HUBUNGAN PARSIAL
-
Upload
ahmad-shulhany -
Category
Documents
-
view
24 -
download
0
description
Transcript of HUBUNGAN PARSIAL
KORELASI PARSIAL
Teknik korelasi yang dibahas sebelumnya hanya cocok untuk memeriksa hubungan antara dua
variabel. Dalam kebanyakan situasi, peneliti harus berurusan dengan lebih dari dua variabel, dan
kita perlu prosedur untuk meneliti hubungan antara lebih dari dua variabel. Korelasi
parsial adalah teknik yang digunakan untuk menentukan apakah korelasi antara dua variabel
tetap (tidak berubah) bila pengaruh variabel lain dihilangkan. Kita tahu bahwa korelasi antara
dua variabel mungkin dapat terjadi karena keduanya berkorelasi dengan variabel ketiga. Korelasi
parsial-lah yang mengatur hubungan dengan variabel ketiga. Sebagai contoh, asumsikan kita
tertarik pada hubungan antara kosakata (vocabulary) dan kemampuan memecahkan
masalah. Dua hal tersebut berhubungan dengan variabel ketiga, yaitu usia kronologis. Sebagai
contoh, anak usia 12 tahun memiliki kosakata yang lebih baik daripada anak usia 8 tahun, dan
kemampuan pemecahan masalah anak usia 12 tahun juga lebih berkembang. Skor pada kosakata
dan pemecahan masalah akan berkorelasi dengan satu sama lain karena keduanya berkorelasi
dengan usia kronologis. Korelasi parsial digunakan pada data tersebut untuk mendapatkan
ukuran korelasi jika pengaruh usia dihilangkan. Korelasi yang terjadi antara dua variabel jika
hubungan dengan variabel ketiga dihilangkan disebut korelasi parsial orde pertama. Korelasi
parsial dapat digunakan untuk menghilangkan pengaruh dari satu variabel atau lebih. Namun,
karena kesulitan interpretasi, korelasi parsial yang menghilangkan pengaruh lebih dari satu
variabel jarang digunakan.
REGRESI BERGANDA
Regresi berganda adalah prosedur korelasional yang meneliti hubungan antara beberapa
variabel. Secara spesifik, teknik ini memungkinkan peneliti untuk mencari kemungkinan terbaik
dari dua atau lebih variabel independen untuk menghasilkan korelasi maksimal dengan variabel
dependen tunggal. Misalkan perguruan tinggi menggunakan data yang diajukan oleh calon
mahasiswa baru untuk memprediksi IPK semester pertama. Nilai-nilai yang mungkin dapat
memprediksi hal itu adalah bagian tes dari TPA (Tes Potensi akademik), yaitu tes bahasa
(TPAB), dan tes matematika (TPAM) dengan peringkat relatif siswa SMA (PRSS). Peringkat
relatif siswa SMA, diurutkan dengan membagi peringkat siswa saat kelas XII SMA dengan
ukuran kelas, kemudian diurutkan dengan variasi sesuai ukuran kelas pada saat lulus. Pada Tabel
13.3 disajikan korelasi sederhana antara masing-masing prediktor dan kriteria.
Kita dapat melihat pada Tabel 13.3 bahwa tidak ada variabel yang memiliki korelasi yang sangat
tinggi dengan IPK mahasiswa, salah satu prediktor yang terbaik adalah PRSS. Namun, kita bisa
menggunakan ketiga variabel tersebut dalam analisis regresi berganda untuk menentukan
kemungkinan kombinasi korelasi terbaik dari ketiga variabel prediktor tersebut dengan
IPK. Program komputer menghasilkan persamaan prediksi sesuai dengan variabel
prediktor dengan tepat untuk menghasilkan korelasi tertinggi dengan IPK sehingga
menghasilkan prediksi terbaik. Universitas dapat menggunakan persamaan tersebut untuk
memprediksi calon-calon mahasiswa lain yang sama, yaitu mahasiswa yang nilai TPA dan
peringkat relatif siswa SMA diketahui dan untuk memprediksi IPK calon mahasiswa yang belum
diketahui di universitas tersebut.
