Analisis mediasi dapat ditempuh dengan menggunakan teknik regresi (ordinary least squares atau OLS) ataupun metode lain seperti structural equation modeling (SEM). Logika yang digunakan dalam pengujian mediasi adalah sama apapun teknik yang digunakan (Baron and Kenny., 1986; Kenny., 2008; Frazier at al., 2004).
Pada umumnya SEM lebih dipertimbangkan untuk dipilih dibanding regresi karena beberapa kelebihan diantaranya adalah: dapat mengontrol kesalahan pengukuran, memungkinkan pengujian model dan lebih fleksibel dalam arti memungkinkan pengujian dengan melibatkan beberapa variabel independen, beberapa variabel mediator dan beberapa variabel dependen secara simultan (Baron and Kenny., 1986; Frazier at al., 2004).
Meskipun demikian dalam kenyataannya metode regresi atau OLS tetap menjadi pilihan karena kemudahan dalam menguasainya dan tersedia dikebanyakan perangkat lunak statistik yang kita kenal seperti SPSS, SAS, Stata, Minitab dan lain-lain. Ditambah lagi penggunaan metode SEM mensyaratkan jumlah sampel yang relatif besar (direkomendasikan 200 - 400 sampel) yang mungkin dalam keadaan tertentu tidak bisa dipenuhi. Hal ini menjadikan metode regresi (OLS) tetap dijadikan pilihan dalam analisis mediasi. Oleh karena itu dalam tulisan kali ini akan membahas metode pengujian mediasi menggunakan regresi (OLS) dan pada kesempatan lain juga dengan metode SEM.
Contoh berikut merupakan model mediasi sederhana dengan satu variabel independen, satu variabel mediator atau intervening dan satu variabel dependen. Data diperoleh dari sebuah penelitian pemasaran pada tahun 2008 mengenai pengaruh citra toko (X) terhadap loyalitas toko (Y) dengan variabel mediator kepuasan toko (M). Data dapat di download disini.
Bentuk unmediated model yang menggambarkan pengaruh total atau total effect citra toko (X) terhadap loyalitas toko (Y) disajikan pada Gambar 1 (Kenny., 2008; Preacher and Hayes., 2004).


Hasil pengujian dengan pendekatan atau strategi product of coefficient akan disajikan pada tulisan berikutnya. Terimakasih
Pada umumnya SEM lebih dipertimbangkan untuk dipilih dibanding regresi karena beberapa kelebihan diantaranya adalah: dapat mengontrol kesalahan pengukuran, memungkinkan pengujian model dan lebih fleksibel dalam arti memungkinkan pengujian dengan melibatkan beberapa variabel independen, beberapa variabel mediator dan beberapa variabel dependen secara simultan (Baron and Kenny., 1986; Frazier at al., 2004).
Meskipun demikian dalam kenyataannya metode regresi atau OLS tetap menjadi pilihan karena kemudahan dalam menguasainya dan tersedia dikebanyakan perangkat lunak statistik yang kita kenal seperti SPSS, SAS, Stata, Minitab dan lain-lain. Ditambah lagi penggunaan metode SEM mensyaratkan jumlah sampel yang relatif besar (direkomendasikan 200 - 400 sampel) yang mungkin dalam keadaan tertentu tidak bisa dipenuhi. Hal ini menjadikan metode regresi (OLS) tetap dijadikan pilihan dalam analisis mediasi. Oleh karena itu dalam tulisan kali ini akan membahas metode pengujian mediasi menggunakan regresi (OLS) dan pada kesempatan lain juga dengan metode SEM.
Contoh berikut merupakan model mediasi sederhana dengan satu variabel independen, satu variabel mediator atau intervening dan satu variabel dependen. Data diperoleh dari sebuah penelitian pemasaran pada tahun 2008 mengenai pengaruh citra toko (X) terhadap loyalitas toko (Y) dengan variabel mediator kepuasan toko (M). Data dapat di download disini.
Bentuk unmediated model yang menggambarkan pengaruh total atau total effect citra toko (X) terhadap loyalitas toko (Y) disajikan pada Gambar 1 (Kenny., 2008; Preacher and Hayes., 2004).

Gambar 1. Pengaruh Total Citra Toko terhadap Loyalitas Toko (Unmediated Model)
Bentuk mediated model citra toko (X) terhadap loyalitas toko (Y) melalui mediator kepuasan toko (M) disajikan pada Gambar 2.
Gambar 2. Mediated Model Pengaruh Total Citra Toko terhadap Loyalitas Toko Melalui Kepuasan Toko
Telah disebutkan pada tulisan sebelumnya (lihat tulisan sebelumnya disini), ada dua pendekatan yang paling umum digunakan dalam pengujian mediasi yaitu dengan strategi causal step dan strategi product of coefficient.Strategi Causal Step
Tiga persamaan regresi yang harus diestimasi dalam strategi causal steps meliputi:- Persamaan regresi sederhana variabel mediator kepuasan toko (M) pada variabel independen citra toko (X) Persamaan di atas dapat diestimasi menggunakan SPSS dengan sintax berikut:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT M
/METHOD=ENTER X.
Dan hasil estimasi disajikan pada Tabel 1.

Tabel 1. Hasil Estimasi Persamaan Regresi Pertama - Persamaan regresi sederhana variabel dependen loyalitas toko (Y) pada variabel independen citra toko (X) Persamaan di atas dapat diestimasi menggunakan sintax berikut:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER X.
Dan hasil estimasi disajikan pada Tabel 2.
Tabel 2. Hasil Estimasi Persamaan Regresi Kedua - Persamaan regresi berganda variabel dependen loyalitas toko (Y) pada kedua variabel independen citra toko (X) dan mediator kepuasan toko (M). Persamaan di atas dapat diestimasi menggunakan sintax berikut:
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT Y
/METHOD=ENTER M X.
Dan hasil estimasi disajikan pada Tabel 3.
Tabel 3. Hasil Estimasi Persamaan Regresi Ketiga
Hasil pengujian dengan pendekatan atau strategi product of coefficient akan disajikan pada tulisan berikutnya. Terimakasih
terimakasih banyak tulisan anda sangat membantu saya untuk membuktikan bahwa analisis regresi dapat mempermudah penghitungan mediating variabel, yang awalnya saya kira harus menggunakan metode SEM..
ReplyDeleteYou're welcome mas/mbak ike
ReplyDeletesaya belum mengerti tentang bootstrapping dan kegunaan plus syarat penggunaannya Pak..matur nuwun, rita yogya
ReplyDeleteDear Rita...
ReplyDeleteBootstrapping adalah prosedur atau teknik statistik resampling. Resampling berarti bahwa responden ditarik secara random dengan replacement, dari sampel original berkali-kali hingga diperoleh n observasi. Karena random dengan replacement maka ada kemungkinan responden akan ditarik kembali sebagai sampel.
Bootstrapping berguna untuk keperluan inferensi atau pengujian hipotesis berdasarkan standard error maupun confidence interval yang diperoleh dari bootstrapping tersebut. Bootstrapping memiliki keunggulan tidak membutuhkan asumsi mengenai distribusi suatu statistik tertentu, misalnya asumsi normalitas.
Sebagai contoh, analisis regresi dengan bootstrapping pada responden dengan n = 10. Akan dilakukan bootstrapping sebanyak 100 kali. Estimasi koefisien regresi akan dilakukan terhadap 10 titik data (observasi). 10 observasi ini diperoleh dari penarikan secara random dengan replacement, sehingga setiap orang bisa terpilih berkali-kali (lebih dari 1 kali). Estimasi koefisien regresi terhadap 10 observasi dilakukan 100 kali sehingga diperoleh koefisien regresi sebanyak 100 (ada 100 koefisien regresi). Dari sinilah dihitung standard error maupun confidence interval dari koefisien regresi tersebut untuk keperluan pengujian hipotesis (inferensi).
Ini cuma gambaran kasarnya. Semoga tidak tambah bingung. Coba aja 'Wikipedia'. Mungkin informasinya akan lebih banyak lagi dan tentu saja lebih jelas.
Salam
Jalal
terima kasih sekali penjelasannya Pak...Rita
ReplyDeletePak Jalal,
ReplyDeleteapakah bootstrapping harus dilakukan utk setiap penelitian mediasi? dan apakah boostrapping tetap digunakan bila sampel kita dalam jumlah besar, misal n = 100 dan sudah melalui ujia asumsi normalitas? bila jawaban kedua iya, untuk apakah bootstrapping tsb? matur nuwun, rita
Dear rita..
ReplyDeleteHasil simulasi oleh ahli menunjukkan bhw distribusi koef. Indirect (mediation) effect yg kecenderungan tidak normal (agak menceng), maka direkomendasikan lebih aman menggunakan teknik bootstrapping. Kecuali kita bisa memastikan bhw distribusinya (dlm hal ini,indirect effect) normal, maka bisa menggunakan sobel test.
