Workshop 2,5 Jam untuk Dosen Vokasi

Penelitian Kuantitatif yang Terstruktur, Terapan, dan Siap Diimplementasikan

Materi mencakup definisi, alur desain riset, variabel, hipotesis, evaluasi program vokasi, pengukuran kompetensi, ukuran efek, kualitas data, formulasi statistik, contoh kasus vokasi, pengantar SEM dan econometrics, perbedaan dengan mixed methods, serta penggunaan AI secara bijak dan bertanggung jawab.

Penulis
I Gede Nyoman Mindra Jaya
Sasaran
Dosen Pendidikan Vokasi
Durasi
150 Menit / 2,5 Jam

1 Orientasi Workshop

Tujuan workshop: membantu dosen vokasi menyusun penelitian kuantitatif yang kuat secara konsep, rapi secara metodologi, tepat secara analisis, dan relevan untuk pemecahan masalah nyata di pendidikan vokasi, industri, layanan, maupun pemberdayaan masyarakat (Creswell and Creswell 2018; Appelbaum et al. 2018).

1.1 Capaian Pembelajaran Workshop

Setelah mengikuti workshop ini, peserta diharapkan mampu:

  1. menjelaskan hakikat penelitian kuantitatif dan posisi riset kuantitatif dalam konteks vokasi;
  2. membedakan pendekatan kuantitatif, kualitatif, dan mixed methods;
  3. mengubah masalah praktis menjadi pertanyaan penelitian, variabel, indikator, dan hipotesis;
  4. memilih desain penelitian, teknik sampling, dan instrumen yang tepat;
  5. memilih teknik analisis statistik yang sesuai dengan tujuan penelitian;
  6. menginterpretasikan hasil secara substantif, bukan sekadar berburu p-value;
  7. menggunakan AI secara bijak untuk memperkuat, bukan menggantikan, proses berpikir ilmiah;
  8. merancang evaluasi program vokasi berbasis logic model, outcome, dan indikator;
  9. menyusun rubrik kompetensi dan strategi pengukuran yang valid;
  10. menyiapkan rencana manajemen data, pelaporan hasil, dan luaran terapan.

1.2 Rundown 2,5 Jam dan Materi Pengayaan

Waktu Durasi Materi Luaran Peserta
00.00–00.15 15 menit Orientasi dan urgensi penelitian kuantitatif Memahami konteks riset vokasi
00.15–00.35 20 menit Perbedaan kuantitatif, kualitatif, mixed methods Dapat memilih pendekatan
00.35–01.05 30 menit Masalah, variabel, indikator, hipotesis Draft kerangka penelitian
01.05–01.35 30 menit Desain, sampling, instrumen, validitas, reliabilitas Draft rancangan metode
01.35–01.55 20 menit Evaluasi program, ukuran efek, dan kualitas data Rencana evaluasi terapan
01.55–02.15 20 menit Formulasi statistik dan pilihan analisis Peta analisis yang sesuai
02.15–02.25 10 menit AI dalam penelitian secara bertanggung jawab Panduan penggunaan AI
02.25–02.30 5 menit Ringkasan, luaran riset, dan checklist proposal Checklist siap pakai

Catatan fasilitator: karena durasi tatap muka hanya 2,5 jam, beberapa bagian baru dapat dipakai sebagai materi pengayaan, bahan diskusi kelompok, atau bacaan mandiri peserta setelah workshop.

Pesan kunci: penelitian kuantitatif bukan sekadar memasukkan data ke software. Penelitian kuantitatif adalah proses berpikir sistematis untuk menghubungkan masalah, teori, variabel, data, model, dan interpretasi. Software itu alat. Peneliti tetap nahkodanya.

2 Hakikat Penelitian Kuantitatif

2.1 Definisi

Penelitian kuantitatif adalah pendekatan penelitian yang menggunakan pengukuran numerik, variabel yang dioperasionalkan secara jelas, serta analisis statistik untuk mendeskripsikan, membandingkan, menguji hubungan, menguji pengaruh, atau memprediksi suatu fenomena (Creswell and Creswell 2018; Agresti 2018).

Secara ringkas, penelitian kuantitatif menjawab pertanyaan seperti: berapa besar, seberapa sering, apakah berbeda, apakah berhubungan, dan sejauh mana pengaruh suatu faktor.

2.2 Ciri-ciri Penelitian Kuantitatif

Ciri Makna Contoh Konteks Vokasi
Variabel terukur Konsep harus diubah menjadi indikator terukur Kompetensi kerja diukur melalui skor uji praktik
Data numerik Data berupa angka atau kategori yang dapat dikodekan Nilai, skor Likert, jumlah unit cacat
Hipotesis jelas Ada dugaan yang akan diuji Magang industri meningkatkan kesiapan kerja
Analisis inferensial Ada proses penarikan kesimpulan dari sampel ke populasi Uji t, ANOVA, regresi, chi-square
Prosedur terstandar Instrumen dan langkah pengumpulan data jelas Kuesioner, rubrik observasi, pre-post test
Replikasi Dapat diulang oleh peneliti lain Prosedur analisis dan definisi variabel ditulis rinci

2.3 Mengapa Penting untuk Pendidikan Vokasi?

Penelitian di pendidikan vokasi umumnya sangat dekat dengan persoalan nyata, misalnya efektivitas pembelajaran praktik, teaching factory, magang, sertifikasi kompetensi, produktivitas UMKM binaan, kepuasan mitra industri, atau dampak pelatihan digital. Semua ini sangat cocok dikaji secara kuantitatif karena membutuhkan bukti yang terukur.

Contoh masalah vokasi:
1) Apakah model pembelajaran berbasis proyek meningkatkan kompetensi praktik mahasiswa?
2) Faktor apa yang berhubungan dengan kepuasan mitra industri?
3) Apakah pelatihan akuntansi digital meningkatkan produktivitas UMKM?
4) Seberapa besar pengaruh penggunaan AI terhadap efisiensi penyusunan bahan ajar?

3 Perbedaan Kuantitatif, Kualitatif, dan Mixed Methods

3.1 Tabel Perbandingan Utama

Aspek Kuantitatif Kualitatif Mixed Methods
Fokus Mengukur dan menguji Memahami makna dan proses Menggabungkan pengukuran dan pemaknaan
Data Angka, skor, kategori Teks, narasi, observasi Angka + teks
Pertanyaan Berapa? Apakah berbeda? Apakah berpengaruh? Mengapa? Bagaimana? Berapa besar dan mengapa?
Sampel Lebih besar, cenderung representatif Lebih kecil, purposif Disesuaikan dengan desain
Analisis Statistik deskriptif dan inferensial Koding, tema, interpretasi Statistik + tematik + integrasi
Output Estimasi, effect size, model, CI Tema, konsep, proses Penjelasan komprehensif

3.2 Ilustrasi Topik yang Sama

Topik: Efektivitas teaching factory

Pendekatan Contoh Pertanyaan
Kuantitatif Apakah rata-rata kompetensi praktik mahasiswa yang mengikuti teaching factory lebih tinggi daripada yang tidak mengikuti?
Kualitatif Bagaimana pengalaman mahasiswa selama mengikuti teaching factory?
Mixed Methods Apakah teaching factory meningkatkan kompetensi, dan pengalaman apa yang menjelaskan peningkatan tersebut?

3.3 Hakikat Mixed Methods

Mixed methods bukan sekadar “survei ditambah wawancara”. Mixed methods menuntut integrasi antara hasil kuantitatif dan kualitatif (Creswell and Plano Clark 2018; Fetters, Curry, and Creswell 2013; Levitt et al. 2018).

Tiga desain yang umum:

  1. Convergent parallel: data kuantitatif dan kualitatif dikumpulkan bersamaan, lalu dibandingkan/digabungkan.
  2. Explanatory sequential: kuantitatif dulu, lalu kualitatif untuk menjelaskan hasil statistik.
  3. Exploratory sequential: kualitatif dulu untuk menggali konsep, lalu kuantitatif untuk menguji atau mengukur.

Secara konseptual, hasil mixed methods dapat dipandang sebagai:

\[ \text{Temuan akhir} = f(\text{hasil kuantitatif},\; \text{hasil kualitatif},\; \text{integrasi interpretatif}) \]

Catatan penting: jika pertanyaan riset sudah cukup terjawab dengan desain kuantitatif yang baik, tidak perlu memaksakan mixed methods. Jangan sampai wawancara hanya menjadi ornamen metodologis.

4 Dari Masalah Praktis ke Pertanyaan Penelitian

4.1 Alur Logika

Masalah praktis di lapangan harus diubah secara bertahap menjadi pertanyaan ilmiah. Dalam tradisi desain riset, koherensi antara masalah, tujuan, variabel, desain, analisis, dan pelaporan merupakan prasyarat utama penelitian yang dapat dipertanggungjawabkan (Creswell and Creswell 2018; Appelbaum et al. 2018).

  1. Masalah praktis: ada gejala atau masalah nyata.
  2. Rumusan masalah: diubah menjadi pertanyaan penelitian.
  3. Landasan teori: menjelaskan mengapa fenomena itu penting.
  4. Variabel: konsep dioperasionalkan menjadi indikator.
  5. Hipotesis: dinyatakan dalam bentuk dugaan yang dapat diuji.
  6. Data dan model: dipilih sesuai tujuan penelitian.

4.2 Contoh Translasi Masalah

Masalah praktis: banyak mahasiswa vokasi belum siap masuk dunia kerja walaupun telah mengikuti magang.

Pertanyaan penelitian: apakah intensitas magang, kualitas pembimbing industri, dan soft skills berpengaruh terhadap kesiapan kerja mahasiswa?

Tujuan penelitian: menganalisis pengaruh intensitas magang, kualitas pembimbing industri, dan soft skills terhadap kesiapan kerja mahasiswa vokasi.

Variabel: - Y = kesiapan kerja; - X1 = intensitas magang; - X2 = kualitas pembimbing industri; - X3 = soft skills.

Tips praktis: rumusan masalah kuantitatif yang baik biasanya memiliki kata kunci seperti hubungan, pengaruh, perbedaan, efektivitas, asosiasi, atau prediksi.

