RESUME CHAPTER 11

MATA KULIAH : STATISTIK MULTIVARIAT

Novi Dewi Syarifah (041914153003)

Ratih Sawindri (041914153004)
Alif Sulthon (041914153009)
Efita Nona Ghassani (041914153012)

PROGRAM STUDI MAGISTER SAINS MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AIRLANGGA
2019
Chapter 11 : Structural Equation Modeling (SEM) Overview
Structural Equation Modeling (SEM) termasuk dalam model statistik yang dapat
menjelaskan hubungan antara beberapa variabel dan dapay meneliti stuktur hubungan timbal
balik dalam persamaan. Persamaan ini dapat menggambarkan semua hubungan diantara konstruk
yang terlibat dalam analisis. Konstruk adalah faktor yang tidak dapat diobservasi atau laten yang
diwakili oleh beberapa variabel (seperti variabel yang mewakili faktor dalam analisis faktor).
SEM bisa dianggap sebagai kombinasi unik dari kedua jenis teknik karena fondasi SEM terletak
di dua teknik multivariat yang sudah dikenal: analisis faktor dan analisis regresi berganda.
Analisis struktur kovarian, analisis variabel latent dan AMOS dikenal sebagai nama lain SEM.
Meskipun model SEM dapat diuji dengan cara yang berbeda, semua persamaan struktural 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 Beberapa Hubungan Ketergantungan yang saling terkait

Secara sederhana, SEM memperkirakan serangkaian persamaan regresi berganda yang
terpisah, tetapi saling tergantung yang secara bersamaan dengan menentukan model struktural
yang digunakan oleh program statistik. Pertama, peneliti mengacu pada teori, pengalaman
terdahulu, 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. Model struktural menyatakan hubungan
ketergantungan ini antara independen dan dependen variabel, bahkan ketika variabel dependen
menjadi variabel independen dalam hubungan lain. Hubungan yang diusulkan kemudian
diterjemahkan ke dalam serangkaian persamaan struktural (mirip dengan persamaan regresi)
untuk setiap variabel dependen. Fitur ini membedakan SEM dari teknik dibahas sebelumnya
yang mengakomodasi beberapa variabel dependen di mana mereka hanya mengizinkan satu
hubungan tunggal antara dependen dan variabel independen.
Incorporating Latent Variables Not Measured Directly
SEM juga memiliki kemampuan untuk memasukkan variabel laten ke dalam analisis.
Konstruk atau 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).
THE BENEFITS OF USING LATENT CONSTRUCTS
Dengan menggunakan variabel laten kita mendapatkan 2 keuntungan, yaitu Pertama, kita
dapat mewakili konsep teoretis dengan lebih baik dengan menggunakan beberapa ukuran
konsepmuntuk mengurangi kesalahan pengukuran konsep itu. Kedua, meningkatkan estimasi
statistik 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 akan diperiksa memerlukan beberapa langkah pengukuran
untuk. Dari perspektif teoretis, sebagian besar konsep relatif kompleks (mis. 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. Selain itu, peneliti juga harus menyadari kesalahan pengukuran yang
terjadi dengan bentuk apa pun pengukuran. Dalam bentuknya yang paling dasar, kesalahan
pengukuran adalah karena tanggapan tidak akurat. Tetapi, yang lebih penting, itu terjadi ketika
responden mungkin agak tidak yakin tentang caranya untuk menanggapi atau dapat
menginterpretasikan pertanyaan dengan cara yang berbeda dari apa yang peneliti dimaksudkan.
HBAT ingin menentukan faktor mana yang dapat mempengaruhi kepuasan kerjanya para
karyawan. Variabel dependen (hasil) adalah kepuasan kerja, dan keduanya independen variabel
adalah bagaimana perasaan mereka tentang penyelia mereka dan bagaimana mereka menyukai
lingkungan kerja mereka. Masing-masing dari ketiga variabel ini dapat didefinisikan sebagai
konstruk laten. Setiap konstruk laten akan diukur dengan beberapa variabel indikator. Misalnya,
bagaimana perasaan karyawan tentang mereka supervisor mungkin diukur dengan tiga variabel
indikator berikut: (1) Supervisor saya mengenali potensi saya; (2) Atasan saya membantu saya
menyelesaikan masalah di tempat kerja; dan (3) Supervisor saya memahami tantangan
menyeimbangkan tuntutan pekerjaan dan rumah. Peneliti mengidentifikasi variabel indikator
spesifik yang terkait dengan setiap konstruk, biasanya didasarkan pada kombinasi studi serupa
sebelumnya dan situasi yang dihadapi. Ketika SEM diterapkan, peneliti dapat menilai kontribusi
dari masing-masing variabel indikator dalam mewakili yang terkait mengkonstruksikan dan
mengukur seberapa baik sekumpulan variabel indikator mewakili konstruksi (keandalan dan
validitas). Ini adalah komponen penilaian pengukuran SEM. Setelah konstruksi telah memenuhi
standar pengukuran yang diperlukan, hubungan antara konstruksi dapat diperkirakan. Ini adalah
komponen penilaian struktural SEM.
Meningkatkan Estimasi Statistik. Dalam semua teknik multivariat hingga saat ini,
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. Reliabilitas tidak
menjamin bahwa tindakan hanya mengindikasikan satu hal. Namun secara umum, Reliabilitas
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, Reliabilitas yang tinggi dikaitkan dengan kesalahan pengukuran
yang lebih rendah.
Variabel Prediktor. Dampak kesalahan pengukuran (dan keandalan yang sesuai) dapat
terjadi ditunjukkan dari ekspresi koefisien regresi sebagai berikut :

