Anda di halaman 1dari 42

PEMAKAIAN LISREL 9.

Oleh

Abdullah M. Jaubah

Pendahuluan

Linear Struktural Relations atau Lisrel dipakai pertama kali dalam tahun 1970 tatkala Karl G.
Jöreskog mengikuti konferensi di Amerika Serikat. Paket program Lisrel versi 3 diterbitkan
dalam tahun 1975. Perkembangan dilakukan berulang kali hingga diterbitkan Lisrel Versi
9.20 dan mencakup tidak hanya hubungan-hubungan struktural garis lurus akan tetapi juga
mencakup hubungan-hubungan struktural non-linear dan unsur-unsur lain. Nama Lisrel tetap
dipertahankan akan tetapi dengan makna Pemodelan Persamaan Struktural karena masyarakat
telah mengenal nama tersebut.

Ruang lingkup pembahasan dalam Lisrel 9.20 adalah lebih luas daripada ruang lingkup
pembahasan dalam Lisrrel 8.30 dan contoh-contoh dalam Lisrel 8.30 dapat dijalankan dalam
Lisrel 9.20. Ruang lingkup pembahasan dalam Lisrel 9.20 adalah lebih luas daripada ruang
lingkup pembahasan dalam Amos, ditinjau dari sudut contoh-contoh yang terkandung dalam
kedua paket program tersebut.

Kriteria untuk menentukan kecocokan atau ketidakcocokan antara model dan dapat telah
dikembangkan, Cara termudah untuk menentukan kecocokan atau ketidakcocokan antara
model dan data dapat dilakukan melalui analisis atas diagram jalur yang terdiri dari nilai Chi-
square, degree of freedom, p-value, dan RMSEA. Kecocokan antara model dan data adalah
sempurna jika nilai Chi-square adalah 0, nilai degree of freedom adalah 0, p-value adalah 1,
dan nilai RMSEA adalah 0. Hal ini berarti bahwa p-value akan mengalami perubahan jika
nilai dari Chi-square, degree of freedom, dan RMSEA mengalami kenaikan atau penurunan/

Kriteria Goodness-of-Fit Statistics dapat juga dipakai untuk menentukan kecocokan atau
ketidakcocokan antara model dan data akan tetapi unsur-unsur yang terkandung dalam
Goodness of Fit Statistics ini adalah sangat banyak sehingga sering menyulitkan untuk
menentukan apakah model itu cocok atau tidak cocok dengan data. Kedua cara dapat dipakai
bersama-sama untuk menentukan kecocokan atau ketidakcocokan antara model dan data.
Langkah pertama akan melakukan analisis kecocokan melalui diagram jalur dan kemudian
dilanjutkan dengan melakukan analisis atas Goodness of Fit Statistics.

1
Perkembangan perangkat lunak komputer dewasa ini adalah sanggat cepat. Salah satu contoh
perkembangan ini tercermin dalam paket program Lisrel 9.2. Penulis, baru saja
menyelesaikan studi dan penghayatan menenai Lisrel 9.1 Student Edition sekarang telah
muncul Lisrel 9.2. Lisrel 9.2 Student Edition diunduh secara gratis melalui pemanfaatan
internet. Lisrel 9.2 Student Edition mempunyai batas waktu pemakaian dan jumlah variabel
indikator yang dapat ditampung juga terbatas hanya 20 variabel indikator. Hal ini berbeda
dengan kemampuan Lisrel 9.2 nonstudent edition. Keterbatasan waktu pemakaian bukan
berarti bahwa studi dan penghayatan Lisrel 9.2 juga terbatas. Langkah untuk memperluas
studi dan penghayatan Lisrel 9.2 dapat dilakukan dengan cara memakai dan menyimpan
semua contoh yang terkandung dalam paket program tersebut. Langkah ini dimanfaatkan di
sini. Lisrel menandung tiga kelompok sintaksis yaitu sintaksis Prelis, sintaksis proyek Lisrel,
dan sintaksis proyek Simplis.

Sintaksis Proyek Lisrel merupakan sintaksis utama dalam paket program Lisrel dan sintaksis
Proyek Simplis merupakan sintaksis penunjang utama dalam paket program Lisrel. Sintaksis
Proyek Lisrel mungkin tidak dapat dikonversikan ke dalam sintaksis Proyek Simplis
sebagaimmana dialami dalam beberapa contoh yang terkandung dalam Lisrel 9.20. Sebagian
besar proyek Lisrel dapat dikonversikan ke dalam proyek Simplis. Contoh-contoh proyek
Lisrel dalam Lisrel 9.20 dikonversikan melalui cara proyek Lisrel dijalankan dan jika
menhasilkan diagram jalur maka diagram jalur ini dipakai untuk mencipta sintaksis proyek
Simplis. Proyek Simplis ini kemudian dujalankan untuk menentukan apakah hasil dari
pelaksanaan proyek simplis ini konsisten atau tidak konsisten dengan hasil dari pelaksanaan
proyek Lisrel.

Konversi dari proyek Lisrel ke dalam proyek Simplis dilakukan karena interpretasi hasil dari
proyek Lisrel adalah lebih sulit daripada interpretasi hasil dari proyek Simplis karena
interpretasi hasil dari proyek Lisrel disajikan secara tersebar sedangkan interpretasi hasil dari
proyek Simplis disajikan tidak secara tersebar sehingga memudahkan langkah melakukan
interpretasi atas hasil prpyek Simplis tersebut.

Contoh-contoh di bawah ini merupakan contoh-contoh dari sintaksis proyek Lisrel dan hasil
pelaksanaan proyek Lisrel dipakai untuk mencipta sintaksis proyek Simplis. Beberapa contoh
tidak menyajikan hasil dari proyek Simplis karena hasil dari proyek Simplis tidak konsisten
dengan hasil dari proyek Lisrel.

2
Lisrel 92 juga didukung dengan dokumentasi. Dokumentasi Lisrel ini adalah lengkap dan
mencakup antara lain :

1. New feature in Lisrel 9


2. The Lisrel Graphical User’s Interface (GUI)
3. Prelis Examples Guide
4. Lisrel Examples Guide
5. Multilevel (Hierarchical Linear) Modeling Guide
6. Complex Survey Sampling
7. Generalized Linear Modeling Guide
8. Multilevel Generalized Linear Modeling Guide
9. Lisrel Syntax Guide
10. Simplis Syntax Guide
11. Prelis Syntax Guide
12. Additional Topics Guide.

Dokumentasi tersebut dapat dipakai sebagai bahan studi dan penghayatan atas berbagai
aspek, analisis, dan interpretasi tentang Lisrel dan pemodelan persamaan struktural. Mereka
yang telah mempelajari IBM SPSS Statistics secara lengkap dan luas akan menemukan
pembahasan mengenai General Linear Model, Generalized Linear Models, dan Mixed
Models. Penguasaan atas kemampuan kognitif atas sintaksis SPSS atas pokok-pokok
pembahasan ini akan mempermudah interpretasi Generalized Linear Modeling dan Multilevel
Generalized Linear Modeling dalam Lisrel 9.2.

Contoh Aplikasi Proyek Lisrel 9.2

Beberapa contoh aplikasi proyek Lisrel 9.2 disajikan di bawah ini dan mencakup sintaksis
proyek Lisrel dan hasil pelaksanaan sintaksis proyek Lisrel, sintaksis Proyek Simplis yang
dicipta dengan memanfaatkan diagram jalur dari proyek Lisrel dan sintaksis proyek simplis
ini kemudian dijalankan dan hasilnya disajikan pula. Contoh di bawah ini diambil dari contoh
yang terdapat dalam Lisrel 9.20 kemudian proyek Simplis dicipta dan dijalankan. Hasil
proyek Simplis ini kemudian diinterpretasikan.

Contoh Aplikasi Proyek Lisrel 9.2

3
Contoh Hypothetical Model Estimated By ML ini mencerminkan deskripsi contoh yang
terdiri dari tiga variabel laten eksogen yaitu KSI 1, KSI 2, dan KSI 3. Variabel laten eksogen
mengandung tujuh variabel indikator eksogen. Variabel laten endogen terdiri dari dua
variabel yaitu variabel laten endogen ETA 1 dan variabel laten endogen ETA 2. Masing-
masing variabel laten endogen diwakili oleh dua variabel indikator endogen. Hal ini berarti
bahwa lima variabel laten dan sebelas variabel indikator terkandung dalam contoh ini.
Rincian dari variabel indikator endogen adalah NY = 4, variabel indikator eksogen adalah
NX = 7, variabel laten endogen adalah NE = 2 dan variabel laten eksogen adalah NK = 3.
Sintaksis Proyek Lisrel adalah sebagai berikut :

HYPOTHETICAL MODEL ESTIMATED BY ML


DA NI=11 NO=100
CM SY FI=EX1.COV
MO NY=4 NX=7 NE=2 NK=3 BE=FU PS=SY,FR
FR LY 2 1 LY 4 2 LX 2 1 LX 3 1 LX 3 2 LX 5 2 LX 7 3 BE 2 1 BE 1 2
FI GA 1 3 GA 2 2
VA 1 LY 1 1 LY 3 2 LX 1 1 LX 4 2 LX 6 3
PD
OU MI RS EF MR SS SC

Pelaksanaan Sintaksis Proyek Lisrel 9.2

Pelaksanaan sintaksis proyek Lisrel menghasilkan informasi sebagai berikut :

DATE: 3/12/2016
TIME: 15:38

L I S R E L 9.20 (STUDENT)

BY

Karl G. Jöreskog & Dag Sörbom

This program is published exclusively by


Scientific Software International, Inc.
http://www.ssicentral.com

Copyright by Scientific Software International, Inc., 1981-2014


Use of this program is subject to the terms specified in the
Universal Copyright Convention.

The following lines were read from file C:\LISREL9 Student Examples\LISEX\EX1.lis:

HYPOTHETICAL MODEL ESTIMATED BY ML


DA NI=11 NO=100
CM SY FI=EX1.COV
MO NY=4 NX=7 NE=2 NK=3 BE=FU PS=SY,FR
FR LY 2 1 LY 4 2 LX 2 1 LX 3 1 LX 3 2 LX 5 2 LX 7 3 BE 2 1 BE 1 2
FI GA 1 3 GA 2 2
VA 1 LY 1 1 LY 3 2 LX 1 1 LX 4 2 LX 6 3
PD
OU MI RS EF MR SS SC

HYPOTHETICAL MODEL ESTIMATED BY ML

Number of Input Variables 11


Number of Y - Variables 4

4
Number of X - Variables 7
Number of ETA - Variables 2
Number of KSI - Variables 3
Number of Observations 100

HYPOTHETICAL MODEL ESTIMATED BY ML

Covariance Matrix

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 3.204
VAR 2 2.722 2.629
VAR 3 3.198 2.875 4.855
VAR 4 3.545 3.202 5.373 6.315
VAR 5 0.329 0.371 -0.357 -0.471 1.363
VAR 6 0.559 0.592 -0.316 -0.335 1.271 1.960
VAR 7 1.006 1.019 -0.489 -0.591 1.742 2.276
VAR 8 0.468 0.456 -0.438 -0.539 0.788 1.043
VAR 9 0.502 0.539 -0.363 -0.425 0.838 1.070
VAR 10 1.050 0.960 1.416 1.714 0.474 0.694
VAR 11 1.260 1.154 1.923 2.309 0.686 0.907

