Pengaruh Belum Tentu Kausal, Terus Bedanya di Mana?

Dalam penelitian, istilah “berpengaruh” sering muncul ketika peneliti menggunakan analisis regresi atau uji statistik lainnya. Namun, tahukah kamu bahwa hasil yang menunjukkan adanya pengaruh belum tentu membuktikan hubungan sebab-akibat? Ketika peneliti mengatakan bahwa variabel X berpengaruh terhadap variabel Y, biasanya terdapat bukti statistik bahwa perubahan pada X berkaitan dengan perubahan pada Y setelah model atau metode tertentu digunakan.

Sebagai contoh, penelitian menemukan bahwa pendidikan berpengaruh terhadap pendapatan. Jika koefisien regresi pendidikan positif dan signifikan, peneliti dapat menyatakan bahwa pendidikan memiliki hubungan statistik dengan pendapatan dalam model tersebut. Namun, hasil tersebut belum otomatis menjawab pertanyaan soal apakah peningkatan pendidikan benar-benar menyebabkan seseorang memperoleh pendapatan yang lebih tinggi?

Pertanyaan tersebut sudah masuk ke ranah kausalitas. Memahami perbedaan antara pengaruh, hubungan, dan kausalitas penting agar hasil penelitian tidak disimpulkan secara berlebihan. Berikut perbedaan antara pengaruh dan kausal jika diterapkan dalam skenario penelitian. Mari simak penjelasannya di bawah ini sahabat DQLab!

1. Pengaruh, Hubungan, dan Kausalitas itu Berbeda

Ketiga istilah tersebut sering digunakan secara bergantian. Padahal, ketiganya memiliki makna yang berbeda. Perbedaan paling penting terletak pada kata “menyebabkan”. Hubungan atau pengaruh secara statistik menunjukkan adanya pola tertentu dalam data. Sementara itu, kausalitas membutuhkan dasar yang lebih kuat untuk menyimpulkan bahwa perubahan pada X benar-benar menjadi penyebab perubahan pada Y.

Hubungan: Apakah X berkaitan dengan Y?

Contoh: Apakah pendidikan berkaitan dengan pendapatan?

Pengaruh statistik: Apakah perubahan X diikuti perubahan Y dalam model yang digunakan?

Contoh: Apakah peningkatan tingkat pendidikan berkaitan dengan kenaikan pendapatan dalam model regresi?

Kausalitas: Apakah perubahan X benar-benar menyebabkan perubahan Y?

Contoh: Apakah tambahan satu tahun pendidikan atau pencapaian jenjang pendidikan tertentu benar-benar menyebabkan pendapatan meningkat?

Baca Juga: 4 Contoh Portfolio Data Scientist yang Luar Biasa

2. Kenapa Hasil Regresi Belum Tentu Membuktikan Kausalitas?

Regresi merupakan salah satu metode yang sangat berguna untuk menganalisis hubungan antarvariabel. Akan tetapi, regresi tidak secara otomatis menghilangkan seluruh kemungkinan penyebab lain. Contohnya, sebuah penelitian menemukan bahwa penggunaan pupuk berpengaruh positif terhadap produktivitas tanaman.

Secara sederhana, hasil regresi bisa jadi menunjukkan:

Pupuk ↑ → Produktivitas ↑

Namun, produktivitas tidak hanya dipengaruhi oleh pupuk. Ada faktor lain yang tidak teramat atau belum dimasukkan ke dalam model, seperti kualitas benih, luas lahan, irigasi, pengalaman petani, kualitas tanah, penggunaan pestisida, kondisi cuaca, dan teknologi pertanian. Dalam model regresi, faktor-faktor yang tidak dapat dijelaskan oleh variabel dalam model tersebut dapat direpresentasikan melalui error term (μ). Inilah salah satu alasan mengapa korelasi atau hubungan statistik tidak selalu sama dengan hubungan sebab-akibat.

