02 Agustus 2020

Tutorial Uji Multikolinieritas Pada Model Regresi Berganda

Dalam model regresi berganda sebelum dilakukan interpretasi model regresi untuk uji hipotesis perlu dilakukan uji asumsi klasik yang harus dipenuhi. Antara lain normalitas, heterokedasititas, autokorelasi, linieritas dan multikolinieritas. Multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang dibangun ditemukan adanya korelasi yang tinggi antar variabel independen. 

Deteksi Multikolinieritas

Apabila terjadi pelanggaran adanya multikolinieritas maka :
  1. Interval estimasi akan cenderung besar dan nilai t-statistik akan kecil. Hal ini menyebabkan variabel independen tidak signifikan dalam mempengaruhi variabel dependen.
  2. Model regresi masih bersifat Best Linear Unbiased Estimator (BLUE). Namun varian dan kovarian masih besar dan akan sulit sebagai alat estimasi.
Untuk mendeteksi ada atau tidaknya pelanggaran terjadinya multikolinieitas antara lain :
  1. Nilai R-square sangat tinggi tetapi variabel-variabel independen tidak signifikan berpengaruh terhadap variabel dependen.
  2. Pada matrik korelasi antar variabel independen. Jika ada korelasi lebih besar dari 0.85 maka ada indikasi terjadi multikolinieritas.
  3. Nilai Tolerance dan Variance Inflation Factor (VIF). Jika nilai Tolerance kurang dari 0.2 dan VIF lebih tinggi dari 10 maka terindikasi adanya multikolinieritas.
Dari keterangan di atas ada beberapa pengujian yang dilakukan untuk mengetahui terjadinya pelanggaran multikolinieritas : 
  1. Uji Tolerance dan Variance Inflation Factor (VIF).
  2. Uji korelasi antar variabel independen.Pengujia korelasi dilakukan dengan uji korelasi pearson.
  3. Melakukan analisi Regresi Auxiliary. Auxiliary regression dilakukan untuk mengetahui variabel independen mana yang memiliki korelasi yang tinggi dengan variabel independen lainnya. Cara melakukan regresi ini dengan meregres setiap X independen terhadap X independen lainnya kemudian membandingkan nilai R-square yang diperoleh dengan R square keseluruhan. Jika nilai R square auxiliary lebih tinggi dibandingkan R-square keseluruhan, maka X independen tersebut bermasalah dan terjadi multikolinieritas.
  4. Grafik Scatter Plot dari Predictive standardized value. Apabila terjadi pelangaran multikolinieritas, titik-titik nilai predictive standardized value tidak mengumpul tetapi menyebar ke atas dan ke bawah garis tengah baik vertika maupun horizontal.
Ada beberapa solusi jika terjadi multikolinieritas, antara lain :
  1. Melakukan transformasi variabel seperti logaritma natural (Ln) dan lain sebagainya.
  2. Menghilangkan salah satu variabel yang mengalami multikolinieritas.
  3. Menambah jumlah sampel. Dengan penambahan jumlah sampel diharapkan dengan memperoleh nilai data baru akan menurunkan korelasi antar variabel independen .
  4. Menggunakan metode lainnya seperti : Partial Least Square (PLS), Bayesian regression atau Ridge regression.
Referensi : 
  • Gudono. 2012. Analisis Multivariat. BPFE. Yogyakarta
  • Imam Ghozali. 2013. Aplikasi Analisis Multivariat dengan Program SPSS 21. Badan Penerbit Undip. Semarang
  • Wing Wahyu Winarso.2011. Analisis Ekonometrika dan Statistika denga Eviews. STIM YKPN. Yogyakarta.

