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.
permisi mas..
BalasHapusmau tanya,tulisan mas randy yang tentang uji asumsi klasik yang di pake di path anlys itu ngambil nya dr mn y referensinya? saya butuh soalnya buat skripsi, ditunggu jawabannya, trmksh :)
Wah, pengen baca ini, ctrl+D dulu ya kak :p
BalasHapusiya iya :)
Hapussemoga membantu teman2 yang make path analysis.hehe...
maw eksplore lagi tapi blm sempat.hehe
mungkin diagram yang disampaikan di atas merupakan contoh dari SEM. Path analysis cenderung mirip dengan Regresi linier biasa..
BalasHapusbedanya hanya terletak pada hubungan antar variabel eksogen.. CMIIW
mas permisi numpang tanya.. kalo variabel saya cuman X>Y>Z apa saya perlu menggunakan Path atau regresi berganda saja ? terimakasih
BalasHapus