Fenomena yang
menarik penelitian keperawatan biasanya kompleks, kecemasan pasien pre
operatif, efektifitas perawat dalam mengawasi pasien ketakutan pasien kanker,
atau peningkatan suhu pasien secara mendadak adalah gejala yang mempunyai
berbagai segi dan faktor penentu. Pada fenomena ini, dua variabel tidak cukup
untuk menjelaskan faktor-faktor tersebut. Pada pendekatan klasik yang terdiri
dari 1 variabel bebas dan 1 variabel terlihat terus meningkat digantikan oleh
prosedur multivariat yang canggih.
Pengunaan analisa
multivariat telah meningkat karena komputer telah lebih mudah diperoleh bagi
para peneliti dan ahli statistik. Uji statistik ini memungkinkan para peneliti
untuk memeriksa berbagai faktor pada waktu yang bersamaan. Analisa multivariat
memungkinkan pemeriksaan lebih dari satu variabel terikat atau variabel bebas.
Tidaklah tepat untuk menggunakan analisa univariat yang
terpisah untuk memeriksa kepuasan pasien dan ketakutan sehubungan dengan
keselamatan (survival), karena sepanjang dua variabel terikat ini berhubungan,
analisa terpisah meningkatkan peluang perbedaan temuan riset yang dihasilkan
dari sejumlah tes yang digunakan.
A. MULTIPLE REGRESI KORELASI
Analisa multiple regresi adalah suatu metode yang
digunakan untuk memahami efek dua atau lebih variabel bebas terhadap satu
variabel terikat.
Contoh : Perawat peneliti mungkin
ingin menggunakan, beberapa kriteria seperti : tingkat depresi, tingkat
kecemasan dan perhatian mengenai keselamatan (survival), untuk meramalkan
kepuasan pasien terhadap pengalaman di RS.
Dengan menggunakan multiple regresi, tiga variabel yaitu
tingkat depresi, tingkat kecemasan dan perhatian tentang keselamatan dapat
digabung untuk meramalkan tingkat kepuasan pasien.
Untuk memahami analisa multiple regresi terlebih dahulu
kita perlu mengetahui regresi linier sederhana dan multiple linear regresi.
1.
Regersi Linier Sederhana
Dalam regresi sederhana satu variabel
bebas (x) digunakan untku meramalkan 1 variabel terikat (y)
Contoh : Meramalkan tingginya tekanan darah berdasarkan
umur
Yang penting, semakin tinggi korelasi
antara 2 variabel, maka semakin tepat prediksi yang dibuat. Korelasi yang
sempurna ditandai dengan nilai r = 1, sehingga rumus dasar regersi linier
adalah :
Y’ = a + bX
Dimana : y’ = Ramalan terhadap nilai variabel Y
a = Nilai konstan yang mempengaruhi
b = Koefisien regresi
X = Nilai nyata variabel X
Karena sebagian besar variabel
korelasinya tidak sempurna, maka kebanyakan prediksi yang dibuat melalui
analisa regresi tidak sempurna, koefisien korelasi ( r ) adalah angka yang
menyatakan eratnya hubungan antara variabel-variabel itu.
Contoh perhitungan regresi linier sederhana
|
X
|
Y
|
x
|
x2
|
y
|
y2
|
xy
|
Y’
|
|
1
3
5
7
 9 |
2
6
4
8
10 |
-4
-2
0
2
4
|
16
4
0
4
16
40
|
-4
0
-2
2
4
|
16
0
4
4
16
40
|
16
0
0
4
16
36
|
2.4
4.2
6.0
7.8
9.6
|
r = 90
b = 
a = Y - b
= 6.0-(.9)=1.5
= 6.0-(.9)=1.5
y’ = a + bX
y’ = 1.5 + 9.x
kesimpulan :
Kalkulasi ini menguatkan pernyataan bahwa korelasi yang kuat antara variabel
maka makin baik prediksi yang dihasilkan
2.
Multiple Linier Regresi
Karena korelasi
antara 2 variabel jarang sempurna maka sering dicoba untuk meningkatkan
kemampaun seseorang untuk meramalkan nilai Y dengan lebih dari 1 nilai X.
Berdasarkan pengembangan dari rumus linier regresi
sederhana, maka rumus dasar multiple regresi adalah :
Y’ = a + b1x1 + b2X2
+ …….. bkXk
Dimana : y’ =
Ramalah terhadap nilai variabel Y
a
= Nilai konstan yang mempengaruhi
k = Jumlah prediksi dari variabel
bebas
b1
– bk = koefisien regresi untuk k variabel
X1-Xk = skor atau nilai berdasarkan k
variabel bebas
Ketika banyaknya jumlah prediksi dari variabel bebas
lebih dari 2, perhitungan menjadi kompleks dan perlu banyak tenaga. Oleh karena
itu, pembahasan ini dibatasi pada hipotesis, bukan memecahkan contoh.
 |
|||
|
|||
Langkah-langkah multiple regresi
Prinsip dasar langkah
multiple regresi digambarkan sebagai berikut : |
|||||
 |
|||||
 |
|||||
STEP 1 STEP
2 STEP 3
Kuatnya
korelasi digambar oleh luasnya daerah yang diarsir variabel x1
terpilih karena memiliki korelasi yang kuta dibandingkan variabel X2
dan x3. Daerah yang menjadi arsiran oleh variabel pertama tidak
dimasukkan pada daerah arsiran variabel berikutnya.
B. ANALISA KOVARIANS
1.
