slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Structural Equation Modeling (SEM) PowerPoint Presentation
Download Presentation
Structural Equation Modeling (SEM)

Loading in 2 Seconds...

play fullscreen
1 / 75

Structural Equation Modeling (SEM) - PowerPoint PPT Presentation


  • 219 Views
  • Uploaded on

Structural Equation Modeling (SEM). I. PENDAHULUAN.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Structural Equation Modeling (SEM)' - anastasia-howe


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
i pendahuluan
I. PENDAHULUAN
  • Teori dan model pada beberapa ilmu diformulasikan menggunakan konsep teoritis yg tidak dapat diukur atau diamati secara langsung, shg utk menyimpulkan scr ilmiah timbul 2 (dua) masalah : masalah pengukuran dan masalah hubungan kausal antar variabel (contoh)
  • Pengukuran
  • - apa yg sebenarnya diukur
  • - dg cara apa dan seberapa baik pengukuran yg dilakukan
  • - bgmn validitas dan reliabilitas suatu pengukuran
  • Hubungan kausal
  • - bgmn cara menyimpulkan hubungan kausal antar variabel
  • yg tdk teramati scr langsung, melainkan melalui indikator
  • - bgmn cara menilai kekuatan hubungan antar variabel tsb
  • dg indikatornya

C MAKSUM

slide3

Contoh

Dukungan

keluarga

Motivasi

utk pulih

Dukungan

teman

Stres

Kepercayaan

diri

slide4

Visioner

Kepemimpinan

Efisiensi

Adaptabilitas

Pengembangan

Inspiring

Kompetensi

Efektivitas

Pemberdayaan

Transparan

Tata

Pemerintahan

Kesejahteraan

Masyarakat

Supremasi Hukum

Pluralis

Pro Rakyat

Mandiri

Pendidikan

Kesehatan

Agama

Disiplin

Etika

Aparatur

Responsif

Kejujuran

Penyalahgunaan wewenang

C MAKSUM

slide6

SEM mengatasi ke dua masalah di atas dg :

  • Pengukuran  model pengukuran, menggambarkan
  • indikator2 atau variabel terukur sbg refleksi
  • dr vbl latennya (Confirmatory Factor
  • Analysis – CFA )
  • Hubungan kausal  model vbl laten
  • SEM dan Multivariat
  • Regresi  vbl teramati dan tidak ada variabel antara
  • SEM  vbl laten
  • Penggunaan vbl laten pd regresi  kesalahan pengukuran yg berpengaruh pd estimasi parameter (biased/unbiased) dan besarnya varian

C MAKSUM

ii regresi sem
II. Regresi >< SEM

X1

X1

X3

X4

X2

Y

Y

X3

X2

X4

X5

X5

Seberapa besar variasi Y dapat dijelaskan oleh X ?

Bila variabel lain dianggap konstan, apakah X berpengaruh thdp Y ?

Bagaimana hubungan X thdp Y ?

C MAKSUM

slide8

Regresi

X1

X2

Y

X3

X4

X5

Y = a + β1X1 +β2X2 + β3X3 + β4X4 + β5X5 + e

  • Y  fungsi linear dari kombinasi Xi
  • βi koesfisien regresi parsial
  • Hanya satu variabel terikat (Y)

C MAKSUM

kelemahan regresi
Kelemahan Regresi

Y = a + β1X1 +β2X2 + β3X3 + β4X4 + β5X5 + e

  • Bila hanya X4 dan X5 yang ‘significant’ dalam regresi ?

Apakah pengaruh X1, X2, dan X3 tidak relevan ?

C MAKSUM

slide10

Prediktor (X) ygtidaksignifikanmungkintidakpunyaefeklangsung (direct effects) thdpvariabelterikat (Y)

  • Regresimenghaluskanaspeksebabakibat (causal system), misaljikapersamaanregresi “benar”, prediktormana yang signifikan?
  • Model kausal (SEM) dapatdilihatsbganalisisbanyakregresi

C MAKSUM

slide11

ANALISIS JALUR: Teori yg menjelaskan eksistensi jalur antar variabel

    • Dua macam ‘effects’
      • Direct effects
        • X3 mengandung direct effects X1 dan X2

