jamovi
(GAMLj): Bagian 2Coba kita lakukan inspeksi visual sekali lagi dataset-sekolah.omv
Buat scatterplot dimana mandiri menjadi Y-Axis, sedangkan neu, hi, trust sebagai X-Axis
Kemudian masukkan idsekolah pada kolom Group
Apa yang terjadi?
Intercept neuroticism dan trust ternyata bervariasi di setiap sekolah
Yang menarik, tidak hanya intercept, slope pendapatan personal juga bervariasi di setiap sekolah
Hati-hati ecological fallacy!
Pura-pura ga tahu, kita abaikan saja dan langsung menggunakan regresi OLS, dengan atau tanpa informasi mengenai pengelompokan data sebagai variabel kontrol.
Pura-pura ga tahu, kita abaikan saja dan langsung menggunakan regresi OLS, dengan atau tanpa informasi mengenai pengelompokan data sebagai variabel kontrol.
Gimana kalau pengelompokan (group status) dimasukkan aja dalam regresi OLS sebagai variabel moderator
Pura-pura ga tahu, kita abaikan saja dan langsung menggunakan regresi OLS, dengan atau tanpa informasi mengenai pengelompokan data sebagai variabel kontrol.
Gimana kalau pengelompokan (group status) dimasukkan aja dalam regresi OLS sebagai variabel moderator
Dengan begitu, estimasi standard error disesuaikan dengan menggunakan marginal model
Estimasi standard error akan lebih presisi, tetapi kita tetap tidak bisa mengestimasi between-group variance
Pura-pura ga tahu, kita abaikan saja dan langsung menggunakan regresi OLS, dengan atau tanpa informasi mengenai pengelompokan data sebagai variabel kontrol.
Gimana kalau pengelompokan (group status) dimasukkan aja dalam regresi OLS sebagai variabel moderator
Dengan begitu, estimasi standard error disesuaikan dengan menggunakan marginal model
Estimasi standard error akan lebih presisi, tetapi kita tetap tidak bisa mengestimasi between-group variance
Kalo di agregat? Jadi unit analisis yang tadinya individual, menjadi kelompok.
Pura-pura ga tahu, kita abaikan saja dan langsung menggunakan regresi OLS, dengan atau tanpa informasi mengenai pengelompokan data sebagai variabel kontrol.
Gimana kalau pengelompokan (group status) dimasukkan aja dalam regresi OLS sebagai variabel moderator
Dengan begitu, estimasi standard error disesuaikan dengan menggunakan marginal model
Estimasi standard error akan lebih presisi, tetapi kita tetap tidak bisa mengestimasi between-group variance
Kalo di agregat? Jadi unit analisis yang tadinya individual, menjadi kelompok.
Nilainya positif, maka semakin tinggi intercept akan diasosiasikan dengan kemiringan garis yang lebih curam/slopes yang lebih besar
Misalnya, di sekolah yang rata-rata pendapatan keluarga inti perbulan siswanya tinggi, maka korelasi antara pendapatan per bulan dengan tingkat kemandirian siswa akan menguat.
Nilainya negatif, maka semakin tinggi intercept akan diasosiasikan dengan kemiringan garis yang lebih landai/slopes yang lebih kecil
Misalnya, di sekolah yang rata-rata pendapatan keluarga inti perbulan siswanya tinggi, maka korelasi antara pendapatan per bulan dengan tingkat kemandirian siswa akan melemah.
Fixed intercept (c00)
Fixed slopes (c10)
Varians random intercept (σ2U0)
Varians random slopes (σ2U1)
Kovarians (korelasi) antara random intercept dan random slopes (σU0U1)
Varians residual level-1 (σ2e)
Setelah menginspeksi data secara visual, kita tahu bahwa korelasi antara pendapatan keluarga dengan tingkat kemandirian anak adalah yang paling bervariasi (daripada prediktor yang lainnya). Oleh karena itu, kita akan membuat linear mixed model dengan pendapatan keluarga sebagai prediktor, dan tingkat kemandirian anak sebagai variabel dependen.
