

Agung Budi Santoso

Membumikan Ilmu Pengetahuan

b MENU

HOMEPAGE / POJOK STATISTIK / REGRESI / PERBEDAAN REGRESI, PATH ANALYSIS, DAN STRUCTURAL EQUATION MODELING

Perbedaan Regresi, Path Analysis, dan Structural

Equation Modeling
 By Agung Posted on November 14, 2018

Jika anda sudah paham dengan judul diatas, saya berasumsi bahwa anda sudah mengerti tentang tehnik
dasar regresi berganda. Karena pada artikel ini saya akan membahas ketiga perbedaan analisis tersebut,
sehingga point dasar pada regresi sudah dianggap paham sebelumnya. Akan lebih senang jika anda
sudah mengenal ketiganya, karena catatan ini merupakan resume dari hasil pembelajaran, sehingga akan
lebih baik jika ada yang bisa menambahkan.

Ketiga analisis tersebut, regresi, path analysis, dan SEM structural equation modeling merupakan alat
analisis yang menceritakan korelasi antar dua atau lebih peubah. Namun terdapat perbedaan mendasar
dari pemakaian dan ciri khas penggunaan masing-masing. Diharapkan setelah anda membaca artikel ini
mampu memilih analisis yang akan digunakan dan menyiapkan data sesuai dengan analisis tersebut.
Maksud kata “menyiapkan data” disini adalah mensinkronkan skala pengukuran data terhadap
persyaratan minimal yang diperlukan sehingga tidak terjadi pengulangan survey ke lapangan.

Regresi
Regresi terdapat beberapa jenis, regresi sederhana, berganda,logistik, dan panel. Kesemua jenis regresi
itu menceritakan tentang hubungan langsung antara independen variabel terhadap dependennya. Jenis
hubungannya “langsung dan searah”. Langsung berarti masing masing variabel independen berkorelasi
dengan dependen tanpa melihat adanya hubungan antar variabel independen. Bahkan multikolinear tidak
diperkenankan dalam regresi. Jika ada multikoliniear, atau korelasi antar variabel independen justru akan
menggangu kebaikmodelan sebuah model regresi.

Maksud dari kata searah bahwa tidak akan ditemui dalam regresi hubungan timbal balik. Jika X
mempengaruhi Y maka artinya hubungannya hanya mengarah dari X ke Y. Padahal, dalam kehidupan
sehari-hari terutama pada penelitian sosial, sulit ditemui variabel yang berdiri sendiri dan hanya memiliki
hubungan searah. Misalnya jumlah tenaga kerja dan pupuk mempengaruhi produksi. Besar kemungkinan
tenaga kerja juga mempengaruhi ketersediaan pupuk. Artinya peran tenaga kerja selain memiliki
hubungan langsung terhadap produksi juga sebenarnya memiliki hubungan tidak langsung melalui
variabel pupuk. Selain itu, produksi yang tinggi jika dipikirkan juga mempengaruhi tenaga kerja lho?
Bayangkan jika pemerintah memiliki rencana LTT tanpa ada petani di daerah?

Jika demikian, mengapa kita gunakan regresi? Artinya regresi tidak baik untuk sebuah penelitian?
Penelitian terbagi dari berbagai jenis, salah satunya adalah penelitian dasar. Dengan berasumsikan
cateris paribus, kita bisa melihat karakteristik hubungan antar variabel melalui regresi. Sama halnya
dengan penelitian pilot yang mengkondisikan lingkungan ideal dan mengamati perilaku dari objek
penelitiannya, sifat dari regresi mirip seperti itu dalam lingkup sosial. Maka jika anda ingin megetahui
pengaruh dasar suatu variabel terhadap variabel lain, maka anda sebaiknya menggunakan regresi, bukan
dengan path ataupun SEM structural equation modeling, karena path dan SEM structural equation modeling
sifatnya adalah confirmatory analysis. Terlebih lagi jika anda akan menggunakan suatu persamaan untuk
memprediksi nilai Y, jelas regresi akan lebih baik dibandingkan yang lainnya.
Oke.. tidak perlu berlama lama teori, kita praktek. Namun dalam sub judul regresi ini saya tidak praktek
langsung karena sudah banyak saya menulis artikel tentang regresi termasuk tips mendapatkan model
yang baik. Silahkan anda melihat kumpulan artikel tentang regresi di blog ini, atau membaca buku regresi.

