Causal
Analysis adalah suatu teknik yang fokus di dalam memahami hubungan sebab-akibat
suatu peristiwa. Sebuah sistem causal
adalah sejumlah peristiwa yang saling berinteraksi dan suatu kondisi yang
menimbulkan suatu akibat yang dapat dideteksi.
Causal analysis adalah investigasi sistematis dari suatu causal system
untuk mengidentifikasi tindakan yang dapat mempengaruhi suatu causal system,
biasanya digunakan untuk meminimalkan akibat yang tidak diinginkan. Causal analysis kadang-kadang juga diartikan
sebagai analisis akar masalah atau pencegahan defect.[1].
Causal Analysis dimulai
dengan gagasan bahwa "analisis korelasi tidak dapat digunakan secara
langsung untuk menetapkan kausalitas, karena fakta bahwa korelasi hanya
mengukur sejauh mana covariation atau variabel yang lebih bervariasi
bersama-sama”. ilmu
pengetahuan juga membutuhkan ekplorasi yang mendalam mengenai sebab dan akibat. Sebagai bagian dari perkembangan tubuh ilmu pengetahuan,
serangkaian alat dan konsep-konsep tersebut dikembangkan dan disesuaikan untuk
memungkinkan peneliti untuk menghubungkan korelasi dengan kausalitas, dengan
menggunakan teknik analisis kausal.
Serangkaian asumsi
diperlukan untuk menggunakan teknik analisis kausal dengan kekakuan yang tepat. Yang pertama adalah
bahwa semua variabel diukur di dalam skala interval. Ini jarang terjadi di ilmu-ilmu sosial, bagaimanapun, di
mana sebagian besar variabel yang diukur dalam skala ordinal atau nominal. Peneliti harus memilih satu dari tiga
pendekatan yang ada untuk menyelesaikan masalah ini:
-
Abaikan masalah sama sekali, dan menganggap bahwa alat ini cukup
baik untuk menghasilkan hasil yang dapat diterima bahkan dengan informasi yang
tidak sempurna yang diberikan oleh skala ordinal dan nominal.
-
Menyesuaikan atau memodifikasi teknik baik dengan memperoleh atau
mempertahankan variabel sebagai tingkat pengukuran interval dan komputasi
korelasi nonparametric
-
Periksa masalah dengan "butiran garam" menghitung
jangkauan dan korelasi nonparametrik dan membandingkan hasilnya. Jika
penggunaan metode interval yang tidak memperkenalkan distorsi signifikan dalam
koefisien korelasi yang dihitung dan dibandingkan
dengan metode non-parametrik, maka lakukan analisis dengan asumsi bahwa
himpunan data tertentu memenuhi kondisi data interval
Asumsi kedua adalah bahwa
hubungan kausal hanya sederhana ada. Selain itu, hubungan antara dua variabel
undierctional, akan lain dari X 1 ke X2
atau X2 ke X1, bukan dua arah. Hubungan antara
variabel-variabel juga hierarkis, sehingga jika kita menggunakan indeks untuk
membedakan antara variabel, tidak ada variabel dengan indeks nomor yang lebih tinggi tidak dapat mempengaruhi
variabel lain dengan indeks yang lebih
rendah, seperti yang ditunjukkan pada Gambar 1 . Jenis sistem ini disebut
sistem kausal rekursif.[2]
Asumsi ini lebih merupakan penyederhanaan asumsi
daripada pembatasan. Namun, dalam hal perhitungan, hal ini memiliki konsekuensi
serius. Jika kita berasumsi bahwa sistem ini rekursif, kita dapat melanjutkan
untuk menggunakan metode kuadrat terkecil (OLS) untuk memperkirakan koefisien
korelasi, seperti dalam regresi tradisional. Di sisi lain, jika kita menganggap bahwa hubungan dapat
merupakan bi-directional dan tidak ada hirarki antara variabel-variabel, maka
kita memiliki kasus sistem persamaan simultan yang membutuhkan fase rekayasa
dua dan tiga tahap perkiraan. Dalam
prakteknya, kebanyakan peneliti memilih untuk penyederhanaan yang disediakan oleh teknik analisis kausal teknik
analisis kausal membuat perbedaan penting antara korelasi parsial dan
coefficients path. coorelation parsial
adalah ukuran dari jumlah variasi yang
dijelaskan oleh satu variabel independen setelah yang lain telah
menjelaskan semua yang mereka bisa. Beta weights, di sisi lain, menunjukkan
berapa banyak perubahan dalam variabel dependen yang dihasilkan oleh perubahan
dalam satu variabel independen ketika yang lain dikontrol.[3]
Sebuah diagram jalur kausal
yang khas, seperti yang ditunjukkan pada gambar 1, digunakan sebagai coefficients
path , bukan koefisien korelasi parsial, untuk menunjukkan dampak dari satu
variabel bagi variabel lain. Variabel dapat dikatakan memiliki efek langsung
dan tidak langsung pada variable lain. Sebagai contoh, efek langsung dari
variabel X2 untuk variabel X5 adalah diberikan oleh bobot beta atau koefisien
jalur P25.
