| |
=
|
\ .
,
11 12
21 22
| |
=
|
\ .
Asumsikan X
1
dan X
2
merupakan Gaussian multivariat bersama. Untuk X
1
memiliki E(X
1
) =
1
dan ( ) ( )( )
1 1 1 1 1 11
Cov X E X X
(
= =
(
, karena distribusi
marjinal dari Gaussian merupakan dirinya sendiri maka distribusi marjinal dari X
1
adalah
( )
1 1 11
, X , begitu juga unruk X
2.
Berdasarkan definisi dari distribusi Gaussian multivariat, maka
( ) 1 2 12 12
, X X , dimana
( )
1
1 12 22 2 12
X
= +
1
11 12 22 21 12
= (1)
12
dan
12
sangat bermanfaat untuk pendugaan model faktor.
2.2 Asumsi-asumsi Model Faktor
Asumsi-asumsi yang digunakan dalam model Faktor adalah sebagai berikut:
(Joreskog dan Sorborn, 1979)
a. E() = 0
b. E(
i
j
) = 0, i j
2
E( ) =
i
, i dengan i = 1, 2; p dan j = 1, 2, ..., p. sehingga diperoleh hubungan:
1
2
0 0
0 0
( ) ( )
0 0 0
p
Cov E
| |
|
|
= = =
|
|
|
\ .
L
L
M M O M
c. E() = 0
d.
21
31 32
1 2 , 1
1
1
1 ( ) ( )
1
m m m m
Cov E
| |
|
|
|
= = =
|
|
|
\ .
M M M O
L
dimana adalah matriks korelasi antar variabel laten eksogenus berukuran
m m
e. ( ) ( ) 0 Cov E = = ,
Dari = X + dengan mengunakan sifat nilai harapan dan asumsi-asumsi yang ada
akan ditentukan hubungan koragam vektor X.
( ) ( )( ) Cov E
= = X + +
= + (2)
2.3 Model Faktor
Model faktor adalah suatu analisis peubah ganda yang biasanya digunakan pada
penelitian yang mencakup sejumlah besar variabel (Johnson and Wichern, 1998). Tujuan
dari analisis faktor adalah menentukan apakah suatu himpunan variabel dapat
digambarkan berdasarkan jumlah faktor yang lebih sedikit daripada jumlah variabel
observasi.
Model faktor mengekspresikan hubungan antara X
i
,
i
, dan
i
dimana X adalah
kombinasi linear dari , dan yang secara aljabar direpresentasikan sebagai berikut:
1 11 1 12 2 1 1
2 21 1 22 2 2 2
...
...
m m
m m
X
X
= + + + +
= + + + +
M M M
1 1 2 2
...
p p p pm m p
X = + + + + (3)
dengan:
a.
i
adalah faktor umum dimana j = 1, 2, ...,m dengan (m < p)
b.
i
adalah faktor loading dari variabel ke-i pada faktor umum ke-j, untuk i = 1, 2, ..., p
dan j = 1, 2, ...,m
c.
i
adalah faktor unik dari variabel ke-i, untuk i = 1, 2, ..., p
Dengan asumsi:
a.
0, , , dengan menyatakan korelasi
j i
r i j r
=
b.
0, , , dimana
j j
r j k j k
=
c.
j
dan
i
mempunyai distribusi normal dengan rataan 0 dan varians 1 untuk setiap i
dan j
d. Semua faktor saling bebas satu dengan yang lainnya dan juga saling bebas
dengan m buah faktor umum.
Persamaan (3) dapat ditulis dalam bentuk notasi matriks sebagai berikut:
= X + (4)
Dengan:
a. X adalah vektor berdimensi p,
1 2 p
X X X ( =
X L
b. adalah vektor variabel yang tidak dapat diobservasi (faktor umum) berdimensi m,
| |
1 2 m
= L dengan distribusi N(0,I}
c. adalah vektor variabel yang tidak dapat diobservasi (faktor unik) berdimensi p,
1 2 p
( =
L
d. matriks berukuran p m dengan entri konstanta yang belum diketahui (faktor
loading)
11 12 1
21 22 21
1 2
m
p p pm
| |
|
|
=
|
|
|
\ .
L
L
M M O M
L
Dari asumsi model faktor matriks kovarians = + . Lebih jauh lagi kita
asumsikan bahwa faktor-faktor tidak saling berkorelasi maka = I dan persamaan (2)
menjadi:
= + (5)
Matriks Kovarians , merupakan fungsi dari parameter-parameter yang akan
diduga (Bollen 1989). Matriks Kovarians menghasilkan faktor loading, merupakan
koefisien yang digunakan untuk memahami arti dari faktor dan dapat digunakan untuk
menilai keterandalan faktor. Nilai faktor loading yang besar menunjukkan korelasi yang
kuat antara faktor dan indikator pengukurnya.
2.4 Pendugaan Parameter dari Analisis Faktor Maksimum dengan Maksimum
Likelihood
Memaksimumkan fungsi likelihood biasanya dilakukan dengan metode iterasi
Menurut Bollen (1989), pendugaan maksimum likelihood mempunyai sifat-sifat penting
yaitu: tak bias secara asimtotis (ada kemungkinan akan berbias pada contoh kecil),
konsisten, efisien secara asimtotis, invarian pada skala pengukuran (satuan pengukuran
tidak mempengaruhi nilai dugaan parameter model). Ada beberapa metode yang dapat
digunakan untuk mendapatkan titik maksimum dari fungsi maksimum likelihood, dalam
skripsi ini akan digunakan algoritma EM(Expectation Maximization) karena algoritma
EM cukup sederhana dan memenuhi sifat monoton dan jika nilai awalnya positif maka
nilai berikutnya positif.
