April 19, 2009

Analisis Mediasi Sederhana Menggunakan SPSS

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).

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:
  1. 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
  2. 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
  3. 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 analisis regresi pertama pada Tabel 1, ditemukan bahwa citra toko berpengaruh signifikan pada kepuasan toko (p-value < 0,05) dengan koefisien regresi (a) = 0,810; hasil regresi kedua pada Tabel 2, ditemukan bahwa citra toko berpengaruh signifikan pada loyalitas toko (p-value < 0,05) dengan koefisien regresi (c) = 0,636; dan hasil regresi ketiga pada Tabel 3, ditemukan bahwa kepuasan toko berpengaruh signifikan pada loyalitas toko, setelah mengontrol variabel citra toko (p-value < 0,05) dengan koefisien regresi (b) = 0,576. Selanjutnya ditemukan direct effect c’ sebesar 0,169 yang lebih kecil dari c = 0,636. Pengaruh variabel independen citra toko terhadap variabel dependen loyalitas toko berkurang dan tidak signifikan (p-value > 0,05), setelah mengontrol variabel mediator kepuasan toko. Berdasarkan kriteria Baron dan Kenny (1986) maka dapat disimpulkan bahwa hipotesis mediasional terdukung. Dalam hal ini terjadi perfect atau complete mediation. Pengaruh citra toko terhadap loyalitas pada toko sepenuhnya dimediasi oleh kepuasan pada toko.
Hasil pengujian dengan pendekatan atau strategi product of coefficient akan disajikan pada tulisan berikutnya. Terimakasih

140 comments:

  1. 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..

    ReplyDelete
  2. saya belum mengerti tentang bootstrapping dan kegunaan plus syarat penggunaannya Pak..matur nuwun, rita yogya

    ReplyDelete
  3. Dear Rita...
    Bootstrapping 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

    ReplyDelete
  4. terima kasih sekali penjelasannya Pak...Rita

    ReplyDelete
  5. Pak Jalal,
    apakah 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

    ReplyDelete
  6. Dear rita..
    Hasil 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

    ReplyDelete
  7. terima kasih ya Pak Jalal...matur nuwun, rita

    ReplyDelete
  8. mas,reviewnya sangat bagus,kebetulan saya salah satu penggemar statstik..

    oiya mas,link datanya "mati",bisa diupload lagi ga?

    untuk yg multiple mediation juga ya mas,untuk latihan dirumah


    Regards,

    Syaiful Herdi

    ReplyDelete
  9. Dear Syaiful..
    Maaf 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

    ReplyDelete
    Replies
    1. Mas, Link filenya gak bisa terbuka lagi, udah dihapus. Tolong kirim filenya ke email saya: cheria.sofie@gmail.com

      Terima kasih

      Delete
  10. Salam sejahtera.

    Saya 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)

    ReplyDelete
  11. Dear pak Alfred...
    1. 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

    ReplyDelete
  12. greetings,

    mas 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..

    ReplyDelete
  13. Dear mas Rudi..
    Kalau 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

    ReplyDelete
  14. mas, ini rudi lagi,,makasih atas jawaban sebelumnya...
    saya 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

    ReplyDelete
  15. Dear Rudi..
    Saya 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

    ReplyDelete
  16. 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

    ReplyDelete
  17. Dear Rully, salam kenal juga...
    Perhitungannya 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

    ReplyDelete
  18. terima kasih pak sarannya, dimana ya pak saya bisa donlot langkah2 macro dr Hayes?? apakah ini menggunakan SPSS juga??

    ReplyDelete
  19. Dear Rully..
    Iya 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

    ReplyDelete
  20. greetings,mas saya Rudi..

    1. 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

    ReplyDelete
  21. Dear Rudi..
    1. 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

    ReplyDelete
  22. mas ini rudi, pertanyaan saya yg berikutnya (maaf nanya lagi)

    dalam 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

    ReplyDelete
  23. 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.

    Referensi:
    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

    ReplyDelete
  24. 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?

    trims

    ReplyDelete
  25. Dear Rudi..
    Variabel 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

    ReplyDelete
  26. 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.

    trims

    Rudi

    ReplyDelete
  27. 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.

    trims

    Rudi

    ReplyDelete
  28. Dear Rudi...
    Disamping 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

    ReplyDelete
  29. slamat malam..

    mas,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

    ReplyDelete
  30. Selamat malam juga mbak Yani...
    Dalam 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

    ReplyDelete
  31. mas,terim kasih atas responnya...

    oiya,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

    ReplyDelete
  32. Sayangnya, saya tidak punya artikel dari McGuigan, K., & Langholtz, B (1988).

    Salam,
    Jalal

    ReplyDelete
  33. 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?

    Yani

    ReplyDelete
  34. Dear mbak Yani...
    Tidak 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

    ReplyDelete
  35. trimakasih banyak mas jalal,
    saya 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

    ReplyDelete
  36. Dear mbak Yani..
    1. 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

    ReplyDelete
  37. salam damai..

    pak,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

    ReplyDelete
  38. Dear mas/mbak Julian...
    Salam 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

    ReplyDelete
  39. lalu kenapa regresi mediasi menggunakan uji z,sedangkan pada regresi umum gunakan uji t?
    satu lagi, apa bisa regresi digunakan untuk analisa dengan lebih dari satu var.dependen? kalau tidak bisa,dapat mas beri alasan..
    trimakasih banyak
    -Julian Sinaga

    ReplyDelete
  40. 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.
    Analisis 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

    ReplyDelete
  41. 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?
    satu 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

    ReplyDelete
  42. 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'.

    SEM 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

    ReplyDelete
  43. 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,

    trims..Jaka
    p

    ReplyDelete
  44. Dear mas Jaka,
    MacKinnon, 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

    ReplyDelete
  45. trims mas,..
    oiya 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

    ReplyDelete
  46. Dear mas Jaka,
    Pertama 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

    ReplyDelete
  47. 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?

    apa berarti, regresi mediasi hanya untuk kasus2 yang sangat sederhana ya? seperti 1 X, 2 M, 1 Y > mohon pencerahan..

    thx. Jaka P

    ReplyDelete
  48. Dear mas Jaka,
    Dalam 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

    ReplyDelete
  49. pak,apa uji F diperlukan dalam analisa mediasi? lantas bagaimana jika uji F tidak signifikan?

    ReplyDelete
  50. Uji F tidak diperlukan dalam analisis mediasi. Uji mediasi didasarkan pada signifikansi indirect effect.

