Anda di halaman 1dari 40

Advanced SEM Topics

and PLS
Dina Antariskasari
Ika Shohihah

Pengukuran Reflektif VS Formatif

Variabel Laten bisa berupa hasil pencerminan indikatornya, diistilahkan dengan


indikator refleksif.
Variabel Laten bisa dibentuk (disusun) oleh indikatornya, diistilahkan dengan
indikator formatif

Indikator Konstruk Formatif

Gambar :Contoh dari Indikator Konstruk Formatif

Pengukuran Reflektif VS Formatif


Kriteria

Apakah indikator merupakan


konsekuensi atau penyebab
konstruk?
Apakah konstruk merupakan
sebuah sifat (trait) yg menjelaskan
indikator atau kombinasi dari
indikator?
Apakah jika penilaian konstruk
berubah maka semua indikator
akan berubah dalam pola yang
sama?
Apakah indikator dapat
dipertukarkan secara sama?

Keputusan

Jika konsekuensi : Reflektif


Jika Penyebab : Formatif
Jika Sifat : Reflektif
Jika Kombinasi : Formatif
Jika ya : Reflektif
Jika tidak : Formatif
Jika ya : Reflektif
Jika tidak : Formatif

Konstruk Reflektif VS Formatif


Karakteristik
Kasualitas konstruk
Hubungan konseptual
antara item
Domain Item
Kovarian antara item

Konsistensi internal
Validitas bentuk konstruk

Reflektif
Item yang disebabkan
konstruk
Seluruh item terhubung
secara konseptual karena
adanya sebab umum
Sampel
representatif
dari item potensial
Kolinearitas yang
diharapkan antar item
Yang dibutuhkan
Internal dan eksternal

Formatif
Konstruk yang dibentuk
dari item
Tidak ada kebutuhan
keterkaitan konseptual
untuk item lainnya
Persedian telah habis dari
item yang mungkin
Tak ada ekspektasi
kolinearitas tinggi antar
item formatif yang dapat
jadi masalah
Tidak dibutuhkan
Hanya eksternal

HIGHER ORDER FACTOR ANALYSIS


Yang paling umum aturan Higher Order Model adalah Sebuah model
order kedua. Sebuah second order faktor latent disebabkan multiple
first order latent factor , dimana yang pada gilirannya menyebabkan
variabel yang diukur (x). Dalam arti sederhana,aturan pertama konstruks
latent menjadi "indikator" dari the second order konstruk latent .
Sebagai salah satu harapan , konstruk tingkat tinggi lebih abstrak
karena memiliki hanya konstruk latent sebagai indikator nya. ketika
dukungan toeritis dapat ditemukan untuk Higher Order Model, maka
setiap Program SEM dapat memperkirakan Higher Order Model.

Contoh yang menggambarkan peran faktor order kedua


Konstruks psikologis : order pertama termasuk skala untuk kegelisahan, pesimisme, kreativitas,
imaginativeness, dan harga diri, dan lainnya. .
Kepribadian dapat diwakili oleh berbagai faktor order pertama terkait. Masing-masing dapat
diukur dengan menggunakan puluhan skala multiple-item yang menekan dimensi kepribadian
tertentu.
Faktor individu(untuk menilai seberapa termotivasi satu adalah untuk berhasil di sekolah
pascasarjana) adalah faktor order pertama dan Likelihood of Success (Kemungkinan Sukses)
bisa dianggap sebagai faktor order kedua
Indikator dari tes standar (kinerja verbal,kuantitatif, dan karakteristik ujian lainnya)
Setelah mengidentifikasi semua faktor yang berhubungan dengan kinerja di sekolah pascasarjana,
kita mungkin berakhir dengan variabel indikator ,beberapa faktor seperti pemahaman membaca,
kemampuan kuantitatif, pemecahan masalah, kinerja sekolah, dan keinginan. Masing-masing aspek
merupakan faktor itu sendiri. Namun, mereka semua didorong oleh faktor tinggi-agar kita bisa
dilabeli '' Kemungkinan Sukses. "Mungkin sulit untuk melihat kepentingan seseorang dan
langsung menilai kemungkinan keberhasilan. Namun, dapat diindikasikan cukup baik oleh lebih
faktor nyata seperti kemampuan memecahkan masalah. Pada akhirnya, keputusan penting dapat
dibuat berdasarkan faktor keberhasilan yang lebih abstrak, dan mudah-mudahan keputusan ini
lebih baik daripada mengandalkan individu faktor yang lebih spesifik.