Algoritma EM dimulai dengan tahap E (Expectation), yaitu tahap penetapan nilai
awal dan sebarang dan positif, selanjutnya dianggap sebagai
lama
dan
lama
.
Kemudian dilanjutkan dengan menghitung nilai harapan dari ln-likelihood E(L). Tahap
berikutnya adalah tahap M (Maximization), yang digunakan untuk mendapatkan
baru
dan
baru
secara iterasi dengan cara memaksimumkan E(L). Jika
( ) ( ) ( )
4
1
, , 10 ,
baru baru lama lama lama lama
m m m
L L L
+
>
artinya proses belum konvergen, maka nilai
baru
dan
baru
dianggap sebagai
lama
dan
lama
pada iterasi berikutnya, demikian proses ini dilanjutkan secara iterasi sampai
konvergen.
Selanjutnya akan diduga parameter dari model faktor dengan metode seperti di
atas. Misalkan terdapat p 1 vektor-vektor dari X
1,
X
2
, ...,X
n
yang merepresentasikan
contoh acak dan saling bebas, memiliki parameter dan sehingga fungsi ln-likelihood-
nya adalah:
( ) ( )
( )
1
1
ln ,
= ln ,
n
i i
i
n
i i
i
L f
f
=
=
=
, X ,
X ,
Distribusi dari
( )
f X adalah joint multivariate Gaussian distribution,
= X + dan dari persamaan (1) maka didapat,
( ) ( )
dan E Cov = = X X
Sehingga fungsi maksimum likelihood untuk model faktor
( )
( ) ( )
1
1
1
2 2
1 1
ln exp
2
2
n
i i i i p
i
L
=
| |
=
|
\ .
X X
Dengan menggunakan sifat dari trace,
| |
tr = XAX AXX , sehingga persamaan di
atas dapat dituliskan sebagai berikut
( )
( )
1 1 1
1
1
ln 2 ln 2
2 2 2
n
i i i i i i
i
np n
L tr
=
( = +
X X X
Selanjutnya ambil ekspektasi dari L berdasarkan
( )
,
i i
f X , sehingga di
dapat
( ) ( ) ( ) ( )
1 1 1
1
1
ln 2 ln 2 (6)
2 2 2
n
i i i i i i i i
i
np n
L E tr E
=
( = +
X X X X X
Kemudian persamaan (6) dimaksimalkan terhadap dan dimana
=
AB
AB
,
| |
tr
= +
AB
AB AB
, ( )
tr (
=
-1
-1
, dan
1
1
A B
AB
maka dihasilkan
( ) ( )
1
1 1
n n
baru
i i i i i i
i i
E E
= =
| || |
=
| |
\ .\ .
X X X
( )
1 1
1
n n
baru
i i i i i
i i
diag E
n
= =
(
=
(
X X X X
Nilai dari
( ) ( )
dan E E X X adalah
( ) ( )
1
1 1
E
= = + X X I X
( )
E = + X I XX
Maka kovariansnya
( ) ( )
1
1
Cov
= + X I
3. Kesimpulan dan Saran
Berdasarkan hasil yang telah diperoleh, maka dapat disimpulkan bahwa:
Algoritma EM dimulai dengan tahap E (Expectation), yaitu tahap penetapan nilai
awal dan sebarang dan positif, selanjutnya dianggap sebagai
lama
dan
lama
.
Kemudian dilanjutkan dengan menghitung nilai harapan dari ln-likelihood E(L). Tahap
berikutnya adalah tahap M (Maximization), yang digunakan untuk mendapatkan
baru
dan
baru
secara iterasi dengan cara memaksimumkan E(L). Jika
( ) ( ) ( )
4
1
, , 10 ,
baru baru lama lama lama lama
m m m
L L L
+
>
artinya proses belum konvergen, maka nilai
baru
dan
baru
dianggap sebagai
lama
dan
lama
pada iterasi berikutnya, demikian proses ini dilanjutkan secara iterasi sampai
konvergen.
Dengan mengunakan metode EM dihasilkan parameter dari model faktor sebagai
berikut:
( ) ( )
1
1 1
n n
baru
i i i i i i
i i
E E
= =
| || |
=
| |
\ .\ .
X X X
( )
1 1
1
n n
baru
i i i i i
i i
diag E
n
= =
(
=
(
X X X X
Nilai dari
( ) ( )
dan E E X X adalah
( ) ( )
1
1 1
E
= = + X X I X
( )
E = + X I XX
Maka kovariansnya
( ) ( )
1
1
Cov
= + X I
4. Daftar Pustaka
Bollen, K. A. 1989. Structural Equation With Latent Variables. John Wiley Sons, New
York.
Johnson, R.A dan Wichern, D.W. 1998. Applied Multivariate Statistical Analysis, 5th ed.
Prentice Hall Internasional, New Jersey.
Joreskog, K. dan D. Sorbon. 1998. LISREL 7, User's Reference Guide, 1st ed. Scientific
Software Inc, Mooresville.
Long, j. s. 1983. Confirmatory Factor Analysis, A preface to LISREL. Sage Publicatins,
New York.
Pawitan, Yudi. 2001. In All Likelihood, Statistical Modelling and Inference using
Likelihood. Clarendon Press OXFORD, New York.
Simamora, B. 2005. Analisis Multivariat Pemasaran. Gramedia Pustaka Utama, Jakarta
ftp://ftp.cs.toronto.edu/pub/zoubin/mfa.tar.gz -
faculty.psy.ohio-state.edu/myung/personal/mle-pub.pdf
www-clmc.usc.edu/ cs599 an/factor analysis.pdf -