Pemodelan Sem
Pemodelan Sem
Murhadi
PEMODELAN SEM
Tahapan pemodelan dengan analisis persamaan structural:
1. Pengembangan model berdasar teori
2. Menyusun diagram jalur untu menunjukkan hubungan kausalitas
3. Konversi diagram jalur kedalam persamaan structural
4. Memilih jenis input matrik dan teknik estimasi model yang diusulkan
Teknik estimasi:
a. Maximum likelihood (ML)
b. Generalized Least square (GLS)
c. Unweighed least square (ULS)
d. Scale free least square (SLS)
e. Asymptotically Distribution Free (ADF)
Pertimbangan
Teknik Yang Dipilih
Ukuran sample 100-200
ML
dan asumsi normalitas
dipenuhi
Ukuran sample 200-500
dan asumsi normalitas
dipenuhi
Ukuran sample >2500 dan
asumsi normalitas kurang
dipenuhi
ML dan GLS
ADF
Keterangan
ULS dan SLS biasanya
tidak menghasilkan uji
chisquare, karena itu tidak
menarik perhatian peneliti
Bila ukuran sampel kurang
dari 500, hasil GLS cukup
baik
ADF kurang cocok bila
ukuran sampel kurang dai
2500
Keterangan
Nilai chisquare yg kecil,
dg prob. lebih besar dr tk
signifikan. Hal ini berarti
tidak adanya perbedaan
signifikan antara matris
kovarians prediksi dengan
data observasi
dan Merupakan ukuran model
yang
mencoba
memperbaiki
kecenderungan chisquare
menolak model dengan
jumlah sample yang besar.
Werner R. Murhadi
4. AGFI (Adjusted
goodness of fit)
5. CMIN/DF (the
minimum sample
discrepancy
function/degree of
freedom)
6. TLI (Tucker Lewis
Index)
> 0,90
Menghitung
proporsi
tertimbang dari varians
dalam matrik kovarians
sample yang dijelaskan
oleh matriks kovarians
populasi
yang
terestimasikan.
Nilai berkisar 0 1 (dg 0=
poor fit dan 1=perfect fit)
> 0,90 (Hair, 1995 dan GFI adalah analog dari R2
Hulland, 1996)
dalam regresi berganda.
(0-1)
< 2 (Byrne, 1998)
Adl chisquare/DF
< 5 (Wheaton, 1977)
Werner R. Murhadi
Werner R. Murhadi
intercept
Mean dan Varians
Koefisien determinasi
---
Unstandardized estimates
1.23
5.37; 4.41
5.30; 2.51
Efektifitas
manajemen
pelanggan
Derajat Orientasi
pasar
27.59
44.03
414.77
Volume
penjualan
VP = 414,77 +44,03 EMP + 27,59 DOP dengan kovarians = 1,23 dan pada
masing-masing var. independent terdapat means & varians
Standardized estimates
0.37
Efektifitas
manajemen
pelanggan
Derajat Orientasi
pasar
0.56
0.26
0.49
Volume
penjualan
Werner R. Murhadi
VP = 0,56 EMP
koef.korelasi=0,37
0,26
DOP,
dengan
koef.determinasi
0,49
dan
Asumsi SEM:
Data distribusi normal
Tidak terdapat outlier baik univariate maupun multivariate.
Untuk melihat outlier pada Univariate dapat melalui SPSS:
Analyze>>>Descriptive Statistics>>>desciptive (masukan variable yang akan
dilihat normalitasnya dan klik save standardized value as variable.
Maka akan muncul variable Z di data view.
Terjadi outlier bila terdapat nilai Z<-1,96 dan Z>1,96
Atau setelah muncul variable z di data view maka lakukan langkah ulang
Analyze>>>Descriptive Statistics>>>desciptive (masukan variable Z saja
yang akan dilihat normalitasnya). Bila nilai descriptive statistics tidak ada
yang menunjukkan nilai Z yang lebih tinggi dari 3.0 maka berarti tidak ada
outlier.
Untuk melihat outlier multivariate dapat langsung melalui AMOS (point 2
dibawah ini atau melalui SPSS: Analyze>>>Regresion, masukan dependen
dan independent dan klik SAVE: Distance Mahalnobis).
Bila Mahalnobis distance > table chisquare (n,p) maka terdapat outlier.
Lihat Text Output: (output yang dimunculkan sesuai dengan kebutuhan dalam
Analysis property (Piano dg 6 kotak berwarna). Defaultnya adalah minimization
history, kemudian dapat diklik:standardized estimates, squared multiple correlation,
factor score weight dan test for normality and outlier, serta modification index)
Perhatikan Output:
Werner R. Murhadi
Variable
min
max
skew
c.r.
kurtosis
x1
.000
6.100 -.084
-.343
-.545
x2
.200 5.400 .462
1.887
-.544
x3
5.000 10.000 -.285
-1.162
-1.080
x7
3.700 10.000 -.226
-.921
-.867
x4
2.500 8.200 .215
.876
.021
x6
1.100 4.600 .486
1.984
.042
Multivariate
-3.888
Skewness CR untuk melihat distribusi normal univariat
Multivariat CR untuk melihat distribusi normal multivariat
c.r.