Definisi
Analisa kovarians atau analysis of covariance (ANCOVA)
adalah suatu uji statistik inferensial yang memungkinkan para peneliti untuk
menyesuaikan secara statistik perbedaan-perbedaan kelompok yang mungkin
mempengaruhi denagn memperoleh hasil-hasil yang berhubungan dengan, secara
khusus dengan efek-efek variabel bebas terhadap variabel terikat
Contoh :
Sekelompok perawat peneliti merancang suatu studi untuk memeriksa
efek pada perawatan institusional versus perawatan rumah terhadap tingkat
kepuasan pasien terminal ; laki-laki dan perempuan. Tim peneliti menyetujui
bahwa sikap pasien tingkat kepuasan. Tiga hipotesa nol dirumuskan :
-
Tidak terdapat perbedaan dalam
kepuasan pasien antara perawat institusional dan perawatan rumah
-
Tidak ada perbedaan kepuasan
pasien antara pria dan wanita
-
Tidak ada insteraksi antara
perlakuan dan jenis kelamin
2.
Penggunaan ANCOVA
ANCOVA sering digunakan untuk mempelajari kelompok yang
belum disusun secara acak tetapi ada secara alami, seperti penghuni yang tinggal
di nursing home atau dirawat dalam perawatan akut rumah sakit. Meskipun
penggunaan ANCOVA dengan identifikasi kovariansi membantu dalam mengarangi
efek-efek variabel yang tidak dikontrol dalam studi, tapi desain tidak dapat
dilakukan randomisasi. Bahkan, pada waktu beberapa kovarian diindentifikasi
seperti usia, sikap atau perbagai faktor lingkungan, kelompok-kelompok tidak
dianggap sama seperti bila anggotanya disusun secara acak.
3.
Porsedur ANCOVA
Prosedur ANCOVA
digambarkan dalam bagian sebagai berikut : |
|||
 |
STEP 1 STEP 2
Langkah analisa ANCOVA dibagi dalam 2 komponen :
1.
Variabilitas yang bisa dihitung
untuk kovariat, sebelum perlakuan
2.
Variabilitas sisa, menunjukkan
hasil yang bermakna antara sebelum dan sesudah perlakuan
C. ANALISA FAKTOR
Analisa faktor prosedur memeriksa multivariat untuk
mengurangi besarnya variabel menjadi lebih kecil, agak lebih memanajemen
pengukuran dna bukan untuk menguji hipotesa.
Kebanyakan analisa faktor terdiri dari 2 tahap terspisah
yaitu :
1.
Penyaringan faktor
Penyaringan faktor merupakan untuk memadatkan variabel
dalam suatu jumlah faktor yang lebih kecil
Contoh : Suatu penelitian yang mempersiapkan 100 likert-type materi yang
mengarah pada pengukuran sikap wanita terhadap menopause. Materi tersebut
dibuat ke dalam skala untuk menggabungkan score dari beberapa materi individu.
2.
Perputaran faktor
Konsep perputaran adalah kompleks. Perputaran miring
menunjukkan bahwa jika konsep dihubungkan, kemudian analisis harus mencerminkan
fakta ini
Faktor skor :
Dalam beberap kasus dimana tujuan utama dari menganalisa
faktor adalah menggambarkan konsep dari pengukuran, analisa mungkin berakhir
pada point ini. Sering kali, meskipun peneliti ingin untuk menggunakan
informasi analisa berikutnya. Sebagai contoh, faktor skor untuk digunakan dalam
analisa berikutnya, sebagai contoh, faktor analisa dari 100 menopause mungkin
mendemonstrasikan bahwa ada 5 prinsip dimensi atau konsep being tapped. Oleh pengurangan
100 variabel menjadi 5 variabel baru, analisa dari perbedaan antara wanita,
premonopause dan post menopause menggunakan seperti t-test atau ANCOVA akan
sangat sederhana.
Beberapa faktor analisa program komputer bisa secara
langsung menghitung tipe faktor skor ini. Faktor skor akan sama dihitung pada
semua responden dan skor ini akan kemudian digunakan dalam analisa
D. TEKNIK MULTIVARIAT
LEAST-SQUARES YANG LAIN
Sebagai tambahan terhadap ANCOVA, ada 3 metode lain yang
diperkenalkan yaitu :
-
Analisa distriminan
-
Korelasi kononik
-
Analisa Perbedaan multivariat
(Multivariate analysis of Variance = MANOVA)
1.
Analisa Diskriminan
Analisa diskriminan membuat prediksi anggota suaut
kategori, tujuannya untuk membuat ciri satu kelompok dengan yang lainnya
berdasarkan variabel bebas yang tersedia. Contohnya : kelompok ibu kehamilan
normal dengan kelompok keguguran. Peneliti mulai dari data subjek anggota
kategori yang diketahui
Analisa diskriminan yang digunakan untuk meramalkan
anggota 2 kelompok relatif lebih sederhana dan sama dengan multipel regresi.
2.
Korelasi kanonik
Korelasi kononik adalah teknik multivariat yang paling
umum. Korelasi kanonik meneliti hubungan dua atau lebih variabel bebas dan 2
atau lebih variabel terikat. Korelasi kanonik menggunakan prinsip
least-squares, yang pada dasarnya merupakan gabungan dari dua garis yang
menghubungkan variabel terikat dan variabel babas.
Contoh riset yang memanfaatkan korelasi kanonik tidaklah
umum karena butuh program statistik yang sempurna, namun jika suatu studi
melibatkan beberapa variabel bebas dan terikat maka korelasi kanonik merupakan
metode yang tepat.
3.