Demikian mbak rita.
Wassalam
jalal
terima kasih ya Pak Jalal...matur nuwun, rita
ReplyDeletemas,reviewnya sangat bagus,kebetulan saya salah satu penggemar statstik..
ReplyDeleteoiya mas,link datanya "mati",bisa diupload lagi ga?
untuk yg multiple mediation juga ya mas,untuk latihan dirumah
Regards,
Syaiful Herdi
Dear Syaiful..
ReplyDeleteMaaf atas ketidaknyamannya. Sebelumnya saya tidak tahu kalau 4Share harus dikunjungi 3 bulan (atau 1 bulan?..saya lupa). Kalau tidak semua file yang kita upload disitu akan dihapus. Saya mau taruh di Ziddu tapi dia tidak mengijinkan file dengan ekstensi *.sav.
Ini link terbaru file-file yang mungkin anda perlukan:
1. File data untuk simple mediation (Mediasi_Loyal.sav):
http://www.4shared.com/file/Ny-o68Di/Mediasi_Loyal.html
2. File data untuk multiple mediation (Multiple_Mediation.sav):
http://www.4shared.com/file/34tM21tx/Multiple_Mediation.html
Bila anda tertarik ini link untuk MACRO-nya.
1. MACRO untuk simple mediation (Bootsrapping.sps):
http://www.4shared.com/file/ciug31Rx/Bootsrapping.html
2. MACRO untuk multiple mediation (MultiIndirectBootsrap.sps):
http://www.4shared.com/file/809s__U5/MultiIndirectBootsrap.html
Semoga bermanfaat dan selamat bereksplorasi.
Wassalam,
Jalal
Salam sejahtera.
ReplyDeleteSaya mempunyai beberapa pertanyaan,sudi kira mas menjawabnya ;
1.Dalam salah satu situs mediasi d.kenny disebutkan beberapa asumsi omitted variabel dsb..saya tidak begitu mengerti "posisi" asumsi-asumsi dlm mediasi,,apakah asumsi tersebut diuji setelah uji signifikansi ato sebelumnya?
2.Mengenai bootstraping,apakah ada dasar teori dari pernyataan,bahwa apabila nilai interv.konfidensi tidak memuat nilai 0 maka mediasi signifikan terjadi.
3.Saya pernah membaca beberapa jurnal bootstraping,dan disitu dimuat output hasil Macro yang juga menyediakan histogram hasil bootstrap,,apa mas Jalal punya macro/link nya?
terima kasih
Salam (Alfred Hutabarat)
Dear pak Alfred...
ReplyDelete1. Kebanyakan asumsi (kecuali multikolinieritas) didasarkan pada nilai residual. Dan nilai residual diperoleh setelah estimasi. Jadi uji asumsi dilakukan setelah estimasi, namun sebelum interpretasi hasil-hasil, termasuk uji signifikansi. Kenyataannya, sangat jarang saya temukan jurnal-jurnal yang berkaitan dengan mediasi memperhatikan atau ada laporan khusus tentang uji asumsi. Jurnal klasik mengenasi mediasi dan moderasi dari Baron dan Kenny (1986: 1177) hanya menyebutkan bahwa penggunaan regresi dalam pengujian mediasi mengasumsikan bahwa (1) tidak ada kesalahan pengukuran pada mediator dan (2) dependent variable tidak mempengaruhi mediator.
2. Mengenai bootstrapping, sebenarnya ini berlaku untuk sembarang teknik, nilai 0 berarti tidak ada pengaruh. Karena 0 dikali sembarang nilai pun akan tetap nol. Jadi berapapun perubahan X, dikali 0 tidak akan merubah Y (alias nol). Dengan demikian bila dalam konfidensi interval tertentu (95% misalnya) value suatu koefisien (dalam hal ini indirect effect) mngandung nol maka keputusannya signifikan. Dalam regresi misalnya, kita bisa meminta SPSS, menyajikan 95% CI (Confidence Interval) untuk koefisien regresi. Anda akan melihat koefisien regresi yang signifikan berdasarkan probabilitas (Sig. < 0,05) maka pad 95% CI tidak akan mengandung nol. Preacher dan Hayes (2004. SPSS and SAS Procedures for Estimating Indirect Effects in Simple Mediation Models) menyatakan "Because zero is not in the 95% confidence interval, wecan conclude that the indirect effect is indeed significantly different from zero.". Artikelnya dapat didownload dialamat dibawah ini:
http://www.ziddu.com/download/12701236/es2004_SPSSandSASproceduresforestimatingindirect.pdf.html
3. Ini script yang ditulis oleh Andrew F. Hayes. Ini masih berkaitan dengan jurnal di atas. Atau bisa juga menggunakan macro yang ditulisnya. Dengan script dan macro ini anda bisa menyimpan hasil bootstrap. Bila pake script akan otomatis tersimpan dengan nama "bootstrp.sav". Kalau paka macro pada jurnal disebutkan bagaimana menyimpan hasil bootstrap dengan nama sesuai pilihan kita. Kita bisa membuat histogram dari data hasil bootstrap tsb.
Ini link untuk scriptnya (saya menggunakan ekstensi *.txt agar bisa diupload di ziddu. Anda harus menggantinya dengan *.sbs). Jadi ganti dari "sobel_spss_sbs.txt" menjadi sobel_spss.sbs:
http://www.ziddu.com/download/12757927/sobel_spss_sbs.txt.html
Ini link untuk macronya (saya juga menggunakan ekstensi *.txt agar bisa diupload di ziddu. Anda harus menggantinya dengan *.sps). Jadi ganti dari "sobel_sps.txt" menjadi sobel.sps:
http://www.ziddu.com/download/12757926/sobel_sps.txt.html
Demikan pak Alfred
Salam
Jalal
greetings,
ReplyDeletemas jalal,saya Rudi,fak manajemen dari salah-satu-universitas-di-kota-hujan,mw nanya mas...kalo analisa peramalan time series,,tapi ada data yg hilang,atau penurunan luar biasa (macam merapi meletus) itu masih bisa dianalisa atau tidak mas?
dan satu lagi mas,,,bedanya mediasi sama moderasi itu apa ya?
nuhun..
Dear mas Rudi..
ReplyDeleteKalau ada data yang hilang itu tetap bisa dianalisis. Kebanyakan software mengabaikan (droped) kasus yang tidak memiliki data (missing). Kita juga bisa menggantinya dengan nilai mean dari dua nilai yang mengapitnya atau melakukan interpolasi guna mengestimasi nilai yang missing itu.
Mengenai Mediasi dan Moderasi,
Variabel MEDIATOR atau intervening adalah variabel yang menengahi atau menjembatani hubungan antara 2 variabel atau pengaruh suatu variabel independen terhadap variabel dependen. Jadi proses kausalnya dimulai dari Independen mempengaruhi Mediator dan Mediator kemudian mempengaruhi Dependen.
Sementara variabel MODERATOR, adalah variabel yang merubah atau memodifikasi arah atau kekuatan pengaruh INDEPENDEN terhadap variabel DEPENDEN. Dengan kata lain, pengaruh variabel INDEPENDEN terhadap DEPENDEN akan berubah tergantung level pada variabel MODERATOR.
Best,
Jalal
mas, ini rudi lagi,,makasih atas jawaban sebelumnya...
ReplyDeletesaya ada pertanyaan lagi mas,,saya coba analisa mediasi seperti yang tertera di situs mas...
saya coba dengan data saya,,hasil analisa causal step memenuhi asumsi medias mas,dimana nilai c' menjadi kecil dan tidak signifikan...
tapi,ketika saya coba dengan sobal,,hasil efek mediasi a*b dengan (se) jadi tidak signifikan (p_value > 0,05 dan z_value < 1,96)
kalo seperti itu gimana mas?
trims
Dear Rudi..
ReplyDeleteSaya merekomendasikan menggunakan mediasi didasarkan pada signifikansi indirect effect (Sobel atau lebih baik Bootstrap), tidak berdasarkan causal step. Causal step tidak memberikan pengujian langsung pada efek mediasi, tidak memiliki standard error sebagaimana uji signifikansi statistik. Hasil mas rudi (causal step) hanya menyebutkan c' menjadi kecil dan tidak signifikan. Tapi penurunan efek tersebut (c - c') apakah signifikan atau tidak, tidak ada informasinya. Pengujian efek mediasi yang didasarkan pada indirect effect adalah uji signifikansi dari c-c' dan telah dibuktikan sama dengan a*b.
Kesimpulannya, tidak ada efek mediasi.