5 Kerangka Riset Vokasi Terapan: Masalah, Intervensi, Outcome, dan Luaran

5.1 Mengapa Kerangka Ini Penting?

Riset vokasi idealnya tidak berhenti pada “ada pengaruh atau tidak”, tetapi menjelaskan masalah nyata, intervensi yang diuji, outcome yang diukur, dan luaran praktis yang dapat digunakan oleh program studi, industri, sekolah vokasi, UMKM, rumah sakit, laboratorium, atau lembaga mitra. Pendekatan seperti ini dekat dengan evaluasi program dan riset terapan (Gertler et al. 2016; Kirkpatrick and Kirkpatrick 2016).

Formula berpikir riset vokasi:
Masalah lapangan → intervensi atau faktor penjelas → outcome terukur → analisis statistik → rekomendasi tindakan.

5.2 Matriks Keselarasan Riset Vokasi

Komponen Pertanyaan Kunci Contoh Vokasi
Masalah praktis Masalah apa yang benar-benar terjadi? Kompetensi praktik mahasiswa belum stabil antar-kelas
Akar masalah Faktor apa yang mungkin menjelaskan masalah? Kualitas instruksi, jam praktik, fasilitas, supervisi industri
Intervensi/faktor Program atau variabel apa yang akan diuji? Modul teaching factory, magang terstruktur, simulasi digital
Outcome Perubahan apa yang harus terukur? Skor praktik, waktu penyelesaian tugas, error kerja, kepuasan mitra
Data Dari mana data diperoleh? Rubrik praktik, log pembelajaran, survei mitra, data administrasi
Analisis Teknik statistik apa yang sesuai? Uji t, ANCOVA, regresi, DiD, SEM, panel data
Luaran Apa manfaat praktisnya? SOP pembelajaran, policy brief, dashboard mutu, modul pelatihan

5.3 Model Input–Process–Output–Outcome

Untuk konteks vokasi, kerangka Input–Process–Output–Outcome sangat membantu karena riset sering berkaitan dengan proses pembelajaran, praktik, industri, atau layanan.

Level Makna Contoh Indikator
Input Sumber daya awal fasilitas praktik, rasio dosen-mahasiswa, kesiapan modul
Process Aktivitas yang dijalankan jam praktik, intensitas bimbingan, frekuensi feedback
Output Hasil langsung nilai praktik, jumlah produk, sertifikat kompetensi
Outcome Dampak yang lebih substantif kesiapan kerja, produktivitas, kepuasan industri, employability

Secara sederhana, penelitian vokasi dapat dirancang sebagai:

\[ \text{Outcome}_i = f(\text{Input}_i,\; \text{Process}_i,\; \text{Karakteristik}_i,\; \varepsilon_i) \]

Misalnya:

\[ \text{Kesiapan Kerja}_i = \beta_0 + \beta_1\text{Magang}_i + \beta_2\text{Soft Skills}_i + \beta_3\text{Fasilitas}_i + \varepsilon_i \]

5.4 Contoh Topik yang Lebih Khas Vokasi

Bidang Contoh Topik Outcome Terukur
Vokasi kesehatan Efektivitas simulasi klinik terhadap keterampilan tindakan skor OSCE, waktu tindakan, error prosedural
Vokasi bisnis Dampak pelatihan akuntansi digital pada UMKM binaan omzet, ketepatan pembukuan, literasi digital
Vokasi teknik Pengaruh teaching factory terhadap kualitas produk praktik jumlah cacat, presisi ukuran, waktu produksi
Pariwisata Faktor penentu kepuasan mitra industri hotel kepuasan, repeat collaboration, evaluasi kinerja mahasiswa
Teknologi informasi Efektivitas project-based learning pada kemampuan pemrograman skor proyek, bug count, completion time

Jebakan umum: banyak topik vokasi sebenarnya punya potensi luaran terapan, tetapi ditulis seperti survei umum. Padahal nilai tambah vokasi justru muncul ketika rekomendasi akhirnya bisa dipakai untuk memperbaiki praktik.

6 Variabel, Definisi Operasional, dan Hipotesis

6.1 Variabel Penelitian

Variabel adalah karakteristik yang nilainya berbeda antar-unit observasi.

Jenis Variabel Penjelasan Contoh
Variabel dependen Variabel yang dipengaruhi / dijelaskan Kesiapan kerja
Variabel independen Variabel penjelas / prediktor Magang, motivasi, kualitas dosen
Variabel kontrol Variabel yang dikendalikan Semester, jenis kelamin, IPK
Moderator Memperkuat / memperlemah pengaruh Dukungan industri
Mediator Menjelaskan mekanisme pengaruh Kepercayaan diri

6.2 Definisi Operasional

Konsep yang abstrak harus diterjemahkan ke indikator terukur.

Konsep Definisi operasional Indikator Skala
Kesiapan kerja Tingkat kesiapan mahasiswa memasuki dunia kerja komunikasi, disiplin, problem solving, adaptasi Likert 1–5
Intensitas magang Tingkat keterlibatan mahasiswa selama magang jam magang, tugas inti, frekuensi evaluasi Rasio / indeks
Kualitas pembimbing Persepsi mahasiswa terhadap kualitas bimbingan kejelasan arahan, umpan balik, pendampingan Likert 1–5

6.3 Hipotesis

Hipotesis adalah dugaan sementara yang akan diuji menggunakan data. Dalam penelitian kuantitatif, hipotesis sebaiknya dirumuskan selaras dengan teori, desain, jenis variabel, dan model analisis yang akan digunakan (Creswell and Creswell 2018; Agresti 2018).

6.3.1 Bentuk umum

  • Hipotesis nol \((H_0)\): tidak ada pengaruh / hubungan / perbedaan.
  • Hipotesis alternatif \((H_1)\): ada pengaruh / hubungan / perbedaan.

6.3.2 Contoh hipotesis

  1. \(H_0\): tidak terdapat pengaruh intensitas magang terhadap kesiapan kerja mahasiswa.
  2. \(H_1\): terdapat pengaruh intensitas magang terhadap kesiapan kerja mahasiswa.
  3. \(H_0\): rata-rata kompetensi praktik mahasiswa sebelum dan sesudah intervensi adalah sama.
  4. \(H_1\): rata-rata kompetensi praktik mahasiswa sebelum dan sesudah intervensi berbeda.

Jika konteksnya regresi linear:

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \beta_p X_{pi} + \varepsilon_i \]

Pengujian pengaruh prediktor ke-\(j\) umumnya dirumuskan sebagai:

\[ H_0: \beta_j = 0 \qquad \text{vs} \qquad H_1: \beta_j \neq 0 \]

7 Desain Penelitian Kuantitatif

7.1 Jenis Desain yang Sering Dipakai

Pemilihan desain penelitian harus mengikuti tujuan inferensi. Untuk klaim kausal, desain eksperimen atau kuasi-eksperimen membutuhkan perhatian khusus terhadap ancaman validitas internal, pemilihan kelompok pembanding, dan asumsi desain (Shadish, Cook, and Campbell 2002). Untuk studi observasional, pelaporan yang transparan dapat mengacu pada prinsip STROBE (Elm et al. 2007), sedangkan uji coba acak dapat mengacu pada CONSORT (Schulz, Altman, and Moher 2010).

Desain Tujuan Contoh
Deskriptif Menggambarkan fenomena Profil kepuasan mahasiswa terhadap laboratorium
Korelasional Mengukur hubungan antarvariabel Hubungan motivasi dan prestasi praktik
Komparatif Membandingkan kelompok Perbedaan skor kompetensi antar-metode pembelajaran
Eksplanatori Menguji pengaruh Pengaruh magang terhadap kesiapan kerja
Eksperimen / kuasi-eksperimen Menguji intervensi Efektivitas modul berbasis proyek
Survei Mengukur persepsi/perilaku populasi Survei penggunaan AI oleh dosen vokasi

7.2 Cross-sectional dan Longitudinal

  • Cross-sectional: data dikumpulkan pada satu waktu. Cocok untuk survei cepat.
  • Longitudinal: data dikumpulkan berulang. Cocok untuk mengevaluasi perubahan dari waktu ke waktu.

7.3 Pre-test dan Post-test

Sangat relevan untuk vokasi saat mengevaluasi pelatihan, modul, atau intervensi pembelajaran.

Jika satu kelompok diukur sebelum dan sesudah intervensi:

\[ D_i = Y_{i,\text{post}} - Y_{i,\text{pre}} \]

Kemudian diuji apakah rata-rata selisih \(\mu_D\) berbeda dari nol.

Jebakan umum: banyak penelitian menyebut “pengaruh” padahal desainnya hanya cross-sectional observasional. Hati-hati. Secara metodologis, istilah asosiasi sering lebih aman daripada kausalitas, kecuali desain dan asumsi mendukung.

8 Evaluasi Program dan Intervensi Vokasi

8.1 Mengapa Evaluasi Program Perlu Masuk?

Dosen vokasi sering menjalankan program nyata: pelatihan, pendampingan UMKM, teaching factory, magang industri, sertifikasi kompetensi, kelas berbasis proyek, atau penggunaan teknologi pembelajaran. Program seperti ini sebaiknya tidak hanya dilaporkan sebagai kegiatan, tetapi dievaluasi secara kuantitatif agar terlihat apakah program berjalan, siapa yang mendapat manfaat, seberapa besar perubahan, dan apa yang perlu diperbaiki (Gertler et al. 2016; Kirkpatrick and Kirkpatrick 2016).

8.2 Logic Model Sederhana

Komponen Pertanyaan Contoh pada Pelatihan Digital UMKM
Input Sumber daya apa yang digunakan? modul, fasilitator, perangkat, platform digital
Activities Aktivitas apa yang dilakukan? pelatihan 4 sesi, praktik input transaksi, pendampingan
Output Produk langsung apa yang terjadi? jumlah peserta hadir, akun digital aktif, tugas selesai
Short-term outcome Perubahan cepat apa yang diharapkan? peningkatan literasi digital dan akurasi pencatatan
Long-term outcome Dampak lanjut apa yang diharapkan? peningkatan omzet, efisiensi kerja, kualitas laporan keuangan

Model evaluasi sebelum-sesudah sederhana:

\[ \Delta_i = Y_{i,\text{post}} - Y_{i,\text{pre}} \]

Rata-rata perubahan:

\[ \bar{\Delta} = \frac{1}{n}\sum_{i=1}^{n}\Delta_i \]

Namun, tanpa kelompok pembanding, perubahan belum tentu sepenuhnya akibat program. Bisa saja ada faktor luar: musim, pengalaman, kebijakan baru, atau efek “baru belajar sebentar langsung semangat”. Ini bukan dosa statistik, tetapi harus jujur ditulis.