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.

SIX STAGES IN STRUCTURAL EQUATION MODELING

SEM telah menjadi pendekatan multivariat yang populer dalam periode waktu yang
relatif singkat. Para 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 tersebut sesuai dengan kenyataan sebagaimana diwakili oleh data.
Bagian ini 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
STAGE 1: DEFINING INDIVIDUAL CONSTRUCTS
Teori pengukuran yang baik adalah kondisi yang diperlukan untuk mendapatkan hasil
yang bermanfaat dari SEM. Tes hipotesis yang melibatkan hubungan struktural antara konstruk
tidak akan lebih dapat diandalkan atau valid daripada model pengukuran dalam menjelaskan
bagaimana konstruk ini dibangun. Peneliti harus meluangkan waktu dan upaya yang signifikan di
awal proses penelitian untuk memastikan kualitas pengukuran akan memungkinkan kesimpulan
yang valid untuk ditarik.
Operationalizing the Construct
Proses dimulai dengan definisi teoretis yang baik tentang konstruk yang terlibat. Definisi
ini memberikan dasar untuk memilih atau merancang item indikator individual. Seorang peneliti
mengoperasionalkan konstruk dengan memilih item skala pengukuran dan tipe skala. Dalam
penelitian survei, mengoperasionalkan hasil konstruksi dalam serangkaian item indikator
berskala dalam format umum seperti skala Likert atau skala diferensial semantik. Definisi dan
item berasal dari dua pendekatan umum.
SCALES FROM PRIOR RESEARCH Dalam banyak kasus, konstruksi dapat didefinisikan
dan dioperasionalkan sebagaimana dalam studi penelitian sebelumnya. Peneliti dapat melakukan
pencarian literatur pada konstruksi individu dan mengidentifikasi skala yang sebelumnya
dilakukan dengan baik. Sebagian besar penelitian hari ini menggunakan skala sebelumnya yang
diterbitkan dalam studi akademik. Kompendium skala sebelumnya tersedia dalam berbagai
disiplin ilmu.
NEW SCALE DEVELOPMENT Langkah-langkah membangun dapat dikembangkan.
Perkembangan ini sesuai ketika seorang peneliti mempelajari sesuatu yang tidak memiliki
sejarah yang kaya dari penelitian sebelumnya.
Pretesting. Ketika tindakan dikembangkan untuk studi atau diambil dari berbagai sumber,
beberapa jenis pretest harus dilakukan. Pretest harus menggunakan responden yang mirip dengan
yang berasal dari populasi yang akan diteliti untuk menyaring item untuk kesesuaian. Pretesting
sangat penting ketika skala diterapkan dalam konteks tertentu (mis., Situasi pembelian, industri,
atau contoh lain 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. Item yang tidak berperilaku secara statistik seperti yang diharapkan
mungkin perlu disempurnakan atau dihapus untuk menghindari masalah ini ketika model akhir
dianalisis.
STAGE 2: DEVELOPING AND SPECIFYING THE MEASUREMENT MODEL
Dengan item skala yang ditentukan, penelitian kemudian harus menentukan model
pengukuran. Pada tahap ini, setiap konstruk laten yang dimasukkan ke dalam model
diidentifikasi dan variabel indikator yang diukur (item) ditugaskan ke konstruk laten. Meskipun
identifikasi dan penugasan ini dapat diwakili oleh persamaan, lebih mudah untuk mewakili
proses ini dengan diagram.
Notasi SEM 
Elemen kunci dalam diagram jalur adalah notasi pelabelan untuk indikator, konstruksi,
dan hubungan di antara mereka. Setiap program perangkat lunak menggunakan pendekatan yang
agak unik, meskipun konvensi standar telah dikaitkan dengan LISREL yang hanya disebut
sebagai notasi LISREL. Meskipun banyak digunakan, notasi LISREL secara unik terkait
dengan penggunaan notasi matriks oleh program dan karenanya menjadi sulit bagi mereka yang
tidak memiliki pengalaman dengan LISREL.
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 konstruksi, hubungan struktural antara konstruksi, dan hubungan
korelasional antara konstruksi. Ada juga dua jenis istilah kesalahan, satu terkait dengan indikator
individual dan yang lainnya untuk konstruksi endogen. 