Persamaan regresi akan terlihat sebagai berikut: Y' = a + b1X1 + b2X2 + b3X3, di mana Y adalah
nilai yang diprediksi (IPK); a, b1, b2, dan b3 konstanta yang disediakan oleh analisis
regresi; dan X1, X2, dan X3 adalah variabel independen (PRSS, TPAB, dan TPAM). Asumsikan
seorang siswa memiliki nilai sebagai berikut: TPAB = 510, TPAM = 540, dan
PRSS = 21. Perkiraan IPK mahasiswa tersebut adalah 2.97:
Y '= 2,0813 + (- 0,0131) 21 + 0,0014 (540) + 0,0008 (510) = 2.97
Analisis regresi juga menghasilkan R, koefisiensien korelasi berganda, yang menunjukkan
hubungan antara variabel prediktor dalam kombinasi dan kriteria. Jika kita
menguadratkan R untuk mendapatkan koefisien determinasi, kita tahu jumlah variabilitas dalam
kriteria yang karena perbedaan nilai pada variabel prediktor. Sebagai contoh, jika R adalah 0,50,
maka 25 persen dari variabilitas pada IPK dapat dipertanggungjawabkan dengan gabungan nilai
TPAB, TPAM, dan PRSS.
TPAB TPAM PRSS
IPK 0.31 0.39 -0.42
Tabel 13.3Hubungan antara prediktor dan kriteria
(Hubungan antara IPK dan PRSS bernilai negatif karena peringkat diurutkan dari nilai yang
terkecil, maka siswa yang memiliki peringkat terkecil kemungkinan IPK-nya tinggi)
Dalam pengembangan dari persamaan regresi berganda, variabel harus diukur pada skala
interval. Hal ini dimungkinkan, namun, untuk menempatkan variabel kategori seperti jenis
kelamin, kelas sosial, status perkawinan, preferensi politik, dan sejenisnya ke dalam persamaan
prediksi jika data tersebut sudah diubah menjadi variabel biner. Sebagai contoh, jika variabel
jenis kelamin, 1 dapat mewakili perempuan dan 0 mewakili laki-laki. Mengubah variabel
menjadi kode biner yang mewakili tersebut dalam regresi berganda sebagai variabel dummy.
Karena perhitungan yang sangat kompleks, regresi berganda dilakukan dengan
komputer. Program komputer yang tersedia memberikan tidak hanya memberikan beberapa
koefisian korelasi berganda (R) dan prediksi persamaan tetapi juga proporsi atau perbandingan
varians terhadap kriteria tersebut yang dicatat melalui kombinasi prediktor (R2) dan uji-uji
signifikansi statistik dan pengaruh dari tiap variable terhadap kriteria.. Untuk pembahasan regresi
berganda selanjutnya, lihat Cohen, Cohen, Barat, dan Aiken (2003).13,4
Definisi-definisi
1. rho-Spearman rho untuk menunjukkan tanda dan besarnya korelasi antara dua variabel ordinal
2. r-Pearson untuk menunjukkan tanda dan besarnya korelasi antara dua variabel interval
3. Regresi berganda adalah teknik yang menggunakan sejumlah variabel independen untuk
memprediksi satu variabel dependen
4. Koefisien phi untuk menunjukkan tanda dan besarnya korelasi antara dua variabel nominal
5. Korelasi eta digunakan ketika hubungan antara dua variabel adalah kurva lengkung
ANALISIS FAKTOR
Analisis faktor, atau menyelidiki analisis faktor, adalah bagian dari teknik yang digunakan
untuk mendeteksi pola dalam satu himpunan variabel tingkat interval tingkat (Spicer,
2005). Faktor
Analisis dimulai dengan tabel korelasi berpasangan (Pearson r 's) di antara semua
variabel yang menarik; tabel ini disebut matriks korelasi. Tujuan dari
Tabel 13.3 Korelasi dari Setiap Predictor dengan Kriteria tersebut
SATV SATM RHSR a
IPK 0,31 0,39-0,42
a Korelasi negatif antara relatif peringkat sekolah tinggi dan IPK adalah karena cara yang
peringkat di kelas diukur.
The berprestasi tertinggi di kelas memiliki peringkat dari 1 (angka terendah); yang berprestasi
terendah di kelas memiliki
peringkat sama dengan ukuran kelas (jumlah tinggi). Para siswa dengan peringkat
terendah ukuran diperkirakan memiliki
IPK tertinggi; karenanya, efisien korelasi sien negatif.
analisis ini adalah untuk mencoba untuk mengurangi set variabel yang diukur untuk satu set yang
lebih kecil dari
Faktor-faktor yang menjelaskan pola hubungan yang mendasari. Pencarian berikut
hukum penghematan, yang berarti bahwa data harus diperhitungkan
dengan jumlah terkecil faktor. Penurunan jumlah variabel
berfungsi untuk membuat data lebih mudah dikelola dan diinterpretasi.
Ada dua jenis situasi di mana analisis faktor biasanya digunakan.
