Semsem

Halaman 1
Halaman 2
Konsep Dasar, Aplikasi, dan Pemrograman
EDISI KEDUA
Persamaan Struktural
Pemodelan dengan AMOS
Halaman 3
Seri Aplikasi Multivarian

Disponsori oleh Masyarakat Psikologi Eksperimental Multivariat,
tujuan dari seri ini adalah untuk menerapkan metode statistik yang kompleks untuk
tidak bisa masalah sosial atau perilaku, sedemikian rupa sehingga dapat diakses
pembaca yang berorientasi non-teknis (misalnya, peneliti non-metodologis,
guru, siswa, pegawai pemerintah, praktisi, dan profesi lainnya
nasional). Aplikasi dari berbagai disiplin ilmu seperti psikologi,
kesehatan masyarakat, sosiologi, pendidikan, dan bisnis dipersilakan. Buku bisa
menjadi volume tunggal atau beberapa penulis atau diedit yang (a) menunjukkan
penerapan berbagai metode multivarian ke tunggal, utama
bidang penelitian; (B) menggambarkan prosedur atau kerangka kerja multivariat itu
dapat diterapkan ke sejumlah bidang penelitian; atau (c) menyajikan beragam
perspektif tentang subjek kontroversial yang menarik untuk diterapkan multivariat
peneliti.
Saat ini ada 15 buku dalam seri:
Bagaimana jika Tidak Ada Tes Signifikansi?
!
didampingi oleh Lisa L. Harlow,
Stanley A. Mulaik, dan James H. Steiger (1997)
Pemodelan Persamaan Struktural Dengan LISREL, PRELIS, dan SIMPLIS:
!
Konsep Dasar, Aplikasi, dan Pemrograman , ditulis oleh Barbara M.
Byrne (1998)
Aplikasi Multivarian dalam Penelitian Penggunaan Zat: Metode Baru
!
untuk Pertanyaan Baru , didampingi oleh Jennifer S. Rose, Laurie Chassin,
Clark C. Presson, dan Steven J. Sherman (2000)
Teori Respon Item untuk Psikolog
!
, ditulis bersama oleh Susan E.
Embretson dan Steven P. Reise (2000)
Pemodelan Persamaan Struktural Dengan AMOS: Konsep Dasar, Aplikasi,
!
dan Pemrograman , ditulis oleh Barbara M. Byrne (2001)
Melakukan Meta-Analisis Menggunakan SAS
!
, ditulis oleh Winfred Arthur,
Jr., Winston Bennett, Jr., dan Allen I. Huffcutt (2001)
Pemodelan Variabilitas Intraindividual Dengan Data Tindakan Berulang:
!
Metode dan Aplikasi , coedited oleh DS Moskowitz dan Scott
L. Hershberger (2002)
Pemodelan Multilevel: Kemajuan Metodologis, Masalah, dan Aplikasi
!
,
didampingi oleh Steven P. Reise dan Naihua Duan (2003)
Inti dari Pemikiran Multivariat: Tema dan Metode Dasar
!
, tertulis
oleh Lisa Harlow (2005)
Psikometrik Kontemporer: Pertarungan untuk Roderick P. McDonald
!
,
didampingi oleh Albert Maydeu-Olivares dan John J. McArdle (2005)
Halaman 4
Pemodelan Persamaan Struktural Dengan EQS: Konsep Dasar, Aplikasi,
!
dan Pemrograman , edisi ke-2 , ditulis oleh Barbara M. Byrne (2006)
Pengantar Analisis Mediasi Statistik
!
, ditulis oleh David
P. MacKinnon (2008)
Teknik Analisis Data Terapan untuk Penelitian Titik Balik
!
, diedit oleh
Patricia Cohen (2008)
Penilaian Kognitif: Pengantar Metode Ruang Aturan
!
, tertulis
oleh Kikumi K. Tatsuoka (2009)
Pemodelan Persamaan Struktural Dengan AMOS: Konsep Dasar, Aplikasi,
!
dan Pemrograman , edisi ke-2 , ditulis oleh Barbara M. Byrne (2010)
Siapa pun yang ingin mengirimkan proposal buku harus mengirimkan tindak lanjut
ing: (a) penulis dan judul; (B) garis waktu, termasuk tanggal penyelesaian; (c) a
ikhtisar singkat tentang fokus buku, termasuk daftar isi dan, idealnya,
bab sampel (atau bab); (d) uraian singkat tentang publisitas yang bersaing
kation; dan (e) audiens yang ditargetkan.
Untuk informasi lebih lanjut, silakan hubungi editor seri, Lisa
Harlow, di Departemen Psikologi, Universitas Rhode Island,
10 Chafee Road, Suite 8, Kingston, RI 02881-0808; telepon (401)
874-4242; faks (401) 874-5562; atau kirim email ke LHarlow@uri.edu. Informasi
dapat juga diperoleh dari anggota dewan penasihat: Leona
Aiken (Arizona State University), Gwyneth Boodoo (Tes Pendidikan
Layanan), Barbara M. Byrne (Universitas Ottawa), Patrick Curran
(Universitas North Carolina), Scott E. Maxwell (Universitas Notre
Dame), David Rindskopf (Universitas Kota New York), Liora Schmelkin
(Universitas Hofstra), dan Stephen West (Universitas Negeri Arizona).
Halaman 5
Halaman 6
Barbara M. Byrne
Konsep Dasar, Aplikasi, dan Pemrograman
EDISI KEDUA
Persamaan Struktural
Pemodelan dengan AMOS
Halaman 7
Rutekan
Grup Taylor & Francis
270 Madison Avenue
New York, NY 10016
Rutekan
Grup Taylor & Francis
27 Church Road
Hove, Sussex Timur BN3 2FA
© 2010 oleh Taylor and Francis Group, LLC
Routledge adalah cetakan dari Taylor & Francis Group, sebuah bisnis Informa
Dicetak di Amerika Serikat pada kertas bebas asam
10 9 8 7 6 5 4 3 2 1
Nomor Buku Standar Internasional: 978-0-8058-6372-7 (Hardback) 978-0-8058-6373-4 (Paperback)
Untuk izin untuk memfotokopi atau menggunakan materi secara elektronik dari karya ini, silakan akses www.
copyright.com (http://www.copyright.com/) atau hubungi Copyright Clearance Center, Inc.
(CCC), 222 Rosewood Drive, Danvers, MA 01923, 978-750-8400. CCC adalah organisasi nirlaba
tion yang menyediakan lisensi dan registrasi untuk berbagai pengguna. Untuk organisasi yang telah
diberikan lisensi fotokopi oleh CCC, sistem pembayaran terpisah telah diatur.
Pemberitahuan Merek Dagang: Produk atau nama perusahaan dapat berupa merek dagang atau merek dagang terdaftar, dan
digunakan hanya untuk identifikasi dan penjelasan tanpa bermaksud melanggar.
Perpustakaan Kongres Kataloging-in-Publication Data
Byrne, Barbara M.
Pemodelan persamaan struktural dengan AMOS: konsep dasar, aplikasi, dan
pemrograman / Barbara M. Byrne. - 2nd ed.
hal. cm. - (Seri aplikasi multivarian)
Termasuk referensi dan indeks bibliografi.
ISBN 978-0-8058-6372-7 (hardcover: kertas alk.) - ISBN 978-0-8058-6373-4
(pbk.: kertas alk.)
1. Pemodelan persamaan struktural. 2. AMOS. I. Judul.
QA278.B96 2009
519.5'35 - dc22
2009025275
Kunjungi situs Web Taylor & Francis di
http://www.taylorandfrancis.com
dan situs Web Psychology Press di
http://www.psypress.com
Halaman 8
Isi
Kata Pengantar ................................................. .................................................. ............. xv
Ucapan Terima Kasih ................................................. ......................................... xix
SAYA:
Bagian Pendahuluan
1
Bab model persamaan struktural: Dasar-dasar ................................. 3
Konsep dasar ................................................ .................................................. ... 4
Variabel laten versus yang diamati .............................................. .................. 4
Variabel laten eksogen versus endogen ........................................ 5
Model analitik faktor .............................................. ............................... 5
Model variabel laten lengkap ............................................. ........................ 6
Tujuan umum dan proses pemodelan statistik .............................. 7
Model persamaan struktural umum ............................................. ............. 9
Notasi simbol ................................................ ............................................. 9
Diagram jalur ................................................... ........................................... 9
Persamaan struktural ................................................ ................................... 11
Komponen model yang tidak terlihat ............................................. ............. 12
Komposisi dasar ................................................ ........................................ 12
Formulasi kovarian dan struktur rata-rata ............................. 14
Catatan akhir ..................................................... .................................................. ......... 15
2
Bab Menggunakan program AMOS ............................................. ......... 17
Bekerja dengan Grafik AMOS: Contoh 1 ........................................... ....... 18
Memulai Grafik AMOS ............................................... .......................... 18
Alat pemodelan AMOS ................................................... ................................. 18
Model yang dihipotesiskan ............................................... ............................. 22
Menggambar diagram jalur .................................................. .......................... 23
Memahami komponen dasar model 1 ...................................... 31
Konsep identifikasi model ............................................. ............ 33
Halaman 9
viii
Isi
Catatan akhir ..................................................... .................................................. ......... 49
II:
Bagian Aplikasi dalam analisis kelompok tunggal
3
Bab Testing untuk validitas faktorial a
konstruksi teoritis (model CFA Orde Pertama) .................... 53
Model yang dihipotesiskan ............................................... .................................. 53
Hipotesis 1: Konsep diri adalah struktur empat faktor ......................................
Pemodelan dengan Grafik AMOS .............................................. ...................... 56
Spesifikasi model ................................................ ..................................... 56
Spesifikasi data ................................................ ........................................ 60
Perhitungan perkiraan ................................................... .............................. 62
Output teks AMOS: Model empat faktor yang dihipotesiskan ............................ 64
Ringkasan model ................................................ .......................................... 65
Variabel model dan parameter .................................................. ................. 65
Evaluasi model ................................................ ......................................... 66
Estimasi parameter ................................................ .................................... 67
Kelayakan estimasi parameter .............................................. .... 67
Kesesuaian kesalahan standar .................................................. .. 67
Signifikansi statistik dari estimasi parameter .............................. 68
Model secara keseluruhan .................................................. ........................................... 68
Proses pemasangan model ................................................. .................... 70
Masalah signifikansi statistik ............................................. .... 71
Proses estimasi ................................................... ...................... 73
Statistik Good-of-fit ............................................ ....................... 73
Kesalahan spesifikasi model ................................................ ............................... 84
Residual ..................................................... ............................................ 85
Indeks modifikasi ................................................ .......................... 86
Analisis post hoc ................................................... ............................................... 89
Hipotesis 2: Konsep diri adalah struktur dua faktor ......................................
Output teks AMOS yang dipilih: Model dua faktor yang dihipotesiskan ............. 93
Hipotesis 3: Konsep diri adalah struktur satu faktor ................................... 93
Catatan akhir ..................................................... .................................................. ......... 95
4
Bab Testing untuk validitas faktorial skor
dari alat ukur
(Model CFA urutan pertama) ........................................... ................ 97
Alat ukur yang sedang dipelajari ............................................. ......... 98
Model yang dihipotesiskan ............................................... ...................................... 98
Halaman 10
Isi
ix
Pemodelan dengan Grafik AMOS .............................................. ...................... 98
Output AMOS yang dipilih: Model yang dihipotesiskan ............................... 102
Ringkasan model ................................................ .............................. 102
Penilaian normalitas ............................................... ................. 102
Penilaian pencilan multivarian .................................................. 105
Evaluasi model ................................................ ....................................... 106
Ringkasan Good-of-fit ............................................ .................. 106
Indeks modifikasi ................................................ ........................ 108
Analisis post hoc ................................................... .............................................. 111
Model 2 ................................................ .................................................. ........... 111
Output AMOS yang dipilih: Model 2 ............................................ .................. 114
Model 3 ................................................ .................................................. ........... 114
Model 4 ................................................ .................................................. ........... 118
Perbandingan dengan analisis yang kuat berdasarkan
Statistik skala Satorra-Bentler ................................................. .................... 125
Catatan akhir ..................................................... .................................................. ....... 127
5
Bab Testing untuk validitas faktorial skor dari a
alat ukur (model CFA Orde Kedua) .......... 129
Model yang dihipotesiskan ............................................... ................................ 130
Pemodelan dengan Grafik AMOS .............................................. .................... 130
Output AMOS yang dipilih: Model awal ......................................... 134
Output AMOS yang dipilih: Model yang dihipotesiskan ............................... 137
Evaluasi model ................................................ ....................................... 140
Perkiraan kemungkinan maksimum model (ML) ................................ 141
Estimasi variabel kontinu versus variabel ................................. 143
Variabel kategorikal dianalisis sebagai variabel kontinu ..................... 148
Masalah ................................................ .................................................. 148
Variabel kategori dianalisis sebagai variabel kategori ...................... 149
Teori ................................................ ......................................... 149
Asumsinya .................................................... .............................. 150
Strategi analitik umum ............................................... .............. 150
Pendekatan AMOS untuk analisis variabel kategori ........................ 151
Apa estimasi Bayesian? .................................................. ................ 151
Penerapan estimasi Bayesian .............................................. .......... 152
6
Bab Pengujian untuk validitas struktur sebab akibat .................... 161
Model yang dihipotesiskan ............................................... ................................. 161
Pemodelan dengan Grafik AMOS .............................................. ..................... 162
Halaman 11
x
Isi
Perumusan variabel indikator .............................................. ........... 163
Analisis faktor konfirmatori ............................................... ................... 164
Output AMOS yang dipilih: Model hipotesis ....................................... 174
Penilaian model ................................................ .......................................... 176
Ringkasan Good-of-fit ............................................ ................... 176
Indeks modifikasi ................................................ ................................. 177
Analisis Post Hoc ................................................... ............................................ 178
Output AMOS yang dipilih: Model 2 ............................................ ................. 178
Penilaian model ................................................ ..................................... 178
Penilaian model ................................................ ............................ 180
Penilaian Model ................................................ ........................... 181
Output AMOS yang dipilih: Penilaian Model 5 ........................................ 182
Penilaian model ................................................ ............................ 182
Masalah kekikiran model ............................................. .......... 183
Output AMOS yang dipilih: Model 7 (model akhir) ..................................... 186
Penilaian model ................................................ ............................ 186
Estimasi parameter ................................................ ........................ 187
Catatan akhir ..................................................... .................................................. ....... 194
AKU AKU AKU:
Bagian
Aplikasi dalam analisis multi-grup
7
Bab Pengujian untuk kesetaraan faktorial dari
skor dari alat ukur
(Model CFA urutan pertama) ........................................... .............. 197
Menguji invarian multigroup: Gagasan umum ........................... 198
Strategi pengujian ................................................... .................................... 199
Membangun model baseline: Gagasan umum ............................... 200
Menetapkan model dasar: Dasar dan
guru sekolah menengah ................................................ .................................... 202
Menguji invarian multigroup: Model konfigurasi ...................... 208
Halaman 12
Isi
xi
Output AMOS yang dipilih: Model konfigurasi
(Tidak ada batasan kesetaraan yang dikenakan) ............................................ ............. 209
Penilaian model ................................................ ..................................... 212
Pengujian untuk pengukuran dan invarian struktural: The
proses spesifikasi ................................................ ................................. 213
Pendekatan beberapa kelompok secara manual .............................................. 214
Pendekatan beberapa grup otomatis .................................... 217
Pengujian untuk pengukuran dan invarian struktural:
Penilaian model ................................................ ..................................... 221
Pengujian untuk invarian multigroup: Model pengukuran ................. 221
Penilaian model ................................................ ..................................... 222
Pengujian untuk invarian multigroup: Model struktural ....................... 228
Catatan akhir ..................................................... .................................................. ....... 230
8
Bab Testing untuk kesetaraan laten
struktur rata-rata (model CFA Orde Pertama) .......................... 231
Konsep dasar yang mendasari tes struktur rata-rata laten ...................... 231
Estimasi variabel laten berarti ............................................. .......... 233
Identifikasi model ................................................ ........................ 233
Identifikasi faktor ................................................ ......................... 234
Model dasar ................................................... ...................................... 236
Model sarana terstruktur .................................................. .................... 238
Menguji perbedaan rata-rata laten ............................................. ................ 238
Model multigroup yang dihipotesiskan .............................................. ...... 238
Langkah-langkah dalam proses pengujian ................................................. ......................... 238
Menguji invarian konfigurasi .............................................. .... 239
Menguji invariansi pengukuran ............................................ 239
Menguji perbedaan rata-rata laten ............................................. .. 243
Output AMOS yang dipilih: Ringkasan model ............................................ . 247
Output AMOS yang dipilih: Statistik good-of-fit ................................ 250
Output AMOS yang dipilih: Estimasi parameter ....................................... 250
Siswa jalur tinggi .................................................. ........................... 250
Siswa jalur rendah .................................................. ............................ 254
Catatan akhir ..................................................... .................................................. ....... 256
9
Bab Pengujian untuk kesetaraan struktur sebab-akibat ............. 257
Validasi silang dalam pemodelan struktur kovarians ................................. 257
Pengujian untuk invarians di seluruh sampel kalibrasi dan validasi .......... 259
Model yang dihipotesiskan ............................................... ........................... 260
Membuat model dasar .................................................. ................... 262
Halaman 13
xii
Isi
Pengujian untuk invarian struktur sebab akibat menggunakan
pendekatan otomatis ................................................ ................................. 266
Output AMOS yang dipilih: Statistik good-of-fit untuk
uji perbandingan invarian multigroup ......................................... 269
Pendekatan χ 2 perbedaan tradisional ............................................ ....... 269
Pendekatan perbedaan praktis CFI ............................................. ...... 271
IV:
Bagian Aplikasi penting lainnya
10
Bab
Menguji validitas konstruk:
Model multitrait-multimethod ................................... 275
Pendekatan CFA umum untuk menganalisis MTMM ........................................ 276
Model 1: Ciri-ciri berkorelasi / metode berkorelasi ..................................... 278
Model 2: Tidak ada sifat / metode berkorelasi .......................................... ........ 285
Model 3: Ciri-ciri yang berkorelasi sempurna / bebas
metode berkorelasi ................................................ ................................... 287
Model 4: Ciri-ciri berkorelasi bebas / metode tidak berkorelasi ..................... 288
Pengujian untuk bukti validitas konvergen dan diskriminan:
Analisis tingkat matriks MTMM ............................................. ......................... 288
Perbandingan model ................................................... .............................. 288
Bukti validitas konvergen .............................................. ................ 288
Bukti validitas diskriminan .............................................. ............ 290
Pengujian untuk bukti validitas konvergen dan diskriminan:
Analisis level parameter MTMM ............................................. ................... 291
Pemeriksaan parameter ............................................... ....................... 291
Bukti validitas konvergen .............................................. ................ 292
Bukti validitas diskriminan .............................................. ............ 294
Pendekatan keunikan yang berkorelasi dengan analisis MTMM ....................... 294
Model 5: Model keunikan yang terkait ............................................ ..... 297
Catatan akhir ..................................................... .................................................. ....... 301
11
Bab
Menguji perubahan seiring waktu: Pertumbuhan laten
model kurva ................................................ ............................ 303
Mengukur perubahan dalam pertumbuhan individu dari waktu ke waktu:
Gagasan umum ............................................... .......................................... 304
Model LGC dual-domain yang dihipotesiskan ........................................... .. 305
Pemodelan perubahan intraindividual ............................................... ............ 305
Pemodelan perbedaan antarindividu dalam perubahan ...................................... 308
Menguji model kurva pertumbuhan laten: Model dual-domain .................. 309
Output AMOS yang dipilih: Model hipotesis ....................................... 314
Halaman 14
Isi
xiii
Menguji model kurva pertumbuhan laten: Jenis kelamin sebagai waktu-invarian
prediktor perubahan ............................................... ......................................... 320
Catatan akhir ..................................................... .................................................. ....... 325
V:
Bagian Topik penting lainnya
12
Bab
Bootstrapping sebagai bantuan untuk
data tidak normal ................................................ ....................... 329
Prinsip dasar yang mendasari bootstrap
prosedur ................................................. .................................................. ..... 331
Manfaat dan keterbatasan bootstrap
prosedur ................................................. .................................................. 332
Peringatan tentang penggunaan bootstrap
dalam SEM ................................................ .................................................. ....... 333
Karakteristik sampel .................................................. ..................... 336
Menerapkan prosedur bootstrap .............................................. ........... 336
Output AMOS yang dipilih ............................................... ................................... 337
Ringkasan parameter ................................................ ................................. 337
Penilaian normalitas ............................................... ........................... 339
Bukti statistik tentang nonnormalitas ............................................ 340
Bukti statistik pencilan .................................................. ......... 340
Estimasi parameter dan kesalahan standar ............................................. 342
Contoh perkiraan ML dan kesalahan standar ...................................... 342
Bootstrap kesalahan standar ML .............................................. ......... 342
Bootstrap keyakinan bias-diperbaiki
interval ................................................. ............................................ 351
Catatan Akhir ..................................................... .................................................. ......... 352
13
Bab
Mengatasi masalah hilang
data ................................................. ............................................ 353
Pola dasar dari data yang tidak lengkap ............................................. ................... 354
Pendekatan umum untuk menangani data yang tidak lengkap .................................. 355
Penghapusan Listwise ................................................ ....................................... 355
Penghapusan berpasangan ................................................ ....................................... 356
Imputasi tunggal ................................................ ...................................... 356
Pendekatan AMOS untuk menangani data yang hilang ................................... 358
Output AMOS yang dipilih: Ringkasan parameter dan model
informasi ................................................. ............................................... 361
Halaman 15
xiv
Isi
Output AMOS yang dipilih: Estimasi parameter ....................................... 363
Output AMOS yang dipilih: Statistik good-of-fit ................................ 364
Catatan Akhir ..................................................... .................................................. ......... 365
Referensi ................................................. .................................................. .... 367
Indeks Penulis ................................................ .................................................. 385
Indeks Subjek ................................................ .................................................. 391
Halaman 16
Kata pengantar
Seperti edisi pertama buku ini, tujuan keseluruhan saya adalah menyediakan pembaca
dengan pengantar nonmathematis untuk konsep dasar yang terkait dengan
pemodelan persamaan struktural (SEM), dan untuk menggambarkan aplikasi dasar
SEM menggunakan program AMOS. Semua aplikasi dalam volume ini adalah
berdasarkan AMOS 17, versi program terbaru di
waktu buku ini mulai dicetak. Namun, selama proses produksi, saya
disarankan oleh J. Arbuckle (komunikasi pribadi, 2 Mei 2009) itu
meskipun pengujian Versi Beta 18 telah dimulai, satu-satunya perubahan
untuk program yang terlibat (a) tampilan diagram jalur, yang
sekarang dalam warna secara default, dan (b) penataan ulang beberapa dialog
kotak. Teks dan operasi statistik tetap tidak berubah. Meskipun
tidak dapat dihindari bahwa versi program yang lebih baru akan muncul di beberapa
kemudian, prinsip-prinsip dasar yang tercakup dalam buku edisi kedua ini
tetap sepenuhnya utuh.
Buku ini dirancang khusus dan ditulis untuk pembaca yang mungkin
memiliki sedikit atau tidak ada pengetahuan tentang SEM atau program AMOS. ini
dimaksudkan bukan sebagai teks pada topik SEM, atau sebagai komprehensif
meninjau berbagai fungsi statistik dan grafis yang tersedia di Internet
Program AMOS. Sebaliknya, tujuan utama saya adalah untuk memberikan panduan praktis
SEM menggunakan pendekatan AMOS Graphical. Karena itu, pembaca ―berjalan
melalui ‖beragam aplikasi SEM yang mencakup faktor konfirmasi
model variabel laten analitik dan penuh diuji pada berbagai data
(tunggal / multi-kelompok; normal / non-normal; lengkap / tidak lengkap;
ous / kategorikal), dan didasarkan pada analisis struktur kovarian,
atau pada analisis mean dan struktur kovarian. Sepanjang
buku, setiap aplikasi disertai dengan banyak ilustrasi "cara"
contoh terkait dengan aspek prosedural tertentu dari program. Alhasil-
mary, setiap aplikasi disertai dengan yang berikut:
pernyataan hipotesis yang akan diuji
!
representasi skematis dari model yang diteliti
!
Halaman 17
xvi
Kata pengantar
penjelasan lengkap tentang jalur input AMOS Graphics terkait
!
diagram
penjelasan lengkap dan interpretasi dari output teks AMOS terkait
!
file
referensi yang diterbitkan dari mana aplikasi diambil
!
penggunaan dan fungsi yang diilustrasikan terkait dengan beragam ikon
!
dan menu pull-down yang digunakan dalam membangun, menguji, dan mengevaluasi
model, serta untuk tugas manajemen data penting lainnya
file data yang menjadi dasar aplikasi
!
Edisi kedua buku ini berbeda dalam beberapa hal penting
versi awal. Pertama , jumlah aplikasi telah diperluas
termasuk pengujian: model multitrait-multimethod, pertumbuhan laten
model kurva, dan model orde kedua berdasarkan data kategorikal menggunakan
pendekatan statistik Bayesian. Kedua , di mana program AMOS memiliki
menerapkan pendekatan alternatif yang diperbarui untuk analisis model, I
telah menggambarkan kedua prosedur. Salah satu contohnya adalah multi-otomatis
pendekatan kelompok untuk tes kesetaraan, yang dimasukkan ke dalam
program setelah edisi pertama buku ini diterbitkan (lihat Bab 7).
Ketiga , diberikan diskusi berkelanjutan dalam literatur tentang analisis
data kontinyu versus kategorikal yang berasal dari penggunaan skala Likert
tindakan, saya menggambarkan analisis data dari instrumen yang sama berdasarkan
kedua pendekatan untuk analisis (lihat Bab 5). Keempat , teks AMOS
file output sekarang tertanam dalam format sel; sebagai hasilnya, lokasi
beberapa materi (seperti yang disajikan dalam edisi kedua ini) mungkin berbeda dari
dari versi program sebelumnya. Kelima , mengingat bahwa sebagian besar pengguna
Program AMOS ingin bekerja dalam mode grafis, semua aplikasi
didasarkan pada antarmuka ini. Jadi, berbeda dengan edisi pertama ini
buku, saya tidak memasukkan contoh file input untuk AMOS berdasarkan program-
pendekatan ming (sebelumnya disebut AMOS Basic). Akhirnya , semua file data digunakan
untuk aplikasi dalam buku ini dapat diunduh dari http: // www.
psypress.com/sem-with-amos.
Buku ini dibagi menjadi lima bagian utama; Bagian I terdiri dari dua
bab pengantar. Dalam Bab 1, saya memperkenalkan Anda pada hal yang mendasar
konsep yang mendasari metodologi SEM. Saya juga memberi Anda seorang jenderal
gambaran umum spesifikasi model dalam antarmuka grafis AMOS
dan, dalam prosesnya, perkenalkan Anda dengan notasi grafis AMOS dasar.
Bab 2 hanya berfokus pada program AMOS. Di sini, saya merinci elemen kunci
KASIH terkait dengan membangun dan mengeksekusi file model.
Bagian II dikhususkan untuk aplikasi yang melibatkan analisis kelompok tunggal;
ini termasuk dua model konfirmasi faktor analitik (CFA) tingkat pertama,
satu model CFA orde kedua, dan satu model variabel laten penuh. Itu
aplikasi CFA orde pertama menunjukkan pengujian untuk validitas
Halaman 18
Kata pengantar
xvii
struktur teoretis suatu konstruk (Bab 3) dan struktur faktorial
suatu instrumen pengukuran (Bab 4). Model CFA orde kedua
menanggung pada struktur faktorial dari alat ukur (Bab 5).
Tes aplikasi kelompok tunggal akhir untuk validitas suatu
struktur sebab akibat yang diturunkan (Bab 6).
Di Bagian III, saya menyajikan tiga aplikasi yang terkait dengan multi-grup
menganalisis dengan dua yang berakar pada analisis struktur kovarian, dan satu
dalam analisis struktur mean dan kovarian. Berdasarkan analisis
dari hanya struktur kovarians, saya akan menunjukkan bagaimana untuk menguji untuk pengukuran
dan kesetaraan struktural antar kelompok sehubungan dengan pengukuran
instrumen (Bab 7) dan ke struktur sebab akibat (Bab 9). Kerja
dari perspektif yang agak berbeda yang mencakup analisis
berarti dan struktur kovarian, saya pertama kali menguraikan konsep dasar asosiasi
dimulai dengan analisis struktur rerata laten dan kemudian dilanjutkan ke
menggambarkan berbagai tahap yang terlibat dalam pengujian untuk perbedaan rata-rata laten
lintas kelompok.
Bagian IV menyajikan dua model yang semakin menjadi
minat substansial kepada praktisi SEM. Dalam mengatasi masalah
membangun validitas, Bab 10 menggambarkan spesifikasi dan pengujian a
model multitrait-multimethod (MTMM). Bab 11 berfokus pada longitu-
dinal data dan menyajikan model kurva pertumbuhan laten (LGC) yang diuji
dengan dan tanpa variabel prediktor disertakan.
Bagian V terdiri dari dua bab terakhir dari buku dan alamat
masalah sangat penting yang terkait dengan metodologi SEM. Bab 12
berfokus pada masalah data yang tidak normal dan menggambarkan penggunaan
strapping sebagai bantuan untuk menentukan estimasi parameter yang sesuai
nilai-nilai. Bab 13, di sisi lain, membahas masalah hilang (atau
tidak lengkap) data. Berikut ulasan panjang literatur tentang topik ini
karena berkaitan dengan SEM, saya memandu Anda melalui aplikasi berdasarkan langsung
pendekatan maximum likelihood (ML), metode pilihan dalam AMOS
program.
Meskipun sekarang ada beberapa teks SEM yang tersedia, buku ini
membedakan dirinya dari yang lain dalam sejumlah cara. Pertama , itu satu-satunya
buku untuk menunjukkan, dengan aplikasi ke data aktual, berbagai
analitik faktor tegas dan model variabel laten penuh diambil dari pub-
studi lished dan disertai dengan penjelasan rinci masing-masing model
diuji dan file output yang dihasilkan. Kedua, ini adalah satu-satunya buku yang bisa dimasukkan
aplikasi hanya berdasarkan pada program AMOS. Ketiga , ini adalah satu-satunya buku
untuk benar-benar "berjalan" pembaca melalui: (a) spesifikasi model, estimasi,
evaluasi, dan keputusan modifikasi pasca-hoc dan proses yang terkait
dengan berbagai aplikasi, (b) pendekatan bersaing untuk analisis
file model AMOS beberapa kelompok dan kategorikal / berkelanjutan berdasarkan data,
dan (c) penggunaan beragam ikon dan menu drop-down untuk memulai variasi
Halaman 19
xviii
Kata pengantar
prosedur analitik, manajemen data, editorial, dan visual AMOS.
Secara keseluruhan, buku ini berfungsi sebagai buku pendamping bagi pengguna AMOS
panduan (Arbuckle, 2007), serta buku teks statistik apa pun yang ditujukan untuk
topik SEM.
Dalam menulis buku seperti ini, sangat penting bahwa saya memiliki akses ke a
jumlah set data yang berbeda mampu meminjamkan diri ke berbagai
aplikasi. Untuk memfasilitasi kebutuhan ini, semua contoh disajikan di seluruh
buku ini diambil dari penelitian saya sendiri. Referensi jurnal terkait adalah
dikutip untuk pembaca yang mungkin tertarik dengan diskusi yang lebih rinci tentang
kerangka kerja teoritis, aspek metodologi, dan / atau substantif
masalah dan temuan. Penting untuk menekankan bahwa, meskipun semua
kation didasarkan pada data yang bersifat sosial / psikologis, mereka
bisa dengan mudah didasarkan pada data yang mewakili kesehatan
ilmu, studi waktu luang, pemasaran, atau banyak disiplin ilmu lainnya;
data saya, kemudian, hanya berfungsi sebagai satu contoh dari setiap aplikasi. Memang saya
mendesak Anda untuk mencari dan memeriksa contoh serupa yang terkait dengan yang lain
area subjek.
Meskipun sekarang saya telah menulis lima buku pengantar ini di Internet
penerapan SEM yang berkaitan dengan program tertentu (Byrne, 1989, 1994c,
1998, 2001, 2006), saya harus mengatakan bahwa masing-masing memberikan pembelajaran yang unik
pengalaman. Tanpa pertanyaan, tuntutan proyek semacam itu tampaknya berakhir
lebih sedikit waktu dan tentunya bukan tanpa frustrasi. Namun terima kasih
untuk dukungan yang berkelanjutan dari Jim Arbuckle, penulis program, seperti
kesulitan selalu diselesaikan dengan cepat. Dalam menenun bersama tekstual,
Saya harap, grafik, dan statistik yang membentuk jalinan buku ini
bahwa saya telah memberikan pemahaman yang komprehensif kepada pembaca saya
konsep dasar dan aplikasi SEM, serta dengan luas
pengetahuan tentang program AMOS. Pencapaian tujuan ini telah
tentu berarti juggling bersamaan dari pengolah kata, "ambil
ber ‖, dan program statistik untuk menghasilkan hasil akhir. Memiliki
merupakan perjalanan editorial yang luar biasa, tetapi yang membuat saya benar-benar merasa
diperkaya karena memiliki pengalaman belajar yang luar biasa. saya bisa
hanya berharap bahwa, ketika Anda menelusuri bab-bab buku ini,
Anda akan menemukan perjalanan menjadi sama menarik dan memuaskan.
Halaman 20
Ucapan Terima Kasih

Seperti halnya penulisan masing-masing buku saya yang lain, ada banyak orang yang melakukannya
yang saya berhutang banyak terima kasih. Pertama dan terutama, saya ingin mengucapkan terima kasih
Jim Arbuckle, penulis program AMOS, karena menjaga saya terus-menerus
diperbarui mengikuti revisi untuk program dan banyak nya
tanggapan atas pertanyaan apa pun yang saya miliki tentang operasinya. Meskipun
fakta bahwa dia berada di sisi lain dunia untuk sebagian besar waktu selama
penulisan edisi ini, dia selalu berhasil kembali kepada saya dengan cepat
memesan dengan jawaban yang saya cari.
Seperti yang telah terjadi pada tiga buku terakhir saya, saya memiliki yang terbaik
beruntung memiliki Debra Riegert sebagai editor saya. Sekali lagi, saya ingin
ucapkan terima kasih khusus saya kepada Debra, yang saya anggap sebagai crème
de la creme editor dan, sebagai tambahan, teladan kesabaran! Meskipun
buku ini telah bekerja selama dua atau tiga tahun sekarang, Debra telah
tidak pernah sekalipun memberikan tekanan terkait penyelesaiannya. Sebaliknya, dia punya
selalu memberi semangat, mendukung, membantu, dan secara keseluruhan, luar biasa
teman. Terima kasih banyak, Debra karena membiarkan saya melakukan pekerjaan saya sendiri.
Saya juga ingin menyampaikan terima kasih yang tulus kepada banyak pembaca setia saya.
di seluruh dunia. Banyak dari Anda telah memperkenalkan diri kepada saya di
konferensi, di salah satu lokakarya SEM saya, atau melalui korespondensi email. saya
benar-benar menghargai pertukaran singkat, namun sangat hangat ini dan terima kasih
banyak untuk meluangkan waktu untuk berbagi dengan saya banyak prestasi dan Anda
prestasi mengikuti jalan Anda melalui aplikasi SEM yang saya pilih
tions. Terima kasih atas kesetiaan Anda selama bertahun-tahun — ini yang terbaru
edisi buku AMOS saya didedikasikan untuk Anda!
Terakhir, tetapi tentu tidak kalah pentingnya, saya berterima kasih kepada suami saya, Alex, untuk itu
kesabaran, dukungan dan pengertian yang terus menerus dari jumlah yang luar biasa
jam yang saya dan komputer saya habiskan bersama untuk sebuah proyek
semacam ini. Saya menganggap diri saya memang beruntung!
Halaman 21
Halaman 22
satu
bagian
pengantar
1 model persamaan struktural: Dasar-dasarnya
Bab
................................. 3
2 Menggunakan program AMOS
Bab
.................................................. .... 17
Halaman 23
Halaman 24
3
satu
bab
Model persamaan struktural
Dasar
Pemodelan persamaan struktural (SEM) adalah metodologi statistik yang
mengambil pendekatan konfirmasi (yaitu, pengujian hipotesis) untuk analisis
teori struktural yang memuat beberapa fenomena. Biasanya, teori ini
mewakili proses "kausal" yang menghasilkan pengamatan pada berbagai variabel.
ables (Bentler, 1988). Istilah pemodelan persamaan struktural menyampaikan dua
aspek penting dari prosedur: (a) bahwa proses sebab akibat di bawah
studi diwakili oleh serangkaian persamaan struktural (yaitu, regresi),
dan (b) bahwa hubungan struktural ini dapat dimodelkan secara gambar untuk memungkinkan
konseptualisasi yang lebih jelas dari teori yang diteliti. Dihipotesiskan
model kemudian dapat diuji secara statistik dalam analisis simultan dari
seluruh sistem variabel untuk menentukan sejauh mana ia konsisten
tenda dengan data. Jika good-of-fit memadai, model berpendapat untuk
masuk akal hubungan yang dipostulatkan antar variabel; jika tidak memadai, maka
keuletan hubungan semacam itu ditolak.
Beberapa aspek SEM membedakannya dari generasi tua
prosedur tivariat. Pertama , seperti disebutkan di atas, dibutuhkan konfirmasi
dari pendekatan eksplorasi untuk analisis data (meskipun aspek
yang terakhir dapat diatasi). Selanjutnya, dengan menuntut pola
hubungan intervariable ditentukan secara apriori, SEM cocok untuk
analisis data untuk keperluan inferensial. Sebaliknya, sebagian besar
prosedur variate pada dasarnya bersifat deskriptif (misalnya, eksplorasi
analisis faktor), sehingga pengujian hipotesis sulit, jika bukan tidak mungkin.
Kedua , sedangkan prosedur multivariat tradisional tidak mampu melakukan keduanya
menilai atau mengoreksi kesalahan pengukuran, SEM memberikan estimasi eksplisit
pasangan parameter varians kesalahan ini. Memang metode alternatif
(misalnya, mereka yang berakar pada regresi, atau model linear umum) menganggap itu
kesalahan dalam variabel penjelas (yaitu, independen) menghilang (es). Jadi,
menerapkan metode-metode tersebut ketika ada kesalahan dalam variabel penjelas
sama saja dengan mengabaikan kesalahan, yang pada akhirnya bisa mengarah ke masalah serius
ketidakakuratan — terutama ketika kesalahannya cukup besar. Kesalahan seperti itu
dihindari ketika analisis SEM yang sesuai (secara umum) digunakan.
Ketiga , meskipun analisis data menggunakan metode sebelumnya didasarkan pada
hanya mengamati pengukuran, mereka yang menggunakan prosedur SEM dapat menggabungkan
Halaman 25
4
Pemodelan persamaan struktural dengan AMOS edisi ke-2
keduanya tidak teramati (yaitu, laten) dan variabel yang diamati. Akhirnya tidak ada
metode alternatif yang banyak dan mudah diterapkan untuk memodelkan multivari-
makan relasi, atau untuk memperkirakan titik dan / atau interval efek tidak langsung; ini
fitur-fitur penting tersedia menggunakan metodologi SEM.
Dengan karakteristik yang sangat diinginkan ini, SEM telah menjadi
metodologi untuk penelitian noneksperimental, di mana metode untuk pengujian
teori tidak berkembang dengan baik dan pertimbangan etis membuat pengalaman
desain mental tidak layak (Bentler, 1980). Pemodelan persamaan struktural
dapat dimanfaatkan dengan sangat efektif untuk mengatasi berbagai masalah penelitian
melibatkan penelitian noneksperimental; dalam buku ini, saya paling menggambarkan
aplikasi umum (misalnya, Bab 3, 4, 6, 7, dan 9), serta beberapa yang lainnya
lebih jarang ditemukan dalam literatur substantif (misalnya, Bab 5,
8, 10, 11, 12, dan 13). Sebelum menunjukkan kepada Anda bagaimana menggunakan program AMOS
(Arbuckle, 2007), bagaimanapun, adalah penting bahwa saya pertama kali meninjau konsep-konsep kunci
terkait dengan metodologi. Sekarang kita beralih ke penjelasan singkat mereka.
Konsep dasar
Variabel laten versus yang diamati
Dalam ilmu perilaku, peneliti sering tertarik untuk belajar
konstruksi teoritis yang tidak dapat diamati secara langsung. Ini abstrak
Fenomena disebut variabel laten , atau faktor . Contoh variabel laten
kemampuan dalam psikologi adalah konsep diri dan motivasi; dalam sosiologi, kekuasaan-
lessness dan anomie; dalam pendidikan, kemampuan verbal dan harapan guru;
dan di bidang ekonomi, kapitalisme dan kelas sosial.
Karena variabel laten tidak diamati secara langsung, maka mengikuti variabel tersebut
tidak dapat diukur secara langsung. Dengan demikian, peneliti harus secara operasional
mendefinisikan variabel laten yang menarik dalam hal perilaku yang diyakini mewakili
mengirimnya. Dengan demikian, variabel yang tidak teramati terkait dengan variabel yang dapat diamati,
dengan demikian memungkinkan pengukurannya. Penilaian perilaku,
kemudian, merupakan pengukuran langsung dari variabel yang diamati, meskipun
yang tidak langsung pengukuran variabel teramati (yaitu, yang mendasari
membangun). Penting untuk dicatat bahwa istilah perilaku digunakan di sini di
pengertian yang sangat luas untuk memasukkan skor pada instrumen pengukuran tertentu
ment. Dengan demikian, pengamatan dapat mencakup, misalnya, tanggapan laporan diri
untuk skala sikap, skor pada tes prestasi, in vivo observa-
Skor tion mewakili beberapa tugas fisik atau aktivitas, tanggapan kode
untuk mewawancarai pertanyaan, dan sejenisnya. Skor yang diukur ini (yaitu,
KASIH) disebut variabel teramati atau manifes ; dalam konteks SEM
metodologi, mereka berfungsi sebagai indikator dari konstruk yang mendasarinya
mereka dianggap mewakili. Mengingat proses bridging yang diperlukan ini
antara variabel yang diamati dan variabel laten yang tidak teramati, seharusnya
Halaman 26
Bab satu: Model persamaan struktural
5
sekarang menjadi jelas mengapa ahli metodologi mendesak peneliti untuk berhati-hati
pemilihan ukuran penilaian mereka. Meskipun pilihan psikopat
instrumen suara metrik beruang penting pada kredibilitas
semua temuan studi, seleksi seperti itu menjadi lebih penting ketika
ukuran yang diamati dianggap mewakili konstruk yang mendasarinya. 1
Variabel laten eksogen versus endogen
Sangat membantu dalam bekerja dengan model SEM untuk membedakan antara laten
variabel yang eksogen dan yang endogen. Eksogen
variabel laten identik dengan variabel independen; mereka menyebabkan"
fluktuasi nilai-nilai variabel laten lainnya dalam model. Perubahan
dalam nilai-nilai variabel eksogen tidak dijelaskan oleh model.
Sebaliknya, mereka dianggap dipengaruhi oleh faktor-faktor lain di luar
model. Variabel latar belakang seperti jenis kelamin, usia, dan sosial ekonomi
status adalah contoh dari faktor eksternal tersebut. Variabel laten endogen
identik dengan variabel dependen dan, dengan demikian, dipengaruhi
oleh variabel eksogen dalam model, baik secara langsung maupun tidak langsung.
Fluktuasi nilai-nilai variabel endogen dikatakan dijelaskan
oleh model karena semua variabel laten yang mempengaruhinya disertakan
dalam spesifikasi model.
Model analitik faktor
Prosedur statistik tertua dan paling terkenal untuk menyelidiki hubungan
antara set variabel yang diamati dan laten adalah bahwa analisis faktor . Di
menggunakan pendekatan ini untuk analisis data, peneliti memeriksa kovaria-
antara seperangkat variabel yang diamati untuk mengumpulkan informasi tentang
konstruk laten yang mendasarinya (yaitu, faktor). Ada dua tipe dasar
analisis faktor: exploratory factor analysis (EFA) dan faktor konfirmasi
untuk analisis (CFA). Sekarang kita beralih ke deskripsi singkat masing-masing.
Exploratory factor analysis (EFA) dirancang untuk situasi di mana
hubungan antara variabel yang diamati dan variabel laten tidak diketahui atau tidak
tain. Analisis demikian berlangsung dalam mode eksplorasi untuk menentukan bagaimana,
dan sejauh mana, variabel yang diamati terkait dengan yang mendasarinya
faktor. Biasanya, peneliti ingin mengidentifikasi jumlah minimal
faktor-faktor yang mendasari (atau menjelaskan) kovarisasi di antara yang diamati
variabel. Sebagai contoh, anggaplah seorang peneliti mengembangkan instrumen baru
dirancang untuk mengukur lima segi konsep diri fisik (misalnya, Kesehatan, Olahraga
Kompetensi, Penampilan Fisik, Koordinasi, dan Kekuatan Tubuh).
Mengikuti rumusan item kuesioner yang dirancang untuk mengukur
lima konstruksi laten ini, ia kemudian akan melakukan PUS untuk menentukan
menambang sejauh mana pengukuran item (variabel yang diamati)
Halaman 27
6
terkait dengan lima konstruk laten. Dalam analisis faktor, hubungan ini
diwakili oleh pemuatan faktor . Peneliti berharap item itu
dirancang untuk mengukur kesehatan, misalnya, menunjukkan beban tinggi pada itu
faktor, dan beban rendah atau diabaikan pada empat faktor lainnya. Fasilitas ini
Untuk pendekatan analitik dianggap sebagai eksplorasi dalam arti bahwa
peneliti tidak memiliki pengetahuan sebelumnya bahwa item tersebut memang
yakin faktor yang dimaksud. (Untuk teks yang berhubungan dengan EFA, lihat Comrey, 1992;
Gorsuch, 1983; McDonald, 1985; Mulaik, 1972. Untuk artikel informatif tentang
EFA, lihat Byrne, 2005a; Fabrigar, Wegener, MacCallum, & Strahan, 1999;
MacCallum, Widaman, Zhang, & Hong, 1999; Pengkhotbah & MacCallum,
2003; Wood, Tataryn, & Gorsuch, 1996.)
Berbeda dengan EFA, analisis faktor konfirmatori (CFA) tepat
digunakan ketika peneliti memiliki pengetahuan tentang laten yang mendasarinya
struktur variabel. Berdasarkan pengetahuan teori, penelitian empiris,
atau keduanya, ia mendalilkan hubungan antara langkah-langkah yang diamati
dan faktor-faktor yang mendasari a priori dan kemudian menguji hipotesis ini
struktur secara statistik. Misalnya, berdasarkan contoh yang dikutip sebelumnya,
peneliti akan berdebat untuk memuat barang yang dirancang untuk mengukur
konsep diri kompetensi olahraga pada faktor spesifik itu, dan bukan pada kesehatan,
penampilan fisik, koordinasi, atau dimensi konsep diri kekuatan tubuh
sions. Dengan demikian, spesifikasi apriori dari model CFA akan memungkinkan
semua item konsep diri kompetensi olahraga bebas untuk memuat pada faktor itu,
tetapi dibatasi untuk tidak memuat pada faktor-faktor lainnya. Model
kemudian akan dievaluasi dengan cara statistik untuk menentukan kecukupan
kebaikannya cocok dengan data sampel. (Untuk diskusi lebih rinci tentang
CFA, lihat, misalnya, Bollen, 1989a; Byrne, 2003, 2005b; Long, 1983a.)
Singkatnya, kemudian, model analitik faktor (EFA atau CFA) fokus
semata-mata pada bagaimana, dan sejauh mana, variabel yang diamati terkait
untuk faktor laten yang mendasarinya. Lebih khusus, ini berkaitan dengan
sejauh mana variabel yang diamati dihasilkan oleh under-
berbohong konstruksi laten dan dengan demikian kekuatan jalur regresi dari
faktor-faktor terhadap variabel yang diamati (pemuatan faktor) adalah yang utama
bunga. Meskipun hubungan antar faktor juga menarik, setiap regresi
struktur sion di antara mereka tidak dipertimbangkan dalam model analitik faktor.
Karena model CFA hanya berfokus pada hubungan antara faktor dan
variabel terukur mereka, dalam kerangka SEM, itu diwakili
apa yang disebut model pengukuran .
Model variabel laten penuh
Berbeda dengan model analitik faktor, model variabel laten penuh (LV)
memungkinkan untuk spesifikasi struktur regresi di antara variabel laten
ables Dengan kata lain, peneliti dapat menghipotesiskan dampaknya
Halaman 28
7
konstruksi laten pada yang lain dalam pemodelan arah kausal. Ini
model disebut penuh (atau lengkap ) karena terdiri dari
model dan model struktural: model pengukuran yang menggambarkan
hubungan antara variabel laten dan tindakan yang diamati (yaitu,
model CFA), dan model struktural yang menggambarkan hubungan antara
variabel laten sendiri.
Model LV lengkap yang menentukan arah penyebab dari satu arah
hanya disebut model rekursif ; yang memungkinkan untuk timbal balik atau
efek kembali disebut model non - rekursif . Hanya aplikasi rekursif
model dipertimbangkan dalam buku ini.
Tujuan umum dan proses pemodelan statistik
Model statistik menyediakan cara yang efisien dan nyaman untuk menggambarkan
struktur laten yang mendasari serangkaian variabel yang diamati. Menyatakan
baik secara diagram atau matematis melalui seperangkat persamaan, seperti
model menjelaskan bagaimana variabel yang diamati dan laten terkait dengan satu
lain.
Biasanya, seorang peneliti mendalilkan model statistik berdasarkan atau
pengetahuannya tentang teori terkait, tentang penelitian empiris di bidang
belajar, atau kombinasi keduanya. Setelah model ditentukan, the
Peneliti kemudian menguji masuk akal berdasarkan data sampel yang mencakup semua
variabel yang diamati dalam model. Tugas utama dalam pengujian model ini
Prosedurnya adalah untuk menentukan kebaikan yang sesuai antara yang dihipotesiskan
model dan data sampel. Dengan demikian, peneliti memaksakan struktur
dari model hipotesis pada data sampel, dan kemudian menguji seberapa baik
data yang diamati sesuai dengan struktur terbatas ini. Karena sangat tidak mungkin
bahwa kesesuaian sempurna akan ada antara data yang diamati dan hipotesis
esized model, tentu akan ada perbedaan antara keduanya; ini
diferensial disebut residual . Proses pemasangan model dapat karena itu
dirangkum sebagai berikut:
Data = Model + Residual
dimana
Data merupakan pengukuran skor yang terkait dengan variabel yang diamati sebagai
berasal dari orang yang terdiri dari sampel.
Model mewakili struktur hipotesis yang menghubungkan variabel yang diamati
mampu variabel laten dan, dalam beberapa model, menghubungkan tertentu
variabel laten satu sama lain.
Residual mewakili perbedaan antara model yang dihipotesiskan
dan data yang diamati.
Halaman 29
8
Dalam merangkum kerangka strategis umum untuk pengujian struktural
model persamaan, Jöreskog (1993) membedakan antara tiga skenario
yang ia sebut secara ketat konfirmatori (SC), model alternatif (AM) , dan model
menghasilkan (MG). Dalam skenario konfirmasi ketat, peneliti
lates model tunggal berdasarkan teori, mengumpulkan data yang sesuai, dan kemudian
menguji kesesuaian model yang dihipotesiskan dengan data sampel. Dari hasilnya
dari tes ini, peneliti menolak atau gagal untuk menolak model; tidak ada bulu-
modifikasi model dibuat. Dalam kasus model alternatif, the
Peneliti mengusulkan beberapa alternatif model (yaitu bersaing), semuanya
didasarkan pada teori. Berikut analisis satu set data empiris,
ia memilih satu model yang paling tepat untuk mewakili sampel
data. Akhirnya, skenario pembuatan model mewakili kasus di mana
peneliti, setelah mendalilkan dan menolak model yang diturunkan secara teoritis pada
dasar ketidakcocokannya dengan data sampel, berasal dari sebuah eksplorasi (lebih tepatnya
daripada konfirmasi) mode untuk memodifikasi dan menguji kembali model. Harga
fokus mary, dalam hal ini, adalah untuk menemukan sumber ketidakcocokan dalam model dan
untuk menentukan model yang lebih menggambarkan data sampel. Jöreskog (1993)
mencatat bahwa, meskipun respecification dapat berupa teori atau data didorong, the
Tujuan akhir adalah menemukan model yang bermakna secara substantif
dan secara statistik cocok. Dia lebih jauh mengemukakan bahwa terlepas dari kenyataan itu
"Sebuah model diuji di setiap putaran, seluruh pendekatan adalah pembuatan model,
daripada pengujian model ‖(Jöreskog, 1993, hlm. 295).
Tentu saja, bahkan tinjauan sekilas literatur empiris akan jelas
menunjukkan situasi MG menjadi yang paling umum dari tiga skenario, dan
untuk alasan yang bagus. Mengingat banyaknya biaya yang terkait dengan pengumpulan
data, itu akan menjadi peneliti yang memang langka yang mampu mengakhiri
penelitiannya berdasarkan model hipotesis yang ditolak! Sebagai
akibatnya, kasus SC tidak umum ditemukan dalam praktek. walaupun
Pendekatan AM untuk pemodelan juga merupakan praktik yang relatif tidak umum,
setidaknya dua makalah penting tentang topik (misalnya, MacCallum, Roznowski,
& Necowitz, 1992; MacCallum, Wegener, Uchino, & Fabrigar, 1993) miliki
mempercepat lebih banyak aktivitas sehubungan dengan strategi analitik ini.
Teori statistik yang terkait dengan proses pemasangan model ini dapat ditemukan (a)
dalam teks yang dikhususkan untuk topik SEM (misalnya, Bollen, 1989a; Kline, 2005; Loehlin,
1992; Panjang, 1983b; Raykov & Marcoulides, 2000; Saris & Stronkhurst, 1984;
Schumacker & Lomax, 2004), (b) dalam buku yang diedit yang dikhususkan untuk topik ini
(misalnya, Bollen & Long, 1993; Cudeck, du Toit, & Sörbom, 2001; Hoyle, 1995b;
Marcoulides & Schumacker, 1996), dan (c) berorientasi metodologis
jurnal seperti British Journal of Mathematics dan Statistics Psychology ,
Jurnal Statistik Pendidikan dan Perilaku , Penelitian Perilaku Multivariat ,
Metode Psikologis , Psikometrika , Metodologi Sosiologis , Sosiologis
Metode & Penelitian , dan Pemodelan Persamaan Struktural .