Yaitu model yang isinya hanya intercept saja, tidak ada prediktornya (slopes)
Pada menu bar, klik Linear Models, pilih mixed models
Catat nilai AIC yang tersedia dalam tabel model info
Yuk ingat-ingat lagi, AIC fungsinya untuk apa ya? 😕
Masukkan hi dalam kolom covariates
Pada menu random effects, masukkan juga hi|idsekolah, karena kita akan mengestimasi random slopesnya juga
Pada menu covariates scaling, ubah centered menjadi cluster-based centered
Tes kecocokan model (Omnibus Test) tidak signifikan (F(1,3.98)=0.309, p=.608)
Kita tidak punya cukup bukti untuk menolak hipotesis nol, bahwa pendapatan keluarga per bulan dengan kemandirian tidak berkaitan (B=-0.207 95% CI [-0.937, 0.523], SE=0.372, t=-0.556, p=.608).
Menguji efek sekolah (kelompok)
Intra-class correlation, yaitu merupakan proporsi total varians variabel dependen yang dapat dijelaskan oleh variasi antar kelompok
Likelihood ratio test (LRT), yaitu teknik untuk menguji ada/tidaknya perbedaan varians antar-kelompok
Keduanya juga bisa berfungsi sebagai indikator perlu/tidaknya lme
dilakukan
Menguji efek sekolah (kelompok) / (testing group effects)
ICC=0.931, artinya 93.1% varians tingkat kemandirian anak dijelaskan oleh perbedaan kelompok. ICC diatas 0.1 biasanya menunjukkan lme
adalah opsi yang lebih baik daripada OLS.
LRT juga menunjukkan bahwa kita dapat menolak hipotesis bahwa tidak adanya perbedaan varians tingkat kemandirian antar-kelompok (LRT(2)=74.0, p<.001).
AIC
R2 (Nakagawa & Schielzeth, 2012)
Marginal, merupakan proporsi varians variabel dependen yang dapat dijelaskan oleh hanya fixed models saja
Conditional, merupakan proporsi varians variabel dependen yang dapat dijelaskan oleh fixed dan random models sekaligus
Varians tingkat kemandirian anak yang dapat dijelaskan oleh fixed model saja hanya 0.12%, sedangkan yang dapat dijelaskan oleh keseluruhan model adalah 93.18%.
Within-group effect
Between-group effect
Contextual effect
Untuk menghitung contextual effect, kita harus melakukan partitioning terlebih dahulu
Umumnya yang dipartisi/centering adalah variabel X, bukan Y
Group-mean centering
Grand-mean centering
Contextual effect = Between-group effect - Within-group effect
Lakukan lme
dengan memasukkan hi_group_centered dan hi_grand_mean_centered dalam satu model yang sama
Masukkan kedua variabel tersebut dalam fixed coefficients dan random coefficients
Lihat fixed slopes-nya untuk kedua prediktor
Kita tidak punya bukti yang meyakinkan bahwa kita dapat menolak hipotesis bahwa within (B=0.257 95% CI [-0.115, 0.629], SE=0.190, t=1.354, p=.213), maupun between-group effect (B=-0.454 95% CI [-1.207, 0.299], SE=0.384, t=-1.182, p=.315) tidak dapat menjelaskan varians tingkat kemandirian anak.
Contextual effects = -0.711
"...untuk menguji hipotesis bahwa ada perbedaan rerata tingkat kemandirian anak, dan korelasi antara pendapatan keluarga dengan tingkat kemandirian anak di masing-masing sekolah, peneliti melakukan analisis linear mixed effect.
Tingkat kemandirian anak dijelaskan sebagai fungsi dari tingkat pendapatan keluarga, dengan mengontrol asal sekolah (PAUD) anak. Sebelum melakukan analisis, tingkat pendapatan keluarga dipartisi dengan cara menguranginya dengan rata-rata tingkat pendapatan keluarga di masing-masing sekolah (group-mean/cluster-based centering).