Covariance Matrix

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 3.803
VAR 8 1.953 1.376
VAR 9 2.090 1.189 1.741
VAR 10 0.655 0.071 0.104 1.422
VAR 11 0.917 0.136 0.162 1.688 2.684

Total Variance = 31.352 Generalized Variance = 0.0113

Largest Eigenvalue = 16.796 Smallest Eigenvalue = 0.139

Condition Number = 10.975

HYPOTHETICAL MODEL ESTIMATED BY ML

Parameter Specifications

LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 0 0
VAR 2 1 0
VAR 3 0 0
VAR 4 0 2

LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 0 0 0
VAR 6 3 0 0
VAR 7 4 5 0
VAR 8 0 0 0
VAR 9 0 6 0
VAR 10 0 0 0
VAR 11 0 0 7

BETA

ETA 1 ETA 2
-------- --------
ETA 1 0 8
ETA 2 9 0

GAMMA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 10 11 0

5
ETA 2 12 0 13

PHI

KSI 1 KSI 2 KSI 3


-------- -------- --------
KSI 1 14
KSI 2 15 16
KSI 3 17 18 19

PSI

ETA 1 ETA 2
-------- --------
ETA 1 20
ETA 2 21 22

THETA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
23 24 25 26

THETA-DELTA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
27 28 29 30 31 32

THETA-DELTA

VAR 11
--------
33

HYPOTHETICAL MODEL ESTIMATED BY ML

Number of Iterations = 9

LISREL Estimates (Maximum Likelihood)

LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 1.000 - -

VAR 2 0.921 - -
(0.035)
26.124

VAR 3 - - 1.000

VAR 4 - - 1.139
(0.029)
38.934

LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 1.000 - - - -

VAR 6 1.291 - - - -
(0.104)
12.397

VAR 7 0.920 1.092 - -


(0.123) (0.117)
7.499 9.365

VAR 8 - - 1.000 - -

VAR 9 - - 1.079 - -

6
(0.084)
12.863

VAR 10 - - - - 1.000

VAR 11 - - - - 1.437
(0.092)
15.557

BETA

ETA 1 ETA 2
-------- --------
ETA 1 - - 0.538
(0.056)
9.573

ETA 2 0.937 - -
(0.177)
5.281

GAMMA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 0.213 0.495 - -
(0.153) (0.147)
1.396 3.368

ETA 2 -1.223 - - 0.996


(0.121) (0.151)
-10.102 6.599

Covariance Matrix of ETA and KSI

ETA 1 ETA 2 KSI 1 KSI 2 KSI 3


-------- -------- -------- -------- --------
ETA 1 2.957
ETA 2 3.115 4.719
KSI 1 0.482 -0.217 0.974
KSI 2 0.554 -0.312 0.788 1.117
KSI 3 0.932 1.402 0.525 0.133 1.175

PHI

KSI 1 KSI 2 KSI 3


-------- -------- --------
KSI 1 0.974
(0.187)
5.196

KSI 2 0.788 1.117


(0.150) (0.194)
5.239 5.753

KSI 3 0.525 0.133 1.175


(0.133) (0.125) (0.202)
3.947 1.064 5.813

PSI

ETA 1 ETA 2
-------- --------
ETA 1 0.486
(0.126)
3.853

ETA 2 -0.069 0.133


(0.168) (0.078)
-0.410 1.707

Squared Multiple Correlations for Structural Equations

7
ETA 1 ETA 2
-------- --------
0.434 0.997

NOTE: R² for Structural Equatios are Hayduk's (2006) Blocked-Error R²

Reduced Form

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -0.895 0.999 1.080
(0.428) (0.342) (0.224)
-2.091 2.916 4.815

ETA 2 -2.062 0.936 2.008


(0.517) (0.403) (0.268)
-3.987 2.321 7.491

Squared Multiple Correlations for Reduced Form

ETA 1 ETA 2
-------- --------
0.381 0.629

THETA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
0.247 0.123 0.136 0.197
(0.053) (0.038) (0.041) (0.054)
4.687 3.256 3.342 3.621

Squared Multiple Correlations for Y - Variables

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
0.923 0.953 0.972 0.969

THETA-DELTA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
0.389 0.336 0.063 0.259 0.440 0.247
(0.064) (0.067) (0.051) (0.050) (0.075) (0.053)
6.125 5.026 1.235 5.162 5.905 4.619

THETA-DELTA

VAR 11
--------
0.259
(0.091)
2.841

Squared Multiple Correlations for X - Variables

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
0.715 0.829 0.983 0.812 0.747 0.826

Squared Multiple Correlations for X - Variables

VAR 11
--------
0.903

Log-likelihood Values

Estimated Model Saturated Model


--------------- ---------------
Number of free parameters(t) 33 66
-2ln(L) 681.416 652.022

8
AIC (Akaike, 1974)* 747.416 784.022
BIC (Schwarz, 1978)* 833.387 955.963

*LISREL uses AIC= 2t - 2ln(L) and BIC = tln(N)- 2ln(L)

Goodness-of-Fit Statistics

Degrees of Freedom for (C1)-(C2) 33


Maximum Likelihood Ratio Chi-Square (C1) 29.394 (P = 0.6473)
Browne's (1984) ADF Chi-Square (C2_NT) 27.247 (P = 0.7488)

Estimated Non-centrality Parameter (NCP) 0.0


90 Percent Confidence Interval for NCP (0.0 ; 12.673)

Minimum Fit Function Value 0.294


Population Discrepancy Function Value (F0) 0.0
90 Percent Confidence Interval for F0 (0.0 ; 0.127)
Root Mean Square Error of Approximation (RMSEA) 0.0
90 Percent Confidence Interval for RMSEA (0.0 ; 0.0620)
P-Value for Test of Close Fit (RMSEA < 0.05) 0.893

Expected Cross-Validation Index (ECVI) 0.990


90 Percent Confidence Interval for ECVI (0.990 ; 1.117)
ECVI for Saturated Model 1.320
ECVI for Independence Model 14.785

Chi-Square for Independence Model (55 df) 1456.516

Normed Fit Index (NFI) 0.980


Non-Normed Fit Index (NNFI) 1.004
Parsimony Normed Fit Index (PNFI) 0.588
Comparative Fit Index (CFI) 1.000
Incremental Fit Index (IFI) 1.003
Relative Fit Index (RFI) 0.966

Critical N (CN) 185.484

Root Mean Square Residual (RMR) 0.0652


Standardized RMR 0.0266
Goodness of Fit Index (GFI) 0.953
Adjusted Goodness of Fit Index (AGFI) 0.906
Parsimony Goodness of Fit Index (PGFI) 0.476

HYPOTHETICAL MODEL ESTIMATED BY ML

Fitted Covariance Matrix

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 3.204
VAR 2 2.722 2.629
VAR 3 3.115 2.868 4.855
VAR 4 3.547 3.266 5.373 6.315
VAR 5 0.482 0.444 -0.217 -0.247 1.363
VAR 6 0.622 0.573 -0.280 -0.318 1.258 1.960
VAR 7 1.048 0.965 -0.540 -0.614 1.757 2.269
VAR 8 0.554 0.510 -0.312 -0.355 0.788 1.018
VAR 9 0.598 0.550 -0.336 -0.383 0.851 1.098
VAR 10 0.932 0.858 1.402 1.596 0.525 0.678
VAR 11 1.339 1.233 2.014 2.293 0.754 0.974

Fitted Covariance Matrix

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 3.803
VAR 8 1.945 1.376
VAR 9 2.099 1.206 1.741
VAR 10 0.629 0.133 0.144 1.422
VAR 11 0.903 0.192 0.207 1.688 2.684

Fitted Residuals

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------

9
VAR 1 0.000
VAR 2 0.000 0.000
VAR 3 0.083 0.007 0.000
VAR 4 -0.002 -0.064 0.000 0.000
VAR 5 -0.153 -0.073 -0.140 -0.224 0.000
VAR 6 -0.063 0.019 -0.036 -0.017 0.013 0.000
VAR 7 -0.042 0.054 0.051 0.023 -0.015 0.007
VAR 8 -0.086 -0.054 -0.126 -0.184 0.000 0.025
VAR 9 -0.096 -0.011 -0.027 -0.042 -0.013 -0.028
VAR 10 0.118 0.102 0.014 0.118 -0.051 0.016
VAR 11 -0.079 -0.079 -0.091 0.016 -0.068 -0.067

Fitted Residuals

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 0.000
VAR 8 0.008 0.000
VAR 9 -0.009 -0.017 0.000
VAR 10 0.026 -0.062 -0.040 0.000
VAR 11 0.014 -0.056 -0.045 0.000 0.000

Summary Statistics for Fitted Residuals

Smallest Fitted Residual = -0.224


Median Fitted Residual = -0.001
Largest Fitted Residual = 0.118

Stemleaf Plot

- 2|2
- 1|85
- 1|430
- 0|9988777666655
- 0|44444332211110000000000000000
0|111111222233
0|558
1|022

Standardized Residuals

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 0.000
VAR 2 0.000 0.000
VAR 3 0.165 0.015 0.000
VAR 4 -0.004 -0.128 0.000 0.000
VAR 5 - - - - -0.711 -0.619 - -
VAR 6 -0.496 0.184 -0.125 -0.047 0.048 0.000
VAR 7 -0.116 0.164 0.117 0.047 -0.051 0.021
VAR 8 -0.396 -0.274 -0.485 -0.620 -0.001 0.155
VAR 9 -0.630 -0.104 -0.091 -0.126 -0.027 - -
VAR 10 0.489 0.664 0.044 0.395 -2.722 - -
VAR 11 -0.244 -0.268 -0.220 0.034 -0.331 -0.268

Standardized Residuals

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 0.000
VAR 8 0.021 0.000
VAR 9 - - - - - -
VAR 10 0.110 -0.421 -0.279 0.000
VAR 11 0.048 -0.459 -0.207 0.000 0.000

Summary Statistics for Standardized Residuals

Smallest Standardized Residual = -2.722


Median Standardized Residual = 0.000
Largest Standardized Residual = 0.664

Stemleaf Plot

- 2|7
- 2|
- 1|
- 1|

10
- 0|7666555
- 0|4433333222111111100000000000000000000000000000000
0|1122224
0|57
Largest Negative Standardized Residuals
Residual for VAR 10 and VAR 5 -2.722

HYPOTHETICAL MODEL ESTIMATED BY ML

Qplot of Standardized Residuals

7
Standardized Residuals

HYPOTHETICAL MODEL ESTIMATED BY ML

Modification Indices and Expected Change

Modification Indices for LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 - - 0.990
VAR 2 - - 0.990
VAR 3 2.115 - -
VAR 4 2.115 - -

Expected Change for LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 - - 0.058
VAR 2 - - -0.053
VAR 3 0.089 - -
VAR 4 -0.102 - -

Standardized Expected Change for LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 - - 0.126
VAR 2 - - -0.116
VAR 3 0.154 - -
VAR 4 -0.175 - -

Completely Standardized Expected Change for LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 - - 0.070
VAR 2 - - -0.072
VAR 3 0.070 - -
VAR 4 -0.070 - -

Modification Indices for LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 - - 0.108 1.049
VAR 6 - - 0.108 0.342
VAR 7 - - - - 3.376
VAR 8 0.304 - - 1.373
VAR 9 0.304 - - 0.241
VAR 10 0.208 0.001 - -
VAR 11 0.208 0.001 - -

Expected Change for LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 - - -0.044 -0.082
VAR 6 - - 0.057 -0.054
VAR 7 - - - - 0.148
VAR 8 0.082 - - -0.077
VAR 9 -0.089 - - -0.038
VAR 10 0.034 -0.001 - -
VAR 11 -0.048 0.002 - -

