Cara Membaca Output Regresi SPSS: Uji t, F, R Square

Output regresi SPSS punya empat tabel, dan cuma dua di antaranya berisi angka yang masuk ke bab 4 skripsimu. Di bawah ini satu output lengkap yang akan dipakai dari awal sampai akhir artikel ini, lalu setiap angka yang kamu butuhkan ditunjuk satu per satu: mana yang jadi persamaan regresi, mana yang menjawab hipotesis, mana yang menjawab kekuatan model, dan mana yang sebaiknya tidak kamu kutip sama sekali.

Contohnya memakai 120 responden dengan tiga variabel bebas: kompensasi, lingkungan kerja, dan motivasi, terhadap kinerja karyawan.

#Tabel mana menjawab pertanyaan mana?

Tabel pertama hampir selalu dilampirkan tanpa perlu. Dia cuma mengulang daftar variabel yang kamu masukkan sendiri ke kotak dialog. Kalau metodenya Enter, tabel itu tidak membawa satu pun informasi baru.

#Model Summary: empat angka, dua yang dipakai

R Square 0,468 berarti ketiga variabel bebas bersama-sama menjelaskan 46,8 persen variasi kinerja karyawan. Sisanya yang 53,2 persen dijelaskan hal lain yang tidak masuk model.

Adjusted R Square 0,454 adalah R Square yang sudah dihukum karena jumlah variabel. Setiap variabel yang kamu tambahkan selalu menaikkan R Square, bahkan variabel acak sekalipun, jadi Adjusted R Square adalah angka yang lebih jujur ketika kamu membandingkan dua model dengan jumlah variabel berbeda.

Untuk pelaporan satu model, kutip R Square dan sebut angkanya sebagai R Square. Untuk membandingkan model, pakai Adjusted R Square. Kalau nilainya terasa kecil, R Square rendah belum tentu masalah menjelaskan kapan 0,468 itu bagus dan kapan justru mencurigakan.

Nilai R sebesar 0,684 jarang dipakai di skripsi. Std. Error of the Estimate 3,214 artinya ramalan modelmu rata-rata melenceng sekitar 3,2 satuan dari nilai sebenarnya, dan angka ini berguna justru di bagian yang paling sering kosong: menilai apakah modelmu cukup teliti untuk dipakai.

#ANOVA: satu baris yang penting

Yang kamu baca cuma F sebesar 34,018 dan Sig. sebesar 0,000. Artinya: secara bersama-sama, ketiga variabel bebas berpengaruh terhadap kinerja. Ini yang di banyak skripsi disebut uji F atau uji simultan.

Perhatikan kolom df. Angka 3 adalah jumlah variabel bebas, dan 116 adalah 120 dikurangi 3 dikurangi 1. Kalau df residual-mu tidak sama dengan jumlah responden dikurangi jumlah variabel bebas dikurangi satu, ada data yang hilang karena jawaban kosong, dan jumlah responden yang kamu tulis di bab 3 tidak sama dengan yang benar-benar dianalisis. Ini pemeriksaan lima detik yang menyelamatkan banyak orang di sidang.

#Coefficients: tabel yang menjawab hipotesismu

Kolom B memberi persamaan regresimu, diambil apa adanya:

Y = 8,214 + 0,412 X1 + 0,087 X2 + 0,356 X3

Baca satu koefisien dengan lengkap supaya polanya jelas. Angka 0,412 pada kompensasi berarti setiap kenaikan satu satuan skor kompensasi diikuti kenaikan 0,412 satuan skor kinerja, dengan syarat lingkungan kerja dan motivasi tetap. Frasa terakhir itu wajib ada, karena itulah yang membedakan koefisien regresi berganda dari korelasi sederhana.

Kolom Sig. menjawab hipotesis per variabel. Kompensasi 0,000 dan motivasi 0,000 berada di bawah 0,05, jadi keduanya berpengaruh signifikan. Lingkungan kerja 0,439 jauh di atas 0,05, jadi hipotesis untuk variabel itu tidak didukung. Tulis apa adanya di bab 5. Hipotesis yang tidak terdukung adalah temuan, bukan kegagalan, dan menjelaskan kenapa bisa begitu justru bagian paling bernilai dari pembahasanmu.

Kolom Beta dipakai hanya untuk satu hal: membandingkan kekuatan antar variabel di model yang sama. Karena satuan B berbeda-beda antar variabel, B tidak bisa dibandingkan langsung. Beta sudah distandarkan, jadi kompensasi dengan Beta 0,352 adalah variabel paling dominan di sini, sedikit di atas motivasi dengan 0,331.

Satu trik pemeriksaan: nilai t selalu sama dengan B dibagi Std. Error. Lihat kompensasi, 0,412 dibagi 0,103 sama dengan 4,000. Lalu motivasi, 0,356 dibagi 0,098 sama dengan 3,633. Kalau kamu menyalin angka dari output ke tabel skripsi dan hubungan ini tidak lagi berlaku, ada angka yang salah salin.

Kolom Tolerance dan VIF bukan bagian dari uji hipotesis. Keduanya ada di tabel ini karena kamu mencentang Collinearity diagnostics, dan cara membacanya dibahas terpisah di VIF di atas 10.

#Angka mana yang benar-benar masuk ke naskah?

Dari seluruh output di atas, yang dikutip di bab 4 cuma ini.

1. R Square 0,468, untuk menyatakan daya jelas model.
2. F 34,018 dengan Sig. 0,000, untuk uji simultan.
3. Nilai B tiap variabel, untuk menyusun persamaan regresi.
4. Nilai t dan Sig. tiap variabel, untuk memutuskan tiap hipotesis.
5. Beta, kalau kamu memang mengklaim satu variabel lebih dominan.