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.

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 dalam 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 cermat 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. 

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. 

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 (misalnya, cara membandingkan), 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 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). 

Missing Data Remedies. 

Empat metode dasar tersedia untuk menyelesaikan masalah data yang hilang: pendekatan kasus
lengkap (dikenal sebagai listwise penghapusan, di mana responden dihilangkan jika data yang
hilang pada variabel apa pun); pendekatan semua tersedia (dikenal sebagai berpasangan
penghapusan, di mana semua data yang tidak hilang digunakan); imputasi teknik(misalnya
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. 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.
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, itu hanya dapat digunakan ketika set data asli tersedia (yaitu, tidak dapat digunakan
hanya dengan matriks kovarians sebagai input). Kedua, dalam banyak kasus hanya menyediakan
sebagian kecil statistik kecocokan, 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 meneliti berbagai efek pengaturan ukuran sampel keseluruhan (N)
pada ukuran sampel penuh (jumlah pengamatan terbesar), ukuran sampel rata-rata, dan ukuran
sampel minimum (terkecil yang N 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.
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 Ketika data yang hilang lebih bermasalah dari ini,
keputusan pertama yang dihadapi peneliti adalah apakah akan memperbaiki masalah data yang
hilang sebelum proses estimasi. 
Semua pendekatan ini, memungkinkan peneliti untuk secara eksplisit memperbaiki data
yang hilang sebelum estimasi dan memahami implikasi dari pendekatan yang diambil. Jika
keputusannya adalah untuk memperkirakan model tanpa solusi untuk data yang hilang, maka
pendekatan FIML adalah alternatif terbaik. Dalam proses estimasi didasarkan pada data yang
tidak lengkap, yang mungkin atau mungkin tidak memiliki implikasi untuk hasilnya. Dengan
tidak adanya masalah yang serius pada data yang hilang, semua pendekatan akan menghasilkan
hasil yang sebanding. Dengan demikian peneliti memiliki pilihan untuk memperbaiki data yang
hilang sebelumnya atau melakukannya dalam proses estimasi. Dalam pengalaman yang ada,
sering dilakukan penyelesaian masalah data yang hilang sebelum memperkirakan model.
Sampel Size
Dalam beberapa hal SEM lebih sensitif terhadap ukuran sampel daripada pendekatan
multivariat lainnya. Beberapa algoritma statistik yang digunakan oleh program SEM tidak dapat
dipercaya pada sampel kecil. Ukuran sampel sama seperti dalam metode statistik lainnya, ukuran
sampel memberikan dasar untuk estimasi kesalahan pengambilan sampel. Pembahasan ukuran
sampel untuk SEM dapat diawali dengan 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. 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.
1. Normalitas Multivarian.
Karena data yang 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, hal ini selalu
 didorong untuk memberikan ukuran sampel yang cukup untuk memungkinkan dampak
kesalahan pengambilan sampel diminimalkan, terutama untuk data nonnormal.
2. 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 dapat memastikan solusi MLE yang stabil meningkat
ketika dihadapkan dengan pengambilan sampling eror. Mengingat kondisi yang kurang
ideal, suatu studi merekomendasikan ukuran sampel 200 untuk memberikan dasar yang
kuat dalam estimasi. Tetapi harus dicatat bahwa ketika ukuran sampel menjadi besar (>
400), metode ini menjadi lebih sensitif dan hampir semua perbedaan dapat terdeteksi,
membuat langkah-langkah good-of-fit menghasilkan saran poor fit. Akibatnya, ukuran
sampel dalam kisaran 100 hingga 400 disarankan tergantung pada pertimbangan lain