Best,
Jalal
salam kenal mas, saya rully.. yg mau saya tanyakan, klo ada 3 mediasi apakah perhitungan nya sama dengan yg 2 mediasi?? (sm seperti contoh multiple dimensi)... terima kasih
ReplyDeleteDear Rully, salam kenal juga...
ReplyDeletePerhitungannya sama saja. Apalagi kalau pake macro dari Hayes. Yang membedakkannya info pada outputnya menjadi lebih banyak. Ada tambahan specific indirect effect untuk modiator ketiga. Kalau kita itung sendiri secara manual (mengestimasi beberapa persamaan regresi), memang menjadi lebih panjang karena tambahan mediator. Saya pribadi lebih merekomendasikan menggunakan macro dari Hayes dibanding itung manual.
Demikian dari saya
Salam
Jalal
terima kasih pak sarannya, dimana ya pak saya bisa donlot langkah2 macro dr Hayes?? apakah ini menggunakan SPSS juga??
ReplyDeleteDear Rully..
ReplyDeleteIya menggunakan SPSS.
Ini websitenya Andrew F. Hayes, Ph.D, dimana anda bisa mulai mencari dari sini. Ada beberapa macro dan beberapa tulisan berkaitan dengan mediasi/moderasi yang bisa didownload.
http://www.comm.ohio-state.edu/ahayes/
Atau anda bisa langsung ke link berikut, untuk macro multiple mediation:
http://www.comm.ohio-state.edu/ahayes/SPSS%20programs/indirect.htm
Disini anda bisa dowonload: Artikel, macro SPSS, script dan juga sintaxnya, disamping macro SAS kalo anda berminat.
Demikian semoga bermanfaat
Salam
Jalal
terima kasih pak jalal...
ReplyDeletegreetings,mas saya Rudi..
ReplyDelete1. sebenarnya seberapa penting melibatkan mediator dalam analisa regresi mediasi, soalnya saya pernah ditanya sama dosen saya waktu presentasi ; kenapa menggunakan mediator? apa tidak bisa regresi biasa saja ? jawaban saya ; mediator dipertimbangkan melalui kajian teoritis dalam landasan permasalahan...namun beliau tampaknya kurang puas atas jawaban saya (kebetulan beliau orang statistik)..jawaban saya harus bagaimana mas?
2. dalam regresi mediasi,adakah tipe2 variabel tertentu yang bisa/tidak patut dijadikan mediator,..soalnya,dosen saya menanyakan tentang variabel logit,(saya tidak paham mas tentang variabel logit)..kalau dalam contoh mas jalal,itu disebut variabel apa?
Trims
Dear Rudi..
ReplyDelete1. Kalau kita telah menyebutnya 'regresi mediasi' maka tentu saja itu melibatkan variabel mediator. Seberapa penting mereka, tentu saja agar hipotesis mediasi dapat diuji. Ada tidaknya mediator dalam suatu model penelitian, sangat-sangat tergantung oleh teori. Teori lah yang menentukan mana independen, mana yang dependen dan mana yang mediator (jika ada). Bagaimana kita bisa mengetahui bahwa X mempengaruhi Y dan bukan Y yang mempengaruhi X bila tidak ada teori? Bagaimana kita bisa tau bahwa X itu tidak secara langsung mempengaruhi Y tetapi melalui M dan kemudian M inilah yang mempengaruh Y. Kalau kita mengabaikan teori, maka bisa terjadi kesalahan spesifikasi model. Dan ini tidak boleh terjadi. Harusnya dosen statistik tau itu. KITA TIDAK BOLEH SALAH MERUMUSKAN MODEL DAN ITU DITUNTUN OLEH TEORI.
2. Mediator bisa variabel kontinyu ataupun kategori. Logit itu salah satu teknik statistik untuk variabel kategori. Jadi sebenarnya tidak ada variabel logit. Contoh dari saya itu untuk mediator yang kontinyu.
Stata memiliki prosedur 'ldecomp' untuk model mediasi logit/logistic regression. Yang lebih tangguh lagi program MPLUS (http://www.statmodel.com/), juga menyediakan fitur untuk analisis kombinasi variabel kontinyu dan kategori.
Demikian semoga bermanfaat
Salam
Jalal
mas ini rudi, pertanyaan saya yg berikutnya (maaf nanya lagi)
ReplyDeletedalam contoh soal mas,apa data awalnya berupa kuesioner? bagaimana cara mendapatkan nilai2 data akhir tersebut..(apakah misalnya terdapat penskalaan,misal 1-5 dari tidak setuju sampai sangat setuju,lalu kemudian nilai total dibagi dengan jumlah pertanyaan,apakah metodenya seperti itu mas?)
trims
Istilahnya summated scale. Data kuesioner yang terdiri dari beberapa item yang mengukur variabel yang sama, dikomposite atau digabungkan membentuk satu nilai untuk mewakili variabel tersebut. Umumnya menggunakan nilai rata-rata dari semua item. Dan benar seperti yang mas rudi nyatakan, nilai total dibagi dengan jumlah item.
ReplyDeleteReferensi:
Hair, J. F, Black, W.C, Babin, B.J, Anderson R.E, & Tatham R.L., 2006. Multivariate Data Analisys. Sixth Edition. New Jersey: Prentice Hall. hal.: 133-134
Salam
Jalal
mas,ini rudi lagi,...maaf mas,yg saya maksud itu variabel laten bukan logit,,kalo variabel laten itu seperti apa mas? ,dalam statistik itu ada berapa variabel si? kalo analisa mediasi bisa pake variabel apa saja?
ReplyDeletetrims
Dear Rudi..
ReplyDeleteVariabel latent disebut juga konstruk adalah variabel yang tidak secara langsung dapat diukur, tetapi melalui indikator-indikator atau item-item yang kita buat untuk mengukurnya. Contoh, sikap, kepuasan, minat, untuk mengukurnya kita butuh beberapa item yang kita berikan kepada responden untuk dijawab.
Kita bisa membagi variabel berdasarkan skala pengukurannya, apakah variabel kategori yang berskala nominal dan ordinal atau variabel kontinyu yang berskala interval dan rasio. Kita juga mengenal variabel laten dan variabel observed (non laten). Analisis mediasi bisa untuk variabel kontiny maupun kategori, bisa untuk variabel observed maupun laten. Analisis mediasi untuk mediator kategorial lebih sulit dibanding mediator yang kontinyu. Dan variabel laten (menggunakan SEM) lebih sulit dibanding variabel observed (menggunakan regresi/path analysis).
Dalam prakteknya, variabel yang item-itemnya kita komposit menjadi satu nilai saja (misalnya rata-rata dari semua item), dan tidak secara eksplisit memasukkan item-item tsb ke dalam model, dan kemudian menggunakan software seperti SPSS, maka variabelnya bukan laten lagi tapi observed.
Demikian semoga bermanfaat
Salam
Jalal
mas,ini pertanyaan saya yg trkhir,..di artikel mas disebutkan bahwa mediasi dapat dikerjakan dengan SEM ataupun regresi,selain kelebihan dan kekurangn tiap metode yg sudah disebutkan,apa ada kelebihan atau kekurangan utk tiap metode dan kalau ada refernsi luarnya saya sangat berterima kasih.
ReplyDeletetrims
Rudi
mas,ini pertanyaan saya yg trkhir,..di artikel mas disebutkan bahwa mediasi dapat dikerjakan dengan SEM ataupun regresi,selain kelebihan dan kekurangn tiap metode yg sudah disebutkan,apa ada kelebihan atau kekurangan lain utk tiap metode dan kalau ada refernsi luarnya saya sangat berterima kasih.
ReplyDeletetrims
Rudi
Dear Rudi...
ReplyDeleteDisamping masalah kesalahan pengukuran (measurement error) yang menjadikan SEM lebih superior dibanding Regresi/path analysis, juga masalah sampel yang dibutuhkan. SEM membutuhkan lebih banyak sampel dibanding Regresi. Sebagai contoh, dengan 3 variabel, dengan kriteria minimal 10 x jumlah variabel, maka regresi membutuhkan minimal 30 sampel, sementara pada SEM dengan masing-masing 3 konstruk tersebut memiliki 3 indikator, maka dibutuhkan minimal 3 x 3 x 10 atau 60 sampel untuk SEM. Ini rule of thumb saja.
Ini beberapa literatur berkaitan dengan regresi dan SEM dalam pengujian model mediasi:
Baron, R. M and Kenny, D. A., 1986. The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations. Journal of Personality and Social Psychology. Vol. 51, No. 6, 1173-1182. American Psychological Association, Inc.
Link untuk download:
http://www.ziddu.com/download/12700919/BaronKenny_TheModerator-Mediator.PDF.html
Frazier, P.A., Barron, K.E., and Tix, A.P. 2004. Testing Moderator and Mediator Effects in Counseling Psychology. Journal of Counseling Psychology, Vol. 51, No. 1, 115 - 134. American Psychological Association, Inc.
