E(Rt) = return normal pada saat t.