8.3 Tingkat Evaluasi Program

Tingkat Fokus Pertanyaan Evaluasi Contoh Ukuran
Reaksi Kepuasan peserta Apakah peserta merasa program bermanfaat? skor kepuasan, NPS, komentar terbuka
Pembelajaran Pengetahuan/keterampilan Apakah kompetensi meningkat? pre-test, post-test, uji praktik
Perilaku Perubahan praktik kerja Apakah peserta menerapkan keterampilan? observasi, log aktivitas, audit tugas
Hasil Dampak kelembagaan/industri Apakah terjadi peningkatan kinerja? produktivitas, kualitas produk, efisiensi biaya

8.4 Desain Evaluasi yang Lebih Kuat

Desain Struktur Data Kekuatan Keterbatasan
One group post-test setelah program saja mudah tidak tahu perubahan dari kondisi awal
Pre-post satu kelompok sebelum dan sesudah melihat perubahan lemah untuk klaim kausal
Pre-post dengan kontrol intervensi dan pembanding lebih kuat perlu kelompok pembanding yang sebanding
DiD intervensi-kontrol, sebelum-sesudah baik untuk evaluasi kebijakan/program perlu asumsi parallel trends
RCT sederhana penugasan acak paling kuat untuk kausalitas sering sulit secara etis/praktis

8.5 Contoh Rumusan Evaluasi Program

Topik: efektivitas pelatihan penggunaan aplikasi kasir digital untuk UMKM binaan vokasi.

Komponen Rancangan
Unit analisis UMKM peserta pelatihan
Intervensi Pelatihan dan pendampingan aplikasi kasir digital
Outcome primer Akurasi pencatatan transaksi
Outcome sekunder omzet, frekuensi pencatatan, kepuasan pengguna
Desain minimal pre-test dan post-test
Desain lebih kuat kelompok peserta dan kelompok pembanding
Analisis paired t-test, regresi, ANCOVA, atau DiD

Prinsip penting: evaluasi program yang baik tidak hanya bertanya “apakah signifikan?”, tetapi juga “apakah perubahan cukup besar, relevan, dan layak dijadikan dasar perbaikan program?”

9 Populasi, Sampel, Sampling, dan Instrumen

9.1 Populasi dan Sampel

  • Populasi adalah seluruh unit yang menjadi sasaran inferensi.
  • Sampel adalah sebagian unit dari populasi yang diamati.

Contoh: - Populasi: seluruh mahasiswa semester 5 program vokasi tertentu. - Sampel: 180 mahasiswa yang dipilih dari populasi tersebut.

9.2 Teknik Sampling

Sampling menentukan kualitas inferensi dari sampel ke populasi. Karena itu, populasi target, kerangka sampel, peluang pemilihan, serta potensi bias nonrespons perlu dijelaskan secara eksplisit (Cochran 1977; Dillman, Smyth, and Christian 2014).

Jenis Karakteristik Contoh
Simple random sampling Semua anggota punya peluang sama Daftar mahasiswa diundi
Stratified sampling Populasi dibagi strata Diambil per program studi atau angkatan
Cluster sampling Sampel berdasarkan klaster Kelas dipilih sebagai unit
Purposive sampling Berdasarkan kriteria Dosen pembimbing industri tertentu
Convenience sampling Berdasarkan kemudahan akses Responden yang mudah dijangkau

9.3 Instrumen Penelitian

Instrumen yang sering digunakan: 1. kuesioner/skala Likert; 2. lembar observasi; 3. tes pengetahuan atau kompetensi; 4. check-list audit mutu atau layanan; 5. data sekunder administrasi atau sistem informasi.

9.4 Validitas dan Reliabilitas

9.4.1 Validitas

Menunjukkan apakah instrumen benar-benar mengukur apa yang seharusnya diukur.

Jenis yang umum: - validitas isi; - validitas konstruk; - validitas kriteria.

9.4.2 Reliabilitas

Menunjukkan konsistensi instrumen. Salah satu indeks reliabilitas internal yang paling sering dipakai adalah Cronbach’s alpha, yang diperkenalkan oleh Cronbach (1951).

Untuk skala multi-item, reliabilitas sering diperiksa dengan Cronbach’s alpha:

\[ \alpha = \frac{k}{k-1}\left(1 - \frac{\sum_{j=1}^{k} s_j^2}{s_T^2}\right) \]

dengan \(k\) = jumlah item, \(s_j^2\) = varians item ke-\(j\), dan \(s_T^2\) = varians skor total.

10 Pengukuran Kompetensi, Rubrik Praktik, dan Kualitas Instrumen

10.1 Mengapa Bagian Ini Kritis untuk Vokasi?

Dalam pendidikan vokasi, outcome utama sering berupa kompetensi praktik, bukan hanya pengetahuan. Karena itu, instrumen penelitian tidak cukup berupa kuesioner persepsi. Diperlukan rubrik, checklist, uji praktik, atau penilaian kinerja yang dapat mengukur keterampilan secara konsisten (Furr 2018; DeVellis and Thorpe 2021).

10.2 Jenis Instrumen yang Relevan untuk Vokasi

Jenis Instrumen Cocok untuk Mengukur Contoh
Tes tertulis pengetahuan konseptual tes literasi keuangan, tes keselamatan kerja
Rubrik praktik keterampilan prosedural pemasangan alat, pelayanan pasien, coding project
Checklist observasi kepatuhan prosedur SOP laboratorium, SOP pelayanan pelanggan
Skala Likert persepsi/sikap motivasi belajar, kepuasan mitra, kesiapan kerja
Log digital perilaku aktual durasi akses LMS, jumlah commit kode, transaksi digital
Data administrasi outcome kelembagaan IPK, sertifikasi, masa tunggu kerja, kehadiran

10.3 Contoh Rubrik Kompetensi Praktik

Dimensi Skor 1 Skor 2 Skor 3 Skor 4
Persiapan alat banyak alat tidak siap sebagian alat siap hampir semua alat siap lengkap dan sesuai SOP
Ketepatan prosedur banyak langkah salah beberapa langkah salah langkah utama benar seluruh langkah benar dan efisien
Keselamatan kerja mengabaikan keselamatan kadang mengikuti SOP mengikuti SOP utama konsisten dan mengingatkan risiko
Kualitas hasil tidak memenuhi standar mendekati standar memenuhi standar melampaui standar
Komunikasi kerja tidak jelas cukup jelas jelas jelas, profesional, dan responsif

10.4 Validitas Rubrik

Rubrik praktik perlu diuji minimal melalui:

  1. validitas isi: apakah dimensi rubrik sudah mewakili kompetensi yang dinilai;
  2. validitas konstruk: apakah indikator membentuk konstruk kompetensi yang konsisten;
  3. validitas kriteria: apakah skor rubrik berkorelasi dengan outcome eksternal, misalnya kelulusan sertifikasi atau evaluasi industri.

10.5 Reliabilitas Antar-Penilai

Jika keterampilan dinilai oleh lebih dari satu asesor, reliabilitas antar-penilai perlu dipertimbangkan. Untuk skor numerik, salah satu pendekatan yang sering dipakai adalah korelasi antar-penilai atau intraclass correlation coefficient (ICC). Untuk kategori, dapat digunakan Cohen’s kappa.

Untuk dua penilai dengan kategori, Cohen’s kappa secara konseptual:

\[ \kappa = \frac{P_o - P_e}{1 - P_e} \]

dengan \(P_o\) = proporsi kesepakatan aktual dan \(P_e\) = proporsi kesepakatan yang diharapkan karena peluang acak.

10.6 Contoh Rencana Pengukuran

Konstruk Indikator Sumber Data Instrumen Analisis Kualitas
Kompetensi praktik prosedur, keselamatan, kualitas hasil uji praktik rubrik 1–4 reliabilitas antar-penilai
Kesiapan kerja adaptasi, komunikasi, problem solving survei mahasiswa skala Likert alpha/CFA
Kepuasan industri komunikasi, kompetensi, disiplin survei mitra kuesioner alpha/deskriptif
Produktivitas UMKM transaksi, omzet, pembukuan data usaha log/rekap transaksi validasi data dan outlier

Catatan keras tapi sayang: kalau outcome-nya “kompetensi praktik”, tetapi datanya hanya “persepsi merasa kompeten”, maka penelitian sedang mengukur rasa percaya diri, bukan kompetensi aktual. Statistiknya bisa jalan, tetapi maknanya bisa belok.

11 Statistik Deskriptif dan Inferensial

11.1 Statistik Deskriptif

Statistik deskriptif bertujuan merangkum data.

Ukuran yang umum: - rerata (mean), median, modus; - simpangan baku, varians, rentang, IQR; - proporsi dan persentase; - tabel dan grafik.

Beberapa rumus dasar:

\[ \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i \]

\[ s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})^2 \]

\[ \hat{p} = \frac{x}{n} \]

11.2 Statistik Inferensial

Statistik inferensial digunakan untuk menarik kesimpulan dari sampel ke populasi. Interpretasi hasil tidak sebaiknya berhenti pada p-value, tetapi perlu memperhatikan konteks, ukuran efek, interval kepercayaan, kualitas pengukuran, dan asumsi model (Wasserstein and Lazar 2016; Wasserstein, Schirm, and Lazar 2019; Kelley and Preacher 2012).

Komponen utama: 1. estimasi parameter; 2. interval kepercayaan; 3. uji hipotesis; 4. ukuran efek.

