MULTILEVEL DAN GENERALIZED LINEAR MODELING

Oleh :
Abdullah M. Jaubah

Pendahuluan
Paket program Lisrel mengandung peluang pilihan mengenai Multilevel Modeling,
Generalized Linear Modeling, Multilevel Generalized Linear Modeling, dan peluang-peluang
pilihan lain. Lisrel, Amos, Eqs, dan beberapa paket program lain dikelompokkan ke dalam
pemodelan persamaan struktural berdasar atas kovarians dan Visual PLS, Smart PLS, Wrap
PLS, GSCA dikelompokkan ke dalam pemodelan persamaan struktural berdasar atas varians
atau komponen. Perbandingan antara pemodelan persamaan struktural berdasar atas
kovarians dan pemodelan persamaan struktural berdasar atas varians atau komponen sering
dilakukan akan tetapi kemampuan-kemampuan lain dalam pemodelan persamaan struktural
berdasar atas kovarians tidak dibahas. Lisrel, sebagai contoh, mengandung kemampuankemampuan lain di samping pemodelan persamaan struktural.Tiga kemampuan lain dalam
Lisrel akan dikemukakan di sini yaitu kemampuan Multilevel Modeling, Generalized Linear
Modeling, dan Multilevel Generalized Linear Modeling. Pembahasan ini akan memakai
contoh-contoh yang terkandung dalam paket program Lisrel 9.10 for Windows.
Multilevel (Hierarchical) Modeling
Wikipedia [1] mengandung pembahasan mengenai multilevel modeling dan melakukan
beberapa kutipan. Pembahasan mengenai multilevel modeling dalam Wikipedia itu antara
lain adalah sebagai berikut :
Multilevel models (also hierarchical linear models, nested models, mixed models, random
coefficient, random-effects models, random parameter models, or split-plot designs) are
statistical models of parameters that vary at more than one level.[1] These models can be
seen as generalizations of linear models (in particular, linear regression), although they can
1

also extend to non-linear models. These models became much more popular after
sufficient computing power and software became available.[1] Multilevel models are
particularly appropriate for research designs where data for participants are organized at
more than one level (i.e., nested data).[2] The units of analysis are usually individuals (at a
lower level) who are nested within contextual/aggregate units (at a higher level).[3]
Multilevel modeling terutama cocok untuk rancangan-rancangan penelitian di mana data
untuk para partisipan diatur lebih daripada satu tingkatan dan unit-unit analisis adalah
individu-individu pada tingkat paling bawah dengan hirarki pada tingkat-tingkat yang lebih
tinggi.
Penelitian dalam ilmu sosial sering mengandung analisis atas data dengan struktur hirarki.
Model-model multilevel bermanfaat dalam pemodelan data dari survey kompleks. Kluster
atau rancangan sample tahapan jamak adalah sering dipakai untuk populasi-populasi dengan
struktur hirarki. Implikasi-implikasi akan sangat penting jika struktur hirarki dari data itu
dikesampingkan. Lisrel 9.10 mengandung peluang untuk memakai modul multilevel atas
struktur hirarki data.
Multilevel modeling, dalam Lisrel 9.10 for Windows, tersedia dan contoh-contoh mengenai
multilevel modeling juga tersedia. Contoh-contoh ini akan dipakai di sini berdasar pada
sintaksis, hasil pelaksanaan sintaksis, dan penafsiran hasil pelaksanaan sintaksis.
Contoh Kesatu
Sintaksis Multilevel Modeling
Contoh sintaksis multilevel modeling adalah sebagai berikut :
OPTIONS Maxiter=30 Conv=0.0001 CovBW=Yes ACM=Yes;
TITLE=Multivariate Analysis of Education Data;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept;
MISSING_DEP=-9;

Sintaksis di atas mencerminkan analisis multivariat atas data pendidikan dengan respons
math 1, math 2, math 3, eng 1, eng 2, dan eng 3. Tiga contoh akan disajikan. Sintaksis dari
ketiga contoh ini tersedia dalam folder MLEVELEX. Nama-nama arsip sintaksis yang

dipakai di sini adalah JSP1.PRL, JSP2.PRL, dan JSP3.PRL. Beberapa arsip Prelis lain
terkandung dalam folder ini.
Hasil Pelaksanaan Sintaksis Multilevel Modeling
Pelaksanaan sintaksis di atas dilakukan dengan cara memilih dan menekan tombol gambar
orang sedang berjalan di sebelah kanan. Langkah ini akan menghasilkan informasi sebagai
berikut :
o------------------------------------------------o
|
|
|
MULTILEVEL Module of LISREL 9.1
|
|
Linear and Nonlinear Modeling
|
|
for
|
|
Multilevel Data
|
|
|
|
Copyright 1997-2012
|
|
Scientific Software International, Inc.
|
|
Website: www.ssicentral.com
|
|
Support: techsupport@ssicentral.com
|
|
|
|
Date of analysis: December 05, 2014
|
|
Time of analysis: 12H58:48
|
|
|
o------------------------------------------------o
The following lines were read from file
C:\Documents and Settings\user\Desktop\LISREL9S\MLEVELEX\JSP1.prl
OPTIONS Maxiter=30 Conv=0.0001 CovBW=Yes ACM=Yes;
TITLE=Multivariate Analysis of Education Data;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept;
MISSING_DEP=-9;
+--------------+
| DATA SUMMARY |
+--------------+
NUMBER OF LEVEL 3 UNITS :
NUMBER OF LEVEL 2 UNITS :
NUMBER OF LEVEL 1 UNITS :

49
1192
6472

ID3 :
N2 :
N1 :

1
34
184

2
13
72

3
21
96

4
24
144

5
29
166

6
24
120

7
15
78

8
31
174

ID3 :
N2 :
N1 :

9
22
130

10
14
48

11
12
70

12
28
154

13
25
138

14
15
86

15
24
106

16
19
106

ID3 :
N2 :
N1 :

17
7
40

18
20
110

19
17
88

20
15
84

21
32
184

22
16
92

23
20
116

24
21
126

ID3 :
N2 :
N1 :

25
18
94

26
29
156

27
27
146

28
18
96

29
25
124

30
37
182

31
36
214

32
26
148

ID3 :
N2 :

33
46

34
34

35
19

36
32

37
22

38
14

39
16

40
13

N1

262

184

106

178

118

78

90

68

ID3 :
N2 :
N1 :

41
13
70

42
47
262

43
6
32

44
17
88

45
19
102

46
37
204

47
72
412

48
25
144

ID3 :
N2 :
N1 :

49
46
202

Adjusted between cluster sample size=

Within cluster sample size=
1192

24

=======================================================================
Multivariate Analysis of Education Data
ITERATION NUMBER

1
+---------------------------------------------------------+
| FIXED PART WITH IDENTITY MATRIX FOR VARIANCE COMPONENTS |
+---------------------------------------------------------+

-----------------------------------------------------------------------------COEFFICIENTS
BETA-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------intcept1
25.06672
0.49698
50.43800
0.00000
intcept2
25.06466
0.50245
49.88456
0.00000
intcept3
30.48583
0.54689
55.74448
0.00000
intcept4
48.06759
0.49698
96.71919
0.00000
intcept5
65.33924
0.50245
130.04043
0.00000
intcept6
42.63274
0.54689
77.95555
0.00000
+-----------------------+
|
-2 LOG-LIKELIHOOD
|
+-----------------------+
DEVIANCE= -2*LOG(LIKELIHOOD) =
NUMBER OF FREE PARAMETERS =

1583817.32147373
48

-------------------------------------CONVERGENCE REACHED IN
8 ITERATIONS
-------------------------------------Multivariate Analysis of Education Data
ITERATION NUMBER

