R Square Cuma 0,21: Kapan Itu Masalah dan Kapan Tidak

R Square 0,21 pada penelitian perilaku manusia adalah angka yang biasa, dan pada data pengukuran mesin angka itu berarti modelmu gagal. Jadi pertanyaan apakah R square rendah bermasalah tidak bisa dijawab oleh tabel tafsiran mana pun, karena tabel itu tidak tahu kamu sedang meneliti apa. Yang lebih penting: R Square dan signifikansi koefisien menjawab dua pertanyaan yang berbeda, sehingga keduanya bisa menunjuk ke arah berlawanan tanpa satu pun di antaranya salah.

#Tabel tafsiran yang beredar itu untuk apa sebenarnya?

Kamu mungkin pernah menyalin tabel yang membagi nilai 0,00 sampai 0,199 sebagai sangat rendah, 0,20 sampai 0,399 rendah, dan seterusnya sampai sangat kuat. Tabel itu disusun untuk menafsirkan koefisien korelasi, yaitu ukuran kekuatan hubungan antara dua variabel, bukan untuk R Square yang mengukur proporsi variasi yang terjelaskan oleh beberapa variabel sekaligus.

Keduanya bahkan tidak berada di skala yang sama. Korelasi 0,45 menghasilkan R Square sekitar 0,20 pada regresi sederhana. Jadi ketika kamu menafsirkan R Square 0,21 memakai tabel yang dibuat untuk korelasi, kamu sedang menghukum angka itu dua kali.

Masalah yang lebih besar: tabel itu sama sekali tidak mengenal bidang. Dia memberi label yang sama untuk kepuasan kerja dan untuk kuat tekan beton.

#Apa kata konvensi ukuran efek tentang angka 0,21?

Di ilmu sosial ada konvensi ukuran efek yang dipakai luas, dan dia memberi jawaban yang berbeda dari tabel di atas. Konvensi itu mengubah R Square menjadi f kuadrat dengan rumus R Square dibagi satu dikurangi R Square, lalu membandingkannya dengan ambang 0,02 untuk efek kecil, 0,15 untuk sedang, dan 0,35 untuk besar.

Hitung sendiri baris keempat: 0,21 dibagi 0,79 sama dengan 0,266, dan itu berada di atas ambang sedang serta mendekati ambang besar. Jadi dua rujukan yang sama-sama lazim dikutip memberi dua kesimpulan yang bertolak belakang untuk satu angka yang sama. Satu menyebutnya rendah, satu menyebutnya sedang menuju besar.

Yang mana yang kamu pakai bukan soal selera. Konvensi ukuran efek dirancang untuk R Square dan untuk ilmu sosial, sedangkan tabel tingkat hubungan dirancang untuk korelasi tanpa konteks bidang.

#Kenapa R Square rendah wajar pada data manusia?

Karena perilaku punya banyak sebab, dan kuesionermu mengukur beberapa saja.

Ambil penelitian tentang kinerja karyawan dengan tiga variabel bebas. Kinerja seseorang juga dipengaruhi kesehatan, urusan keluarga, kualitas atasan langsung, beban kerja minggu itu, alat kerja yang tersedia, dan kemampuan bawaan. Modelmu tidak mengukur satu pun dari itu. R Square 0,21 berarti tiga variabelmu menjelaskan 21 persen variasi, dan 79 persen sisanya dijelaskan oleh daftar panjang yang memang di luar jangkauan satu kuesioner.

Angka 79 persen itu bukan kegagalan analisis. Dia adalah pernyataan jujur tentang betapa rumitnya manusia.

Bandingkan dengan data fisik. Kalau kamu meregresikan panjang pegas terhadap beban yang digantung, R Square di bawah 0,99 justru menandakan alat ukurmu bermasalah, karena hubungannya memang nyaris pasti. Satu angka, dua dunia yang berbeda.

#Kapan R Square tinggi justru mencurigakan?

Ini sisi yang hampir tidak pernah dibahas, padahal lebih sering jadi temuan penguji daripada R Square rendah. Pada data kuesioner, R Square 0,89 layak dipertanyakan, dan ada tiga penyebab yang biasa.