    Salam,
    Jalal

    ReplyDelete
  51. Ass pak,

    saya 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

    ReplyDelete
  52. Dear mas Reinald
    Benar 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

    ReplyDelete
  53. 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

    terima kasih...

    salam
    vita

    ReplyDelete
  54. Dear mbak Vita,
    Tidak 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

    ReplyDelete
  55. tanya mas mba..
    kalo 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

    ReplyDelete
  56. Dear mas Nur prasetyo...
    Bila 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

    ReplyDelete
  57. 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..?

    ReplyDelete
  58. Dear mas Nur Prasetyo...
    Karena 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

    ReplyDelete
  59. hahaha.. siiippp... Wokeh nanti saia coba dulu...
    makasih pak... =D

    ReplyDelete
  60. pak kalau saya ingin membuat penelitian dan ada mediasinya dalam operasional variabel tersebut variabel mediasi itu (M) atau (X2) ya?
    gambaran penelitiannya selebriti endorser->citra merek->niat beli?
    trus analisisnya memakai regresi berganda bukan pak?rumusnya sepert apa?saya masih bingung.trimakasih.

    ReplyDelete
  61. 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).
    Persamaan 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

    ReplyDelete
  62. 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 :)

    ReplyDelete
  63. Dear mbak Ajeng, maaf saya membaginya 2 bagian karena blogger tidak mengijinkan, mungkin terlalu panjang.
    Analisis 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....

    ReplyDelete
  64. Lanjutan...
    Dear 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

    ReplyDelete
  65. 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.

    Salam,
    Jalal

    ReplyDelete
  66. Dear mbak Ajeng, maaf sepertinya membaginya bukan solusi. saya coba dengan cara lain.
    Analisis 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

    ReplyDelete
    Replies
    1. 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.

      Delete
  67. alhamdulillah akhirnya ngerti juga, makasih mas!

    ReplyDelete
  68. salam 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.

    makasih

    ReplyDelete
  69. Saya merekomendasikan anda untuk mengunjjungi website berkut:
    http://faculty.chass.ncsu.edu/garson/PA765/statnote.htm
    Saya yakin lebih byk lg yg bisa anda dapatkan disitu.
    Smoga bermanfaat.
    Salam
    Jalal

    ReplyDelete
  70. Maaf website yg sy brikan sbelumnya sudah tdk gratis lg rupanya.
    Coba wikipedia.
    Salam
    Jalal

    ReplyDelete
  71. 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.

    ReplyDelete
  72. Pak 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.

    ReplyDelete
    Replies
    1. Dear mbak Priska...
      Maaf 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

      Delete
    2. 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 ?

      Delete
    3. Partial mediation berarti disamping memiliki pengaruh tak langsung melalui mediator, varibel independen juga mempunyai pengaruh langsung yg signifikan pada variabel dependen.
      Demikian.
      Salam
      Jalal

      Delete
  73. 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?

    selanjutnya,,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?

    ReplyDelete
    Replies
    1. Dear mbak Lina...
      Ketiga 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

      Delete
  74. mas...mau nanya...saya pram...untuk uji normalitas data ketika pakai mediasi sederhana bagaimana?apakah perlu diuji per model regresi yang terbentuk...trimakasih...

    ReplyDelete
  75. Dear mas Pram...
    Bila 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

    ReplyDelete
  76. Mas Jalal mao nanya, penulisan hipotesis penelitian untuk persamaan regresi yg ke-3 contoh di atas itu bagaimana ya?
    Terima kasih.

    Salam,
    Fidya

    ReplyDelete
  77. Dear mbak Fidya...
    Persamaan 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

    ReplyDelete
    Replies
    1. Mas Jalal, nanya lagi :)
      Kalo 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

      Delete
  78. 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.
    one-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

    ReplyDelete
  79. Tanya lagi ya, Mas Jalal ^_^
    c'- 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

    ReplyDelete
  80. mas saya mau tanya....
    mas 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

    ReplyDelete
    Replies
    1. Dear mbak Risa..
      Analisis 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

      Delete
  81. 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...

    ReplyDelete
  82. Ada 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.

    ReplyDelete
  83. pa 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?
    dan untuk pengujian hipotesis saya h1,h2,h3 semua signifikan tnggal untuk mediasai yg saya belum pahami? mohon bantuannya bapa, trimakasih

    ReplyDelete
    Replies
    1. Persamaan regresi yang harus diestimasi untuk model mediasi anda ada dua yaitu:
      1. 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

      Delete
  84. permisi mas, saya mau tanya, kebetulan saya sedang mencoba menggunakan "mediasi sederhana",
    misal 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

    ReplyDelete
    Replies
    1. Saya coba jawab ya...
      1. 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.


      Delete
  85. Pak saya mau nanya, apakah analisis jalur dapat dilakukan ketika jumlah sampel yang digunakan hanya 23 observasi?

    ReplyDelete
  86. selamat malam Pak Jalal. Saya mahasiswa tingkat akhir yang sedang menyusun skripsi dengan menggunakan 1 variabel dependen 1 variabel mediator dan 1 variabel independen. Yang ingin saya tanyakan, uji asumsi klasik apa saja yang harus saya penuhi sebelum melakukan analisis mediasi ini? (walaupun seperti yang Pak Jalal jelaskan, di buku-buku dan jurnal tidak terlalu membahas uji asumsi tersebut) sekedar informasi, data saya adalah data crossectional. Terimakasih

    ReplyDelete
  87. permisi, maaf saya mau tanya:
    1. utk analisis mediasi sederhana sebaiknya menggunakan tahapan causal step, sobel, bootstrap atau bisa salah satunya saja?
    2. nilai c' dan c yang digunakan apakah dlm konteks harga mutlak?kalo c' dan c nilainya negatif gmn?contoh: c' = -0.089 dan c = -0.209
    3. saya msh bingung dgn intepretasi full mediation / partial mediation, apakah ada contoh kasus intepretasi lain yg lebih mendalam? karena intepretasinya kok sepertinya hampir sama dengan analisis regresi biasa? dgn kata lain fungsi mediasi itu sebenarnya apa?apakah mempengaruhi baik memperlemah atau memperkuat hubungan antara variabel independen ke dependen atau apa?