X1

X3 = X1 + X2

X4 = X2 + X3

X5 = X2

Y = X4 + X5

X3

X4

Y

X2

X5

C MAKSUM

slide12

ANALISIS JALUR: Teori yg menjelaskan eksistensi jalur antar variabel

    • Dua macam ‘effects’
      • Direct effects
        • X3 mengandung direct effects X1 dan X2
        • X4 mengandung direct effects X2 dan X3

X1

X3 = X1 + X2

X4 = X2 + X3

X5 = X2

Y = X4 + X5

X3

X4

Y

X2

X5

C MAKSUM

slide13

Dua macam ‘effects’

    • Direct effects
      • X3 mengandung direct effects X1 dan X2
      • X5 mengandung direct effect hanya X2

X1

X3 = X1 + X2

X4 = X2 + X3

X5 = X2

Y = X4 + X5

X3

X4

Y

X2

X5

C MAKSUM

slide14

Dua macam ‘effects’

    • Direct effects
      • X3 mengandung direct effects X1 dan X2
      • X5 mengandung direct effect hanya X2
      • Y mengandung direct effects X4 dan X5

X1

X3 = X1 + X2

X4 = X2 + X3

X5 = X2

Y = X4 + X5

X3

X4

Y

X2

X5

C MAKSUM

slide15

Dua macam ‘effects’

    • Direct effects
      • X3 mengandung direct effects X1 dan X2
      • X5 mengandung direct effect hanyaX2
      • Y mengandung direct effects X4 dan X5
    • Indirect effects: Effect suatu variable melalui variable lain
      • X1dihipotesakan mempengaruhi X4 melalui indirect effect X3

X1

X3 = X1 + X2

X4 = X2 + X3

X5 = X2

Y = X4 + X5

X3

X4

Y

X2

X5

C MAKSUM

slide16

Dua macam ‘effects’

    • Direct effects
      • X3 mengandung direct effects X1 dan X2
      • X5 mengandung direct effect hanya X2
      • Y mengandung direct effects X4 dan X5
    • Indirect effects: Effect suatu variable melalui variable lain
      • X1dihipotesakan mempengaruhi X4 melalui indirect effect X3
      • X1 dihipotesakan mempengaruhi Y melalui indirect effects X3 dan X4

X1

X3 = X1 + X2

X4 = X2 + X3

X5 = X2

Y = X4 + X5

X3

X4

Y

X2

X5

C MAKSUM

slide17

Logika Analisis Jalur (SEM) dg Regresi

  • Koefisienjalurmerupakankoefisienregresiparsial (β) standard.
  • Dalamregresi :
    • Covariance (x , y) = (y - y) (x - x)deviasi x dan y sekitar rata-ratanya
      • Nilaimakinbesarmakinbesar ‘shared variation’ antara x dan y

C MAKSUM

perluasan regresi
Perluasan Regresi
  • Dalamkasusbivariate

bila x dan y distandarkan, r = b

  • Dalam multiple prediktor (X1 and X2),

b menjadikoefisienregresiparsial

    • “Membagi” korelasi dg prediktor lain
    • βy1.2 = ry1 – (ry2 * r12)

1 - r122

    • βy2.1 = ry2 – (ry1 * r12)

1 - r122

Jadi: KoefisienRegresiParsialmerupakanfungsidarioperasisuatu matrixkorelasi

Y = a + βX+ e

Y = a + β1X1 +β2X2 + e

C MAKSUM

contoh reconstructing correlation matrix ij dlm kaitannya dg koefisien jalur indirect dan direct
Contoh Reconstructing Correlation Matrix (ŕij) dlmkaitannya dg KoefisienJalur Indirect dan Direct
  • ŕ13 = p31
  • ŕ23 = p32
  • ŕ14 = p43p31
  • ŕ24 = p43p32 + p42
  • ŕ25 = p52
  • ŕ1y = py4p43p31
  • ŕ2y = py4p42 + py4p43p32 + py5p52

X1

pij

 koefisien jalur

X3

X4

Y

X2

X5

“Pedoman umum” : Korelasi Reconstructed antara dua variabel = jumlah semua kemungkinan jalur direct dan indirect