Pertama, item variabel bebas dan variabel terikatmu menanyakan hal yang hampir sama. Kalau X berisi pernyataan tentang semangat bekerja dan Y berisi pernyataan tentang kesungguhan bekerja, korelasinya tinggi karena kalimatnya mirip, bukan karena ada pengaruh.

Kedua, variabel terikatmu dihitung dari variabel bebasmu. Ini terjadi ketika skor total dipakai sebagai Y sementara komponennya dipakai sebagai X. Hubungannya pasti kuat, karena secara aritmetika memang bagian dari satu kesatuan.

Ketiga, satu orang mengisi seluruh kuesioner dalam satu waktu dengan satu gaya menjawab. Responden yang cenderung memilih angka tinggi akan memilih angka tinggi di semua variabel, dan kemiripan itu masuk ke R Square sebagai kalau-kalau ada pengaruh.

Jadi arah kecurigaan tidak selalu ke bawah. Pada kuesioner, R Square 0,21 biasa saja dan R Square 0,89 perlu dijelaskan.

#R Square dan nilai Sig., kenapa bisa berlawanan?

Keduanya menjawab pertanyaan berbeda, dan memperlakukannya sebagai satu adalah salah baca paling umum pada bab 4.

R Square menjawab seberapa banyak variasi Y yang bisa diramalkan. Nilai Sig. pada koefisien menjawab apakah hubungan antara satu X dan Y cukup kuat buktinya untuk dinyatakan ada. Empat kombinasi berikut semuanya mungkin terjadi.

Baris pertama adalah posisi penelitian skripsi yang paling sering, dan dia sepenuhnya sah. Kamu boleh menulis bahwa kompensasi berpengaruh positif dan signifikan terhadap kinerja, sekaligus menulis bahwa model ini menjelaskan 21 persen variasi kinerja. Dua pernyataan itu tidak bertentangan.

Baris keempat adalah yang perlu kamu waspadai, dan penyebabnya dibahas di VIF di atas 10.

#Kenapa menambah variabel demi menaikkan R Square itu masalah?

Karena R Square tidak pernah turun ketika kamu menambah variabel. Tidak pernah, bahkan ketika variabel yang kamu tambahkan tidak ada hubungannya dengan apa pun. Sifat matematis itu membuat R Square gampang dinaikkan dan karenanya gampang dipalsukan tanpa niat memalsukan.

Tiga akibatnya.

1. Modelmu mulai menghafal sampelmu. Kenaikan R Square dari variabel tambahan sebagian berasal dari derau khas 120 responden itu, yang tidak akan muncul di sampel lain.
2. Adjusted R Square akan membongkarnya. Angka itu menghukum jumlah variabel, jadi ketika R Square naik 0,004 sementara Adjusted R Square turun, variabel barumu merugikan model.
3. Teorimu berubah jadi hiasan. Kalau variabel masuk karena menaikkan angka dan bukan karena ada dasar teori beserta hipotesisnya, bab 2 tidak lagi berhubungan dengan bab 4.

Yang benar: tentukan variabel dari kerangka teori di bab 2, lalu laporkan R Square berapa pun hasilnya.

#Apa yang ditulis kalau R Square-mu 0,21?

Jangan meminta maaf dan jangan mendiamkannya. Pakai angka sisanya sebagai temuan.

Satu susunan yang bekerja: nilai R Square sebesar 0,21 menunjukkan ketiga variabel bebas menjelaskan 21 persen variasi kinerja karyawan, sedangkan 79 persen sisanya dijelaskan faktor di luar model. Besaran ini tergolong wajar pada penelitian perilaku, dan mengacu pada konvensi ukuran efek, nilai f kuadrat sebesar 0,266 termasuk kategori sedang menuju besar.

Lalu satu paragraf berikutnya menyebut faktor apa saja yang mungkin ada di 79 persen itu, sedetail mungkin dan sesuai konteks tempat penelitianmu, bukan daftar umum. Paragraf itu bisa langsung jadi saran untuk penelitian selanjutnya, dan biasanya jadi bagian pembahasan yang paling disukai penguji karena menunjukkan kamu mengerti batas penelitianmu sendiri.