Multiple Group Analysis


Suatu kerangka kerja SEM untuk menguji nomor atau jenis perbedaan antara model
serupa diperkirakan untuk berbagai kelompok responden.
Tujuan umum adalah untuk melihat apakah ada perbedaan antara model kelompok
individu dengan prosedur berbeda dari pengujian model dengan spesifikasi yang
berbeda untuk sampel yang sama dari responden.
Di sini kita membandingkan model yang sama di seluruh sampel yang berbeda dari
responden.

Pengukuran Model Comparisons

Manfaat utama untuk mencapai validitas konstruk adalah bahwa konstruk akan memenuhi
semua persyaratan keandalan dan validitas tidak hanya dalam satu situasi, tapi mudahmudahan di semua situasi potensial di mana dapat diterapkan.
Meskipun pengujian ketat dalam tahap pengembangan dapat mendukung validitas konstruk,
para peneliti telah lama menyadari kebutuhan untuk menilai kembali konstruk, terutama
ketika perbandingan yang dibuat dalam penelitian yang sama

Keduanya memiliki kesamaan yaitu penggunaan


multisample confirmatory factors analysis (MCFA)

Pengujian Invarian
Tahap 1: Configural Invariance
Tahap 2: Metric invariance
Tahap 3: Scalar invariance

Tahap 4: Factor Covariance invariance


Tahap 5: Factor Variance invariance
Tahap 6: Error Variance invariance

Tahap 1: Configural Invariance


Menegaskan configural invarian bahwa Struktur aktor dasar yang sama ada di
semua kelompok.
Para peneliti harus mengkonfirmasi bahwa masing-masing kelompok Model
CFA memiliki jumlah yang sama dari construct dan barang-barang yang terkait
dengan setiap construct.
Bahkan, hal tesebut menunjukkan bahwa masing-masing model kelompok
memenuhi tingkat yang tepat dari model fit dan validitas konstruk.
Inmeasurement istilah teori, kita sekarang memastikan bahwa construct yang
congeneric seluruh kelompok.
Model ini kadang-kadang disebut totally free multiple (TF) karena semua
kebebasan parameter diperkirakan secara terpisah dan karena itu bebas untuk
mengambil nilai yang berbeda di masing-masing kelompok. Itu Model TF juga
menjadi model dasar untuk perbandingan

Tahap 2: Metric invariance

Memberikan perbandingan empiris pertama antara MCFA model kelompok


dan melibatkan kesetaraan loadings faktor.
Invarian metrik menetapkan kesetaraan dasar ''makna" dari konstruk karena
loading menunjukkan hubungan antara indikator dan construct laten.
Jumlah X2. yang dihitung antara model ini dan model TF (Free Multiple)
dengan derajat kebebasan menyamai jumlah perkiraan constrain loading
seluruh kelompok.

Tahap 3: Scalar invariance


Invarian skalar, yang tes untuk kesetaraan
dari intercept variabel diukur (yaitu, rata-rata) pada construct.
Dukungan untuk skalar invarian adalah diperlukan jika ada perbandingan
tingkat (misalnya, nilai rata-rata) yang dibuat di seluruh kelompok.

Invarian skalar memungkinkan jumlah relatif konstruk laten yang akan


dibandingkan antara kelompok-kelompok.

Tahap 4: Factor Covariance invariance

Covariances antara construct tersebut dibatasi. Tes invarian


faktor kovarians jika construct terkait satu sama lainnya dengan
cara yang sama di seluruh kelompok.

Perhatikan bahwa dalam tahap derajat kebebasan berasal dari


hambatan (constrainings) covariances faktor daripada loading
untuk masing-masing variabel diukur.

Tahap 5: Factor Variance invariance

Tes untuk faktor varians invarian, di mana


menilai kesetaraan varians dari construct seluruh kelompok.
JIka faktor variances dan
covariances setara di seluruh kelompok, maka korelasi
konstruk laten juga akan sama.

Tahap 6: Error Variance invariance


Tes tahap akhir untuk Error Term Invariance untuk
masing-masing variabel diukur di seluruh kelompok.
Tes ini untuk kesalahan jumlah pengukuran disajikan dalam
indikator dan sejauh mana itu kesetaraan antar model

Full vs Partial Invariance

Full
Invariance

Partial
Invariance

Test perbedaan uji chi-square untuk invarian penuh, yang berarti


bahwa constrain dari semua parameter relatif terhadap jenis
invarian menjadi sama di masing-masing kelompok tidak
signifikan memperburuk fit (kecocokan).
Dalam hal metrik invarian, ini berarti membatasi setiap loading
yang sesuai harus sama di setiap group

Standar kurang konservatif yang melibatkan setidaknya beberapa


perkiraan per konstruk untuk menjadi setara di dalam kelompok
Sebuah konsensus umum telah dikembangkan di mana jika dua
parameter per konstruk (misalnya, loading di metrik invarian,
(intercept) dalam skalar invariance, atau bahkan error term dalam
kesalahan varians invarian) ditemukan untuk menjadi invarian,
maka invariance parsial ditemukan dan proses dapat dilanjutkan
ke tahap berikutnya.