Link untuk download:
http://www.ziddu.com/download/12700921/randMediatorEffectsinCounselingPsychologyResearche.pdf.html
Holmbeck, G.N. 1997. Toward Terminological, Conceptual, and Statistical Clarity in the Study of Mediators and Moderators: Examples From the Child-Clinical and Pediatric Psychology Literatures. Journal of Consulting and Clinical Psychology. Vol. 65, No. 4, 599-610. American Psychological Association, Inc.
Link untuk download:
http://www.ziddu.com/download/12715329/theChild-ClinicalandPediatricPsychologyLiteratures.pdf.html
Iacobucci, D., Saldanha, N., and Deng, X. 2007. A Meditation on Mediation: Evidence That Structural Equations Models Perform Better Than Regressions.17(2), 140–154. Lawrence Erlbaum Associates, Inc.
Link untuk download:
http://www.ziddu.com/download/13864914/ion-EvidenceThatSEMPerformBetterThanRegressionsion.pdf.html
Buku:
MacKinnon, D.P. 2008. Introduction to Statistical Mediation Analysis. Lawrence Erlbaum Associates. Hal. 173 - 197
slamat malam..
ReplyDeletemas,saya yani,makasih mas,kbetulan saya lagi nyari bahan buat tugas,skalian mau ikutan nanya ..
mas,kalo di regresi linear umum kan dpakai standar deviasi dari MSE,tapi knp klo regresi mdiasi pakai standar error sobel,,?
makash
Selamat malam juga mbak Yani...
ReplyDeleteDalam regresi umum juga menggunakan standar error dalam pengujian hipotesis. Masing-masing koefisien regresi memiliki standar errornya sendiri yang rasionya menghasilkan nilai t. Demikian juga pada sobel test untuk pengujian mediasi, juga didasarkan pada standar errornya.
F hitung diperoleh dari rasio Mean Square Regresi dengan MSE (residual).
Demikian semoga berkenan
Salam,
Jalal
mas,terim kasih atas responnya...
ReplyDeleteoiya,apa mas Jalal punya artikel; "McGuigan K, Langholtz B. A note on testing mediation paths using ordinary least-squares regression. 1988. Unpublished note." (?)
(udah saya googling ga ketemu mas...)
trims...Yani Bantul
Sayangnya, saya tidak punya artikel dari McGuigan, K., & Langholtz, B (1988).
ReplyDeleteSalam,
Jalal
mas,dalam salah satu jurnal dari kolom artikel,disebutkan mengenai beda tanda/arah..itu maksudnya apa ya mas? apa jika X -> M Positif tapi jika M -> Y negatif...kalo seperti itu bagaimana mas?
ReplyDeleteYani
Dear mbak Yani...
ReplyDeleteTidak masalah bila kejadiannya seperti itu. Laporkan aja apa adanya. Ini yang didalam literatur dikenal dengan istilah 'inconsistent mediation' atau 'inconsistent model'. Umumnya model dengan proses mediasi yang berlawanan arah, maka pengaruh total (Total effect) independen X terhadap dependen Y adalah nol. Yang kalau menurut kriterianya Baron dan Kenny, tidak ada mediasi. Padahal mediasi bisa terjadi meskipun tidak terdapat total effect independen X terhadap dependen Y. Sebagaimana pada 'inconsistent models' tersebut. Pada bagian inilah menjadi salah satu kritik terhadap kriteria Baron & Kenny dalam pengujian hipotesis mediasi.
Referensi:
MacKinnon, D.P. 2008. Introduction to Statistical Mediation Analysis. Taylor & Francis Group, LLC. hal. 110-111
Ini contoh data (saya ambil dari buku referensi di atas) berkaitan dengan 'inconsistent model' (http://www.ziddu.com/download/14163396/inconsistent.txt.html)
Salam,
Jalal
trimakasih banyak mas jalal,
ReplyDeletesaya ada pertanyaan lg:
1.mas,dlm regresi mediasi,urutan jalurnya harus benar,(X->M->Y).dalam konteks signifikansi mediasi, X harus signifikan mempengaruhi M,dan M harus signifikan mempengaruhi Y.tapi bagaimana (jika dibalik) ternyata M juga signifikan mempengaruhi X?
2.mas,jujur,saya msh bngung dgn asumsi normalitas(kelemahan uji sobel),dlm beberapa jurnal disebutkan bahwa hasil distribusi dari perkalian dua variabel random normal,tidak normal dgn sendirinya..tapi bagaimana cara mengetahui/menguji bentuk distribusi dari efek mediasi 'ab' (yg notabene hanya single value,misal ab=0.87)? karena setahu saya,untuk mengetahui distribusi,harus lewat histogram yg merepresentasikan nilai dari data-data,. Apa ada cara lain mas?
trims
Yani
Dear mbak Yani..
ReplyDelete1. Tidak masalah bila M mempengaruhi X dimana pada saat yang sama X juga mempengaruhi M. Dalam statistik ini dikenal dengan istiliah 'nonrecursive model'. Tapi pertanyaannya...apakah secara teori modelnya seperti itu? Kita kan tidak bisa seenaknya merumuskan model. Tapi didasarkan teori. Bila model nonrecursive maka kita tidak bisa lagi menggunakan OLS, karena asumsi bahwa error regresi dan regresor independen dilanggar. Masalah tidak berhenti disitu. Karena anda akan berhadapan dengan masalah identifikasi bila model adalah nonrecursive. Anda butuh metode estimasi yang lebih maju seperti 2SLS dengan melibatkan variabel instrumen. Intinya, teori dan prakteknya sangat kompleks dan beresiko bila modelnya nonrecursive. Disarankan untuk dihindari. Jadi 'Don't try this at home'. Jujur saja saya belum pernah melihat suatu model yang dalam keseluruhannya, tidak ada EKSOGEN, semuanya ENDOGEN. Ingat, dengan M mempengaruhi X, maka X tidak lagi EKSOGEN tapi ENDOGEN.
2. Indirect effect cenderung berdistribusi tidak normal, diperoleh dari hasil SIMULASI. Jadi kita harus melakukan SIMULASI agar bisa memperoleh nilai 'ab' yang tidak hanya 1. Anda bisa mendapatkan nilai 'ab' sebanyak 1000 buah atau 5000 atau 10000 bahkan lebih, dan kemudian mengetahui distribusinya lewat histogram, hasil dari SIMULASI tersebut.
Salam,
Jalal
salam damai..
ReplyDeletepak,blog anda sangat menarik,buat yg awam juga mengerti,.
saya punya tanya,,sebetulnya seberapa penting standar error dalam statistik,,dan apa beda standar error dengan standar deviasi? trimakasih banyak -julian
Dear mas/mbak Julian...
ReplyDeleteSalam damai juga
Standard error menggambarkan seberapa jauh estimasi dari sampel kita mendekati nilai populasi atau nilai sebenarnya (true value). Sedangkan standar deviasi hanya menggambarkan sebaran data sampel dari meannya. Misalnya penelitian pada sampel 10 responden pada variabel X, nilai mean menggambarkan kecendrungan respon kesepuluh responden tersebut pada variabel X, standar deviasi menggambarkan sebaran nilai kesepulun responden tersebut disekitar nilai meannya (mean X). Standard error of mean menggambarkan seberapa dekatnya mean sampel tersebut dengan mean populasi atau true value. Bila itu koefisien regresi, standard error koefisien regresi menggambarkan seberapa dekatnya estimasi koefisien regresi tersebut dengan koefisien regresi di pupulasi. Semakin kecil semakin baik. Rasio dari suatu koefisien hasil estimasi dengan standard error-nya akan menghasilkan suatu statistik tertentu (t-statistik, misalnya) yang berguna untuk pengujian hipotesis.
Demikian sedikit yang saya ketahui,
Salam
Jalal
lalu kenapa regresi mediasi menggunakan uji z,sedangkan pada regresi umum gunakan uji t?
ReplyDeletesatu lagi, apa bisa regresi digunakan untuk analisa dengan lebih dari satu var.dependen? kalau tidak bisa,dapat mas beri alasan..
trimakasih banyak
-Julian Sinaga
Karena distribusi nilai efek mediasi cenderung berdistribusi z dibanding t, sebaliknya koefisien regresi cenderung berdistribusi t dipopulasi. Dalam sampel besar distribusi t menurut teori akan mendekati distribusi z. Oleh karenanya sering digunakan secara bergantian. Pada software tertentu menggunakan t, sementara software lain menggunakan z, untuk koefisien yang sama. Sangat jarang orang mempertentangkan masalah z dan t. Karena untuk pengujian hipotesis kita mendasarkan nilai probabilitas dari z atau t atau confidence intervalnya.
