di mana βy·x adalah koefisien regresi yang diamati, βs adalah koefisien struktural yang
sebenarnya, dan ρx adalah keandalan variabel prediktor. Apa yang dilakukan SEM adalah
membuat estimasi struktural yang sebenarnya koefisien (βs) daripada koefisien regresi yang
diamati. Ini adalah titik kritis karena kecuali keandalannya adalah 100 persen (mis., tidak ada
kesalahan pengukuran), korelasi yang diamati (dan hasilnya koefisien regresi) akan selalu
mengecilkan hubungan yang sebenarnya. Jadi SEM "mengoreksi" atau “Memperhitungkan”
jumlah kesalahan pengukuran dalam variabel (konstruk laten) dan taksiran apa hubungannya jika
tidak ada kesalahan pengukuran. Ini adalah estimasi dari hubungan sebab akibat dalam model
struktural antara konstruk.
DISTINGUISHING EXOGENOUS VERSUS ENDOGENOUS LATENT
CONSTRUCTS. 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. Mengingat bahwa itu
independen dari konstruk lain dalam model, secara visual konstruk eksogen tidak memiliki jalur
(panah berkepala satu) dari konstruk atau variabel apa pun yang masuk ke dalamnya. Kami
membahas masalah dalam membangun diagram visual di bagian selanjutnya.
Konstruksi endogen adalah laten, multi-item yang setara dengan variabel dependen (mis.,
A 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 terdiribenar-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).
IMPORTANCE OF THEORY
Model tidak boleh dikembangkan tanpa teori yang mendasarinya. Teori seringkali
menjadi tujuan utama penelitian akademis, tetapi praktisi dapat mengembangkan atau
mengusulkan serangkaian hubungan yang kompleks dan saling terkait seperti teori berbasis
akademis. Dengan demikian, para peneliti dari akademisi dan industri dapat mengambil manfaat
dari alat analisis unik yang disediakan oleh SEM.
A VISUAL PORTRAYAL OF THE MODEL
Model SEM lengkap yang terdiri dari model pengukuran dan struktural bisa sangat kompleks.
Meskipun semua hubungan dapat diekspresikan dalam notasi analisis jalur banyak peneliti
merasa lebih nyaman untuk menggambarkan model dalam bentuk visual, dikenal sebagai
diagram jalur. Penggambaran visual dari hubungan ini menggunakan konvensi khusus 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 hubungan ketergantungan (digambarkan oleh panah lurus) antara variabel yang diukur dan
konstruksi. Dalam 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
dapat sepenuhnya mewakili konstruk, tetapi dapat digunakan sebagai indikasi konstruk. Peneliti
harus membenarkan dasar teoritis indikator karena SEM hanya meneliti karakteristik empiris
dari variabel. Spesifikasi alternatif di mana panah menunjuk dari indikator ke konstruk akan
dibahas nanti dalam bab ini. Terdapat prinsip-prinsip dasar dalam membangun diagram model
pengukuran:
• Konstruksi biasanya diwakili oleh oval atau lingkaran, dan variabel yang diukur diwakili oleh
kuadrat atau persegi panjang
• Untuk membantu membedakan indikator untuk konstruk endogen versus eksogen, variabel
terukur (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 dengan panah lurus
dari konstruk ke variabel terukur
Gambar 1a menggambarkan hubungan pengukuran antara konstruk dan salah satu variabel yang
diukur. Karena konstruk kemungkinan akan ditunjukkan oleh beberapa variabel terukur,
penggambaran yang lebih 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 hubungan struktural antara konstruk laten. Menentukan
suatu hubungan secara umum berarti bahwa kami menentukan bahwa suatu hubungan ada atau
tidak. Jika ada, panah ditarik; jika tidak ada hubungan yang diharapkan, maka tidak ada panah
yang ditarik. Pada beberapa kesempatan, spesifikasi juga dapat berarti bahwa nilai tertentu
ditentukan untuk suatu hubungan. Dua jenis hubungan yang mungkin di antara konstruk:
hubungan ketergantungan dan hubungan korelasional (kovarians).
Hubungan pengukuran adalah salah satu bentuk hubungan ketergantungan antara konstruk
dengan variabel. Bentuk kedua adalah hubungan ketergantungan antara konstruk. Di sini panah
menunjuk dari anteseden (variabel independen) ke efek atau hasil selanjutnya (variabel
dependen). Hubungan ini digambarkan dalam Gambar 1c. Spesifikasi hubungan ketergantungan
juga menentukan apakah suatu konstruk dianggap eksogen atau endogen. Konstruk endogen
berfungsi seperti variabel dependen, dan konstruk apa pun dengan jalur ketergantungan (panah)
yang menunjuk padanya dianggap endogen.
Konstruk yang luar biasa hanya memiliki hubungan korelasional dengan konstruk lain dan
bertindak sebagai variabel independen dalam hubungan struktural. Dalam banyak kasus, peneliti
ingin menentukan korelasi sederhana antara konstruksi eksogen. Peneliti percaya konstruk
tersebut berkorelasi, tetapi tidak menganggap bahwa satu konstruk bergantung pada konstruk
lainnya. Hubungan ini digambarkan oleh koneksi panah berkepala dua seperti yang ditunjukkan
pada Gambar 1d. Konstruk eksogen tidak dapat berbagi jenis hubungan ini dengan konstruk
endogen. Hanya hubungan ketergantungan yang bisa ada antara konstruksi eksogen dan
endogen.
Menggabungkan Pengukuran dan Hubungan Struktural
Gambar 2 menggambarkan model SEM sederhana yang 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 hubungan
korelasional. 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, hanya sebutan mereka dalam model. Kedua, hubungan ketergantungan
tunggal antara konstruk eksogen dan konstruk endogen digambarkan oleh panah lurus antara
konstruk yang menggantikan panah melengkung.
Peneliti menentukan apakah konstruk eksogen atau endogen berdasarkan teori yang diuji.
Konstruk mempertahankan indikator yang sama, tetapi mereka dapat berbeda berdasarkan
perannya dalam model. Model SEM tunggal kemungkinan besar akan mengandung
ketergantungan dan hubungan korelasional.
How Well Does The Model Fit?
Tujuan statistik SEM adalah untuk menguji serangkaian hubungan yang mewakili banyak
persamaan. Oleh karena itu, ukuran kecocokan atau akurasi prediksi untuk teknik lain (mis., R
untuk regresi berganda, akurasi klasifikasi dalam analisis diskriminan, atau signifikansi statistik
dalam MANOVA) tidak cocok untuk SEM. Yang dibutuhkan adalah ukuran kecocokan atau
akurasi prediksi yang mencerminkan model keseluruhan, bukan hubungan tunggal. Peneliti harus
"menerima atau menolak" seluruh model, menentukan apakah model keseluruhan cocok dapat
diterima sebelum memeriksa hubungan tertentu. Karena fokusnya adalah pada keseluruhan
model, SEM menggunakan serangkaian tindakan yang menggambarkan bagaimana teori peneliti
menjelaskan data input — matriks kovarians yang diamati di antara variabel yang diukur. Model
fit ditentukan oleh korespondensi antara matriks kovarians yang diamati dan matriks kovarians
yang diestimasi yang dihasilkan dari model yang diusulkan. Jika model yang diusulkan
memperkirakan dengan tepat semua hubungan substantif antara konstruk dan model pengukuran
mendefinisikan konstruk secara memadai, maka harus mungkin untuk memperkirakan matriks
kovarians antara variabel yang diukur yang sangat cocok dengan matriks kovarians yang diamati.