yang dibahas selanjutnya.
3. 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 kompleks dengan cara lain yang
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 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.
4. Data yang 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 hilang yang lebih tinggi, peneliti harus merencanakan peningkatan ukuran
sampel untuk mengimbangi masalah apapun dari data yang hilang.
 5. 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 (misalnya, Konstruksi yang tidak teramati tidak
menjelaskan banyak variasi dalam 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. Masalahnya dibesar-besarkan ketika model memiliki
konstruksi dengan hanya satu atau dua item.
Karena SEM 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. Hal ini 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 telah
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 tidak ada 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. Perlu diingat
bahwa analisis kelompok mengharuskan setiap kelompok memenuhi persyaratan ukuran sampel
yang baru saja dibahas. Akhirnya, harus ingat bahwa masalah ukuran sampel melampaui
kemampuan untuk memperkirakan model. Ukuran sampel, sama 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 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 lain, yang paling penting dalam menyiapkan analisis SEM adalah
menentukan dan mengkomunikasikan struktur model teoritis ke program. Diagram jalur, seperti
yang ada dalam contoh sebelumnya, dapat berguna untuk tujuan ini. Mengetahui struktur model
teoretis, 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. Seperti yang telah disebutkan 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 mereka yang menggunakan AMOS dengan antarmuka yang sepenuhnya
grafis.
Tetapi tidak peduli pendekatan apa yang diambil, setiap pendekatan melakukan fungsi
yang sama yaitu 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. Hal yang paling sering ditemukan
adalah 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. Upaya 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 yang tersedia seperti weighted least square
(WLS), generalised least square (GLS), dan asymptotically distribution free (ADF). 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
dipercaya dalam banyak keadaan.
Program Komputer
Beberapa program statistik telah tersedia dan siap untuk melakukan SEM. Secara
tradisional, program yang paling banyak digunakan adalah LISREL (LInear Structural
RELations). LISREL adalah program yang fleksibel yang dapat diterapkan dalam berbagai
situasi (misalnya, 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. AMOS (Analysis of Moment
Structures) adalah program yang mendapatkan popularitas karena selain menjadi modul dalam
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. Akhirnya, CALIS adalah program SEM yang tersedia dalam SAS.
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, hal 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. Semua program ini tersedia dalam 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.
TEKNIK ESTIMASI Setelah model ditentukan, peneliti harus memilih metode estimasi yang
akan digunakan untuk mengidentifikasi perkiraan untuk setiap parameter yang bebas. Beberapa
opsi tersedia untuk mendapatkan solusi SEM. Upaya awal estimasi model persamaan struktural
dilakukan dengan ordinary least square (OLS). Upaya ini dengan cepat digantikan oleh
maximum likelihood estimation (MLE), yang lebih efisien dan tidak memihak ketika asumsi
normalitas multivariat terpenuhi. MLE adalah pendekatan yang fleksibel untuk estimasi
parameter di mana "kemungkinan besar" nilai parameter untuk mencapai kesesuaian model
terbaik dapat ditemukan. Namun, ketidaknormalan menciptakan kebutuhan akan teknik estimasi
alternatif. Metode seperti weighted least square (WLS), generalised least square (GLS), dan