    trims, salam

    ReplyDelete
    Replies
    1. Ok saya coba jawab ya:
      1. Salah satunya saja dan sangat direkomendasikan menggunakan bootstrap.
      2. Gak masalah bila c' dan c nilainya negatif. Itu berarti indirect effect negatif, yaitu: -0.209 - (-.089) = -0.120.
      3. Analisis mediasi memang didasarkan pada estimasi regresi tapi jelas lebih kompleks dari analisis regresi biasa. Dia didasarkan pada perkalian koefisien dari LEBIH DARI 1 PERSAMAAN REGRESI (indirect effect). Full mediasi berarti efek independen sepenuhnya dimediasi oleh mediator. Tidak ada lagi efek langsung independen ke dependen. Sedangkan partial mediation berarti disamping mempunyai efek tak langsung melalau mediator, variabel independen juga mempunyai efek langsung terhadap dependen. Regresi biasa sama sekali tidak bicara soal indirect effect, dia melulu direct effect. Samanya dimana MODEL MEDIASI dengan REGRESI BIASA, yang jelas-jelas tidak melibatkan mediator?
      Fungsi mediasi adalah menyalurkan pengaruh variabel independen ke variabel dependen. Jadi variabel independen mempengaruhi mediator lalu mediator mempengaruhi dependen. Yang mempengaruhi memperlemah atau memperkuat itu MODERATOR bukan MEDIATOR. Jangan dicampur aduk. Mediator itu endogen karena dia dipengaruhi oleh independen, sedangkan Moderator itu eksogen karena dia tidak dipengaruhi oleh variabel lain dalam model keseluruhan.

      Happy analyzing!

      Jalal

      Delete
    2. 1. akhirnya saya paham juga, ternyata kalo BOOTSTRAP itu sudah menganalisa CAUSAL STEP dan SOBEL sekaligus ya

      2. saya msh bingung apa dan knp terjadi full mediation / partial mediation. Apakah hanya dilihat signifikansinya direct effect c'?soalnya di atas ada pernyataan "ditemukan direct effect c’ sebesar 0,169 yang lebih kecil dari c = 0,636. Pengaruh variabel independen citra toko terhadap variabel dependen loyalitas toko BERKURANG dan tidak signifikan (p-value > 0,05), maka dapat disimpulkan terjadi PERFECT MEDIATION." Sedangkan -0.089 (c') itu lebih besar drpd -0.209 (c). berikut sekalian saya tunjukkan hasil bootstrapnya :

      DESCRIPTIVES STATISTICS AND PEARSON CORRELATIONS
      Mean SD TI KK KO
      TI 9.7058 3.0696 1.0000 -.5275 -.6059
      KK 52.6702 7.7421 -.5275 1.0000 .6622
      KO 28.9967 5.4851 -.6059 .6622 1.0000

      SAMPLE SIZE
      57

      DIRECT AND TOTAL EFFECTS
      Coeff s.e. t Sig(two)
      b(YX) -.2091 .0454 -4.6050 .0000
      b(MX) .4692 .0716 6.5539 .0000
      b(YM.X) -.2557 .0790 -3.2366 .0021
      b(YX.M) -.0892 .0560 -1.5928 .1170

      INDIRECT EFFECT AND SIGNIFICANCE USING NORMAL DISTRIBUTION
      Value s.e. LL95CI UL95CI Z Sig(two)
      Effect -.1200 .0417 -.2018 -.0382 -2.8752 .0040

      BOOTSTRAP RESULTS FOR INDIRECT EFFECT
      Data Mean s.e. LL99 CI LL95CI UL95CI UL99CI
      Effect -.1200 -.1197 .0415 -.2383 -.2135 -.0460 -.0162

      NUMBER OF BOOTSTRAP RESAMPLES
      1000

      ------ END MATRIX -----

      intepretasinya gmn ya mas?ini terjadi mediasi apa ga?mediasi apa?

      trims

      Delete
    3. satu lagi mas, untuk NUMBER OF BOOTSTRAP RESAMPLES itu ketentuannya diisi angka brp sebenernya?

      Delete
    4. 1. Sedikit koreksi, BOOTSTRAP tidak tidak untuk menganalisis CAUSAL STEP dan SOBEL. Dia digunakan untuk menguji signifikansi suatu nilai statistik tertentu, bisa koefisien korelasi, regresi, uji beda dan juga termasuk uji indirect effect untuk model mediasi. Kebetulan saja Prof. Hayes dengan makronya menyajikan informasi yang dibutuhkan untuk Causal step dan uji Sobel.
      2. Full atau partial mediation, syarat pertama adalah harus terjadi mediasi, jadi indirect effect signifikan. Bila direct effect SIGNIFIKAN juga, maka terjadi PARTIAL MEDIATION, tapi bila direct effect TIDAK SIGNIFIKAN maka yang terjadi adalah FULL MEDIATION.
      Dalam kasus anda, terjadi mediasi. Hasil bootstrap diperoleh 95% CI LL = -.2383 dan UL = -.2135. Karena tidak mengandung nol berarti signifikan. Atau beradasarkan sobel test dipreoleh nilai probabilitas (p) = 0,0040. Karen p < 0,05 berarti signifikan. Direct effect (c') diperoleh sebesar -.0892 dan p value = .1170, yang berarti tidak signifikan (p > 0,05). Berarti FULL MEDIATION, mengapa? karena direct effect tidak signifikan.
      3. NUMBER OF BOOTSTRAP RESAMPLES sabaiknya atau direkomendasikan 1000 atau lebih besar lagi (tergantung kecepatan komputer anda). Jadi anda tidak perlu mengisi nilai apa-apa karena nilai default dari macro tsb adalah 1000.

      Happy analyzing!

      Jalal

      Delete
    5. permisis mas,numpang tanya lg nih:
      1. berarti tanda negatif hanya berindikasi pd pengaruh negatif terhadap variabel tertentu diatas?
      2. utk bootstrap maksudnya tdk mengandung nol itu seperti apa?apakah jika nilai LL95CI dan UL95CI > 0 = signifikan?
      3. bootstrap disini apakah sama dgn metode bootstrap pd umumnya?bisa dijelaskan lebih banyak ga mas, soalnya untuk bootstrap sangat sedikit sekali penjelasan dari mas
      thx

      Delete
    6. 1. Iya tanda negatif menunjuk arah pengaruh.
      2. Tidak mengandung nol itu contohnya seperti ini:
      Pengaruh Negatif: LL95CI = -0,01 dan UL95CI = -0,02, jadi dari negatif 0,01 ke negatif 0,02 itu kan tidak melewati nol?
      Pengaruh Positif: LL95CI = 0,01 dan UL95CI = 0,02, jadi dari positif 0,01 ke positif 0,02 itu kan tidak melewati nol?
      Tapi bila yang diperoleh negatif ke positif atau sebaliknya positif ke negatif maka pasti terkandung nilai nol disitu.
      3. Bootstrap itu sama yang anda kenal pada penerapannya untuk analisis yang lain. Bootstrapping 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.
      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).