Halaman 30
9
Model persamaan struktural umum
Notasi simbol
Model persamaan struktural secara skematis digambarkan menggunakan tertentu
konfigurasi empat simbol geometris — lingkaran (atau elips), kotak (atau
persegi panjang), panah berkepala tunggal, dan panah berkepala dua. Dengan mengadakan-
tion, lingkaran (atau elips;
) mewakili faktor laten yang tidak teramati, kuadrat
(atau persegi panjang;
) mewakili variabel yang diamati, panah berkepala tunggal
(→) mewakili dampak dari satu variabel pada variabel lainnya, dan berkepala dua
panah (↔) mewakili kovarian atau korelasi antara pasangan variabel
ables Dalam membangun model struktur tertentu yang diteliti, penelitian-
menggunakan simbol-simbol ini dalam kerangka empat konfigurasi dasar,
masing-masing mewakili komponen penting dalam proyek analitik
cess. Konfigurasi ini, masing-masing disertai dengan deskripsi singkat, adalah
sebagai berikut:
!
Koefisien jalur untuk regresi variabel yang diamati
ke variabel laten yang tidak teramati (atau faktor)
!
Koefisien jalur untuk regresi satu faktor ke faktor lainnya
faktor
!
Kesalahan pengukuran terkait dengan variabel yang diamati
!
Kesalahan residual dalam prediksi faktor yang tidak teramati
Diagram jalur
Representasi skema model disebut diagram jalur karena
mereka menyediakan penggambaran visual dari hubungan-hubungan yang dianggap dimiliki
di antara variabel yang diteliti. Intinya, seperti yang akan Anda lihat nanti, a
diagram jalur menggambarkan model SEM tertentu sebenarnya adalah grafis
setara dengan representasi matematisnya di mana seperangkat persamaan
menghubungkan variabel dependen dengan variabel penjelasnya. Sebagai sarana
menggambarkan bagaimana konfigurasi simbol empat di atas dapat mewakili
proses kausal tertentu, izinkan saya sekarang memandu Anda melalui yang sederhana
model yang ditunjukkan pada Gambar 1.1, yang diformulasikan menggunakan AMOS Graphics
(Arbuckle, 2007).
Dalam meninjau model yang ditunjukkan pada Gambar 1.1, kita melihat bahwa ada dua
faktor laten yang tidak teramati, konsep diri matematika (MSC) dan pencapaian matematika-
ment (MATH), dan lima variabel yang diamati — tiga dianggap sebagai
yakin MSC (SDQMSC; APIMSC; SPPCMSC), dan dua untuk mengukur MATH
(MATHGR; MATHACH). Kelima variabel yang diamati ini berfungsi sebagai
faktor-faktor laten yang mendasari masing-masing.
Halaman 31
10
Terkait dengan setiap variabel yang diamati adalah istilah kesalahan (err1-err5), dan
dengan faktor yang diprediksi (MATH), istilah residual (resid1); 2 disana
perbedaan penting antara keduanya. Kesalahan terkait dengan yang diamati
variabel merupakan kesalahan pengukuran , yang mencerminkan kecukupan mereka
dalam mengukur faktor-faktor mendasar terkait (MSC; MATH). Pengukuran
kesalahan berasal dari dua sumber: kesalahan pengukuran acak (dalam psy-
sense chometric) dan keunikan kesalahan , sebuah istilah yang digunakan untuk menggambarkan variasi kesalahan
karena timbul dari beberapa karakteristik yang dianggap spesifik (atau
unik) ke variabel indikator tertentu. Kesalahan seperti itu sering mewakili non
kesalahan pengukuran acak (atau sistematis ). Istilah residual menunjukkan kesalahan pada
prediksi faktor endogen dari faktor eksogen. Sebagai contoh,
istilah residual yang ditunjukkan pada Gambar 1.1 mewakili kesalahan dalam prediksi
MATEMATIKA (faktor endogen) dari MSC (faktor eksogen).
Perlu dicatat bahwa baik pengukuran dan kesalahan residual, dalam
Intinya, merupakan variabel yang tidak teramati. Dengan demikian, tampaknya sangat masuk akal
Mampu itu, konsisten dengan representasi faktor, mereka juga harus
terlampir dalam lingkaran. Untuk alasan ini, maka, diagram jalur AMOS, tidak seperti
yang terkait dengan sebagian besar program SEM lainnya, memodelkan variasi kesalahan ini
mampu sebagai kandang dilingkari secara default. 3
Selain simbol yang mewakili variabel, yang lain adalah
digunakan dalam diagram jalur untuk menunjukkan proses hipotesis yang melibatkan
seluruh sistem variabel. Khususnya, panah satu arah mewakili struktur
koefisien regresi tural dan dengan demikian menunjukkan dampak dari satu variabel
yang lain. Pada Gambar 1.1, misalnya, panah searah menunjuk
menuju faktor endogen, MATH, menyiratkan bahwa faktor eksogen
MSC (konsep diri matematika) ―menyebabkan‖ prestasi matematika (MATH). 4 Demikian juga,
tiga panah searah yang mengarah dari MSC ke masing-masing dari tiga
variabel yang diamati (SDQMSC, APIMSC, dan SPPCMSC), dan mereka yang memimpin
dari MATH ke masing-masing indikatornya, MATHGR dan MATHACH,
menunjukkan bahwa nilai-nilai skor ini masing-masing dipengaruhi oleh masing-masing
faktor yang mendasarinya. Dengan demikian, koefisien jalur ini mewakili
besarnya perubahan yang diharapkan dalam variabel yang diamati untuk setiap perubahan
dalam variabel laten terkait (atau faktor). Penting untuk dicatat bahwa ini
SPPCMSC
APIMSC
SDQMSC
err1
MATHGR
MATHACH
err2
err3
MSC
MATI
resid1
err4
err5
Gambar 1.1 Model persamaan struktural umum.
Halaman 32
11
variabel yang diamati biasanya mewakili skor subskala (lihat, misalnya Bab 8),
skor barang (lihat, misalnya, Bab 4), pasangan barang (lihat, misalnya, Bab 3), dan / atau
paket barang yang diformulasikan dengan hati-hati (lihat, misalnya, Bab 6).
Panah satu arah menunjuk dari istilah kesalahan terlampir
(err1 – err5) menunjukkan dampak kesalahan pengukuran (acak dan unik)
pada variabel yang diamati, dan dari residual (resid1), dampak dari
kesalahan dalam prediksi MATH. Akhirnya, seperti disebutkan sebelumnya, melengkung dua-
panah cara mewakili kovariansi atau korelasi antara pasangan variabel
ables Jadi, panah dua arah yang menghubungkan err1 dan err2, seperti yang ditunjukkan pada
Gambar 1.1, menyiratkan bahwa kesalahan pengukuran yang terkait dengan SDQMSC adalah
berkorelasi dengan yang terkait dengan APIMSC.
Persamaan struktural
Seperti disebutkan dalam paragraf awal bab ini, selain pinjaman
diri mereka ke deskripsi gambar melalui presentasi skematis dari
proses kausal yang diteliti, model persamaan struktural juga bisa
diwakili oleh serangkaian persamaan regresi (yaitu, struktural). Karena
(a) persamaan regresi mewakili pengaruh satu atau lebih variabel
pada yang lain, dan (b) pengaruh ini, secara konvensional dalam SEM, dilambangkan
dengan panah berkepala tunggal yang menunjuk dari variabel pengaruh ke
variabel bunga, kita dapat memikirkan masing-masing persamaan sebagai meringkas
dampak dari semua variabel yang relevan dalam model (diamati dan tidak teramati)
pada satu variabel tertentu (diamati atau tidak teramati). Jadi, satu relatif
pendekatan sederhana untuk merumuskan persamaan ini adalah dengan mencatat setiap variabel
yang memiliki satu atau lebih panah yang menunjuk ke arahnya, dan kemudian merekam jumlah
pembuatan semua pengaruh tersebut untuk masing-masing variabel dependen ini.
Untuk menggambarkan terjemahan proses regresi ini menjadi struktural
persamaan, mari kembali ke Gambar 1.1. Kita dapat melihat bahwa ada enam
dapat dengan panah menunjuk ke arah mereka; lima mewakili variabel yang diamati
ables (SDQMSC, APIMSC, SPPCMSC, MATHGR, dan MATHACH), dan
satu mewakili variabel yang tidak teramati (atau faktor; MATH). Jadi, kita tahu
bahwa fungsi regresi dilambangkan dalam model yang ditunjukkan pada Gambar 1.1
dapat diringkas dalam enam representasi persamaan-seperti yang terpisah
dependensi linear sebagai berikut:
MATEMAT = MSC + residu1
SDQMSC = MSC + err1
APIMSC = MSC + err2
Halaman 33
12
SPPCMSC = MSC + err3
MATHGR = MATH + err4
MATHACH = MATH + err5
Komponen model yang tidak terlihat
Meskipun, pada prinsipnya, ada korespondensi satu-ke-satu antara
presentasi skematis dari suatu model dan terjemahannya ke dalam seperangkat struktur
persamaan tural, penting untuk dicatat bahwa tidak satu pun dari model ini
representasi menceritakan keseluruhan cerita; beberapa parameter penting untuk estimasi
model tidak ditunjukkan secara eksplisit dan karenanya mungkin tidak jelas
untuk pemodel persamaan struktural pemula. Misalnya, di kedua jalur
diagram dan persamaan yang baru saja ditampilkan, tidak ada indikasi bahwa variabel
ances variabel eksogen adalah parameter dalam model; memang,
parameter tersebut sangat penting untuk semua model persamaan struktural. Meskipun
peneliti harus memperhatikan kekurangan diagram lintasan ini dalam
Dengan memasukkan file input model yang terkait dengan program SEM lainnya, AMOS memfasilitasi
proses spesifikasi dengan secara otomatis memasukkan estimasi
varians secara default untuk semua faktor independen.
Demikian juga, sama pentingnya untuk menarik perhatian Anda ke yang ditentukan
tidak ada parameter tertentu dalam suatu model. Sebagai contoh, pada Gambar 1.1,
kami mendeteksi tidak ada panah melengkung antara err4 dan err5, yang menunjukkan
kurangnya kovarians antara istilah kesalahan yang terkait dengan yang diamati
variabel MATHGR dan MATHACH. Demikian pula, tidak ada hipotesis
kovarians antara MSC dan resid1; tidak adanya jalur ini alamat
asumsi umum, dan yang paling sering diperlukan, bahwa prediktor (atau
variabel tidak berhubungan dengan kesalahan yang timbul
prediksi variabel kriteria (atau endogen). Dalam hal keduanya
contoh yang dikutip di sini, AMOS, sekali lagi, membuatnya mudah untuk struktur pemula
pemodel persamaan tural dengan secara otomatis mengasumsikan spesifikasi ini untuk
tidak ada. (Asumsi default penting ini akan dibahas
dalam bab 2, di mana saya meninjau spesifikasi model dan input AMOS
file secara detail.)
Komposisi dasar
Model SEM umum dapat didekomposisi menjadi dua submodel: a
model surement, dan model struktural. The model pengukuran mendefinisikan
hubungan antara variabel yang diamati dan tidak teramati. Dengan kata lain,
ini menyediakan hubungan antara skor pada alat ukur (yaitu, the
Halaman 34
13
variabel indikator yang diamati) dan konstruk yang mendasarinya
dirancang untuk mengukur (yaitu, variabel laten yang tidak teramati). Ukurannya-
model, kemudian, mewakili model CFA yang dijelaskan sebelumnya dalam model itu
menentukan pola dengan mana setiap pengukuran memuat pada faktor tertentu.
Sebaliknya, model struktural mendefinisikan hubungan di antara yang tidak teramati
variabel. Dengan demikian, ini menentukan cara laten tertentu
variabel secara langsung atau tidak langsung mempengaruhi (yaitu, "penyebab") perubahan dalam
beberapa variabel laten tertentu lainnya dalam model.
Untuk tujuan didaktik dalam mengklarifikasi aspek penting SEM ini
komposisi, mari kita periksa Gambar 1.2, di mana model yang sama
dikirim pada Gambar 1.1 telah dibatasi ke dalam pengukuran dan struktur
komponen tural.
Dipertimbangkan secara terpisah, elemen dimodelkan dalam setiap persegi panjang
pada Gambar 1.2 mewakili dua model CFA. Penutup dari dua faktor
dalam elips mewakili model variabel laten penuh dan dengan demikian akan
tidak tertarik dalam penelitian CFA. Model CFA di sebelah kiri dia-
gram mewakili model satu faktor (MSC) yang diukur dengan tiga yang diamati
variabel (SDQMSC, APIMSC, dan SPPCMSC), sedangkan model CFA
di sebelah kanan mewakili model satu faktor (MATH) yang diukur dengan dua
variabel yang diamati (MATHGR-MATHACH). Dalam kedua kasus, regresi
dari variabel yang diamati pada setiap faktor, dan varians dari kedua
SPPCMSC
APIMSC
SDQMSC
err1
MATHGR
MATHACH
err2
err3
MSC
MATI
resid1
Model Pengukuran (CFA)
err4
err5
Model Struktural
Gambar 1.2 Model persamaan struktural umum dibatasi dalam pengukuran
dan komponen struktural.
Halaman 35
14
faktor dan kesalahan pengukuran adalah kepentingan utama; kesalahan
kovarian hanya akan menarik dalam analisis yang terkait dengan model CFA
bantalan pada MSC.
Mungkin penting untuk dicatat bahwa, meskipun kedua model CFA
dijelaskan pada Gambar 1.2 mewakili model faktor orde pertama, orde kedua
dan model CFA tingkat tinggi juga dapat dianalisis menggunakan AMOS. Seperti itu
model CFA hirarkis, bagaimanapun, kurang umum ditemukan dalam literatur.
erature (Kerlinger, 1984). Diskusi dan penerapan model CFA di Indonesia
buku ini terbatas hanya untuk model tingkat pertama dan kedua saja. (Untuk
diskusi dan penjelasan yang lebih komprehensif tentang hal pertama dan kedua
memesan model CFA, lihat Bollen, 1989a; Kerlinger.)
Perumusan struktur kovarian dan rata-rata
Parameter inti dalam model persamaan struktural yang fokus pada
analisis struktur kovarians adalah koefisien regresi, dan
varians dan kovarian dari variabel independen; ketika
fokus meluas ke analisis struktur rata-rata, sarana dan antar
cept juga menjadi parameter utama dalam model. Namun, mengingat itu
data sampel hanya terdiri dari skor yang diamati, perlu ada beberapa
nal mekanisme dimana data ditransformasikan ke dalam parameter
model. Tugas ini diselesaikan melalui model matematika yang mewakili
seluruh sistem variabel. Sistem representasi seperti itu dapat dan dilakukan
bervariasi dengan setiap program komputer SEM. Karena penjelasannya memadai
dari cara di mana sistem representasi AMOS beroperasi tuntutan
pengetahuan tentang teori statistik yang mendasari program, topik berjalan
melampaui maksud dan tujuan dari volume ini. Dengan demikian, pembaca
ested dalam penjelasan komprehensif tentang aspek analisis ini
struktur kovarians dirujuk ke teks-teks berikut (Bollen, 1989a;
Saris & Stronkhorst, 1984) dan monograf (Long, 1983b).
Dalam bab ini, saya telah memberi Anda beberapa konsep dasar
kecuali beberapa yang terkait dengan SEM. Seperti halnya segala bentuk komunikasi, satu
pertama-tama harus memahami bahasa sebelum dapat memahami
pesan yang disampaikan, dan juga dalam memahami spesifikasi-
model SEM. Sekarang Anda sudah terbiasa dengan konsep dasar
yang mendasari pemodelan persamaan struktural, kita dapat mengalihkan perhatian kita ke
spesifikasi dan analisis model dalam kerangka kerja
Program AMOS. Di bab selanjutnya, saya akan berikan Anda detailnya
mengenai spesifikasi model dalam konteks grafik-
antarmuka kal dari program AMOS. Sepanjang jalan, saya tunjukkan caranya
gunakan fitur Toolbox dalam membangun model, tinjau banyak dari drop-
menu bawah, dan detail komponen tiga komponen yang ditentukan dan diilustrasikan
model SEM dasar. Saat Anda bekerja melalui aplikasi
Halaman 36
15
termasuk dalam buku ini, Anda akan menjadi semakin percaya diri
baik dalam pemahaman Anda tentang SEM dan dalam menggunakan program AMOS.
Jadi, mari kita beralih ke Bab 2 dan melihat lebih komprehensif pada SEM
pemodelan dengan AMOS.
Catatan akhir
1. Sepanjang sisa buku ini, istilah-istilah yang laten , tidak teramati , atau tidak terukur
variabel sured digunakan secara sinonim untuk mewakili konstruk hipotetis
atau faktor; istilah yang diamati , manifes , dan variabel yang diukur juga digunakan
secara bergantian.
2. Istilah residual sering disebut sebagai istilah gangguan .
3. Tentu saja, default ini dapat diganti dengan memilih Visibilitas dari menu
Kotak dialog Object Properties (akan dijelaskan pada bab 2).
4. Dalam buku ini, penyebabnya adalah efek langsung dari variabel pada variabel lain dalam konteks tersebut.
teks model lengkap. Besarnya dan arahnya diberikan oleh parsial
koefisien regresi. Jika model lengkap berisi semua pengaruh yang relevan
pada variabel dependen yang diberikan, prekursor penyebabnya ditentukan dengan benar.
Namun dalam praktiknya, model dapat mengabaikan prediktor utama, dan mungkin salah menilai
fied, sehingga mungkin tidak memadai sebagai "model sebab akibat" dalam filosofis
merasakan.
Halaman 37
Halaman 38
17
dua
bab
Menggunakan program AMOS
Tujuan bab ini adalah untuk memperkenalkan Anda ke format umum
program AMOS dan pendekatan grafisnya untuk analisis
model persamaan faktor analitik dan struktural penuh firma. Nama,
AMOS , sebenarnya adalah akronim untuk analisis struktur momen atau, dalam lainnya
kata-kata, analisis mean dan struktur kovarian.
Aspek menarik dari AMOS adalah bahwa, meskipun dikembangkan di dalam
antarmuka Microsoft Windows, program ini memungkinkan Anda untuk memilih
tiga mode spesifikasi model yang berbeda. Menggunakan satu pendekatan,
AMOS Graphics, Anda bekerja langsung dari diagram jalur; menggunakan yang lain-
ers, AMOS VB.NET dan AMOS C #, Anda bekerja langsung dari persamaan
pernyataan. Pilihan metode AMOS mana yang akan digunakan murni arbitrer
dan menanggung hanya pada seberapa nyaman Anda merasa dalam bekerja di salah satu
antarmuka grafis atau antarmuka pemrograman yang lebih tradisional. Dalam
edisi kedua buku ini, saya hanya fokus pada pendekatan grafis. Untuk
informasi yang terkait dengan dua antarmuka lainnya, pembaca disebut
panduan pengguna (Arbuckle, 2007).
Tanpa ragu, bagi Anda yang senang bekerja dengan menggambar
gram, yakinlah bahwa Anda akan senang bekerja dengan AMOS Graphics! Semua
alat gambar telah dirancang dengan cermat dengan konvensi SEM di Indonesia
pikiran — dan ada beragam pilihan untuk dipilih. Dengan
klik sederhana dari tombol kiri atau kanan mouse, Anda akan kagum
seberapa cepat Anda dapat merumuskan diagram jalur kualitas publikasi. Di
Sebaliknya, bagi Anda yang mungkin merasa lebih betah dengan
ing model Anda menggunakan format persamaan, AMOS VB.NET dan / atau C #
Pilihannya sangat mudah dan mudah diterapkan.
Terlepas dari mode input model mana yang Anda pilih, semua opsi
terkait dengan analisis tersedia dari menu drop-down, dan semua
estimasi yang diperoleh dari analisis dapat disajikan dalam format teks. Di
Selain itu, AMOS Graphics memungkinkan perkiraan ditampilkan grafik-
dihabiskan dalam diagram jalur. Jadi, pilihan antara kedua pendekatan ini adalah
SEM benar-benar bermuara pada preferensi seseorang mengenai spesifikasi
model. Dalam bab ini, saya memperkenalkan Anda ke berbagai fitur AMOS
Grafik dengan menggambarkan formulasi spesifikasi input yang terkait dengan
tiga model sederhana. Seperti semua bab berikutnya dalam buku ini, saya berjalan
Anda melalui berbagai tahapan dari setiap aplikasi unggulan.
Halaman 39
18
Mari mengalihkan perhatian kita sekarang ke ulasan berbagai komponen
dan karakteristik AMOS Graphics karena berkaitan dengan spesifikasi
tiga model dasar — model CFA orde pertama (Contoh 1), orde kedua
Model CFA (Contoh 2), dan model SEM lengkap (Contoh 3).
Bekerja dengan Grafik AMOS: Contoh 1
Memulai Grafik AMOS
Untuk memulai AMOS Graphics, Anda harus, pertama, untuk mengikuti yang biasa
Prosedur Windows sebagai berikut: Mulai → Program → AMOS (Versi)
→ AMOS Graphics. Dalam kasus ini, semua pekerjaan didasarkan pada AMOS ver-
sion 17. 1 Ditampilkan pada Gambar 2.1 adalah layar pemilihan AMOS lengkap
yang akan Anda sajikan. Seperti yang Anda lihat, dimungkinkan untuk mendapatkan akses
untuk berbagai aspek dari pekerjaan sebelumnya. Namun pada awalnya, Anda pasti menginginkannya
klik pada AMOS Graphics. Atau, Anda selalu dapat menempatkan AMOS
Ikon grafik di desktop Anda.
Setelah Anda berada di AMOS Graphics, Anda akan melihat layar pembuka dan
kotak peralatan yang ditunjukkan pada Gambar 2.2. Di ujung kanan layar ini Anda akan melihat a
persegi panjang kosong; ruang ini menyediakan gambar diagram jalur Anda.
Ikon besar yang disorot di bagian atas bagian tengah layar,
ketika diaktifkan, memberi Anda tampilan diagram jalur input (yaitu, the
spesifikasi model). Ikon pengiring di sebelah kanan yang pertama memungkinkan
Anda untuk melihat diagram jalur keluaran, yaitu diagram jalur dengan
estimasi parameter disertakan. Tentu saja, mengingat bahwa kita belum
melakukan analisis apa pun, ikon output ini berwarna abu-abu dan tidak disorot.
Alat pemodelan AMOS
AMOS memberi Anda semua alat yang akan Anda butuhkan dalam penciptaan
ating dan bekerja dengan diagram jalur SEM. Setiap alat diwakili
Gambar 2.1 menu startup AMOS.
Halaman 40
Bab dua: Menggunakan program AMOS
19
oleh ikon (atau tombol) dan melakukan satu fungsi tertentu; Ada
42 ikon untuk memilih. Segera setelah membuka program,
Anda melihat kotak alat yang berisi masing-masing ikon ini, dengan work- kosong
ruang terletak di sebelah kanannya. Penjelasan singkat dari setiap ikon disajikan di
Tabel 2.1.
Dalam meninjau Tabel 2.1, Anda akan mencatat bahwa, meskipun mayoritas
ikon dikaitkan dengan komponen individual dari diagram jalur
(misalnya,), atau dengan diagram jalur secara keseluruhan (misalnya,), yang lain berhubungan
baik ke data (misalnya,) atau ke analisis (misalnya,). Jangan khawatir
mencoba mengingat alat hamparan ini hanya dengan memegang mouse
pointer stasioner di atas ikon sudah cukup untuk memicu label pop-up itu
mengidentifikasi fungsinya. Saat Anda mulai bekerja dengan AMOS Graphics di
menggambar sebuah model, Anda akan menemukan dua alat khususnya, Ikon Indikator
dan Ikon Kesalahan
, setimpal dengan emas! Keduanya
ikon mengurangi, sangat, kebosanan mencoba menyelaraskan semua
variabel indikator bersama dengan variabel kesalahan terkait dalam upaya
untuk menghasilkan diagram yang estetis. Sebagai konsekuensinya, sekarang
mungkin untuk menyusun diagram jalur hanya dalam hitungan menit.
Sekarang Anda telah memiliki kesempatan untuk membaca dengan teliti alat kerja AMOS
Grafik, mari beralih ke penggunaan aktualnya dalam merumuskan diagram jalur.
Untuk pengalaman pertama Anda menggunakan antarmuka grafis ini, kami akan merekomendasikan
struct model CFA yang dihipotesiskan ditunjukkan pada Gambar 2.3.
Gambar 2.2 Membuka layar Grafis AMOS yang menampilkan palet ikon alat.
Halaman 41
20
( lanjutan )
Tabel 2.1 Alat Gambar Terpilih dalam Grafik AMOS
Ikon Persegi Panjang : Menarik variabel yang diamati (diukur)
Ikon Oval : Menggambar variabel yang tidak teramati (laten, tidak terukur)
Ikon Indikator : Menggambar variabel laten atau menambahkan variabel indikator
Ikon Jalur : Menggambar jalur regresi
Ikon Kovarian : Menggambar kovarian
Ikon Kesalahan : Menambahkan variabel kesalahan / keunikan ke yang sudah ada
variabel yang diamati
Ikon Judul : Menambahkan keterangan gambar ke diagram jalur
Variable List (I) Icon : Daftar variabel dalam model
Ikon Daftar Variabel (II) : Daftar variabel dalam kumpulan data
Ikon Pilihan Tunggal : Memilih satu objek pada satu waktu
Ikon Pilihan Berganda : Memilih semua objek
Ikon Deseleksi Berganda : Membatalkan seleksi semua objek
Duplikat Ikon : Membuat banyak salinan dari objek yang dipilih
Pindahkan Ikon : Memindahkan objek yang dipilih ke lokasi alternatif
Hapus Ikon : Menghapus objek yang dipilih
Ikon Perubahan Bentuk : Mengubah bentuk objek yang dipilih
Rotate Icon : Mengubah orientasi variabel indikator
Reflect Icon : Membalik arah variabel indikator
Pindahkan Ikon Parameter : Memindahkan nilai parameter ke lokasi alternatif
Ikon Gulir : Diagram jalur reposisi ke bagian lain dari layar
Touch-Up Icon : Mengaktifkan penataan ulang panah di diagram jalur
Halaman 42
21
Tabel 2.1 Alat Gambar Terpilih dalam Grafik AMOS ( Lanjutan )
Ikon File Data : Memilih dan membaca file data
Ikon Properti Analisis : Meminta perhitungan tambahan
Icon Calculate Estimates : Menghitung default dan / atau diminta
perkiraan
Ikon Clipboard : Salinan diagram jalur ke clipboard Windows
Ikon Output Teks : Melihat output dalam format tekstual
Ikon Diagram Simpan : Menyimpan diagram jalur saat ini
Ikon Properti Objek : Menentukan properti variabel
Seret Properti Ikon : Mentransfer properti yang dipilih dari objek ke objek
atau lebih banyak objek target
Ikon Pertahankan Simetri : Menjaga jarak yang tepat di antara yang dipilih
sekelompok objek
Ikon Pilih Zoom : Memperbesar bagian yang dipilih dari diagram jalur
Ikon Zoom-In : Menampilkan area yang lebih kecil dari diagram jalur
Ikon Perkecil : Melihat area diagram jalur yang lebih besar
Ikon Halaman Zoom : Menunjukkan seluruh halaman di layar
Ikon Fit-to-Page : Mengubah ukuran diagram path agar sesuai dengan batas halaman
Ikon Pembesar: Memeriksa diagram jalur dengan pembesar (kaca pembesar)
Bayesian Icon : Mengaktifkan analisis berdasarkan statistik Bayesian
Ikon Beberapa Grup : Mengaktifkan analisis beberapa grup
Ikon Cetak : Mencetak diagram jalur yang dipilih
Urungkan (I) Ikon : Membatalkan perubahan sebelumnya
Undo (II) Ikon : Membatalkan undo sebelumnya
Pencarian Spesifikasi : Mengaktifkan pemodelan berdasarkan spesifikasi
Cari
Halaman 43
22
Model yang dihipotesiskan
Struktur CFA pada Gambar 2.3 terdiri dari empat faktor konsep diri (SC )—
SC akademik (ASC), SC sosial (SSC), SC fisik (PSC), dan emosional
SC (ESC). Setiap faktor SC diukur oleh tiga variabel yang diamati, yaitu
keandalan yang dipengaruhi oleh kesalahan pengukuran acak, seperti
dikutip oleh istilah kesalahan yang terkait. Masing-masing variabel yang diamati adalah
SDQASC3
SDQASC2
SDQASC1
err1
1
1
1
1
1
1
1
err2
err3
ASC
SDQPSC3
SDQPSC2
SDQPSC1
err7
1
1
1
err8
err9
PSC
SDQESC3
SDQESC2
SDQESC1
err10
1
1
1
err11
err12
ESC
SDQSSC3
SDQSSC2
SDQSSC1
err4
1
1
1
err5
err6
SSC
Gambar 2.3 Model CFA orde pertama yang dihipotesiskan.
Halaman 44
23
mundur ke faktor masing-masing. Akhirnya, keempat faktor tersebut ditunjukkan
saling berhubungan.
Menggambar diagram jalur
Untuk memulai menggambar model baru, klik File , yang ditunjukkan di atas
dari layar AMOS pembuka, dan kemudian pilih Baru dari drop-down
Tidak bisa. Meskipun menu drop-down File adalah khas dari kebanyakan Windows
program, saya sertakan di sini pada Gambar 2.4 untuk kepentingan kelengkapan.
Sekarang, kami siap untuk menggambar diagram jalur kami. Alat pertama yang Anda
akan ingin digunakan adalah apa yang saya sebut ikon "juta dolar" (indikator) (lihat
Tabel 2.1) karena melakukan beberapa fungsi. Klik pada ikon ini untuk
berikan itu dan kemudian, dengan kursor di ruang kosong yang disediakan, tahan
turun tombol kiri mouse dan menggambar elips dengan menyeretnya sedikit ke
buat elips. Jika Anda lebih suka model faktor Anda untuk menunjukkan faktor sebagai
lingkaran, daripada elips, hanya saja tidak melakukan tindakan menyeret. Kapan
bekerja dengan ikon, Anda perlu melepaskan tombol mouse setelah Anda
telah selesai bekerja dengan fungsi tertentu. Gambar 2.5 menggambarkan
menyelesaikan bentuk elips dengan Ikon Indikator
masih diaktifkan. Tentu saja,
Anda juga bisa mengaktifkan Ikon Draw Unobserved Variables
dan
mencapai hasil yang sama. 2
Sekarang kita memiliki elips yang mewakili faktor laten pertama, the
Langkah selanjutnya adalah menambahkan variabel indikator. Untuk melakukannya, kita klik pada Indikator
Ikon , setelah itu penunjuk tetikus berubah menyerupai Ikon Indikator .
Sekarang, pindahkan gambar IndicatorIcon ke tengah elips, pada saat itu
tepi luarnya disorot dengan warna merah. Selanjutnya, klik pada yang tidak teramati
variabel. Dalam melihat Gambar 2.6, Anda akan melihat bahwa tindakan ini menghasilkan a
Gambar 2.4 Menu file AMOS Graphics.
Halaman 45
24
persegi panjang (mewakili variabel yang diamati tunggal), panah yang menunjuk
dari faktor laten ke variabel yang diamati (mewakili regresi
path), dan lingkaran kecil dengan panah yang menunjuk ke arah variabel yang diamati
mampu (mewakili istilah kesalahan pengukuran). 3 Sekali lagi, Anda akan melihat itu
yang Indikator Icon , ketika diaktifkan, muncul di tengah elips. Ini,
tentu saja, terjadi karena di situlah kursor menunjuk.
Gambar 2.5 Menggambar elips untuk mewakili variabel laten yang tidak teramati (atau
faktor).
Gambar 2.6 Menambahkan istilah kesalahan pertama ke faktor laten.
Halaman 46
25
Perhatikan, bagaimanapun, bahwa model hipotesis (lihat Gambar 2.3) kita
berusaha untuk struktur secara skematis menunjukkan masing-masing faktor latennya
untuk memiliki tiga, bukan hanya satu, variabel indikator. Ini tambahan
indikator mudah ditambahkan ke diagram dengan dua klik sederhana dari kiri
tombol mouse saat Ikon Indikator diaktifkan. Dengan kata lain, dengan
ikon ini diaktifkan, setiap kali tombol kiri mouse diklik, AMOS
Grafik akan menghasilkan variabel indikator tambahan, masing-masing dengan
istilah kesalahan terkait. Gambar 2.7 dan 2.8 menunjukkan hasil yang telah dibuat
masing-masing satu dan dua klik tambahan, ke tombol kiri mouse.
Dalam meninjau kembali model yang dihipotesiskan, kami mencatat bahwa ketiganya
variabel indikator untuk setiap faktor laten berorientasi ke kiri
elips daripada ke atas, seperti yang saat ini terjadi pada diagram kami di sini.
Tugas ini mudah diselesaikan dengan cara rotasi. Satu sangat sederhana
cara mencapai reorientasi ini adalah dengan mengklik tombol kanan mouse
sementara Ikon Indikator diaktifkan. Gambar 2.9 mengilustrasikan hasil
tindakan mengklik ini.
Seperti yang dapat Anda lihat dari kotak dialog, ada berbagai opsi
terkait dengan diagram jalur ini dari mana Anda dapat memilih. Pada saat ini,
namun, kami hanya tertarik pada opsi Putar . Pindah ke bawah
menu dan mengklik dengan tombol kiri mouse pada Putar akan aktif
yang Putar fungsi dan menetapkan label terkait dengan kursor. Ketika saat ini
sor dipindahkan ke tengah oval dan tombol kiri mouse diklik, tombol
tiga variabel indikator, dikombinasikan dengan istilah dan tautan kesalahannya
Gambar 2.7 Menambahkan istilah kesalahan kedua ke faktor laten.
Halaman 47
26
ke faktor yang mendasarinya, akan bergerak 45 derajat searah jarum jam, seperti diilustrasikan
pada Gambar 2.10; dua klik tambahan akan menghasilkan orientasi yang diinginkan
ditunjukkan pada Gambar 2.11. Atau, kita bisa mengaktifkan Ikon Putar
dan kemudian mengklik elips untuk mendapatkan efek yang sama.
Sekarang kita memiliki satu struktur faktor selesai, itu menjadi
tugas sederhana menduplikasi konfigurasi ini untuk menambah tiga
tambahan untuk model. Namun, sebelum kita dapat menduplikasi, kita
pertama-tama harus mengelompokkan semua komponen struktur ini agar dapat beroperasi
sebagai satu kesatuan. Ini mudah dilakukan dengan mengklik Banyak
Ikon Pilihan , setelah itu Anda akan mengamati bahwa garis besar semua
komponen struktur faktor sekarang disorot dengan warna biru, sehingga
menyatakan bahwa mereka sekarang beroperasi sebagai satu unit. Seperti halnya tugas menggambar lainnya
dalam AMOS, duplikasi struktur ini dapat dilakukan dengan
mengklik pada ikon duplikat
atau dengan mengklik kanan pada model dan
mengaktifkan menu, seperti yang ditunjukkan pada Gambar 2.9. Dalam kedua kasus, Anda akan melihat
bahwa dengan setiap klik dan seret tombol kiri mouse, kursor mengambil
pada bentuk mesin fotokopi dan menghasilkan satu salinan dari faktor faktor
mendatang. Tindakan ini diilustrasikan pada Gambar 2.12.
Setelah Anda memiliki jumlah salinan yang Anda butuhkan, itu hanya masalah
menyeret setiap struktur duplikat ke posisi. Gambar 2.13 menggambarkan
empat faktor struktur berbaris secara vertikal untuk mereplikasi hipotesis
Gambar 2.8 Faktor laten dengan tiga variabel indikator dan yang terkait
istilah kesalahan.
Halaman 48
27
Model CFA. Perhatikan sisipan Ikon Pindahkan
dalam gambar ini; itu digunakan
untuk memposisikan ulang objek dari satu lokasi ke lokasi lain. Dalam kasus ini, itu
digunakan untuk memindahkan empat struktur faktor duplikat sedemikian rupa sehingga mereka
disejajarkan secara vertikal. Dalam menyusun diagram SEM Anda sendiri, Anda dapat
ingin memindahkan seluruh diagram jalur untuk penempatan yang lebih baik di halaman. Ini
penataan kembali dimungkinkan dengan Ikon Pindahkan , tapi jangan lupa untuk berakting
vate Ikon Pilihan Beberapa diilustrasikan sebelumnya. 4
Sekarang kita perlu menambahkan faktor kovarian ke diagram jalur kita.
Diilustrasikan pada Gambar 2.14 adalah penambahan kovarians di antara yang pertama
dan faktor keempat; panah berkepala dua ini ditarik dengan mengklik
yang Kovarian Icon . Setelah tombol ini diaktifkan, Anda kemudian klik
pada satu objek (dalam hal ini, faktor laten pertama), dan seret panah ke
objek kedua yang menarik (dalam hal ini, faktor laten keempat). Itu
Gambar 2.9 Menu pop-up diaktifkan dengan mengklik tombol kanan mouse.
Halaman 49
28
proses kemudian diulangi untuk masing-masing kovariansi tertentu yang tersisa.
Ya, hilang adalah hari-hari menghabiskan berjam-jam tanpa henti mencoba untuk menarik banyak
panah yang terlihat setidaknya agak mirip dalam kelengkungan mereka! Terimakasih untuk
Grafik AMOS, panah berkepala dua ini digambar dengan sempurna setiap
waktu tunggal.
Pada titik ini, diagram jalur kami, secara struktural, sudah selesai;
yang harus kita lakukan hanyalah memberi label pada masing-masing variabel. Jika Anda melihat ke belakang
pada Gambar 2.9, di mana menu klik kanan mouse ditampilkan, Anda akan
lihat pilihan yang disebut Object Properties di bagian atas menu. Ini adalah
opsi yang Anda butuhkan untuk menambahkan teks ke diagram jalur. Untuk memulai ini
Gambar 2.10 Faktor laten dengan variabel indikator dan istilah kesalahan diputar
sekali.
Gambar 2.11 Struktur faktor laten terpantul yang ditunjukkan pada Gambar 2.10.
Halaman 50
29
proses, arahkan kursor ke objek yang membutuhkan teks yang ditambahkan, klik kanan
untuk memunculkan menu View , dan, akhirnya, klik kiri pada Object Properties ,
yang mengaktifkan kotak dialog yang ditunjukkan pada Gambar 2.15. Impor di sini
lima tab berbeda di bagian atas kotak dialog. Kami memilih tab Teks ,
yang memungkinkan kita untuk menentukan ukuran dan gaya font khusus untuk variabel
nama yang akan dimasukkan. Untuk tujuan ilustrasi, saya cukup memasukkan
label untuk variabel laten pertama (ASC) dan memilih ukuran font 12
dengan gaya font biasa. Semua pelabelan yang tersisa diselesaikan dengan cara yang sama
cara. Atau, Anda dapat menampilkan daftar variabel dalam data dan
kemudian seret setiap variabel ke kotaknya masing-masing.
Diagram jalur yang terkait dengan model CFA dihipotesiskan sekarang
lengkap. Namun, sebelum meninggalkan AMOS Graphics, saya ingin menunjukkan
Anda isi empat menu pull-down tersedia untuk Anda di
layar gambar Anda. (Untuk ulasan tentang kemungkinan menu, lihat Gambar 2.2.)
Menu drop-down pertama dan ketiga yang ditunjukkan pada Gambar 2.16 berhubungan
dalam beberapa cara untuk path diagram. Dalam meninjau Edit dan Diagram ini
menu, Anda akan segera melihat bahwa mereka berfungsi sebagai alternatif untuk penggunaan
alat menggambar, beberapa di antaranya baru saja saya tunjukkan dalam rekonstruksi
struction Gambar 2.3. Demikian, bagi Anda yang mungkin lebih suka bekerja
Gambar 2.12. Menduplikasi struktur faktor pertama.
Halaman 51
30
dengan menu pull-down, bukan dengan tombol alat gambar, AMOS
Grafik memberi Anda opsi ini. Seperti namanya, Lihat
menu memungkinkan Anda membaca berbagai fitur yang terkait dengan
ables dan / atau parameter dalam diagram jalur. Akhirnya, dari Analisis
menu, Anda dapat menghitung taksiran (yaitu, menjalankan pekerjaan), mengelola grup
dan / atau model, dan melakukan analisis kelompok ganda dan beragam lainnya
jenis analisis.
Sekarang, Anda harus memiliki pemahaman yang cukup baik tentang bagaimana AMOS
Grafik berfungsi. Tentu saja, karena belajar berasal dari melakukan, Anda akan melakukannya
paling pasti ingin berlatih sendiri beberapa teknik ilus-
di sini. Bagi Anda yang masih belum nyaman bekerja sama
menggambar program, merasa terhibur pada kenyataan bahwa saya juga menyembunyikan ketakutan seperti itu
sampai
Saya bekerja dengan AMOS. Yakinlah bahwa sekali Anda telah memutuskan untuk mengambil
terjun ke dunia program menggambar, Anda akan kagum dengan caranya
sederhananya adalah teknik, dan ini terutama berlaku untuk AMOS Graphics!
Gambar 2.13 Memindahkan keempat struktur faktor untuk disejajarkan secara vertikal.
Halaman 52
31
Memahami komponen dasar model 1
Ingatlah dari Bab 1 bahwa parameter utama diestimasi dalam CFA
model adalah koefisien regresi (yaitu, memuat faktor), faktor dan
varians kesalahan, dan, dalam beberapa model (seperti halnya dengan Gambar 2.3), the
faktor kovarian. Mengingat bahwa variabel laten dan yang diamati adalah spesifik
dalam model AMOS Graphics, program secara otomatis memperkirakan
pasangan varians faktor dan kesalahan. Dengan kata lain, varians terkait
dengan variabel-variabel yang ditentukan ini diperkirakan secara bebas secara default. Namun,
standar yang terkait dengan parameter kovarian diatur oleh WYSIWYG
aturan — apa yang Anda lihat adalah apa yang Anda dapatkan. Yaitu, jika jalur kovarians tidak
termasuk dalam diagram jalur, maka parameter ini tidak akan diestimasi
(secara default); jika dimasukkan, maka nilainya akan diperkirakan.
Satu peringatan yang sangat penting dalam bekerja dengan persamaan struktural
model adalah untuk selalu menghitung jumlah parameter dalam model yang akan ditentukan
dikawinkan sebelum menjalankan analisis. Informasi ini sangat penting untuk Anda
Gambar 2.14 Gambar faktor kovarian panah ganda berkepala pertama.
Halaman 53
32
Gambar 2.15 Kotak dialog properti objek: tab teks terbuka.
Gambar 2.16 Empat menu pull-down AMOS Graphics yang dipilih.
Halaman 54
33
pengetahuan tentang apakah model yang Anda uji adalah statistik atau tidak
diidentifikasi. Jadi, sebagai prasyarat untuk diskusi identifikasi, mari
hitung jumlah parameter yang akan diestimasi untuk model yang digambarkan
pada Gambar 2.3. Dari tinjauan angka tersebut, kita bisa memastikan bahwa ada 12
koefisien regresi (memuat faktor), 16 varians (12 varians kesalahan dan 4)
varians faktor), dan 6 faktor kovarian. 1 ditugaskan untuk masing-masing set
parameter jalur regresi mewakili nilai tetap 1,00; dengan demikian, ini
parameter tidak diestimasi. Secara total, ada 30 parameter yang harus
Diperkirakan untuk model CFA digambarkan pada Gambar 2.3. Sekarang mari kita beralih ke brief
diskusi tentang konsep penting model (atau statistik) identifikasi.
Konsep identifikasi model
Identifikasi model adalah topik kompleks yang sulit dijelaskan dalam
istilah teknis. Meski penjelasan menyeluruh tentang identifikasi
prinsip melebihi ruang lingkup buku ini, tidak penting untuk
pemahaman pembaca dan penggunaan buku. Meskipun demikian, karena beberapa
wawasan tentang konsep umum masalah identifikasi akan diragukan lagi-
edly membantu Anda untuk lebih memahami mengapa, misalnya, parameter tertentu
Eter ditetapkan sebagai memiliki nilai tetap, saya coba sekarang untuk memberi Anda a
penjelasan singkat dan non-matematis tentang ide dasar yang mendasari konsep ini.
kecuali Pada dasarnya, saya hanya membahas apa yang disebut aturan-t, salah satu dari beberapa tes
terkait dengan identifikasi. Saya mendorong Anda untuk berkonsultasi dengan yang berikut ini
teks untuk perawatan yang lebih komprehensif dari topik: Bollen (1989a),
Kline (2005), Long (1983a, 1983b), dan Saris dan Stronkhorst (1984). saya juga
merekomendasikan deskripsi yang sangat jelas dan mudah dibaca dari masalah identifikasi
dalam bab buku karya MacCallum (1995), dan asumsi dasarnya
dalam Hayashi and Marcoulides (2006).
Secara luas, masalah identifikasi berfokus pada apakah atau tidak
ada seperangkat parameter unik yang konsisten dengan data. Pertanyaan ini
beruang langsung pada transposisi dari matriks varians-kovarians
variabel yang diamati (data) menjadi parameter struktural model
sedang dipelajari. Jika solusi unik untuk nilai-nilai parameter struktural
dapat ditemukan, model tersebut dianggap dapat diidentifikasi. Sebagai konsekuensi,
parameter dianggap dapat diperkirakan dan karenanya model
dapat diuji. Di lain pihak, jika suatu model tidak dapat diidentifikasi, ini mengindikasikan hal itu
parameter tunduk pada kesewenang-wenangan, dengan demikian menyiratkan bahwa berbeda
nilai parameter menentukan model yang sama; seperti itulah yang terjadi, pencapaian
estimasi konsisten untuk semua parameter tidak dimungkinkan, dan, dengan demikian,
Model tidak dapat dievaluasi secara empiris. Dengan contoh sederhana, the
proses akan secara konseptual mirip dengan mencoba menentukan nilai unik
ues untuk X dan Y, ketika satu-satunya informasi yang Anda miliki adalah X + Y = 15.
Generalisasi contoh ini untuk analisis struktur kovarians, kemudian, the
Halaman 55
34
masalah identifikasi model berfokus pada sejauh mana seperangkat unik
nilai dapat disimpulkan untuk parameter yang tidak diketahui dari kovari-
ance matrix dari variabel yang dianalisis yang direproduksi oleh model.
Model struktural mungkin hanya diidentifikasi , overidentified , atau underiden-
tified . Model just-Identified adalah model di mana ada satu-ke-satu perusahaan
responden antara data dan parameter struktural. Yang ke
katakanlah, jumlah varians data dan kovarian sama dengan jumlah
parameter yang akan diestimasi. Namun, terlepas dari kemampuan modelnya
untuk menghasilkan solusi unik untuk semua parameter, model yang baru saja diidentifikasi adalah
tidak menarik secara ilmiah karena tidak memiliki derajat kebebasan dan
karena itu tidak pernah bisa ditolak. Model overidentified adalah model di mana
jumlah parameter yang diperkirakan kurang dari jumlah titik data
(Yaitu, varian dan kovarian dari variabel yang diamati). Situasi ini
menghasilkan derajat kebebasan positif yang memungkinkan penolakan model,
dengan demikian menjadikannya penggunaan ilmiah. Tujuan dalam SEM, kemudian, adalah untuk menentukan
model dan sedemikian rupa sehingga memenuhi kriteria overidentification. Akhirnya,
model yang tidak teridentifikasi adalah model dengan jumlah parameter
diperkirakan melebihi jumlah varians dan kovarian (yaitu, data
poin). Dengan demikian, model mengandung informasi yang tidak mencukupi (dari
input data) untuk tujuan mencapai solusi determinasi parameter
estimasi eter; yaitu, sejumlah solusi tak terbatas dimungkinkan untuk
model yang tidak teridentifikasi.
Meninjau model CFA pada Gambar 2.3, sekarang mari kita tentukan caranya
banyak titik data yang harus kita kerjakan (yaitu, seberapa banyak informasi yang kita miliki
miliki sehubungan dengan data kami?). Seperti disebutkan di atas, ini merupakan
ances dan covariances dari variabel yang diamati; dengan variabel p, di sana
adalah p (p + 1) / 2 elemen tersebut. Mengingat bahwa ada 12 variabel yang diamati,
ini berarti kita memiliki 12 (12 + 1) / 2 = 78 titik data. Sebelum diskusi ini
Untuk identifikasi, kami menentukan total 30 parameter yang tidak diketahui.
Dengan demikian, dengan 78 titik data dan 30 parameter diperkirakan, kami memiliki
model overidentified dengan 48 derajat kebebasan.
Namun, penting untuk dicatat bahwa spesifikasi
model dentified diperlukan, tetapi tidak cukup, kondisi untuk menyelesaikan
masalah identifikasi. Memang, pengenaan kendala pada khususnya
parameter kadang-kadang bisa bermanfaat dalam membantu peneliti untuk mencapai
model yang teridentifikasi secara berlebihan. Contoh batasan seperti itu diilustrasikan dalam
Bab 5 dengan penerapan model CFA orde kedua.
Terkait dengan masalah identifikasi adalah persyaratan bahwa setiap laten
variabel ditentukan skalanya. Batasan ini muncul karena ini
variabel tidak teramati dan karenanya tidak memiliki skala metrik yang pasti; Itu
dapat dicapai dengan satu dari dua cara. Pendekatan pertama terkait dengan
iikasi model pengukuran dimana variabel laten yang tidak terukur
mampu dipetakan ke variabel indikator yang diamati terkait. Skala ini
Halaman 56
35
diperlukan puas dengan membatasi ke beberapa nilai bukan nol (biasanya, 1,0)
satu parameter faktor pemuatan dalam setiap 5 set pemuatan kongenerik . Ini
kendala berlaku untuk variabel laten independen dan dependen. Di
meninjau Gambar 2.3, maka, ini berarti bahwa untuk satu dari tiga regresi
beberapa jalur yang mengarah dari setiap faktor SC ke sejumlah indikator yang diamati
nilai tetap harus ditentukan; parameter tetap ini disebut referensi
variabel. 6 Sehubungan dengan model pada Gambar 2.3, misalnya, skala
telah ditetapkan dengan membatasi nilai 1,0 parameter ketiga
dalam setiap set variabel yang diamati. Ingat bahwa AMOS Graphics otomatis
nilai ini ditetapkan secara otomatis ketika Ikon Indikator diaktifkan dan digunakan
untuk menambahkan variabel indikator pertama dan istilah kesalahannya ke model. ini
Penting untuk dicatat, bagaimanapun, bahwa meskipun AMOS Graphics ditugaskan
nilai "1" ke jalur regresi yang lebih rendah dari setiap set, penugasan ini dapat
diubah hanya dengan mengklik tombol kanan mouse dan memilih
Properti Obyek dari menu pop-up. (Modifikasi ini akan ilus-
Dilacak dengan contoh berikut.)
Dengan ide yang lebih baik tentang aspek-aspek penting dari spesifikasi CFA
model secara umum, spesifikasi menggunakan Grafik AMOS pada khususnya, dan
gagasan dasar yang terkait dengan identifikasi model, kami melanjutkan
berjalanlah melalui dua model yang tersisa yang diulas dalam bab ini.
Dalam contoh kedua dari spesifikasi model ini, kami menguji
model pesanan ditampilkan pada Gambar 2.17.
Dalam model analitik faktor kami sebelumnya, kami memiliki empat faktor (ASC, SSC, PSC,
dan ESC) yang dioperasikan sebagai variabel independen; masing-masing dapat dipertimbangkan
ered menjadi satu tingkat, atau satu panah searah, jauh dari yang diamati
variabel. Faktor-faktor seperti ini disebut faktor tingkat pertama . Namun, itu mungkin saja
kasus bahwa teori berpendapat untuk beberapa faktor level yang lebih tinggi yang dipertimbangkan
bertanggung jawab atas faktor urutan bawah. Pada dasarnya jumlah level atau
panah searah bahwa faktor urutan lebih tinggi dihapus dari
variabel yang diamati menentukan apakah model faktor dipertimbangkan
menjadi urutan kedua, urutan ketiga, atau urutan yang lebih tinggi; hanya pesanan kedua
Model akan diperiksa di sini.
Meskipun model secara skematis digambarkan pada Gambar 2.17
pada dasarnya struktur faktor tingkat pertama yang sama seperti yang ditunjukkan pada
Gambar 2.3, ini berbeda dalam hal konsep diri umum tingkat tinggi (GSC)
faktor dihipotesiskan sebagai akuntansi untuk, atau menjelaskan, semua varian dan
kovarians terkait dengan faktor tingkat pertama. Dengan demikian, GSC disebut sebagai
Halaman 57
36
faktor orde kedua. Penting untuk mencatat fakta secara khusus
bahwa GSC tidak memiliki set indikator terukur sendiri; lebih tepatnya, itu
terkait secara tidak langsung dengan mereka yang mengukur faktor urutan rendah. Ayo sekarang
lihat lebih dekat parameter yang akan diestimasi untuk orde kedua ini
model.
SDQASC3
SDQASC2
SDQASC1
err1
1
1
1
1
1
1
1
err2
err3
ASC
SDQPSC3
SDQPSC2
SDQPSC1
err7
1
1
1
err8
err9
PSC
GSC
SDQESC3
SDQESC2
SDQESC1
err10
1
1
1
err11
err12
ESC
SDQSSC3
SDQSSC2
SDQSSC1
err4
1
res3
1
res2
1
res1
1
1
res4
1
1
1
err5
err6
SSC
Gambar 2.17 Model CFA orde dua yang dihipotesiskan.
Halaman 58
37
Saya ingin menarik perhatian Anda pada beberapa aspek dari orde kedua
model ditunjukkan pada Gambar 2.17. Pertama, perhatikan keberadaan kepala tunggal
panah yang mengarah dari faktor tingkat kedua (GSC) ke masing-masing
faktor pesanan (ASC ke ESC). Jalur regresi ini mewakili orde kedua
memuat faktor, dan semuanya diperkirakan secara bebas. Ingat, bagaimanapun, bahwa untuk alasan
anak-anak terkait dengan masalah identifikasi model, kendala harus ditempatkan
baik di salah satu jalur regresi atau pada varian independen
faktor, karena parameter ini tidak dapat diperkirakan secara bersamaan. Karena
dampak GSC pada masing-masing faktor SC urutan rendah adalah yang utama
minat pada model CFA orde kedua, varian dari fasilitas orde tinggi
tor biasanya dibatasi hingga sama dengan 1.0, sehingga meninggalkan orde kedua
memuat faktor untuk diperkirakan secara bebas.