29 Juli 2020

Tutorial Model Multi-Group Analysis (MGA)

Multi-Group Analysis (MGA) atau analisis multisampel dilakukan dengan tujuan untuk membandingkan analisis data berdasarkan data sampel karena memiliki karakteristik yang berbeda dengan 2 atau lebih karakter. Karakteristik tersebut bisa jenis kelamin (laki-laki dan wanita), status pernikahan (menikah dan tidak menikah), status karyawan (tetap dan kontrak) dan lain sebagainya.  Langkah yang dilakukan adalah dengan membandingkan nilai t-statistik dari masing-masing grup tersebut.
Bagaimana gambaran dan caranya? sebagai contoh kita memiliki model pengaruh motivasi terhadap kinerja karyawan. Di sini kita memiliki karakteristik status karyawan yaitu karyawan tetap dan karyawan kontrak. Kita dapat membandingkan keduanya, apakah koefisien pengaruh dari Motivasi terhadap Kinerja pada grup karyawan tetap dan grup karyawan kontrak memiliki perbedaan yang signifikan.Sehingga sampel yang digunakan ada 2 sub sampel (grup) yaitu sub sampel karyawan tetap dan subsampel karyawan kontrak. Untuk menguji kedua grup, model analisis yang dilakukan dengan Multi-Group Analysis (MGA). Ada 3 pendekatan dalam analisis multi grup yaitu :
  1. Pendekatan Parametrik yaitu mengestimasi parameter model untuk tiap grup dan menggunakan standar error yang diperoleh dari boostraping sebagai input untuk parameter test. Karena PLS bersifat non-parametric atau distribution free maka pendekatan parametrik ini tidak sejalan. pendekatan ini dikemukakan Keit et al. (2000).
  2. Prosedur non parametric yaitu tidak mensyaratkan asumsi distribusinal. pendekatan ini diperkenalkan Hanseler (2007, 2012). Prosedur ini membandingkan setiap centered estimasi bootstrap untuk grup satu dan grup dua dengan seluruh sampel bootstrap.
  3. Prosedur Randomization atau permutation test yaitu menguji signifikansi ketika terjadi data yang tidak normal dan tentunya tidak mensyaratkan asumsi parametrik. Pendekatan ini diperkenalkan Chin (2000). Dalam perhitungan statistik mengikuti t-distribution dengan (n1+n2)-2 adalah degree of freedom (df) sehingga jika data grup sampel yang digunakan tidak normal maka variance kedua grup berbeda. Maka selanjutnya kita menggunakan Smith-Satterthwait Test dengan rumus sebagai berikut :


Dimana :
Path sampel-1 = nilai koefisien pada grup 1
Path sampel-2 = nilai koefisien pada grup 2
SE sampel-1 = nilai standar eror koefisien pada grup 1
SE sampel-2 = nilai standar eror koefisien pada grup 2

Sebagai contoh kali ini model Multi-Grup Analysis (MGA) yaitu model Kinerja Perusahaan, dimana terdapat Kepuasan sebagai konstrak eksogen dan Kinerja sebagai konstrak endogen. Kepuasan diukur dengan 8 indikator (Kep1-Kep5) sedangkan Kinerja diukur dengan 8 indikator (Kin1-Kin8). Karena kita akan membandingkan 2 karakteristik yang berbeda yaitu grup 1 karyawan tetap dan karyawan kontrak, maka dalam data input/raw data ditambahkan 1 kolom baru untuk status karyawan dengan kode 1 sebagai karyawan tetap dan kode 2 untuk karyawan kontrak.
Pengujian Inner model dan Outer model pada model ini tetap dilakukan sebelum menguji model Multi Group Analysis (MGA).
Setelah melakukan input data dan membuat model di SmartPLS akan tampak indikator pada menu raw data, pada kolom pertama terlihat nama status karyawan. kemudian Klik menu Generate Data Groups.

Menu Generate Data Groups

Pada menu Generate Data Groups, pilih Group Column 0 nama status (2 unique values) kemudian OK

Menu Grup column

Sekarang terlihat data grup sudah terbaca pada menu SmartPLS. Group_status (1.0) dan Group_2 (2.0). Dari kedua grup tersebut dapat diberinama sesuai dengan yang diinginkan dengan cara, Klik pada menu Edit pada Group_status (1.0).

Menu Group Edit

Pada menu Group name, ganti nama menjadi Karyawan tetap kemudian OK. Lakukan juga untuk Group_status (2.0) ganti nama menjadi Karyawan kontrak.

