Mengenal lebih dekat dengan Path Analysis (part 1)

Mengenal lebih dekat dengan Path Analysis

Saya tertarik untuk menulis gambaran sederhana mengenai path analysis atau lebih akrab dengan sebutan analisis jalur karena analisis ini banyak digunakan untuk pembuatan skripsi atau penelitian adek-adek tingkat. Mungkin aja sedikit membantu, hehe.

Analisis jalur ini merupakan perluasan dari analisis regresi berganda sehingga banyak kesamaan-kesamaan diantara kedua analisis ini. Tujuan utama dari analisis jalur adalah mempelajari pengaruh langsung maupun tak langsung serta pengaruh total dari suatu variabel eksogen ke variabel endogen yang lain dan mencari jalur yang paling berpengaruh/signifikan dalam mempengaruhi variabel endogen. Sebelumnya pada tahu belum perbedaan variabel endogen dan eksogen? Hubungannya dengan variabel independen dan dependen? Kita perlu mengetahui konsep dari variabel endogen dan eksogen karena variabel ini yang sering kita gunakan istilahnya jika menggunakan analisis jalur.

Pertama-tama, kita definisikan dulu variabel dependen dan independen. Variabel dependen/terikat ini adalah variabel yang nilainya ditentukan/dipengaruhi oleh variabel independen/bebas dalam model. Sedangkan variabel independen/bebas ini nilainya tidak dipengaruhi oleh variabel yang lain dalam model. Hubungannya dengan eksogen dan endogen? Variabel eksogen ini konsepnya sama dengan variabel independen, variabel eksogen tidak dipengaruhi tetapi bertugas mempengaruhi variabel lain dalam model yang disebut variabel endogen. Jadi konsep variabel endogen adalah variabel yang dipengaruhi oleh variabel lain dalam model. Dalam analisis jalur, variabel eksogen bisa menjadi variabel endogen ataupun variabel endogen bisa menjadi eksogen. Contoh sederhannya bisa dilihat dari diagram dibawah ini.

Dari diagram jalur sederhana diatas, dapat dilihat variabel endogen adalah X3 dan X4 karena variabel tersebut dipengaruhi oleh variabel eksogen X1 dan X2. Sekarang kita liat per persamaan strukturalnya. Dalam diagram jalur tersebut dapat dibentuk 2 persamaan struktural, yang pertama persamaan dengan X4 sebagai variabel endogen dan X1, X2, X3 sebagai variabel eksogen. Dan persamaan struktural kedua dengan X3 sebagai variabel endogen dan X1, X2  sebagai variabel eksogen. Bisa dilihat bahwa X3 bisa menjadi variabel endogen ataupun eksogen tergantung kondisi persamaan strukturalnya.  Jadi sebelum kita mengolah data, kita harus tentukan dulu diagram jalur, persamaan strukturalnya dan variabel endogen eksogennya. Semua pembentukan tersebut membutuhkan dasar yang kuat, seperti teori-teori, penelitian terdahulu, maupun hasil pengujian para ahli.

Ada berbagai referensi yang menyatakan asumsi-asumsi yang harus dipenuhi dalam menggunakan analisis jalur. Saya akan merangkumnya menjadi satu. Asumsi-asumsi yang saya jelaskan adalah asumsi-asumsi umum yang sering digunakan dalam berbagai referensi.

• Hubungannya bersifat liner dan satu arah, tidak bolak balik.

• Variabel endogen minimal dalam skala interval. (jika menggunakan kuesioner dengan skala likert, penjelasan untuk mendapatkan data skala interval bisa dilihat dalam tulisan “memahami skala likert”)

• Menggunakan probability sampling

• Variabel diukur tanpa kesalahan, maksudnya adalah menguji variabel tersebut dengan uji validitas dan reliabilitas.

• Model jalur yang dibuat berdasarkan teori-teori dan landasan yang kuat dan telah dikaji.

Kelima asumsi tersebut ada dari referensi yang saya baca, tetapi ada juga asumsi yang menurut saya penting tetapi tidak semua referensi menggunakannya. Misalkan asumsi regresi klasik. Kenapa penting? Seperti yang kita ketahui, analisis jalur ini perluasan dari analisis regresi berganda. Jadi asumsi regresi klasik harusnya dipenuhi. Saya akan membahasnya satu-persatu.