3. Lalu, Apa itu Kausalitas?

Kausalitas berkaitan dengan hubungan sebab-akibat. Masih menggunakan contoh pupuk tadi. Ketika kita mengatakan bahwa keduanya memiliki hubungan statistik. Kita ingin memastikan bahwa perubahan produktivitas tersebut benar-benar disebabkan oleh perubahan penggunaan pupuk, bukan oleh faktor lain. Misalnya, hubungan tersebut dapat dituliskan dalam model regresi sederhana:

Y = β₀ + β₁ X1 + μ

Keterangan:

• β₁ → perubahan rata-rata produktivitas yang berkaitan dengan perubahan penggunaan pupuk, dengan asumsi faktor lain tetap.

• Pupuk → variabel independen.

• Produktivitas → variabel dependen.

• μ → error term yang mencakup faktor-faktor lain yang memengaruhi produktivitas tetapi tidak dijelaskan secara eksplisit dalam model.

Di sinilah persoalannya. Faktor-faktor yang terdapat dalam μ bisa saja juga berkaitan dengan penggunaan pupuk. Misalnya, petani yang memiliki kemampuan lebih baik mungkin menggunakan pupuk secara lebih optimal sekaligus memperoleh produktivitas yang lebih tinggi. Jika kemampuan petani tidak teramati atau tidak dikendalikan dan berkorelasi dengan penggunaan pupuk, hubungan antara pupuk dan produktivitas dapat mencerminkan pengaruh faktor lain tersebut, bukan semata-mata efek penggunaan pupuk. Dengan kata lain, koefisien β yang signifikan belum otomatis dapat diartikan sebagai bukti bahwa pupuk secara kausal meningkatkan produktivitas.

Jika X secara kausal menyebabkan Y maka perubahan pada X seharusnya menghasilkan perubahan pada Y ketika faktor-faktor lain yang relevan dikendalikan atau dibuat sebanding. Contohnya, sebuah penelitian menemukan bahwa petani yang mendapatkan pelatihan baru mengalami peningkatan produktivitas. Apakah kita bisa langsung menyimpulkan bahwa pelatihan menyebabkan produktivitas meningkat? Belum tentu.

Bisa saja petani yang mengikuti pelatihan memang sejak awal lebih aktif, memiliki modal lebih besar, menggunakan teknologi yang lebih baik, atau memiliki pengalaman yang lebih tinggi. Karakteristik tersebut juga dapat memengaruhi produktivitas. Jika petani yang mengikuti pelatihan berbeda secara sistematis dari petani yang tidak mengikuti pelatihan maka peningkatan produktivitas yang diamati tidak dapat begitu saja seluruhnya dikaitkan dengan pelatihan. Inilah tantangannya dalam penelitian kausal yakni memisahkan efek suatu variabel dari pengaruh faktor-faktor lain yang ikut berubah atau berkaitan dengannya.

4. Apakah Kalau Penelitian Menggunakan Regresi, Bolehkah Menggunakan Kata Pengaruh?

Tergantung konteks dan desain penelitiannya. Dalam banyak penelitian sosial ekonomi, istila pengaruh memang lazim digunakan untuk menjelaskan hasil regresi. Namun, peneliti tetap perlu berhati-hati dalam menginterpretasikannya.

Misalnya:

Pendidikan berpengaruh positif dan signifikan terhadap pendapatan.

Pernyataan tersebut sah sah saja apabila digunakan untuk menjelaskan hasil model regresi. Namun, jika penelitian tidak menggunakan desain yang memungkinkan identifikasi sebab-akibat, perlu hati-hati jika memberikan kesimpulan. Misalnya

Pendidikan menyebabkan peningkatan pendapatan

Sebaiknya tidak langsung digunakan.

Baca Juga: Contoh Implementasi Data Science dalam Keseharian

5. Bagaimana Sebaiknya Menulis dalam Hasil Penelitian?

Misalnya hasil penelitian menunjukkan bahwa p-value < 0,05. Artinya, berdasarkan model dan asumsi yang digunakan, terdapat bukti statistik untuk menolak hipotesis nol pada tingkat signifikansi tersebut. Namun, p-value tidak menjawab pertanyaan

Apakah X menyebabkan/memberikan efek terhadap Y?