ŕij ‘reconstructed’ atau ‘estimated’ korelasi berdasarkan model teoritis

C MAKSUM

slide20

III. DEKOMPOSISI KORELASI

1

  • KORELASI
  • - Sebag korelasi 1 & 3 scr langsung (DE) p31
  • Sebag korelasi disbabkan korelasi 1 & 2,
  • krn 2 juga mpengaruhi 3
  •  r12 p32, unanalyzed(U) krn 1 & 2 exogenous

p31

r12

2

3

p32

  • MEDIASI (ANTARA)
  • - Hanya 1 exogenous
  • 1  3 langsung p31 (DE)
  • 1 melalui 2, p21 dan p32 (IE)
  • korelasi 1 & 3 : DE + IE (tdk langsung)
  • total efek = DE +IE (causal part)
  • korelasi 3 & 2 (r23) dicrminkan oleh p32,
  • tapi juga mncrminkan pengaruh 1 thp 2 & 3
  • - Bila vbl ke III mnyebabkan korelasi antar 2 vbl
  • lain  hubungan mereka disebut spurious (S)
  • Hanya sebagian dr korelasi 2 & 3, spurious,
  • yaitu = r23 - p32.
  • - U + S = non causal part

1

p31

p21

2

3

p32

C MAKSUM

slide21

1

  • INDEPENDENT
  • Koefisien jalur = korelasi masing2
  • koefisien jalur mrupakan standardized

regression coeff

p31

2

3

p32

  • Korelasi dpt dipecah mnjadi 4 komponen :
  • - Efek langsung (DE)  jalur dari X ke Y
  • Efek tdk langsung (IE)  melalui vbl antara
  • Unanalyzed (U)  krn adanya exogenous vbl yg berkorelasi
  • Spurious  karena adanya penyebab vbl ke tiga
  • Tidak semua korelasi mpunyai keempatnya

C MAKSUM

slide22

Contoh

e1

Hubungan antar variabel

  • - e stray causes (disbabkan vbl di luar model)
  •  bukan measurement error
  • Vbl 2  disbabkan oleh sebag vbl 1 dan sebag error di luar model
  • Hubungan antar vbl : setiap vbl ditentukan oleh jalur ke arah vbl tsb,
  • bukan jalur tdk langsung ( tdk ada p21 utk persamaan z3).

C MAKSUM

slide23

Z  standard, var z = 1, korelasi z dg e = 0 (asumsi)

IV. PENGHITUNGAN KOEFISIEN JALUR (Path Coefficients)

 gunakan korelasi

(buktikan)

…….(*)

p31 dan p32blm diketahui

C MAKSUM

slide24

 2 persamaan dg 2 nilai blm diket

…….(**)

…….(***)

  • Merupakan nilai penimbang beta

pd regresi dg 3 vbl, 1 & 2 indep,

vbl 3 depndent

 Hal yg sama utk vbl lain, shg dpt ditulis

C MAKSUM

slide25

Dg cara yg sama dpt diperoleh :

r14 = p41 + p42r12 + p43 r13

r24 = p42 + p41 r12 + p43 r23

r34 = p43 + p41 r13+ p42r23

Koefisien jalur  dari sejumlah multiple regresi

 regresi dg bentuk paling sdrhana

(analisis jalur dg 1 depnden vbl k indep

yg tdk berkorelasi)

C MAKSUM

slide26
V. ATURAN JALUR
  • Tidak melalui suatu variabel 2 kali
  • Tidak boleh arah belakang
  • 1 unanalyzed association (korelasi) tiap jalur

Contoh :

Z1

Z4

Z1, Z2, Z3 exogenous

Z4, Z5 endogenous

Z2

Z5

Jalur :

Z1  Z4

Z2  Z4

Z2  Z1 Z4

Z3  Z1 Z4

Z3  Z2  Z4

Z3  Z2  Z1  Z4 ( Tidak boleh, 2 korelasi )

Z5  Z2  Z4 (Tidak boleh, arah belakang)

Z5  Z2  Z1 Z4 (Tidak boleh, arah belakang)