11.2.1 Uji rata-rata satu sampel

\[ t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}} \]

11.2.2 Uji dua rata-rata independen

\[ t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}} \]

11.2.3 Uji proporsi

\[ z = \frac{\hat{p} - p_0}{\sqrt{p_0(1-p_0)/n}} \]

11.2.4 Uji chi-square independensi

\[ \chi^2 = \sum \frac{(O_{ij} - E_{ij})^2}{E_{ij}} \]

Prinsip penting: hasil yang baik bukan hanya “signifikan”, tetapi juga bermakna secara substantif. Karena itu, laporkan juga ukuran efek, interval kepercayaan, dan interpretasi kontekstual.

12 Ukuran Efek, Interval Kepercayaan, dan Perencanaan Sampel

12.1 Mengapa Tidak Cukup Hanya p-value?

Dalam riset vokasi, hasil yang signifikan secara statistik belum tentu penting secara praktis. Sebaliknya, hasil yang tidak signifikan belum tentu tidak berguna, terutama jika ukuran sampel kecil. Karena itu, laporan hasil sebaiknya memuat ukuran efek, interval kepercayaan, dan pertimbangan kekuatan uji atau statistical power (Cohen 1988; Kelley and Preacher 2012; Wasserstein, Schirm, and Lazar 2019).

12.2 Ukuran Efek yang Sering Dipakai

Tujuan Analisis Ukuran Efek Makna Praktis
Perbedaan dua rerata Cohen’s \(d\) selisih rerata dalam satuan simpangan baku
Perbedaan proporsi risk difference / risk ratio selisih atau rasio peluang kejadian
Hubungan dua numerik korelasi \(r\) kekuatan hubungan linear
Regresi linear koefisien, \(R^2\), partial \(R^2\) perubahan outcome dan proporsi variasi dijelaskan
Regresi logistik odds ratio perubahan odds kejadian
ANOVA eta squared \(\eta^2\) proporsi variasi yang dijelaskan kelompok

Cohen’s \(d\) untuk dua kelompok independen:

\[ d = \frac{\bar{x}_1 - \bar{x}_2}{s_p} \]

dengan simpangan baku gabungan:

\[ s_p = \sqrt{\frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1+n_2-2}} \]

Interval kepercayaan 95% untuk rerata:

\[ \bar{x} \pm t_{0.975, n-1}\frac{s}{\sqrt{n}} \]

12.3 Perencanaan Sampel: Logika Praktis

Ukuran sampel tidak sebaiknya ditentukan hanya dengan kalimat “diambil 30 responden karena minimal statistik”. Perencanaan sampel perlu mempertimbangkan:

  1. tujuan analisis;
  2. ukuran efek minimal yang dianggap bermakna;
  3. variasi data;
  4. tingkat kesalahan tipe I \((\alpha)\);
  5. power yang diinginkan, misalnya 80%;
  6. desain sampling dan potensi nonrespons.

12.4 Contoh Interpretasi Substantif

Misalnya, pelatihan meningkatkan skor kompetensi dari 72 menjadi 78 dengan \(p < 0.05\). Interpretasi yang baik:

“Rata-rata skor kompetensi meningkat 6 poin setelah pelatihan. Selain signifikan secara statistik, perubahan ini perlu dibandingkan dengan standar kelulusan kompetensi. Jika batas lulus adalah 75, maka peningkatan dari 72 ke 78 bermakna secara praktis karena menggeser rata-rata peserta dari bawah standar menjadi melewati standar.”

12.5 Contoh Sintaks R untuk Power Sederhana

# Perkiraan ukuran sampel untuk uji t dua kelompok
# delta = selisih rerata minimal yang dianggap bermakna
# sd    = perkiraan simpangan baku
power.t.test(delta = 5, sd = 10, power = 0.80,
             sig.level = 0.05, type = "two.sample")

Pesan untuk peserta: statistik yang baik menjawab dua pertanyaan sekaligus: “apakah ada bukti?” dan “apakah besarnya penting untuk praktik vokasi?”

13 Analisis Lanjutan yang Sering Relevan untuk Vokasi

13.1 Korelasi

Untuk melihat kekuatan dan arah hubungan linear antarvariabel.

\[ r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \sum_{i=1}^{n}(y_i - \bar{y})^2}} \]

13.2 Regresi Linear

Dipakai ketika variabel respon berbentuk numerik. Model regresi linear umum digunakan untuk memodelkan perubahan rerata respon terhadap satu atau lebih prediktor kuantitatif/kategorik (Agresti 2018).

\[ Y_i = \beta_0 + \beta_1 X_{1i} + \cdots + \beta_p X_{pi} + \varepsilon_i \]

Contoh: menganalisis pengaruh lama magang, motivasi, dan IPK terhadap skor kesiapan kerja.

13.3 Regresi Logistik

Dipakai ketika respon biner, misalnya lulus/tidak lulus sertifikasi. Regresi logistik memodelkan log-odds kejadian sebagai fungsi prediktor dan umumnya diinterpretasikan melalui odds ratio (Hosmer, Lemeshow, and Sturdivant 2013).

\[ \log\left(\frac{\pi_i}{1-\pi_i}\right) = \beta_0 + \beta_1 X_{1i} + \cdots + \beta_p X_{pi} \]

13.4 ANOVA

Dipakai untuk membandingkan rerata lebih dari dua kelompok.

Contoh: membandingkan skor kompetensi praktik pada tiga metode pembelajaran.

13.5 Difference-in-Differences (DiD)

Berguna ketika ada kelompok intervensi dan kelompok pembanding sebelum-sesudah program.

\[ Y = \beta_0 + \beta_1 \text{Post} + \beta_2 \text{Treat} + \beta_3 (\text{Post} \times \text{Treat}) + \varepsilon \]

Koefisien \(\beta_3\) menangkap estimasi efek intervensi.

Contoh kasus: sebuah program studi menerapkan modul berbasis industri pada satu kelas, sementara kelas lain tetap menggunakan modul biasa. Dengan data sebelum dan sesudah, pendekatan DiD dapat dipakai untuk memperkirakan efek modul baru secara lebih meyakinkan.

14 Peta Pemilihan Analisis Statistik untuk Riset Vokasi

14.1 Prinsip Pemilihan Analisis

Analisis statistik harus dipilih berdasarkan pertanyaan penelitian, jenis variabel outcome, desain data, dan struktur pengukuran. Jangan memilih metode karena sedang populer. Metode populer tanpa desain yang tepat itu seperti mesin mahal tanpa bensin: mengkilap, tapi tidak bergerak.

Pertanyaan Penelitian Outcome Desain Data Analisis yang Umum
Berapa rata-rata/proporsi? numerik/kategorik cross-sectional deskriptif, CI
Apakah dua kelompok berbeda? numerik independen uji t, Mann–Whitney
Apakah sebelum-sesudah berubah? numerik berpasangan paired t-test, Wilcoxon
Apakah lebih dari dua kelompok berbeda? numerik independen ANOVA, Kruskal–Wallis
Faktor apa yang memengaruhi skor? numerik cross-sectional/panel regresi linear, mixed model
Faktor apa yang memengaruhi lulus/tidak? biner cross-sectional regresi logistik
Apakah program efektif? numerik/biner pre-post/intervensi-kontrol ANCOVA, DiD, regresi
Apakah konstruk laten saling berhubungan? laten/multiindikator survei SEM/PLS-SEM
Apakah ada perubahan antar-waktu dan unit? numerik/biner panel fixed effects, random effects, DiD

14.2 Analisis untuk Outcome Praktik Vokasi

Outcome Praktik Contoh Variabel Analisis yang Cocok
Skor praktik nilai rubrik 0–100 regresi linear, ANCOVA, mixed model
Status kompeten kompeten/tidak kompeten regresi logistik
Jumlah kesalahan jumlah cacat, jumlah bug regresi Poisson/negative binomial
Waktu menyelesaikan tugas menit/detik regresi, survival sederhana jika ada sensor
Kepuasan mitra skala Likert regresi ordinal atau SEM
Data kelas berulang mahasiswa dalam kelas/prodi multilevel model

14.3 Contoh Keputusan Cepat

Outcome numerik?
Mulai dari deskriptif, uji t/ANOVA, regresi linear, atau ANCOVA.
Outcome biner?
Gunakan proporsi, chi-square, atau regresi logistik.
Ada sebelum-sesudah?
Pertimbangkan paired test, ANCOVA, atau DiD jika ada kontrol.
Ada konstruk laten?
Pertimbangkan reliabilitas, CFA, SEM, atau PLS-SEM.

Aturan aman: pilih metode setelah desain dan variabel jelas. Jangan kebalik: memilih SEM dulu, baru mencari-cari konstruk agar terlihat canggih. Itu bukan metodologi, itu cosplay statistik.

15 Pengantar Structural Equation Modeling (SEM)

15.1 Mengapa SEM Perlu Dikenal Dosen Vokasi?

Dalam penelitian vokasi, banyak konsep penting tidak dapat diamati secara langsung. Misalnya kesiapan kerja, kompetensi profesional, motivasi belajar, kualitas layanan akademik, kepuasan mitra industri, atau adopsi teknologi. Konsep seperti ini disebut variabel laten. SEM berguna ketika peneliti ingin menguji hubungan antarvariabel laten sekaligus memeriksa apakah indikator-indikatornya memang mengukur konstruk yang dimaksud (Bollen 1989; Kline 2016; Rosseel 2012).

Inti SEM: SEM menggabungkan dua hal dalam satu kerangka, yaitu measurement model untuk menguji hubungan indikator dengan konstruk laten, dan structural model untuk menguji hubungan antar-konstruk laten.

15.2 Kapan SEM Cocok Digunakan?

SEM cocok digunakan ketika:

  1. variabel utama berupa konstruk laten yang diukur oleh beberapa indikator;
  2. peneliti ingin menguji model teoritis yang terdiri atas beberapa hubungan sekaligus;
  3. terdapat dugaan mediasi atau hubungan tidak langsung;
  4. peneliti ingin menguji validitas konstruk melalui Confirmatory Factor Analysis (CFA);
  5. penelitian menggunakan kuesioner multi-item dan membutuhkan model hubungan yang lebih terstruktur daripada regresi biasa.