Kumpulan artikel tentang regresi

Path analysis
Path analysis merupakan analisis yang digunakan untuk kajian hubungan yang berbentuk sistem. Kata
hubungan merujuk kepada nilai korelasi. Path analysis menjelaskan hubungan langsung dan tidak
langsung antar peubah baik itu independen maupun dependen variabel. Dengan begitu, persyaratan
multikolinear tidak berlaku di path analysis, karena justru multikolinear itulah yang akan dibahas dalam
Path untuk menunjukkan hubungan tidak langsung. Hubungan langsung dan hubungan tidak langsung ini
nantinya akan dijumlahkan untuk mengetahui total hubungan variabel independen ke variabel
dependennya.

Path analysis bersifat confirmatory, bukan explanatory. Jadi, variabel variabel yang digunakan dalam path
harus didasari oleh teori atau setidaknya penelitian terdahulu. Berbeda halnya dengan regresi yang
mengasumsikan cateris paribus, bisa digunakan untuk explanatori yang hasilnya dikonfirmasi dengan
path analysis ini. Jika anda hanya ingin mengkonfirmasi teori bahwa ada hubungan X dan Y dan tidak
menggunakan rumus persamaan untuk memprediksi nilai Y, maka path bisa menjadi pertimbangan.

Asumsi dasar yang digunakan dalam Path adalah model linear dan semua peubah diukur dalam skala
minimal interval. Jadi tidak ada ceritanya variabel dummy dibuat dalam path ini, jika toh sudah terlanjur
ada maka harus dilakukan konversi terlebih dahulu.

Asumsi kedua bahwa spesifikasi model adalah benar sehingga semua model kausal ditentukan dari
model sebenarnya. Ini mengacu kepada sifat dari path analysis yang merupakan konfirmasi dari sebuah
model.

Error antara variabel independen tidak berkorelasi. Juga antara sesama error tidak berkorelasi. Hal ini
menunjukkan bahwa path analysis mengasumsikan bahwa error benar benar menyebar (tidak berpola)
yang artinya bahwa model sudah bersifat fix linear dan sebab akibat (masih ingat pola error yang berpola
di regresi panel?)

Dalam satu hubungan tidak diperbolehkan satu peubah menjadi peubah penyebab sekaligus peubah
akibat. Jadi pembagiannya tetap jelas antara variabel penyebab dan variabel akibat.

Perhatikan gambar berikut:

 contoh hubungan variabel dalam path

Jadi antara X dan Z ada dua hubungan, yakni hubungan langsung yang mengarah ke Z, dan hubungan
tidak langsung melalui V maupun melalui Y.

Variabel V dan Y inilah yang dinamakan dengan variabel mediator. Variabel ini yang bisa memperkuat
hubungan X dan Y bisa juga sebaliknya, justru melemahkan. Nanti bisa dilihat dari tanda negatif atau
positif nilai korelasinya.

Ada dua jenis anak panah dalam gambar nantinya, panah satu arah yang menunjukkan hubungan
kausalitas (sebab dan akibat) dan panah dengan dua arah yang menunjukkan hubungan korelasional.

Lalu bagaimana cara menghitung total hubungannya?

Perhatikan gambar berikut:

perhitungan hubungan total dalam variabel

Hubungan X ke Z
Pengaruh Langsung: X->Z = -0.2
Pengaruh Tak langsung:
X-V-Z = -0.1 x 0.4 = -0.04
X-Y-Z = 0.5 x -0.6 = -0.30
X-Y-V-Z = 0.5 x -0.5 x 0.4 = -0.10
Total pengaruh X ke Z = -0.2-0.04-0.30-0.10=-0.64
Analisis Faktor dan variabel Laten
Didalam path analysis terkadang dijumpai istilah variabel laten dan variabel manifes. Variabel manifes
adalah variabel yang secara kuantitatif dapat langsung diukur. Misalnya variabel pendapatan, biaya,
kepuasan, dan lain lain. sedangkan varaibel laten adalah variabel yang secara kuantitatif tidak dapat
dihitung, namun besarannya dapat ditentukan melalui group variabel manifes yang mendekatinya.
Misalnya kita mengukur tentang kualitas komunikasi bisnis. Variabel tersebut tidak dapat diukur
langsung. Tetapi diperoleh dari sekumpulan variabel manifes yang mencerminkan variabel kualitas
komunikasi bisnis tersebut. Misalnya variabel banyaknya feedback, nilai kepuasan konsumen, delay
waktu, ketepatan informasi dan lain lain.

