Structural Equations Modeling Overview

Tugas Mata Kuliah Statistik Multivariat

Oleh :

REZKI ORIENTANI (041824153004)

STEFANUS ALVIN HARTONO (041824153011)

PROGRAM STUDI MAGISTER SAINS MANAJEMEN

DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA
SURABAYA
2019
APA ITU PEMODELAN PERSAMAAN STRUKTURAL?
Structural equation modeling (SEM) adalah keluarga model statistik yang berusaha menjelaskan
hubungan di antara banyak variabel. Dengan demikian, ia meneliti struktur hubungan timbal balik
dinyatakan dalam serangkaian persamaan, mirip dengan serangkaian persamaan regresi berganda.
Persamaan ini menggambarkan semua hubungan di antara konstruk (variabel dependen dan
independen) terlibat dalam analisis. Konstruk adalah faktor yang tidak dapat diamati atau laten
yang diwakili oleh beberapa variabel (seperti variabel yang mewakili faktor dalam analisis faktor).
Sejauh ini masing-masing teknik multivariate telah diklasifikasikan sebagai teknik
interdependensi atau ketergantungan. SEM bisa dianggap sebagai kombinasi unik dari kedua jenis
teknik karena fondasi SEM terletak pada dua teknik multivariat yang sudah dikenal: analisis faktor
dan analisis regresi berganda.
Meskipun model SEM dapat diuji dengan cara yang berbeda, semua persamaan structural model
dibedakan oleh tiga karakteristik:
1. Estimasi hubungan ketergantungan berganda dan saling terkait
2. Kemampuan untuk mewakili konsep yang tidak teramati dalam hubungan ini dan
memperhitungkan pengukuran kesalahan dalam proses estimasi
3. Menentukan model untuk menjelaskan seluruh rangkaian hubungan
Estimasi Hubungan Dependensi Berganda yang saling terkait
Perbedaan yang paling jelas antara SEM dan teknik multivariat lainnya adalah penggunaan
terpisah hubungan untuk masing-masing set variabel dependen. Secara sederhana, SEM
memperkirakan serangkaian memisahkan, tetapi saling tergantung, persamaan regresi berganda
secara bersamaan dengan menentukan model struktural yang digunakan oleh program statistik.
Pertama, peneliti mengacu pada teori, sebelumnya pengalaman, dan tujuan penelitian untuk
membedakan variabel independen mana yang memprediksi masing-masing variabel tak bebas.
Variabel dependen dalam satu hubungan dapat menjadi variabel independen di hubungan
selanjutnya, menimbulkan sifat saling tergantung dari model struktural. Bahkan, banyak variabel
yang sama mempengaruhi masing-masing variabel dependen, tetapi dengan efek yang berbeda. Itu
model struktural menyatakan hubungan ketergantungan ini antara independen dan dependen
variabel, bahkan ketika variabel dependen menjadi variabel independen dalam hubungan lain.
Memasukkan Variabel Laten Tidak Diukur Secara Langsung
SEM juga memiliki kemampuan untuk memasukkan variabel laten ke dalam analisis. Konstruk
laten (juga disebut variabel laten) adalah konsep dihipotesiskan dan tidak teramati yang dapat
diwakili oleh variabel yang dapat diamati atau diukur. Ini diukur secara tidak langsung dengan
memeriksa konsistensi di antara beberapa variabel yang diukur, kadang-kadang disebut sebagai
variabel manifes, atau indikator, yang dikumpulkan melalui berbagai metode pengumpulan data
(mis., survei, tes, metode observasi).
MANFAAT MENGGUNAKAN KONSTRUKSI TERBARU Namun mengapa kita ingin menggunakan
variabel laten bahwa kita tidak dapat mengukur secara langsung, bukan tindakan yang diberikan
oleh responden? Meskipun mungkin terdengar seperti pendekatan tidak masuk akal atau "kotak
hitam", ia memiliki kedua teori dan praktis pembenaran. Pertama, kita dapat mewakili konsep
teoretis dengan lebih baik dengan menggunakan beberapa ukuran konsep untuk mengurangi
kesalahan pengukuran konsep itu. Kedua, meningkatkan estimasi statistic hubungan antara konsep
oleh akuntansi untuk kesalahan pengukuran dalam konsep.
Mewakili Konsep Teoritis. Seperti yang diperkenalkan ketika membahas faktor eksplorasi analisis,
sebagian besar konsep yang ingin kami periksa memerlukan beberapa langkah (mis., item) untuk
memadai perwakilan. Dari perspektif teoretis, sebagian besar konsep relatif kompleks (mis.,
Patriotisme, kepercayaan konsumen, atau bahkan kepuasan) dan memiliki banyak arti dan / atau
dimensi. Dengan konsep seperti ini, peneliti mencoba untuk merancang pertanyaan terbaik untuk
mengukur konsep mengetahui bahwa individu dapat menafsirkan pertanyaan tunggal dengan cara
yang agak berbeda. Tujuannya adalah untuk set pertanyaan kolektif untuk mewakili konsep lebih
baik daripada item tunggal [13].
Meningkatkan Estimasi Statistik. Dalam semua teknik multivariat hingga saat ini, kami miliki
diasumsikan kita dapat mengabaikan kesalahan pengukuran dalam variabel kita. Seperti yang
sudah dibahas, kita tahu dari perspektif praktis dan teoritis bahwa kita tidak dapat mengukur
dengan sempurna konsep dan bahwa beberapa tingkat kesalahan pengukuran selalu ada. Misalnya
kapan bertanya tentang sesuatu yang sejelas pendapatan rumah tangga, kita tahu beberapa orang
akan melakukannya menjawab salah, baik melebih-lebihkan atau mengecilkan jumlahnya atau
tidak mengetahuinya dengan tepat. Jawaban yang diberikan memiliki beberapa kesalahan
pengukuran dan karenanya mempengaruhi estimasi yang sebenarnya koefisien struktural.
Reliabilitas adalah ukuran sejauh mana seperangkat indikator membangun laten konsisten secara
internal berdasarkan seberapa saling terkait indikator tersebut satu sama lain. Di lain kata-kata, itu
mewakili sejauh mana semua indikator mengukur hal yang sama. Keandalan Namun, tidak
menjamin bahwa tindakan hanya mengindikasikan satu hal. Namun secara umum, keandalan
berbanding terbalik dengan kesalahan pengukuran. Saat reliabilitas meningkat, hubungan
keduanya konstruk dan indikator lebih besar, artinya konstruk menjelaskan lebih banyak varian di
setiap indikator. Sama seperti yang kita pelajari dalam regresi berganda, karena lebih banyak hasil
menjelaskan (dalam hal ini indikator yang diukur dari konstruk), jumlah kesalahan berkurang. Di
dengan cara ini, keandalan yang tinggi dikaitkan dengan kesalahan pengukuran yang lebih rendah.
MENYEDIAKAN KONSTRUKSI KAMAR YANG LUAR BIASA VERSUS YANG AKAN
DIKENANGKAN. Ingat bahwa dalam regresi berganda, analisis diskriminan ganda, dan
MANOVA, penting untuk dibedakan antara variabel independen dan dependen. Demikian juga,
dalam SEM perbedaan yang sama harus terbuat. Namun, karena kita sekarang umumnya
memprediksi konstruk laten dengan laten lainnya konstruksi, terminologi yang berbeda digunakan.
Konstruksi eksogen adalah laten, ekuivalen multi-item dari variabel independen. Dengan demikian,
mereka menggunakan beragam ukuran untuk mewakili konstruk, yang bertindak sebagai
independen variabel dalam model. Mereka ditentukan oleh faktor-faktor di luar model (yaitu,
mereka tidak dijelaskan oleh konstruk atau variabel lain dalam model), dengan demikian istilah
independen. Model SEM sering digambarkan oleh diagram visual, sehingga sangat berguna untuk
mengetahui cara melihat konstruksi eksogen.
Konstruksi endogen adalah laten, multi-item yang setara dengan variabel dependen (mis., variate
dari variabel dependen individu). Konstruksi ini secara teori ditentukan oleh faktor-faktor dalam
model. Dengan demikian, mereka bergantung pada konstruksi lain, dan ketergantungan ini
diwakili secara visual dengan jalur ke konstruk endogen dari konstruk eksogen (atau dari yang lain
konstruksi endogen, seperti yang akan kita lihat nanti).
Mendefinisikan Model
Model adalah representasi dari suatu teori. Teori dapat dianggap sebagai seperangkat hubungan
sistematis memberikan penjelasan fenomena yang konsisten dan komprehensif. Dari definisi ini,
kita melihat teori itu bukan domain eksklusif akademisi, tetapi dapat berakar pada pengalaman dan
praktik diperoleh dengan mengamati perilaku dunia nyata. Model konvensional dalam terminologi
SEM terdiri benar-benar dua model, model pengukuran (mewakili bagaimana variabel yang diukur
datang bersama-sama untuk mewakili konstruksi) dan model struktural (menunjukkan bagaimana
konstruksi dikaitkan dengan masing-masing lain).
PENTINGNYA TEORI Model tidak boleh dikembangkan tanpa teori yang mendasarinya. Teori
seringkali menjadi tujuan utama penelitian akademis, tetapi praktisi dapat mengembangkan atau
mengusulkan seperangkat hubungan yang kompleks dan saling terkait seperti teori berbasis
akademis. Demikian, peneliti dari akademisi dan industri dapat mengambil manfaat dari alat
analisis unik yang disediakan oleh SEM. Kami akan membahas di bagian selanjutnya masalah
spesifik dalam membangun basis teori untuk Anda Model SEM, khususnya yang berkaitan dengan
membangun kausalitas. Dalam semua kasus, analisis SEM harus didikte pertama dan terutama
oleh landasan teori yang kuat.
PORTRAYAL VISUAL MODEL Model SEM lengkap yang terdiri dari pengukuran dan model
struktural bisa sangat kompleks. Meskipun semua hubungan bisa diekspresikan di jalur notasi
analisis (lihat materi yang tersedia di www.pearsonhighered.com/hair dan www.mvstats.com
untuk lebih detail), banyak peneliti merasa lebih nyaman untuk menggambarkan model dalam
bentuk visual, dikenal sebagai diagram jalur. Penggambaran visual dari hubungan ini
menggunakan konvensi tertentu baik untuk konstruk dan variabel terukur serta hubungan di antara
mereka.
Menggambarkan Konstruksi yang Terlibat dalam Model Persamaan Struktural. Konstruksi laten
terkait dengan variabel yang diukur dengan hubungan pengukuran. Ini adalah jenis ketergantungan
hubungan (digambarkan dengan panah lurus) antara variabel dan konstruk yang diukur. Di sebuah
SEM khas panah diambil dari konstruk laten ke variabel yang terkait dengan konstruk. Variabel-
variabel ini disebut sebagai indikator karena tidak ada variabel tunggal yang bisa sepenuhnya
mewakili konstruk, tetapi dapat digunakan sebagai indikasi konstruk. Itu Peneliti harus
membenarkan dasar teoretis indikator karena SEM hanya memeriksa karakteristik empiris dari
variabel. Spesifikasi alternatif tempat tanda panah dari indikator ke konstruk akan dibahas nanti
dalam bab ini. Kami juga akan membahas bagaimana menilai kualitas indikator konstruk dalam
model SEM. Di sini, kami focus pada prinsip-prinsip dasar dalam membangun diagram model
pengukuran:
 • Konstruksi biasanya diwakili oleh oval atau lingkaran, dan variabel yang diukur diwakili
dengan kotak atau persegi panjang.
• Untuk membantu membedakan indikator untuk konstruksi endogen dan eksogen, diukur
variabel (indikator) untuk konstruk eksogen biasanya disebut sebagai variabel X,
sedangkan indikator konstruk endogen biasanya disebut sebagai variabel Y.
• Variabel terukur X dan / atau Y dikaitkan dengan konstruk masing-masing oleh a panah
lurus dari konstruk ke variabel yang diukur.
Gambar 1a menggambarkan hubungan pengukuran antara konstruk dan salah satu yang diukur
variabel. Karena konstruk kemungkinan akan ditunjukkan oleh beberapa variabel terukur, semakin
banyak gambaran umum adalah seperti pada Gambar 1b. Ingat bahwa indikator diberi label
sebagai X atau Y, tergantung pada apakah mereka terkait dengan konstruk eksogen atau endogen,
masing-masing.
Menggambarkan Hubungan Struktural. Model struktural melibatkan menentukan struktur
hubungan antara konstruk laten. Menentukan hubungan umumnya berarti kita juga tentukan bahwa
suatu hubungan ada atau tidak ada. Jika ada, panah ditarik; jika tidak hubungan diharapkan, maka
tidak ada panah yang ditarik. Pada beberapa kesempatan, spesifikasi mungkin juga berarti bahwa
nilai tertentu ditentukan untuk suatu hubungan. Ada dua jenis hubungan di antara mereka konstruk:
hubungan ketergantungan dan hubungan korelasional (kovarian).
Model SEM menggabungkan pengukuran dan hubungan struktural dari dua konstruksi dengan
masing-masing empat indikator. Dalam Gambar 2a, ada hubungan korelasional antara dua
konstruksi, ditunjukkan oleh panah melengkung. Indikator (empat pada setiap konstruk) diberi
label X1 hingga X8. Gambar 2b menggambarkan hubungan ketergantungan antara konstruk
eksogen dan endogen. Dua konstruksi mempertahankan indikator yang sama, tetapi dua perubahan
membedakannya dari yang korelasional hubungan. Pertama, indikator konstruk eksogen
dilambangkan dengan X1 hingga X4, sedangkan indikator endogen adalah Y1 hingga Y4. Variabel
yang diukur itu sendiri tidak berubah sama sekali, adil penunjukan mereka dalam model. Kedua,
hubungan ketergantungan tunggal antara eksogen konstruk dan konstruk endogen digambarkan
oleh panah lurus antara konstruk itu menggantikan panah melengkung.

BAGAIMANA CARA MODEL COCOK? Penting untuk diingat bahwa berbeda dengan regresi analisis
atau teknik ketergantungan lainnya, yang berusaha menjelaskan hubungan dalam satu persamaan,
Tujuan statistik SEM adalah untuk menguji serangkaian hubungan yang mewakili banyak
persamaan. Karena itu, langkah kecocokan atau akurasi prediksi untuk teknik lain (mis., R2 untuk
regresi berganda, klasifikasi akurasi dalam analisis diskriminan, atau signifikansi statistik dalam
MANOVA) tidak cocok untuk SEM. Yang dibutuhkan adalah ukuran kecocokan atau akurasi
prediksi yang mencerminkan keseluruhan model, bukan apa pun hubungan tunggal. Peneliti harus
“menerima atau menolak” keseluruhan model, menentukan apakah keseluruhan Model fit dapat
diterima sebelum memeriksa hubungan tertentu.
Karena fokusnya adalah pada keseluruhan model, SEM menggunakan serangkaian langkah-
langkah yang menggambarkan caranya Teori seorang peneliti menjelaskan data input — matriks
kovarians yang teramati di antara yang diukur variabel. Model fit ditentukan oleh korespondensi
antara kovarians yang diamati matriks dan estimasi matriks kovarians yang dihasilkan dari model
yang diusulkan. Jika diusulkan Model memperkirakan dengan tepat semua hubungan substantif
antara konstruksi dan pengukuran Model secara memadai mendefinisikan konstruk, maka harus
mungkin untuk memperkirakan kovarians matriks antara variabel yang diukur yang sangat cocok
dengan matriks kovarians yang diamati.
SEM DAN TEKNIK MULTIVARIAT LAINNYA
SEM adalah teknik multivariat yang didasarkan pada variasi dalam model pengukuran dan
struktural. Dalam model pengukuran, setiap set indikator untuk suatu konstruk bertindak secara
kolektif (sebagai variasi) mendefinisikan konstruk. Dalam model struktural, konstruksi terkait satu
sama lain secara korelasional dan hubungan ketergantungan. SEM paling tepat ketika peneliti
memiliki beberapa konstruksi, masing-masing diwakili oleh beberapa variabel terukur, dan
konstruksi ini dibedakan berdasarkan apakah mereka eksogen atau endogen. Dalam hal ini, SEM
menunjukkan kesamaan dengan yang lain teknik ketergantungan multivariat seperti MANOVA
dan analisis regresi berganda. Selain itu, model pengukuran terlihat serupa dalam bentuk dan
fungsinya dengan analisis faktor.
Kemiripan dengan Teknik Ketergantungan
Kesamaan yang jelas dari SEM adalah dengan regresi berganda, salah satu ketergantungan yang
paling banyak digunakan teknik. Hubungan untuk setiap konstruk endogen dapat ditulis dalam
bentuk yang mirip dengan regresi persamaan. Konstruk endogen adalah variabel dependen, dan
variabel independen adalah konstruk dengan panah menunjuk ke konstruk endogen. Satu
perbedaan utama dalam SEM adalah bahwa konstruk yang bertindak sebagai variabel independen
dalam satu hubungan dapat menjadi variabel dependen dalam hubungan lain. SEM kemudian
memungkinkan untuk semua hubungan / persamaan untuk diperkirakan serentak.
SEM juga dapat digunakan untuk mewakili teknik ketergantungan lainnya. Variasi standar Model
SEM dapat digunakan untuk merepresentasikan variabel nonmetrik, kategori, dan bahkan model
MANOVA dapat diperiksa menggunakan SEM. Ini memungkinkan peneliti untuk mengambil
keuntungan dari kemampuan SEM untuk mengakomodasi kesalahan pengukuran, misalnya, dalam
konteks MANOVA.
Kemiripan dengan Teknik Interdependensi
Sekilas, model pengukuran, yang menghubungkan variabel yang diukur dengan konstruk,
tampaknya identik dengan analisis faktor di mana variabel memuat faktor. Meskipun banyak
kesamaan, seperti interpretasi kekuatan hubungan masing-masing variabel dengan konstruk
(dikenal sebagai pemuatan dalam analisis faktor), satu perbedaan sangat penting. Analisis faktor
jenis ini pada dasarnya sebuah teknik analisis eksplorasi yang mencari struktur di antara variabel
dengan mendefinisikan faktor dalam hal set variabel. Akibatnya, setiap variabel memiliki
pemuatan pada setiap faktor.
SEM adalah kebalikan dari teknik eksplorasi. Untuk itu diperlukan peneliti yang menentukan
variabel dikaitkan dengan masing-masing konstruk, dan kemudian memuat diperkirakan hanya di
mana variabel dikaitkan dengan konstruksi (biasanya tidak ada lintas-beban). Perbedaannya tidak
begitu banyak dengan interpretasi seperti dengan implementasi. Analisis faktor eksplorasi tidak
memerlukan spesifikasi bagian dari peneliti. Sebaliknya, SEM membutuhkan spesifikasi
pengukuran yang lengkap model.
Keuntungan menggunakan berbagai tindakan untuk konstruksi, yang dibahas sebelumnya,
direalisasikan melalui model pengukuran di SEM. Dengan cara ini, prosedur estimasi untuk
struktural model dapat menyertakan koreksi langsung untuk kesalahan pengukuran seperti yang
dibahas sebelumnya. Dengan demikian, hubungan antara konstruk diperkirakan lebih akurat.