Aspek kedua dari model orde kedua ini, mungkin membutuhkan
amplifikasi, adalah penampilan awal yang dioperasikan oleh faktor tingkat pertama.
makan sebagai variabel independen dan dependen. Situasi ini, bagaimana-
tidak pernah, karena variabel dapat berfungsi sebagai independen atau dependen
variabel dalam model, tetapi tidak keduanya. 7 Karena faktor orde pertama
berfungsi sebagai variabel dependen, maka varians dan variabel mereka
riances tidak lagi merupakan parameter yang dapat diperkirakan dalam model; variasi seperti itu
dianggap diperhitungkan oleh faktor urutan yang lebih tinggi. Dalam perbandingan-
Pada Gambar 2.3 dan 2.17, Anda akan perhatikan bahwa tidak ada lagi
panah melengkung berkepala dua yang menghubungkan faktor SC orde pertama, dengan demikian
menunjukkan bahwa tidak ada faktor kovarian atau varian
diperkirakan.
Akhirnya, prediksi masing-masing faktor tingkat pertama dari sektor
Faktor ond-order dianggap tidak tanpa kesalahan. Jadi, residual
istilah kesalahan dikaitkan dengan masing-masing faktor tingkat yang lebih rendah.
Sebagai langkah pertama dalam menentukan apakah model orde kedua ini
diidentifikasi, kami sekarang menjumlahkan jumlah parameter untuk diperkirakan; kita
memiliki 8 koefisien regresi orde pertama, 4 koefisien regresi orde kedua
ficients, 12 varian kesalahan pengukuran, dan 4 istilah kesalahan residual,
membuat total 28. Mengingat bahwa ada 78 lembar informasi dalam
sampel varians-kovarians matriks, kami menyimpulkan bahwa model ini adalah
berpadu dengan 50 derajat kebebasan.
Namun, sebelum meninggalkan masalah identifikasi ini, kata-kata peringatan
sudah beres. Dengan model yang rumit di mana mungkin ada lebih dari satu
tingkat struktur variabel laten, adalah bijaksana untuk secara visual memeriksa setiap tingkat
secara terpisah untuk bukti bahwa identifikasi telah diperoleh. Sebagai contoh,
meskipun kita tahu dari model CFA awal kita bahwa tingkat orde pertama
diidentifikasi, sangat mungkin bahwa tingkat orde kedua memang mungkin
diidentifikasikan. Karena faktor orde pertama berfungsi sebagai indikator
dari (yaitu, input data untuk) faktor orde kedua, identifikasi mudah
untuk menilai. Dalam model ini, kita memiliki empat faktor, sehingga memberi kita
Halaman 59
38
10 (4 × 5/2) lembar informasi untuk merumuskan
parameter struktur urutan yang lebih tinggi. Menurut model yang digambarkan
pada Gambar 2.17, kami ingin memperkirakan 8 parameter (4 jalur regresi;
4 varian kesalahan residual), sehingga meninggalkan kita dengan 2 derajat kebebasan, dan
model yang teridentifikasi secara berlebihan. Namun, anggaplah kita hanya punya tiga pertama atau
faktor der. Kami kemudian akan dibiarkan dengan model yang baru saja diidentifikasi di bagian atas
level sebagai konsekuensi dari mencoba memperkirakan 6 parameter dari 6 (3 [3 + 1] / 2)
potongan informasi. Agar model seperti itu diuji, tambahan
kendala perlu dikenakan (lihat, misalnya Bab 5). Akhirnya, mari
misalkan hanya ada dua faktor tingkat pertama; kita akan punya
model yang tidak teridentifikasi karena hanya akan ada tiga informasi
mation, meskipun empat parameter harus diestimasi. Meskipun mungkin masih demikian
mungkin untuk menguji model seperti itu, mengingat pembatasan lebih lanjut pada model, the
peneliti akan lebih disarankan untuk merumuskan kembali modelnya di Indonesia
Terang dari masalah ini (lihat Rindskopf & Rose, 1988).
Sekarang kita telah membuang ―barang-barang berat,‖ mari kita bergerak
untuk membuat model orde kedua yang ditunjukkan pada Gambar 2.17 yang akan
berfungsi sebagai input spesifikasi untuk AMOS Graphics. Kita bisa membuat hidup
mudah bagi diri kita sendiri di sini hanya dengan menarik model orde pertama kami (lihat
Gambar 2.3). Karena tingkat orde pertama model baru kami akan tetap menjadi
sama seperti yang ditunjukkan pada Gambar 2.3, satu-satunya hal yang perlu dilakukan oleh
Cara modifikasi adalah menghapus semua faktor panah kovarians. Ini
tugas, tentu saja, dapat diselesaikan dalam AMOS dalam salah satu dari dua cara: baik
dengan mengaktifkan Ikon Hapus
dan mengklik setiap panah berkepala dua,
atau dengan menempatkan kursor pada setiap panah berkepala dua secara individual dan
kemudian mengklik kanan pada mouse, yang menghasilkan menu seperti yang ditunjukkan
lier. Setelah Anda memilih opsi Hapus pada menu, Ikon Hapus akan
aktif secara otomatis dan kursor dikonversi ke simbol X seperti cakar.
Cukup letakkan X di atas komponen yang ingin Anda hapus dan tinggalkan-
klik; komponen yang ditargetkan menghilang. Seperti diilustrasikan pada Gambar 2.18,
kovarians antara ASC dan SSC telah dihapus, dengan
kovarians antara ASC dan PSC menjadi yang berikutnya yang akan dihapus. Untuk
kedua metode penghapusan, AMOS secara otomatis menyoroti yang dipilih
parameter berwarna merah.
Setelah menghapus semua panah berkepala dua yang mewakili fac-
Untuk kovarian dari model, tugas kita selanjutnya adalah menggambar representasi elips.
senting faktor urutan GSC yang lebih tinggi. Kami melakukan ini dengan mengaktifkan Oval
Ikon
, Bagi saya, menghasilkan elips dengan isi merah solid. Namun,
untuk tujuan publikasi, Anda mungkin ingin elips menjadi jelas. Untuk
lakukan ini, letakkan kursor di atas elips atas dan klik kanan
Halaman 60
39
mouse, yang lagi-lagi akan menghasilkan menu dari mana Anda memilih Object
Properti . Pada titik ini, model Anda harus menyerupai yang ditunjukkan pada
Gambar 2.19. Setelah di kotak dialog ini, klik pada tab Warna , gulir ke bawah ke
Isi gaya, dan kemudian pilih Transparan , seperti yang diilustrasikan pada Gambar 2.20. Catatan
Anda dapat memilih untuk mengatur opsi warna ini sebagai default dengan mengklik Set
Tab bawaan ke kanan.
Melanjutkan diagram jalur kami, kami sekarang perlu menambahkan yang kedua
jalur regresi faktor pesanan. Kami menyelesaikan tugas ini dengan terlebih dahulu mengaktifkan
yang jalan Icon
dan kemudian, dengan kursor diklik di bagian bawah tengah
dari elips GSC, menyeret kursor ke tempat menyentuh pusat
sisi kanan elips ASC. Gambar 2.21 menggambarkan proses menggambar ini
sehubungan dengan jalan pertama; proses ini diulang untuk masing-masing
tiga jalur.
Gambar 2.18 Menghapus faktor kovarians panah berkepala dua.
Halaman 61
40
Karena masing-masing faktor tingkat pertama sekarang menjadi variabel dependen
dalam model, kita perlu menambahkan istilah kesalahan residual yang terkait dengannya
prediksi masing-masing oleh faktor urutan GSC yang lebih tinggi. Untuk melakukannya, kami
aktifkan Ikon Kesalahan
dan kemudian klik dengan tombol kiri mouse
masing-masing elips mewakili faktor tingkat pertama. Gambar 2.22 ilus-
implementasi dari istilah kesalahan residual untuk ASC. Dalam hal ini,
hanya satu klik yang selesai, sehingga sisa istilah kesalahan dalam
posisi saat ini (perhatikan isian padat karena saya belum menetapkan standar untuk
isi transparan). Namun, jika kita mengklik lagi dengan tombol kiri mouse,
istilah kesalahan akan bergerak 45 derajat searah jarum jam, seperti yang ditunjukkan pada Gambar 2.23;
dengan setiap klik berikutnya, istilah kesalahan akan terus dipindahkan
searah jarum jam dengan cara yang sama.
Tugas terakhir dalam menyelesaikan model kami adalah memberi label fasilitas tingkat tinggi
untuk, serta masing-masing istilah kesalahan residual. Ingatlah bahwa proses ini adalah
dicapai dengan terlebih dahulu menempatkan kursor pada objek yang menarik (dalam hal ini
kasus, istilah kesalahan residual pertama) dan kemudian mengklik dengan mouse kanan
Gambar 2.19 Membangun struktur orde kedua: faktor laten orde tinggi.
Halaman 62
41
tombol. Tindakan ini melepaskan menu pop-up yang ditunjukkan pada Gambar 2.19, dari
yang kita pilih Object Properties , yang, pada gilirannya, menghasilkan kotak dialog
dimainkan pada Gambar 2.24. Untuk memberi label istilah kesalahan pertama, kami kembali memilih Teks
tab dan kemudian tambahkan teks "res1"; proses ini kemudian diulang untuk masing - masing
istilah kesalahan sisa yang tersisa.
Untuk contoh terakhir kami, kami akan memeriksa model SEM lengkap. Ingat dari Bab
1 bahwa, berbeda dengan model CFA orde pertama yang hanya terdiri dari
komponen surement, dan model CFA orde kedua yang lebih tinggi
tingkat pesanan diwakili oleh bentuk tereduksi dari model struktural, penuh
Model persamaan struktural mencakup baik pengukuran dan struc- sebuah
model tural. Dengan demikian, model lengkap mewujudkan sistem variabel
dimana faktor laten mengalami kemunduran pada faktor-faktor lain sebagaimana ditentukan oleh teori,
serta langkah-langkah yang diamati yang sesuai. Dengan kata lain, dalam
model SEM penuh, variabel laten tertentu dihubungkan oleh panah satu arah,
arah yang merefleksikan hipotesis pada struktur kausal
mendatang variabel dalam model. Sekarang kita beralih ke model hipotesis.
Gambar 2.20 Menghapus isi berwarna dari faktor laten orde tinggi.
Halaman 63
42
Untuk konseptualisasi yang lebih jelas dari model SEM penuh, mari kita periksa hubungan
struktur sederhana yang disajikan pada Gambar 2.25. Komponen struktural
nent model ini merupakan hipotesis bahwa kepercayaan diri seorang anak
(SCONF) berasal dari persepsi dirinya tentang kompetensi sosial secara keseluruhan.
tence (SC sosial, atau SSC), yang, pada gilirannya, dipengaruhi oleh kinerja anak
dari seberapa baik dia bergaul dengan anggota keluarga (SSCF),
serta dengan rekan-rekannya di sekolah (SSCS). Com- pengukuran
ponent model menunjukkan masing-masing faktor SC untuk memiliki tiga indikator
langkah-langkah, dan faktor kepercayaan diri untuk memiliki dua.
Beralih dulu ke bagian struktural model, kita dapat melihat di sana
ada empat faktor; dua faktor independen (SSCF; SSCS) dipostulasikan
sebagai berkorelasi satu sama lain, seperti yang ditunjukkan oleh dua arah melengkung
panah bergabung dengan mereka, tetapi mereka terkait dengan dua faktor lainnya oleh serangkaian
Gambar 2.21 Membangun struktur orde kedua: jalur regresi.
Halaman 64
43
jalur regresi, seperti yang ditunjukkan oleh panah searah. Karena
faktor SSC dan SCONF memiliki panah satu arah yang menunjuk pada mereka, mereka
mudah diidentifikasi sebagai variabel dependen dalam model. Kesalahan residual
terkait dengan regresi SSC pada SSCF dan SSCS, dan
Regresi SCONF pada SSC, ditangkap oleh istilah gangguan res1
dan res2, masing-masing. Akhirnya, karena satu jalur dari masing-masing dua inde
faktor pendent (SSCF; SSCS) ke masing-masing variabel indikatornya tetap
ke 1.0, varians mereka dapat diperkirakan secara bebas; varian ketergantungan
variabel (SSC; SCONF), bagaimanapun, bukan parameter dalam model.
Sekarang, Anda mungkin merasa cukup nyaman dalam menafsirkan ukuran-
Bagian dari model, dan elaborasi substansial tidak diperlukan
sini. Seperti biasa, terkait dengan setiap ukuran yang diamati adalah istilah kesalahan,
varians yang menarik. (Karena langkah-langkah yang diamati
nically beroperasi sebagai variabel dependen dalam model, seperti yang ditunjukkan oleh
panah menunjuk ke arah mereka, varians mereka tidak diperkirakan.) Akhirnya,
Gambar 2.22 Membangun struktur orde kedua: kesalahan residual.
Halaman 65
44
Gambar 2.23 Mengubah orientasi istilah kesalahan residual.
Gambar 2.24 Memberi label faktor orde kedua dan kesalahan residual: objek layak-
tab teks kotak dialog ikatan terbuka.
Halaman 66
45
untuk menetapkan skala untuk setiap faktor yang tidak diukur dalam model (dan untuk
tujuan identifikasi statistik), satu parameter dalam setiap set regresi
jalur sion ditetapkan ke 1.0; ingat, bagaimanapun, bahwa pemilihan jalur untuk impo-
Pendirian batasan ini murni arbitrer.
Untuk ini, contoh terakhir kami, mari kita tentukan lagi apakah kita memiliki identitas
model tified. Mengingat bahwa kita memiliki 11 langkah yang diamati, kita tahu itu
kami memiliki 66 (11 [11 + 1] / 2) informasi yang dapat kami peroleh
parameter model. Menghitung parameter yang tidak dikenal di
model, kita melihat bahwa kita memiliki 26 parameter untuk diperkirakan: 7 pengukuran
jalur regresi, 3 jalur regresi struktural, 2 varians faktor, 11 kesalahan
varians, 2 varians kesalahan residual, dan 1 kovarians. Karena itu kami punya
40 (66 - 26) derajat kebebasan dan, dengan demikian, model yang teridentifikasi secara berlebihan.
Mengingat apa yang sekarang sudah Anda ketahui tentang menggambar diagram jalur di dalamnya
kerangka kerja AMOS Graphics, Anda mungkin akan menemukan tidak ada perbedaan
kesulitan dalam mereproduksi model hipotesis yang ditunjukkan pada Gambar 2.25.
Karena itu, alih-alih memandu Anda melalui seluruh proses menggambar terkait
untuk model ini, saya akan mengambil kesempatan di sini untuk menunjukkan dua tambahan
fitur alat gambar yang belum diilustrasikan atau
hanya diilustrasikan secara singkat. Yang pertama menggunakan Object
Ikon Properti
dalam mereorientasi penugasan tetap "1" nilai itu
program secara otomatis ditugaskan ke jalur regresi pemuatan faktor.
Beralih ke Gambar 2.25, fokus pada faktor SSCS di sudut kiri bawah
SSCF
QSSCF1
err1
1
1
QSSCF2
err2
1
QSSCF3
err3
1
SSCS
QSSCS3
err6
QSSCS2
err5
QSSCS1
err4
1
1
1
1
SSC
res1
QSSC3
err9
QSSC2
err8
QSSC1
err7
1
1
1
1
SCONF
SCON1
1
1
1
SCON2
err10
1
1
res2
err11
Gambar 2.25 Model persamaan struktural penuh hipotesis.
Halaman 67
46
diagram. Perhatikan bahwa jalur tetap untuk faktor ini telah ditetapkan
untuk yang terkait dengan prediksi QSSCS3. Untuk keperluan
ilustrasi, mari kita tentukan kembali nilai tetap "1" ke jalur regresi pertama
(QSSCS1). Untuk melakukan proses reorientasi ini, kita dapat mengklik kanan
pada mouse, atau klik pada Icon Properties Object , yang dalam kedua kasus
mengaktifkan kotak dialog terkait; kami fokus di sini pada yang terakhir. Dalam menggunakan ini
pendekatan, kita klik pertama pada ikon dan kemudian pada parameter antar
est (QSSCS3, dalam contoh ini), yang kemudian menghasilkan nilai parameter
menjadi tertutup dalam kotak garis putus-putus (lihat Gambar 2.26). Setelah di dia-
kotak log, kita klik pada tab Parameter di bagian atas, yang kemudian menghasilkan
kotak dialog ditunjukkan pada Gambar 2.26. Perhatikan bahwa bobot regresi terdaftar
sebagai "1." Untuk menghapus bobot ini, kami cukup menghapus nilainya. Untuk menetapkan kembali ini
berat, kami kemudian klik pada jalur regresi pertama (QSSCS1) dan
kemudian pada Icon Properties Object . Kali ini, tentu saja, Properties Object
kotak dialog menunjukkan tidak ada bobot regresi (lihat Gambar 2.27) dan kita semua
yang perlu dilakukan adalah menambahkan nilai ―1,‖ seperti yang ditunjukkan pada Gambar 2.26 untuk indikator
variabel QSSCS3. Implementasi dari dua tindakan terakhir ini menghasilkan modifikasi
versi fied dari model yang dihipotesiskan semula (Gambar 2.25), yaitu
secara skematis digambarkan pada Gambar 2.28.
Fitur kedua yang ingin saya tunjukkan melibatkan reorientasi-
istilah kesalahan, biasanya untuk tujuan memperbaiki penampilan
Gambar 2.26 Menugaskan kembali bobot regresi tetap: parameter yang ada.
Halaman 68
47
Gambar 2.27 Menugaskan kembali bobot regresi tetap: parameter target.
SSCF
QSSCF1
err1
1
1
QSSCF2
err2
1
QSSCF3
err3
1
SSCS
QSSCS3
err6
QSSCS2
err5
QSSCS1
err4
1
1
1
1
SSC
res1
QSSC3
err9
QSSC2
err8
QSSC1
err7
1
1
1
1
SCONF
SCON1
1
1
1
SCON2
err10
1
1
res2
err11
Gambar 2.28 Model yang direproduksi dengan syarat kesalahan residual yang diputar dan dipindahkan
memperbaiki bobot regresi ―1‖.
Halaman 69
48
dari diagram jalur. Meskipun saya secara singkat menyebutkan prosedur ini dan
menunjukkan reorientasi yang dihasilkan sehubungan dengan Contoh 2, saya anggap
penting untuk memperluas ilustrasi saya sebelumnya karena itu adalah teknik itu
berguna saat Anda bekerja dengan diagram jalur yang mungkin
memiliki banyak variabel dalam model. Dengan syarat kesalahan residual dalam
Posisi jam 12, seperti pada Gambar 2.25, kami akan terus mengklik dengan kiri
tombol mouse hingga mencapai posisi jam 10 yang ditunjukkan pada Gambar 2.29.
Setiap klik mouse menghasilkan gerakan 45 derajat searah jarum jam
istilah kesalahan residual, dengan delapan klik sehingga mengembalikan kita ke jam 12
posisi; posisi yang ditunjukkan pada Gambar 2.29 dihasilkan dari tujuh klik
mouse.
Dalam Bab 1, saya memperkenalkan Anda pada konsep dasar yang mendasari SEM,
dan dalam bab ini, saya memperluas informasi ini untuk memasukkan masalah ini
identifikasi model. Dalam bab ini, khususnya, saya telah berusaha keras untuk melakukannya
menunjukkan kepada Anda pendekatan AMOS Graphics dalam menentukan model-model tertentu
sedang dipelajari. Saya harap saya berhasil memberi Anda ide yang cukup bagus
kemudahan dimana AMOS memungkinkan proses ini. Meskipun demikian, itu
Penting bagi saya untuk menekankan itu, meskipun saya telah memperkenalkan Anda
untuk berbagai fitur banyak program, saya pasti belum
kehabisan rentang total kemungkinan, karena untuk melakukannya akan jauh melebihi
ruang lingkup yang dimaksudkan dari buku ini. Sekarang Anda sudah dilengkapi dengan cukup baik
dengan pengetahuan tentang dasar-dasar konseptual SEM dan dasar
berfungsi dari program AMOS, mari kita beralih ke bab yang tersisa
ters, di mana kami mengeksplorasi proses analitik yang terlibat dalam SEM menggunakan
1
1
SSCF
QSSCF1
err1
1
1
QSSCF2
err2
1
QSSCF3
err3
1
SSCS
QSSCS3
err6
QSSCS2
err5
QSSCS1
err4
1
1
1
1
SSC
QSSC3
err9
QSSC2
err8
QSSC1
err7
1
1
1
1
SCONF
SCON1
1
1
1
SCON2
err10
err11
Gambar 2.29 Memutar istilah kesalahan sisa.
Halaman 70
49
Grafik AMOS. Sekarang kita beralih ke Bab 3, yang menampilkan aplikasi
mendukung model CFA.
Catatan akhir
1. Penting untuk dicatat bahwa Versi Beta 18 dikembangkan setelah saya membuat
tulis tulisan edisi kedua ini. Namun, saya disarankan oleh
J. Arbuckle, pengembang program AMOS, yang hanya membuat perubahan
Versi 18 adalah: (a) tampilan diagram jalur, yang sekarang berwarna
secara default, dan (b) penataan ulang beberapa kotak dialog. Teks dan status
operasi logistik tetap tidak berubah (J. Arbuckle, komunikasi pribadi,
2 Mei 2009).
2. Di seluruh buku, istilah klik dan seret digunakan seperti biasa
Kerangka kerja Windows. Dengan demikian, klik berarti menekan dan melepaskan mouse
tombol dalam satu gerakan, cukup cepat. Sebaliknya, seret berarti menekan
tombol mouse dan tahan sambil menggerakkan mouse secara bersamaan.
3. Angka 1 yang secara otomatis ditetapkan ke panah tunggal yang dipilih oleh pro-
gram berkaitan dengan masalah identifikasi model, suatu topik yang dibahas
nanti dalam bab ini.
4. Setiap kali Anda melihat bahwa berbagai komponen dalam diagram jalur berwarna
biru, ini menunjukkan bahwa mereka saat ini dipilih sebagai sekelompok objek. Sebagai
seperti itu, mereka akan diperlakukan sebagai satu objek jika Anda ingin mengarahkan mereka kembali
bagaimanapun juga. Sebaliknya, parameter tunggal, ketika dipilih oleh titik-dan-klik
aksi, menjadi disorot dalam warna merah.
5. Satu set tindakan dikatakan ―congeneric‖ jika masing-masing ukuran dalam set tujuan
untuk menilai konstruk yang sama, kecuali untuk kesalahan pengukuran (Jöreskog,
1971a). Misalnya, seperti yang ditunjukkan pada Gambar 2.1, SDQASC1, SDQASC2, dan
SDQASC3 semuanya berfungsi sebagai ukuran SC akademik; oleh karena itu mereka mewakili a
seperangkat variabel indikator kongenerik.
6. Meskipun keputusan untuk membatasi parameter adalah murni perintah
Trary satu, ukuran yang memiliki keandalan tertinggi direkomendasikan, jika ini
informasi diketahui; nilai di mana parameter dibatasi juga
sewenang-wenang.
7. Dalam SEM, suatu variabel memiliki panah yang menunjuk padanya, dengan demikian menargetkannya sebagai a
variabel dependen, mempertahankan status ini di seluruh analisis.
Halaman 71
Halaman 72
dua
bagian
Aplikasi dalam satu grup
analisis
3 Menguji validitas faktorial a
Bab
konstruksi teoritis (model CFA Orde Pertama) .................... 53
4 Menguji validitas faktorial skor
Bab
dari alat ukur
(Model CFA urutan pertama) ........................................... ................ 97
5 Pengujian untuk validitas faktorial
Bab
skor dari alat ukur
(Model CFA orde kedua) ........................................... ......... 129
6
Bab Testing untuk validitas kausal
struktur ................................................. ................................... 161
Halaman 73
Halaman 74
53
tiga
bab
Menguji validitas faktorial
dari konstruksi teoretis
(Model CFA urutan pertama)
Aplikasi pertama kami memeriksa model CFA orde pertama yang dirancang untuk menguji
multidimensi dari konstruk teoretis. Secara khusus, aplikasi ini
kation menguji hipotesis bahwa konsep diri (SC), untuk remaja awal
(kelas 7), adalah konstruksi multidimensi yang terdiri dari empat faktor—
SC umum (GSC), SC akademik (ASC), SC Inggris (ESC), dan mathemat-
ics SC (MSC). Dasar teoretis dari hipotesis ini berasal
dari model hierarki SC yang diajukan oleh Shavelson, Hubner, dan
Stanton (1976). Contohnya diambil dari sebuah penelitian oleh Byrne dan Worth
Gavin (1996) di mana empat hipotesis terkait dengan Shavelson et al.
(1976) model diuji untuk tiga kelompok anak-anak — remaja
(kelas 3), remaja awal (kelas 7), dan remaja akhir (kelas 11).
Hanya tes yang mengandung struktur multidimensi SC, seperti halnya mereka
berhubungan dengan anak-anak kelas 7, relevan dengan bab ini. Pelajaran ini
diikuti dari pekerjaan sebelumnya di mana struktur empat faktor yang sama
SC diuji untuk remaja (lihat Byrne & Shavelson, 1986), dan
bagian dari penelitian yang lebih besar yang berfokus pada struktur SC sosial (Byrne
& Shavelson, 1996). Untuk diskusi yang lebih luas tentang materiil
masalah dan temuan terkait, pembaca harus merujuk pada Byrne yang asli
dan artikel Worth Gavin.
Yang menjadi masalah dalam aplikasi pertama ini adalah masuknya multidimensi
Struktur SC untuk remaja awal. Meskipun banyak penelitian memiliki dukungan
porting multidimensi dari konstruk untuk anak-anak kelas 7, selain itu
Mereka telah membantah bahwa SC kurang dibedakan untuk anak-anak mereka
tahun remaja pra dan awal (misalnya, Harter, 1990). Demikian argumennya
dapat dibuat untuk struktur dua faktor yang hanya terdiri dari GSC dan ASC.
Yang lain berpendapat bahwa SC adalah struktur unidimensional sehingga semua segi
SC diwujudkan dalam konstruksi SC tunggal (GSC). (Untuk ulasan tentang
literatur yang terkait dengan masalah ini, lihat Byrne, 1996.) Tugas yang disajikan
Halaman 75
54
bagi kami di sini, kemudian, adalah untuk menguji hipotesis asli bahwa SC adalah empat faktor
struktur yang terdiri dari komponen umum (GSC), komponen akademik
nent (ASC), dan dua komponen subjek-spesifik (ESC; MSC) terhadap dua
hipotesis alternatif: (a) bahwa SC adalah struktur dua faktor yang terdiri
GSC dan ASC, dan (b) bahwa SC adalah struktur satu faktor di mana ada
tidak ada perbedaan antara SC umum dan akademik.
Sekarang kita beralih ke pemeriksaan dan pengujian masing-masing hipotesis ini.
Hipotesis 1: Konsep diri adalah struktur empat faktor
Model yang akan diuji dalam Hipotesis 1 mendalilkan apriori bahwa SC adalah a
struktur empat faktor yang terdiri dari SC umum (GSC), SC akademik (ASC),
Bahasa Inggris SC (ESC), dan matematika SC (MSC); ini disajikan secara skematis di
Gambar 3.1.
Sebelum ada diskusi tentang bagaimana kita bisa menguji model ini,
mari kita luangkan beberapa menit pertama untuk membedah model dan daftar komponennya
bagian sebagai berikut:
1. Ada empat faktor SC, seperti yang ditunjukkan oleh empat elips berlabel
GSC, ASC, ESC, dan MSC.
2. Keempat faktor tersebut saling terkait, seperti yang ditunjukkan oleh dua berkepala
panah.
3. Ada 16 variabel yang diamati, seperti yang ditunjukkan oleh 16 persegi panjang
(SDQ2N01 – SDQ2N43); mereka mewakili pasangan barang dari Jenderal,
Sub-skala SCB Deskripsi Diri, Verbal, dan Matematika
Kuisioner II (Marsh, 1992a).
4. Variabel yang diamati memuat pada faktor-faktor dalam pola berikut:
SDQ2N01 – SDQ2N37 memuat pada Faktor 1, SDQ3N04 – SDQ2N40 memuat
pada Faktor 2, SDQ2N10 – SDQ2N46 memuat pada Faktor 3, dan SDQ2N07–
SDQ2N43 memuat Faktor 4.
5. Setiap variabel yang diamati memuat pada satu dan hanya satu faktor.
6. Kesalahan pengukuran terkait dengan setiap variabel yang diamati
(err01 – err43) tidak berkorelasi.
Merangkum pengamatan ini, sekarang kita bisa menyajikan yang lebih formal
deskripsi model hipotesis kami. Dengan demikian, kami menyatakan bahwa CFA
Model yang disajikan pada Gambar 3.1 menghipotesiskan apriori itu
1. Respons SC dapat dijelaskan oleh empat faktor: GSC, ASC, ESC, dan
MSC.
2. Setiap ukuran item-pair memiliki muatan nol pada faktor SC itu
itu dirancang untuk mengukur (disebut pemuatan target ), dan nol pemuatan-
pada semua faktor lain (disebut pemuatan nontarget ).
Halaman 76
Bab tiga: Menguji validitas faktorial dari konstruk teoretis
55
SDQ2N13
SDQ2N25
SDQ2N37
SDQ2N01
err01
1
1
1
1
1
err13
err25
err37
SDQ2N16
SDQ2N28
SDQ2N40
SDQ2N04
err04
1
1
1
1
1
err16
err28
err40
GSC
ASC
SDQ2N22
SDQ2N34
SDQ2N46
SDQ2N10
err10
1
1
1
1
1
err22
err34
err46
ESC
SDQ2N19
SDQ2N31
SDQ2N43
SDQ2N07
err07
1
1
1
1
1
err19
err31
err43
MSC
Gambar 3.1 Model CFA konsep diri empat faktor yang dihipotesiskan.
Halaman 77
56
3. Empat faktor SC, konsisten dengan teori, berkorelasi.
4. Kesalahan / keunikan 1 yang terkait dengan setiap ukuran tidak berkorelasi.
Cara lain untuk membuat konsep model hipotesis dalam Gambar 3.1
berada dalam kerangka matriks seperti yang disajikan pada Tabel 3.1. Memikirkan tentang
komponen model dalam format ini dapat sangat membantu karena
konsisten dengan cara dimana hasil dari analisis SEM adalah com-
monly dilaporkan dalam file output program. Meskipun AMOS, juga lainnya
Program berbasis Windows, juga menyediakan pengguna dengan output grafis,
informasi yang berlabel biasanya terbatas pada nilai estimasi dan
kesalahan standar mereka. Representasi tabular model kami pada Tabel 3.1
menunjukkan pola parameter yang akan diestimasi dalam kerangka kerja
dari tiga matriks: matriks faktor-loading, varians faktor-kovari-
ance matrix, dan error variance-covariance matrix. Untuk keperluan
identifikasi model dan penskalaan variabel laten (lihat Bab 2), Anda akan melakukannya
perhatikan bahwa yang pertama dari masing-masing 2 set tindakan SC yang umum dalam faktor-
memuat matriks diatur ke 1.0; semua parameter lainnya diperkirakan secara bebas (seperti
diwakili oleh tanda dolar [$]). Demikian juga, seperti yang ditunjukkan dalam varian -
matriks kovarians, semua parameter harus diperkirakan secara bebas. Akhirnya, di
matriks kesalahan-keunikan, hanya varians kesalahan yang diperkirakan; semua kesalahan
kovarian dianggap nol.
Pemodelan dengan AMOS Graphics
Dilengkapi dengan dua perspektif model hipotesis ini, mari
sekarang beralih ke pengujian model yang sebenarnya. Kami akan mulai dengan memeriksa
rute ke spesifikasi model, spesifikasi data, dan perhitungan
estimasi parameter dalam kerangka kerja AMOS Graphics.
Spesifikasi model
Keindahan bekerja dengan antarmuka AMOS Graphics itu saja
yang perlu dilakukan adalah menyediakan program dengan model hipotesis; dalam
kasus ini, kami menggunakan yang digambarkan pada Gambar 3.1. Mengingat bahwa saya menunjukkan-
menunjukkan sebagian besar alat gambar yang biasa digunakan, dan aplikasinya,
dalam Bab 2, tidak perlu bagi saya untuk memandu Anda melalui konstruksi
tion model ini di sini. Demikian juga, konstruksi model hipotesis
disajikan sepanjang sisa buku ini tidak akan rinci.
Meskipun demikian, saya mengambil kesempatan, jika memungkinkan, untuk mengilustrasikan beberapa
dari alat gambar lain atau fitur AMOS Graphics tidak secara khusus
ditunjukkan sebelumnya. Karenanya, dalam edisi pertama buku ini, saya perhatikan
dua alat yang, dalam kombinasi, saya temukan sangat berharga dalam bekerja
pada berbagai bagian model; ini adalah Zoom-In
dan Gulir
Halaman 78
57
T
Sebuah
b
le 3
.1
P
attern o
fE
rangsangan
makan
dP
Sebuah
ra
m
eters untuk
rH
y
hal
Hai
th
e
siz
e
dF
Hai
kamu
rF
Sebuah
cto
rC
FA M
Hai
d
el
Amati
ed
mengukur
GSC
ASC
ESC
MSC
Matriks pemuatan faktor
F1
F2
F3
F4
SDQ2N01
1.0
Sebuah
0,0
0,0
0,0
SDQ2N13
$b
0,0
0,0
0,0
SDQ2N25
$
0,0
0,0
0,0
SDQ2N37
$
0,0
0,0
0,0
SDQ2N04
0,0
c
1.0
0,0
0,0
SDQ2N16
0,0
$
0,0
0,0
SDQ2N28
0,0
$
0,0
0,0
SDQ2N40
0,0
$
0,0
0,0
SDQ2N10
0,0
0,0
1.0
0,0
SDQ2N22
0,0
0,0
$
0,0
SDQ2N34
0,0
0,0
$
0,0
SDQ2N46
0,0
0,0
$
0,0
SDQ2N07
0,0
0,0
0,0
1.0
SDQ2N19
0,0
0,0
0,0
$
SDQ2N31
0,0
0,0
0,0
$
SDQ2N43
0,0
0,0
0,0
$
Matriks varians – kovarians faktor
GSC
$
ASC
$
$
ESC
$
$
$
MSC
$
$
$
$
(
melanjutkan
)
Halaman 79
58
T
Sebuah
b
le 3
.1
P
attern o
fE
rangsangan
makan
dP
Sebuah
ra
m
eters untuk
rH
y
hal
Hai
th
e
siz
e
dF
Hai
kamu
rF
Sebuah
cto
rC
FA M
Hai
d
el (
C
ontin
kamu
ed
)
Amati
ed
mengukur
GSC
ASC
ESC
MSC
Matriks varians – kovarians
01
13
25
37
04
16
28
40
10
22
34
46
07
19
31
43
SDQ2N01
$
SDQ2N13
0,0
$
SDQ2N25
0,0
0,0
$
SDQ2N37
0,0
0,0
0,0
$
SDQ2N04
0,0
0,0
0,0
0,0
$
SDQ2N16
0,0
0,0
0,0
0,0
0,0
$
SDQ2N28
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N40
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N10
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N22
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N34
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N46
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N07
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N19
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N31
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
SDQ2N43
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
$
Sebuah
Parameter ditetapkan ke 1.0.
b
Parameter yang akan diestimasi.
c
Parameter ditetapkan menjadi 0,0.
Halaman 80
59
alat. Untuk menggunakan pendekatan ini, Anda akan mengklik pertama pada ikon Zoom-In , dengan
setiap klik memperbesar model sedikit lebih dari tampilan sebelumnya. Sekali
Anda telah mencapai pembesaran yang cukup, Anda kemudian akan mengklik
Gulir ikon untuk bergerak di sekitar seluruh diagram. Mengklik Zoom-Out
alat kemudian akan mengembalikan diagram ke tampilan normal. Meskipun ini
alat gambar masih beroperasi di versi AMOS yang lebih baru, tugas mereka
agak didefinisikan ulang. Artinya, Anda sekarang dapat memperbesar objek tertentu
diagram dengan hanya menggunakan roda mouse. Selanjutnya, mouse
roda juga dapat digunakan untuk mengatur pembesaran alat pembesar .
Meskipun alat Gulir masih memungkinkan Anda untuk memindahkan seluruh diagram jalur
sekitar, Anda juga dapat menggunakan scrollbar yang muncul saat diagram
melampaui jendela Graphics AMOS. Contoh magnifica-
tion menggunakan alat Loupe disajikan pada Gambar 3.2. Akhirnya, itu layak tidak-
bahwa ketika alat Gulir atau Zoom-In diaktifkan, klik kanan
Gambar 3.2 Grafik AMOS: Bagian diperbesar dari model dihipotesiskan menggunakan
Alat pembesar .
Halaman 81
60
mouse akan menyediakan menu pop-up dari berbagai fitur diagram Anda
mungkin ingin mengakses (lihat Gambar 3.3).
Spesifikasi data
Sekarang kami telah menyediakan AMOS dengan model yang akan dianalisis, kami
Pekerjaan selanjutnya adalah memberi tahu program tempat mencari data. Semua data yang akan digunakan
dalam aplikasi di seluruh buku ini telah ditempatkan di AMOS
folder bernama File Data . Untuk mengaktifkan folder ini, kita dapat mengklik
Ikon File Data , atau tarik ke bawah menu File dan pilih File Data . Antara
pilihan akan memicu kotak dialog File Data yang ditampilkan pada Gambar 3.4; ini
ditampilkan di sini saat muncul di garis depan ruang kerja Anda.
Dalam meninjau bagian atas kotak dialog ini, Anda akan melihat bahwa
program telah mengidentifikasi Nama Grup sebagai Nomor Grup 1 ; pelabelan ini
default dalam analisis data sampel tunggal. File data yang akan digunakan
untuk analisis saat ini diberi label ASC7INDM.TXT , dan ukuran sampel
adalah 265; 265/265 menunjukkan bahwa 265, dari total ukuran sampel 265, miliki
telah dipilih untuk dimasukkan dalam analisis. Di bagian bawah dialog
kotak, Anda akan mencatat tombol Lihat Data yang memungkinkan Anda membaca dengan teliti data
Gambar 3.3 Grafik AMOS: Menu pop-up alat menggambar.
Halaman 82
61
dalam bentuk spreadsheet jika Anda ingin melakukannya. Setelah Anda memilih
file data yang akan berfungsi sebagai file yang bekerja di mana Anda dihipotesiskan
berdasarkan model, Anda cukup klik tombol OK .
Dalam contoh yang ditunjukkan di sini, file data yang dipilih sudah terlihat
di kotak dialog File Data . Namun, anggaplah Anda ingin memilih
dari daftar beberapa set data yang tersedia. Untuk melakukannya, Anda akan mengklik
Tombol Nama File di kotak dialog File Data (lihat Gambar 3.4). Aksi ini
kemudian akan memicu kotak dialog Open yang ditunjukkan pada Gambar 3.5. Di sini, kamu
pilih file data dan kemudian klik tombol Open . Setelah Anda membuka
file, itu menjadi file yang berfungsi dan nama filenya kemudian akan muncul di
Kotak dialog File Data , seperti yang diilustrasikan dalam Gambar 3.4.
Penting bahwa saya menunjukkan beberapa persyaratan AMOS
program dalam penggunaan set data eksternal. Jika file data Anda dalam ASCII
format (karena semua milik saya awalnya), Anda perlu merestrukturisasi mereka
sebelum Anda dapat melakukan analisis apa pun menggunakan AMOS. Konsisten dengan
SPSS dan banyak aplikasi Windows lainnya, versi terbaru dari
AMOS mensyaratkan bahwa data disusun dalam format koma-dibatasi.
Meskipun titik koma (bukan koma) pembatas digunakan dalam
banyak negara Eropa dan Asia, ini bukan masalah karena AMOS bisa
mendeteksi versi program mana yang sedang berjalan (misalnya, versi Prancis)
Gambar 3.4 Grafik AMOS:Kotak dialog File Data .
Halaman 83
62
dan kemudian secara otomatis menentukan pembatas yang kompatibel, yang akan menjadi
titik koma dalam kasus versi Perancis (JL Arbuckle, pribadi
komunikasi, 22 Februari 2008). Selanjutnya, semua data harus berada di
file eksternal. Untuk bantuan dalam memformat ulang data Anda, AMOS saat ini
Menu Bantuan online memiliki topik berjudul ―Menerjemahkan Teks Lama Anda (ASCII)
File Data ‖yang berisi informasi berguna yang terkait dengan pemformatan ulang
file ASCII. Data yang digunakan dalam bab ini adalah dalam bentuk file teks.
Namun, AMOS mendukung beberapa format basis data umum, termasuk
File SPSS * .sav; Saya menggunakan berbagai format di seluruh buku ini.
Perhitungan estimasi
Sekarang kita telah menentukan model yang akan dianalisis dan data
file yang menjadi dasar analisis, semua yang tersisa untuk kita lakukan adalah
untuk melaksanakan pekerjaan; kami melakukannya dengan mengklik ikon Calculate Estimates .
(Atau, kita bisa memilih Hitung Perkiraan dari drop- Analisis
menu turun.) Setelah analisis selesai, AMOS Graphics
memungkinkan Anda meninjau hasil dari dua perspektif yang berbeda — grafis
dan tekstual. Dalam output grafis, semua perkiraan disajikan dalam
diagram jalur. Hasil ini diperoleh dengan mengklik pada Lihat Output
Ikon Path Diagram ditemukan di bagian atas bagian tengah AMOS
layar utama. Hasil yang terkait dengan pengujian model hipotesis kami adalah
disajikan pada Gambar 3.6. Untuk menyalin output grafis ke file lain, misalnya
Gambar 3.5 AMOS Graphics: Buka kotak dialog (data).
Halaman 84
63
Gambar 3.6 Grafik AMOS: Diagram jalur keluaran untuk model hipotesis.
Halaman 85
64
sebagai dokumen Word, klik ikon Duplikat , atau tarik ke bawah
yang Mengedit menu dan pilih Copy (ke Clipboard) . Anda kemudian dapat menempelkan hasilnya
ke dalam dokumen.
Demikian juga, Anda memiliki dua metode untuk melihat output teks — baik
dengan mengklik ikon Output Teks , atau dengan memilih Output Teks dari
Lihat menu tarik-turun. Namun, dalam kedua kasus, segera setelah analisis
selesai, tab merah yang mewakili file output AMOS akan muncul
di bilah status bawah layar komputer Anda. Sekarang mari kita beralih ke
output yang dihasilkan dari pengujian model hipotesis kami.
Output teks AMOS: Model empat faktor yang dihipotesiskan
Output tekstual yang berkaitan dengan model tertentu disajikan dengan sangat rapi
dalam bentuk ringkasan yang terkait dengan bagian spesifik dari file output.
Pengaturan seperti pohon ini memungkinkan pengguna untuk memilih bagian dari output
yang merupakan minat khusus. Gambar 3.7 menyajikan tampilan seperti pohon ini
pembentukan ringkasan, dengan informasi ringkasan terkait dengan hipotesis-
membuka model empat faktor terbuka. Untuk memfasilitasi presentasi dan diskusi
Dari hasil dalam bab ini, materi dibagi menjadi tiga primer
bagian: (a) "Ringkasan Model," (b) "Variabel Model dan Parameter,"
dan (c) "Evaluasi Model."
Gambar 3.7 AMOS Graphics: Catatan ringkasan model yang diuji.
Halaman 86
65
Ringkasan model
Ringkasan yang sangat penting ini memberi Anda gambaran umum singkat tentang
model, termasuk informasi yang diperlukan dalam menentukan identifikasi
status. Di sini kita melihat bahwa ada 136 momen sampel yang berbeda, atau, dalam momen lainnya
kata-kata, unsur-unsur dalam matriks kovarian sampel (yaitu, jumlah potongan
informasi yang diberikan oleh data), dan 38 parameter yang akan diperkirakan,
sehingga meninggalkan 98 derajat kebebasan berdasarkan pada model yang teridentifikasi,
dan nilai chi-square 158,511 dengan tingkat probabilitas sama dengan 0,000.
Ingatlah bahwa satu-satunya data yang harus kami gunakan di SEM adalah
variabel yang diamati, yang dalam kasus sekarang nomor 16. Berdasarkan
rumus p (p + 1) / 2 (lihat Bab 2), matriks kovarian sampel untuk ini
data harus menghasilkan 136 (16 [17] / 2) momen sampel, yang memang memang demikian.
Rincian parameter estimasi yang lebih spesifik disajikan pada
bagian "Variabel Model dan Parameter" dibahas selanjutnya. Juga,
elaborasi dari statistik chi-square ML, bersama dengan secara substansial
lebih banyak informasi terkait dengan model fit, disajikan dan dibahas dalam
Bagian "Evaluasi Model".
Variabel dan parameter model
Informasi awal yang disediakan dalam file output teks AMOS dapat berupa
tak ternilai dalam membantu Anda menyelesaikan kesulitan dengan spesifikasi
seorang model. Terdaftar pertama, dan disajikan pada Tabel 3.2, adalah semua variabel
dalam model, disertai dengan kategorisasi mereka sebagai yang diamati atau
tidak teramati, dan sebagai endogen atau eksogen. Konsisten dengan jalan
diagram pada Gambar 3.1, semua variabel yang diamati (yaitu, data input) beroperasi
makan sebagai variabel dependen (yaitu, endogen) dalam model; semua faktor dan
istilah kesalahan tidak teramati, dan beroperasi sebagai independen (yaitu, eksogen)
variabel dalam model. Informasi ini diikuti oleh ringkasan dari
jumlah total variabel dalam model, serta jumlah di masing-masing
empat kategori.
Bagian selanjutnya dari file output berfokus pada ringkasan
parameter dalam model dan disajikan pada Tabel 3.3. Bergerak dari kiri
ke kanan, kita melihat bahwa ada 32 bobot regresi , 20 di antaranya adalah tetap
dan 12 di antaranya diperkirakan; 20 bobot regresi tetap termasuk
pertama dari setiap set memuat empat faktor dan 16 istilah kesalahan. Ada
6 kovarian dan 20 varian , yang semuanya diperkirakan. Secara total, ada
ada 58 parameter, 38 di antaranya diperkirakan. Disediakan dengan ini
ringkasan, sekarang mudah bagi Anda untuk menentukan jumlah yang sesuai
derajat kebebasan dan, pada akhirnya, apakah model diidentifikasi atau tidak.
Meskipun, tentu saja, informasi ini disediakan oleh program sebagaimana disebutkan
pada Gambar 3.7, selalu baik (dan menyenangkan?) untuk melihat apakah perhitungan Anda
konsisten dengan program.
Halaman 87
66
Evaluasi model
Perhatian utama dalam pemodelan persamaan struktural adalah sejauh mana
model hipotesis "cocok," atau, dengan kata lain, cukup menggambarkan
contoh data. Diberikan temuan-temuan yang kurang memadai, selanjutnya
langkah logis adalah mendeteksi sumber ketidakcocokan dalam model. Idealnya, evaluasi
tion model fit harus berasal dari berbagai perspektif dan didasarkan
Tabel 3.2 Output AMOS Terpilih untuk Model CFA Empat Faktor Hipotesis:
Ringkasan Variabel Model
Model Anda mengandung variabel berikut
Diamati, variabel endogen
SDQ2N37
SDQ2N25
SDQ2N13
SDQ2N01
SDQ2N40
SDQ2N28
SDQ2N16
SDQ2N04
SDQ2N46
SDQ2N34
SDQ2N22
SDQ2N10
SDQ2N43
SDQ2N31
SDQ2N19
SDQ2N07
Variabel eksogen yang tidak diobservasi
GSC
ASC
ESC
MSC
err37
err40
Kesalahan46
err43
err25
err28
Err34
err31
err13
err16
Err22
err19
err01
err04
Err10
err07
Jumlah variabel
Jumlah variabel dalam model Anda: 36
Jumlah variabel yang diamati: 16
Jumlah variabel yang tidak teramati: 20
Jumlah variabel eksogen 20
Jumlah variabel endogen: 16
Halaman 88
67
pada beberapa kriteria yang menilai model cocok dari keragaman perspektif.
Secara khusus, kriteria evaluasi ini fokus pada kecukupan (a)
estimasi parameter, dan (b) model secara keseluruhan.
Estimasi parameter
Dalam meninjau estimasi parameter model, tiga kriteria menarik:
(a) kelayakan estimasi parameter, (b) kesesuaian
kesalahan standar, dan (c) signifikansi statistik dari parameter
perkiraan. Sekarang kita beralih ke penjelasan singkat masing-masing.
Kelayakan estimasi parameter
Langkah awal dalam menilai kesesuaian parameter individu dalam suatu model
adalah untuk menentukan kelayakan nilai estimasi mereka. Khususnya,
estimasi parameter harus menunjukkan tanda dan ukuran yang benar, dan menjadi
konsisten dengan teori yang mendasarinya. Setiap perkiraan jatuh di luar
sinyal rentang yang diterima merupakan indikasi yang jelas bahwa salah satu modelnya
salah atau matriks input kekurangan informasi yang cukup. Contoh dari
parameter yang menunjukkan perkiraan tidak masuk akal adalah korelasi> 1,00,
varian negatif, dan matriks kovarians atau korelasi yang tidak
pasti positif.
Kesesuaian kesalahan standar
Kesalahan standar mencerminkan ketepatan parameter
diperkirakan, dengan nilai kecil menunjukkan estimasi akurat. Jadi,
Indikator lain dari fit model yang buruk adalah adanya kesalahan standar itu
terlalu besar atau kecil. Misalnya, jika kesalahan standar mendekati
nol, statistik uji untuk parameter terkait tidak dapat ditentukan (Bentler,
2005). Demikian juga, kesalahan standar yang sangat besar menunjukkan parameter
eters yang tidak dapat ditentukan (Jöreskog & Sörbom, 1993). 3 Karena standar
kesalahan dard dipengaruhi oleh unit pengukuran dalam mengamati dan /
atau variabel laten, serta besarnya estimasi parameter
sendiri, tidak ada kriteria definitif "kecil" dan "besar" telah ditetapkan
(lihat Jöreskog & Sörbom, 1989).
Tabel 3.3 Output AMOS Terpilih untuk Hipotesis Empat Faktor
Model CFA: Ringkasan Parameter Model
Ringkasan parameter
Bobot Kovarian Berarti Total Pencegatan
Tetap
20
0
0
0
0
20
Berlabel
0
0
0
0
0
0
Tidak berlabel
12
6
20
0
0
38
Total
32
6
20
0
0
58
Halaman 89
68
Signifikansi statistik dari estimasi parameter
Statistik uji di sini adalah rasio kritis (CR), yang mewakili
estimasi parameter dibagi dengan kesalahan standarnya; dengan demikian,
sebagai z-statistik dalam pengujian bahwa estimasi secara statistik berbeda
ent dari nol. Berdasarkan tingkat probabilitas 0,05, maka, uji statistik
harus> ± 1,96 sebelum hipotesis (bahwa estimasi sama dengan 0,0)
bisa ditolak. Parameter tidak signifikan, dengan pengecualian kesalahan
varians, dapat dianggap tidak penting untuk model; demi kepentingan
kekhasan ilmiah, meskipun diberi ukuran sampel yang memadai, mereka seharusnya
dihapus dari model. Di sisi lain, penting untuk dicatat
parameter tidak signifikan dapat menunjukkan ukuran sampel yang terlalu
kecil (KG Jöreskog, komunikasi pribadi, Januari 1997).
Sekarang mari kita beralih ke bagian file output AMOS ini. Setelah memilih
Diperkirakan dari daftar bagian output (lihat Gambar 3.7), Anda akan
dikirim dengan informasi yang ditunjukkan pada Tabel 3.4. Namun, sebelum ujian
Dalam isi tabel ini, saya ingin menunjukkan kepada Anda dua contoh bagaimana Anda
dapat memperoleh informasi tambahan terkait perkiraan ini. Diilustrasikan dalam
Gambar 3.8 adalah kotak dialog yang muncul setelah satu klik mouse kiri
tombol dan menyarankan bagaimana Anda bisa mendapatkan perkiraan tambahan. Mengklik
opsi pertama, Untuk Memperkirakan Korelasi Berganda Kuadrat , membuka AMOS
Kotak dialog Panduan Referensi ditunjukkan pada Gambar 3.9. Saya menunjukkan cara memperkirakan
parameter tambahan ini, serta informasi penting lainnya, nanti
dalam bab ini serta bab-bab lain yang mengikuti.
Mari kita beralih ke estimasi nilai yang disajikan pada Tabel 3.4. Itu
Penting untuk dicatat bahwa, untuk kesederhanaan, semua perkiraan terkait dengan ini terlebih dahulu
model hipotesis disajikan hanya dalam bentuk tidak standar; bulu-
Opsi yang ada akan diperiksa dalam aplikasi berikutnya.
Seperti yang dapat Anda lihat dengan mudah, hasilnya disajikan secara terpisah untuk fasilitas
Untuk memuat (terdaftar sebagai bobot regresi), kovarian (dalam hal ini,
hanya untuk faktor), dan varians (untuk kedua faktor dan pengukuran
kesalahan). Informasi estimasi parameter sangat jelas dan sukses
dengan hati-hati disajikan dalam file output teks AMOS. Terdaftar di sebelah kanan masing-masing
parameter adalah nilai taksirannya (Kolom 1), kesalahan standar (Kolom 2),
rasio kritis (Kolom 3), dan nilai probabilitas (Kolom 4). Pemeriksaan
bangsa solusi yang tidak standar ini mengungkapkan semua perkiraan menjadi keduanya
masuk akal dan signifikan secara statistik; semua kesalahan standar juga muncul
dalam keadaan baik.
