Cara Mengatasi Masalah Asumsi Parallel Lines Regresi Ordinal dengan STATA
Bagi para analis data, momen yang paling menjengkelkan saat menjalankan pemodelan regresi logistik ordinal di STATA adalah ketika mengeksekusi perintah brant pasca estimasi ologit. Peringatan "A significant test statistic provides evidence that the parallel regression assumption has been violated" muncul dengan p-value di bawah 0.05. Pesan error ini menandakan bahwa model Anda cacat secara asumsi. Jika Anda sedang kebingungan mencari Cara Mengatasi Masalah Asumsi Parallel Lines Regresi Ordinal dengan STATA, Anda berada di tempat yang tepat. Kegagalan uji ini membuat nilai koefisien (beta) tunggal yang dihasilkan oleh STATA menjadi tidak valid untuk diinterpretasikan secara keseluruhan melintasi kategori variabel dependen.
Pelanggaran asumsi parallel lines (garis sejajar) mengindikasikan bahwa efek dari variabel independen (prediktor) sebenarnya tidak konstan pada setiap titik potong (cut-off) kategori variabel dependen. Memaksakan pembacaan output ologit standar pada kondisi ini sama dengan menarik kesimpulan bias yang dapat menyesatkan kebijakan atau temuan riset. Banyak mahasiswa dan peneliti yang panik dan langsung mengganti metode ke multinomial logistik, padahal langkah tersebut justru membuang informasi berharga dari sifat ordinal data tersebut.
. brant, detail
Brant Test of Parallel Regression Assumption Variable | chi2 p>chi2 df -------------+-------------------------- All | 34.52 0.000 6 -------------+-------------------------- x1 | 2.14 0.343 2 x2 | 21.87 0.000 2 x3 | 10.51 0.005 2 ---------------------------------------- A significant test statistic provides evidence that the parallel regression assumption has been violated.
Konsep Teori Asumsi Parallel Lines (Proportional Odds)
Dalam ekonometrika dan statistika, regresi logistik ordinal berakar pada model Proportional Odds yang pertama kali diformulasikan oleh McCullagh (1980). Model ini mengasumsikan bahwa koefisien kemiringan (slope atau beta) adalah identik pada setiap persamaan logit biner yang dibentuk dari kategori respons. Inilah yang secara harfiah disebut sebagai asumsi Parallel Lines; jika Anda menggambar probabilitas kumulatif pada grafik, kurva-kurvanya akan terlihat sejajar satu sama lain dengan jarak yang ditentukan oleh parameter titik potong (cut-points atau thresholds).
Konsekuensi logis dari teori ini adalah, perangkat lunak seperti STATA melalui perintah ologit hanya akan mengestimasi satu set koefisien variabel independen yang berlaku universal untuk seluruh transisi kategori Y (misalnya dari kategori 1 ke 2, dan 2 ke 3). Jika efek dari variabel X terhadap transisi kategori terbawah berbeda dengan efeknya pada transisi kategori teratas, maka asumsi proporsionalitas ini runtuh (Long & Freese, 2014).
Brant (1990) mengembangkan uji statistik berbasis Wald untuk mengevaluasi apakah koefisien prediktor secara individual maupun simultan benar-benar konsisten antar ambang batas. Uji Brant membandingkan koefisien dari sejumlah regresi logistik biner yang dipecah dari data ordinal. Jika terdapat disparitas koefisien yang signifikan secara statistik, nilai chi-square akan membesar, dan p-value akan jatuh di bawah taraf signifikansi alfa.
Bagi pembaca yang ingin menelusuri fondasi matematis, derivasi log-likelihood, dan dasar teori uji asumsi secara komprehensif tanpa pusing memikirkan teknis software, kami sangat menyarankan Anda untuk mempelajari seri teori ekonometrik di statistikian.com. Memahami filosofi matematika di balik model logit sangat krusial sebelum Anda mengaplikasikan trik penyelesaian error di STATA pada artikel ini.
Langkah Perbaikan Teknis di STATA: Pendekatan Generalized Ordered Logit
Langkah pertama saat menghadapi kegagalan uji Brant bukanlah beralih ke Multinomial Logistic Regression (mlogit). Penggunaan mlogit pada data ordinal akan mengorbankan power statistik karena model multinomial menganggap kategori sebagai nominal murni tanpa ada urutan (hierarki). Solusi teknis paling presisi dan elegan di STATA adalah menggunakan Generalized Ordered Logit Model (GOLM).
STATA menyediakan package eksternal bernama gologit2 yang dikembangkan oleh Richard Williams (2006). Model ini sangat revolusioner karena memungkinkan parameter (koefisien) untuk bervariasi melintasi titik potong kategori hanya pada variabel yang melanggar asumsi, sambil mempertahankan parameter tunggal untuk variabel yang mematuhi asumsi. Konsep ini dikenal sebagai Partial Proportional Odds (PPO).