Artinya, dalam penelitian atau survey, variabel laten ini kosong, belum ada data. Data diambil dari variabel
variabel manifesnya.  Pengelompokkan variabel manifes iniah yang biasa disebut sebagai analisis faktor.

Sebagian berpendapat bahwa adanya variabel laten inilah yang membedakan path dan SEM structural
equation modeling nantinya. Menurut saya, dalam path analysis biasanya hanya ada satu variabel latennya
karena path menjelaskan hanya satu jalur sebab akibat. Sedangkan pada SEM structural equation
modeling, terdapat beberapa jalur path dan beberapa variabel laten yang menunjukkan hubungan antara
variabel laten tersebut.

Sampai sini sudah jelas ya perbedaan antara regresi dan path analysis? Klo memang anda akan
menggunakan path analysis, maka buat konsep dulu tentang variabel yang akan digunakan dengan teori
teori yang ada. Kemudian dalam pembuatan kuesioner, minimal data yang akan diperoleh adalah data
INTERVAL.

Terlebih bagi anda yang menanyakan tentang variabel mediasi, variabel mediasi memang boleh saja hasil
perkalian antara dua variabel independen. Namun, jika anda melakukannya didalam regresi pasti akan
terjadi multikolinear. Dan ingat, variabel dummy tidak bisa dilakukan kalkulasi perkalian untuk
memperoleh variabel mediasi tersbeut. Jadi, sebaiknya gunakan variabel interval dan path analysis
sebagai alatnya.

Baik, sekarang kita praktek langsung bagaimana mengolah path analysis. Saya punya data sebagai
latihan bersama, silahkan diunduh:

Latihan Path dan SEM

Kumpulan syntax dalam SEM

Path analysis bisa menggunakan SPSS, namun kali ini saya menggunakan lisrel 8.8 karena di bagian
bawah saya akan langsung menjelaskan tentang SEM structural equation modeling untuk data latihan
yang sama.

Pertama buka software lisrel

software lisrel

Kemudian klik file – import data. Pilih file excel yang sudah di download diatas. File of typenya diganti
dulu dengan csv agar file excelnya muncul di kotak windows. Klik open

import data ke lisrel

Akan muncul save as. Silahkan save as dalam format asf dimanapun anda inginkan. Kemudian klik OK
 data yang diimpor dari excell

Kemudian kita define variabel dengan cara klik data – define variabels. Akan muncul box windows kita
pilih varoabel yang akan diubah atau select all, klik variable type. Pilih continous dan klik OK dan OK

cara define variable

Kemudian kita lanjutkan dengan screening data untuk mengetahui adakah kesalahan input data. Klik
statistic – data screening. Biasanya akan minta save terlebih dahulu sebelum melakukan screening.
Tunggu sebentar dan akan keluar hasil berupa analisis descriptive dari masing masing variabel.
 proses screening data

Sebelum membuat path diagram kita uji normalitas untuk mengetahui sebaran data menyebar normal
atau tidak untuk memenuhi persyaratan diatas. Klik statistic – normal scores. Dalam variabel list pilih
semua, kemudian klik add.

Klik output option di box dialog yang sama, beri checklist pada perform tests of multivariate normality.
Klik OK

uji normalitas dalam SEM structural equation modeling

Outputnya sebagai berikut

 output normalitas dalam lisrel

Lihat nilai p valuenya.. jika sudah lebih besar dari 0.05 artinya data sudah siap diolah (data menyebar
normal). Jika p value masih leboh kecil dari 0.05 artinya data belum menyebar normal. Tentang uji
normalitas akan saya jelaskan di artikel terpisah.