Model secara keseluruhan
Dalam ringkasan model yang disajikan pada Gambar 3.7, kami mengamati bahwa AMOS
memberikan nilai chi-square (χ 2 ) secara keseluruhan , bersama dengan derajatnya
Halaman 90
69
Tabel 3.4 Output AMOS yang Dipilih untuk Faktor Empat yang Dihipotesiskan
Model CFA: Estimasi Parameter
Memperkirakan
SE
CR
P
Bobot regresi
SDQ2N37 <--- GSC
0,934
.131
7.117
***
SDQ2N25 <--- GSC
0,851
.132
6.443
***
SDQ2N13 <--- GSC
1.083
.154
7.030
***
SDQ2N01 <--- GSC
1.000
SDQ2N40 <--- ASC
1.259
.157
8.032
***
SDQ2N28 <--- ASC
1.247
.154
8.082
***
SDQ2N16 <--- ASC
1.279
.150
8.503
***
SDQ2N04 <--- ASC
1.000
SDQ2N46 <--- ESC
0,843
.117
7.212
***
SDQ2N34 <--- ESC
0,670
.148
4.530
***
SDQ2N22 <--- ESC
0,889
.103
8.642
***
SDQ2N10 <--- ESC
1.000
SDQ2N43 <--- MSC
.655
0,049
13.273
***
SDQ2N31 <--- MSC
0,952
0,049
19.479
***
SDQ2N19 <--- MSC
0,841
0,058
14.468
***
SDQ2N07 <--- MSC
1.000
Kovarian
ASC <--> ESC
.464
0,078
5.909
***
GSC <--> ESC
.355
0,072
4.938
***
ASC <--> MSC
0,873
.134
6.507
***
GSC <--> MSC
.635
.118
5.377
***
GSC <--> ASC
0,415
0,079
5.282
***
ESC <--> MSC
0,331
.100
3.303
***
Variansi
GSC
.613
.138
4.456
***
ASC
0,561
.126
4.444
***
ESC
.668
.116
5.738
***
MSC
2.307
0,273
8.444
***
err37
0,771
0,088
8.804
***
err25
1,056
.107
9,878
***
err13
1.119
.124
9.002
***
err01
1.198
.126
9.519
***
err40
0,952
0,095
10.010
***
( lanjutan )
Halaman 91
70
nilai kebebasan dan probabilitas. Namun, informasi ini dimaksudkan
hanya sebagai tinjauan singkat model fit. Memang, program ini, secara default,
menyediakan banyak statistik fit lainnya dalam file outputnya. Sebelum beralih ke ini
bagian dari output AMOS, bagaimanapun, adalah penting bahwa saya pertama kali meninjau empat
aspek penting dari pemasangan model yang dihipotesiskan; ini adalah (a) model-
proses pemasangan, (b) masalah signifikansi statistik, (c) estimasi
proses, dan (d) statistik good-of-fit.
Proses pemasangan model
Dalam Bab 1, saya menyajikan deskripsi umum tentang proses ini dan mencatat
bahwa tugas utama adalah untuk menentukan good-of-fit antara
model hipotesis dan data sampel. Dengan kata lain, peneliti
menentukan model dan kemudian menggunakan data sampel untuk menguji model.
Dengan maksud untuk membantu Anda mendapatkan pemahaman yang lebih baik tentang
statistik good-of-fit yang disajikan dalam file output AMOS, mari kita ambil
beberapa saat untuk menyusun kembali proses pemasangan model ini dalam proses yang lebih formal-
kerangka kerja. Dengan demikian, misalkan S mewakili matriks kovarians sampel (dari
nilai variabel yang diamati), Σ (sigma) mewakili kovarians populasi
matriks, dan θ (theta) mewakili vektor yang terdiri dari parameter model
eters. Dengan demikian, Σ (θ) merupakan matriks kovarian terbatas yang tersirat oleh
model (yaitu, struktur yang ditentukan dari model hipotesis). Di
SEM, hipotesis nol (H 0 ) yang diuji adalah model yang didalilkan
berlaku dalam populasi [yaitu, Σ = Σ (θ)]. Berbeda dengan statistik tradisional
prosedur kal, bagaimanapun, peneliti berharap untuk tidak menolak H 0 (tetapi lihat
Tabel 3.4 Output AMOS yang Dipilih untuk Faktor Empat yang Dihipotesiskan
Model CFA: Estimasi Parameter ( Lanjutan )
Memperkirakan
SE
CR
P
Variansi
err28
0,896
0,090
9,940
***
err16
0,616
0,068
9.003
***
err04
1.394
.128
10.879
***
err46
1.201
.118
10.164
***
err34
2.590
.233
11.107
***
err22
.657
0,075
8.718
***
err10
.653
0,082
7.926
***
err43
0,964
0,092
10.454
***
err31
.365
0,065
5.638
***
err19
1.228
.121
10.133
***
err07
0,854
.100
8.535
***
Peluang *** <.000
Halaman 92
71
MacCallum, Browne, & Sugarawa, 1996, untuk perubahan yang diusulkan untuk ini
strategi pengujian hipotesis).
Masalah signifikansi statistik
Dasar pemikiran yang mendasari praktik pengujian signifikansi statistik
telah menghasilkan sejumlah besar kritik selama, setidaknya, 4 dekade terakhir.
Memang, Cohen (1994) telah mencatat bahwa, meskipun Rozeboom (1960) mengakui
Sudah lebih dari 33 tahun yang lalu bahwa ―cerita rakyat statistik lebih
masa lalu primitif terus mendominasi adegan lokal ‖(p. 417), dubi ini
Praktek kami masih berlanjut. (Untuk array yang mendukung serta menentang
pandangan sehubungan dengan artikel ini, lihat American Psychologist [1995],
50 , 1098-1103). Dalam terang bank sejarah kritik ini, bersama dengan
tekanan saat ini oleh para ahli metodologi untuk menghentikan ritual tradisional ini
Gambar 3.8 Grafik AMOS: Menu pop-up yang memungkinkan penyediaan tambahan
perkiraan.
Halaman 93
72
(Lihat, misalnya, Cohen, 1994; Kirk, 1996; Schmidt, 1996; Thompson, 1996), the
Dewan Urusan Ilmiah untuk American Psychological Association
menunjuk suatu gugus tugas untuk mempelajari kelayakan penghapusan secara bertahap penggunaan
prosedur pengujian hipotesis nol, seperti yang dijelaskan dalam teks saja dan
dilaporkan dalam artikel jurnal. Akibatnya, akhir dari signifikansi statistik
pengujian cance relatif terhadap metode statistik tradisional mungkin segera a
realitas. (Untuk ringkasan artikel yang membahas masalah ini, lihat Harlow,
Mulaik, & Steiger, 1997.)
Pengujian signifikansi statistik sehubungan dengan analisis
struktur kovarians, bagaimanapun, agak berbeda karena digerakkan
oleh derajat kebebasan yang melibatkan jumlah elemen dalam sampel
matriks kovarians dan jumlah parameter yang akan diestimasi.
Meskipun demikian, menarik untuk dicatat bahwa banyak masalah yang diangkat
sehubungan dengan metode statistik tradisional (misalnya, signifikansi praktis,
pentingnya interval kepercayaan, dan pentingnya replikasi)
telah lama dibahas dalam aplikasi SEM. Memang, ini memang benar
masalah praktis "tidak penting" dalam pengujian model yang dipimpin Bentler dan
Gambar 3.9 Grafik AMOS:Kotak dialog Panduan Referensi Pop-up AMOS .
Halaman 94
73
Bonett (1980) mengembangkan salah satu indeks subjektif pertama yang cocok (NFI);
pekerjaan mereka kemudian melahirkan banyak pengembangan
indeks kesesuaian praktis nasional, banyak di antaranya termasuk dalam AMOS
keluaran. Demikian juga, karya awal Steiger (1990; Steiger & Lind, 1980) sebelumnya
mengutip panggilan untuk menggunakan interval kepercayaan dalam pelaporan SEM
temuan (lihat, misalnya, MacCallum et al., 1996). Akhirnya, kertas klasik oleh
Cliff (1983) mengecam proliferasi fitting model post hoc, dan
mengkritik kurangnya perhatian terhadap bahaya mod overfitting
Selain efek sepele yang timbul dari kapitalisasi pada faktor-faktor kebetulan, bersemangat
pengembangan indeks evaluasi (Browne & Cudeck, 1989; Cudeck
& Browne, 1983), serta panggilan umum untuk peningkatan penggunaan lintas-variabel
prosedur dasi (lihat, misalnya, MacCallum, Roznowski, Mar, & Reith, 1994;
MacCallum, Roznowski, & Necowitz, 1992).
Proses estimasi
Fokus utama dari proses estimasi dalam SEM adalah untuk menghasilkan parameter
nilai-nilai sedemikian rupa sehingga perbedaan (yaitu, residual) antara kovarian sampel
matriks ace S dan matriks kovarians populasi tersirat oleh model
[Σ (θ)] minimal. Tujuan ini dicapai dengan meminimalkan perbedaan
fungsi, F [S, Σ (θ)], sehingga nilai minimalnya (F min ) mencerminkan titik dalam
proses estimasi di mana perbedaan antara S dan Σ (θ) adalah paling sedikit
[S - Σ (θ) = minimum]. Secara bersama-sama, maka, Fm berfungsi sebagai ukuran dari
sejauh mana S berbeda dari Σ (θ).
Statistik Good-of-fit
Sekarang mari kita beralih ke statistik good-of-fit yang disajikan di
Tabel 3.5. Untuk setiap set statistik kecocokan, Anda akan mencatat tiga baris. Itu
baris pertama, seperti yang ditunjukkan, berfokus pada model hipotesis yang diuji
(yaitu, model Anda); yang kedua, pada model jenuh ; dan yang ketiga, pada
yang merdeka Model. Penjelasan dua model terakhir, saya percaya,
paling mudah dipahami dalam kerangka komparatif. Dengan demikian,
menganggap ketiga model ini sebagai poin yang mewakili pada sebuah kontinum,
dengan model independensi pada satu ekstrim, model saturasi pada
ekstrim lain, dan model hipotesis di suatu tempat di antara keduanya. Itu
model independensi adalah salah satu independensi lengkap semua variabel dalam
model (yaitu, di mana semua korelasi antar variabel adalah nol) dan
adalah yang paling dibatasi. Dengan kata lain, ini adalah model nol, tanpa apa-apa
terjadi di sini karena setiap variabel mewakili faktor. The jenuh Model,
di sisi lain, adalah jumlah parameter yang diestimasi
sama dengan jumlah titik data (yaitu, varian dan kovarian dari
variabel yang diamati, seperti dalam kasus model yang baru saja diidentifikasi), dan
paling tidak dibatasi.
Halaman 95
74
Tabel 3.5. Output AMOS yang Dipilih untuk Faktor Empat yang Dihipotesiskan
Model CFA: Statistik Goodness-of-Fit
Ringkasan model yang sesuai
CMIN
Model
NPAR
CMIN
DF
P
CMIN /
DF
Model Anda
38
158.511
98
.000
1.617
Model jenuh
136
.000
0
Model kemerdekaan
16
1696.728
120
.000
14.139
RMR, GFI
Model
RMR
GFI
AGFI
PGFI
Model Anda
.103
0,933
0,906
0,672
Model jenuh
.000
1.000
Model kemerdekaan
0,628
0,379
.296
0,334
Perbandingan dasar
Model
NFI
RFI
JIKA SAYA
TLI
CFI
Delta 1
rho 1
Delta 2
rho 2
Model Anda
0,907
0,886
0,962
0,953
0,962
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
Tindakan yang disesuaikan dengan Parsimony
Model
PRATIO
PNFI
PCFI
Model Anda
.817
0,740
.785
Model jenuh
.000
.000
.000
Model kemerdekaan
1.000
.000
.000
NCP
Model
NCP
LO 90
HI 90
Model Anda
60.511
29.983
98.953
Model jenuh
.000
.000
.000
Model kemerdekaan
1576.728
1447.292
1713.561
FMIN
Model
FMIN
F0
LO 90
HI 90
Model Anda
0,600
.229
.114
0,375
Model jenuh
.000
.000
.000
.000
Model kemerdekaan
6.427
5.972
5.482
6.491
( lanjutan )
Halaman 96
75
Untuk alasan didaktik dan ruang, semua statistik yang sesuai
disediakan hanya untuk model yang awalnya dihipotesiskan dalam aplikasi pertama ini;
selanjutnya, hanya kelompok statistik kecocokan terpilih yang akan dilaporkan. Kita
sekarang giliran pemeriksaan masing-masing cluster, karena mereka berhubungan dengan hipotesis
hanya model esized . (Rumus yang terkait dengan setiap statistik kecocokan dapat ditemukan di
Arbuckle, 2007.)
Berfokus pada set pertama statistik fit, kita melihat label NPAR (num-
ber parameter), CMIN (perbedaan minimum), DF (derajat bebas-
dom), P (nilai probabilitas), dan CMIN / DF. Nilai 158,511, di bawah
CMIN, mewakili perbedaan antara sampel yang tidak dibatasi
matriks kovarians S, dan matriks kovarians terbatas Σ (θ), dan, dalam
Intinya, mewakili statistik Uji Rasio Kemungkinan, paling umum
dinyatakan sebagai statistik χ 2 . Penting untuk dicatat bahwa, untuk sisanya
buku, saya menyebut CMIN sebagai the 2 . Statistik ini sama dengan (N – 1) F min
(ukuran sampel minus 1, dikalikan dengan fungsi kesesuaian minimum) dan, dalam
Tabel 3.5. Output AMOS yang Dipilih untuk Faktor Empat yang Dihipotesiskan
Model CFA: Statistik Goodness-of-Fit ( Lanjutan )
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,048
0,034
0,062
0,562
Model kemerdekaan
.223
.214
.233
.000
AIC
Model
AIC
BCC
BIC
CAIC
Model Anda
234.511
239.742
370.541
408.541
Model jenuh
272.000
290.721
758.843
894.843
Model kemerdekaan
1728.728
1730.931
1786.004 1805.004
ECVI
Model
ECVI
LO 90
HI 90
MECVI
Model Anda
0,888
0,773
1.034
0,908
Model jenuh
1.030
1.030
1.030
1.101
Model kemerdekaan
6.548
6.058
7.067
6.557
HOELTER
Model
HOELTER HOELTER
0,05
.01
Model Anda
204
223
Model kemerdekaan
23
25
Halaman 97
76
sampel besar, didistribusikan sebagai pusat χ 2 dengan derajat kebebasan yang sama
hingga 1/2 (p) (p + 1) - t, di mana p adalah jumlah variabel yang diamati, dan t adalah
jumlah parameter yang diperkirakan (Bollen, 1989a). Secara umum, H 0 :
Σ = Σ (θ) setara dengan hipotesis bahwa Σ - Σ (θ) = 0; tes χ 2 , lalu,
secara bersamaan menguji sejauh mana semua residu di Σ - Σ (θ) adalah nol
(Bollen, 1989a). Dibingkai sedikit berbeda, hipotesis nol (H 0 ) postu-
lates bahwa spesifikasi memuat faktor, varians faktor dan kov
riances, dan varian kesalahan untuk model yang diteliti valid; χ 2
Tes secara bersamaan menguji sejauh mana spesifikasi ini benar. Itu
nilai probabilitas yang terkait dengan χ 2 mewakili kemungkinan perolehan
nilai χ 2 yang melebihi nilai χ 2 saat H 0 benar. Dengan demikian, semakin tinggi
probabilitas yang terkait dengan χ 2 , semakin dekat kesesuaian antara yang dihipotesiskan
model (di bawah H 0 ) dan sangat cocok (Bollen, 1989a).
Uji H kami 0 , yang SC adalah struktur empat-faktor seperti digambarkan dalam
Gambar 3.1, menghasilkan nilai χ 2 158,511, dengan 98 derajat kebebasan dan a
probabilitas kurang dari .0001 (p <.0001), dengan demikian menunjukkan bahwa kecocokan
data ke model hipotesis tidak sepenuhnya memadai. Diterjemahkan
secara harfiah, statistik uji ini menunjukkan bahwa, mengingat data saat ini, hipotesis
esis bantalan hubungan SC, sebagaimana dirangkum dalam model, mewakili
peristiwa yang tidak mungkin (terjadi kurang dari satu kali dalam 1.000 di bawah nol
hipotesis) dan harus ditolak.
Namun, kedua sensitivitas Uji Rasio Kemungkinan untuk sampel
ukuran dan basisnya pada distribusi pusat χ 2 , yang mengasumsikan bahwa
Model sangat cocok dalam populasi (yaitu, bahwa H 0 sudah benar), telah memimpin
untuk masalah kecocokan yang sekarang dikenal luas. Karena statistik χ 2
sama dengan (N – 1) F mnt , nilai ini cenderung besar ketika model melakukannya
tidak tahan dan ketika ukuran sampel besar (Jöreskog & Sörbom, 1993). Namun,
analisis struktur kovarian didasarkan pada teori sampel besar.
Dengan demikian, sampel besar sangat penting untuk mendapatkan parameter yang tepat.
Perkiraan yang lebih baik, serta keawetan distribusi asimptotik
aproksimasi (MacCallum et al., 1996). Jadi, temuannya pas
model hipotesis, di mana nilai χ 2 mendekati derajat
kebebasan, telah terbukti tidak realistis dalam sebagian besar penelitian empiris SEM.
Lebih umum adalah temuan χ 2 relatif besar terhadap derajat kebebasan,
dengan demikian menunjukkan kebutuhan untuk memodifikasi model agar lebih sesuai
data (Jöreskog & Sörbom, 1993). Dengan demikian, hasil terkait dengan uji kami
model yang dihipotesiskan tidak terduga. Memang, mengingat ini bermasalah
aspek Uji Likelihood Ratio, dan fakta bahwa model yang didalilkan
(betapapun bagusnya) hanya dapat memuat data dunia nyata sekitar dan
tidak pernah tepatnya , MacCallum et al. (1996) baru - baru ini mengusulkan perubahan pada
pendekatan pengujian hipotesis tradisional dalam model struktur kovarian
ing. (Untuk diskusi panjang tentang perubahan ini, pembaca dirujuk ke
MacCallum et al., 1996.)
Halaman 98
77
Para peneliti telah mengatasi keterbatasan χ 2 dengan mengembangkan
indeks goodness-of-fit yang mengambil pendekatan yang lebih pragmatis untuk evaluasi
proses uation. Memang, 3 dekade terakhir telah menyaksikan sejumlah
indeks kecocokan yang baru dikembangkan, serta pendekatan unik untuk model-
proses pemasangan (untuk ulasan, lihat, misalnya, Gerbing & Anderson, 1993; Hu &
Bentler, 1995; Marsh, Balla, & McDonald, 1988; Tanaka, 1993). Salah satunya
statistik fit pertama untuk mengatasi masalah ini adalah χ 2 / derajat kebebasan
rasio (Wheaton, Muthén, Alwin, & Summers, 1977), yang muncul sebagai
CMIN / DF, dan disajikan dalam cluster statistik pertama yang ditunjukkan pada
Tabel 3.5. 4 Untuk sebagian besar, sisa file keluaran AMOS adalah
dikhususkan untuk indeks-indeks kesesuaian alternatif ini, dan, jika dapat diterapkan, untuk mereka
interval kepercayaan terkait. Kriteria ini, biasa disebut sebagai
indeks kecocokan subyektif , praktis , atau ad hoc , biasanya digunakan sebagai tambahan
ke statistik χ 2 .
Beralih ke grup statistik berikutnya, kita melihat label RMR ,
GFI , AGFI , dan PGFI . Root mean square residual (RMR) mewakili
nilai residu rata-rata yang berasal dari pemasangan varian-
matriks kovarians untuk model hipotesis Σ (θ) dengan varians–
matriks kovarians dari data sampel (S). Namun, karena ini
residu relatif terhadap ukuran varian yang diamati dan kovarian
Namun, mereka sulit untuk ditafsirkan. Dengan demikian, mereka ditafsirkan dalam
metrik matriks korelasi (Hu & Bentler, 1995; Jöreskog & Sörbom,
1989). RMR standar, kemudian, mewakili nilai rata-rata di seluruh
semua residu terstandarisasi, dan berkisar dari nol hingga 1,00; dalam pas
model, nilai ini akan kecil (katakanlah, 0,05 atau kurang). Nilai 0,103 ditampilkan
pada Tabel 3.5 menunjukkan nilai residu yang tidak standar. Tidak ditampilkan
output, bagaimanapun, adalah nilai RMR standar, yaitu .043 dan
mewakili perbedaan rata-rata antara sampel yang diamati dan
matriks korelasi yang dihipotesiskan. Dapat diartikan sebagai makna itu
model menjelaskan korelasi dalam kesalahan rata-rata 0,043
(lihat Hu & Bentler, 1995).
Indeks Goodness-of-Fit (GFI) adalah ukuran dari jumlah relatif
varians dan kovarians dalam S yang secara bersama-sama dijelaskan oleh Σ. Itu
Indeks Kebaikan yang Disesuaikan (AGFI) berbeda dari GFI hanya di
fakta bahwa itu menyesuaikan jumlah derajat kebebasan dalam yang ditentukan
model. Dengan demikian, ini juga membahas masalah kekikiran dengan memasukkan
penalti untuk dimasukkannya parameter tambahan. GFI dan
AGFI dapat diklasifikasikan sebagai indeks kecocokan absolut karena pada dasarnya
bandingkan model yang dihipotesiskan dengan tanpa model sama sekali (lihat Hu & Bentler,
1995). Meskipun kedua indeks berkisar dari nol hingga 1,00, dengan nilai mendekati
1,00 menjadi indikasi kecocokan, Jöreskog dan Sörbom (1993) mencatat bahwa,
secara teoritis, adalah mungkin bagi mereka untuk menjadi negatif; Fan, Thompson, dan
Wang (1999) lebih lanjut mengingatkan bahwa nilai-nilai GFI dan AGFI bisa terlalu berlebihan
Halaman 99
78
dipengaruhi oleh ukuran sampel. Ini, tentu saja, seharusnya tidak terjadi sebagaimana mestinya
mencerminkan fakta bahwa model lebih cocok daripada tidak ada model sama sekali. Berdasarkan
Nilai GFI dan AGFI dilaporkan pada Tabel 3.5 (masing-masing .933 dan .906),
kita dapat sekali lagi menyimpulkan bahwa model hipotesis kami sesuai dengan sampel
data cukup baik.
Indeks kecocokan terakhir dalam grup ini, Indeks Goodness-of-Fit Parsimony
(PGFI), diperkenalkan oleh James, Mulaik, dan Brett (1982) untuk membahas
masalah kekikiran di SEM. Sebagai seri pertama dari ―berbasis parsimony
indeks kecocokan ‖(lihat Williams & Holahan, 1994), PGFI memperhitungkan
kompleksitas (yaitu, jumlah estimasi parameter) dari yang dihipotesiskan
model dalam penilaian fit model keseluruhan. Dengan demikian, ―dua
potongan informasi yang tergantung, ‖kebaikan model yang sesuai (as
diukur oleh GFI) dan kekikiran model, diwakili
oleh indeks tunggal PGFI, dengan demikian memberikan evaluasi yang lebih realistis
dari model hipotesis (Mulaik et al., 1989, p. 439). Biasanya,
indeks berbasis mony memiliki nilai lebih rendah dari level ambang batas pada umumnya
dianggap "dapat diterima" untuk indeks kecocokan bernorma lainnya. Mulaik et al.
menyarankan bahwa χ 2 statistik tidak signifikan dan indeks goodness of fit di
tahun 90-an, disertai dengan indeks pelit-fit di tahun 50-an, tidak biasa
dikemukakan. Dengan demikian, temuan kami nilai PGFI 0,672 tampaknya akan konsisten
tenda dengan statistik fit kami sebelumnya.
Sekarang kita beralih ke set statistik good-of-fit berikutnya (data dasar
parisons), yang dapat diklasifikasikan sebagai indeks inkremental atau komparatif
of fit (Hu & Bentler, 1995; Marsh et al., 1988). Seperti halnya GFI dan AGFI,
indeks kesesuaian inkremental didasarkan pada perbandingan yang dihipotesiskan
model terhadap beberapa standar. Namun, standar ini mewakili
tidak ada model sama sekali untuk GFI dan AGFI, itu mewakili model dasar (biasanya
Pada dasarnya, model independensi atau nol yang disebutkan di atas adalah incremental
indeks). 5 Kami sekarang meninjau indeks tambahan ini.
Untuk bagian yang lebih baik dari satu dekade, Bentler dan Bonett (1980) Normed Fit
Indeks (NFI) telah menjadi kriteria pilihan praktis, sebagaimana dibuktikan secara luas
sebagian oleh status "klasik" saat ini dari kertas aslinya (lihat Bentler, 1992;
Bentler & Bonett, 1987). Namun, menyikapi bukti yang dimiliki NFI
menunjukkan kecenderungan untuk meremehkan kecocokan dalam sampel kecil, Bentler (1990)
merevisi NFI untuk mempertimbangkan ukuran sampel dan mengusulkan
Indeks Kesesuaian Banding (CFI; lihat kolom terakhir). Nilai untuk NFI dan
CFI berkisar dari nol hingga 1,00 dan berasal dari perbandingan a
model hipotesis dengan model independensi (atau nol), seperti yang dijelaskan
sebelumnya. Dengan demikian, masing - masing memberikan ukuran kovarisasi lengkap dalam
data. Meskipun nilai> 0,90 awalnya dianggap mewakili a
model yang pas (lihat Bentler, 1992), nilai cutoff yang direvisi mendekati 0,95
baru-baru ini disarankan (Hu & Bentler, 1999). Kedua indeks kecocokan dilaporkan
dalam output AMOS; Namun, Bentler (1990) mengemukakan bahwa, dari
Halaman 100
79
dua, CFI harus menjadi indeks pilihan. Seperti yang ditunjukkan pada Tabel 3.5, CFI
(.962) menunjukkan bahwa model tersebut cocok dengan data dalam arti bahwa
model hipotesis cukup menggambarkan data sampel. Dalam sedikit
istilah yang kurang bersinar, nilai NFI menunjukkan bahwa model fit hanya
memadai secara ginal (0,907).
Relative Fit Index (RFI; Bollen, 1986) mewakili turunan dari
NFI; seperti halnya dengan NFI dan CFI, rentang nilai koefisien RFI
dari nol hingga 1,00, dengan nilai mendekati 0,95 mengindikasikan kecocokan superior (lihat Hu &
Bentler, 1999). Incremental Index of Fit (IFI) dikembangkan oleh Bollen
(1989b) untuk mengatasi masalah kekikiran dan ukuran sampel yang
diketahui terkait dengan NFI. Karena itu, perhitungannya pada dasarnya
sama dengan NFI, dengan pengecualian derajat kebebasannya
diperhitungkan. Dengan demikian, tidak mengherankan bahwa temuan kami dari IFI dari 0,962
konsisten dengan CFI dalam mencerminkan model yang sesuai. Akhirnya,
Indeks Tucker-Lewis (TLI; Tucker & Lewis, 1973), konsisten dengan
indeks lain yang dicatat di sini, menghasilkan nilai mulai dari nol hingga 1,00, dengan
nilai mendekati 0,95 (untuk sampel besar) yang mengindikasikan kecocokan (lihat Hu
& Bentler, 1999).
Klaster indeks kecocokan berikutnya berkaitan dengan masalah kekikiran model.
Indeks kecocokan pertama (PRATIO) berkaitan dengan provisi rasio kekikiran awal
diajukan oleh James et al. (1982). Namun, lebih tepat lagi, indeks tersebut memiliki
selanjutnya dikaitkan dengan indeks good-of-fit lainnya (lihat, misalnya, PGFI
disebutkan sebelumnya). Di sini, ini dihitung relatif terhadap NFI dan CFI. Di keduanya
kasus, seperti yang berlaku untuk PGFI, kompleksitas model diperhitungkan
akun dalam penilaian model fit (lihat James et al.; Mulaik et al., 1989).
Sekali lagi, PNFI dari .740 dan PCFI .785 (lihat Tabel 3.5) termasuk dalam kisaran
nilai yang diharapkan. 6
Set statistik kesesuaian berikutnya memberi kita parameter noncentrality
Estimasi eter (NCP). Dalam diskusi awal kami tentang statistik χ 2 , kami fokus
sejauh mana model tersebut dapat dipertahankan dan tidak dapat ditolak.
Sekarang, bagaimanapun, mari kita melihat sedikit lebih dekat pada apa yang terjadi ketika
model hipotesis salah [yaitu, Σ ≠ Σ (θ)]. Dalam keadaan ini, χ 2
statistik memiliki distribusi cent 2 noncentral , dengan parameter noncentrality,
λ, itu adalah parameter tetap dengan derajat kebebasan terkait, dan bisa
dilambangkan sebagai χ 2
(df, λ) (Bollen, 1989a; Hu & Bentler, 1995; Satorra & Saris,
1985). Pada dasarnya, ini berfungsi sebagai ukuran perbedaan antara

Σ dan Σ (θ) dan, dengan demikian, dapat dianggap sebagai "buruknya populasi"
(Steiger, 1990). Dengan demikian, semakin besar perbedaan antara Σ dan Σ (θ),
semakin besar nilai λ. (Untuk presentasi berbagai jenis kesalahan
terkait dengan perbedaan di antara matriks, lihat Browne & Cudeck,
1993; Cudeck & Henly, 1991; MacCallum et al., 1994.) Sekarang mudah
melihat bahwa pusat χ 2 statistik adalah kasus khusus dari noncentral χ 2 terjadinya distribusi
bution ketika λ = 0,0. (Untuk diskusi dan penggambaran grafis yang sangat baik
Halaman 101
80
perbedaan antara χ pusat dan noncentral 2 statistik, lihat
MacCallum et al., 1996.) Sebagai sarana untuk menetapkan ketepatan
estimasi parameter noncentrality, Steiger (1990) telah menyarankan itu
dibingkai dalam batas interval kepercayaan. Beralih ke Tabel 3.5,
kami menemukan bahwa model hipotesis kami menghasilkan parameter noncentrality
dari 60,511. Nilai ini mewakili nilai χ 2 dikurangi derajat kebebasannya
(158.511 - 98). Interval kepercayaan menunjukkan bahwa kita bisa mencapai 90%
yakin bahwa nilai populasi dari parameter noncentrality (λ) terletak
antara 29.983 dan 98.953.
Bagi mereka yang mungkin ingin menggunakan informasi ini, nilai yang terkait dengan
fungsi perbedaan minimum (FMIN) dan perbedaan populasi
(FO) disajikan selanjutnya. Kolom berlabel "LO 90" dan "HI 90" berisi
tain batas bawah dan atas, masing-masing, dari interval kepercayaan 90%
sekitar FO.
Set statistik kesesuaian berikutnya berfokus pada akar kuadrat kesalahan
perkiraan (RMSEA). Meskipun indeks ini, dan konsep
kerangka kerja di mana ia tertanam, pertama kali diusulkan oleh
Steiger dan Lind pada 1980, baru saja diakui sebagai satu
dari kriteria paling informatif dalam pemodelan struktur kovarian. Itu
RMSEA memperhitungkan kesalahan perkiraan dalam populasi
dan menanyakan pertanyaan ―Seberapa baik modelnya, dengan yang tidak diketahui
tetapi nilai parameter yang dipilih secara optimal, sesuai dengan kovarians populasi
matriks jika tersedia? " (Browne & Cudeck, 1993, hlm. 137–138). Ini
perbedaan, sebagaimana diukur oleh RMSEA, dinyatakan per derajat
kebebasan, sehingga membuatnya peka terhadap jumlah parameter yang diperkirakan
eter dalam model (yaitu, kompleksitas model); nilai kurang dari
.05 menunjukkan kecocokan yang baik, dan nilai setinggi .08 cukup masuk akal
kesalahan perkiraan dalam populasi (Browne & Cudeck, 1993).
MacCallum et al. (1996) baru-baru ini menguraikan cutpoints ini
dan mencatat bahwa nilai-nilai RMSEA mulai dari 0,08 hingga 0,10 mengindikasikan medio-
cre fit, dan yang lebih besar dari .10 mengindikasikan fit yang buruk. Meskipun Hu dan
Bentler (1999) telah menyarankan nilai 0,06 sebagai indikasi yang baik
kesesuaian antara model yang dihipotesiskan dan data yang diamati, mereka memastikan
menyatakan bahwa, ketika ukuran sampel kecil, RMSEA (dan TLI) cenderung
menolak model populasi yang sebenarnya (tetapi lihat Fan et al., 1999, untuk perbandingan
anak dengan indeks kecocokan lainnya). Meskipun kriteria ini semata-mata didasarkan
pada penilaian subyektif, dan karena itu tidak dapat dianggap sebagai infal-
layak atau benar, Browne dan Cudeck (1993) dan MacCallum et al. (1996)
berpendapat bahwa mereka akan tampak lebih realistis daripada persyaratan
cocok, di mana RMSEA = 0,0. (Untuk generalisasi RMSEA ke
beberapa sampel independen, lihat Steiger, 1998.)
Secara keseluruhan, MacCallum dan Austin (2000) sangat direkomendasikan
penggunaan rutin RMSEA untuk setidaknya tiga alasan: (a) Akan muncul
Halaman 102
81
menjadi cukup sensitif terhadap kesalahan spesifikasi model (Hu & Bentler, 1998),
(B) pedoman interpretatif yang umum digunakan akan muncul untuk menghasilkan
kesimpulan yang tepat mengenai kualitas model (Hu & Bentler, 1998,
1999), dan (c) dimungkinkan untuk membangun interval kepercayaan di sekitar RMSEA
nilai-nilai.
Mengatasi panggilan Steiger (1990) untuk penggunaan interval kepercayaan
untuk menilai ketepatan estimasi RMSEA, AMOS melaporkan 90% inter-
val di sekitar nilai RMSEA. Berbeda dengan titik estimasi model fit
(yang tidak mencerminkan ketidaktepatan estimasi), interval kepercayaan
dapat menghasilkan informasi ini, sehingga memberi peneliti lebih banyak
bantuan dalam evaluasi model fit. Dengan demikian, MacCallum et al. (1996)
sangat mendesak penggunaan interval kepercayaan dalam praktik. Disajikan dengan
RMSEA kecil, meskipun interval kepercayaan yang luas, seorang peneliti akan
menyimpulkan bahwa nilai perbedaan yang diperkirakan cukup tepat, dengan demikian
meniadakan setiap kemungkinan untuk menentukan secara akurat tingkat kecocokan dalam
populasi. Sebaliknya, interval kepercayaan yang sangat sempit akan berdebat
untuk presisi yang baik dari nilai RMSEA dalam mencerminkan kecocokan model dalam populasi
lation (MacCallum et al., 1996).
Selain melaporkan interval kepercayaan di sekitar RMSEA
nilai, tes AMOS untuk kedekatan cocok (PCLOSE). Artinya, ia menguji
hipotesis bahwa RMSEA adalah "baik" dalam populasi (khususnya, itu
itu adalah <.05). Jöreskog dan Sörbom (1996a) telah menyarankan bahwa nilai-p
untuk tes ini harus> .50.
Beralih ke Tabel 3.5, kita melihat bahwa nilai RMSEA untuk hipotesis kami
model adalah 0,048, dengan interval kepercayaan 90% mulai dari 0,034 hingga 0,062
dan nilai p untuk uji kedekatan fit sama dengan 0,562. Penafsiran
dari interval kepercayaan menunjukkan bahwa kita dapat 90% yakin bahwa
Nilai RMSEA yang sebenarnya dalam populasi akan jatuh dalam batas 0,034
dan 0,062, yang mewakili tingkat presisi yang baik. Mengingat bahwa (a)
Perkiraan titik RMSEA adalah <.05 (.048); (B) batas atas dari 90% antar
val adalah .06, yang kurang dari nilai yang disarankan oleh Browne dan Cudeck
(1993), meskipun sama dengan nilai cutoff yang diusulkan oleh Hu dan Bentler (1999);
dan (c) nilai probabilitas yang terkait dengan uji pas dekat ini adalah>, 50
( p = 0,562), kita dapat menyimpulkan bahwa model hipotesis awalnya sesuai dengan
data dengan baik. 7
Sebelum meninggalkan diskusi tentang RMSEA ini, penting untuk dicatat
bahwa interval kepercayaan dapat dipengaruhi secara serius oleh ukuran sampel, seperti
serta kompleksitas model (MacCallum et al., 1996). Misalnya, jika sampel
ukurannya kecil dan jumlah parameter yang diestimasikan besar,
Interval pagar akan lebar. Diberikan model yang kompleks (yaitu, sejumlah besar
estimasi parameter), ukuran sampel yang sangat besar akan dibutuhkan secara berurutan
untuk mendapatkan interval kepercayaan yang cukup sempit. Di sisi lain, jika
jumlah parameter kecil, maka kemungkinan mendapatkan a
Halaman 103
82
Interval kepercayaan sempit tinggi, bahkan untuk sampel yang agak moderat
ukuran (MacCallum et al., 1996).
Sekarang, mari kita beralih ke kumpulan statistik berikutnya. Yang pertama adalah
Kriteria Informasi (AIC) Akaike (1987), dengan konvensi Bozdogan (1987)
versi yang konsisten dari AIC (CAIC) yang ditampilkan di akhir baris. Kedua kriteria tersebut
mengatasi masalah kekikiran dalam penilaian model fit; dengan demikian,
good-of-fit dan jumlah parameter yang diestimasi
diperhitungkan. Bozdogan, bagaimanapun, mencatat bahwa AIC membawa pena-
hanya karena terkait dengan derajat kebebasan (dengan demikian mencerminkan jumlah tersebut
estimasi parameter dalam model), dan bukan untuk ukuran sampel. Disajikan
dengan temuan analitik faktor yang mengungkapkan AIC untuk menghasilkan tanpa gejala
perkiraan yang tidak konsisten, ia mengusulkan CAIC, yang mengambil ukuran sampel
ke akun (Bandalos, 1993). AIC dan CAIC digunakan dalam
anak dari dua model atau lebih, dengan nilai yang lebih kecil mewakili kecocokan yang lebih baik
dari model hipotesis (Hu & Bentler, 1995). AIC dan CAIC indi
ces juga berbagi kerangka kerja konseptual yang sama; dengan demikian, mereka mencerminkan
sejauh mana estimasi parameter dari sampel asli akan melintasi
memvalidasi dalam sampel masa depan (Bandalos, 1993). Kriteria Browne-Cudeck
(BCC; Browne & Cudeck, 1989) dan Kriteria Informasi Bayes (BIC;
Raftery, 1993; Schwartz, 1978) beroperasi dengan cara yang sama seperti AIC
dan CAIC. Perbedaan mendasar antara indeks ini adalah bahwa keduanya BCC
dan BIC memberikan hukuman yang lebih besar daripada AIC atau CAIC untuk model
kompleksitas. Beralih ke output sekali lagi, kita melihat bahwa dalam kasus
keempat indeks kesesuaian ini, statistik kesesuaian untuk model yang dihipotesiskan
secara substansial lebih kecil daripada untuk kemerdekaan atau
model jenuh.
Indeks Validasi Silang yang Diharapkan (ECVI) penting untuk yang berikutnya
statistik cluster fit. ECVI diusulkan, pada awalnya, sebagai sarana
menilai, dalam sampel tunggal, kemungkinan bahwa model lintas-variabel
tanggal pada sampel berukuran serupa dari populasi yang sama (Browne &
Cudeck, 1989). Secara khusus, ini mengukur perbedaan antara fit-
ted matriks kovarians dalam sampel yang dianalisis, dan kovarians yang diharapkan
matriks ance yang akan diperoleh dalam sampel lain dengan ukuran yang setara.
Penerapan ECVI mengasumsikan perbandingan model di mana suatu
Indeks ECVI dihitung untuk setiap model, dan kemudian semua nilai ECVI
ditempatkan dalam urutan peringkat; model yang memiliki nilai pameran ECVI terkecil
potensi terbesar untuk replikasi. Karena koefisien ECVI dapat diambil
pada nilai apa pun, tidak ada rentang nilai yang ditentukan dan ditentukan.
Dalam menilai model empat faktor yang dihipotesiskan, kami membandingkannya
Nilai ECVI 0,888 dengan kedua model jenuh (ECVI = 1,030)
dan model independensi (ECVI = 6.548). Mengingat nilai ECVI yang lebih rendah
untuk model hipotesis, dibandingkan dengan kedua independensi dan
model jenuh, kami menyimpulkan bahwa itu mewakili paling cocok untuk data.
Halaman 104
83
Di luar perbandingan ini, Browne dan Cudeck (1993) telah menunjukkan hal itu
sekarang mungkin untuk mengambil ketepatan estimasi nilai ECVI
akun melalui rumusan interval kepercayaan. Beralih ke
Tabel 3.5 lagi, kita melihat bahwa interval ini berkisar dari 0,773 ke 1,034. Diambil
bersama-sama, hasil ini menunjukkan bahwa model yang dihipotesiskan cocok
dan mewakili perkiraan yang masuk akal untuk populasi. Yang terakhir
statistik kecocokan, MECVI (ECVI yang dimodifikasi), sebenarnya identik dengan BCC,
kecuali untuk faktor skala (Arbuckle, 2007).
Statistik good-of-fit terakhir yang muncul pada output AMOS adalah
Hoelter's (1983) Critical N (CN) (walaupun diberi label sebagai Hoelter's .05 dan .01 indi
ces). Statistik kesesuaian ini berbeda secara substansial dari yang telah dibahas sebelumnya
dalam hal ini berfokus langsung pada kecukupan ukuran sampel, daripada pada
model yang cocok. Pengembangan indeks Hoelter muncul dari upaya untuk menemukan a
indeks kecocokan yang tidak tergantung pada ukuran sampel. Secara khusus, tujuannya adalah untuk
memperkirakan ukuran sampel yang akan cukup untuk menghasilkan model yang memadai
cocok untuk tes χ 2 (Hu & Bentler, 1995). Hoelter mengusulkan bahwa suatu nilai berlebih
200 adalah indikasi model yang cukup mewakili data sampel.
Seperti yang ditunjukkan pada Tabel 3.5, baik nilai .05 dan .01 CN untuk hipotesis kami
Model SC yang dikembangkan adalah> 200 (204 dan 223, masing-masing). Penafsiran
Temuan ini, kemudian, membawa kita untuk menyimpulkan bahwa ukuran sampel kami
( N = 265) memuaskan menurut tolok ukur Hoelter bahwa CN
harus melebihi 200.
Setelah bekerja keras melalui hamparan kebaikan ini-
langkah-langkah fit, Anda tidak diragukan lagi merasa benar-benar kewalahan dan tidak akan
dengarkan apa yang Anda lakukan dengan semua informasi ini! Meskipun kamu tentu saja
tidak perlu melaporkan seluruh indeks fit, array yang dapat diberikan
Anda merasakan seberapa baik model Anda cocok dengan data sampel. Tapi bagaimana caranya
apakah orang memilih indeks mana yang sesuai dalam mengevaluasi model yang sesuai?
Sayangnya, pilihan ini tidak sederhana, terutama karena
indeks lar telah terbukti beroperasi agak berbeda mengingat
ukuran sampel, prosedur estimasi, kompleksitas model, dan / atau pelanggaran
dari asumsi yang mendasari normalitas dan variabel multivariat
kemerdekaan. Dengan demikian, Hu dan Bentler (1995) mengingatkan bahwa, dalam pilihan
Mengidentifikasi indeks good-of-fit yang digunakan dalam penilaian model
cocok, pertimbangan cermat dari faktor-faktor kritis ini sangat penting. Untuk bulu-
uraian tentang statistik good-of-fit di atas sehubungan dengan
formula dan fungsinya, atau sejauh mana mereka terpengaruh
berdasarkan ukuran sampel, prosedur estimasi, kesalahan spesifikasi, dan / atau viola-
Dengan asumsi, pembaca dirujuk ke Arbuckle (2007); Bandalos
(1993); Beauducel dan Wittmann (2005); Bentler dan Yuan (1999); Bollen
(1989a); Boomsma dan Hoogland (2001); Browne dan Cudeck (1993);
Curran, West, dan Finch (1996); Davey, Savla, dan Luo (2005); Kipas dan
Sivo (2005); Fan et al. (1999); Finch, West, dan MacKinnon (1997); Gerbing
Halaman 105
84
dan Anderson (1993); Hu dan Bentler (1995, 1998, 1999); Hu, Bentler, dan
Kano (1992); Jöreskog dan Sörbom (1993); La Du dan Tanaka (1989); Lei
dan Lomax (2005); Marsh et al. (1988); Mulaik et al. (1989); Raykov dan
Widaman (1995); Stoel, Garre, Dolan, dan van den Wittenboer (2006);
Sugawara dan MacCallum (1993); Tomarken dan Waller (2005); Weng
dan Cheng (1997); West, Finch, dan Curran (1995); Wheaton (1987); dan
Williams dan Holahan (1994). Untuk bibliografi beranotasi, lihat Austin
dan Calderón (1996).
Dalam menyelesaikan bagian ini pada penilaian model, saya ingin meninggalkan Anda
dengan pengingat penting ini — bahwa indeks kecocokan global saja tidak bisa
mungkin menyelubungi semua yang perlu diketahui tentang model untuk
menilai kecukupan kecocokannya dengan data sampel. Sebagai Sobel dan Bohrnstedt
(1985) dengan sangat meyakinkan menyatakan lebih dari 2 dekade yang lalu, ―Kemajuan ilmiah bisa
terhambat jika koefisien cocok (bahkan yang sesuai) digunakan sebagai
kriteria utama untuk menilai kecukupan model ‖(p. 158). Mereka
lebih lanjut mengemukakan bahwa, meskipun sifat bermasalah dari statistik χ 2 ,
ketergantungan eksklusif pada indeks good-of-fit tidak dapat diterima. Memang pas
indeks tidak memberikan jaminan apa pun bahwa model berguna. Faktanya,
sangat mungkin bagi model untuk cocok dengan baik namun masih salah
ditentukan (Wheaton, 1987). (Untuk ulasan yang sangat baik tentang cara yang digunakan
Peristiwa yang tampaknya dikotomis seperti itu dapat terjadi, demikian pembaca membaca
to Bentler & Chou, 1987.) Indeks yang sesuai hanya menghasilkan informasi
model kurang fit . Lebih penting lagi, mereka sama sekali tidak dapat mencerminkan
sejauh mana model tersebut masuk akal; penilaian ini sepenuhnya terletak pada
bahu peneliti . Dengan demikian, penilaian kecukupan model harus
berdasarkan beberapa kriteria yang memperhitungkan teori, statistik,
dan pertimbangan praktis.
Sejauh ini, berdasarkan hasil kebaikan kami, kami bisa sangat
menyimpulkan dengan baik bahwa model CFA empat faktor hipotesis kami sesuai dengan sampel
data dengan baik. Namun, demi kepentingan kelengkapan, dan untuk tujuan didaktik
berpose, saya anggap itu berguna untuk memandu Anda melalui proses yang terlibat
dalam menentukan bukti kesalahan spesifikasi model. Yaitu, kita melakukan
analisis data yang berfungsi dalam mengidentifikasi parameter apa pun yang ada
telah salah ditentukan. Sekarang mari kita beralih ke proses penentuan
menambang bukti kesalahan spesifikasi model.
Model salah spesifikasi
AMOS menghasilkan dua jenis informasi yang dapat membantu dalam mendeteksi
model salah spesifikasi — residu terstandarisasi dan modifikasi
indeks . Karena informasi ini tidak disediakan sebagai keluaran default di
pengujian awal model kami, kami meminta informasi opsional ini sekarang.
Untuk mendapatkan sumber daya ini, kita klik ikon Analysis Properties ,
Halaman 106
85
atau tarik ke bawah menu View dan pilih Analysis Properties . Keduanya aksi
memicu kotak dialog berlapis-lapis yang menawarkan beragam opsi.
Gambar 3.10 menunjukkan kotak dialog ini dengan tab Output di posisi maju.
Untuk keperluan kami di sini, kami hanya memilih residu dan indeks modifikasi
sebagai opsi tunggal kami, sebagaimana ditunjukkan di kiri bawah kotak dialog.
Residu
Ingatlah bahwa esensi SEM adalah untuk menentukan kesesuaian antara yang dibatasi
matriks kovarians [Σ (θ)], tersirat oleh model hipotesis, dan sampel
matriks kovariansi (S); perbedaan antara keduanya ditangkap oleh
matriks kovarians residual. Setiap elemen dalam matriks residual ini, kemudian,
mewakili perbedaan antara kovarian di Σ (θ) dan di
S [yaitu, Σ (θ) - S]; artinya, ada satu residual untuk setiap pasangan yang diamati
variabel (Jöreskog, 1993). Dalam kasus model hipotesis kami, untuk
contoh, matriks residual akan mengandung ([16 × 17] / 2) = 136 elemen.
Mungkin perlu dicatat bahwa, seperti dalam analisis regresi konvensional,
Gambar 3.10 Grafik AMOS: Kotak dialog properti analisis dengantab keluaran
terpilih.
Halaman 107
86
residu tidak terlepas satu sama lain. Dengan demikian, setiap upaya untuk menguji
mereka (dalam arti statistik yang ketat) tidak pantas. Intinya,
hanya besarnya mereka yang menarik dalam mengingatkan peneliti untuk kemungkinan
bidang ketidakcocokan model.
Matriks dari residu yang tidak standar dan terstandarisasi
disajikan dalam output AMOS opsional. (Ingatlah bahwa
residu dardized disajikan sebelumnya.) Namun, karena pas
residu tergantung pada unit pengukuran yang diamati
variabel, mereka bisa sulit untuk diartikan, dan dengan demikian standar mereka
nilai biasanya diperiksa. Dengan demikian, hanya yang terakhir yang disajikan dalam
Tabel 3.6. Residu terstandarisasi adalah residu yang pas dibagi dengan mereka
kesalahan standar asimptotik (sampel besar) (Jöreskog & Sörbom, 1993).
Dengan demikian, mereka analog dengan skor-Z dan karenanya lebih mudah
dua set nilai residual untuk ditafsirkan. Intinya, mereka mewakili
perkiraan jumlah standar deviasi residu yang diamati
berasal dari nol residual yang akan ada jika model fit sempurna
[yaitu, Σ (θ) - S = 0,0]. Nilai> 2,58 dianggap besar (Jöreskog &
Sörbom, 1993). Dalam memeriksa nilai residu standar disajikan
pada Tabel 3.6, kami mengamati hanya satu yang melebihi cutpoint 2.58. Sebagai
demikian, nilai residual –2.942 mewakili kovarians antara
variabel yang diamati SDQ2N07 dan SDQ2N34. Dari informasi ini, kami
dapat menyimpulkan bahwa satu-satunya perbedaan catatan yang signifikan secara statistik
terletak dengan kovarians antara dua variabel yang dicatat.
Indeks modifikasi
Jenis informasi kedua yang terkait dengan kesalahan spesifikasi mencerminkan
sejauh mana model hipotesis dijelaskan dengan tepat.
Bukti ketidakcocokan dalam hal ini ditangkap oleh indeks modifikasi
(MI), yang dapat dikonseptualisasikan sebagai statistik χ 2 dengan satu derajat
kebebasan (Jöreskog & Sörbom, 1993). Secara khusus, untuk setiap tetap parame-
Jika ditentukan, AMOS menyediakan MI, yang nilainya mewakili
penurunan yang diharapkan dalam nilai overall 2 keseluruhan jika parameter akan ditentukan secara bebas
dikawinkan dalam menjalankan berikutnya; semua parameter yang diestimasi secara bebas secara otomatis
memiliki nilai MI sama dengan nol. Meskipun penurunan χ 2 ini diharapkan terjadi
mendekati nilai MI, diferensial sebenarnya bisa lebih besar. Terkait
dengan masing-masing MI adalah nilai perubahan parameter yang diharapkan (EPC) (Saris, Satorra,
& Sörbom, 1987), yang dilaporkan dalam kolom terlampir yang berlabel
"Perubahan Par." Statistik yang terakhir ini mewakili estimasi yang diprediksi
berubah, dalam arah positif atau negatif, untuk setiap parameter tetap
dalam model dan menghasilkan informasi penting mengenai sensitivitas
evaluasi kecocokan untuk setiap reparameterisasi model. 8 MI
dan statistik EPC yang menyertai terkait dengan model hipotesis kami
disajikan pada Tabel 3.7.
Halaman 108
87
T
Sebuah
b
le 3
.6
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rH
y
hal
Hai
th
e
siz
e
d4
-F
Sebuah
cto
rC
FA M
Hai
d
el: S
ta
n
d
Sebuah
rd
iz
e
dR
e
sid
kamu
Sebuah
l C.
Hai
v
Sebuah
ria
n
ce
s
SDQ2N07
SDQ2N19
SDQ2N31
SDQ2N43
SDQ2N10
SDQ2N22
SDQ2N34
--------
--------
--------
--------
--------
--------
--------
SDQ2N07
0,000
SDQ2N19
0,251
0,000
SDQ2N31
0,189
-0,457
0,000
SDQ2N43
-0,458
1.013
-0,071
0,000
SDQ2N10
-0.668
0,582
0,218
0,087
-0.000
SDQ2N22
-0,408
1.027
0,845
-0,072
-0,121
0,000
SDQ2N34
-2.942
-1.503
-2,030
-1.446
0,501
-0,440
0,000
SDQ2N46
-0,466
-0,548
0,514
1.457
-0,209
0,267
0,543
SDQ2N04
0,057
-0,061
0,333
-0,645
1.252
-0,442
-0.544
SDQ2N16
-0,645
0,422
0,059
0,100
-0.131
0,563
-1.589
SDQ2N28
-0.711
0,959
0,579
0,250
-0,609
-0,095
-2.184
SDQ2N40
-1.301
0,729
-0.227
0,909
0,516
0,574
-0,455
SDQ2N01
-0,496
-0.270
-0.229
-1.206
-0,052
-0.549
0,873
SDQ2N13
-1.141
-0,100
-0,037
0,175
0,248
0,001
1.423
SDQ2N25
0,011
-0.827
0,505
-0.220
-0.564
-0.135
0,621
SDQ2N37
-0.099
-0.190
1.285
-0,449
-0.099
0,060
0,756
(
melanjutkan
)
Halaman 109
88
T
Sebuah
b
le 3
.6
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rH
y
hal
Hai
th
e
siz
e
d4
-F
Sebuah
cto
rC
FA M
Hai
d
el: S
ta
n
d
Sebuah
rd
iz
e
dR
e
sid
kamu
Sebuah
l C.
Hai
v
Sebuah
ria
n
ce
s(
C
ontin
kamu
ed
)
SDQ2N46
SDQ2N04
SDQ2N16
SDQ2N28
SDQ2N40
SDQ2N01
SDQ2N13
--------
--------
--------
--------
--------
--------
--------
SDQ2N46
0,000
SDQ2N04
-0,382
0,001
SDQ2N16
-0.276
0,272
0,000
SDQ2N28
-0.350
-0,084
0,427
0,000
SDQ2N40
0,983
-1.545
-0.240
0,358
0,000
SDQ2N01
0,721
0,027
-0.620
-1.240
-0,611
-0.000
SDQ2N13
0,443
1.777
-0,203
-0.719
-0.217
0,145
0,000
SDQ2N25
-0.818
-0,493
-0.600
-0.894
-0.112
2.132
-0.588
SDQ2N37
-0.598
0,796
0,884
0,568
1.727
-0.971
0,327
SDQ2N25
SDQ2N37
--------
--------
SDQ2N25
0,000
SDQ2N37
-0,645
0,000
Halaman 110
89
Seperti yang ditunjukkan pada Tabel 3.7, MI dan EPC disajikan pertama untuk kemungkinan
kovarian, diikuti oleh bobot regresi. Ingat bahwa
hanya parameter model yang dapat diterapkan MIs yang parameternya
ditetapkan ke nilai 0,0. Dengan demikian, tidak ada nilai yang muncul di bawah judul
―Variances‖ karena semua parameter mewakili varians (faktor dan ukuran
kesalahan surement) diperkirakan secara bebas.