Munculnya SEM
SEM adalah alat analisis yang relatif baru, tetapi akarnya meluas kembali ke paruh pertama abad
kedua puluh abad. Pengembangan SEM berasal dari keinginan para peneliti genetika dan ekonomi
mampu membangun hubungan kausal antara variabel [8, 19, 55]. Kompleksitas matematika dari
SEM membatasi aplikasinya hingga komputer dan perangkat lunak tersedia secara luas. Mereka
mengaktifkan dua prosedur analisis faktor multivariat dan regresi berganda untuk digabungkan.
Selama terlambat 1960-an dan awal 1970-an, karya Jöreskog dan Sörbom menghasilkan
kemungkinan maksimum secara simultan estimasi hubungan antara konstruk dan variabel
indikator yang diukur serta di antara konstruksi laten. Pekerjaan ini memuncak dalam program
SEM LISREL [27, 28, 29, 30]. Bukan itu perangkat lunak pertama yang melakukan SEM atau
analisis jalur, tapi itu yang pertama mendapatkan penggunaan luas.
PERAN TEORI DALAM PEMODELAN PERSAMAAN STRUKTURAL
SEM tidak boleh dicoba tanpa dasar teori yang kuat untuk spesifikasi keduanya model pengukuran
dan struktural. Bagian berikut membahas beberapa peran mendasar yang dimainkan oleh teori
dalam SEM: (1) menentukan hubungan yang menentukan model; (2) membangun sebab-akibat,
khususnya ketika menggunakan data cross-sectional; dan (3) pengembangan strategi pemodelan.
Menentukan Hubungan
Meskipun teori dapat menjadi penting dalam semua prosedur multivariat, itu sangat penting untuk
SEM karena itu dianggap sebagai analisis konfirmasi. Artinya, ini berguna untuk pengujian dan
berpotensi mengkonfirmasikan teori. Teori diperlukan untuk menentukan hubungan dalam
pengukuran dan structural model, modifikasi pada hubungan yang diusulkan, dan banyak aspek
lain dalam memperkirakan suatu model.
Dari perspektif praktis, pendekatan berbasis teori untuk SEM diperlukan karena semuanya
hubungan harus ditentukan oleh peneliti sebelum model SEM dapat diperkirakan. Dengan teknik
multivariat lainnya, peneliti mungkin dapat menentukan model dasar dan memungkinkan nilai
default dalam program statistik untuk "mengisi" masalah estimasi yang tersisa. Opsi ini dari
menggunakan nilai default tidak dimungkinkan dengan SEM. Selain itu, modifikasi model apa pun
harus dibuat melalui tindakan spesifik oleh peneliti. Jadi, ketika kita menekankan perlunya teori
pembenaran, kami menekankan bahwa SEM adalah metode konfirmasi lebih banyak dibimbing
oleh teori daripada oleh hasil empiris.
Penggambaran sekumpulan hubungan dalam diagram jalur biasanya melibatkan kombinasi
ketergantungan dan hubungan korelasional antara konstruksi eksogen dan endogen. Itu peneliti
dapat menentukan kombinasi hubungan apa pun yang memiliki dukungan teoritis untuk
pertanyaan penelitian yang ada. Contoh-contoh berikut menggambarkan bagaimana hubungan
dapat melibatkan keduanya elemen ketergantungan dan korelasional serta mengakomodasi
hubungan yang saling terkait.
Gambar 3 menunjukkan tiga contoh hubungan yang digambarkan oleh diagram jalur, bersama
dengan persamaan yang sesuai. Gambar 3a menunjukkan model tiga-konstruksi sederhana. Baik
X1 dan X2 adalah konstruk eksogen terkait dengan konstruk endogen Y1, dan panah melengkung
antara X1 dan X2 menunjukkan efek interkorelasi (multikolinieritas) pada prediksi. Kita bisa
tunjukkan ini hubungan dengan persamaan tunggal, seperti yang kami lakukan dalam diskusi kami
tentang regresi berganda.
Pada Gambar 3b kita menambahkan konstruk endogen kedua — Y2. Sekarang, selain model dan
persamaan yang ditunjukkan pada Gambar 3a, kami menambahkan persamaan kedua yang
menunjukkan hubungan antara X2 dan Y1 dengan Y2. Di sini kita dapat melihat peran unik yang
dimainkan oleh SEM ketika lebih dari satu hubungan berbagi membangun. Kami ingin mengetahui
efek X1 pada Y1, efek X2 pada Y1, dan secara bersamaan efek X2 dan Y1 pada Y2. Jika kami
tidak memperkirakannya secara konsisten, kami tidak akan yakin mewakili efek mereka yang
sebenarnya dan terpisah. Sebagai contoh, teknik seperti itu diperlukan untuk menunjukkan efek
X2 pada Y1 dan Y2.
Hubungan menjadi lebih terkait dalam Gambar 3c, dengan tiga konstruk dependen, masing-masing
terkait dengan yang lain serta konstruksi independen. Hubungan timbal balik (dua arah, panah
lurus) bahkan terjadi antara Y2 dan Y3. Hubungan ini ditunjukkan dalam persamaan oleh Y2
muncul sebagai prediktor Y3 dan Y3 muncul sebagai prediktor Y2. Itu tidak mungkin ungkapkan
semua hubungan dalam Gambar 3b atau 3c dalam satu persamaan. Persamaan terpisah adalah
diperlukan untuk setiap konstruk dependen. Kebutuhan akan metode yang bisa memperkirakan
semua persamaan secara bersamaan dipenuhi oleh SEM.
Membangun Penyebab
Mungkin jenis inferensi teoretis terkuat yang dapat ditarik oleh peneliti adalah inferensial kausal,
yang melibatkan pengajuan bahwa hubungan ketergantungan sebenarnya didasarkan pada sebab
akibat. Kausal inferensi melibatkan hubungan sebab-akibat yang dihipotesiskan. Jika kita
memahami penyebabnya urutan antar variabel, maka kita bisa menjelaskan bagaimana beberapa
penyebab menentukan efek yang diberikan. Dalam istilah praktis, efeknya setidaknya dapat
dikelola sebagian dengan tingkat kepastian tertentu. Jadi, hubungan ketergantungan kadang-
kadang secara teoritis dapat dihipotesiskan sebagai kausal. Namun, hanya berpikir bahwa
hubungan ketergantungan adalah sebab-akibat tidak membuatnya demikian. Karena itu kami
menggunakan istilah sebab dengan sangat hati-hati dalam SEM.
Mari kita pertimbangkan minat HBAT dalam kepuasan kerja sebagai contoh. Jika merasa positif
tentang atasan dapat terbukti menghasilkan (menyebabkan) peningkatan kepuasan kerja, maka kita
tahu bahwa pekerjaan lebih tinggi kepuasan dapat dicapai dengan meningkatkan perasaan
karyawan tentang atasan mereka. Demikian, kebijakan dan pelatihan perusahaan dapat fokus pada
peningkatan pendekatan pengawasan. Jika pengawasan terkait kausal seperti dihipotesiskan, maka
perbaikan yang dihasilkan akan meningkatkan pekerjaan karyawan kepuasan.
Desain penelitian kausal secara tradisional melibatkan eksperimen dengan manipulasi terkontrol
(mis., variabel independen kategori seperti yang ditemukan di MANOVA atau ANOVA). Model
SEM adalah Namun, biasanya digunakan dalam situasi non-eksperimental di mana konstruk
eksogen tidak variabel yang dikendalikan secara eksperimental. Ini membatasi kemampuan
peneliti untuk menarik kesimpulan kausal dan SEM saja tidak dapat membangun hubungan sebab
akibat. Namun, itu dapat memperlakukan hubungan ketergantungan sebagai sebab akibat jika
empat jenis bukti (covariation, sequence, covariation nonspurious, dan dukungan teoritis) adalah
tercermin dalam model SEM [26, 45].
COVARIASI Karena kausalitas berarti bahwa suatu perubahan dalam suatu penyebab membawa
hasil yang sesuai perubahan efek, kovarians sistematis (korelasi) antara sebab dan akibat
diperlukan, tetapi tidak cukup, untuk membangun hubungan sebab akibat. Sama seperti yang
dilakukan dalam regresi berganda dengan memperkirakan signifikansi statistik dari koefisien
variabel independen yang mempengaruhi variabel dependen, SEM dapat menentukan kovariat
yang sistematis dan signifikan secara statistik antara konstruk. Demikian, jalur estimasi signifikan
secara statistik dalam model struktural (mis., hubungan antara konstruk) memberikan bukti bahwa
ada kovarisasi. Hubungan struktural antara konstruk biasanya jalur untuk mana kesimpulan kausal
paling sering dihipotesiskan.
URUTAN Persyaratan kedua untuk penyebab adalah urutan temporal dari peristiwa. Mari kita
gunakan contoh sebelumnya sebagai ilustrasi.
Jika perbaikan dalam pengawasan menghasilkan peningkatan kepuasan kerja, maka perubahan
dalam pengawasan tidak dapat terjadi setelah perubahan kepuasan kerja. Jika kita membayangkan
banyak domino berdiri berturut-turut, dan yang pertama dirobohkan oleh bola kecil, itu dapat
menyebabkan semua kartu domino lainnya jatuh jatuh. Dengan kata lain, bola yang mengenai
domino pertama menyebabkan domino lainnya jatuh. Jika bolanya penyebab efek ini, bola harus
mengenai domino pertama sebelum yang lain jatuh. Jika yang lain telah jatuh sebelum bola
menyerang domino pertama, maka bola tidak bisa menyebabkannya jatuh. Dengan demikian,
urutan sebab-akibat berarti bahwa perbaikan dalam pengawasan harus terjadi sebelum pekerjaan
kepuasan meningkat jika hubungan antara kedua variabel itu kausal.
COVARIAN YANG TIDAK BERKURANG Hubungan palsu adalah hubungan yang salah atau
menyesatkan. Apa saja hubungan dianggap palsu ketika peristiwa lain yang tidak termasuk dalam
analisis benar-benar menjelaskan sebab dan akibat. Sederhananya, ukuran dan sifat hubungan
antara penyebab dan efek yang relevan tidak boleh terpengaruh dengan memasukkan konstruksi
(atau variabel) lain dalam suatu model. Banyak anekdot menggambarkan apa yang bisa terjadi
dengan korelasi palsu.
Misalnya, korelasi yang signifikan antara konsumsi es krim dan kemungkinan tenggelam dapat
diverifikasi secara empiris. Namun, apakah aman untuk mengatakan bahwa makan es krim
menyebabkan tenggelam? Jika kami memperhitungkan beberapa penyebab potensial lainnya
(mis., Suhu dikaitkan dengan peningkatan es konsumsi krim dan lebih banyak berenang), kita tidak
akan menemukan hubungan nyata antara es krim konsumsi dan tenggelam. Dengan demikian kita
tidak bisa mengatakan dengan pasti bahwa konsumsi es krim menyebabkan kemungkinan
tenggelam meskipun mereka secara signifikan berkorelasi.
Dampak Collinearity. Karena kesimpulan kausal didukung ketika kita dapat menunjukkan itu
beberapa konstruk ketiga tidak mempengaruhi hubungan antara sebab dan akibat, kurangnya
collinearity di antara para prediktor diinginkan. Ketika collinearity tidak ada, peneliti datang paling
dekat dengan mereproduksi kondisi yang ada dalam desain eksperimental. Kondisi-kondisi ini
termasuk orthogonal, atau variabel prediktor eksperimental yang tidak berkorelasi.
Menguji Hubungan Spurious. Gambar 4 menunjukkan contoh pengujian untuk tidak berbudi
hubungan dengan dua model SEM. Model pertama menentukan hubungan struktural yang
diusulkan antara dua konstruksi. Model kedua menggabungkan konstruksi Penyebab Alternatif
sebagai variabel prediktor tambahan. Jika hubungan estimasi antara konstruk ditemukan dalam
model pertama tetap tidak berubah ketika prediktor tambahan ditambahkan (model kedua), maka
hubungannya dianggap tidak sopan. Namun, jika hubungan struktural menjadi tidak signifikan di
yang kedua Model karena penambahan prediktor lain, maka hubungannya harus dianggap palsu.
Dalam contoh kepuasan kerja karyawan kami, kami mengusulkan agar persepsi pengawas
memengaruhi kepuasan (Gambar 4a). Orang bisa berpendapat, bagaimana perasaan karyawan
tentang atasan mereka tidak benar-benar menentukan tingkat kepuasan mereka dengan pekerjaan
mereka. Penjelasan alternatif, untuk misalnya, adalah bahwa kondisi kerja yang baik bertindak
sebagai penyebab alternatif untuk peningkatan pengawasan dan kepuasan kerja yang lebih tinggi
(Gambar 4b). Jika kondisi kerja konstruksi diukur bersama dengan konstruksi lain, dan hubungan
ditentukan antara kondisi kerja dan pengawasan keduanya dan kepuasan kerja, maka model SEM
dapat menentukan apakah hubungan antara konstruk ada atau tidak. Dalam contoh kami, koefisien
estimasi tetap tidak berubah (, 50), menunjukkan bahwa hubungan antara penyelia dan kepuasan
kerja tidak sia-sia. Jika estimasi koefisien sudah menjadi tidak signifikan ketika kondisi kerja
ditambahkan ke model, maka kami akan mempertimbangkan hubungan antara penyelia dan
kepuasan kerja menjadi palsu.

DUKUNGAN TEORI Kondisi terakhir untuk kausalitas adalah dukungan teoretis, atau meyakinkan
alasan untuk mendukung hubungan sebab-akibat. Kondisi ini menekankan fakta yang sederhana
menguji model SEM dan menganalisis hasilnya tidak dapat membangun hubungan sebab akibat.
Dukungan teoritis menjadi sangat penting dengan data cross-sectional. Model SEM dapat
menunjukkan hubungan antara setiap konstruksi yang berkorelasi satu sama lain (mis., konsumsi
es krim dan statistik tenggelam). Tetapi kecuali teori dapat digunakan untuk menetapkan urutan
kausal dan alasan untuk kovarians yang diamati, hubungan tetap asosiasi sederhana dan tidak boleh
dikaitkan dengan kekuatan sebab akibat lebih lanjut.
Mengembangkan Strategi Pemodelan
Salah satu konsep terpenting yang harus dipelajari seorang peneliti mengenai teknik multivariat
adalah bahwa tidak Ada satu cara yang benar untuk menerapkannya. Dalam beberapa kasus,
hubungan ditentukan secara ketat, dan obyektif adalah konfirmasi hubungan. Di lain waktu,
hubungan tersebut diakui secara longgar, dan tujuannya adalah penemuan hubungan. Pada setiap
titik ekstrem dan di antaranya, Peneliti harus menerapkan teknik multivariat sesuai dengan tujuan
penelitian. Penerapan SEM mengikuti prinsip yang sama ini. Fleksibilitasnya memberi para
peneliti sebuah alat analitik yang kuat sesuai untuk banyak tujuan penelitian, yang berfungsi
sebagai pedoman dalam strategi pemodelan. Penggunaan istilah strategi dirancang untuk
menunjukkan rencana tindakan terhadap a hasil spesifik. Untuk tujuan kami, kami mendefinisikan
tiga strategi berbeda dalam penerapan SEM: strategi pemodelan konfirmatori, strategi model
bersaing, dan strategi pengembangan model.
STRATEGI PEMODELAN KONFIRMATORIUM
Aplikasi persamaan struktural paling langsung pemodelan adalah strategi pemodelan konfirmasi.
Peneliti menentukan model tunggal yang dikomposisikan satu set hubungan dan menggunakan
SEM untuk menilai seberapa baik model cocok dengan data. Di sini Peneliti mengatakan, "Ini bisa
berhasil atau tidak." Ini sangat berlawanan dengan teknik eksplorasi, seperti regresi bertahap. Jika
model yang diusulkan memiliki kecocokan yang dapat diterima, peneliti telah menemukan
dukungan untuk model itu. Tetapi seperti yang akan kita diskusikan nanti, model itu hanyalah satu
dari beberapa yang berbeda model yang cocok dengan model yang dapat diterima. Mungkin tes
yang lebih mendalam dapat dicapai dengan membandingkan model alternatif.
STRATEGI MODEL BERSAING
Strategi model bersaing didasarkan pada membandingkan estimasi model dengan model alternatif
melalui perbandingan model keseluruhan. Tes terkuat dari a model yang diusulkan adalah untuk
mengidentifikasi dan menguji model pesaing yang benar-benar berbeda, tetapi sangat berbeda
hubungan struktural yang masuk akal dan dihipotesiskan. Ketika membandingkan model-model
ini, peneliti datang lebih dekat ke ujian teori yang bersaing, yang jauh lebih kuat daripada ujian
tunggal model dalam isolasi.
Model ekivalen memberikan perspektif kedua tentang pengembangan serangkaian model
komparatif. Telah ditunjukkan bahwa untuk setiap model persamaan struktural yang diusulkan,
setidaknya satu model lainnya ada dengan jumlah parameter yang sama tetapi dengan hubungan
berbeda yang digambarkan cocok Setidaknya serta model yang diusulkan. Sebagai pedoman
umum, semakin kompleks suatu model, maka model yang lebih setara ada. Dengan demikian,
seseorang seharusnya tidak menarik kesimpulan berdasarkan empiris hasil sendiri.
STRATEGI PENGEMBANGAN MODEL Strategi pengembangan model berbeda dari dua sebelumnya
strategi dalam hal itu, meskipun kerangka model dasar diusulkan, tujuan dari upaya pemodelan
adalah untuk meningkatkan kerangka kerja ini melalui modifikasi model struktural atau
pengukuran. Dalam banyak aplikasi, teori hanya dapat memberikan titik awal untuk
pengembangan teori model yang dibenarkan yang dapat didukung secara empiris. Dengan
demikian, peneliti harus menggunakan SEM bukan hanya untuk menguji model secara empiris
tetapi juga untuk memberikan wawasan tentang respecifikasi.
Satu catatan kehati-hatian harus dibuat. Peneliti harus berhati-hati untuk tidak menggunakan
strategi ini sejauh model akhir memiliki kecocokan yang dapat diterima tetapi tidak dapat
digeneralisasi ke sampel lain atau populasi. Selain itu, model respecification harus selalu dilakukan
dengan dukungan teoritis bukan hanya pembenaran empiris. Model yang dikembangkan dengan
cara ini harus diverifikasi dengan sampel independen.