Kita simpan matrix korelasi atau koragam terlebih dahulu, klik statistik – output option, kemudian muncul
box windows, moment matrix pilih covariance, beri centang pada save to file dan tentukan dimana anda
akan menyimpannya. Sebaiknya jangan terlalu sulit karena alamatnya filenya akan ditulis manual di
syntax. Klik OK

save covariance dalam lisrel

Dalam contoh ini saya akan menggunakan X4 X5 X6 dan X7 sebagai variabel manifes dari variabel laten
yang saya beri nama komunikasi bisnis. Selanjutnya kita akan susun dalam simplis project

Klik file – new, pilih simplis project, klik OK. Otomatis akan meminta untuk save as, beri nama sesuai
keinginan anda, klik save

Kemudian copy paste syntax pada file txt yang anda download diatas atau seperti ini:
Model CFA: komunikasibisnis
observed variables X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
Covariance Matrix from le D:/data1.cov
Latent Variables komunikasibisnis
Sample Size 100
Relationships
X4-X7 =komunikasibisnis
options: SS SC
Path Diagram
End of Problems
Model CFA merupakan singkatan dari Confirmatory Factor Analysis. Pada baris kedua merupakan alamat
dimana anda menyimpan file covariance tadi (format “.cov”). kemudian klik run atau yang dilingkari
merah

Maka hasilnya adalah:

Perhatikan bagian yang dilingkari merah, disana ada beberapa bagian. Gunakan standardized sollution
untuk melihat nilai korelasi setiap variabel, dan gunakan T values untuk melihat signifikansi setiap
korelasinya. Biasanya korelasi yang tidak signifikan akan otomatis berwarna merah pada T valuenya.

Gambar diatas adalah nilai T values maisng masing korelasinya.

Bagaimana jika saya tidak mau menggunakan varaibel laten? Tetapi menggunakan  variabel yang ada.
Anggap saja variabel X5 sebagai variabel dependen dari variabel X1 hingga X4.

Kemudian X7 merupakan variabel dependennya dari X5 dan X6, atau bisa dinotasikan

f(X5) = (X1, X2, X3, X4)

f(X7) = (X5, X6)

caranya sama dengan diatas, hanya menggunakan syntax yang agak berbeda pada barisan relationship
yakni menjadi:

Model CFA: komunikasibisnis

observed variables X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
Covariance Matrix from le D:/data1.cov
Sample Size 100
Relationships
X5 =X1-X4
X7 =X5-X6
options: SS SC
Path Diagram
End of Problems
Hasilnya adalah:
Gambar diatas untuk nilai korelasinya

Untuk nilai signifikansinya, terlihat beberapa diantara warna merah yang artinya tidak signifikan.

Penjelasan output sudah saya jelaskan diatas, jadi silahkan bereksplorasi tentang hubungan masing
masing X ke X7.

Structural Equational Modeling

Seperti yang sudah saya jelaskan sebelumnya bahwa perbedaan SEM structural equation modeling dilihat
dari struktur diagramnya lebih kompleks dan lebih dalam dibandingkan path analysis. Jadi dalam Sem
bisa terdapat persamaan regresi yang lebih dari 2 yang digambarkan dalam sebuah model yang saling
terintegrasi.

Dalam SEM structural equation modeling variabel laten terbagi menjadi 2 yakni variabel endogenous dan
eksogenous. Variabel eksogenous adalah variabel yang tidak ditentukan  variabel lain dalam model
(hampir sama dengan pengertian independen variabel). Dalam sem variabel eksogenous ditunjukkan
dengan variabel yang memiliki arah panah keluar. Sebaliknya, variabel indogen memiliki panah kedalam,
yang berarti nilai variabelnya dipengaruhi oleh variabel lain.
Perlu ditekankan bahwa SEM structural equation modeling merupakan pendekatan yang terintegrasi
antara analisis data empirik dengan pengembangan konsep teoritik. Jadi sebelum membuat model, perlu
adanya dukungan teori yang kuat yang kemudian teori tersebut dibuktikan dengan data empiris di
lapangan.