ReplyDeleteAnalisis regresi dengan lebih dari 1 dependen variabel dikenal dengan istilah multivariate regression atau regresi multivariate. Ada beberapa buku multivariate yang membahas ini ada juga yang tidak. Sepertinya regresi multivariat kurang begitu populer.
Demikian sedikit yang saya ketahui,
Salam
Jalal
jadi analisa regresi dengan lebih dari satu variabel independen disebut 'regresi multivariabel' sedangkan kalau lebih dari satu dependen disebut regresi multivariat? kalau SEM itu regresi yang seperti apa pak?
ReplyDeletesatu lagi pertanyaan, dalam analisa regresi uji t digunakan, dari yang saya baca, uji t digunakan ketika variansi populasi tidak diketahui dan n < 30, lalu bagaimana jika dalam regresi, data yang digunakan >= (lebih besar sama dengan) 30, apa tetap pakai t?
-Julian
Iya betul sekali. Model regresi dengan lebih dari 1 Independen dan 1 Dependen di kendal sebagai 'Multiple Regression' atau 'Regresi Multivariabel', sedangkan regresi dengan lebih dari 1 Dependen, 1 atau lebih Independen dikenal sebagai 'Multivariate Regression' atau 'Regresi Multivariat'.
ReplyDeleteSEM dapat dikatakan adalah model dengan banyak persamaan regresi. Bila anda menggunakan SIMPLIS-nya LISREL atau AMOS Visual Basic, maka anda harus merumuskan model struktural dalam bentuk banyak persamaan regresi.
Regresi selalu menggunakan uji-t, setidaknya itu yang disajikan oleh software statistik.
Salam,
Jalal
mas jalal,apa perbedaan antara confounder factor dan variabel mediasi?..sebenarnya saya pernah baca buku Mackinnon 2008 tentng tipe variabel2 ketiga,namun saya masih kurang paham (bahasa inggris saya kurang bagus, mas) bisa mas membantu saya dalam memahami tipe variabel2 ketiga tersebut, dan letak2 (dalam diagram jalur) variabel tersebut,karena saya tahu-nya hanya diagram mediasi seperti yang ada dalam situs mas,
ReplyDeletetrims..Jaka
p
Dear mas Jaka,
ReplyDeleteMacKinnon, D.P. (2008) dalam bukunya menyatakan bahwa variabel confounder adalah variabel yang merubah (menguatkan/melemahkan) hubungan antara variabel independen dengan dependen. Variabel ini berhubungan dengan kedua variabel independen dan dependen. Sedangkan variabel mediator adalah variabel yang menengahi (intermediate) hubungan antara independen dan dependen, yang meneruskan (transmit) pengaruh independen pada dependen. Dalam model mediasi, variabel independen mempengaruhi mediator yang kemudian mempengaruhi dependen. Jadi dalam diagram jalur, posisi variabel mediator terletak diantara independen dan dependen. Sementara variabel confounder tidak berada diantara independen dan dependen, tapi sejajar dengan independen. Tidak ada panah dari independen ke confounder.
Demikian sedikit yang saya ketahui.
Referensi.
MacKinnon, D.P. 2008. Introduction to Statistical Mediation Analysis. Lawrence Erlbaum Associates. Hal. 7 - 9
Salam,
Jalal
trims mas,..
ReplyDeleteoiya mas, mengenai penggunaan SEM dalam analisa mediasi,mengenai hal tersebut, saya pernah berdiskusi dengan mhs statistik di kampus saya,, dia bilang,, "kalo bisa analisa indirect effect dengan SEM, ya pake SEM aja, ga usah pake regresi" yang saya jadi bingung,sebenarnya "posisi" regresi mediasi itu dimana mas?.Apa dalam arti regresi mediasi merupakan bagian dari SEM ? karena dari yang saya baca, SEM itu menganalisa persamaan regresi secara simultan, jadi menurut pehamaman (pemula) saya, regresi mediasi itu bagian dari SEM..Jadi saya jadi berpikir,untuk langsung pakai SEM saja apabila ada hipotesa mediasi..Namun,saya teringat kalimat dalam situs mas,bahwa SEM itu memerlukan sampel sangat besar,jadi menurut saya,ini bisa menjadi salah satu "kekurangan" SEM.
Jadi saya mohon pencerahan mas jalal mengenai hal tersebut,dan acuan refrensi bahwa SEM membutuhkan sampel yang sangat besar itu,dan acuan referensi lainnya bahwa ternyata "SEM juga punya kekurangan".seperti itu mas..
Ohiya satu lagi,,analisa jalur itu konsepnya apa? apakah sama dengan SEM?
trims,Jaka P
Dear mas Jaka,
ReplyDeletePertama kali saya ingin menyatakan bahwa saya menulis tentang analisis mediasi dengan regresi bukan berarti tidak ada peluang untuk mengunakan SEM. Tapi semata-mata sebagai tambahan referensi bagi yang menggunakan regresi untuk pengujian hipotesis mediasional.
Anda bisa menggunakan SEM untuk analisis mediasi anda. Bahkan SEM sangat direkomendasikan dibandingkan regresi atau path analysis. Bila anda ingin menguji goodness of fit model mediasi anda secara keseluruhan atau model anda melibatkan variabel latent dengan masing-masing diwakili dengan indikator atau item-itemnya, maka anda harus menggunakan SEM. Regresi tidak dapat melakukannya. Tentu saja asumsinya, anda menguasai SEM.
Analisis jalur (path analysis) berbeda dengan SEM. Analisis jalur estimasi hanya terhadap variabel observed (bukan laten), sementara SEM lebih luas lagi penggunaannya. Bisa untuk variabel latent. Model mediasi bila hanya melibatkan variabel observed, bisa menggunakan analisis jalur, dengan menggunakan regresi, sementara bila melibatkan variabel latent maka anda harus menggunakan SEM.
Mengenai ukuran sampel untuk SEM:
"A 'typical' sample size in studies where SEM is used is about 200 cases." (Kline, R.B: 2011: 12). Jadi bila sampel anda sekitar 200an dan anda menguasainya, maka gunakan SEM.
Demikian dari saya.
Referensi:
Kline, R.B. 2011. Principles and Practice of Structural Equation Modeling. THIRD EDITION. The Guilford Press
Salam,
Jalal
mas,dalam rangka mencoba belajar mediasi, saya dapat pemahaman seperti ini mas; jadi mediasi itu adalah analisa alternatif yang dapat digunakan untuk menguji hipotesa mediasional,selain SEM,,karena mediasi itu lebih sederhana...tapi mas, apa bisa melakukan regresi mediasi dengan 2 variabel dependen? kalo mediasi melibatkan 2 variabel X , 2 variabel M, 2 variabel Y (misalkan ada asumsti teoritisnya), apa masih bisa pake regresi?
ReplyDeleteapa berarti, regresi mediasi hanya untuk kasus2 yang sangat sederhana ya? seperti 1 X, 2 M, 1 Y > mohon pencerahan..
thx. Jaka P
Dear mas Jaka,
ReplyDeleteDalam prakteknya, tidak semua model yang melibatkan variabel intervening atau variabel antara (dalam hal ini variabel mediator) memerlukan uji mediasional, kecuali kita secara sengaja mau mengujinya dan secara eksplisit merumuskan hipotesisnya. Bila sejak awal direncanakan untuk mengetahui apakah suatu variabel intervening memediasi hubungan antara variabel independen dan dependen dan merumuskan hipotesisnya, maka pengujiannya bisa menggunakan regresi (path analisis) maupun yang lebih kuat yaitu SEM. Bila hanya melibatkan variabel observed, maka kita bisa menggunakan regresi (path analysis) sedangkan bila melibatkan variabel laten, dengan beberapa indikator/item yang mengukur laten tersebut, dan ingin mengontrol kesalahan pengukuran, maka regresi sudah tidak bisa lagi digunakan dan itu harus SEM.
Dengan asumsi tidak melibatkan variabel laten, regresi tetap bisa digunakan untuk dependen lebih dari 1. Ingat variabel mediator adalah juga merupakan variabel dependen (endogen). Dengan lebih 1 mediator, maka itu berarti lebih dari 1 dependen (endogen). Jadi tidak ada masalah. Yang menjadi masalah apakah variabel laten atau variabel observed. Apakah ada kesalahan pengukuran atau tidak ada.
Semoga mencerahkan.
Salam,
Jalal
pak,apa uji F diperlukan dalam analisa mediasi? lantas bagaimana jika uji F tidak signifikan?
ReplyDeleteUji F tidak diperlukan dalam analisis mediasi. Uji mediasi didasarkan pada signifikansi indirect effect.