Configure data group

Kemudian lakukan langkah terakhir Calculate > Multi-Group Analyis (MGA)

Calculate Multi-Group Analysis (MGA)

Pada menu setup, di Groups A centang karyawan tetap dan di Groups B centang karyawan kontrak. Kemudian Klik Start Calculation.

Setup MGA

Hasil output menghasilkan nilai estimasi yaitu PLS MGA, parametric test dan Welch-Satterhwhite Test. Hasil selengkapnya disajukan pada tabel di bawah ini.

Output MGA

Hasil output MGA menunjukkan bahwa perbedaan nilai koefisien kepuasan terhadap kinerja pada grup (subsampel) karyawan tetap dengan karyawan kontrak sebesar 0.139 dan p-value sebesar 1.000 Untuk nilai parametric test juga menunjukkan nilai t-value 2.630 dan p-value 0.010. Demkian juga untuk nilai t-value Welch-Sattethwait test 2.630 dan p-value 0.012, karena nilai t-statistik 2.630 > 1.96 shingga dapat disimpulkan bahwa ada perbedaan yang signifikan nilai koefisien pengaruh kepuasan terhadap kinerja antara grup karyawan tetap dengan grup karyawan kontrak.


12 Juni 2020

CARA TRANSFORMASI DATA MENJADI NORMAL

Dari hasil analisis data yang dilakukan oleh peneliti, dalam hal analisis yang digunakan berdasarkan sebaran data berdistribusi normal. Banyak peneliti yang kesulitan dalam memperoleh data yang normal. Ketika penelitian menggunakan SEM AMOS dengan estimasi Maximum Likelihood yang digunakan, pastinya data harus berdistribusi normal baik normal univariat maupun normal multivariate sebagai asumsi yang mendasarinya.
Untuk mengubah data menjadi normal dapat dilakukan dengan cara transformasi data ke dalam bentuk lain seperti Log, Akar kuadrat dll. Ke-tidak normalan data dapat dideteksi dari nilai skewness dan kurtosis data tersebut. Informasi skewness dan kurtosis tersebut, data dapat di transformasikan supaya menjadi bentuk lain sesuai dengan bentuk skewness maupun kurtosisnya, transformasi ini dapat dilakukan dengan aplikasi SPSS, MS.Excel maupun aplikasi lainnya. Ada beberapa tipe skewness dan cara transformasi data menurut Tatanick, B.G dan L.S Fidell (20120 antara lain :
  1. Skewness positif moderat : tansformasi dengan cara di akarkuadrat-kan data asli, "Xbaru = sqrt( X)"
  2. Skewness Positif Substansial  : transformasi dengan cara diubah ke bentuk logaritma dari data asli, "Xbaru = Log 10(X)"
  3. Skewness positif subtansial dengan nol : tansformasi dengan cara diubah ke bentuk logaritma dari data asli ditambah1 angka konstanta tertentu, "Xbaru = Lg10 (X+C)"
  4. Skewness positif sangat besar : tranformasi dengan cara menjadi 1/data lama, "Xbaru = 1/X"
  5. Skewness positif sangat besar dengan nol : transformasi dengan cara menjadi satu per data lama ditambah satu konstanta tertentu, "Xbaru = 1/(X+C)"
  6. Skewness negatif moderat : transformasi dengan cara di-akardua dari konstanta tertentu dikurangi data lama, "Xbaru = sqrt(K -X)".
  7. Skewness negatif substansial = transformasi dengan cara di logartima dari konstanta tertentu dikurangi data lama, Xbaru = Log10 (K -X)".
  8. Skewness negatif sangat besar = transformasi dengan cara dibagi konstanta tertentu minus data lama, "X baru = 1/(K -X)"
Keterangan :
X = nilai asli
C = angka konstan yang ditambahkan pada skor agara angka terkecil sama dengan 1
K = konstanta dimana bila setiap skor dikurangkan pada angka itu =1, biasanya sama dengan skor terbesar ditambah 1