Pedoman untuk Tingkat Varian

ANALISIS INVARIAN HBAT


Analisa untuk membandingkan karyawan penuh waktu versus paruh waktu.
Perhatian adalah bahwa hanya mengambil perspektif keseluruhan tentang
karyawan mungkin mengabaikan perbedaan mencolok antara dua kelompok
ini.
Hal ini dirasa bahwa langkah pertama harus diambil untuk memastikan bahwa
kedua kelompok ini memiliki persepsi umum tentang sikap kerja yang HBAT
dianggap penting dalam upaya melihat retensi karyawan mereka.
Hal ini menyebabkan panggilan untuk perbandingan empiris dari dua
kelompok lima konstruk dalam model Retensi Karyawan.
Kelompok dibentuk dari responden survei HBAT karyawan berdasarkan
pekerjaan status pegawai full-time atau paruh waktu. Dalam hal ini, kelompok
mempunya ukuran hampir sama (191 karyawan paruh waktu, dan 209
karyawan penuh waktu).
Dengan kelompok dan tanggapan mereka didefinisikan, proses pengujian
invariance dapat dilaksanakan.

Proses Enam Tahap Pengujian invariance.

Kesimpulan Pengukuran Invarian.


Proses pengujian pengukuran invarian menunjukkan
bahwa lima konstruksi yang digunakan dalam model
Retensi Karyawan (Employee Retention Model)
memenuhi kriteria untuk invarian configural, invariance
metrik penuh dan invarian skalar parsial. Akibatnya,
sebagian besar bentuk perbandingan kelompok dapat
dibuat tanpa kekhawatiran bahwa perbedaan adalah
karena perbedaan sifat pengukuran antara kedua
kelompok.

Structural Model Comparisons


Dibangun berdasarkan proses model pengukuran dan kemudian
melakukan jenis yang sama dari perbandingan untuk menilai
perbedaan dalam model struktural
Memberikan tes khusus untuk menangani sejumlah hipotesis
penelitian, tetapi yang paling umum digunakan adalah uji moderasi
Untuk membandingkan alat konstruks laten.
Dalam membuat perbandingan ini, program SEM membandingkan
cara hanya dalam arti relatif. Dengan kata lain, mereka dapat
memberitahu Anda apakah berarti lebih tinggi atau lebih rendah
dibandingkan dengan kelompok lain
Untuk melakukannya mengharuskan rata-rata konstruksi laten tetap
nol dalam satu kelompok

MEASUREMENT BIAS
Metode konstan Bias adalah contoh dari apa
yang dikenal faktor gangguan. Faktor
gangguan adalah sesuatu yang dapat
mempengaruhi respon tapi bukan yang utama
untuk pertanyaan penelitian
jika dampak dari faktor gangguan substansial
atau cukup untuk mempengaruhi hasil yang
sistematis, maka harus dimasukkan dalam
model.

Model yang terlibat dalam menilai dampak


dari faktor gangguan
Model Specification

Model Interpretation

Fokusnya adalah pada efek


yang berhubungan dengan
desain
kuesioner
dan
administrasi,
tetapi
pendekatan
yang
bisa
diperluas untuk setiap jenis
efek gangguan.

Menilai
dampak
dari
konstanta metode bias (atau
faktor pengganggu lainnya)
Caranya , model keseluruhan
yang cocok dibandingkan
untuk melihat apakah faktor
tambahan memiliki dampak
yang signifikan. Hal ini
dilakukan
melalui
uji
perbedaan chi-square (x2)
dan pemeriksaan indeks
model fit

JENIS HUBUNGAN:
MEDIATION DAN MODERATION

Moderation

Mediasi

MEDIATION

Diagram berikut menunjukkan baik efek langsung (K - E) dan efek


tidak langsung dari K pada E dalam urutan K - M - E
Konsep dasar mediation yang paling umum adalah untuk "menjelaskan"
mengapa hubungan antara dua konstruk ada. Proses Intervensi adalah
efek Mediasi . Dalam pengertian yang lebih luas konsep mediasi adalah
umum dalam model struktural pada umumnya

TESTING UNTUK MEDIATION


Mediasi membutuhkan korelasi signifikan antara ketiga konstruk.
Secara teoritis, suatu konstruks mediasi memfasilitasi hubungan antara
dua construct lain yang terlibat. Jika konstruk mediasi sepenuhnya
menjelaskan hubunga antara dua konstruk asli (misalnya, K dan E),
maka kita sebut complete mediaton ini. Tetapi jika kita menemukan
bahwa masih ada beberapa hubungan K dan E yang tidak dijelaskan
oleh mediator, maka kita menunjukkan partial mediation