Efek tidak
langsung dari variabel pada variabel X2
pada variable X5 diperoleh dengan
mengalikan nilai koefisien jalur di jalur antara X2 dan X3 dan X5: P23xP35. Dampak total X2 dan X5 (atau
korelasi antara X2 andX5) diperoleh menambahkan efek langsung dan tidak
langsung: P25 + P23 x P35.
Langkah Causal Path Analysis
Teknik causal path analysis
adalah cara yang ampuh dan sederhana untuk mengeksplorasi hubungan sebab dan
akibat antara variabel. Analisis jalur kausal melibatkan serangkaian
langkah-langkah didefinisikan dengan baik
-
Langkah 1. mendefinisikan hipotesis
sebagai sistem kausal rekursif
Variabel harus diatur
menurut aturan yang telah dijelaskan di atas untuk sistem kausal rekursif.
Urutan variabel didasarkan pada asumsi
yang terinspirasi dari pandangan teoritis dunia, dan dibenarkan
oleh penelitian sebelumnya atau
penalaran logis. Pertimbangan teoritis harus mendorong keputusan mengenai
variabel yang akan disertakan atau tidak
disertakan dan bagaimana menampilkan model grafis.
-
Langkah 2.
Melakukan pengumpulan data
Data dapat dikumpulkan
melalui berbagai prosedur, seperti wawancara, survei, penelitian yang
dipresentasikan, data sekunder, dan sebagainya. Satu-satunya kesulitan adalah
dikenakan saat OLS atau non-parametrik korelasi dipilih sebagai prosedur yang
cocok untuk penelitian.
-
Langkah
3. Hitung koefisien korelasi parsial dan bobot beta
Input untuk analisis jalur kausal dapat diperoleh
dengan menggunakan software statistik standar seperti SPSS, SAS. Dalam
prakteknya, dua pendekatan dapat digunakan dalam langkah ini: non-parametrik
dan parametrik. Dalam pendekatan non-parametrik, peneliti berasumsi bahwa
variabel-variabel nominal atau ordinal, dan hanya menghitung korelasi
non-parametrical. Dalam pendekatan parametrik, peneliti mengasumsikan bahwa pada
saat perhutingan korelasi,tidak ada distorsi pada interval dari variabel. Koeffisien korelasi parsial dan bobot beta
dihitung dengan pendekatan parametrik.
-
Langkah 4.
Menggambar diagram path causal dan hasilnya
Ini merupakan modifikasi
dari sistem kausal awalnya dibuat pada langkah 1 dari teknik ini. Hubungan yang
tidak signifikan asosiasi dihapus, dan hubungan masih berupa hipotesis,
tetapi secara logis benar dan didukung oleh data, ditambahkan. Jika pendekatan
non-parametrik digunakan pada langkah 3, korelasi parsial ditunjukkan pada
diagram, dan tidak boleh diartikan sebagai path
coefficient. Jika pendekatan parametrik digunakan pada langkah 3, bobot
beta ditampilkan dalam diagram dan ditafsirkan path coefficients
-
Langkah 5. Hitung dan Menyajikan Efek Langsung dan Efek
Tidak Langsung di dalam Sebuah Tabel
Langkah ini hanya berlaku
dalam pendekatan parametrik. Berbagai
cara yang berbeda dalam sistem
sebab-akibat, baik untuk variable bebas maupun variable terikat diidentifikasi
dan efek dihitung.
Causal Modelling
Metodologi pemodelan kausal
merupakan perbaikan yang menunjukkan variable apa saja yang dimasukkan dalam
analisis. Sebagai contoh, jika ada sebuah hipotesis yang menyatakan bahwa
variabel kepribadian terkait dengan ketaatan karena meningkatkan tingkat tekanan
atau menahan efek dari tekanan,
seseorang harus menyertakan ukuran dari tekanan dalam analisis dan melakukan
analisis yang tepat. Hal ini dapat dilakukan dengan cara post hoc, seperti
hasil yang tidak jelas menyebabkan
hipotesis membutuhkan analisis lebih lanjut. Jika data untuk analisis
tersebut tidak tersedia, kita melakukan penelitian kembali dan mengumpulkan
data yang diperlukan. Atau hipotesis kausal dapat memandu desain studi di masa
depan akan mencakup variabel yang diperlukan untuk analisis yang tepat. Dalam
kasus apapun, dengan menggunakan
pemodelan kausal, penelitian
lebih lanjut dapat dilakukan dengan menggunakan hasil analisis sebelumnya untuk
lebih memahami proses kausal[4].
[1]
David n. card , Myths and Strategies of
Defect Causal Analysis
[2] Al
Bento dan Regina Bento , The Use of
Causal Analysis Techniques in Information System Research: A Methodological
Note
[3]
Blalock, Jr H.M. social statistics, 2nd
edition, McGraw-Hill,New York
[4]
Mark Peyrot,Causal Analysis : Theory and
Application , 1995
Tidak ada komentar:
Posting Komentar