Chapter 5

Pertanyaan Teknis di Korelasi

Meta_Analisis
r Versus r2: Mana yang Harus Digunakan?
 r2 adalah proporsi varians dalam satu variabel yang diperhitungkan oleh variabel lain
 r2 = r * r (r=0,30 maka r2=0,090)
 Korelasi adalah kemiringan standar regresi variabel dependen terhadap variabel
independent. Jika x dan y dalam bentuk skor standar, maka ŷ = rx. Jadi, r adalah
kemiringan garis yang menghubungkan y ke x. Dengan demikian, ini mengindeks
prediktabilitas y dari x.

 Kemiringannya (slope) adalah B = r (SDy / SDx ).

 C adalah intersep skor mentah (konstanta)
 Indeks ukuran efek berbasis varians hampir selalu menipu dan menyesatkan dan
harus dihindari, baik dalam meta-analisis atau dalam penelitian utama. Dalam meta-
analisis, indeks semacam itu memiliki kelemahan tambahan: Mereka mengaburkan
arah efeknya. Tidak membedakan antara r dari .50 dan r dari -.50; keduanya akan
memasuki meta-analisis sebagai r2 = .25.
r Versus Regresi Slope dan Intersepsi dalam Meta-Analysis
 Beberapa telah menganjurkan bahwa semua teori tersebut harus diuji dengan
menggunakan analisis regresi (skor mentah). Apa kelayakan dan kegunaan relatif dari
meta-analisis berdasarkan kemiringan dan intersep versus korelasi?
 Batasan Rentang (Range Restriction), Korelasi dipengaruhi oleh batasan jangkauan dan,
oleh karena itu, perlu dikoreksi ke SD umum untuk variabel independen untuk
menghilangkan perbedaan yang dihasilkan dan redaman keseluruhan. Ketika batasan
rentang pada variabel independen bersifat langsung, hal itu tidak berpengaruh pada
prediksi kemiringan skor mentah dan intersep, dan oleh karena itu, tidak perlu koreksi
rentang. Ini tampaknya menjadi keuntungan penting, tetapi sayangnya, batasan jangkauan
hampir selalu tidak langsung, dan dengan demikian, kemiringan dan intersep terpengaruh.
 Kesalahan Pengukuran (Error Measurement), Korelasi dilemahkan oleh
ketidakandalan dalam ukuran variabel independen dan dependen, dan mereka harus
dikoreksi untuk ketidakandalan pada keduanya. Kemiringan regresi skor mentah dan
intersep juga dilemahkan oleh kesalahan pengukuran, tetapi hanya kesalahan pengukuran
pada variabel independen.
 Perbandingan Unit Lintas Studi (Comparability of Units Across Studies)
 Kerugian utama dari kemiringan regresi dan penyadapan adalah bahwa mereka biasanya
tidak sebanding di seluruh studi dan, dengan demikian, tidak dapat diakumulasikan
secara bermakna dalam meta-analisis.

 Nilai untuk B dapat dibandingkan antar studi hanya jika semua studi telah
menggunakan skala yang sama persis untuk mengukur X dan Y

 Perbandingan Temuan di Meta-Analisis (Comparability of Findings Across Meta-

Analyses)
 Jika semua studi yang tersedia telah dilakukan dengan menggunakan skala pengukuran yang
sama (kejadian yang sangat jarang), maka seseorang dapat menerapkan meta-analisis pada
kemiringan dan intersep. Ketidakterbandingan meta-analisis merupakan kelemahan serius
untuk akumulasi lereng dan penyadapan. Artinya, bahkan dalam kasus yang jarang terjadi
dimana meta-analisis lereng dan perpotongan dimungkinkan secara statistik, seseorang masih
harus melakukan meta-analisis dalam korelasi untuk mendapatkan serangkaian temuan yang
dapat dikaitkan dengan jaringan nomologis yang berkembang lebih luas.
Faktor Teknis yang Menyebabkan Overestimasi SDρ
 Faktor-faktor ini menyebabkan perkiraan yang berlebihan dari jumlah variabilitas
dalam korelasi yang sebenarnya. Faktor-faktor ini adalah :
 (1) adanya korelasi non-Pearson dalam meta-analisis,
 (2) adanya outlier (korelasi yang sangat besar atau kecil) dalam meta-analisis,
 (3) penggunaan studi korelasi yang diamati dalam formula untuk varians kesalahan
pengambilan sampel,
 (4) koreksi yang kurang untuk varians kesalahan pengambilan sampel ketika ada
Batasan rentang, dan
 (5) kegagalan untuk memungkinkan koreksi rentang nonlinier dalam meta-analisis
berdasarkan distribusi artefak.
 Kehadiran Non-Pearson rs
 Rumus varians kesalahan sampling dari korelasi Pearson di bawah perkiraan jumlah varians
kesalahan sampling dalam korelasi ini. Ketika korelasi tersebut dimasukkan dalam meta-
analisis, mereka diperlakukan seolah-olah kesalahan standar mereka adalah dari Pearson rs. Ini
mengecillkan estimasi varians yang diperhitungkan oleh artefak dan mengembang perkiraan
SDρ dalam setiap distribusi korelasi di mana korelasi biserial dan tetrachoric hadir.
 Hunter dan Schmidct menemukan bahwa menghapus non-Pearson rs meningkatkan persentase
rata-rata varians yang disebabkan oleh kesalahan pengambilan sampel hamper lima poin
persentase (Schmidt et al., 1993). Perlu dicatat bahwa Spearman's rho adalah Pearson r antara
peringkat dan memiliki varians kesalahan sampling yang sama dengan Pearson r.
 Kehadiran Pencilan dan Kesalahan Data Lainnya
 Penggunaan metode statistik kuadrat terkecil untuk memperkirakan rata-rata dan varians dari
distribusi korelasi didasarkan pada asumsi bahwa data tidak mengandung nilai yang
menyimpang (yaitu, outlier). Ketika asumsi ini tidak berlaku, sifat statistik yang optimal
(efisiensi dan ketidakberpihakan) dari estimasi kuadrat terkecil akan muncul. Dalam keadaan
ini, perkiraan kuadrat terkecil menjadi sangat tidak akurat karena sensitivitas ekstrim mereka
terhadap outlier. Kehadiran bahkan satu outlier dapat menghasilkan peningkatan radikal dalam
deviasi standar yang diamati dan distorsi mean yang agak lebih kecil. Bahkan ketika kesalahan
tersebut tidak menghasilkan outlier, mereka masih menghasilkan varians artifaktual tambahan
di luar yang dihasilkan oleh kesalahan sampling dan artefak lainnya.
Penggunaan r Alih-alih r̅ dalam Rumus Kesalahan Sampling