8
+-----------------------+
| FIXED PART OF MODEL
|
+-----------------------+

-----------------------------------------------------------------------------COEFFICIENTS
BETA-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------intcept1
24.90370
0.33546
74.23792
0.00000
intcept2
24.87234
0.40108
62.01311
0.00000
intcept3
30.04909
0.37761
79.57736
0.00000
intcept4
47.15338
1.32158
35.67945
0.00000
intcept5
64.96594
1.22017
53.24352
0.00000
intcept6
40.71988
1.38296
29.44399
0.00000
+-----------------------+

|
-2 LOG-LIKELIHOOD
|
+-----------------------+
DEVIANCE= -2*LOG(LIKELIHOOD) =
NUMBER OF FREE PARAMETERS =

45991.2578958991
48

+-----------------------+
| RANDOM PART OF MODEL |
+-----------------------+
-----------------------------------------------------------------------------LEVEL 3
TAU-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------math1
/math1
3.31028
1.10053
3.00791
0.00263
math2
/math1
2.29203
1.09364
2.09579
0.03610
math2
/math2
5.23047
1.57789
3.31486
0.00092
math3
/math1
2.36877
1.02957
2.30075
0.02141
math3
/math2
3.13485
1.25421
2.49945
0.01244
math3
/math3
4.79640
1.39721
3.43285
0.00060
eng1
/math1
9.95162
3.74223
2.65927
0.00783
eng1
/math2
9.49602
4.22124
2.24958
0.02448
eng1
/math3
9.95900
4.00265
2.48810
0.01284
eng1
/eng1
59.32680
17.15964
3.45735
0.00055
eng2
/math1
9.93290
3.47650
2.85716
0.00427
eng2
/math2
11.41833
4.08446
2.79555
0.00518
eng2
/math3
11.59906
3.87949
2.98984
0.00279
eng2
/eng1
42.49228
14.15024
3.00294
0.00267
eng2
/eng2
53.08595
14.64628
3.62453
0.00029
eng3
/math1
10.16830
3.82941
2.65532
0.00792
eng3
/math2
10.71620
4.43202
2.41790
0.01561
eng3
/math3
13.71315
4.43882
3.08937
0.00201
eng3
/eng1
45.00410
15.55552
2.89313
0.00381
eng3
/eng2
51.61419
15.11775
3.41415
0.00064
eng3
/eng3
71.08796
18.81475
3.77831
0.00016
-----------------------------------------------------------------------------LEVEL 2
TAU-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------math1
/math1
47.17671
1.99173
23.68631
0.00000
math2
/math1
38.63798
1.91420
20.18492
0.00000
math2
/math2
55.45831
2.35660
23.53314
0.00000
math3
/math1
31.21276
1.65633
18.84448
0.00000
math3
/math2
36.54802
1.84653
19.79278
0.00000
math3
/math3
41.33874
1.86018
22.22293
0.00000
eng1
/math1
109.03175
5.79022
18.83032
0.00000
eng1
/math2
109.44780
6.15532
17.78100
0.00000
eng1
/math3
88.00030
5.36198
16.41191
0.00000
eng1
/eng1
549.41232
23.15761
23.72492
0.00000
eng2
/math1
88.73168
4.92512
18.01613
0.00000
eng2
/math2
94.99391
5.32980
17.82315
0.00000
eng2
/math3
79.52971
4.69229
16.94901
0.00000
eng2
/eng1
388.36174
18.26625
21.26117
0.00000
eng2
/eng2
409.27297
17.36258
23.57213
0.00000
eng3
/math1
94.37662
5.19417
18.16973
0.00000
eng3
/math2
99.80683
5.60600
17.80356
0.00000
eng3
/math3
86.38268
4.95170
17.44505
0.00000
eng3
/eng1
382.76743
18.73683
20.42861
0.00000
eng3
/eng2
317.45309
15.98496
19.85949
0.00000
eng3
/eng3
425.49404
18.97401
22.42510
0.00000
LEVEL 3 COVARIANCE MATRIX

math1
math2
math3
eng1
eng2

math1

math2

math3

eng1

eng2

3.31028
2.29203
2.36877
9.95162
9.93290

5.23047
3.13485
9.49602
11.41833

4.79640
9.95900
11.59906

59.32680
42.49228

53.08595

eng3

10.16830

10.71620

13.71315

45.00410

51.61419

eng3
eng3

71.08796

LEVEL 3 CORRELATION MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

eng3

1.0000
0.5508
0.5945
0.7101
0.7493
0.6629

1.0000
0.6259
0.5391
0.6852
0.5557

1.0000
0.5904
0.7269
0.7426

1.0000
0.7572
0.6930

1.0000
0.8402

1.0000

LEVEL 2 COVARIANCE MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

47.17671
38.63798
31.21276
109.03175
88.73168
94.37662

55.45831
36.54802
109.44780
94.99391
99.80683

41.33874
88.00030
79.52971
86.38268

549.41232
388.36174
382.76743

409.27297
317.45309

eng3
eng3

425.49404
LEVEL 2 CORRELATION MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

eng3

1.0000
0.7554
0.7068
0.6772
0.6386
0.6661

1.0000
0.7633
0.6270
0.6305
0.6497

1.0000
0.5839
0.6114
0.6513

1.0000
0.8190
0.7917

1.0000
0.7607

1.0000

+--------------------------------------+
| CPU TIME (SECONDS) :
0.793
|
+--------------------------------------+
|==================|
| END OF ANALYSIS |
|==================|
=======================================================================

Penafsiran Hasil Pelaksanaan Sintaksis Multilevel Modeling

Hasil di atas terdiri dari beberapa bagian. Bagian kesatu adalah sebagai berikut :
o------------------------------------------------o
|
|
|
MULTILEVEL Module of LISREL 9.1
|

|
Linear and Nonlinear Modeling
|
|
for
|
|
Multilevel Data
|
|
|
|
Copyright 1997-2012
|
|
Scientific Software International, Inc.
|
|
Website: www.ssicentral.com
|
|
Support: techsupport@ssicentral.com
|
|
|
|
Date of analysis: December 05, 2014
|
|
Time of analysis: 12H58:48
|
|
|
o------------------------------------------------o
The following lines were read from file
C:\Documents and Settings\user\Desktop\LISREL9S\MLEVELEX\JSP1.prl

Bagian ini mengandung penjelasan mengenai modul multilevel dari Lisrel 9.1 tentang Linear
dan Nonlinear Modeling untuk data multilevel, hak cipta 1997-1912 dipegang oleh Scientific
Sofware International Inc, dengan alamat website www.ssicentral.com, tanggal analisis
adalah 5 Desember 2014,

waktu analisis adalah 12.58 : 48, dan dibaca dari arsip

C:\Documents and Settings\user\Desktop\LISREL9S\MLEVELEX\JSP1.prl

Bagian kedua dari hasil tersebut adalah sebagai berikut :
OPTIONS Maxiter=30 Conv=0.0001 CovBW=Yes ACM=Yes;
TITLE=Multivariate Analysis of Education Data;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept;
MISSING_DEP=-9;

Bagian ini merupakan rekaman dari arsip sintaksis Prelis sebagaimana telah dikemukakan di
atas.
Bagian ketiga adalah bagian mengenai ringkasan data yang mencerminkan jumlah unit
tingkat 3 yaitu 49, jumlah unit tingkat 2 yaitu 1132, dan jumlah unit tingkat 1 yaitu 6472.

Bagian keempat adalah bagian mengenai analisis multivariat atas data pendidikan yang
mencerminkan Bagian Tetap dengan matriks identitas untuk komponen-komponen varians
termasuk koefisien-koefisien, beta-hat, kesalahan standar, nilai z dan Probabilitas. Semua
koefisien adalah signifikan karena nilai z adalah lebih besar daripada nilai 1.96 dan nilai p
adalah lebih kecil daripada nilai 0.05.

Bagian kelima adalah bagian mengenai analisis multivariat atas data pendidikan yang
mencerminkan Bagian Tetap dari model termasuk koefisien-koefisein, Beta-Hat, kesalahan
standar, nilai Z, dan nilai probabilitas. Nilai z dari koefisien-koefisien itu adalah lebih besar
daripada nilai 1.96 dan nilai p adalah lebih besar daripada 0.05 sehingga koefisien-koefisien
ini adalah signifikan.

