Seputar Transformasi atau Modifikasi Data pada Analisis Regresi Linear dengan SPSS

Transformasi data diperlukan ketika melakukan analisis data, dan satu atau beberapa asumsi yang tidak terpenuhi. Misalnya, pada suatu analisis regresi linear berganda, ketika model tidak memenuhi asumsi normalitas, maka kita dapat melakukan transformasi data. Bisa juga kita melakukan trimming data atau mengeluarkan data yang outliers. Modifikasi ini biasanya cukup ampuh, sehingga model regresi linear menjadi bebas dari gangguan atau memenuhi asumsi-asumsi yang diperlukan.

Ada pertanyaan yang sering masuk ke bagian komentar, bahkan sangat sering, yaitu kurang lebih seperti ini:

Model awalnya tidak memenuhi asumsi klasik, setelah kami transformasikan maka menjadi bebas dari gangguan. Nah, model yang dipergunakan yang mana ya? yang sebelum transformasi atau yang sudah transformasi?

Catatan: Transformasi kadang bisa juga merupakan trimming data. 

Nah, dalam hal ini sebenarnya sudah jelas jawabannya, bisa ada beberapa ilustrasi di bawah:

  1. Anda punya rumah, rusak, lalu Anda perbaiki. Setelah selesai memperbaiki, Anda memilih tinggal di mana? rumah yang rusak atau rumah yang tidak rusak?
  2. Anda mengumpulkan naskah skripsi ke dosen Anda, lalu ada revisi. Setelah Anda selesai merevisi sesuai keinginan dosen, lalu Anda bertanya kepada Dosen Anda, Pak/Bu, ini naskah sudah saya revisi, Bapak/Ibu mau pilih yang mana untuk digunakan? naskah yang baru atau naskah yang lama yang belum diperbaiki?

Atau pertanyaan serupa. Jadi sebenarnya cukup jelas. Biasanya pertanyaan yang muncul sejenis seperti di atas tidak kami tampilkan lagi.

Setelah kami telusuri, ternyata ada dorongan untuk mempertanyakan pertanyaan tersebut di atas. Biasanya terjadi karena ketika model tidak memenuhi asumsi, hipotesis diterima, tetapi ketika model memenuhi asumsi, malah model dianggap 'jelek' dalam arti hipotesis banyak yang ditolak.

Penting kami tegaskan di blog ini, bahwa tidak ada keterkaitan langsung antara model yang telah memenuhi asumsi klasik lalu menjadi diterima hipotesisnya. Asumsi diperlukan agar model memenuhi syarat untuk diinterpretasikan. Model yang tidak memenuhi syarat berarti tidak dapat diinterpretasikan, apapun hasilnya itu. Lebih lanjut, ada juga yang bertanya, data saya sudah valid dan reliabel, tetapi kok hipotesis ditolak semua. Ini jawabannya juga sama, tidak ada keterkaitan langsung antara validitas dan relibilitas dengan penerimaan atau penolakan hipotesis.

Dalam komentar, ada juga pertanyaan, mengapa hipotesis saya ditolak ya? padalah semua asumsi telah dipenuhi. Ini agak sulit menjawab. Seperti pertanyaan pada blog masak, kok masakan saya tidak enak ya? Agak sulit menjawab. Tetapi berdasarkan pengalaman kami, jika semua prosedur dipenuhi dengan baik dan benar, maka hasil penelitian akan mudah diinterpretasikan.

Kadang memang ada model yang sudah dari awal, yaitu ketika melakukan pengambilan sampel. Jika ini terjadi maka sampai ke belakang akan terus bermasalah. Ada juga yang metodenya tidak sesuai dan banyak hal yang lain, dan tentu saja, kami tidak bisa menelaah satu persatu.

Jadi mohon maaf kalau kami tidak menjawab pertanyaan atau menampilkan pertanyaan yang sebenarnya sudah Anda ketahui jawabannya.

Salam Statistik.


Tidak ada komentar:

Posting Komentar

Baca dulu sebelum tulis komentar:

Sebelum menuliskan pertanyaan, mohon disimak tanya jawab yang ada terlebih dahulu. Pertanyaan yang sama atau senada biasanya tidak terjawab. Atau simak dulu di Mengapa Pertanyaan Saya Tidak Dijawab?
Simak juga Channel kami di Statistik TV
Terima kasih.

Cari Materi

Berlangganan Gratis Lewat Email ?