asymtotically distribution free (ADF). Teknik ADF telah menerima perhatian khususnya karena
ketidakpekaan terhadap data non-normalitas,. Para peneliti membandingkan MLE dengan teknik
lain, dan itu menghasilkan hasil yang dapat diandalkan di berbagai keadaan.
PROGRAM KOMPUTER Beberapa program statistik yang tersedia mudah untuk membentuk
SEM. Secara tradisional, program yang paling banyak digunakan adalah LISREL (Linear
Structural Relation). LISREL adalah program fleksibel yang dapat diterapkan dalam berbagai
situasi (yaitu, cross-sectional, eksperimental, quasi-eksperimental, dan studi longitudinal) dan
telah menjadi hampir identik dengan pemodelan persamaan struktural. EQS (sebenarnya
merupakan singkatan untuk persamaan) adalah program lain yang tersedia secara luas yang juga
dapat melakukan regresi, analisis faktor, dan uji model strauktural. AMOS (Analysis of Moment
Structures) adalah program yang paling populer karena selain menjadi modul dalam SPSS, hal
itu juga merupakan salah satu program SEM pertama yang menggunakan graphical interface
untuk semua fungsi sehingga peneliti tidak perlu menggunakan perintah sintaks atau kode
komputer. Mplus adalah program pemodelan dengan berbagai teknik yang juga memiliki
graphical interface. B 2
Tahapan SEM 1-3
 Ketika suatu model memiliki skala yang dipinjam dari berbagai sumber yang melaporkan
penelitian lain, penggunaan pretest responden yang mirip dengan populasi yang akan diteliti
direkomendasikan untuk menyaring item untuk kesesuaian.
 Penghapusan pasangan kasus yang hilang secara berpasangan (pendekatan yang tersedia)
adalah alternatif yang baik untuk menangani data ketika jumlah data yang hilang kurang dari
10% dan ukuran sampel sekitar 250 atau lebih.
o Ketika ukuran sampel menjadi kecil atau ketika data yang hilang melebihi 10%, salah
satu dari metode imputasi untuk data yang hilang menjadi alternatif yang baik untuk
menangani data yang hilang.
o Ketika jumlah data yang hilang menjadi sangat tinggi (15% atau lebih), SEM
mungkin tidak tepat.
 Matriks kovarian menyediakan fleksibilitas informasi yang jauh lebih besar kepada peneliti
dan merupakan bentuk input yang direkomendasikan untuk model SEM.
 Ukuran sampel minimum untuk model SEM tertentu tergantung pada beberapa faktor,
termasuk kompleksitas model dan komunalitas (varian rata-rata diekstraksi di antara item) di
setiap faktor:
 Model SEM berisi lima atau lebih sedikit konstruksi, masing-masing dengan lebih dari tiga
item (Observe variable), dan dengan komunalitas item tinggi (0,6 atau lebih tinggi), dapat
diperkirakan dengan memadai sampel sekecil 100 hingga 150.
o Ketika jumlah faktor lebih besar dari enam, beberapa di antaranya memiliki kurang
dari tiga yang diukur
o Item sebagai indikator, dan beberapa komunitas rendah hadir, persyaratan ukuran
sampel mungkin melebihi 500.
 Tidak peduli pendekatan pemodelan, ukuran sampel harus cukup untuk memungkinkan
model berjalan, tetapi, yang lebih penting, itu harus mewakili populasi yang cukup.
TAHAP 4: MENILAI VALIDITAS MODEL PENGUKURAN
Dengan model pengukuran yang ditentukan, data yang cukup dikumpulkan, dan key decision
seperti teknik estimasi yang telah dibuat, peneliti datang ke acara paling mendasar di Indonesia.
Pengujian SEM: "Apakah model pengukuran valid?" Validitas model pengukuran tergantung
pada (1) menetapkan tingkat good-of-fit yang dapat diterima untuk model pengukuran dan (2)
temuan bukti spesifik validitas konstruk.  Goodness-of-fit (GOF) menunjukkan seberapa baik
model yang ditentukan mereproduksi kovarians yang diamati matriks ance di antara item
indikator (yaitu, kesamaan kovarians matriks yang diamati dan diperkirakan) Dengan demikian,
sejumlah langkah-langkah GOF alternatif tersedia untuk peneliti. Setiap ukuran GOF unik, tetapi
tindakan dikelompokkan menjadi tiga kelompok umum: tindakan absolut, tindakan tambahan,
dan langkah-langkah fit kekikiran. 
Dasar-dasar dari Goodness-of-Fit