Bagian keenam mencerminkan Bagian Acak dari Model dan mencakup tingkat 3, Tau-Hat,
kesalahan standar, nilai z, dan nilai p. Nilai z adalah lebih besar daripada nilai 1.96 dan nilai
p adalah lebih kecil daripada nilai 0.05 sehingga unsur-unsur dalam tingkat 3 ini adalah
signifikan. Bagian ini mencakup juga tingkat 2 dan nilai z adalah lebih besar daripada nilai
1.96 dan nila p adalah lebih kecil daripada nilai 0.05. Bagian ini juga mencakup matriks
kovarians tingkat 3, matriks korelasi tingkat 3, matriks kovarians tingkat 2, dan matriks
korelasi tingkat 2.

Contoh Kedua
Sintaksis Multilevel Modeling
Contoh kedua sintaksis multilevel modeling adalah sebagai berikut :
OPTIONS Maxiter=30 Conv=0.0001 Summary=None;
TITLE=Multivariate Analysis of Education Data, added fixed effects;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept gender ravens;
MISSING_DEP=-9;

Sintaksis dalam contoh kesatu di atas ditambah dengan akibat-akibat tetap sehingga menjadi
sintaksis kedua.
Hasil Pelaksanaan Sintaksis Multilevel Modeling
Pelaksanaan sintaksis dalam contoh kedua di atas akan menghasilkan informasi sebagai
berikut :
o------------------------------------------------o
|
|
|
MULTILEVEL Module of LISREL 9.1
|

|
Linear and Nonlinear Modeling
|
|
for
|
|
Multilevel Data
|
|
|
|
Copyright 1997-2012
|
|
Scientific Software International, Inc.
|
|
Website: www.ssicentral.com
|
|
Support: techsupport@ssicentral.com
|
|
|
|
Date of analysis: December 05, 2014
|
|
Time of analysis: 13H40:35
|
|
|
o------------------------------------------------o
The following lines were read from file
C:\Documents and Settings\user\Desktop\LISREL9S\MLEVELEX\JSP2.prl
OPTIONS Maxiter=30 Conv=0.0001 Summary=None;
TITLE=Multivariate Analysis of Education Data, added fixed effects;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept gender ravens;
MISSING_DEP=-9;
+--------------+
| DATA SUMMARY |
+--------------+
NUMBER OF LEVEL 3 UNITS :
NUMBER OF LEVEL 2 UNITS :
NUMBER OF LEVEL 1 UNITS :

49
1192
6472

Adjusted between cluster sample size=

Within cluster sample size=
1192

24

=======================================================================
Multivariate Analysis of Education Data, added fixed effects
ITERATION NUMBER

1
+---------------------------------------------------------+
| FIXED PART WITH IDENTITY MATRIX FOR VARIANCE COMPONENTS |
+---------------------------------------------------------+

-----------------------------------------------------------------------------COEFFICIENTS
BETA-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------intcept1
8.03185
1.90834
4.20882
0.00003
intcept2
7.18673
1.93738
3.70950
0.00021
intcept3
15.34576
2.14919
7.14024
0.00000
intcept4
4.00833
1.90834
2.10043
0.03569
intcept5
28.55479
1.93738
14.73883
0.00000
intcept6
-1.79710
2.14919
-0.83618
0.40306
gender1
-0.69068
0.85522
-0.80761
0.41932
gender2
-0.98771
0.86505
-1.14179
0.25354
gender3
-0.43129
0.94177
-0.45796
0.64698
gender4
-11.50746
0.85522
-13.45550
0.00000
gender5
-10.04062
0.86505
-11.60696
0.00000
gender6
-6.99766
0.94177
-7.43034
0.00000
ravens1
0.69350
0.07311
9.48541
0.00000
ravens2
0.73289
0.07438
9.85342
0.00000
ravens3
0.60583
0.08185
7.40215
0.00000
ravens4
1.98005
0.07311
27.08218
0.00000
ravens5
1.66065
0.07438
22.32682
0.00000

ravens6

1.88661

0.08185

23.05088

0.00000

+-----------------------+
|
-2 LOG-LIKELIHOOD
|
+-----------------------+
DEVIANCE= -2*LOG(LIKELIHOOD) =
NUMBER OF FREE PARAMETERS =

1189285.27120607
60

-------------------------------------CONVERGENCE REACHED IN
7 ITERATIONS
-------------------------------------Multivariate Analysis of Education Data, added fixed effects
ITERATION NUMBER

7
+-----------------------+
| FIXED PART OF MODEL
|
+-----------------------+

-----------------------------------------------------------------------------COEFFICIENTS
BETA-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------intcept1
7.68926
0.80046
9.60607
0.00000
intcept2
6.48252
0.90269
7.18136
0.00000
intcept3
14.84541
0.84586
17.55061
0.00000
intcept4
2.64745
2.90410
0.91163
0.36197
intcept5
28.95062
2.57309
11.25128
0.00000
intcept6
-2.58204
2.74794
-0.93963
0.34741
gender1
-0.48513
0.33815
-1.43466
0.15138
gender2
-0.79986
0.37167
-2.15205
0.03139
gender3
-0.45790
0.34277
-1.33588
0.18159
gender4
-10.57862
1.20875
-8.75172
0.00000
gender5
-9.21809
1.06819
-8.62960
0.00000
gender6
-7.02657
1.10494
-6.35926
0.00000
ravens1
0.69639
0.02943
23.66040
0.00000
ravens2
0.74945
0.03248
23.07353
0.00000
ravens3
0.61505
0.03029
20.30821
0.00000
ravens4
1.97944
0.10546
18.77035
0.00000
ravens5
1.61390
0.09328
17.30225
0.00000
ravens6
1.86293
0.09754
19.09957
0.00000
+-----------------------+
|
-2 LOG-LIKELIHOOD
|
+-----------------------+
DEVIANCE= -2*LOG(LIKELIHOOD) =
NUMBER OF FREE PARAMETERS =

45321.6134304450
60

+-----------------------+
| RANDOM PART OF MODEL |
+-----------------------+
-----------------------------------------------------------------------------LEVEL 3
TAU-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------math1
/math1
2.35970
0.77231
3.05538
0.00225
math2
/math1
1.47571
0.79018
1.86756
0.06182
math2
/math2
4.59531
1.29317
3.55353
0.00038
math3
/math1
1.45284
0.73222
1.98414
0.04724
math3
/math2
2.34726
0.97705
2.40240
0.01629
math3
/math3
3.94231
1.11612
3.53215
0.00041
eng1
/math1
5.89266
2.50131
2.35583
0.01848

10

eng1
eng1
eng1
eng2
eng2
eng2
eng2
eng2
eng3
eng3
eng3
eng3
eng3
eng3

/math2
/math3
/eng1
/math1
/math2
/math3
/eng1
/eng2
/math1
/math2
/math3
/eng1
/eng2
/eng3

5.10887
5.75844
40.46361
5.42374
6.60379
7.26912
22.52145
33.03809
5.14461
5.67697
9.01133
22.93497
30.00480
47.71171

3.00832
2.83649
11.99950
2.23795
2.82875
2.69805
9.10418
9.66632
2.49143
3.12932
3.15762
10.12809
9.77962
12.97810

1.69825
2.03013
3.37211
2.42353
2.33453
2.69422
2.47375
3.41786
2.06492
1.81413
2.85384
2.26449
3.06810
3.67632

0.08946
0.04234
0.00075
0.01537
0.01957
0.00706
0.01337
0.00063
0.03893
0.06966
0.00432
0.02354
0.00215
0.00024

