Darmawan Soegandar
Berkenalan dengan
Analisis Jalur
2010
PENGANTAR
Buku sederhana ini di buat berawal dari kekesalan, kekesalan saya sebagai bagian kecil dari dunia pendidikan. Kekesalan yang kemudian berubah menjadi kesedihan. Lambat laun kemudian saya sadar, tidak setiap hal harus sama dengan apa yang kita harapkan. Jauh sebelum kesedihan itu datang ada sms masuk ke hp tanggal 9 mei 2009 jam 19:50. “Aku pernah meminta kepada Allah, setangkai bunga indah dan segar, tapi yang aku dapat sebuah pohon kaktus berduri... Aku pernah meminta kepada Allah, seekor binatang mungil nan elok, tapi yang kudapat seekor ulat bulu yang menyeramkan... Aku kecewa, marah, protes, betapa tidak adilnya hidup ini... Tapi seiring berjalannya waktu, ternyata pohon kaktus itupun berbunga, bahkan bunganya lebih indah dari yang pernah kuminta. & ulat bulu itupun tumbuh... Bermetamorfosa menjadi seekor kupu-kupu yang menawan, itulah janji Allah, semua kan indah pada waktunya, Allah berikan apa yang kita butuhkan, bukan apa yang kita inginkan... semoga kita menjadi golongan orang-orang yang pandai bersyukur...” sms dari istriku ini kembali menjadi pengetuk di kepala setiap saya mulai menyimpang, seperti halnya hari-hari belakangan ini.
Astagfirullah, ya sudah lah niat menyusun buku kecil ini jadi berubah. Saya niatkan menyusun buku ini berangkat dari keprihatinan, dan semoga saya tidak perlu prihatin lagi. Semoga Tuhan memberkati harapan sederhana ini. Amien.
Bandung, 9 Maret 2010 Darmawan Soegandar
DAFTAR ISI
HAL
Pengantar ... 1
Daftar Isi ... 2
Bab I Pengertian Analisis Jalur ... 3
Bab II Diagram Jalur dan Persamaan Struktural .... 5
Bab III Koefisien Jalur ... 9
Bab IV Besarnya Pengaruh Variabel Eksogen terhadap Variabel Endogen ... 14
Bab V Pengujian Koefisien Jalur ... 15
Bab VI Contoh Masalah Pada Analis Jalur ... 18
BABI
PENGERTIAN ANALISIS JALUR
Telaah statistika menyatakan bahwa untuk tujuan peramalan/ pendugaan nilai Y atas dasar
nilai-nilai X1, X2, …., Xi, pola hubungan yang sesuai adalah
pola hubungan yang mengikuti Model Regresi, sedangkan untuk menganalisis pola hubungan kausal antar variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung, secara serempak atau mandiri beberapa variabel penyebab terhadap sebuah variabel akibat, maka pola yang tepat adalah Model Analisis Jalur
Analisis jalur (Path Analysis) dikembangkan
oleh Sewall Wright (1934). Path analysis digunakan apabila secara teori kita yakin berhadapan dengan masalah yang berhubungan sebab akibat. Tujuannya adalah menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai variabel penyebab, terhadap variabel lainnya yang merupakan variabel akibat.
Sebelum melakukan analisis, hendaknya
diperhatikan beberapa asumsi sebagai berikut: (1) Hubungan antar variabel haruslah linier dan aditif. (2) Semua variabel residu tak punya korelasi satu sama lain. (3) Pola hubungan antar variabel adalah rekursif atau hubungan yang tidak melibatkan arah pengaruh yang timbal balik. (4) Tingkat pengukuran semua variabel sekurang-kurangnya adalah interval (Harun Al Rasyid, 2005).