Setelah model tertentu diperkirakan, model cocok membandingkan teori dengan kenyataan
dengan menilai similaritas dari estimasi matriks kovarians (teori) menjadi kenyataan (matriks
kovarians yang diamati). Jika sebuah teori peneliti itu 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 kedua matriks ini satu sama lain,
semakin model dikatakan cocok. Kita mulai dengan memeriksa chi-square ( 2 ), karena itu
adalah ukuran mendasar dari perbedaan antara matriks kovarians yang diamati dan yang
diperkirakan. Kemudian diskusi berfokus pada perhitungan tingkat kebebasan dan akhirnya pada
bagaimana kesimpulan statistik dipengaruhi oleh ukuran sampel dan dorongan yang
menyediakan langkah-langkah alternatif GOF.
CHI-SQUARE ( χ2 ) GOF
Perbedaan dalam matriks kovarians yang diamati dan diperkirakan (disebut S dan χk , masing-
masing) adalah nilai kunci dalam menilai GOF dari setiap model SEM. Chi-squareX2 (χ2) tes
adalah satu-satunya uji statistik perbedaan antara matriks dalam SEM dan diwakili secara
matematis dengan persamaan berikut atau N adalah ukuran sampel keseluruhan. Perlu dicatat
bahwa bahkan jika perbedaan dalam matriks kovarians (yaitu residual) tetap konstan,
nilai χ2 meningkat dengan meningkatnya ukuran sampel. Demikian juga, perkiraan matriks
kovarians dipengaruhi oleh berapa banyak parameter yang ditentukan (yaitu, gratis) di model
(yang k di χk ), sehingga derajat model kebebasan juga mempengaruhi uji GOF.
DERAJAT KEBEBASAN (DF) Seperti prosedur statistik lainnya, derajat kebebasan
mewakili jumlah informasi matematika yang tersedia untuk memperkirakan parameter
model. Jumlah derajat kebebasan untuk model SEM ditentukan oleh p yang adalah jumlah total
variabel yang diamati dan k adalah jumlah parameter yang diperkirakan (gratis). Derajat
kebebasan dalam SEM didasarkan pada ukuran matriks kovarians, yang berasal dari jumlah
indikator dalam model. Peneliti tidak mempengaruhi derajat kebebasan melalui ukuran sampel,
tetapi melihat bagaimana ukuran sampel mempengaruhi penggunaan chi-square sebagai ukuran
GOF.
SIGNIFIKANSI STATISTIK OF χ2
Hipotesis nol tersirat dari SEM adalah sampel yang diamati dan SEM memperkirakan matriks
kovarians sama, yang berarti bahwa model tersebut sangat cocok. Nilai χ2 meningkat ketika
perbedaan (residu) ditemukan ketika membandingkan dua matriks. Dengan tes χ2, kemudian
menilai probabilitas statistik bahwa sampel yang diamati dan SEM memperkirakan matriks
kovarian dalam populasi tertentu. Probabilitas ini adalah nilai p- tradisional yang dikaitkan
dengan uji statistik parametrik. Perbedaan penting antara SEM dan teknik multivariat lainnya
juga terjadi dalam uji statistik untuk GOF. Untuk teknik lain kami biasanya mencari nilai p- lebih
kecil (kurang dari 0,05) untuk menunjukkan bahwa ada hubungan yang signifikan. Chi-square
juga dapat digunakan ketika membandingkan model karena perbedaan dalam chi-square antara
dua model dapat diuji untuk signifikansi statistik. Jika peneliti mengharapkan perbedaan antara
model (misalnya, perbedaan dalam dua model disatukan untuk pria dan
wanita), nilai χ2 besar akan memberikan dukungan bahwa model berbeda. Chi-square ( 2 )
adalah ukuran statistik mendasar dalam SEM untuk mengukur perbedaan antara matriks
kovarians. Ketika digunakan sebagai ukuran GOF, perbandingannya mengamati dan
memprediksi matriks kovarians. Namun penilaian yang sebenarnya dari GOF dengan nilai χ2
diperumit oleh beberapa faktor yang dibahas pada bagian selanjutnya. 
Indeks Kecocokan Mutlak. Indeks kecocokan absolut adalah ukuran langsung dari seberapa
baik model yang ditentukan oleh peneliti mereproduksi data yang diamati.
χ2 STATISTIK Indeks kecocokan absolut yang paling mendasar adalah statistik χ2. Ini adalah
satu-satunya secara statistik berdasarkan pengukuran kesesuaian SEM dan pada dasarnya sama
dengan statistik χ2 yang digunakan dalam klasifikasi analisis silang antara dua ukuran
nonmetrik. Namun, satu perbedaan penting adalah ketika digunakan sebagai ukuran GOF,