-----------------------------------------------------------------------------LEVEL 2
TAU-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------math1
/math1
31.84368
1.34833
23.61706
0.00000
math2
/math1
22.14572
1.23554
17.92388
0.00000
math2
/math2
37.70830
1.61030
23.41693
0.00000
math3
/math1
17.66778
1.10211
16.03093
0.00000
math3
/math2
21.92750
1.24318
17.63828
0.00000
math3
/math3
29.34575
1.34391
21.83617
0.00000
eng1
/math1
65.59655
3.92248
16.72322
0.00000
eng1
/math2
62.26680
4.16530
14.94895
0.00000
eng1
/math3
49.65248
3.75896
13.20909
0.00000
eng1
/eng1
406.75188
17.17856
23.67788
0.00000
eng2
/math1
53.71682
3.40837
15.76025
0.00000
eng2
/math2
56.85501
3.69230
15.39826
0.00000
eng2
/math3
48.64973
3.37484
14.41540
0.00000
eng2
/eng1
272.02299
13.42728
20.25897
0.00000
eng2
/eng2
314.33951
13.37559
23.50099
0.00000
eng3
/math1
53.74137
3.50517
15.33203
0.00000
eng3
/math2
55.52744
3.78879
14.65570
0.00000
eng3
/math3
50.44039
3.44613
14.63681
0.00000
eng3
/eng1
256.17082
13.47180
19.01534
0.00000
eng3
/eng2
214.35205
11.70207
18.31744
0.00000
eng3
/eng3
310.90414
14.08313
22.07635
0.00000
LEVEL 3 COVARIANCE MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

2.35970
1.47571
1.45284
5.89266
5.42374
5.14461

4.59531
2.34726
5.10887
6.60379
5.67697

3.94231
5.75844
7.26912
9.01133

40.46361
22.52145
22.93497

33.03809
30.00480

eng3
eng3

47.71171
LEVEL 3 CORRELATION MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

eng3

1.0000
0.4481
0.4763
0.6030
0.6143
0.4849

1.0000
0.5515
0.3747
0.5360
0.3834

1.0000
0.4559
0.6369
0.6571

1.0000
0.6160
0.5220

1.0000
0.7557

1.0000

LEVEL 2 COVARIANCE MATRIX

11

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

31.84368
22.14572
17.66778
65.59655
53.71682
53.74137

37.70830
21.92750
62.26680
56.85501
55.52744

29.34575
49.65248
48.64973
50.44039

406.75188
272.02299
256.17082

314.33951
214.35205

eng3
eng3

310.90414
LEVEL 2 CORRELATION MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

eng3

1.0000
0.6391
0.5780
0.5764
0.5369
0.5401

1.0000
0.6592
0.5028
0.5222
0.5128

1.0000
0.4545
0.5065
0.5281

1.0000
0.7607
0.7204

1.0000
0.6857

1.0000

+--------------------------------------+
| CPU TIME (SECONDS) :
0.770
|
+--------------------------------------+
|==================|
| END OF ANALYSIS |
|==================|
=======================================================================

Penafsiran Hasil Pelaksanaan Sintaksis Multilevel Modeling

Penafsiran atas hasil-hasil di atas adalah serupa dengan penafsiran atas contoh kesatu dan
mencakup data summary, fixed part with identity matrix for variance components, fixed part
of model, random part of model yang mengandung level 3 covariance matrix, level 3
correlation matrix, level 2 covariance matrix, dan level 2 correlation matrix. Perbedaan antara
contoh kesatu dan contoh kedua tercermin dalam perbedaan atas nilai-nilai z dan nilai-nilai p.
Contoh kesatu mencerminkan semua koefisien adalah signifikan akan tetapi dalam contoh
kedua terdapat beberapa koefisien yang tidak signifikan sebagai akibat dari penambahan
fixed effect.
Contoh Ketiga
Sintaksis Multilevel Modeling
Contoh ketiga sintaksis multilevel modeling adalah sebagai berikut :

12

!-------------------------------------------------------------------! In the example below, it is assumed that the gender effect does not
! vary over the math scores and that it also does not vary over the
! English scores. Likewise for the predictor ravens.
! This example illustrates the FIXPAT command.
!-------------------------------------------------------------------OPTIONS maxiter=50 conv=0.0001 ACM=Yes COVBW=Yes Summary=None;
TITLE=Multivariate Analysis of Education Data, added fixed effects;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept gender ravens;
FIXPAT= 1 2 3 4 5 6 7 7 7 10 10 10 13 13 13 16 16 16;
MISSING_DEP=-9;

Hasil Pelaksanaan Sintaksis Multilevel Modeling

Hasil pelaksanaan sintaksis di atas adalah sebagai berikut :
o------------------------------------------------o
|
|
|
MULTILEVEL Module of LISREL 9.1
|
|
Linear and Nonlinear Modeling
|
|
for
|
|
Multilevel Data
|
|
|
|
Copyright 1997-2012
|
|
Scientific Software International, Inc.
|
|
Website: www.ssicentral.com
|
|
Support: techsupport@ssicentral.com
|
|
|
|
Date of analysis: December 05, 2014
|
|
Time of analysis: 14H07:59
|
|
|
o------------------------------------------------o
The following lines were read from file
C:\Documents and Settings\user\Desktop\LISREL9S\MLEVELEX\jsp3.prl
!-------------------------------------------------------------------! In the example below, it is assumed that the gender effect does not
! vary over the math scores and that it also does not vary over the
! English scores. Likewise for the predictor ravens.
! This example illustrates the FIXPAT command.
!-------------------------------------------------------------------OPTIONS maxiter=50 conv=0.0001 ACM=Yes COVBW=Yes Summary=None;
TITLE=Multivariate Analysis of Education Data, added fixed effects;
SY=JSP.LSF;
ID2=student;
ID3=school;
RESPONSE=math1 math2 math3 eng1 eng2 eng3;
FIXED=intcept gender ravens;
FIXPAT= 1 2 3 4 5 6 7 7 7 10 10 10 13 13 13 16 16 16;
MISSING_DEP=-9;
+--------------+
| DATA SUMMARY |
+--------------+

13

NUMBER OF LEVEL 3 UNITS :

NUMBER OF LEVEL 2 UNITS :
NUMBER OF LEVEL 1 UNITS :

49
1192
6472

Adjusted between cluster sample size=

Within cluster sample size=
1192

24

=======================================================================
Multivariate Analysis of Education Data, added fixed effects
ITERATION NUMBER

1
+---------------------------------------------------------+
| FIXED PART WITH IDENTITY MATRIX FOR VARIANCE COMPONENTS |
+---------------------------------------------------------+

-----------------------------------------------------------------------------COEFFICIENTS
BETA-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------intcept1
8.33412
1.19787
6.95744
0.00000
intcept2
8.33314
1.19917
6.94911
0.00000
intcept3
13.55511
1.22546
11.06128
0.00000
intcept4
6.57422
1.19787
5.48825
0.00000
intcept5
23.82828
1.19917
19.87071
0.00000
intcept6
0.60818
1.22546
0.49629
0.61969
gender1
-0.72084
0.51185
-1.40831
0.15904
gender2
-0.72084
0.51185
-1.40831
0.15904
gender3
-0.72084
0.51185
-1.40831
0.15904
gender4
-9.66986
0.51185
-18.89197
0.00000
gender5
-9.66986
0.51185
-18.89197
0.00000
gender6
-9.66986
0.51185
-18.89197
0.00000
ravens1
0.68201
0.04406
15.48040
0.00000
ravens2
0.68201
0.04406
15.48040
0.00000
ravens3
0.68201
0.04406
15.48040
0.00000
ravens4
1.84236
0.04406
41.81810
0.00000
ravens5
1.84236
0.04406
41.81810
0.00000
ravens6
1.84236
0.04406
41.81810
0.00000
+-----------------------+
|
-2 LOG-LIKELIHOOD
|
+-----------------------+
DEVIANCE= -2*LOG(LIKELIHOOD) =
NUMBER OF FREE PARAMETERS =

1194405.76899831
52

-------------------------------------CONVERGENCE REACHED IN
7 ITERATIONS
-------------------------------------Multivariate Analysis of Education Data, added fixed effects
ITERATION NUMBER