Beberapa istilah dan definisi dalam Path Analysis: (1) Dalam Path Analysis, kita hanya menggunakan sebuah lambang variabel, yaitu X. Untuk membedakan X yang satu dengan X yang
lainya, kita menggunakan subscript (indeks). Contoh :
X1, X2, X3 …. Xk. (2) Kita membedakan dua jenis
variabel, yaitu variabel yang menjadi pengaruh (exogenous variable), dan variabel yang dipengaruhi (endogenous variable). (3) Lambang hubungan langsung dari eksogen ke endogen adalah panah bermata satu, yang bersifat recursive atau arah hubungan yang tidak berbalik/satu arah. (4) Diagram jalur merupakan diagram atau gambar yang mensyaratkan hubugan terstruktur antar variabel (Harun Al Rasyid, 2005).
Secara matematik analisis jalur mengikuti pola
Model Struktural yang ditentukan dengan
seperangkat persamaan : Y1 = F1 (Xa, …, Xq ; A11, … , A1k) Y2 = F2 (Xa, …, Xq ; A21, … , A2k) … … … Yp = Fp (Xa, …, Xq ; Ap1, … , Apk)
yang mengisyaratkan hubungan kausal dari X1, X2, ….,
Xq ke Y1, Y2, …., Yp. Apabila setiap variabel Y secara
unique keadaanya ditentukan (disebabkan) oleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
BAB II
DIAGRAM JALUR DAN PERSAMAAN STRUKTURAL
Pada saat akan melakukan analisis jalur, disarankan untuk terlebih dahulu menggambarkan secara diagramatik struktur hubungan kausal antara variabel penyebab dengan variabel akibat. Diagram
ini disebut Diagram Jalur (Path Diagram), dan
bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir tertentu.
Gambar 1
Diagram Jalur Yang Menyatakan Hubungan
Kausal Dari X1 Sebagai Penyebab Ke X2 Sebagai
Akibat
Keterangan:
X1 adalah variabel eksogenus (exogenous variable),
untuk itu selanjutnya variabel penyebab akan kita
sebut sebagai variabel eksogenus. X2 adalah variabel
endogenus (endogenous variable), sebagai akibat, dan
ε adalah variabel residu (residual variable), yang
merupakan gabungan dari: (1) Variabel lain, di luar
X1, yang mungkin mempengaruhi X2 dan telah
X1 X2
teridentifikasi oleh teori, tetapi tidak dimasukan
dalam model. (2) Variabel lain, di luar X1, yang
mungkin mempengaruhi X2 tetapi belum
teridentifikasi oleh teori. (3) Kekeliruan pengukuran (error of measurement), dan (4) Komponen yang
sifatnya tidak menentu (random component).
Gambar 1 merupakan diagram jalur yang paling
sederhana. Gambar 1 menyatakan bahwa X2
dipengaruhi secara langsung oleh X1, tetapi di luar X1,
masih banyak penyebab lain yang dalam penelitian yang sedang dilakukan tidak diukur. Penyebab
penyebab lain itu dinyatakan oleh ε. Persamaan
struktural yang dimilik oleh gambar 1 adalah
X2 = p
1 2x
x X1 + ε.
Selanjutnya tanda anak panah satu arah menggambarkan pengaruh langsung dari variabel eksogenus terhadap variabel endogenus.
Gambar 2
Diagram jalur yang menyatakan hubungan kausal dari X1, X2, X3 ke X4 X1 X4 ε X2 X3
Gambar 2 menunjukkan bahwa diagram jalur tersebut terdapat tiga buah variabel eksogenus, yaitu
X1, X2, dan X3, sebuah variabel endogenus (X4) serta
sebuah variabel residu ε. Pada diagram di atas juga
mengisyaratkan bahwa hubungan antara X1 dengan
X4, X2 dengan X4 dan X3 dengan X4 adalah hubungan
kausal, sedangkan hubungan antara X1 dengan X2, X2
dengan X3 dan X1 dengan X3 masing-masing adalah
hubungan korelasional. Perhatikan panah dua arah, panah tersebut menyatakan hubungan korelasional. Bentuk persamaan strukturalnya adalah :
X4 = p
1 4x
x X1 + px4x2X2 + px4x3X3 + ε.
