29 November 2020

Tutorial Regresi Berganda dengan AMOS

Regresi berganda adalah teknik statistik yang sangat dikenal luas pada berbagai bidangseperti ilmu psikologi, ekonomi,  manajemen dan lain sebagainya. regresi bertujuan untuk mengestimasi koefisien persamaan regresi dan pengaruh dari variabel bebas (independen) terhadap variabel terikat (dependen). Kita ketahui bahwa AMOS sebagai program aplikasi Structural Equation Modeling (SEM) yang dapat menyelesaikan model SEM secara full model yaitu dengan mengestimasi model dengan variabel laten dan variabel manifest (pengukur langsung). Selain itu AMOS juga dapat mengestimasi model regrsi yang dalam model ini hanya terdapat variabel-variabel manifest (pengukur langsung) baik untuk variabel bebas maupun variabel terikat. Yang mana hasil estimasi akan berbeda dengan model regresi pada umumnya yang menggunakan teknik estimasi Ordinary Least Square (OLS). Pada model regresi dengan AMOS kali ini menggunakan teknik Maximum Likelihood Estimation (MLE).


Untuk contoh model regresi pada kesempatan kali ini menggunakan  Model Kesidiplinan karyawan yang mana ada 3 variabel independen yaitu kompensasi, Aturan dan Pengawasan. Sedangkan kedisiplinan menjadi variabel dependen. Kerangka konsep selengkapnya disajikan pada gambar di bawah ini.

Kerangka Konseptual Model Regresi Kedisiplinan
 
Dari kerangka konsep tersebu ada 3 pola hubungan pengaruh dan kembangkan menjadi hipotesis yaitu :
  1. Kompensasi signifikan berpengaruh positif terhadap Kedisiplinan
  2. Peraturan signifikan berpengaruh positif terhadap Kedisiplinan.
  3. Pengawasan signifikan berpengaruh positif terhadap Kedisiplinan.

Langkah Analisis Regresi Berganda dengan AMOS 

Siapkan data input (raw data) dalam format Microsoft Excel atau format *sav (SPSS). Kemudian buka aplikasi AMOS Graphics. Buat  model di Amos Graphics seperti kerangka konsep dari model di atas. Karena model regresi menggunakan variabel manifest atau pengukur langsung maka menggambar variabelnya memakai menu "Draw Observed variabel" sehingga setiap variabel akan berbentuk persegi/kotak. Ada dua model gambar dalam model di AMOS untuk mode regresi dengan variabel manifest :

1. Model yang variabel independen dibuat saling berkorelasi yaitu antara kompensasi, Peraturan dan Pengawasan. Hanya di variabel dependen yang ada nilai erornya. Hasil Model di AMOS seperti pada gambar di bawah ini. 

Model Regresi AMOS dengan korelasi pada variabel independen

2. Model yang menggunakan eror pada setiap variabel manifestnya, baik independen maupun dependen sehingga tiap variabel independen tidak perlu dikorelasikan. Hasil model di AMOS seperti pada gambar di bawah ini.

Model Regresi AMOS dengan eror pada variabel independen

Setelah menggambar meodel, lakukan setting pada AMOS dengan cara : Klik View -->Analysis --> Properties

Pada menu estimation : Pilih maximum likelihood dan estimate means dan intercept (ini untuk membuat AMOS menghasilkan nilai intercept atau nilai konstanta).

Seting Output AMOS Analysis Properties untuk Intercept

Pada menu Output : centang Minimization history, standardized estimation dan squared multiple correlations.

Seting Output AMOS Analysis Properties

Kemudian lakukan anilisys , langkahnya : Klik Analyze ---> Calculate Estimates.