7
+-----------------------+
| FIXED PART OF MODEL
|
+-----------------------+

-----------------------------------------------------------------------------COEFFICIENTS
BETA-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------intcept1
8.51835
0.71306
11.94624
0.00000
intcept2
8.48856
0.74878
11.33654
0.00000

14

intcept3
intcept4
intcept5
intcept6
gender1
gender2
gender3
gender4
gender5
gender6
ravens1
ravens2
ravens3
ravens4
ravens5
ravens6

13.62197
8.09860
25.90217
1.67365
-0.45524
-0.45524
-0.45524
-8.32965
-8.32965
-8.32965
0.66281
0.66281
0.66281
1.71828
1.71828
1.71828

0.74082
2.46504
2.40780
2.48296
0.29456
0.29456
0.29456
0.98354
0.98354
0.98354
0.02575
0.02575
0.02575
0.08617
0.08617
0.08617

18.38765
3.28539
10.75760
0.67406
-1.54549
-1.54549
-1.54549
-8.46908
-8.46908
-8.46908
25.73639
25.73639
25.73639
19.93985
19.93985
19.93985

0.00000
0.00102
0.00000
0.50028
0.12223
0.12223
0.12223
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000

+-----------------------+
|
-2 LOG-LIKELIHOOD
|
+-----------------------+
DEVIANCE= -2*LOG(LIKELIHOOD) =
NUMBER OF FREE PARAMETERS =

45384.7546456641
52

+-----------------------+
| RANDOM PART OF MODEL |
+-----------------------+
-----------------------------------------------------------------------------LEVEL 3
TAU-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------math1
/math1
2.34895
0.77019
3.04984
0.00229
math2
/math1
1.45532
0.78664
1.85005
0.06431
math2
/math2
4.55375
1.28682
3.53876
0.00040
math3
/math1
1.47376
0.73693
1.99985
0.04552
math3
/math2
2.40903
0.98444
2.44711
0.01440
math3
/math3
4.00996
1.13190
3.54267
0.00040
eng1
/math1
5.98931
2.54041
2.35762
0.01839
eng1
/math2
5.44794
3.06939
1.77493
0.07591
eng1
/math3
5.72333
2.89431
1.97744
0.04799
eng1
/eng1
42.46756
12.43851
3.41420
0.00064
eng2
/math1
5.57435
2.24892
2.47868
0.01319
eng2
/math2
7.08846
2.85947
2.47894
0.01318
eng2
/math3
7.37421
2.72512
2.70601
0.00681
eng2
/eng1
23.78010
9.32877
2.54911
0.01080
eng2
/eng2
33.15071
9.69638
3.41888
0.00063
eng3
/math1
5.10995
2.48548
2.05592
0.03979
eng3
/math2
5.83177
3.13008
1.86314
0.06244
eng3
/math3
8.84605
3.15987
2.79949
0.00512
eng3
/eng1
24.50511
10.37757
2.36135
0.01821
eng3
/eng2
30.09423
9.79243
3.07321
0.00212
eng3
/eng3
47.48217
12.95780
3.66437
0.00025
-----------------------------------------------------------------------------LEVEL 2
TAU-HAT
STD.ERR.
Z-VALUE
PR > |Z|
-----------------------------------------------------------------------------math1
/math1
31.88028
1.34985
23.61762
0.00000
math2
/math1
22.25768
1.24103
17.93484
0.00000
math2
/math2
37.98094
1.62202
23.41586
0.00000
math3
/math1
17.67157
1.10495
15.99308
0.00000
math3
/math2
21.80035
1.24697
17.48265
0.00000
math3
/math3
29.47780
1.35054
21.82674
0.00000
eng1
/math1
65.86645
3.93727
16.72897
0.00000
eng1
/math2
63.06983
4.19854
15.02183
0.00000
eng1
/math3
49.63690
3.77731
13.14080
0.00000
eng1
/eng1
409.22602
17.28496
23.67526
0.00000
eng2
/math1
53.48134
3.40943
15.68632
0.00000
eng2
/math2
56.47262
3.70014
15.26229
0.00000
eng2
/math3
49.24341
3.39270
14.51453
0.00000

15

eng2
eng2
eng3
eng3
eng3
eng3
eng3
eng3

/eng1
/eng2
/math1
/math2
/math3
/eng1
/eng2
/eng3

271.22647
314.88818
54.04827
55.99213
50.62833
257.09030
214.05430
313.25785

13.44920
13.40165
3.52216
3.81856
3.46619
13.55347
11.73940
14.19427

20.16673
23.49622
15.34522
14.66315
14.60633
18.96860
18.23383
22.06932

0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000

LEVEL 3 COVARIANCE MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

2.34895
1.45532
1.47376
5.98931
5.57435
5.10995

4.55375
2.40903
5.44794
7.08846
5.83177

4.00996
5.72333
7.37421
8.84605

42.46756
23.78010
24.50511

33.15071
30.09423

eng3
eng3

47.48217
LEVEL 3 CORRELATION MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

eng3

1.0000
0.4450
0.4802
0.5997
0.6317
0.4839

1.0000
0.5638
0.3918
0.5769
0.3966

1.0000
0.4386
0.6396
0.6411

1.0000
0.6338
0.5457

1.0000
0.7585

1.0000

LEVEL 2 COVARIANCE MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

31.88028
22.25768
17.67157
65.86645
53.48134
54.04827

37.98094
21.80035
63.06983
56.47262
55.99213

29.47780
49.63690
49.24341
50.62833

409.22602
271.22647
257.09030

314.88818
214.05430

eng3
eng3

313.25785
LEVEL 2 CORRELATION MATRIX

math1
math2
math3
eng1
eng2
eng3

math1

math2

math3

eng1

eng2

eng3

1.0000
0.6396
0.5765
0.5767
0.5338
0.5408

1.0000
0.6515
0.5059
0.5164
0.5133

1.0000
0.4519
0.5111
0.5269

1.0000
0.7556
0.7180

1.0000
0.6815

1.0000

+--------------------------------------+
| CPU TIME (SECONDS) :
0.812
|
+--------------------------------------+
|==================|
| END OF ANALYSIS |
|==================|

16

=======================================================================

Penafsiran Hasil Pelaksanaan Sintaksis Multilevel Modeling

Penafsiran atas hasil-hasil di atas adalah serupa dengan penafsiran atas contoh kesatu dan
mencakup data summary, fixed part with identity matrix for variance components, fixed part
of model, random part of model yang mengandung level 3 covariance matrix, level 3
correlation matrix, level 2 covariance matrix, dan level 2 correlation matrix. Perbedaan antara
contoh kesatu dan contoh kedua tercermin dalam perbedaan atas nilai-nilai z dan nilai-nilai p.
Contoh kesatu mencerminkan semua koefisien adalah signifikan akan tetapi dalam contoh
kedua terdapat beberapa koefisien yang tidak signifikan sebagai akibat dari penambahan
fixed effect
Apakah peluang untuk melakukan pembahasan

multilevel modeling terdapat dalam

pemodelan persamaan struktural berdasar atas variians atau komponen?

Generalized Linear Modeling
Teori statistik untuk kecocokan Generalized Linear Models untuk data survey kompleks
merupakan perluasan dari teori untuk data simple random sample sebagaimana dikemukakan
oleh McCullach & Nelder (1989) dan Agresti (2002).