11
Standardized Expected Change for LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 - - -0.047 -0.089
VAR 6 - - 0.061 -0.058
VAR 7 - - - - 0.161
VAR 8 0.081 - - -0.083
VAR 9 -0.087 - - -0.041
VAR 10 0.033 -0.001 - -
VAR 11 -0.048 0.002 - -

Completely Standardized Expected Change for LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 - - -0.040 -0.076
VAR 6 - - 0.043 -0.042
VAR 7 - - - - 0.082
VAR 8 0.069 - - -0.071
VAR 9 -0.066 - - -0.031
VAR 10 0.028 -0.001 - -
VAR 11 -0.029 0.001 - -

No Non-Zero Modification Indices for BETA

No Non-Zero Modification Indices for GAMMA

No Non-Zero Modification Indices for PHI

No Non-Zero Modification Indices for PSI

Modification Indices for THETA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
VAR 1 - -
VAR 2 - - - -
VAR 3 0.529 0.001 - -
VAR 4 0.550 0.002 - - - -

Expected Change for THETA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
VAR 1 - -
VAR 2 - - - -
VAR 3 0.024 -0.001 - -
VAR 4 -0.028 0.002 - - - -

Completely Standardized Expected Change for THETA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
VAR 1 - -
VAR 2 - - - -
VAR 3 0.006 0.000 - -
VAR 4 -0.006 0.000 - - - -

Modification Indices for THETA-DELTA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
VAR 5 0.134 0.495 2.039 4.211
VAR 6 0.242 0.097 0.349 0.623
VAR 7 0.004 0.057 0.013 0.054
VAR 8 0.907 0.028 0.036 0.367
VAR 9 1.025 0.104 0.110 0.712
VAR 10 0.947 1.116 2.403 0.166
VAR 11 0.288 1.696 0.015 0.907

Expected Change for THETA-DELTA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
VAR 5 -0.015 0.023 0.048 -0.080

12
VAR 6 -0.020 0.011 -0.021 0.031
VAR 7 0.002 -0.007 0.003 0.008
VAR 8 0.032 -0.005 -0.005 -0.020
VAR 9 -0.043 0.011 -0.012 0.035
VAR 10 0.034 0.032 -0.048 0.015
VAR 11 -0.025 -0.052 0.005 0.046

Completely Standardized Expected Change for THETA-DELTA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
VAR 5 -0.007 0.012 0.019 -0.027
VAR 6 -0.008 0.005 -0.007 0.009
VAR 7 0.001 -0.002 0.001 0.002
VAR 8 0.015 -0.002 -0.002 -0.007
VAR 9 -0.018 0.005 -0.004 0.010
VAR 10 0.016 0.017 -0.018 0.005
VAR 11 -0.008 -0.020 0.001 0.011

Modification Indices for THETA-DELTA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
VAR 5 - -
VAR 6 0.341 - -
VAR 7 0.572 0.016 - -
VAR 8 0.000 0.091 0.183 - -
VAR 9 0.136 0.287 2.014 1.160 - -
VAR 10 0.459 0.806 0.079 0.586 0.161 - -
VAR 11 0.605 1.926 0.522 0.503 0.049 - -

Modification Indices for THETA-DELTA

VAR 11
--------
VAR 11 - -

Expected Change for THETA-DELTA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
VAR 5 - -
VAR 6 0.034 - -
VAR 7 -0.034 0.007 - -
VAR 8 -0.001 0.013 -0.032 - -
VAR 9 0.018 -0.027 0.109 -0.081 - -
VAR 10 -0.027 0.038 -0.010 -0.026 -0.017 - -
VAR 11 0.041 -0.079 0.032 0.031 -0.012 - -

Expected Change for THETA-DELTA

VAR 11
--------
VAR 11 - -

Completely Standardized Expected Change for THETA-DELTA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
VAR 5 - -
VAR 6 0.021 - -
VAR 7 -0.015 0.003 - -
VAR 8 0.000 0.008 -0.014 - -
VAR 9 0.012 -0.015 0.042 -0.052 - -
VAR 10 -0.020 0.023 -0.004 -0.018 -0.011 - -
VAR 11 0.021 -0.034 0.010 0.016 -0.006 - -

Completely Standardized Expected Change for THETA-DELTA

VAR 11
--------
VAR 11 - -

Maximum Modification Index is 4.21 for Element ( 1, 4) of THETA DELTA-EPSILON

HYPOTHETICAL MODEL ESTIMATED BY ML

13
Covariances

Y - ETA

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
ETA 1 2.957 2.722 3.115 3.547
ETA 2 3.115 2.868 4.719 5.373

Y - KSI

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
KSI 1 0.482 0.444 -0.217 -0.247
KSI 2 0.554 0.510 -0.312 -0.355
KSI 3 0.932 0.858 1.402 1.596

X - ETA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
ETA 1 0.482 0.622 1.048 0.554 0.598 0.932
ETA 2 -0.217 -0.280 -0.540 -0.312 -0.336 1.402

X - ETA

VAR 11
--------
ETA 1 1.339
ETA 2 2.014

X - KSI

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
KSI 1 0.974 1.258 1.757 0.788 0.851 0.525
KSI 2 0.788 1.018 1.945 1.117 1.206 0.133
KSI 3 0.525 0.678 0.629 0.133 0.144 1.175

X - KSI

VAR 11
--------
KSI 1 0.754
KSI 2 0.192
KSI 3 1.688

HYPOTHETICAL MODEL ESTIMATED BY ML

Standardized Solution

LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 1.719 - -
VAR 2 1.583 - -
VAR 3 - - 2.172
VAR 4 - - 2.474

LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 0.987 - - - -
VAR 6 1.274 - - - -
VAR 7 0.908 1.154 - -
VAR 8 - - 1.057 - -
VAR 9 - - 1.141 - -
VAR 10 - - - - 1.084
VAR 11 - - - - 1.557

BETA

ETA 1 ETA 2
-------- --------
ETA 1 - - 0.679

14
ETA 2 0.742 - -

GAMMA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 0.123 0.304 - -
ETA 2 -0.556 - - 0.497

Correlation Matrix of ETA and KSI

ETA 1 ETA 2 KSI 1 KSI 2 KSI 3


-------- -------- -------- -------- --------
ETA 1 1.000
ETA 2 0.834 1.000
KSI 1 0.284 -0.101 1.000
KSI 2 0.305 -0.136 0.756 1.000
KSI 3 0.500 0.595 0.491 0.117 1.000

PSI

ETA 1 ETA 2
-------- --------
ETA 1 0.164
ETA 2 -0.018 0.028

Regression Matrix ETA on KSI (Standardized)

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -0.514 0.614 0.681
ETA 2 -0.937 0.455 1.002

HYPOTHETICAL MODEL ESTIMATED BY ML

Completely Standardized Solution

LAMBDA-Y

ETA 1 ETA 2
-------- --------
VAR 1 0.961 - -
VAR 2 0.976 - -
VAR 3 - - 0.986
VAR 4 - - 0.984

LAMBDA-X

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 5 0.845 - - - -
VAR 6 0.910 - - - -
VAR 7 0.465 0.592 - -
VAR 8 - - 0.901 - -
VAR 9 - - 0.864 - -
VAR 10 - - - - 0.909
VAR 11 - - - - 0.950

BETA

ETA 1 ETA 2
-------- --------
ETA 1 - - 0.679
ETA 2 0.742 - -

GAMMA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 0.123 0.304 - -
ETA 2 -0.556 - - 0.497

Correlation Matrix of ETA and KSI

ETA 1 ETA 2 KSI 1 KSI 2 KSI 3


-------- -------- -------- -------- --------
ETA 1 1.000

15
ETA 2 0.834 1.000
KSI 1 0.284 -0.101 1.000
KSI 2 0.305 -0.136 0.756 1.000
KSI 3 0.500 0.595 0.491 0.117 1.000

PSI

ETA 1 ETA 2
-------- --------
ETA 1 0.164
ETA 2 -0.018 0.028

THETA-EPS

VAR 1 VAR 2 VAR 3 VAR 4


-------- -------- -------- --------
0.077 0.047 0.028 0.031

THETA-DELTA

VAR 5 VAR 6 VAR 7 VAR 8 VAR 9 VAR 10


-------- -------- -------- -------- -------- --------
0.285 0.171 0.017 0.188 0.253 0.174

THETA-DELTA

VAR 11
--------
0.097

Regression Matrix ETA on KSI (Standardized)

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -0.514 0.614 0.681
ETA 2 -0.937 0.455 1.002

HYPOTHETICAL MODEL ESTIMATED BY ML

Total and Indirect Effects

Total Effects of KSI on ETA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -0.895 0.999 1.080
(0.426) (0.341) (0.223)
-2.102 2.931 4.839

ETA 2 -2.062 0.936 2.008


(0.515) (0.401) (0.267)
-4.007 2.333 7.529

Indirect Effects of KSI on ETA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -1.109 0.503 1.080
(0.338) (0.238) (0.223)
-3.281 2.112 4.839

ETA 2 -0.839 0.936 1.012


(0.464) (0.401) (0.308)
-1.808 2.333 3.289

Total Effects of ETA on ETA

ETA 1 ETA 2
-------- --------
ETA 1 1.016 1.084
(0.408) (0.280)
2.489 3.866

ETA 2 1.890 1.016


(0.714) (0.408)

16
2.649 2.489

Largest Eigenvalue of B*B' (Stability Index) is 0.879

Indirect Effects of ETA on ETA

ETA 1 ETA 2
-------- --------
ETA 1 1.016 0.546
(0.408) (0.246)
2.489 2.224

ETA 2 0.953 1.016


(0.545) (0.408)
1.747 2.489

Total Effects of ETA on Y

ETA 1 ETA 2
-------- --------
VAR 1 2.016 1.084
(0.408) (0.280)
4.938 3.866

VAR 2 1.856 0.998


(0.383) (0.257)
4.852 3.877

VAR 3 1.890 2.016


(0.714) (0.408)
2.649 4.938

VAR 4 2.152 2.296


(0.813) (0.469)
2.648 4.899

Indirect Effects of ETA on Y

ETA 1 ETA 2
-------- --------
VAR 1 1.016 1.084
(0.408) (0.280)
2.489 3.866

VAR 2 0.936 0.998


(0.378) (0.257)
2.478 3.877

VAR 3 1.890 1.016


(0.714) (0.408)
2.649 2.489

VAR 4 2.152 1.157


(0.813) (0.466)
2.648 2.484

Total Effects of KSI on Y

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 1 -0.895 0.999 1.080
(0.426) (0.341) (0.223)
-2.102 2.931 4.839

VAR 2 -0.824 0.919 0.994


(0.392) (0.313) (0.205)
-2.103 2.936 4.861

VAR 3 -2.062 0.936 2.008


(0.515) (0.401) (0.267)
-4.007 2.333 7.529

VAR 4 -2.348 1.066 2.287

17
(0.586) (0.457) (0.304)
-4.006 2.333 7.521

HYPOTHETICAL MODEL ESTIMATED BY ML

Standardized Total and Indirect Effects

Standardized Total Effects of KSI on ETA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -0.514 0.614 0.681
ETA 2 -0.937 0.455 1.002