Analisa Perbedaan Multivariat
(MANOVA)
MANOVA adalah perluasan dari ANOVA, MANOVA digunakan
untuk statistik yang bersifat percobaan.
Contoh : efek metode latihan (A1 dan A2)
dan lamanya latihan (B1 dan B2) terhadap sistolik dan
diastolik
Teknik MANOVA dapat diperluas dengan ANOVA menjadi
Multivariat Analysis of Covarins (MANOVA)
E. MODEL PENYEBAB
Model penyebab melibatkan pengembangan suatu penjelasan
hipotesa, penyebab suatu peristiwa dan percobaan untuk penjelasan melalui
prosedur statisitk. Model penyebab merupakan suatu topik yang komplek. Disini
akan diuraikan 2 perbedaan model penyebab yaitu :
-
Analisa alur
-
Analisa hubungan struktur
linear (Linear strucktural Relations Analysis = Lisrel)
1.
Analisa alur
Analisa alur bersandar pada berbagai regresi linier,
contoh dari analisa alur adalah sebagai berikut
Dalam analisa alur ada variabel
exogenous dan variabel endogin. Variabel exogenous adalah faktor variabel
penentu di luar model, sedangkan variabel edogen adalah faktor variabel penentu
di dalam model. Dalam contoh ini, variabel exogenous adalah tindakan perawatan
dan tingkat keparahan penyakit. Variabel endogin adalah kapasitas perawatan
diri dan lamanya waktu rawatan di Rumah Sakit.
Dalam analisa
alur hubungan variabel ditentukan oleh anakm panah seperti tingkat keparahan
penyakit secara langsung mempengaruhi lamanya masa rawatan di RS (P42), namun secara
tidak langsung ditengahi oleh kapasitas perawatan diri (Alur P32 dan P43)
Hubungan variabel exogenous ditandai oleh garis melengkung
2.
Analisa LISREL
Ada beberapa kelemahan dari analisa alur, yaitu :
-
Peneliti mengira variabel
diukur tanpa kesalahan padahal kebanyakan ukuran yang digunakan oleh peneliti
perawat berisi derajat tingkat beberapa kesalahan
-
Penyamaan kemunduran yang berbeda
tidak dihubungkan
-
Arus yang menyebabkan dianggap
searah, padahal pada kenyataanya, penyebab dan efek adalah sering timbal balik
Untuk menghindari permasalah ini maka dipahami metode
LISREL. LISREL dapat mengakomodasi kesalahan pengukuran, kesalahan yang
dihubungkan dan mempertimbangkan yang menjadi penyebab timbal balik, corak
LISREL yang menarik adalah dapat digunakan untuk menganalisa model penyebabyang
menyertakan variabel tersembungi. Variabel tersembungi adalah variabel yang
tidak terukur karena abstrak
Ada 2 tahap proses LISREL yaitu :
-
Tahap model pengukuran
-
Tahap model penyamaan
struktural
a.
Tahap model pengukuran
Model pengukuran menetapkan hubungan yang dihipotesakan
diantara variabel tersembunyi dan variabel yang tampak. Suatu keuntungan LISREL
yang utama adalah memungkinkan peneliti melihat hubungan sebab akibat diantara
variabel yang tersembungi itu. Adanya variabel tersembungi mendorong pertanyaan
tentang apakah teori yang dibangun benar-benar melekat pada model penyebab:
Sepanjang tahap model pengukuran, LISREL menguji 3 hal
yaitu :
(1)
Hubungan sebab akibat antara
variabel terukur dan variabel tersembunyi
(2)
Korelasi antara pasangan/bagian
dari variabel tersembunyi
(3)
Korelasi diantara kesalahan
berhubungan dengan variabel yang terukur
Contoh sederhana yang menggambarkan hubungan dua
variabel tersembunyi dapat dilihat dari bagan berikut :
 |
Ada 2 variabel tersembungi yaitu kemampuan kognitif/teori seseorang dan
sukse akademis. Kemampuan teori ditangkap oleh dua indikator yaitu skor tes
kuantitative dan tes verbal. Terminologi kesalahan ditandai oleh garis
melengkung dengan panah ganda yang menghubungkan e1 dan e2.
Hubungan kesalahan pengukuran dapat muncul, sebagai contoh, faktor gugup secara
sistematis dapat menekan nilai kedua tes tersebut. Variabel tersembungi kedua
adalah sukses akademis, yang ditangkap oleh mahasiswa belum bergelar dan
lulusan GPA. Terminologi kesalahan dua variabel tersembunyi dihipotesakan untuk
dihubungkan, jika hipotesa model tidak cocok untuk data studi, maka model
pengukuran perlu ditatapkan dan diuji kembali
b.
Tahap model penyamaan
struktural
Seperti di analisa alur, peneliti harus menetapkan model
penyebab yang teoritis untuk diuji, sebagai contoh, kita bisa menggunakan LISREL
untuk menguji suatu model penyebab dimana kita menghipotesakan bahwa variabel
tersembunyi kemampuan teori menyebabkan variabel tersembunyi sukses akademis
F. PROSEDUR STATISTIK
MULTIVARIAT LAIN
1.
Analisa tabel hidup dan sejarah
Analisa tabel hidup adalah suatu prosedur yang secara
luas digunakan oleh epidemiologis dan peneliti medis yang digunakan untuk
ketika variabel terikat menghadirkan interval antara peristiwa awal dan
peristiwa akhir. Sebagai contoh, anailsa tabel hidup bisa digunakan untuk
meneliti gejala terkait dengan waktu antara keluar dari RS jiwa dengan
pelembagaan kembali. Metodologi analisa sejarah peristiwa berguna untuk
peneliti keperawatan dimasa datang
2.