Z3

C MAKSUM

slide27

1

2

1

3

DE

IE

2

1

r14 = p41 + p42 r12 + p43 r13

3

4

DE

IE

IE

2

C MAKSUM

slide28

1

3

r23 = p32 + p31 r 12

DE

IE

2

1

3

4

r24 = p42 + p41 r 12 + p43 r23

2

DE

IE

IE

1

3

4

2

r34 = p43 + p41 r13 + p42 r23

DE

IE

IE

C MAKSUM

slide29

Contoh 3 vbl dg korelasi sbb :

r12 = .50

r13 = .25

r23 = .50

Model 1 :

z1=e1

z2=p21z1+e2

z3=p31 z1+p32z2+e3

p21 = r12 = .50

p32 = (.50 – (.25)(.50))/1-(.50)(.50) = .50

r13 = p31 + p32r12 = p31 +(.50)(.50)

p31 = .25 - .25 = 0

C MAKSUM

slide30

r12 = .50

r13 = .25

r23 = .50

Model 2

z1=p21z2+ e1

z2= e2

z3=p32z2+ e3

p21 = r12 = .50.

p32 = r23 = .50.

p31 tdk dihitung

C MAKSUM

slide31

Dekomposisikorelasi

z1=e1

z2=p21z1+e2

z3=p31 z1+p32z2+e3

r12 = p21

r13=p31+p32r21 = p31 + p32 p21

r23=p32+ p31 r12 = p32 + p31p21

z1=p21z2+ e1

z2= e2

z3=p32z2+ e3

r12 = p21

r13=p32p21

r23=p32

C MAKSUM

Utk ke dua model  r12=.50, r13=.25, r23=.50

slide32

Contoh

r12 = p21 r14 = p41 + p42r12 + p43r13

r13 = p31 + p32r12 r24 = p41r12+ p42 + p43r23

r23 = p31r12 + p32 r34 = p41r13+ p42r23 + p43

C MAKSUM

slide33
r13 = p31 + p32p21

r13 = DE + IE 

r14 = p41 + p42p21 + p43 (p31 + p32p21)

r14 = p41 + p42p21 + p43 p31 +p43p32p21

r14 = DE + IE  + IE + IE

r23 = p32 + p31p21

r23 = DE +S  

r24 = p42 + p43p32 + p41 p21+ p43p31p21

r24 = DE + IE + S + S 

r34 = p43+ p41 p31+ p41 p21p32+ p42 p21p31+ p42 p32

r34 = DE + S + S + S + S

C MAKSUM

slide34

2

Buatdekomposisikorelasi

daribaganberikut

e2

3

r12 = p21

r13=p31 + p32r12

r14=p41 + p42r12

r23=p32 + p31r12

r24=p42 + p41r12

r34=p41r13 + p42r23

r13=p31 + p32p21

r14=p41 + p42p21

r23=p32 + p31p21

r24=p42 + p41p21

r34=p41(p31 + p32p21) + p42(p32 + p31p21)

= p41p31 + p41p32p21 + p42p32 + p42p31p21

1

e3

e1

4

e4

C MAKSUM

slide35
Contoh

Status Sosek

(Z1)

p41

p31

p21

Prestasi SMU

(Z3)

Permilihan

Univ / PT

(Z4)

p43

p32

Kualitas SMU

(Z2)

p42

e3

e4

e2

z2 = p21 z1

z3 = p31 z1 + p32 z2

z4 = p41 z1 + p42 z2 + p43 z3

C MAKSUM

slide36
Dari pengolahan data diperoleh

Correlation matrix

Z1 Z2 Z3 Z4

Z1 1.00

Z2 0.30 1.00

Z3 0.41 0.16 1.00

Z4 0.33 0.57 0.50 1.00

Dari analisis jalur

p21 = 0.30 p32 = 0.041

p31 = 0.398 p42 = 0.501

p41 = 0.009 p43 = 0.416

C MAKSUM

slide37

Status Sosek

(Z1)

0.009

0.398

0.30

Prestasi SMU

(Z3)

Permilihan

Univ / PT

(Z4)

0.416

0.041

Kualitas SMU

(Z2)

0.501

z2 = 0.30 z1

z3 = 0.398 z1 + 0.041 z2

z4 = 0.009 z1 + 0.501 z2 + 0.416 z3

C MAKSUM

slide38
Perbandingankorelasiasli (r) dg hasilturunan (r*) darianalisisjalur. Korelasiaslidituliskandlmtandakurung( )

r* (Z1Z2) = p21

DE

= 0.30 (0.30)

r* (Z1Z3) = r13 = p31 + p32p21

DE IE

= 0.398 + (0.30) (0.041) = 0.410 (0.410)

r* (Z1Z4) = p41 + p42p21 + p43 p31 + p43p32p21

DE IE IE IE

= .009+(.398)(.416)+(.3)(.501)+ (.3)(.041)(.416)=

.330 (.330)