-1.113
-1.110
-2.204
-1.770
.043
.086
-1.984
Werner R. Murhadi
x6 <--- Image
x4 <--- Image
x7 <--- Strategy
x3 <--- Strategy
x2 <--- Strategy
x1 <--- Strategy
Koef.Regresi pada
unstandardized estimate
Standardized Regression Weights: (Group number 1 - Default model)
x6 <--- Image
x4 <--- Image
x7 <--- Strategy
Estimate
.685
1.151
.689
Werner R. Murhadi
x3 <--- Strategy
x2 <--- Strategy
x1 <--- Strategy
Estimate
-.722
.654
-.644
Estimate
.175
Estimate S.E.
Image
.276 .182
Strategy
1.180 .348
e6
.312 .173
e4
-.412 1.020
e7
1.308 .255
e3
.912 .193
e2
.811 .148
e1
1.011 .182
C.R.
1.518
3.391
1.805
-.404
5.125
4.734
5.466
5.548
P
.129
***
.071
.686
***
***
***
***
Label
par_6
par_7
par_8
par_9
par_10
par_11
par_12
par_13
Werner R. Murhadi
x1
x2
x3
x7
x4
x6
Estimate
.415
.427
.521
.474
1.325
.469
Strategy
Image
x1
-.203
.008
x2
.232
-.009
x3
-.264
.011
x7
.201
-.008
x4
.063
.762
x6
-.034
-.407
9. Bila model telah fit, maka setiap konstruk dapat dievaluasi terpisah dengan (1)
melihat signifikansi indicator loading factor (Standardized regression weightestimate) dan (2) menilai reliabilitas konstruk dan variance exctracted.
Reliabilitas Konstruk =
(jumlah dari standard loading)2
(jumlah dari standard loading)2 + jumlah kesalahan p.
Catatan: Abaikan tanda +/Jumlah dari std loading diambil dari loading factor (Standardized regression
weight-estimate), sedangkan jumlah kesalahan pengukuran diperoleh dari:
Jumlah kesalahan pengukuran = 1 (standar loading)2
Variance Extracted =
Jumlah kuadrat standard loading
Jumlah kuadrat standard loading + jumlah kesalahan p.
Beda dg yang diatas adalah: disini dilakukan kuadrat dulu baru kemudian
dijumlah.
Nilai reabilitas konstruk yang direkomendasikan adalah diatas 0,70
Werner R. Murhadi
x6
x4
x7
x3
x2
x1
<--<--<--<--<--<---
Image
Image
Strategy
Strategy
Strategy
Strategy
Estimate
.790
0.998
.692
-.718
.654
-.643
(1.787)2
= 0.893
(1.787)2 + 0.381
(1.836)2
= 0.459
(1.836)2 + 2.164
= 0.809
(1.618)2
2
(1.618) + 0.381
Werner R. Murhadi
disini terlihat nilai kedua reliabilitas diatas 0,7 dan AVE image diatas 0,5,
namun AVE strategi dibawah 0,5
10. Modification index digunakan untuk memperbaiki model.
Nilai MI pada covariance menunjukkan turunnya nilai chisquare jika error
term tersebut dikorelasikan (Harus berdasarkan teori). Tujuan kita adalah
mendapatkan nilai chisquare kecil untuk itu pilih nilai MI covariance paling
tinggi. Setelah itu ulangi proses penghitungan.
Covariances: (Group number 1 - Default model) kasus bab VII..
Werner R. Murhadi
e10 <--> e7
e10 <--> e8
e14 <--> e2
Cari nilai MI terbesar (dengan harapan nilai chisquare akan turun bila e
dikorelasikan, sehingga probabilitas bisa naik diharapkan diatas 5%)
Terlihat e20 e21 memiliki nilai MI terbesar 22,438. artinya bila e20 dan e21
dikorelasikan maka nilai chisquare akan turun paling sedikit 22,438 (korelasi
e20 dan e21 harus berdasarkan pada teori).
Caranya: buat hubungan kovarians antara e20 dan e21. maka hasilnya akan
terjadi perubahan dalam goodness of fit.
11. salah satu alasan mengapa model tidak fit bisa jadi karena ukuran variable
laten tidak unidimensional. Hal ini dpat dilihat pada output squared multiple
correlation. Dalam toeri uji skor, reliabilitas suatu variable diukur dengan
variasi degree of true score relative terhadap variasi observed score. Hal ini
didefinisikan sebagai squared correlation antara true score (konstruk laten
dimana variable itu dianggap sebagai indicator) dan variable observed. Nilai
cut-off 0,50.
Contoh: kasus bab 9
Squared Multiple Correlations: (Group number 1 - Default model)
A1
A2
A3
A4
A5
A6
A7
A8
k6
k5
k4
K3
K2
K1
Estimate
.830
.001
.103
.306
.293
.518
.149
.725
.339
.670
.513
.708
.674
.592
Werner R. Murhadi
Disini terlihat untuk laten knowledge terdapat 5 indikator yang reliable (K6
dibawah cut off 0,5). Sedangkan untuk laten attitude lebih komplek, dimana
hanya A1, A6 dan A8 yang reliable. Maka untuk laten attitude perlu dilakukan
reformulasi.
12. Summary of models (lihat criteria table diatas):
a. Default model merupakan model kita
b. Saturated model merupakan perfect/full model untuk menghasilkan
nilai chisquare=0 dan DF=0
c. Independence model berarti semua model dibuat tidak berkorelasi.