Regresi Logit
Regresi Logit atau analisa logit adalah suatu prosedur
yang menggunakan penilaian kemungkinan maksimum untuk meneliti hubungan antar
berbagai variabel bebas dan satu variabel terikat yang mutlak. Regresi logit
ini berhubungan penghitungan logaritma. Penghitungannya
G. KOMPUTER DAN MULTIVARIAT
STATISTIK
Analisa multivariat sulit dilakukan tanpa komputer
karena perlu banyak tenaga. Salah satu program yang dapat digunakan yaitu SPSS
(Statistical Package for the Social Sciences)
H. TIPS PENGGUNAAN STATISTIK
MULTIVARIAT
Dengan ketersediaan komputer yang tersebar dan program
mudah di operasikan untuk melakukan analisa statistik, statistik multivariat
terus berkembang secara umum. Beberapa hal penting mengenai statistik
multivariat.
- Komputer yang digunakan untuk mengolah data harus memiliki program analisa multivariat yang sesuai agar komputer tidak salah dalam mengolah data untuk menghindari kesimpulan yang salah tentang hipotesis
- Berhubungan dengan point sebelumnya. ANCOVA adalah teknik yang cukup baik untuk peneliti tanpa melalui pelatihan sebagai pengganti ANOVA dan t-test. ANCOVA relatif lebih mudah dioperasikan melalui komputer dan hasilnya mudah diinterpretasikan
- Salah satu kesulitan dalam penggunaan prosedur multivariat adalah masih sedikitnya perawat praktek atau mahasiswa yang menggunakan dan memahami prosedur tersebut
I.
CONTOH PENELITIAN
TABEL : PANDUAN PEMILIHAN
ANALISA MULTIVARIAT
|
Metode
|
Tujuan
|
Skala Pengukuran Variabel
|
Jumlah Variabel
|
||||
|
IV
|
DV
|
COV
|
IVS
|
DVS
|
COVS
|
||
|
Multiple regresi/korelasi
|
Menguji hubungan antara 2+
IV dan I DV ; untuk memprediksi satu DV dan 2+ IV
|
N.I.R
|
I.R
|
-
|
2+
|
1
|
-
|
|
ANCOVA
|
Untuk menguji perbedaan antara
rata-rata 2 group atau lebih, dengan kontrol untuk 1 covariat atau lebih
|
N
|
I.R
|
N.I.R
|
+1
|
1
|
1+
|
|
MANOVA
|
Untuk menguji perbedaan
antara rata-rata 2 group atau lebih untuk 2+ DV secara simultan
|
N
|
I.R
|
-
|
1+
|
2+
|
-
|
|
MANCOVA
|
Untuk menguji perbedaan
antara rata-rata 2 group atau lebih untuk 2+ DV secara simultan, dengan
kontrol untuk 1 covariat atau lebih
|
N
|
I.R
|
N.I.R
|
1+
|
2+
|
1+
|
|
Analisa Diskriminan
|
Untuk menguji hubungan antara
2+IV dan 1 DV, untuk memprediksi anggota group ; untuk mengklasifikasi kasus
kedalam group
|
N.I.R
|
N
|
-
|
2+
|
1
|
-
|
|
Korelasi kanonik
|
Untuk menguji hubungan
antara 2 set variabel
|
N.I.R
|
N.I.R
|
-
|
2+
|
2+
|
-
|
|
Analisa faktor
|
Untuk menentukan dimensi
dan struktur set variabel
|
-
|
-
|
-
|
-
|
-
|
-
|
|
Regresi Logit
|
Untuk menguji
hubungan antara 2+IV dan 1 DV; untuk
memprediksi kemungkinan peristiwa ; untuk memperkirakan resiko relative
|
N.I.R
|
N
|
-
|
2+
|
1
|
-
|
KETERANGAN :
IV : Independent
variabel
DV : Dependent variabel
COV : Covarian
Skala Pengukuran
N : Nominal
I : Interval
R : Rasio
Tabel : Contoh Penelitian Keperawatan Yang Menggunakan Statistik
Multivariat
|
Pernyataan Penelitian
|
Prosedur Multivariat
|
|
Apa hubungan antara pengaturan posisi tubuh pada dewasa lanjut
dengan kekuatan pergelangan kaki, kekuatan lutut, umur, kesiapsiagaan dan
suasana hati
|
Multiple regresi
|
|
Apa efek program manajemen diri pada pasien asma dewasa
berdasarkan gejala asma dan obstruksi jalan nafas, terhadap pengontrolan
gejala awal dan obstruksi
|
ANCOVA
|
|
Apa struktur dari gejala distres wanita yang hidup dengan kanker
paru
|
Analisa Faktor
|
|
Apa indikasi penggunaan kanker vena sentral prekutaneus yang
digunakan pada neonatus untuk memprediksi sepsis
|
Analisa Diskriminan
|
|
Apa efek pemberian informasi kesiapan diri pada laki-laki yang
baru didiagnosa dengan kanker prostat terhadap deprsi dan kecemasannya
|
MONOVA
|
|
Apa hubungan antara respon ibu dengan respon anak yang menderita
kanker
|
Korelasi kanonik
|
|
Apa hubungan antara tingkat sosial ekonomi yang mendukung konflik
jaringan dengan stres pekerjaan, kepuasan kerja dan hasil kesehatan antara
anggota pemadam kebakaran profesional dan para medis
|
Analisa Alur
|
|
Bagaimana keberhasilan model Price-multer dalam menjelaskan
kepuasan kerja dan organisasi antara dokter dan perawat
|
LISREL
|
|
Apa faktor pencetus kematian pada pasien di ICU
|
Regresi Logit
|
Pengunaan analisa
multivariat telah meningkat karena komputer telah lebih mudah diperoleh bagi
para peneliti dan ahli statistik. Uji statistik ini memungkinkan para peneliti
untuk memeriksa berbagai faktor pada waktu yang bersamaan. Analisa multivariat
memungkinkan pemeriksaan lebih dari satu variabel terikat atau variabel bebas.