 Rumus untuk varians kesalahan sampling dalam koefisien korelasi adalah di mana N adalah
ukuran sampel dan xy adalah korelasi populasi (tidak dikoreksi). xy tentu saja tidak diketahui,
dan untuk menggunakan rumus ini, beberapa metode harus ditemukan untuk
memperkirakannya.
Koreksi Kurang untuk Kesalahan Pengambilan Sampel
Varians dalam Kehadiran Pembatasan Rentang
 Rumus untuk varians kesalahan pengambilan sampel mengasumsikan bahwa variabel
independent dan dependen setidaknya berdistribusi normal. Dimana ada batasan jangkauan
langsung (pemotongan) pada salah satu atau kedua variable yang dilanggar.
Nonlinier dalam Koreksi Rentang
 Dalam metode meta-analisis berbasis distribusi artefak, mean ( ρ̅ ) dan standar deviasi (SDρ̅ )
dari korelasi sebenarnya diperkirakan dari mean (r̅ res) dan standar deviasi (SDres) dari distribusi
residual. Distribusi residual adalah distribusi korelasi yang diamati yang diharapkan di seluruh
studi jika N selalu tak terbatas (yaitu, tidak ada kesalahan pengambilan sampel) dan keandalan,
batasan jangkauan, dan artefak lainnya selalu konstan pada nilai rata-rata masing-masing.
Fixed- and Random-Effects Models in Meta-Analysis
 Fixed- Versus Model Efek Acak. Perbedaan mendasar di sini adalah bahwa model efek tetap
mengasumsikan apriori bahwa nilai ρ (atau δ ) yang persis sama mendasari semua studi dalam
meta-analisis (yaitu, SDρ = 0), sedangkan model efek acak memungkinkan kemungkinan bahwa
parameter populasi (nilai ρ atau δ) bervariasi dari studi ke studi. Tujuan utama dari model efek
acak adalah untuk memperkirakan varians ini. Model efek-acak adalah model yang lebih umum:
Model efek-tetap adalah kasus khusus dari model-model efek-acak di mana SDρ = 0
 Akurasi Model Efek Acak yang Berbeda, Model efek tetap tidak pernah digunakan dalam
penelitian generalisasi validitas dan jarang digunakan dalam penelitian apa pun dalam psikologi
industri/organisasi. Alasan begitu sedikit peneliti yang melakukan meta-analisis dalam psikologi
sosial dan bidang non-I/O lainnya telah menggunakan model efek acak Hedges-Olkin adalah
bahwa buku oleh Hedges dan Olkin (1985) mengembangkan model efek tetapnya lebih lengkap
daripada model efek acaknya. Hedges dan Vevea (1998) menyajikan pengembangan dan diskusi
yang lebih lengkap tentang model efek acak mereka. Ini telah mendorong minat untuk
membandingkan akurasi model efek acak Hedges-Vevea (1998) dan Hunter-Schmidt (1990a).
Credibility VS Confidence Intervals Dalam Meta-Analysis
 r = korelasi X → Y
B = slope
C = konstanta
Y=Bx + C

X Y

Gaya Kepemimpinan Kinerja Manajerial

B=r.
r sangat bergantung pada SD
Fixed-And Random- Effect Model dalam Meta Analisis
 Fixed Effect Model = Studi yang dianalisis memiliki kemiripan Effect Model =
Studi yang dianalisis memiliki perbedaan fungs(Identik/setara) dan tidak
melakukan generalisasi
 SD = 0
 Random ional yang disebebkan oleh treatment
 SD > 0
 Random effect model jarang digunakan karena terkadang hasilnya SD=0