C MAKSUM

slide39
r*(Z2Z3) = p32 + p31p21

DE IE

= .041 + (.3) (. 398) = .16 (.16)

r*(Z2Z4) = p42 + p43p32 + p43p32p21+ p41 p21 DE S SS

= .501+(.3)(.009) + (.3)(.398)(.416) + (.041)(.416) = .570 (.570)

r*(Z3Z4) = p43+ p41 p31+ p41 p21p32+ p42 p21p31+ p42 p32

DE S SS S = .416+(.009)(.398) + (.009)(.3)(.041) + (.3)(.398).041)

+ (.041)(.501) = .50 (.50 )

Perhitungan di atasmperhitungkansemuakemungkinanjalur

C MAKSUM

slide40

.410

.420

Z1

Z3

Z4

Latihan : buat perbandingan korelasi asli (r) dg hasil turunan (r*)

dari analisis jalur

Z1 Z2 Z3 Z4

Z1 1.00

Z2 0.30 1.00

Z3 0.41 0.16 1.00

Z4 0.33 0.57 0.50 1.00

Persamaan : z3 = p31 z1

z4 = p42 z2 + p43 z3

.30

.503

Z2

C MAKSUM

slide42

.410

.420

Z1

Z3

Z4

p43

p31

z3 = p31 z1

z4 = p42 z2 + p43 z3

r12* = r12

= 0.30 (0.3)

r13* = p31 = 0.41 (.41)

DE

r14* = p42 r12 + p43 p31 = (.503)(.30) +(.42)(.41) = .323 (.33)

U IE

r23* = p31 r12 = (.41)(.30) = .123 (.16)

U

r24* = p42 + p43 p31 r12 = .503 + (.42)(.41)(.30) = .555 (.57)

DE U

r34* = p43 + p42 p31 r12 = .42 + (.503) (.41) (.30) = .482 (.5)

DE U

.30

p42

.503

Z2

C MAKSUM

slide43

VI. ALASAN MENGGUNAKAN SEM

1 Model yang dianalisisrelatifrumit, sulituntukdiselesaikandg regresi

linear.

2 Mampumengujihipotesis-hipotesissecaraserempak.

3 Kesalahan(error) tetapdianalisis, shgSEM lebihakuratutkmenganalisis

data kuesionerygmelibatkanpersepsi.

4 Mampumenganalisis model hubungansearah (recursive) maupuntimbal

balik (non recursive).

5 Dapatmenghitungpengaruhlangsungdanpengaruhtidaklangsung

* pengaruh langsung biasanya digambarkan dg panah satu arah dari satu

variabel ke variabel lainnya.

* pengaruh tidak langsung digambarkan dg panah satu arah pd satu variabel

ke variabel lain, kemudian dr variabel lain panah satu arah ke variabel

berikutnya.

6 Penelitidapatdenganmudahmemodifikasi model agar lebih

layaksecarastatistik.

C MAKSUM

vii konsep sem
VII. KONSEP SEM
  • Karakteristik SEM
  • - 2 jenisvariabel : vbllatendanvblteramati
  • - 2 jenis model : model strukturaldan model pengukuran
  • - 2 jeniskesalahan : kesalahanstrukturaldankesalahan
  • pengukuran
  • Variabeldalam SEM
  • - vbllaten abstrak, contoh : perilaku, sikap, dsb.
  • Jenisvbllaten :

eksogen

eksogen

endogen

endogen

C MAKSUM

slide45

vblteramati vblygdapatdiukurscrempirisatauindikator.

  • simbolvblteramati
  • Model-model dalam SEM Model struktural
  • Reciprocal causation
  • Unanalyzed association
slide46

Model pengukuran

utk variabel endogen dg indikator y, digunakan

penulisan model sama sprti di atas

x1

x1 =

x2

x2 =

x3

x3 =

y1

y2

y3

slide47

Koefisien jalur  ”koefisien regresi” standard yg ”mprediksi” satu

variabel dari variabel lainnya

Asumsi :

* hubungan antar variabel linear, aditif dan kausal

* residu tidak berkorelasi

* arahkausalsatuarah (recursive)

