Regresi pada Aplikasi Lisrel
Bagian ke empat adalah mengenai cara olah data menggunakan
Lisrel untuk regresi berganda. Contoh data SDM (sumber daya manusia), dimana
kita ingin mengetahui persoalan Intrapreneurship (bisa menggunakan sampel/data
lainnya), seperti pada tabulasi data.
Penyimpanan data biasanya saya menggunakan google drive karena fasilitas ini
cukup mudah di gunakan, dapat di ambil di sini dalam bentuk file coba bag4.sav (SPSS).
Data yang anda ambil masih dalam format
SPSS (cara buat data lihat hasil import ke SPSS lihat input data SPSS), selanjutnya disimpan dalam
format PRELIS, save dengan nama coba.psf. Lakukan dengan memisahkan dengan data
lainnya dengan membuat folder khusus dengan nama Lisrel pada drive D:
Contoh data yang ada tentang analisis pengaruh Inovasi (I),
Kreativitas(K), Gagasan(G), terhadap Intrapreneurship(Int), maka kita akan
membuat perintah seperti pada tampilan berikut, cara membuka halaman perintah
bisa dilihat pada pembahasan SEM bagian 3.
Baris pertama merupakan judul analisis data, baris kedua
merupakan perintah agar aplikasi Lisrel membaca data yang disiapkan yang telah di save dalam folder khusus dengan nama Blog Lisrel pada
drive D:\Blog lisrel\coba bag4.psf. Baris ketiga adalah perintah hubungan keterkaitan
antar data yang kita harapkan. Baris kelima adalah perintah path diagram. Baris
terakhir adalah penutup dari semua perintah yang telah di input.
Langkah selanjutnya adalah eksekusi data agar diperoleh
hasil olah data. Caranya sederhana saja, silahkan perhatikan pada tab menu
bagian atas aplikasi lisrel, pada menu bagian atas ada tombol berupa gambar
orang berlari di depan huruf L, arah cursor mouse pada tombol tersebut dan klik
maka hasilnya akan ditampilkan dalam bentuk output. Silahkan simpan dengan nama
coba.out pada folder yang telah ditentukan pada drive D:\. Sebagaimana tampilan
berikut ini :
Tampilan hasil output yang pertama adalah kovarians matriks
dan rata-rata hitung selanjutnya persamaan regresi nya.
Koefisien regresi dapat dilihat pada baris pertama, dibawah
persamaan regresi adalah standart error yang bertanda buka kurung & balas
kurung yang mengukur ketepatan estimasi parameter yang digunakan. Pada baris
ketiga dibawah standar error adalah nilai t-hitung, uji nilai t-hitung
dilakukan dengan membandingkan dengan
nilai t-tabel. Hasilnya berupa kesimpulan tingkat signifikansi koefisien
regresi. Secara teoritis jika nilai t-hitung
> nilai t-tabel maka kesimpulannya adalah ada pengaruh signifikan antar
variable parameter. Silahkan buka tabel t perhatikan jika nilai t-tabel pada α=
5% dan df= 144 adalah 1,65 Dan jika nilai t –tabel pada α= 1 % dan df= 144 adalah 2,35. Berdasarkan hasil tersebut maka variabel I dan K tidak berpengaruh signifikan terhadap INT dan Variabel K berpengaruh signifikan terhadap INT pada level 1%. Dengan angka kontanta sebesar 2,64 (perintah SIMPLIS tidak
dicantumkan label atau lambang contantanya). Persamaan regresi menghasilkan nilai
error variance dan R2 (Rsquare)
Tampilan Kovarians matriks antara varaiabel-varaiabel
independen, antara variable I, K, G, INT kovariansnya berupa variable I dan K
adalah 0.08 Dengan standar error 0.04 Dan nilai t-hitung adalah 1.99 ( signifikan pada
level 1 % sebagai catatan bahwa kovarains antar variable independen yang
standardized merupakan nilai korelasi. Dengan cara yang sama diketahui bahwa
antara variable K dan G adalah 0.11 Dengan standar error 0.04 Dan nilai t-hitung adalah 3.02 Signifikan pada level 1%, demikian juga antara variable I dan G.
Varians I adalah sebesar 0.56 Dengan standar error 0.07 Dan nilai t-hitung adalah 8.49 ( bandingkan dengan t-tabel, maka signifikan pada level 1%) demikian pula variabel K dan G dengan cara pengamatan yang sama signifikan pada level 1 %.
Tampilan berikutnya adalah kovarians matriks variabel laten.
Tampilan ini tetap ada akan data yang di pakai saat ini adalah data observed
bukan variable laten, sehingga tampilan berikut dapat artikan sebagai kovarians
antar variable yang dianalisis. Masih ada tampilan output berikutnya, kita
cukupkan sampai kovarians matriks variabel laten sementara.
Tampilan output ke dua adalah hasil perintah path diagram
yang memberikan nilai estimasi unstandardized. Nilainya sama dengan dengan
output pertama dalam bentuk teks dan nilai pada gambar panah adalah nilai
kovarians antara variable independen.
Pada layar menu terdapat menu model , menu ini terdiri dari
dua pilihan yaitu structural model dan mean model dengan mengklik icon pilihan
disamping belakang menu model. Nilai apada diagram mean model adalah nilai mean
model sama dengan dengan output pertama dalam bentuk teks.
Menu berikut adalah menu estimate dengan pilihan estimate
tampilan seperti tampilan saat ini, pilihannya bisa Standardized Solution
(estimasi standar), Conseptual diagram (diagram berupa konsep tanpa nilai), T
Values (diagram dengan nilai t-hitung), Modification Indices (Diagram
modifikasi dengan nilai satu warna
hitam atau berbeda warna merah hitam) dan Expected change (perubahan
yang diharapkan)
Tampilan warna hitam
merah pada nilai menu model ataupun menu estimate menunjukkan estimasi
paremeter, misal estimasi T-values akan muncul tampilan dimana terdapat nilai
yang berwarna merah dan hitam yang menunjukkan hubungan tingkat signifikan
(default LISREL adalah 5 %), bila berwarna hitam berarti signifikan dan bila
warna merah berarti tidak signifikan.
Demikian pembahasan lisrel bagian ke empat ini, semoga
bermanfaat bagi anda.