SEM AND OTHER MULTIVARIATE TECHNIQUES
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) untuk menentukan konstruk tersebut. Dalam model struktural,
konstruksi terkait satu sama lain dalam hubungan korelasional dan ketergantungan. SEM paling
tepat ketika peneliti memiliki beberapa konstruk, masing-masing diwakili oleh beberapa variabel
terukur, dan konstruk ini dibedakan berdasarkan apakah mereka eksogen atau endogen. Dalam
hal ini, SEM menunjukkan kesamaan dengan teknik ketergantungan multivariat lainnya seperti
MANOVA dan analisis regresi berganda. Selain itu, model pengukuran terlihat serupa dalam
bentuk dan fungsinya dengan analisis faktor.
Similarity to Dependence Techniques
Kesamaan yang jelas dari SEM adalah dengan regresi berganda, salah satu teknik
ketergantungan yang paling banyak digunakan. Hubungan untuk setiap konstruk endogen dapat
ditulis dalam bentuk yang mirip dengan persamaan regresi. Konstruk endogen adalah variabel
dependen, dan variabel independen adalah konstruk dengan panah yang 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 diestimasi secara
bersamaan. SEM juga dapat digunakan untuk mewakili teknik ketergantungan lainnya. Variasi
dari model SEM standar dapat digunakan untuk mewakili 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.
Similarity to Interdependence Techniques
Pada pandangan pertama, 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 adalah 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. Ini mensyaratkan bahwa peneliti menentukan
variabel mana yang dikaitkan dengan masing-masing konstruk, dan kemudian memuat
diperkirakan hanya di mana variabel terkait dengan konstruk (biasanya tidak ada lintas-beban).
Perbedaannya tidak jauh dengan interpretasi seperti halnya dengan implementasi. Analisis faktor
eksplorasi tidak memerlukan spesifikasi pada bagian peneliti. Sebaliknya, SEM membutuhkan
spesifikasi lengkap dari model pengukuran. Keuntungan menggunakan beberapa tindakan untuk
konstruksi, yang dibahas sebelumnya, diwujudkan melalui model pengukuran dalam SEM.
Dengan cara ini, prosedur estimasi untuk model struktural dapat mencakup koreksi langsung
untuk kesalahan pengukuran seperti yang dibahas sebelumnya. Dengan demikian, hubungan
antara konstruk diperkirakan lebih akurat.
SEM adalah alat analisis yang relatif baru, tetapi akarnya meluas kembali ke paruh
pertama abad kedua puluh. Kompleksitas matematika dari SEM membatasi kemampuan
aplikasinya, sampai komputer dan perangkat lunak menjadi tersedia secara luas. Mereka
memungkinkan dua prosedur analisis faktor multivariat dan regresi berganda untuk digabungkan.
Selama akhir 1960-an dan awal 1970-an, karya Jöreskog dan Sörbom menyebabkan estimasi
kemungkinan maksimum simultan dari hubungan antara konstruk dan variabel indikator yang
diukur serta di antara konstruk laten. LISREL bukan perangkat lunak pertama yang melakukan
dapat SEM atau analisis jalur, tetapi adalah yang pertama yang digunakan secara luas.
Pertumbuhan SEM relatif lambat selama tahun 1970-an dan 1980-an, sebagian besar karena
kompleksitas yang dirasakan. Namun, pada 1994, lebih dari 150 artikel SEM diterbitkan dalam
literatur ilmu sosial akademik. Angka itu meningkat menjadi lebih dari 300 pada tahun 2000, dan
saat ini SEM adalah "teknik multivariat yang dominan," diikuti oleh analisis cluster dan
MANOVA [23].
PERAN TEORI DALAM PEMODELAN PERSAMAAN STRUKTURAL
SEM tidak boleh dicoba tanpa dasar teoretis yang kuat untuk spesifikasi model
pengukuran dan struktural. Bagian berikut membahas beberapa peran mendasar yang dimainkan
oleh teori dalam SEM: (1) menentukan hubungan yang menentukan model; (2) menetapkan
sebab-akibat, terutama ketika menggunakan data cross-sectional; dan (3) pengembangan strategi
pemodelan.
Menentukan Hubungan
Meskipun teori dapat menjadi penting dalam semua prosedur multivariat, hal ini sangat
penting untuk SEM karena dianggap sebagai analisis konfirmasi. Artinya, ini berguna untuk
menguji dan berpotensi mengkonfirmasi teori. Teori diperlukan untuk menentukan hubungan
baik dalam model pengukuran dan struktural, modifikasi pada hubungan yang diusulkan, dan
banyak aspek lain dalam memperkirakan model. Dari perspektif praktis, pendekatan berbasis
teori untuk SEM diperlukan karena semua 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 menggunakan nilai default ini tidak dimungkinkan
dengan SEM. Selain itu, setiap modifikasi model harus dilakukan melalui tindakan spesifik oleh
peneliti. Jadi, ketika kita menekankan perlunya pembenaran teoretis, kita menekankan bahwa
SEM adalah metode konfirmasi yang lebih banyak dipandu oleh teori daripada oleh hasil
empiris.
Penggambaran seperangkat hubungan dalam diagram jalur biasanya melibatkan
kombinasi ketergantungan dan hubungan korelasional antara konstruksi eksogen dan endogen.
Peneliti dapat menentukan kombinasi hubungan yang memiliki dukungan teoritis untuk
pertanyaan penelitian yang ada. Contoh-contoh berikut menggambarkan bagaimana hubungan
dapat melibatkan ketergantungan dan elemen 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 yang terkait dengan konstruk endogen Y1,
dan panah melengkung antara X1 dan X2 menunjukkan efek interkorelasi (multikolinieritas)
pada prediksi. Kita dapat menunjukkan hubungan ini dengan satu persamaan, sama seperti yang
kita lakukan dalam diskusi kita 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 dibangun. Kami ingin
mengetahui efek X1 pada Y1, efek X2 pada Y1, dan secara simultan efek X2 dan Y1 pada Y2.
Jika kami tidak memperkirakannya secara konsisten, kami tidak akan dijamin mewakili efeknya
yang benar 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 konstruk independen. Hubungan timbal balik
(berkepala dua, 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. Tidak
mungkin untuk mengekspresikan semua hubungan baik dalam Gambar 3b atau 3c dalam satu
persamaan. Diperlukan persamaan terpisah untuk setiap konstruk dependen. Kebutuhan akan
suatu metode yang dapat memperkirakan semua persamaan secara bersamaan dipenuhi oleh
SEM. Mengingat kemampuan untuk model menjadi kompleks cukup mudah, bahkan lebih
penting untuk menggunakan teori sebagai faktor penuntun untuk spesifikasi model pengukuran
dan struktural. Nanti dalam bab ini kita akan membahas kriteria dimana peneliti dapat
menentukan model SEM secara lebih rinci.