SEM kurang tepat jika:

  1. ukuran sampel sangat kecil;
  2. indikator konstruk belum jelas secara teori;
  3. model hanya memuat satu hubungan sederhana yang cukup dianalisis dengan regresi;
  4. peneliti hanya ingin “mencari-cari model signifikan” tanpa dasar teori.

15.3 Measurement Model: Indikator Mengukur Konstruk

Misalkan konstruk laten Kesiapan Kerja diukur oleh beberapa indikator: komunikasi, disiplin, problem solving, adaptasi kerja, dan literasi digital.

Model pengukuran sederhana dapat ditulis sebagai:

\[ y_i = \tau + \Lambda \eta_i + \varepsilon_i \]

dengan \(y_i\) adalah vektor indikator teramati, \(\eta_i\) adalah variabel laten, \(\Lambda\) adalah factor loading, \(\tau\) adalah intercept indikator, dan \(\varepsilon_i\) adalah error pengukuran.

Interpretasi praktis:

  • factor loading besar menunjukkan indikator kuat merepresentasikan konstruk;
  • indikator dengan loading rendah perlu ditinjau ulang;
  • reliabilitas dan validitas konstruk perlu diperiksa sebelum interpretasi hubungan struktural.

15.4 Structural Model: Hubungan Antar-Konstruk

Setelah konstruk laten dianggap cukup baik, peneliti dapat menguji hubungan antar-konstruk.

Contoh model:

  • kualitas magang memengaruhi kesiapan kerja;
  • soft skills memediasi hubungan kualitas magang dan kesiapan kerja;
  • dukungan industri memperkuat pengaruh magang terhadap kesiapan kerja.

Bentuk umum model struktural dapat ditulis sebagai:

\[ \eta = B\eta + \Gamma \xi + \zeta \]

dengan \(\eta\) adalah konstruk laten endogen, \(\xi\) adalah konstruk laten eksogen, \(B\) adalah matriks hubungan antar-konstruk endogen, \(\Gamma\) adalah matriks pengaruh konstruk eksogen, dan \(\zeta\) adalah residual struktural.

15.5 Contoh Model SEM untuk Riset Vokasi

Konstruk Laten Indikator Contoh Peran dalam Model
Kualitas Magang kejelasan tugas, relevansi tugas, supervisi, umpan balik industri Prediktor
Soft Skills komunikasi, kerja sama, disiplin, adaptasi Mediator
Kesiapan Kerja percaya diri, kompetensi teknis, kesiapan wawancara, kesiapan adaptasi Outcome
Dukungan Industri fasilitas, pembimbing, standar kerja, evaluasi Moderator / prediktor

15.6 Mediasi dalam SEM

SEM sangat berguna untuk menguji mekanisme hubungan. Misalnya kualitas magang tidak hanya berpengaruh langsung terhadap kesiapan kerja, tetapi juga melalui peningkatan soft skills.

Model mediasi sederhana:

\[ M_i = \alpha_0 + aX_i + u_i \]

\[ Y_i = \beta_0 + c'X_i + bM_i + \varepsilon_i \]

Efek tidak langsung:

\[ \text{Indirect effect} = a \times b \]

15.7 CB-SEM dan PLS-SEM

Secara umum, literatur membedakan covariance-based SEM (CB-SEM) dan partial least squares SEM (PLS-SEM). CB-SEM lebih dekat dengan pengujian model teoritis dan kesesuaian model, sedangkan PLS-SEM sering digunakan untuk orientasi prediktif dan pengembangan model awal (Kline 2016; Hair et al. 2022).

Aspek CB-SEM PLS-SEM
Orientasi Konfirmasi teori dan kovarians Prediksi dan eksplorasi model
Contoh perangkat lavaan, AMOS, Mplus, LISREL SmartPLS, seminr, plspm
Fokus evaluasi model fit, loading, residual, parameter reliabilitas, validitas, path coefficient, predictive relevance
Kapan digunakan teori kuat, model konfirmatori model awal/eksploratif, orientasi prediktif

Catatan metodologis: SEM bukan “versi keren dari regresi”. SEM harus didorong oleh teori, pengukuran konstruk yang baik, dan ukuran sampel yang memadai. Diagram yang ramai belum tentu model yang kuat—kadang hanya peta mudik statistik yang terlalu ambisius.

16 Pengantar Model Econometrics untuk Riset Terapan

16.1 Mengapa Econometrics Relevan untuk Dosen Vokasi?

Econometrics atau ekonometrika adalah cabang analisis kuantitatif yang banyak digunakan untuk mengevaluasi hubungan ekonomi, sosial, pendidikan, kebijakan, dan program berbasis data observasional. Dalam konteks vokasi, ekonometrika relevan untuk mengkaji dampak pelatihan, magang, sertifikasi kompetensi, teaching factory, bantuan UMKM, program kewirausahaan, atau kebijakan kampus terhadap outcome yang terukur (Wooldridge 2010; Angrist and Pischke 2009; Stock and Watson 2020).

Inti econometrics: bukan hanya menjalankan regresi, tetapi merancang strategi identifikasi agar estimasi hubungan atau efek program dapat ditafsirkan secara lebih hati-hati dan mendekati pertanyaan kausal.

16.2 Perbedaan Statistik Regresi Biasa dan Econometrics

Aspek Regresi Statistik Umum Econometrics Terapan
Fokus Hubungan dan prediksi Estimasi efek dan identifikasi
Pertanyaan utama Apakah X berhubungan dengan Y? Apakah perubahan X menyebabkan perubahan Y, dengan asumsi tertentu?
Tantangan asumsi model, error, multikolinearitas endogeneity, omitted variable bias, selection bias, reverse causality
Strategi model fitting dan inferensi fixed effects, DiD, IV, RD, panel data, robustness check
Output koefisien, CI, p-value, prediksi estimasi efek, asumsi identifikasi, sensitivity/robustness

16.3 Model Regresi Linear sebagai Fondasi

Model dasar:

\[ Y_i = \beta_0 + \beta_1 X_i + \mathbf{Z}_i'\boldsymbol{\gamma} + u_i \]

dengan \(Y_i\) adalah outcome, \(X_i\) adalah variabel utama, dan \(\mathbf{Z}_i\) adalah kovariat kontrol.

Interpretasi \(\beta_1\) harus disesuaikan dengan desain:

  • pada desain eksperimental, \(\beta_1\) lebih dekat dengan efek kausal;
  • pada desain observasional, \(\beta_1\) lebih aman ditafsirkan sebagai asosiasi bersyarat, kecuali asumsi identifikasi dibahas dengan kuat.

16.4 Masalah Klasik: Endogeneity

Endogeneity terjadi ketika prediktor berkorelasi dengan error model. Ini dapat muncul karena:

  1. omitted variable bias: ada variabel penting yang tidak dimasukkan;
  2. reverse causality: arah sebab-akibat tidak jelas;
  3. measurement error: variabel kunci diukur dengan error;
  4. selection bias: unit yang ikut program berbeda secara sistematis dari yang tidak ikut.

Contoh: jika mahasiswa yang ikut magang berkualitas tinggi memang sejak awal lebih termotivasi, maka perbedaan kesiapan kerja setelah magang tidak otomatis merupakan efek magang. Bisa jadi sebagian berasal dari motivasi awal yang tidak terukur.

16.5 Panel Data dan Fixed Effects

Panel data mengamati unit yang sama pada beberapa waktu. Contoh: program studi, kelas, UMKM binaan, atau mahasiswa yang diamati sebelum dan sesudah program.

Model fixed effects dua arah:

\[ Y_{it} = \alpha_i + \lambda_t + \beta X_{it} + \varepsilon_{it} \]

dengan \(\alpha_i\) menangkap karakteristik tetap unit ke-\(i\), dan \(\lambda_t\) menangkap shock umum pada waktu ke-\(t\).

Model ini berguna ketika terdapat karakteristik unit yang tidak berubah sepanjang waktu tetapi dapat memengaruhi outcome, misalnya budaya program studi, karakter dasar UMKM, atau kapasitas awal laboratorium (Wooldridge 2010).

16.6 Difference-in-Differences (DiD)

DiD digunakan ketika terdapat kelompok perlakuan dan pembanding, serta data sebelum dan sesudah intervensi.

Formulasi DiD:

\[ Y_{it} = \alpha + \delta \text{Post}_t + \gamma \text{Treat}_i + \tau(\text{Post}_t \times \text{Treat}_i) + \varepsilon_{it} \]

Koefisien \(\tau\) adalah estimasi efek program berdasarkan pendekatan DiD.

Contoh: menilai apakah kelas yang menerapkan teaching factory mengalami peningkatan kompetensi lebih besar dibanding kelas pembanding setelah program berjalan.

Syarat interpretasi penting: tren outcome antara kelompok perlakuan dan kontrol seharusnya paralel jika intervensi tidak terjadi. Ini disebut parallel trends assumption (Angrist and Pischke 2009).

16.7 Instrumental Variables (IV)

IV digunakan ketika variabel utama \(X\) diduga endogenous. Instrumen \(Z\) harus berkorelasi dengan \(X\), tetapi tidak memengaruhi \(Y\) kecuali melalui \(X\) (Imbens and Rubin 2015; Angrist and Pischke 2009).

Tahap pertama:

\[ X_i = \pi_0 + \pi_1 Z_i + \mathbf{Z}_i'\boldsymbol{\rho} + v_i \]

Tahap kedua:

\[ Y_i = \beta_0 + \beta_1 \widehat{X}_i + \mathbf{Z}_i'\boldsymbol{\gamma} + u_i \]

Contoh ide: jarak tempat tinggal mahasiswa ke lokasi magang dapat dipertimbangkan sebagai instrumen untuk intensitas magang hanya jika argumen validitas instrumennya kuat. Ini harus dibahas sangat hati-hati; instrumen yang lemah justru membuat hasil lebih rapuh.

16.8 Regression Discontinuity Design (RDD)

RDD digunakan ketika penentuan perlakuan didasarkan pada ambang batas tertentu. Desain ini memanfaatkan diskontinuitas di sekitar cutoff untuk membandingkan unit yang sangat mirip di sekitar ambang (Imbens and Rubin 2015).