Contoh-contoh dapat mencakup

contoh mengenai Poisson-log model, Bernoulli sampling distribution yang terdiri dari logit
model, complementary log-log model, probit model, dan log model, Bernoulli-logit model,
negative binomial-log model, gamma-log model, inverse Gaussian-log model, normalidentity model, multinomial sampling distribution yang mencakup generalized logistic model,
cummulative logit model, proportional hazards model, cummulative probit model, log model,
dan probit model, dan pembahasan mengenai complementaru log-log model. Hal ini berarti
bahwa ruang lingkup Generalized Linear Model adalah luas. Apakah peluang untuk
melakukan pembahasan Generalized Linear Modeling terdapat dalam pemodelan persamaan
struktural berdasar atas variians atau komponen?
Pemakaian contoh untuk keseluruhan generalized linear modeling akan sangat panjang
sehingga satu contoh saja yang akan dipakai di sini yaitu Binomial Complementary Log-log
Model.
Sintaksis Generalized Linear Modeling
17

Sintaksis Binomial Complementary Log-log Model sebagai salah satu peluang pilihan yang
terkandung dalam Generalized Linear Modeling adalah sebagai berikut :
GlimOptions Converge=0.0001 MaxIter=100 MissingCode=-999999 IterDetails=No
Method=Fisher;
Title=SGLIMEX12: Binomial Complementary Log-log Model for Substance Abuse Data;
SY=Abuse1.LSF;
Distribution=BIN;
Link=CLL;
Intercept=Yes;
DepVar=depr;
CoVars=sex race_d;
Stratum=CENREG;
Cluster=FACTYPE;
Weight=A2TWA0;
Hasil Pelaksanaan Sintaksis Generalized Linear Modeling
Hasil pelaksanaan sintaksis di atas akan menghasilkan informasi sebagai berikut :
o-------------------------------------------------------------------------------o
|
|
|
SURVEYGLIM Module of LISREL 9.1 (Student)
|
|
Generalized Linear Modeling
|
|
for
|
|
Complex Survey Data
|
|
|
|
Copyright by Scientific Software International, Inc., 2004-2012
|
|
Scientific Software International, Inc.
|
|
Website: www.ssicentral.com
|
|
Support: lisrel@ssicentral.com
|
|
|
| DATE OF ANALYSIS: December 05, 2014
|
| TIME OF ANALYSIS: 14H38:28
|
| DATA FILE:
|
| C:\LISREL9S\SGLIMEX\Abuse1.LSF
|
| SYNTAX FILE:
|
| C:\LISREL9S\SGLIMEX\SGLIMEX12.prl
|
|
|
o-------------------------------------------------------------------------------o
GlimOptions Converge=0.0001 MaxIter=100 MissingCode=-999999 IterDetails=No
Method=Fisher;
Title=SGLIMEX12: Binomial Complementary Log-log Model for Substance Abuse Data;
SY=Abuse1.LSF;
Distribution=BIN;
Link=CLL;
Intercept=Yes;
DepVar=depr;
CoVars=sex race_d;
Stratum=CENREG;
Cluster=FACTYPE;
Weight=A2TWA0;
o==========================================================================o
| SGLIMEX12: Binomial Complementary Log-log Model for Substance Abuse Data |
o==========================================================================o
Design, Data and Model Descriptions

18

Number of Strata
Number of Clusters (PSUs)
Number of Observations
Sum of Weights
Sampling Distribution
Link Function

=
=
=
=
=
=

4
12
2214
557198.3000
Binomial
Complementary Log-Log

Goodness of Fit Statistics

Statistic
--------Likelihood Ratio Chi-square
Pearson Chi-square
-2 Log Likelihood Function
Akaike Information Criterion
Schwarz Criterion
Statistic
--------Adjusted Wald F
Wald Chi-square

Value
----751556.5425
556989.1336
751564.5809
751570.5809
751587.6886
Value
----17.9078
40.9321

Den. DF
------2
2

DF
-557195
557195

Num. DF
------7

Ratio
----1.3488
0.9996

P Value
------0.001767
0.001767

Note: The Wald F Test and Chi-square Statistics are statistics to test the
null hypothesis that all the regression weights are equal to zero.
Estimated Regression Weights
Parameter
--------intcept
sex
race_d

Estimate
--------0.4756
0.4889
-0.4218

Standard
Error
-------0.1739
0.1063
0.1279

z Value
-------2.7356
4.5976
-3.2982

P Value
------0.0062
0.0000
0.0010

o================================================================o
| Estimated Asymptotic Covariance Matrix of Parameter Estimators |
o================================================================o
intcept
sex
race_d

intcept
0.030227
-0.015536
-0.012320

sex

race_d

0.011307
0.003065

0.016355

o=================================================================o
| Estimated Asymptotic Correlation Matrix of Parameter Estimators |
o=================================================================o
intcept
sex
race_d

intcept
1.000000
-0.840360
-0.554090

sex

race_d

1.000000
0.225417

1.000000

o===================================o
| SurveyGLIM used 0.19 CPU seconds. |
o===================================o

Penafsiran Hasil Pelaksanaan Sintaksis Generalized Linear Modeling

Informasi yang dihasilkan mencakup informasi mengenai :
19

Bagian kesatu di atas mengandung penjelasan mengenai modul Surveyglim dari Lisrel 9.1
(Student) tentang Generalized Linear Modeling untuk data survey komplek, hak cipta 19971912 dipegang oleh Scientific Sofware International Inc, dengan alamat website
www.ssicentral.com, tanggal analisis adalah 5 Desember 2014, waktu analisis adalah 14.38 :
28, dan dibaca dari arsip data C:\LISREL9S\SGLIMEX\Abuse1.LSF dan SYNTAX FILE:
C:\LISREL9S\SGLIMEX\SGLIMEX12.prl

Bagian kedua di atas merupakan perekaman sintaksis SGLIMEX12.prl. Hasil ini dapat
dianggap sebagai arsip cadangan yang dapat dimanfaatkan bila arsip asli mengalami
kerusakan.

Bagian ketiga merupakan bagian dari Binomial Complementary Log-log Model yang terdiri
dari Design, Data dan deskripsi Model, Goodness of Fit Statistics, dan estimated regression
weights. Nilai p adalah lebih kecil daripada nilai 0.05 sehingga statistics yang dihasilkan
adalah signifikan.

Bagian keempat mencakup Estimated Asymptotic Covariance Matrix of Parameter

Estimators dan Estimated Asymptotic Correlation Matrix of Parameter Estimators.

Contoh kedua Multilevel Generalized Linear Modeling.

Sintaksis Multilevel Generalized Linear Modeling
Sintaksis multilevel Generalized Linear Modeling contoh kedua adalah sebagai berikut :
TI DEPRESS1_BER.PRL
MGlimOptions Converge=0.0001 MaxIter=100 MissingCode=-999999
Method=Quad NQUADPTS=8;
Title=Binary outcome variable, logit link function;
SY=Depress.LSF;
ID2=LEV2ID;
! To run this example without the weight variable, insert
! an exclamation mark ("!") in front of the Weight command.
! Random intercept and slope (slope coefficient is not significant).
Weight=A2TWA0;
Distribution=BER;
Link=LOGIT;
Intercept=Yes;
DepVar=depr;
CoVars=sex race_d ;
20

RANDOM2=intcept sex;

Hasil Pelaksanaan Sintaksis Multilevel Generalized Linear Modeling

Hasil sintaksis ini adalah sebagai berikut :
o-------------------------------------------------------------------------------o
|
|
|
Student Edition of MGLIM Module. (2012)
|
|
Generalized Linear Modeling
|
|
of
|
|
Multilevel (Hierarchical) Data
|
|
|
|
Copyright by Scientific Software International, Inc., 2012
|
|
Scientific Software International, Inc.
|
|
Website: www.ssicentral.com
|
|
Support: techsupport@ssicentral.com
|
|
|
| DATE OF ANALYSIS: December 05, 2014
|
| TIME OF ANALYSIS: 14H41:02
|
| DATA FILE:
|
| C:\LISREL9S\MGLIMEX\Depress.LSF
|
| INPUT FILE:
|
| C:\LISREL9S\MGLIMEX\Depress1_BER.prl
|
|
|
o-------------------------------------------------------------------------------o
The following lines were read from the MAPGLIM syntax file:
TI DEPRESS1_BER.PRL
MGlimOptions Converge=0.0001 MaxIter=100 MissingCode=-999999
Method=Quad NQUADPTS=8;
Title=Binary outcome variable, logit link function;
SY=Depress.LSF;
ID2=LEV2ID;
! To run this example without the weight variable, insert
! an exclamation mark ("!") in front of the Weight command.
! Random intercept and slope (slope coefficient is not significant).
Weight=A2TWA0;
Distribution=BER;
Link=LOGIT;
Intercept=Yes;
DepVar=depr;
CoVars=sex race_d ;
RANDOM2=intcept sex;
o==============================================o
| Binary outcome variable, logit link function |
|
|
o==============================================o
Model and Data Descriptions
Sampling Distribution
Link Function
PROB(Success)= 1.0/[1.0+EXP(-ETA)]