#Kesalahan yang sering terjadi

Menyebut R Square sebagai besarnya pengaruh. R Square adalah proporsi variasi yang terjelaskan, bukan besar pengaruh satu variabel. Besar pengaruh per variabel ada di kolom B dan Beta pada tabel Coefficients, dan urutan membacanya ada di cara membaca output regresi SPSS.

Membandingkan R Square dengan penelitian lain yang variabel terikatnya berbeda. R Square terikat pada Y tertentu di sampel tertentu. Model kinerja dengan R Square 0,21 tidak lebih buruk daripada model niat beli dengan R Square 0,55, karena keduanya meramalkan hal yang berbeda dengan tingkat keteraturan yang berbeda.

Menuliskan R Square sebagai persentase pengaruh gabungan lalu menjumlahkannya dengan angka lain. Nilai 21 persen dan 79 persen sudah berjumlah 100 persen. Tidak ada ruang untuk menambahkan sumbangan per variabel ke dalam penjumlahan yang sama.

Mengabaikan pelanggaran asumsi karena R Square-nya sudah bagus. R Square tinggi tidak melindungi nilai p-mu. Pada heteroskedastisitas, standard error yang keliru membuat kolom Sig. tidak bisa dipercaya berapa pun R Square-nya.

Memakai R Square untuk memilih antara dua model dengan jumlah variabel berbeda. Untuk itu gunakan Adjusted R Square. R Square hampir selalu memilih model dengan variabel lebih banyak, apa pun kualitasnya.

#FAQ

#R Square saya 0,08, apakah skripsi saya bisa lanjut?

Bisa, selama kamu melaporkannya dengan jujur dan koefisienmu bermakna. Nilai 0,08 memberi f kuadrat sekitar 0,087, yaitu antara kecil dan sedang. Yang perlu kamu periksa lebih dulu adalah apakah hubungannya memang lurus, karena R Square rendah juga muncul ketika hubungan yang sebenarnya melengkung dan dipaksa dimodelkan dengan garis lurus.

#Apakah R Square bisa negatif?

Pada regresi linear dengan konstanta, tidak. Kalau kamu melihat nilai negatif, biasanya itu Adjusted R Square, dan dia bisa negatif ketika modelmu praktis tidak menjelaskan apa pun sementara jumlah variabelnya banyak relatif terhadap jumlah responden. Itu isyarat kuat untuk menyederhanakan model.

#Kalau saya tambah responden, apakah R Square naik?

Tidak dengan sendirinya. Menambah responden mempersempit standard error sehingga nilai p bisa jadi signifikan, tapi R Square mencerminkan kekuatan hubungan di populasi, bukan jumlah data. Pada sampel kecil R Square justru cenderung terlalu optimis, jadi menambah responden kadang menurunkannya ke angka yang lebih jujur. Kalau kamu masih merencanakan pengumpulan data, hitung kebutuhannya lewat kalkulator ukuran sampel.

#Penguji bilang R Square saya terlalu kecil. Bagaimana menjawabnya?

Jawab dengan dua hal yang bisa ditunjuk. Pertama, konversi ke ukuran efek, misalnya R Square 0,21 memberi f kuadrat 0,266 yang termasuk sedang menuju besar pada konvensi ilmu sosial. Kedua, sebutkan faktor di luar model yang masuk akal untuk konteks penelitianmu. Yang tidak bisa dipertahankan adalah menambah variabel setelah melihat hasil demi menaikkan angkanya.

#Mana yang dilaporkan di abstrak, R Square atau Adjusted R Square?

Untuk satu model, laporkan R Square dan sebutkan namanya dengan benar. Adjusted R Square dilaporkan ketika kamu membandingkan beberapa model. Yang tidak boleh adalah mengutip angka Adjusted R Square sambil menyebutnya R Square, karena penguji yang membuka lampiran akan menemukan dua angka berbeda dan bertanya mana yang kamu pakai.