Sisanya masuk lampiran. Tabel skripsi yang memuat delapan kolom untuk empat baris membuat penguji mencari angka yang kamu maksud, dan itu bukan posisi yang kamu inginkan.

#Tiga salah baca yang paling sering terjadi

Membaca Adjusted R Square sebagai R Square. Dua angka ini berdampingan dan bedanya cuma 0,014 di contoh ini, jadi tertukarnya mudah dan akibatnya kecil. Yang jadi masalah adalah kalimatnya: menulis bahwa variabel bebas menjelaskan 45,4 persen variasi sambil menyebutnya R Square membuat penguji bertanya angka mana yang kamu pakai, dan pertanyaan itu membuka pemeriksaan tabel satu per satu.

Menyimpulkan arah pengaruh dari nilai Sig. Nilai Sig. tidak punya tanda. Dia selalu positif dan hanya menjawab apakah ada pengaruh, bukan ke arah mana. Arahnya ada di tanda kolom B. Kalimat seperti nilai Sig. 0,000 menunjukkan pengaruh positif adalah kalimat yang salah secara teknis, dan versi benarnya cuma butuh satu kata tambahan: koefisien B bertanda positif sebesar 0,412 dengan Sig. 0,000, sehingga pengaruhnya positif dan signifikan. Perhatikan juga bahwa Sig. 0,000 bukan berarti nol, melainkan lebih kecil dari 0,0005, jadi penulisan yang lebih tepat adalah p lebih kecil dari 0,001.

Mengklaim pengaruh dari uji F padahal tidak ada uji t yang signifikan. Ini yang paling berbahaya karena kalimatnya terdengar benar. Kalau F-mu signifikan tapi ketiga variabelmu punya Sig. di atas 0,05, kamu tidak boleh menyimpulkan ketiganya berpengaruh secara bersama-sama lalu berhenti di situ. Pola itu adalah gejala klasik multikolinearitas: modelnya secara keseluruhan punya daya jelas, tapi SPSS tidak bisa memisahkan sumbangan masing-masing variabel karena variabel-variabelnya saling meniru. Periksa VIF-nya sebelum menulis apa pun.

#Kalau salah satu asumsinya dilanggar, apa yang berubah di tabel ini?

Tidak ada tabel yang berubah tampilannya, dan itu justru persoalannya. SPSS menampilkan Sig. 0,000 dengan tingkat keyakinan yang sama, baik asumsimu terpenuhi maupun tidak.

Yang perlu kamu ingat: pelanggaran asumsi seperti heteroskedastisitas tidak mengubah kolom B, tapi mengubah Std. Error, dan karena t dihitung dari B dibagi Std. Error, maka kolom t dan Sig. jadi tidak bisa dipercaya. Jadi uji asumsi bukan prosedur formalitas sebelum tabel yang penting. Uji asumsi adalah yang menentukan apakah kolom Sig. di tabel Coefficients boleh kamu baca.

#FAQ

#Nilai Sig. saya 0,052, apakah berarti tidak berpengaruh?

Dengan ambang 0,05, hipotesismu tidak didukung, dan itu yang kamu tulis. Tapi jangan menuliskannya sebagai tidak ada pengaruh sama sekali, karena 0,052 dan 0,048 hampir sama kuatnya sebagai bukti. Rumusan yang tepat: penelitian ini tidak menemukan cukup bukti untuk menyatakan adanya pengaruh pada taraf 5 persen. Sebutkan juga ukuran sampelmu, karena nilai p yang di tepi ambang sering soal daya uji, dan jumlah responden adalah penentu utamanya.

#Kenapa konstanta saya signifikan tapi tidak saya bahas?

Konstanta adalah nilai Y ketika semua variabel bebas bernilai nol. Pada data kuesioner skala 1 sampai 5, skor nol tidak mungkin ada, jadi konstanta 8,214 tidak punya tafsiran nyata. Dia tetap dibutuhkan untuk persamaan regresi, tapi tidak perlu dibahas sebagai temuan dan tidak punya hipotesis.

#Apakah boleh membuang variabel yang tidak signifikan lalu menjalankan ulang?

Boleh secara teknis, tidak disarankan secara ilmiah. Kalau variabel itu punya nomor hipotesis di bab 3, dia harus tetap ada di model bab 4, termasuk ketika hasilnya tidak signifikan. Membuangnya lalu melaporkan model yang tersisa membuat R Square terlihat lebih rapi sambil menyembunyikan temuan yang sebenarnya kamu cari.

#Beta saya negatif tapi korelasinya positif, bagaimana membacanya?

Itu tanda modelmu kesulitan memisahkan variabel. Korelasi sederhana mengukur hubungan dua variabel tanpa mengontrol apa pun, sedangkan koefisien regresi mengukur hubungan dengan variabel lain ditahan tetap. Perbedaan tanda di antara keduanya hampir selalu mengarah ke satu penyebab, yaitu variabel bebasmu saling berkorelasi tinggi.

#Berapa jumlah responden minimum untuk regresi dengan tiga variabel bebas?

Tidak ada satu angka yang berlaku untuk semua, dan aturan praktis yang beredar bervariasi. Yang lebih berguna adalah menghitung kebutuhan sampelmu sebelum mengumpulkan data, bukan sesudahnya, dan kalkulator ukuran sampel bisa dipakai sebagai titik awal. Perhatikan juga df residual di tabel ANOVA, karena di situlah terlihat berapa data yang benar-benar terpakai.

#Apakah semua uji asumsi klasik wajib saya lampirkan?

Lampirkan yang berlaku untuk jenis datamu. Pada data kuesioner lintas-bagian, satu dari paket empat uji yang biasa diwajibkan sebenarnya tidak punya pekerjaan, dan alasannya ada di Durbin-Watson di data kuesioner.