Mengembangkan Penyebab
Mungkin jenis inferensi teoretis terkuat yang dapat ditarik oleh peneliti adalah inferensial
kausal, yang melibatkan pengusulan bahwa hubungan ketergantungan sebenarnya didasarkan
pada sebab-akibat. Inferensi kausal melibatkan hubungan sebab-akibat yang dihipotesiskan. Jika
kita memahami urutan kausal antara variabel, maka kita dapat 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 penyebab dengan sangat hati-hati dalam SEM.
Desain penelitian kausal secara tradisional melibatkan eksperimen dengan manipulasi
variabel terkontrol (mis., Variabel independen kategoris seperti yang ditemukan di MANOVA
atau ANOVA). Model SEM biasanya digunakan, dalam situasi non-eksperimental dimana
konstruk eksogen bukanlah variabel yang dikendalikan secara eksperimen. Ini membatasi
kemampuan peneliti untuk menarik kesimpulan kausal dan SEM saja tidak dapat membangun
hubungan sebab akibat. Namun, hal ini dapat memperlakukan hubungan ketergantungan sebagai
penyebab jika empat jenis bukti (kovarians, sekuens, kovarisasi nonsengious, dan dukungan
teoretis) tercermin dalam model SEM [26, 45].
COVARIASI
Karena kausalitas berarti bahwa perubahan dalam suatu sebab membawa perubahan
terkait dalam suatu efek, kovarians sistematis (korelasi) antara sebab dan akibat diperlukan,
tetapi tidak cukup, untuk membentuk kausalitas. 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. Dengan demikian, jalur estimasi signifikan secara
statistik dalam model struktural (yaitu, hubungan antara konstruk) memberikan bukti bahwa
terdapat kovarisasi. Hubungan struktural antara konstruk biasanya merupakan jalur yang paling
sering dihipotesiskan sebagai kesimpulan kausal. Sequence adalah persyaratan kedua untuk
penyebab adalah urutan temporal dari peristiwa.
SEM tidak dapat memberikan jenis bukti ini tanpa desain penelitian yang melibatkan
eksperimen atau data longitudinal. Eksperimen dapat memberikan bukti ini karena peneliti
mempertahankan kontrol dari variabel kausal melalui manipulasi. Dengan demikian, penelitian
pertama memanipulasi variabel dan kemudian mengamati efeknya. Data longitudinal dapat
memberikan bukti ini karena memungkinkan kami untuk memperhitungkan periode waktu di
mana peristiwa terjadi. Banyak penelitian ilmu sosial bergantung pada survei cross-sectional.
Mengukur semua variabel pada titik yang sama dalam waktu tidak memberikan cara akuntansi
untuk urutan waktu. Dengan demikian, teori harus digunakan untuk menyatakan bahwa urutan
efek adalah dari satu konstruksi ke konstruksi lainnya.
COVARIASI YANG TIDAK BERURUSAN
Spurious relationship adalah hubungan yang salah atau menyesatkan. Setiap hubungan
dianggap palsu ketika peristiwa lain yang tidak termasuk dalam analisis sebenarnya menjelaskan
sebab dan akibatnya. Sederhananya, ukuran dan sifat hubungan antara penyebab dan efek yang
relevan tidak boleh terpengaruh dengan memasukkan konstruksi (atau variabel) lain dalam
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 konsumsi es krim dan lebih banyak berenang), kami
tidak akan menemukan hubungan nyata antara konsumsi es krim dan tenggelam. Jadi kita tidak
bisa mengatakan dengan pasti bahwa konsumsi es krim menyebabkan kemungkinan tenggelam
walaupun keduanya berkorelasi secara signifikan.
Dampak Kolinearitas. Ketika suatu kolinearitas tidak ada, peneliti mereproduksi kondisi yang
ada dalam desain eksperimental. Kondisi ini termasuk variabel prediktor eksperimental
ortogonal, atau tidak berkorelasi. Sayangnya, sebagian besar model struktural melibatkan
beberapa konstruk prediktor yang menunjukkan multikolinieritas dengan prediktor dan
konstruk yang lain. Oleh karena itu, dalam model SEM yang melibatkan penelitian survei cross-
sectional, bukti kausal ditemukan ketika (1) hubungan antara penyebab dan efek tetap konstan
ketika konstruk prediktor lain dimasukkan dalam model dan (2) ketika ada efek kesalahan
konstruk merupakan konstruk kausal independen.
Menguji Hubungan Spurious. Gambar 4 menunjukkan contoh pengujian untuk hubungan
nonspurious dengan dua model SEM. Model pertama menentukan hubungan struktural yang
diusulkan antara dua konstruksi. Model kedua menggabungkan konstruksi Alternative Cause
sebagai variabel prediktor tambahan. Jika hubungan taksiran antara konstruk yang ditemukan
dalam model pertama tetap tidak berubah ketika prediktor tambahan ditambahkan (model
kedua), maka hubungan dianggap nonspurious. Namun, jika hubungan struktural menjadi tidak
signifikan dalam model kedua karena penambahan prediktor lain, maka hubungan tersebut harus
dianggap spurious. Kita harus mencatat bahwa lebih dari satu konstruksi tambahan yang dapat
ditambahkan dan bahwa hubungan struktural harus tetap signifikan tidak peduli berapa banyak
konstruksi yang ditambahkan.
Dalam contoh kepuasan kerja karyawan kami, kami mengusulkan bahwa persepsi
supervisor mempengaruhi kepuasan (Gambar 4a). Namun, orang dapat berargumen bahwa
perasaan karyawan tentang atasan mereka tidak benar-benar menentukan tingkat kepuasan
mereka terhadap pekerjaan mereka. Penjelasan alternatif, misalnya, bahwa kondisi kerja yang
baik bertindak sebagai penyebab alternatif untuk peningkatan pengawasan dan kepuasan kerja
yang lebih tinggi (Gambar 4b). Jika konstruk kondisi kerja diukur bersama dengan konstruk
lainnya, dan hubungan ditentukan antara kondisi kerja dan pengawasan serta kepuasan kerja,
maka model SEM dapat menentukan apakah hubungan antara konstruk ada atau tidak. Dalam
contoh kami, koefisien yang diperkirakan tetap tidak berubah (,50), menunjukkan bahwa
hubungan antara penyedia dan kepuasan kerja menjadi nonspurious. Jika koefisien estimasi
menjadi tidak signifikan ketika kondisi kerja ditambahkan ke model, maka kami akan
menganggap hubungan antara pengawas dan kepuasan kerja menjadi spurious.
DUKUNGAN TEORETIS
Kondisi terakhir untuk kausalitas adalah adanya dukungan secara teoretis, atau alasan yang
meyakinkan untuk mendukung hubungan sebab-akibat. Kondisi ini menekankan fakta bahwa
hanya dengan menguji model SEM dan menganalisisnya 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 (misalnya, konsumsi es krim dan drowning statistic). Tetapi kecuali teori yang dapat
digunakan untuk menetapkan urutan sebab-akibat dan alasan untuk kovarians yang diamati,
hubungan-hubungan tersebut tetap merupakan asosiasi sederhana dan tidak boleh dikaitkan
dengan kekuatan sebab-akibat yang lebih lanjut.