peneliti tidak mencari perbedaan antara matriks (yaitu, nilai χ2 rendah) untuk mendukung model
sebagai perwakilan dari data. χ2 GOF statistik memiliki dua sifat matematika yang bermasalah
dalam penggunaannya sebagai GOF untuk pengukuran:
1.  Pertama, statistik χ2 adalah fungsi matematika dari ukuran sampel (N) dan perbedaan antara
matriks kovarians yang diamati dan yang diperkirakan. Ketika N meningkat, maka nilai χ2
juga meningkat, bahkan jika perbedaan antara matriks identik.
2. Kedua, meskipun mungkin tidak jelas, 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 model yang sesuai.
Meskipun ukuran sampel yang lebih besar sering diinginkan, hanya saja peningkatan ukuran
sampel itu sendiri akan membuat lebih sulit bagi model-model untuk mencapai GOF statistik
tidak signifikan. Selain itu, karena lebih banyak indikator ditambahkan ke model akan
membuatnya lebih sulit dalam menggunakan chi-square untuk menilai kesesuaian model
sehingga Tes GOF χ2 sering tidak digunakan sebagai ukuran GOF tunggal. Singkatnya, statistik
uji kal atau nilai- p yang dihasilkan kurang berarti karena ukuran sampel menjadi besar atau
jumlah variabel yang diamati menjadi besar.
GOODNESS-OF-FIT INDEX (GFI) GFI merupakan upaya awal untuk menghasilkan fit
statistic yang kurang sensitif terhadap ukuran sampel. Meskipun N tidak termasuk dalam rumus,
statistik ini masih sensitif terhadap ukuran sampel karena pengaruh N pada distribusi sampling.
Tidak ada uji statistik yang dikaitkan dengan GFI, hanya pedoman yang cocok. Kisaran nilai GFI
yang mungkin adalah 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan fit yang lebih
baik. Di masa lalu, nilai GFI lebih besar dari 0,90 biasanya dianggap baik. Yang lain
berpendapat bahwa 0,95 seharusnya yang digunakan. Perkembangan terbaru dari fit indices
lainnya telah menyebabkan penurunan dalam penggunaan.
ROOT MEAN SQUARE ERROR OF APPROXIMATION (RMSEA) Salah satu
pengukuran yang paling banyak digunakan untuk mencoba mengoreksi kecenderungan statistik
uji χ2 GOF untuk menolak model dengan sampel besar atau sejumlah besar variabel yang
diamati adalah root mean square error of approximation (RMSEA). Dengan demikian, hal ini
menggambarkan dengan lebih baik sebuah model yang fit dengan populasi, bukan hanya sampel
yang digunakan untuk estimasi [25]. Hal ini secara eksplisit mencoba untuk mengoreksi
kompleksitas model dan ukuran sampel dengan termasuk masing-masing dalam perhitungannya.
Nilai RMSEA yang lebih rendah menunjukkan fit 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
merupakan hal yang tidak disarankan. Pemeriksaan empiris terhadap beberapa tindakan
ditemukan bahwa RMSEA paling cocok untuk digunakan dalam strategi model konfirmasi atau
bersaing sebagaimana sampel menjadi lebih besar. 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, hal ini memungkinkan kami untuk melaporkan bahwa RMSEA adalah antara 0,03 dan
0,08, misalnya, dengan kepercayaan 5%.
ROOT MEAN SQUARE RESIDUAL (RMR) AND STANDARDIZED ROOT MEAN
RESIDUAL (SRMR). Seperti yang dibahas sebelumnya, kesalahan dalam prediksi untuk setiap
istilah kovarian menciptakan residual. Saat kovarian digunakan sebagai input, residu dinyatakan
dalam istilah kovarian, yang membuatnya sulit untuk ditafsirkan karena mereka dipengaruhi oleh
skala indikator. Tetapi residu standar (SR) secara langsung dapat dibandingkan. Nilai SR rata-
rata adalah 0, yang berarti residu positif dan negative dapat terjadi. Dengan demikian, kovarians
yang diprediksi lebih rendah dari nilai yang diamati menghasilkan residu positif, sedangkan
kovarians yang diprediksi lebih besar dari hasil pengamatan menghasilkan residu negatif. Aturan
umum adalah meneliti dengan cermat setiap 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 dari ketentuan kovarians individu dan tidak
mencerminkan keseluruhan model yang fit. Apa yang dibutuhkan adalah nilai residu