Langkah teknis 1: Anda wajib menginstal package ini secara daring melalui konsol STATA. Ketikkan perintah ssc install gologit2. Pastikan komputer atau laptop Anda terhubung dengan internet. Proses instalasi ini hanya perlu dilakukan satu kali.
Langkah teknis 2: Jangan menjalankan gologit2 secara kosongan. Jika Anda hanya mengetik gologit2 y x1 x2 x3, STATA akan menghasilkan koefisien yang berbeda untuk semua variabel pada setiap kategori. Ini akan membuat model Anda kehilangan parsimoni (kesederhanaan) dan berisiko mengalami overfitting yang parah (Williams, 2016).
Langkah teknis 3: Gunakan opsi magic bernama autofit. Sintaks yang benar adalah gologit2 y x1 x2 x3, autofit. Opsi autofit memerintahkan algoritma STATA untuk melakukan iterasi pengujian berulang menggunakan uji Wald pada setiap variabel. STATA akan secara otomatis memilah mana variabel yang boleh diikat koefisiennya (karena lolos uji parallel) dan mana yang harus dilepas koefisiennya (karena gagal uji).
Sebagai ilustrasi, jika variabel x1 memenuhi asumsi sedangkan x2 melanggar, maka output gologit2, autofit akan menampilkan koefisien x1 yang sama persis di setiap transisi kategori, sedangkan koefisien x2 akan memiliki nilai yang berbeda pada Panel 1, Panel 2, dan seterusnya. Ini mengamankan validitas statistik Anda tanpa merusak keseluruhan hierarki model.
Langkah teknis 4: Periksa output iterasi autofit. STATA akan melaporkan variabel mana saja yang "dilepaskan" dari batasan parallel lines. Nilai signifikansi yang digunakan secara default oleh autofit adalah p < 0.05. Jika Anda ingin lebih ketat (misalnya karena sampel Anda sangat besar), Anda bisa memodifikasi tingkat alfa-nya dengan perintah gologit2 y x1 x2 x3, autofit(0.01).
Alternatif teknis lain jika Anda tidak ingin menggunakan gologit2 adalah dengan melakukan penggabungan kategori (collapsing categories). Terkadang, uji Brant gagal sekadar karena ada selisih kategori yang memiliki jumlah frekuensi (N) terlalu sedikit, atau terdapat zero-cell count pada tabulasi silang antara prediktor dan respons.
Anda bisa menggunakan perintah recode. Misalnya, jika variabel dependen y memiliki 5 kategori Likert (1=Sangat Tidak Setuju hingga 5=Sangat Setuju), namun kategori 1 dan 5 hanya diisi oleh 2 responden, model akan goyah. Anda bisa merekode menjadi 3 kategori: recode y (1/2=1) (3=2) (4/5=3), gen(y_baru). Setelah itu, jalankan kembali ologit dan uji ulang menggunakan brant.
Namun, harus digarisbawahi bahwa penggabungan kategori berpotensi menghilangkan presisi varians data. Oleh karena itu, pendekatan Partial Proportional Odds dengan gologit2 tetap menjadi standar emas atau rujukan primer dalam publikasi jurnal ilmiah kuantitatif bereputasi tinggi saat asumsi regresi ordinal tidak terpenuhi.
. gologit2 y x1 x2 x3, autofit
Testing parallel lines assumption using the .05 level of significance... Step 1: Constraints for x1 are not rejected (p = 0.3430) Step 2: Constraints for x2 are rejected (p = 0.0001) Step 3: Constraints for x3 are rejected (p = 0.0052) ... Generalized Ordered Logit Estimates Number of obs = 500 LR chi2(5) = 145.20 Prob > chi2 = 0.0000 Log likelihood = -410.1234 Pseudo R2 = 0.1503 ------------------------------------------------------------------------------ y | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- y > 1 | x1 | 1.245021 .142012 8.77 0.000 .966682 1.523359 x2 | 2.103045 .340212 6.18 0.000 1.436242 2.769848 x3 | -.450123 .210450 -2.14 0.032 -.862597 -.037648 _cons | 3.104230 .451020 6.88 0.000 2.220247 3.988213 -------------+---------------------------------------------------------------- y > 2 | x1 | 1.245021 .142012 8.77 0.000 .966682 1.523359 x2 | 4.560120 .420120 10.85 0.000 3.736700 5.383540 x3 | 1.120401 .310245 3.61 0.000 .512332 1.728470 _cons | 1.450231 .401200 3.61 0.000 .663893 2.236568 ------------------------------------------------------------------------------ * Perhatikan bahwa koefisien x1 tetap konstan (1.245), sementara x2 dan x3 dibiarkan bervariasi antar kategori.*
Pembahasan Ilmiah: Mengapa Asumsi Proporsionalitas Sering Gagal?