Tidaklah tepat untuk menggunakan analisa univariat yang
terpisah untuk memeriksa kepuasan pasien dan ketakutan sehubungan dengan
keselamatan (survival), karena sepanjang dua variabel terikat ini berhubungan,
analisa terpisah meningkatkan peluang perbedaan temuan riset yang dihasilkan
dari sejumlah tes yang digunakan.
A. MULTIPLE REGRESI KORELASI
Analisa multiple regresi adalah suatu metode yang
digunakan untuk memahami efek dua atau lebih variabel bebas terhadap satu
variabel terikat.
Contoh : Perawat peneliti mungkin
ingin menggunakan, beberapa kriteria seperti : tingkat depresi, tingkat
kecemasan dan perhatian mengenai keselamatan (survival), untuk meramalkan
kepuasan pasien terhadap pengalaman di RS.
Dengan menggunakan multiple regresi, tiga variabel yaitu
tingkat depresi, tingkat kecemasan dan perhatian tentang keselamatan dapat
digabung untuk meramalkan tingkat kepuasan pasien.
Untuk memahami analisa multiple regresi terlebih dahulu
kita perlu mengetahui regresi linier sederhana dan multiple linear regresi.
1.
Regersi Linier Sederhana
Dalam regresi sederhana satu variabel
bebas (x) digunakan untku meramalkan 1 variabel terikat (y)
Contoh : Meramalkan tingginya tekanan darah berdasarkan
umur
Yang penting, semakin tinggi korelasi
antara 2 variabel, maka semakin tepat prediksi yang dibuat. Korelasi yang
sempurna ditandai dengan nilai r = 1, sehingga rumus dasar regersi linier
adalah :
Y’ = a + bX
Dimana : y’ = Ramalan terhadap nilai variabel Y
a = Nilai konstan yang mempengaruhi
b = Koefisien regresi
X = Nilai nyata variabel X
Karena sebagian besar variabel
korelasinya tidak sempurna, maka kebanyakan prediksi yang dibuat melalui
analisa regresi tidak sempurna, koefisien korelasi ( r ) adalah angka yang
menyatakan eratnya hubungan antara variabel-variabel itu.
Contoh perhitungan regresi linier sederhana
|
X
|
Y
|
x
|
x2
|
y
|
y2
|
xy
|
Y’
|
|
1
3
5
7
9 |
2
6
4
8
10 |
-4
-2
0
2
4
|
16
4
0
4
16
40
|
-4
0
-2
2
4
|
16
0
4
4
16
40
|
16
0
0
4
16
36
|
2.4
4.2
6.0
7.8
9.6
|
r = 90
b =
a = Y - b= 6.0-(.9)=1.5
= 6.0-(.9)=1.5
y’ = a + bX
y’ = 1.5 + 9.x
kesimpulan :
Kalkulasi ini menguatkan pernyataan bahwa korelasi yang kuat antara variabel
maka makin baik prediksi yang dihasilkan
2.
Multiple Linier Regresi
Karena korelasi
antara 2 variabel jarang sempurna maka sering dicoba untuk meningkatkan
kemampaun seseorang untuk meramalkan nilai Y dengan lebih dari 1 nilai X.
Berdasarkan pengembangan dari rumus linier regresi
sederhana, maka rumus dasar multiple regresi adalah :
Y’ = a + b1x1 + b2X2
+ …….. bkXk
Dimana : y’ =
Ramalah terhadap nilai variabel Y
a
= Nilai konstan yang mempengaruhi
k = Jumlah prediksi dari variabel
bebas
b1
– bk = koefisien regresi untuk k variabel
X1-Xk = skor atau nilai berdasarkan k
variabel bebas
Ketika banyaknya jumlah prediksi dari variabel bebas
lebih dari 2, perhitungan menjadi kompleks dan perlu banyak tenaga. Oleh karena
itu, pembahasan ini dibatasi pada hipotesis, bukan memecahkan contoh.
|
|||
|
|||
Langkah-langkah multiple regresi
Prinsip dasar langkah
multiple regresi digambarkan sebagai berikut : |
|||||
|
|||||
|
|||||
STEP 1 STEP
2 STEP 3
Kuatnya
korelasi digambar oleh luasnya daerah yang diarsir variabel x1
terpilih karena memiliki korelasi yang kuta dibandingkan variabel X2
dan x3. Daerah yang menjadi arsiran oleh variabel pertama tidak
dimasukkan pada daerah arsiran variabel berikutnya.
B. ANALISA KOVARIANS
1.