CONTOH SEDERHANA SEM

Contoh berikut menggambarkan bagaimana SEM bekerja dengan beberapa hubungan,
memperkirakan banyak persamaan sekaligus, bahkan ketika mereka saling terkait dan variabel
dependen dalam satu persamaan adalah variabel independen dalam persamaan lain.
Namun, kita harus perhatikan bahwa contoh kita tidak akan menggambarkan salah satu kekuatan
SEM lainnya — kemampuan untuk menggunakan beberapa langkah (model pengukuran) untuk
mewakili konstruksi dengan cara yang mirip dengan analisis faktor. Untuk kesederhanaan, setiap
konstruk dalam contoh berikut diperlakukan sebagai variabel tunggal.
Untuk saat ini, kami hanya fokus pada prinsip dasar pembuatan model dan memperkirakan
beberapa hubungan.
Pertanyaan Penelitian
Teori harus menjadi dasar dari model yang paling sederhana, karena variabel selalu bisa
dihubungkan satu sama lain dalam berbagai cara. Kebanyakan akan menjadi omong kosong. Teori
seharusnya dibuat model ini masuk akal. Penekanan pada mewakili hubungan ketergantungan
mengharuskan bahwa Peneliti hati-hati merinci tidak hanya jumlah konstruksi yang terlibat, tetapi
hubungan yang diharapkan di antara mereka konstruksi. Dengan konstruksi ini di tangan, model
dan estimasi hubungan dapat melanjutkan.
Untuk menunjukkan bagaimana teori dapat digunakan untuk mengembangkan model untuk diuji
dengan SEM, mari kita gunakan contoh kepuasan kerja karyawan, tetapi perluas dengan
menambahkan beberapa konstruk lagi. Dua pertanyaan penelitian utama adalah: (1) faktor apa
yang mempengaruhi kepuasan kerja dan (2) kepuasan kerja terkait dengan kemungkinan karyawan
untuk mencari pekerjaan lain (yaitu, berhenti dari pekerjaan mereka saat ini)? Lebih khusus,
HBAT percaya bahwa persepsi pengawasan yang menguntungkan, rekan kerja, dan kondisi kerja
akan meningkatkan kepuasan kerja, yang pada gilirannya akan mengurangi kemungkinan mencari
pekerjaan lain.
Dari pengalaman mereka, mereka mengembangkan serangkaian hubungan yang mereka yakini
menjelaskan proses:
 • Peningkatan pengawasan mengarah pada kepuasan kerja yang lebih tinggi.
• Lingkungan kerja yang lebih baik mengarah pada kepuasan kerja yang lebih tinggi.
• Persepsi rekan kerja yang lebih baik mengarah pada kepuasan kerja yang lebih tinggi.
• Kepuasan kerja yang lebih tinggi mengarah pada kemungkinan pencarian kerja yang lebih
rendah.
Keempat hubungan ini membentuk dasar bagaimana manajemen HBAT percaya mereka dapat
mengurangi kemungkinan karyawan mencari pekerjaan lain. Manajemen ingin mengurangi
pencarian kerja kegiatan karena biaya untuk menemukan, merekrut, dan melatih karyawan baru
sangat tinggi.
Menyiapkan Model Persamaan Struktural untuk Analisis Jalur
Setelah serangkaian hubungan ditentukan, peneliti dapat mengidentifikasi model dalam bentuk
cocok untuk analisis. Konstruk diidentifikasi sebagai eksogen atau endogen. Kemudian, untuk
menunjukkan hubungan dengan mudah, mereka digambarkan secara visual dalam diagram jalur,
di mana panah lurus menggambarkan dampak dari satu konstruksi pada yang lain. Jika hipotesis
kausal disimpulkan, panah yang mewakili titik hubungan ketergantungan dari penyebab ke efek
selanjutnya.
Hubungan yang diidentifikasi oleh manajemen HBAT meliputi lima gagasan: persepsi
pengawasan, lingkungan kerja, dan rekan kerja, bersama dengan kepuasan kerja dan pencarian
pekerjaan. Langkah awal adalah mengidentifikasi konstruk mana yang dianggap eksogen dan
mana yang endogen. Ingat bahwa konstruk eksogen mirip dengan variabel independen, sedangkan
konstruk endogen adalah setara dengan variabel dependen.
Pengawasan, lingkungan kerja, dan konstruksi rekan kerja diidentifikasi sebagai eksogen variabel
karena mereka mirip dengan variabel independen dalam model. Demikian pula, pencarian
pekerjaan jelas variabel endogen karena direpresentasikan sebagai variabel dependen. Tapi
bagaimana dengan itu? kepuasan kerja? Itu tergantung pada pengawasan, lingkungan kerja, dan
konstruksi rekan kerja, tetapi juga merupakan variabel independen karena ditampilkan sebagai
memengaruhi konstruk pencarian kerja. Ini adalah salah satu karakteristik SEM yang unik dan
jelas bermanfaat — dapat memeriksa hubungan (model) di mana konstruk beroperasi sebagai
variabel independen dan dependen. Dari model hubungan kami, oleh karena itu, kami dapat
mengidentifikasi jenis konstruksi seperti yang ditunjukkan di bawah:

Dengan konstruk yang ditentukan sebagai eksogen atau endogen, hubungan sekarang dapat
direpresentasikan dalam diagram jalur seperti yang ditunjukkan pada Gambar 5.
Perhatikan bahwa satu jenis hubungan juga disajikan pada Gambar 5 tidak diungkapkan oleh Tim
peneliti HBAT: korelasi antara konstruk eksogen. Hubungan ini biasanya ditambahkan dalam
SEM ketika peneliti merasa konstruksi eksogen memiliki derajat tertentu asosiasi yang
memunculkan keterkaitan mereka. Biasanya ini adalah hasil tambahan variabel yang tidak
termasuk dalam model yang memengaruhi variabel eksogen (mis., penyebab umum). Dalam kasus
variabel eksogen, secara langsung sebanding dengan mewakili multikolinieritas dibahas dalam
regresi berganda. Kami telah menambahkan hubungan korelasional ini dalam teori kami model
karena kami mengharapkan elemen yang terpisah dari mengelola karyawan HBAT (Pengawasan,
Lingkungan Kerja, dan Rekan Kerja) akan dikoordinasikan dan didasarkan pada konsistensi
perencanaan dan pelaksanaan. Terlebih lagi, termasuk korelasi antar-konstruksi antara yang
eksogen variabel sering membuat estimasi untuk hubungan dependen lebih dapat diandalkan. Itu

tim peneliti sekarang dapat mengumpulkan data pada lima konstruk sebagai dasar untuk
mengevaluasi yang diusulkan model teoritis.
Dasar-dasar Estimasi dan Penilaian SEM
Dengan hubungan dan diagram jalur yang ditentukan, peneliti sekarang dapat menempatkannya
dalam format cocok untuk analisis dalam SEM, memperkirakan kekuatan hubungan, dan menilai
seberapa baik data sebenarnya cocok dengan model. Dalam contoh ini kami menggambarkan
prosedur dasar dalam setiap langkah ini sebagai kami selidiki masalah-masalah yang diangkat oleh
lingkungan kerja karyawan dan kepuasan serta keinginan kerja mereka untuk melakukan pencarian
kerja.
MATRIX COVARIANCE TERLAMBAT SEM berbeda dari teknik multivariat lainnya dalam hal itu
adalah teknik analisis struktur kovarians daripada teknik analisis varians. Hasilnya, SEM berfokus
pada menjelaskan kovariat antara variabel yang diukur, atau kovarians sampel yang diamati
matriks. Meskipun tidak selalu jelas bagi pengguna, program SEM dapat menghitung solusi baik
menggunakan matriks kovarians atau matriks korelasi sebagai input.
Anda mungkin bertanya-tanya apakah ada bedanya apakah kita menggunakan matriks kovarians
alih-alih matriks korelasi seperti yang digunakan dalam regresi berganda. Kami membahas
kelebihan kovarians matriks nanti dalam bab ini (tahap 3 dari proses keputusan), tetapi kita harus
ingat bahwa korelasi adalah hanya kasus khusus kovarians. Matriks korelasi hanyalah matriks
kovarians ketika distandarisasi variabel yang digunakan (yaitu, matriks kovarians terstandarisasi).
Hanya nilai di bawah diagonal yang unik dan yang menarik ketika fokusnya adalah pada korelasi.
Kunci pada titik ini adalah untuk menyadari bahwa matriks kovarians yang diamati dapat dengan
mudah dihitung dari pengamatan sampel, seperti yang kami lakukan dalam komputasi matriks
korelasi. Itu tidak diperkirakan atau tergantung pada model yang dipaksakan oleh seorang peneliti.
Mari kita lihat kembali contoh kita dan lihat bagaimana para peneliti akan melanjutkan setelah
model didefinisikan.
Untuk memahami bagaimana data dimasukkan ke dalam SEM, pikirkan matriks kovarians di
antara lima variabel. Matriks kovarian yang diamati akan berisi 25 nilai. 5 nilai diagonal akan
mewakili varians masing-masing variabel dengan 10 istilah kovarian yang unik. Karena kovarians
Matriksnya simetris, 10 istilah unik akan diulang baik di atas maupun di bawah diagonal. Sebagai
hasilnya, jumlah nilai unik dalam matriks adalah 5 nilai diagonal (varians) ditambah 10 unik
diagonal (kovarian) dengan total 15.
Misalnya, anggaplah sampel melibatkan individu yang diwawancarai menggunakan mal-intersep
teknik. Matriks kovarians yang dihasilkan terdiri dari nilai-nilai berikut, dengan masing-masing
konstruk hanya disingkat S untuk Pengawasan, KAMI untuk Lingkungan Kerja, CW untuk Rekan
Kerja, SAT untuk Kepuasan Kerja, dan SRCH untuk Pencarian Kerja (seperti pada Gambar 5).
Matriks nilai-nilai yang tidak digandakan akan menjadi sebagai berikut:

Nilai aktual untuk contoh ini ditunjukkan pada Tabel 1a, matriks kovarians yang diamati.
ESTIMASI DAN HUBUNGAN INTERPRETASI Sebelum penggunaan program SEM yang meluas,
peneliti menemukan solusi untuk model persamaan berganda menggunakan proses yang dikenal
sebagai prosedur analisis. Prosedur analisis menggunakan korelasi bivariat untuk memperkirakan
hubungan dalam sistem persamaan struktural. Ini proses mengestimasi kekuatan dari setiap
hubungan struktural (panah lurus atau melengkung) di jalur diagram. Prosedur matematika aktual
dijelaskan secara singkat dalam Lampiran A.
Prosedur analisis jalur memberikan perkiraan untuk setiap hubungan (panah) dalam model yang
ditunjukkan pada Gambar 6. Estimasi ini ditafsirkan seperti koefisien regresi jika dua persamaan
terpisah digunakan — satu untuk memprediksi Kepuasan Kerja dan yang kedua untuk
memprediksi Pencarian Pekerjaan. Tetapi SEM tidak mempertahankan masing-masing persamaan
terpisah, dan semua estimasi hubungan dalam kedua persamaan dihitung pada saat yang sama
menggunakan informasi dari semua persamaan yang membentuk model. SEM juga memberikan
estimasi hubungan korelasional antara konstruk eksogen, yang mungkin berguna dalam
interpretasi kami dari hasil serta secara langsung mempengaruhi penilaian kami tentang validitas
konstruk eksogen.
Dengan perkiraan untuk setiap jalur, interpretasi dapat dibuat dari setiap hubungan yang diwakili
dalam model. Ketika uji inferensi statistik diterapkan, peneliti dapat menilai probabilitas bahwa
perkiraan tersebut signifikan (mis., tidak sama dengan nol). Apalagi estimasi tersebut bisa
digunakan seperti koefisien regresi untuk membuat estimasi nilai-nilai dari setiap konstruk dalam
model.
Hubungan (jalur) dalam model yang ditunjukkan pada Gambar 6 mewakili pertanyaan penelitian
diajukan oleh tim peneliti HBAT. Ketika kita melihat tiga hubungan pertama (mis., Dampak dari
Pengawasan, Lingkungan Kerja dan Rekan Kerja pada Kepuasan Kerja) kita dapat melihat bahwa
diperkirakan koefisien masing-masing adalah 0,065, 0,219, dan 0,454. Ukuran koefisien ini
menunjukkan itu Rekan kerja memiliki dampak terbesar pada kepuasan kerja, sedangkan
Lingkungan Kerja agak kurang dan pengawasan memiliki dampak terkecil. Selain itu, Kepuasan
Kerja memiliki dampak besar pada Ayub Cari (.50) dan berikan bukti hubungan itu juga.
Ingatlah bahwa koefisien regresi dapat digunakan untuk menghitung nilai prediksi untuk dependen
variabel. Nilai-nilai itu disebut sebagai 𝑦̂. Jadi, untuk nilai-nilai khusus apa saja yang independen
variabel, nilai estimasi untuk hasil dapat diperoleh. Dalam hal ini, di mana kami memperlakukan
konstruksi sebagai variabel, mereka akan mewakili nilai prediksi untuk konstruksi endogen, atau
hasilnya. Perbedaan antara nilai aktual yang diamati untuk hasil dan 𝑦̂ kesalahan. SEM juga dapat
memberikan nilai estimasi untuk konstruksi eksogen ketika beberapa variabel digunakan untuk
menunjukkan membangun. Sadarilah bahwa beberapa hubungan potensial antara konstruk tidak
memiliki jalur, yang berarti bahwa peneliti tidak mengharapkan hubungan langsung antara
konstruksi ini. Untuk Misalnya, tidak ada panah yang ditarik antara Pengawasan dan Pencarian
Kerja, Lingkungan Kerja dan Pekerjaan Cari, atau Rekan Kerja dan Pencarian Kerja, yang
memengaruhi persamaan untuk nilai yang diprediksi.
Dalam model kami, jika kami mengambil nilai yang diamati untuk Pengawasan, Lingkungan Kerja
dan Rekan kerja, kita dapat memperkirakan nilai untuk Kepuasan Kerja menggunakan persamaan
berikut:

Demikian pula, nilai prediksi untuk Pencarian Pekerjaan dapat diperoleh:

Ini akan mewakili prediksi persamaan berganda karena Kepuasan Kerja juga bersifat endogen.
Mengganti persamaan untuk Kepuasan Kerja ke dalam persamaan untuk Pencarian Kerja, kita
mendapatkan:

Ini menggambarkan, oleh karena itu, bagaimana estimasi jalur pada Gambar 6 dapat digunakan
untuk menghitung nilai estimasi untuk Kepuasan Kerja dan Pencarian Kerja.
MENYESUAIKAN MODEL FIT DENGAN MATRIKS COVARIASI ESTIMASI Langkah terakhir dalam SEM
Analisis melibatkan menghitung estimasi matriks kovarians dan kemudian menilai tingkat
kecocokannya model kovarians yang diamati. Matriks kovarian yang diestimasi berasal dari
estimasi lintasan model. Dengan perkiraan ini, kita dapat menghitung semua kovarian yang ada di
pengamatan matriks kovarians menggunakan prinsip-prinsip analisis jalur “secara terbalik.”
Kemudian, dengan membandingkan keduanya matriks SEM dapat menguji kesesuaian model.
Model yang menghasilkan matriks kovarian yang diperkirakan dalam variasi sampling dari matriks
kovarian yang diamati umumnya dianggap sebagai model yang baik dan akan dikatakan cocok.
Proses menghitung estimasi kovarian pertama-tama mengidentifikasi semua langsung dan tidak
langsung jalur yang berhubungan dengan kovarians atau korelasi tertentu. Kemudian, koefisien
digunakan untuk menghitung nilai setiap jalur, yang kemudian dijumlahkan untuk mendapatkan
nilai estimasi untuk setiap kovarians / korelasi.
Mari kita lihat satu hubungan (Lingkungan Kerja dan Kepuasan Kerja) untuk menggambarkan apa
terjadi Mereka melibatkan jalur langsung dan tidak langsung:
Jalur langsung:
Lingkungan Kerja → Kepuasan Kerja = .219
Jalur tidak langsung:
Lingkungan Kerja → Pengawasan → Kepuasan Kerja = .200 × .065 = .013
Lingkungan Kerja → Rekan Kerja → Kepuasan Kerja = .150 × .454 = .068
Total:
Langsung + Tidak Langsung = .219 + .013 + .068 = .300
Dengan demikian, estimasi kovarians antara Lingkungan Kerja dan Kepuasan Kerja adalah 0,300,
jumlah dari jalur langsung dan tidak langsung. Demikian pula, kita dapat memikirkan estimasi
matriks kovarians sebagai kovarian yang berasal dari estimasi semua variabel (). Perkiraan lengkap
Matriks kovarians ditunjukkan pada Tabel 1b.
Contoh ini menggambarkan bagaimana peneliti memengaruhi estimasi kovarian (dan akhirnya
model fit) dengan jalur yang ditentukan dalam model. Dalam contoh kita, jika Lingkungan Kerja
tidak berkorelasi dengan konstruksi Pengawasan atau Rekan Kerja, maka kovarians diperkirakan
akan berbeda. Oleh karena itu, peneliti harus mencatat bahwa setiap jalur ditambahkan atau
dihapus dalam model akhirnya mengontrol seberapa baik kovarian yang diamati dapat diprediksi.
Identifikasi langsung dan jalur tidak langsung untuk setiap kovarians dibahas secara lebih rinci
dalam lampiran Statistik Dasar tersedia di situs Web www.pearsonhighered.com/hair atau
www.mvstats.com.
Masalah terakhir dalam menilai kecocokan adalah konsep residual. Dengan SEM, residu adalah
perbedaan antara kovarians yang diamati dan yang diperkirakan. Jadi, ketika kita membandingkan
diamati dan matriks kovarians aktual, setiap perbedaan yang kami deteksi adalah residu. Itu
perbedaan dengan teknik multivariat lainnya, terutama regresi berganda, adalah penting. Di teknik-
teknik tersebut, residual mencerminkan kesalahan dalam memprediksi pengamatan individu.
Dalam SEM, pengamatan individu bukan fokus analisis. Ketika program SEM mengacu pada
residu, ini mengacu pada perbedaan antara kovariansi yang diestimasi dan yang diamati untuk
setiap pasangan indikator.
Matriks residual (perbedaan antara kovarians yang diamati dan yang diperkirakan) Matriks, | S -
Σk |), menjadi pendorong utama dalam menilai kesesuaian model SEM. Jika diperkirakan Matriks
kovarians cukup dekat dengan matriks kovarians yang diamati (residualnya adalah kecil), maka
model dan hubungannya didukung. Jika pembaca terbiasa dengan crosstabulation, seharusnya
tidak mengejutkan bahwa statistik χ2 dapat dihitung berdasarkan perbedaannya antara dua matriks.
Nanti, kita akan menggunakan statistik ini sebagai indikator dasar dari kebaikan cocok dengan
model teoritis.
Dalam membandingkan matriks kovarian yang diamati dan yang diperkirakan, beberapa kovarian
persis diprediksi dan beberapa perbedaan ditemukan. Misalnya, jika Anda melihat di kolom angka
pertama di kedua matriks, Anda akan melihat bahwa hubungan antara Pengawasan dan
Lingkungan Kerja, dan Rekan kerja dan Kepuasan Kerja, semuanya diprediksi dengan tepat.
Artinya, mereka semua 0,20 di kedua yang diamati dan estimasi matriks. Untuk hubungan lain,
seperti hubungan antara Rekan Kerja dan Ayub Kepuasan, estimasi kovarians (0,25) sangat
berbeda dari kovarians yang diamati (0,40).
Hasilnya adalah matriks residual (Tabel 1c). Seperti yang telah kami catat, ada tiga residu yang
ada bukan nol. Secara khusus, hanya residu untuk hubungan antara tiga konstruksi eksogen dan
Pencarian Pekerjaan tidak nol (-.15, .10, dan .15). Temuan ini menunjukkan bahwa model SEM
tidak sempurna menjelaskan kovarians antara konstruksi ini, dan itu bisa menyarankan bahwa
peneliti teori tidak memadai. Tetapi kita membutuhkan informasi tambahan sebelum menolak teori
yang diajukan.
Dengan aturan sederhana ini, seluruh model sekarang dapat diperkirakan. Perhatikan
ketergantungan itu variabel dalam satu hubungan dapat dengan mudah menjadi variabel
independen dalam hubungan lain (seperti dengan Ayub Kepuasan). Tidak peduli seberapa besar
diagram jalur didapat atau berapa banyak hubungan yang disertakan, analisis jalur menyediakan
cara untuk menganalisis rangkaian hubungan.
ENAM TAHAP DALAM PEMODELAN PERSAMAAN STRUKTURAL
SEM telah menjadi pendekatan multivariat yang populer dalam periode waktu yang relatif singkat.
Peneliti tertarik pada SEM karena memberikan cara yang menarik secara konsep untuk menguji
teori. Jika seorang peneliti dapat mengungkapkan teori dalam hal hubungan antara variabel yang
diukur dan konstruk laten (variasi), maka SEM akan menilai seberapa baik teori itu sesuai dengan
kenyataan sebagaimana diwakili oleh data.
Bagian ini melanjutkan pembahasan SEM dengan menjelaskan proses pengambilan keputusan
enam tahap (lihat Gambar 7). Proses ini mencerminkan terminologi dan prosedur unik SEM.
Keenam tahap tersebut adalah sebagai berikut:
Tahap 1: Menentukan konstruksi individual
Tahap 2: Mengembangkan model pengukuran keseluruhan
Tahap 3: Merancang studi untuk menghasilkan hasil empiris
Tahap 4: Menilai validitas model pengukuran
Tahap 5: Menentukan model struktural
Tahap 6: Menilai validitas model structural
TAHAP 1: MENETAPKAN KONSTRUKSI INDIVIDU
Teori pengukuran yang baik adalah kondisi yang diperlukan untuk mendapatkan hasil yang
bermanfaat dari SEM. Tes hipotesis yang melibatkan hubungan struktural antar konstruk tidak lagi
dapat diandalkan atau valid daripada model pengukuran dalam menjelaskan bagaimana konstruksi
ini dibangun. Para peneliti sering memiliki sejumlah skala mapan untuk dipilih, masing-masing
varian sedikit yang lain. Tetapi dalam situasi lain, peneliti dihadapkan dengan kurangnya skala
yang ditetapkan dan harus mengembangkan skala baru atau secara substansial mengubah skala
yang ada ke konteks baru. Dalam setiap kasus, bagaimana peneliti memilih item untuk mengukur
setiap konstruk menetapkan fondasi untuk seluruh sisa analisis SEM. Peneliti harus
menginvestasikan waktu yang signifikan dan upaya awal dalam proses penelitian untuk
memastikan kualitas pengukuran akan memungkinkan valid kesimpulan yang bisa ditarik.
Mengoperasionalkan Konstruksi
Proses dimulai dengan definisi teoretis yang baik tentang konstruk yang terlibat. Definisi ini
menyediakan dasar untuk memilih atau merancang item indikator individual. Seorang peneliti
mengoperasionalkan membangun dengan memilih item skala pengukuran dan jenis skala. Dalam
penelitian survei, operasionalisasi konstruk menghasilkan serangkaian item indikator yang
diskalakan dalam format umum seperti skala Likert atau skala diferensial semantik. Definisi dan
item berasal dari dua pendekatan umum.
TIMBANGAN DARI PENELITIAN SEBELUMNYA Dalam banyak kasus, konstruksi dapat didefinisikan
dan dioperasionalkan karena mereka dalam studi penelitian sebelumnya. Peneliti dapat melakukan
pencarian literatur pada individu membangun dan mengidentifikasi skala yang sebelumnya
berkinerja baik. Sebagian besar penelitian saat ini memanfaatkan skala sebelumnya diterbitkan
dalam studi akademik. Kompendium skala sebelumnya tersedia dalam banyak disiplin ilmu.
PENGEMBANGAN SKALA BARU Langkah-langkah membangun dapat dikembangkan.
Perkembangan ini sesuai ketika seorang peneliti sedang mempelajari sesuatu yang tidak memiliki
sejarah yang kaya sebelumnya penelitian. Proses umum untuk mengembangkan item skala bisa
panjang dan terperinci. Pembaca adalah dirujuk di tempat lain untuk diskusi yang lebih
menyeluruh [13, 10, 42].
Pretesting
Secara umum, ketika tindakan dikembangkan untuk studi atau diambil dari berbagai sumber,
beberapa jenis pretest harus dilakukan. Pretest harus menggunakan responden yang mirip dengan
yang dari populasi yang akan diteliti untuk menyaring item untuk kesesuaian. Pretesting sangat
penting ketika skala diterapkan dalam konteks tertentu (mis., situasi pembelian, industri, atau
lainnya contoh di mana spesifisitas sangat penting) atau dalam konteks di luar penggunaan normal
mereka. Pengujian empiris dari hasil pretest dilakukan dengan cara yang identik dengan analisis
model akhir (lihat diskusi tentang tahap 4 nanti dalam bab ini). Item yang tidak berperilaku secara
statistik seperti yang diharapkan mungkin perlu disempurnakan atau dihapus untuk menghindari
masalah ini ketika model akhir dianalisis.
TAHAP 2: MENGEMBANGKAN DAN MENENTUKAN MODEL PENGUKURAN
Dengan item skala yang ditentukan, penelitian sekarang harus menentukan model pengukuran. Di
tahap ini, setiap konstruk laten untuk dimasukkan dalam model diidentifikasi dan variabel
indikator yang diukur (item) ditugaskan untuk konstruksi laten. Meskipun identifikasi dan
penugasan ini dapat diwakili oleh persamaan, lebih mudah untuk mewakili proses ini dengan
diagram. Gambar 8 mewakili dua konstruksi sederhana model pengukuran, dengan empat
indikator yang terkait dengan masing-masing konstruk dan korelasional hubungan antara konstruk.
Notasi SEM
Elemen kunci dalam diagram jalur adalah notasi pelabelan untuk indikator, konstruksi, dan
hubungan diantara mereka. Setiap program perangkat lunak menggunakan pendekatan yang agak
unik, meskipun standar konvensi telah dikaitkan dengan LISREL yang secara sederhana disebut
sebagai notasi LISREL. Meskipun banyak digunakan, notasi LISREL secara unik terkait dengan
penggunaan notasi matriks dan program sehingga menjadi sulit bagi mereka yang tidak memiliki
pengalaman dengan LISREL. Untuk keperluan teks ini, kami akan menyederhanakan notasi kami
untuk dapat digeneralisasikan sebanyak mungkin di antara semua program perangkat lunak.
Diberikan Namun, penggunaan notasi LISREL yang tersebar luas, kami telah mengembangkan
panduan referensi untuk LISREL notasi (lihat Lampiran B) bersama dengan "konversi" antara
notasi ini dan notasi LISREL untuk pembaca yang tertarik yang tersedia di situs Web
www.pearsonhighered.com/hair atau www.mvstats.com.
Tabel 2 mencantumkan notasi yang digunakan dalam teks ini untuk model pengukuran dan
struktural. Seperti dibahas sebelumnya, ada tiga jenis hubungan: hubungan pengukuran antara
indikator / item dan konstruk, hubungan struktural antara konstruk, dan korelasional hubungan
antar konstruk. Ada juga dua jenis istilah kesalahan, satu terkait dengan individu indikator dan
lainnya untuk konstruksi endogen.
Spesifikasi model pengukuran lengkap menggunakan (1) hubungan pengukuran untuk item dan
konstruk, (2) hubungan korelasional antara konstruk, dan (3) istilah kesalahan untuk barang-
barang.
Model pengukuran dasar dapat diilustrasikan seperti yang ditunjukkan pada Gambar 8. Model ini
memiliki Sebanyak 17 estimasi parameter. 17 parameter termasuk delapan perkiraan pemuatan,
delapan kesalahan estimasi, dan satu estimasi korelasi antara-konstruk. Taksiran untuk setiap
panah yang menghubungkan membangun ke variabel yang diukur adalah perkiraan pemuatan
variabel — sejauh mana itu item terkait dengan konstruk. Tahap SEM ini dapat dianggap sebagai
penugasan individu variabel untuk membangun. Secara visual, itu menjawab pertanyaan, “Di
mana panah harus ditarik menghubungkan membangun ke variabel? "
Sejumlah jalur yang mungkin tidak ditentukan. Misalnya, tidak ada jalur yang menyarankan
korelasi antara variabel indikator atau pemuatan indikator pada lebih dari satu konstruk (lintas-
beban). Dalam proses estimasi ini memuat yang tidak ditentukan (ada total 19) ditetapkan (tetap)
pada nilai nol, artinya mereka tidak akan diestimasi.
Membuat Model Pengukuran
Spesifikasi model pengukuran bisa menjadi proses yang mudah, tetapi sejumlah masalah masih
harus ditangani. Jenis pertanyaan tercantum di sini:
1. Bisakah kita secara empiris mendukung validitas dan unidimensionalitas konstruk? Poin-poin
penting harus dilibatkan dalam membangun landasan teoretis konstruk dan tindakan.

2. Berapa banyak indikator yang harus digunakan untuk setiap konstruk? Berapa jumlah minimum
indikator? Apakah ada yang maksimal? Apa trade-off untuk menambah atau mengurangi jumlah
indikator?

3. Haruskah langkah-langkah dianggap sebagai menggambarkan konstruk (artinya mereka

menggambarkan konstruk) atau dilihat sebagai menjelaskan konstruk (sehingga kami
menggabungkan indikator ke dalam indeks)? Setiap pendekatan membawa interpretasi yang
berbeda tentang apa yang diwakilkan oleh konstruk.

Peneliti, bahkan dengan skala mapan, masih harus mengkonfirmasi validitas dan
unidimensionalitas dalam konteks khusus ini. Dalam setiap upaya pengembangan skala, masalah
mengenai jumlah indikator dan jenis spesifikasi konstruksi harus diatasi. Peneliti harus selalu
memastikan bahwa masalah ini diperiksa secara menyeluruh, karena masalah yang tidak
terselesaikan pada tahap ini dapat mempengaruhi keseluruhan analisis, seringkali dengan cara
yang tidak terlihat.

TAHAP 3: MERANCANG STUDI UNTUK MENGHASILKAN HASIL EMPIRIS

Dengan model dasar yang ditentukan dalam konstruksi dan variabel / indikator yang diukur,
peneliti harus mengalihkan perhatian ke masalah yang terlibat dengan desain dan estimasi
penelitian. Diskusi kami akan fokus pada masalah yang terkait dengan desain penelitian dan
estimasi model. Dalam bidang desain penelitian, kami akan membahas (1) jenis data yang akan
dianalisis, baik kovariansi atau korelasi; (2) dampak dan solusi untuk data yang hilang; dan (3)
dampak ukuran sampel. Dalam hal estimasi model, kami akan membahas struktur model, berbagai
teknik estimasi yang tersedia, dan perangkat lunak komputer yang sedang digunakan.

Masalah dalam Desain Penelitian

Seperti halnya teknik multivariat lainnya, SEM membutuhkan pertimbangan faktor faktor yang
mempengaruhi desain penelitian yang diperlukan untuk analisis SEM yang sukses. SEM dapat
diestimasi dengan kovariansi atau korelasi. Dengan demikian, peneliti harus memilih jenis matriks
data yang sesuai untuk pertanyaan penelitian yang ditangani. Dan meskipun masalah statistik
estimasi SEM dibahas pada bagian berikutnya, di sini penting untuk dicatat bahwa ukuran sampel
dan data yang hilang dapat memiliki efek mendalam pada hasil tidak peduli metode apa yang
digunakan.

Data non-metrik versus metrik Variabel yang diamati atau diukur secara tradisional dibatasi untuk
data metrik (interval atau ordinal). Jenis data ini langsung setuju dengan perhitungan kovarian
antara item-item seperti yang dibahas sebelumnya. Kemajuan dalam program perangkat lunak,
bagaimanapun, sekarang memungkinkan untuk penggunaan banyak tipe data nonmetrik (disensor,
biner, ordinal, atau nominal). Tipe variabel yang berbeda bahkan dapat digunakan sebagai item
untuk konstruk laten yang sama. Peneliti harus berhati-hati untuk menentukan jenis data yang
digunakan untuk setiap variabel yang diukur sehingga ukuran asosiasi yang tepat dapat dihitung.

Korelasi Versus Covariance Para peneliti yang melakukan analisis SEM di masa lalu
memperdebatkan penggunaan matriks kovarians versus korelasi sebagai input. SEM pada awalnya
dikembangkan menggunakan matriks kovarians (karenanya, itu disebut dengan nama umum
analisis struktur kovarian). Banyak peneliti menganjurkan penggunaan korelasi sebagai bentuk
analisis yang lebih sederhana yang lebih mudah untuk ditafsirkan. Masalah ini memiliki
signifikansi praktis karena selama bertahun-tahun matriks input dihitung menggunakan rutin
statistik di luar program SEM dan kemudian matriks korelasi atau kovariansi digunakan sebagai
input untuk analisis. Saat ini sebagian besar program SEM dapat menghitung solusi model
langsung dari data mentah tanpa peneliti menghitung matriks korelasi atau kovarian secara
terpisah. Tetapi para peneliti masih harus memilih antara korelasi versus kovarians berdasarkan
masalah interpretatif dan statistik.

Interpretasi. Keuntungan utama dari input korelasional untuk SEM terletak pada kenyataan bahwa
estimasi parameter default distandarisasi, artinya tidak bergantung pada skala. Semua nilai yang
diperkirakan harus berada dalam rentang –1.0 hingga +1.0, membuat identifikasi estimasi yang
tidak pantas lebih mudah daripada dengan kovarian, yang tidak memiliki rentang yang ditentukan.
Namun, mudah untuk menghasilkan hasil ini dari input kovarians dengan meminta solusi standar.
Dengan demikian, korelasi tidak memiliki keunggulan nyata dibandingkan hasil standar yang
diperoleh dengan menggunakan kovarian.

Dampak Statistik. Keuntungan utama menggunakan kovarian muncul dari pertimbangan statistik.
Pertama, penggunaan korelasi sebagai input terkadang dapat menyebabkan kesalahan dalam
perhitungan kesalahan standar [12]. Selain itu, setiap hipotesis waktu menyangkut pertanyaan yang
terkait dengan skala atau besarnya nilai (mis., Alat pembanding), maka kovarian harus digunakan,
karena informasi ini tidak disimpan menggunakan korelasi. Akhirnya, setiap perbandingan antara
sampel mengharuskan kovariansi digunakan sebagai input. Dengan demikian, kovarian memiliki
keunggulan berbeda dalam hal sifat statistiknya versus korelasi.

Memilih Antara Kovarian dan Korelasi. Dalam membandingkan penggunaan korelasi dengan
kovarian, kami sarankan untuk menggunakan kovarian jika memungkinkan. Perangkat lunak
membuat pemilihan satu jenis dibandingkan yang lain hanya masalah memilih jenis data yang
dihitung. Matriks kovarian menyediakan fleksibilitas yang jauh lebih besar kepada para peneliti
karena kandungan informasi yang terkandung di dalamnya.

Missing Data Sama seperti prosedur multivariat lainnya, peneliti harus membuat beberapa
keputusan penting mengenai data yang hilang. Dua pertanyaan harus dijawab mengenai data yang
hilang untuk mengatasi masalah yang mungkin timbul:

1. Apakah data yang hilang cukup dan nonrandom sehingga menimbulkan masalah dalam estimasi
atau interpretasi?
2. Jika data yang hilang harus diperbaiki, apa pendekatan terbaik?

Kami akan membahas masalah yang berhubungan khusus dengan SEM dan data yang hilang di
bagian berikut. Pembaca juga dirujuk kembali ke metode penilaian tingkat dan pola data yang
hilang dan pendekatan untuk memperbaiki data yang hilang jika diperlukan.

Luas dan Pola Data yang Hilang. Terutama, data yang hilang harus selalu diatasi jika data yang hilang
berada dalam pola non-acak atau lebih dari 10 persen dari item data hilang. Data yang hilang
dianggap hilang sepenuhnya secara acak (MCAR) jika pola data yang hilang untuk suatu variabel
tidak tergantung pada variabel lain dalam kumpulan data atau pada nilai-nilai variabel itu sendiri
[48]. Jika pola data yang hilang untuk suatu variabel terkait dengan variabel lain, tetapi tidak terkait
dengan nilai-nilainya sendiri, maka itu dianggap hilang secara acak (MAR).

Solusi Data Tidak Ada. Empat metode dasar tersedia untuk menyelesaikan masalah data yang hilang:
pendekatan kasus lengkap (dikenal sebagai penghapusan listwise, di mana responden dihilangkan
jika data yang hilang pada variabel apa pun); pendekatan semua tersedia (dikenal sebagai
penghapusan berpasangan, di mana semua data yang tidak hilang digunakan); teknik imputasi
(mis., substitusi rata-rata); dan pendekatan berbasis model. Secara tradisional, penghapusan
listwise telah dianggap paling tepat untuk SEM. Baru-baru ini, penghapusan berpasangan, yang
memungkinkan penggunaan lebih banyak data, telah diterapkan. Kedua prosedur ini dapat
menghasilkan masalah [1]. Pendekatan berbasis model melampaui pendekatan imputasi yang lebih
sederhana di mana data yang hilang dimasukkan (diganti) berdasarkan semua data yang tersedia
untuk responden yang diberikan. Dua pendekatan yang paling umum adalah (1) estimasi
kemungkinan maksimum dari nilai yang hilang (ML) dan (2) pendekatan EM. Diskusi metode
imputasi ini berada di luar jangkauan kami, tetapi tersedia dalam sejumlah sumber [15]. Namun,
setiap metode menciptakan masalah dalam matriks data yang dihasilkan. Lebih lanjut, meskipun
ada pendekatan untuk menangani data yang hilang, peneliti harus menerapkan kehati-hatian setiap
kali data yang hilang melebihi 10 persen, karena kesimpulan tentang kecocokan menjadi semakin
mencurigakan [49].