Dalam meninjau parameter di bagian "Covariance", satu-satunya
yang masuk akal secara substantif adalah yang mewakili kesalahan
riance. Dalam hal ini, hanya parameter yang mewakili kovarians
antara err25 dan err01 tampaknya menarik. Meskipun demikian, sebuah
Nilai MI ukuran ini (13.487), dengan nilai EPC .285, khususnya sebagai
nilai-nilai ini berhubungan dengan kovarians kesalahan, dapat dianggap sebagai con-con kecil
cern. Beralih ke bobot regresi, saya menganggap hanya dua untuk membuat
pengertian substantif; ini adalah SDQ2N07 <--- ESC, dan SDQ2N34 <--- MSC.
Kedua parameter mewakili beban silang. Namun, sekali lagi, MI, dan
nilai-nilai EPC terkait mereka, tidak layak dimasukkan dalam selanjutnya
model yang ditentukan. Sangat penting dalam menentukan apakah atau tidak
termasuk parameter tambahan dalam model adalah sejauh mana (a) mereka
secara substantif bermakna, (b) model yang ada menunjukkan kecocokan yang memadai,
dan (c) nilai EPC sangat besar. Ditumpangkan pada keputusan ini adalah
kebutuhan konstan untuk kekikiran ilmiah. Karena model respecification
umumnya dilakukan di SEM secara umum, serta di beberapa aplikasi
Dalam buku ini, saya menganggap penting untuk menyediakan bagi Anda
gambaran singkat dari berbagai masalah yang terkait dengan analisis post hoc ini.
Analisis post hoc
Dalam penerapan SEM dalam pengujian untuk validitas berbagai dihipotesiskan
model, peneliti akan menghadapi, di beberapa titik, dengan keputusan
apakah akan merespek dan menguji kembali model. Jika dia memilih untuk
Ikuti rute ini, penting untuk menyadari bahwa analisis kemudian dibingkai
dalam mode eksplorasi , bukan konfirmasi . Dengan kata lain, sekali a
model hipotesis CFA, misalnya, telah ditolak, ini berarti akhir
pendekatan analitik faktor konfirmatori, dalam arti yang sebenarnya. Meskipun
Prosedur CFA terus digunakan dalam setiap resesifikasi dan penilaian ulang
dari model, analisis ini adalah eksplorasi dalam arti bahwa mereka fokus
deteksi parameter yang salah dalam model awalnya dihipotesiskan.
Analisis post hoc tersebut disebut pencarian spesifikasi konvensional
(lihat MacCallum, 1986). (Masalah pemasangan model post hoc dibahas
lebih lanjut dalam Bab 9 di bagian yang membahas cross-validation.)
Keputusan akhir menggarisbawahi apakah akan dilanjutkan atau tidak
dengan spesifikasi pencarian ada dua. Pertama dan terutama, sang peneliti
harus menentukan apakah estimasi parameter yang ditargetkan adalah
Halaman 111
90
bermakna secara substantif. Jika, memang, itu tidak masuk akal secara substantif
untuk membebaskan parameter yang menunjukkan MI terbesar, maka orang mungkin mau
pertimbangkan parameter yang memiliki nilai MI terbesar berikutnya (Jöreskog, 1993).
Kedua , kita perlu mempertimbangkan apakah model yang diresepkan itu mau atau tidak
Tabel 3.7 Output AMOS yang Dipilih untuk CFA Empat Faktor yang Dihipotesiskan
Model: Indeks Modifikasi dan Statistik Perubahan Parameter
MI
Perubahan par
Kovarian
err31 <--> err19
8.956
–167
err43 <--> err19
7.497
.201
err34 <--> GSC
8.192
.225
err46 <--> err43
4.827
.159
err04 <--> err10
5.669
.162
err40 <--> err43
5.688
.155
err40 <--> err04
8.596
–224
err13 <--> err04
6.418
.217
err25 <--> err01
13.487
.285
err37 <--> ASC
6.873
0,079
err37 <--> err31
4.041
0,097
err37 <--> err40
5.331
.141
Variansi
Bobot regresi: (Nomor grup 1 — model Anda)
SDQ2N07 <--- ESC
7.427
–242
SDQ2N07 <--- SDQ2N34
4.897
–.083
5.434
–.112
6.323
–119
5.952
.107
4.038
0,081
SDQ2N34 <--- MSC
6.323
–.173
7,695
–.157
5.316
–.148
4.887
–167
5.029
.123
5.883
–.110
8.653
.173
4.233
.104
7.926
.140
5.509
.103
Halaman 112
91
menyebabkan model overfitted. Masalahnya di sini terkait dengan gagasan mengetahui
kapan harus berhenti menyesuaikan model, atau, seperti Wheaton (1987) mengutarakan masalahnya
lem, "mengetahui ... berapa banyak kecocokan sudah cukup tanpa terlalu banyak kecocokan" (hlm.
123). Secara umum, overfitting model melibatkan spesifikasi tambahan
parameter dalam model setelah menentukan kriteria yang mencerminkan
kecocokan minimal yang memadai. Misalnya, model overfitted dapat dihasilkan dari
dimasukkannya parameter tambahan yang (a) "rapuh" dalam arti
mewakili efek lemah yang tidak mungkin ditiru, (b) mengarah pada sinyal
inflasi signifikan dari kesalahan standar, dan (c) memengaruhi parameter primer
dalam model, meskipun kebermaknaan substantif mereka sendiri agak
samar-samar (Wheaton, 1987). Meskipun kesalahan yang berkorelasi sering jatuh ke dalam ini
kategori terakhir, 9 ada banyak situasi — khususnya yang berkaitan dengan
penelitian psikologi sosial — di mana parameter ini dapat menjadi kuat
pengertian substantif dan karenanya harus dimasukkan dalam model (Jöreskog
& Sörbom, 1993).
Dengan susah payah bekerja dengan cara kami melalui proses yang terlibat
mengevaluasi kecocokan model hipotesis, apa yang bisa kita simpulkan mengenai
ing model CFA dalam pengawasan dalam bab ini? Dalam menjawab pertanyaan ini-
Jadi, kita harus mengumpulkan semua informasi yang diperoleh dari penelitian kita
dari output AMOS. Memperhatikan (a) kelayakan dan statistik
signifikansi semua estimasi parameter; (B) cocok dari
model, dengan referensi khusus ke CFI (.962) dan RMSEA (.048)
nilai-nilai; dan (c) kurangnya bukti substansial ketidakcocokan model, saya berpendapat
Clude bahwa setiap penggabungan lebih lanjut dari parameter ke dalam model akan
menghasilkan model overfitted. Memang, MacCallum et al. (1992, hal. 501) miliki
memperingatkan bahwa ―ketika model awal cocok, mungkin tidak bijaksana untuk
memodifikasinya untuk mencapai kesesuaian yang lebih baik karena modifikasi mungkin saja
menyesuaikan karakteristik istimewa kecil sampel. " Mengikuti ini
peringatan, saya menyimpulkan bahwa model empat faktor secara skematis digambarkan
Gambar 3.1 menunjukkan deskripsi struktur konsep diri yang memadai
remaja kelas 7.
Hipotesis 2: Konsep diri adalah struktur dua faktor
Model yang akan diuji di sini (Model 2) mendalilkan apriori bahwa SC adalah dua
struktur faktor yang terdiri dari GSC dan ASC. Karena itu, ia menentang
viabilitas faktor SC akademik khusus mata pelajaran. Seperti halnya empat faktor
model, empat langkah-langkah GSC memuat ke faktor GSC; sebaliknya, semua
langkah-langkah lain memuat ke faktor ASC. Model hipotesis ini adalah
membenci secara skematis pada Gambar 3.11, yang berfungsi sebagai model spesifik-
tion untuk AMOS Graphics.
Dalam meninjau spesifikasi grafis dari Model 2, dua poin
berkaitan dengan modifikasi yang menarik. Pertama , sementara pola faktornya
Halaman 113
92
SDQ2N13
SDQ2N25
SDQ2N37
SDQ2N01
err01
1
1
1
1
1
1
err13
err25
err37
SDQ2N16
SDQ2N28
SDQ2N40
SDQ2N04
err04
1
1
1
1
err16
err28
err40
GSC
ASC
SDQ2N22
SDQ2N34
SDQ2N46
SDQ2N10
err10
1
1
1
1
err22
err34
err46
SDQ2N19
SDQ2N31
SDQ2N43
SDQ2N07
err07
1
1
1
1
err19
err31
err43
Gambar 3.11 Model CFA konsep diri dua faktor yang dihipotesiskan.
Halaman 114
93
pemuatan tetap sama untuk tindakan GSC dan ASC, namun berubah untuk
ESC dan MSC mengukur dalam memungkinkan mereka memuat ke ASC
faktor. Kedua , karena hanya satu dari delapan faktor pemuatan faktor ASC ini yang perlu
untuk diperbaiki ke 1.0, dua parameter yang sebelumnya dibatasi (SDQ2N10 ←
ESC; SDQ2N07 ← MSC) sekarang diperkirakan secara bebas.
Output teks AMOS yang dipilih: Model dua faktor yang dihipotesiskan
Hanya statistik good-of-fit yang relevan dengan aplikasi ini,
dan kelompok terpilih ini disajikan pada Tabel 3.8.
Seperti yang ditunjukkan dalam output, χ 2
(103) nilai 455.926 mewakili suatu
sangat buruk cocok dengan data, dan penurunan substansial dari kelebihan
semuanya sesuai dengan model empat faktor (∆χ 2
(5) = 297.415). Keuntungan 5 derajat
kebebasan dapat dijelaskan dengan estimasi dua varian faktor yang lebih sedikit
dan lima kovarian faktor yang lebih sedikit, meskipun perkiraan dua tambahan
memuat faktor (sebelumnya SDQ2N10 ← ESC dan SDQ2N07 ← MSC). Sebagai
diharapkan, semua indeks kecocokan lainnya mencerminkan fakta bahwa konsep konsep diri
tidak diwakili dengan baik oleh model dua faktor yang dihipotesiskan. Dalam par-
khususnya, nilai CFI 0,776 dan nilai RMSEA 0,114, bersama dengan a
Nilai PCLOSE 0,00, sangat menunjukkan good-of-fit yang lebih rendah
antara model dua faktor yang dihipotesiskan dan data sampel. Akhirnya,
nilai ECVI 1,977, dibandingkan dengan nilai yang jauh lebih rendah dari
0,888 untuk model empat faktor yang dihipotesiskan, sekali lagi menegaskan inferior
cocok dengan Model 2.
Hipotesis 3: Konsep diri adalah struktur satu faktor
Meskipun sekarang tampak jelas bahwa struktur SC untuk kelas
7 remaja terbaik diwakili oleh model multidimensi, di sana
masih peneliti yang berpendapat bahwa SC adalah konstruk unidimensional.
Dengan demikian, untuk tujuan kelengkapan, dan untuk mengatasi masalah persatuan
mensionality, Byrne dan Worth Gavin (1996) melanjutkan pengujian
hipotesis di atas. Namun, karena model satu faktor mewakili a
versi terbatas dari model dua faktor, dan karenanya tidak mungkin
membenci model pemasangan yang lebih baik, untuk kepentingan ruang, analisis ini
tidak disajikan di sini.
Singkatnya, terbukti dari analisis ini bahwa kedua
dan model satu-faktor konsep-diri mewakili kesalahan spesifikasi
struktur faktorial untuk remaja awal. Berdasarkan temuan ini, maka,
Byrne dan Worth Gavin (1996) menyimpulkan bahwa SC adalah multidimensi
membangun, yang dalam penelitian mereka terdiri dari empat aspek umum,
konsep diri demic, Bahasa Inggris, dan matematika.
Halaman 115
94
Tabel 3.8 Output AMOS yang Dipilih untuk Dua Faktor yang Dihipotesiskan
Model CFA: Statistik Goodness-of-Fit
CMIN
Model
NPAR
CMIN
DF
P
CMIN /
DF
Model Anda
33
455.926
103
.000
4.426
Model jenuh
136
.000
0
Model kemerdekaan
16
1696.728
120
.000
14.139
RMR, GFI
Model
RMR
GFI
AGFI
PGFI
Model Anda
.182
0,754
0,675
0,571
Model jenuh
.000
1.000
Model kemerdekaan
0,628
0,379
.296
0,334
Perbandingan dasar
Model
NFI
RFI
JIKA SAYA
TLI
CFI
Delta 1
rho 1
Delta 2
rho 2
Model Anda
.731
0,687
0,779
.739
0,776
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
.114
.103
.124
.000
Model kemerdekaan
.223
.214
.233
.000
ECVI
Model
ECVI
LO 90
HI 90
MECVI
Model Anda
1.977
1.741
2.242
1.994
Model jenuh
1.030
1.030
1.030
1.101
Model kemerdekaan
6.548
6.058
7.067
6.557
Halaman 116
95
Catatan akhir
1. Istilah keunikan digunakan di sini dalam arti analitik faktor yang berarti a
gabungan kesalahan pengukuran acak dan kesalahan pengukuran khusus
terkait dengan alat ukur tertentu; dalam studi cross-sectional
Ya, keduanya tidak dapat dipisahkan (Gerbing & Anderson, 1984).
2. Sebagaimana dicatat dalam Bab 2, serangkaian tindakan dikatakan kongenerik jika masing-masing
mengukur dalam set tujuan untuk menilai konstruk yang sama, kecuali untuk kesalahan
pengukuran (Jöreskog, 1971a).
3. Kesalahan standar yang tidak akurat biasanya ditemukan ketika analisis didasarkan
matriks korelasi (Bollen, 1989a; Boomsma, 1985; Boomsma & Hoogland,
2001; Jöreskog, 1993).
4. Wheaton (1987) kemudian menganjurkan bahwa rasio ini tidak digunakan.
5. Untuk pendekatan alternatif untuk merumuskan model baseline, lihat Cudeck dan
Browne (1983), dan Sobel dan Bohrnstedt (1985).
6. PCFI, sesuai dengan rekomendasi penggunaan CFI dari Bentler atas
NFI, harus menjadi indeks pilihan. (lihat, misalnya, Byrne, 1994a; Carlson & Mulaik,
1993; Williams & Holahan, 1994).
7. Satu batasan yang mungkin dari RMSEA, seperti dicatat oleh Mulaik (lihat Byrne, 1994a),
adalah bahwa ia mengabaikan kompleksitas model.
8. Bentler (2005) telah mencatat, bahwa karena parameter ini berubah
karakteristik sensitif terhadap cara penskalaan variabel dan faktor
diidentifikasi, nilai absolut mereka kadang-kadang sulit ditafsirkan.
9. Biasanya, penyalahgunaan dalam hal ini muncul dari penggabungan perusahaan.
kesalahan terkait ke dalam model murni berdasarkan kesesuaian statistik dan untuk
tujuan mencapai model pemasangan yang lebih baik.
Halaman 117
Halaman 118
97
empat
bab
Menguji faktorial
validitas skor dari a
alat pengukur
Untuk aplikasi kedua kami, kami sekali lagi memeriksa konfirmasi tingkat pertama-
model analitik faktor faktorial (CFA). Namun, kali ini kami menguji hipotesis
menanggung pada alat ukur tunggal, Maslach Burnout Inventory
(MBI; Maslach & Jackson, 1981, 1986), dirancang untuk mengukur tiga dimensi
sesi kelelahan, yang penulis beri label kelelahan emosional (EE),
depersonalisasi (DP), dan penurunan prestasi pribadi (PA). Itu
Istilah burnout menunjukkan ketidakmampuan untuk berfungsi secara efektif dalam pekerjaan seseorang
konsekuensi dari stres terkait pekerjaan yang berkepanjangan dan ekstensif; emosional
Keletihan merupakan perasaan lelah yang berkembang sebagai energi seseorang
menjadi terkuras; depersonalisasi , pengembangan negatif dan tidak
ing sikap terhadap orang lain; dan mengurangi prestasi pribadi ,
rasio kepercayaan diri, dan ketidakpuasan dalam pencapaian seseorang.
Tujuan dari penelitian asli (Byrne, 1994c) dari mana contoh ini
Yang diambil adalah untuk menguji validitas dan invarian struktur faktorial
di dalam dan lintas gender untuk guru sekolah dasar dan menengah. Untuk
tujuan bab ini, bagaimanapun, hanya menganalisis bantalan pada faktorial
validitas MBI untuk sampel kalibrasi guru laki-laki SD
( n = 372) menarik.
Analisis faktor konfirmatori dari suatu alat ukur adalah yang paling
diterapkan secara khusus pada langkah-langkah yang telah sepenuhnya dikembangkan, dan fasilitasnya
untuk struktur divalidasi. Legitimasi penggunaan CFA, tentu saja, terikat
alasan konseptualnya sebagai pendekatan pengujian hipotesis untuk analisis data.
Artinya, berdasarkan teori, penelitian empiris, atau kombinasi dari
keduanya, peneliti mendalilkan model dan kemudian menguji validitasnya
data sampel. Dengan demikian, penerapan prosedur CFA untuk instrumen penilaian
KASIH yang masih dalam tahap awal pengembangan merupakan serangkaian
ous penyalahgunaan strategi analitik ini. Dalam pengujian validitas faktorial
struktur untuk ukuran penilaian, peneliti berusaha untuk menentukan
sejauh mana item dirancang untuk mengukur faktor tertentu (yaitu laten
Halaman 119
98
membangun) sebenarnya melakukannya. Secara umum, subskala dari alat ukur
dianggap mewakili faktor; semua item yang terdiri dari barang tertentu
subskala karena itu diharapkan memuat ke faktor terkait.
Mengingat bahwa MBI telah dipasarkan secara komersial sejak 1981,
adalah ukuran kelelahan kerja yang paling banyak digunakan, dan sudah
menjalani pengujian substansial dari sifat psikometriknya selama
tahun (lihat, misalnya, Byrne 1991, 1993, 1994a), itu pasti memenuhi syarat sebagai
seorang kandidat untuk penelitian CFA. Menariknya, sampai tahun 1991 studi saya tentang
MBI, hampir semua pekerjaan analitik faktor sebelumnya hanya didasarkan
tentang prosedur eksplorasi. Sekarang kita beralih ke deskripsi penilaian ini.
instrumen.
Alat ukur yang diteliti
MBI adalah instrumen 22-item yang terstruktur pada skala tipe-Likert 7 poin
yang berkisar dari 0 ( perasaan belum pernah dialami ) hingga 6 ( perasaan mengalami
setiap hari ). Ini terdiri dari tiga subskala, masing-masing berukuran satu sisi
kelelahan; subskala EE terdiri dari sembilan item, DP subskala lima,
dan PA subskala delapan. Versi asli MBI (Maslach &
Jackson, 1981) dibangun dari data berdasarkan sampel pekerja
dari berbagai organisasi layanan manusia. Selanjutnya, bagaimana-
pernah, Maslach dan Jackson (1986), bekerja sama dengan Schwab, dikembangkan
Survei Pendidik (MBI Form Ed), versi spesifik instrumen
dirancang untuk digunakan dengan guru. MBI Form Ed sejajar dengan
versi terakhir MBI kecuali untuk kata-kata yang dimodifikasi untuk item tertentu
membuatnya lebih sesuai dengan lingkungan kerja guru.
Model CFA dari struktur MBI menghipotesiskan apriori yang (a) merespons
untuk MBI dapat dijelaskan oleh tiga faktor, EE, DP, dan PA; (b) masing-masing
item memiliki muatan nol pada faktor burnout yang dirancang untuknya
mengukur, dan tanpa memuat pada semua faktor lain; (c) tiga faktor tersebut adalah
berkorelasi; dan (d) istilah kesalahan / keunikan yang terkait dengan item
pengukuran tidak berkorelasi. Representasi skematis dari model ini
ditunjukkan pada Gambar 4.1. 1
Model tiga faktor hipotesis dari struktur MBI (lihat Gambar 4.1)
memberikan input spesifikasi untuk analisis menggunakan AMOS Graphics. Di
Bab 2, kami meninjau proses yang terlibat dalam menghitung angka
derajat kebebasan dan, pada akhirnya, dalam menentukan identifikasi
Halaman 120
Bab empat: Menguji validitas faktorial CFA orde pertama
99
BARANG 1
ITEM2
ITEM3
1
1
1
err1
err2
err3
Emosional
Kelelahan
F1
ITEM6
err6
1
1
1
1
1
1
1
err8
err13
err14
err16
err20
ITEM8
ITEM13
ITEM14
ITEM16
ITEM20
1
1
ITEM5
1
err5
Depersonalisasi
F2
ITEM10
err10
1
1
1
1
err11
err15
err22
ITEM11
ITEM15
ITEM22
ITEM4
ITEM7
1
1
err4
err7
Pribadi
Prestasi
F3
ITEM12
ITEM17
ITEM18
ITEM9
err9
1
1
1
1
err12
err17
err18
ITEM21
ITEM19
err19
1
1
err21
Gambar 4.1. Model struktur faktorial yang dihipotesiskan untuk Maslach Burnout
inventaris (Model 1).
Halaman 121
100
status model yang dihipotesiskan. Meskipun semua informasi tersebut (perkiraan
parameter yang dikawinkan / diperbaiki; derajat kebebasan) disediakan dalam Model /
Kotak dialog Ringkasan Parameter output AMOS, saya masih mendorong
Anda menjadikan latihan ini bagian dari rutinitas Anda seperti, saya percaya, itu memaksa Anda
untuk memikirkan spesifikasi model Anda. Dalam kasus ini,
matriks sampel kovarians terdiri dari total 253 (23 × 22/2) buah
informasi (atau contoh momen). Dari 72 parameter dalam model,
hanya 47 yang diperkirakan secara bebas (19 faktor muatan, 22 varian kesalahan, 3
varians faktor, dan 3 faktor kovarian); yang lainnya (25) adalah parameter yang diperbaiki
Eter dalam model (yaitu, mereka dibatasi untuk sama dengan nol atau bukan nol
nilai). Akibatnya, model yang dihipotesiskan teridentifikasi secara berlebihan
206 (253 - 47) derajat kebebasan.
Sebelum mengirimkan input model untuk dianalisis, Anda mungkin menginginkannya
untuk meninjau kotak Analisis Properti (diperkenalkan pada Bab 3) untuk
menyesuaikan jenis informasi yang akan diberikan pada output AMOS, berdasarkan estimasi
prosedur mation, dan / atau pada banyak aspek analisis lainnya. Dalam
kasus ini, kami hanya tertarik pada informasi file output. Ingat itu
mengklik ikon Properties Analisis menghasilkan kotak dialog yang ditunjukkan pada
Gambar 4.2. Untuk keperluan kami di sini, kami meminta indeks modifikasi
(MIs), estimasi parameter standar (disediakan selain
perkiraan tidak standar, yang merupakan standar), dan menguji normalitas dan
outlier, yang semuanya merupakan opsi yang dapat Anda pilih saat tab Output berada
diaktifkan. Namun, berbeda dengan spesifikasi MI pada Bab 3, kami akan melakukannya
menetapkan ambang batas 10. Dengan demikian, hanya perkiraan MI yang sama atau lebih besar
dari 10 akan dimasukkan dalam file output.
Setelah menentukan model CFA tiga faktor yang dihipotesiskan dari MBI
struktur, terletak file data yang akan digunakan untuk analisis ini (seperti yang diilustrasikan
dalam Bab 3), dan memilih informasi yang akan dimasukkan dalam laporan-
Dalam hasil, kami sekarang siap untuk menganalisis model. Anehnya, setelah saya
mengklik ikon Perhitungan , saya disajikan dengan pesan kesalahan yang ditampilkan
pada Gambar 4.3 di mana program ini menasihati saya bahwa ada masalah
lem dengan Item 20. Namun, jelas pesan ini tidak masuk akal
sebagai Item 20 jelas merupakan variabel yang diamati dalam model. Jadi, saya tahu
masalahnya harus terletak di tempat lain. Pertanyaannya, tentu saja, adalah "Di mana?"
Ternyata, ada perbedaan dalam pelabelan yang diamati
variabel. Khususnya, sedangkan label item pada model menunjukkan spasi
antara ITEM dan nomor terkait dalam instrumen (mis. ITEM 20), ini
itu tidak terjadi untuk label item dalam kumpulan data; tidak ada ruang
antara kata ITEM dan 1, 2, dan seterusnya (mis. ITEM1). Bahkan beberapa
label selain Item 20 harus dimodifikasi sehingga memiliki ruang seperti itu
untuk dihapus. Setelah saya membuat label item model konsisten dengan label
file data, analisis dilanjutkan tanpa masalah lebih lanjut. Saya mempertimbangkannya
Penting untuk menunjukkan pesan kesalahan ini kepada Anda karena hampir dijamin
Halaman 122
101
bahwa Anda akan menjumpainya pada suatu waktu sehubungan dengan pekerjaan Anda sendiri. Sekarang
Anda tahu apa yang memicu pesan ini, Anda dapat dengan cepat menyelesaikan situasinya.
asi. Maka moral dari cerita ini adalah selalu memeriksa ulang data input Anda
sebelum menjalankan analisis! Sekarang mari kita tinjau file output terkait.
Gambar 4.2 Grafik AMOS: Kotak dialog properti analisis dengan tab keluaran terbuka.
Gambar 4.3 Grafik AMOS: Pesan kesalahan dipicu oleh perintah perhitungan.
Halaman 123
102
Output AMOS yang dipilih: Model dihipotesiskan
Berbeda dengan Bab 3, hanya bagian tertentu dari file ini yang akan ditinjau
dan dibahas. Kami memeriksa dulu model ringkasan, penilaian dari
mality dan outlier, indeks kecocokan untuk model secara keseluruhan, dan, akhirnya, MI
dengan maksud untuk menunjukkan dengan tepat area kesalahan spesifikasi model.
Ringkasan model
Seperti yang ditunjukkan pada Gambar 4.4, hasil estimasi model hipotesis dihasilkan
dalam nilai χ 2 keseluruhan 693.849 dengan 206 derajat kebebasan dan masalah
nilai kemampuan .000. Impor juga merupakan notasi yang minimum
tercapai. Pernyataan terakhir ini menunjukkan bahwa AMOS berhasil masuk
memperkirakan semua parameter model, sehingga menghasilkan solusi konvergen
tion. Jika, di sisi lain, program tidak dapat mencapai tujuan ini, itu
akan berarti bahwa itu tidak berhasil mencapai minimum
nilai perbedaan, sebagaimana didefinisikan oleh program dalam perbandingannya
sampel kovarians dan matriks kovarians terbatas. Biasanya, sebuah
datang dari hasil semacam ini dari model dan / atau data yang ditentukan secara tidak benar
yang ada ketergantungan linear antara variabel-variabel tertentu.
Penilaian normalitas
Asumsi yang sangat penting dalam melakukan analisis SEM dalam gen-
eral, dan dalam penggunaan AMOS pada khususnya (Arbuckle, 2007), adalah bahwa
data multivarian normal. Persyaratan ini berakar pada sampel besar
teori dari mana metodologi SEM muncul. Jadi, sebelum ada
analisis data dilakukan, penting untuk memeriksa bahwa
rion telah terpenuhi. Terutama bermasalah untuk analisis SEM adalah data itu
Gambar 4.4 AMOS Graphics: Ringkasan model statistik.
Halaman 124
103
adalah kurtotic multivariat, situasi di mana distribusi multivariat
tion dari variabel yang diamati memiliki kedua ekor dan puncak yang berbeda
karakteristik distribusi normal multivariat (lihat Raykov &
Marcoulides, 2000). Lebih khusus lagi, dalam kasus multivariat positif
Kurtosis, distribusi akan menunjukkan puncak bersama dengan berat (atau
tebal) ekor; sebaliknya, kurtosis negatif multivariat akan menghasilkan distribusi datar
butions with tails light (DeCarlo, 1997). Untuk mencontohkan yang paling umum
menemukan kondisi kurtosis multivariat di SEM, mari kita ambil kasus a
Kuisioner berskala likert, yang hasilnya respons terhadap item tertentu
di sebagian besar responden memilih titik skala yang sama. Untuk masing-masing
barang-barang ini, distribusi skor akan sangat memuncak (yaitu, lepto-
kurtik); dipertimbangkan bersama-sama, barang-barang khusus ini akan mencerminkan multivar
distribusi kurtotik positif. (Untuk penjabaran dari keduanya univariat
dan kurtosis multivarian, pembaca dirujuk ke DeCarlo.)
Prasyarat untuk penilaian normalitas multivariat adalah kebutuhan
periksa univariat normalitas karena yang terakhir diperlukan, meskipun tidak memadai
Ficient, kondisi untuk normalitas multivariat (DeCarlo, 1997). Jadi, kita beralih
sekarang ke hasil permintaan kami pada kotak dialog Properti Analisis (lihat
Gambar 4.2) untuk penilaian normalitas yang terkait dengan guru laki-laki
data yang digunakan dalam aplikasi ini. Hasil ini disajikan pada Gambar 4.5.
Penelitian statistik menunjukkan bahwa kemiringan cenderung berdampak
tes sarana, kurtosis sangat mempengaruhi tes varians dan kovarian
(DeCarlo, 1997). Mengingat bahwa SEM didasarkan pada analisis kovarians
struktur, bukti kurtosis selalu menjadi perhatian dan, khususnya,
bukti multivariate kurtosis, seperti yang diketahui sangat merugikan
mental dalam analisis SEM. Dengan pemikiran ini dalam berpaling pertama ke universitas
makan statistik, kami hanya fokus pada dua kolom terakhir dari Gambar 4.5, di mana
kami menemukan nilai kurtosis univariat dan rasio kritisnya (yaitu, nilai-z)
terdaftar untuk masing-masing item 22 MBI. Seperti yang ditunjukkan, nilai-nilai positif berkisar dari
0,007 hingga 5,100 dan nilai negatif dari -597 hingga -1,156, menghasilkan keseluruhan
berarti nilai kurtosis univariat 1,00. Indeks kurtosis terstandarisasi
(β 2 ) dalam distribusi normal memiliki nilai 3, dengan nilai yang lebih besar mewakili
senting kurtosis positif dan nilai yang lebih rendah mewakili kurtosis negatif.
Namun, program komputer biasanya mengubah nilai ini dengan mengurangi
3 dari nilai β 2 , dengan demikian menjadikan nol indikator distribusi normal
dan tandanya adalah indikator kurtosis positif atau negatif (DeCarlo;
Kline, 2005; West, Finch, & Curran, 1995). Meskipun tampaknya ada
tidak ada konsensus yang jelas tentang seberapa besar nilai-nilai bukan nol seharusnya sebelumnya
kesimpulan dari kurtosis ekstrim dapat ditarik (Kline, 2005), West et al.
(1995) mempertimbangkan rescaled β 2 nilai sama atau lebih besar dari 7 menjadi indica-
untuk keberangkatan awal dari normalitas. Menggunakan nilai 7 ini sebagai panduan, a
Ulasan dari nilai-nilai kurtosis yang dilaporkan pada Gambar 4.5 mengungkapkan tidak ada item menjadi
secara substansial kurtotik.
Halaman 125
104
Impor adalah fakta bahwa meskipun kehadiran nonnormal diamati
variabel menghalangi kemungkinan distribusi normal multivariat,
yang sebaliknya belum tentu benar. Yaitu, terlepas dari apakah
distribusi variabel yang diamati adalah univariat normal, multivariat
distribusi masih bisa multivariat nonnormal (West et al., 1995). Jadi,
sekarang kita beralih ke indeks kurtosis multivariat dan rasio kritisnya,
keduanya muncul di bagian bawah kurtosis dan rasio kritis (CR)
kolom, masing-masing. Yang paling banyak diimpor di sini adalah nilai CR, yang dalam
esensi mewakili perkiraan Mardia (1970, 1974) yang dinormalisasi
makan kurtosis, meskipun tidak secara eksplisit diberi label seperti itu (JL Arbuckle,
komunikasi pribadi, Maret 2008). Ketika ukuran sampel sangat besar
dan multivariat normal, estimasi normalisasi Mardia didistribusikan
sebagai satuan normal sehingga nilai besar mencerminkan positif signifikan
kurtosis dan nilai negatif besar mencerminkan kurtosis negatif yang signifikan.
Bentler (2005) mengemukakan bahwa, dalam praktiknya, nilai> 5,00 bersifat indikatif
data yang didistribusikan secara tidak normal. Dalam aplikasi ini, z-statistik
37.978 sangat menunjukkan ketidaknormalan dalam sampel.
Gambar 4.5 Grafik AMOS: Ringkasan statistik normalitas.
Halaman 126
105
Ketika data mengungkapkan bukti kurtosis multivariat, interpretasi
berdasarkan estimasi ML biasa mungkin bermasalah, dan dengan demikian alternatif
Metode estimasi kemungkinan lebih tepat. Satu pendekatan untuk
analisis data nonnormal adalah dengan mendasarkan analisis pada distribusi asimptotik-
estimasi gratis (ADF) (Browne, 1984a), yang tersedia dalam AMOS oleh select-
ing penaksir ini dari yang ditawarkan pada tab Estimasi Analisis
Sifat ikon atau drop-down View menu. Namun, sekarang sudah terkenal itu
kecuali ukuran sampel sangat besar (1.000 hingga 5.000 kasus; West et al., 1995),
penaksir ADF berkinerja sangat buruk dan dapat menghasilkan sangat terdistorsi
nilai estimasi dan kesalahan standar (Curran et al., 1996; Hu, Bentler, &
Kano, 1992; West et al.). Baru-baru ini, penelitian statistik menunjukkan bahwa,
paling tidak, ukuran sampel harus lebih besar dari 10 kali jumlah
estimasi parameter, jika tidak, hasil dari metode ADF menghasilkan
sekutu tidak bisa dipercaya (Raykov & Marcoulides, 2000). (Lihat Byrne, 1995, untuk
contoh sejauh mana estimasi dapat terdistorsi menggunakan
Metode ADF dengan ukuran sampel yang kurang dari memadai.) Seperti ditunjukkan pada Gambar 4.4,
model yang diteliti dalam bab ini memiliki 47 parameter yang diperkirakan secara bebas,
dengan demikian menyarankan ukuran sampel minimal 470. Mengingat bahwa sampel kami saat ini
ukuran adalah 372, kita tidak bisa secara realistis menggunakan metode estimasi ADF.
Berbeda dengan metode estimasi ADF, Chou, Bentler, dan Satorra
(1991) dan Hu et al. (1992) berpendapat bahwa itu mungkin lebih tepat untuk
koreksi statistik pengujian, daripada menggunakan mode estimasi yang berbeda.
Satorra dan Bentler (1988, 1994) mengembangkan statistik yang menggabungkan
koreksi penskalaan untuk statistik χ 2 (S – Bχ 2 ) ketika asumsi distribusi
tions dilanggar; perhitungannya memperhitungkan model, estimasi
metode mation, dan nilai-nilai kurtosis sampel. S – Bχ 2 telah ditampilkan
menjadi statistik uji yang paling dapat diandalkan untuk mengevaluasi rata-rata dan kovarians
model struktur di bawah berbagai distribusi dan ukuran sampel (Curran
et al., 1996; Hu et al.). Meskipun metode kuat Satorra-Bentler bekerja
sangat baik dengan ukuran sampel yang lebih kecil seperti milik kita (lihat, misalnya, Byrne, 2006), ini
Metode sayangnya tidak tersedia dalam program AMOS. Demikian kita
akan terus mendasarkan analisis kami pada estimasi ML. Namun, mengingat itu
Saya telah menganalisis data yang sama menggunakan pendekatan kuat Satorra-Bentler
dalam program EQS (Byrne, 2006), akan sangat membantu untuk melihat sejauh mana
yang hasilnya menyimpang antara dua metode estimasi. Jadi, a
perbandingan singkat dari keseluruhan parameter goodness-of-fit dan yang dipilih
statistik untuk model akhir akan disajikan pada akhir bab ini.
Penilaian outlier multivarian
Pencilan mewakili kasus-kasus yang nilainya jauh berbeda dari semua
yang lain dalam satu set data tertentu. Pencilan univariat memiliki ekstrem
skor pada variabel tunggal, sedangkan pencilan multivarian memiliki ekstrim
skor pada dua atau lebih variabel (Kline, 2005). Pendekatan umum untuk
Halaman 127
106
deteksi outlier multivariat adalah perhitungan kuadrat
Jarak Mahalanobis (D 2 ) untuk setiap kasus. Statistik ini mengukur
di unit standar deviasi antara serangkaian skor untuk satu kasus dan
sampel berarti untuk semua variabel (centroid). Biasanya, kasus terpencil
akan memiliki nilai D 2 yang berbeda secara terpisah dari semua D 2 lainnya
nilai-nilai. Tinjauan nilai-nilai ini dilaporkan pada Gambar 4.6 menunjukkan minimal
bukti outlier multivariat yang serius.
Evaluasi model
Ringkasan kebaikan
Karena berbagai indeks model cocok disediakan oleh program AMOS
dibahas dalam Bab 3, evaluasi model di seluruh sisanya
Gambar 4.6 Grafik AMOS: Ringkasan statistik outlier.
Halaman 128
107
bab akan terbatas pada yang diringkas dalam Tabel 4.1. Kriteria ini
dipilih berdasarkan (a) pendekatan varian mereka untuk penilaian
model fit (lihat Hoyle, 1995b), dan (b) dukungan mereka dalam literatur sebagai
indeks kecocokan penting yang harus dilaporkan. 2 Pilihan ini, tentu saja,
sama sekali tidak menyiratkan bahwa kriteria yang tersisa tidak penting. Agak,
itu menjawab kebutuhan bagi pengguna untuk memilih subset dari industi of-fit indi
berasal dari kuantitas murah hati yang disediakan oleh program AMOS. 3 Ini
indeks kecocokan yang dipilih disajikan pada Tabel 4.1.
Dalam meninjau kriteria ini dalam hal nilai optimalnya (lihat
Bab 3), kita dapat melihat bahwa mereka konsisten dalam refleksi mereka terhadap
model pas. Sebagai contoh, nilai CFA 0,848 menunjukkan sangat miskin
kesesuaian model dengan data. Dengan demikian, tampak jelas bahwa beberapa modifikasi dalam
spesifikasi diperlukan untuk mengidentifikasi model yang lebih mewakili
contoh data. Untuk membantu kami dalam menentukan kemungkinan area yang tidak cocok, kami memeriksa
indeks modifikasi. Tentu saja, sebagaimana dicatat dalam Bab 3, ini penting
untuk menyadari bahwa begitu kita telah menentukan bahwa model dihipotesiskan
tidak cocok dengan data (yaitu, hipotesis nol telah ditolak),
dan kemudian memulai model post hoc yang pas untuk mengidentifikasi bidang ketidakcocokan dalam
Tabel 4.1 Output AMOS yang Dipilih untuk Model Hipotesis:
Statistik Goodness-of-Fit
CMIN
Model
NPAR
CMIN
DF
P
CMIN /
DF
Model Anda
47
693.849
206
.000
3.368
Model jenuh
253
.000
0
Kemerdekaan
model
22
3442.988
231
.000
14.905
Perbandingan dasar
Model
NFI Delta1 RFI rho1 IFI Delta2
TLI rho2
CFI
Model Anda
.798
0,774
0,849
0,830
0,848
Model jenuh
1.000
1.000
1.000
Kemerdekaan
model
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,080
0,073
0,086
.000
Kemerdekaan
model
.194
.188
.199
.000
Halaman 129
108
model, kami berhenti beroperasi dalam mode analisis konfirmasi. Semua model
spesifikasi dan estimasi untuk selanjutnya merupakan analisis eksplorasi.
Sebelum kami memeriksa MIs sebagai penanda kemungkinan model misspecifica-
Namun, mari alihkan sebentar untuk meninjau dialog Panduan Referensi AMOS
kotak yang berkaitan dengan statistik PCLOSE yang terkait dengan RMSEA, seperti yang ditunjukkan
pada Gambar 4.7. Kotak awal yang terkait dengan statistik PCLOSE dibuat
dengan mengklik .000 untuk Model Anda . Sebagaimana terbukti, informasi disajikan
dalam kotak ini menjelaskan arti statistik PCLOSE. Kemudian
mengklik Asumsi kemudian memicu daftar komentar penjelas terkait
diciptakan dengan berbagai asumsi yang mendasari SEM. AMOS instruktif ini
Kotak dialog Referensi Referensi mudah diakses untuk statistik lain yang tak terhitung jumlahnya
tics dan fenomena lain yang terkait dengan program AMOS.
Indeks modifikasi
Kita beralih ke MI yang disajikan pada Tabel 4.2. Berdasarkan pada awalnya
model hipotesis (Model 1), semua memuat faktor dan kovarians kesalahan
istilah yang ditetapkan pada nilai 0,0 merupakan bunga yang cukup besar
mewakili satu-satunya sumber kesalahan spesifikasi dalam model CFA.
Dengan demikian, MI besar berdebat tentang adanya faktor cross-loadings (yaitu,
a memuat lebih dari satu faktor) dan kovarian kesalahan, masing-masing.
Namun, konsisten dengan program SEM lainnya, AMOS menghitung MI untuk
semua parameter secara implisit diasumsikan nol, demikian juga untuk yang
secara eksplisit ditetapkan ke nol atau nilai bukan nol lainnya. Dalam meninjau daftar
MI pada Tabel 4.2, misalnya, Anda akan melihat jalur regresi yang disarankan
antara dua variabel yang diamati (misalnya, ITEM4 ← ITEM7) dan yang disarankan
kovarian antara istilah dan faktor kesalahan (mis. err12 ↔ EMOSIONAL
PEKERJAAN), yang keduanya tidak masuk akal secara substantif. Mengingat
Gambar 4.7 Grafik AMOS: Kotak dialog panduan referensi AMOS.
Halaman 130
109
Indeks Modifikasi
MI
Perubahan par
Kovarian
err7 <--> err4
31.870
.200
err12 <--> EMOTIONAL_EXHAUSTION
34.267
–.349
err18 <--> err7
10.386
–.128
err19 <--> err18
14.832
.200
err21 <--> err4
12.573
.193
err21 <--> err7
31.774
.250
err11 <--> err10
20.863
0,319
err15 <--> err5
13.459
0,271
err1 <--> PERSONAL_ACCOMPLISHMENT
24.032
.130
err2
<--> err1
74.802
.557
err3 <--> err12
15.462
–.255
err6 <--> err5
17.117
.354
11.203
–.089
err14 <--> err6
11.021
–304
err16
<--> err6
88.728
.714
err20 <--> err8
12.451
.202
err20 <--> err13
12.114
.220
Bobot regresi
ITEM4 <--- ITEM7
22.235
.267
ITEM7 <--- ITEM4
24.640
.193
ITEM7 <--- ITEM21
23.531
.149
ITEM12 <--- EMOTIONAL_EXHAUSTION
33.856
–.256
ITEM12 <--- ITEM1
23.705
–.158
ITEM12 <--- ITEM2
21.917
–.163
ITEM12 <--- ITEM3
44.109
–.206
ITEM12 <--- ITEM8
35.531
–.186
ITEM12 <--- ITEM14
11.569
–.106
ITEM12 <--- ITEM16
21.358
–.173
ITEM12 <--- ITEM20
13.784
–.141
ITEM21 <--- ITEM7
22.181
0,334
ITEM5 <--- ITEM6
11.231
.142
ITEM11 <--- ITEM10
10.453
.137
ITEM1 <--- PERSONAL_ACCOMPLISHMENT
23.667
.720
ITEM1 <--- ITEM9
19.493
.197
ITEM1 <--- ITEM17
10.809
.227
( lanjutan )
Halaman 131
110
tidak berarti dari MI ini, maka, kami hanya fokus pada yang mewakili
kovariansi lintas-beban dan kesalahan.
Beralih dulu ke MI terkait dengan Kovarian , kami melihat sangat jelas
bukti kesalahan spesifikasi terkait dengan pemasangan istilah kesalahan
terkait dengan Item 1 dan 2 (err2↔rr1; MI = 74,802) dan asosiasi tersebut
diciptakan dengan Item 6 dan 16 (err16↔err6; MI = 88.728). Meskipun, diakui,
ada juga beberapa nilai MI yang cukup besar yang ditunjukkan, kedua stand ini
selain bahwa mereka secara substansial lebih besar dari yang lain; mereka mewakili
kesalahan kovarian kesalahan spesifik. 4 Kovariansi kesalahan pengukuran ini
mewakili kesalahan pengukuran sistematis, bukan acak, dalam item
tanggapan, dan mereka dapat berasal dari karakteristik khusus untuk
item atau kepada responden (Aish & Jöreskog, 1990). Misalnya, jika ini
parameter mencerminkan karakteristik item, mereka dapat mewakili sedikit
faktor ted. Sebaliknya, jika mereka mewakili karakteristik responden,
mereka mungkin mencerminkan bias seperti mengatakan ya atau mengatakan tidak, keinginan sosial,
dan sejenisnya (Aish & Jöreskog). Jenis lain dari efek metode yang bisa
kovarian pemicu kesalahan adalah tingkat tinggi tumpang tindih dalam konten item. Seperti itu
redundansi terjadi ketika suatu item, meskipun kata berbeda, pada dasarnya
menanyakan pertanyaan yang sama. Saya percaya situasi terakhir menjadi kasus di sini.
Misalnya, Butir 16 menanyakan apakah bekerja dengan orang secara langsung juga
banyak menekankan pada responden, sementara Butir 6 bertanya apakah bekerja dengan
orang sepanjang hari benar-benar memberatkannya. 5
Meskipun ulasan MI untuk Bobot Regresi (yaitu,
untuk memuat) mengungkapkan empat parameter yang mengindikasikan cross-loadings
Tabel 4.2 Output AMOS yang Dipilih untuk Model Hipotesis: Modifikasi
Indeks ( Lanjutan )
MI
Perubahan par
Bobot regresi
ITEM1 <--- ITEM18
16.058
.185
ITEM1 <--- ITEM19
14.688
.189
ITEM1 <--- ITEM2
31.830
.215
10.507
0,469
ITEM2 <--- ITEM9
13.645
.161
ITEM2 <--- ITEM1
27.403
.181
ITEM6 <--- ITEM5
15.020
.173
ITEM6 <--- ITEM16
50.262
0,327
10.418
–.481
ITEM13 <--- ITEM9
15.314
–.176
ITEM13 <--- ITEM19
11.414
–168
ITEM16 <--- ITEM6
52.454
0,272
Halaman 132
111
(ITEM12 ← PENGEMBANGAN EMOSIONAL; ITEM1 ← PRIBADI
PRESTASI; ITEM2 ← PERLENGKAPAN PRIBADI;
ITEM13 ← PERLENGKAPAN PRIBADI), saya menarik perhatian Anda
yang dengan nilai tertinggi (MI = 33.856), yang disorot dalam huruf tebal
tipe wajah. 6 Parameter ini, yang mewakili pemuatan silang Item 12
pada faktor EE, berdiri terpisah dari tiga kemungkinan pemuatan silang lainnya
salah spesifikasi. Mispesifikasi seperti itu, misalnya, bisa berarti itu
Butir 12, selain mengukur prestasi pribadi, juga mengukur
pasti kelelahan emosional; sebagai alternatif, itu bisa menunjukkan bahwa, meskipun
Item 12 didalilkan untuk memuat pada faktor PA, mungkin memuat lebih
terutama pada faktor EE.
Analisis post hoc
Dilengkapi dengan informasi yang terkait dengan model yang cocok dan area yang memungkinkan
dari salah spesifikasi model, seorang peneliti mungkin ingin mempertimbangkan respecifying
model awalnya dihipotesiskan. Sebagaimana ditekankan dalam Bab 3, harus
dalam hal ini, sangat penting untuk menyadari kedua penjelajahan tersebut.
sifat teori, dan bahaya yang terkait dengan, proses post hoc
model pas. Setelah menentukan (a) kecocokan yang tidak memadai dari hipotesis
memodelkan data sampel, dan (b) setidaknya dua parameter yang tidak ditentukan secara spesifik di
model (yaitu, dua kovarian kesalahan ditetapkan sebagai nol), tampaknya
masuk akal dan logis bahwa kita sekarang beralih ke mode eksplorasi dan
berupaya memodifikasi model ini dengan suara dan cara yang bertanggung jawab. Jadi,
untuk tujuan didaktik dalam menggambarkan berbagai aspek model post hoc
pas, kami akan melanjutkan untuk merespek model MBI yang dihipotesiskan awalnya
struktur dengan mempertimbangkan informasi ini.
Model respecification yang mencakup kesalahan berkorelasi, seperti yang lainnya
parameter, harus didukung oleh substantif dan / atau empiris yang kuat
rationale (Jöreskog, 1993), dan saya percaya bahwa kondisi ini ada di sini. Di
terang (a) konten barang yang jelas tumpang tindih, (b) replikasi yang sama
kesalahan kovarian dalam penelitian MBI sebelumnya (misalnya, Byrne, 1991, 1993), dan
(c) Peringatan Bentler dan Chou (1987) yang memaksa istilah kesalahan besar
tidak berkorelasi jarang sesuai dengan data nyata, saya menganggap
fikasi model awal ini dapat dibenarkan. Pengujian ini diresepkan
model (Model 2) sekarang berada dalam kerangka analisis post hoc.
Mari kita kembali ke AMOS Graphics dan respecification of Model
1 dalam menyusun Model 2.
Model 2
Respesifikasi model hipotesis struktur MBI melibatkan
penambahan parameter yang diperkirakan secara bebas ke model. Namun, karena
Halaman 133
112
estimasi MIs dalam AMOS didasarkan pada pendekatan univariat (lih. EQS
dan pendekatan multivarian), sangat penting bahwa kami hanya menambahkan satu parameter
pada saat ke model karena nilai-nilai MI dapat berubah secara substansial
satu parameterisasi yang diuji ke yang lain. Jadi, dalam membangun Model 2, itu
tampaknya paling masuk akal untuk melanjutkan terlebih dahulu dalam menambahkan ke model kesalahan
kovarians memiliki MI terbesar. Seperti yang ditunjukkan pada Tabel 4.2, parame- ini
ter mewakili istilah kesalahan untuk Item 6 dan 16 dan, sesuai dengan
Parameter Ubah statistik, harus menghasilkan nilai estimasi parameter
sekitar 0,714. Yang menarik adalah bagian dalam Tabel 4.2 berlabel
Bobot Regresi , seperti yang Anda lihat, disorot dalam huruf miring, dua saran
jalur regresi. Meskipun secara teknis tidak ada artinya, karena itu membuatnya
tidak ada pengertian substantif untuk menentukan dua parameter ini (ITEM6 ← ITEM16;
ITEM16 ← ITEM6), saya menarik perhatian Anda kepada mereka hanya saat mereka merenungkan
tautan bermasalah antara Item 6 dan 16. Lebih realistis, masalah ini
diatasi melalui spesifikasi kovarians kesalahan.
Beralih ke Grafik AMOS, kami memodifikasi yang awalnya dihipotesiskan
model dengan menambahkan kovarians antara Item 16 dan kesalahan Item 6 ini
istilah dengan mengklik pertama pada ikon Covariance , kemudian pada err16, dan, akhirnya,
pada err6 seperti yang ditunjukkan pada Gambar 4.8. Struktur model yang dimodifikasi untuk Model 2
disajikan pada Gambar 4.9.
Gambar 4.8 Grafik AMOS: Spesifikasi ilustrasi kovarians di antara kesalahan
istilah yang terkait dengan item 16 dan 6.
Halaman 134
113
BARANG 1
ITEM2
ITEM3
1
1
1
err1
err2
err3
Emosional
Kelelahan
ITEM6
err6
1
1
1
1
1
1
1
err8
err13
err14
err16
err20
ITEM8
ITEM13
ITEM14
ITEM16
ITEM20
1
1
ITEM5
1
err5
Depersonalisasi
ITEM10
err10
1
1
1
1
err11
err15
err22
ITEM11
ITEM15
ITEM22
ITEM4
ITEM7
1
1
err4
err7
Pribadi
Prestasi
ITEM12
ITEM17
ITEM18
ITEM9
err9
1
1
1
1
err12
err17
err18
ITEM21
ITEM19
err19
1
1
err21
Gambar 4.9 Model struktur faktorial yang ditentukan untuk Maslach Burnout
Persediaan (Model 2).
Halaman 135
114
Output AMOS yang dipilih: Model 2
Statistik Good-of-fit terkait dengan Model 2 mengungkapkan penggabungan itu
dari kovarians kesalahan antara Item 6 dan 16 membuat jumlah yang besar
perbaikan sesuai model. Secara khusus, nilai chi square keseluruhan
menurun dari 693.849 menjadi 596.124 dan RMSEA dari .080 menjadi .072, sementara
nilai CFI meningkat dari .848 menjadi .878. Dalam menilai sejauh mana
model yang diresepkan menunjukkan peningkatan kualitas, telah menjadi kebiasaan
Ketika menggunakan pendekatan univariat untuk menentukan apakah perbedaan cocok
antara kedua model ini signifikan secara statistik. Karena itu, peneliti
menguji perbedaan dalam nilai χ 2 (∆χ 2 ) antara kedua model. Perbuatan
jadi, bagaimanapun, menganggap bahwa kedua model bersarang. 7 Diferensial
antara model mewakili pengukuran dari overidentifying con-
dan itu sendiri χ 2 didistribusikan, dengan derajat kebebasan yang sama dengan
perbedaan dalam derajat kebebasan (∆df); dengan demikian dapat diuji secara statistik,
dengan ∆χ 2 signifikan yang menunjukkan peningkatan substansial dalam kecocokan model.
Perbandingan Model 2 (χ 2
(205) = 596.124) dengan Model 1 (χ 2
(205) = 693.849), untuk
contoh, menghasilkan perbedaan nilai χ 2 (∆χ 2

(1) ) dari 97,725. 8
Estimasi yang tidak standar untuk parameter kovarian kesalahan ini adalah
.733, yang sangat signifikan (CR = 8.046) dan bahkan lebih besar dari
nilai prediksi yang disarankan oleh statistik Perubahan Parameter yang disebutkan sebelumnya;
estimasi parameter standar adalah 0,497, dengan demikian mencerminkan sangat
korelasi kesalahan yang kuat!
Beralih ke MI yang dihasilkan untuk Model 2 (lihat Tabel 4.3), kami amati
bahwa kovarian kesalahan yang terkait dengan Item 1 dan 2 tetap merupakan kesalahan yang besar
parameter yang ditentukan dalam model, dengan perkiraan perubahan parameter
statistik menunjukkan bahwa jika parameter ini dimasukkan ke dalam
model, itu akan menghasilkan nilai estimasi sekitar 0,527. Sebagai
dengan kovarians kesalahan antara Item 6 dan 16, yang antara Item
1 dan 2 menunjukkan redundansi karena tumpang tindih konten. Butir 1 menanyakan apakah
responden merasa lelah secara emosional dari pekerjaannya, sedangkan Item
2 bertanya apakah responden merasa kehabisan tenaga di akhir hari kerja. Jelas,
tampaknya ada tumpang tindih konten antara dua item ini.