Standardized Indirect Effects of KSI on ETA

KSI 1 KSI 2 KSI 3


-------- -------- --------
ETA 1 -0.636 0.309 0.681
ETA 2 -0.381 0.455 0.505

Standardized Total Effects of ETA on ETA

ETA 1 ETA 2
-------- --------
ETA 1 1.016 1.370
ETA 2 1.496 1.016

Standardized Indirect Effects of ETA on ETA

ETA 1 ETA 2
-------- --------
ETA 1 1.016 0.690
ETA 2 0.754 1.016

Standardized Total Effects of ETA on Y

ETA 1 ETA 2
-------- --------
VAR 1 3.467 2.355
VAR 2 3.192 2.168
VAR 3 3.250 4.380
VAR 4 3.700 4.987

Completely Standardized Total Effects of ETA on Y

ETA 1 ETA 2
-------- --------
VAR 1 1.937 1.316
VAR 2 1.969 1.337
VAR 3 1.475 1.988
VAR 4 1.473 1.985

Standardized Indirect Effects of ETA on Y

ETA 1 ETA 2
-------- --------
VAR 1 1.747 2.355
VAR 2 1.609 2.168
VAR 3 3.250 2.207
VAR 4 3.700 2.514

Completely Standardized Indirect Effects of ETA on Y

ETA 1 ETA 2
-------- --------
VAR 1 0.976 1.316
VAR 2 0.992 1.337
VAR 3 1.475 1.002
VAR 4 1.473 1.000

Standardized Total Effects of KSI on Y

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 1 -0.884 1.055 1.170

18
VAR 2 -0.814 0.972 1.078
VAR 3 -2.035 0.989 2.177
VAR 4 -2.317 1.127 2.479

Completely Standardized Total Effects of KSI on Y

KSI 1 KSI 2 KSI 3


-------- -------- --------
VAR 1 -0.494 0.590 0.654
VAR 2 -0.502 0.599 0.665
VAR 3 -0.924 0.449 0.988
VAR 4 -0.922 0.448 0.986

Time used 0.187 seconds

Hasil sintaksis proyek Lisrel walau agak sulit untuk mengungkap persamaan-persamaan
pengukuran dan persamaan-persamaan struktural akan tetapi dapat menyajikan pengaruh-
pengaruh total dan pengaruh-pengaruh tidak langsung.

Diagram jaringan di atas mengungkap persamaan-persamaan regresi dari persamaan


pengukuran dan persamaan struktural. Persamaan struktural juga mencerminkan hubungan
antara Eta1 dan Eta 2 dan hubungan antara Eta 2 dan Eta 1 atau hubungan timbal-balik antara
dua variabel laten endogen di samping hubungan antara variabel-variabel laten eksogen dan
variabel-variabel laten endogen. Diagram jaringan juga menyajikan empat kriteria untuk
menentukan apakah model adalah cocok atau tidak cocok dengan data. Nilai-nilai dari Chi-
square, degree of freedom, p-value, dan nilai RMSEA dapat dipakai untuk menentukan
kecocokan tersebut. P-value adalah lebih besar daripada 0.05 dan nilai RMSEA adalah lebih
kecil daripada nilai 0.05 sehingga model tersebut adalah cocok dengan data.

Sintaksis Proyek Simplis Lisrel 9.2

Diagram jaringan yang dihasilkan dari pelaksanaan proyek Lisrel dipakai untuk mencipta
sintaksis proyek Simplis. Sintaksis proyek Simplis yang dicipta itu adalah sebagai berikut :

19
HYPOTHETICAL MODEL ESTIMATED BY ML
SYSTEM FILE from file 'C:\LISREL9 Student Examples\LISEX\EX1.DSF'
Sample Size = 100
Latent Variables 'ETA 1' 'ETA 2' 'KSI 1' 'KSI 2' 'KSI 3'
Relationships
'VAR 1' = 1.00*'ETA 1'
'VAR 2' = 'ETA 1'
'VAR 3' = 1.00*'ETA 2'
'VAR 4' = 'ETA 2'
'VAR 5' = 1.00*'KSI 1'
'VAR 6' = 'KSI 1'
'VAR 7' = 'KSI 1' 'KSI 2'
'VAR 8' = 1.00*'KSI 2'
'VAR 9' = 'KSI 2'
'VAR 10' = 1.00*'KSI 3'
'VAR 11' = 'KSI 3'
'ETA 1' = 'ETA 2'
'ETA 2' = 'ETA 1'
'ETA 1' = 'KSI 1' 'KSI 2'
'ETA 2' = 'KSI 1' 'KSI 3'
Set the Error Covariance of 'ETA 2' and 'ETA 1' Free
Path Diagram
Print Residuals
End of Problem

Pelaksanaan Sintaksis Proyek Simplis

Pelaksanaan sintaksis proyek Simplis menghasilkan informasi sebagai berikut :


DATE: 3/ 2/2016
TIME: 0:20

L I S R E L 9.20 (STUDENT)

BY

Karl G. Jöreskog & Dag Sörbom

This program is published exclusively by


Scientific Software International, Inc.
http://www.ssicentral.com

Copyright by Scientific Software International, Inc., 1981-2014


Use of this program is subject to the terms specified in the
Universal Copyright Convention.

The following lines were read from file C:\LISREL9 Student Examples\LISEX\EX1.SPJ:

HYPOTHETICAL MODEL ESTIMATED BY ML


SYSTEM FILE from file 'C:\LISREL9 Student Examples\LISEX\EX1.DSF'
Sample Size = 100
Latent Variables 'ETA 1' 'ETA 2' 'KSI 1' 'KSI 2' 'KSI 3'
Relationships
'VAR 1' = 1.00*'ETA 1'
'VAR 2' = 'ETA 1'
'VAR 3' = 1.00*'ETA 2'
'VAR 4' = 'ETA 2'
'VAR 5' = 1.00*'KSI 1'
'VAR 6' = 'KSI 1'
'VAR 7' = 'KSI 1' 'KSI 2'
'VAR 8' = 1.00*'KSI 2'
'VAR 9' = 'KSI 2'
'VAR 10' = 1.00*'KSI 3'
'VAR 11' = 'KSI 3'
'ETA 1' = 'ETA 2'

20
'ETA 2' = 'ETA 1'
'ETA 1' = 'KSI 1' 'KSI 2'
'ETA 2' = 'KSI 1' 'KSI 3'
Set the Error Covariance of 'ETA 2' and 'ETA 1' Free
Path Diagram
Print Residuals
End of Problem

Sample Size = 100

HYPOTHETICAL MODEL ESTIMATED BY ML

Covariance Matrix

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 3.204
VAR 2 2.722 2.629
VAR 3 3.198 2.875 4.855
VAR 4 3.545 3.202 5.373 6.315
VAR 5 0.329 0.371 -0.357 -0.471 1.363
VAR 6 0.559 0.592 -0.316 -0.335 1.271 1.960
VAR 7 1.006 1.019 -0.489 -0.591 1.742 2.276
VAR 8 0.468 0.456 -0.438 -0.539 0.788 1.043
VAR 9 0.502 0.539 -0.363 -0.425 0.838 1.070
VAR 10 1.050 0.960 1.416 1.714 0.474 0.694
VAR 11 1.260 1.154 1.923 2.309 0.686 0.907

Covariance Matrix

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 3.803
VAR 8 1.953 1.376
VAR 9 2.090 1.189 1.741
VAR 10 0.655 0.071 0.104 1.422
VAR 11 0.917 0.136 0.162 1.688 2.684

Total Variance = 31.352 Generalized Variance = 0.0113

Largest Eigenvalue = 16.796 Smallest Eigenvalue = 0.139

Condition Number = 10.975

HYPOTHETICAL MODEL ESTIMATED BY ML

Number of Iterations = 9

LISREL Estimates (Maximum Likelihood)

Measurement Equations

VAR 1 = 1.000*ETA 1, Errorvar.= 0.247 , R² = 0.923


Standerr (0.0531)
Z-values 4.663
P-values 0.000

VAR 2 = 0.921*ETA 1, Errorvar.= 0.123 , R² = 0.953


Standerr (0.0354) (0.0379)
Z-values 25.993 3.240
P-values 0.000 0.001

VAR 3 = 1.000*ETA 2, Errorvar.= 0.136 , R² = 0.972


Standerr (0.0410)
Z-values 3.325
P-values 0.001

VAR 4 = 1.139*ETA 2, Errorvar.= 0.197 , R² = 0.969


Standerr (0.0294) (0.0546)
Z-values 38.739 3.603
P-values 0.000 0.000

VAR 5 = 1.000*KSI 1, Errorvar.= 0.389 , R² = 0.715

21
Standerr (0.0638)
Z-values 6.094
P-values 0.000

VAR 6 = 1.291*KSI 1, Errorvar.= 0.336 , R² = 0.829


Standerr (0.105) (0.0671)
Z-values 12.335 5.001
P-values 0.000 0.000

VAR 7 = 0.920*KSI 1 + 1.092*KSI 2, Errorvar.= 0.0631 , R² = 0.983


Standerr (0.123) (0.117) (0.0513)
Z-values 7.462 9.318 1.229
P-values 0.000 0.000 0.219

VAR 8 = 1.000*KSI 2, Errorvar.= 0.259 , R² = 0.812


Standerr (0.0504)
Z-values 5.136
P-values 0.000

VAR 9 = 1.079*KSI 2, Errorvar.= 0.440 , R² = 0.747


Standerr (0.0843) (0.0749)
Z-values 12.798 5.875
P-values 0.000 0.000

VAR 10 = 1.000*KSI 3, Errorvar.= 0.247 , R² = 0.826


Standerr (0.0537)
Z-values 4.596
P-values 0.000

VAR 11 = 1.437*KSI 3, Errorvar.= 0.259 , R² = 0.903


Standerr (0.0928) (0.0917)
Z-values 15.479 2.827
P-values 0.000 0.005

Structural Equations

ETA 1 = 0.538*ETA 2 + 0.213*KSI 1 + 0.495*KSI 2, Errorvar.= 0.486 , R² = 0.434


Standerr (0.0562) (0.153) (0.147) (0.126)
Z-values 9.573 1.396 3.368 3.853
P-values 0.000 0.163 0.001 0.000

ETA 2 = 0.937*ETA 1 - 1.223*KSI 1 + 0.996*KSI 3, Errorvar.= 0.133 , R² = 0.997


Standerr (0.177) (0.121) (0.151) (0.0778)
Z-values 5.281 -10.102 6.599 1.707
P-values 0.000 0.000 0.000 0.088

NOTE: R² for Structural Equations are Hayduk's (2006) Blocked-Error R²

Error Covariance for ETA 2 and ETA 1 = -0.069


(0.169)
-0.408

Reduced Form Equations

ETA 1 = - 0.895*KSI 1 + 0.999*KSI 2 + 1.080*KSI 3, Errorvar.= 1.829, R² = 0.381


Standerr (0.428) (0.342) (0.224)
Z-values -2.091 2.916 4.815
P-values 0.037 0.004 0.000

ETA 2 = - 2.062*KSI 1 + 0.936*KSI 2 + 2.008*KSI 3, Errorvar.= 1.749, R² = 0.629


Standerr (0.517) (0.403) (0.268)
Z-values -3.987 2.321 7.491
P-values 0.000 0.020 0.000

Covariance Matrix of Independent Variables

KSI 1 KSI 2 KSI 3


-------- -------- --------
KSI 1 0.974
(0.187)
5.196

KSI 2 0.788 1.117

22
(0.150) (0.194)
5.239 5.753

KSI 3 0.525 0.133 1.175


(0.133) (0.125) (0.202)
3.947 1.064 5.813

Covariance Matrix of Latent Variables

ETA 1 ETA 2 KSI 1 KSI 2 KSI 3


-------- -------- -------- -------- --------
ETA 1 2.957
ETA 2 3.115 4.719
KSI 1 0.482 -0.217 0.974
KSI 2 0.554 -0.312 0.788 1.117
KSI 3 0.932 1.402 0.525 0.133 1.175