Program SEM juga telah memperkenalkan pendekatan di mana model diperkirakan

langsung dari data yang tersedia, membuat penyisihan untuk data yang hilang selama proses
estimasi. Dikenal sebagai pendekatan kemungkinan informasi lengkap (FIML) [2, 18], itu
menghilangkan kebutuhan untuk memperbaiki data yang hilang sebelum estimasi dengan salah
satu pendekatan yang baru saja dijelaskan. Namun ada dua pertimbangan dalam menggunakan
pendekatan ini. Pertama, ini hanya dapat digunakan ketika kumpulan data asli tersedia (mis., Tidak
dapat digunakan hanya dengan matriks kovarians sebagai input). Kedua, dalam banyak kasus
hanya menyediakan sebagian kecil dari statistik kesesuaian, yang mungkin tidak memadai untuk
evaluasi model lengkap.

Pertimbangan lain dalam memilih pendekatan adalah spesifikasi ukuran sampel. Baik
pendekatan all-available (berpasangan) maupun berbasis model memperumit spesifikasi ukuran
sampel, karena mereka berpotensi menggunakan ukuran sampel yang berbeda untuk setiap istilah
kovarian. Peneliti SEM telah menyelidiki berbagai efek pengaturan ukuran sampel keseluruhan
(N) pada ukuran sampel penuh (jumlah pengamatan terbesar), ukuran sampel rata-rata, dan ukuran
sampel minimum (N terkecil yang terkait dengan kovarian sampel). Hasil ini umumnya
menunjukkan bahwa memasukkan ukuran sampel minimum mengarah ke masalah paling sedikit
dengan konvergensi, bias fit, dan bias estimasi parameter [11, 15].

Memilih Pendekatan Data yang Hilang. Apa pendekatan terbaik untuk menangani data yang hilang
untuk SEM secara umum? Pertama-tama kita harus mencatat bahwa jika data yang hilang adalah
acak, kurang dari 10 persen pengamatan, dan memuat faktor relatif tinggi (0,7 atau lebih besar),
maka salah satu pendekatan yang tepat [14]. Ketika data yang hilang lebih bermasalah dari ini,
keputusan pertama yang dihadapi peneliti adalah apakah akan memperbaiki masalah data yang
hilang sebelum proses estimasi

Tabel 3 merangkum kekuatan dan kelemahan masing-masing pendekatan. Ketika menerapkan obat
untuk data yang hilang sebelum estimasi, pendekatan kasus lengkap (penghapusan listwise)
menjadi sangat bermasalah ketika sampel dan pemuatan faktor kecil. Sebaliknya, keuntungan dari
pendekatan berbasis model menjadi sangat jelas karena ukuran sampel dan beban faktor menjadi
lebih kecil secara umum dan / atau jumlah data yang hilang menjadi lebih besar. Pendekatan semua
tersedia (penghapusan berpasangan) direkomendasikan ketika ukuran sampel melebihi 250 dan
jumlah total data yang hilang yang terlibat di antara variabel yang diukur di bawah 10 persen.
Dengan pendekatan ini, ukuran sampel (N) harus ditetapkan pada ukuran sampel minimum
(terkecil) yang tersedia untuk dua kovarian. Pendekatan yang tersedia semua memiliki banyak
properti yang baik, tetapi pengguna harus melakukannya. Waspadai potensi inflasi statistik
kecocokan ketika sejumlah kecil atau besar data hilang dan pemuatan faktor besar.
Semua pendekatan ini, bagaimanapun, memungkinkan peneliti untuk secara eksplisit memperbaiki
data yang hilang sebelum estimasi dan memahami implikasi dari pendekatan mana pun yang
diambil. Jika keputusannya adalah untuk memperkirakan model tanpa solusi untuk data yang
hilang, maka pendekatan FIML adalah alternatif terbaik. Di sini proses estimasi didasarkan pada
data yang tidak lengkap, yang mungkin atau mungkin tidak memiliki implikasi untuk hasilnya.
Dengan tidak adanya masalah data yang hilang serius, semua pendekatan menghasilkan hasil yang
sebanding. Dengan demikian menjadi pilihan oleh peneliti untuk apakah memperbaiki data yang
hilang sebelumnya atau melakukannya dalam proses estimasi. Dalam pengalaman penulis, yang
paling sering adalah menyelesaikan masalah data yang hilang sebelum memperkirakan model.

Sampel Size SEM dalam beberapa hal lebih sensitif terhadap ukuran sampel daripada pendekatan
multivariat lainnya. Beberapa algoritma statistik yang digunakan oleh program SEM tidak dapat
diandalkan dengan sampel kecil. Ukuran sampel, seperti dalam metode statistik lainnya,
memberikan dasar untuk estimasi kesalahan pengambilan sampel. Sebagai tempat awal dalam
membahas ukuran sampel untuk SEM, pembaca dapat meninjau diskusi ukuran sampel yang
diperlukan untuk analisis faktor eksplorasi. Mengingat bahwa sampel yang lebih besar biasanya
lebih memakan waktu dan mahal untuk diperoleh, pertanyaan kritis dalam SEM melibatkan
seberapa besar sampel diperlukan untuk menghasilkan hasil yang dapat dipercaya.

Pendapat tentang ukuran sampel minimum bervariasi [34, 35]. Panduan yang diusulkan bervariasi
dengan prosedur analisis dan karakteristik model. Lima pertimbangan yang mempengaruhi ukuran
sampel yang diperlukan untuk SEM meliputi: (1) normalitas multivariat data, (2) teknik estimasi,
(3) kompleksitas model, (4) jumlah data yang hilang, dan (5) kesalahan rata-rata varians di antara
indikator reflektif. Masing-masing pertimbangan ini dibahas dalam paragraf berikut.

Normalitas Multivarian. Karena data menyimpang lebih banyak dari asumsi normalitas multivariat,
maka rasio responden terhadap parameter perlu ditingkatkan. Rasio yang diterima secara umum
untuk meminimalkan masalah dengan penyimpangan dari normalitas adalah 15 responden untuk
setiap parameter yang diestimasi dalam model. Meskipun beberapa prosedur estimasi dirancang
khusus untuk menangani data nonnormal, peneliti selalu didorong untuk memberikan ukuran
sampel yang cukup untuk memungkinkan dampak kesalahan pengambilan sampel diminimalkan,
terutama untuk data nonnormal [54].

Teknik Estimasi. Prosedur estimasi SEM yang paling umum adalah estimasi kemungkinan
maksimum (MLE). Studi simulasi menunjukkan bahwa dalam kondisi ideal, MLE memberikan
hasil yang valid dan stabil dengan ukuran sampel sekecil 50. Ketika seseorang menjauh dari
kondisi dengan pengukuran yang sangat kuat dan tanpa data yang hilang, ukuran sampel minimum
untuk memastikan solusi MLE yang stabil meningkat ketika dihadapkan dengan pengambilan
sampel kesalahan [34]. Mengingat kondisi yang kurang ideal, satu studi merekomendasikan
ukuran sampel 200 untuk memberikan dasar yang kuat untuk estimasi. Tetapi harus dicatat bahwa
ketika ukuran sampel menjadi besar (> 400), metode menjadi lebih sensitif dan hampir semua
perbedaan terdeteksi, membuat langkah-langkah good-of-fit menyarankan kecocokan yang buruk
[52]. Akibatnya, ukuran sampel dalam kisaran 100 hingga 400 disarankan tergantung pada
pertimbangan lain yang dibahas selanjutnya.

Kompleksitas Model. Model yang lebih sederhana dapat diuji dengan sampel yang lebih kecil. Dalam
pengertian yang paling sederhana, variabel yang lebih terukur atau indikator memerlukan sampel
yang lebih besar. Namun, model bisa rumit dengan cara lain yang semuanya membutuhkan ukuran
sampel yang lebih besar:
• Lebih banyak konstruksi yang membutuhkan lebih banyak parameter untuk diestimasi.
• Konstruksi memiliki kurang dari tiga variabel terukur / indikator.
• Analisis multigroup yang membutuhkan sampel yang memadai untuk setiap kelompok.

Peran ukuran sampel adalah menghasilkan lebih banyak informasi dan stabilitas yang lebih besar.
Setelah seorang peneliti telah melampaui ukuran minimum absolut (satu pengamatan lebih dari
jumlah kovarian yang diamati), sampel yang lebih besar berarti lebih sedikit variabilitas dan
peningkatan stabilitas dalam solusi. Dengan demikian, kompleksitas model mengarah pada
kebutuhan sampel yang lebih besar.

Data Tidak Ada. Data yang hilang menyulitkan pengujian model SEM dan penggunaan SEM secara
umum karena dalam sebagian besar pendekatan untuk memperbaiki data yang hilang, ukuran
sampel berkurang sampai batas tertentu dari jumlah kasus asli. Bergantung pada pendekatan data
yang hilang yang diambil dan sejauh mana data yang hilang diantisipasi, dan bahkan jenis masalah
yang sedang ditangani, yang mungkin termasuk tingkat data yang lebih tinggi yang hilang, peneliti
harus merencanakan peningkatan ukuran sampel untuk mengimbangi masalah apapun dari data
yang hilang. .

Varians Kesalahan Rata-Rata Indikator. Penelitian terbaru menunjukkan konsep komunalitas adalah
cara yang lebih relevan untuk mendekati masalah ukuran sampel. Komunitas mewakili jumlah
rata-rata variasi di antara variabel yang diukur / indikator yang dijelaskan oleh model pengukuran.
Komunalitas suatu barang dapat secara langsung dihitung sebagai kuadrat dari muatan konstruksi
standar. Studi menunjukkan bahwa ukuran sampel yang lebih besar diperlukan karena komunalitas
menjadi lebih kecil (yaitu, konstruksi yang tidak teramati tidak menjelaskan variasi sebanyak item
yang diukur). Model yang mengandung banyak konstruksi dengan komunalitas kurang dari 0,5
(yaitu, estimasi pembebanan terstandarisasi kurang dari 0,7) juga memerlukan ukuran yang lebih
besar untuk konvergensi dan stabilitas model [14]. Masalahnya dibesar-besarkan ketika model
memiliki konstruksi dengan hanya satu atau dua item.

Ringkasan tentang Ukuran Sampel. Karena SEM matang dan penelitian tambahan dilakukan pada
masalah desain penelitian utama, pedoman sebelumnya seperti "selalu maksimalkan ukuran
sampel Anda" dan "ukuran sampel 300 diperlukan" tidak lagi sesuai. Masih benar bahwa sampel
yang lebih besar umumnya menghasilkan solusi yang lebih stabil yang lebih mungkin ditiru, tetapi
telah ditunjukkan bahwa keputusan ukuran sampel harus dibuat berdasarkan serangkaian faktor.

Berdasarkan diskusi tentang ukuran sampel, saran berikut untuk ukuran sampel minimum
ditawarkan berdasarkan kompleksitas model dan karakteristik model pengukuran dasar:
• Ukuran sampel minimum — 100: Model berisi lima atau lebih sedikit konstruksi, masing-masing
dengan lebih dari tiga item (variabel yang diamati) dan dengan komunalitas item tinggi (0,6 atau
lebih tinggi).

• Ukuran sampel minimum — 150: Model dengan tujuh konstruksi atau kurang, komunalitas
sederhana (0,5), dan tanpa konstruksi yang tidak teridentifikasi.

• Ukuran sampel minimum — 300: Model dengan tujuh atau lebih sedikit konstruksi, komunalitas
yang lebih rendah (di bawah 0,45), dan / atau beberapa konstruksi yang kurang teridentifikasi
(kurang dari tiga).

• Ukuran sampel minimum — 500: Model dengan jumlah konstruksi yang besar, beberapa dengan
komunitas yang lebih rendah, dan / atau memiliki kurang dari tiga item yang diukur.
Selain karakteristik model yang diperkirakan ini, ukuran sampel harus ditingkatkan dalam keadaan
berikut: (1) data menyimpang dari normalitas multivariat, (2) teknik estimasi intensif sampel
(misalnya, ADF) digunakan, atau (3) data yang hilang melebihi 10 persen. Juga, ingat bahwa
analisis kelompok mengharuskan setiap kelompok memenuhi persyaratan ukuran sampel yang
baru saja dibahas. Akhirnya, peneliti harus ingat bahwa masalah ukuran sampel melampaui
kemampuan untuk memperkirakan model. Ukuran sampel, seperti halnya inferensi statistik
lainnya, harus memadai untuk mewakili populasi yang diminati, dan ini mungkin sering menjadi
perhatian utama peneliti.

Masalah dalam Estimasi Model

Selain masalah desain penelitian yang lebih umum dibahas pada bagian sebelumnya, analisis SEM
memiliki beberapa masalah unik juga. Masalah-masalah ini berkaitan dengan struktur model,
teknik estimasi yang digunakan, dan program komputer yang dipilih untuk analisis.

Struktur model Di antara langkah paling penting dalam menyiapkan analisis SEM adalah
menentukan dan mengkomunikasikan struktur model teoritis ke program. Diagram jalur, seperti
yang digunakan dalam contoh sebelumnya, dapat berguna untuk tujuan ini. Mengetahui struktur
model teoretis, peneliti kemudian dapat menentukan parameter model yang akan diestimasi.
Model-model ini sering termasuk singkatan SEM umum yang menunjukkan jenis hubungan atau
variabel yang dimaksud. Sebagaimana dibahas sebelumnya, notasi LISREL banyak digunakan
sebagai bentuk notasi. Panduan untuk notasi LISREL tersedia di situs Web
www.pearsonhighered.com/hair atau www.mvstats.com.

Seperti yang telah kami sebutkan berkali-kali, peneliti bertanggung jawab untuk
menentukan model pengukuran dan struktural. Proses ini bervariasi antara pengguna yang berbeda
dan program perangkat lunak, mulai dari ketergantungan yang besar pada sintaks dan notasi
matriks di LISREL hingga yang menggunakan AMOS dengan antarmuka yang sepenuhnya grafis.
Tetapi tidak peduli pendekatan apa yang diambil, setiap pendekatan melakukan fungsi yang sama
— menentukan parameter model mana yang akan diestimasi. Untuk setiap parameter yang
memungkinkan, peneliti harus memutuskan apakah akan bebas atau diperbaiki. Parameter bebas
adalah salah satu yang diestimasi dalam model, sedangkan parameter tetap adalah parameter yang
nilainya ditentukan oleh peneliti. Paling sering parameter tetap diatur ke nilai nol, yang
menunjukkan bahwa tidak ada hubungan yang diperkirakan. SEM mengharuskan setiap parameter
yang mungkin ditentukan sebagai diperkirakan atau tidak. Namun tidak peduli perangkat lunak
mana yang digunakan, peneliti harus dapat menentukan model SEM lengkap dalam hal setiap
parameter yang akan diestimasi.

Teknik estimasi Setelah model ditentukan, peneliti harus memilih metode estimasi, algoritma
matematika yang akan digunakan untuk mengidentifikasi estimasi untuk setiap parameter bebas.
Beberapa opsi tersedia untuk mendapatkan solusi SEM.

awal estimasi model persamaan struktural dilakukan dengan regresi kuadrat terkecil
(OLS). Upaya-upaya ini dengan cepat digantikan oleh estimasi kemungkinan maksimum (MLE),
yang lebih efisien dan tidak bias ketika asumsi normalitas multivariat terpenuhi. MLE adalah
pendekatan yang fleksibel untuk estimasi parameter di mana nilai parameter "paling mungkin"
untuk mencapai kesesuaian model terbaik ditemukan. Akan tetapi, potensi sensitivitas MLE
terhadap non-normalitas menciptakan kebutuhan akan teknik estimasi alternatif. Metode seperti
weighted least square (WLS), generalised least square (GLS), dan taksiran distribusi bebas
asimtotik (ADF) menjadi tersedia [21]. Teknik ADF telah menerima perhatian khusus karena
ketidakpekaannya terhadap non-normalitas data, tetapi persyaratan ukuran sampel yang agak besar
membatasi penggunaannya.

Semua teknik estimasi alternatif telah tersedia secara luas karena daya komputasi komputer
pribadi telah meningkat, menjadikannya layak untuk masalah-masalah tipikal. MLE terus menjadi
pendekatan yang paling banyak digunakan dan merupakan standar di sebagian besar program
SEM. Bahkan, telah terbukti cukup kuat untuk pelanggaran asumsi normalitas. Para peneliti
membandingkan MLE dengan teknik lain, dan itu menghasilkan hasil yang dapat diandalkan
dalam banyak keadaan [43, 44, 49].

Program Komputer Beberapa program statistik yang tersedia siap untuk melakukan SEM. Secara
tradisional, program yang paling banyak digunakan adalah LISREL (LInear Structural RELations)
[9, 30]. LISREL adalah program fleksibel yang dapat diterapkan dalam berbagai situasi (mis.,
Studi cross-sectional, eksperimental, quasi-eksperimental, dan longitudinal) dan telah menjadi
hampir identik dengan pemodelan persamaan struktural. EQS (sebenarnya singkatan untuk
persamaan) adalah program lain yang tersedia secara luas yang juga dapat melakukan regresi,
analisis faktor, dan menguji model struktural [6]. AMOS (Analysis of Moment Structures) [3]
adalah program yang mendapatkan popularitas karena selain menjadi modul di SPSS, itu juga
merupakan salah satu program SEM pertama yang menggunakan antarmuka grafis untuk semua
fungsi sehingga peneliti tidak perlu menggunakan perintah sintaks atau kode komputer apa pun.
Mplus adalah program pemodelan dengan beberapa teknik yang juga memiliki antarmuka grafis
[41]. Akhirnya, CALIS adalah program SEM yang tersedia dalam SAS [20].

Pada akhirnya, pemilihan program SEM didasarkan pada preferensi dan ketersediaan
peneliti. Program-program tersebut sebenarnya menjadi lebih mirip ketika mereka berevolusi.
AMOS, EQS, dan LISREL semuanya tersedia dengan ketersediaan antarmuka titik-dan-klik dan
kemampuan untuk menentukan dan memodifikasi model melalui diagram jalur interaktif.
Perbedaan utama adalah notasi yang digunakan dalam menentukan model pengukuran dan
struktural. LISREL menggunakan huruf Yunani untuk mewakili faktor laten, istilah kesalahan, dan
estimasi parameter, dan huruf Latin (x dan y) untuk mewakili variabel yang diamati. Dikenal
sebagai notasi LISREL, ini menyediakan cara yang mudah untuk mendeskripsikan model dan
menyederhanakan diskusi setelah seseorang mengetahui notasi tersebut. Program-program lain
kurang mengandalkan singkatan bahasa Yunani dan memanfaatkan pendekatan berbeda untuk
spesifikasi model dan melaporkan hasil. Hari ini semua program ini tersedia di

versi yang dapat dengan mudah dijalankan di hampir semua PC. Untuk sebagian besar aplikasi
standar, program-program ini harus menghasilkan hasil substantif yang serupa. Lampiran yang
tersedia di situs Web www.pearsonhighered.com/hair atau www.mvstats.com memberikan contoh
perintah yang diperlukan untuk beberapa program ini.

