UJI EFEK MEDIASI ANALISIS REGRESI

Mediasi adalah rangkaian hubungan yang dihipotesiskan dimana satu variabel mempengaruhi variabel kedua, pada akhirnya mempengaruhi variabel ketiga. Variabel intervening (M) adalah mediator. Variabel intervening memediasi hubungan antara predictor (X) dengan sebuah variabel outcome.

Jalur a dan b disebut efek langsung. Efek mediasi, dimana X mempengaruhi Y memalui M, disebut efek tidak langsung. Efek tidak langsung menunjukkan proporsi hubungan antara X dan Y yang dimediasi oleh M

Pengujian Mediasi

Baron dan Kenny (1986) mengajukan empat tahap pendekatan dimana beberapa kali regresi dilakukan dan signifikansi koefisien regresi diuji pada setiap tahap. Perhatikan diagram di bawah ini sebagai gambaran (perlu diingat bahwa c’ juga disebut hubungan langsung.

Tahap 1         Lakukan analisis regresi sederhana X terhadap Y untuk menguji jalur c

(Y = B₀ + B₁X)

Tahap 2         Lakukan analisis regresi X terhadap M untuk menguji jalur a

(M = B₀ + B₁M)

Tahap 3         Lakukan analisis regresi M terhadap Y untuk menguji jalur b

(Y = B₀ + B₁M)

Tahap 4         Lakukan analisis regresi berganda X dan M terhadap Y

(Y = B₀ + B₁X + B₂M)

Tujuan tahap 1 sampai 3 adalah untuk menilai hubungan antar variabel yang ada, Jika salah satu atau beberapa hubungan tidak signifikan, peneliti biasanya menyimpulkan bahwa efek mediasi kemungkinan tidak terjadi (walaupun itu tidak selalu benar; Lihat MacKinnon, Fairchild dan Fritz, 2007). Misalkan pada tahap 1 sampai ada hubungan yang signifikan, maka dilanjurkan ke tahap 4. Pada model tahap 4, beberapa bentuk mediasi didukung jika pengaruh M (jalur b) tetap signifikan setelah dikontrol oleh variabel X. Jika variabel X tetap tidak signifikan (misalkan X maupun M signifikan dalam memprediksi Y), maka hasilnya adalah mediasi parsial.

Calculating the indirect effect

The above four-step approach is the general approach many researchers use. There are potential problems with this approach, however. One problem is that we do not ever really test the significance of the indirect pathway—that X affects Y through the compound pathway of a and b. A second problem is that the Barron and Kenny approach tends to miss some true mediation effects (Type II errors; MacKinnon et al., 2007). An alternative, and preferable approach, is to calculate the indirect effect and test it for significance. The regression coefficient for the indirect effect represents the change in Y for every unit change in X that is mediated by M. There are two ways to estimate the indirect coefficient. Judd and Kenny (1981) suggested computing the difference between two regression coefficients. To do this, two regressions are required.

Menghitung Efek Tidak Langsung

Empat tahap di atas merupakan pendekatan umum yang digunakan oleh banyak peneliti. Namun, kemungkinan ada masalah dengan pendekatan tersebut. Salah satu masalahnya adalah kita tidak benar-benar menguji signifikansi hubungan (jalur) tidak langsung – dimana X mempengaruhi Y melalui gabungan jalur a dan b. Masalah kedua adalah bahwa pendekatan Barron dan Kenny cenderung mengabaikan beberapa efek mediasi sebenarnya. Ada sebuah alternative pendekatan  untuk menghitung dan menguji signifikansi efek tidak langsung. Koeifisen regresi efek tidak langsung menunjukkan perubahan nilai Y setiap unit perubahan nilai X yang dimediasi oleh M. Ada dua cara untuk mengestimasi koefisien regresi tidak langsung. Judd dan Kenny (1981) menyarankan untuk menghitung selisih dua koefisien regresi tersebut. Untuk itu diperlukan dua model regresi.

Model 1          Y = B₀ + B₁X + B₂M

Model 2          Y = B₀ + B₁X

Pendekatan tersebut dilakukan dengan cara mengurangi koefisien regresi parsial (B₁) yang diperoleh pada model 1  dengan B₁ model 2. Perlu diketahui bahwa keduanya menunjukkan pengaruh X terhadap Y tetapi koefisien B₁ pada model 1 adalah koefisien yang dihasilkan dari regresi sederhana dan B₁ pada model 2 adalah koefisien regresi parsial dari regresi berganda. Efek tidak langsung adalah selisih dua koefisien tersebut.

An equivalent approach calculates the indirect effect by multiplying two regression coefficients (Sobel, 1982). The two coefficients are obtained from two regression models.

Sebuah pendekatan yang mirip untuk menghitung efek tidak langsung adalah dengan mengalikan dua koefisien regresi tersebut (Sobel, 1982). Dua koefisien diperoleh dari model regresi.

Model 1          Y = B₀ + B₁X + B₂M

Model 2          M = B₀ + B₁X

Statistical tests of the indirect effect

Once the regression coefficient for the indirect effect is calculated, it needs to be tested for significance. There has been considerable controversy about the best way to estimate the standard error used in the significance test, however. There are quite a few approaches to calculation of standard errors.

Uji Statistik Efek Tidak Langsung

Jika koefisien regresi untuk efek tidak langsung sudah dihitung, maka perlu diuji signifikansinya. Namun ada pertentangan tentang cara terbaik untuk mengestimasi standar yang digunakan untuk menguji signifikansinya. Hanya terdapat sedikit pendekatan untuk mengkalkuasi standar eror.

Ada dua pendekatan umum yang digunakan untuk menguji signifikansi efek tidak langsung – pertama melalui metode bootstrap (disebut “nonparametric resampling”) dan metode Monte Carlo (disebut metode “parametric resampling”). Untuk metode bootstrap, software untuk menguji efek tidak langsung pada umumnya menawarkan dua opsi. Opsi pertama merujuk pada bootstrap “persentil”, melibatkan confidence interval menggunakan nilai standar (cutoff value) distribusi sampel tanpa adanya koreksi bias. Yang kedua adalah bootstrap dengan koreksi bias pada estimasi rata-rata dan standar deviasi pada nilai koefisien tidak langsung. Pendekatan Monte Carlo dilakukan dengan cara menghitung efek tidak langsung dan estimasi standar eror untuk koefisien terpisah untuk sampel penuh. Metode resampling kemudian digunakan untuk mengestimasi standar eror efek tidak langsung menggunakan nilai-nilai tersebut. Metode bootstrap koreksi bias bisa saja menghasilkan kesalahan Tipe I yang sedikit lebih tinggi daripada metode persentil (Biesanz, Falk, & Savalei, 2010; Fritz, Taylor, & MacKinnon, 2012).