Log-likelihood Values

Estimated Model Saturated Model


--------------- ---------------
Number of free parameters(t) 33 66
-2ln(L) 681.416 652.022
AIC (Akaike, 1974)* 747.416 784.022
BIC (Schwarz, 1978)* 833.387 955.963

*LISREL uses AIC= 2t - 2ln(L) and BIC = tln(N)- 2ln(L)

Goodness-of-Fit Statistics

Degrees of Freedom for (C1)-(C2) 33


Maximum Likelihood Ratio Chi-Square (C1) 29.394 (P = 0.6473)
Browne's (1984) ADF Chi-Square (C2_NT) 27.247 (P = 0.7488)

Estimated Non-centrality Parameter (NCP) 0.0


90 Percent Confidence Interval for NCP (0.0 ; 12.673)

Minimum Fit Function Value 0.294


Population Discrepancy Function Value (F0) 0.0
90 Percent Confidence Interval for F0 (0.0 ; 0.127)
Root Mean Square Error of Approximation (RMSEA) 0.0
90 Percent Confidence Interval for RMSEA (0.0 ; 0.0620)
P-Value for Test of Close Fit (RMSEA < 0.05) 0.893

Expected Cross-Validation Index (ECVI) 0.990


90 Percent Confidence Interval for ECVI (0.990 ; 1.117)
ECVI for Saturated Model 1.320
ECVI for Independence Model 14.785

Chi-Square for Independence Model (55 df) 1456.516

Normed Fit Index (NFI) 0.980


Non-Normed Fit Index (NNFI) 1.004
Parsimony Normed Fit Index (PNFI) 0.588
Comparative Fit Index (CFI) 1.000
Incremental Fit Index (IFI) 1.003
Relative Fit Index (RFI) 0.966

Critical N (CN) 185.484

Root Mean Square Residual (RMR) 0.0652


Standardized RMR 0.0266
Goodness of Fit Index (GFI) 0.953
Adjusted Goodness of Fit Index (AGFI) 0.906
Parsimony Goodness of Fit Index (PGFI) 0.476

HYPOTHETICAL MODEL ESTIMATED BY ML

Fitted Covariance Matrix

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 3.204
VAR 2 2.722 2.629

23
VAR 3 3.115 2.868 4.855
VAR 4 3.547 3.266 5.373 6.315
VAR 5 0.482 0.444 -0.217 -0.247 1.363
VAR 6 0.622 0.573 -0.280 -0.318 1.258 1.960
VAR 7 1.048 0.965 -0.540 -0.614 1.757 2.269
VAR 8 0.554 0.510 -0.312 -0.355 0.788 1.018
VAR 9 0.598 0.550 -0.336 -0.383 0.851 1.098
VAR 10 0.932 0.858 1.402 1.596 0.525 0.678
VAR 11 1.339 1.233 2.014 2.293 0.754 0.974

Fitted Covariance Matrix

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 3.803
VAR 8 1.945 1.376
VAR 9 2.099 1.206 1.741
VAR 10 0.629 0.133 0.144 1.422
VAR 11 0.903 0.192 0.207 1.688 2.684

Fitted Residuals

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 0.000
VAR 2 0.000 0.000
VAR 3 0.083 0.007 0.000
VAR 4 -0.002 -0.064 0.000 0.000
VAR 5 -0.153 -0.073 -0.140 -0.224 0.000
VAR 6 -0.063 0.019 -0.036 -0.017 0.013 0.000
VAR 7 -0.042 0.054 0.051 0.023 -0.015 0.007
VAR 8 -0.086 -0.054 -0.126 -0.184 0.000 0.025
VAR 9 -0.096 -0.011 -0.027 -0.042 -0.013 -0.028
VAR 10 0.118 0.102 0.014 0.118 -0.051 0.016
VAR 11 -0.079 -0.079 -0.091 0.016 -0.068 -0.067

Fitted Residuals

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 0.000
VAR 8 0.008 0.000
VAR 9 -0.009 -0.017 0.000
VAR 10 0.026 -0.062 -0.040 0.000
VAR 11 0.014 -0.056 -0.045 0.000 0.000

Summary Statistics for Fitted Residuals

Smallest Fitted Residual = -0.224


Median Fitted Residual = -0.001
Largest Fitted Residual = 0.118

Stemleaf Plot

- 2|2
- 1|85
- 1|430
- 0|9988777666655
- 0|44444332211110000000000000000
0|111111222233
0|558
1|022

Standardized Residuals

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 0.000
VAR 2 0.000 0.000
VAR 3 0.165 0.015 0.000
VAR 4 -0.004 -0.128 0.000 0.000
VAR 5 - - - - -0.711 -0.619 - -
VAR 6 -0.496 0.184 -0.125 -0.047 0.048 0.000
VAR 7 -0.116 0.164 0.117 0.047 -0.051 0.021
VAR 8 -0.396 -0.274 -0.485 -0.620 -0.001 0.155
VAR 9 -0.630 -0.104 -0.091 -0.126 -0.027 - -
VAR 10 0.489 0.664 0.044 0.395 -2.722 - -

24
VAR 11 -0.244 -0.268 -0.220 0.034 -0.331 -0.268

Standardized Residuals

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 0.000
VAR 8 0.021 0.000
VAR 9 - - - - - -
VAR 10 0.110 -0.421 -0.279 0.000
VAR 11 0.048 -0.459 -0.207 0.000 0.000

Summary Statistics for Standardized Residuals

Smallest Standardized Residual = -2.722


Median Standardized Residual = 0.000
Largest Standardized Residual = 0.664

Stemleaf Plot

- 2|7
- 2|
- 1|
- 1|
- 0|7666555
- 0|4433333222111111100000000000000000000000000000000
0|1122224
0|57
Largest Negative Standardized Residuals
Residual for VAR 10 and VAR 5 -2.722

Time used 0.094 seconds

Informasi di atas adalah lebih mudah untuk dipakai dalam menginterpretasikan hasil tersebut
daripada hasil dari proyek Lisrel akan tetapi informasi ini tidak menyajikan pengaruh total
dan pengaruh tidak langsung seperti dalam hasil dari proyek Lisrel di atas. Interpretasi dapat
dilakukan sebagai berikut :

DATE: 3/ 2/2016
TIME: 0:20

L I S R E L 9.20 (STUDENT)

BY

Karl G. Jöreskog & Dag Sörbom

This program is published exclusively by


Scientific Software International, Inc.
http://www.ssicentral.com

Copyright by Scientific Software International, Inc., 1981-2014


Use of this program is subject to the terms specified in the
Universal Copyright Convention.

The following lines were read from file C:\LISREL9 Student Examples\LISEX\EX1.SPJ:

Bagian di atas mencerminkan bulan, tanggal, tahun, dan waktu pelaksanaan sintaksis Simplis.
Lisrel yang dipakai adalah Lisrel 9.20 (Student) yang dicipta oleh Karl G. Jöreskog dan Dag
Sörbom. Program Lisrel 9.20 (Student) ini diterbitkan oleh Scientific Software International

25
Inc., dengan alamat websitehttp://www.ssicentral.com. Hak cinta dipegang oleh Scientific
Software International Inc., 1981-2014. Pemakaian program ini sesuai dengan ketentuan-
ketentuan dalam Universal Copyright Convention. Hasil ini dibaca dari arsip C:\LISREL9
Student Examples\LISEX\EX1.SPJ:
HYPOTHETICAL MODEL ESTIMATED BY ML
SYSTEM FILE from file 'C:\LISREL9 Student Examples\LISEX\EX1.DSF'
Sample Size = 100
Latent Variables 'ETA 1' 'ETA 2' 'KSI 1' 'KSI 2' 'KSI 3'
Relationships
'VAR 1' = 1.00*'ETA 1'
'VAR 2' = 'ETA 1'
'VAR 3' = 1.00*'ETA 2'
'VAR 4' = 'ETA 2'
'VAR 5' = 1.00*'KSI 1'
'VAR 6' = 'KSI 1'
'VAR 7' = 'KSI 1' 'KSI 2'
'VAR 8' = 1.00*'KSI 2'
'VAR 9' = 'KSI 2'
'VAR 10' = 1.00*'KSI 3'
'VAR 11' = 'KSI 3'
'ETA 1' = 'ETA 2'
'ETA 2' = 'ETA 1'
'ETA 1' = 'KSI 1' 'KSI 2'
'ETA 2' = 'KSI 1' 'KSI 3'
Set the Error Covariance of 'ETA 2' and 'ETA 1' Free
Path Diagram
Print Residuals
End of Problem

Sample Size = 100

Bagian kedua dari hasil di atas mencerminkan hasil perekaman sintaksis proyek Simplis.
Rekaman ini dapat dipakai sebagai arsip sintaksis proyek Simplis dengan cara menyimpan
bagian ini dalam suatu nama arsip proyek Simplis tertentu.

HYPOTHETICAL MODEL ESTIMATED BY ML

Covariance Matrix

VAR 1 VAR 2 VAR 3 VAR 4 VAR 5 VAR 6


-------- -------- -------- -------- -------- --------
VAR 1 3.204
VAR 2 2.722 2.629
VAR 3 3.198 2.875 4.855
VAR 4 3.545 3.202 5.373 6.315
VAR 5 0.329 0.371 -0.357 -0.471 1.363
VAR 6 0.559 0.592 -0.316 -0.335 1.271 1.960
VAR 7 1.006 1.019 -0.489 -0.591 1.742 2.276
VAR 8 0.468 0.456 -0.438 -0.539 0.788 1.043
VAR 9 0.502 0.539 -0.363 -0.425 0.838 1.070
VAR 10 1.050 0.960 1.416 1.714 0.474 0.694
VAR 11 1.260 1.154 1.923 2.309 0.686 0.907

Covariance Matrix

VAR 7 VAR 8 VAR 9 VAR 10 VAR 11


-------- -------- -------- -------- --------
VAR 7 3.803
VAR 8 1.953 1.376
VAR 9 2.090 1.189 1.741
VAR 10 0.655 0.071 0.104 1.422
VAR 11 0.917 0.136 0.162 1.688 2.684

Total Variance = 31.352 Generalized Variance = 0.0113

26
Largest Eigenvalue = 16.796 Smallest Eigenvalue = 0.139

Condition Number = 10.975

Bagian ketiga dari hasil proyek Simplis sebagaimana disajikan di atas mencerminkan matriks
kovarians, Total Variance = 31.352 Generalized Variance = 0.0113, Largest Eigenvalue =
16.796, Smallest Eigenvalue = 0.139, dan Condition Number = 10.975.

Bagian keempat adalah bagian inti dari hasil pelaksanaan proyek Simplis yang membutuhkan
interpretasi secara rinci. Bagian ini adalah sebagai berikut :

HYPOTHETICAL MODEL ESTIMATED BY ML

Number of Iterations = 9

LISREL Estimates (Maximum Likelihood)

Measurement Equations

VAR 1 = 1.000*ETA 1, Errorvar.= 0.247 , R² = 0.923


Standerr (0.0531)
Z-values 4.663
P-values 0.000

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 1
merupakan fungsi dari variabel Eta 1 dengan koefisien regresi adalah 1. Hal ini berarti bahwa
perubahan satu unit dalam variabel laten endogen Eta 1 akan mengakibatkan perubahan 1
unit dalam variabel indikator endogen Var 1. Kesalahan varians adalah 0.247 dengan
kesalahan standar adalah 0.0531, nilai-z adalah 4.663, dan nilai-p adalah 0. Nilai-z adalah
lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.923. Hal ini berarti bahwa varians dari variabel indikator
endogen Var 1 dapat dijelaskan sebesar 92.3% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.