= Bernoulli
= Logistic

Level-1 Weight Variable

Number of Level-2 Units
Number of Level-1 Units
Number of Level-1 Units per Level-2 Unit
62
598
34
126
416
148
363

= A2TWA0
= 10
= 2214
=
141
246

80

o===========================================================o
| Descriptive statistics for all the variables in the model |
o===========================================================o

21

Variable
-------depr1
depr2
intcept
sex
race_d

Minimum
------0.0000
0.0000
1.0000
0.0000
0.0000

Maximum
------1.0000
1.0000
1.0000
1.0000
1.0000

Mean
---0.5890
0.4110
1.0000
0.2882
0.3071

Standard
Deviation
--------0.4921
0.4921
0.0000
0.4530
0.4614

o==================================================o
| Results for the model without any random effects |
o==================================================o
Goodness of fit statistics
Statistic
--------Likelihood Ratio Chi-square
Pearson Chi-square

Value
----3324.9263
2575.8286

DF
-2211
2211

Ratio
----1.5038
1.1650

Estimated regression weights

Parameter
--------intcept
sex
race_d

Estimate
--------0.1433
0.6949
-0.5683

Standard
Error
-------0.0551
0.0981
0.1034

z Value
-------2.6007
7.0822
-5.4950

P Value
------0.0093
0.0000
0.0000

Odds Ratio and 95% Odds Ratio Confidence Intervals

Parameter
--------intcept
sex
race_d

Estimate
--------0.1433
0.6949
-0.5683

Odds Ratio
---------0.8665
2.0036
0.5665

Bounds
Lower
----0.7777
1.6530
0.4626

Upper
----0.9653
2.4285
0.6938

o==========================================o
| Optimization Method: Adaptive Quadrature |
o==========================================o
Number of quadrature points =
Number of free parameters =
Number of iterations used =
-2lnL (deviance statistic) =
Akaike Information Criterion
Schwarz Criterion

8
6
10
2891.56723
2903.56723
2937.78257

Estimated regression weights

Parameter
--------intcept
sex
race_d

Estimate
--------0.1020
0.7638
-0.6441

Standard
Error
-------0.1974
0.1102
0.1109

z Value
-------0.5169
6.9285
-5.8059

P Value
------0.6052
0.0000
0.0000

Odds Ratio and 95% Odds Ratio Confidence Intervals

Parameter
--------intcept
sex
race_d

Estimate
--------0.1020
0.7638
-0.6441

Odds Ratio
---------0.9030
2.1464
0.5251

Bounds
Lower
----0.6133
1.7293
0.4225

Upper
----1.3295
2.6641
0.6527

22

Estimated level 2 variances and covariances

Parameter
--------intcept/intcept
sex/intcept
sex/sex

Estimate
-------0.3445
-0.0678
0.0135

Standard
Error
-------0.1766
0.0832
0.0298

z Value
------1.9514
-0.8146
0.4523

P Value
------0.0510
0.4153
0.6511

Level 2 covariance matrix

intcept
sex

intcept
0.344516
-0.067777

sex
0.013473

Level 2 correlation matrix

intcept
sex

intcept
1.000000
-0.994829

sex
1.000000

o==============================================o
| LISREL Multilevel GLIM used 1.64 seconds CPU |
o==============================================o

Penafsiran Hasil Pelaksanaan Sintaksis Multilevel Generalized Linear Modeling

Bagian kesatu di atas mengandung penjelasan mengenai

Student Edition of MGLIM

Module. (2012)Generalized Linear Modeling of Multilevel (Hierarchical) Data untuk data

survey komplek, hak cipta 1912 dipegang oleh Scientific Sofware International Inc, dengan
alamat website www.ssicentral.com, tanggal analisis adalah 5 Desember 2014, waktu analisis
adalah 14.41 : 02, dan dibaca dari arsip data C:\LISREL9S\MGLIMEX\Depress.LSF dan
sintaksis Prelis C:\LISREL9S\MGLIMEX\Depress1_BER.prl.
:

Bagian kedua di atas merupakan perekaman sintaksis Depress1_BER.prl.. Hasil ini dapat
dianggap sebagai arsip cadangan yang dapat dimanfaatkan bila arsip asli mengalami
kerusakan.

Bagian ketiga merupakan bagian dari Binary outcome variable, logit link function yang
terdiri dari Model and Data Descriptions dengan Sampling Distribution adalah Bernoulli dan
Link Function adalah Logistic.

Bagian keempat adalah Descriptive statistics for all the variables in the model dan mencakup
variabel, nilai minimum, nilai maksimum, nilai rata-rata, dan nilai deviasistandar untuk tiap
variabel.
23

Bagian kelima mencakup hasil mengenai Results for the model without any random effects
dan terdiri dari Goodness of fit statistics, Estimated regression weights, dan Odds Ratio and
95% Odds Ratio Confidence Intervals. Goodness of fit statistics mencakup statistic, value,
degree of freedom, dan ratio. Estimated regression weights mencakup parameter. Estimate,
kesalahan standar, nilai z, dan nilai p. Nilai z adalah lebih besar daripada 1.96 dan nilai p
adalah lebih kecil daripada nilai 0.05 sehingga parameter-parameter itu adalah signifikan.
Odds ratio and 95% Odds ratio confidence intervals mencakup parameter, estimate, odds
ratio, Lower bounds, dan upper bounds
Bagian keenam adalah Optimization Method: Adaptive Quadrature. Bagian ini mencakup
estimated regression weights yang terdiri dari parameter, estimate, standard error, z value,
dan p value. Nilai z value untuk intercept adalah lebih kecil daripada nilai 1.96 dan nilai p
adalah lebih besar daripada nilai 0.05 sehingga intercept adalah tidak signifikan. Sex dan
race_d adalah signifikan karena nilai z lebih besar daripada nilai 1.96 dan nilai p adalah lebih
kecil daripada nilai 0.05. Odds ratio and 95% Odds ratio confidence intervals terdiri dari
paraeter, estimate, odds ratio, lower bounds, dan upper bounds. Estimate level 2 variances
and covariances terdiri dari parameter, estimate, standard error, z-value, dan p value. Satu
nilai Z adalah lebih besar daripada nilai 1.96, satu nilai p adalah lebih kecil atau sama dengan
nilai 0.05 sehingga variabel intercept adalah signifikan sedangkan dua parameter lain
mengandung nilai z lebih kecil daripada nilai 1.96 dan nilai p adalah lebih besar daripada
nilai 0.05 sehingga kedua parameter ini adalah tidak signifikan. Bagian ini juga mencakup
level 2 covariance matrix dan level 2 correlation matrix.

Pemodelan Persamaan Struktural

Pemodelan persamaan struktural berdasar atas kovarians berbeda dengan pemodelan
persamaan struktural berdasar atas varians atau komponen. Pemodelan persamaan struktural
berdasar atas kovarians diwakili oleh Lisrel dan pemodelan persamaan struktural berdasar
atas varians atau komponen diwakili oleh Generalized Structural Components Analysis.
Perbedaan ini perlu dilakukan di sini karena perbedaan yang sering dibahas di tempat lain
mencerminkan perbedaan yang sangat timpang.
Lisrel mengandung peluang untuk melakukan pemodelan persamaan struktural termasuk
analisis faktor eksploratoris dan analisis faktor konfirmatori, Lisrel untuk pemodelan
persamaan struktural standar dan pemodelan persamaan struktural multilevel. Kedua metode
24

ini tersedia untuk data survey kompleks yang lengkap atau tidak lengkap atas variabelvariabel kuantitatif, data simple random sample yang lengkap atau tidak lengkap atas
variabel-variabel ordinal atau kualitatif dan kuantitatif.