Contoh: mahasiswa dengan skor seleksi minimal 70 memperoleh program pelatihan tambahan, sedangkan yang di bawah 70 tidak. Analisis memfokuskan perbandingan unit di sekitar ambang 70.

Formulasi lokal sederhana:

\[ Y_i = \alpha + \tau D_i + f(R_i - c) + \varepsilon_i \]

dengan \(D_i = 1\) jika unit melewati ambang \(c\), dan \(R_i\) adalah running variable.

16.9 Dynamic Panel Model

Jika outcome saat ini dipengaruhi oleh outcome masa lalu, model panel dinamis dapat dipertimbangkan.

Model panel dinamis:

\[ Y_{it} = \rho Y_{i,t-1} + \beta X_{it} + \alpha_i + \varepsilon_{it} \]

Model ini sering membutuhkan estimator khusus, misalnya Arellano–Bond, karena memasukkan lag outcome dapat menimbulkan bias pada panel dengan waktu pendek (Arellano and Bond 1991; Wooldridge 2010).

16.10 Peta Pemilihan Model Econometrics

Situasi Riset Model yang Mungkin Catatan Identifikasi
Data satu waktu dan outcome numerik OLS / regresi linear hati-hati omitted variables
Outcome biner Logit / probit interpretasi melalui odds ratio atau marginal effects (Cameron and Trivedi 2005)
Unit sama diamati berulang Panel fixed effects / random effects kontrol heterogenitas tidak teramati
Ada program, kelompok perlakuan, dan kontrol sebelum-sesudah Difference-in-Differences butuh asumsi parallel trends
X endogenous dan ada instrumen valid Instrumental Variables / 2SLS instrumen harus relevan dan eksogen
Perlakuan ditentukan oleh cutoff Regression Discontinuity Design fokus sekitar ambang
Outcome dipengaruhi outcome periode sebelumnya Dynamic panel gunakan estimator khusus

Prinsip penting: dalam econometrics, kualitas klaim tidak hanya bergantung pada model, tetapi juga pada strategi identifikasi. Model yang rumit tidak otomatis lebih benar daripada desain sederhana yang kuat.

17 Contoh Kasus Penelitian Kuantitatif untuk Dosen Vokasi

17.1 Kasus 1: Pengaruh Pembelajaran Berbasis Proyek terhadap Kompetensi Praktik

Rumusan masalah: apakah pembelajaran berbasis proyek meningkatkan kompetensi praktik mahasiswa?

  • Y = skor kompetensi praktik;
  • X = jenis pembelajaran (berbasis proyek vs konvensional).

Hipotesis: - \(H_0\): tidak ada perbedaan rata-rata skor kompetensi antara dua kelompok. - \(H_1\): ada perbedaan rata-rata skor kompetensi antara dua kelompok.

Analisis yang sesuai: uji t dua sampel atau ANCOVA bila ada kovariat.

17.2 Kasus 2: Faktor yang Mempengaruhi Kesiapan Kerja

  • Y = skor kesiapan kerja;
  • X1 = intensitas magang;
  • X2 = kualitas pembimbing industri;
  • X3 = soft skills;
  • X4 = IPK.

Analisis yang sesuai: regresi linear berganda.

17.3 Kasus 3: Kepuasan Mitra Industri

  • Y = puas/tidak puas;
  • X = kecepatan respons, kualitas mahasiswa, komunikasi, kesesuaian kompetensi.

Analisis yang sesuai: regresi logistik.

17.4 Kasus 4: Efektivitas Pelatihan Digital untuk UMKM

  • Desain: pre-test dan post-test;
  • Y = skor literasi digital atau produktivitas penjualan;
  • Analisis: paired t-test atau Wilcoxon bila asumsi parametrik tidak terpenuhi.
Pertanyaan
Apakah ada perbedaan, hubungan, atau pengaruh?
Output
Estimasi, p-value, interval kepercayaan, ukuran efek.
Risiko umum
Variabel kabur, instrumen lemah, desain tidak sesuai.
Solusi
Perjelas definisi operasional, desain, dan strategi analisis sejak awal.

18 Contoh Alur Analisis di R, SEM, dan Econometrics

Berikut ilustrasi sederhana untuk regresi linear.

# contoh data sederhana
set.seed(123)
n <- 120
magang <- rnorm(n, mean = 70, sd = 10)
pembimbing <- rnorm(n, mean = 75, sd = 8)
softskills <- rnorm(n, mean = 72, sd = 9)

kesiapan_kerja <- 20 + 0.25*magang + 0.30*pembimbing + 0.35*softskills + rnorm(n, 0, 6)

data_vokasi <- data.frame(kesiapan_kerja, magang, pembimbing, softskills)

model <- lm(kesiapan_kerja ~ magang + pembimbing + softskills, data = data_vokasi)
summary(model)
## 
## Call:
## lm(formula = kesiapan_kerja ~ magang + pembimbing + softskills, 
##     data = data_vokasi)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -16.9894  -3.3812   0.5015   4.2624  14.6358 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 26.76823    8.22491   3.255  0.00149 ** 
## magang       0.27675    0.06242   4.434 2.12e-05 ***
## pembimbing   0.23231    0.07174   3.238  0.00157 ** 
## softskills   0.30272    0.06005   5.041 1.73e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6.038 on 116 degrees of freedom
## Multiple R-squared:  0.3236, Adjusted R-squared:  0.3061 
## F-statistic: 18.49 on 3 and 116 DF,  p-value: 7.128e-10

Interpretasi umum: - koefisien positif menunjukkan kenaikan prediktor berkaitan dengan kenaikan kesiapan kerja; - p-value membantu menilai kekuatan bukti terhadap hipotesis nol; - \(R^2\) menunjukkan proporsi variasi respon yang dapat dijelaskan model.

18.1 Contoh Sintaks SEM dengan lavaan

Contoh berikut hanya ilustrasi struktur model. Data dan indikator harus disesuaikan dengan instrumen penelitian.

library(lavaan)

model_sem <- '
  # measurement model
  kualitas_magang =~ tugas_jelas + relevansi_tugas + supervisi + feedback
  soft_skills     =~ komunikasi + kerjasama + disiplin + adaptasi
  kesiapan_kerja  =~ percaya_diri + kompetensi_teknis + wawancara + adaptasi_kerja

  # structural model with parameter labels
  soft_skills    ~ a*kualitas_magang
  kesiapan_kerja ~ cprime*kualitas_magang + b*soft_skills

  # indirect, direct, and total effect
  indirect := a*b
  direct   := cprime
  total    := cprime + (a*b)
'

fit_sem <- sem(model_sem, data = data_vokasi_sem)
summary(fit_sem, fit.measures = TRUE, standardized = TRUE)

Catatan: contoh ini menggunakan label parameter a, b, dan cprime agar efek langsung, tidak langsung, dan total dapat dihitung otomatis oleh lavaan.

18.2 Contoh Sintaks Panel Fixed Effects dengan fixest

library(fixest)

# y = outcome, x = program/intervensi, id = unit, tahun = periode
model_fe <- feols(y ~ x + kontrol1 + kontrol2 | id + tahun,
                  data = data_panel)
summary(model_fe, vcov = "cluster")

18.3 Contoh Sintaks Difference-in-Differences

library(fixest)

model_did <- feols(y ~ post * treat + kontrol1 + kontrol2 | id + tahun,
                   data = data_did)
summary(model_did, vcov = "cluster")

Dalam model DiD, koefisien post:treat adalah estimasi efek program dengan asumsi parallel trends cukup masuk akal.

Humor metodologis tipis-tipis: kalau semua variabel dimasukkan tanpa konsep, itu bukan “model komprehensif”, itu kadang hanya “lemari statistik yang penuh campur-aduk”.

19 Manajemen Data, Missing Value, Outlier, dan Reproducible Workflow

19.1 Mengapa Ini Penting?

Kualitas analisis statistik tidak mungkin lebih baik daripada kualitas datanya. Dalam riset vokasi, data bisa berasal dari survei, rubrik praktik, log digital, catatan industri, atau sistem akademik. Karena sumbernya beragam, peneliti perlu menyiapkan tata kelola data yang rapi, mulai dari kode variabel, dokumentasi, pembersihan, hingga penyimpanan file (Buuren 2018; Goodman, Fanelli, and Ioannidis 2016; Wilkinson et al. 2016).

19.2 Data Dictionary

Setiap penelitian sebaiknya memiliki data dictionary.

Nama Variabel Label Tipe Kode/Nilai Catatan
id ID responden karakter unik tanpa nama pribadi
prodi Program studi kategori 1=TI, 2=Akuntansi, 3=Pariwisata disesuaikan
magang_jam Jam magang numerik jam cek nilai ekstrem
skor_praktik Skor uji praktik numerik 0–100 dari rubrik asesor
kompeten Status kompetensi biner 0=tidak, 1=kompeten berdasarkan standar

19.3 Missing Value

Missing value perlu dilaporkan, bukan disembunyikan. Langkah minimal:

  1. hitung proporsi missing per variabel;
  2. identifikasi pola missing;
  3. jelaskan alasan missing jika diketahui;
  4. tentukan strategi: complete case, imputasi sederhana, atau multiple imputation;
  5. laporkan dampaknya terhadap hasil.

Proporsi missing untuk variabel \(X\):

\[ \text{Missing Rate}_X = \frac{\text{jumlah data hilang pada } X}{n}\times 100\% \]

19.4 Outlier dan Data Tidak Masuk Akal

Outlier tidak selalu salah. Dalam vokasi, nilai ekstrem bisa bermakna: UMKM dengan omzet sangat tinggi, mahasiswa yang sangat cepat menyelesaikan tugas, atau jumlah cacat produksi yang melonjak. Namun outlier harus diperiksa.

