Uji Asumsi Klasik dan Apa yang Dilakukan Kalau Gagal

Uji asumsi klasik dikerjakan setelah modelnya diestimasi, bukan sebelum, karena tiga dari empat ujinya memeriksa residual dan residual baru ada setelah ada model. Hampir semua panduan berhenti di definisi dan kriteria lolos. Yang membuat skripsi macet justru keadaan sebaliknya, yaitu ketika ujinya gagal dan tidak ada satu pun halaman yang memberi tahu langkah berikutnya. Di bawah ini urutan pengerjaannya, lalu pohon keputusan per uji.

#Kenapa P-plot yang dinilai mata sering ditolak penguji

Kalimat titik-titik menyebar di sekitar garis diagonal sehingga data berdistribusi normal adalah kalimat yang paling sering dicoret di ruang sidang, dan alasannya masuk akal.

Pertama, tidak ada ambangnya. Seberapa jauh titik boleh menyimpang sebelum disebut tidak menyebar di sekitar garis? Jawabannya tidak pernah ditulis, sehingga pernyataan itu tidak bisa dibantah dan juga tidak bisa dibuktikan. Kedua, bentuk P-plot pada sampel kecil memang selalu bergelombang di ujung, bahkan untuk data yang benar-benar normal. Penguji yang sudah melihat ratusan plot tahu itu. Ketiga, sebagian skripsi menempelkan plot dari variabel, bukan dari residual, lalu menyebutnya uji normalitas regresi.

Perbaikannya murah. Pasangkan plot dengan satu uji berangka, tulis nilai statistik dan nilai Sig. di teks, lalu sebutkan secara eksplisit bahwa yang diuji adalah residual tak terstandar dari model akhir. Grafik menjadi pendukung, bukan satu-satunya bukti. Latar belakang soal residual ada di yang diuji normal itu residual regresi.

#Urutan pengerjaan yang benar

1. Tetapkan model akhirnya dulu, termasuk variabel kontrol. Setiap kali susunan variabel berubah, seluruh uji residual harus dijalankan ulang.
2. Uji multikolinearitas. Ini satu-satunya yang bisa diperiksa sebelum model dijalankan, karena hanya melibatkan hubungan antar variabel bebas. Kerjakan lebih awal, sebab kalau gagal kamu akan mengubah susunan variabel dan harus mengulang semuanya.
3. Uji linearitas. Kalau bentuk hubungannya memang melengkung, regresi linear salah alat, dan memperbaiki normalitas tidak menolong apa pun.
4. Jalankan regresi, simpan residual tak terstandar lewat tombol Save.
5. Uji normalitas residual.
6. Uji heteroskedastisitas.
7. Uji autokorelasi, tapi hanya kalau datamu berurutan dalam waktu.

Dua langkah pertama sering ditukar posisinya ke belakang. Akibatnya pekerjaan ganda, karena membuang satu variabel karena multikolinearitas membuat residual lama tidak berlaku lagi.

#Multikolinearitas gagal, lalu apa

Urutan pertimbangannya begini.

Lihat dulu variabel mana yang VIF-nya tinggi. Kalau yang bermasalah adalah variabel kontrol dan bukan variabel yang hipotesismu uji, kamu boleh membiarkannya. Multikolinearitas melebarkan selang kepercayaan koefisien yang saling berkait, tetapi tidak membuat ramalan modelnya salah dan tidak mencederai variabel lain yang tidak terlibat.

Kalau yang bermasalah justru dua variabel utamamu, ada tiga jalan. Gabungkan keduanya menjadi satu indeks kalau memang mengukur hal yang sama, misalnya tiga ukuran besaran perusahaan. Buang salah satu dengan alasan teoretis, bukan dengan alasan VIF-nya lebih besar. Atau laporkan keduanya tetap dalam model, sebutkan bahwa koefisien masing-masing tidak bisa ditafsirkan secara terpisah, dan jadikan ini keterbatasan penelitian.

Satu pengecualian yang sering memicu kepanikan tanpa sebab. Kalau modelmu memuat suku interaksi, yaitu perkalian dua variabel, VIF antara suku interaksi dan kedua induknya memang akan tinggi. Itu sifat aritmetika, bukan cacat data, dan biasanya mereda setelah variabel induknya dipusatkan ke rata-rata. Hal yang sama berlaku untuk model yang memuat X dan X kuadrat.