Definisi
Analisa kovarians atau analysis of covariance (ANCOVA)
adalah suatu uji statistik inferensial yang memungkinkan para peneliti untuk
menyesuaikan secara statistik perbedaan-perbedaan kelompok yang mungkin
mempengaruhi denagn memperoleh hasil-hasil yang berhubungan dengan, secara
khusus dengan efek-efek variabel bebas terhadap variabel terikat
Contoh :
Sekelompok perawat peneliti merancang suatu studi untuk memeriksa
efek pada perawatan institusional versus perawatan rumah terhadap tingkat
kepuasan pasien terminal ; laki-laki dan perempuan. Tim peneliti menyetujui
bahwa sikap pasien tingkat kepuasan. Tiga hipotesa nol dirumuskan :
-
Tidak terdapat perbedaan dalam
kepuasan pasien antara perawat institusional dan perawatan rumah
-
Tidak ada perbedaan kepuasan
pasien antara pria dan wanita
-
Tidak ada insteraksi antara
perlakuan dan jenis kelamin
2.
Penggunaan ANCOVA
ANCOVA sering digunakan untuk mempelajari kelompok yang
belum disusun secara acak tetapi ada secara alami, seperti penghuni yang tinggal
di nursing home atau dirawat dalam perawatan akut rumah sakit. Meskipun
penggunaan ANCOVA dengan identifikasi kovariansi membantu dalam mengarangi
efek-efek variabel yang tidak dikontrol dalam studi, tapi desain tidak dapat
dilakukan randomisasi. Bahkan, pada waktu beberapa kovarian diindentifikasi
seperti usia, sikap atau perbagai faktor lingkungan, kelompok-kelompok tidak
dianggap sama seperti bila anggotanya disusun secara acak.
3.
Porsedur ANCOVA
Prosedur ANCOVA
digambarkan dalam bagian sebagai berikut : |
|||
|
STEP 1 STEP 2
Langkah analisa ANCOVA dibagi dalam 2 komponen :
1.
Variabilitas yang bisa dihitung
untuk kovariat, sebelum perlakuan
2.
Variabilitas sisa, menunjukkan
hasil yang bermakna antara sebelum dan sesudah perlakuan
C. ANALISA FAKTOR
Analisa faktor prosedur memeriksa multivariat untuk
mengurangi besarnya variabel menjadi lebih kecil, agak lebih memanajemen
pengukuran dna bukan untuk menguji hipotesa.
Kebanyakan analisa faktor terdiri dari 2 tahap terspisah
yaitu :
1.
Penyaringan faktor
Penyaringan faktor merupakan untuk memadatkan variabel
dalam suatu jumlah faktor yang lebih kecil
Contoh : Suatu penelitian yang mempersiapkan 100 likert-type materi yang
mengarah pada pengukuran sikap wanita terhadap menopause. Materi tersebut
dibuat ke dalam skala untuk menggabungkan score dari beberapa materi individu.
2.
Perputaran faktor
Konsep perputaran adalah kompleks. Perputaran miring
menunjukkan bahwa jika konsep dihubungkan, kemudian analisis harus mencerminkan
fakta ini
Faktor skor :
Dalam beberap kasus dimana tujuan utama dari menganalisa
faktor adalah menggambarkan konsep dari pengukuran, analisa mungkin berakhir
pada point ini. Sering kali, meskipun peneliti ingin untuk menggunakan
informasi analisa berikutnya. Sebagai contoh, faktor skor untuk digunakan dalam
analisa berikutnya, sebagai contoh, faktor analisa dari 100 menopause mungkin
mendemonstrasikan bahwa ada 5 prinsip dimensi atau konsep being tapped. Oleh pengurangan
100 variabel menjadi 5 variabel baru, analisa dari perbedaan antara wanita,
premonopause dan post menopause menggunakan seperti t-test atau ANCOVA akan
sangat sederhana.
Beberapa faktor analisa program komputer bisa secara
langsung menghitung tipe faktor skor ini. Faktor skor akan sama dihitung pada
semua responden dan skor ini akan kemudian digunakan dalam analisa
D. TEKNIK MULTIVARIAT
LEAST-SQUARES YANG LAIN
Sebagai tambahan terhadap ANCOVA, ada 3 metode lain yang
diperkenalkan yaitu :
-
Analisa distriminan
-
Korelasi kononik
-
Analisa Perbedaan multivariat
(Multivariate analysis of Variance = MANOVA)
1.
Analisa Diskriminan
Analisa diskriminan membuat prediksi anggota suaut
kategori, tujuannya untuk membuat ciri satu kelompok dengan yang lainnya
berdasarkan variabel bebas yang tersedia. Contohnya : kelompok ibu kehamilan
normal dengan kelompok keguguran. Peneliti mulai dari data subjek anggota
kategori yang diketahui
Analisa diskriminan yang digunakan untuk meramalkan
anggota 2 kelompok relatif lebih sederhana dan sama dengan multipel regresi.
2.
Korelasi kanonik
Korelasi kononik adalah teknik multivariat yang paling
umum. Korelasi kanonik meneliti hubungan dua atau lebih variabel bebas dan 2
atau lebih variabel terikat. Korelasi kanonik menggunakan prinsip
least-squares, yang pada dasarnya merupakan gabungan dari dua garis yang
menghubungkan variabel terikat dan variabel babas.
Contoh riset yang memanfaatkan korelasi kanonik tidaklah
umum karena butuh program statistik yang sempurna, namun jika suatu studi
melibatkan beberapa variabel bebas dan terikat maka korelasi kanonik merupakan
metode yang tepat.
3.
Analisa Perbedaan Multivariat
(MANOVA)
MANOVA adalah perluasan dari ANOVA, MANOVA digunakan
untuk statistik yang bersifat percobaan.