"keseluruhan", dan dua langkah dianggap telah muncul dalam hal ini. Pertama adalah root mean
square residual (RMR), yang merupakan akar kuadrat dari rata-rata kuadrat residual: rata-rata
residu. Namun RMR memiliki masalah yang sama sebagaimana residu yaitu bahwa mereka
terkait dengan skala kovarian. Statistik alternatif adalah standardized root mean residual
(SRMR). Nilai terstandarisasi RMR ini (yaitu, rata-rata residual standar) berguna untuk
membandingkan fit antar model. Meskipun tidak ada level ambang batas statistik yang dapat
ditetapkan, peneliti dapat menilai signifikansi praktis dari besarnya SRMR dalam tujuan
penelitian dan kovariansi yang diamati atau aktual atau korelasi. Nilai RMR dan SRMR yang
lebih rendah mewakili fit yang lebih baik dan nilai yang lebih tinggi mewakili fit yang lebih
buruk, yang menempatkan RMR, SRMR, dan RMSEA ke dalam kategori indeks yang kadang-
kadang dikenal sebagai pengukuran badness-of-fit di mana nilai tinggi menunjukkan fit yang
buruk. Aturan praktisnya adalah bahwa SRMR lebih dari 0,1 menyatakan ada sebuah masalah
dengan fit, meskipun ada kondisi yang membuat SRMR menjadi tidak layak.
NORMED CHI-SQUARE Pengukuran GOF ini adalah rasio sederhana χ2 terhadap derajat
kebebasan untuk sebuah 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 khusus lainnya, seperti tingkat kompleksitas model yang tinggi. Hal ini
banyak digunakan karena jika tidak disediakan langsung oleh program perangkat lunak, dapat
dihitung dengan mudah dari hasil model.
Incremental Fit Indices
Indeks fit inkremental berbeda dari indeks fit absolut dalam hal menilai seberapa baik perkiraan
model fit relatif dengan 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 mungkin dapat meningkatkan model,
karena tidak mengandung faktor multi-item atau hubungan di antara mereka. Kelas indeks fit ini
menunjukkan peningkatan fit oleh spesifikasi konstruksi multi-item yang terkait.
Sebagian besar program SEM menyediakan beberapa indeks fit inkremental sebagai
output standar. Program berbeda menyediakan statistik fit yang berbeda, sehingga Anda
mungkin tidak menemukan semua ini pada output SEM secara khusus. Juga, mereka kadang-
kadang disebut sebagai indeks fit komparatif karena alasan yang jelas. Di bawah ini tercantum
beberapa pengukuran fit inkremental yang paling banyak digunakan, tetapi TLI dan CFI adalah
yang dilaporkan paling banyak digunakan.
NORMED FIT INDEX (NFI) NFI adalah salah satu indeks fit inkremental asli. Ini adalah
rasio dari perbedaan 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 fit sempurna akan menghasilkan
NFI dari 1. Suatu kerugiannya adalah model yang lebih kompleks tentu akan memiliki nilai
indeks lebih tinggi dan secara buatan mengembangkan perkiraan model fit. Akibatnya, hari ini
digunakan lebih sedikit dalam kaitannya dengan salah satu dari pengukuran fit tambahan berikut.
TUCKER LEWIS INDEX (TLI) TLI secara konseptual mirip dengan NFI, tetapi berbeda
dalam hal sebenarnya merupakan perbandingan nilai normed chi-square untuk model nol dan
ditentukan, yang sampai taraf tertentu memperhitungkan kompleksitas model akun. Namun, TLI
tidak dinormalkan, dan dengan demikian nilainya dapat turun di bawah 0 atau di atas 1.
Biasanya, model dengan fit memiliki nilai yang mendekati 1, dan model dengan nilai yang lebih
tinggi menunjukkan fit yang lebih baik daripada model dengan nilai yang lebih rendah.
Comparative Fit Index (CFI). CFI adalah indeks fit inkremental yang merupakan versi
yang ditingkatkan dari normed fit index (NFI). CFI dinormalkan sehingga nilainya berkisar
antara 0 dan 1, dengan nilai yang lebih tinggi menunjukkan fit yang lebih baik. Karena CFI
memiliki banyak properti yang diinginkan, termasuk relasinya, tetapi tidak lengkap,
ketidakpekaan terhadap kompleksitas model, itu adalah di antara indeks yang paling banyak
digunakan. Nilai CFI di atas 0.90 biasanya dikaitkan dengan model yang fit.

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.