Uji Moderasi MRA: Kenapa Interaksi Sering Tidak Signifikan

Interaksi yang tidak signifikan di uji moderasi MRA dengan SPSS paling sering terjadi karena sampelnya terlalu kecil untuk efek sekecil itu, bukan karena moderasinya tidak ada. Suku interaksi hampir selalu punya ukuran efek jauh lebih kecil dari efek utama, sehingga pada n = 100 peluang ia lolos signifikan bisa di bawah 20 persen. Artikel ini menunjukkan angkanya, menjelaskan kenapa VIF tiba-tiba meledak setelah suku interaksi masuk, dan cara centering yang benar.

#Kenapa interaksi susah signifikan padahal efek utamanya kuat?

Efek utama menjawab pertanyaan "apakah X memengaruhi Y". Interaksi menjawab pertanyaan yang jauh lebih halus: "apakah besarnya pengaruh X berubah ketika Z naik". Perbedaan kemiringan garis itu biasanya kecil, dan efek kecil butuh sampel besar.

Ukuran efek suku interaksi dihitung dari tambahan R² ketika suku X×Z dimasukkan:

$f^2=\frac{R_2^2-R_1^2}{1-R_2^2}$

$R_1^2$ adalah model tanpa interaksi (X dan Z saja), $R_2^2$ adalah model dengan X, Z, dan X×Z. Tabel berikut menunjukkan daya uji (peluang hasilnya signifikan kalau efeknya memang ada) untuk satu suku interaksi dalam model tiga prediktor, α = 0,05. Angka ini dihitung dari distribusi F nonsentral.

Baca baris ketiga baik-baik. Kalau efek moderasimu f² = 0,01, kuesioner 100 responden hanya punya peluang 17 persen untuk menangkapnya. Artinya, dari setiap enam mahasiswa yang meneliti moderasi yang benar-benar ada dengan ukuran itu, lima akan melaporkan "tidak signifikan".

Ada satu penurun daya lagi yang jarang disadari: reliabilitas suku perkalian lebih rendah dari reliabilitas masing-masing variabelnya. Untuk X dan Z yang sudah di-centering, rumusnya:

${\rho }_{XZ}=\frac{{\rho }_{XX}{\rho }_{ZZ}+r_{XZ}^2}{1+r_{XZ}^2}$

Misalkan Cronbach's alpha X dan Z sama-sama 0,80 dan korelasi keduanya 0,30. Maka ${\rho }_{XZ}=(\mathrm{0,64}+\mathrm{0,09})/\mathrm{1,09}=\mathrm{0,67}$. Dua skala yang "reliabel" menghasilkan suku interaksi yang reliabilitasnya hanya 0,67, dan kesalahan ukur itu menekan koefisien interaksi ke arah nol.

#Contoh: moderasi yang ada, tapi p = 0,315

Supaya tidak abstrak, berikut data simulasi 100 responden dengan skala Likert 1 sampai 5. Data dibangkitkan dengan efek interaksi yang benar-benar ada (koefisien populasi 0,12). Hasil regresinya:

1. Model 1 (X dan Z): $R^2=\mathrm{0,3008}$.
2. Model 2 (X, Z, X×Z): $R^2=\mathrm{0,3081}$.
3. Tambahan R² = 0,0073, sehingga $f^2=\mathrm{0,0073}/(1-\mathrm{0,3081})=\mathrm{0,0106}$.
4. Koefisien interaksi b = 0,171, SE = 0,170, t = 1,009, p = 0,315.

Kesimpulan "variabel Z tidak memoderasi" di sini salah, karena kita tahu moderasinya ada. Yang benar adalah "data ini tidak cukup kuat untuk mendeteksi moderasi". Kalimat kedua jujur, kalimat pertama mengklaim sesuatu yang tidak diuji.