Apakah perasaan karyawan tentang atasan mereka menyebabkan kepuasan kerja? Sebuah
justifikasi teoretis untuk sebab-akibat mungkin ada karena ketika karyawan menghabiskan lebih
banyak waktu dengan atasan mereka, mereka menjadi lebih akrab dengan pendekatan
pengawasan mereka, yang meningkatkan pemahaman dan reaksi mereka terhadap atasan, dan
berdasarkan pengalaman ini mereka menjadi lebih puas dengan situasi pekerjaan mereka.
Dengan demikian, sebuah kasus dapat dibuat bahwa perasaan yang lebih menguntungkan tentang
pengawas menyebabkan peningkatan kepuasan kerja.
Meskipun SEM sering disebut sebagai pemodelan kausal, SEM dapat memberikan bukti
kovariat sistematis dan dapat membantu dalam menunjukkan bahwa suatu hubungan menjadi
nonspurious. Jika data bersifat longitudinal, SEM juga dapat membantu menetapkan urutan
hubungan. Namun, tergantung pada peneliti untuk membangun dukungan teoritisnya. Dengan
demikian, SEM sangat membantu dalam menetapkan inferensial kausal, tetapi tidak dapat
melakukannya sendiri.
Mengembangkan Strategi Pemodelan
Salah satu konsep paling penting yang harus dipelajari seorang peneliti mengenai teknik
multivariat adalah tidak ada cara yang benar dalam menerapkannya. Dalam beberapa kasus,
hubungan ditentukan secara ketat dan tujuannya adalah untuk mengkonfirmasi dari hubungan
tersebut. Di lain waktu, hubungan tersebut diakui secara longgar, dan tujuannya adalah
penemuan hubungan. Pada setiap titik ekstrem maupun di antaranya peneliti harus menerapkan
teknik multivariat sesuai dengan tujuan penelitian.
Penerapan SEM mengikuti prinsip yang sama ini. Fleksibilitasnya memberi para peneliti
alat analitik yang kuat yang sesuai untuk banyak tujuan penelitian, yang berfungsi sebagai
pedoman dalam strategi pemodelan. Penggunaan istilah strategi dirancang untuk menunjukkan
rencana tindakan menuju hasil tertentu. Kami mendefinisikan tiga strategi yang berbeda dalam
penerapan SEM: confirmatory modeling strategy, competing models strategy, dan model
development strategy.
CONFIRMATORY MODELING STRATEGY
Aplikasi pemodelan persamaan struktural yang paling langsung adalah strategi
pemodelan konfirmatori. Peneliti menentukan model tunggal yang terdiri dari serangkaian
hubungan dan menggunakan SEM untuk menilai seberapa baik model tersebut cocok dengan
data. 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 model berbeda yang memiliki kesesuaian model yang dapat
diterima. Mungkin tes yang lebih mendalam dapat dicapai dengan membandingkan model-model
alternatif.
COMPETING MODELS STRATEGY
Strategi competing models didasarkan pada membandingkan estimasi model dengan model
alternatif melalui perbandingan model secara keseluruhan. Tes terkuat dari model yang diusulkan
adalah untuk mengidentifikasi dan menguji competing models yang mewakili hubungan
struktural yang benar-benar berbeda, tetapi sangat masuk akal dan dapat dihipotesiskan. Ketika
membandingkan model-model ini, peneliti lebih menggunakan tes teori bersaing, yang jauh lebih
kuat daripada tes model tunggal secara terpisah.
Model ekuivalen memberikan perspektif kedua tentang pengembangan serangkaian model
komparatif. Telah ditunjukkan bahwa untuk setiap model persamaan struktural yang diusulkan,
setidaknya ada satu model lain dengan jumlah parameter yang sama tetapi dengan hubungan
berbeda yang digambarkan yang paling tidak sesuai dengan model yang diusulkan. Sebagai
pedoman umum, semakin kompleks suatu model, semakin banyak model yang setara. Dengan
demikian, seseorang seharusnya tidak menarik kesimpulan berdasarkan hasil empiris saja.
MODEL DEVELOPMENT STRATEGY
Strategi pengembangan model berbeda dari dua strategi sebelumnya, meskipun kerangka
model dasar diusulkan, tujuan dari upaya pemodelan adalah untuk meningkatkan kerangka ini
melalui modifikasi dari model struktural atau pengukuran. Dalam banyak aplikasi, teori hanya
dapat memberikan titik awal untuk pengembangan model yang dibenarkan secara teoritis yang
dapat didukung secara empiris. Dengan demikian, peneliti harus menggunakan SEM tidak hanya
untuk menguji model secara empiris tetapi juga untuk memberikan wawasan tentang
respekifikasi. Peneliti harus berhati-hati untuk tidak menggunakan strategi ini ketika sejauh
model akhir memiliki kecocokan yang dapat diterima tetapi tidak dapat digeneralisasi ke sampel
atau populasi lain. Selain itu, model respecification harus selalu dilakukan dengan dukungan
teoritis dan bukan hanya justifikasi empiris. Model yang dikembangkan dengan cara ini harus
diverifikasi dengan sampel independen.
CONTOH SEDERHANA DARI 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 lainnya.
Kemampuan ini memungkinkan peneliti untuk memodelkan hubungan yang kompleks dengan
cara yang tidak mungkin dilakukan dengan teknik multivariat lainnya yang dibahas dalam teks
ini.
Pertanyaan Penelitian
Teori harus menjadi suatu dasar bahkan menjadi model yang paling sederhana, karena
variabel selalu dapat dihubungkan satu sama lain dalam berbagai cara. Penekanan yang mewakili
hubungan ketergantungan mengharuskan peneliti dengan cermat merinci tidak hanya jumlah
konstruk yang terlibat, tetapi juga hubungan yang diharapkan di antara konstruk tersebut.
Dengan konstruksi ini, model dan estimasi hubungan dapat dilanjutkan. Untuk menunjukkan
bagaimana teori dapat digunakan dalam mengembangkan model untuk diuji dengan SEM, mari
kita gunakan contoh kepuasan kerja karyawan kami, tetapi perluas dengan menambahkan
beberapa konstruk lagi. Dua pertanyaan penelitian utama adalah: (1) faktor-faktor apa yang
mempengaruhi kepuasan kerja dan (2) apakah kepuasan kerja terkait dengan kemungkinan
seorang karyawan untuk mencari pekerjaan lain (yaitu, berhenti dari pekerjaan mereka
sekarang)? 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 bahwa
mereka dapat mengurangi kemungkinan karyawan mencari pekerjaan lain. Manajemen ingin
mengurangi kegiatan pencarian kerja karena biaya untuk menemukan, merekrut, dan melatih
karyawan baru sangat tinggi. Tim peneliti dapat menggunakan regresi berganda, tetapi teknik itu
hanya dapat menguji bagian dari model ini pada satu waktu karena regresi digunakan untuk
menguji hubungan antara beberapa variabel independen dan variabel dependen tunggal. Karena
model berikut memiliki lebih dari satu variabel dependen tunggal, tim peneliti harus
menggunakan teknik lain yang dapat menguji hubungan dengan lebih dari satu variabel
dependen tunggal.