Mengingat kekuatan dari MI ini dan, sekali lagi, item yang tumpang tindih
konten, saya merekomendasikan bahwa parameter kovarian kesalahan ini juga dimasukkan
dalam model. Model yang dimodifikasi ini (Model 3) ditunjukkan pada Gambar 4.10.
Model 3
Statistik Goodness-of-fit terkait dengan Model 3 mengungkapkan statistik
peningkatan yang signifikan dalam kesesuaian model antara model ini dan Model 2
Halaman 136
115
Tabel 4.3 Output AMOS yang Dipilih untuk Model 2: Indeks Modifikasi
MI
Perubahan par
Kovarian
err7 <--> err4
31.820
.200
34.617
–.357
err18 <--> err7
10.438
–.128
err19 <--> err18
14.832
.200
err21 <--> err4
12.536
.193
err21 <--> err7
31.737
.250
err11 <--> err10
20.105
0,312
err15 <--> err5
13.899
0,276
23.297
.127
err2
<--> err1
69.604
0,527
err3 <--> err12
15.245
–.253
err6 <--> err5
10.677
0,246
12.538
–.095
err13 <--> err1
10.786
–217
err13 <--> err2
10.831
–213
err20 <--> err2
11.083
–.203
err20 <--> err8
11.789
.196
err20 <--> err13
12.356
.224
Bobot regresi
ITEM4 <--- ITEM7
22.192
.267
ITEM7 <--- ITEM4
24.589
.193
ITEM7 <--- ITEM21
23.495
.149
34.587
–.257
ITEM12 <--- ITEM1
23.888
–.158
ITEM12 <--- ITEM2
22.092
–1616
ITEM12 <--- ITEM3
44.361
–.207
ITEM12 <--- ITEM8
35.809
–.187
ITEM12 <--- ITEM14
11.675
–107
ITEM12 <--- ITEM16
21.653
–.174
ITEM12 <--- ITEM20
13.933
–.142
ITEM21 <--- ITEM7
22.148
0,334
ITEM5 <--- ITEM6
12.189
.148
ITEM11 <--- ITEM10
10.025
.134
23.397
0,708
ITEM1 <--- ITEM9
19.875
.197
ITEM1 <--- ITEM17
10.128
.217
( lanjutan )
Halaman 137
116
(χ 2
(204) = 519.082; ∆χ 2
= 77,04), dan perbedaan substansial dalam CFI (0,902
(1)
versus .878) dan nilai RMSEA (.065 versus .072).

Beralih ke MI, yang disajikan pada Tabel 4.4, kita melihat di sana
masih setidaknya dua kovarian kesalahan dengan MI yang cukup besar (err7 ↔ err4 dan
err 21 ↔ err7). Namun, dalam meninjau item-item yang terkait dengan keduanya
parameter kesalahan, saya percaya bahwa alasan substantif untuk keterlibatan mereka
Sion sangat lemah dan oleh karena itu mereka tidak harus dipertimbangkan untuk penambahan
tion ke model. Di sisi lain, saya melihat alasan untuk mempertimbangkan
spesifikasi pemuatan silang berkenaan dengan Butir 12 tentang Faktor 1. Dalam
awalnya model hipotesis, Butir 12 ditetapkan sebagai pemuatan pada Faktor 3
(Pengurangan Prestasi Pribadi), namun MI memberi tahu kami bahwa item ini
juga harus memuat pada Faktor 1 (Kelelahan Emosional). Dalam mencoba
mengerti mengapa cross-loading ini mungkin terjadi, mari kita lihat
esensi dari konten item, yang meminta tingkat persetujuan atau penolakan
setuju dengan pernyataan bahwa responden merasa sangat energik.
Meskipun item ini dianggap oleh Maslach dan Jackson (1981, 1986)
untuk mengukur rasa pencapaian pribadi, tampaknya keduanya terbukti
dan logis bahwa itu juga menyentuh perasaan kelelahan emosional seseorang.
Idealnya, item pada alat ukur harus dengan jelas menargetkan hanya satu
konstruk yang mendasari (atau faktor). Pertanyaan yang terkait dengan anal- kami
ysis MBI, bagaimanapun, adalah apakah atau tidak untuk memasukkan parameter ini dalam a
model ketiga diresepkan. Dilengkapi dengan beberapa justifikasi untuk double-
memuat efek, bersama dengan bukti dari literatur yang sama ini
cross-loading telah dicatat dalam penelitian lain, saya anggap pantas
untuk merespek model (Model 4) dengan parameter ini diperkirakan secara bebas.
Dalam memodifikasi Model 3 untuk memasukkan pemuatan silang Item 12 pada Factor
1 (Kelelahan Emosional), kita cukup menggunakan ikon Path untuk menghubungkan keduanya.
Model 4 yang dihasilkan disajikan pada Gambar 4.11.
Tabel 4.3 Output AMOS yang Dipilih untuk Model 2: Indeks Modifikasi ( Lanjutan )
MI
Perubahan par
Bobot regresi
ITEM1 <--- ITEM18
15.932
.182
ITEM1 <--- ITEM19
14.134
.184
ITEM1 <--- ITEM2
28.676
.202
10.090
0,455
ITEM2 <--- ITEM9
13.750
.160
ITEM2 <--- ITEM1
24.438
.169
12.165
–.523
ITEM13 <--- ITEM9
16.039
–.182
ITEM13 <--- ITEM18
10.917
–.155
ITEM13 <--- ITEM19
12.992
–.181
Halaman 138
117
BARANG 1
ITEM2
ITEM3
1
1
1
err1
err2
err3
Emosional
Kelelahan
ITEM6
err6
1
1
1
1
1
1
1
err8
err13
err14
err16
err20
ITEM8
ITEM13
ITEM14
ITEM16
ITEM20
1
1
ITEM5
1
err5
Depersonalisasi
ITEM10
err10
1
1
1
1
err11
err15
err22
ITEM11
ITEM15
ITEM22
ITEM4
ITEM7
1
1
err4
err7
Pribadi
Prestasi
ITEM12
ITEM17
ITEM18
ITEM9
err9
1
1
1
1
err12
err17
err18
ITEM21
ITEM19
err19
1
1
err21
Gambar 4.10 Model struktur faktorial yang ditentukan untuk burnout maslach
inventaris (Model 3).
Halaman 139
118
Model 4
Tidak disangka, indeks good-of-fit yang terkait dengan Model 4 menunjukkan lebih banyak
ada penurunan signifikan secara statistik dalam nilai chi-square dari
Model 3 (χ 2
(203) = 477.298; ∆χ 2
(1) = 41.784). Demikian juga, ada peningkatan yang jelas
dari Model 3 sehubungan dengan RMSEA (0,060 versus 0,065) dan

CFI (0,915 versus 0,902).
MI
Perubahan par
Kovarian
err7 <--> err4
31.968
.201
33.722
–330
err18 <--> err7
10.252
–.127
err19 <--> err18
14.833
.200
err21 <--> err4
12.625
.193
err21 <--> err7
31.888
.251
err11 <--> err10
20.155
0,312
err15 <--> err5
13.792
.275
14.382
0,090
err3 <--> err12
16.376
–265
err3 <--> err1
12.942
.231
err6 <--> err5
10.753
0,247
Bobot regresi
ITEM4 <--- ITEM7
22.336
.268
ITEM7 <--- ITEM4
24.730
.193
ITEM7 <--- ITEM21
23.633
.149
32.656
–265
ITEM12 <--- ITEM1
23.462
–.157
ITEM12 <--- ITEM2
21.722
–.162
ITEM12 <--- ITEM3
43.563
–.205
ITEM12 <--- ITEM8
34.864
–.184
ITEM12 <--- ITEM14
11.331
–105
ITEM12 <--- ITEM16
21.145
–.172
ITEM12 <--- ITEM20
13.396
–.139
ITEM21 <--- ITEM7
22.294
0,335
ITEM5 <--- ITEM6
11.953
.146
ITEM11 <--- ITEM10
10.063
.134
11.766
0,458
ITEM13 <--- ITEM9
11.958
–.154
Halaman 140
119
BARANG 1
ITEM2
ITEM3
1
1
1
err1
err2
err3
Emosional
Kelelahan
ITEM6
err6
1
1
1
1
1
1
1
err8
err13
err14
err16
err20
ITEM8
ITEM13
ITEM14
ITEM16
ITEM20
1
1
ITEM5
1
err5
Depersonalisasi
ITEM10
err10
1
1
1
1
err11
err15
err22
ITEM11
ITEM15
ITEM22
ITEM4
ITEM7
1
1
err4
err7
Pribadi
Prestasi
ITEM12
ITEM17
ITEM18
ITEM9
err9
1
1
1
1
err12
err17
err18
ITEM21
ITEM19
err19
1
1
err21
Gambar 4.11 Model akhir struktur faktorial untuk Inventarisasi Maslach Burnout
(Model 4).
Halaman 141
120
Sehubungan dengan MI, yang ditunjukkan pada Tabel 4.5, saya tidak melihat bukti
salah spesifikasi yang masuk akal secara wajar dalam Model 4. Meskipun, mengakui-
Tedly, kecocokan .92 tidak setinggi yang saya inginkan, saya sadar akan
pentingnya memodifikasi model untuk memasukkan hanya parameter-parameter itu
secara substantif bermakna dan relevan. Jadi, atas dasar temuan
terkait dengan uji validitas untuk MBI, saya menganggap Model 4 untuk mewakili
model paling pas dan paling pelit akhir untuk merepresentasikan data.
Akhirnya, mari kita periksa baik yang tidak standar dan terstandarisasi
memuat faktor, faktor kovarian, dan kovarian kesalahan, yang merupakan
dikirim dalam Tabel 4.6 dan 4.7, masing-masing. Kami perhatikan pertama-tama dalam meninjau
estimasi yang tidak standar, semuanya signifikan secara statistik mengingat CR
nilai> 1,96.
Beralih dulu ke pemuatan faktor yang tidak standar, khususnya
tertarik untuk memeriksa hasil untuk Item 12 yang memuat pemuatan yang ditargetkan
MI
Perubahan par
Kovarian
err7 <--> err4
30.516
.195
err18 <--> err7
12.126
–.138
err19 <--> err4
10.292
–.149
err19 <--> err18
14.385
.197
err21 <--> err4
11.866
.187
err21 <--> err7
30.835
.245
err11 <--> err10
19.730
0,308
err15 <--> err5
13.986
0,277
14.570
0,094
err3 <--> err12
10.790
–.202
err3 <--> err1
12.005
.220
err6 <--> err5
10.989
.250
err13 <--> err12
13.020
.208
Bobot regresi
ITEM4 <--- ITEM7
20.986
.259
ITEM7 <--- ITEM4
23.327
.187
ITEM7 <--- ITEM21
22.702
.146
ITEM21 <--- ITEM7
21.218
0,326
ITEM5 <--- ITEM6
12.141
.148
12.559
.465
ITEM13 <--- ITEM9
12.332
–.158
ITEM13 <--- ITEM19
10.882
–1616
Halaman 142
121
T
Sebuah
b
le 4
.6
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rM
Hai
d
el 4: U
n
staf
n
d
Sebuah
rd
iz
e
dP
Sebuah
ra
m
eter E
rangsangan
makan
s
Memperkirakan
SE
CR
P
Bobot regresi
ITEM20
<---
EMOTIONAL_EXHA
USTION
0,806
0,062
13.092
***
ITEM16
<---
EMOTIONAL_EXHA
USTION
.726
0,063
11.527
***
ITEM14
<---
EMOTIONAL_EXHA
USTION
0,879
0,075
11.644
***
ITEM13
<---
EMOTIONAL_EXHA
USTION
1,072
0,073
14.714
***
ITEM8
<---
EMOTIONAL_EXHA
USTION
1.217
0,075
16.300
***
ITEM6
<---
EMOTIONAL_EXHA
USTION
0,761
0,069
10.954
***
ITEM3
<---
EMOTIONAL_EXHA
USTION
1.074
0,075
14.286
***
ITEM2
<---
EMOTIONAL_EXHA
USTION
0,877
0,049
17.942
***
BARANG 1
<---
EMOTIONAL_EXHA
USTION
1.000
ITEM22
<---
DEPERSONAL-_IZA
TION
.769
.122
6.302
***
ITEM15
<---
DEPERSONAL-_IZA
TION
0,912
.110
8.258
***
ITEM11
<---
DEPERSONAL-_IZA
TION
1.368
.145
9.446
***
ITEM10
<---
DEPERSONAL-_IZA
TION
1.155
.129
8.936
***
ITEM5
<---
DEPERSONAL-_IZA
TION
1.000
ITEM21
<---
PERSONAL_ACCOMPLISHMENT
1.342
.213
6.288
***
ITEM19
<---
1.689
.232
7.285
***
(
melanjutkan
)
Halaman 143
122
T
Sebuah
b
le 4
.6
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rM
Hai
d
el 4: U
n
staf
n
d
Sebuah
rd
iz
e
dP
Sebuah
ra
m
eter E
rangsangan
makan
s
Memperkirakan
SE
CR
P
Bobot regresi
ITEM18
<---
1.892
.255
7.421
***
ITEM17
<---
1.328
.176
7.554
***
ITEM12
<---
1.135
.188
6.035
***
ITEM9
<---
1.762
0,248
7.100
***
ITEM7
<---
0,967
.147
6.585
***
ITEM4
<---
1.000
ITEM12
<---
EMOTIONAL_EXHA
USTION
–.317
0,050
–6.389
***
Kovarian
EMOTIONAL_EXHA
USTION
<-->
–167
0,040
–4.161
***
EMOTIONAL_EXHA
USTION
<-->
DEPERSONAL-_IZA
TION
0,669
0,096
6.947
***
DEPERSONAL-_IZA
TION
<-->
–.162
0,034
–4.690
***
err16
<-->
err6
.710
0,090
7.884
***
err2
<-->
err1
0,589
0,083
7.129
***
***
probabilitas <.000
Halaman 144
123
T
Sebuah
b
le 4
.7
S
terpilih A
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rM
Hai
d
el 4: S
ta
n
d
Sebuah
rd
iz
ed P
Sebuah
ra
m
eter E
rangsangan
ates
Memperkirakan
Bobot regresi standar
ITEM20
<---
EMOTIONAL_EXHA
USTION
0,695
ITEM16
<---
EMOTIONAL_EXHA
USTION
0,616
ITEM14
<---
EMOTIONAL_EXHA
USTION
0,621
ITEM13
<---
EMOTIONAL_EXHA
USTION
0,778
ITEM8
<---
EMOTIONAL_EXHA
USTION
0,860
ITEM6
<---
EMOTIONAL_EXHA
USTION
0,586
ITEM3
<---
EMOTIONAL_EXHA
USTION
0,756
ITEM2
<---
EMOTIONAL_EXHA
USTION
0,693
BARANG 1
<---
EMOTIONAL_EXHA
USTION
.735
ITEM22
<---
DEPERSONAL-_IZA
TION
0,406
ITEM15
<---
DEPERSONAL-_IZA
TION
0,585
ITEM11
<---
DEPERSONAL-_IZA
TION
.746
ITEM10
<---
DEPERSONAL-_IZA
TION
0,666
ITEM5
<---
DEPERSONAL-_IZA
TION
0,560
ITEM21
<---
0,474
(
melanjutkan
)
Halaman 145
124
T
Sebuah
b
le 4
.7
S
terpilih A
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rM
Hai
d
el 4: S
ta
n
d
Sebuah
rd
iz
ed P
Sebuah
ra
m
eter
E
rangsangan
ates (
C
ontin
kamu
ed
)
Memperkirakan
ITEM19
<---
.635
ITEM18
<---
0,665
ITEM17
<---
0,697
ITEM12
<---
0,425
ITEM9
<---
0,599
ITEM7
<---
0,515
ITEM4
<---
0,448
ITEM12
<---
EMOTIONAL_EXHAUSTION
–.324
Korelasi
EMOTIONAL_EXHA
USTION
<-->
–306
EMOTIONAL_EXHA
USTION
<-->
DEPERSONAL-_IZA
TION
0,660
DEPERSONAL-_IZA
TION
<-->
–435
err16
<-->
err6
0,489
err2
<-->
err1
0,470
Halaman 146
125
tentang Prestasi Pribadi (Faktor 3) dan pemuatan silang pada Emosional
Keletihan (Faktor 1). Seperti yang akan Anda amati, pemuatan ini
item pada kedua faktor tidak hanya signifikan secara statistik tetapi juga
pada dasarnya dengan tingkat intensitas yang sama. Dalam memeriksa yang tidak standar
estimasi pada Tabel 4.6, kita melihat bahwa rasio kritis untuk kedua parameter adalah
hampir identik (6.035 berbanding –6.389), meskipun seseorang memiliki tanda positif dan
satu tanda negatif. Mengingat bahwa konten item menyatakan bahwa respons
Penyok terasa sangat energik, jalur negatif yang terkait dengan Emosional
Faktor kelelahan sangat masuk akal. Beralih ke standar terkait
ized estimasi pada Tabel 4.7, menarik untuk dicatat bahwa nilai estimasi
untuk pemuatan yang ditargetkan (0,425) hanya sedikit lebih tinggi daripada untuk lintas
memuat (–.324), keduanya memiliki kekuatan sedang.
Disajikan dengan temuan-temuan ini dan tetap waspada
kekikiran, kita harus pada saat ini untuk menguji model di mana Item 12
ditetapkan sebagai memuat ke faktor alternatif (Kelelahan Emosional),
daripada yang awalnya dirancang untuk memuat (Pribadi
Prestasi); dengan demikian, sekarang tidak ada pemuatan lintas yang ditentukan. Dalam
kepentingan ruang, bagaimanapun, saya hanya melaporkan kriteria yang paling penting
ditambang dari model alternatif ini (Model 3a) dibandingkan dengan Model 3 (lihat
Gambar 4.10) di mana Butir 12 ditetapkan sebagai pemuatan pada Faktor 3, asalnya
faktor target akhir. Dengan demikian, temuan dari estimasi perubahan ini
model asli (Model 3a) mengungkapkan (a) model menjadi sedikit kurang pas
(CFI = .895) daripada untuk Model 3 (CFI = .902), dan (b) estimasi standar
menjadi lebih lemah (–.468) daripada untuk Model 3 (.554). Seperti yang mungkin diharapkan, ulasan
dari MI mengidentifikasi pemuatan Butir 12 pada Faktor 3 (MI = 49.661) sebagai
kandidat teratas untuk respekifikasi yang dipertimbangkan dalam model berikutnya; oleh com-
Sebagai perbandingan, MI terkait dalam Model 3 adalah 32.656 dan mengidentifikasi pemuatan
Butir 12 pada Faktor 1 sebagai kandidat teratas untuk respekifikasi (lihat Tabel 4.4).
Dari hasil perbandingan ini antara Model 3 dan Model 3a (the
model alternatif), tampaknya jelas bahwa Butir 12 bermasalah dan
sangat membutuhkan revisi konten, tugas yang pasti di luar tangan saya.
Jadi, dengan bukti tidak memuat barang ini dengan jelas, tampaknya paling
sesuai untuk membiarkan cross-loading tetap pada tempatnya, seperti pada Model 4 (Gambar 4.11).
Perbandingan dengan analisis yang kuat berdasarkan
statistik skala Satorra-Bentler
Mengingat bahwa analisis dalam bab ini didasarkan pada ML default
metode tanpa pertimbangan nonnormalitas multivariat dari
data yang dicatat sebelumnya, saya anggap menarik dan instruktif untuk dibandingkan
keseluruhan good-of-fit yang berkaitan dengan Model 4 serta statistik utama
untuk beberapa parameter perkiraan yang dipilih. Dorongan utama dari
Pendekatan SB Robust ML dalam menangani nonnormalitas adalah yang diberikannya
Halaman 147
126
statistik berskala (S-Bχ 2 ) yang mengoreksi nilai ML χ 2 biasa , juga
kesalahan standar (Bentler & Dijkstra, 1985; Satorra & Bentler, 1988, 1994).
Meskipun estimasi ML akan tetap sama untuk kedua program, namun
kesalahan standar estimasi ini akan berbeda sesuai dengan luasnya
yang datanya multivarian nonnormal. Karena rasio kritis
mewakili estimasi dibagi dengan kesalahan standarnya, kriteria yang dikoreksi
rasio cal untuk setiap parameter pada akhirnya dapat mengarah pada kesimpulan yang berbeda
mengenai signifikansi statistiknya. Perbandingan model ini juga pas
karena statistik parameter disajikan pada Tabel 4.8.
Tabel 4.8 Perbandingan Model Fit dan Statistik Parameter
Berdasarkan Estimasi ML dan ML Kuat: Model 4
Estimasi ML
DF
Estimasi ML yang kuat
Statistik model fit
Chi-square
477.298
203
399.156
CFI
0,915
0,927
RMSEA
0,060
0,051
RMSEA 90% CI
.053, .067
.044, .058
Statistik parameter
Err16 ↔ Err6
Memperkirakan
.710
.710
Kesalahan standar
0,090
.122
Rasio kritis
7.884
5.815
Err2 ↔ Err1
Memperkirakan
0,589
0,589
Kesalahan standar
0,083
0,086
Rasio kritis
7.129
6.869
Item12 ← PA (Faktor 3)
Memperkirakan
1.135
1.135
Kesalahan standar
.188
.202
Rasio kritis
6.035
5.618
Item12 ← EE (Faktor 1)
Memperkirakan
–.317
–.317
Kesalahan standar
0,050
0,054
Rasio kritis
–6.389
–5.911
Catatan: DF = Derajat kebebasan.
Halaman 148
127
Beralih pertama ke statistik good-of-fit, jelas bahwa SB
nilai chi-square yang dikoreksi secara substansial lebih rendah daripada nilai uncor-
nilai ML terkoreksi (399.156 versus 477.298). Perbedaan yang sangat besar antara
dua nilai chi-square memberikan bukti substansial nonnormal-
dari data. Karena perhitungan CFI selalu melibatkan χ 2
nilai, Anda akan mencatat juga peningkatan substansial dalam nilai CFI yang kuat
(0,927 berbanding 0,915). Akhirnya, kami mencatat bahwa nilai RMSEA yang diperbaiki juga
lebih rendah (0,044) dari nilai yang tidak dikoreksi terkait (0,060).
Dalam meninjau statistik parameter, menarik untuk dicatat
meskipun kesalahan standar mengalami koreksi untuk mengambil nonnormal-
memperhitungkan, sehingga menghasilkan rasio kritis yang berbeda di seluruh
Program AMOS dan EQS, kesimpulan akhir tentang statistik
signifikansi parameter yang diperkirakan tetap sama. Penting,
Namun, perlu dicatat bahwa pendekatan ML yang tidak dikoreksi cenderung
menaksir terlalu tinggi sejauh mana estimasi tersebut signifikan secara statistik
tidak bisa Berdasarkan informasi ini, kita bisa merasa percaya diri itu, meski kita
tidak dapat langsung menangani masalah nonnormalitas dalam data untuk
alasan teknis, dan meskipun kecenderungan estimasi ML yang tidak dikoreksi
untuk melebih-lebihkan signifikansi statistik dari estimasi ini, secara keseluruhan
kesimpulannya konsisten di seluruh pendekatan estimasi CFA dalam saran-
Model 4 yang paling tepat mewakili struktur faktorial MBI.
Catatan akhir
1. Seperti halnya dalam Bab 3, yang pertama dari setiap set item yang bersifat congeneric adalah
dibatasi ke 1,00.
2. Sebagai contoh, Sugawara dan MacCallum (1993) telah merekomendasikan itu
RMSEA selalu dilaporkan ketika estimasi kemungkinan maksimum adalah
satu-satunya metode yang digunakan karena telah ditemukan untuk menghasilkan hasil yang konsisten
lintas prosedur estimasi ketika model ditentukan dengan baik; MacCallum,
Browne, & Sugawara (1996) memperluas peringatan ini untuk memasukkan kepercayaan
interval.
3. Meskipun disertakan di sini, karena pemformatan file output, beberapa cocok
indeks pada dasarnya memberikan informasi yang sama. Misalnya, AIC, CAIC,
dan ECVI masing-masing melayani fungsi yang sama dalam menangani kekikiran. Dengan
sehubungan dengan NFI, Bentler (1990) telah merekomendasikan bahwa CFI menjadi indeks
pilihan.
4. Meskipun parameter yang salah spesifikasi ini secara benar mewakili kesalahan kovari
Namun, mereka umumnya disebut kesalahan berkorelasi .
5. Sayangnya, penolakan izin hak cipta oleh pra-uji penerbit MBI
ventilasi saya dari penyajian pernyataan item yang sebenarnya untuk teliti Anda.
6. Meskipun Anda akan mencatat MI yang lebih besar terkait dengan bobot regresi
(misalnya, 52.454; ITEM16 ← ITEM6), nilai-nilai ini, seperti disebutkan sebelumnya, tidak mewakili
dikirim lintas-beban dan pada dasarnya tidak ada artinya.
Halaman 149
128
7. Model bersarang secara hierarkis terkait satu sama lain dalam arti itu
set parameter mereka adalah himpunan bagian dari satu sama lain (yaitu, parameter tertentu adalah
diperkirakan secara bebas dalam satu model, tetapi tetap nol pada model kedua) (Bentler
& Chou, 1987; Bollen, 1989a).
8. Satu parameter, yang sebelumnya ditetapkan sebagai tetap dalam awalnya dihipotesiskan
model (Model 1), ditetapkan sebagai gratis di Model 2, sehingga menghabiskan satu
derajat kebebasan (yaitu, satu tingkat kebebasan yang kurang).
Halaman 150
129
lima
bab
Menguji faktorial
validitas skor dari a
alat pengukur
(Model CFA orde kedua)
Berbeda dengan dua aplikasi sebelumnya yang berfokus pada CFA first-order
model, aplikasi ini meneliti model CFA yang terdiri dari a
faktor orde kedua. Karena itu, kami menguji hipotesis yang terkait dengan Cina
versi (Masyarakat Ilmu Perilaku Cina, 2000) dari Depresi Beck
Inventaris — II (BDI-II; Beck, Steer, & Brown, 1996) karena dikenakan pada
sampel asli remaja Hong Kong. Contohnya diambil dari sebuah penelitian
oleh Byrne, Stewart, dan Lee (2004). Meskipun studi khusus ini
berdasarkan pada versi terbaru dari BDI asli (Beck, Ward, Mendelson,
Mock, & Erbaugh, 1961), tetap saja mengikuti dari serangkaian penelitian itu
telah menguji validitas struktur faktorial BDI orde kedua untuk tinggi
remaja sekolah di Kanada (Byrne & Baron, 1993, 1994; Byrne, Baron,
& Campbell, 1993, 1994), Swedia (Byrne, Baron, Larsson, & Melin, 1995,
1996), dan Bulgaria (Byrne, Baron, & Balev, 1996, 1998). Tujuan dari
Byrne et al. (2004) adalah penelitian untuk menguji validitas konstruk.
dengan versi Cina dari struktur BDI-II (C-BDI-II) berdasarkan tiga
kelompok siswa mandiri yang diambil dari 11 sekolah menengah Hong Kong.
Dalam contoh ini, kami hanya fokus pada data Grup 2 ( N = 486), yang disajikan
sebagai sampel kalibrasi dalam pengujian validitas faktorial C-BDI-II.
(Untuk perincian lebih lanjut mengenai sampel, analisis, dan hasil, pembaca dapat
merujuk pada artikel asli, Byrne et al., 2004.)
C-BDI-II adalah skala 21-item yang mengukur gejala terkait
komponen kognitif, perilaku, afektif, dan somatik dari depresi.
Khusus untuk Byrne et al. (2004) studi, hanya 20 dari 21 item C-BDI-II
digunakan dalam menekan gejala depresi untuk sekolah menengah Hong Kong
remaja. Butir 21, yang dirancang untuk menilai perubahan minat seksual, adalah
dianggap keberatan oleh beberapa kepala sekolah, dan item tersebut
kemudian dihapus dari inventaris. Untuk setiap item, responden
disajikan dengan empat pernyataan yang diberi peringkat dari 0 hingga 3 dalam hal minat
dan diminta untuk memilih salah satu yang paling akurat menggambarkan mereka
Halaman 151
130
perasaan sendiri; skor yang lebih tinggi mewakili tingkat pelaporan yang lebih parah
depresi. Seperti dicatat dalam Bab 4, CFA dari alat ukur
paling tepat dilakukan dengan langkah-langkah penilaian yang dikembangkan penuh
sures yang telah menunjukkan validitas faktorial yang memuaskan. Pembenaran
untuk prosedur CFA dalam contoh ini didasarkan pada bukti yang diberikan
oleh Tanaka dan Huba (1984), dan penelitian yang direplikasi oleh Byrne dan rekannya
ates (Byrne & Baron, 1993, 1994; Byrne et al., 1993, 1994, 1995, 1996; Byrne,
Baron & Balev, 1996, 1998), bahwa data skor BDI adalah yang paling memadai.
dikirim oleh struktur faktorial hirarkis. Artinya, orde pertama
faktor dijelaskan oleh beberapa struktur orde tinggi yang, dalam kasus
C-BDI-II dan turunannya, adalah faktor orde kedua tunggal umum
depresi.
Sekarang mari kita beralih ke deskripsi tentang C-BDI-II, dan dalilnya
struktur.
Model CFA yang akan diuji dalam aplikasi ini menghipotesiskan
ori bahwa (a) tanggapan terhadap C-BDI-II dapat dijelaskan oleh tiga orde pertama
faktor (Sikap Negatif, Kesulitan Kinerja, dan Elemen Somatik)
dan satu faktor orde kedua (Depresi Umum); (B) setiap item memiliki a
bukan nol memuat pada faktor orde pertama yang dirancang untuk mengukur, dan
nol beban pada dua faktor urutan pertama lainnya; (c) asosiasi istilah kesalahan
dicocokkan dengan setiap item tidak berkorelasi; dan (d) kovarisasi di antara ketiganya
faktor tingkat pertama dijelaskan sepenuhnya oleh regresi mereka pada tingkat kedua.
faktor pesanan. Representasi diagram dari model ini disajikan
pada Gambar 5.1.
Satu hal tambahan yang perlu saya sampaikan mengenai model ini adalah bahwa, dalam
berbeda dengan model CFA yang diperiksa pada Bab 3 dan 4, faktor-beban-
Parameter yang ditetapkan pada nilai 1,00 untuk tujuan identifikasi model
di sini bukan yang pertama dari setiap kelompok kongenerik. Sebaliknya,
ues ditentukan untuk memuat faktor yang terkait dengan BDI2_3 untuk Factor
1, BDI2_12 untuk Faktor 2, dan BDI2_16 untuk Faktor 3. Tugas ini bisa
diverifikasi di teliti cepat Tabel 5.6 di mana yang tidak standar
estimasi disajikan.
Seperti yang disarankan dalam bab-bab sebelumnya, dalam pemeriksaan awal terhadap hipotesis
model, selalu bijaksana untuk menentukan apriori jumlah derajat
kebebasan yang terkait dengan model yang diuji untuk memastikannya
status identifikasi model. Terkait dengan model yang ditunjukkan pada Gambar 5.1,
Halaman 152
Bab lima: Menguji validitas faktorial CFA orde kedua
131
BDI2_1
BDI2_2
BDI2_3
1
1
1
err1
err2
err3
BDI2_6
BDI2_7
BDI2_8
BDI2_5
err5
1
1
1
1
1
1
err6
err7
err8
BDI2_10
BDI2_14
BDI2_9
err9
1
1
1
err10
err14
res1
BDI2_4
1
err4
Depresi
1
1
BDI2_12
BDI2_13
BDI2_17
BDI2_11
err11
1
1
1
1
err12
err13
err17
BDI2_19
err19
1
BDI2_16
BDI2_18
BDI2_20
BDI2_15
err15
1
1
1
1
1
1
1
err16
err18
err20
res3
res2
F2
Performa
Kesulitan
F3
Somatik
Elemen
F1
Negatif
Sikap
Gambar 5.1. Model struktur faktorial urutan kedua yang dihipotesiskan
Inventarisasi Depresi Beck versi Mandarin — II.
Halaman 153
132
ada 210 informasi yang terkandung dalam matriks kovarians
(20 [item] × 21/2) dan 43 parameter harus diperkirakan, sehingga menyisakan 167
derajat kebebasan. Seperti disebutkan sebelumnya, AMOS menyediakan informasi ini untuk
setiap model diuji (lihat Tabel 5.1). Termasuk dalam tabel juga adalah ringkasan
dari jumlah variabel dan parameter dalam model.
Untuk memastikan bahwa Anda benar-benar memahami dasar angka terkait
Saya kira penting untuk merinci informasi ini sebagai berikut:
Variabel (47): 20 diamati dan 27 tidak teramati
Variabel yang diamati
!
(20): 20 item C-BDI-II
Variabel yang tidak teramati
!
(27): 20 istilah kesalahan, 3 faktor urutan pertama, 1
faktor orde kedua, dan 3 istilah residual
Variabel eksogen
!
(24): 20 istilah kesalahan, 1 faktor urutan kedua,
dan 3 istilah residual
Variabel endogen
!
(23): 20 variabel yang diamati dan 3 pertama-atau-
faktor der
Parameter
Tetap
!
Bobot
-
(26): 20 jalur regresi istilah kesalahan (ditetapkan pada 1.0), 3
pemuatan faktor (ditetapkan pada 1.0), dan 3 jalur regresi residual
(ditetapkan ke 1.0)
Variansi
-
: Faktor urutan kedua
Tidak berlabel
!
Bobot
-
(20): 20 pemuatan faktor
Variansi
-
(23): 20 varian kesalahan dan tiga varian residual
Pada blush on pertama, orang mungkin merasa yakin bahwa model yang ditentukan
telah dikenali dan, dengan demikian, semua harus berjalan dengan baik. Namun, seperti disebutkan dalam
Bab 2, dengan model hierarkis, sangat penting untuk memeriksa
status identifikasi bagian orde yang lebih tinggi dari model. Dalam
kasus sekarang, mengingat spesifikasi hanya tiga faktor tingkat pertama,
struktur orde yang lebih tinggi hanya akan diidentifikasi kecuali ada kendala
ditempatkan pada setidaknya satu parameter di level atas model ini
(lihat, misalnya, Bentler, 2005; Rindskopf & Rose, 1988). Lebih khusus lagi, dengan
tiga faktor tingkat pertama, kami memiliki enam ([3 × 4] / 2) informasi;
jumlah parameter yang diperkirakan juga enam (tiga faktor pembebanan;
tiga residu), sehingga menghasilkan model yang baru diidentifikasi. Jadi,
sebelum pengujian untuk validitas struktur yang dihipotesiskan ditunjukkan pada
Gambar 5.1, pertama-tama kita perlu mengatasi masalah identifikasi ini di bagian atas
tingkat model.
Satu pendekatan untuk menyelesaikan masalah identifikasi-adil dalam
Model urutan kedua adalah menempatkan kendala kesetaraan pada khususnya
Halaman 154
133
parameter di tingkat atas diketahui menghasilkan estimasi yang diperkirakan
hampir sama. Berdasarkan pekerjaan sebelumnya dengan BDI dan BDI-II, kon
straint biasanya ditempatkan pada istilah residual yang sesuai. AMOS
Program menyediakan mekanisme eksplorasi yang kuat dan cukup unik
untuk memisahkan kandidat parameter yang menjanjikan dari yang tidak mungkin untuk
pengenaan kendala kesetaraan. Strategi ini, disebut kritis
metode rasio perbedaan (CRDIFF), menghasilkan daftar rasio kritis
untuk perbedaan berpasangan di antara semua perkiraan parameter; dalam kasus kami
di sini, kami akan mencari nilai-nilai ini karena berkaitan dengan residu. SEBUAH
penjelasan resmi CRDIFF sebagaimana disajikan dalam Referensi AMOS
Panduan ditunjukkan pada Gambar 5.2. Informasi ini mudah diakses oleh
pertama-tama mengklik pada menu Bantuan dan mengikuti lima langkah ini: Klik
Konten , yang kemudian akan menghasilkan kotak dialog Pencarian ; di tempat kosong
ruang, ketik perbedaan rasio kritis ; klik pada Daftar Topik ; pilih Critical
Tabel 5.1 Output AMOS yang Dipilih untuk Model Awal:
Ringkasan Statistik, Variabel, dan Parameter
Perhitungan derajat kebebasan
Jumlah momen sampel yang berbeda
210
Jumlah parameter berbeda menjadi
diperkirakan
43
Derajat kebebasan (210 - 43)
167
Hasil
Minimal tercapai.
Chi-square
= 385.358
Derajat kebebasan = 167
Tingkat probabilitas = .000
Variabel
Jumlah variabel dalam model Anda: 47
Jumlah variabel yang diamati:
20
Jumlah variabel yang tidak teramati: 27
Jumlah variabel eksogen: 24
Jumlah variabel endogen: 23
Ringkasan parameter
Bobot Kovarian
Variansi
Berarti Total Pencegatan
Tetap
26
0
1
0
0
27
Berlabel
0
0
0
0
0
0
Tidak berlabel
20
0
23
0
0
43
Total
46
0
24
0
0
70
Halaman 155
134
Rasio untuk Diffs (seperti yang ditunjukkan pada Gambar 5.2); dan klik Display .
Tindakan ini kemudian akan menghasilkan penjelasan yang disajikan di sisi kanan
dari kotak dialog.
Sekarang Anda tahu cara menemukan parameter residual yang dimiliki
nilai yang kira-kira sama besarnya, langkah selanjutnya adalah
tahu cara mendapatkan nilai CRDIFF ini di tempat pertama. Proses ini,
Namun, mudah dicapai dengan meminta rasio kritis untuk berbagai
ferences antar parameter dimasukkan dalam output AMOS yaitu
ditentukan pada kotak dialog Properti Analisis , seperti yang ditunjukkan pada Gambar 5.3.
Yang dibutuhkan sekarang adalah menghitung taksiran untuk model awal ini
(Gambar 5.1). Namun, pada titik ini, mengingat bahwa kami belum menyelesaikan
masalah identifikasi di tingkat atas dari struktur yang dihipotesiskan, kami akan
lihat model sebagai model awal .
Output AMOS yang dipilih: Model awal
Dalam file output awal ini, hanya label yang ditetapkan ke parameter residual
dan nilai-nilai CRDIFF menarik. Tindakan pelabelan ini terjadi sebagai a
konsekuensi dari meminta nilai CRDIFF dan, dengan demikian, belum
Gambar 5.2 Panduan Referensi AMOS: Penjelasan rasio kritis perbedaan.
Halaman 156
135
terbukti pada output AMOS terkait dengan model dalam Bab 3 dan
4. Beralih dulu ke konten Tabel 5.2, kami perhatikan bahwa label ditugaskan
untuk residu 1, 2, dan 3 masing-masing adalah par_21, par_22, dan par_23.
Mari kita beralih ke perbedaan rasio kritis di antara parameter,
yang ditunjukkan dilingkari pada Gambar 5.4. Kotak penjelasan di sebelah kanan
lingkaran dipicu dengan mengklik kursor pada nilai –2.797,
nilai CRDIFF antara resid1 dan resid2 (yaitu, par_21 dan par_22). Itu
area kotak di sebelah kiri matriks, seperti biasa, mewakili label untuk variabel
ous komponen file keluaran; fokus kami adalah pada ―Berpasangan
Bagian Perbandingan Parameter ‖, yang ditampilkan disorot. Berputar
kembali ke nilai sisa CRDIFF, kita dapat melihat bahwa dua kandidat utama
tanggal untuk pengenaan kendala kesetaraan adalah residu tingkat tinggi
yang terkait dengan faktor Kesulitan Kinerja dan Elemen Somatik,
karena nilai estimasi mereka sangat mirip besarnya (meskipun tanda-tanda mereka
Gambar 5.3 Kotak dialog Properti Analisis: Meminta rasio kritis perbedaan
dalam output AMOS.
Halaman 157
136
berbeda) dan keduanya tidak signifikan (<1,96). Mengingat temuan ini, itu
tampaknya masuk akal untuk membatasi varian residu yang terkait
Faktor 2 (Kesulitan Kinerja) dan 3 (Elemen Somatik) sama.
Dengan demikian, tingkat pesanan model yang lebih tinggi akan teridentifikasi secara berlebihan
satu derajat kebebasan. Artinya, varians akan diperkirakan
resid2, dan kemudian nilai yang sama tetap konstan untuk resid3. Derajat
kebebasan untuk model secara keseluruhan sekarang harus meningkat dari 167 menjadi 168.
Sekarang kita tahu istilah residual mana di level atas
model untuk membatasi, kita sekarang perlu memasukkan informasi ini ke dalam model
untuk diuji. Spesifikasi kendala kesetaraan dalam AMOS seperti itu
Dipoles dengan menetapkan label yang sama untuk semua parameter yang akan dibatasi
sama. Seperti semua proses yang dilakukan dalam AMOS, sebuah elaborasi dari
Tabel 5.2 Output AMOS Terpilih untuk Model Awal:
Label Parameter Varians Residual Kesalahan
Memperkirakan
SE
CR
P
Label
DEPRESI
1.000
res1
0,055
0,012
4.689
***
par_21
res2
0,006
0,010
0,620
0,535
par_22
res3
0,030
0,008
3.555
***
par_23
err14
0,274
0,020
13.399
***
par_24
err10
.647
0,043
15.198
***
par_25
err9
.213
0,014
14.873
***
par_26
err8
0,373
0,026
14.491
***
par_27
err7
0,313
0,023
13.540
***
par_28
err6
0,698
0,047
15.001
***
par_29
err5
0,401
0,027
14.772
***
par_30
err3
0,510
0,035
14.655
***
par_31
err2
.255
0,018
13.848
***
par_32
err1
0,406
0,029
13.947
***
par_33
err19
0,446
0,031
14,467
***
par_34
err17
0,310
0,022
13.923
***
par_35
err13
0,277
0,020
13.825
***
par_36
err12
.258
0,019
13.547
***
par_37
err11
.358
0,026
13.795
***
par_38
err4
0,311
0,022
14.442
***
par_39
err16
0,440
0,030
14.534
***
par_40
err15
.260
0,024
10.761
***
par_41
err18
0,566
0,038
15.012
***
par_42
err20
0,248
0,020
12.274
***
par_43
Peluang *** <.000
Halaman 158
137
spesifikasi kendala kesetaraan dapat diambil dari AMOS
Panduan Referensi dengan mengklik tab Bantuan . Informasi yang dihasilkan adalah
ditunjukkan pada Gambar 5.5.
Mari kita kembali, kemudian, ke model hipotesis kami dan menetapkan ini-
kendala pada dua residual faktor yang terkait dengan orde pertama
faktor. Beralih ke residual pertama (res2), klik kanan di luar
keliling lingkaran akan membuka menu Alat , setelah itu kita klik
pada tab Properti Obyek dan, sekali di kotak dialog itu, klik pada Teks
tab, di mana Anda akan melihat nama variabel res2 sudah dimasukkan. Dalam
ruang kosong di bawah ditandai Label Variabel , kami menyisipkan var_a . Sebuah representasi-
Kotak yang lengkap ini diilustrasikan pada Gambar 5.6. Proses ini kemudian
diulang untuk istilah residual yang terkait dengan Faktor 3 (res3). Sepenuhnya
berlabel model hipotesis yang menunjukkan kendala antara keduanya
istilah residual secara skematis disajikan pada Gambar 5.7. Analisis sekarang
berdasarkan model yang diresepkan ini.
Output AMOS yang dipilih: Model dihipotesiskan
Disajikan dalam Tabel 5.3 adalah ringkasan dari statistik dan ditentukan
parameter terkait dengan perubahan yang dilakukan pada model asli C-BDI-II
Gambar 5.4 Lokasi rasio kritis perbedaan nilai dan label parameter.
Halaman 159
138
Gambar 5.5 Panduan Referensi AMOS: Penjelasan tentang cara memaksakan kesetaraan
kendala.
Gambar 5.6 kotak dialog Properti Obyek: Membuat label variabel.
Halaman 160
139
Depresi
1
1
var_a
var_a
var_a
BDI2_1
BDI2_2
BDI2_3
1
1
1
err1
err2
err3
BDI2_6
BDI2_7
BDI2_8
BDI2_5
err5
1
1
1
1
1
1
err6
err7
err8
BDI2_10
BDI2_14
BDI2_9
err9
1
1
1
err10
err14
res1
F1
Negatif
Sikap
BDI2_4
1
err4
BDI2_12
BDI2_13
BDI2_17
BDI2_11
err11
1
1
1
1
err12
err13
err17
BDI2_19
err19
1
1
F2
Performa
Kesulitan
BDI2_16
BDI2_18
BDI2_20
BDI2_15
err15
1
1
1
1
1
1
err16
err18
err20
res3
F3
Somatik
Elemen
Gambar 5.7 Hipotesa model orde kedua dengan varians residual untuk Faktor
2 dan 3 dibatasi sama.
Halaman 161
140
struktur. Sebagai konsekuensi dari kendala kesetaraan yang dikenakan pada
model, sekarang ada dua perbedaan penting dari pendahuluan
spesifikasi model. Pertama, seperti disebutkan sebelumnya, sekarang ada 168, bukan
167, derajat kebebasan. Kedua, sekarang ada dua parameter berlabel
(var_a ditugaskan untuk res2 dan res3).
Evaluasi model
Ringkasan kebaikan
Dalam meninjau statistik good-of-fit pada Tabel 5.4, kita dapat melihat bahwa
model hipotesis cocok data dengan sangat baik sebagaimana dibuktikan oleh CFI
0,936 dan RMSEA dari 0,052. Sebagai konsekuensinya, kami memeriksa modifikasi
indeks murni untuk kepentingan kelengkapan. Nilai-nilai ini disajikan
pada Tabel 5.5.
Dalam meninjau MI yang terkait dengan kovarian, Anda akan mencatat dua
ues yang secara substansial lebih besar dari sisa estimasi. Ini berhubungan
ke covariation antara istilah kesalahan yang terkait dengan Item 17 dan 11,
dan dengan Butir 9 dan 10. Namun, seperti yang ditunjukkan oleh parameter yang dilaporkan
ubah statistik, penggabungan dua parameter ini ke dalam model
akan menghasilkan nilai parameter masing-masing .083 dan .080 — jelas
perkiraan sepele. Beralih ke MI terkait dengan bobot regresi, kita lihat
Tabel 5.3 Pilih Output AMOS untuk Model Hipotesis:
Ringkasan Statistik dan Parameter
210
Jumlah parameter yang berbeda untuk diestimasi
42
168
Hasil
Minimal tercapai.
Chi-square
= 388.427
Tingkat probabilitas =
.000
Ringkasan parameter
Tetap
26
0
1
0
0
27
Berlabel
0
0
2
0
0
2
Tidak berlabel
20
0
21
0
0
41
Total
46
0
24
0
0
70
Halaman 162
141
bahwa mereka tidak masuk akal sama sekali karena mereka menyarankan dampak dari satu item memuat-
pada yang lain. Mengingat model yang sangat cocok, bersama dengan
sifat sepele dari MI, kita dapat menyimpulkan bahwa model orde kedua
ditunjukkan pada Gambar 5.7 adalah struktur C-BDI-II yang paling optimal
untuk remaja Hong Kong.
Perkiraan kemungkinan maksimum model (ML)
Seperti dapat dilihat pada Tabel 5.6, semua perkiraan ternyata memiliki rasio kritis
nilai> 1,96, dengan demikian menunjukkan signifikansi statistik mereka. Untuk menjelaskan
kation tentang terminologi yang terkait dengan output AMOS, ingat
bahwa memuat faktor terdaftar sebagai Berat Regresi . Yang pertama terdaftar adalah
pemuatan faktor orde kedua, diikuti oleh pemuatan orde pertama.
Perhatikan juga bahwa semua parameter dalam model telah diberi label,
yang tentu saja karena permintaan kami untuk perhitungan dan pelaporan
nilai CRDIFF. Beralih ke estimasi varians, perhatikan bahwa semua nilai
terkait dengan res2 dan res3 (dikelilingi) membawa nilai yang persis sama, yang
tentu saja mereka harus. Akhirnya, estimasi standar yang terkait adalah
disajikan pada Tabel 5.7.
Dalam mengakhiri bagian bab ini, saya ingin mencatat bahwa, diberikan
jumlah parameter yang dapat diperkirakan yang sama, cocok statistik yang terkait dengan model
parameterisasi baik sebagai struktur orde pertama atau sebagai struktur orde kedua
pada dasarnya akan setara. Perbedaan antara kedua spesifikasi
Tabel 5.4 Se lected AMOS Output untuk Hipotesis Model:
CMIN
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
42
388.427
168
.000
2.312
Model jenuh
210
.000
0
Model kemerdekaan
20
3649.228
190
.000
19.206
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
C FI
Model Anda
0,894
0,880
0,937
0,928
0,936
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,052
0,045
0,059
0,304
Model kemerdekaan
.194
.188
.199
.000
Halaman 163
142
Tabel 5.5 Output AMOS yang Dipilih untuk
Model Hipotesis: Indeks Modifikasi
MI
Perubahan par
Kovarian
err11
<--> err4
9,632
–.051
err12
<--> err4
12.933
0,051
err13
<--> err20
6.001
–.033
err17
<--> err18
6.694
0,052
err17
<--> err11
24.812
0,083
err17
<--> err12
9.399
–.044
err19
<--> res3
7.664
0,025
err1
<--> err11
9.185
0,058
err1
<--> err12
10.690
0,054
err2
<--> err18
7.611
–.051
err2
<--> err4
7.337
0,038
err3
<--> err12
7.787
–.050
err5
<--> res2
8.629
0,031
err6
<--> res3
8.652
–.033
err6
<--> err15
8.570
–.066
err6
<--> err13
12.165
0,075
err7
<--> err15
12.816
–.056
err9
<--> res2
7.800
–.021
err9
<--> err18
9.981
0,052
err9
<--> err13
8.432
–.034
err10
<--> err16
6.194
0,063
err10
<--> err8
11.107
–.077
err10
<--> err9
21.479
0,080
err14
<--> err6
8.124
–.061
err14
<--> err7
9.280
0,046
Bobot regresi
BDI2_18 <--- BDI2_9
6.845
.167
BDI2_15 <--- BDI2_6
7.984
–.078
BDI2_15 <--- BDI2_7
7.754
–.091
BDI2_11 <--- BDI2_17
12.315
.134
BDI2_12 <--- BDI2_4
6.885
0,092
BDI2_12 <--- BDI2_1
7.287
0,076
BDI2_13 <--- BDI2_6
9.257
0,080
BDI2_17 <--- BDI2_11
11.843
.111
BDI2_1 <--- BDI2_11
7.196
0,099
( Lanjutan )
Halaman 164
143
adalah bahwa model orde kedua adalah kasus khusus dari model orde pertama,
dengan pembatasan tambahan bahwa struktur dikenakan pada korelasional
pola di antara faktor orde pertama (Rindskopf & Rose, 1988). Namun,
penilaian apakah instrumen pengukur harus dimodelkan atau tidak
sebagai orde pertama atau sebagai struktur orde kedua pada akhirnya bersandar pada substansi
Tive kebermaknaan seperti yang ditentukan oleh teori yang mendasarinya.