TAHAP 4: MENILAI VALIDITAS MODEL PENGUKURAN

Dengan model pengukuran yang ditentukan, data yang cukup dikumpulkan, dan keputusan kunci
seperti teknik estimasi yang sudah dibuat, peneliti datang ke acara paling mendasar dalam
pengujian SEM: "Apakah model pengukuran valid?" Validitas model pengukuran tergantung pada
(1) membangun tingkat goodness-of-fit yang dapat diterima untuk model pengukuran dan (2)
menemukan bukti spesifik validitas konstruk. Karena kami berfokus pada model struktural dalam
contoh sederhana ini, kami akan menunda penyelidikan validitas konstruk hingga waktu lain.
Diskusi berikut akan fokus pada penilaian good-of-fit dari keseluruhan model.

Goodness-of-fit (GOF) menunjukkan seberapa baik model yang ditentukan mereproduksi matriks
kovarians yang diamati di antara item indikator (yaitu, kesamaan matriks kovarians yang diamati
dan yang diperkirakan). Sejak langkah GOF pertama dikembangkan, para peneliti telah berusaha
untuk memperbaiki dan mengembangkan langkah-langkah baru yang mencerminkan berbagai sisi
kemampuan model untuk mewakili data. Dengan demikian, sejumlah langkah-langkah GOF
alternatif tersedia untuk peneliti. Setiap langkah GOF adalah unik, tetapi langkah-langkah tersebut
digolongkan ke dalam tiga kelompok umum: tindakan absolut, langkah-langkah tambahan, dan
langkah-langkah kecocokan parsimoni. Pada bagian berikut, kami pertama-tama meninjau
beberapa elemen dasar yang mendasari semua tindakan GOF, diikuti dengan diskusi dari setiap
kelas tindakan GOF. Pembaca yang tertarik pada diskusi yang lebih rinci dan berdasarkan statistik
dirujuk ke Lampiran C.

The Basics of Goodness-of-Fit

Setelah model tertentu diperkirakan, model cocok membandingkan teori dengan kenyataan dengan
menilai kesamaan dari matriks kovarians yang diperkirakan (teori) dengan realitas (matriks
kovarians yang diamati). Jika teori peneliti sempurna, matriks kovarian yang diamati dan
diperkirakan akan sama. Nilai-nilai dari setiap ukuran GOF dihasilkan dari perbandingan
matematis dari dua matriks ini. Semakin dekat nilai dari dua matriks ini satu sama lain, semakin
baik model dikatakan cocok.

Kita mulai dengan memeriksa chi-square (χ2), karena ini adalah ukuran mendasar dari perbedaan
antara matriks kovarians yang diamati dan yang diperkirakan. Kemudian diskusi berfokus pada
penghitungan derajat kebebasan dan akhirnya pada bagaimana inferensi statistik dipengaruhi oleh
ukuran sampel dan dorongan yang menyediakan langkah-langkah GOF alternatif.

CHI-SQUARE (χ2) GOF Perbedaan dalam matriks kovarians yang diamati dan yang diperkirakan
(masing-masing disebut S dan Σk) adalah nilai kunci dalam menilai GOF dari setiap model SEM.
Uji chi-square (χ2) adalah satu-satunya uji statistik dari perbedaan antara matriks dalam SEM dan
diwakili secara matematis dengan persamaan berikut:
X2 = (N - 1) (Observed sample covariance matrix - SEM estimated covariance matrix)
Or
X2 = (N - 1)(S - Σk)

N adalah ukuran sampel keseluruhan. Perlu dicatat bahwa bahkan jika perbedaan dalam matriks
kovarians (yaitu, residu) tetap konstan, nilai χ2 meningkat dengan meningkatnya ukuran sampel.
Demikian juga, matriks kovarians yang diperkirakan dipengaruhi oleh berapa banyak parameter
yang ditentukan (mis., Gratis) dalam model (k dalam Σk), sehingga derajat kebebasan model juga
memengaruhi uji GO2 GOF.

Degrees of freedom (df) Seperti prosedur statistik lainnya, derajat kebebasan mewakili jumlah
informasi matematika yang tersedia untuk memperkirakan parameter model. Mari kita mulai
dengan meninjau bagaimana perhitungannya. Jumlah derajat kebebasan untuk model SEM
ditentukan oleh
1
df = 2[(p)(p + 1)] – k
di mana p adalah jumlah total variabel yang diamati dan k adalah jumlah parameter yang
diperkirakan (gratis). Mengurangi jumlah perkiraan parameter dari jumlah total informasi
matematika yang tersedia mirip dengan metode multivariat lainnya. Tetapi perbedaan mendasar
dalam SEM datang pada bagian pertama perhitungan — 1/2 [(p) (p + 1)] - yang mewakili jumlah
istilah kovarians di bawah diagonal ditambah varians pada diagonal. Sama sekali tidak berasal dari
ukuran sampel seperti yang kita lihat dalam teknik multivariat lainnya (mis., Dalam regresi, df
adalah ukuran sampel dikurangi jumlah koefisien yang diperkirakan). Dengan demikian derajat
kebebasan dalam SEM didasarkan pada ukuran matriks kovarian, yang berasal dari jumlah
indikator dalam model. Implikasi penting adalah bahwa peneliti tidak mempengaruhi derajat
kebebasan melalui ukuran sampel, tetapi kita akan melihat nanti bagaimana ukuran sampel
mempengaruhi penggunaan chi-square sebagai ukuran GOF.

SIGNIFIKANSI STATISTIK DARI χ2 Hipotesis nol tersirat dari SEM adalah bahwa sampel yang diamati
dan SEM memperkirakan matriks kovarians sama, artinya model tersebut cocok dengan sempurna.
Nilai increases2 meningkat ketika perbedaan (residu) ditemukan ketika membandingkan dua
matriks. Dengan uji χ2, kami kemudian menilai probabilitas statistik bahwa sampel yang diamati
dan SEM memperkirakan matriks kovarians sebenarnya sama dalam populasi tertentu.
Probabilitas ini adalah nilai p tradisional yang terkait dengan uji statistik parametrik.
Perbedaan penting antara SEM dan teknik multivariat lainnya juga terjadi dalam uji
statistik untuk GOF ini. Untuk teknik lain kami biasanya mencari nilai p yang lebih kecil (kurang
dari 0,05) untuk menunjukkan bahwa ada hubungan yang signifikan. Tetapi dengan GO2 GOF test
di SEM, kami membuat kesimpulan dengan cara yang berlawanan. Ketika kami menemukan nilai
p untuk uji χ2 menjadi kecil (signifikan secara statistik), ini menunjukkan bahwa dua matriks
kovarian secara statistik berbeda dan menunjukkan masalah dengan kecocokan. Jadi dalam SEM
kita mencari nilai χ2 yang relatif kecil (dan nilai-p besar yang sesuai), yang menunjukkan tidak
ada perbedaan yang signifikan secara statistik antara kedua matriks, untuk mendukung gagasan
bahwa teori yang diajukan sesuai dengan kenyataan. Nilai χ2 yang relatif kecil mendukung teori
yang diajukan
model sedang diuji.
Kita harus mencatat bahwa chi-square juga dapat digunakan ketika membandingkan model
karena perbedaan dalam chi-square antara dua model dapat diuji untuk signifikansi statistik.
Dengan demikian, jika peneliti mengharapkan perbedaan antara model (mis., Perbedaan dalam dua
model yang diperkirakan untuk pria dan wanita), nilai χ2 yang besar akan memberikan dukungan
bahwa modelnya berbeda.
Chi-square (χ2) adalah ukuran statistik mendasar dalam SEM untuk mengukur perbedaan
antara matriks kovarians. Ketika digunakan sebagai ukuran GOF, perbandingannya adalah antara
matriks kovarians yang diamati dan yang diprediksi. Namun penilaian aktual GOF dengan nilai χ2
saja diperumit oleh beberapa faktor yang dibahas di bagian selanjutnya. Untuk memberikan
perspektif alternatif tentang kecocokan model, peneliti mengembangkan sejumlah alternatif
tindakan kebaikan yang sesuai. Diskusi yang mengikuti menyajikan peran chi-square serta
langkah-langkah alternatif.

Indeks Kecocokan Mutlak

Indeks kecocokan absolut adalah ukuran langsung dari seberapa baik model yang ditentukan oleh
peneliti mereproduksi data yang diamati [31]. Dengan demikian, mereka memberikan penilaian
paling dasar tentang seberapa baik teori peneliti cocok dengan data sampel. Mereka tidak secara
eksplisit membandingkan GOF dari model yang ditentukan dengan model lainnya. Sebaliknya,
masing-masing model dievaluasi terlepas dari kemungkinan model lainnya.

χ2 STATISTIK Indeks kecocokan absolut yang paling mendasar adalah statistik χ2. Ini adalah satu-
satunya ukuran kecocokan SEM yang berdasarkan statistik [9] dan pada dasarnya sama dengan
statistik χ2 yang digunakan dalam analisis lintas-klasifikasi antara dua ukuran nonmetrik. Namun,
satu perbedaan penting adalah bahwa ketika digunakan sebagai ukuran GOF, peneliti tidak
mencari perbedaan antara matriks (yaitu, nilai χ2 rendah) untuk mendukung model sebagai
perwakilan data.
Statistik χ2 GOF memiliki dua sifat matematika yang bermasalah dalam penggunaannya
sebagai ukuran GOF. Pertama, ingat bahwa statistik χ2 adalah fungsi matematika dari ukuran
sampel (N) dan perbedaan antara matriks kovarians yang diamati dan yang diperkirakan. Sebagai
N meningkat begitu juga nilai χ2, bahkan jika perbedaan antara matriks identik. Kedua, meskipun
mungkin tidak sejelas ini, statistik χ2 juga cenderung lebih besar ketika jumlah variabel yang
diamati meningkat. Dengan demikian, semua hal lain sama, hanya menambahkan indikator ke
model akan menyebabkan nilai χ2 meningkat dan membuatnya lebih sulit untuk mencapai
kesesuaian model.
Meskipun uji χ2 memberikan uji signifikansi statistik, properti matematika ini memberikan
trade-off bagi peneliti. Meskipun ukuran sampel yang lebih besar sering diinginkan, hanya
peningkatan ukuran sampel itu sendiri akan membuat lebih sulit bagi model-model tersebut untuk
mencapai GOF yang tidak signifikan secara statistik. Selain itu, karena lebih banyak indikator
ditambahkan ke model, karena lebih banyak konstruk atau pengukuran konstruk yang lebih baik,
ini akan membuatnya lebih sulit dalam menggunakan chi-square untuk menilai kesesuaian model.
Orang bisa berpendapat bahwa jika lebih banyak variabel diperlukan untuk mewakili kenyataan,
maka mereka harus mencerminkan kecocokan yang lebih baik, bukan kecocokan yang lebih buruk,
selama mereka menghasilkan ukuran yang valid. Dengan demikian, dalam beberapa hal sifat
matematika dari uji GOF χ2 mengurangi kecocokan model untuk hal-hal yang tidak boleh merusak
validitas keseluruhannya.
Untuk alasan ini, tes GOF χ2 sering tidak digunakan sebagai ukuran GOF tunggal. Para
peneliti telah mengembangkan banyak langkah alternatif yang sesuai untuk mengoreksi bias
terhadap sampel besar dan meningkatkan kompleksitas model. Beberapa indeks GOF ini disajikan
berikutnya. Namun, masalah also2 juga berdampak pada banyak dari indeks tambahan ini,
terutama beberapa indeks kecocokan absolut. Ini mengatakan, nilai χ2 untuk model tidak
meringkas kecocokan model dengan baik dan dengan pengalaman peneliti dapat membuat
penilaian yang berpendidikan tentang model berdasarkan hasil ini. Singkatnya, uji statistik atau
nilai-p yang dihasilkan kurang bermakna karena ukuran sampel menjadi besar atau jumlah variabel
yang diamati menjadi besar.

INDEKS GOODNESS-OF-FIT (GFI) GFI adalah upaya awal untuk menghasilkan statistik kecocokan yang
kurang sensitif terhadap ukuran sampel. Meskipun N tidak termasuk dalam formula, statistik ini
masih sensitif terhadap ukuran sampel karena efek N pada distribusi sampling [36]. Tidak ada tes
statistik yang dikaitkan dengan GFI, hanya pedoman yang sesuai [53]. Kisaran nilai GFI yang
mungkin adalah 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian yang lebih
baik. Di masa lalu, nilai GFI lebih besar dari 0,90 biasanya dianggap baik. Yang lain berpendapat
bahwa 0,95 harus digunakan [24]. Perkembangan terbaru dari indeks kecocokan lainnya telah
menyebabkan penurunan penggunaan.