* skalapengukuransemuavariabelsekurang-kurangnya

interval

C MAKSUM

slide48

Kesalahandalam SEM

  • - kesalahanstruktural, misal
  • - kesalahanpengukuran, misal
  • Contohbentukumum SEM 

x1 =

slide49

Model SEM

X1

X2

X3

Y1

Y2

Endogen

1

Eksogen

1

Endogen

2

Eksogen

2

Y3

Y4

Y5

X4

X5

C MAKSUM

slide50

M

odel Lintasan (Path Model)

Bentuk umum SEM  Full (Hybrid) model, vbl laten + vbl teramati

Utk penelitian dg vbl teramati  Model Lintasan (Path Model)

X1

Y1

Y3

X2

Y2

Y1= X1

Y2= X2 + Y1

Y3= Y2

C MAKSUM

slide51

Jumlah Sample (berbagaisumber)

  • - pendugaan parameter dg MLE : 100 – 200
  • 10 kali jumlah parameter
  • Lisrel 400 atau 10 kali jumlahvariabel

C MAKSUM

slide52
VIII. UJI KECOCOKAN MODEL

Hair et al (2006), evaluasikecocokan data thdp model :

- kecocokankeseluruhan model (overall model fit)

- kecocokan model pengukuran (measurement model fit)

- kecocokan model struktural (structural model fit)

a) Kecocokankeseluruhan model

(1)Absolute Fit Measures

Ukurankesesuaianabsolut (absolute fit measures) menginformasikan

kemampuan model untukmengestimasisecaraabsolutmatrikskovarian

populasiberdasarkanmatrikskovariansampel.

(i) Likelihood ratio chi-square statistic (χ2)

Statistik chi-square  makinkecilmakinbaik

Nilaiχ ² < 2,0 adalahindikasidariacceptable fit antara model dan

data.

C MAKSUM

logika tes model pada sem
Logika Tes Model pada SEM
  • Mulai dg matrix korelasi X1, X2, dan X3X1 X2 X3 X1 1.0 r12 r13 X2 1.0 r23 X3 1.0
  • Hipotesiskan model structural utkmengetes

X2

X1

X3

    • Model di atasdapatdituliskan dg persamaansbb :
  • ŕ12 = p21
  • ŕ13 = p31 +p32p21(direct effect X1thdp X3 + indirect effect melalui X2)
  • ŕ23 = p32 + p31p21(direct effect X2thdp X3 + indirect effect melalui X1)
  • ŕij ‘reconstructed’ atau ‘estimated’ korelasiberdasarkan
  • model teoritis

C MAKSUM

slide54

3. Koefisienjalurdapatdiestimasi dg metoderegresi (KoefisienParsialStandar), berdasarkan model dapatdigunakanutk “reconstruct” matrikkorelasi .

4. “Estimated” korelasidapatdibandingkan dg “observed” korelasidanchi-squareakanmenunjukkanapakah model cocok (non-significant chi-square menunjukkan good fit.)

2 test menghitungkorelasi observed vs. expected (“reconstructed”)

C MAKSUM

2 goodness of fit test
2 Goodness of Fit Test

1. Korelasiberdasarkan data (Observed)

X1 X2 X3 X1 1.0 r12(o) r13(o) X2 1.0 r23(o) X3 1.0

2. Korelasiberdasarkan Path model (Reconstructed)

X1 X2 X3 X1 1.0 ŕ12(e)ŕ13(e) X2 1.0 ŕ23(e)

X3 1.0

2 = Σ(rij(o) – ŕij(e))2/ŕij(e))

Bilakorelasi observed dg reconstructed

mirip, nilai Chi-square kecil

C MAKSUM

slide56

u Biladipilih model lain akanmenghasilkan reconstructed korelasiygberbedaygmungkinlebihcocokataukurangcocok. Misal X2 r12 = 0 X1 r13 = p31 X3 r23 = p32

Model-model dlm SEM merupakanperbandingandari model alternatifutkdipilihygcocok (fit).

Misal, apaygdihasilkanbilajalur X1 - X2 diputus ?

Bandingkan chi-square drsetiap model; apakahnilai chi-square naik (lebihkurang fit) bilajalurdiputus ?

C MAKSUM

slide57
(ii)Goodness-Fit-Index (GFI)

Goodness-Fit-Index (GFI) merupakansuatuukuranmengenai

ketepatan model dalammenghasilkan observed matrikskovarian.