Gambar 3
Hubungan kausal dari X1, X2 ke X3 dan dari X3 ke
X4
Perhatikan bahwa pada gambar 3 di atas,
teradapat dua buah sub-struktur. Pertama,
sub-struktur yang menyatakan hubungan kausal dari X1
dan X2 ke X3, serta kedua, sub-struktur yang
X1 X3 ε1 X2 X4 ε2
mengisyaratkan hubungan kausal dari X3 ke X4.
Persamaan struktural untuk gambar 3 adalah: X3 = px3x1X1 + px3x2X2 + ε1 dan X4 = p 3 4x x X3 + ε2.
Pada sub-struktur pertama X1 dan X2
merupakan variabel eksogenus, X3 sebagai variabel
endogenus dan ε1 sebagai variabel residu. Pada
sub-struktur kedua, X3 merupakan variabel eksogenus, X4
sebagai variabel endogenus dan ε2 sebagai variabel
residu.
Berdasarkan contoh-contoh diagram jalur di atas, maka kita dapat memberikan kesimpulan bahwa makin kompleks sebuah hubungan struktural, makin kompleks diagram jalurnya, dan makin banyak pula sub-struktur yang membangun diagram jalur tersebut.
BABIII KOEFISIEN JALUR
Besarnya pengaruh langsung dari suatu variabel eksogenus terhadap variabel endogenus tertentu, dinyatakan oleh besarnya nilai numerik koefisien
jalur (path coefficient) dari eksogenus ke endogenus.
Gambar 4
Hubungan kausal dari X1, X2 ke X3
Hubungan antara X1 dan X2 adalah hubungan
korelasional. Intensitas keeratan hubungan tersebut
dinyatakan oleh besarnya koefisien korelasi r .
Hubungan X1 dan X2 ke X3 adalah hubungan kausal.
Besarnya pengaruh langsung dari X1 ke X3, dan dari
X2 ke X3, masing-masing dinyatakan oleh besarnya
nilai numerik koefisien jalur p
1 3x
x dan px3x2. Koefisien
jalur p ε
3
x menggambarkan besarnya pengaruh
langsung variabel residu (implicit exogenous variable)
terhadap X3.
Langkah kerja yang dilakukan untuk
menghitung koefisien jalur adalah:
2 1x x X1 X3 ε X2 p 1 3x x p 2 3x x p ε 3 x r 2 1x x
1. Gambarkan dengan jelas diagram jalur yang
mencerminkan proposisi hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Di sini kita harus bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur, sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan apa yang menjadi variabel endogenusnya.
2. Menghitung matriks korelasi antar variabel.
Formula untuk menghitung koefisen korelasi
yang dicari adalah menggunakan Product Moment
Coefficient dari Karl Pearson. Alasan penggunaan teknik koefisien korelasi dari Karl Pearson ini adalah karena variabel-variabel yang hendak dicari korelasinya memiliki skala pengukuran interval. Formulanya :
[
∑
∑
−∑
∑
][
∑
∑
−∑
]
− = 2 2 2 2 ) ( . ) ( ) ).( ( Y Y N X X N Y X XY N rxy3. Identifikasikan sub-struktur dan persamaan yang
akan dihitung koefisien jalurnya. Misalkan saja dalam sub-struktur yang telah kita identifikasi terdapat k buah variabel eksogenus, dan sebuah R = … Xu X2 X1
1
...
1
...
1
...
1
2 1 2 1 u u x x x x x xr
r
r
(selalu hanya sebuah) variabel endogenus Xu yang
dinyatakan oleh persamaan :
Xu = pxux1x1 + pxux2x2 + … + pxuxk xk + ε.
Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun sub-struktur tersebut.