Masalah Data Contoh Tindakan
Salah input skor 890 padahal skala 0–100 koreksi dengan sumber asli
Nilai ekstrem valid omzet UMKM sangat tinggi analisis dengan dan tanpa outlier
Kategori tidak konsisten “L”, “laki-laki”, “Male” standarkan kode
Duplikasi ID responden muncul dua kali cek apakah duplikat atau pengukuran berulang
Missing sistematis peserta tertentu tidak mengisi post-test jelaskan potensi bias

19.5 Reproducible Workflow

Minimal, struktur kerja riset kuantitatif dapat dibuat seperti ini:

project_vokasi/
  data_raw/          # data asli, tidak diedit langsung
  data_clean/        # data hasil pembersihan
  script/            # sintaks R/Python/SPSS
  output/            # tabel, grafik, model
  report/            # naskah, Rmd, lampiran
  codebook/          # data dictionary dan dokumentasi variabel

19.6 Contoh Sintaks Pembersihan Data Sederhana

library(dplyr)

# Contoh pembersihan data dasar
data_clean <- data_raw %>%
  mutate(
    kompeten = ifelse(skor_praktik >= 75, 1, 0),
    prodi = as.factor(prodi)
  ) %>%
  filter(!is.na(skor_praktik)) %>%
  distinct(id, .keep_all = TRUE)

summary(data_clean$skor_praktik)

Prinsip praktis: data asli jangan disentuh. Bersihkan data melalui script, bukan edit manual berulang-ulang di file utama. Excel bisa membantu, tetapi kalau terlalu banyak klik, biasanya jejak ilmiahnya ikut hilang pelan-pelan.

20 Etika Penelitian, Privasi Data, dan Kolaborasi dengan Mitra Industri

20.1 Etika dalam Riset Vokasi

Riset vokasi sering melibatkan mahasiswa, dosen, sekolah, pasien, pelanggan, UMKM, perusahaan, atau mitra industri. Karena itu, aspek etika perlu ditulis eksplisit, terutama terkait persetujuan responden, kerahasiaan data, relasi kuasa, dan penggunaan data operasional.

20.2 Risiko Etik yang Sering Muncul

Risiko Contoh Pencegahan
Relasi kuasa mahasiswa merasa wajib mengisi karena dosennya peneliti jelaskan sukarela dan tidak memengaruhi nilai
Data sensitif data omzet UMKM, nilai mahasiswa, evaluasi karyawan anonimisasi dan batasi akses
Konflik kepentingan program dievaluasi oleh pelaksana program jelaskan posisi peneliti dan batas interpretasi
Kerahasiaan industri data produksi atau cacat produk gunakan agregasi dan perjanjian data
Penggunaan AI data responden diunggah ke layanan eksternal gunakan data anonim atau data sintetik

20.3 Prinsip Perlindungan Data

  1. kumpulkan data secukupnya sesuai tujuan penelitian;
  2. hilangkan identitas langsung jika tidak diperlukan;
  3. gunakan ID anonim;
  4. simpan data di lokasi yang aman;
  5. batasi akses hanya untuk tim penelitian;
  6. jelaskan penggunaan data dalam informed consent;
  7. jangan unggah data sensitif ke AI atau platform publik tanpa izin dan perlindungan.

20.4 Format Kesepakatan Data dengan Mitra

Untuk riset bersama industri, minimal perlu disepakati:

Komponen Isi Minimal
Tujuan penggunaan data untuk penelitian/evaluasi tertentu
Jenis data variabel yang boleh digunakan
Level data individu, unit usaha, agregat, atau anonim
Hak publikasi apa yang boleh dipublikasikan
Kerahasiaan data apa yang tidak boleh dibuka
Masa simpan berapa lama data disimpan
Pihak yang mengakses nama/tim yang diberi akses

Catatan: data industri itu sering “seksi” untuk dianalisis, tetapi tidak semua boleh ditampilkan. Prinsipnya: boleh pintar, jangan sembrono.

21 Pemanfaatan AI secara Bijak dalam Penelitian Kuantitatif

21.1 Peran AI yang Bermanfaat

AI dapat membantu peneliti untuk beberapa tahap kerja, misalnya eksplorasi ide, perapian bahasa, penyusunan sintaks, dan penjelasan awal output. Namun penggunaannya perlu memperhatikan transparansi, akurasi, privasi data, bias, dan integritas akademik (UNESCO 2023; Kasneci et al. 2023).

AI dapat membantu peneliti untuk:

  1. merumuskan ulang masalah penelitian;
  2. menyusun alternatif variabel dan indikator;
  3. membantu mencari kata kunci pencarian literatur;
  4. merapikan bahasa akademik;
  5. membuat kerangka proposal;
  6. membantu menulis sintaks R/Python/SPSS;
  7. membantu menjelaskan output statistik secara awal.

21.2 Apa yang Tidak Boleh Diserahkan Mentah-mentah ke AI?

  1. penentuan temuan ilmiah tanpa verifikasi;
  2. interpretasi yang tidak dicek kembali ke data dan teori;
  3. fabrikasi data, referensi, atau hasil analisis;
  4. menyalin penuh teks AI tanpa penyuntingan dan tanggung jawab akademik.

21.3 Prinsip Etis Penggunaan AI

Prinsip praktis: 1. Gunakan AI sebagai asisten, bukan pengganti peneliti.
2. Verifikasi semua referensi, angka, dan interpretasi.
3. Jaga privasi dan kerahasiaan data.
4. Transparan jika AI digunakan secara substantif dalam proses penulisan atau analisis.
5. Jangan unggah data sensitif tanpa perlindungan yang memadai.

21.4 Contoh Prompt yang Sehat

  • “Bantu saya menyusun indikator variabel kesiapan kerja mahasiswa vokasi berdasarkan literatur.”
  • “Bantu jelaskan perbedaan uji t, ANOVA, dan regresi dalam konteks penelitian pendidikan vokasi.”
  • “Bantu buatkan sintaks R untuk regresi logistik dan jelaskan cara membaca odds ratio.”

21.5 Contoh Prompt yang Tidak Sehat

  • “Buatkan data agar hasil saya signifikan.”
  • “Tolong buatkan hasil penelitian lengkap seolah-olah saya sudah menganalisis.”
  • “Carikan referensi dan tulis sitasinya, saya tidak mau cek lagi.”

21.6 Catatan Penggunaan Sitasi

Sitasi dalam materi ini dipilih dari buku metodologi, artikel statistik, pedoman pelaporan, dan dokumen kebijakan AI yang umum digunakan dalam penelitian sosial, pendidikan, kesehatan, dan evaluasi program. Untuk proposal atau artikel ilmiah, peserta tetap perlu menambahkan referensi substantif yang sesuai dengan topik bidangnya, misalnya vokasi kesehatan, vokasi bisnis, vokasi teknik, pariwisata, agroindustri, atau teknologi informasi.

Kalimat yang mudah diingat: AI boleh membantu mempercepat pekerjaan, tetapi tanggung jawab ilmiah tetap tidak bisa di-outsource. AI itu asisten riset, bukan jin pengabul publikasi.

22 Luaran Riset Vokasi: Artikel, Policy Brief, Dashboard, Modul, dan SOP

22.1 Mengapa Luaran Perlu Dirancang dari Awal?

Riset vokasi memiliki kekuatan pada kebermanfaatan praktis. Karena itu, luaran tidak sebaiknya hanya berupa artikel ilmiah. Artikel penting, tetapi hasil riset vokasi juga dapat diterjemahkan menjadi rekomendasi operasional, modul pelatihan, SOP, dashboard, desain produk, atau bahan pengambilan keputusan.

22.2 Jenis Luaran yang Relevan

Luaran Tujuan Contoh Isi
Artikel ilmiah kontribusi akademik model, estimasi, interpretasi, diskusi teori
Policy brief rekomendasi ringkas untuk pimpinan masalah, temuan utama, opsi kebijakan, rekomendasi
Dashboard monitoring indikator tren kompetensi, kepuasan mitra, capaian sertifikasi
Modul pelatihan implementasi pembelajaran langkah praktik, latihan, evaluasi, rubrik
SOP standardisasi proses prosedur teaching factory, praktik laboratorium, evaluasi magang
HKI/buku panduan perlindungan dan diseminasi karya modul, aplikasi, instrumen, panduan evaluasi

22.3 Template Policy Brief 1 Halaman

Bagian Isi yang Disarankan
Judul singkat, spesifik, dan langsung ke masalah
Pesan utama 2–3 kalimat temuan inti
Latar masalah masalah praktis dan urgensinya
Bukti empiris angka kunci, ukuran efek, grafik ringkas
Implikasi apa arti temuan bagi program/mitra
Rekomendasi tindakan konkret, siapa melakukan apa, kapan
Catatan batasan keterbatasan data/desain secara jujur

22.4 Contoh Mengubah Temuan Menjadi Rekomendasi

Temuan Statistik Interpretasi Substantif Rekomendasi Vokasi
Jam praktik berasosiasi positif dengan skor kompetensi intensitas praktik berkaitan dengan penguasaan keterampilan tambah jam praktik terstruktur dan monitoring capaian
Feedback industri signifikan dalam regresi umpan balik mitra memperkuat kesiapan kerja buat format feedback mingguan dari pembimbing industri
Kelompok pelatihan naik 8 poin dibanding kontrol intervensi memiliki efek praktis jadikan modul sebagai program reguler setelah revisi kecil
Kepuasan mitra rendah pada komunikasi masalah bukan pada kompetensi teknis saja tetapkan SOP komunikasi mahasiswa-dosen-mitra

Kalimat kunci: riset vokasi yang kuat bukan hanya selesai di tabel regresi, tetapi sampai pada keputusan, perbaikan proses, dan luaran yang bisa dipakai.

23 Ringkasan Perbedaan Kuantitatif dan Mixed Methods

Komponen Kuantitatif Mixed Methods
Fokus utama Pengukuran dan pengujian Pengukuran + penjelasan mendalam
Kapan dipilih Variabel sudah jelas dan dapat diukur Peneliti butuh angka sekaligus pemaknaan
Kekuatan Efisien, terukur, mudah diuji Komprehensif dan kontekstual
Kelemahan Bisa kurang menjelaskan proses Lebih kompleks, butuh waktu dan keterampilan lebih
Cocok untuk vokasi? Sangat cocok untuk evaluasi program dan pembelajaran Cocok jika perubahan perilaku/proses perlu dijelaskan

23.1 Aturan praktis memilih pendekatan

  • Jika Anda ingin tahu apakah program efektif → kuantitatif.
  • Jika Anda ingin tahu mengapa program berhasil/gagal → kualitatif atau mixed.
  • Jika Anda ingin tahu berapa besar efek program dan mengapa efek itu muncul → mixed methods.