Nilainyaberkisardari 0 (poor fit) sampai 1 (perfect fit). Nilai GFI yang

tinggimenunjukkan fit yang lebihbaik. Nilai yang direkomendasikan

adalah≥ 0,90 yang menunjukkangood fit, sedangkan 0,80 ≤ GFI <

0,90 seringdisebutsebagaimarginal fit.

C MAKSUM

slide58

(iii) The Root Mean Square Error of Approximation (RMSEA)

RMSEA merupakanukuran yang mencobamemperbaikikecenderungan

statistikchi-square menolak model denganjumlahsampel yang besar.

NilaiRMSEA antara 0,05 – 0,08 mengindikasikangood fit dannilai

RMSEA <0,05 mengindikasikanclose fit.

(iv)Root Mean Square Residual (RMR)

Root Mean Square Residualmewakilinilairerata residual yang diperoleh

darimencocokkanmatrikvarian-kovariandari model yang dihipotesiskan

denganmatrikvarian-kovariandari data sampel. Model yang mempunyai

kecocokanbaik (good fit) akanmempunyainilaiStandardized Root Mean

Square Residuallebihkecildari 0,05.

slide59

(2) Incremental Fit Measures

Ukurankesesuaiankomparatif (incremental fit measures)

menginformasikankemampuan model yang diusulkanbiladibandingkan

dengan model yang diprogramuntukmenghasilkanestimasi parameter

yang bersifatperfect fit.

(i) Adjusted Goodness-of-Fit (AGFI)

Adjusted Goodness-of-Fit adalah analog dari R² dalamregresiberganda.

Fit indeksinidapatdisesuaikanterhadapdegrees of freedom yang

tersediauntukmengujiditerimaatautidaknya model. AGFI adalah

kriteriayang memperhitungkanproporsitertimbangdarivariansdalam

suatumatrikskovarianssampel. Nilai >0,90 dapatdiinterpretasikan

sebagaitingkatan yang baik (good overall model fit), sedangkannilai

> 0,80, menunjukkantingkatan yang cukup (marginal fit).

slide60

(ii) Tucker Lewis Index (TLI)

Nilai yang direkomendasikan sebagai acuan untuk diterimanya

suatu model adalah ≥ 0,90 mengindikasikan good fit dan nilai

Tucker Lewis Index sebesar 0,80 – 0,90 mengindikasikan

marginal fit, dan nilai yang sangat mendekati 1 menunjukkan a

very good fit.

slide61

(iii)Normed Fit Index (NFI)

Normed Fit Indexmerupakanperbandinganrelatifdaripada model yang

dibuatterhadap null model. NilaiNormed Fit Indexberkisardari 0 (sama

sekalitidakcocok) sampai 1 (kecocokansempurna). Tidakadanilai

absolutyang menunjuktingkatpenerimaan, namunnilai yang

direkomendasikanadalahlebihbesardari 0,90 yang menunjukkangood fit,

sedangkan0,80 ≤ NFI < 0,90 seringdisebutsebagaimarginal fit.

(iv) Comparative Fit Index (CFI)

Besaranindeksiniadalahpadarentangnilaisebesar 0 – 1. Semakin

mendekati1 mengindikasikantingkatfit paling tinggi (a very good fit). Nilai

CFI ≥ 0,90 mengindikasikangood fit dannilaiComparative Fit Index

sebesar0,80 – 0,90 mengindikasikanmarginal fit. Keunggulandariindeks

iniadalahbahwaindeksinibesarannyatidakdipengaruhiolehukuran

sampel, karenaitusangatbaikuntukmengukurtingkatpenerimaansuatu

model. Dalampenilaian model, indeksTLI danCFI sangatdianjurkan

untukdigunakankarenaindeksinirelatiftidaksensitifterhadapbesarnya

sampeldankurangdipengaruhi pula olehkerumitan model.

slide62

(3) Parsimonious Fit measures

Ukurankesesuaianparsimoni (Parsimonius Fit easures, PFM)

menginformasikankesederhanaan model dalamkaitannyadengan

jumlah parameter yang diestimasi. Dilihatdariukuran PFM, model

dikatakan fit dengan data bila model yang diusulkanrelatiflebih

sederhanadibandingkandengan model alternatif.