4. Menghitung matriks invers korelasi variabel
eksogenus, dengan rumus :
5. Menghitung semua koefisien jalur p
i ux x , dimana i = 1,2, … k; melalui rumus : = k u u u x x x x x x ρ ρ ρ ... 2 1 kk k k C C C C C C ... ... ... ... 2 22 1 12 11 k u u u x x x x x x r r r ... 2 1 R1-1 = … Xk X2 X1 kk k k C C C C C C ... ... ... ... 2 22 1 12 11 R = Xk X2 X1 1 ... 1 ... 1 ... 1 2 1 2 1 k k x x x x x x r r r …
Catatan :
Contoh di atas merupakan model analisis jalur kompleks, sehingga langkah-langkah perhitungan untuk mencari koefisien jalurnya dapat mengikuti pola di atas. Sementara besarnya koefisien jalur untuk model analisis jalur sederhana, yang terdiri dari satu variabel eksogen dan satu variabel endogen
(perhatikan Gambar 1), nilainya sama dengan
besarnya koefisien korelasi antara kedua variabel tersebut (p
i ux
BAB IV
BESARNYA PENGARUH VARIABEL EKSOGEN TERHADAP
VARIABEL ENDOGEN
Pengaruh yang diterima oleh sebuah variabel endogenus dari dua atau lebih variabel eksogenus, dapat secara sendiri-sendiri maupun secara bersama-sama. Pengaruh secara sendiri-sendiri (partial), bisa berupa pengaruh langsung, bisa juga berupa pengaruh tidak langsung, yaitu melalui variabel eksogen yang lainnya.
Menghitung besarnya pengaruh langsung, pengaruh tidak langsung serta pengaruh total variabel eksogenus terhadap variabel endogenus secara parsial, dapat dilakukan dengan rumus :
Besarnya pengaruh langsung variabel eksogenus
terhadap variabel endogenus = p
i ux
x x pxuxi
Besarnya pengaruh tidak langsung variabel
eksogenus terhadap variabel endogenus = p
i ux x x r x p i ux x
Besarnya pengaruh total variabel eksogenus
terhadap variabel endogenus adalah penjumlahan besarnya pengaruh langsung dengan besarnya pangaruh tidak langsung = [p
i ux x x pxuxi] + [pxuxi x r x p i ux x ]
Selanjutnya pengaruh bersama-sama (simultan) variabel eksogenus terhadap variabel endogenus dapat dihitung dengan menggunakan rumus:
2 1x x 2 1x x
(
u u u k)
k u x x x xx xx xx x Rρ
ρ
...ρ
2 1 2 1, ,... ) ( 2 = k u u u x x x x x x r r r ... 2 1 Dimana :R2xu(x1,x2...xk)adalah koefisien determinasi total X1, X2,
… Xk terhadap Xu atau besarnya pengaruh variabel
eksogenus secara bersama-sama (gabungan)
terhadap variabel endogenus.
(
)
k u u ux x x x x x ρ ρ ρ ... 21 adalah koefisien jalur
(
)
k u u ux xx xx x r r r ... 21 adalah koefisien korelasi
variabel eksogenus X1, X2, … Xk dengan variabel
BAB V
PENGUJIAN KOEFISIEN JALUR
Menguji kebermaknaan (test of significance)
setiap koefisien jalur yang telah dihitung, baik secara sendiri-sendiri maupun secara bersama-sama, serta menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus, dapat dilakukan dengan langkah kerja berikut :
1. Nyatakan hipotesis statistik (hipotesis
operasional) yang akan diuji.
Ho : pxuxi= 0, artinya tidak terdapat pengaruh
variabel eksogenus (Xu) terhadap
variabel endogenus (Xi).
H1 : pxuxi≠ 0, artinya terdapat pengaruh variabel
eksogenus (Xu) terhadap variabel
endogenus (Xi).
dimana u dan i = 1, 2, … , k
2. Gunakan statistik uji yang tepat, yaitu :
Untuk menguji setiap koefisien jalur :
1 ) 1 ( 2 ( 12... ) − − − = k n C R p t ii x x x x x x k u i u dimana: i = 1,2, … k
k = Banyaknya variabel eksogenous dalam substruktur yang sedang diuji
t = Mengikuti tabel distribusi t, dengan derajat bebas = n – k – 1
Kriteria pengujian : Ditolak H0 jika nilai hitung
t lebih besar dari nilai tabel t. (t0 > ttabel(n-k-1)).