      Demikian dari saya.
      Happy analyzing

      Jalal

      Delete
    7. misi, mas mau tanya lagi nih:
      1. saya msh bingung membedakan yg mana total effect, direct effect dan indirect effect.Sebenernya a dan b itu direct effect atau indirect effect ya?kalo a dan b adalah direct effect lantas knp ab itu indirect effect?kemudian apabila c itu total effect X -> Y sblm mediasi, berarti c' itu adalah total effect X -> Y stlh mediasi?tapi mas menyebutkan kalo c' itu direct effect?jadi sebenernya yang total effect / direct effect / indirect effect itu yg mana aja?

      2. saya msh bingung dgn kriteria baron dan kenny pada causal step, disitu menyatakan "Mediasi terjadi jika pengaruh variabel independen terhadap variabel dependen LEBIH RENDAH pada persamaan ketiga (c') dibandingkan pada persamaan kedua (c) (Baron and Kenny., 1986)". Lalu bgmn apabila ternyata koefisien c' lebih besar drpd koefisien c, tanpa memperhatikan signifikansinya?apakah tidak terjadi mediasi?misal: c' = - 0.0634 dan c = - 0.1830
      (dlm hal ini asumsi saya:(a) penurunan c' ke c dalam konteks harga mutlak; atau (b) peningkatan c' dari c menyebabkan pengaruh langsung X ke Y negatif dan menjadi meningkat melalui M; menurut mas asumsi saya gmn?atau asumsi yg benar seperti apa?)

      3. misal kita hanya menggunakan uji sobel / bootstrap saja tanpa causal step, bgmn cara menentukan terjadi complete mediation / partial mediation?

      trims, salam
      nugradi

      Delete
    8. Dear mas Nugradi,
      1. Perhatikan model mediasi sederhana dengan 1 independen X, 1 mediator M dan 1 dependen Y. Total effect c adalah efek X terhadap Y dengan mengabaikan M, jadi diperoleh dari persamaan regresi sederhana dengan Y dependen dan X independen. Ada 3 direct effect, (1) a adalah direct effect X terhadap M (regresi sederhana dengan M sebagai dependen dan X sbg independen), (2) b adalah direct effect M terhadap Y dengan memperhitungakan X (regresi berganda dengan Y sbg dependen dan X dan M sbg independen), dan (3) c' direct effect X terhadap Y dengan memperhitungakan M (regresi berganda dengan Y sbg dependen dan X dan M sbg independen, jadi sama dengan no 2). Definisi dari indirect effect adalah "The indirect effect of X on Y in this situation is defined as the product of the X -> M path (a) and the M -> Y path (b), or ab. In most situations, ab = (c - c'), where c is the simple (i.e., total) effect of X on Y, not controlling for M, and c' is the X -> Y path coefficient after the addition of M to the model (lihat gambar)". Jadi formula umumnya adalah Total effect = direct effect + indirect effect. Indirect effect diperoleh dari perkalian direct effect a dan direct effect b atau ab. Biar tidak bingung lebih baik anda estimasi sendiri dengan SPSS, daripada anda membayang-bayangkannya.
      2. c = -0,1830 berarti total effect X thd Y adalah negatif sebesar 0,1830 dan pengaruh negatifnya tersebut berkurang sebesar 0,0634 (c') setelah mempertimbangkan mediator. Tidak ada yang aneh dengan ini.
      3. Uji sobel/bootstrap adalah uji signifikansi indirect effect. Jadi menguji efek mediasi, tidak peduli apakah complete atau partial mediation. Dengan asumsi indirect effect signifikan (hasil sobel/bootstrap), bila direct effect (c') tetap signifikan maka terjadi pertiali mediation, dan bila direct effect (c') tidak signifikan maka yang terjadi complete mediation. Efek X pada Y sepenuhnya dimediasi atau disalurkan oleh M, tidak ada lagi efek langsung X pada Y.

      Happy analyzing!
      Salam,
      Jalal

      Delete
  88. mas, numpang tanya lagi nih, kebetulan saya dibantai ama dosen saya he3
    Sebenernya kelebihan dan kekurangan metode ini dgn analisa jalur apa yah?

    ---> soalnya saya ditanya knp ga pake analisa jalur, knp pake metode ini?saya jwbnya kalo pake metode ini indirect effect diuji signifikansinya tetapi kalo analisa jalur hanya sebatas melihat ada pengaruh langsung / tidak langsungnya tanpa ada pengujian signifikansinya,tp kayaknya salah deh soalnya saya disuruh baca lagi hikz3...menurut mas gmn?
    thx

    ReplyDelete
    Replies
    1. Memang metode ini namanaya apa? Pada dasarnya analisis jalur adalah analisis regresi dengan model-model yang kompeks yang melibatkan variabel intervening atau mediator. Jadi yang anda lakukan sebenarnya adalah analisis jalur. Cuma tidak secara khusus disebutkan. Metode lain adalah SEM bila kita melibatkan variabel latent, dan bila tidak melibatkan variabel laten maka itu analisis jalur yang bisa diestimasi dengan regresi. Jadi aneh bila dia membandingkannya dengan analisis jalur, harusnya dengan SEM.

      Salam,
      Jalal

      Delete
    2. oh jd ini termasuk analisa jalur yah...nah kalo begitu kelebihan & kekurangan metode ini dengan SEM apa? Selain krn jumlah sampel lebih sedikit dibanding SEM...Apakah SEM juga bisa menguji signifikansi indirect effect seperti uji Sobel & bootstrapping?

      Delete
    3. Disamping karena jumlah sampel lebih sedikit karena model menjadi lebih sederhana, macro yang tersedia juga hanya untuk path (regresi) analysis. Kita tidak bisa mengabaikan masalah jumlah sampel sebagai pertimbangan memilih path analysis (regresi) atau SEM. Kekurang utama metode ini adalah mengabaikan kasalahan pengukuran. SEM meperhitungkannya. Dirumuskan secara eskplisit dalam model. Software SEM khususnya Mplus menyajikan signifikansi indirect effect baik dengan Sobel test maupun bootstrap.