Dalam pertama, peneliti tertarik dalam mengurangi satu set variabel ke yang lebih kecil
yang ditetapkan. Sebagai contoh, asumsikan sebuah perusahaan teknologi menggunakan 10 tes
yang berbeda untuk memilih
pemrogram komputer. Analisis faktor dapat digunakan untuk mengidentifikasi mungkin empat
mendasari dimensi yang diukur oleh mereka 10 tes sehingga tes dari empat
dimensi dapat digunakan sama efektif dalam proses seleksi sebagai 10
tes asli.
Tipe kedua situasi ketika para peneliti menggunakan analisis faktor untuk
menentukan karakteristik atau struktur yang mendasari alat ukur
seperti ukuran kecerdasan, kepribadian, atau sikap. Asumsikan
peneliti telah mengembangkan skala baru untuk mengukur diri dan berpikir itu adalah
unidimensional (mengukur satu dimensi tunggal). Jika ini benar, analisis faktor
harus menghasilkan hanya satu faktor. Dalam kasus lain, seorang peneliti mungkin tertarik
dalam menyelidiki sifat faktor yang mendasari dalam skala yang ada. Di
Bab 9, kita membahas penggunaan analisis faktor dalam membangun construct
validitas tes.
Mari kita menggambarkan analisis faktor dengan contoh sederhana. Bayangkan bahwa Anda
memiliki
skor pada enam subskala yang berbeda dari ukuran bakat untuk 300 subjek. Itu
korelasi antara semua pasangan nilai ditunjukkan pada Tabel 13.4. Setiap subjek
ditunjukkan baik pada baris horisontal dan vertikal kolom. The Pearson r untuk masing-masing
sepasang variabel ditunjukkan di mana kolom dan baris berpotongan.
Pertanyaannya adalah: Apakah ada struktur yang lebih sederhana yang mendasari ini 15
korelasi?
Tabel 13.4 menunjukkan bahwa semua sub-skala yang berkorelasi positif, dan kita
menganggap semua korelasi yang tidak bisa statistik signifi. Yang pertama dua subskala
(Kosa kata dan analogi) membentuk sebuah sub kelompok yang terpisah karena mereka
berkorelasi
.50 Dengan satu sama lain tetapi tidak berkorelasi dengan sub-skala lainnya. Dua berikutnya
subskala (aritmatika dan penalaran numerik) berkorelasi .55 dan dengan demikian membentuk
subkelompok lain, dan juga dua subskala terakhir (gambar selesai dan
rancangan) memiliki korelasi 0,52 dengan masing-masing korelasi lain tetapi diabaikan
dengan sub-skala lainnya. Dengan kata lain, pola korelasi antara
variabel-variabel ini tampaknya refl dll tiga faktor yang mendasari, yang kami beri label verbal,
numerik, dan spasial.
Tabel 13.4 Korelasi antara subskala Skor
1 2 3 4 5 6
1. Kosakata - .50 .15 .12 .12 .15
2. Analogi - - .12 .15 .10 .18
3. Arithmetic - - - .55 .15 .12
4. numerik penalaran - - - - .20 .22
5. selesai Picture - - - - - 0,52
6. Blok desain - - - - - -
Dalam contoh sederhana ini, kita berhadapan dengan hanya enam variabel. Dalam kebanyakan
kasus,
akan ada lebih banyak, dan itu tidak akan begitu mudah untuk menemukan
faktor dengan inspeksi. Dengan demikian, para peneliti beralih ke analisis faktor. Matematika
dari analisis faktor adalah di luar cakupan buku ini. Namun, pada dasarnya melibatkan
mencari kelompok variabel yang semuanya berhubungan dengan satu sama lain.
Yang pertama klaster teridentifi kasi disebut faktor pertama, dan itu merupakan variabel
yang paling intercorrelated satu sama lain. Kemudian, faktor-faktor lain yang teridentifi kasi
account untuk mengurangi jumlah varians. Faktor yang diwakili
sebagai nilai yang dihasilkan untuk setiap mata pelajaran dalam sampel. Selanjutnya, korelasi
sien efisien dihitung antara skor faktor subyek 'dan skor mereka pada
variabel tertentu masuk ke dalam analisis faktor. Korelasi ini antara
variabel dan faktor yang disebut faktor beban. Semakin tinggi loading, yang
lebih variabel memberikan kontribusi dan defi nes faktor tertentu. Faktor loading
ditafsirkan seperti efisien korelasi sien: Semakin besar itu (baik positif atau negatif),
semakin kuat hubungan variabel untuk faktor. Hasil
analisis faktor adalah matriks faktor, yang menunjukkan jumlah penting yang mendasari
faktor dan berat (beban) dari setiap variabel asli pada yang dihasilkan tersebut
faktor. Kuadrat dari faktor loading proporsi varians umum
antara tes dan faktor. Tabel 13.5 menunjukkan apa faktor hipotetis
matriks yang dihasilkan dari analisis faktor dari tes kecerdasan dalam sebelumnya
Contoh mungkin terlihat seperti.