Untuk menguji koefisien jalur secara
keseluruhan/bersama-sama : ) 1 ( ) )( 1 ( ) ,... , ( 2 ) ,... , ( 2 2 1 2 1 k u k u x x x x x x x x R k R k n F − − − = dimana : i = 1,2, … k
k = Banyaknya variabel eksogenus dalam substruktur yang sedang diuji
t = Mengikuti tabel distribusi F Snedecor, dengan derajat bebas (degrees of freedom) k dan n – k – 1
Kriteria pengujian : Ditolak H0 jika nilai hitung
F lebih besar dari nilai tabel F. (F0 > Ftabel(k,
n-k-1)).
Untuk menguji perbedaan besarnya pengaruh
masing-masing variabel eksogenus terhadap variabel endogenus. ) 2 )( 1 ( − 2 ( 1 2... ) + − − = C C C R p p t ij jj ii x x x x x x x x k u j u i u
Kriteria pengujian :
Ditolak H0 jika nilai hitung t lebih besar dari
nilai tabel t. (t0 > ttabel (n-k-1)).
3. Ambil kesimpulan, apakah perlu trimming atau
tidak. Apabila terjadi trimming, maka perhitungan
harus diulang dengan menghilangkan jalur yang
menurut pengujian tidak bermakna (no
BAB VI
CONTOH ANALISIS JALUR
Menemukan koefisien jalur (besarnya pengaruh
variabel eksogenus (Xu) terhadap variabel endogenus
(Y)). Tentu akan menjadi kesulitan tersendiri bagi
mereka yang tidak memiliki pengetahuan
matematika/kalkulus yang cukup (lihat bab 3). Dalam SPSS kita bisa menggunakan hasil pengolahan data pada analysis regresi tabel coefficien.
Bagi anda yang terbiasa dengan penggunaan tabel ini untuk keperluan membuat persamaan regresi linear berganda, anda tidak akan terlalu kesulitan. Jadi pada dasarnya kita bisa menggunakan pengolahan data pada regresi linear berganda. Misalkan kita lihat tabel berikut:
Tabel 1.
Dari tabel diatas kita bisa mengatakan bahwa
penelitian ini mengenai pengaruh Akuntabilitas (X1)
dan Transparansi (X2) sebagai variabel eksogenus
terhadap Pengelolaan (Y) sebagai variabel
endogenus.
Maka model analisis jalur yang digunakan adalah model satu jalur berikut
Hubungan kausal dari X1, X2 ke Y
Dengan Akuntabilitas (X1), Transparansi (X2) dan
Pengelolaan (Y).
Tabel 2.
Tabel di atas mengatakan bahwa Akuntabilitas (X1)
dan Transparansi (X2) secara bersama-sama
mempengaruhi Pengelolaan (Y) sebesar 59% angka ini bisa kita baca pada kolom R Square.
Tabel 3. X1 Y3 ε X2 p 1 3x x p 2 3x x p ε y r 2 1x x
Jumlah responden pada penelitian ini sebanyak 64 orang. Rerata Pengelolaan sebesar 97,45, rerata Akuntabilitas sebesar 88,52 dan rerata Transparansi sebesar 84,33. Sedangkan besar standar deviasi untuk Pengelolaan 9,749; Akuntabilitas 15,211; dan Transparansi 11,689. Data standar deviasi ini penting untuk memenuhi syarat kekuatan model dimana Standard deviasi > Standard Error of The Estimate (SEE) sedangkan besar SEE model adalah 6,343 (lihat pada tabel 2).
Tabel 4.
Pada tabel 4 ini bisa kita jadikan alat bantu untuk menguji signifikansi model. Kita bisa menggunakan 2 cara; 1). Cara pertama bandingkan F tabel dengan F hitung. Ftabel harus < Fhitung. Untuk df/dk 2 dan 61 kita dapatkan 3,150. Sedangkan pada tabel 4 ini kita menemukan nilai F hitung sebesar 43,924. Jadi model, signifikan. 2). Cara berikutnya adalah dengan melihat nilai sig. nilai sig pada tabel dikatakan signifikan jika sig.<0,05. Kita lihat bahwa nilai sig. = 0,000 < 0,05 jadi signifikansi terbukti oleh kedua cara.