#Heteroskedastisitas gagal, lalu apa

Yang pertama perlu diperiksa adalah bentuk sebarannya di grafik ZPRED melawan SRESID. Pola kipas yang melebar ke kanan punya penanganan berbeda dari pola melengkung. Pola melengkung sebenarnya bukan masalah ragam galat, itu pertanda bentuk hubungannya tidak linear, dan kembali ke uji linearitas.

Untuk pola kipas, jalan yang paling bersih adalah memakai galat baku yang tahan terhadap ketidakseragaman ragam. Koefisienmu tidak berubah, satuannya tetap bisa dibaca, dan hanya nilai Sig. yang disesuaikan. Cek apakah versi SPSS-mu menyediakan pilihan itu pada menu regresi.

Yang sebaiknya dihindari adalah membuang pengamatan dengan residual besar sampai polanya rata. Itu memperbaiki gambar tanpa memperbaiki apa pun, dan jejaknya mudah terbaca dari jumlah sampel yang menyusut tanpa alasan di bab empat. Mentransformasi variabel terikat memang bisa meredakan pola kipas, tetapi ongkosnya adalah tafsiran koefisien yang berubah, dan ongkos itu dibahas di data tidak normal, transformasi atau ganti uji.

#Normalitas residual gagal, lalu apa

Jangan langsung bertindak, timbang dulu ukuran sampelmu. Pada sampel besar, uji normalitas menolak karena simpangan sepele, sementara akibat pelanggaran ringan terhadap nilai p justru kecil. Pada sampel kecil keadaannya terbalik, jadi penolakan di sana lebih perlu ditanggapi.

Periksa juga apakah penolakannya datang dari beberapa kasus yang jauh di ujung, bukan dari bentuk sebaran secara keseluruhan. Kalau penyebabnya tiga responden, persoalanmu adalah kasus pencilan dan bukan normalitas. Pilihan ujinya, kalau Shapiro-Wilk dan Kolmogorov-Smirnov memberi kesimpulan berbeda, dibahas di Shapiro-Wilk atau Kolmogorov-Smirnov.

#Autokorelasi: kapan Durbin-Watson tidak berarti apa-apa

Durbin-Watson mengukur apakah residual satu pengamatan berkaitan dengan residual pengamatan sebelumnya. Kata sebelumnya itu menuntut adanya urutan yang punya makna, dan urutan yang bermakna hanya ada pada data runtun waktu.

Pada data kuesioner yang dikumpulkan sekali waktu, urutan barisnya tidak bermakna apa pun. Responden nomor 15 bukan sebelum responden nomor 16 dalam pengertian apa pun. Buktinya mudah dan bisa kamu coba sendiri: urutkan datamu menurut nama responden, jalankan ulang regresinya, dan nilai Durbin-Watson akan berubah meski tidak satu angka pun di datamu diubah. Statistik yang nilainya bergantung pada cara kamu menyortir baris tidak sedang mengukur sifat populasimu.

Jadi untuk skripsi dengan data kuesioner satu waktu, uji autokorelasi tidak diperlukan. Kalau format kampus mengharuskan tabelnya, tulis nilainya dan beri satu kalimat yang menyebut bahwa data penelitian bukan runtun waktu sehingga uji ini tidak ditafsirkan sebagai bukti. Kalimat itu menunjukkan kamu paham, bukan kamu lupa.

Untuk data runtun waktu, autokorelasi memang serius dan tidak boleh diabaikan. Nilai Durbin-Watson dibandingkan dengan batas dU dan dL dari tabel yang bergantung pada jumlah pengamatan dan jumlah variabel bebas, dan ada wilayah tak berkesimpulan di antara keduanya. Yang berada di wilayah itu dilaporkan apa adanya, bukan dibulatkan ke sisi yang lolos.

#Kapan menghapus outlier jadi manipulasi data

Garisnya satu dan sederhana. Kamu boleh membuang satu kasus kalau alasannya berdiri sendiri tanpa melihat hasil, dan tidak boleh kalau alasannya adalah hasilnya jadi lebih baik.

Alasan yang sah: nilai yang mustahil secara fisik seperti usia 190 tahun, kode yang seharusnya data kosong, responden di luar batasan populasi yang kamu tulis di bab tiga misalnya pegawai dari cabang yang tidak diteliti, atau isian yang jelas tidak serius seperti seluruh pertanyaan dijawab angka yang sama dalam dua menit.

