Analisis Diskriminan
Simulasi Uji Multikolinearitas
Ada beberapa cara pengujian gangguan multikolinearitas, di antaranya dengan mencari korelasi secara langsung antara masing-masing variabel bebas, bisa juga menggunakan Variance Inflation Factor yang biasanya juga dengan Tolerance, dengan Condition Index dan Eigenvalue atau dengan metode yang lain seperti Farrar dan Glauber atau dengan korelasi parsial.
Berikut adalah video simulasi uji multikolinearitas beserta dengan data contohnya:
Varians
Kelompok perumahan: 4 juta, 5 juta, 4,2 juta, 4,8 juta, rata-rata 4,5 juta.
Skala Pengukuran Statistik
1. Skala nominal
Data
|
Kode (a)
|
Kode (b)
|
Yuni
|
1
|
4
|
Desi
|
2
|
2
|
Ika
|
3
|
3
|
Astuti
|
4
|
1
|
2. Skala ordinal
Data
|
Skala Kecantikan (a)
|
Skala Kecantikan (b)
|
Yuni
|
4
|
10
|
Desi
|
3
|
6
|
Ika
|
2
|
5
|
Astuti
|
1
|
1
|
3. Skala interval
Data
|
Nilai Mata Kuliah (a)
|
Skor Nilai Mata Kuliah (b)
|
Yuni
|
A
|
4
|
Desi
|
B
|
3
|
Ika
|
C
|
2
|
Astuti
|
D
|
1
|
4. Skala rasio
Data
|
Tinggi Badan
|
Berat badan
|
Yuni
|
170
|
60
|
Desi
|
160
|
50
|
Ika
|
150
|
40
|
Astuti
|
140
|
30
|
Penanggulangan Masalah Autokorelasi
Contoh Tahulasi Data dengan SPSS Versi 11 |
Menu Regresi Linear dengan SPSS Versi 11 |
Memasukkan Variabel |
Sub Menu Statistics pada Regresi Linear |
Output Durbin-Watson dengan SPSS Versi 11 |
Menu Compute pada SPSS Versi 11 |
Menghitung Lag Variabel |
Hasil Perhitungan Lag Variabel |
Output Durbin-Watson dengan Lag Variabel |
Pengantar Regresi Ordinal
Structral Equation Modeling (SEM) Berbasis Variance
SEM (Structural Equation Modeling) memiliki fleksibilitas yang lebih tinggi bagi peneliti mengkonfirmasikan teori dengan data, dibandingkan teknik multivariate yang berkembang sebelumnya yaitu principal component analysis, factor analysis, discriminant analysis atau multiple regression. Terdapat dua kelompok SEM akhir-akhir ini yaitu, berbasis covariance dan berbasis variance (component).
SEM berdasarkan pada Covariance
SEM berbasis covariance yang berkembang sekitar tahun 1973 mulai menarik perhatian para peneliti setelah keluarnya LISREL III yang dikembangkan oleh Joreskog dan Sorbom. Ide dasarnya adalah dengan menggunakan fungsi Maximum Likelihood (ML) sehingga covariance based SEM (CBSEM) sebenarnya berusaha meminimumkan perbedaan antara sample covariance dan covariance yang diprediksi oleh model teoritis. Penggunaan CBSEM sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribution dan observasi harus independen satu sama lain.
Path Diagram dengan SmartPLS |
Pada kenyataannya indikator dapat dibentuk dalam bentuk formatif indikator model yaitu indikator dipandang sebagai variabel yang mempengaruhi variabel laten. Sebagai ilustrasi indikator pendidikan, pekerjaan dan pendapatan mempengaruhi variabel laten status sosial ekonomi. Jika salah satu indikator meningkat maka indikator yang lain tidak harus ikut meningkat pula. Kenaikan pada suatu indikator pendapatan akan meningkatkan variabel laten.
Penggunaan model indikator formatif dalam CBSEM akan menghasilkan model yang unidentified yang berarti terdapat covariance bernilai nol di antara beberapa indikator. Hubungan kausalitas model struktural dibangun atas dasar teori dan CBSEM hanya ingin mengkonfirmasi apakah model berdasarkan teori tadi tidak berbeda dengan model empirisnya.
Dengan beberapa keterbatasan yang ada maka sekarang banyak yang menggunakan SEM berbasis component atau variance yang terkenal dengan Partial Least Square (PLS).
SEM berbasis component atau variance – PLS
Pada dasarnya, tujuan PLS adalah prediksi. Variabel laten didefinisikan sebagai jumlah dari indikatornya. Hasil komponen skore untuk setiap variabel laten didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependent (laten, observe atau keduanya). PLS merupakan metode analisis yang powerfull oleh karena tidak didasarkan banyak asumsi. Data tidak harus berdistribusi normal multivariate (indikator dengan skala kategor sampai ratio dapat digunakan pada model yang sama), sample tidak harus besar dan residual distribution. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi dapat juga digunakan untuk menjelaskan ada atau tidaknya hubungan antar variabel laten. Oleh karena lebih menitik beratkan pada data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak begitu berpengaruh terhadap estimasi parameter.
PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif dan hal ini tidak mungkin dijalankan dalam CBSEM karena akan terjadi unidentified model. Oleh karena PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursive dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel.
Beberapa program yang dirancang khusus untuk menyelesaikan model dengan PLS adalah SmartPLS, PLS Graph, Visual PLS dan PLS Gui. Semua program tersebut dapat di download secara gratis dari internet. Anda juga bisa tanya sama Mbah Google :)
Program-program tersebut sampai sekarang masih merupakan versi Beta (kecuali PLS Graph) sehingga masih bisa di download secara gratis. Tapi gak tahu lho besok-besok. So, bagi yang butuh buruan aja…..
Update: Sekarang untuk SmartPLS sudah tersedia versi berbayar mulai SmartPLS Versi 3