      Delete
  89. Pak, saya ingin tanya... penelitian saya terdiri atas 3 variabel yaitu, POF, kepuasan kerja (mediator), dan turnover intention. Pertanyaan penelitian:
    Pengaruh POF --> Kepuasan Kerja
    Pengaruh POF --> Turnover Intention
    Pengaruh Kepuasan Kerja --> Turnover Intention
    Pengaruh POF --> Turnover Intention melalui Kepuasan Kerja
    Dari penelitian terdahulu umumnya menggunakan SEM, tetapi ada juga (sangat jarang) yang menggunakan regresi hierarki. Saya juga ingin menggunakan SEM, tetapi sampel saya <100, jadi dosen saya menyarankan PLS. Yang ingin saya tanyakan apakahh PLS benar-benar dapat menggantikan SEM, apa saja batasan dalam PLS (karena saya jarang sekali menemukan penelitian dengan PLS), apa saja kelebihan PLS dibanding analisis path dan regresi? apakah dari pertanyaan penelitian saya, benar-benar perlu menggunakan PLS atau lebih baik saya gunakan analisis path / regresi hierarki itu ya Pak?
    Mohon bantuannya, terima kasih.

    ReplyDelete
    Replies
    1. Kelebihan SEM, baik yang Covariance Based (spt AMOS, LISREL, Mplus) maupun Variance Based (PLS) adalah memperhitungkan kesalahan pengukuran. Dalam SEM kesalahan pengukuran secara eksplisit diestimasi. SEbaliknya path/regression analysis mengabaikan kesalahan pengukuran. Jadi hasil estimasi pada SEM lebih akurat. PLS jika dibandingkan dengan SEM (Covariance based) tidak membutuhkan sampel besar, asumsi normalitas (saat ini beberapa software SEM covariance based menyediakan estimasi yang robust terhadap data yang cenderung tidak normal).
      Bila mbak Rahmi yakin bahwa variabel-variabel penelitian diukur tanpa kesalahan (yang sepertinya jarang terjadi) maka lebih baik gunakan path/regression hierarki. Bila ingin yang lebih baik dengan mempertimbangkan sampel yang kecil maka PLS lah jawabannya.

      Salam,

      Jalal

      Delete
  90. Terimakasih atas bahasan blognya, sangat membantu dalam pengerjaan skripsi saya.

    Saya fajar, mhs PT di bandung ingin menanyakan ttg skripsi saya. saya mempunya 1 variabel x (suku bunga SBI, variabel M (suku bunga deposito) dan variabel Y (suku bunga kredit).

    apakah dalam path analysis tidak dibutuhkan konstanta, koefisien regresi (misal, kenaikan satu satuan x akan menaikkan y), R atau R2?

    jika tidak ada, bagaimana interpretasi datanya untuk bab 4 dan bab 5, apakah cukup dengan standarized coefficient ?

    ReplyDelete
    Replies
    1. maaf tambahan..

      misalnya, pengaruh x thd y didapatkan angka 0.51, apakah interpretasi datanya hanya pengaruh x thd y adalah 0.51. Apakah cukup seperti itu ? Trimakasih

      Delete
    2. Saat ini konsep path analysis mengacu pada model-model komplek dengan melibatkan variabel observed. Bila melibatkan latent atau unobserved maka digunakan SEM. Untuk kepentingan bab 4/5 sebenarnya anda cukup melaporkan koefisien regresi, baik unstandardized maupun standardized disertai signifikansi dari koefisien regresi. Sebagai tambahan anda juga bisa melaporkan R2 masing-masing persamaan. Jadi itu tergantung kepentingannya.
      Bila hanya ingin mengetahui apakah ada pengaruh/hubungan signifikan atau tidak maka laporkan saja koefisien regresi unstandaridized dan signifikansinya (probabilitas) atau p-value. Bila p-value < 0,05 berarti signifikan dan bila > 0,05 berarti tidak signifikan.

      Salam,
      Jalal

      Delete
  91. Maaf Pak Jalal, saya mengalami kesulitan memahami hasil script Sobel Test untuk menetapkan apakah terdapat pengaruh mediasi dari vari abel intervening yang saya gunakan.
    Variabel independen : X1 = Supervisi Akademik, X2 = Budaya Organisasi, X3 = Kepuasan Kerja (sebagai intervening), dan variabel dependen Y = Kinerja Guru.
    Hasil yang saya dapatkan adalah :
    1. Variabel X1 ke Y melalui X3
    DESCRIPTIVES STATISTICS AND PEARSON CORRELATIONS
    Mean SD KINERJA SUPAK PUAS
    KINERJA 270,0000 25,1085 1,0000 ,5828 ,5511
    SUPAK 187,5658 15,5404 ,5828 1,0000 ,5056
    PUAS 104,5789 10,7232 ,5511 ,5056 1,0000

    SAMPLE SIZE
    152

    DIRECT And TOTAL EFFECTS
    Coeff s.e. t Sig(two)
    b(YX) ,9416 ,1072 8,7840 ,0000
    b(MX) ,3489 ,0486 7,1770 ,0000
    b(YM.X) ,8068 ,1681 4,7980 ,0000
    b(YX.M) ,6602 ,1160 5,6900 ,0000

    INDIRECT EFFECT And SIGNIFICANCE USING NORMAL DISTRIBUTION
    Value s.e. LL 95 CI UL 95 CI Z Sig(two)
    Effect ,2815 ,0710 ,1422 ,4207 3,9623 ,0001

    dan hasil yang ke dua : Variabel X2 ke Y melalui X3
    DESCRIPTIVES STATISTICS AND PEARSON CORRELATIONS
    Mean SD KINERJA BUDOR PUAS
    KINERJA 270,0993 25,1621 1,0000 ,5654 ,5507
    BUDOR 125,9603 13,3236 ,5654 1,0000 ,6979
    PUAS 104,6026 10,7549 ,5507 ,6979 1,0000

    SAMPLE SIZE
    151

    DIRECT And TOTAL EFFECTS
    Coeff s.e. t Sig(two)
    b(YX) 1,0677 ,1276 8,3666 ,0000
    b(MX) ,5633 ,0474 11,8946 ,0000
    b(YM.X) ,7120 ,2136 3,3332 ,0011
    b(YX.M) ,6666 ,1724 3,8659 ,0002

    INDIRECT EFFECT And SIGNIFICANCE USING NORMAL DISTRIBUTION
    Value s.e. LL 95 CI UL 95 CI Z Sig(two)
    Effect ,4011 ,1254 ,1554 ,6469 3,1991 ,0014

    Bagaimana keputusannya? Mohon penjelasan dan terimakasih.
    (UTOYO)

    ReplyDelete
    Replies
    1. Dear mas Utoyo...
      Untuk pengaruh X1 pada Y melalui X3 ditemukan terdapat efek mediasi. Ditemukan koefisien indirect effect sebesar 0,2815 dan probabilitas (p-value) = 0,0001. Karena p-value < 0,05 berarti indirect effect signifikan. Jadi X3 memediasi hubungan antara X1 dan Y.
      Demikian juga untuk pengaruh X2 pada Y melalui X3 ditemukan terdapat efek mediasi. Koefisien indirect effect ditemukan sebesar 0,4011 dan p-value = 0,0014. Karena p-value < 0,05 berarti indirect effect signifikan. Jadi X3 memediasi hubungan antara X2 dan Y.
      Demikian semoga membantu.

      Salam,
      Jalal

      Delete
  92. Ini saya Fajar lagi Pak.

    1. Bedanya standarized sama unstandarized apa ya Pak?

    2. Untuk analisa jalur, yang digunakan itu r2 atau e ? soalnya kedua nilai tersebut memiliki nilai yg berbeda

    ReplyDelete
    Replies
    1. 1. Standardized adalah koefisien regresi dalam bentuk standard. Diperoleh setelah semua variabel distandarisasi sehingga rata-ratanya nol dan varians = 1. Oleh karenanya interpretasinya adalah berapa standar deviasi perubahan pada dependen untuk setiap 1 standar deviasi perubahan pada independen. Sementara unstandarized (original) adalah koefisien regresi original atau yang tidak distandarisasi. Interpretasinya adalah berapa besar perubahan pada dependen untuk setiap satu unit perubahan pada independen. Jadi unit satuannya menentukan.
      2. Berbeda karena R2 mencerminkan keakuratan model, berapa persen yang terjelaskan oleh model, sementara e mencerminkan kesalahan. Yang diharapkan adalah R2 yang besar dan e yang kecil. Kedua informasi ini saling melengkapi. Jadi biasanya dilaporkan dua2nya. Tapi R2 lebih menarik karena ada batasnya yaitu 0 - 1. Sementara e adalah 0 - tak terhingga.

      Salam,
      Jalal

      Delete
    2. satuan untuk e apakah dalam bentuk % juga Pak ?

      kalau untuk persamaan regresi dalam analisa jalur itu memakai konstanta atau tidak ? saya jadi bingung untuk persamaan regresinya, soalnya di buku yang saya punya, persamaan regeresinya tidak menggunakan a, hanya bY1 + e

      Thanks buat reply-nya sangat membantu.

      Delete
    3. Ia betul, e dalam bentuk % karena diperoleh dari rumus 1-R2, variasi yang tak terjelaskan.
      Konsep awal analisis jalur tidak memakai konstanta, karena persamaan dalam bentuk standardized. Jadi ikuti saja literatur yang anda anut.

      Salam,
      Jalal

      Delete
    4. waduh makasih banget ya Pak, benar2 jd pencerahan buat saya. Semoga rezekinya makin lancar he..he..

      Delete
    5. Pak maaf nanya lagi. Nilai R2 untuk pengaruh M>Y itu gimana ya? soalnya untuk mengetahui M>Y kan perlu memasukkan X juga dalam regresinya.

      R2 saya nilainya 72% sedangkan nilai standarized untuk pengaruh M>Y kecil dan tidak signifikan.

      Delete
    6. R2 untuk Y adalah R2 dengan melibatkan kedua variabel M dan X. Bila M > Y tidak signifikan itu berarti efeknya pada Y didominasi oleh X.

      Delete
  93. selamat malam pak, saya laeli mau tanya

    saya akan mencari pengaruh X terhadap Y melalui M dan data yang digunakan adalah data panel
    1. apakan perlu uji normalitas?
    2. saya disuruh pakai uji sobel tapi beberapa dosen saya menyarankan memakai path an analysis. apa yang harus saya gunakan?

    terima kasih sebelumnya

    ReplyDelete
    Replies
    1. Selamat pagi mbak/mas laeli. Maaf baru jawab.
      1. Sebenarnya bila menggunakan metode bootstrap (tidak lagi Sobel) untuk pengujian hipotesis maka tidak perlu uji normalitas. Bootstrap digunakan karena menurut teori distribusi koefisien indirect effect untuk uji mendasi tidak berdistribusi normal.
      2. Sobel test adalah salah satu pendekatan untuk menguji signifikansi indirct effect, disamping bootstrap yang lebih direcomendasikan. Adapun path analysis adalah teknik analisis untuk mengestimasi effectnya (dalam hal ini indirect effect). Teknik lain adalah SEM yang lebih maju.
      Demikian.
      Salam,

      Jalal

      Delete
  94. salam kenal pak jalal. blog anda sangat membantu saya dalam membuat skripsi.

    saya lihat anda mengutip artikel hayes di postingan ini >> http://jt-stat.blogspot.com/2008/12/mediation-variabel-mediator-juga_22.html

    "Variabel mediator juga disebut variabel intervening atau variabel proses. Jika variabel independen tidak lagi mempunyai pengaruh terhadap variabel dependen setelah mengontrol variabel mediator, maka dinyatakan terjadi perfect atau complete mediation. Jika pengaruh variabel independen terhadap variabel dependen berkurang tetapi masih berbeda dari 0, setelah mengontrol variabel mediator, maka dinyatakan terjadi partial mediation (Kenny., 2008; Preacher and Hayes., 2004)."

    sementara di postingan ini anda menyebut
    "Selanjutnya ditemukan direct effect c’ sebesar 0,169 yang lebih kecil dari c = 0,636. Pengaruh variabel independen citra toko terhadap variabel dependen loyalitas toko berkurang dan tidak signifikan (p-value > 0,05), setelah mengontrol variabel mediator kepuasan toko. Berdasarkan kriteria Baron dan Kenny (1986) maka dapat disimpulkan bahwa hipotesis mediasional terdukung. Dalam hal ini terjadi perfect atau complete mediation. Pengaruh citra toko terhadap loyalitas pada toko sepenuhnya dimediasi oleh kepuasan pada toko."

    jadi sekarang saya bingung. kalo c' lebih kecil dari c apa disebut partian atau perfect mediation?mohon pencerahannya pak.

    terima kasih

    salam hormat,
    Syahuri

    ReplyDelete
    Replies
    1. Dear mas Syahuri...
      Saya pikir tidak ada yang bertentangan pada kedua pernyataan di atas. Jadi harusnya tidak bingung. Perfect/completely mediation terjadi bila direct effect Independent variable pada dependent tidak signifikan. Sementara partial mediation bila direct effect juga signifikant disamping indirect effectnya.
      Demikian.

      Delete
  95. salam kenal pak jalal. blog anda sangat membantu saya dalam membuat skripsi.

    saya lihat anda mengutip artikel hayes di postingan ini >> http://jt-stat.blogspot.com/2008/12/mediation-variabel-mediator-juga_22.html

    "Variabel mediator juga disebut variabel intervening atau variabel proses. Jika variabel independen tidak lagi mempunyai pengaruh terhadap variabel dependen setelah mengontrol variabel mediator, maka dinyatakan terjadi perfect atau complete mediation. Jika pengaruh variabel independen terhadap variabel dependen berkurang tetapi masih berbeda dari 0, setelah mengontrol variabel mediator, maka dinyatakan terjadi partial mediation (Kenny., 2008; Preacher and Hayes., 2004)."

    sementara di postingan ini anda menyebut
    "Selanjutnya ditemukan direct effect c’ sebesar 0,169 yang lebih kecil dari c = 0,636. Pengaruh variabel independen citra toko terhadap variabel dependen loyalitas toko berkurang dan tidak signifikan (p-value > 0,05), setelah mengontrol variabel mediator kepuasan toko. Berdasarkan kriteria Baron dan Kenny (1986) maka dapat disimpulkan bahwa hipotesis mediasional terdukung. Dalam hal ini terjadi perfect atau complete mediation. Pengaruh citra toko terhadap loyalitas pada toko sepenuhnya dimediasi oleh kepuasan pada toko."

    jadi sekarang saya bingung. kalo c' lebih kecil dari c apa disebut partian atau perfect mediation?mohon pencerahannya pak.

    terima kasih

    salam hormat,
    Syahuri

    ReplyDelete
    Replies
    1. Dear mas Syahuri...
      Saya pikir tidak ada yang bertentangan pada kedua pernyataan di atas. Jadi harusnya tidak bingung. Perfect/completely mediation terjadi bila direct effect Independent variable pada dependent tidak signifikan. Sementara partial mediation bila direct effect juga signifikant disamping indirect effectnya.
      Demikian.

      Wassalam,
      Jalal

      Delete
  96. Dear Pak Jalal, saya sangat tertarik dengan pembahasan ini, Saya ingin bertanya beberapa hal:
    aya mengutif ini dari web david & kenny terkait causal steps baron & kenny yang masalah menentukan partial atau complete mediation:

    "Note that the steps are stated in terms of 'zero and nonzero coefficients', not in terms of 'statistical significance', as they were in Baron and Kenny (1986). Because trivially small coefficients can be statistically significant with large sample sizes and very large coefficients can be nonsignificant with small sample sizes, the steps should not be defined in terms of statistical significance. Statistical significance is informative, but other information should be part of statistical decision making. For instance, consider the case in which path a is large and b is zero. In this case, c = c' (the reason for this is shown later). It is very possible that the statistical test of c' is not significant (due to the collinearity between X and M), whereas c is statistically significant. Using just significance testing would make it appear that there is complete mediation when in fact there is no mediation at all. "

    Saya menafsirkan bahwa mediasi sempurna dan parsial itu seharusnya dilihat dari koefisien bukan dari signifikan atau tidak signifikannya. Pertanyaan saya:
    1. yang dimaksud dengan zero or non zero coefficient itu koefisien standardized atau undstandardized?

    2. jika boleh salah satunya, berikut ini keluaran dari uji yg saya lakukan, yaitu beta dan pvalue
    a = 0,722 p=0,000
    b = -0,414 p=0,000
    c = -0,407 p=0,000
    c' = -0,108 p=0,399 (tidak signifikan)
    ab = -0,299 p=0,000

    Berdasarkan prinsip2 baron dan kenny, maka padan kasus tsb yang terjadi adalah complete mediation namun jika mempertimbangkan alsan pada web david & kenny, maka ini adalah partial mediation katanya koefisiennya hanya berkurang tapi tidak nol, menurut pak jalal sendiri bagaimana? asumsi manakah yang lebiih tepat?
    3. Saya masih bingung bagaimana ya penjelasannya mengapa pengaruh total lebih tinggi daripada pengaruh indirect (ab=c-c'), sederhananya, kalau pengaruh total tanpa mengontrol (M) saja sudah lebih baik mengapa harus memilih mediasi, atau bagaimana ya sebenarnya interpretasi yang tepat untuk variabel mediasi ini? Bagaimana cara menjelaskan urgensi si variabel mediasi ini?
    4. Kalau ingin melakukan product coef itu yang digunakan standardized atau undstandardized ya Pak? karena saya sering melihat ada yang menggunakan beta ada yang B. Bahkan saya pernah melihat skripsi yang menggunakan beta lalu menghitung besar pengaruh indirect effect dengan mengkuadratkan ab (Rsquare)? Apakah memang bisa seperti itu pak? Apakah itu penting dilakukan? Karena hasilnya kecil sekali...

    Mohon bantuan dan pencerahannya ya Pak.
    Terima Kasih banyak.

    Rahmi

    ReplyDelete
    Replies
    1. Dear mbak Rahmi, maaf bila agak telat tanggapannya. Saya coba bantu ya:
      1. Menurut saya penentuan zero dan nonzero yang tidak berdasarkan pada uji signifikansi adalah sulit. Berapa batasannya bahwa suatu koefisien dikatakan tidak zero bila tidak didasarkan pada uji signifikansi (bahwa koefisien = 0)? Meskipun demikian, kita bisa menguji apakah suatu koefisien lebih besar dari satu cutoff tertentu misalnya 0.30 dengan software tertentu (SPSS kayaknya tidak bisa). Namun itu pun didasarkan pada uji signifikansi (H0: koefisien = 0,30). Jadi tidak selalu terhadap nol. Dan yang dimaksud adalah koefisien unstandardized karena uji signifikansi yang dilaporkan pada semua software adalah untuk unstandardized khususnya menyangkut standard errornya. Saya melihat ketidakkonsistennya Prof. Kenny dalam Web-nya. Bliau menyebut soal Sobel test, Bootstrap yang adalah uji signifikansi indirect effect.
      2. Menurut saya, ini complete mediation, karena c' tidak signifikan. Jadi tidak ada lagi pengaruh langsung X terhadap Y, sepenuhnya dimediasi (melewati) mediator.
      3. Karena total effect = direct + indirect effect. Bila direct dan indirect searah maka seharusnya total > indirect. Rumusan model (termasuk model mediasi) harusnya didasarkan pada teori. Oleh karenanya penjelasan mengapa perlu memperhitungkan mediator harusnya didasarkan pada teori. Secara statistik, misalnya dalam kasus complete mediation, bila kita abaikan mediator maka hasil akan menyesatkan. Kita akan menyimpulkan bahwa X berpengaruh pada Y yang sebenarnya dipengaruhi oleh mediator. Yang tidak akan kita ketahui bila kita mengabaikannya dalam model.
      4. Amannya menggunakan unstandardized karena semua informasi yang dibutuhkan untuk uji signifikansi didasarkan pada unstandardized, misalnya standard error. Saya belum pernah melihat literatur yang menggunakan kuadrat dari ab. Itu bukan koefisien korelasi tapi regresi. Yang biasa dikuadratkan adalah koefisien korelasi.

      Demikian yang saya ketahui. Semoga berkenan.

      Salam,
      Jalal

      Delete
  97. Oh jadi pentingnya mediasi itu kembali pada teori ya Pak. Kalau dari teori-teori sebelumnya dikatakan bahwa X--> Y hubungannya cenderung lemah, oleh karena itu para peneliti berpendapat bahwa X tidak langsung berhubungan dengan Y tetapi melalui M, begitu saja berarti cukup ya Pak?

    Terima kasih banyak Pak Jalal saya sudah lebih mengerti. Oh ya Pak saya ada beberapa pertanyaan lagi:

    1. Preacher and Hayes (2004) SPSS Macro for Simple Mediation itu termasuk bootsrap jadi tidak perlu diuji normalitas ya pak? Maksudnya tidak perlu diuji normalitas ini apakah berlaku untuk semua variabel, misalnya saya juga ada hipotesis untuk pengaruh sendiri2 x ke y, x ke m, itu juga tidak perlu diuji normalitas ya Pak?

    2. Sebenarnya saya membagikan kuesioner secara accidental di sebuah perusahaan (karena tidak punya kerangka sampel) yang sebenarnya kalau mengingat asumsi untuk uji parametrik (regresi) mungkin tidak terpenuhi sebab nonprobability sampling, tetapi bagaimana dengan penelitian2 marketing misalnya yang cenderung menggunakan kuesioner online kan sebenarnya juga nonprobability sampling tetapi bisa melakukan uji parametris, Sebenarnya asumsi untuk kasus seperti ini bagaimana ya pak, apakah cukup dengan uji normalitas?

    3. Satu lagi Pak, agak menyimpang lagi dari topik yang ini, saya masih bingung kalo untuk interpretasi regresi itu sebaiknya yang digunakan Rsquare atau Adjusted Square ya Pak? Salah satu dosen pembimbing saya selalu menganjurkan menggunakan adjusted square, sedangkan dari beberapa jurnal saya lebih sering melihat yg digunakan Rsquare, kalau untuk kasus saya yang ada hipotesis mediasinya lebih baik menggunakan yang mana ya Pak, dan bagaimana alasannya?

    Sebelumnya terima kasih banyak ya pak atas bantuannya,
    Rahmi

    ReplyDelete
    Replies
    1. Ok, ini beberapa jawaban lagi:
      1. Sejauh menyangkut indirect effect (efek mediasi), maka tidak perlu asumsi normalitas pada masing-masing variabel. Penggunaan bootstrap hanya karena menurut literatur, distribusi indirect effect cenderung tidak normal. Jadi tidak bicar soal distribusi masing-masing variabel.
      2. Asumsi normalitas pada dasarnya ditujukan pada alat statistik yang digunakan. Misalnya, regresi mengasumsikan bahwa residual terdistribusi normal. Atau penggunaan Sobel test untuk uji indirect effect yang mengasumsikan indirect effect terdistribusi normal. Tidak peduli apakah sampling probability atau nonprobability.
      3. Sebenarnya hipotesis mediasional tidak didasarkan pada Rsquare/adjRsquare, tetapi pada signifikansi indirect effect. Tapi bila ingin dilaporkan juga, ikuti aja paradigma di institusi mbak Rahmi. Kadang cuma masalah selera juga hehe...mungkin bisa dilihat di sini http://en.wikipedia.org/wiki/Coefficient_of_determination#Adjusted_R2

      Demikian yang saya ketahui.
      Salam,
      Jalal

      Delete
    2. Dear Pak Jalal, menarik pembahasan ini
      Mohon izin Pak.... saya mau bertanya
      Besar pengaruh langsung variabel kualitas pelayanan adalah -0,499 sedangkan besarnya pengaruh tidak langsung dapat diketahui melalui perhitungan, yaitu dengan mengalikan koefisien tidak langsungnya, yaitu (0,933) x (-0,333) = -0,311, sehingga total pengaruh kualitas pelayanan terhadap pemanfaatan ulang adalah sebesar -0,810
      Mohon bantuan Pak, bagaimana cara membuktikan bahwa besar pengaruh -0,810 ini. ?Apakah ada cara membuktikannya misalnya mengacu kepada nilai R nya atau nilai
      R-Squarenya ?

      Terima kasih

      Delete
    3. Dear mas Theo, total effect adalah sama dengan regresi sederhana X thd Y tanpa melibatkan variabel mediator. Jadi kalau itu = -0.810 maka hitungannya sudah tepat.

      Delete
  98. Hallo Pak, saya mau tanya saya salah satu mahasiswa di jakarta yang sedang menjalani skripsi. Menurut dosen pembimbing saya , disarankan skripsi saya menggunakan variasi model variabel mediasi atau moderasi Pak. Hanya saya bingung harus bagaimana , karena pengetahuan saya mengenai mediasi/moderasi hanya sebatas pengertian umu saja Pak. Menurut Bapak bagaimana ya Pak? Jika harus memilih antara mediasi atau moderasi lebih mudah yang mana Pak dalam skripsi saya Pak? Terima Kasih Pak

    Eve

    ReplyDelete
  99. Hallo mbak eve...Sama-sama mudahnya hehe.. Kalau moderasi berarti variabel itu tidak dipengaruhi oleh independen. Dalam model dia tampil sebagai independen (regresor) juga dengan tambahan term interaksi dengan variabel independent utama yang diduga dimoderasi hubungan dengan dependent. Sementara jika dia mediator berarti dia menjadi endogen/dependen juga disamping sebagai independent juga. Sebagai dependen dalam kaitannya dengan independen utama dan sebagai independen bila dikaitkan dengan dependent utama. Jadi modelnya sedikit lebih komplek dibanding dengan dia sebagai moderator. Untungnya ada macro yang tersedia gratis mengestimasinya.
    Demikian.
    Salam,
    Jalal

    ReplyDelete