Analisis Mediasi dengan R

Artikel ini akan memberikan contoh bagaimana melakukan analisis mediasi dengan pemrograman R. Pada contoh ini kita akan menggunakan data tabel12reg.xlsx yang dapat di-download di sini, dapat terlebih dahulu di-import ke dalam RStudio dengan cara di video ini. Proses regresi linier dengan pemrograman R dapat dilihat pada tutorial sebelumnya di artikel ini. Metode analisis mediasi ini akan menggunakan metode yang dikembangkan oleh Baron & Kenny (1986) yang berbasis pada analisis regresi linier sederhana dan regresi linier berganda.

Misal kita memiliki model di bawah ini, kita akan menguji apakah variabel M menjadi mediator pengaruh variabel X ke Y.

ada 3 tahap analisis mediasi yang akan dilakukan

#Tahap1
Pengujian regresi linier sederhana variabel X ke Y,

diharapakan ada pengaruh signifikan X ke Y, namun ada beberapa pendapat yang menyatakan tidak terlalu penting untuk melakukan #Tahap1 ini selama ada teori yang kuat terkait variabel X dan Y ini,

#Tahap1
> model.0 <- lm(SMP~KM, data = table12reg)
> summary(model.0) 

 Call:
 lm(formula = SMP ~ KM, data = table12reg)
 
 Residuals:
     Min      1Q  Median      3Q     Max 
 -6.6226 -1.5486 -0.0423  1.6861  9.8711 
 
 Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
 (Intercept)  6.40061    0.89703   7.135 4.45e-11 ***
 KM           0.34567    0.04173   8.284 7.76e-14 ***
 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 ‘.’ 0.1 ‘ ’ 1
 
 Residual standard error: 2.677 on 143 degrees of freedom
 Multiple R-squared:  0.3243,    Adjusted R-squared:  0.3196 
 F-statistic: 68.63 on 1 and 143 DF,  p-value: 7.76e-14

dari proses #Tahap1 didapat bahwa variabel X memiliki tingkat signifikansi dengan p-value 7.76e-14 pada variabel Y.

#Tahap2
Pengujian regresi linier sederhana variabel X ke M,

variabel X harus berpengaruh signifikan ke M untuk bisa melanjutkan pengujian mediasi.

#Tahap2
> model.M <- lm(CI~KM, data = table12reg)
> summary(model.M) 

 Call:
 lm(formula = CI ~ KM, data = table12reg)

 Residuals:
     Min      1Q  Median      3Q     Max 
 -5.4035 -1.8647  0.1085  1.1085  9.5965 

 Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
 (Intercept)   6.7815     0.8018   8.458 2.89e-14 ***
 KM            0.3244     0.0373   8.698 7.28e-15 ***
 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 ‘.’ 0.1 ‘ ’ 1

 Residual standard error: 2.393 on 143 degrees of freedom
 Multiple R-squared:  0.346,    Adjusted R-squared:  0.3414 
 F-statistic: 75.66 on 1 and 143 DF,  p-value: 7.276e-15

dari proses #Tahap2 didapatkan bahwa variabel Knowledge Management (X) berpengaruh signifikan pada variabel Competitive intelligence (M) dengan nilai p-value 7.28e-15.

#Tahap3
Pengujian regresi linier berganda variabel X dan M ke Y,

pada pengujian #Tahap3, M harus signifikan pada Y, jika signifikansi X terhadap Y turun, maka M adalah variabel mediasi sebagian pengaruh X pada Y, jika variabel X berpengaruh tidak signifikan pada Y, maka M adalah sebagai mediator penuh X pada Y.

#Tahap3
#multiple regression
> model.Y <- lm(SMP~KM+CI, data = table12reg)
> summary(model.Y)
 
 Call:
 lm(formula = SMP ~ KM + CI, data = table12reg)
 Residuals:
     Min      1Q  Median      3Q     Max 
 -6.8578 -0.9147  0.0728  1.0631  5.1673
 
 Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
 (Intercept)  1.35207    0.82306   1.643  0.10265    
 KM           0.10416    0.03865   2.695  0.00789 ** 
 CI           0.74446    0.07008  10.622  < 2e-16 ***
 Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 ‘.’ 0.1 ‘ ’ 1

 Residual standard error: 2.005 on 142 degrees of freedom
 Multiple R-squared:  0.6235,    Adjusted R-squared:  0.6182 
 F-statistic: 117.6 on 2 and 142 DF,  p-value: < 2.2e-16

dari hasil pengujian pada #Tahap3 kita dapatkan bahwa variabel M berpengaruh signifikan pada variabel Y (p-value < 2e-16) dan signifikansi variabel X pada variabel Y mengalami penurunan dimana nilai p-value menjadi 0.00789, dibandingkan sebelum ada varibel M (proses #Tahap1) dengan p-value adalah 7.76e-14. Pengujian pada 3 tahapan di atas memberikan kesimpulan bahwa variabel M menjadi mediator sebagian pengaruh variabel X kepada variabel Y.

References
Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 5, 1173-1182.

Leave a Reply

Your email address will not be published. Required fields are marked *