Kalau kamu menghitung kemiringan sederhana (simple slope) dari model yang sama, pengaruh X terhadap Y adalah 0,41 saat Z rendah (rata-rata dikurangi 1 SD) dan 0,59 saat Z tinggi (rata-rata ditambah 1 SD). Arahnya sesuai hipotesis. Hanya saja selisih 0,18 itu belum bisa dibedakan dari kebetulan dengan 100 responden.

#Kenapa VIF melonjak setelah suku interaksi dimasukkan?

Ini kejadian yang membuat banyak mahasiswa panik di bab 4. Model yang tadinya VIF-nya aman tiba-tiba menunjukkan angka puluhan. Pada data contoh di atas, tanpa centering:

Penyebabnya mekanis. Skor Likert semuanya positif dengan rata-rata sekitar 3,5. Ketika X besar, X×Z juga cenderung besar, sehingga korelasi X dengan X×Z pada data contoh mencapai 0,785. Kolinearitas ini disebut multikolinearitas nonesensial, karena ia muncul dari titik nol skala, bukan dari hubungan substantif antarvariabel.

Bagian yang penting: koefisien interaksi, standard error-nya, nilai t, nilai p, dan R² model sama persis sebelum dan sesudah centering. Pada data contoh, b interaksi tetap 0,171 dan p tetap 0,315 di kedua versi. Centering tidak membuat interaksi jadi signifikan, dan VIF tinggi tanpa centering juga tidak membuat uji interaksinya salah. Karena itu VIF tinggi yang khusus disebabkan suku perkalian boleh kamu abaikan, asalkan kamu menuliskan alasannya.

Yang berubah hanyalah koefisien X dan Z. Tanpa centering, b untuk X (−0,066, p = 0,909) berarti pengaruh X ketika Z bernilai nol. Skala Likert 1 sampai 5 tidak punya nilai nol, jadi angka itu menafsirkan titik yang tidak ada. Setelah centering, b untuk X (0,501, p < 0,001) berarti pengaruh X ketika Z berada di rata-ratanya, yang jauh lebih masuk akal. Penjelasan lebih umum soal VIF ada di artikel VIF di atas 10, apa yang harus dilakukan.

#Cara centering yang benar di SPSS

Urutannya pendek, tapi urutan itu yang sering terbalik.

1. Hitung rata-rata X dan Z lewat Analyze, Descriptive Statistics, Descriptives. Catat rata-ratanya (misal X = 3,495 dan Z = 3,305).
2. Transform, Compute Variable: X_c = X - 3.495.
3. Transform, Compute Variable: Z_c = Z - 3.305.
4. Baru setelah itu buat suku interaksi: XZ = X_c * Z_c.
5. Jalankan regresi hierarkis. Block 1 berisi X_c dan Z_c. Block 2 menambahkan XZ. Centang R squared change di Statistics.
6. Baca baris Model 2 di tabel Model Summary (kolom R Square Change dan Sig. F Change) serta baris XZ di tabel Coefficients.

Y tidak perlu di-centering. Variabel dummy (misal jenis kelamin 0/1) juga boleh dibiarkan, asalkan kamu ingat koefisien variabel lain lalu ditafsirkan pada kelompok berkode 0.

#Kesalahan yang sering terjadi di uji MRA

• Membuang efek utama. Model hanya berisi X dan X×Z tanpa Z. Koefisien interaksi menjadi bias karena ia ikut menyerap pengaruh Z. Model moderasi selalu memuat X, Z, dan X×Z bersama-sama.
• Mengkategorikan "moderasi semu" dan "moderasi murni" dari p-value. Klasifikasi ini berangkat dari signifikan atau tidaknya Z dan X×Z, padahal ketidaksignifikanan bisa saja karena daya rendah. Pada data contoh, label "homologiser" atau "bukan moderator" akan terpasang pada moderasi yang sebenarnya ada.
• Menafsirkan b X di model tanpa centering sebagai "pengaruh X". Itu pengaruh X saat Z = 0.
• Memakai uji selisih nilai mutlak sebagai pengganti MRA tanpa alasan teoretis. Uji ini menguji hipotesis yang berbeda, yaitu soal kesesuaian (fit) dua variabel, bukan perubahan kemiringan.
• Menghapus suku interaksi karena VIF tinggi. Ini menghapus hipotesisnya sendiri.
• Membaca Sig. pada tabel ANOVA Model 2 sebagai uji moderasi. Itu uji seluruh model. Yang menguji moderasi adalah Sig. F Change pada Model 2, yang nilainya sama dengan p koefisien XZ.