Tabel 5.
Pada model analisis jalur kita memerlukan nilai corelasi antara variabel eksogenus. Pada tabel ini kita
bisa melihat bahwa rx1x2 sebesar 0,751.
Tabel 6.
Pada tabel ini kita melihat bahwa pengaruh Akuntabilitas secara parsial terhadap Pengelolaan sebesar 65,3% dan pengaruh Transparansi secara parsial terhadap Pengelolaan sebesar 14,5% (hati-hati, yang kita baca adalah koefisien yang telah di standarisasi, bukan yang belum di standarisasi seperti halnya pada persamaan regresi berganda). Nilai koefisien ini bisa kita terima karena nilai signifikansinya terpenuhi nilai t tabel sebesar 1,999 sedangkan t hitung untuk Pengelolaan 8,594, untuk
Akuntabilitas 5,261 dan Transparansi 2,169. Jadi Ftabel < Fhitung terpenuhi. Begitupun nilai sig yang semuanya sig.<0,05. Sehingga bisa kita tuliskan persamaan strukturnya sebagai berikut
Y = 0.653 X1 + 0.145 X2 + ε
Dengan ε sebesar 0.410 (angka ini didapat dari
100-59%) artinya ada 41% variabel lain yang belum di
hitung oleh model ini. Sedangkan ε1 dan ε2 sebesar
0.000 karena tidak ada faktor/indikator lain yang belum di perhitungkan (caranya gunakan analisis faktor, lihat di lampiran).
Jadi model hasil penelitian bisa kita gambarkan sebagai berikut:
Hubungan kausal dari X1, X2 ke Y
Sedangkan jika kita bermaksud tujuan penelitian kita adalah peramalan/ pendugaan nilai Y atas dasar
nilai-nilai X1, X2 bukan untuk mencari pengaruh X1, X2
terhadap Y maka kita dengan tabel yang sama bisa menuliskan persamaan regresi linear berganda sebagai berikut;
Y = 50,185 +0,419 X1 +0,121 X2
Jadi jelaslah apa yang di maksudkan pada paragrap pertama bab I, persamaan struktural berguna untuk
X1 Y ε . X2 .653 .145 .41 .751
menjawab pertanyaan berapa besar pengaruh
Akuntabilitas (X1) dan Transparansi (X2) sebagai
variabel eksogenus terhadap Pengelolaan (Y) sebagai variabel endogenus. Sedangkan persamaan regresi linear berganda tidak cocok untuk menjawab pertanyaan tersebut, karena persamaan regresi
linear berganda ditujukan untuk
meramal/menduga/memprediksi nilai Y jika nilai X berubah. Ambil contoh untuk pertanyaan sederhana:
bagaimanakah perubahan pada Nilai Tukar Dolar (X1)
dan Kenaikan Tarif Dasar Listrik (X2) mempengaruhi
Tingkat Daya Beli Masyarakat (Y). Maka model
penelitian Hubungan Prediktif dari X1, X2 ke Y
Bisa kita gunakan persamaan regresi linear berganda (kita ambil contoh persamaan tadi, kita anggap saja ada data penelitian yang angka koefisiennya menunjukkan persamaan:
Y = 50,185 +0,419 X1 +0,121 X2
Maka persamaan ini bisa kita manfaatkan sebagai alat untuk memprediksi. Persamaan ini mengandung makna jika tidak terjadi perubahan nilai dolar
terhadap rupiah (X1) dan tidak terjadi perubahan
Tarif Dasar Listrik (X2) maka daya beli masyarakat
sebesar Rp. 50,185. Sedangkan jika nilai dolar naik sebesar $1 (misalnya pada penelitian ini 1 satuan = 1
X1 Y X2 rX1Y rX2Y rX1X2 RYX 1X2
dolar) sedangkan Tarif Dasar Listrik (X2) tidak