Root Mean Square Error Of Approximation (Rmsea) Salah satu langkah yang paling banyak digunakan
yang mencoba untuk mengoreksi kecenderungan statistik uji GOF reject2 untuk menolak model
dengan sampel besar atau sejumlah besar variabel yang diamati adalah root mean square error dari
aproksimasi (RMSEA). Dengan demikian, itu lebih baik menggambarkan seberapa baik suatu
model cocok dengan populasi, bukan hanya sampel yang digunakan untuk estimasi [25]. Ini secara
eksplisit mencoba untuk mengoreksi kompleksitas model dan ukuran sampel dengan memasukkan
masing-masing dalam komputasinya. Nilai RMSEA yang lebih rendah menunjukkan kesesuaian
yang lebih baik.
Pertanyaan tentang apa yang merupakan nilai RMSEA "baik" masih bisa diperdebatkan.
Meskipun penelitian sebelumnya kadang-kadang menunjuk ke nilai cutoff dari 0,05 atau 0,08,
penelitian yang lebih baru menunjukkan fakta bahwa menggambar cutoff absolut untuk RMSEA
tidak disarankan [17]. Pemeriksaan empiris dari beberapa tindakan menemukan bahwa RMSEA
paling cocok untuk digunakan dalam strategi model konfirmatori atau bersaing sebagai sampel
menjadi lebih besar [47]. Sampel besar dapat dianggap terdiri dari lebih dari 500 responden. Satu
keuntungan utama bagi RMSEA adalah bahwa interval kepercayaan dapat dibangun memberikan
kisaran nilai RMSEA untuk tingkat kepercayaan tertentu. Dengan demikian, ini memungkinkan
kami untuk melaporkan bahwa RMSEA antara 0,03 dan 0,08, misalnya, dengan kepercayaan 95%.
Root Mean Square Residual (Rmr) Dan Root Mean Residual (Srmr)
Seperti dibahas sebelumnya, kesalahan dalam prediksi untuk setiap istilah kovarian menciptakan
residual. Ketika kovarian digunakan sebagai input, residu dinyatakan dalam istilah kovarian, yang
membuatnya sulit untuk ditafsirkan karena dipengaruhi oleh skala indikator. Tetapi residu standar
(SR) dapat dibandingkan secara langsung. Nilai SR rata-rata adalah 0, yang berarti bahwa residu
positif dan negatif dapat terjadi. Dengan demikian, kovarians yang diprediksi lebih rendah dari
nilai yang diamati menghasilkan residu positif, sedangkan kovarians yang diprediksi lebih besar
dari yang diamati menghasilkan residu negatif. Aturan umum adalah dengan hati-hati memeriksa
residu standar yang melebihi | 4.0 | (di bawah -4,0 atau di atas 4.0). SR individual memungkinkan
seorang peneliti untuk menemukan potensi masalah dengan model pengukuran.
Residu terstandarisasi adalah penyimpangan ketentuan kovarians individual dan tidak
mencerminkan kesesuaian model keseluruhan. Apa yang dibutuhkan adalah nilai residu
"keseluruhan", dan dua langkah telah muncul dalam hal ini. Pertama adalah rata-rata residu kuadrat
akar (RMR), yang merupakan akar kuadrat dari rata-rata residu kuadrat ini: rata-rata residu.
Namun RMR memiliki masalah yang sama dengan residu karena terkait dengan skala kovarian.
Statistik alternatif adalah residu rata-rata root standar (SRMR). Nilai standar RMR ini (yaitu,
residu standar rata-rata) berguna untuk membandingkan kesesuaian antar model. Meskipun tidak
ada tingkat ambang batas statistik yang dapat ditetapkan, peneliti dapat menilai signifikansi praktis
dari besarnya SRMR dalam terang tujuan penelitian dan kovariances yang diamati atau aktual atau
korelasi [4]. Nilai RMR dan SRMR yang lebih rendah mewakili kecocokan yang lebih baik dan
nilai yang lebih tinggi mewakili kecocokan yang lebih buruk, yang menempatkan RMR, SRMR,
dan RMSEA ke dalam kategori indeks yang kadang-kadang dikenal sebagai ukuran kejahatan-
kecocokan dimana nilai-nilai tinggi menunjukkan kecocokan yang buruk. Aturan praktisnya
adalah bahwa SRMR lebih dari 0,1 menunjukkan masalah dengan kecocokan, meskipun ada
kondisi yang membuat SRMR tidak pantas yang dibahas di bagian selanjutnya.
Normed Chi-Square Ukuran GOF ini adalah rasio sederhana χ2 terhadap derajat kebebasan untuk
suatu model. Secara umum, rasio χ2: df pada urutan 3: 1 atau kurang dikaitkan dengan model yang
lebih baik, kecuali dalam keadaan dengan sampel yang lebih besar (lebih dari 750) atau keadaan
pelepasan lainnya, seperti tingkat kompleksitas model yang tinggi. Ini banyak digunakan karena
jika tidak disediakan langsung oleh program perangkat lunak, dapat dihitung dengan mudah dari
hasil model.
Indikasi Mutlak Lainnya Kebanyakan program SEM memberikan pengguna dengan berbagai indeks
kecocokan. Dalam diskusi sebelumnya, kami lebih fokus pada yang paling banyak digunakan.
Tapi ini bukan daftar lengkap. Untuk informasi lebih lanjut, pembaca dapat merujuk pada diskusi
panjang tentang langkah-langkah ini di situs Web www.pearsonhighered.com/hair atau
www.mvstats.com serta dokumentasi yang terkait dengan program SEM spesifik yang digunakan.
Indeks Kelayakan Tambahan
Indeks kesesuaian inkremental berbeda dari indeks kecocokan absolut dalam hal mereka menilai
seberapa baik model yang diperkirakan cocok relatif terhadap beberapa model baseline alternatif.
Model dasar yang paling umum disebut sebagai model nol, yang mengasumsikan semua variabel
yang diamati tidak berkorelasi. Ini menyiratkan bahwa tidak ada spesifikasi model yang dapat
meningkatkan model, karena tidak mengandung faktor multi-item atau hubungan di antara mereka.
Kelas indeks kecocokan ini menunjukkan peningkatan kesesuaian dengan spesifikasi konstruksi
multi-item terkait.
Sebagian besar program SEM menyediakan beberapa indeks kesesuaian inkremental
sebagai output standar. Namun, program yang berbeda memberikan statistik kecocokan yang
berbeda, sehingga Anda mungkin tidak menemukan semua ini secara khusus
Output SEM. Juga, mereka kadang-kadang disebut sebagai indeks kesesuaian komparatif karena
alasan yang jelas. Di bawah ini adalah beberapa ukuran fit inkremental yang paling banyak
digunakan, tetapi TLI dan CFI adalah yang paling banyak dilaporkan.
Normed Fit Index (Nfi) NFI adalah salah satu indeks fit inkremental asli. Ini adalah rasio perbedaan
dalam nilai χ2 untuk model yang dipasang dan model nol dibagi dengan nilai χ2 untuk model nol.
Ini berkisar antara 0 dan 1, dan model dengan kesesuaian sempurna akan menghasilkan NFI dari
1. Salah satu kelemahan adalah model yang lebih kompleks tentu akan memiliki nilai indeks yang
lebih tinggi dan secara buatan mengembang perkiraan estimasi model fit. Akibatnya, hari ini
digunakan lebih sedikit dalam kaitannya dengan salah satu dari tindakan fit tambahan berikut.
Tucker Lewis Index (TLI) TLI secara konseptual mirip dengan NFI, tetapi bervariasi karena itu
sebenarnya merupakan perbandingan dari nilai-nilai chi-square normed untuk model null dan
model tertentu, yang pada tingkat tertentu mempertimbangkan kompleksitas model akun. Namun,
TLI tidak dinormalkan, dan dengan demikian nilainya dapat jatuh di bawah 0 atau di atas 1.
Biasanya, model dengan kecocokan memiliki nilai yang mendekati 1, dan model dengan nilai yang
lebih tinggi menunjukkan kecocokan yang lebih baik daripada model dengan yang lebih rendah
nilai.
Comparative Fit Index (CFI). CFI adalah indeks kecocokan inkremental yang merupakan versi
perbaikan dari indeks kecocokan normed (NFI) [5, 7, 25]. CFI dinormalkan sehingga nilainya
berkisar antara 0 dan 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian yang lebih baik.
Karena CFI memiliki banyak sifat yang diinginkan, termasuk relatif, tetapi tidak lengkap, tidak
sensitif terhadap kompleksitas model, itu adalah salah satu indeks yang paling banyak digunakan.
Nilai CFI di atas .90 biasanya dikaitkan dengan model yang cocok.
Indeks Noncentralitas Relatif (RNI) RNI juga membandingkan kecocokan yang diamati yang
dihasilkan dari pengujian model tertentu dengan model nol. Seperti indeks kesesuaian inkremental
lainnya, nilai yang lebih tinggi mewakili kecocokan yang lebih baik, dan nilai yang mungkin
umumnya berkisar antara 0 dan 1. RNI lebih rendah dari 0,90 biasanya tidak dikaitkan dengan
kecocokan yang baik.
Indeks Kesesuaian Parsimony
Kelompok ketiga dari indeks dirancang khusus untuk memberikan informasi tentang model mana
di antara serangkaian model yang bersaing yang terbaik, mengingat kesesuaiannya relatif terhadap
kompleksitasnya. Ukuran pas kekikiran ditingkatkan baik dengan kecocokan yang lebih baik atau
dengan model yang lebih sederhana. Dalam hal ini, model yang lebih sederhana adalah model
dengan perkiraan lebih sedikit jalur parameter. Rasio kekikiran adalah dasar untuk langkah-
langkah ini dan dihitung sebagai rasio derajat kebebasan yang digunakan oleh model terhadap
derajat total kebebasan yang tersedia [37].
Indeks kesesuaian Parsimony secara konseptual mirip dengan gagasan tentang
kompleksitas. Model yang lebih kompleks diharapkan agar sesuai dengan data yang lebih baik,
sehingga ukuran kecocokan harus relatif terhadap kompleksitas model sebelum perbandingan
antar model dapat dilakukan. Indeks tidak berguna dalam menilai kesesuaian model tunggal, tetapi
cukup berguna dalam membandingkan kesesuaian dua model, satu lebih kompleks daripada yang
lain.
Penggunaan indeks fit kekikiran masih agak kontroversial. Beberapa peneliti berpendapat
bahwa perbandingan indeks kesesuaian inkremental model yang bersaing memberikan bukti yang
sama dan bahwa kita dapat memperhitungkan kekeliruan lebih lanjut dengan beberapa cara lain.
Jelas untuk mengatakan bahwa indeks kekikiran dapat memberikan informasi yang berguna dalam
mengevaluasi model yang bersaing, tetapi tidak hanya dapat diandalkan. Secara teori, indeks
kekikiran adalah ide yang bagus. Dalam praktiknya, mereka cenderung lebih menyukai model
yang lebih pelit. Saat digunakan, PNFI adalah indeks fit parsimoni yang paling banyak diterapkan.
Indeks Kebaikan Fit Index (AGFI) Indeks kebaikan yang disesuaikan (AGFI) mencoba
mempertimbangkan tingkat kompleksitas model yang berbeda. Itu dilakukan dengan
menyesuaikan GFI dengan rasio derajat kebebasan yang digunakan dalam model dengan total
derajat kebebasan yang tersedia. AGFI menghukum model yang lebih kompleks dan mendukung
mereka yang memiliki jalur bebas minimum. Nilai AGFI biasanya lebih rendah dari nilai GFI
secara proporsional dengan kompleksitas model. Tidak ada uji statistik yang dikaitkan dengan
AGFI, hanya pedoman yang sesuai [53]. Namun demikian, seperti halnya GFI, AGFI lebih jarang
digunakan untuk mendukung indeks lain yang tidak dipengaruhi oleh ukuran sampel dan
kompleksitas model.
Parsimony Normed Fit Index (PNFI) PNFI menyesuaikan indeks kecocokan normed (NFI) dengan
mengalikannya dengan PR [40]. Nilai yang relatif tinggi mewakili kecocokan yang relatif lebih
baik, sehingga dapat digunakan dengan cara yang sama seperti NFI. PNFI mengambil beberapa
karakteristik tambahan dari indeks kesesuaian inkremental relatif terhadap indeks kecocokan
absolut disamping mendukung model yang kurang rumit. Sekali lagi, nilai-nilai PNFI
dimaksudkan untuk digunakan dalam membandingkan satu model dengan model lainnya dengan
nilai PNFI tertinggi yang paling didukung sehubungan dengan kriteria yang ditangkap oleh indeks
ini.
Masalah Terkait dengan Menggunakan Indeks Fit
Pada akhirnya, indeks kesesuaian digunakan untuk menetapkan penerimaan dari setiap model
SEM. Mungkin tidak ada topik SEM yang lebih diperdebatkan daripada apa yang merupakan
kecukupan atau kecocokan. Pengumpulan koleksi indeks kecocokan dan kurangnya pedoman yang
konsisten dapat menggoda peneliti untuk “memilih dan memilih” indeks yang memberikan bukti
kecocokan terbaik dalam satu analisis spesifik dan indeks berbeda dalam analisis lain. Peneliti
dihadapkan dengan dua pertanyaan dasar dalam memilih ukuran model yang cocok:
1. Apa indeks kecocokan terbaik untuk secara objektif mencerminkan kecocokan model?
2. Apa nilai batas obyektif yang menyarankan model yang bagus cocok untuk indeks kecocokan
tertentu?
Sayangnya, jawaban untuk kedua pertanyaan itu tidak sederhana atau langsung. Beberapa peneliti
menyamakan pencarian jawaban atas pertanyaan-pertanyaan ini dengan "Bulu Emas mitos,
pencarian mata air awet muda, dan pencarian kebenaran absolut dan keindahan" [38]. Memang
banyak masalah yang terkait dengan pencarian kecocokan. Berikut ini adalah ringkasan singkat
dari masalah utama yang ditemukan di berbagai indeks kecocokan.

Masalah Dengan Uji χ2 Mungkin bukti yang paling jelas dan meyakinkan bahwa kecocokan model
adalah memadai adalah nilai χ2 dengan nilai-p yang menunjukkan tidak ada perbedaan yang
signifikan antara matriks kovarian yang diamati dan yang diperkirakan. Misalnya, jika seorang
peneliti menggunakan tingkat kesalahan 5 persen, maka nilai-p lebih besar dari 0,05 akan
menyarankan bahwa model peneliti mampu mereproduksi matriks kovarians variabel yang diamati
— model fit yang “baik”.
Tetapi seperti yang telah kita bahas sebelumnya, begitu banyak faktor yang mempengaruhi
uji signifikansi χ2 yang secara praktis hasil apa pun dapat dipertanyakan. Apakah nilai χ2 yang
tidak signifikan selalu memungkinkan seorang peneliti untuk mengatakan "Kasus ditutup, kami
memiliki kecocokan yang baik"? Tidak terlalu! Model yang sangat sederhana dengan sampel kecil
memiliki bias terhadap χ2 yang tidak signifikan meskipun mereka tidak memenuhi standar
validitas atau kesesuaian lainnya. Demikian juga, ada hukuman yang melekat dalam χ2 untuk
ukuran sampel yang lebih besar dan jumlah variabel indikator yang lebih besar [5]. Hasilnya adalah
bahwa model umum saat ini lebih kompleks dan memiliki ukuran sampel yang membuat uji
signifikansi χ2 kurang berguna sebagai ukuran GOF yang selalu memisahkan yang baik dari model
yang buruk. Jadi, tidak peduli apa hasil result2, peneliti harus selalu melengkapinya dengan indeks
GOF lainnya, tetapi, yang sama pentingnya, nilai χ2 itu sendiri dan model derajat kebebasan harus
selalu dilaporkan [22, 49].

Nilai Cutoff Untuk Indikasi Fit: The Magic .90, Atau Itu .95? Meskipun kita tahu kita perlu melengkapi
χ2 dengan indeks kecocokan tambahan, satu pertanyaan masih tetap tidak peduli indeks apa yang
dipilih: Apa nilai cutoff yang sesuai untuk indeks itu? Untuk sebagian besar statistik kecocokan
inkremental, menerima model yang menghasilkan nilai 0,90 menjadi praktik standar pada awal
1990-an. Namun, kasusnya dibuat bahwa .90 terlalu rendah dan dapat menyebabkan model palsu
diterima, dan pada akhir dekade .95 telah menjadi standar untuk indeks seperti TLI dan CFI [25].
Secara umum, 0,95 entah bagaimana menjadi angka ajaib yang menunjukkan model yang pas.
Namun penelitian telah menantang penggunaan nilai cutoff tunggal untuk indeks GOF,
sebaliknya menemukan bahwa serangkaian faktor tambahan dapat mempengaruhi nilai indeks
yang terkait dengan kesesuaian yang dapat diterima. Pertama, penelitian menggunakan data yang
disimulasikan (yang diketahui kecocokan sebenarnya) memberikan argumen berlawanan dengan
nilai batas ini dan tidak mendukung 0,90 sebagai aturan umum yang dapat diterima [25]. Ini
menunjukkan bahwa kadang-kadang bahkan indeks good-of-fit tambahan di atas 0,90 masih akan
dikaitkan dengan model yang sangat salah ditentukan. Ini menunjukkan bahwa nilai cutoff harus
ditetapkan lebih tinggi dari 0,90. Kedua, penelitian terus mendukung gagasan bahwa kompleksitas
model terlalu mempengaruhi indeks GOF, bahkan dengan sesuatu yang sederhana seperti hanya
lebih banyak indikator per konstruk [31]. Akhirnya, distribusi data yang mendasarinya dapat
mempengaruhi indeks kesesuaian [16]. Secara khusus, karena data menjadi kurang sesuai untuk
teknik estimasi tertentu yang dipilih, kemampuan indeks kesesuaian untuk secara akurat
mencerminkan kesalahan spesifikasi dapat bervariasi. Masalah ini tampaknya mempengaruhi
indeks kesesuaian inkremental lebih dari indeks kesesuaian absolut.
Apa yang menjadi jelas adalah bahwa tidak ada nilai "ajaib" tunggal yang selalu
membedakan model yang baik dari model yang buruk. GOF harus diinterpretasikan berdasarkan
karakteristik penelitian. Sangat menarik untuk membandingkan masalah-masalah ini dalam SEM
dengan kurangnya perhatian umum untuk membangun angka R2 ajaib dalam regresi berganda.
Jika nilai R2 minimum ajaib sebesar 0,5 pernah dikenakan, itu hanya akan menjadi batas arbitrer
yang akan mengecualikan penelitian yang berpotensi bermakna. Jadi, kita harus berhati-hati dalam
mengadopsi satu ukuran yang cocok untuk semua standar. Sama sekali tidak praktis untuk
menerapkan satu set aturan cutoff yang berlaku untuk semua model SEM dari jenis apa pun.
Spesifikasi Model yang Tidak Dapat Diterima untuk Mencapai Kesesuaian
Para peneliti terkadang menguji teori dan terkadang mengejar kecocokan. Keinginan untuk
mencapai kecocokan yang baik tidak boleh kompromi dengan teori yang diuji. Namun, dalam
praktiknya, pengejaran peningkatan kecocokan model dapat menyebabkan beberapa praktik buruk
dalam spesifikasi model [31, 33,39]. Dalam masing-masing contoh berikut, seorang peneliti
mungkin dapat meningkatkan kecocokan, tetapi hanya dengan cara yang mengkompromikan tes
teori. Meskipun masing-masing tindakan ini mungkin diperlukan dalam kasus yang sangat
spesifik, mereka harus dihindari bila memungkinkan karena masing-masing memiliki potensi
untuk terlalu membatasi kemampuan SEM untuk memberikan tes model yang benar. Lebih lanjut,
peneliti belajar tidak hanya dari teori yang dikonfirmasi, tetapi dari bidang di mana harapan teoritis
tidak dikonfirmasi [22].
Satu area praktik buruk melibatkan jumlah item per konstruksi. Kesalahan umum adalah
mengurangi jumlah item per konstruksi menjadi hanya dua atau tiga. Meskipun hal itu dapat
meningkatkan kesesuaian model dengan mengurangi jumlah indikator dan bahkan meningkatkan
keandalan konstruk, sangat mungkin mengurangi domain teoretis dan akhirnya validitasnya.
Konsep beberapa tindakan adalah untuk memasukkan rentang selebar mungkin dari item yang
dapat mengukur konstruk, tidak membatasi hanya pada subset yang sangat kecil dari item ini.
Tindakan yang bahkan lebih ekstrem adalah dengan menggunakan satu item untuk mewakili
konstruk, mengharuskan spesifikasi arbitrer kesalahan pengukuran. Di sini peneliti menghindari
tujuan dari model pengukuran dengan memberikan nilai-nilai untuk indikator. Item tunggal hanya
boleh digunakan ketika konstruk benar-benar dan dapat diukur dengan item tunggal (mis., Variabel
biner, seperti pembelian / tidak ada pembelian, berhasil / gagal, atau ya / tidak). Akhirnya, tes
model pengukuran harus dilakukan dengan set lengkap item. Parceling item, di mana set lengkap
variabel indikator (misalnya, 15 indikator untuk konstruksi) dibagi menjadi sejumlah kecil
indikator komposit (misalnya, masing-masing tiga komposit dari lima item), dapat mengurangi
kompleksitas model tetapi dapat mengaburkan kualitas. item individual. Dengan demikian, jika
pembagian item dilakukan, itu harus digunakan setelah seluruh set telah dievaluasi.
Praktik buruk lainnya adalah menilai kecocokan model pengukuran melalui analisis
terpisah untuk setiap konstruk alih-alih satu analisis untuk keseluruhan model. Ini adalah
penggunaan indeks GOF yang tidak tepat, yang dirancang untuk menguji keseluruhan model,
bukan konstruksi tunggal pada satu waktu. Hasilnya bukan hanya tes yang tidak lengkap dari
model keseluruhan, tetapi bias terhadap model konfirmasi karena lebih mudah untuk konstruksi
tunggal untuk masing-masing memenuhi indeks kesesuaian daripada seluruh rangkaian untuk
mencapai kesesuaian yang dapat diterima. Selain itu, uji validitas diskriminan dan potensi lintas
muatan tidak mungkin dilakukan kecuali semua konstruksi diuji secara kolektif.
Akhirnya, sebagian besar indeks kecocokan model dapat ditingkatkan dengan mengurangi
ukuran sampel. Pendekatan ini, meskipun meningkatkan kesesuaian model, jelas bertentangan
dengan kebutuhan untuk menggunakan sampel sebanyak mungkin atau layak untuk memastikan
keterwakilan dan generalisasi. Selain itu, meningkatkan peluang untuk menghadapi masalah
statistik dengan konvergensi model, estimasi parameter yang kurang akurat, dan kekuatan statistik
yang lebih rendah.
Kesadaran akan masalah yang timbul dari tindakan ini tidak berarti bahwa salah satunya
mungkin tidak perlu untuk membahas spesifikasi model tertentu, atau untuk membantu secara
diagnostik dalam membangun model. Namun, peningkatan kecocokan bukanlah pembenaran yang
tepat untuk semua langkah ini. Selalu ingat bahwa prosedur ini dapat mengganggu uji keseluruhan
model pengukuran, dan dengan demikian teori pengukuran tetap belum teruji sampai semua
variabel yang diukur dimasukkan dalam uji tunggal.
Pedoman untuk Menetapkan Fit yang Dapat Diterima dan Tidak Dapat Diterima
Aturan sederhana untuk nilai indeks yang membedakan model yang baik dari model yang buruk
di semua situasi tidak dapat ditawarkan. Tidak dapat terlalu ditekankan bahwa ini adalah panduan
untuk penggunaan, bukan aturan yang menjamin model yang benar. Dengan demikian, tidak ada
nilai spesifik pada indeks apa pun yang dapat memisahkan model menjadi cocok yang dapat
diterima dan tidak dapat diterima. Namun, beberapa pedoman umum yang digunakan bersama
dapat membantu dalam menentukan penerimaan kesesuaian untuk model yang diberikan:
Gunakan Indikasi Ganda Dari Jenis-Jenis Yang Berbeda Biasanya, menggunakan tiga sampai empat
indeks kecocokan memberikan bukti kecocokan model yang memadai. Penelitian saat ini
menunjukkan satu set indeks yang cukup umum berkinerja cukup baik di berbagai situasi dan
peneliti tidak perlu melaporkan semua indeks GOF karena mereka sering berlebihan. Namun,
peneliti harus melaporkan setidaknya satu indeks inkremental dan satu indeks absolut, di samping
nilai χ2 dan derajat kebebasan terkait, karena menggunakan indeks GOF tunggal, bahkan dengan
nilai cutoff yang relatif tinggi, tidak lebih baik daripada hanya menggunakan GO2 GOF test saja
[38]. Dengan demikian, melaporkan nilai degrees2 dan derajat kebebasan, CFI atau TLI, dan
RMSEA biasanya akan memberikan informasi unik yang cukup untuk mengevaluasi suatu model.
SRMR dapat menggantikan RMSEA untuk juga merepresentasikan badness of fit, sedangkan yang
lainnya mewakili goodness of fit. Ketika membandingkan model-model dengan kompleksitas
yang beragam, peneliti juga mungkin ingin menambahkan PNFI.
Menyesuaikan Nilai-Nilai Kasus Indeks Berdasarkan Karakteristik Model Tabel 4 memberikan beberapa
pedoman untuk menggunakan indeks kecocokan dalam situasi yang berbeda. Pedoman ini
terutama didasarkan pada penelitian simulasi yang mempertimbangkan ukuran sampel yang
berbeda, kompleksitas model, dan derajat kesalahan dalam spesifikasi model untuk memeriksa
seberapa akurat berbagai indeks kecocokan melakukan [25, 38]. Satu poin kunci di seluruh hasil
adalah bahwa model yang lebih sederhana dan sampel yang lebih kecil harus dikenakan evaluasi
yang lebih ketat daripada model yang lebih kompleks dengan sampel yang lebih besar. Demikian
juga, model yang lebih kompleks dengan sampel yang lebih kecil mungkin memerlukan kriteria
yang agak kurang ketat untuk evaluasi dengan indeks kesesuaian berganda [50].