Pengujian model menghasilkan kesimpulan bahwa model tidak cocok menggambarkan data (F(1,3.98)=0.309, p=.608), sehingga kami gagal menolak hipotesis bahwa tingkat pendapatan keluarga dan kemandirian anak, tidak berkorelasi. Namun, ada kemungkinan korelasi antara tingkat pendapatan keluarga dan kemandirian anak tidak linier.
Model fixed effects menunjukkan bahwa peneliti tidak punya cukup bukti untuk menolak hipotesis nol, bahwa pendapatan keluarga per bulan dengan kemandirian tidak berkaitan (B=-0.207 95% CI [-0.937, 0.523], SE=0.372, t=-0.556, p=.608).
"...model random effects menunjukkan bahwa peneliti dapat menolak hipotesis bahwa tidak ada perbedaan varians tingkat kemandirian antar-kelompok (LRT(2)=74.0, p<.001). Varians kemandirian anak paling banyak dijelaskan oleh rata-rata tingkat kemandirian anak di masing-masing sekolah (varians random intercept (σ2U0)) daripada oleh varians random slopes (σ2U1). Selain itu, 93.1% varians tingkat kemandirian anak dijelaskan oleh perbedaan kelompok (ICC=0.931).
Peneliti tidak memiliki cukup bukti yang meyakinkan untuk menolak hipotesis yang menyatakan bahwa within (B=0.257 95% CI [-0.115, 0.629], SE=0.190, t=1.354, p=.213), maupun between-group effect (B=-0.454 95% CI [-1.207, 0.299], SE=0.384, t=-1.182, p=.315) tidak dapat menjelaskan varians tingkat kemandirian anak.
Contextual effects ditemukan sebesar -0.711, artinya, anak yang bersekolah di dua tempat yang berbeda, dengan selisih rata-rata tingkat kemandirian anak-anak di dua sekolah tersebut sebesar 1 poin, maka tingkat kemandirian mereka berbeda sebesar -0.711 poin, apabila diasumsikan keluarga mereka memiliki pendapatan yang sama besarnya. Tanda negatif dari contextual effect mengindikasikan bahwa sekolah yang rata-rata pendapatan keluarga siswanya lebih tinggi, cenderung memiliki rata-rata tingkat kemandirian yang rendah..."
Lakukan analisis lme
untuk mengetahui:
Apakah varians tingkat kemandirian anak dapat dijelaskan oleh sekolah tempat anak tersebut belajar?
Apakah varians korelasi antara kecenderungan neuroticism ibu dengan kemandirian anak juga dapat dijelaskan oleh sekolah tempat anak tersebut belajar?
Seberapa besar perbedaan tingkat kemandirian dua orang anak yang berada di sekolah yang berbeda, yang ibunya sama-sama pencemas, apabila rata-rata kecemasan wali murid di dua sekolah tersebut berbeda sebesar 1 poin?
Kalau korelasi antara X dan Y tidak linier, pakai apa dong?
lme
. Alternatifnya, bisa menggunakan generalised additive model (GAM).Kalau prediktornya level-2, bagaimana?
Bisa ga lme
digunakan untuk mengestimasi perubahan Y pada time-series?
Gimana cara merencanakan jumlah sampelnya?
Gimana kalo sampelnya bersarang/berjenjang level-3, bahkan lebih?
Gimana kalo terjadi interaksi antara variabel prediktor level-1 dengan level-2 (cross-level interactions)?
Paparan disusun dengan menggunakan package xaringan dengan template dan fonts dari R-Ladies
.
Chakra dibuat dengan remark.js, knitr, dan R Markdown.
Keyboard shortcuts
↑, ←, Pg Up, k | Go to previous slide |
↓, →, Pg Dn, Space, j | Go to next slide |
Home | Go to first slide |
End | Go to last slide |
Number + Return | Go to specific slide |
b / m / f | Toggle blackout / mirrored / fullscreen mode |
c | Clone slideshow |
p | Toggle presenter mode |
t | Restart the presentation timer |
?, h | Toggle this help |
Esc | Back to slideshow |