Mengenai teori dan rumus rumusnya silahkan anda membaca buku text tentang SEM. Artikel ini saya buat
untuk mencatat langkah teknis dalam software. Mari Langsung saja kita praktek. Data yang digunakan
masih sama dengan data yang digunakan di Path. Langkah import sampai dengan save covariance sama
dengan langkah path diatas. Yang membedakan adalah syntax yang kita tuliskan dalam sofware.

Seperti yang disebutkan diatas, pembuatan model SEM structural equation modeling perlu didasarai oleh
teori. Saya asumsikan disini bahwa model yang akan saya buat sudah memilii teori. Karena ini hanya
latihan, tentu saja variabel dalam contoh ini adalah data random yang saya buat sendiri.

Saya mengasumsikan bahwa terdapat variabel laten trust terdiri dari variabel X1 sampai X3, kemudian
variable satisfaction terdiri dar variabel X4 sampai X7. Loyalti dipengaruhi oleh variabel trust dan
satisfaction yang juga dipengaruhi oleh X8 hingga X10. Kurang lebih notasinya seperti ini:

f(trust) = (X1, X2, X3)

f(satisfaction) = (X4, X5, X6,X7)

f(loyalti) = (X8, X9, X10, trust, satisfaction)

Dalam hal ini variabel laten endogen adalah loyalti, sedangkan trust dan satisfaction adalah laten
eksogen.

Syntax SEM structural equation modeling kurang lebih seperti ini

model sem
Observed variable X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
Covariance matrix from le D:\data1.cov
Latent variables satisfaction loyalty trust
Sample size 100
Relationships
X1-X3 = trust
X4-X7 = satisfaction
loyalty = trust satisfaction
X8-X10 = loyalty
Lisrel Output: SS SC
Path Diagram
End of Problem
Hasilnya akan seperti ini

Anda bisa mengubah model dengan beberapa jenis seperti X model, Y model, structural model, basic dan
correlated error. Model yang biasa di pertunjukkan adalah basic model. Nilai T value dan nilai korelasinya
juga bisa dilihat di bagian estimates.

Tentang pembuatan model, saya asumsikan anda sudah bisa membacanya ya… karena path diagram
sangat mudah dibaca. Perhatikan saja arah panah dalam membuat persamaannya, dengan nilai di panah
itu adalah koefisien variabel independennya. Sedangkan menghitung total pengaruh sudah saya jelaskan
diatas.

Goodness of Fit
Pertanyaannya adalah apakah model ini bisa menunjukkan atau bisa digunakan untuk mewakili kondisi
sebenarnya? Maka kita perlu melihat kriteria kriteri model dan menentukan layak atau tidak. Beberapa
kriteria yang digunakan dalam menentukan model ini layak atau tidak adalah Chi-square, RMSEA, GFI,
AGFI, CFI, dan AIC.
Model yang baik memiliki nilai chi square tidak berbeda jauh dengan derajad bebasnya. Hal ini
berhubungan dengan jumlah datayang digunakan dalam penelitian. SEM structural equation modeling
akan lebih baik menggunakan data diatas 100

RMSEA atau Root Mean Square Error of Approximation  akan baik apabila berada kurang dari 0.05. Dari
kepanjangannya sudah tau ya apa itu RMSEA? Yup, isinya menunjukkan tingkat error.

GFI atau Goodness of Fit Index menunjukkan tngkat kebaikan suatu model menjelaskan data. Ini mirip
sekali dengan R squared. Jadi akan lebih baik jika nilainya mendekati 1.

AGFI atau Adjusted Goodness of Fit Index biasa deisebut R squared adjusted jika di regresi. Penjelasan
perbedaan r square dan r squared adjusted sudah saya jelaskan di artikel yang berjudul : Apa perbedaaan
R Squared, R squared adjusted, dan R Squared Predicted

CFI atau Comparative Fit Index merupakan nilai dari 0 sampai 1. Kekuatan CFI ini adalah tidak sensitif
terhadap besar sample. Jadi bisa digunakan untuk membandingkan model atau penelitian yang lain
meskipun berbeda jumlah sample. Karena, semakin besar sample biasanya mempengaruhi GFI dan AGFI.

AIC atau Akaike Information Criterion digunakan untuk membandingkan model yang dalam SEM yang
menjelaskan data. Pilih model yang memiliki AIC paling kecil.