VAR 2 = 0.921*ETA 1, Errorvar.= 0.123 , R² = 0.953


Standerr (0.0354) (0.0379)
Z-values 25.993 3.240
P-values 0.000 0.001

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 2
merupakan fungsi dari variabel Eta 1 dengan koefisien regresi adalah 0.921. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten endogen Eta 1 akan mengakibatkan
perubahan 0.921 unit dalam variabel indikator endogen Var 2, dengan kesalahan standar
adalah 0.0354, nilai-z adalah 25.993, dan nilai-p adalah 0. Nilai-z adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah 0.123
dengan kesalahan standar adalah 0.0379, nilai-z adalah 3.240, dan nilai-p adalah 0.001. Nilai-

27
z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.953. Hal ini berarti bahwa varians dari variabel indikator
endogen Var 2 dapat dijelaskan sebesar 95.3% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.

VAR 3 = 1.000*ETA 2, Errorvar.= 0.136 , R² = 0.972


Standerr (0.0410)
Z-values 3.325
P-values 0.001

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 3
merupakan fungsi dari variabel Eta 2 dengan koefisien regresi adalah 1. Hal ini berarti bahwa
perubahan satu unit dalam variabel laten endogen Eta 3 akan mengakibatkan perubahan 1
unit dalam variabel indikator endogen Var 3. Kesalahan varians adalah 0.136 dengan
kesalahan standar adalah 0.0410, nilai-z adalah 3.325, dan nilai-p adalah 0. Nilai-z adalah
lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.972. Hal ini berarti bahwa varians dari variabel indikator
endogen Var 3 dapat dijelaskan sebesar 97.2% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.

VAR 4 = 1.139*ETA 2, Errorvar.= 0.197 , R² = 0.969


Standerr (0.0294) (0.0546)
Z-values 38.739 3.603
P-values 0.000 0.000

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 4
merupakan fungsi dari variabel Eta 2 dengan koefisien regresi adalah 1.139. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten endogen Eta 2 akan mengakibatkan
perubahan 1.139 unit dalam variabel indikator endogen Var 4, dengan kesalahan standar
adalah 0.0294, nilai-z adalah 38.739, dan nilai-p adalah 0. Nilai-z adalah lebih besar
daripada nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah
0.197 dengan kesalahan standar adalah 0.0546, nilai-z adalah 3.603, dan nilai-p adalah 0.000.
Nilai-z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah
signifikan. Koefisien determinasi adalah 0.969. Hal ini berarti bahwa varians dari variabel
indikator endogen Var 4 dapat dijelaskan sebesar 96.9% atau reliabilitas persamaan regresi
memenuhi persyaratan karena lebih besar daripada nilai 0.36.

VAR 5 = 1.000*KSI 1, Errorvar.= 0.389 , R² = 0.715


Standerr (0.0638)
Z-values 6.094
P-values 0.000

28
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 5
merupakan fungsi dari variabel Ksi 1 dengan koefisien regresi adalah 1. Hal ini berarti bahwa
perubahan satu unit dalam variabel laten eksogenKsi 1 akan mengakibatkan perubahan 1 unit
dalam variabel indikator eksogen Var 5. Kesalahan varians adalah 0.389 dengan kesalahan
standar adalah 0.0638, nilai-z adalah 6.094, dan nilai-p adalah 0. Nilai-z adalah lebih besar
daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan. Koefisien
determinasi adalah 0.715. Hal ini berarti bahwa varians dari variabel indikator endogen Var 5
dapat dijelaskan sebesar 71.5% atau reliabilitas persamaan regresi memenuhi persyaratan
karena lebih besar daripada nilai 0.36.

VAR 6 = 1.291*KSI 1, Errorvar.= 0.336 , R² = 0.829


Standerr (0.105) (0.0671)
Z-values 12.335 5.001
P-values 0.000 0.000

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 6
merupakan fungsi dari variabel Ksi1 dengan koefisien regresi adalah 1.291. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 1 akan mengakibatkan
perubahan 1.291 unit dalam variabel indikator eksogen Var 6, dengan kesalahan standar
adalah 0.105, nilai-z adalah 12.335, dan nilai-p adalah 0. Nilai-z adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah 0.336
dengan kesalahan standar adalah 0.0671, nilai-z adalah 5.001, dan nilai-p adalah 0.000. Nilai-
z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.829 Hal ini berarti bahwa varians dari variabel indikator
eksogen Var 6 dapat dijelaskan sebesar 82.9% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.

VAR 7 = 0.920*KSI 1 + 1.092*KSI 2, Errorvar.= 0.0631 , R² = 0.983


Standerr (0.123) (0.117) (0.0513)
Z-values 7.462 9.318 1.229
P-values 0.000 0.000 0.219

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 7
merupakan fungsi dari variabel Ksi2 dengan koefisien regresi adalah 0.920. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 2 akan mengakibatkan
perubahan 0.920 unit dalam variabel indikator eksogen Var 7, dengan kesalahan standar
adalah 0.123, nilai-z adalah 7.462, dan nilai-p adalah 0. Nilai-z adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah 0.631
dengan kesalahan standar adalah 0.0513, nilai-z adalahv 1.229, dan nilai-p adalah 0.000.

29
Nilai-z adalah lebih kecil daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah tidak
signifikan. Koefisien determinasi adalah 0.983 Hal ini berarti bahwa varians dari variabel
indikator eksogen Var 7 dapat dijelaskan sebesar 98.3% atau reliabilitas persamaan regresi
memenuhi persyaratan karena lebih besar daripada nilai 0.36.

VAR 8 = 1.000*KSI 2, Errorvar.= 0.259 , R² = 0.812


Standerr (0.0504)
Z-values 5.136
P-values 0.000

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var
8merupakan fungsi dari variabel Ksi 2 dengan koefisien regresi adalah 1. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 2 akan mengakibatkan
perubahan 1 unit dalam variabel indikator eksogen Var8. Kesalahan varians adalah 0.259
dengan kesalahan standar adalah 0.0504, nilai-z adalah 5.136, dan nilai-p adalah 0. Nilai-z
adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.812. Hal ini berarti bahwa varians dari variabel indikator
eksogen Var 8 dapat dijelaskan sebesar 81.2% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.

VAR 9 = 1.079*KSI 2, Errorvar.= 0.440 , R² = 0.747


Standerr (0.0843) (0.0749)
Z-values 12.798 5.875
P-values 0.000 0.000

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 9
merupakan fungsi dari variabel Ksi2 dengan koefisien regresi adalah 1.079. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 2 akan mengakibatkan
perubahan 1.079 unit dalam variabel indikator eksogen Var 9, dengan kesalahan standar
adalah 0.0843, nilai-z adalah 12.798, dan nilai-p adalah 0. Nilai-z adalah lebih besar
daripada nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah
0.440 dengan kesalahan standar adalah 0.0749, nilai-z adalah 5.875, dan nilai-p adalah 0.000.
Nilai-z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini
adalahsignifikan. Koefisien determinasi adalah 0.747 Hal ini berarti bahwa varians dari
variabel indikator eksogen Var 9 dapat dijelaskan sebesar 74.7% atau reliabilitas persamaan
regresi memenuhi persyaratan karena lebih besar daripada nilai 0.36.

VAR 10 = 1.000*KSI 3, Errorvar.= 0.247 , R² = 0.826


Standerr (0.0537)
Z-values 4.596
P-values 0.000

30
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var
10 merupakan fungsi dari variabel Ksi 3 dengan koefisien regresi adalah 1. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 3 akan mengakibatkan
perubahan 1 unit dalam variabel indikator eksogen Var 10. Kesalahan varians adalah 0.247
dengan kesalahan standar adalah 0.0537, nilai-z adalah 4.596, dan nilai-p adalah 0. Nilai-z
adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.826. Hal ini berarti bahwa varians dari variabel indikator
eksogen Var 10 dapat dijelaskan sebesar 82.6% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.

VAR 11 = 1.437*KSI 3, Errorvar.= 0.259 , R² = 0.903


Standerr (0.0928) (0.0917)
Z-values 15.479 2.827
P-values 0.000 0.005

Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var
11 merupakan fungsi dari variabel Ksi3 dengan koefisien regresi adalah 1.437. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 3 akan mengakibatkan
perubahan 1.437 unit dalam variabel indikator eksogen Var 11, dengan kesalahan standar
adalah 0.0928, nilai-z adalah 15.479, dan nilai-p adalah 0. Nilai-z adalah lebih besar
daripada nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah
0.259 dengan kesalahan standar adalah 0.0917, nilai-z adalah 2.827, dan nilai-p adalah 0.005.
Nilai-z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini
adalahsignifikan. Koefisien determinasi adalah 0.903 Hal ini berarti bahwa varians dari
variabel indikator eksogen Var 11 dapat dijelaskan sebesar 90.3% atau reliabilitas persamaan
regresi memenuhi persyaratan karena lebih besar daripada nilai 0.36.

Structural Equations

ETA 1 = 0.538*ETA 2 + 0.213*KSI 1 + 0.495*KSI 2, Errorvar.= 0.486 , R² = 0.434


Standerr (0.0562) (0.153) (0.147) (0.126)
Z-values 9.573 1.396 3.368 3.853
P-values 0.000 0.163 0.001 0.000

Persamaan ini merupakan persamaan struktural. Variabel laten endogen Eta 1 merupakan
fungsi dari variabel laten endogen Eta 2, variabel laten eksogen Ksi 1, dan variabel laten
eksogen Ksi 2 dengan koefisien regresi adalah 0.583 dari variabel Eta 2, 0.213 dari variabel
Ksi 1, dan 0.495 variabel Ksi 2. Hal ini berarti bahwa perubahan 1 unit pada variabel Eta 2,
Ksi 1, dan variabel Ksi 2 akan mengakibatkan perubahan sebesar 0.538 + 0.213 + 0.495 unit
pada variabel laten endogen Eta 1. Kesalahan standar dari koefisien regresi Eta 2 adalah

31
0.0562, nilai-z adalah 9.573, dan nilai p adalah 0. Hal ini berarti bahwa koefisien regresi dari
Eta2 adalah signifikan. Kesalahan standar dari koefisien regresi Ksi 1 adalah 0.153, nilai-z
adalah 1.396, dan nilai p adalah 0.163 Hal ini berarti bahwa koefisien regresi dari Ksi 1
adalah tidak signifikan karena nilai-z adalah lebih kecil daripada nilai 1.96 atau nilai-p adalah
lebih besar daripada nilai 0.05. Kesalahan standar dari koefisien regresi Ksi 2 adalah 0.147,
nilai-z adalah 3.368, dan nilai p adalah 0.001 Hal ini berarti bahwa koefisien regresi dari Ksi
2 adalah signifikan karena nilai-z adalah lebih besar daripada nilai 1.96 atau nilai-p adalah
lebih kecil daripada nilai 0.05. Kesalahan varians adalah 0.486 dengan kesalahan standar
adalah 0.126, nilai-z adalah 3.853, dan nilai-p adalah 0.000. Nilai-z adalah lebih besar
daripada nilai 1.96 dan nilai-p adalah lebih kecil daripada nilai 0.05 sehingga nilai kesalahan
varians ini adalah signifikan. Koefisien determinasi adalah 0.434 atau varians dari variabel
Eta 1 dapat dijelaskan sebesar 43.4% atau persyaratan reliabilitas persamaan regresi terpenuhi
karena nilai koefisien determinasi adalah lebih besar daripada nilai 0.36.

