Analisa Variabel Moderating Kategorik

Variabel female adalah variabel dummy yang berkode nol/satu, dimana female=1 dan male=0. Adapun variabel kontinu socst yang merupakan nilai standar dari test pelajaran sosial akan dilihat pengaruhnya terhadap skore write dimana female sebagai variabel moderator yang berbentuk kategori. Data yang digunakan “hsbdemo.sav”
( Link data : hsbdemo.sav )

Kemudian ingin dilihat garis regresi antara female dan male dengan menggunakan sintax berikut:

Tampak bahwa garis regresi antara male dan female tidak sejajar, hal ini menunjukan adanya interaksi gender dengan socst. Garis regresi untuk female cenderung slopenya lebih rendah jika dibandingkan dengan male dimana pada nilai socst rendah terlihat adanya perbedaan nilai write antara male dengan female. Seiring dengan meningkatnya nilai socst maka perbedaan tersebut semakin tidak nampak.

Koefisien female=15, yang artinya rata-rata skore write female lebih tinggi 15 jika dibandingkan dengan male. Sedang koefisien socst 0.6247 yang merupakan slope socst dari male. Untuk koefisien interaksi female dengan socst -0.2047 merupakan perbedaan rata-rata slope socst antara male dan female. Sehingga untuk mengetahui slope socst dari female adalah 0.6248-0.2047= 0.4201

Untuk mengetahui slope socst antara male dengan female dapat juga dengan menggunakan perintah margin

Ingin dilihat perbedaan slope antara male dan female pada bentuk tabel di beberapa nilai socst mulai dari 25 sampai dengan 70 dengan penambahan 5 nilai.

Informasi tabel analisanya menunjukan nilai write pada berbagai nilai socst, contoh nilai write male pada socst=25 adalah 33.38182, sedangkan untuk write female adalah 43.26361. Perbedaan antara male dan female 43.26361 – 33.38182 = 9.88179. Untuk melihat perbedaan nilai write pada beberapa nilai socst antara male dan female dapat juga digunakan perintah margin dengan menulis perintah dydx pada option.

Kemudian akan kita buat grafik perbedaan dengan nilai confiden intervalnya dengan perintah marginsplot.

Dapat dilihat bahwa perbedaan antara male dan female terlihat signifikan pada nilai socst dibawah 60. Hal ini sejalan dengan garis regresi antara male dan female, dimana nilai socst dibawah 60 maka terlihat adanya perbedaan gap garis dan semakin besar perbedaannya semakin mengecil.

Read more »

Analisa Variabel Moderating Kontinu

Ingin dilihat pengaruh skore math terhadap skore read dimana skore socst (pelajaran sosial) menjadi variabel moderating. Data yang digunakan “hsbdemo.sav” yg merupakan data dari 200 orang pelajar.
( Link data : hsbdemo.sav )

Model analisa

Melihat Dekripsi Variabel read , math & socst

Melakukan analisa pengaruh interaksi math dengan socst terhadap read

Hasil menunjukan adanya pengaruh interaksi “c.math#c.socst” dengan nilai p-value 0.032. Untuk melihat bagaimana bentuk interaksi yang terjadi antara math dengan socst akan dijelaskan dengan grafik slope pengaruh math terhadap read´pada kondisi nilai socst tetap. Misal nilai socst ditentukan ada 10 nilai, yaitu 30, 35, 40, 45, 50, 55, 60, 65, 70, 75. Berikut perintah melihat perubahan nilai read/slope pada beberapa nilai socst yang tetap (nilai antara 30 sampai dengan 75).

Hasil tabel diatas menunjukan slope (perubahan nilai read setiap perubahan satu satuan nilai math) dimana socst konstan dengan 10 nilai yang berbeda. Terlihat bahwa slope menunjukan nilai tidak signifikan pada socst dengan nilai 30.

Selanjutnya kita bisa menggambarkan slope dibeberapa nilai konstan socst 30 sampai dengan 75 dengan menarik garis yang melalui dua nilai math. Misalkan ditarik garis slope yang melewati nilai math 30 sampai dengan 70. Sintax berikut menunjukan nilai dari read untuk beberapa nilai konstan socst pada titik math = 30 dan math=75

Hasil analisa dalam tabel menunjukan koordinat titik beberapa nilai socst pada nilai math=30 sampai math=70. Kemudian akan ditarik garis yang melalui kedua titik tersebut dengan menggunakan sintax sebagai berikut.

Tampak bahwa gap antar nilai socst pada saat math=30 terlihat kecil, kemudian semakin besar nilai math maka gapnya semakin besar. Dapat dikatakan bentuk interaksi yang terjadi bahwa semakin tinggi nilai socst maka pengaruh math terhadap read semakin besar.