• Non Multikolinearitas, dalam jalur diusahakan kecil korelasi antara variabel eksogen. Hal ini akan berpengaruh terhadap ujinya nanti. Dengan nilai multikolinearitas yang tinggi, maka uji F dan uji t-student yang digunakan dalam uji hipotesis tidak layak lagi untuk digunakan. Bisa saja uji F nya tolak H0 (signifikan), yang artinya minimal ada satu variabel eksogen yang signifikan berpengaruh terhadap variabel endogen. Nyatanya dengan adanya multikolinearitas, uji t-studentnya semua variabel eksogen terhadap variabel endogen tidak tolak H0 (tidak signifikan), artinya tidak ada variabel eksogen yang berpengaruh terhadap variabel endogen. Selain itu, perbedaan tanda antara koefisien jalur dengan korelasi bisa saja terjadi karena multikolinearitas yang tinggi. Untuk mendeteksi adanya multikolinearitas bisa dilihat dari VIF (VIF>5 artinya adanya multikolinearitas) dan bisa juga dilihat dari koefisien determinasi yang sangat tinggi / mendekati sempurna. Pengujian multikolinearitas ini dilakukan setiap persamaan strukturalnya karena uji F dan uji t-studentnya dilihat per persamaan strukturalnya.

• Non-autokorelasi, diusahakan korelasi antara erorrnya tidak ada. Ini akan berdampak terhadap penduga yang dihasilkan. Penduga yang akan dihasilkan tidak memenuhi syarat BEST lagi dari syarat penduga yang baik, BLUE. Varians dari estimator akan underestimate sehingga uji F dan uji t-student nya akan sulit dipastikan kevalidannya (sulit dipercaya). Autokorelasi bisa dideteksi dengan uji durbi-watson. Sama seperti multikolinearitas, autokorelasi juga diujikan per persamaan strukturalnya.

• Homoskedastisitas, dalam analisis jalur diusahakan variansnya sama dari error nya. Dampak dari heteroskedastisitas adalah varians minimum sulit untuk ditetapkan sehingga syarat penduga yang baik dari BLUE, yaitu BEST tidak bisa dipenuhi dan akan berdampak terhadap uji F dan t-studentnya. Cara mendeteksi nya dengan scatter plot atau uji park. Pengujian homoskedastisitas dilakukan per persamaan struktural.

• Normalitas, untuk mendapatkan penduga/estimatornya harus memenuhi syarat normalitas, jadi jika syarat ini tidak terpenuhi maka penduganya tidak bisa didapatkan. Selain itu, untuk uji hipotesis simultan dan parsialnya, menggunakan uji F dan t-student yang berasal dari keluarga distribusi normal. Jadi agar uji hipotesisnya layak untuk digunakan maka normalitas harus dipenuhi. Pengujiannya juga dilakukan per persamaan strukturalnya.

Jika dilihat secara keseluruhan, uji asumsi klasik ini mempunyai pengaruh terhadap penduga dan uji hipotesisnya. Dalam analisis jalur, penduga nya itu merupakan koefisien jalur atau Beta (β) dalam tabel anova dan untuk menguji jalur yang signifikan (pengaruh yang signifikan) menggunakan uji F dan t-student, sehingga menurut saya asumsi regresi klasik sangat penting untuk pengujian menggunakan analisis jalur. Asumsi-asumsi ini saya kaitkan antara analisis jalur dengan dasar-dasar dalam analisis regresi sehingga penjelasan diatas merupakan penjelasan secara statistik. Jadi untuk penelitian yang menggunakan analisis jalur, sebaiknya mencari referensi dan literatur sebanyak-banyaknya mengenai asumsi-asumsi yang dibutuhkan dalam analisis jalur agar mempunyai dasar yang kuat secara teori dan statistik. 

Mungkin itu dulu penjelasan singkat mengenai analisis jalur. Ini mungkin baru kulitnya analisis jalur. Di tulisan berikutnya saya akan menjelaskan tentang dalamnya jalur itu bagaimana, perbedaan jalur dengan SEM (structural equation model), cara pengolahan dan intepretasi. Mohon maaf jika ada kekeliruan dan Semoga bermanfaat.