Contoh : efek metode latihan (A1 dan A2)
dan lamanya latihan (B1 dan B2) terhadap sistolik dan
diastolik
Teknik MANOVA dapat diperluas dengan ANOVA menjadi
Multivariat Analysis of Covarins (MANOVA)
E. MODEL PENYEBAB
Model penyebab melibatkan pengembangan suatu penjelasan
hipotesa, penyebab suatu peristiwa dan percobaan untuk penjelasan melalui
prosedur statisitk. Model penyebab merupakan suatu topik yang komplek. Disini
akan diuraikan 2 perbedaan model penyebab yaitu :
-
Analisa alur
-
Analisa hubungan struktur
linear (Linear strucktural Relations Analysis = Lisrel)
1.
Analisa alur
Analisa alur bersandar pada berbagai regresi linier,
contoh dari analisa alur adalah sebagai berikut
Dalam analisa alur ada variabel
exogenous dan variabel endogin. Variabel exogenous adalah faktor variabel
penentu di luar model, sedangkan variabel edogen adalah faktor variabel penentu
di dalam model. Dalam contoh ini, variabel exogenous adalah tindakan perawatan
dan tingkat keparahan penyakit. Variabel endogin adalah kapasitas perawatan
diri dan lamanya waktu rawatan di Rumah Sakit.
Dalam analisa
alur hubungan variabel ditentukan oleh anakm panah seperti tingkat keparahan
penyakit secara langsung mempengaruhi lamanya masa rawatan di RS (P42), namun secara
tidak langsung ditengahi oleh kapasitas perawatan diri (Alur P32 dan P43)
Hubungan variabel exogenous ditandai oleh garis melengkung
2.
Analisa LISREL
Ada beberapa kelemahan dari analisa alur, yaitu :
-
Peneliti mengira variabel
diukur tanpa kesalahan padahal kebanyakan ukuran yang digunakan oleh peneliti
perawat berisi derajat tingkat beberapa kesalahan
-
Penyamaan kemunduran yang berbeda
tidak dihubungkan
-
Arus yang menyebabkan dianggap
searah, padahal pada kenyataanya, penyebab dan efek adalah sering timbal balik
Untuk menghindari permasalah ini maka dipahami metode
LISREL. LISREL dapat mengakomodasi kesalahan pengukuran, kesalahan yang
dihubungkan dan mempertimbangkan yang menjadi penyebab timbal balik, corak
LISREL yang menarik adalah dapat digunakan untuk menganalisa model penyebabyang
menyertakan variabel tersembungi. Variabel tersembungi adalah variabel yang
tidak terukur karena abstrak
Ada 2 tahap proses LISREL yaitu :
-
Tahap model pengukuran
-
Tahap model penyamaan
struktural
a.
Tahap model pengukuran
Model pengukuran menetapkan hubungan yang dihipotesakan
diantara variabel tersembunyi dan variabel yang tampak. Suatu keuntungan LISREL
yang utama adalah memungkinkan peneliti melihat hubungan sebab akibat diantara
variabel yang tersembungi itu. Adanya variabel tersembungi mendorong pertanyaan
tentang apakah teori yang dibangun benar-benar melekat pada model penyebab:
Sepanjang tahap model pengukuran, LISREL menguji 3 hal
yaitu :
(1)
Hubungan sebab akibat antara
variabel terukur dan variabel tersembunyi
(2)
Korelasi antara pasangan/bagian
dari variabel tersembunyi
(3)
Korelasi diantara kesalahan
berhubungan dengan variabel yang terukur
Contoh sederhana yang menggambarkan hubungan dua
variabel tersembunyi dapat dilihat dari bagan berikut :
|
Ada 2 variabel tersembungi yaitu kemampuan kognitif/teori seseorang dan
sukse akademis. Kemampuan teori ditangkap oleh dua indikator yaitu skor tes
kuantitative dan tes verbal. Terminologi kesalahan ditandai oleh garis
melengkung dengan panah ganda yang menghubungkan e1 dan e2.
Hubungan kesalahan pengukuran dapat muncul, sebagai contoh, faktor gugup secara
sistematis dapat menekan nilai kedua tes tersebut. Variabel tersembungi kedua
adalah sukses akademis, yang ditangkap oleh mahasiswa belum bergelar dan
lulusan GPA. Terminologi kesalahan dua variabel tersembunyi dihipotesakan untuk
dihubungkan, jika hipotesa model tidak cocok untuk data studi, maka model
pengukuran perlu ditatapkan dan diuji kembali
b.
Tahap model penyamaan
struktural
Seperti di analisa alur, peneliti harus menetapkan model
penyebab yang teoritis untuk diuji, sebagai contoh, kita bisa menggunakan LISREL
untuk menguji suatu model penyebab dimana kita menghipotesakan bahwa variabel
tersembunyi kemampuan teori menyebabkan variabel tersembunyi sukses akademis
F. PROSEDUR STATISTIK
MULTIVARIAT LAIN
1.
Analisa tabel hidup dan sejarah
Analisa tabel hidup adalah suatu prosedur yang secara
luas digunakan oleh epidemiologis dan peneliti medis yang digunakan untuk
ketika variabel terikat menghadirkan interval antara peristiwa awal dan
peristiwa akhir. Sebagai contoh, anailsa tabel hidup bisa digunakan untuk
meneliti gejala terkait dengan waktu antara keluar dari RS jiwa dengan
pelembagaan kembali. Metodologi analisa sejarah peristiwa berguna untuk
peneliti keperawatan dimasa datang
2.