ReplyDeleteSalam,
Jalal
Ass pak,
ReplyDeletesaya mahasiswa akhir sebuah universitas swasta d jakarta, kebetulan saya jg sedang menyusun skripsi tentang mediasi seperti contoh bpk di atas.. saya mau tanya untuk pengujian regresi berganda Tabel 3 (contoh bpk d atas), karena dosen pembimbing saya menanyakan hal ini juga dan menanyakan saya mengenai argumen nya... sperti penjelasan pak Jalal dimana penjelasan bpk yaitu citra toko sebagai variabel independen, kepuasan toko sebagai variabel mediator dan loyalitas toko sebagai variabel dependen.. Untuk melakukan regresi berganda ini berarti harus memasukkan variabel citra toko & kepuasan toko ke kolom independent dlm menggunakan SPSS ya pak?? berarti kepuasan toko bukan sebagai variabel mediator dong pak, tp sebagai independen?? nah yang jadi pertanyaan nya pak :
Dasar penentuan nya seperti apa ya pak untuk menjelaskan bahwa kepuasan toko itu tetap sebagai variabel mediator bukan variabel independen, walaupun untuk me-regresinya tetap di masukkan ke dlm kolom independent atau dengan kata lain model penelitian nya tetap seperti gambar di atas, bukan 2 independen (citra toko & kepuasan toko) dan 1 dependen (loyalitas toko)...
mohon penjelasan nya pak Jalal... terima kasih
salam,
Reinald
Dear mas Reinald
ReplyDeleteBenar bahwa dalam kaitannya dengan Loyalitas Toko (Y), Kepuasan Toko (M) adalah INDEPENDEN. Tapi dalam kaitannya dengan hubungan antara Citra Toko (X) dan Loyalitas Toko (Y), Kepuasan Toko (M) adalah MEDIATOR. Setidaknya itulah yang dinyatakan oleh Model hipotetiknya (tolong lihat gambar baik-baik), bahwa Citra toko (X) mempengaruhi Kepuasan Toko (M) yang kemudian mempengaruhi Loyalitas Toko (Y). Apakah Kepuasan Toko memediasi hubungan antara Citra Toko dan Loyalitas Toko? Inilah yang akan kita uji. Seperti diketahui bahwa efek mediasi didasarkan pengujian signifikansi pengaruh tak langsung (indirect effect) yang diperoleh dari perkalian dua koefisien (ab).
Dasar penentuannya adalah teori yang umumnya lebih jelas bila dinyatakan dalam gambar, sebagaiman pada gambar hipotetiknya. Jadi penting untuk melihat model secara keseluruhan, tidak sepotong-sepotong. Hanya pada bagian tertentu saja, misalnya pada contoh kita, hanya pada Loyalitas Toko. Ingat hipotesis mediasi didasarkan pada perkalian dua koefisien regresi ab, yang diperoleh dari dua persamaan regresi, tidak pada hanya 1 persamaan saja.
Salam,
Jalal
bapak mau tanya...jalur penelitian sy kan X1->X2->Y,itu nantikan di analisis regresi sederhana x1->x2 dan regresi ganda xi,x2->y,dan hasilny semu signifikan..tetapi apa regresi ganda nilai beta x1 ke y positif, sedangkan x2 ke y negatif, dan nilai total x1 ke y=hub lgsg+tdk lgsg=negatif, kalau masalhny kaya gitu,apakah itu dh bnr+kira2 gmn y cra mmbhsny
ReplyDeleteterima kasih...
salam
vita
Dear mbak Vita,
ReplyDeleteTidak masalah bila kejadiannya seperti itu, dimana efek langsung X1 --> X2 positif dan efek langsung X2 ke Y negatif. Ini yang didalam literatur dikenal dengan istilah 'inconsistent mediation' atau 'inconsistent model'. Umumnya model dengan proses mediasi yang berlawanan arah, maka pengaruh total (Total effect) independen X1 terhadap dependen Y akan mendekati nol atau tidak signifikan (bisa positif atau negatif). Aku ingin tau apakah total efek X1 ke Y = hub lgsg+tdk lgsg tidak signifikan? Coba regresikan (regresi sederhana) X1-->Y. Hasilnya tidak signifikan kah? Harusnya tidak.
Salam,
Jalal
tanya mas mba..
ReplyDeletekalo buat model yang mediasi.. uuji yang dibutuhin apa cukup dengan uji validitas dan reliabilitas.. ato ada yg lain?..
kalo ternyata dalam uji validitas ada pertanyaan / kuisioner yyang g valid apa bisa langsung diapus ato digimanain dulu...
NEED HELP
Dear mas Nur prasetyo...
ReplyDeleteBila menggunakan kuesioner maka terlebih dahulu perlu uji validitas dan reliabilitas untuk memastikan bahwa alat ukur (kuesioner) kita layak digunakan untuk mengukur variabel yang diteliti.
Bila ternyata ada butir yang tidak valid bisa langsung diapus bila masih tersedia cukup item lain yang mewakili atau bila punya banyak waktu dan biaya bisa diperbaiki kemudian disebar lagi dan diuji sampai diperoleh hasil yang diharapkan.
Demikian dari saya.
Salam,
Jalal
pak, kalo sudah di uji reliabilitas dan validitas, trus apa bisa langsung dilakukan pengujian mediasi dengan strategi causal step?.. ato harus pake uji asumsi klasik.. kalo modelnya sama kayak contoh bpk diatas..?
ReplyDeleteDear mas Nur Prasetyo...
ReplyDeleteKarena menggunakan regresi dalam pengujian mediasi maka idealnya kita juga perlu menguji asumsi dari regresi tersebut. Memang dalam kebanyakan artikel ataupun buku tentang mediasi mereka tidak menyinggung soal asumsi klasik karena lebih menekankan pada mediasinya. Tapi bukan berarti tidak perlu uji asumsi klasik.
Namun dalam prakteknya, asumsi klasik regresi diabaikan ketika menguji hipotesis mediasi,seperti pada jurnal-jurnal. Jadi coba aja dulu langsung uji mediasi dengan causal step-nya Baron & Kenny. Kalau dosennya minta baru dikasih. Kalu dosennya tanya, bilang aja karena dijurnal-jurnal tidak dilakukan uji asumsi klasik. hehe..(semoga tidak ditiru)
Salam,
Jalal
hahaha.. siiippp... Wokeh nanti saia coba dulu...
ReplyDeletemakasih pak... =D
pak kalau saya ingin membuat penelitian dan ada mediasinya dalam operasional variabel tersebut variabel mediasi itu (M) atau (X2) ya?
ReplyDeletegambaran penelitiannya selebriti endorser->citra merek->niat beli?
trus analisisnya memakai regresi berganda bukan pak?rumusnya sepert apa?saya masih bingung.trimakasih.
Umumnya menggunakan M, X biasanya mewakili independen. Misalnya ada model mediasi dengan 2 independen, 1 mediasi dan 1 dependen. Maka akan ada X1 (independen), X2 (independen), M (mediasi), dan Y (dependen).
ReplyDeletePersamaan regresinya ada 2, yang pertama untuk citra merek menggunakan regresi sederhana, dan yang kedua untuk niat beli menggunakan regresi berganda.
Persamaan regresi sederhana untuk mediasi citra merek adalah:
citra merek = a + b selebrity endorser + e.
Sedangkan persamaan regresi berganda untuk dependen niat beli adalah:
niat beli = a + b1 selebriti endoser + b2 citra merek + e
Demikian,
Salam,
Jalal
trimakasih pak jalal, ne ajeng mau tanya lagi berati kalau pengaruh selebriti endorser terhadap niat beli yang dimediasi oleh citra merek.selebriti endorser (x1),citra merek (M) dan niat beli Y....berati selain memakai regresi berganda, harus memakai analisis jalur tidak pak?selain itu harus memakai sample frame pak?harus memakai rumus seperti apa pak?trimakasih pak :)
ReplyDeleteDear mbak Ajeng, maaf saya membaginya 2 bagian karena blogger tidak mengijinkan, mungkin terlalu panjang.
ReplyDeleteAnalisis jalur pada dasarnya adalah regresi atau bisa diestimasi menggunakan regresi (sederhana atau berganda). Dalam analisis jalur koefisien yang diestimasi adalah koefisien regresi standardized (ini semua software statistik menyajikannya). Masalah sampel itu umum berlaku untuk semua jenis analisis.
Rumus apa yang Ajeng maksud. Kalau analisis regresi, otomotis software menghitungnya tanpa kita perlu menghitungnya manual. ....berlanjut....
Lanjutan...
ReplyDeleteDear mbak Ajeng ini lanjutan jawaban sebelumnya...