24 Checklist Menyusun Proposal Penelitian Kuantitatif

Sebelum proposal dianggap siap, cek apakah sudah ada:

  1. masalah penelitian yang nyata dan relevan;
  2. rumusan masalah yang spesifik;
  3. tujuan penelitian yang sejalan dengan rumusan masalah;
  4. kajian teori dan penelitian terdahulu;
  5. kerangka vokasi: input, proses, output, outcome, dan luaran;
  6. definisi operasional setiap variabel;
  7. hipotesis yang logis dan teruji;
  8. desain penelitian yang sesuai;
  9. rancangan evaluasi program jika penelitian menguji intervensi;
  10. populasi, sampel, teknik sampling, dan rencana power/ukuran sampel yang jelas;
  11. instrumen, rubrik, validitas, reliabilitas, dan reliabilitas antar-penilai jika relevan;
  12. rencana manajemen data: data dictionary, missing value, outlier, dan dokumentasi script;
  13. rencana analisis statistik yang cocok dengan jenis data dan tujuan penelitian;
  14. pertimbangan apakah analisis lanjutan seperti SEM, panel data, DiD, IV, atau RDD memang diperlukan;
  15. ukuran efek, interval kepercayaan, dan interpretasi praktis;
  16. asumsi identifikasi dan batasan interpretasi, terutama jika menggunakan data observasional;
  17. pertimbangan etika penelitian, privasi data, dan kerja sama dengan mitra industri;
  18. strategi penggunaan AI yang bertanggung jawab;
  19. rencana luaran: artikel, policy brief, dashboard, modul, SOP, atau rekomendasi institusional.

Inti workshop dalam satu kalimat: mulai dari masalah yang nyata, operasionalkan variabel secara jelas, pilih desain yang tepat, analisis sesuai tujuan, lalu interpretasikan hasil dengan jujur dan hati-hati.

25 Penutup

Penelitian kuantitatif sangat relevan bagi dosen vokasi karena mampu menghasilkan bukti empiris untuk evaluasi pembelajaran, peningkatan mutu, penguatan kemitraan industri, dan pengembangan inovasi terapan. Kekuatan utamanya terletak pada kejelasan alur berpikir: masalah → teori → variabel → data → analisis → interpretasi.

Dengan bantuan AI yang digunakan secara etis, proses penelitian bisa menjadi lebih efisien. Akan tetapi, penggunaan AI tetap harus disertai verifikasi manusia, perlindungan data, dan transparansi peran AI dalam proses penelitian (UNESCO 2023; Kasneci et al. 2023). Namun fondasi ilmiahnya tetap harus dibangun oleh peneliti melalui ketelitian konseptual, kedisiplinan metodologis, dan integritas akademik.

Materi workshop ini dapat dikembangkan lagi menjadi versi slide, handout peserta, atau modul pelatihan lengkap bila diperlukan.

Referensi

Agresti, Alan. 2018. Statistical Methods for the Social Sciences. 5th ed. Boston: Pearson.
Angrist, Joshua D., and Jörn-Steffen Pischke. 2009. Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton, NJ: Princeton University Press.
Appelbaum, Mark, Harris Cooper, Rex B. Kline, Evan Mayo-Wilson, Arthur M. Nezu, and Stephen M. Rao. 2018. “Journal Article Reporting Standards for Quantitative Research in Psychology: The APA Publications and Communications Board Task Force Report.” American Psychologist 73 (1): 3–25. https://doi.org/10.1037/amp0000191.
Arellano, Manuel, and Stephen Bond. 1991. “Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations.” The Review of Economic Studies 58 (2): 277–97. https://doi.org/10.2307/2297968.
Bollen, Kenneth A. 1989. Structural Equations with Latent Variables. New York: John Wiley & Sons. https://doi.org/10.1002/9781118619179.
Buuren, Stef van. 2018. Flexible Imputation of Missing Data. 2nd ed. Boca Raton, FL: CRC Press. https://doi.org/10.1201/9780429492259.
Cameron, A. Colin, and Pravin K. Trivedi. 2005. Microeconometrics: Methods and Applications. Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9780511811241.
Cochran, William G. 1977. Sampling Techniques. 3rd ed. New York: John Wiley & Sons.
Cohen, Jacob. 1988. Statistical Power Analysis for the Behavioral Sciences. 2nd ed. Hillsdale, NJ: Lawrence Erlbaum Associates.
Creswell, John W., and J. David Creswell. 2018. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 5th ed. Thousand Oaks, CA: SAGE Publications.
Creswell, John W., and Vicki L. Plano Clark. 2018. Designing and Conducting Mixed Methods Research. 3rd ed. Thousand Oaks, CA: SAGE Publications.
Cronbach, Lee J. 1951. “Coefficient Alpha and the Internal Structure of Tests.” Psychometrika 16 (3): 297–334. https://doi.org/10.1007/BF02310555.
DeVellis, Robert F., and Carolyn T. Thorpe. 2021. Scale Development: Theory and Applications. 5th ed. Thousand Oaks, CA: SAGE Publications.
Dillman, Don A., Jolene D. Smyth, and Leah Melani Christian. 2014. Internet, Phone, Mail, and Mixed-Mode Surveys: The Tailored Design Method. 4th ed. Hoboken, NJ: John Wiley & Sons.
Elm, Erik von, Douglas G. Altman, Matthias Egger, Stuart J. Pocock, Peter C. Gøtzsche, and Jan P. Vandenbroucke. 2007. “The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies.” PLoS Medicine 4 (10): e296. https://doi.org/10.1371/journal.pmed.0040296.
Fetters, Michael D., Leslie A. Curry, and John W. Creswell. 2013. “Achieving Integration in Mixed Methods Designs—Principles and Practices.” Health Services Research 48 (6 Pt 2): 2134–56. https://doi.org/10.1111/1475-6773.12117.
Furr, R. Michael. 2018. Psychometrics: An Introduction. 3rd ed. Thousand Oaks, CA: SAGE Publications.
Gertler, Paul J., Sebastian Martinez, Patrick Premand, Laura B. Rawlings, and Christel M. J. Vermeersch. 2016. Impact Evaluation in Practice. 2nd ed. Washington, DC: World Bank. https://doi.org/10.1596/978-1-4648-0779-4.
Goodman, Steven N., Daniele Fanelli, and John P. A. Ioannidis. 2016. “What Does Research Reproducibility Mean?” Science Translational Medicine 8 (341): 341ps12. https://doi.org/10.1126/scitranslmed.aaf5027.
Hair, Joseph F., G. Tomas M. Hult, Christian M. Ringle, and Marko Sarstedt. 2022. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). 3rd ed. Thousand Oaks, CA: SAGE Publications.
Hosmer, David W., Stanley Lemeshow, and Rodney X. Sturdivant. 2013. Applied Logistic Regression. 3rd ed. Hoboken, NJ: John Wiley & Sons. https://doi.org/10.1002/9781118548387.
Imbens, Guido W., and Donald B. Rubin. 2015. Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction. Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9781139025751.
Kasneci, Enkelejda, Kathrin Sessler, Stefan Küchemann, Maria Bannert, Daryna Dementieva, Frank Fischer, Urs Gasser, et al. 2023. “ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education.” Learning and Individual Differences 103: 102274. https://doi.org/10.1016/j.lindif.2023.102274.
Kelley, Ken, and Kristopher J. Preacher. 2012. “On Effect Size.” Psychological Methods 17 (2): 137–52. https://doi.org/10.1037/a0028086.
Kirkpatrick, James D., and Wendy Kayser Kirkpatrick. 2016. Kirkpatrick’s Four Levels of Training Evaluation. Alexandria, VA: ATD Press.
Kline, Rex B. 2016. Principles and Practice of Structural Equation Modeling. 4th ed. New York: The Guilford Press.
Levitt, Heidi M., Michael Bamberg, John W. Creswell, David M. Frost, Ruthellen Josselson, and Carola Suárez-Orozco. 2018. “Journal Article Reporting Standards for Qualitative Primary, Qualitative Meta-Analytic, and Mixed Methods Research in Psychology: The APA Publications and Communications Board Task Force Report.” American Psychologist 73 (1): 26–46. https://doi.org/10.1037/amp0000151.
Rosseel, Yves. 2012. “lavaan: An R Package for Structural Equation Modeling.” Journal of Statistical Software 48 (2): 1–36. https://doi.org/10.18637/jss.v048.i02.
Schulz, Kenneth F., Douglas G. Altman, and David Moher. 2010. “CONSORT 2010 Statement: Updated Guidelines for Reporting Parallel Group Randomised Trials.” BMJ 340: c332. https://doi.org/10.1136/bmj.c332.
Shadish, William R., Thomas D. Cook, and Donald T. Campbell. 2002. Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Boston, MA: Houghton Mifflin.
Stock, James H., and Mark W. Watson. 2020. Introduction to Econometrics. 4th ed. New York: Pearson.
UNESCO. 2023. Guidance for Generative AI in Education and Research. Paris: United Nations Educational, Scientific; Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000386693.
Wasserstein, Ronald L., and Nicole A. Lazar. 2016. “The ASA Statement on p-Values: Context, Process, and Purpose.” The American Statistician 70 (2): 129–33. https://doi.org/10.1080/00031305.2016.1154108.
Wasserstein, Ronald L., Allen L. Schirm, and Nicole A. Lazar. 2019. “Moving to a World Beyond ‘p < 0.05’.” The American Statistician 73 (sup1): 1–19. https://doi.org/10.1080/00031305.2019.1583913.
Wilkinson, Mark D., Michel Dumontier, I. J. J. Aalbersberg, Gabrielle Appleton, Myles Axton, Arie Baak, Niklas Blomberg, et al. 2016. “The FAIR Guiding Principles for Scientific Data Management and Stewardship.” Scientific Data 3: 160018. https://doi.org/10.1038/sdata.2016.18.
Wooldridge, Jeffrey M. 2010. Econometric Analysis of Cross Section and Panel Data. 2nd ed. Cambridge, MA: MIT Press.