Yang pertama dua tes beban kuat pada faktor 1; kita sebut faktor yang mendasari ini
"Kemampuan verbal." Kedua tes berikutnya beban kuat pada faktor 2, yang kita mungkin label
"Kemampuan numerik." Terakhir dua tes beban kuat pada faktor 3, yang kita mungkin
label "kemampuan spasial." contoh sederhana kami sehingga menunjukkan bahwa ada tiga
Faktor-faktor yang mendasari kinerja pada tes kecerdasan. Prosedur ini tidak
melibatkan hipotesis yang akan diuji, melainkan sesuatu yang harus dieksplorasi. Bagaimana
salah satu memutuskan "benar" sejumlah faktor? Kriteria pertama adalah bahwa semua
Faktor harus ditafsirkan; faktor uninterpretable tidak melayani praktis atau
Fungsi teoritis (Spicer, 2005). Kedua, faktor harus account untuk memuaskan
jumlah perbedaan bersama dalam data. Apa itu "memuaskan" adalah defi ned oleh
peneliti. Beberapa penulis menyarankan bahwa analisis menjaga faktor penggalian sebagai
Selama faktor menyumbang setidaknya 10 persen dari varians. "Ada
kesepakatan umum bahwa overfactoring adalah lebih baik untuk underfactoring "(Spicer,
2005, hal. 195).
Tabel 13.5 Hipotesis Factor Matrix dari Analisis Skor pada subskala Enam sebuah
Uji subskala Faktor 1 Faktor 2 Faktor 3
Kosakata 0,91 .40 .30
Analogi 0,87 .30 .20
Aritmatika .25 .90 .15
Penalaran numerik .22 .80 .10
Selesai Gambar .15 .10 .85
Rancangan 0,09 .05 .75
a Variabel memuat paling kuat pada masing-masing faktor yang diatur dalam huruf tebal.
Diskusi sebelumnya ini menggambarkan analisis faktor exploratory (EFA) karena
peneliti tidak menguji setiap hipotesis resmi tentang jumlah mendasari
faktor. Jumlah faktor ditentukan secara empiris bukannya
spesifik ed apriori. Hal ini dibedakan dari teknik yang lebih maju yang disebut
Confi analisis faktor rmatory (CFA), yang kami jelaskan briefl y berikutnya.
Analisis faktor konfirmatori
Confi analisis faktor rmatory, seperti analisis faktor eksplorasi, "digunakan untuk menguji
hubungan antara satu set variabel yang diukur dan satu set yang lebih kecil dari
Faktor-faktor yang mungkin bisa menjelaskan mereka "(Spicer, 2005, hal. 199). Faktor rmatory
kerahasiaan
analisis, bagaimanapun, mengasumsikan pengetahuan muka yang relatif tepat dan
memungkinkan
peneliti untuk menentukan apriori apa hubungan ini mungkin terlihat seperti dan kemudian
untuk menguji keakuratan ini hipotesis formal.
Langkah pertama dalam CFA adalah untuk menentukan model yang terdiri dari sejumlah
hipotesis
tentang sejumlah faktor yang mendasari, apakah atau tidak mereka berkorelasi, dan
yang variabel diharapkan untuk memuat faktor-faktor yang. Output dari CFA memungkinkan
peneliti untuk mengevaluasi model faktor keseluruhan dan pada tingkat individu
hubungan variabel-faktor. Peneliti dapat menggunakan CFA dan membandingkan hotel yang
berbeda
model atau solusi faktor yang mungkin diajukan.
Para peneliti sering menggunakan kedua EFA dan CFA dalam pembangunan dan evaluasi
alat ukur. Mereka mulai dengan EFA dan kemudian pindah ke CFA di kemudian hari
tahapan dalam penelitian. CFA adalah di luar lingkup teks pengantar. Tertarik
pembaca bisa merujuk ke Pedhazur (2006), Loehlin (2004), atau Thompson (2004).