Menyiapkan Model Persamaan Struktural : Path Analysis
Setelah serangkaian hubungan ditentukan, peneliti dapat mengidentifikasi model dalam
bentuk yang sesuai untuk dilakukan 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 hubungan
ketergantungan menunjuk dari penyebab ke efek selanjutnya.
Hubungan yang diidentifikasi oleh manajemen HBAT mencakup lima konstruksi: 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 bebas, sedangkan
endogen sama dengan variabel terikat.
Pengawasan, lingkungan kerja, dan konstruksi rekan kerja diidentifikasi sebagai variabel
eksogen karena mereka mirip dengan variabel independen dalam model. Demikian pula,
pencarian pekerjaan jelas merupakan variabel endogen karena diwakili sebagai variabel
dependen. Tapi bagaimana dengan kepuasan kerja? Hal ini tergantung pada pengawasan,
lingkungan kerja, dan konstruk rekan kerja, tetapi juga merupakan variabel independen karena
ditampilkan untuk memengaruhi konstruk pencarian kerja. Ini adalah salah satu karakteristik
unik dan jelas menguntungkan dari SEM yang 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 table di bawah
ini:
Dengan konstruksi 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-hubungan ini biasanya ditambahkan dalam
SEM ketika peneliti merasa konstruksi eksogen memiliki beberapa derajat asosiasi yang
menimbulkan hubungan timbal balik mereka. Biasanya ini adalah hasil dari variabel tambahan
yang tidak termasuk dalam model yang berdampak pada variabel eksogen. Dalam kasus variabel
eksogen, secara langsung sebanding dengan mewakili multikolinieritas yang dibahas dalam
regresi berganda. Kami telah menambahkan hubungan korelasional ini dalam model teoretis
kami karena kami mengharapkan elemen terpisah dalam mengelola karyawan HBAT
(Pengawasan, Lingkungan Kerja, dan Rekan Kerja) akan dikoordinasikan dan didasarkan pada
perencanaan dan pelaksanaan yang konsisten. Selain itu, termasuk korelasi antar konstruksi
antara variabel eksogen sering membuat perkiraan untuk hubungan dependen lebih dapat
diandalkan.
The Basics of SEM Estimation and Assessment
Dengan hubungan dan diagram jalur yang ditentukan, peneliti sekarang dapat
menempatkan format yang cocok untuk analisis dalam SEM, memperkirakan kekuatan
hubungan, dan menilai seberapa baik data yang cocok dengan model. Dalam contoh ini, kami
mengilustrasikan prosedur dasar dalam setiap langkah ini saat kami menyelidiki masalah yang
diangkat oleh lingkungan kerja karyawan dan kepuasan kerja serta keinginan mereka untuk
terlibat dalam pencarian kerja.
OBSERVED COVARIANCE MATRIX
SEM berbeda dari teknik multivariat lainnya karena SEM adalah teknik analisis struktur
kovarians dari pada teknik analisis varians. SEM berfokus pada menjelaskan kovariat antara
variabel yang diukur, atau matriks kovarians sampel yang diamati. Meskipun mungkin 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 matriks korelasi seperti yang digunakan dalam
regresi berganda. Kami membahas keuntungan dari matriks kovarians nanti dalam bab ini (tahap
3 dari proses pengambilan keputusan), tetapi kita harus ingat bahwa korelasi hanyalah kasus
khusus dari kovarians. Matriks korelasi hanyalah matriks kovarians ketika variabel standar
digunakan (yaitu, matriks kovarians terstandarisasi). Hanya nilai-nilai di bawah diagonal yang
unik dan 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 menghitung matriks korelasi. Itu tidak diperkirakan
atau tergantung pada model yang dipaksakan oleh seorang peneliti. 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 setiap variabel
dengan 10 istilah kovarians unik. Karena matriks kovarians simetris, 10 istilah unik akan diulang
baik di atas maupun di bawah diagonal. Akibatnya, jumlah nilai unik dalam matriks adalah 5
nilai diagonal (varians) ditambah 10 unik diagonal (kovarian) dengan total 15.
ESTIMATING AND INTERPRETING RELATIONSHIPS
Sebelum meluasnya penggunaan program SEM, peneliti menemukan solusi untuk beberapa
model persamaan menggunakan proses yang dikenal sebagai analisis jalur. Analisis jalur
menggunakan korelasi bivariat untuk memperkirakan hubungan dalam sistem persamaan
struktural. Proses ini memperkirakan kekuatan dari setiap hubungan struktural (panah lurus atau
melengkung) dalam diagram jalur. Prosedur matematika aktual dijelaskan secara singkat dalam
Lampiran A. Prosedur analisis jalur memberikan perkiraan untuk setiap hubungan. Estimasi ini
ditafsirkan seperti koefisien regresi jika dua persamaan terpisah digunakan satu untuk
memprediksi Kepuasan Kerja dan yang kedua untuk memprediksi Pencarian Kerja. Tetapi SEM
tidak memisahkan setiap persamaan, dan semua perkiraan hubungan dalam kedua persamaan
dihitung pada saat yang sama menggunakan informasi dari semua persamaan yang membentuk
model.
SEM juga memberikan perkiraan hubungan korelasional antara konstruk eksogen, yang
mungkin berguna dalam interpretasi kami terhadap hasil serta secara langsung memengaruhi
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 estimasi tersebut signifikan (mis.,
Tidak sama dengan nol). Selain itu, estimasi dapat digunakan seperti koefisien regresi untuk
membuat estimasi nilai konstruk dalam model.
ASSESSING MODEL FIT WITH THE ESTIMATED COVARIANCE MATRIX
Langkah terakhir dalam analisis SEM melibatkan menghitung estimasi matriks kovarians
dan kemudian menilai tingkat kecocokan dengan model kovarians yang diamati. Matriks
kovarian yang diestimasi berasal dari estimasi lintasan model. Dengan perkiraan ini, kita dapat
menghitung semua kovarian yang ada dalam matriks kovarians yang diamati menggunakan
prinsip-prinsip analisis jalur “secara terbalik.” Kemudian, dengan membandingkan dua matriks,
SEM dapat menguji kesesuaian model. Proses penghitungan estimasi kovarians 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 kovarian /korelasi.