ILUSTRASI HBAT PADA MODEL MEDIATION

Moderation
Efek moderating terjadi ketika variabel ketiga atau
konstruk mengubah hubungan antara dua variabel
yang terkait / konstruks.
Variabel moderating
harus dipilih dengan
dukungan teoritis yang kuat
Analisis moderation paling mudah ketika moderator
tidak memiliki hubungan linear signifikan dengan
salah satu dari konstruksi
Kurangnya hubungan antara moderator dan
konstruksi lainnya membantu membedakan
moderator dari mediator (ingat bahwa mediator
harus terkait dengan kedua konstruks dalam
hubungan yang sedang dimediasi)

MODERATION NETRIK DAN NON METRIK


METRIK
Variabel kontinu / metrik
dan dievaluasi dengan
menggunakan SEM.
Jika variabel kontinu dapat
dikategorikan dengan cara
yang masuk akal (yaitu,
didasarkan pada teori atau
logika), maka kelompok
dapat diciptakan dan
prosedur yang sama
digunakan untuk moderation
non metrik dapat diterapkan

NONMETRIC
Variabel kategori sering
dihipotesiskan menjadi
moderation
Moderation ini biasanya
adalah variabel klasifikasi
beberapa jenis. Salah satu
jenis umum dari moderation
adalah karakteristik
responden, seperti jenis
kelamin, usia, atau
karakteristik lainnya.

HBAT ILUSTRASI DARI


MODERATION

PLS (PARTIAL LEAST SQUARES)


PLS mrpkan pendekatan alternatif untuk pemodelan SEM
dan cocok untuk
Ukuran sampel yg lbh kecil /besasr dari pada yg umumnya
diakomodasi oleh pendekatan SEM
Situasi dimana penekanan lebih pada prediksi melawan
penjelasan
Sifat model pengukuran ridak mengizinkan penggunaan SEM
SEM (software: AMOS, LISREL) berbasis kovarian, sedangkan
PLS (software: SmartPLS atau Visual PLS) berbasis varian
PLS dapat memberikan hasil dengan sampel terlalu kecil
untuk digunakan dalam pendekatan lain

Metode PLS
PLS menentukan hubungan
dalam hal pengukuran dan
model struktural
PLS diperkirakan dengan
metode regresi berbasis dari
pada MLE(maximum
likelihood estimation).
PLS berfokus pada
penjelasan varians (prediksi
konstruks) daripada
kovarians (penjelasan item
antara hubungan ), dan
signifikansi pengujian
estimasi parameter tidak
mungkin tanpa
menggunakan boot trapping
methods.

PEMODELAN di dalam PLS:


Inner model model struktural yang
menghubungkan antar variabel laten
Outer model model pengukuran yang
menghubungkan indikator dengan variabel
latennya

Keunggulan PLS

1. Mampu memodelkan banyak variabel dependen dan variabel independen(model


kompleks)
2. Mampu mengelola masalah multikolinearitas antar variabel independen
3. Hasil tetap kokoh (robust) walaupun terdapat data yang tidak normal dan hilang
(missing value)
4. Menghasilkan variabel laten independen secara langsung berbasis cross product
yg melibatkan variabel laten dependen sebagai kekuatan prediksi
5. Dapat digunakan pada konstruk reflektif dan formatif
6. Dapat digunakan pada sampel kecil
7. Tidak mensyaratkan data berdistribusi normal
8. Dapat digunakan pada data dengan tipe skala berbeda yaitu nominal, ordinal
dan kontinus

Kelemahan PLS
1. Sulit menginterpretasi loading variabel laten independen jika
berdasarkan pada hubungan cross product yang tidak ada
2. Fokus pada prediksi dari pada penjelasan
3. Faktor beban yang jauh lebih tinggi

Perbandingan LISREL & PLS

Kesimpulan

Meluasnya penggunaan model SEM di hampir setiap disiplin juga


telah meningkatkan minat dalam menggunakan metode SEM untuk
masalah yang lebih maju.
Apakah menggunakan tingkat tinggi model faktor, pengujian
mediasi atau moderasi, atau menilai konstruks invarian di seluruh
kelompok, peneliti SEM dapat memanfaatkan fleksibilitas model
SEM untuk mengatasi semua pertanyaan
Namun karena ini aplikasi baru muncul, peneliti harus berhati-hati
dan memahami dasar-dasar teoritis untuk pendekatan dan isu-isu
estimasi dan interpretasi yang terlibat. Sebagai model SEM menjadi
lebih diterima mereka yang menggunakan untuk pertanyaan
penelitiany yang lebih spesifik serta menjadi yang lebih luas

THANKS!

Anda mungkin juga menyukai