Estimasi kontinu versus
variabel kategori
Sejauh ini dalam buku ini, analisis telah didasarkan pada estimasi ML. Sebuah
asumsi penting yang mendasari prosedur estimasi ini adalah bahwa
skala variabel yang diamati adalah kontinu. Dalam Bab 3 dan 4, sebagai
namun bab ini, variabel yang diamati adalah Likert-
item berskala yang secara realistis mewakili data kategoris suatu ordinal
skala, meskipun mereka diperlakukan seolah-olah mereka berkelanjutan. Memang,
praktik semacam itu telah menjadi norma selama bertahun-tahun sekarang dan berlaku untuk
teknik statistik tambahan (misalnya, ANOVA; MANOVA) serta SEM
analisis. Sejalan dengan praktik luas dalam menangani data ordinal ini
seolah - olah mereka terus menerus, bagaimanapun, telah menjadi perdebatan yang sedang berlangsung di Internet
literatur tentang pro dan kontra dari praktik ini. Mengingat (a) para
prevalensi praktik ini di bidang SEM, (b) pentingnya perolehan-
ing pemahaman tentang masalah yang terlibat, dan (c) niat saya dalam hal ini
bab untuk mengilustrasikan analisis data yang dapat mengatasi kode berkode
Model Hipotesis: Modifikasi
Indeks ( Lanjutan )
MI
Perubahan par
Bobot regresi
BDI2_1 <--- BDI2_12
7.682
.117
BDI2_2 <--- BDI2_18
6.543
–.075
BDI2_6 <--- BDI2_13
6.349
.135
BDI2_7 <--- BDI2_15
6.309
–.085
BDI2_8 <--- BDI2_10
9.040
–.097
BDI2_9 <--- BDI2_18
7.198
0,070
BDI2_9 <--- BDI2_13
6.935
–.078
BDI2_9 <--- BDI2_10
17.471
.101
BDI2_10 <--- BDI2_16
6.739
.126
BDI2_10 <--- BDI2_8
6.568
–.123
BDI2_10 <--- BDI2_9
14.907
.263
BDI2_14 <--- BDI2_6
6.043
–.065
Halaman 165
144
T
Sebuah
b
le 5
.6
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rH
y
hal
Hai
th
e
siz
e
dM
Hai
d
el: U
n
staf
n
d
Sebuah
rd
iz
e
dM
LP
Sebuah
ra
m
eter E
rangsangan
makan
s
Memperkirakan
SE
CR
P
Label
Bobot regresi
PERFORMANCE_DIFFICUL
TY
<---
DEPRESI
0,495
0,030
16.315
***
par_17
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,451
0,036
12.363
***
par_18
SOMA
TIC_ELEMENTS
<---
DEPRESI
0,342
0,034
10.209
***
par_19
BDI2_14
<---
NEGA
TIVE_A
TTITUDE
1.125
0,092
12.209
***
par_2
BDI2_10
<---
NEGA
TIVE_A
TTITUDE
.720
0,091
7.896
***
par_3
BDI2_9
<---
NEGA
TIVE_A
TTITUDE
0,566
0,059
9,645
***
par_4
BDI2_8
<---
NEGA
TIVE_A
TTITUDE
0,928
0,086
10.743
***
par_5
BDI2_7
<---
NEGA
TIVE_A
TTITUDE
1.161
0,096
12.072
***
par_6
BDI2_6
<---
NEGA
TIVE_A
TTITUDE
0,919
.102
9.034
***
par_7
BDI2_5
<---
NEGA
TIVE_A
TTITUDE
0,825
0,083
9,958
***
par_8
BDI2_3
<---
NEGA
TIVE_A
TTITUDE
1.000
BDI2_2
<---
NEGA
TIVE_A
TTITUDE
0,966
0,082
11.762
***
par_9
BDI2_1
<---
NEGA
TIVE_A
TTITUDE
1.183
.102
11.634
***
par_10
BDI2_19
<---
TY
0,969
0,078
12.385
***
par_11
BDI2_17
<---
TY
0,984
0,071
13.925
***
par_12
BDI2_13
<---
TY
0,955
0,068
14.110
***
par_13
BDI2_12
<---
TY
1.000
BDI2_11
<---
TY
1.096
0,077
14.173
***
par_14
BDI2_4
<---
TY
0,819
0,066
12.479
***
par_15
BDI2_16
<---
SOMA
TIC_ELEMENTS
1.000
Halaman 166
145
Memperkirakan
SE
CR
P
Label
BDI2_15
<---
SOMA
TIC_ELEMENTS
1.651
.160
10.290
***
par_16
BDI2_18
<---
SOMA
TIC_ELEMENTS
0,876
.125
6.984
***
par_20
BDI2_20
<---
SOMA
TIC_ELEMENTS
1.367
.137
10.017
***
par_21
***
V
ariances
DEPRESI
1.000
res2
0,021
0,005
3.921
***
var_a
res3
0,021
0,005
3.921
***
var_a
res1
0,051
0,011
4.583
***
par_22
err14
0,273
0,020
13.375
***
par_23
err10
.647
0,043
15.197
***
par_24
err9
.212
0,014
14.865
***
par_25
err8
0,372
0,026
14.485
***
par_26
err7
0,313
0,023
13.539
***
par_27
err6
0,700
0,047
15.007
***
par_28
err5
0,401
0,027
14.776
***
par_29
err3
0,510
0,035
14.651
***
par_30
err2
.255
0,018
13.845
***
par_31
(
melanjutkan
)
Halaman 167
146
T
Sebuah
b
le 5
.6
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
untuk
rH
y
hal
Hai
th
e
siz
e
dM
Hai
d
el: U
n
staf
n
d
Sebuah
rd
iz
e
dM
LP
Sebuah
ra
m
eter E
rangsangan
makan
s(
C
ontin
kamu
ed
)
Memperkirakan
SE
CR
P
Label
V
ariances
err1
0,407
0,029
13.951
***
par_32
err19
0,444
0,031
14.407
***
par_33
err17
0,307
0,022
13.822
***
par_34
err13
.275
0,020
13.730
***
par_35
err12
.256
0,019
13,433
***
par_36
err11
.356
0,026
13.697
***
par_37
err4
0,310
0,022
14.378
***
par_38
err16
0,444
0,030
14.693
***
par_39
err15
.267
0,024
11.118
***
par_40
err18
0,566
0,038
15.034
***
par_41
err20
0,249
0,020
12.398
***
par_42
Halaman 168
147
variabel, saya menganggap penting untuk mengatasi masalah ini sebelum reanalyz-
ing model hipotesis struktur C-BDI-II ditunjukkan pada Gambar 5.7
melalui pendekatan estimasi yang berbeda. Pertama, saya menyajikan ulasan singkat tentang
literatur yang membahas masalah-masalah yang dihadapi dalam menganalisis kategori
variabel sebagai variabel kontinu. Selanjutnya, saya secara singkat menguraikan teori
yang mendasari, asumsi yang terkait dengan, dan estimasi utama
mation mendekati analisis variabel kategorikal ketika itu
ordinalitas diperhitungkan. Akhirnya, saya uraikan yang sangat berbeda
pendekatan untuk analisis ini oleh program AMOS dan lanjutkan berjalan
Anda melalui analisis ulang model hipotesis yang diuji sebelumnya
dalam bab ini.
Estimasi Parameter ML Standar
Memperkirakan
PERFORMANCE_DIFFICULTY <--- DEPRESSION
0,960
PERILAKU NEGATIF
<--- DEPRESI
0,894
SOMATIC_ELEMENTS
<--- DEPRESI
0,921
BDI2_14
<--- NEGATIVE_ATTITUDE
.736
BDI2_10
.412
BDI2_9
0,527
BDI2_8
0,609
BDI2_7
.723
BDI2_6
0,485
BDI2_5
0,549
BDI2_3
0,577
BDI2_2
0,695
BDI2_1
.683
BDI2_19
<--- PERFORMANCE_DIFFICULTY
0,600
BDI2_17
0,676
BDI2_13
0,685
BDI2_12
.714
BDI2_11
0,688
BDI2_4
0,605
BDI2_16
<--- SOMATIC_ELEMENTS
0,487
BDI2_15
.765
BDI2_18
0,397
BDI2_20
.714
Halaman 169
148
Variabel kategorikal dianalisis sebagai variabel kontinu
Tinjauan aplikasi SEM selama 15 tahun terakhir (dalam hal psy-
penelitian chological, setidaknya) mengungkapkan sebagian besar didasarkan pada tipe-Likert
data skala dengan estimasi parameter menggunakan prosedur ML (lihat, misalnya,
Breckler, 1990). Mengingat keterbatasan yang diketahui terkait dengan ketersediaan
strategi estimasi alternatif (akan dijelaskan di bawah), namun, ini
Temuan umum tidak mengejutkan. Kami sekarang meninjau, secara singkat, yang utama
masalah yang terkait dengan praktik adat ini.
Masalah
Dari ulasan studi Monte Carlo yang telah membahas masalah ana-
lyzing data kategorikal sebagai data kontinu (lihat, misalnya, Babakus, Ferguson, &
Jöreskog, 1987; Boomsma, 1982; Muthén & Kaplan, 1985), West, Finch, dan
Curran (1995) melaporkan beberapa temuan penting. Pertama , Pearson correla-
koefisien tion akan nampak lebih tinggi ketika dihitung antara dua
variabel kontinu dibandingkan ketika dihitung antara dua variabel yang sama
mampu direstrukturisasi dengan skala kategorikal yang dipesan. Namun,
atenuasi terjadi dengan variabel yang memiliki kurang dari lima kategori dan
mereka yang menunjukkan tingkat kemiringan yang tinggi, kondisi terakhir dibuat
lebih buruk oleh variabel yang condong ke arah yang berlawanan (yaitu, satu variabel
condong positif, dan yang lainnya condong negatif; lihat Bollen & Barb,
1981). Kedua , ketika variabel kategori mendekati distribusi normal,
(a) jumlah kategori tidak banyak berpengaruh pada uji rasio kemungkinan χ 2
model cocok, tetapi meningkatkan kemiringan, dan kemiringan diferensial khususnya
(variabel condong ke arah yang berlawanan), menyebabkan semakin meningkat χ 2
nilai-nilai; (B) memuat faktor dan korelasi faktor hanya sedikit di bawah
Diperkirakan, meskipun perkiraan rendah menjadi lebih kritis ketika ada
kurang dari tiga kategori, kemiringan lebih besar dari 1.0, dan diferensial
kecenderungan terjadi antar variabel; (c) perkiraan varians kesalahan, lebih dari itu
parameter lain, tampaknya paling sensitif terhadap kategori dan kemiringan
masalah yang dicatat dalam (b); dan (d) estimasi kesalahan standar untuk semua parameter cenderung
terlalu rendah, dengan hasil ini menjadi lebih ketika distribusi sangat tinggi
dan miring secara diferensial (lihat juga Finch, West, & MacKinnon, 1997).
Singkatnya, literatur sampai saat ini akan muncul untuk mendukung gagasan tersebut
bahwa ketika jumlah kategori besar dan data mendekati a
distribusi normal, kegagalan untuk mengatasi ordinalitas data kemungkinan besar
diabaikan (Atkinson, 1988; Babakus et al., 1987; Muthén & Kaplan, 1985).
Memang, Bentler dan Chou (1987) berpendapat bahwa, diberikan berdistribusi normal
variabel kategori, ―metode kontinu dapat digunakan dengan sedikit kekhawatiran
ketika sebuah variabel memiliki empat kategori atau lebih ‖(hlm. 88). Temuan terbaru
ings mendukung pertengkaran sebelumnya dan telah lebih jauh menunjukkan bahwa
Halaman 170
149
χ 2 statistik paling dipengaruhi oleh format respons dua kategori dan
menjadi kurang terpengaruh karena jumlah kategori meningkat (Hijau,
Akey, Fleming, Hershberger, & Marquis, 1997).
Variabel kategori dianalisis sebagai variabel kategori
Teori
Dalam mengatasi sifat kategori variabel yang diamati, peneliti
secara otomatis mengasumsikan bahwa masing-masing memiliki skala berkelanjutan yang mendasarinya. Sebagai
seperti itu, kategori dapat dianggap sebagai hanya pengukuran kasar dari suatu
variabel yang tidak teramati yang, pada kenyataannya, memiliki skala berkelanjutan (Jöreskog &
Sörbom, 1993), dengan masing-masing pasangan ambang (atau titik skala awal) mewakili-
sebagian dari skala kontinu. Kekasaran dari pengukuran ini
muncul dari pemisahan skala kontinu dari konstruk menjadi tetap
sejumlah kategori yang dipesan (DiStefano, 2002). Memang kategorisasi ini
proses memimpin O'Brien (1985) untuk berpendapat bahwa analisis data skala Likert
sebenarnya berkontribusi pada dua jenis kesalahan: (a) kesalahan kategorisasi yang dihasilkan
dari pemisahan skala kontinu menjadi skala kategori, dan (b)
kesalahan transformasi yang dihasilkan dari kategori lebar yang tidak sama.
Untuk tujuan ilustrasi, mari pertimbangkan instrumen pengukur
sedang dipelajari dalam bab ini, di mana setiap item terstruktur
pada skala empat poin. Saya menggambar dari karya Jöreskog dan Sörbom
(1993) dalam menggambarkan dekomposisi variabel kategori ini.
Misalkan z mewakili variabel ordinal (item), dan z * yang tidak teramati
variabel kontinu. Nilai ambang kemudian dapat dikonseptualisasikan
sebagai berikut:
Jika z * <atau = τ 1 , z diberi skor 1;
Jika τ 1 < z * <atau = τ 2 , z diberi skor 2;
Jika τ 2 < z * <atau = τ 3 , z diberi skor 3; dan
Jika τ 3 < z *, z diberi nilai 4;
di mana τ 1 <τ 2 <τ 3 mewakili nilai ambang untuk z *.
Dalam melakukan SEM dengan data kategorikal, analisis harus didasarkan pada
matriks korelasi yang benar. Di mana variabel yang berkorelasi keduanya
skala ordinal, matriks yang dihasilkan akan terdiri dari korelasi polikorik
tions; di mana satu variabel dari skala ordinal, sedangkan yang lainnya adalah dari a
skala kontinu, matriks yang dihasilkan akan terdiri dari korelasi poliserial
tions. Jika dua variabel dikotomis, ini kasus polikorik khusus
Halaman 171
150
korelasi disebut korelasi tetrachoric . Jika korelasi polisial
melibatkan variabel dikotomis, bukan variabel ordinal, yang lebih umum
korelasi poliserial juga disebut korelasi biserial .
Asumsinya
Aplikasi yang melibatkan penggunaan data kategorikal didasarkan pada tiga kriteria
Asumsi penting yang penting: (a) Mendasari setiap kategori yang diamati
variabel adalah mitra laten yang tidak teramati, skalanya adalah keduanya
terus menerus dan terdistribusi secara normal; (B) ukuran sampel cukup
besar untuk memungkinkan estimasi yang dapat diandalkan dari matriks korelasi terkait; dan C)
jumlah variabel yang diamati dijaga agar tetap minimum. As Bentler (2005)
Namun, perlu dicatat, set asumsi inilah yang pada dasarnya
melambangkan kelemahan utama dalam metodologi ini. Sekarang mari kita ambil a
sekilas mengapa ini harus begitu.
Bahwa setiap variabel kategorikal memiliki kontinu dan
skala yang didistribusikan secara tidak diragukan merupakan kriteria yang sulit untuk dipenuhi dan,
pada kenyataannya, mungkin sama sekali tidak realistis. Misalnya, dalam bab ini,
kami memeriksa skor yang mengetuk aspek depresi untuk remaja non-klinis
sen. Jelas, kami mengharapkan skor item seperti itu untuk remaja normal
menjadi rendah, dengan demikian tidak mencerminkan timbulnya gejala depresi. Sebagai
akibatnya, kita dapat berharap untuk menemukan bukti kurtosis, dan mungkin
skewness, terkait dengan variabel-variabel ini, dengan pola ini tercermin dalam
distribusi berkelanjutan yang diduga mendasarinya. Akibatnya, dalam
jika model yang diuji dianggap kurang dari cukup, mungkin saja
baik bahwa asumsi normal tidak masuk akal dalam hal ini.
Dasar pemikiran yang mendasari dua asumsi terakhir berasal dari
fakta bahwa, dalam bekerja dengan variabel kategori, analisis harus dilanjutkan
dari tabel frekuensi yang terdiri dari jumlah ambang × jumlah
variabel yang diamati, untuk estimasi matriks korelasi. Masalah
lem di sini terletak dengan terjadinya sel-sel yang memiliki nol atau mendekati nol kasus,
yang selanjutnya dapat menyebabkan kesulitan estimasi (Bentler, 2005). Ini
masalah dapat timbul karena (a) ukuran sampel relatif kecil terhadap jumlah
ber dari kategori respons (yaitu, skor kategori spesifik di semua kategori-
variabel kal), (b) jumlah variabel terlalu besar, dan / atau (c)
jumlah ambangnya besar. Diambil dalam kombinasi, kemudian, semakin besar
jumlah variabel yang diamati dan / atau jumlah ambang batas untuk ini
variabel, dan semakin kecil ukuran sampel, semakin besar peluang
sel yang terdiri dari nol hingga hampir nol.
Strategi analitik umum
Sampai saat ini, dua pendekatan utama untuk analisis kategorikal
data (Jöreskog, 1990, 1994; Muthén, 1984) telah mendominasi bidang ini
penelitian. Kedua metodologi menggunakan estimasi standar polikorik dan
Halaman 172
151
korelasi poliserial, diikuti oleh jenis bebas asimptotik
(ADF) metodologi untuk model terstruktur. Sayangnya, positif
aspek metodologi variabel kategorikal ini telah diimbangi oleh
asumsi ultra-restriktif yang disebutkan di atas dan yang, untuk sebagian besar praktik-
peneliti, keduanya tidak praktis dan sulit untuk bertemu. Khususnya,
melakukan estimasi ADF di sini memiliki masalah yang sama yaitu membutuhkan besar
ukuran sampel, seperti dalam metode ADF Browne (1984a) untuk variabel kontinu.
Upaya untuk menyelesaikan kesulitan-kesulitan ini selama beberapa tahun terakhir telah membuahkan hasil
dalam pengembangan beberapa pendekatan yang berbeda untuk pemodelan kategori
data kal (lihat, misalnya, Bentler, 2005; Coenders, Satorra, & Saris, 1997; Moustaki,
2001; Muthén & Muthén, 2004).
Pendekatan AMOS untuk analisis
variabel kategorikal
Pendekatan metodologis untuk analisis variabel kategori di
AMOS berbeda secara substansial dari program SEM lainnya. Sebagai pengganti
estimasi ML atau ADF, analisis AMOS didasarkan pada estimasi Bayesian
mation. Bayesian inferensi tanggal kembali ke abad ke-18, belum
aplikasi dalam penelitian sosial-psikologis jarang terjadi. Meskipun ini
pendekatan statistik masih belum dipraktikkan secara luas, namun demikian ada
telah beberapa kebangkitan minat dalam penerapannya selama beberapa tahun terakhir.
Mengingat informasi ini, Anda pasti akan bertanya-tanya mengapa saya termasuk-
di bagian metodologi ini dalam buku ini. Saya melakukannya untuk tiga primer
alasan. Pertama , saya menganggap penting untuk memberi informasi kepada pembaca saya tentang hal ini
pendekatan estimasi yang diperbarui ketika variabel kategori dilibatkan,
yang tidak tersedia dalam program saat saya menulis edisi pertama
buku ini. Kedua , ini memungkinkan saya untuk memandu Anda melalui proses
menggunakan metode estimasi ini untuk menganalisis data yang sudah Anda miliki
akrab. Akhirnya , ini memungkinkan kesempatan untuk membandingkan nilai yang diestimasi
berasal dari kedua pendekatan ML dan Bayesian untuk analisis
model CFA yang sama. Saya mulai dengan penjelasan singkat tentang estimasi Bayesian
dan kemudian ikuti dengan langkah-langkah berjalan melalui setiap komponen
prosedur. Seperti halnya aplikasi pertama kami di bab ini, kami berupaya mengujinya
validitas faktorial dari struktur C-BDI-II yang dihipotesiskan (lihat Gambar 5.7)
untuk remaja Hong Kong.
Apa estimasi Bayesian?
Dalam estimasi ML dan pengujian hipotesis, nilai-nilai sebenarnya dari model
parameter dianggap diperbaiki tetapi tidak diketahui , sedangkan perkiraannya
(dari sampel yang diberikan) dianggap acak tetapi diketahui (Arbuckle,
2007). Sebaliknya, estimasi Bayesian menganggap kuantitas yang tidak diketahui sebagai
Halaman 173
152
variabel acak dan karenanya menetapkannya sebagai distribusi probabilitas. Jadi,
dari perspektif Bayesian, parameter model sebenarnya tidak diketahui dan
Oleh karena itu dianggap acak. Dalam konteks ini, maka, parameter ini
eters diberi distribusi gabungan — distribusi sebelumnya (probabilitas
distribusi parameter sebelum mereka benar-benar diamati, juga
monly menyebut priors ; Vogt, 1993), dan distribusi posterior (probabilitas
distribusi parameter setelah mereka diamati dan digabungkan
dengan distribusi sebelumnya). Distribusi gabungan yang diperbarui ini didasarkan pada
rumus yang dikenal sebagai teorema Bayes dan mencerminkan kombinasi dari kepercayaan sebelumnya
(tentang estimasi parameter) dan bukti empiris (Arbuckle, 2007;
Bolstad, 2004). Dua karakteristik distribusi bersama ini penting untuk
Analisis CFA. Pertama , rata-rata distribusi posterior ini dapat dilaporkan
sebagai estimasi parameter. Kedua , standar deviasi posterior
distribusi berfungsi sebagai analog dengan kesalahan standar dalam estimasi ML.
Penerapan estimasi Bayesian
Karena analisis Bayesian memerlukan estimasi semua variabel yang diamati
cara yang bisa dan memotong, langkah pertama dalam proses adalah untuk meminta ini
informasi melalui kotak dialog Properti Analisis seperti yang ditunjukkan pada Gambar 5.8.
Jika tidak, dalam meminta agar analisis didasarkan pada pendekatan ini, Anda
akan menerima pesan kesalahan yang memberi tahu Anda tentang fakta ini.
Setelah Anda memiliki model yang ditentukan secara tepat (yaitu, sarana dan
penyadapan ditentukan sebagai perkiraan bebas), untuk memulai analisis Bayesian
ses, klik pada ikon di kotak alat. Atau, Anda dapat menarik ke bawah
Gambar 5.8 Kotak dialog Properti Analisis: Meminta estimasi cara dan
memotong.
Halaman 174
153
yang Menganalisis menu dan pilih Bayesian Estimasi . Setelah Anda melakukan ini, Anda akan melakukannya
disajikan dengan jendela SEM Bayesian ditunjukkan sebagian pada Gambar 5.9,
dan sepenuhnya pada Gambar 5.10. Anda akan perhatikan juga bahwa angka-angka di masing-masing
kolom terus berubah. Alasan untuk angka yang sedang berlangsung ini
perubahan adalah karena begitu Anda meminta estimasi Bayesian, pro-
gram segera memulai menggambar stabil berdasarkan sampel acak
pada distribusi posterior bersama. Proses pengambilan sampel acak ini merupakan
diperiksa dalam AMOS melalui suatu algoritma yang disebut rantai Markov Monte Carlo
(MCMC) algoritma . Ide dasar yang mendasari angka yang terus berubah ini
proses adalah untuk mengidentifikasi, sedekat mungkin, nilai sebenarnya dari setiap parameter
eter dalam model. Proses ini akan berlanjut sampai Anda menghentikan prosesnya
mengklik tombol Jeda , ditampilkan dalam bingkai persegi di
makan di sebelah kiri dari baris kedua Toolbox pada Gambar 5.9 dan 5.10.
Sekarang, mari kita lihat lebih dekat angka-angka yang muncul di atas
bagian (Toolbox) dari jendela SEM Bayesian. Pada Gambar 5.9, perhatikan
angka di sebelah tombol Jeda , yang terbaca 500 + 65.501 dan
berikan titik di mana pengambilan sampel dihentikan. Informasi ini disampaikan
bahwa AMOS menghasilkan dan membuang 500 sampel burn-in (standarnya
nilai) sebelum menggambar yang pertama yang disimpan untuk analisis.
Alasan untuk sampel burn-in ini adalah untuk memungkinkan prosedur MCMC
untuk menyatu dengan distribusi posterior sendi yang benar (Arbuckle, 2007). Setelah
menggambar dan membuang sampel burn-in, program kemudian menggambar
sampel tambahan, yang tujuannya adalah untuk memberikan yang paling tepat
gambar nilai-nilai yang terdiri dari distribusi posterior.
Jelas, pertanyaan logis berikutnya yang mungkin diajukan tentang program pengambilan sampel ini
cess adalah bagaimana seseorang tahu kapan sampel yang cukup telah diambil untuk menghasilkan a
distribusi posterior yang cukup akurat. Pertanyaan ini membahas
masalah konvergensi dan titik di mana sampel cukup
Gambar 5.9 Jendela SEM Bayesian: Pengambilan sampel dan konversi distribusi posterior
status gence.
Halaman 175
154
ditarik sehingga menghasilkan estimasi parameter yang stabil. AMOS menetapkan ini
cutpoint atas dasar statistik konvergensi (CS), yang berasal dari
karya Gelman, Carlin, Stern, dan Rubin (2004). Secara default, AMOS
menganggap pengambilan sampel telah konvergen ketika yang terbesar dari nilai CS
ues kurang dari 1,002 (Arbuckle, 2007). Sampai nilai CS default ini telah
tercapai, AMOS menampilkan wajah yang tidak bahagia (☹). Beralih lagi ke Gambar 5.9,
Saya menarik perhatian Anda ke informasi yang dilingkari di bagian Toolbar
jendela. Di sini Anda akan mencatat emoticon ―wajah tidak bahagia‖ yang disertai
nied dengan nilai 1,0025, menunjukkan bahwa proses pengambilan sampel belum
belum mencapai cutpoint default 1,002; melainkan lebih tinggi sedikit
dari nilai itu. Sayangnya, karena emoticon ini berwarna merah di
Bayesian toolbar, tidak mungkin untuk mereproduksi di tempat yang lebih terang.
Sebaliknya, sekarang giliran Gambar 5.10, di mana Anda akan menemukan yang bahagia
wajah (☺) bersama dengan nilai CS dari 1,0017, dengan demikian menunjukkan konversi
gence (sesuai dengan nilai standar AMOS). Pindah ke bawah
Gambar 5.10 Jendela SEM Bayesian: Pengambilan sampel distribusi posterior dan
status konvergensi, dan estimasi serta statistik terkait.
Halaman 176
155
baris yang dimulai dengan ikon Jeda , kita melihat angka 500 + 59.501. Ini
informasi menyampaikan gagasan bahwa mengikuti pengambilan sampel dan membuang
dari 500 sampel yang terbakar, algoritma MCMC telah menghasilkan 59 tambahan
sampel dan, seperti disebutkan di atas, mencapai nilai CS konvergen 1,0017.
Di bawah ini tercantum area toolbar adalah statistik yang dihasilkan berkaitan
parameter model; hanya bobot regresi (yaitu, pemuatan faktor)
disajikan di sini. Setiap baris di bagian ini menjelaskan tentang penyebaran posterior.
nilai kontribusi dari satu parameter, sementara setiap kolom mencantumkan terkait
statistik. Misalnya, pada kolom pertama (berlabel Mean ), setiap entri mewakili
mengirim nilai rata-rata dari distribusi posterior dan, seperti disebutkan sebelumnya,
dapat diartikan sebagai estimasi parameter akhir. Lebih khusus, ini
nilai mewakili estimasi titik Bayesian dari parameter berdasarkan
data dan distribusi sebelumnya. Arbuckle (2007) mencatat bahwa dengan besar
ukuran sampel, nilai rata-rata ini akan mendekati perkiraan ML. (Kita
buat perbandingan ini nanti dalam bab ini.)
Kolom kedua, berlabel SE , melaporkan perkiraan kesalahan standar
yang menyiratkan seberapa jauh rata-rata posterior yang diperkirakan terletak dari yang benar
rata-rata posterior. Ketika prosedur MCMC terus menghasilkan lebih banyak
sampel, estimasi rata-rata posterior menjadi lebih akurat dan
SE secara bertahap akan turun. Tentu saja, pada Gambar 5.10, kita dapat melihat bahwa
Nilai SE sangat kecil sehingga menunjukkan bahwa mereka sangat dekat dengan
nilai-nilai sejati. Kolom berikutnya, berlabel SD , dapat diartikan sebagai kemungkinan
jarak antara rata-rata posterior dan parameter benar yang tidak diketahui;
angka ini analog dengan kesalahan standar dalam estimasi ML. Itu
kolom yang tersisa, seperti yang dapat diamati pada Gambar 5.10, mewakili poste-
nilai distribusi yang lebih rendah terkait dengan CS, skewness, kurtosis, minimum
nilai, dan nilai maksimum, masing-masing.
Selain nilai CS, AMOS membuat beberapa plot diagnostik
tersedia bagi Anda untuk memeriksa konvergensi pengambilan sampel MCMC
metode. Untuk menghasilkan plot ini, Anda perlu mengklik ikon Posterior
terletak di area Bayesian SEM Toolbox , seperti yang ditunjukkan dalam elips
pada Gambar 5.11. Cukup mengklik ikon ini akan memicu kotak dialog yang ditampilkan
pada Gambar 5.12. Inti dari pesan ini adalah Anda harus memilih salah satunya
parameter estimasi dalam model. Seperti yang dapat dilihat pada Gambar 5.13, I
memilih parameter model pertama (disorot), memuat C-BDI-II
Butir 14 pada Sikap Negatif (Faktor 1). Mengklik kanan mouse menghasilkan
membuat kotak dialog Posterior Diagnostic dengan distribusi yang ditunjukkan di dalam
kerangka plot poligon. Secara khusus, poligon frekuensi ini
memainkan distribusi sampling dari Item 14 di 59 sampel (jumlahnya
sampel setelah 500 sampel burn-in dihapus).
AMOS menghasilkan plot poligon tambahan yang memungkinkan Anda menentukan
menambang kemungkinan bahwa sampel MCMC telah konvergen ke poste-
distribusi rior melalui distribusi simultan berdasarkan yang pertama dan terakhir
Halaman 177
156
Gambar 5.11 Jendela SEM Bayesian: Lokasi ikon posterior.
Gambar 5.12 Pesan kesalahan SEM Bayesian.
Gambar 5.13 Plot poligon diagnostik Bayesian SEM.
Halaman 178
157
pertiga dari akumulasi sampel. Poligon ini diakses dengan memilih
Pertama dan Terakhir , seperti yang dapat dilihat pada Gambar 5.14. Dari tampilan di plot ini,
kami mengamati bahwa dua distribusi hampir identik, dengan demikian menyarankan
menunjukkan bahwa AMOS telah berhasil mengidentifikasi fitur penting dari
distribusi posterior Item 14. Perhatikan bahwa distribusi posterior ini
tampaknya dipusatkan pada beberapa nilai dekat 1,17, yang konsisten dengan
nilai rata-rata 1,167 dicatat pada Gambar 5.10.
Dua plot diagnostik lain yang tersedia adalah histogram dan plot jejak
diilustrasikan dalam Gambar 5.15 dan 5.16, masing-masing. Sementara histogram terkait
terlalu jelas, plot jejak membutuhkan beberapa penjelasan. Terkadang
disebut plot time-series , plot diagnostik ini membantu Anda untuk mengevaluasi caranya
cepat prosedur pengambilan sampel MCMC berkumpul di distribusi posterior
bution. Plot yang ditunjukkan pada Gambar 5.16 dianggap sangat bagus
menunjukkan variasi naik-turun yang cepat tanpa tren jangka panjang. Lain
cara melihat plot ini adalah membayangkan memecah distribusi menjadi
bagian. Hasil akan menunjukkan tidak ada bagian yang menyimpang banyak dari
beristirahat. Temuan ini menunjukkan bahwa konvergensi dalam distribusi terjadi
cepat, indikator yang jelas bahwa model SEM ditentukan dengan benar.
Sebagai salah satu analisis akhir dari C-BDI-II, mari kita bandingkan yang tidak standar
perkiraan faktor-loading untuk metode ML versus posterior Bayesian
perkiraan distribusi. Daftar kedua set estimasi disajikan pada
Gambar 5.14 Bayesian SEM diagnostic polygon plot pertama dan terakhir gabungan.
Halaman 179
158
Gambar 5.15 Plot histogram diagnostik Bayesian SEM.
Gambar 5.16 Plot jejak diagnostik SEM Bayesian.
Halaman 180
159
Tabel 5.8 Perbandingan Pemuatan Faktor (yaitu, Berat Regresi)
Estimasi Parameter Tidak Standar: Maksimum
Kemungkinan versus Estimasi Bayesian
Parameter
Perkiraan
pendekatan
ML
Bayesian
BDI2_14
<--- NEGATIVE_ATTITUDE 1.125
1.167
BDI2_10
.720
0,740
BDI2_9
0,566
0,586
BDI2_8
0,928
0,959
BDI2_7
1.197
BDI2_6
0,919
0,951
BDI2_5
0,825
0,852
BDI2_3
1.000
BDI2_2
0,966
.998
BDI2_1
1.226
BDI2_19
<--- PERFORMANCE_
KESULITAN
0,969
0,979
BDI2_17
<--- PERFORMANCE_
KESULITAN
0,984
1,001
BDI2_13
<--- PERFORMANCE_
KESULITAN
0,955
0,965
BDI2_12
<--- PERFORMANCE_
KESULITAN
1.000
1.000
BDI2_11
<--- PERFORMANCE_
KESULITAN
1.096
1.111
BDI2_4
<--- PERFORMANCE_
KESULITAN
0,819
0,828
BDI2_16
1.000
1.000
BDI2_15
1.651
1.696
BDI2_18
0,876
0,907
BDI2_20
1.367
1.408
PERFORMANCE_DIFFICULTY <--- DEPRESSION
0,495
0,494
PERILAKU NEGATIF
<--- DEPRESI
0,451
0,441
SOMATIC_ELEMENTS
<--- DEPRESI
0,342
0,342
Tabel 5.8. Seperti yang mungkin diharapkan, berdasarkan tinjauan kami terhadap diagnostik
plot, estimasi ini sangat dekat dengan yang pertama dan kedua
pemuatan faktor. Temuan ini berbicara dengan baik untuk validitas hipotesis kami.
mengembangkan struktur C-BDI-II untuk remaja Hong Kong.
Halaman 181
160
Sebagai penutup bab ini, saya ingin menggarisbawahi pentingnya
analisis komparatif kami dari struktur faktorial C-BDI-II dari dua
spectives: estimasi ML dan Bayesian. Mengingat bahwa item yang terdiri dari ini
instrumen didasarkan pada skala empat poin, argumen dapat dibuat
bahwa analisis harus didasarkan pada metodologi yang mengambil ordinalitas ini
memperhitungkan. Seperti disebutkan sebelumnya dalam bab ini, secara historis, analisis ini
telah didasarkan pada metodologi ML, yang mengasumsikan data dari a
skala kontinu. Yang penting, bagaimanapun, saya juga meninjau literatur
sehubungan dengan (a) mengapa para peneliti cenderung memperlakukan variabel kategori sebagai
jika mereka terus menerus dalam analisis SEM, (b) konsekuensi dari perawatan
variabel kategori seolah-olah mereka memiliki skala berkelanjutan, dan (c) diidentifikasi
penskalaan dan fitur statistik lainnya dari data yang membuatnya penting untuk diambil
ordinalitas variabel kategoris diperhitungkan serta kondisi
yang menunjukkan pendekatan ini tidak membuat banyak perbedaan. Setidaknya,
peneliti selalu memiliki kebebasan untuk melakukan analisis berdasarkan keduanya
pendekatan metodologis dan kemudian menindaklanjuti dengan perbandingan
estimasi parameter. Dalam kebanyakan kasus, di mana model hipotesis baik
ditentukan dan penskalaan berdasarkan lebih dari tiga kategori, tampaknya
tidak mungkin akan ada banyak perbedaan antara temuan.
Satu komentar terakhir mengenai analisis data kategorikal dalam AMOS
berkaitan dengan kemampuan alfanumeriknya. Meskipun analisis kami dalam hal ini
Bab ini didasarkan pada data skor numerik, program ini bisa saja
mudah menganalisis data kategori berdasarkan kode huruf. Untuk detail,
ing pendekatan ini untuk SEM analisis data kategorikal, serta banyak
lebih detail terkait dengan kemampuan statistik Bayesian AMOS, baca-
Mereka dirujuk ke manual (Arbuckle, 2007).
Halaman 182
161
enam
bab
Menguji validitas
dari struktur sebab akibat
Dalam bab ini, kita akan melihat model persamaan struktural penuh
(SEM). Hipotesis yang akan diuji berkaitan dengan pola struktur kausal.
mendatang menghubungkan beberapa variabel stresor yang menanggung pada konstruk
di luar. Studi asli dari mana aplikasi ini diambil (Byrne, 1994a)
menguji dan memvalidasi silang dampak organisasi dan kepribadian
variabel pada tiga dimensi burnout untuk SD, menengah,
dan guru sekolah menengah. Untuk tujuan ilustrasi di sini, bagaimanapun,
aplikasi terbatas pada sampel kalibrasi guru sekolah dasar
hanya ( N = 599).
Seperti halnya dengan aplikasi faktor analitik yang diilustrasikan dalam
Bab 3 sampai 5, yang terstruktur sebagai SEM penuh dianggap berasal dari
bersifat konfirmasi. Artinya, hubungan sebab-akibat yang dipostulasikan di antara semuanya
variabel dalam model hipotesis harus didasarkan pada teori dan / atau
penelitian empiris. Biasanya, hipotesis yang akan diuji berpendapat untuk
validitas hubungan sebab akibat tertentu di antara variabel-variabel yang diminati. Ayo
beralih sekarang ke pemeriksaan mendalam dari model hipotesis di bawah
belajar di bab saat ini.
Perumusan model hipotesis yang ditunjukkan pada Gambar 6.1 berasal dari
konsensus temuan dari tinjauan literatur burnout seperti itu
beruang di profesi guru. (Pembaca berharap jumlah yang lebih rinci
Mary dari penelitian ini disebut Byrne, 1994a, 1999). Dalam mengulas ini
model, Anda akan perhatikan bahwa burnout direpresentasikan sebagai multidimensi
membangun dengan Emotional Exhaustion (EE), Depersonalization (DP), dan
Personal Accomplishment (PA) beroperasi sebagai faktor yang berbeda secara konseptual.
Bagian dari model ini didasarkan pada karya Leiter (1991) dalam konsep
mengubah kelelahan sebagai reaksi kognitif-emosional terhadap stres kronis. Itu
Paradigma berpendapat bahwa EE memegang posisi sentral karena dianggap
menjadi yang paling responsif dari ketiga sisi terhadap berbagai stresor di Indonesia
lingkungan kerja guru. Depersonalisasi dan pengurangan PA, pada
sisi lain, mewakili aspek kognitif dari kejenuhan dalam hal itu
Halaman 183
162
merupakan indikasi sejauh mana persepsi guru tentang siswa mereka
penyok, kolega mereka, dan diri mereka sendiri menjadi berkurang. Seperti yang ditunjukkan
oleh tanda-tanda yang terkait dengan setiap jalur dalam model, EE dihipotesiskan
untuk berdampak positif pada DP, tetapi negatif pada PA; DP dihipotesiskan menjadi
berdampak negatif pada PA.
Jalur (dan tanda-tanda yang terkait) mengarah dari organisasi
(ambiguitas peran, konflik peran, kelebihan pekerjaan, iklim kelas, keputusan
membuat, dukungan unggul, dukungan teman sebaya) dan kepribadian (harga diri,
external locus of control) variabel ke tiga dimensi burnout
mencerminkan temuan dalam literatur. 1 Misalnya, konflik peran tingkat tinggi
diperkirakan akan menyebabkan tingkat kelelahan emosional yang tinggi; sebaliknya,
iklim kelas yang tinggi (yaitu, baik) diharapkan menghasilkan rendah
tingkat kelelahan emosional.
Dalam melihat model yang ditunjukkan pada Gambar 6.1, kita dapat melihat bahwa itu mewakili
hanya bagian struktural dari SEM penuh. Jadi, sebelum bisa
menguji model ini, kita perlu mengetahui cara masing-masing
struct dalam model ini harus diukur. Dengan kata lain, kita sekarang perlu
tentukan bagian pengukuran model (lihat Bab 1). Sebaliknya
Deperson-
alisasi
Wewenang
Kemenduaan
Wewenang
Konflik
Kerja
Kelebihan
Kelas
Iklim
Keputusan
Membuat
Unggul
Dukung
Teman sebaya
Dukung
Diri-
Menghargai
+
+
+
+
+
-
-
-
-
+
+
+
-
-
Luar
Lokus dari
Kontrol
Emosional
Kelelahan
Pribadi
Prestasi
Habis terbakar
Gambar 6.1. Model struktur sebab-akibat yang dihipotesiskan terkait dengan kelelahan guru.
Halaman 184
Bab enam: Menguji validitas struktur sebab akibat
163
untuk model CFA yang dipelajari sebelumnya, tugas yang terlibat dalam pengembangan
model pengukuran SEM penuh ada dua: (a) untuk menentukan angka
indikator untuk digunakan dalam mengukur setiap konstruk, dan (b) untuk mengidentifikasi mana
item untuk digunakan dalam merumuskan setiap indikator.
Perumusan variabel indikator
Dalam aplikasi yang dibahas dalam Bab 3 sampai 5, formulasi dari
indikator pengukuran relatif mudah; semua contoh
telah melibatkan model CFA dan, dengan demikian, hanya terdiri dari pengukuran
model. Dalam pengukuran segi multidimensi konsep diri
(lihat Bab 3), setiap indikator mewakili skor subskala (yaitu, jumlah
semua item dirancang untuk mengukur sisi konsep diri tertentu). Dalam Bab
4 dan 5, minat kami berfokus pada validitas faktorial suatu pengukuran
instrumen. Karena itu, kami khawatir dengan sejauh mana item
dimuat ke faktor yang ditargetkan. Penilaian yang memadai untuk spesifikasi ini-
tion menuntut agar setiap item dimasukkan dalam model. Dengan demikian, indikator
Untuk variabel dalam kasus ini masing-masing mewakili satu item dalam pengukuran
instrumen yang diteliti.
Berbeda dengan contoh-contoh sebelumnya, perumusan indikator
variabel dalam aplikasi ini sedikit lebih kompleks. Secara khusus,
berbagai indikator dari masing-masing konstruk dirumuskan melalui yurisdiksi
cious kombinasi item tertentu untuk terdiri dari paket barang. Dengan demikian,
item dikelompokkan dengan cermat berdasarkan konten untuk menyamakan kedudukan
bobot pengukuran di seluruh indikator yang mengukur
konstruksi yang sama (Hagtvet & Nasser, 2004). Misalnya, Ruang Kelas
Skala Lingkungan (Bacharach, Bauer, & Conley, 1986), digunakan untuk mengukur
Iklim Kelas, terdiri dari item yang memanfaatkan ukuran, kemampuan, dan
minat siswa, dan berbagai jenis pelecehan oleh siswa. Indikator
konstruksi ini dibentuk sedemikian rupa sehingga setiap item dalam komposit diukur
aspek berbeda dari iklim kelas. Dalam pengukuran ruang kelas
iklim, harga diri, dan lokus kontrol eksternal, variabel indikator
terdiri dari item dari skala unidimensional tunggal; semua indica- lainnya
tor terdiri dari item dari subskala skala multidimensi. (Untuk sebuah
deskripsi luas dari alat ukur, lihat Byrne, 1994a.) Dalam
total, 32 variabel indikator item-parcel digunakan untuk mengukur hipotesis-
model struktural esized.
Sejak studi saat ini dilakukan, telah ada pertumbuhan
tertarik pada pertanyaan tentang item parceling. Penelitian telah difokuskan
masalah-masalah seperti metode pembagian (Bandalos & Finney, 2001; Hagtvet
& Nasser, 2004; Kim & Hagtvet, 2003; Kishton & Widaman, 1994; Sedikit,
Cunningham, Shahar, & Widaman, 2002; Rogers & Schmitt, 2004), num-
ber item untuk dimasukkan dalam paket (Marsh, Hau, Balla, & Grayson, 1998),
Halaman 185
164
sejauh mana item parsel mempengaruhi kesesuaian model (Bandalos, 2002), dan, lebih banyak lagi
umumnya, apakah peneliti harus atau tidak terlibat dalam paket barang
sama sekali (Little et al., 2002; Little, Lindenberger, & Nesselroade, 1999).
Little et al. (2002) menyajikan ringkasan pro dan kontra dari
menggunakan item parceling, dan bab Bandalos and Finney (2001), sebuah thor-
ough mengulas isu-isu yang terkait dengan item parceling. (Untuk detail terkait
untuk masing-masing aspek dari pembagian barang ini, pembaca disarankan untuk berkonsultasi
referensi ini secara langsung.)
Presentasi skematis dari SEM lengkap disajikan pada Gambar 6.2.
Penting untuk dicatat bahwa, demi kejelasan, semuanya berkepala dua
panah mewakili korelasi antara independen (yaitu, eksogen)
faktor, serta istilah kesalahan yang terkait dengan yang diamati (yaitu, indikator)
variabel, telah dikeluarkan dari gambar. Namun, mengingat bahwa AMOS
Grafik beroperasi pada WYSIWYG (apa yang Anda lihat adalah apa yang Anda dapatkan)
ciple, parameter ini harus dimasukkan dalam model sebelum program
akan melakukan analisis. Saya mengunjungi kembali masalah ini setelah kami sepenuhnya menetapkan
model hipotesis yang diuji dalam bab ini.
Model pendahuluan (karena kami belum menguji untuk
validitas model pengukuran) pada Gambar 6.2 paling tepat
disajikan dalam kerangka tata letak lanskap. Dalam AMOS
Grafik, ini dicapai dengan menarik ke bawah menu View dan
memilih kotak dialog Interface Properties , seperti yang ditunjukkan pada Gambar 6.3. Sini
Anda melihat tab Tata Letak Kertas terbuka yang memungkinkan Anda untuk memilih lanskap
orientasi.
Analisis faktor konfirmasi
Karena (a) bagian struktural dari model persamaan struktural penuh
melibatkan hubungan antar variabel laten saja, dan (b) variabel primer
Hal utama dalam bekerja dengan model SEM penuh adalah menilai sejauh mana
hubungan ini valid, sangat penting bahwa pengukuran masing-masing
variabel laten adalah suara psikometrik. Dengan demikian, prelimi- penting
Langkah terakhir dalam analisis model variabel laten penuh adalah dengan menguji terlebih dahulu
validitas model pengukuran sebelum melakukan upaya apa pun untuk
mengevaluasi model struktural. Karenanya, prosedur CFA digunakan di Indonesia
menguji validitas variabel indikator. Setelah diketahui bahwa
model pengukuran beroperasi secara memadai, 2 orang kemudian dapat memiliki lebih banyak
kepercayaan pada temuan yang terkait dengan penilaian yang dihipotesiskan
model struktural.
Dalam kasus ini, CFA dilakukan untuk variabel indikator
berasal dari masing-masing dari dua skala multidimensi; ini adalah
Skala Stres Guru (TSS; Pettegrew & Wolf, 1982), termasuk semuanya
variabel indikator organisasi kecuali Iklim Ruang Kelas, dan
Halaman 186
165
CC4
CC3
CC2
CC1
1
SS2
SS1
1
ELC1
1
ELC2
ELC3
ELC4
ELC5
SE3
SE2
SE1
1
DM2
DM1
1
EE1
EE2
EE3
DP2
DP1
PA1
PA2
PA3
RA2
RA1
RC2
RC1
1
WO2
WO1
1
1
1
PS2
PS1
1
1
1
1
1
1
1
Dukungan rekan
Harga diri
res1
Unggul
Dukung
Keputusan_
Membuat
Kelas
Iklim
Kerja
Kelebihan
Wewenang
Konflik
Depersonali-
lisasi
Wewenang
Kemenduaan
Kelelahan Emosional
Pribadi
Prestasi
Lokus Eksternal
Kontrol
res4
res5
res2
res3
F
IG
kamu
ulang 6
.2
H
y
hal
Hai
th
e
siz
e
d stru
ctu
ra
l eq
kamu
atio
nm
Hai
d
el o
f teh
ch
er b
kamu
rn
Hai
kamu
t.
Halaman 187
166
Maslach Burnout Inventory (MBI; Maslach & Jackson, 1986), mengukur
tiga aspek kelelahan. Model CFA yang dihipotesiskan dari TSS adalah
digambarkan pada Gambar 6.4.
Dari catatan khusus di sini adalah adanya panah berkepala dua
di antara semua enam faktor. Ingat dari Bab 2 dan sebelumnya dalam bab ini
bahwa AMOS Graphics tidak memiliki korelasi di antara faktor-faktor. Jadi,
Jika Anda ingin memperkirakan nilai-nilai ini sesuai dengan yang terkait
teori, mereka harus hadir dalam model. Namun, yakinlah bahwa
Program pasti akan meminta Anda jika Anda lalai untuk memasukkan satu atau
lebih banyak korelasi faktor dalam model. Pesan kesalahan lain yaitu Anda
terikat untuk menerima kapan saja meminta Anda lupa mengidentifikasi data
file yang menjadi dasar analisis. Sebagai contoh, Gambar 6.5 menyajikan
Entah pesan kesalahan yang dipicu oleh kegagalan saya untuk membuat file data a
apriori. Namun, masalah ini cepat diselesaikan dengan mengklik Data
Ikon file (); atau pilih File Data dari menu tarik-turun File , yang
kemudian memicu kotak dialog yang ditunjukkan pada Gambar 6.6. Di sini Anda cukup mencari
dan klik pada file data, dan kemudian klik Open . Tindakan ini selanjutnya
Gambar 6.3 AMOS Graphics:Kotak dialog Properties Interface .
Halaman 188
167
menghasilkan kotak dialog File Data yang ditunjukkan pada Gambar 6.7, di mana Anda akan
perlu mengklik OK .
Meskipun baik untuk MBI (CFI = .98) dan TSS (CFI = .973)
ditemukan sangat baik, solusi untuk TSS agak
Peran
RA1
err1
1
1
RA2
RC1
RC2
WO1
WO2
DM1
DM2
SS1
SS2
PS1
PS2
1
err2
Peran
err3
1
1
1
err4
WorkO
err5
1
1
1
err6
DecM
err7
1
1
1
err8
SupS
err9
1
1
1
err10
Teman sebaya
err11
1
1
1
err12
Gambar 6.4 Model analitik faktor konfirmatori hipotesa dari Stres Guru
Skala.
Halaman 189
168
bermasalah. Lebih khusus lagi, tinjauan estimasi yang distandarisasi
mengungkapkan nilai korelasi 1,041 antara faktor-faktor Konflik Peran dan
Work Overload, indikasi kemungkinan multikolinieritas; standar ini-
Estimasi yang tertera disajikan pada Tabel 6.1.
Multikolinieritas muncul dari situasi di mana dua atau lebih variabel
ables sangat berkorelasi sehingga keduanya pada dasarnya mewakili hal yang sama
konstruksi yang mendasarinya. Secara substansial, temuan ini tidak mengherankan karena ada
tampaknya menjadi konten yang substansial tumpang tindih di antara pengukuran item TSS
Gambar 6.5 AMOS Graphics: Pesan kesalahan yang terkait dengan kegagalan mendefinisikan data
mengajukan.
Gambar 6.6 Grafik AMOS: Menentukan lokasi dan pemilihan file data.
Halaman 190
169
konflik peran dan kelebihan kerja. Kehadiran korelasi> 1,00
merupakan indikasi solusi yang jelas tidak dapat diterima. Tentu saja, flip
sisi koin tentang solusi yang tidak dapat diterima adalah bahwa mereka memperingatkan
peneliti untuk spesifikasi kesalahan model yang serius. Namun, review dari
indeks modifikasi (lihat Tabel 6.2) tidak memberikan bantuan apa pun dalam hal ini
menganggap. Semua statistik perubahan parameter terkait dengan kovarian kesalahan
Gambar 6.7 Grafik AMOS: Menyelesaikan file data.
Tabel 6.1 Output AMOS yang Dipilih
untuk CFA Model of the Teacher
Skala Stres: Korelasi Faktor
Korelasi faktor
Memperkirakan
Peran <--> PeranC
0,841
RoleC <--> WorkO
1.041
WorkO <--> DecM
–.612
DecM <--> SupS
0,924
WorkO <--> SupS
–.564
RoleA <--> WorkO
0,771
RoleA <--> DecM
–.750
RoleC <--> SupS
–592
Peran <--> SupS
–.665
SupS <--> PeerS
.502
DecM <--> PeerS
0,630
WorkO <--> PeerS
–421
RoleC <--> PeerS
–419
RoleA <--> PeerS
–518
RoleC <--> DecM
–.622
Halaman 191
170
mengungkapkan nilai tidak signifikan kurang dari, atau mendekati, 0,1, dan semua modifikasi
indeks kation (MIs) untuk bobot regresi (atau memuat faktor) adalah
kurang dari 10,00, sekali lagi menunjukkan sedikit yang bisa diperoleh dengan menentukan cross-
pemuatan. Mengingat kecocokan Model 2 TSS yang sangat baik, bersama dengan
MI-MI yang tidak mengancam ini, saya melihat tidak ada kebutuhan rasional untuk memasukkan tambahan
parameter ke dalam model. Dengan demikian, tampak jelas taktik lain
diperlukan dalam mengatasi masalah multikolinieritas ini.
Salah satu pendekatan yang dapat diambil dalam kasus seperti itu adalah menggabungkan
mengukur sebagai indikator hanya satu dari dua faktor yang terlibat. Dalam pres-
Dalam kasus ini, model CFA kedua dari TSS ditentukan di mana faktornya
Work Overload telah dihapus, meskipun dua variabel indikator yang diamati
dimuat ke faktor Konflik Peran. Meskipun terkait kebaikan
Model Hipotesis dari Stres Guru
Survei: Indeks Modifikasi
MI
Perubahan par
Kovarian
err10 <--> err12
15.603
0,056
err10 <--> err11
10.023
–.049
err9 <--> err12
17.875
–.066
err9 <--> err11
10.605
0,056
err8 <--> err11
7.333
–.056
err8 <--> err10
13.400
0,065
err8 <--> err9
6.878
–.053
err7 <--> err10
11.646
–.062
err3 <--> SupS
7.690
–.066
err3 <--> err11
7.086
–.061
err3 <--> err6
9,875
–107
err2 <--> err12
6.446
0,043
err2 <--> err11
7.646
–.051
err1 <--> err6
7.904
0,083
Bobot regresi
PS2 <--- RC1
7.439
0,060
PS1 <--- RC1
9,661
–.074
SS1 <--- WO1
6.247
–0.057
DM1 <--- WorkO
6.121
–101
RC1 <--- SupS
7.125
–.088
RC1 <--- SS2
7.206
–.077
RC1 <--- SS1
7.970
–.080
Halaman 192
171
untuk model lima faktor TSS ini (χ 2
(48) = 215.360; CFI = .958; RMSEA =
0,055) agak kurang pas dibandingkan dengan yang awalnya dihipotesiskan

Namun, model ini mewakili kecocokan yang sangat baik terhadap data.
Tabel 6.3 Output AMOS yang Dipilih untuk CFA Model 2 dari
Survei Stres Guru: Ringkasan Model
Jumlah momen sampel yang berbeda:
78
Jumlah parameter yang berbeda untuk diperkirakan:
30
Derajat kebebasan (78 - 30):
48
Hasil
Minimal tercapai.
Chi-square
= 215.360
.000
Survei Stres Guru: Tidak Standar dan Standar
Perkiraan
Memperkirakan
SE
CR
P
Bobot regresi
RA1 <--- Peran
1.000
RA2 <--- Peran
1.185
0,071
16.729
***
DM2 <--- DecM
1.349
0,074
18.247
***
PS1
<--- Rekan
1.000
PS2
<--- Rekan
1,002
.064
15.709
***
RC1 <--- PeranC
1.000
RC2 <--- PeranC
1.312
0,079
16.648
***
DM1 <--- DecM
1.000
WO1 <--- PeranC
1.079
0,069
15.753
***
WO2 <--- PeranC
.995
0,071
13.917
***
SS1
<--- DecM
1.478
0,074
19.934
***
SS2
<--- DecM
1.550
0,075
20.667
***
RA1 <--- Peran
.718
RA2 <--- Peran
0,824
DM2 <--- DecM
0,805
( lanjutan )
Halaman 193
172
Ringkasan model dan estimasi parameter ditunjukkan pada Tabel 6.3 dan
6.4, masing-masing.
Struktur lima faktor ini berfungsi sebagai model pengukuran untuk
TSS di seluruh analisis terkait dengan model kausal penuh. Namun demikian
konsekuensi dari restrukturisasi pengukuran ini, model revisi dari
burnout yang ditunjukkan pada Gambar 6.8 menggantikan model yang dihipotesiskan sebelumnya
(lihat Gambar 6.2) dalam melayani sebagai model hipotesis untuk diuji. Sekali
lagi, demi kepentingan kejelasan, korelasi faktor dan kesalahan pengukuran.
surement tidak termasuk.