berubah maka besarnya Daya Beli Masyarakat (Y) sebesar Y = 50,185 + 0,419 = 50,604 dan seterusnya. Sekarang, bayangkan jika kita akan menggunakan persamaan linear berganda untuk Akuntabilitas, Transparansi dan Pengelolaan. Untuk pertanyaan: apakah persamaan regresi linear berganda;
Y = 50,185 +0,419 X1 +0,121 X2
bisa memberi makna pada pernyataan ‘Jika Akuntabilitas dan Transparansi bernilai 0 maka besar Pengelolaan adalah sebesar 50,185’ bisa kita pahami? Banyak dari kita memaksakan kalimatnya menjadi “Jika Akuntabilitas dan Transparansi bernilai 0 maka besar Pengelolaan adalah sebesar 50,185 satuan” yang menjadi masalah adalah; apa makna “50,185 satuan” padahal tujuan persamaan regresi linear berganda adalah untuk meramal/menduga pengaruh variabel independen terhadap variabel dependen? Kemudian bagai mana kita memaknai kalimat “jika Akuntabilitas naik sebesar 1 satuan sedangkan transparansi tidak berubah maka pengelolaan naik menjadi Y = 50,185 + 0,419 = 50,604 satuan”. Bagaimana kita memaknai “1 satuan akuntabilitas”?
Seberapa/sebagaimana sebenarnya 1 satuan
akuntabilitas itu?
Jadi jelaslah sudah pengambilan metode analisis regresi harus sangat hati-hati sehingga tidak
menimbulkan ambigu/bias terhadap makna
penelitian kita! Kesimpulannya jika kita ingin
mengetahui pengaruh varinsi variabel X (X1, X2….Xi)
apa yang terjadi/memprediksi nilai Y jika variabel X diberikan perlakuan (dimanipulasi oleh peneliti) maka analis regresi berganda lebih tepat untuk menyelesaikannya. Yang penting harus diingat adalah analisis jalur merupakan pengembangan dari analisis regresi sehingga tabel-tabel analisis regresi berganda juga bisa dipergunakan untuk melakukan analisi jalur.
Daftar Pustaka
Alexander, Cedell A dkk. (1998). Near-Critical Path Analysis: A Tool for Parallel Program Optimization. The University of Southern Mississippi.
Eshima, Nobuki dkk. (2001). Path Analysis With Logistic Regression Model: Effect Analysis Of Fully Rescursive Causal System of Categorical Variabel. J. Japan Statist. Soc. Vol 31 No.1 2001 1-14.
Israels, AZ. (1987). Path Analysis for Mixed Qualitative and Quantitative Variabel. Martinus Nijhoff Publishers, Dordrecht Netherlands.
Jackson, Jeffrey L. (2005). Introduction to Structural
Equation Modeling (Path Analysis). SGIM
Precourse.
Lleras, Christy. (2009). Path Analysis. Pennsylvania State University, University Park, Pennsylvania, USA.
Muthen, (2010). Chapter 3 Examples: Regression and
Path Analysis www.statmodel.com/download/
usersguide/Chapter3.pdf
Sarwono, Jonathan. (2007). Analisis Jalur untuk Riset Bisnis. Penerbit Andi, Yogyakarta.
Sarwono, Jonathan. (2009). Statistik Itu Mudah. Penerbit Andi, Yogyakarta.
Sitepu, Nriwana SK. (1994). Analisis Jalur. Jurusan Statistik FMIPA UNPAD, Bandung.
Webb, Noreen (2010). Path Analysis. Education 230B, Linear Statistical Model.
Xue, Qian-Li. (2007). Introduction to Path Analysis, Statistics for Psychosocial Research II: Structural
Yiu-Fai Yung. (2008). Structural Equation Modeling and Path Analysis Using PROC TCALIS in SAS® 9.2. SAS Institute Inc., Cary NC