Nama : suhairo nasuha str

Nim :7193342027

Mata kuliah : Statistik

Prodi : Pendidikan Akuntansi B

PERBEDAAN VARIANCE DAN COVARIANCE SEM

SEM berbasis varian, juga dikenal dengan istilah analisis kuadrat terkecil parsial (PLS),
adalah pendekatan yang memiliki memperoleh peningkatan minat di antara peneliti
pemasaran dalam beberapa tahun terakhir. Selama 25 tahun terakhir, lebih dari 30 artikel
telah diterbitkan di jurnal pemasaran terkemuka yang telah menerapkan pendekatan ini,
bukan alternatif yang lebih tradisional dari SEM berbasis kovarian (CBSEM). Namun,
meskipun analisis tersebut Publikasi sebelumnya menunjukkan bahwa setidaknya terdapat
kesepakatan implisit tentang faktor-faktor itu harus mengarahkan pilihan antara analisis
PLS dan CBSEM, hingga saat ini belum ada penelitian yang dibandingkan secara empiris
kinerja pendekatan ini mengingat serangkaian kondisi yang berbeda. Studi kami
membahas hal ini secara terbuka pertanyaan dengan melakukan simulasi Monte-Carlo
skala besar. Kami menunjukkan bahwa membenarkan pilihan PLS karena kurangnya
asumsi mengenai distribusi indikator dan skala pengukuran seringkali tidak sesuai, seperti
CBSEM terbukti sangat kuat sehubungan dengan pelanggaran asumsi distribusi yang
mendasarinya. Selain itu, CBSEM jelas mengungguli PLS dalam hal konsistensi parameter
dan lebih disukai dalam hal akurasi parameter selama ukuran sampel melebihi ambang
tertentu (250 pengamatan). Namun, Analisis PLS harus lebih disukai ketika penekanannya
pada prediksi dan pengembangan teori, sebagai kekuatan statistik PLS selalu lebih besar
dari atau sama dengan CBSEM; sudah, 100 pengamatan bisa dilakukan cukup untuk
mencapai tingkat kekuatan statistik yang dapat diterima mengingat kualitas model
pengukuran tertentu.

Menurut Fornell dan Bookstein (1982), tujuan yang berbeda dari CBSEM dan PLS dapat
menghasilkan estimasi parameter yang berbeda untuk hal yang sama model struktural dalam
situasi tertentu, yang membuat pilihan antara dua pendekatan ini "tidak sewenang-wenang atau
lugas".Penelitian sebelumnya menyoroti tiga perbedaan antara CBSEM dan PLS yang dapat
digunakan untuk memandu pilihan ini. Pertama, estimasi parameter dalam PLS adalah dasarnya
dilakukan oleh urutan regresi OLS, yang berarti bahwa tidak ada asumsi mengenai distribusi atau
skala pengukuran indikator yang diamati diperlukan. Sebaliknya, CBSEM berbasis ML atau GLS
membutuhkan variabel terdistribusi normal dan berskala interval (misalnya, Dijkstra, 1983;
Fornell & Bookstein, 1982). Selain itu, penggunaan estimasi OLS juga menyiratkan bahwa PLS
bahkan bekerja dengan ukuran sampel kecil, sedangkan CBSEM berbasis ML atau GLS biasanya
memerlukan setidaknya 200 observasi untuk menghindari non-konvergensi dan solusi yang tidak
tepat (Boomsma & Hoogland, 2001). Kedua, PLS berfokus pada memaksimalkan varians yang
dijelaskan semua konstruksi endogen dalam model, sedangkan CBSEM menentukan parameter
model untuk mereproduksi kovariansi yang diamati secara empiris matriks. Oleh karena itu PLS
lebih cocok untuk situasi di mana peneliti ingin memprediksi variabel laten dalam model atau
mengidentifikasi hubungan di antara mereka (misalnya, pada tahap awal teori pengembangan),
sedangkan CBSEM harus menjadi metode pilihan saat fokusnya terletak pada konfirmasi hubungan
yang diasumsikan secara teoritis. Ketiga, proses estimasi parameter PLS terus berosilasi
memperkirakan nilai kasus untuk variabel blok dan parameter model yang bergantung pada nilai
kasus ini.