Dengan demikian, estimasi kovarians antara Lingkungan Kerja dan Kepuasan Kerja adalah
0,300, jumlah dari jalur langsung dan tidak langsung. Demikian pula, kita dapat menganggap
matriks kovariansi yang diestimasikan sebagai kovarian yang berasal dari estimasi semua
variabel (). Matriks kovarian estimasi lengkap ditunjukkan pada Tabel 1b. Contoh ini
menggambarkan bagaimana peneliti memengaruhi estimasi kovarian (dan akhirnya cocok
dengan model) dengan jalur yang ditentukan dalam model. Dalam contoh kami, jika Lingkungan
Kerja tidak berkorelasi dengan konstruksi Pengawasan atau Rekan Kerja, maka kovarian yang
diperkirakan akan berbeda. Oleh karena itu, peneliti harus mencatat bahwa setiap jalur yang
ditambahkan atau dihapus dalam model pada akhirnya mengontrol seberapa baik kovarian yang
diamati dapat diprediksi. Identifikasi jalur langsung dan tidak langsung untuk setiap kovarians
dibahas secara lebih rinci dalam lampiran Statistik Dasar yang tersedia di situs Web
www.pearsonhighered.com/hair atau www.mvstats.com
Masalah terakhir dalam menilai kecocokan adalah konsep residual. Dengan SEM, residual
adalah perbedaan antara kovarians yang diamati dan yang diestimasi. Jadi, ketika kita
membandingkan matriks kovarians yang diamati dan yang sebenarnya, setiap perbedaan yang
kami deteksi adalah residu. Perbedaan dengan teknik multivariat lainnya, terutama regresi
berganda, adalah penting. Dalam teknik tersebut, residual mencerminkan kesalahan dalam
memprediksi pengamatan individu. Dalam SEM, pengamatan individu bukan fokus analisis.
Ketika program SEM mengacu pada residu, itu mengacu pada perbedaan antara estimasi dan
kovarian yang diamati untuk setiap pasangan indikator. Jika estimasi matriks kovarians cukup
dekat dengan matriks kovarians yang diamati (residu kecil), maka model dan hubungannya
didukung. Jika pembaca terbiasa dengan crosstabulation, seharusnya tidak mengejutkan bahwa
statistik χ2 dapat dihitung berdasarkan perbedaan antara dua matriks. Nantinya, kita akan
menggunakan statistik ini sebagai indikator dasar dari kebaikan model teoretis.
Dalam membandingkan matriks kovarians yang diamati dan diperkirakan, beberapa
kovarian diprediksi dengan tepat dan beberapa perbedaan ditemukan. Misalnya, jika Anda
melihat pada 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 matriks yang diamati dan diperkirakan.
Untuk hubungan lain, seperti hubungan antara Rekan Kerja dan Kepuasan Kerja, estimasi
kovarians (0,25) sangat berbeda dari kovarians yang diamati (0,40). Pada hasil matriks residual
(Tabel 1c) terdapat tiga residual yang tidak nol (-.15, .10, dan .15). Temuan ini menunjukkan
bahwa model SEM tidak secara sempurna menjelaskan kovarian antara konstruk ini, dan itu bisa
menunjukkan bahwa teori peneliti tidak memadai. Tetapi kita memerlukan informasi tambahan
sebelum menolak teori yang diajukan. Dengan aturan sederhana ini, seluruh model sekarang
dapat diperkirakan.
Perhatikan bahwa variabel dependen dalam satu hubungan dapat dengan mudah menjadi
variabel independen dalam hubungan lain (seperti halnya dengan Kepuasan Kerja). Tidak peduli
seberapa besar diagram jalur didapat atau berapa banyak hubungan yang disertakan, analisis jalur
menyediakan cara untuk menganalisis serangkaian hubungan. Peneliti tidak harus melakukan
semua perhitungan dalam analisis jalur, karena mereka ditangani oleh perangkat lunak komputer.
Peneliti perlu memahami prinsip-prinsip yang mendasari SEM sehingga implikasi penambahan
atau penghapusan jalur atau modifikasi model lainnya dapat dipahami.
Spesifikasi model pengukuran lengkap menggunakan (1) hubungan pengukuran untuk item dan
konstruk, (2) hubungan korelasional di antara konstruk, dan (3) istilah kesalahan untuk
item. Model pengukuran dasar dapat diilustrasikan seperti yang ditunjukkan pada Gambar 8.
Model ini memiliki total 17 estimasi parameter. 17 parameter termasuk delapan perkiraan beban,
delapan perkiraan kesalahan, dan satu perkiraan korelasi antara-konstruk. Perkiraan untuk setiap
panah yang menghubungkan konstruk ke variabel terukur adalah perkiraan pemuatan variabel —
sejauh mana item tersebut terkait dengan konstruk. Tahap SEM ini dapat dianggap sebagai
menugaskan variabel individu untuk membangun. Secara visual, ia menjawab pertanyaan, "Di
mana panah harus ditarik yang menghubungkan konstruk ke variabel?"
Sejumlah jalur yang mungkin tidak ditentukan. Misalnya, tidak ada jalur yang menunjukkan
korelasi antara variabel indikator atau pemuatan indikator pada lebih dari satu konstruk (cross-
loadings). Dalam proses estimasi ini pembebanan yang tidak ditentukan (ada total 19) ditetapkan
(tetap) pada nilai nol, artinya mereka tidak akan diestimasi.
Membuat Model Pengukuran
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.
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.
VERUS KORELASI KOVARIASI 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.
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 diatasi, 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
yangdianggap 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. 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).
RELATIVE NONCENTRALITY INDEX (RNI). RNI juga membandingkan fit yang diamati
yang dihasilkan dari menguji model yang ditentukan dengan model nol. Seperti indeks fit
tambahan lainnya, nilai yang lebih tinggi mewakili fit yang lebih baik, dan nilai yang mungkin
umumnya berkisar antara 0 dan 1. RNI lebih rendah dari 0,90 biasanya tidak dikaitkan dengan fit
yang baik.
Parsimony Fit Indices
Kelompok indeks ketiga dirancang khusus untuk memberikan informasi tentang model mana di
antara serangkaian model yang bersaing merupakan yang terbaik, mengingat fit-nya relatif
terhadap kompleksitasnya. Pengukuran parsimony fit ditingkatkan baik dengan fit yang lebih
baik atau dengan model yang lebih sederhana. Dalam hal ini, sebuah model yang lebih sederhana
adalah model dengan perkiraan lebih sedikit jalur parameter. Parsimony ratio adalah dasar untuk
pengukuran-pengukuran ini dan dihitung sebagai rasio derajat kebebasan yang digunakan oleh
model terhadap total derajat kebebasan tersedia.
Indeks parsimony fit secara konseptual mirip dengan gagasan adjusted R2 dalam arti
bahwa mereka menghubungkan model yang fit dengan kompleksitas model. Model yang lebih
kompleks diharapkan agar sesuai dengan data yang lebih baik, jadi pengukuran yang fit harus
relatif terhadap kompleksitas model sebelum perbandingan antar model bisa dilakukan. Indeks
tidak berguna dalam menilai kesesuaian model tunggal, tetapi cukup berguna dalam
membandingkan fit antara dua model, satu lebih kompleks dari yang lain.
Penggunaan indeks parsimony fit masih agak kontroversial. Beberapa peneliti
berpendapat bahwa perbandingan indeks fit inkremental model yang bersaing memberikan bukti
yang serupa dan itu kita dapat mengambil parsimony ke dalam akun yang lebih jauh dengan cara
lain. Jelas untuk mengatakan bahwa indeks parsimony dapat memberikan informasi yang
berguna dalam mengevaluasi model yang bersaing, tetapi seharusnya tidak diandalkan sendirian.
