Outliers Evaluasi atas outliers Multicollinearity dan Singularity

3.4.4. Uji Normalitas

Untuk menguji normalitas distribusi data-data yang digunakan dalam analisis, peneliti dapat menggunakan uji-uji statistik. Uji yang paling mudah adalah dengan mengamati skewness value dari data yang digunakan, yang biasanya disajikan dalam statistik diskriptif dari hampir semua program statistik. Nilai statistik untuk menguji normalitas itu disebut z-value yang dihasilkan melalui rumus berikut ini : Bila nilai z lebih besar dari nilai kritis, maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat ditentukan berdasarkan tingkat signifiukasi yag dikehendaki. Misalnya, bila nilai yang dihitung lebih besar dari  2,58 berarti kita dapat menolak asumsi mengenai normalitas dari distribusi pada tingkat 0,01 1. Nilai kritis lainnya yang umum digunakan adalah nilai kritis sebesar  1,96 yang berarti bahwa asumsi normalitas ditolak pada tingkat signifikasi 0.05 5 Sumber Augusty 2002 : 95

3.4.5. Outliers

Outlier adalah obsevasi yang muncul dengan nilai-nilai eksterim baik secara univariat maupun multivariate yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainya. Dapat diadakan treatment khusus pada outliers ini asal diketahui munculnya outlier itu. Outliers pada dasarnya dapat muncul dalam empat kategori. Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.  Pertama, Outlier muncul karena kesalahan prosedur seperti kesalahan dalam memasukkan data atau kesalahan dalam mengkoding data. Misalnya 8 diketik 80 sehingga jauh berbeda dengan nilai-nilai lainnya dalam rentang jawaban responden antara 1-10 jika hal semacam ini lolos maka akan menjadi sebuah nilai ekstrim.  Kedua, outlier dapat muncul karena keadaan yang benar-benar khusus yang memungkinkan profil datanya lain daripada yang lain daripada tetapi peneliti mempunyai penjelasan mengenai penyebab munculnya nilai ekstrim itu.  Ketiga, outlier dapat muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat mengetahui apa penyebabnya atau tidak ada penjelasan mengenai nilai ekstrim itu.  Keempat, outlier dapat muncul dalam range nilai yang ada, tetapi bila dikombinasi dengan varibel lainnya, kombinasinya menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut multivariate outlier.

3.4.6. Evaluasi atas outliers

Menagamati atas z-score variabel: ketentuan diantara +_ 3,0 non outlier Multivariate outlier diukur dengan kriteria jarak mahalanobis pada tingkat p 0,001.Jarak diuji dengan Chi-Square X 2 pada df degrees of Freedom sebesar jumlah variabel bebasnya. Ketentuan : Mahalanobis dari nilai X 2 adalah multivariate outlier.

3.4.7. Multicollinearity dan Singularity

Untuk melihat apakah pada data penelitian terdapat multikolinieritas dan singularitas dalam kombinasi-komninasi variabel, maka perlu mengamati Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber. determinan dari variable kovarian sampelnya. Determinan yang benar-benar kecil mengindikasikan adanya multikolinieritas dan singularitas, sehingga data tidak dapat digunakan untuk analisis yang sedang dilakukan. Augusty 2002 : 108. 3.4.8. Pengujian Hipotesis dan Hubungan Kausal Pengaruh langsung [koefisien jalur] diamati dari bobot regresi terstandar, dengan pengujian signifikansi pembanding nilai CR [Critical Ratio] atau p [probability] yang sama dengan nilai t hitung. Apabila t hitung lebih besar daripada t table berarti pengujian hipotesis kausal berarti signifikan.

3.4.9. Evaluasi Model