Read more »

REGRESI MULTINOMIAL DENGAN SPSS

IDE DASAR

Model regresi dimana Dependent variabelnya merupakan VARIABEL KATEGORIK  yang memiliki kategori lebih dari dua, disisi lain bentuk variabel Independennya (variabel Penjelas) dapat berupa vaiabel KATEGORIK maupun VARIABEL NUMERIK.

SEBARAN MULTINOMIAL

Bila setiap ulangan menghasilkan salah satu dari k hasil percobaan E1 , E2 ..,EK , dengan peluang p1,p2 ..,pk, maka sebaran peluang bagi peubah acak X1, X2, .. Xk,
menyatakan berapa kali E1, E2 …,Ek terjadi dalam n ulangan yang bebas, adalah 

Suatu transformasi logit untuk peluang multinomialke gugus parameteryang didefinisikan sebagai

disebut logit multinomial. Diasumsikan, sehingga ada K – 1 parameter logit. Asumsi ini menganggap bahwa katagori terakhir ( K ) sebagai landasan (baseline-catagorical) atau katagori acuan (reference-catagorical). Dalam pemilihan katagori acuan tidak khas, kita dapat memilih sembarang katagori dari (k =1,2 … K )

PELUANG RESPON

Misalkan responden dihadapakan pada j alternative yang tersedia. 

Andaikan(j=1, 2, …,p ; k = 1,2 …,K) menyatakan peluang bahwa responden j memilih alternative k, X_j menyatakan karakteristik individu j, 

dan Z_jk menyatakan karakteristik dari alternative k yang menjadi pilihan individu j. dalam ilustrasi 1, X_j adalah umur dan setiap Z_jk adalah waktu perjalanan. Dalam model logit terampat, setiap subyek/individu dianggap sebagai satuan analisis (analysis unit) dan karakteristik individu digunakan sebagai peubah penjelas. Sebagai peubah penjelas, karakteristik individu dianggap konstan terhadap alternatif yang tersedia.

dimanaPeluang individu j memilih alternatif k ,adalah vektor parameter regresi berukuran p,karakteristik individu Dalam model ini ada salah satu katagori misal katagori ke K yang dijadian ucuan dimanasehingga. Dengan adanya acuan tersebut maka nantinya akan terbantuk k-1 persamaan. Misalkan ada 3 katagori dan katagori ke-1 dijadikan acuan maka bentuk persamaannya akan menjadi

Model logit ini dapat terindentifikasi dengan asumsi, salah satu katagori (sembarang)  respon peluangnya harus nol (Baselines-Category / Reference). Kemudian peluang dari katagori yg lainya didasarkan pelung relative terhadap Baselines Category

BEBERPA CONTOH PENERAPAN REGRESI MULTINOMIAL LOGIT

Contoh 1. Pilihan Karir/Pekerjaan seseorang apakah dipengaruhi oleh pekerjaan orang tua, bidang pendidikan yang ditempuh seseorang, gender, asal wilayah (urban/rural) dll. Disini Karir/Pekerjaan seseorang lebih dari dua kategori dan bertindak sebagai variabel Dependent

Contoh 2. Pilihan program yang diambil pada saat masuk kuliah apakah ingin masuk program general (universitas), vocational  (D3) atau academic program dimana pemilahnnya dilatarbelakangi oleh sosial ekonomi dan hasil ujian tertulis.  .

LATIHAN ANALISA REGRESI MULTINOMIAL DENGAN SPSS

Cotoh yang digunakan adalah data sebanyak 200 pelajar dalam memilih program yang akan dipilih pada saat masuk perguruan tinggi. Ada 3 program yang tersedia yaitu general program, vocational program dan academic program. Adapun variabel yang dianggap mempengaruhi pilihan para pelajar dalam memilih program yang akan diambil di perguruan tinggi diantaranya sosial economic status (ses), tipe sekolah (schtyp) dan nilai hasi skor ujian tettulis (write).

Gambaran Data

PROSEDUR ANALISA

Analyze

          Regression

      Multinomial Logistic…

Mulcul kotak dialog berikut :

Klik  Reference Category..

Muncul kotak dialog

Klik Statistics…

Muncul kotak dialog

HASIL ANALISA

I.        Uji Fit Model

Sebelum melahkah lebih lanut dala melakukan analisa multinomial logit, diuji dahulu apakah model yang terbentuk sudah cukup Fit

Hipotesis Uji

H0 : Model Fit

H1: Model Tidak Fit

Hasil uji kelayakan metode Pearson didapat nilai signifikan 0.798 menerima Ho yang meyatakan bahwa model fit 

I.        Uji Pengaruh Umum

Setelah model dinyakana fit, kemudian diuji apakah secara umum variabel independen berpengaruh terhadap variabel dependen.