Regresi Logit
Regresi Logit atau analisa logit adalah suatu prosedur
yang menggunakan penilaian kemungkinan maksimum untuk meneliti hubungan antar
berbagai variabel bebas dan satu variabel terikat yang mutlak. Regresi logit
ini berhubungan penghitungan logaritma. Penghitungannya
G. KOMPUTER DAN MULTIVARIAT
STATISTIK
Analisa multivariat sulit dilakukan tanpa komputer
karena perlu banyak tenaga. Salah satu program yang dapat digunakan yaitu SPSS
(Statistical Package for the Social Sciences)
H. TIPS PENGGUNAAN STATISTIK
MULTIVARIAT
Dengan ketersediaan komputer yang tersebar dan program
mudah di operasikan untuk melakukan analisa statistik, statistik multivariat
terus berkembang secara umum. Beberapa hal penting mengenai statistik
multivariat.
- Komputer yang digunakan untuk mengolah data harus memiliki program analisa multivariat yang sesuai agar komputer tidak salah dalam mengolah data untuk menghindari kesimpulan yang salah tentang hipotesis
- Berhubungan dengan point sebelumnya. ANCOVA adalah teknik yang cukup baik untuk peneliti tanpa melalui pelatihan sebagai pengganti ANOVA dan t-test. ANCOVA relatif lebih mudah dioperasikan melalui komputer dan hasilnya mudah diinterpretasikan
- Salah satu kesulitan dalam penggunaan prosedur multivariat adalah masih sedikitnya perawat praktek atau mahasiswa yang menggunakan dan memahami prosedur tersebut
I.
CONTOH PENELITIAN
TABEL : PANDUAN PEMILIHAN
ANALISA MULTIVARIAT
|
Metode
|
Tujuan
|
Skala Pengukuran Variabel
|
Jumlah Variabel
|
||||
|
IV
|
DV
|
COV
|
IVS
|
DVS
|
COVS
|
||
|
Multiple regresi/korelasi
|
Menguji hubungan antara 2+
IV dan I DV ; untuk memprediksi satu DV dan 2+ IV
|
N.I.R
|
I.R
|
-
|
2+
|
1
|
-
|
|
ANCOVA
|
Untuk menguji perbedaan antara
rata-rata 2 group atau lebih, dengan kontrol untuk 1 covariat atau lebih
|
N
|
I.R
|
N.I.R
|
+1
|
1
|
1+
|
|
MANOVA
|
Untuk menguji perbedaan
antara rata-rata 2 group atau lebih untuk 2+ DV secara simultan
|
N
|
I.R
|
-
|
1+
|
2+
|
-
|
|
MANCOVA
|
Untuk menguji perbedaan
antara rata-rata 2 group atau lebih untuk 2+ DV secara simultan, dengan
kontrol untuk 1 covariat atau lebih
|
N
|
I.R
|
N.I.R
|
1+
|
2+
|
1+
|
|
Analisa Diskriminan
|
Untuk menguji hubungan antara
2+IV dan 1 DV, untuk memprediksi anggota group ; untuk mengklasifikasi kasus
kedalam group
|
N.I.R
|
N
|
-
|
2+
|
1
|
-
|
|
Korelasi kanonik
|
Untuk menguji hubungan
antara 2 set variabel
|
N.I.R
|
N.I.R
|
-
|
2+
|
2+
|
-
|
|
Analisa faktor
|
Untuk menentukan dimensi
dan struktur set variabel
|
-
|
-
|
-
|
-
|
-
|
-
|
|
Regresi Logit
|
Untuk menguji
hubungan antara 2+IV dan 1 DV; untuk
memprediksi kemungkinan peristiwa ; untuk memperkirakan resiko relative
|
N.I.R
|
N
|
-
|
2+
|
1
|
-
|
KETERANGAN :
IV : Independent
variabel
DV : Dependent variabel
COV : Covarian
Skala Pengukuran
N : Nominal
I : Interval
R : Rasio
Tabel : Contoh Penelitian Keperawatan Yang Menggunakan Statistik
Multivariat
|
Pernyataan Penelitian
|
Prosedur Multivariat
|
|
Apa hubungan antara pengaturan posisi tubuh pada dewasa lanjut
dengan kekuatan pergelangan kaki, kekuatan lutut, umur, kesiapsiagaan dan
suasana hati
|
Multiple regresi
|
|
Apa efek program manajemen diri pada pasien asma dewasa
berdasarkan gejala asma dan obstruksi jalan nafas, terhadap pengontrolan
gejala awal dan obstruksi
|
ANCOVA
|
|
Apa struktur dari gejala distres wanita yang hidup dengan kanker
paru
|
Analisa Faktor
|
|
Apa indikasi penggunaan kanker vena sentral prekutaneus yang
digunakan pada neonatus untuk memprediksi sepsis
|
Analisa Diskriminan
|
|
Apa efek pemberian informasi kesiapan diri pada laki-laki yang
baru didiagnosa dengan kanker prostat terhadap deprsi dan kecemasannya
|
MONOVA
|
|
Apa hubungan antara respon ibu dengan respon anak yang menderita
kanker
|
Korelasi kanonik
|
|
Apa hubungan antara tingkat sosial ekonomi yang mendukung konflik
jaringan dengan stres pekerjaan, kepuasan kerja dan hasil kesehatan antara
anggota pemadam kebakaran profesional dan para medis
|
Analisa Alur
|
|
Bagaimana keberhasilan model Price-multer dalam menjelaskan
kepuasan kerja dan organisasi antara dokter dan perawat
|
LISREL
|
|
Apa faktor pencetus kematian pada pasien di ICU
|
Regresi Logit
|
Tidak ada komentar:
Posting Komentar