Alasan yang tidak sah: residualnya besar, Sig. normalitas naik setelah ia dihapus, atau grafik heteroskedastisitas jadi rata. Ketiganya adalah akibat yang kamu inginkan, bukan sebab yang bisa dipertanggungjawabkan.

Tiga kebiasaan yang membedakan pembersihan dari manipulasi. Tulis aturannya di bab tiga sebelum melihat hasil, misalnya kasus dengan jarak Cook di atas satu akan diperiksa ulang. Laporkan jumlah sampel sebelum dan sesudah beserta alasan tiap kasus yang dibuang. Dan kalau pembuangan itu mengubah kesimpulan hipotesis, laporkan kedua hasilnya. Kesimpulan yang bergantung pada tiga responden memang tidak sekuat yang tampak, dan membuka fakta itu lebih baik daripada menyembunyikannya sampai sidang.

SPSS membantu menemukan kandidatnya lewat tabel Casewise Diagnostics, yang menandai kasus dengan residual terstandar di luar tiga simpangan baku, dan lewat jarak Cook yang bisa disimpan dari tombol Save. Keduanya alat penyaring, bukan alat pemutus. Tanda dari SPSS adalah ajakan untuk memeriksa kuesioner nomor itu, bukan izin untuk menghapusnya.

#Kesalahan yang sering terjadi

1. Menjalankan uji asumsi pada data mentah sebelum model ditetapkan, lalu tidak mengulangnya setelah susunan variabel direvisi.
2. Melaporkan Durbin-Watson pada data kuesioner satu waktu sebagai bukti bahwa model lolos autokorelasi.
3. Menilai P-plot dan grafik sebar hanya dengan mata, tanpa satu pun angka pendamping.
4. Menguji normalitas pada variabel, bukan pada residual, lalu mentransformasi variabel yang gagal.
5. Membuang pencilan sampai semua tabel lolos, lalu melaporkan jumlah sampel akhir seolah itulah jumlah yang terkumpul sejak awal.
6. Menyatakan multikolinearitas sebagai kegagalan fatal padahal yang bermasalah suku interaksi atau variabel kontrol.

#FAQ

#Uji asumsi klasik dijalankan sebelum atau sesudah uji hipotesis?

Sesudah model diestimasi, tapi sebelum kamu menafsirkan nilai Sig. uji hipotesis. Secara teknis kamu menjalankan regresinya dulu untuk mendapat residual, lalu menguji asumsinya, baru kemudian membaca tabel Coefficients sebagai dasar kesimpulan.

#Kalau satu asumsi gagal, apakah seluruh regresinya tidak bisa dipakai?

Tidak. Tiap asumsi menjaga hal yang berbeda, dan akibat kegagalannya pun berbeda. Yang penting kamu menyebutkan asumsi mana yang gagal, apa akibatnya bagi tafsiranmu, dan langkah apa yang kamu ambil.

#Berapa VIF yang dianggap bermasalah, 5 atau 10?

Keduanya dipakai di literatur dan tidak satu pun berasal dari pembuktian matematis. Pilih satu, sebut di bab tiga, lalu pakai konsisten untuk semua variabel. Yang keliru adalah berpindah dari 5 ke 10 setelah melihat ada variabel yang tidak lolos.

#Uji linearitas sering dilewati, apakah penting?

Paling penting, justru. Kalau hubungannya melengkung, seluruh koefisien linearmu menggambarkan bentuk yang salah, dan tidak ada uji asumsi lain yang bisa memperbaikinya.

#Apakah jumlah sampel mempengaruhi hasil uji asumsi?

Sangat. Sampel besar membuat uji normalitas dan heteroskedastisitas menolak karena hal sepele, sementara sampel kecil membuat semuanya terlihat lolos karena ujinya kurang bertenaga. Hitungan derajat kebebasan yang ikut berubah ada di menentukan r tabel dan t tabel.

#Bagian ini masuk bab tiga atau bab empat?

Aturan dan kriterianya di bab tiga, hasil dan tindakannya di bab empat. Menuliskan kriteria lebih dulu adalah cara termurah membuktikan kamu tidak memilih ambang setelah melihat angkanya. Gambaran susunan bab secara keseluruhan ada di panduan skripsi dari nol.