Secara teori, indeks parsimony adalah ide yang bagus. Dalam praktiknya, mereka cenderung
menyukai model yang lebih parsimony. Saat digunakan, PNFI adalah parsimony fit index yang
paling banyak diterapkan.
ADJUSTED GOODNESS OF FIT INDEX (AGFI). Adjusted goodness of fit index (AGFI)
mencoba untuk memperhitungkan berbagai tingkat kompleksitas model. 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 dengan jumlah jalur bebas minimum. Nilai AGFI biasanya lebih rendah dari nilai GFI
secara proporsional dengan kompleksitas model. Tidak ada uji statistik yang dikaitkan AGFI,
hanya pedoman yang sesuai. Seperti halnya GFI, AGFI lebih jarang digunakan dalam hal
mendukung indeks lain yang tidak terpengaruh oleh ukuran sampel dan kompleksitas model.
PARSIMONY NORMED FIT INDEX (PNFI) PNFI menyesuaikan normed fit index (NFI)
dengan mengalikannya dengan PR. Nilai yang relatif tinggi mewakili fit yang relatif lebih baik,
sehingga dapat digunakan dengan cara yang sama seperti NFI. PNFI mengambil beberapa
karakteristik tambahan dari indeks fit inkremental relatif terhadap indeks fit absolut disamping
mendukung model yang kurang kompleks. Nilai-nilai PNFI dimaksudkan untuk digunakan
dalam membandingkan satu model dengan lain dengan nilai PNFI tertinggi yang paling
didukung sehubungan dengan kriteria yang ditangkap oleh indeks ini.
Problems Associated with Using Fit Indices
Pada akhirnya, indeks fit digunakan untuk menetapkan penerimaan dari setiap model SEM.
Peneliti dihadapkan dengan dua pertanyaan dasar dalam memilih ukuran model yang fit:
1. Apa indeks fit terbaik yang secara obyektif mencerminkan fit dari model?
2. Apa nilai batas obyektif yang menyarankan model yang bagus fit untuk indeks fit tertentu?
Sayangnya, jawaban untuk kedua pertanyaan itu tidak sederhana atau langsung. Memang banyak
masalah terkait dengan mengejar fit yang baik. Berikut ini adalah ringkasan singkat dari masalah
utama yang ditemukan di berbagai indeks fit.
PROBLEMS WITH THE χ2 TEST Mungkin bukti paling jelas dan meyakinkan bahwa
fit model dianggap memadai adalah nilai χ2 dengan p-value yang menunjukkan tidak ada
perbedaan yang signifikan antara matriks kovarian yang diamati dan diperkirakan. Misalnya, jika
seorang peneliti menggunakan tingkat kesalahan 5 persen, maka p-value lebih besar dari 0,05
akan menyarankan bahwa model peneliti mampu mereproduksi matriks kovarians variabel yang
diamati — fit model yang “baik”.
Tetapi begitu banyak faktor yang mempengaruhi uji signifikansi χ2 secara praktis dan
hasil apa pun bisa dipertanyakan. Model yang sangat sederhana dengan sampel kecil memiliki
bias terhadap yang tidak signifikan meskipun mereka tidak memenuhi standar validitas atau
kesesuaian lainnya. Juga, ada penalti yang melekat pada χ2 untuk ukuran sampel yang lebih
besar dan jumlah variabel indikator yang lebih besar. Hasilnya adalah bahwa model-model
tipikal saat ini lebih kompleks dan memiliki ukuran sampel yang membuat uji signifikansi χ2
kurang bermanfaat sebagai ukuran GOF yang selalu memisahkan model yang baik dari model
yang buruk. Jadi tidak masalah bagaimanapun hasil χ2, peneliti harus selalu melengkapinya
dengan indeks GOF lainnya, tetapi, sama pentingnya, nilai χ2 itu sendiri dan model derajat
kebebasan harus selalu dilaporkan.
CUTOFF VALUES FOR FIT INDICES: THE MAGIC 0.90, OR IS THAT 0.95? Meskipun
kita tahu kita perlu melengkapi χ2 dengan indeks fit tambahan, satu pertanyaan masih tetap ada:
Apa nilai cutoff yang sesuai untuk indeks itu? Untuk sebagian besar statistik fit tambahan,
menerima model yang menghasilkan nilai 0,90 menjadi praktik standar pada awal 1990-an.
Namun, ada kasus yang menyatakan bahwa 0,90 terlalu rendah dan dapat menyebabkan model
palsu diterima, dan pada akhir dekade 0.95 telah menjadi standar untuk indeks seperti TLI dan
CFI. 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,
malah menemukan serangkaian faktor tambahan yang dapat memengaruhi nilai indeks yang
terkait dengan fit yang dapat diterima. Pertama, penelitian menggunakan data yang
disimulasikan (yang diketahui fit sebenarnya) memberikan kontra-argumen terhadap nilai cutoff
ini dan tidak mendukung 0,90 sebagai aturan praktis yang dapat diterima secara umum. Ini
menunjukkan bahwa pada indeks goodness-of-fit tambahan di atas 0,90 masih akan dikaitkan
dengan model yang salah ditentukan. Ini menunjukkan bahwa nilai cutoff harus ditetapkan lebih
tinggi dari 0,90. Kedua, penelitian terus mendukung gagasan bahwa kompleksitas model terlalu
memengaruhi indeks GOF, bahkan dengan sesuatu yang sederhana seperti hanya lebih banyak
indikator per konstruk. Akhirnya, distribusi yang mendasarinya dari data dapat mempengaruhi
indeks kecocokan fit. Khususnya, karena data menjadi kurang sesuai untuk yang teknik estimasi
khusus yang dipilih, kemampuan indeks fit untuk secara akurat mencerminkan kesalahan
spesifikasi dapat bervariasi. Masalah ini tampaknya mempengaruhi indeks fit inkremental lebih
dari indeks fit absolut.
Unacceptable Model Specification to Achieve Fit
Para peneliti terkadang menguji teori dan terkadang mengejar fit yang baik. Namun, dalam
praktiknya, mengejar model yang fit dapat menyebabkan beberapa praktik buruk dalam
spesifikasi model. Dalam masing-masing hal berikut, seorang peneliti mungkin dapat
meningkatkan fit, tetapi hanya dengan cara yang dapat kompromi dengan uji teori. Selanjutnya,
peneliti belajar tidak hanya dari teori yang dikonfirmasi, tetapi dari area di mana ekspektasi
teoritis tidak dikonfirmasi.
Satu area praktik buruk melibatkan jumlah item per konstruksi. Kesalahan umum adalah
mengurangi jumlah item per konstruksi menjadi hanya dua atau tiga. Meskipun demikian dapat
meningkatkan fit model dengan mengurangi jumlah indikator dan bahkan meningkatkan
keandalan konstruk, sangat mungkin mengurangi domain teoretisnya dan akhirnya validitasnya.