Dalam praktik statistika terapan modern, fenomena gagalnya asumsi proportional odds adalah hal yang sangat lumrah. Para ahli ekonometrika menyadari bahwa perilaku manusia—yang seringkali menjadi subjek variabel prediktor dalam kuesioner—tidak bersifat linear secara kaku. Misalnya, efek peningkatan pendapatan (X) terhadap kebahagiaan (Y). Pendapatan mungkin berdampak sangat ekstrem saat mengangkat seseorang dari kategori "Sangat Tidak Bahagia" ke "Biasa Saja", namun dampaknya menyusut drastis saat memindahkannya dari kategori "Bahagia" ke "Sangat Bahagia". Heterogenitas efek inilah yang dibaca oleh uji Brant sebagai pelanggaran asumsi.
Selain faktor sifat alami variabel, sensitivitas uji Brant (Brant, 1990) terhadap ukuran sampel (N) adalah diskursus ilmiah yang patut dicermati. Layaknya uji normalitas Kolmogorov-Smirnov atau uji spesifikasi Hausman, uji statistik berbasis chi-square memiliki kelemahan inheren: seiring dengan membesarnya jumlah sampel, deviasi mikroskopis yang secara praktis tidak bermakna akan divonis signifikan secara statistik (p-value mengecil).
Menurut Williams (2016), peneliti yang memiliki sampel observasi di atas 1.000 hampir bisa dipastikan akan selalu gagal dalam uji asumsi parallel lines. Oleh sebab itu, memaksakan penggunaan ologit murni pada sampel masif sering kali tidak realistis. Partial Proportional Odds (PPO) yang ditawarkan oleh gologit2 memberikan jalan tengah teoritis: kita menghormati prinsip ordinalitas pada prediktor yang patuh, dan kita membebaskan efek pada prediktor yang memang secara empiris memiliki dampak asimetris.
Namun, pendekatan PPO bukan tanpa risiko secara kalkulus. Ketika kita melepaskan konstrain pada sebuah variabel (membiarkannya memiliki beta ganda), kita menambah jumlah parameter yang harus diestimasi oleh fungsi Maximum Likelihood. Hal ini menguras derajat kebebasan (degree of freedom). Selain itu, relaksasi asumsi yang sembarangan tanpa opsi autofit kadang memicu anomali matematis berupa probabilitas terprediksi yang bernilai negatif—sebuah kemustahilan yang merusak validitas model probit maupun logit.
Oleh sebab itu, eksekusi model GOLM membutuhkan penilaian dari sang analis analitik (research judgment). STATA menyediakan alat komputasi matematisnya, tetapi peneliti yang harus menafsirkan apakah perbedaan koefisien antar kategori pada gologit2 memiliki justifikasi teoritis yang masuk akal di dunia nyata. Jika perbedaannya terlalu acak dan tidak bisa dijelaskan secara logis, maka mengevaluasi kembali instrumen atau melakukan pengelompokan ulang kategori (re-categorization) mungkin merupakan langkah mitigasi yang lebih purist secara metodologis.
Kesimpulan
Menjumpai error uji Brant yang signifikan bukanlah akhir dari riset Anda. Cara Mengatasi Masalah Asumsi Parallel Lines Regresi Ordinal dengan STATA bermuara pada keputusan taktis untuk meninggalkan model ekstrim, yakni menghindari bertahannya ologit yang cacat dan menolak lari ke mlogit yang mereduksi data. Instalasi dan eksekusi sintaks gologit2, autofit merupakan solusi termutakhir yang diakui oleh komunitas statistik global. Dengan model Partial Proportional Odds, Anda mampu mempertahankan kekuatan hirarki variabel dependen sekaligus memfasilitasi prediktor membandel agar parameter estimasinya menjadi valid, tidak bias, dan dapat dipertanggungjawabkan dalam sidang akademik maupun diskursus riset profesional.
Daftar Pustaka
- Brant, R. (1990). Assessing proportionality in the proportional odds model for ordinal logistic regression. Biometrics, 46(4), 1171-1178.
- Long, J. S., & Freese, J. (2014). Regression Models for Categorical Dependent Variables Using Stata (3rd ed.). Stata Press.
- McCullagh, P. (1980). Regression models for ordinal data. Journal of the Royal Statistical Society: Series B (Methodological), 42(2), 109-127.
- Williams, R. (2006). Generalized ordered logit/partial proportional odds models for ordinal dependent variables. The Stata Journal, 6(1), 58-82.
- Williams, R. (2016). Understanding and interpreting generalized ordered logit models. The Journal of Mathematical Sociology, 40(1), 7-20.