#Bagaimana menulis hasilnya kalau interaksi tidak signifikan?

Tulis tiga hal: ukuran efek, arah, dan keterbatasan daya. Contoh kalimat untuk data di atas:

"Penambahan suku interaksi meningkatkan R² sebesar 0,007 (f² = 0,011) dan tidak signifikan, b = 0,171, t = 1,01, p = 0,315. Arah interaksi sesuai hipotesis: pengaruh X terhadap Y lebih kuat pada Z tinggi (b = 0,59) dibanding Z rendah (b = 0,41). Dengan n = 100, daya uji untuk efek sebesar ini hanya sekitar 0,17, sehingga hasil ini belum cukup untuk menyimpulkan bahwa Z tidak memoderasi."

Cara menulis pembahasan untuk hipotesis yang tidak terbukti sudah dibahas lebih panjang di hipotesis ditolak, cara menulis pembahasan. Kalau penelitianmu masih di tahap proposal, hitung kebutuhan sampel berdasarkan f² interaksi, bukan f² seluruh model. Rumus sampel yang kamu pakai untuk survei, misalnya dari kalkulator ukuran sampel Slovin, tidak mempertimbangkan daya uji untuk interaksi sama sekali.

Masih ragu apakah variabelmu moderator atau mediator? Baca dulu perbedaan variabel moderasi dan intervening, karena keduanya diuji dengan cara yang berbeda total. Untuk membaca tabel Coefficients dan Model Summary secara umum, lihat cara membaca output regresi SPSS.

#FAQ

#Apakah centering wajib di uji moderasi MRA?

Tidak wajib untuk menguji interaksinya, karena p suku interaksi sama dengan atau tanpa centering. Centering sangat dianjurkan karena membuat koefisien X dan Z bisa ditafsirkan dan menghilangkan VIF tinggi yang membingungkan penguji.

#VIF suku interaksi saya 40. Apakah asumsi klasik gagal?

Kalau VIF itu hanya tinggi pada X, Z, dan X×Z sebelum centering, itu multikolinearitas nonesensial dari skala. Lakukan centering dan laporkan VIF setelahnya. Kalau setelah centering VIF X dan Z masih tinggi, berarti X dan Z memang berkorelasi kuat dan itu masalah yang berbeda.

#Berapa sampel yang cukup untuk uji moderasi?

Tergantung f² yang kamu perkirakan. Untuk f² = 0,02 dengan tiga prediktor, α = 0,05, dan daya 0,80, kebutuhannya sekitar 395 responden. Untuk f² = 0,01, sekitar 787.

#Interaksi tidak signifikan tapi Z signifikan. Apakah Z moderator semu?

Belum tentu. Yang bisa kamu simpulkan hanyalah Z berpengaruh langsung terhadap Y, sedangkan bukti moderasinya tidak cukup. Label moderator semu mengasumsikan interaksinya benar-benar nol, dan itu tidak pernah dibuktikan oleh p > 0,05.

#Boleh pakai nilai signifikansi 0,10 untuk interaksi?

Sebagian literatur metodologi memang menyarankan α yang lebih longgar untuk interaksi karena dayanya rendah. Kalau kamu memakainya, tetapkan sejak proposal dan tulis alasannya di bab metode, bukan setelah melihat p = 0,08.