Jika dilihat hasil output kebaikmodelan dari latihan kita, hal yang masih perlu diperbaiki adalah bagian chi
square karena terlalu jauh dengan nilai derajad bebasnya. Lalu bagaimana cara memperbaikinya? Insha
allah saya jelaskan di artikel yang berbeda.

Kali ini tugas saya untuk mencatat bagaimana proses membuat model path analysis dan SEM structural
equation modeling.

Selamat Belajar..!

Jangan lupa share..

Share this:
 Facebook Tweet WhatsApp

Related posts:

Regresi Binomial negatif : alternatif Regresi diskrit

Regresi Poisson untuk data diskrit

Jumlah data minimal regresi

Posted in Regresi Tagged path anlysis, regresi, sem, structural equation modeling

Previous post Next post

Indikator penting dalam Policy Analysis matrix Pemupukan Bawang Merah selama persemaian

Agung - https://agungbudisantoso.com/
Peneliti bidang sosial ekonomi pertanian. Pernah bekerja di bidang supply chain. Detil info silahkan
kunjungi laman about me.

8 thoughts on “Perbedaan Regresi, Path Analysis, dan Structural Equation Modeling”

Raihana says:
December 17, 2018 at 10:28 am

Permisi pak, saya mau tanya. Jadi penelitian saya itu pengaruh X terhadap Y dengan 2 variabel moderasi.
Nah untuk pengaruh X terhadap Y kan saya gunakan regresi sederhana, kemudian untuk variabel
moderasinya apakah pake Moderated Analysis Regression atau yg mana ya pak? Terimakasih

Populer Populer Populer

Turun harga

Populer Populer Populer

-28% -10% -18%

Fashion Pria Disc s/d 80%

Reply

Agung says:
December 17, 2018 at 1:40 pm

hati hati dengan variabel moderasi mbk. karna resiko multikolinearitasnya sangat besar. untuk
mengetahui kekuatan moderasi sebuah variabel sebaiknya menggunakan path analysis. bisa dibaca
artikel saya yang berjudul perbedaan regresi, path dan sem. terima kasih

Reply
Gilbert says:
May 11, 2019 at 7:48 pm

permisi numpang nanya tadi diatas ada disampaikan bahwa untuk menggunakan path analysis itu
biasanya hanya memiliki 1 variabel laten. Apabila dalam suatu model penelitian seperti dibagian path
analysis tersebut malah semuanya menggunakan variabel laten apakah masih boleh digunakan metode
path ini?

Reply
 Agung says:
May 11, 2019 at 9:04 pm

Selamat sore.. bisa dibedakan jika sem variabel dependennya variabel laten. Tapi klo variable
latennya masing masing berdiri sendiri, masih pakai path karna tidak menjelaskan hub satu sama lain
antara variabel laten. Jadi jika pertanyaannya hanya bbrp variabel laten saja sih masih bisa pakai
path. Penjelasan diatas saya menggunakan kata “biasanya” satu variabel laten

Reply
Ratna says:
September 19, 2019 at 12:08 pm

Selamat pagi…
Mau tanya, adakah filenya pak modul pengantar tentang SEM

Reply

Agung says:
September 19, 2019 at 2:48 pm

Selamat siang. Ada tapi maaf, saya tidak memiliki izin menyebarkan langsung. Jadi memang sudah
saya tulis ulang di artikel ini.

Reply
dimas says:
November 13, 2019 at 10:35 am

apa perbedaan antara SEM dengan CFA ?

Reply

Agung says:
November 14, 2019 at 1:09 pm

semua orang terlahir unik dan pasti berbeda. heheheheh

Reply

Leave a Reply
Your email address will not be published. Required fields are marked *

Comment
 Name*

Email*

Website

Save my name, email, and website in this browser for the next time I comment.

Post Comment

Search …

Recent Comments

v Agung on Elastisitas Pada Regresi

v I KADEK JUNI SAPUTRA on Elastisitas Pada Regresi
v Agung on Mengenal Dummy Dalam Regresi
v Kartika on Mengenal Dummy Dalam Regresi
v Agung on ARIMA SARIMA : Si Kembar dari Time Series

Proudly powered by WordPress / Blog: Catatan Budi