Misalnya, berdasarkan pada sampel 100 responden dan model empat konstruk dengan
hanya 12 variabel indikator total, bukti kecocokan akan mencakup nilai χ2 yang tidak signifikan,
CFI minimal 0,97, dan RMSEA 0,08 atau lebih rendah. Namun, sangat tidak realistis untuk
menerapkan kriteria yang sama pada model delapan konstruk dengan 50 variabel indikator yang
diuji dengan sampel 2.000 responden.
Penting untuk diingat bahwa Tabel 4 disediakan lebih untuk memberi peneliti gagasan
tentang bagaimana indeks kesesuaian dapat digunakan daripada menyarankan aturan absolut untuk
standar yang memisahkan antara kecocokan baik dan buruk. Selain itu, perlu diulangi bahwa
bahkan model dengan kecocokan yang baik masih harus memenuhi kriteria validitas lainnya.
Membandingkan Model Setiap Mungkin Meskipun sulit untuk menentukan secara pasti kapan suatu
model baik atau buruk, jauh lebih mudah untuk menentukan bahwa satu model lebih baik daripada
yang lain. Indeks pada Tabel 4 berkinerja baik dalam membedakan keunggulan relatif dari satu
model dibandingkan dengan yang lain. CFI 0,95, misalnya, menunjukkan kesesuaian yang benar-
benar lebih baik daripada model serupa dengan CFI 0,85. Diskusi yang lebih mendalam tentang
model yang bersaing dijelaskan pada Tahap 6.
Pembelian Fit Lebih Baik Pada Biaya Pengujian Model Benar Bukan Perdagangan Yang Baik Banyak
spesifikasi model dapat memengaruhi kesesuaian model, sehingga peneliti harus yakin bahwa
semua spesifikasi model harus dilakukan untuk mendekati teori yang akan diuji daripada semoga
meningkatkan kesesuaian model.
TAHAP 5: MENYESUAIKAN MODEL STRUKTURAL
Menentukan model pengukuran (mis., Menetapkan variabel indikator ke konstruk yang harus
mereka wakili) adalah langkah penting dalam mengembangkan model SEM. Kegiatan ini
dilakukan pada tahap 2. Tahap 5 melibatkan menentukan model struktural dengan menetapkan
hubungan dari satu konstruksi ke konstruksi lain berdasarkan pada model teoritis yang diusulkan.
Spesifikasi model struktural berfokus pada penggunaan tipe hubungan ketergantungan dari
Gambar 1c untuk mewakili hipotesis struktural dari model peneliti. Dengan kata lain, hubungan
ketergantungan apa yang ada di antara konstruksi? Setiap hipotesis mewakili hubungan spesifik
yang harus ditentukan.
Menentukan model pengukuran (mis., Menetapkan variabel indikator ke konstruk yang
harus mereka wakili) adalah langkah penting dalam mengembangkan model SEM. Ini dicapai pada
tahap 2. Tahap 5 melibatkan menentukan model struktural dengan menetapkan hubungan dari satu
konstruksi ke konstruksi lain berdasarkan pada model teoritis yang diusulkan. Spesifikasi model
struktural berfokus pada penambahan satu arah, panah arah untuk mewakili hipotesis struktural
dalam model peneliti. Dengan kata lain, peneliti mengidentifikasi hubungan ketergantungan yang
dihipotesiskan ada di antara konstruk. Setiap hipotesis mewakili hubungan spesifik yang harus
ditentukan.
Kami kembali ke model Pencarian Pekerjaan dari awal bab ini. Kita dapat menentukan
model pengukuran penuh seperti yang ditunjukkan pada Gambar 9, di mana tidak ada hubungan
struktural antara konstruksi. Semua konstruksi dianggap eksogen dan berkorelasi. Ini juga dikenal
sebagai model analisis faktor konfirmatori (CFA).
Dalam menentukan model struktural, peneliti sekarang dengan hati-hati memilih apa yang
diyakini sebagai faktor kunci yang mempengaruhi Pencarian Kerja. Dari pengalaman dan
penilaian mereka, tim peneliti HBAT percaya ada alasan kuat untuk mencurigai bahwa persepsi
pengawasan, lingkungan kerja, dan rekan kerja memengaruhi kepuasan kerja, yang pada gilirannya
memengaruhi pencarian kerja. Berdasarkan teori, tim peneliti mengusulkan hubungan struktural
berikut:

Hubungan struktural ini ditunjukkan pada Gambar 10. H1 ditentukan dengan panah yang
menghubungkan pengawasan dan kepuasan kerja. Dengan cara yang sama H2, H3, dan H4
ditentukan. Panah berkepala tunggal yang menunjukkan hubungan ketergantungan antara
konstruksi mewakili bagian struktural dari model. Konstruksi menampilkan struktur pengukuran
yang ditentukan (tautan ke variabel indikator) yang seharusnya sudah diuji pada tahap analisis
faktor konfirmatori. Setiap hubungan antara konstruk eksogen dicatat dengan hubungan
korelasional (panah melengkung, berkepala dua). Dengan demikian, tiga hubungan di antara dua
konstruksi eksogen ditentukan seperti halnya dalam model pengukuran.
Cara lain untuk melihat model struktural adalah bahwa "kendala" dapat ditambahkan ke
model pengukuran. Artinya, jalur struktural spesifik menggantikan korelasi antara konstruk untuk
setiap hubungan yang dihipotesiskan. Dengan pengecualian hubungan korelasional antara
konstruk eksogen, tidak ada jalur yang ditarik antara dua konstruk kecuali hubungan
ketergantungan langsung dan hipotesis dihipotesiskan. Dengan demikian, semua hubungan yang
tidak ditunjukkan dalam model struktural "dibatasi" sama dengan nol.
Meskipun fokus pada tahap ini adalah pada model struktural, estimasi model SEM
mengharuskan spesifikasi pengukuran dimasukkan juga. Dengan cara ini, diagram jalur mewakili
pengukuran dan bagian struktural SEM dalam satu model keseluruhan. Dengan demikian, diagram
jalur pada Gambar 10 menunjukkan tidak hanya kumpulan konstruksi dan indikator lengkap dalam
model pengukuran, tetapi juga memaksakan hubungan struktural antara konstruksi. Model
sekarang siap untuk estimasi. Ini menjadi ujian bagi teori keseluruhan, termasuk hubungan
pengukuran indikator untuk konstruksi, serta hubungan struktural yang dihipotesiskan di antara
konstruk.
TAHAP 6: MENILAI VALIDITAS MODEL STRUKTURAL
Tahap terakhir melibatkan upaya untuk menguji validitas model struktural dan hubungan
teoretis yang dihipotesiskan terkait (mis., H1-H4 dalam contoh sederhana kami). Sadarilah bahwa
jika model pengukuran tidak selamat dari uji reliabilitas dan validitasnya pada tahap 4, tahap 5 dan
6 tidak dapat dilakukan. Kami akan mencapai titik perhentian dan harus mencapai hasil yang dapat
diterima dalam menilai model pengukuran sebelum melanjutkan. Jika Anda tidak mencapai
kecocokan yang dapat diterima untuk model pengukuran, kecocokan model tidak akan membaik
ketika hubungan struktural ditentukan. Hanya ketika model pengukuran divalidasi dan mencapai
model yang dapat diterima kita dapat mengalihkan perhatian kita pada uji hubungan struktural.
Dua perbedaan utama muncul dalam menguji kesesuaian model struktural relatif terhadap
model pengukuran. Pertama, meskipun kesesuaian model keseluruhan yang dapat diterima harus
ditetapkan, model alternatif atau yang bersaing didorong untuk mendukung keunggulan model.
Kedua, penekanan khusus ditempatkan pada perkiraan parameter untuk hubungan struktural,
karena mereka memberikan bukti empiris langsung yang berkaitan dengan hubungan hipotesis
yang digambarkan dalam model struktural.
Model Struktural GOF
Proses penetapan validitas model struktural mengikuti pedoman umum yang diuraikan dalam
tahap 4. Data yang diamati masih diwakili oleh matriks kovarians sampel yang diamati. Itu tidak
dan tidak boleh berubah. Namun, matriks kovariansi estimasi SEM baru dihitung, dan berbeda dari
itu untuk model pengukuran. Perbedaan ini adalah hasil dari hubungan struktural dalam model
struktural. Ingat bahwa model pengukuran mengasumsikan semua konstruksi berkorelasi satu
sama lain (hubungan korelasional). Namun dalam model struktural hubungan antara beberapa
konstruksi diasumsikan 0. Oleh karena itu, untuk hampir semua model SEM konvensional, GO2
GOF untuk model pengukuran akan kurang dari χ2 GOF untuk model struktural.
Kesesuaian keseluruhan dapat dinilai menggunakan kriteria yang sama dengan model
pengukuran: menggunakan nilai χ2 untuk model struktural dan setidaknya satu indeks absolut dan
satu indeks tambahan. Langkah-langkah ini menetapkan validitas model struktural, tetapi
perbandingan antara kesesuaian keseluruhan juga harus dilakukan dengan model pengukuran.
Secara umum, semakin dekat model struktural GOF dengan model pengukuran, semakin baik
model struktural cocok karena model pengukuran cocok memberikan batas atas GOF dari model
struktural konvensional.
Fit Kompetitif
Sebelumnya penilaian model yang bersaing dibahas sebagai salah satu pendekatan untuk
SEM. Tujuan utama adalah untuk memastikan bahwa model yang diusulkan tidak hanya memiliki
kesesuaian model yang dapat diterima, tetapi juga berkinerja lebih baik daripada beberapa model
alternatif. Jika tidak, maka model teoritis alternatif didukung. Membandingkan model dapat
dilakukan dengan menilai perbedaan dalam indeks kesesuaian inkremental atau parsimoni bersama
dengan perbedaan dalam χ2 nilai GOF untuk setiap model.
Membandingkan Model Nest Pendekatan umum adalah melalui model bersarang, di mana model
bersarang di dalam model lain jika berisi jumlah variabel yang sama dan dapat dibentuk dari model
lain dengan mengubah hubungan, seperti menambah atau menghapus jalur. Secara umum, model
SEM bersarang bersaing dibandingkan berdasarkan statistik perbedaan chi-square (χ2) (Δχ2). Nilai
χ2 dari beberapa model dasar (B) dikurangi dari nilai χ2 dari model bertingkat alternatif yang lebih
terbatas (A). Demikian pula, perbedaan dalam derajat kebebasan ditemukan, dengan satu tingkat
kebebasan kurang untuk setiap jalur tambahan yang diperkirakan. Persamaan berikut digunakan
untuk perhitungan:

Karena perbedaan dari dua nilai itself2 itu sendiri terdistribusi χ2, kita dapat menguji
signifikansi statistik dengan memberikan nilai perbedaan Δχ2 dan perbedaan dalam derajat
kebebasan (Δdf). Misalnya, untuk model dengan satu derajat perbedaan kebebasan (Δdf = 1, yang
berarti satu jalur tambahan dalam model A), Δχ2 dari 3,84 atau lebih baik akan signifikan pada
tingkat 0,05. Peneliti akan menyimpulkan bahwa model dengan satu jalur tambahan memberikan
kecocokan yang lebih baik berdasarkan pengurangan signifikan dalam GO2 GOF. Model
bersarang juga dapat dibentuk dengan menghapus jalur, dengan proses yang sama diikuti dalam
menghitung perbedaan χ2 dan derajat kebebasan.
Contoh model bersarang pada Gambar 10 mungkin penambahan jalur struktural dari
konstruksi Pengawasan langsung ke konstruksi Pencarian Pekerjaan. Jalur tambahan ini akan
mengurangi derajat kebebasan satu per satu. Model baru akan diestimasi ulang dan Δχ2 dihitung.
Jika lebih besar dari 3,84, maka peneliti akan menyimpulkan bahwa model alternatif lebih cocok
secara signifikan. Namun, sebelum jalan ditambahkan, harus ada dukungan teoretis untuk
hubungan baru.
Perbandingan Dengan Model Pengukuran Pengguna harus tahu bagaimana melakukan uji
perbedaan chisquare ini karena program SEM tidak mungkin memberikan tes yang dibutuhkan
dalam setiap kasus. Salah satu perbandingan model yang bermanfaat adalah antara CFA dan model
struktural yang sesuai. Model struktural terdiri dari jaringan teoritis hubungan antar konstruk.
Dalam CFA konvensional, semua konstruksi dianggap terkait dengan semua konstruksi lainnya.
Seperti dibahas sebelumnya, model struktural umumnya akan menentukan lebih sedikit hubungan
antara konstruk karena tidak setiap konstruk akan dihipotesiskan memiliki hubungan langsung
dengan setiap konstruk lainnya. Dalam pengertian ini, model struktural lebih dibatasi daripada
model pengukuran karena lebih banyak hubungan ditetapkan ke nol dan tidak boleh diperkirakan.
Cara untuk memikirkan ini adalah bahwa model struktural dibentuk dari model pengukuran
dengan menambahkan kendala. Menambahkan kendala tidak dapat mengurangi nilai chi-square.
Paling-paling, jika hubungan antara konstruk benar-benar nol, dan peneliti membatasi hubungan
itu dengan nol dengan tidak menetapkannya dalam model struktural, nilai chi-square yang
sebenarnya tidak akan berubah dengan menambahkan kendala. Ketika dua konstruksi benar-benar
terkait, maka menambahkan kendala akan meningkatkan nilai chi-square yang sebenarnya.
Sebaliknya, melonggarkan kendala dengan memasukkan hubungan dalam model harus
mengurangi nilai chi-square atau menjaganya tetap sama.
Seperti yang baru saja dijelaskan, menambah atau menghapus jalur (mis., Menambahkan
jalur berarti kendala telah dilonggarkan dan menghapus jalur berarti kendala telah ditambahkan)
mengubah derajat kebebasan sesuai dengan itu. Menambahkan satu kendala berarti tes perbedaan
chi-square akan memiliki satu derajat kebebasan, menambahkan dua berarti tes akan memiliki dua
derajat kebebasan, dan sebagainya. Ketika model pengukuran dan model struktural memiliki nilai
chi-square yang kira-kira sama, ini berarti bahwa kendala yang ditambahkan untuk membentuk
model struktural belum secara signifikan ditambahkan ke nilai χ2.
Keseluruhan χ2 GOF untuk model pengukuran contoh Pencarian Kerja dapat dibandingkan
dengan keseluruhan GO2 GOF untuk model struktural contoh yang ditunjukkan pada Gambar 10.
Tes Δχ2 dapat digunakan untuk membandingkan kedua model ini. Tes akan memiliki Δdf = 3
karena tiga hubungan yang akan diperkirakan dalam CFA (tes model pengukuran) dibatasi ke nol
(mis., Tidak dimodelkan) dalam model struktural. Secara khusus, tidak ada hubungan langsung
dari konstruk eksogen (Pengawasan, Lingkungan Kerja, atau Rekan Kerja) dengan konstruk
endogen paling kanan (Pencarian Kerja) dimodelkan dalam teori peneliti ini. Jika uji Δχ2 dengan
tiga derajat kebebasan tidak signifikan, itu berarti bahwa membatasi model pengukuran (yang
mencakup semua kovarian antar-konstruksi) dengan tidak membiarkan ketiga hubungan langsung
ini tidak secara signifikan memperburuk kecocokan. Uji Δχ2 yang tidak signifikan antara model
pengukuran dan model struktural umumnya akan memberikan bukti pendukung untuk model
teoritis yang diusulkan.
Model Ekuivalen Statistik kecocokan yang baik tidak membuktikan bahwa teori adalah cara
terbaik untuk menjelaskan matriks kovarian sampel yang diamati. Seperti yang dijelaskan
sebelumnya, sejumlah model ekuivalen ada untuk setiap model yang diusulkan dan mereka akan
menghasilkan matriks kovarians estimasi yang sama. Oleh karena itu, setiap model yang diberikan,
bahkan dengan kecocokan yang baik, hanya satu penjelasan potensial. Spesifikasi model lain dapat
cocok dengan baik. Ini berarti bahwa kecocokan empiris yang baik tidak membuktikan bahwa
model yang diberikan adalah "satu-satunya" struktur sebenarnya. Statistik kecocokan yang disukai
sangat diinginkan tetapi banyak model alternatif dapat memberikan kecocokan yang setara [46].
Masalah ini semakin memperkuat perlunya membangun model pengukuran berdasarkan
teori yang solid. Model yang lebih kompleks mungkin memiliki jumlah model setara yang cukup
besar. Namun sangat mungkin bahwa banyak atau semua tidak masuk akal mengingat sifat
konseptual dari konstruksi yang terlibat. Dengan demikian, pada akhirnya hasil empiris
memberikan beberapa bukti validitas, tetapi peneliti harus memberikan bukti teoritis yang sama
pentingnya dalam memvalidasi model.
Menguji Hubungan Struktural
Model yang baik cocok sendiri tidak cukup untuk mendukung teori struktural yang diusulkan.
Peneliti juga harus memeriksa estimasi parameter individu yang mewakili setiap hipotesis spesifik.
Model teoritis dianggap valid sejauh estimasi parameternya adalah:
1. Secara statistik signifikan dan dalam arah yang diprediksi. Artinya, mereka lebih besar dari nol
untuk hubungan positif dan kurang dari nol untuk hubungan negatif.
2. Tidak trivial. Karakteristik ini harus diperiksa menggunakan perkiraan pemuatan yang
sepenuhnya terstandarisasi. Pedoman di sini sama dengan teknik multivarian lainnya.
Oleh karena itu, model struktural yang ditunjukkan pada Gambar 10 dianggap dapat diterima
hanya ketika itu menunjukkan fit model yang dapat diterima dan estimasi jalur yang mewakili
masing-masing dari empat hipotesis signifikan dan dalam arah yang diprediksi. Peneliti juga dapat
memeriksa varians yang menjelaskan perkiraan untuk konstruksi endogen yang analog dengan
analisis R2 yang dilakukan dalam regresi berganda