Konsep beberapa tindakan adalah untuk memasukkan selebar mungkin item yang dapat
mengukur konstruk, bukan membatasi ke subset yang sangat kecil dari item ini. Tindakan yang
lebih ekstrem adalah menggunakan satu item untuk mewakili suatu konstruk, memerlukan
spesifikasi arbitrer dari 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 dapat diukur oleh satu item (mis., variabel biner, seperti pembelian /
tidak ada pembelian, berhasil / gagal, atau ya / tidak). Akhirnya, tes model pengukuran harus
dilakukan dengan set lengkap item. Paket item, di mana set lengkap variabel indikator (mis., 15
indikator untuk konstruk) dibagikan ke dalam sejumlah kecil indikator komposit (mis., tiga
komposit masing-masing lima item), dapat dikurangi model kompleksitas tetapi dapat
mengaburkan kualitas dari masing-masing item. Jadi, jika mengelompokkan barang dilakukan,
itu harus digunakan setelah seluruh set dievaluasi.
Praktik buruk lainnya adalah menilai kecocokan model pengukuran melalui analisis
terpisah untuk masing-masing konstruk bukan satu analisis untuk seluruh model. Ini adalah
penggunaan indeks GOF yang tidak tepat, yang dirancang untuk menguji seluruh model, bukan
satu konstruksi sekaligus. Hasilnya bukan hanya tes tidak lengkap dari model keseluruhan, tetapi
bias terhadap model konfirmasi karena itu lebih mudah untuk bagi tunggal untuk masing-masing
memenuhi indeks fit daripada untuk seluruh set untuk mencapai fit yang diterima. Selain itu, tes
validitas diskriminan dan potensi lintas muatan tidak mungkin dilakukan kecuali semua
konstruksi diuji secara kolektif.
Akhirnya, sebagian besar indeks fit model dapat ditingkatkan dengan mengurangi ukuran
sampel. Pendekatan ini, meskipun meningkatkan fit model, jelas bertentangan dengan kebutuhan
untuk menggunakan sampel sebesar mungkin atau layak untuk memastikan keterwakilan dan
generalisasi. Selain itu, meningkatkan peluang untuk menghadapi masalah statistik dengan
konvergensi model, parameter yang kurang akurat dalam perkiraan, dan kekuatan statistik yang
lebih rendah,
Kesadaran akan masalah yang dihasilkan dari tindakan ini tidak berarti bahwa salah
satunya mungkin tidak perlu untuk membahas spesifikasi model tertentu, atau untuk membantu
diagnostik dalam membangun sebuah contoh. Namun, peningkatan fit bukanlah pembenaran
yang tepat untuk semua langkah ini. Selalu ingat bahwa prosedur ini dapat mengganggu uji
keseluruhan model pengukuran, dan karenanya teori pengukuran tetap belum diuji sampai semua
variabel yang diukur dimasukkan dalam satu tes.
Guidelines for Establishing Acceptable and Unacceptable Fit
Aturan sederhana untuk nilai indeks yang membedakan model yang baik dari model yang buruk
di semua situasi tidak bisa ditawar. Tidak bisa 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 fit yang dapat diterima
dan tidak dapat diterima. Namun, beberapa pedoman umum yang digunakan bersama dapat
membantu dalam menentukan penerimaan fit untuk model yang diberikan:
USE MULTIPLE INDICES OF DIFFERING TYPES Biasanya, penggunaan tiga hingga
empat indeks fit menyediakan bukti fit model yang memadai. Penelitian saat ini menunjukkan
kinerja indeks yang umum cukup di berbagai situasi dan peneliti tidak perlu melaporkan semua
indeks GOF karena sering berlebihan. Namun, peneliti harus melaporkan setidaknya satu indeks
tambahan 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 dari sekadar menggunakan χ2 GOF test saja. Dengan demikian, melaporkan nilai χ2 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 berbeda-beda, peneliti mungkin juga
ingin menambahkan PNFI.
ADJUST THE INDEX CUTOFF VALUES BASED ON MODEL CHARACTERISTICS
Tabel 4 memberikan beberapa pedoman untuk menggunakan indeks fit dalam situasi yang
berbeda. Pedoman didasarkan terutama pada penelitian simulasi yang mempertimbangkan
ukuran sampel yang berbeda, kompleksitas model, dan derajat kesalahan dalam spesifikasi model
untuk memeriksa seberapa akurat berbagai indeks fit bekerja. Satu poin kunci dari hasil adalah
bahwa model yang lebih sederhana dan sampel yang lebih kecil seharusnya dikenakan evaluasi
yang lebih ketat daripada model yang lebih kompleks dengan sampel yang lebih besar. Juga,
model yang lebih kompleks dengan sampel yang lebih kecil mungkin memerlukan kriteria yang
agak kurang ketat untuk evaluasi dengan berbagai indeks fit.
derajat kesalahan dalam spesifikasi model untuk memeriksa seberapa akurat berbagai indeks
kecocokan berkinerja. 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.
Misalnya, berdasarkan sampel 100 responden dan model empat-konstruksi dengan hanya 12
variabel indikator total, bukti kecocokan akan mencakup nilai χ2 yang tidak signifikan, CFI
setidaknya 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 menyesuaikan indeks dapat digunakan daripada menyarankan aturan absolut untuk
standar yang memisahkan baik dan buruk. Selain itu, perlu diulangi bahwa bahkan model dengan
kecocokan yang baik masih harus memenuhi kriteria validitas lainnya.
COMPARE MODELS WHENEVER POSSIBLE 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 kecocokan yang benar-benar lebih baik daripada model serupa dengan CFI 0,85.
Diskusi yang lebih mendalam tentang model yang bersaing dijelaskan pada Tahap 6.
THE PURSUIT OF BETTER FIT AT THE EXPENSE OF TESTING A TRUE MODEL
IS NOT A GOOD TRADE-OFF Banyak spesifikasi model dapat memengaruhi kesesuaian
model, sehingga peneliti harus yakin bahwa semua spesifikasi model harus dilakukan untuk
memperkirakan teori yang akan diuji. dari semoga menambah model fit.
TAHAP 5: MENYESUAIKAN MODEL STRUKTURAL
Menentukan model pengukuran (mis., Menugaskan variabel indikator ke konstruksi 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., Menugaskan variabel indikator ke konstruksi 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
faktor kunci yang memengaruhi Penelusuran Pekerjaan. 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 benar
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.
COMPARING NESTED MODELS Tes yang kuat untuk model alternatif adalah
membandingkan model dengan kompleksitas yang sama, namun mewakili berbagai hubungan
teoretis. 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 antara dua nilai χ2 itu sendiri χ2 terdistribusi, 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 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.
COMPARISON TO THE MEASUREMENT MODEL Pengguna harus tahu cara melakukan
uji perbedaan chi-square 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 diasumsikan 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 GO2 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 membatasi model pengukuran (yang mencakup
semua kovarian konstruksi dalam) 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, model apa pun yang
diberikan, bahkan dengan kecocokan yang baik, hanyalah 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 menyediakan
kecocokan 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 secara teoritis bukti 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 dengan 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.