Hipotesis Uji

H0 : Variabel Independen Tidak Berpengaruh terhadap Variabel  Dependen

H1: Variabel Independen Berpengaruh terhadap Variabel  Dependen

Hasil uji menunjukan nilai signifikan 0.000 yang berarti kita menerima H1, ada pengaruh variabel independen terhadap variabel dependen

II.        Model Persamaan

ü  Model Pilihan General Program

Hasil menunjukan bahwa untuk prediksi pilihan program general dibandingkan dengan vocation, write berpengaruh dengan signifikan 0.027, ses low tidak berpengaruh signifikan dengan signifikan 0.677,  ses midle tidak berpengaruh signifikan dengan signifikan 0.260, type of school public tidak berpengaruh signifikan dengan signifikan 0.117

ü  Model Pilihan Academic Program

a. The reference category is: vocation.
b. This parameter is set to zero because it is redundant.

Hasil menunjukan bahwa untuk prediksi pilihan program general dibandingkan dengan vocation, write berpengaruh signifikan dengan signifikan 0.000., ses low tidak berpengaruh signifikan dengan signifikan 0.166,  ses midle berpengaruh signifikan dengan signifikan 0.010, type of school public berpengaruh signifikan dengan signifikan 0.020.  

ü  Koefisien Determinasi

Berdasrkan Nagelkerke 0.280 artinay bahwa pengaruh variabel independen ses, type of school dan writing score berpengaruh pada pilihan program (type of program) sebesar 28%.

Download File Latihan: Klik

Read more »

Uji Wilcoxon

Uji tanda memanfaatkan hanya tanda-tanda ‘plus’dan ‘minus’ yang diperoleh dari selisih antara nilai pengamatan dan median pembanding, tetapi mengabaikan besarnya selisih-selisih tersebut. Wilcoxon (1945) memperkenalkan satu prosedur nonparametrik untuk menguji median yang memanfaatkan baik arah (tanda ‘plus’dan ‘minus’) maupun besar arah itu. Uji ini dikenal dengan istilah uji peringkat bertanda Wilcoxon (Wilcoxon signed-rank test). Uji ini digunakan untuk menguji dua kelompok sampel terkait prosedur NonParametrik

Hipotesis Uji

H0 : D = 0  (Rata-rata sama)

H1 : D ≠ 0 (Rata-rata berbeda sama)

Statistik Uji

Prosedur umum uji peringkat bertanda Wilcoxon adalah sebagai berikut :

1.  Hitung selisih nilai data kelompok 1 dengan kelompok 2 dan median untuk setiap pengamatan, Di = Pre ke i – Post ke i

2.  Beri peringkat untuk |Di|. Jika ada nilai yang sama (disebut ties) beri peringkat tengah (mid-rank).

3.  Pasangkan tanda ‘plus’ dan ‘minus’ pada peringkat sesuai nilai pada langkah pertama.

4.  Hitunglah : jumlah peringkat bertanda ‘plus’ (T+), dan jumlah peringkat bertanda ‘minus’ (T-).

Statistik uji yang digunakan untuk masing-masing hipotesis adalah adalah :

T’ = min (T-, T+)

Kaidah Keputusan

Tolak H0 jika T’ < Tn(α/2), dimana Tn(α/2) diperoleh dari Tabel Wilcoxon

Untuk contoh berukuran besar dapat didekati dengan sebaran normal baku

menggunakan rumus :

Formula untuk data tidak memiliki nilai duplikat (no ties)

Formula untuk data memiliki nilai duplikat (with ties)

Contoh :

Perusahaan garmen “MAJU” ingin mengukur peningkatan prestasi kerja karyawan diperusahaan setelah diberikan pelatihan. Untuk itu diambil sampel sebanyak 10 karyawan, datanya adalah sbb:

Karyawan	Nilai		Selisih X2 – X1	Tanda	Peringkat
	Sebelum (X1)	Sesudah (X2)
1	72	76	4	+	3.5
2	67	90	23	+	7
3	71	75	4	+	3.5
4	86	86	0		diabaikan
5	83	83	0		diabaikan
6	60	88	28	+	8
7	91	88	-3	-	2
8	70	82	12	+	6
9	69	67	-2	-	1
10	80	72	-8	-	5

Nilai T-hitung

T(+) = 3.5 + 7 + 3.5 + 8 + 6 = 28

T(- ) = 2 + 1 + 5 = 8

T’ hitung = min (T+,T-) = 8

Karena ada 2 data yang nilainya nol, maka n = 8

Tabel Wilcoxon n=8, α=0.05 adalah  T-Tabel=3

Perhitungan Pendekatan Normal (with ties)

Output SPSS

Test Statisticsb
	Sesudah - Sebelum
Z	-1.402a
Asymp. Sig. (2-tailed)	.161
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test

Read more »