PENDEKATAN ANALISIS MODERASI
MASALAH YANG MUNCUL UNTUK DIPERTIMBANGKAN
ada bagian ini, akan di bahas secara singkat beberapa isu yang diangkat oleh Aguinis et al. (2017) kapan melakukan analisis moderator. Ada tujuh masalah yang memerlukan pertimbangan dan mereka adalah sebagai berikut :
a. kurangnya perhatian terhadap kesalahan pengukuran;
b. distribusi variable diasumsikan meliputi rentang penuh nilai yang mungkin;
c. ukuran sampel yang tidak sama di seluruh kategori berbasis moderator;
d. kekuatan statistik yang tidak mencukupi; e. dikotomi buatan moderator berkelanjutan;
f. dugaan efek korelasi antara istilah produk dan komponennya dan; g. menafsirkan efek orde pertama berdasarkan model tidak termasuk
istilah produk.
Aguin dkk. (2017) menyebutkan bahwa 62,4% dari makalah yang mereka ulas di Strategic Jurnal Manajemen tidak melaporkan kesalahan pengukuran. Hal ini sesuai dengan apa yang dikatakan Boyd et al (2005) menemukan di mana sebagian besar artikel yang diterbitkan dalam Jurnal Manajemen Strategis tidak melaporkan keandalan. Mereka berpendapat bahwa jika X (reliabilitas = 0,7) dan Z (reliabilitas = 0,7), maka istilah produk X*Z (keandalan 0,7*0,7 = 0,49) tidak dapat diterima. Mereka juga berpendapat bahwa ketika variable independen dan moderator diukur dengan kesalahan, yang tidak terstandarisasi estimasi koefisien akan menjadi bias. Mereka menyarankan bahwa penelitian di masa depan harus, minimal, melaporkan perkiraan keandalan untuk semua prediktor, termasuk komponen produk karena ini mungkin berguna untuk menafsirkan ketika efek interaksi tidak signifikan. Isu kedua yang mereka angkat adalah tentang data yang dikumpulkan yang tidak mewakili seluruh jangkauan kemungkinan skor dari variable yang dipertimbangkan yang mungkin ada dalam populasi. Untuk contoh, hanya perusahaan dengan kinerja terbaik di daerah perkotaan dari populasi yang dipilih dan dijadikan sampel. Mereka menyebut masalah ini sebagai "pembatasan jangkauan" karena perusahaan-perusahaan miskin kinerja tidak termasuk dalam sampel.
Aguinis dan Stone-Romero (1997) menemukan bahwa ketika varians sampel lebih kecil dari varians populasi, bahkan oleh apa yang mungkin dianggap kecil jumlah, kekuatan statistik untuk mendeteksi efek moderasi secara substansial berkurang. Mereka menyarankan bahwa para peneliti harus berusaha untuk menangkap berbagai skor dari semua variable terlibat dalam analisis jika itu tidak layak. Atau, ketika efek moderasi adalah kecil atau tidak signifikan, mereka harus melaporkan varians populasi untuk
mengesampingkan batasan jangkauan sebagai penjelasan alternatif yang masuk akal untuk hasil yang diperoleh. Isu ketiga yang mereka angkat adalah untuk situasi di mana moderatornya kategoris. Dalam jenis ini situasi, sebanyak mungkin peneliti harus berusaha untuk menyeimbangkan ukuran sampel di masing-masing kategori variable moderator. Misalnya, jika gender dikonstruksikan sebagai moderator, dan responden wanita merupakan 80% dari sampel, itu akan menyebabkan meremehkan efek moderasi. Sebisa mungkin peneliti harus mencoba mengumpulkan proporsi yang sama. Jika kategori tidak merata, maka kemungkinan besar terjadi oversampling dari kelompok yang lebih kecil untuk mengembang kekuatan statistik dengan biaya menggunakan sampel yang mungkin tidak mewakili populasi.
Masalah keempat yang mereka angkat adalah bahwa banyak penelitian tidak memiliki kekuatan yang cukup untuk mendeteksi detect efek moderasi. Akibatnya, banyak efek moderasi yang tidak terdeteksi. Sebagai norma untuk IPS adalah untuk mendapatkan pangkat 0,80, peneliti disarankan untuk melakukan analisis daya terlebih dahulu untuk mengumpulkan data untuk memastikan bahwa mereka memiliki kekuatan yang cukup untuk analisis mereka. Mereka lebih lanjut menyarankan bahwa kekuatan statistik dapat ditingkatkan dengan menggunakan sampel yang lebih besar dan melakukan penelitian dalam pengaturan yang mengontrol variable asing (yaitu, eksperimental atau berbasis simulasi riset). Lebih lanjut direkomendasikan bahwa daya harus dihitung dan dilaporkan di masa mendatang penelitian untuk menghilangkan anggapan bahwa penelitian ini kurang bertenaga. Isu kelima yang mereka kemukakan adalah dikotomi buatan dari variable moderator kontinu di analisis yang biasa dilakukan melalui IBM SPSS AMOS. Karena pembangkitan efek interaksi di IBM SPSS AMOS relatif membosankan. Mereka berpendapat masalah seperti itu akan menyebabkan hilangnya informasi. Ini tidak hanya merusak interpretasi moderator tetapi juga mengurangi varians dari variable moderator. Akibatnya, perkiraan efek moderasi bias ke bawah (Aguinis, 1995). Mereka juga berpendapat bahwa ini praktik mengkategorikan variable moderator berkelanjutan secara artifisial membuang informasi, mengurangi kekuatan statistik untuk mendeteksi efek moderasi, dan melemahkan ukuran moderasi efek. Oleh karena itu, praktik ini harus dihentikan (Aguinis, 1995; Aguinis & Gottfredson, 2010).
Isu keenam berkaitan dengan kekhawatiran tentang korelasi antara istilah produk Z dan komponen variable X dan M yang umumnya dianggap multikolinearitas. Jadi, banyak peneliti melakukan prosedur yang disebut pemusatan rata-rata untuk mencoba mengurangi efek ini. Apa yang mereka? menulis bertentangan dengan kepercayaan umum ini, dan itu adalah multikolinearitas yang diciptakan oleh masalahnya sebenarnya tidak menimbulkan masalah pada analisis moderasi selama X, M, dan X*M disertakan saat menjalankan analisis. Akhirnya, mereka merekomendasikan pemusatan rata-rata untuk satu-satunya tujuan memfasilitasi interpretasi koefisien pada istilah tingkat rendah dengan adanya interaksi. Tetapi mereka juga menekankan fakta bahwa hasil mengenai efek interaksi kemungkinan akan tetap tidak berubah terlepas dari prediktor dipusatkan atau tidak. Isu terakhir yang diangkat adalah interpretasi lower order effect (efek langsung dari X ke Y) tanpa menyertakan efek interaksi. Ini tidak disarankan karena ketika interaksi ada, prediktor yang terlibat dalam interaksi tidak memiliki efek unik tunggal. Sebaliknya, itu memiliki kisaran efek yang bervariasi sesuai dengan tingkat variable moderasi dan disebut sebagai lereng sederhana (Aiken & West, 1991). Aguinis (2004) menjelaskan bahwa karena sederhana lereng mewakili berbagai efek dalam banyak kasus, tidak berarti untuk berhipotesis atau menguji efek tunggal untuk prediktor ketika berinteraksi dengan variable moderasi. Kesimpulannya, mereka menyarankan untuk tidak menilai efek urutan rendah (X ke Y) tanpa efek interaksi di masa depan.