Kalau yang dimaksud efek mediasi, itu didasarkan pada indirect effect (pengaruh tak langsung) selebriti endoser pada niat beli melalui citra merek. Ini memang kita hitung manual berdasarkan 2 persamaan regresi yang telah diestimasi. Menggunakan teknik atau strategi causal step sangat tidak direkomendasikan. Lebih baik menggunakan strategi perkalian koefisien yang bisa Ajeng liat pada tulisan saya yang lain mengenai 'Strategi Product of Coefficient dalam Pengujian Mediasi". Ajeng bisa menggunakan macro yang ditulis oleh Hayes untuk keperluan pengujian hipotesis mediasi.
Demikian.
Salam,
Jalal
Dear mbak Ajeng maaf ketidaknyamanan ini... Dilayar kedua jawaban saya muncul tapi pada recent comments tidak muncul. Saya khawatir mungkin lanjutan jawaban saya tidak muncul di komputer Ajeng. Tapi kalau sudah muncul keduanya, syukurlah. Kalau tidak mungkin lewat email aja komunikasinya.
ReplyDeleteSalam,
Jalal
Dear mbak Ajeng, maaf sepertinya membaginya bukan solusi. saya coba dengan cara lain.
ReplyDeleteAnalisis jalur pada dasarnya adalah regresi atau bisa diestimasi menggunakan regresi (sederhana atau berganda). Dalam analisis jalur koefisien yang diestimasi adalah koefisien regresi standardized (ini semua software statistik menyajikannya). Masalah sampel itu umum berlaku untuk semua jenis analisis.
Rumus apa yang Ajeng maksud. Kalau analisis regresi, otomotis software menghitungnya tanpa kita perlu menghitungnya
Kalau yang dimaksud efek mediasi, itu didasarkan pada indirect effect (pengaruh tak langsung) selebriti endoser pada niat beli melalui citra merek. Ini memang kita hitung manual berdasarkan 2 persamaan regresi yang telah diestimasi.
Menggunakan teknik atau strategi causal step sangat tidak direkomendasikan. Lebih baik menggunakan strategi perkalian koefisien yang bisa Ajeng liat pada tulisan saya yang lain mengenai 'Strategi Product of Coefficient dalam Pengujian Mediasi" (http://jt-stat.blogspot.com/2009/04/strategi-product-of-coefficient-dalam.html). Ajeng bisa menggunakan macro yang ditulis oleh Hayes untuk keperluan pengujian hipotesis mediasi.
Demikian.
Salam,
Jalal
pak jalal, saya bner2 sgt membutuhkan bantuan bapak. saya priska sedang skripsi dan sdang analisa data. variabel sya menggunakan mediator. saya mengikuti anjuran dri blog. tapi, hasil akhirnya saya menjadi bingung karna berbeda. yaitu pda persamaan 1 hsilny Sig. dgn c= 0,540 dan persamaan kedua juga sig dgn c= 0,352. namun, pada persamaan ketiga keduany yaitu X dan M sama2 signifikan terhdp Y. dgn nilai c' X= 0,253 dan nilai c M= 0,184 . mohon bantuannya pak jalal, jawaban anda bnar2 sgt menolng sya. terimkasih bnyak.
Deletealhamdulillah akhirnya ngerti juga, makasih mas!
ReplyDeletesalam mas mau tanya, saya mahasiswa awal semester2. mo nanya tentnag uji2 statistika..bisa tolong dijelaskan perbedaan (secara garis besarnya) uji statistika seperti korelasi,regresi,anova,diskriminan dsb.
ReplyDeletemakasih
Saya merekomendasikan anda untuk mengunjjungi website berkut:
ReplyDeletehttp://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
Saya yakin lebih byk lg yg bisa anda dapatkan disitu.
Smoga bermanfaat.
Salam
Jalal
Maaf website yg sy brikan sbelumnya sudah tdk gratis lg rupanya.
ReplyDeleteCoba wikipedia.
Salam
Jalal
pak jalal, saya bner2 sgt membutuhkan bantuan bapak. saya priska sedang skripsi dan sdang analisa data. variabel sya menggunakan mediator. saya mengikuti anjuran dri blog. tapi, hasil akhirnya saya menjadi bingung karna berbeda. yaitu pda persamaan 1 hsilny Sig. dgn c= 0,540 dan persamaan kedua juga sig dgn c= 0,352. namun, pada persamaan ketiga keduany yaitu X dan M sama2 signifikan terhdp Y. dgn nilai c' X= 0,253 dan nilai c M= 0,184 . mohon bantuannya pak jalal, jawaban anda bnar2 sgt menolng sya. terimkasih bnyak.
ReplyDeletePak jalal saya priska lagi,, oh iya pak trus bagaimana ya pak kalo semisal juga hasil akhirnya itu pada persamaan ke 3, M->Y tidak signifikan, namun X->Y justru signifikan. ??? itu bagaimana ya pak??? mohon sangat bantuannya. terimakasih.
ReplyDeleteDear mbak Priska...
DeleteMaaf ya bila responnya agak telat.
Bila menggunakan metode atau strategi causal step dari Baron dan Kenny maka kesimpulannya tidak ada mediasi. Karena menurut aturan causal step, mediasi terjadi bila X -> Y, X -> M, dan M -> Y ketiganya harus signifikan.
Tapi bila menggunakan pendekatan yang lebih modern dan paling direkomendasikan para ahli, maka mediasi didasarkan pada signifikansi indirect effect (efek tak langsung). Tidak didasarkan pada potongan-potongan informasi pada causal step. Potongan-potongan informasi tsb hanya dibutuhkan untuk keperluan perhitungan indirect effect. Karena indirect effect didasarkan pada X -> M dan M -> Y. Bila indirect effect signifikan maka hipotesis mediasional terdukung. Dengan kata lain, M adalah variabel mediator hubungan antara X dan Y.
Demikian
Salam
Jalal
terimakasih pak atas penjelasannya,, oh iya, pak saya mohon minta penjelasannya atas istilah partial mediation menurut baron dan kenny itu maskdnya seperti apa ya pak ?
DeletePartial mediation berarti disamping memiliki pengaruh tak langsung melalui mediator, varibel independen juga mempunyai pengaruh langsung yg signifikan pada variabel dependen.
DeleteDemikian.
Salam
Jalal
mas mau nanya,,,saya lina. sebelumnya saya masih bingung dengan pengujian mediasi. kalo di cara ketiga dipenujian yang bapak contohkan diatas (setelah saya tunjukan kepada dosen saya) beliau ilang kalu dengan cara seperti itu berarti varial X dan M setara atau dengan kata lain tidak ada mediasi tapi semuanya di posisikan sebagai variabel bebas. itu gimana ya?
ReplyDeleteselanjutnya,,jka variabel M memiliki korelasi yang negatif denga variabel X dan Y itu bagaimana caranya??
sebenernya selain alasan teoritk apa lasan lain variabel mediasi itu ada. bagaimana jka variabel mediasi itu diposisikan sebagai variabel bebas semua??koefisien korelasinya akan seperti apa ya?
Dear mbak Lina...
DeleteKetiga persamaan di atas menjadi satu kesatuan dalam pengujian mediasional. Dalam strategi causal step, mediasi tidak hanya didasarkan pada persamaan 3 tapi juga 2 persamaan sebelumnya. Bila kita melihat secara seksama suatu model mediasi sederhana (khususnya yang saya contohkan), maka jelas digambarkan bahwa Y itu tidak hanya dipengaruhi oleh X tapi juga oleh M. Dalam kaitannya dengan M maka independennya hanya 1 yaitu X, sedangkan dalam kaitannya dengan Y, independennya ada 2 yaitu X dan M. Dan itu harus diestimasi secara simultan dalam model regresi berganda 2 variabel independen X dan M.
Kaitannya dengan hasil yang negatif, itu tidak masalah. Karena hubungan itu bisa positif dan bisa negatif.
Harus ada alasan teoritik untuk menyatakan suatu variabel itu mediasi atau bukan. Dan kemudian mengujianya. Kalau tidak maka waktu kita habis hanya untuk mencoba-coba. Bayangkan bila variabelnya ada 10? ATau tidak perlu 10, cukup 4 saja. Bagaimana kita menetapkan berapa variabel independen (dan yang mana), berapa mediasi (dan yang mana), dan berapa dependen (dan yang mana)???? hehehe...
Variabel mediasi atau variabel intervening adalah variabel yang menjembatani atau menengahi variabel independen dan dependen. Pada satu persamaan di bisa tampil sebagai independen dan pada persamaan lain di tampil sebagai variabel dependen.
Demikian
Salam,
Jalal
mas...mau nanya...saya pram...untuk uji normalitas data ketika pakai mediasi sederhana bagaimana?apakah perlu diuji per model regresi yang terbentuk...trimakasih...
