Cara Interpretasi Regresi Ordinal dengan SPSS

Regresi ordinal merupakan salah satu teknik analisis statistik yang sangat berguna ketika kita berhadapan dengan variabel dependen yang bersifat ordinal. Variabel ordinal adalah variabel yang memiliki kategori yang berurutan, namun jarak antar kategori tidak dapat diukur secara pasti. Contoh umum variabel ordinal meliputi tingkat kepuasan (sangat tidak puas, tidak puas, netral, puas, sangat puas), tingkat pendidikan (SD, SMP, SMA, Sarjana), atau peringkat kelas (A, B, C, D). SPSS (Statistical Package for the Social Sciences) menyediakan fitur yang mumpuni untuk melakukan analisis regresi ordinal, dan pemahaman yang tepat mengenai cara menginterpretasikan outputnya adalah kunci untuk menarik kesimpulan yang valid.

Memahami Konsep Dasar Regresi Ordinal

Dalam regresi ordinal, kita berusaha memprediksi probabilitas sebuah observasi jatuh ke dalam kategori tertentu atau kategori yang lebih tinggi dari variabel dependen, berdasarkan satu atau lebih variabel independen. Berbeda dengan regresi linear yang memprediksi nilai numerik, atau regresi logistik biner yang memprediksi probabilitas dua kategori, regresi ordinal menangani struktur berurutan dari data. Model yang umum digunakan dalam regresi ordinal adalah model proportional odds.

Langkah-Langkah Analisis Regresi Ordinal di SPSS

Untuk melakukan analisis regresi ordinal di SPSS, Anda dapat mengikuti langkah-langkah berikut:

1. Buka data Anda di SPSS.
2. Pilih menu Analyze > Regression > Ordinal....
3. Pada jendela Ordinal Regression Analysis, pindahkan variabel dependen ordinal Anda ke kotak Dependent.
4. Pindahkan satu atau lebih variabel independen Anda (bisa numerik atau kategorikal yang sudah dikodekan) ke kotak Covariates.
5. Klik tombol OK.

Menginterpretasikan Output SPSS

Output dari regresi ordinal di SPSS bisa terlihat kompleks, namun mari kita pecah menjadi bagian-bagian penting:

1. Informasi Variabel Dependen dan Model

Bagian ini akan menampilkan nama variabel dependen Anda dan menyatakan model yang digunakan, biasanya cumulative logit (sesuai dengan asumsi proportional odds).

2. Uji Kesesuaian Model (Model Fitting Information)

Output ini memberikan nilai statistik seperti Log Likelihood, AIC (Akaike Information Criterion), dan BIC (Bayesian Information Criterion). Nilai-nilai ini digunakan untuk membandingkan beberapa model. Model dengan nilai Log Likelihood yang lebih besar (mendekati nol) dan nilai AIC serta BIC yang lebih kecil umumnya dianggap lebih baik.

3. Uji Statistik Kesesuaian (Pseudo R-Square)

Mirip dengan R-square pada regresi linear, nilai Pseudo R-Square (seperti Cox & Snell, Nagelkerke, McFadden) memberikan indikasi seberapa baik variabel independen menjelaskan varians dalam variabel dependen. Nilai yang lebih tinggi menunjukkan kesesuaian model yang lebih baik.

4. Uji Kesamaan Odds (Test of Parallel Lines)

Ini adalah uji asumsi krusial untuk model proportional odds. Jika nilai Sig. (p-value) pada uji ini lebih besar dari tingkat signifikansi yang Anda tetapkan (biasanya 0.05), maka asumsi proportional odds terpenuhi. Jika lebih kecil, Anda mungkin perlu mempertimbangkan model alternatif atau merevisi variabel Anda.

5. Parameter Estimasi (Location Model)

Bagian ini menampilkan koefisien regresi untuk variabel independen Anda. Interpretasinya mirip dengan regresi logistik:

• Koefisien (B): Menunjukkan perubahan dalam log-odds dari variabel dependen (atau log-odds kumulatif) untuk setiap satu unit kenaikan pada variabel independen, dengan asumsi variabel lain konstan.
• Std. Error: Ukuran variabilitas estimasi koefisien.
• Sig.: Nilai p-value untuk uji hipotesis nol bahwa koefisien sama dengan nol. Jika Sig. < 0.05, variabel independen tersebut signifikan secara statistik dalam memprediksi variabel dependen.
• Exponentiated B (Exp(B)): Ini adalah rasio odds (odds ratio). Jika variabel independen meningkat satu unit, odds untuk berada pada kategori dependen yang lebih tinggi (atau sama) akan dikalikan dengan Exp(B). Misalnya, jika Exp(B) = 1.5, maka odds meningkat sebesar 50%.

6. Parameter Estimasi (Thresholds)

Bagian ini menampilkan nilai cut points atau ambang batas antar kategori variabel dependen. Ini menunjukkan pada nilai kumulatif probabilitas berapa observasi berpindah dari satu kategori ke kategori berikutnya. Nilai-nilai ini biasanya positif dan berurutan.

Contoh Interpretasi

Misalkan Anda menganalisis kepuasan pelanggan (sangat tidak puas=1, tidak puas=2, netral=3, puas=4, sangat puas=5) dengan variabel independen adalah pengeluaran bulanan (dalam ribuan Rupiah) dan lama berlangganan (dalam bulan). Jika output SPSS menunjukkan:

• Koefisien Pengeluaran Bulanan adalah 0.02 dengan Sig. < 0.05, dan Exp(B) = 1.02. Ini berarti, untuk setiap peningkatan Rp 1.000,- dalam pengeluaran bulanan, odds kepuasan pelanggan meningkat sebesar 2% (dikali 1.02), dengan asumsi lama berlangganan konstan.
• Koefisien Lama Berlangganan adalah 0.05 dengan Sig. < 0.05, dan Exp(B) = 1.05. Ini menunjukkan, untuk setiap bulan tambahan lama berlangganan, odds kepuasan pelanggan meningkat sebesar 5% (dikali 1.05).

Dengan memahami setiap komponen output regresi ordinal di SPSS, peneliti dapat mengidentifikasi faktor-faktor yang signifikan memengaruhi tingkatan dalam variabel dependen ordinal mereka dan mengkuantifikasi dampak dari faktor-faktor tersebut. Hal ini sangat penting dalam berbagai bidang seperti pemasaran, sosiologi, psikologi, dan ilmu kesehatan untuk membuat keputusan yang lebih informatif.