(i) Parsimonious Normal Fit Index (PNFI)

Parsimonious Normal Fit Indexmemasukanjumlahdegree of freedom

yang digunakanuntukmencapai level fit. NilaiParsimonious Normal Fit

Indexyang tinggimenunjukkankecocokan yang lebihbaik, tetapiini

hanyadigunakandalammembandingkan model alternatif. Dalam

membandingkanmodel, perbedaansebesar 0.06-0.09 menunjukkan

perbedaanyang sangatbesardari model tersebut.

slide63

(ii) Parsimonious Goodness-of-Fit Index (PGFI)

Parsimonious Goodness-of-Fit Indexmemodifikasi GFI atasdasar

parsimony estimated model. Nilai PGFI berkisarantara 0 sampai 1.

NilaiPGFI ≥ 0,90 mengindikasikangood fit dannilaiPGFI sebesar

0,80– 0,90 mengindikasikanmarginal fit.

slide64
b) Kecocokan model pengukuran

Validitasdanreliabilitas

* Validitas

- nilaifaktor loading 2.00, korelasi sig

- nilaifaktor loading standar 0.70

- KMO 0.6

Bartlet test 0.05

* Reliabilitas

- Cronbach alpha 0.70

- Construct reliability (CR) 0.70

- Variance extracted (VE) 0.50

c) Kecocokanmodel strukturalbandingkannilai t dg t tabel

ataulihat p value

C MAKSUM

software aplikasi sem
SOFTWARE aplikasi SEM
  • LISREL (Joreskog & Sorbom)
  • EQS5 (Bentler)
  • SEPATH (Steiger)
  • AMOS (Arbuckle)
  • CALIS (SAS Institute)
  • LISCOMP (Muthen)
  • MPLUS (Muthen & Muthen)
  • RAMONA (Browne & Mels)
  • STATA

C MAKSUM

slide66

Pengolahan dg AMOS

Siapkan data dalam Worksheet SPSS (SPSS)

Buat Diagram Path dalamBidangKerja AMOS (AMOS)

Hubungkan Diagram Path dalam AMOS dengan data dalam SPSS (AMOS)

Tentukan output yang diperlukan (AMOS)

Lakukananalisis (estimasi) (AMOS)

Output : Diagram Path, TabeldanatauTeks (AMOS)

C MAKSUM

slide67

Job satisfaction

Age

Autonomi

Income

CONTOH

  • Misal model berikut (Bryman, A. and D. Cramer, 1990):
  • Model tsbdptdituliskansbb:

1. Satisfaction = b11age+b12autonomy+b13income+e1

2. Income = b21age+b22autocomy+e2

3. Autonomy = b31age+e3

  • Koefisienjalur (b) dlmpersamaantsbmpkkoef. regresiparsialygdibakukan. Koef. jalurdisebutjgkoefisien p ataupembobot beta sederhana, ygdidasarkan pd kegunaandlm model regresiberganda.
slide68

-0,08

0,28

0,58

0,57

0,47

0,22

Job satisfaction

Age

Autonomi

Income

  • Bryman, A. and D. Cramer memperoleh model sbb:
  • Variabelterikat pd setiappersamaanadalahsemuavariabel endogen (semuavariabelkecualivariabel “age”, ygmpkvariabeleksogen) danvariabelbebas pd setiappersamaanadalahsemuavariabel dg panahygmenujuvariabelterikat.
slide69
Effect decomposition. Koef. jalurdptjgdigunakanutkmenguraikankorelasidlm model jalurmenjadipengaruhlangsung & tdklangsung, sptdigambarkanmelaluipanahdlm model jalur. Hal inididasarkan pd aturanbhwdlmsuatusistempersamaan linier, total pengaruhsuatuvariabel j thdvariabelimpkjumlahnilai pd setiapjalurdari j kei.
  • Pd kasussblmnya, satisfactionsbg var. terikat, & agesbg var. bebas. Indirect effectdragethdsatisfaction dihitung dg mengalikanmasing-masingkoef. jalurdragekesatisfaction.
    • Age  income  satisfaction = (0,57)x(0,47) = 0,26
    • Age  autonomy  satisfaction = (0,28)x(0,58) = 0,16
    • Age  autonomy  income  satisfaction = (0,28)x(0,22)x(0,47) = 0,03
    • Total indirect effect = 0,45
    • Diketahuidirect effect age thd satisfaction = -0,08
    • Total pengaruh age thd satisfaction adlh (-0,08+0,45) = 0,37