Credibility Versus Confidence Intervals Dalam Meta-Analysis

 Kredibilitas interval dibentuk menggunakan SD.
 CI mengacu pada nilai tunggal yaitu ρ̅
 Kedua parameter ini digunakan pada Random Effect Model
Range Restriction in Meta-Analysis: New Technical Analysis
 Pembatasan rentang pertama kali dipertimbangkan dalam konteks pengukuran yang sangat
andal. Jika variabel bebas (prediktor) diukur dengan sempurna, maka prosedur untuk
mengoreksi batasan jarak tidak langsung sama dengan prosedur untuk mengoreksi batasan
jarak langsung. Karena secara matematis jauh lebih mudah untuk memahami pembatasan
rentang langsung, sebagian besar peneliti pertama-tama mempelajari cara mengoreksi
pembatasan langsung dan kemudian menerapkan persamaan koreksi untuk pembatasan
langsung pada kasus pembatasan jarak langsung dan tidak langsung.
 Meta-analisis dalam tiga konteks: (1) domain tanpa batasan jangkauan, (2) domain dengan
batasan jangkauan langsung, dan (3) domain dengan batasan jangkauan tidak langsung.
 Model meta-analisis efek acak ini cukup akurat dalam domain penelitian tanpa batasan
jangkauan.
 Metode perkalian yang disajikan dalam Bab 4 dan metode Callender-Osburn (1980) adalah
yang paling sederhana untuk domain tersebut dan mereka bekerja dengan sempurna.
Ketika data dicirikan oleh batasan jangkauan langsung, model yang ada cukup akurat tetapi
tidak sepenuhnya akurat.
 Sampai buku ini diterbitkan, tidak ada model meta-analisis yang ada untuk pembatasan
rentang tidak langsung.
Domains With No Range Restriction
 Ketika tidak ada batasan jangkauan, Beberapa artefak merupakan bebrapa artefak
sederhana. Setiap pengganda artefak dapat dan dihitung secara terpisah dari artefak
lainnya. Ini mencerminkan fakta bahwa setiap artefak bergantung pada
ketidaksempurnaan studi yang berbeda dan memiliki struktur kausal yang independen
dari artefak lainnya.

 Artificial Dichotomization
 Untuk mempermudah penyajian dan analisis maka dilakukan dengan membuat dikotomi
variable (dummy)
 Jika terdapat 1 variabel dikotomi maka multiplier dihitung cukup menggunakan korelasi
biserial.
 Jika terdapat 2 variabel dikotomi maka multiplier dihitung menggunakan korelasi
tetrachoric yang cukup rumit
 Direct Range Restriction
 Dalam kondisi pembatasan jangkauan langsung, koreksi artefak harus dilakukan
dalam urutan tertentu. Hal yang sama berlaku untuk pembatasan rentang tidak
langsung, tetapi urutan koreksi yang diperlukan berbeda. Persyaratan untuk
urutan spesifik di mana koreksi dilakukan mempengaruhi kedua pendekatan meta-
analisis: koreksi setiap korelasi secara individual dan meta-analisis distribusi
artefak

 Artifact Distribution Meta-Analysis: Direct Range Restriction

 Kita mulai dengan hasil meta-analisis yaitu, rata-rata dan simpangan baku yang
diperkirakan dari ρXYi.
 1. Menggunakan nilai mean dan SD dari ρXYi untuk mengitung nilai mean dan SD ρXPi
 2. Menggunakan nilai mean dan SD dari ρXPi untuk mengitung nilai mean dan SD ρXPa
 3. Menggunakan nilai mean dan SD dari ρXPa untuk mengitung nilai mean dan SD ρTPa
 Indirect Range Restriction
 Untuk pembatasan jangkauan tidak langsung, pemilihan didasarkan pada karakteristik selain
prediktor itu sendiri. Stauffer (1996) mencatat bahwa pembatasan rentang tidak langsung
menyebabkan perubahan kemiringan garis regresi variabel dependen. Ada satu situasi di mana
poin Stauffer akan diperdebatkan. Jika pengujian benar-benar andal, kemiringan tidak akan
diubah oleh pembatasan rentang tidak langsung dan rumus untuk pembatasan rentang langsung
akan tetap sesuai dan memberikan nilai koreksi yang akurat.
 Pengukuran Pengukuran
Kepuasan Kerja Kinerja Karyawan

S T P
Gaya Kepemimpinan

X=T+e
X Y
Kepuasan Kerja Kinerja Karyawan

 Meta analisis digunakan untuk mengkonversi nilai rxy menjadi pxy dengan menghilangkan error.
 Tujuan dari meta-analisis adalah untuk menghilangkan ktiga efek dari: Batasan jangkauan, kesalahan
pengukuran pada variabel kriteria (Y), dan kesalahan pengukuran pada variabel prediktor (X). Rumus
untuk distribusi artefak meta-analisis bisa rumit. Agar persamaan dapat dimengerti, penting untuk
membuat persamaan sesederhana mungkin.
 re.