ReplyDeleteDear mas Pram...
ReplyDeleteBila anda ingin menguji normalitas maka lakukan pada residual dari setiap model regresi yang diestimasi. Untuk mediasi sederhana dengan 1 Independen, 1 Mediasi dan 1 Dependen maka akan ada 2 model regresi yang diestimasi.
Salam,
Jalal
Mas Jalal mao nanya, penulisan hipotesis penelitian untuk persamaan regresi yg ke-3 contoh di atas itu bagaimana ya?
ReplyDeleteTerima kasih.
Salam,
Fidya
Dear mbak Fidya...
ReplyDeletePersamaan ke-3 melibatkan 2 regresor, dalam hal ini variabel independen X dan mediator M. Penulisan hipotesis untuk persamaan ke-3 adalah:
H01: Variabel X tidak berpengaruh terhadap variabel dependen Y. Jadi c' = 0.
Ha1: Variabel X berpengaruh terhadap variabel dependen Y. Jadi c' tdk = 0.
H02: Variabel M tidak berpengaruh terhadap variabel dependen Y. Jadi b = 0.
Ha2: Variabel M berpengaruh terhadap variabel dependen Y. Jadi b tdk = 0.
Demikian.
Salam,
Jalal
Mas Jalal, nanya lagi :)
DeleteKalo hipotesisnya digabung seperti di bawah ini bisa ngga?
H0: Variabel X dan M tidak berpengaruh terhadap variabel Y
Ha: Variabel X dan M berpengaruh terhadap variabel Y
Persamaan ke-3 itu regresi berganda ya?
Bedanya one-tailed test dan two-tailed test apa siy? Cara mengidentifikasinya bagaimana? Persamaan ke-3 itu one-tailed apa two-tailed?
Terima kasih
Betul sekali bahwa persamaan ke-3 itu regresi berganda. Jadi kita bisa menguji secara simultan kedua koefisien regresi X dan M menggunakan uji-F dan rumusan hipotesisnya bisa seperti itu.
ReplyDeleteone-tailed bila rumusan hipotesis alternatif (Ha) sudah mengarah pada arah tertentu, misalnya ada pengaruh positif atau ada pengaruh negatif X atau M terhadap Y.
Sebaliknya, two-tailed, rumusan hipotesis alternatif (Ha) tidak mengarah pada arah tertentu. Hanya sekedar menyebutkan bahwa ada pengaruh X atau M terhadap Y.
Tergantung kekuatan teori kita yang akan menentukan apakah hipotesis akan mengarah pada arah tertentu mengenai pengaruh suatu variabel terhadap variabel dependen. Sehingga akan menggunakan one-tailde atau two-tailed.
Sehubungan dengan persamaan ke-3, karena itu contoh sehingga dukungan teori tidak ada maka lebih aman menggunakan two-tailed. Apapun pengaruhnya, kita bisa menerimanya.
Demikian dari saya.
Salam,
Jalal
Tanya lagi ya, Mas Jalal ^_^
ReplyDeletec'- nya lebih besar dari c dan sig.(p-value) nya sama-sama 0,000 itu artinya apa?
Oiya, saya kirim juga hasil regresi saya ke alamat gmail, Mas Jalal.
Terima kasih
mas saya mau tanya....
ReplyDeletemas apakah analisis mediasi bisa digunakan untuk data yang sifatnya time series?
saya meneliti ttg pengaruh bi rate, nilai tukar, kurs, suku bunga luar negeri, inflasi terhadap suku bunga kredit, tetapi sebelum mempengaruhi suku bunga kredit, variabel tersebut mempengaruhi suku bunga deposito....kecuali inflasi yg berpengaruh secara langsung
mohon jawabannya mas.... jk tidak boleh menggunakan metode tersebut, mungkin mas punya rekomendasi lain... trima kasih...
RISA
Dear mbak Risa..
DeleteAnalisis mediasi bisa digunakan untuk data time series, sebagaimana kita ketahui bahwa analisis mediasi bisa dengan regresi dan regresi sendiri juga bisa untuk data time series.
Salam,
Jalal
terima kasih pak jalal atas penjelasan mengenai metode OLS, tapi apakah metode ini dapat dipakai dalam statistik keuangan seperti memprediksi financial distress dari suatu perusahaan pak? apakah metode yang paling akurat yang bisa dipakai untuk prediksi financial distress pak?terima kasih sebelumnya pak...
ReplyDeleteAda banyak metode yang bisa digunakan dalam statistik keuangan dan salah satunya adalah OLS (ordinary least square) atau regresi. Bila financial distres dipengaruhi oleh variabel lain dan skala pengukuran dari financial distres adalah kontinyu atau interval maka OLS dapat digunakan. Bila datanya bersifat dikotomi atau nominal maka alternatifnya adalah logistik regresi atau multinominal logistik regresi...dst. Jadi tergantung sifat data dan juga model penelitiannya.
ReplyDeletepa saya mau tanya untuk mediasi saya masih belum paham, variabel saya x1=tqm x2= mo y= kinerja organisasi pengujian hipotesis saya ada 4, yaitu X1->Y ,x2 ->Y, x1->x2, dan yg ke-4 dengan mediasi dan MO sebagai variabel mediasi gmna y persamaannya dan cara pengujian dengan SPSS gmna y? apa cukup dngn mengunakan regresi berganda/sama dengan analisis mediasi sederhana saja?
ReplyDeletedan untuk pengujian hipotesis saya h1,h2,h3 semua signifikan tnggal untuk mediasai yg saya belum pahami? mohon bantuannya bapa, trimakasih
Persamaan regresi yang harus diestimasi untuk model mediasi anda ada dua yaitu:
Delete1. X2 = a1 + b1 X1 + e1
2. Y = a2 + b2 X2 + c2 X1 + e2
Pada persamaan pertama anda mengestimasi regresi sederhana dengan variabel dependen X2 dan independen X2. Signifikansi koefisien regresi b1 menguji signifikansi pengaruh X1 pada X2 (H3).
Pada persamaan kedua anda mengestimasi regresi berganda dengan variabel dependen Y dan dua variabel independen yaitu X1 dan X2. Signifikansi koefisien regresi b2 menguji signifikansi pengaruh X2 pada Y (H2), sedangkan signifikansi koefisien c2 menguji signifikansi pengaruh X1 pada Y (H1).
Untuk hipotesis mediasi didasarkan pada signifikansi indirect effect (pengaruh tak langsung). Indirect effect dihitung dengan mengalikan b1 pada persamaan pertama dan b2 pada persamaan kedua (b1b2). Uji signifikansi bisa menggunakan Sobel test. Bila hasil Sobel test signifikan berarti ada efek mediasi X1 terahadap Y melalui X2.
Saya merekomendasikan anda menggunakan macro yang dibuat oleh Hayes yang tersedia gratis di internet (http://www.afhayes.com/spss-sas-and-mplus-macros-and-code.html). Macro yang lebih baru adalah process. Anda bisa juga menggunakan macro sobel yang hanya menyajikan sobel test atau macro indirect yang disamping menyajikan sobel test juga didasarkan bootstrap.
Salam,
Jalal
permisi mas, saya mau tanya, kebetulan saya sedang mencoba menggunakan "mediasi sederhana",
ReplyDeletemisal variabel yg saya pake ;
- citra toko (X) : 15 butir pertanyaan, berarti X1 sampai X15
- kepuasan (M) : 9 butir pertanyaan, berarti M1 sampai M9
- loyalitas (Y) : 3 butir pertanyaan, berarti Y1 sampai Y3
pertanyaannya :
1. yg nanti saya masukin ke SPSS pake X atau M atau Y yg mana yah?
2. bedanya variabel intervening sama mediasi apa ya?setahu saya sih sama saja tetapi ketika saya tanya beberapa ahli statistik kata mereka ada perbedaannya?mungkin mas punya referensi?
thx
Saya coba jawab ya...
Delete1. Skor kompositnya, misalnya rata-rata atau skor total masing-masing ketiga variabel tsb.
2. Dalam literatur, keduanya mengacu pada hal yang sama. Dipake secara bergantian untuk mewakili hal yang sama. Variabel yang mengantarai variabel independen dan dependen, yang menyalurkan pengaruh independen terhadap variabel dependen. Juga ada yang menggunakan istilah variabel intervening adalah variabel yang memediasi proses yang terjadi antara stimulus dan response.
Referensi:
Hayes, A.F. 2009. Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millennium
Mackinnon, D.P. 2008. Introduction to Statistical Mediation Analysis
Preacher, K. J and Hayes, A. F., 2004. SPSS and SAS Procedures for Estimating Indirect Effects in Simple Mediation Models. Behavior Research Methods, Instruments, & Computers, 36 (4), 717-731. Psychonomic Society, Inc.