Murhadi
PEMODELAN SEM
Unstandardized estimates hasilnya akan sama dengan regresi biasa pada table
coefficient model khususnya unstandardized coefficient beta yang akan
membentuk persamaan regresi biasa yang terdiri dari konstanta + variable
independent
Sedangan standardized estimates hasilnya akan sama dengan regresi biasa pada
table coefficient model khususnya standardized coefficient beta yang akan
membentuk persamaan regresi biasa yang terdiri dari variable independent saja
(tanpa konstanta)
Unstandardized estimates
1.23
44.03 27.59
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
0.56 0.26
0.49
Volume
penjualan
Werner R. Murhadi
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
Standardized Regression Weights: (Group number 1 - Default model) Loading Factor pada
standardized estimate
Estimate
x6 <--- Image .685
x4 <--- Image 1.151 Heywood case terjadi bila SR>1
x7 <--- Strategy .689
Werner R. Murhadi
Estimate
x3 <--- Strategy -.722
x2 <--- Strategy .654
x1 <--- Strategy -.644
x1 x2 x3 x7 x4 x6
Strategy -.203 .232 -.264 .201 .063 -.034
Image .008 -.009 .011 -.008 .762 -.407
9. Bila model telah fit, maka setiap konstruk dapat dievaluasi terpisah dengan (1)
melihat signifikansi indicator loading factor (Standardized regression weight-
estimate) dan (2) menilai reliabilitas konstruk dan variance exctracted.
Beda dg yang diatas adalah: disini dilakukan kuadrat dulu baru kemudian
dijumlah.
Estimate
x6 <--- Image .790
x4 <--- Image 0.998
x7 <--- Strategy .692
x3 <--- Strategy -.718
x2 <--- Strategy .654
x1 <--- Strategy -.643
disini terlihat nilai kedua reliabilitas diatas 0,7 dan AVE image diatas 0,5,
namun AVE strategi dibawah 0,5
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
Estimate
A1 .830
A2 .001
A3 .103
A4 .306
A5 .293
A6 .518
A7 .149
A8 .725
k6 .339
k5 .670
k4 .513
K3 .708
K2 .674
K1 .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.