Hasil output model sebagai berikut 

Model Regresi Kedisiplinan

Pertama kita lihat hasil output dengan cara klik View ---> Text output.  Output yang pertama dapat dilihat uji  normalitas data secara univariate dan multivariate. hasil nilai critical ratio (CR) pada skewness dan CR kurtosis tiap variabel baik X1 (Kompensasi), X2 (Peraturan), X3 (Pengawasan) dan Y (Kedisiplinan) memperoleh nilai CR diantara  - 2.58 dan 2.58, artinya bahwa baik variabel X1, X2, X3 dan Y memiliki distribusi normal univariate. Sedangkan pada nilai kurtosis multivariate diperoleh nilai sebesar 3.291 dengan nilai CR sebesar 2.124. karena nilai CR berada diantara -2.58 dan 2.58 maka terbukti normal multivariate.

Uji Normalitas univariate dan multivariat

 

Untuk uji multivariate outlier dapat diketahui dari nilai mahalnobis distance squared. Nilai d-squared ini dibandingkan dengan nilai chi-square tabel. Kriteria yang digunakan adalah berdasarkan nilai chi-square pada tingkat derajat kebebasan (degree of freedom) tertentu yaitu jumlah variabel yang ada dalam model dan tingkat signifikansi p -value 0.001. Nilai Mahalanobis distance berdasarkan chi-square tabel dengan DF 4 (jumlah variabel) adalah 18.47. Pada hasil uji Mahalanobis distance squared diperoleh nilai tertinggi pada observasi 59 sebesar 15.180. Jadi dengan nilai mahalanobis d-squared yang tertinggi 15.180 > 18.47 chi square tabel maka tidak ada observasi yang outlier. Hasil pengujian nilai Mahalanobis distance squared selengkapnya disajikan pada tabel di bawah ini.

Nilai Mahalanobis Distance

Nilai koefisien estimasi pengaruh variabel independen terhadap dependen dapat dilihat pada tabel regression weight dibawah ini. Nilai koefisien pengaruh Kompensasi (X1) sebesar 0.270 dengan CR 3.197 dan p-value 0.001. Nilai koefisien pengaruh variabel Peraturan (X2) sebesar 0.429 dengan CR 4.898 dan p-value 0.000. Nilai koefisien pengaruh pengawasan (X3) sebesar 0.289 dengan CR 3.946 dan p-value 0.000. Dari hasil nilai CR ketiga variabel > 1.96 t-tabel dan p-value < 0.05 maka dapat diambil kesimpulan bahwa Kompensasi (X1), Peraturan (X2) dan Pengawasan (X3) signifikan berpengaruh positif terhadap Kedisiplinan (Y).

Nilai Loading Regression

 

Pada tabel intercept di bawah ini diperoleh nilai estimate sebesar 0.439. Nilai intercept dikatakan juga nilai konstanta dimana nilai ini merupakan nilai Y pada saat X1, X2, X3 adalah nol. Sehingga dengan hasil estimasi nilai koefisien dan intercept dapat dibuat persamaaan regresi.

Nilai intercept

Persaman regresi yang terbentuk seperti ini :


 

baseline comparisons IFI CFI

 

Dari Output goodness of fit diperoleh nilai comparatif fit index (CFI) sebesar 1.000 dan Incremental Fit Index (IFI) sebesar 1.000 dan df sebesar 0. Maka dari hasil tersebut dapat dikatakan bahwa model overal fit.

Baca juga :  

  1. Tutorial Regresi Berganda dengan Lisrel

  2. Model Moderator Pada SEM 

  3. Tiga Pendekatan Model Second Order Construct

Referensi :

Blunch,N.J.(2008).Introduction to Structural Equation Modeling Using SPSS and AMOS. Quenensland:Sage Publication Research

Byrne, B. M.(2016).Structural Equation Modeling With AMOS.New York : Taylor & Francis

Collier, J.E.(2020).Applied Structural Equation Modeling Using AMOS: Basic to Advanced Techniques.New York and London: Rouledge

Ghozali, I.(2011).Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19.0.Semarang : Badan Penerbit Universitas Diponegoro

Hoyle,R.H.(2012).handbook of Structural Equation Modeling.New York and London :  The Guillford Press

Tidak ada komentar: