Penelitianmu Pakai Analisis Regresi Linier? Ini Asumsi Yang Harus Dipahami
Regresi linier telah banyak sekali digunakan untuk menganalisis data hasil penelitian. Ketika peneliti ingin mengetahui pengaruh suatu variabel terhadap variabel lainnya, peneliti dapat memilih untuk menggunakan analisis regresi linier.
Dalam analisis regresi linier, tentu kita tidak asing dengan istilah regresi linier sederhana dan regresi linier berganda. Perbedaan di antara keduanya adalah terletak pada jumlah variabel bebasnya.
Pada regresi linier sederhana hanya terdiri dari satu variabel bebas dan satu variabel terikat. Sementara itu pada regresi linier berganda terdiri dari dua atau lebih variabel bebas dan satu variabel terikat.Namun demikian, ketika dalam sebuah penelitian diputuskan untuk menganalisis pengaruh variabel bebas terhadap variabel terikat, tidak semuanya dapat menggunakan regresi linier berganda metode kuadrat terkecil.
Dalam analisis regresi linier dengan metode ordinary least square atau kuadrat terkecil, terdapat beberapa asumsi yang harus dipenuhi. Mengingat banyaknya peneliti yang menggunakan regresi linier metode OLS, maka pada kesempatan ini saya akan mengulas asumsi-asumsi yang perlu dipahami ketika seorang peneliti memilih untuk menggunakan uji regresi linier tersebut.
Skala Pengukuran Data Interval dan Rasio
Dalam analisis regresi linier dengan metode ordinary least square, disarankan skala pengukuran datanya menggunakan skala data interval atau rasio. Apa itu skala pengukuran interval dan rasio?Berdasarkan skala pengukurannya, skala data dapat dibagi menjadi 4 yaitu skala nominal, skala ordinal, skala interval, dan skala rasio. Pada variabel yang diukur dengan skala interval dan skala rasio termasuk ke dalam variabel parametrik.
Pada data yang diukur dengan skala interval memiliki karakteristik dapat langsung diperoleh nilai numerik dengan skala tertentu, namun belum memiliki nilai nol mutlak. Contohnya adalah data nilai ujian, suhu, dan lainnya.
Sementara itu pada skala data rasio sudah memiliki nol mutlak. Contohnya data produksi, profit, penggunaan pupuk, jumlah bibit, dan lainnya.
Jadi, jika dalam penelitian variabel diukur dalam skala interval atau rasio, maka peneliti sudah tepat untuk memilih menggunakan regresi linier metode OLS. Namun demikian, peneliti perlu juga melakukan serangkaian ujian asumsi agar hasil estimasi tidak bias.
Tidak Memaksakan Regresi OLS, Jika Skala Pengukuran Data Nominal dan Ordinal
Pertanyaan selanjutnya, apakah boleh jika skala pengukuran nominal dan ordinal memakai regresi linier metode OLS?Sebelum menjawab pertanyaan tersebut, mari kita bedakan dan pahami apa itu perbedaan skala data nominal dan ordinal. Variabel yang diukur dalam skala data nominal dan ordinal merupakan variabel non parametrik.
Pada variabel non parametrik, variabel yang diukur tidak langsung diperoleh nilai numerik. Contohnya, ketika peneliti mengamati variabel motivasi, tentu untuk mengukur variabel motivasi tidak bisa langsung diperoleh nilai numeriknya.
Oleh karena itu, peneliti perlu membuat suatu instrumen pengukuran yang merepresentasikan variabel motivasi. Misalnya peneliti dapat menggunakan skala likert melalui jumlah item pernyataan yang merepresentasikan variabel motivasi.
Pengukuran variabel dengan skala likert ini, menggunakan skala pengukuran ordinal. Variabel yang diukur dalam skala ordinal dicirikan dengan kategorisasi variabel dimana pada masing-masing kategori tersebut terdapat tingkatan.
Sementara itu pada skala nominal, kategorisasinya hanya membedakan saja tanpa ada tingkatan. Contoh skala nominal yaitu jenis kelamin, jenis pekerjaan, dan lainnya. Sementara itu contoh skala ordinal yaitu tingkat pendidikan, motivasi, kompetensi, dan variabel lain yang diukur menggunakan skala likert.
Berdasarkan skala datanya, variabel yang diukur menggunakan skala nominal dan ordinal umumnya akan sulit untuk memenuhi uji asumsi regresi metode OLS.
Oleh karena itu, peneliti tidak perlu memaksakan menggunakan regresi linier metode OLS untuk variabel non parametrik. Peneliti dapat memilih uji alternatif lain yang memang dikhususkan untuk menguji pada variabel-variabel non parametrik.
Perlu Melakukan Uji Asumsi Klasik Agar Hasil Estimasi Tidak Bias
Seperti yang sudah saya singgung sebelumnya, pada uji regresi linier dengan metode ordinary least square, terdapat beberapa asumsi yang harus dipenuhi. Uji asumsi ini ditujukan untuk menghasilkan best linier unbiased estimator (BLUE).
Selanjutnya, uji asumsi apa saja yang harus dilakukan oleh peneliti ketika menggunakan regresi linier metode OLS? Sebetulnya jika membaca buku ekonometrika dasar, di sana dijelaskan secara rinci asumsi pada regresi linier metode OLS.
Dari serangkaian asumsi tersebut, setidaknya uji asumsi minimal yang dapat dilakukan oleh peneliti adalah uji normalitas, multikolinieritas, heteroskedastisitas, linealitas, dan autokorelasi.
Uji asumsi tersebut bisa saja berbeda untuk regresi linier sederhana dan regresi linier berganda. Selain itu, pada data cross section dan data time series, juga ada sedikit perbedaan mengenai uji asumsi yang harus dilakukan oleh peneliti.
Uji asumsi Data Cross-Section dan Time Series, Ada Sedikit Perbedaan
Pada data cross section, peneliti tidak perlu melakukan uji asumsi autokorelasi. Sementara itu, pada data time series peneliti harus melakukan uji autokorelasi.Pertanyaan selanjutnya, apa perbedaan antara data cross section dan data time series? Data cross section sering disebut dengan data kerat Lintang. Data ini adalah data yang diukur dalam satu periode waktu dengan beberapa objek, contohnya data produksi padi pada 100 orang petani di suatu wilayah.
Jika peneliti mengumpulkan data survei, maka peneliti disebut menggunakan data cross section. Sementara itu, untuk data time series disebut dengan data runut waktu.
Pada data time series objek hanya satu namun diukur dalam beberapa periode waktu yang berbeda. Contohnya, data konsumsi daging dari tahun 2000 sampai dengan tahun 2020.
Setelah memahami perbedaan keduanya, maka peneliti ketika menggunakan data time series, maka perlu menambahkan uji asumsi non autokorelasi. Sebaliknya jika menggunakan data cross section, maka peneliti tidak perlu melakukan uji autokorelasi.
Pada Regresi Linier Sederhana Tidak Perlu Uji Asumsi Non-Multikolinieritas
Hal penting selanjutnya yang perlu diperhatikan oleh peneliti dalam pemilihan uji asumsi pada regresi metode OLS adalah uji multikolinieritas.Apa itu uji multikolinieritas? Uji multikolinieritas ditujukan untuk mengetahui apakah ada korelasi yang sangat kuat antara variabel bebas. Asumsi yang diharapkan pada uji ini adalah tidak ada korelasi yang kuat antar variabel bebas (non multikolinieritas).
Hal yang harus dipahami, pada regresi linier sederhana hanya terdiri dari satu variabel bebas. Oleh karena itu, pada regresi linier sederhana tidak perlu dilakukan uji multikolinieritas.
Sebaliknya pada regresi linier berganda terdiri dari dua atau lebih variabel bebas. Oleh karena itu perlu dilakukan uji multikolinieritas dengan cara mengkorelasikan masing-masing variabel bebas tersebut.
Dengan demikian pada analisis regresi linier berganda, maka peneliti perlu melakukan uji asumsi non multikolinieritas.
Hasil Estimasi Digunakan untuk Uji Hipotesis Statistik
Serangkaian asumsi yang dipersyaratkan pada regresi linier metode OLS perlu dipenuhi oleh peneliti. Hal ini ditujukan agar hasil estimasi dari persamaan tidak bias (best linear unbiassed estimator).Hasil estimasi yang konsisten dan tidak bias, akan menghindari terjadinya kesalahan dalam pengambilan kesimpulan hasil penelitian.
Hasil estimasi regresi linier dapat digunakan peneliti untuk pengujian Hipotesis statistik. Untuk menguji apakah hipotesis nol diterima atau ditolak, peneliti dapat melihat nilai probabilitas alpha.
Selain itu peneliti juga dapat membandingkan nilai t-statistics dengan t tabel. Baik, melalui nilai P value tingkat kesalahan maupun membandingkan t-statistics dengan t tabel, akan tetap diperoleh hasil interpretasi yang sama.
Model regresi linier yang baik dapat ditunjukkan juga dengan nilai koefisien determinasi (R squared). Koefisien determinasi menunjukkan kemampuan variabel bebas dalam menjelaskan variabel terikat.
Di samping itu, pada nilai F-statistics, dapat digunakan untuk pengujian Hipotesis pengaruh variabel bebas secara simultan terhadap variabel terikat.
Kesimpulan
Berdasarkan yang sudah saya sampaikan pada paragraf-paragraf sebelumnya, harapannya peneliti sudah memahami apa yang harus dilakukan ketika memilih untuk menggunakan regresi linier metode OLS.Umumnya setiap pilihan uji statistik, akan ada asumsi yang harus dipenuhi agar hasil estimasi tidak bias. Pada regresi linier berganda maupun regresi linier sederhana, peneliti perlu memperhatikan dengan baik persyaratan asumsi yang ada.
Baik, saya rasa sudah cukup untuk penjelasan mengenai uji regresi linier beserta asumsinya yang harus dikuasai oleh peneliti. Semoga artikel ini dapat memberikan wawasan baru bagi pembaca.
Jangan sungkan jika ada hal-hal yang ingin ditanyakan maupun untuk didiskusikan, silakan tinggalkan pada kolom komentar di bawah artikel ini. Semoga artikel ini bermanfaat untuk anda, terima kasih.
Posting Komentar untuk "Penelitianmu Pakai Analisis Regresi Linier? Ini Asumsi Yang Harus Dipahami"