KORELASIONAL KOMPLEKS LAINNYA
TATA CARA
Beberapa teknik yang lebih kompleks yang tersedia untuk menyelidiki korelasi lebih
dari dua variabel. Analisis ini memerlukan lebih banyak kecanggihan dengan statistik
daripada yang biasanya diperlukan dalam kursus penelitian dimulai. Kami briefl y menjelaskan
ini
teknik dan merujuk siswa tertarik untuk teks-teks lain.
Korelasi kanonik adalah generalisasi dari regresi berganda yang menambahkan
lebih dari satu variabel dependen (kriteria) ke persamaan prediksi. Untuk
informasi lebih lanjut tentang korelasi kanonik, lihat Thompson (1984).
Analisis diskriminan adalah prosedur statistik yang berhubungan dengan regresi berganda,
tetapi berbeda dalam bahwa kriteria adalah variabel kategoris daripada terus menerus
satu. Sebuah sumber yang baik untuk prosedur ini adalah Huberty (1994).
Structural Equation Modeling (SEM) merupakan teknik yang populer digunakan dalam
analisis
kausalitas. SEM menggabungkan analisis faktor rmatory kerahasiaan dan analisis jalur
untuk menguji kedua model pengukuran dan model struktural. Kita lihat pembaca
untuk Bentler dan Chou (1988), Pedhazur (2006), dan Loehlin (2004) untuk lebih lanjut
diskusi SEM.
Pedhazur (2006) defi nes analisis jalur sebagai "metode untuk mempelajari langsung dan
efek tidak langsung dari variabel hipotesis sebagai penyebab variabel diperlakukan sebagai efek.
"
BAB 13 KORELASIONAL PENELITIAN 365
BERPIKIR TENTANG IT 13,5
Cocokkan prosedur di kolom kiri dengan definisi defi di kolom kanan:
1. Faktor analisis a. Menggunakan beberapa variabel independen untuk memprediksi
lebih dari satu variabel dependen
2. diskriminan analisis b. Mengurangi matriks korelasi antara variabel ke
Beberapa konstruksi yang mendasari
3. Canonical korelasi c. Menggunakan sejumlah variabel untuk memprediksi keanggotaan dalam
Kategori
4. parsial korelasi d. Menggunakan teori untuk menentukan dan model uji penyebab
antara variabel
5. Jalur analisis e. Menentukan hubungan antara dua variabel
ketika efek dari variabel lain dihilangkan
Jawaban
1. b; 2. c; 3. a; 4. e; 5. d
Penelitian korelasional adalah nonexperimental
penelitian yang mempelajari arah dan kekuatan
hubungan antar variabel. Mengumpulkan data
pada dua atau lebih variabel kuantitatif dari
kelompok yang sama mata pelajaran (atau dari dua logis
grup terkait) dan kemudian menentukan korelasi
antara variabel.
Prosedur korelasional yang banyak digunakan dalam
penelitian pendidikan dan psikologis. Ta Men
memungkinkan para peneliti untuk lebih memahami tertentu
fenomena dan membuat prediksi. Korelasional
desain sering berharga untuk menghasilkan hipotesis
yang dapat diteliti lebih lanjut di eksperimental
atau ex post facto penelitian. Korelasi harus
ditafsirkan dengan tepat. Ketika menilai korelasi
koefisien, orang harus memperhitungkan
populasi dari mana sampel tersebut diambil,
bentuk distribusi, ukuran sampel, dan
signifikansi statistik dan praktis. Yang paling
kesalahan serius adalah untuk menafsirkan korelasi per se sebagai
indikator sebab-akibat.
Sejumlah jenis korelasi
koefisien digunakan dengan variabel yang
diukur pada berbagai jenis skala. Kelipatan
regresi digunakan untuk mencari hubungan
antara dua atau lebih variabel independen
dan variabel dependen. Ini menghasilkan prediksi
persamaan bahwa peneliti dapat menggunakan nanti untuk
memprediksi variabel dependen untuk kelompok baru
mata pelajaran, ketika peneliti memiliki informasi
hanya pada variabel independen.
Beberapa prosedur korelasi yang lebih canggih
termasuk korelasi parsial, diskriminan
analisis, analisis faktor, korelasi kanonik,
analisis jalur, dan pemodelan persamaan struktural.
Hal ini penting untuk mengetahui jenis penelitian
situasi di mana masing-masing teknik ini
akan berguna.
RINGKASAN
Pedhazur lebih lanjut menyatakan, "Analisis jalur dimaksudkan tidak untuk menemukan
penyebab tetapi untuk
menumpahkan cahaya pada ketahanan dari model kausal peneliti merumuskan didasarkan
pengetahuan dan pertimbangan teoritis "(hal. 769).