ETA 2 = 0.937*ETA 1 - 1.223*KSI 1 + 0.996*KSI 3, Errorvar.= 0.133 , R² = 0.997


Standerr (0.177) (0.121) (0.151) (0.0778)
Z-values 5.281 -10.102 6.599 1.707
P-values 0.000 0.000 0.000 0.088

Persamaan ini merupakan persamaan struktural. Variabel laten endogen Eta 2 merupakan
fungsi dari variabel laten endogen Eta 1, variabel laten eksogen Ksi 1, dan variabel laten
eksogen Ksi 3 dengan koefisien regresi adalah 0.937 dari variabel Eta 1, - 1.223 dari variabel
Ksi 1, dan 0.996 variabel Ksi 3. Hal ini berarti bahwa perubahan 1 unit pada variabel Eta 1,
Ksi 1, dan variabel Ksi 3 akan mengakibatkan perubahan sebesar 0.937-1.223 + 0.996 unit
pada variabel laten endogen Eta 2. Kesalahan standar dari koefisien regresi Eta 1 adalah
0.177, nilai-z adalah 5.281, dan nilai p adalah 0. Hal ini berarti bahwa koefisien regresi dari
Eta1 adalah signifikan. Kesalahan standar dari koefisien regresi Ksi 1 adalah 0.121, nilai-z
adalah -10.102, dan nilai p adalah 0.000 Hal ini berarti bahwa koefisien regresi dari Ksi 1
adalah signifikan karena nilai-z adalah lebih besar daripada nilai -1.96 atau nilai-p adalah
lebih kecil daripada nilai 0.05. Kesalahan standar dari koefisien regresi Ksi 3 adalah 0.151,
nilai-z adalah 6.599, dan nilai p adalah 0.000 Hal ini berarti bahwa koefisien regresi dari Ksi
3 adalah signifikan karena nilai-z adalah lebih besar daripada nilai 1.96 atau nilai-p adalah
lebih kecil daripada nilai 0.05. Kesalahan varians adalah 0.133 dengan kesalahan standar
adalah 0.0778, nilai-z adalah 1.707, dan nilai-p adalah 0.088. Nilai-z adalah lebih kecil
daripada nilai 1.96 dan nilai-p adalah lebih besar daripada nilai 0.05 sehingga nilai kesalahan
varians ini adalah tidak signifikan. Koefisien determinasi adalah 0.997 atau varians dari

32
variabelEta 2 dapat dijelaskan sebesar 99.7% atau persyaratan reliabilitas persamaan regresi
terpenuhi karena nilai koefisien determinasi adalah lebih besar daripada nilai 0.36.

NOTE: R² for Structural Equations are Hayduk's (2006) Blocked-Error R²

Error Covariance for ETA 2 and ETA 1 = -0.069


(0.169)
-0.408

Reduced Form Equations

ETA 1 = - 0.895*KSI 1 + 0.999*KSI 2 + 1.080*KSI 3, Errorvar.= 1.829, R² = 0.381


Standerr (0.428) (0.342) (0.224)
Z-values -2.091 2.916 4.815
P-values 0.037 0.004 0.000

ETA 2 = - 2.062*KSI 1 + 0.936*KSI 2 + 2.008*KSI 3, Errorvar.= 1.749, R² = 0.629


Standerr (0.517) (0.403) (0.268)
Z-values -3.987 2.321 7.491
P-values 0.000 0.020 0.000

Covariance Matrix of Independent Variables

KSI 1 KSI 2 KSI 3


-------- -------- --------
KSI 1 0.974
(0.187)
5.196

KSI 2 0.788 1.117


(0.150) (0.194)
5.239 5.753

KSI 3 0.525 0.133 1.175


(0.133) (0.125) (0.202)
3.947 1.064 5.813

Covariance Matrix of Latent Variables

ETA 1 ETA 2 KSI 1 KSI 2 KSI 3


-------- -------- -------- -------- --------
ETA 1 2.957
ETA 2 3.115 4.719
KSI 1 0.482 -0.217 0.974
KSI 2 0.554 -0.312 0.788 1.117
KSI 3 0.932 1.402 0.525 0.133 1.175

Log-likelihood Values

Estimated Model Saturated Model


--------------- ---------------
Number of free parameters(t) 33 66
-2ln(L) 681.416 652.022
AIC (Akaike, 1974)* 747.416 784.022
BIC (Schwarz, 1978)* 833.387 955.963

*LISREL uses AIC= 2t - 2ln(L) and BIC = tln(N)- 2ln(L)

Goodness-of-Fit Statistics

Degrees of Freedom for (C1)-(C2) 33


Maximum Likelihood Ratio Chi-Square (C1) 29.394 (P = 0.6473)
Browne's (1984) ADF Chi-Square (C2_NT) 27.247 (P = 0.7488)

Estimated Non-centrality Parameter (NCP) 0.0


90 Percent Confidence Interval for NCP (0.0 ; 12.673)

Minimum Fit Function Value 0.294


Population Discrepancy Function Value (F0) 0.0
90 Percent Confidence Interval for F0 (0.0 ; 0.127)
Root Mean Square Error of Approximation (RMSEA) 0.0

33
90 Percent Confidence Interval for RMSEA (0.0 ; 0.0620)
P-Value for Test of Close Fit (RMSEA < 0.05) 0.893

Expected Cross-Validation Index (ECVI) 0.990


90 Percent Confidence Interval for ECVI (0.990 ; 1.117)
ECVI for Saturated Model 1.320
ECVI for Independence Model 14.785

Chi-Square for Independence Model (55 df) 1456.516

Normed Fit Index (NFI) 0.980


Non-Normed Fit Index (NNFI) 1.004
Parsimony Normed Fit Index (PNFI) 0.588
Comparative Fit Index (CFI) 1.000
Incremental Fit Index (IFI) 1.003
Relative Fit Index (RFI) 0.966

Critical N (CN) 185.484

Root Mean Square Residual (RMR) 0.0652


Standardized RMR 0.0266
Goodness of Fit Index (GFI) 0.953
Adjusted Goodness of Fit Index (AGFI) 0.906
Parsimony Goodness of Fit Index (PGFI) 0.476

Pengujian Kecocokan Dalam Lisrel 8.80

Pengujian kecocokan dilakukan untuk menentukan apakah model adalah cocok atau tidak
cocok dengan data. Pengujian kecocokan ini dapat dikelompokkan ke dalam tiga kelompok
yaitu kecocokan keseluruhan model, kecocokan model pengukuran, dan kecocokan model
struktural.

Evaluasi kecocokan antara model dan data dapat diringkas sebagai berikut :Ukuran-ukuran
kecocokan mutlak, ukuran-ukuran kecocokan inkremental, ukuran-ukuran kecocokan
parsimonious, dan ukuran-ukuran kecocokan lain.

Ukuran-ukuran kecocokan mutlak terdiri dari Chi-square, Non Centrality Parameter, Scale
Non Centrality Parameter, Goodness of Fit Index, Root Mean Square Residual, Root Mean
Square Error of Approximation, dan Expected Cross Validation Index.

Ukuran-ukuran kecocokan inkremental terdiri dari Tucker-Lewis Index atau No-Normed Fit
Index, Normed Fit Index, Adjusted Goodness of Fit Index, Relative Fit Index, Incremental Fit
Index, dan Comparative Fit Index.

Ukuran-ukuran kecocokan parsimonious terdiri dari Parsimonious Goodness of Fit, Normed


Chi-square, Parsimonious Normed Fit Index, Akaike Information Criterion, dan Consistent
Akaike Information Criterion.

Ukuran lain adalah Critical N.

34
Ukuran Standar Realisasi Evaluasi
Chi-Suare Kecil
Non Centrality Parameter Kecil
Scale Non Centrality Parameter Kecil
Goodness of Fit Index >= 0.90
Root Mean Square Residual <= 0.05
Root Mean Square Error of Approximation <= 0.05
Expected Cross Validation Index Kecil
Tucker-Lewis Index atau Non-Normed Fit Index >=0.90
Normed Fit Index >=0.90
Adjusted Goodness of Fit Index >=0.90
Relative Fit Index >=0.90
Incremental Fit Index >=0.90
Comparative Fit Index >=0.90
Parsimonious Goodness of Fit Nilai Tinggi
Normed Chi-square Batas 1 dan 2
Parsimonious Normed Fit Index Nilai Tinggi
Akaike Information Criterion Nilai <Parsimonious
Consistent Akaike Information Criterion Nilai <Parsimonious
Critical N >=200

Ukuran-ukuran yang dipakai dalam Lisrel 9.20 mengalami perubahan jika dibanding dengan
ukuran-ukuran dalam Lisrel 8.80. Perubahan ini disesuaikan dengan perkembangan Lisrel itu
sendiri di samping perkembangan-perkembangan lain. Penambahan ukuran kecocokan ini
akan mempersulit pengujian secara rinci akan tetapi Lisrel 9.20 juga menyediakan empat
ukuran untuk menentukan kecocokan atau ketidakcocokan antara model dan data. Kesulitan
ini dapat dialami jika 30% cocok dan 70% tidak cocok, apakah model itu cocok atau tidak
cocok dengan data?

Ukuran-ukuran disediakan secara rinci akan dipakai untuk menganalisis kecocokan antara
model dan data secara rinci pula akan tetapi keputusan akhir mungkin mengalami
kebingungan. Analisis secara rinci atas kecocokan antara model dan data pada tingkat akhir
perlu dibanding dengan informasi yang terkandung dalam diagram jalur.

Ketentuan yang dipakai di sini adalah jika nilai Chi-square adalah 0, jika nilai derajat
kebebasan adalah 0, jika nilai-p adalah 1, dan jika nilai RMSEA adalah 0 maka kecocokan
antara model dan data adalah sempurna. Peningkatan nilai Chi-square, nilai derajat
kebebasan, dan nilai RMSA akan menurunkan nilai-p. Penurunan nilai Chi-square, derajat
kebebasan, dan nilai RMSEA akan meningkatkan nilai-p.