Signifikansi statistik dan kausalitas adalah dua hal yang berbeda. Karena itu, hasil yang signifikan tidak seharusnya langsung diterjemahkan menjadi bukti sebab-akibat tanpa mempertimbangkan desain penelitian.

Pemilihan kata dalam pembahasan hasil penelitian perlu disesuaikan dengan metode dan desain penelitian. Jika penelitian hanya menunjukkan hubungan statistik, peneliti bisa menggunakan istilah seperti:

• “berhubungan dengan”

• “memiliki hubungan positif dengan”,

• “berasosiasi dengan”, atau

• “menunjukkan hubungan yang signifikan”.

Jika desain penelitian memang mendukung identifikasi kausal, istilah seperti menyebabkan, memberikan efek terhadap, atau berdampak terhadap dapat digunakan dengan tetap memperhatikan asumsi dan keterbatasan metode. Dengan kata lain, jangan biarkan kata signifikan membuat kesimpulan penelitian menjadi lebih kuat daripada bukti yang tersedia.

Pengaruh dan kausalitas kelihatannya memang mirip, tetapi keduanya tidak selalu berarti hal yang sama. Analisis statistik seperti regresi dapat menunjukkan adanya hubungan atau pengaruh dalam suatu model, tetapi hasil tersebut dalam otomatis membuktikan bahwa satu variabel menyebabkan perubahan pada variabel lainnya. Kalau menemukan hasil penelitian yang mengatakan X berpengaruh terhadap Y, jangan langsung berhenti pada nilai signifikansi saja. Uji juga, apakah X benar-benar menyebabkan Y atau hanya menunjukkan hubungan statistik? Perbedaan sederhana inilah yang dapat membuat interpretasi sebuah penelitian menjadi jauh lebih tepat.

FAQ

1. Apakah pengaruh sama dengan kausalitas?

Tidak. Pengaruh secara statistik menunjukkan adanya hubungan dalam suatu model, sedangkan kausalitas menunjukkan bahwa perubahan pada satu variabel benar-benar menyebabkan perubahan pada variabel lain.

2. Apakah regresi dapat membuktikan kausalitas?

Tidak selalu. Regresi dapat menunjukkan hubungan statistik, tetapi kesimpulan kausal membutuhkan desain penelitian, kontrol terhadap variabel pengganggu, dan strategi identifikasi yang tepat.

3. Apakah hasil yang signifikan berarti X menyebabkan Y?

Belum tentu. Nilai signifikansi menunjukkan adanya bukti statistik sesuai model yang digunakan, tetapi tidak otomatis membuktikan hubungan sebab-akibat.

Kalau kamu tertarik untuk berkarir sebagai Data Analyst yang menguasai teknik Data Cleaning secara handal, ini adalah saat yang tepat! Yuk, segera Sign Up ke DQLab! Di sini, kamu bisa belajar dari dasar hingga tingkat lanjut dengan materi dan tools yang relevan dengan kebutuhan industri, bahkan tanpa latar belakang IT. Belajar kapan saja dan di mana saja dengan fleksibilitas penuh, serta didukung oleh fitur eksklusif Ask AI Chatbot 24 jam!

Tidak cuma itu, DQLab juga sudah menerapkan metode pembelajaran HERO (Hands-On, Experiential Learning & Outcome-based) yang dirancang ramah untuk pemula, dan telah terbukti mencetak talenta unggulan yang sukses berkarier di bidang data. Jadi, mau tunggu apa lagi?

Jadi, tunggu apa lagi? Segera persiapkan diri untuk menguasai keterampilan di bidang data dan teknologi dengan subscribe modul premium, atau ikuti Bootcamp Data Analyst with SQL and Python sekarang juga!

Penulis: Reyvan Maulid