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)=1.5y’ = 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 x1terpilih karena memiliki korelasi yang kuta dibandingkan variabel X2dan 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)=1.5y’ = 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 x1terpilih karena memiliki korelasi yang kuta dibandingkan variabel X2dan 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 |
0 komentar:
Posting Komentar
Berikan Komentar yang baik dan jangan Spam