35
Ukuran Standar Realisasi Evaluasi
Degrees of Freedom for (C1)-(C2) 33

Maximum Likelihood Ratio Chi-Square (C1) >=0.05 29.394 (P = 0.6473) Cocok


Browne's (1984) ADF Chi-Square (C2_NT) 27.247 (P = 0.7488)

Estimated Non-centrality Parameter (NCP) Kecil 0.0 Cocok


90 Percent Confidence Interval for NCP (0.0 ; 12.673)

Minimum Fit Function Value >=0.05 0.294 Cocok


Population Discrepancy Function Value (F0) <=0.05 0.0 Cocok
90 Percent Confidence Interval for F0 (0.0 ; 0.127)

Root Mean Square Error of Approximation (RMSEA) <= 0.05 0.0 Cocok
90 Percent Confidence Interval for RMSEA (0.0 ; 0.0620)

P-Value for Test of Close Fit (RMSEA) >=0.05 0.893 Cocok


Expected Cross-Validation Index (ECVI) 0.990 Cocok
90 Percent Confidence Interval for ECVI (0.990 ; 1.117)

ECVI for Saturated Model 1.320

ECVI for Independence Model 14.785

Chi-Square for Independence Model (55 df) 1456.516

Normed Fit Index (NFI) >= 0.90 0.980 Cocok


Non-Normed Fit Index (NNFI) >= 0.90 1.004

Parsimony Normed Fit Index (PNFI) >= 0.90 0.588

Comparative Fit Index (CFI) >= 0.90 1.000 Cocok


Incremental Fit Index (IFI) >= 0.90 1.003

Relative Fit Index (RFI) >= 0.90 0.966

Critical N (CN) >=200 185.484 Tidak


Root Mean Square Residual (RMR) <= 0.05 0.0652 Tidak
Standardized RMR <= 0.05 0.0266

Goodness of Fit Index (GFI) >= 0.90 0.953 Cocok


Adjusted Goodness of Fit Index (AGFI) >= 0.90 0.906 Cocok
Parsimony Goodness of Fit Index (PGFI) >= 0.90 0.476

Kriteria Goodness-of-Fit Statistics adalah sangat banyak dan biasanya dipilih beberapa
kriteria saja untuk menentukan apakah model itu cocok atau tidak cocok dengan data. Cara
lain untuk menentukan kecocokan antara model dan data dapat dilakukan melalui diagram
jaringan sebagaimana disajikan di bawah ini :

Kriteria Standar Realisasi Evaluasi


Chi-square 0 29.39
df 0 33
p-value >0.05 0.64734 Cocok
RMSEA 0 0 Cocok

36
Kecocokan terdapat antara model dan data karena nilai p adalah lebih besar daripada nilai 0.05.
Kecocokan sempurna tidak tercapai akan tetapi persyaratan kecocokan masih terpenuhi.

Diagram jalur mengandung gambar kotak persegi panjang dan bulat telur. Bentuk kotak persegi
panjang dipakai untuk variabel-variavel indikator eksogen dan endogen dan bulat telur dipakai untuk
variabel-variabel laten eksogen dan endogen. Variabel laten adalah variabel yang tidak dapat
diobservasi dan tidak dapat diukur secara langsung dan pengukuran dilakukan melalui perwakilan
yaitu melalui variabel-variabel indikator yang dikembangkan atas dasar teori-teori tertentu bukan atas
dasar akal sehat. Variabel-variabel laten antara lain adalah motivasi kerja, kinerja, suasana kerja,
kemampuan kerja, kekuasaan, politik, budaya organisasi, pelayanan publik, kualitas pelayanan,
kepuasan kerja, kepuasan pelanggan, citra merek, dan sebagainya. Beberapa buku telah memakai
Lisrel 8.80 antara lain untuk variabel laten motivasi kerja dan suasana kerja akan tetapi kedua variabel
ini diperlakukan sebagai variabel yang dapat diobservasi dan dapat diukur secara langsung sehingga
gambar yang dipakai bukan bulat telur akan tetapi kotak persegi panjang. Hal ini bertentangan dengan
makna yang sebenarnya dari Lisrel. Contoh di bawah ini merupakan contoh dari variabel-variabel
yang dapat diobservasi dan dapat diukur secara langsung yaitu capital, labor, time, dan gnp sehingga
kotak persegi panjang dipakai dan pemakaian ini adalah tepat.

Contoh Kecocokan Sempurna

Regression of GNP
Observed variables: GNP LABOR CAPITAL TIME
Covariance Matrix
4256.530
449.016 52.984
1535.097 139.449 1114.447
537.482 53.291 170.024 73.747
Sample Size: 23
Equation: GNP = LABOR CAPITAL TIME
Path Diagram
End of Problem

37
Sintaksis Proyek Lisrel di atas mencerminkan pemakaian empat variabel yang dapat
diobservasi dan dapat diukur secara langsung atau variabel-variabel non-laten. Cara mencipta
diagram jalur atas variabel-variabel non-laten berbeda dengan cara mencipta diagram jalur
atas variabel-variabel laten. Pelaksanaan sintaksis proyek Lisrel di atas menghasilkan
informasi sebagai berikut :

DATE: 3/12/2016
TIME: 12:30

L I S R E L 8.72

BY

Karl G. Jöreskog & Dag Sörbom

This program is published exclusively by


Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Lincolnwood, IL 60712, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-2005
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com

The following lines were read from file C:\LISREL9 Student


Examples\SPLEX\EX1A.SPL:

Regression of GNP
Observed variables: GNP LABOR CAPITAL TIME
Covariance Matrix
4256.530
449.016 52.984
1535.097 139.449 1114.447
537.482 53.291 170.024 73.747
Sample Size: 23
Equation: GNP = LABOR CAPITAL TIME
Path Diagram
End of Problem

Sample Size = 23

Regression of GNP

Covariance Matrix

GNP LABOR CAPITAL TIME


-------- -------- -------- --------
GNP 4256.53
LABOR 449.02 52.98
CAPITAL 1535.10 139.45 1114.45
TIME 537.48 53.29 170.02 73.75

38
Regression of GNP

Number of Iterations = 0

LISREL Estimates (Maximum Likelihood)

Structural Equations

GNP = 3.82*LABOR + 0.32*CAPITAL + 3.79*TIME, Errorvar.= 12.47, R² = 1.00


(0.22) (0.031) (0.19) (4.05)
17.70 10.54 20.35 3.08

Covariance Matrix of Independent Variables

LABOR CAPITAL TIME


-------- -------- --------
LABOR 52.98
(17.19)
3.08

CAPITAL 139.45 1114.45


(64.27) (361.57)
2.17 3.08

TIME 53.29 170.02 73.75


(18.84) (76.47) (23.93)
2.83 2.22 3.08

Covariance Matrix of Latent Variables

GNP LABOR CAPITAL TIME


-------- -------- -------- --------
GNP 4256.53
LABOR 449.02 52.98
CAPITAL 1535.10 139.45 1114.45
TIME 537.48 53.29 170.02 73.75

Goodness of Fit Statistics

Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.00)

The Model is Saturated, the Fit is Perfect !

Time used: 0.062 Seconds

Persamaan struktural yang diperoleh adalah sebagai berikut :

Structural Equations

GNP = 3.82*LABOR + 0.32*CAPITAL + 3.79*TIME, Errorvar.= 12.47, R² = 1.00

39
(0.22) (0.031) (0.19) (4.05)
17.70 10.54 20.35 3.08

GNP merupakan fungsi dari variabel Labor, Capital, dan Time. Koefisien regresi dari variabel Labor
adalah 3.82. Hal ini berarti bahwa perubahan 1 unit dalam variabel Labor akan mengakibatkan
perubahan 3.82 unit dalam variabel GNP. Koefisien regresi dari variabel Capital adalah 0.32. Hal ini
berarti bahwa perubahan 1 unit dalam variabel Capital akan mengakibatkan perubahan 0.32 unit
dalam variabel GNP. Koefisien regresi dari variabel Time adalah 3.79. Hal ini berarti bahwa
perubahan 1 unit dalam variabel T akan mengakibatkan perubahan 3.79 unit dalam variabel GNP.
Kesalahan standar dari variabel Labor adalah 0.22 dan nilai-t adalah 17.70. Nilai-t ini adalah lebih
besar daripada nilai 1.96 sehingga koefisien regresi dari variabel Labor adalah signifikan. Kesalahan
standar dari variabel Capital adalah 0.031 dan nilai-t adalah 10.54. Nilai-t ini adalah lebih besar
daripada nilai 1.96 sehingga koefisien regresi dari variabel Capital ini adalah signifikan. Kesalahan
standar dari variabel Time adalah 0.19 dan nilai-t adalah 20.35. Nilai-t ini adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi dari variabel Time adalah signifikan. Kesalahan varians adalah
12.47 dengan kesalahan standar adalah 4.05 dan nilai-t adalah 3.08. Nilai-t ini adalah lebih besar
daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan. Koefisien determinasi
adalah 1 atau varians dari variabel GNP dapat dijelaskan 100% atau persamaan regresi ini memenuhi
persyaratan reliabilitas.

Kriteria Goodness of Fit adalah sebagai berikut :

Goodness of Fit Statistics

Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.00)

The Model is Saturated, the Fit is Perfect !

Kecocokan sempurna tercapai antara model dan data. Hal ini tercermin pula dalam diagram
jalur.

40
Kriteria Standar Realisasi Evaluasi
Chi-square 0 0 Cocok
df 0 0 Cocok
p-value >0.05 1 Cocok
RMSEA 0 0 Cocok

Kecocokan terdapat antara model dan data berdasar atas hasil evaluasi di atas karena nilai-
nilai realisasi telah memenuhi nilai-nilai standar.

Rangkuman

Pembahasan di atas telah memakai contoh yang terdapat dalam paket program Lisrel 9.20 (Student).
Beberapa contoh dipakai dan interpretasi atas hasil-hasil dilakukan. Contoh-contoh yang dipilih terdiri
dari contoh-contoh yang mengandung variabel-variabel laten eksogen dan variabel-variabel laten
endogen dan contoh yang tidak mengandung variabel-variabel laten eksogen dan endogen. Beberapa
pembahasan sering memakai Lisrel akan tetapi mencerminkan penerapan yang salah karena variabel
laten diperlakukan sebagai variabel yang dapat diobservasi dan dapat diukur secara langsung seperti
variabel motivasi kerja dan suasana kerja. Kesalahan-kesalahan seperti ini mungkin saja dialami
dalam aplikasi Lisrel.

Cara termudah dan dapat dianggap tepat dalam melakukan pengujian kecocokan antara model dan
data dapat diarahkan pada informasi yang terkandung di bawah diagram jalur dan mencakup
informasi mengenai nilai Chi-Square, nilai degree of freedom, p-value, dan nilai RMSEA. Informasi
ini dapat dipakai untuk menentukan apakah model itu cocok atau tidak cocok dengan data.

Contoh kesatu mencerminkan pemakaian variabel-variabel laten eksogen dan variabel-variabel laten
endogen yaitu variabel-variabel yang tidak dapat diobservasi dan diukur secara langsung. Variabel-
variabel indikator eksogen dikembangkan sesuai dengan teori-teori tertentu dan tidak layak
dijumlahkan antara nilai dari variabel-variabel indikator eksogen tersebut. Variabel-variabel indikator
eksogen berfungsi sebagai perwakilian dari variabel laten eksogen dan variabel-variabel indikator
eksogen ini baru dapat dianggap tepat jika telah dapat diobservasi dan telah dapat diukur secara
langsung. Variabel-variabel indikator endogen dikembangkan sesuai dengan teori-teori tertentu dan
tidak layak dijumlahkan antara nilai dari variabel-variabel indikator endogen tersebut. Variabel-
variabel indikator endogen berfungsi sebagai perwakilian dari variabel laten endogen dan variabel-
variabel indikator endogen ini baru dapat dianggap tepat jika telah dapat diobservasi dan telah dapat
diukur secara langsung.

SPSS tidak mengandung peluang untuk melakukan analisis jalur dan beberapa penulis telah memakai
SPSS untuk analisis jalur. Analisis jalur dapat dilakukan bukan melalui SPSS akan tetapi melalui

41
Amos karena IBM SPSS Statistics, Inc. telah mengembangkan Amos untuk Pemrograman Persamaan
Struktural termasuk analisis jalur.

Penulis akhirnya mengharap kritik dari para pembaca dan kritik ini semoga dapat dipakai untuk
memperbaiki isi tulisan ini.

Permata Depok Regency, 12 Maret 2016

42