Prelis dapat dipakai untuk melakukan manipulasi data, transformasi data, penciptaan data,
perhitunan matriks momen, perhitungan matriks kovarians asimptotik dari sample moments,
imputasi melalui matching, multiple imputation, multiple linear regression, logistic
regression, univariate dan multivariate censored regression, dan analisis faktor eksploratori
menurut maximum Likelihood dan Minres.

Multilev dipakai untuk melakukan multilevel linear dan nonlinear model untuk data
multilevel dari

rancangan survey kompleks random sample dan memungkinkan untuk

model-model dengan variabel-variabel kuantitatif dan kualitatif.

Surveyglim dipakai untuk melaksanakan generalized linear model pada data dari simple
random dan complex survey design. Model-model untuk distribusi sampling tersedia untuk
Multinomial, Bernoulli, Binomial, Negative Binomial, Poisson, Normal, Gamma, dan Inverse
Gaussian.
Catfirm dipakai untuk melaksanakan formal inference-based recursive modeling untuk
variabel-variabel dependen bersifat kualitatif.
Confirm dipakai untuk melaksanakan formal inference-based recursive modeling ntuk
variabel-variabel dependen bersifat kuantitatif.
Mapglim dapat dipakai untuk melaksanakan metode Maximum A Priori (MAP) dalam
hubungannya dengan generalized linear models pada data multilevel.
Contoh-contoh sintaksis simplis, prelis, dan lisrel tersedia di samping data bersangkutan
untuk melaksanakan peluang-peluang sebagaimana dikemukakan di atas.
Paket program Lisrel juga mengandung dokumentasi lengkap sebagaimana disajikan dalam
daftar kepustakaan di bawah. Perbandingan antara Lisrel dan Visual PLS, Smart PLS, Wrap
PLS, dan GSCA adalah layak dilakukan atas semua unsur sebagaimana dikemukakan di atas.
Apakah Visual PLS mengandung kemampuan-kemampuan sebagaimana dikemukakan di atas?

25

Beberapa asumsi dalam pemodelan persamaan struktural berdasar atas varians atau
komponen adalah bahwa pemodelan persamaan struktural ini tidak harus mengikuti asumsi
normalitas distribusi data sedangkan asumsi dalam pemodelan persamaan struktural berdasar
atas kovarians mengharuskan normalitas distribusi data. Pemodelan persamaan struktural
berdasar atas varians atau komponen dapat memakai ukuran sampel yang kecil sedangkan
pemodelan persamaan struktural berdasar atas kovarians memakai ukuran sempel yang bersar
karena pemodelan persamaan struktural berdasar atas kovarians ini merupakan prosedur
multivariat yang mengharuskan jumlah data adalah besar misalkan sekitar 200 kasus.
Pemodelan persamaan struktural berdasar atas varians tidak mengharuskan simple random
sample sehingga sampel yang dipilih tidak berdasar atas pendekatan probabilitas dapat
dipakai sedangkan pemodelan persamaan struktural berdasar atas kovarian mengharuskan
simple random sample.
Pemodelan persamaan strukturan berdasar atas komponen atau varians dapat memakai
indikator formatif dalam mengukur variabel laten di samping memakai indikator reflektif.
Pemodelan persamaan struktural berdasar kovarians mempunyai prosedur khusus untuk
menangani indikator formatif bersifat kualitatif (Catfirm) dan indikator formatif bersifat
kuantitatif (Confirm) di samping indikator reflektif.
Pemodelan persamaan struktural berdasar atas varians dapat memakai skala pengukuran
interval sehingga skala pengukuran lain dapat juga dipakai. Pemodelan persamaan struktural
berdasar atas kovarians dapat memakai skala pengukuran nominal, ordinal, dan scale yang
terdiri dari skala pengukuran interval dan rasio.
Pemodelan persamaan struktural berdasar atas varians tidak mengharuskan distribusi residual
seperti pada pemodelan persamaan struktural berdasar atas kovarian yang mengharuskan
distribusi residual itu harus sekecil mungkin.
Pemodelan persamaan struktural berdasar atas varians adalah cocok dipakai sebagai prosedur
untuk mengembangkan teori pada tahap awal. Pemodelan persamaan struktural berdasar atas
kovarians memakai teori untuk konfirmasi dengan cara memakai data sampel.

26

Pemodelan persamaan struktural berdasar atas varians hanya dapat dipakai untuk model rekursif saya
atau model sebab-akibat dan tidak dapat dipakai untuk model rekursif. Pemodelan persamaan
struktural berdasar atas kovarian dapat dipakai untuk model non-rekursif dan model non-rekursif
karena hubungan timbal balik antara variabel-variabel laten endogen diperbolehkan.

Rangkman

Studi dan penghayatan atas pemodelan persamaan strukturan berdasar atas kovarians dan
komponen atau varians perlu dilakukan secara seimbang sehingga pemilihan pemodelan yang
cocok dengan data dapat dilakukan. Studi dan penghayaran atas pemodelan persamaan
struktural dengan memanfaatkan Lisrel, Amos, Eqs, Sepath, Ramona, Visual PLS, Smart
PLS, Generalized Structured Components Analysis, Swap PLS, dan paket program serupa ini
dianjurkan di samping IBM SPSS Statistics agar studi dan penghayatan atas pemodelan
persamaan struktural itu lebih luas dan lebih mendalam. Perbedaan-perbedaan antara
pemodelan persamaan struktural berdasar atas kovarian dan berdasar atas varians atau
komponen telah dilakukan di atas.

Kritik atas isi tulisan ini diharap dari para pembaca dan kritik tersebut mungkin dapat dipakai
untuk memperbaiki isi tulisan ini.

Kutipan
[1] Wikipedia http://en.wikipedia.org/wiki/Multilevel_model
Daftar Kepustakaan
Abdullah. 2007. Pemodelan Persamaan Struktural dan Paket Program Lisrel. Jakarta :
Universitas Prof. Dr. Moestopo (Beragama)
Gendro Wuyono. 2011. Merancang Penelitian Bisnis dengan alat analisis SPSS 17.0 &
SmartPLS 2.0. Yogyakarta : Unit Penerbit dan Percekatan STIM YKPN.
Imam Ghozali.2006. Structural Equation Modeling : Metode Alternatif dengan Partial Least
Square. Semarang : Badan Penerbit Universitas Diponegoro.
Kellowy, E. Kevin. 1998. Using Lisrel for Structural Equation Modeling : A Researcher.s
Guide. London : Sage Publications

27

Mahfud Sholihin dan Dwi Ratmono. 2013. Analisis SEM-PLS dengan Warp PLS 3.0 untuk
Hubungan Nonlinier dalam Penelitian Sosial dan Bisnis. Yogyakarta : Penerbit Andi.
Setyo Hari Wijanto. 2008. Structural Equation Modeling denganLisrel 8.8 : Konsep &
Tutorial. Yogyakarta : Graha Ilmu
Sofyan Yamin dan Heri Kurniawan. 2009. Structural Equation Modeling : Belajar Lebih
Mudah Teknik Analisis Data Kuesioner dengan Lisrel-PLS. Jakarta : Penerbit Salemba Inotek
Dokumentasi Paket Program Lisrel :
Additional Topics Guide.
Complex Sample Sampling.
Generalized Linear Modeling Guide.
Graphical Users Interface.
Lisrel Examples Guide.
Lisrel Syntax Guide.
Multilevel Generalized Linear Modeling Guide,
Multilevel Modeling Guide.
New Features in Lisrel 9.
Prelis Examples Guide.
Prelis Syntax Guide.
Simplis Syntax Guide.

Permata Depok Regency, 6 Desember 2014

28

29