Survei Stres Guru: Tidak Standar dan Standar
Perkiraan ( Lanjutan )
Memperkirakan
SE
CR
P
PS1
<--- Rekan
0,831
PS2
<--- Rekan
0,879
RC1 <--- PeranC
0,700
RC2 <--- PeranC
0,793
DM1 <--- DecM
0,688
WO1 <--- PeranC
.738
WO2 <--- PeranC
.641
SS1
<--- DecM
0,889
SS2
<--- DecM
0,935
Kovarian
Peran <--> PeranC
0,428
0,041
10.421
***
RoleA <--> DecM
–.355
0,035
–10.003
***
DecM <--> PeerS
0,321
0,036
8.997
***
RoleC <--> PeerS
–263
0,036
–7.338
***
RoleA <--> PeerS
–288
0,034
–8.388
***
DecM <--> PeranC
–.342
0,037
–9.292
***
Korelasi
Peran <--> PeranC
0,800
RoleA <--> DecM
–.698
DecM <--> PeerS
0,538
RoleC <--> PeerS
–419
RoleA <--> PeerS
–.523
DecM <--> PeranC
–592
Peluang *** <.000
Halaman 194
173
CC4
CC3
CC2
RC2
CC1
1
SS2
SS1
1
ELC1
1
ELC2
ELC3
ELC4
ELC5
SE3
SE2
SE1
1
DM2
DM1
1
EE1
EE2
EE3
DP2
DP1
PA1
PA2
PA3
RA2
RA1
WO1
RC1
WO2
1
1
1
PS2
PS1
1
1
1
1
1
1
1
Dukungan rekan
Harga diri
res1
Unggul
Dukung
Keputusan_
Membuat
Kelas
Iklim
Wewenang
Konflik
Depersonali-
lisasi
Wewenang
Kemenduaan
Kelelahan Emosional
Pribadi
Prestasi
Lokus Eksternal
Kontrol
res4
res5
res2
res3
F
IG
kamu
ulang 6
.8
R
ev
ise
dh
y
hal
Hai
th
e
siz
e
dm
Hai
d
el o
f teh
ch
er b
kamu
rn
Hai
kamu
t.
Halaman 195
174
Di awal bab ini, saya menyebutkan bahwa AMOS Graphics
beroperasi pada prinsip WYSIWYG, dan karenanya kecuali regresi
jalur dan kovarian ditentukan dalam model, mereka tidak akan ditentukan
dikawinkan. Saya berjanji untuk meninjau kembali masalah ini, dan saya melakukannya di sini. Dalam kasus penuh
Struktur SEM gagal memasukkan panah berkepala dua di antara eksog
Beberapa faktor, seperti pada Gambar 6.8 (Ambiguitas Peran, Konflik Peran, Ruang Kelas)
Iklim, Pengambilan Keputusan, Dukungan Superior, dan Dukungan Sebaya), diminta
AMOS untuk memperingatkan Anda dengan pesan kesalahan terkait. Namun, kelalaian ini
mudah diatasi. Untuk setiap model yang digambar rapi yang Anda kirim untuk anal-
Ya, AMOS menghasilkan model sendiri di belakang layar. Demikian, dalam merevisi
model apa pun untuk dianalisis kembali, sangat mudah dan sebenarnya paling baik hanya untuk bekerja
pada versi backstage ini, yang dapat menjadi sangat berantakan karena semakin
lebih banyak parameter ditambahkan ke model (lihat, misalnya, Gambar 6.9).
Output AMOS yang dipilih: Model hipotesis
Sebelum memeriksa hasil tes untuk model hipotesis, ini adalah instruktif
untuk meninjau catatan ringkasan pertama yang berkaitan dengan model ini, yang disajikan
dalam empat bagian pada Tabel 6.5. Informasi awal menyarankan bahwa (a)
Gambar 6.9 Grafik AMOS: File kerja di belakang layar untuk dihipotesiskan
model kelelahan guru.
Halaman 196
175
analisis didasarkan pada 528 momen sampel (32 [ukuran indikator] × 33/2),
(B) ada 92 parameter untuk diperkirakan, dan (c) dengan pengurangan ada
436 derajat kebebasan. Bagian selanjutnya melaporkan informasi garis bawah
bahwa minimum telah dicapai dalam mencapai solusi konvergen,
dengan demikian menghasilkan nilai χ 2 1030,892 dengan 436 derajat kebebasan.
Diringkas di bagian bawah tabel adalah dependen dan
faktor independen dalam model. Secara khusus, ada lima ketergantungan
(atau endogen) faktor dalam model (DP; ELC; EE; PA; SE). Masing-masing
faktor memiliki panah berkepala tunggal yang menunjuk padanya, sehingga mudah diidentifikasi
itu sebagai faktor dependen dalam model. Independen (atau eksogen)
Faktor-faktor adalah mereka yang dihipotesiskan sebagai pengaruhnya terhadap ketergantungan
faktor; ini adalah RA, RC, DM, SS, PS, dan CC.
Tabel 6.5 Output AMOS yang Dipilih untuk dihipotesiskan
Model: Catatan Rangkuman
Jumlah momen sampel yang berbeda:
528
Jumlah parameter yang berbeda untuk diperkirakan:
92
Derajat kebebasan (528 - 92):
436
Hasil
Minimal tercapai.
Chi-square
= 1030.892
.000
Faktor dependen dalam model
Variabel endogen yang tidak diobservasi
DP
ELC
EE
PA
SE
Faktor independen dalam model
Variabel eksogen yang tidak diobservasi
RA
RC
DM
SS
PS
CC
Halaman 197
176
Penilaian model
Ringkasan kebaikan
Statistik good-of-fit yang dipilih terkait dengan model hipotesis adalah
disajikan pada Tabel 6.6. Dalam Tabel 6.5, kami mengamati bahwa nilai χ 2 keseluruhan ,
dengan 436 derajat kebebasan, adalah 1030.892. Mengingat sensitivitas diketahui
statistik ini untuk ukuran sampel, bagaimanapun, penggunaan indeks χ 2 memberikan sedikit
pedoman dalam menentukan sejauh mana model tidak cocok. Jadi,
lebih masuk akal dan tepat untuk mendasarkan keputusan pada indeks lain
cocok. Yang utama di antara ini dalam Output AMOS adalah CFI dan RMSEA
nilai-nilai. 3 Selanjutnya, mengingat bahwa kita akan membandingkan serangkaian mod
Selain itu dalam upaya kami untuk mendapatkan model yang pas dan final, ECVI juga tersedia
bunga.
Dalam meninjau indeks kecocokan ini, kita melihat bahwa model yang dihipotesiskan adalah
relatif pas seperti yang ditunjukkan oleh CFI dari 0,941 dan nilai RMSEA dari
0,048, yang berada dalam kisaran penerimaan yang direkomendasikan (<.05
hingga 0,08). Selain itu, ECVI untuk model yang awalnya dihipotesiskan ini adalah 2,032.
Nilai ini, seperti disebutkan sebelumnya dalam buku ini, tidak memiliki makna substantif;
alih-alih, ini digunakan dalam kerangka relatif. (Untuk ulasan tentang aturan-
pedoman of-thumb, Anda mungkin ingin berkonsultasi Bab 3, di mana kebaikan-
indeks tidak fit dijelaskan lebih terinci.)
Tabel 6.6 Output AMOS Terpilih untuk Model Hipotesis:
Perbandingan dasar
NFI
RFI
JIKA SAYA
TLI
Model
Delta1
rho1
Delta2
rho2
CFI
Model default
0,903
0,889
0,941
0,933
0,941
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
0,048
0,044
0,052
0,833
Model kemerdekaan
.184
.181
.188
.000
ECVI
Model
ECVI
LO 90
HI 90
MECVI
Model default
2.032
1.881
2.195
2.050
Model jenuh
1.766
1.766
1.766
1.869
Model kemerdekaan
17.817
17.263
18.382
17.823
Halaman 198
177
Indeks modifikasi
Lebih dan di atas kecocokan model secara keseluruhan, bagaimanapun, review dari
MI mengungkapkan beberapa bukti ketidakcocokan dalam model. Karena kami adalah antar
ested semata-mata di jalur sebab akibat dari model pada saat ini, hanya sebagian dari
indeks terkait dengan bobot regresi termasuk dalam Tabel 6.7. Berputar
ke tabel ini, Anda akan perhatikan bahwa 10 MI pertama terlampir dalam segi empat.
Parameter ini mewakili jalur struktural (yaitu kausal) dalam model
dan satu-satunya MI yang menarik. Alasan untuk pernyataan ini adalah karena
dalam bekerja dengan SEM penuh, ada ketidakcocokan dengan komponen pengukuran
model harus ditangani ketika bagian dari model diuji untuk itu
keabsahan. Beberapa MI yang tersisa pada Tabel 6.7 mewakili cross-load-
ing variabel indikator ke faktor selain yang dirancang
untuk mengukur (EE3 <--- CC). Lainnya mewakili regresi satu indikator
variabel pada yang lain; MI ini secara substansial tidak ada artinya. 4
Dalam meninjau informasi yang terbungkus dalam persegi panjang, kami mencatat
bahwa MI maksimum dikaitkan dengan jalur regresi yang mengalir
dari Iklim Kelas ke Depersonalisasi (DP <--- CC). Nilai
24,776 menunjukkan bahwa, jika parameter ini diperkirakan secara bebas
dalam model berikutnya, nilai χ 2 keseluruhan akan turun setidaknya ini
Model Hipotesis: Indeks Modifikasi
Regresi
beban
MI
Perubahan Par
SE <--- EE
10.039
–.047
SE <--- ELC
9.253
–.138
SE <--- DP
17.320
–.099
ELC <--- RC
19.554
.108
ELC <--- RA
6.905
0,060
ELC <--- EE
10.246
0,047
ELC <--- SE
20.273
–.184
ELC <--- DP
8.513
0,068
DP <--- CC
24.776
–.351
DP <--- SE
12.249
–260
EE3 <--- CC
9.711
–220
EE3 <--- DM
6.915
–.085
EE3 <--- RA
10.453
.135
•
•
•
•
Halaman 199
178
jumlah. Jika Anda beralih sekarang ke statistik perubahan parameter terkait
parameter ini, Anda akan menemukan nilai –0,351; nilai ini mewakili
nilai perkiraan yang akan diasumsikan oleh parameter yang baru diperkirakan.
Saya menarik perhatian Anda juga ke empat jalur regresi yang disorot MI.
Tautan umum di antara parameter ini adalah bahwa arah
path bertentangan dengan gagasan umum dari model kausal yang dipostulatkan.
Artinya, mengingat bahwa fokus utama adalah untuk mengidentifikasi penentu
kelelahan guru, aliran minat dari kiri ke kanan; ini tinggi
jalur terang mengalir dari kanan ke kiri. Meskipun, diakui, mungkin ada
ada beberapa jalur timbal balik yang sah, mereka tidak memiliki kepentingan substantif
dalam penelitian ini.
Dalam persiapan data, item TSS yang mengukur Iklim Ruang Kelas
tercermin sedemikian rupa sehingga skor rendah menunjukkan kelas yang buruk
lingkungan, dan skor tinggi, dari lingkungan kelas yang baik. Dari yang substantif
perspektif, akan tampak masuk akal untuk sekolah dasar
guru yang tanggapannya menghasilkan skor rendah untuk Iklim Kelas
harus secara bersamaan menampilkan tingkat depersonalisasi yang tinggi. Mengingat
kebermaknaan dari aliran yang berpengaruh ini, kemudian, model itu ditaksir ulang
dengan jalur dari Iklim Kelas ke Depersonalisasi ditentukan
sebagai parameter perkiraan bebas; model ini kemudian diberi label sebagai
Model 2. Hasil yang terkait dengan model yang ditentukan ini selanjutnya
dibahas dalam kerangka analisis post hoc.
Analisis Post Hoc
Untuk kepentingan ruang, hanya model final burnout, seperti yang ditentukan
dari prosedur pemasangan model post hoc berikut ini, akan ditampilkan.
Namun, bagian relevan dari output AMOS berkaitan dengan masing-masing
Model fied disajikan dan dibahas.
Penilaian model
Ringkasan kebaikan
Estimasi Model 2 menghasilkan keseluruhan χ 2
(435) nilai 995.019, sebuah CFI
dari 0,945, dan RMSEA dari 0,046; nilai ECVI adalah 1,975. walaupun
peningkatan dalam model yang cocok untuk Model 2, dibandingkan dengan model aslinya.
akhirnya dihipotesiskan model, akan tampak sepele atas dasar
nilai CFI dan RMSEA, perbedaan model tetap
secara signifikan signifikan (∆χ 2
(1) = 35.873). Apalagi estimasi parameternya
untuk jalur dari Iklim Kelas ke Depersonalisasi sedikit

lebih tinggi dari yang diprediksi oleh statistik perubahan parameter yang diharapkan
Halaman 200
179
(–0.479 berbanding –0.351), dan secara statistik signifikan (CR = –5.712).
Indeks modifikasi yang terkait dengan parameter struktural untuk Model 2 adalah
ditunjukkan pada Tabel 6.8.
Indeks modifikasi
Dalam meninjau statistik kotak yang disajikan pada Tabel 6.8, kita melihat di sana
masih sembilan MI yang dapat diperhitungkan dalam penentuan
model kelelahan yang sesuai, meskipun empat di antaranya (disorot dan
dibahas sebelumnya) tidak dianggap mengingat urutan terbalik kausal mereka
dampak. MI terbesar yang memenuhi syarat ini (MI = 20.311) dikaitkan dengan
jalur yang mengalir dari Harga Diri ke Eksternal Locus of Control (ELC <---
SE), dan nilai yang diharapkan diperkirakan –.184. Secara substansial, ini
jalan lagi masuk akal karena nampaknya guru yang menunjukkan
tingkat harga diri yang tinggi cenderung menunjukkan tingkat lokus eksternal yang rendah
kontrol. Atas dasar pemikiran ini, kami kembali fokus pada jalan juga
ciated dengan MI terbesar. Dengan demikian, struktur sebab akibat kembali
diresepkan — kali ini, dengan jalur dari Harga Diri ke Lokus Eksternal
Kontrol diperkirakan secara bebas (Model 3).
Model 2: Indeks Modifikasi
Regresi
beban
MI
Par
perubahan
SE <--- EE
9,898
–.047
SE <--- ELC
9.156
–.138
SE <--- DP
14.692
–.092
ELC <--- RC
19.604
.108
ELC <--- RA
6.906
0,060
ELC <--- EE
10.291
0,047
ELC <--- SE
20.311
–.184
ELC <--- DP
7.774
0,066
DP <--- SE
11.422
–236
EE3 <--- CC
14.843
–274
EE3 <--- DM
7.568
–.089
EE3 <--- RA
11.108
.140
•
•
•
•
DP2 <--- PA2
6.968
–.103
Halaman 201
180
Penilaian model
Ringkasan Goodness-of-fit Model 3 menghasilkan keseluruhan χ 2
(434) nilai dari
967.244, dengan CFI = .947 dan RMSEA = .045; ECVI adalah 1.932. Lagi,
perbedaan χ 2 antara Model 2 dan 3 secara statistik signifikan
(∆χ 2
(1) = 27,775). Indeks modifikasi yang terkait dengan Model 3 ditunjukkan pada
Tabel 6.9. Impor awal di sini adalah fakta bahwa jumlah MI sekarang
turun dari sembilan menjadi hanya empat, dengan hanya satu dari empat yang asli
memesan tautan sebab akibat sekarang disorot. Perbedaan ini dalam jumlah MI
nilai antara Model 2 dan Model 3 berfungsi sebagai contoh sempurna mengapa
penggabungan parameter tambahan ke dalam model harus dilakukan
satu per satu.
Indeks modifikasi
Meninjau statistik kotak di sini, kita melihat bahwa MI terbesar (17,074) adalah
terkait dengan jalur dari Harga Diri hingga Kelelahan Emosional (EE <---
SE). Namun, penting bahwa Anda mencatat bahwa MI (9,642) terkait dengan
jalur sebaliknya yang melibatkan faktor-faktor ini (SE <--- EE) juga dimasukkan sebagai MI. Sebagai
ditekankan dalam Bab 3, parameter yang diidentifikasi oleh AMOS termasuk dalam
sebuah model hanya didasarkan pada kriteria statistik; lebih banyak impor, adalah substansi
Tive kebermaknaan inklusi mereka. Dalam konteks aslinya
belajar, penggabungan jalur yang terakhir ini (SE <--- EE) ke dalam model akan
tidak masuk akal karena tujuan utamanya adalah untuk memvalidasi
dampak variabel organisasi dan kepribadian pada kelelahan, dan bukan
Regresi
beban
MI
Perubahan par
SE <--- EE
9,642
–.046
EE <--- SE
17.074
–.408
ELC <--- RC
14.322
0,090
DP <--- SE
11.467
–236
EE3 <--- CC
14.858
–274
EE3 <--- DM
6.916
–.085
EE3 <--- RA
11.117
.140
•
•
•
•
Halaman 202
181
balik. Jadi, sekali lagi kami mengabaikan modifikasi model yang disarankan ini. 5 Karena
tampaknya masuk akal bahwa guru yang menunjukkan tingkat harga diri yang tinggi dapat,
secara bersamaan, menunjukkan tingkat kelelahan emosional yang rendah, model itu
Diperkirakan kembali sekali lagi, dengan jalur ini diperkirakan secara bebas (Model 4).
Penilaian model
Ringkasan Goodness-of-fit Estimasi Model 4 menghasilkan χ 2
nilai 943.243, dengan 433 derajat kebebasan. Nilai yang terkait dengan CFI
dan RMSEA masing-masing 0,949 dan 0,044; nilai ECVI adalah 1.895.
Sekali lagi, perbedaan kesesuaian antara model ini (Model 4) dan pendahulunya
kriteria (Model 3) signifikan secara statistik (∆χ 2
(1) = 24.001). Modifikasi
indeks terkait dengan estimasi Model 4 disajikan pada Tabel 6.10.

Indeks modifikasi
Dalam meninjau statistik kotak ini, perhatikan bahwa MI terkait dengan
jalur regresi sebelumnya mengalir dari Kelelahan Emosional ke Harga Diri
(SE <--- EE) tidak ada lagi. Kita dibiarkan hanya dengan jalur yang mengarah
dari Konflik Peran ke Eksternal Locus of Control (ELC <--- RC), dan dari
Harga Diri terhadap Depersonalisasi (DP <--- SE). Meskipun yang pertama adalah
lebih besar dari keduanya (MI = 15.170 versus 10.277), yang terakhir menunjukkan yang lebih besar
statistik perubahan parameter (–225 versus .093). Memang, beberapa ahli metodologi
(misalnya, Kaplan, 1989) telah menyarankan bahwa mungkin lebih tepat untuk basis
respecification pada ukuran parameter perubahan statistik, daripada pada
MI (tetapi ingat peringatan Bentler [2005] yang dicatat di Bab 3, catatan kaki 8 bahwa ini
nilai dapat dipengaruhi oleh penskalaan dan identifikasi faktor dan
variabel). Mengingat bahwa parameter ini bermakna secara substantif, Model 4
diresepkan untuk memasukkan estimasi jalur regresi dari
Harga Diri terhadap Depersonalisasi dalam model yang sekarang berlabel Model 5.
Regresi
beban
MI
Perubahan par
ELC <--- RC
15.170
0,093
DP
<--- SE
10.277
–225
EE3 <--- CC
14.213
–266
EE3 <--- DM
6.419
–.081
EE3 <--- RA
10.156
.133
Halaman 203
182
Output AMOS yang dipilih: Penilaian model 5
Ringkasan kebaikan
Hasil dari estimasi Model 5 menghasilkan χ 2
(432) nilai 928.843,
CFI dari 0,951, dan RMSEA dari 0,044; nilai ECVI adalah 1,874. Lagi,
peningkatan kecocokan model ditemukan signifikan secara statistik
(∆χ 2
(1) = 14.400). Akhirnya, nilai parameter estimasi (–315), yang
melebihi nilai estimasi statistik perubahan parameter, juga sta

secara signifikan signifikan (CR = –3.800). Indeks modifikasi terkait dengan ini
model disajikan pada Tabel 6.11.
Indeks modifikasi
Tidak disangka, review dari output terkait Model 5 mengungkapkan suatu
MI yang terkait dengan jalur dari Role Conflict ke External Locus of
Kontrol (ELC <--- RC); perhatikan bahwa parameter yang diharapkan mengubah statistik
tetap tidak berubah (0,092 vs 0,093). Sekali lagi dari
perspektif yang bermakna secara substansial, kita bisa berharap bahwa tingkat tinggi
Jika konflik peran akan menghasilkan tingkat tinggi locus of control eksternal,
dengan demikian menghasilkan parameter yang diharapkan mengubah nilai statistik.
Dengan demikian, Model 5 diresepkan dengan jalan (ELC <--- RC) bebas ditentukan
dikawinkan, dan diberi label sebagai Model 6.
Hingga saat ini dalam proses pemodelan post hoc, kami telah fokus pada
hanya penambahan parameter ke model. Mengingat bahwa semua tambahan
jalur struktural, sebagaimana diidentifikasi oleh MI, ditemukan dibenarkan, kami
perlu melihat sekarang di sisi lain dari koin - yang awalnya ditentukan
jalur struktural yang terbukti berlebihan untuk model. Masalah ini
model kekikiran dibahas dalam bagian ini.
Penilaian model
Ringkasan Goodness-of-fit Estimasi Model 6 menghasilkan keseluruhan χ 2
(431)
nilai 890.619; lagi, perbedaan χ 2 antara Model 5 dan 6 adalah statistik-
signifikan secara signifikan (∆χ 2
(1) = 38.224), seperti perkiraan parameter (.220, CR =
5.938), sekali lagi jauh lebih besar dari estimasi parameter mengubah nilai statistik
dari 0,092. Statistik kesesuaian model adalah sebagai berikut: CFI = .954 dan RMSEA = .042; dan
ECVI turun sedikit lebih jauh ke 1,814, dengan demikian mengindikasikan bahwa Model 6
mewakili paling cocok untuk data sejauh ini dalam analisis. Seperti yang diharapkan,
tidak ada MI yang terkait dengan jalur struktural yang ada dalam output; hanya
MI yang terkait dengan bobot regresi dari pembebanan faktor tetap. Jadi tidak
pertimbangan lebih lanjut diberikan untuk dimasukkannya parameter tambahan.
Estimasi yang tidak standar terkait Model 6 disajikan pada Tabel 6.12.
Halaman 204
183
Masalah model kekikiran
Sejauh ini, diskusi terkait model fit hanya berfokus pada penambahan
tion parameter ke model. Namun, sisi lain dari pertanyaan itu
kecocokan, terutama yang berkaitan dengan model penuh, adalah sejauh mana
Regresi
beban
MI
Perubahan par
ELC <--- RC
15.018
0,092
EE3 <--- CC
14.167
–266
EE3 <--- DM
6.738
–.084
EE3 <--- RA
10.655
.137
EE3 <--- SE
12.563
–265
EE3 <--- ELC
10.180
.259
EE3 <--- DP
6.390
.108
EE3 <--- PA
22.520
–265
EE3 <--- PA1
19.718
–191
EE3 <--- ELC5
6.593
.117
EE3 <--- ELC3
6.245
.132
EE3 <--- CC1
8.821
–166
EE3 <--- CC2
12.087
–.180
EE3 <--- CC4
12.397
–.156
EE3 <--- SE3
10.572
–.180
EE3 <--- SE1
11.125
–221
EE3 <--- SE2
6.045
–.141
EE3 <--- PA3
14.149
–.135
EE3 <--- PA2
12.627
–.129
EE3 <--- ELC2
9.459
.157
EE3 <--- SS1
6.569
–.065
EE3 <--- RA2
12.402
.111
ELC5 <--- CC2
6.477
0,084
ELC5 <--- SE2
6.345
–.092
ELC4 <--- CC
10.326
–.155
ELC4 <--- CC3
8.802
–119
ELC4 <--- CC4
10.106
–.096
CC1 <--- RC
7.393
–.074
•
•
•
•
Halaman 205
184
Tabel 6.12 Output AMOS yang Dipilih untuk Model 6: Estimasi yang tidak standar
Bobot Regresi: Jalur Struktural
Memperkirakan
SE
CR
P
SE
<--- DM
.734
.204
3.592
***
SE
<--- SS
–475
.151
–3.147
0,002
SE <--- PS
–.042
0,071
–595
0,552
EE <--- RC
0,782
0,081
9.694
***
EE <--- CC
–.361
.109
–3,309
***
EE <--- SE
–544
.111
–4.889
***
DP <--- EE
0,326
0,040
8.217
***
DP <--- RC
–.051
0,061
–839
0,402
ELC <--- DM
–.035
0,025
–1.400
.161
DP <--- CC
–.469
0,083
–5.636
***
ELC <--- SE
–.182
0,045
–4.056
***
DP <--- SE
–310
0,082
–3.766
***
ELC <--- RC
.220
0,037
5.938
***
PA <--- DP
–229
0,051
–4.476
***
PA <--- EE
–.058
0,033
–1.773
0,076
PA <--- RA
–.096
0,045
–2.145
0,032
PA <--- SE
.217
0,071
3.042
0,002
PA <--- ELC
–.068
0,076
–895
0,371
DP2 <--- DP
1.000
DP1 <--- DP
1.166
0,074
15.853
***
RA2 <--- RA
1.000
RA1 <--- RA
0,852
0,050
16.949
***
RC2 <--- RC
1.346
0,082
16.481
***
RC1 <--- RC
1.000
Faktor-faktor kovarian
RA <--> RC
0,486
0,044
11.011
***
DM <--> CC
.183
0,027
6.673
***
DM <--> SS
1.116
0,077
14.507
***
SS
<--> PS
0,478
0,049
9.756
***
DM <--> PS
0,536
0,049
10.827
***
PS
<--> CC
.101
0,021
4.856
***
RA <--> DM
–.627
0,053
–11.777
***
RA <--> SS
–630
0,054
–11.570
***
RA <--> PS
–345
0,038
–9.159
***
RA <--> CC
–.150
0,023
–6.539
***
RC <--> DM
–.508
0,050
–10.092
***
( lanjutan )
Halaman 206
185
jalur awalnya yang dihipotesiskan mungkin tidak relevan dengan model sebagai
dibuktikan dari statistik mereka yang tidak signifikan. Dalam meninjau struktur
estimasi parameter tural untuk Model 6, kami melihat lima parameter yang disorot
eter yang tidak signifikan; parameter ini mewakili jalur dari
Dukungan Sebaya untuk Harga Diri (SE <--- PS; CR = –.595), dari Konflik Peran
ke Depersonalisasi (DP <--- RC; CR = –.839), dari Pengambilan Keputusan
ke External Locus of Control (ELC <--- DM; –1.400), dari Emosional
Kelelahan untuk Prestasi Pribadi (PA <--- EE; –1.773), dan dari
Lokus Kontrol Eksternal untuk Pencapaian Pribadi (PA <--- ELC;
–.895). Demi kepentingan kekikiran, maka, model akhir kebutuhan kelelahan
diperkirakan dengan lima jalur struktural ini dihapus dari model.
Yang penting, seperti dapat dilihat pada Tabel 6.12, mengingat bahwa faktor Peer
Dukungan (PS) tidak memiliki pengaruh pada faktor-faktor lain dan juga tidak terpengaruh
oleh faktor-faktor lain dalam model, itu tidak lagi memiliki relevansi yang berarti
dan dengan demikian perlu juga dihilangkan dari model. Akhirnya, sebelum meninggalkan
ing Model 6 dan Tabel 6.12, perhatikan bahwa semua varians faktor dan kovarian
ditemukan signifikan secara statistik.
Karena estimasi standar biasanya menarik untuk disajikan
hasil dari model persamaan struktural, biasanya menarik untuk diminta
statistik ini ketika Anda telah menentukan model akhir Anda. Mengingat bahwa
Model 7 akan berfungsi sebagai model akhir kami yang mewakili penentu
kelelahan guru, permintaan ini dibuat dengan mengklik Properties Analisis
icon (), yang, seperti ditunjukkan pada Bab 5, memicu kotak dialog terkait
dan tab. Pilih tab Output dan pilih untuk memiliki perkiraan standar
Tabel 6.12 Output AMOS yang Dipilih untuk Model 6: Estimasi yang tidak standar
Bobot Regresi: Jalur Struktural ( Lanjutan )
Memperkirakan
SE
CR
P
Faktor Kovarian
RC <--> SS
–.498
0,051
–9.751
***
RC <--> PS
–262
0,034
–7.644
***
RC <--> CC
–.152
0,022
–6.929
***
SS
<--> CC
.163
0,029
5.629
***
Varians Faktor
RA
.654
0,060
10.879
***
RC
0,575
0,065
8.890
***
DM
0,988
0,085
11.566
***
SS
1.360
0,090
15.103
***
PS
.668
0,057
11.626
***
CC
.240
0,028
8.717
***
Peluang *** <.000
Halaman 207
186
termasuk dalam file output. Selain itu, juga penting untuk meminta kuadrat
beberapa korelasi, sebuah opsi tersedia pada tab yang sama.
Output AMOS yang dipilih: Model 7 (model akhir)
Karena model yang direvisi ini mewakili model SEM penuh akhir untuk diuji dalam
bab ini, beberapa komponen file output AMOS disajikan
dan dibahas. Kami mulai dengan meninjau hasil yang terkait dengan model penilaian-
yang ditampilkan pada Tabel 6.13.
Penilaian model
Ringkasan Goodness-of-fit Seperti yang ditunjukkan pada Tabel 6.13, estimasi ini
model akhir menghasilkan keseluruhan χ 2
(382) nilai 803.875. Pada titik ini, kamu
mungkin bertanya-tanya mengapa ada perbedaan yang sangat besar dalam nilai and 2 ini dan nilai
derajat kebebasan dibandingkan dengan semua model sebelumnya. Alasan utama
Anak, tentu saja, adalah karena penghapusan satu faktor dari model (Peer
Dukung). 6 Terkait, penghapusan ini mengubah jumlah momen sampel,
yang pada gilirannya secara substansial mengubah jumlah derajat kebebasan.
Tabel 6.13 Output AMOS yang Dipilih untuk Model 7 (Model Final):
Model
NPAR
CMIN
DF
P
CMIN / DF
Model default
83
803.875
382
.000
2.104
Model jenuh
465
.000
0
Model kemerdekaan
30
9812.661
435
.000
22.558
Perbandingan dasar
NFI
RFI
JIKA SAYA
TLI
Model
Delta1
rho1
Delta2
rho2
CFI
Model default
0,918
0,907
0,955
0,949
0,955
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
0,043
0,039
0,047
.998
Model kemerdekaan
.190
.187
.193
.000
ECVI
Model
ECVI
LO 90
HI 90
MECVI
Model default
1.622
1.492
1.765
1.637
Model jenuh
1.555
1.555
1.555
1.640
Model kemerdekaan
16.509
15.976
17.054
16.515
Halaman 208
187
Untuk memastikan bahwa Anda benar-benar mengerti bagaimana perbedaan besar ini
terjadi, mari kita tinjau proses ini seperti yang dijelaskan sebelumnya dalam buku ini.
Faktor Dukungan Sebaya memiliki dua variabel indikator, PS1 dan PS2.
Dengan demikian, setelah dihapus, jumlah tindakan yang diamati menurun
dari 32 hingga 30. Berdasarkan rumus (p × [p + 1] / 2) yang dibahas sebelumnya dalam
buku, pengurangan ini menghasilkan 30 × 31/2 (465) momen sampel yang berbeda
(atau elemen dalam matriks kovarians). Mengingat estimasi 83 parameter
eters, jumlah derajat kebebasan adalah 382 (465 - 83). Dengan perbandingan,
seandainya kami mempertahankan faktor Dukungan Sebaya, jumlah momen sampel
akan menjadi 32 × 33/2 (528). Jumlah parameter yang diestimasi
akan meningkat sebesar 9 (1 faktor memuat, 2 varian kesalahan, 1 faktor
varians, dan 5 faktor kovarian), menghasilkan total 92, dan 436
(528 - 92) derajat kebebasan. Namun, demi kepentingan ilmiah
mony, seperti disebutkan sebelumnya, mengingat kehadirannya sebagai faktor yang terisolasi yang tidak memiliki
keterkaitan dengan faktor-faktor lain dalam model, saya anggap paling tepat
untuk mengecualikan faktor Dukungan Sebaya dari model. Impor di sini adalah
bahwa perubahan yang dihasilkan pada model sekarang menjadikannya tidak lagi "bersarang"
dalam model aslinya. Karena itu, tidak pantas untuk menghitung
nilai perbedaan chi-square.
Seperti yang dibuktikan dari indeks good-of-fit yang tersisa, tugas akhir ini
model mewakili kecocokan yang sangat baik dengan data (CFI = .955; RMSEA = .039).
Nilai ECVI dari 1,622 menandakan bahwa ini final, dan yang paling pelit,
Model mewakili paling cocok untuk data secara keseluruhan. Kita beralih ke pemeriksaan
bangsa estimasi parameter, yang disajikan pada Tabel 6.14.
Estimasi parameter
Estimasi yang tidak standar dan standar disajikan dalam
Tabel 6.14. Namun, untuk kepentingan ruang, mereka hanya ditampilkan untuk
jalur struktural dan faktor kovarian; semua varians faktor dan kesalahan (tidak
ditunjukkan), bagaimanapun, ditemukan signifikan secara statistik. Putar dulu
untuk perkiraan yang tidak standar untuk jalur parameter struktural, kami
melihat bahwa semua signifikan secara statistik seperti yang ditunjukkan oleh nilai-nilai kritis
dan nilai-p terkait. Dalam review estimasi standar, bagaimana-
pernah, ada dua nilai yang agak mengkhawatirkan mengingat nilai-nilai mereka
lebih besar dari 1,00; ini mewakili jalur yang mengalir dari Pengambilan Keputusan
untuk Self-Esteem (SE <--- DM) dan dari Dukungan Superior ke Self-Esteem (SE
<--- SS). Meskipun semua estimasi standar yang tersisa adalah sehat, namun
dua perkiraan menyimpang menandakan perlunya penyelidikan lebih lanjut.
Tinjauan faktor kovarian lagi menunjukkan semua harus secara statistik
penting. Namun, dalam meninjau estimasi standar, kami kembali
melihat korelasi yang sangat tinggi antara faktor-faktor Pengambilan Keputusan
dan Dukungan Superior (DM <---> SS), yang jelas terkait dengan kelebihan-
Estimasi sangat tinggi untuk faktor-faktor terkait yang disebutkan di bagian sebelumnya.
Halaman 209
188
Tabel 6.14 Output AMOS yang Dipilih untuk Model 7 (Model Akhir):
Estimasi Tidak Standar dan Standar
Memperkirakan
SE
CR
P
Jalur struktural (bobot regresi)
SE <--- DM
.614
.130
4.723
***
SE <--- SS
–.393
.110
–3.559
***
EE <--- RC
0,777
0,080
9,743
***
EE <--- CC
–.363
.109
–3.332
***
EE <--- SE
–.554
.110
–5.019
***
DP <--- EE
0,317
0,034
9,422
***
DP <--- CC
–450
0,080
–5.622
***
DP <--- SE
–289
0,081
–3.569
***
PA <--- DP
–288
0,044
–6.533
***
PA <--- RA
–.132
0,040
–3,307
***
PA <--- SE
.240
0,070
3.427
***
ELC <--- SE
–193
0,044
–4.390
***
ELC <--- RC
.252
0,030
8.483
***
SE <--- DM
1.393
SE <--- SS
–1.038
EE <--- RC
0,490
EE <--- CC
–.147
EE <--- SE
–.203
DP <--- EE
0,477
DP <--- CC
–275
DP <--- SE
–.159
PA <--- DP
–377
PA <--- RA
–.174
PA <--- SE
.173
ELC <--- SE
–.205
ELC <--- RC
0,463
RA <--> RC
0,490
0,044
11.054
***
DM <--> CC
.187
0,028
6.715
***
DM <--> SS
1.120
0,077
14.529
***
RA <--> DM
–.634
0,054
–11.811
***
RA <--> SS
–.629
0,054
–11.555
***
RA <--> CC
–.149
0,023
–6.523
***
RC <--> DM
–517
0,051
–10.185
***
( lanjutan )
Halaman 210
189
Mengingat perkiraan atipikal terkait ini, saya menganggap penting untuk lebih jauh
menyelidiki kesesuaian faktor-faktor yang ditentukan sebagai penentu guru
habis terbakar. Sebelum menutup bab ini, saya kembali ke yang penting ini dan
masalah yang menantang, tetapi pertama-tama, mari kita lengkapi ulasan kami tentang model akhir ini
dengan beralih ke hasil untuk korelasi berganda kuadrat (SMC), yang
dilaporkan pada Tabel 6.15.
SMC adalah statistik berguna yang independen dari semua unit pengukuran.
surement. Setelah diminta, AMOS menyediakan SMC untuk setiap endog-
enous variabel dalam model. Dengan demikian, pada Tabel 6.15, Anda akan melihat nilai SMC
untuk setiap faktor dependen dalam model (SE, EE, DP, PA, ELC) dan untuk masing-masing
dari jalur regresi faktor-loading (EE1 ke RA2). Representasi nilai SMC
mengirim proporsi varian yang dijelaskan oleh para prediktor
variabel yang dipertanyakan. Misalnya, untuk menafsirkan asosiasi SMC
Dengan Self-Esteem (SE; dilingkari), pertama-tama kita perlu mengulas Gambar 6.9 hingga
memastikan faktor-faktor mana dalam model yang berfungsi sebagai prediktornya. Demikian,
kami menentukan bahwa 24,6% dari varian yang terkait dengan Harga Diri adalah
diperhitungkan oleh dua prediktornya — Pengambilan Keputusan (DM) dan Superior
Dukungan (SS). Demikian juga, kita dapat menentukan bahwa faktor Unggul
Dukungan menjelaskan 90,2% dari varian yang terkait dengan indikator kedua
untuk variabel (SS2; dilingkari). Versi terakhir dari model burnout ini untuk
guru sekolah dasar secara skematis disajikan pada Gambar 6.10.
Tabel 6.14 Output AMOS yang Dipilih untuk Model 7 (Model Akhir):
Estimasi Tidak Standar dan Standar ( Lanjutan )
Memperkirakan
SE
CR
P
RC <--> SS
–.504
0,051
–9.825
***
RC <--> CC
–.152
0,022
–6.913
***
SS <--> CC
.161
0,029
5.575
***
Korelasi faktor
RA <--> RC
0,797
DM <--> CC
.381
DM <--> SS
0,960
RA <--> DM
–.784
RA <--> SS
–.668
RA <--> CC
–.378
RC <--> DM
–.679
RC <--> SS
–568
RC <--> CC
–407
SS <--> CC
.282
Peluang *** <.000
Halaman 211
190
Tabel 6.15 AMOS yang Dipilih
Output untuk Model 7 (Model Final):
Korelasi Berganda Kuadrat
Parameter
Memperkirakan
SE
.242
EE
0,447
DP
0,516
PA
0,337
ELC
0,324
EE1
0,792
EE2
0,840
EE3
0,752
DP1
0,696
DP2
0,561
PA1
.732
PA2
.509
PA3
0,515
ELC1
0,480
ELC2
0,332
ELC3
0,540
ELC4
.442
ELC5
0,632
CC1
.384
CC2
0,590
CC3
0,438
CC4
0,485
SE1
0,595
SE2
0,667
SE3
0,804
SS1
0,794
SS2
0,902
DM1
.505
DM2
.649
WO1
0,574
WO2
0,408
RC1
.465
RC2
.622
RA1
0,520
RA2
0,672
Halaman 212
191
CC4
CC3
CC2
RC2
CC1
1
SS2
SS1
1
ELC1
1
ELC2
ELC3
ELC4
ELC5
SE3
SE2
SE1
1
DM2
DM1
1
EE1
EE2
EE3
DP2
DP1
PA1
PA2
PA3
RA2
RA1
WO1
RC1
WO2
1
1
1
1
1
1
1
1
1
Harga diri
res1
Unggul
Dukung
Keputusan_
Membuat
Kelas
Iklim
Wewenang
Konflik
Depersonali-
lisasi
Wewenang
Kemenduaan
Kelelahan Emosional
Lokus Eksternal
Kontrol
res4
res5
res2
res3
Pribadi
Prestasi
F
IG
kamu
ulang 6
.1
0
F
di
Sebuah
lm
Hai
d
el o
fb
kamu
rn
Hai
kamu
untuk
r elem
e
n
ta
teh
ch
ers.
Halaman 213
192
Mari kita kembali ke perkiraan bermasalah yang dicatat sebelumnya dengan hormat
untuk jalur struktural yang mengarah dari Self-Esteem (SE) ke Pengambilan Keputusan (DM),
dan untuk Dukungan Superior (SS), dan korelasi faktor antara DM dan
SS. Jelas kesulitan muncul dari tumpang tindih konten dalam item
melakukan tiga konstruksi ini. Selain dari penyelidikan menyeluruh terhadap
item yang terlibat, pendekatan lain mungkin untuk menentukan dan menguji dua alternatif
model kelelahan guru. Dalam model pertama (Model A), gabungkan
faktor DM dan SS dengan memuat dua variabel indikator SS ke DM
Faktor, seperti yang kami lakukan dalam kasus Konflik Peran dan Kelebihan Beban Kerja. Di detik
ond model (Model B), hapus faktor SS sepenuhnya dari model.
Presentasi skematis Model A dan B disajikan pada Gambar 6.11
dan 6.12, masing-masing. Meskipun pembatasan ruang mencegah saya
mengatasi analisis ini di sini, saya sangat menyarankan Anda untuk bereksperimen
diri Anda dalam menguji dua model alternatif ini menggunakan data yang sama itu
digunakan dalam menguji model hipotesis diuji dalam bab ini, yang
dapat ditemukan di situs Web pendamping buku.
Dalam bekerja dengan model persamaan struktural, sangat penting untuk
tahu kapan harus berhenti memasang model. Meskipun tidak ada aturan tegas atau
peraturan untuk memandu keputusan ini, tolok ukur terbaik peneliti meliputi
Gambar 6.11 Model hipotetis alternatif hipotesis kelelahan guru: Gabungan
pengambilan keputusan dan faktor pendukung yang unggul (Model A).
Halaman 214
193
(a) pengetahuan menyeluruh tentang teori substantif, (b) memadai
penilaian kriteria statistik berdasarkan informasi yang dikumpulkan dari berbagai
Ada indeks kecocokan, dan (c) pengawasan ketat terhadap kekikiran. Dalam hal ini,
Peneliti SEM harus berjalan di garis tipis antara menggabungkan yang memadai
sejumlah parameter untuk menghasilkan model yang cukup mewakili
data, dan jatuh mangsa ke godaan memasukkan terlalu banyak parameter
Eter dalam upaya bersemangat untuk mencapai model yang paling pas secara statistik. Dua
masalah utama dengan taktik terakhir adalah bahwa (a) model dapat terdiri
parameter yang sebenarnya hanya berkontribusi secara sepele pada strukturnya, dan (b)
semakin banyak parameter dalam model, semakin sulit untuk mengulangi
cate strukturnya harus penelitian validasi masa depan dilakukan.
Dalam mengakhiri bab ini, mungkin bermanfaat untuk meringkas
dan tinjau temuan dari berbagai model yang diuji. Pertama , dari 13 jalur sebab akibat
ditentukan dalam model hipotesis yang direvisi (lihat Gambar 6.8), delapan adalah
ditemukan signifikan secara statistik untuk guru sekolah dasar. Jalan ini
mencerminkan dampak (a) iklim kelas dan konflik peran terhadap emosi
kelelahan; (B) pengambilan keputusan dan dukungan unggul pada harga diri; (c)
harga diri, ambiguitas peran, dan depersonalisasi pada pribadi yang dirasakan
prestasi; dan (d) kelelahan emosional pada depersonalisasi.
Gambar 6.12 Model hipotesa alternatif kelelahan guru: Dukungan Superior
faktor dihapus (Model B).
Halaman 215
194
Kedua , lima jalur, tidak ditentukan apriori (iklim kelas → depersonal-
isasi; harga diri → lokus kontrol eksternal; harga diri → emosional
kelelahan; konflik peran → locus of control eksternal; dan harga diri →
depersonalisasi), terbukti merupakan komponen penting dari struktur sebab akibat
masa depan; mengingat kebermaknaan substantif mereka, mereka selanjutnya
ditambahkan ke model. Ketiga , lima jalur hipotesis (dukungan sebaya → mandiri
berkerumun; konflik peran → depersonalisasi; pengambilan keputusan → lokus eksternal
kontrol; kelelahan emosional → prestasi pribadi; dan ex-
nal locus of control → pencapaian pribadi) tidak secara statistik signifikan
penting dan karena itu dihapus dari model. Akhirnya , dalam terang
dampak tidak efektif dari dukungan teman sebaya terhadap kelelahan bagi guru sekolah dasar, ini
konstruk juga dihapus dari model. Secara umum, berdasarkan pada
temuan dari aplikasi SEM lengkap ini, kita dapat menyimpulkan bahwa ambiguitas peran
ity, konflik peran, iklim ruang kelas, partisipasi dalam pengambilan keputusan
proses, dan dukungan atasan seseorang adalah penentu organisasi yang kuat
penambangan burnout untuk guru sekolah dasar. Prosesnya, bagaimanapun,
tampaknya sangat marah dengan rasa harga diri seseorang.
Catatan akhir
1. Untuk memudahkan interpretasi, item-item tertentu direfleksikan sedemikian tinggi
skor pada Ambiguitas Peran, Konflik Peran, Kelebihan Beban Kerja, EE, DP, dan
Locus of Control Eksternal mewakili persepsi negatif, dan skor tinggi
pada konstruksi yang tersisa mewakili persepsi positif.
2. Sebagai contoh, mungkin untuk mencapai model CFA yang lebih tepat sebagai
menyewakan data yang ada, spesifikasi dari cross-loading atau error covari-
diperlukan.
3. Meskipun rekomendasi saya adalah memasukkan juga yang terstandarisasi
root mean square residual (SRMR; lihat Byrne, 2006), nilainya
harus <.10, koefisien ini tidak secara khusus termasuk dalam model fit
bagian dari file output AMOS.
4. Seperti disebutkan sebelumnya, versi AMOS saat ini tidak menyediakan mekanisme
untuk mengecualikan MI seperti ini dari file output.
5. Tentu saja, memiliki model non-rekursif mewakili model yang dihipotesiskan,
jalur umpan balik seperti itu akan menarik.
6. Jika kita membiarkan faktor itu masuk, kita akan memperoleh lima derajat kebebasan
karena penghapusan lima jalur struktural, sehingga mengubah jumlah
derajat kebebasan hingga 436.
Halaman 216
tiga
bagian
Aplikasi dalam beberapa grup
analisis
7
Bab Pengujian untuk kesetaraan faktorial dari
skor dari alat ukur
(Model CFA urutan pertama) ........................................... .............. 197
8
Bab Testing untuk kesetaraan laten
struktur rata-rata (model CFA Orde Pertama) .......................... 231
9
Bab Pengujian untuk kesetaraan struktur sebab-akibat ............. 257
Halaman 217
Halaman 218
197
tujuh
bab
Menguji faktorial
kesetaraan skor dari
alat ukur
Hingga saat ini, semua aplikasi telah mengilustrasikan analisis berdasarkan tunggal
sampel. Namun, di bagian ini, kami fokus pada aplikasi yang melibatkan lebih banyak
dari satu sampel di mana masalah utama adalah apakah komponen atau tidak
dari model pengukuran dan / atau model struktural adalah setara
(Yaitu, invarian) lintas kelompok kepentingan tertentu. Di seluruh bab ini
ter dan lainnya yang melibatkan aplikasi multigroup, istilah kesetaraan
dan invarian digunakan secara sinonim (demikian pula, kata sifatnya setara
dan invarian ); penggunaan kedua istilah tersebut hanyalah masalah preferensi.
Dalam mencari bukti kesetaraan multigroup, peneliti biasanya
tertarik untuk menemukan jawaban untuk satu dari lima pertanyaan. Pertama , lakukan
item-item yang terdiri dari alat ukur tertentu beroperasi sama
perlahan di seluruh populasi yang berbeda (misalnya, jenis kelamin, usia, kemampuan, dan budaya)?
Dengan kata lain, apakah model pengukuran invarian-kelompok? Kedua , adalah
struktur faktorial instrumen tunggal atau konstruk teoretis
setara di seluruh populasi yang diukur baik dengan item dari satu
ukuran penilaian, atau dengan skor subskala dari berbagai instrumen?
Biasanya, pendekatan ini mencontohkan fokus validitas konstruk. Sedemikian
contoh, kesetaraan dari kedua model pengukuran dan struktural
menarik. Ketiga , adalah jalur tertentu dalam struktur sebab akibat tertentu
setara di seluruh populasi? Keempat , adalah sarana laten untuk
apakah konstruksi dalam model berbeda di seluruh populasi? Akhirnya , apakah
struktur faktorial dari suatu alat ukur mereplikasi seluruh industri
sampel penyok diambil dari populasi yang sama? Pertanyaan terakhir ini, dari
tentu saja, membahas masalah validasi silang. Aplikasi yang disajikan dalam
bab ini, serta dua bab berikutnya, memberi Anda spesifik
contoh bagaimana masing-masing pertanyaan ini dapat dijawab dengan menggunakan struc-
pemodelan persamaan tural berdasarkan pada pendekatan grafis AMOS. Itu
aplikasi yang diilustrasikan dalam Bab 7 dan 9 didasarkan pada analisis
struktur kovarians (COVS), sedangkan aplikasi pada Bab 8 adalah
Halaman 219
198
berdasarkan analisis mean dan struktur kovarians (MACS). Kapan
analisis didasarkan pada COVS, hanya varians dan kovariansi dari
variabel yang diamati menarik; semua aplikasi grup tunggal diilustrasikan
sejauh ini dalam buku ini telah didasarkan pada analisis COVS. Namun,
ketika analisis didasarkan pada MACS, data yang dimodelkan mencakup kedua sampel
sarana dan kovarian. Detail terkait dengan pendekatan MACS ke invari-
ace dibahas dalam Bab 8.
Dalam aplikasi multigroup pertama ini, kami menguji hipotesis yang terkait dengan
invarian dari alat ukur tunggal di dua panel yang berbeda
guru. Secara khusus, kami menguji kesetaraan ukuran faktorial-
ment (yaitu, item skala) dari Maslach Burnout Inventory (MBI; Maslach
& Jackson, 1986) 1 dan struktur laten yang mendasarinya (yaitu, hubungan di antara
dimensi burnout) lintas guru sekolah dasar dan menengah.
Tujuan dari penelitian asli, dari mana contoh ini diambil (Byrne,
1993), adalah (a) untuk menguji validitas faktorial MBI secara terpisah
masing-masing dari tiga kelompok guru, (b) diberikan temuan yang tidak memadai, untuk memberikan
berpose dan menguji struktur faktorial alternatif, (c) untuk memvalidasi silang ini
struktur atas sampel independen dalam setiap kelompok guru, dan (d)
untuk menguji kesetaraan pengukuran item dan struktur teoritis
mendatangi tiga panel pengajaran. Hanya menganalisis bantalan pada tes untuk
kesetaraan di total sampel SD ( n = 1.159) dan sekunder
( n = 1.384) guru menarik dalam bab ini. 2 Sebelum meninjau
model di bawah pengawasan, bagaimanapun, izinkan saya pertama kali untuk memberi Anda
ikhtisar singkat tentang prosedur umum yang terlibat dalam pengujian kesetaraan
lintas kelompok.
Menguji invarian multigroup:
Gagasan umum
Pengembangan prosedur yang mampu menguji invarian multigroup
berasal dari karya mani Jöreskog (1971b). Dengan demikian, Jöreskog
direkomendasikan bahwa semua tes untuk kesetaraan dimulai dengan tes global
kesetaraan struktur kovarian lintas kelompok kepentingan. Menyatakan
lebih formal, langkah awal ini menguji hipotesis nol (H 0 ), Σ 1 = Σ 2 = ... Σ G ,
di mana Σ adalah matriks varians populasi-kovarian, dan G adalah jumlahnya
kelompok. Penolakan terhadap hipotesis nol kemudian berargumen untuk nonequiva-
lence kelompok dan, dengan demikian, untuk pengujian selanjutnya semakin
hipotesa restriktif untuk mengidentifikasi sumber ketidaksesuaian.
Di sisi lain, jika H 0 tidak dapat ditolak, grup dianggap demikian
memiliki struktur kovarians yang setara, dan, dengan demikian, tes untuk invarian tidak
dibutuhkan. Dipersembahkan dengan temuan seperti itu, Jöreskog merekomendasikan kelompok itu
data harus dikumpulkan dan semua pekerjaan investigasi selanjutnya berdasarkan pada dosa
analisis kelompok kecil.
Halaman 220
Bab tujuh: Menguji kesetaraan faktorial skor instrumen 199
Meskipun tes omnibus ini tampaknya masuk akal dan adil
lugas, sering mengarah pada temuan yang bertentangan sehubungan dengan
kesetaraan lintas kelompok. Misalnya, terkadang hipotesis nol
ditemukan dapat dipertahankan, namun tes hipotesis berikutnya terkait dengan
kesetaraan pengukuran atau parameter struktural tertentu harus
ditolak (lihat, misalnya, Jöreskog, 1971b). Atau, hipotesis nol global
esis dapat ditolak, namun tes untuk ekuivalensi pengukuran dan
hold struktural invarian (lihat, misalnya, Byrne, 1988a). Ketidakkonsistenan dalam
tes global untuk kesetaraan berasal dari kenyataan bahwa tidak ada garis dasar
model untuk tes varians varians-kovarian matriks, dengan demikian membuat
itu secara substansial lebih ketat daripada kasus untuk tes invarian
terkait dengan set parameter model. Memang sejumlah ketidaksetaraan
mungkin ada di seluruh kelompok yang diteliti. Secara realistis, kemudian,
untuk persamaan set parameter model tertentu akan tampak
pendekatan yang lebih informatif dan menarik untuk invarian multigroup.
Dalam pengujian untuk kesetaraan lintas kelompok, set parameter adalah
diuji secara teratur dan semakin membatasi.
Tergantung pada model dan hipotesis yang akan diuji, set berikut
parameter paling umum menarik dalam menjawab pertanyaan terkait
untuk kesetaraan multigroup: (a) memuat faktor, (b) faktor kovarian,
dan (c) jalur regresi struktural. Secara historis, tradisi Jöreskog dari
pengujian invarian menyatakan bahwa kesetaraan varian kesalahan dan
riance juga harus diuji. Namun, sekarang diterima secara luas untuk
melakukannya merupakan tes data yang terlalu ketat. Meskipun demikian, disana
dapat menjadi contoh khusus di mana temuan terkait pada kesetaraan atau
nonequivalence dari parameter ini dapat memberikan informasi penting
(mis. item skala); kami akan mengunjungi keadaan ini di bab ini.
Strategi pengujian
Pengujian untuk kesetaraan faktorial mencakup serangkaian langkah hierarkis
yang dimulai dengan penentuan model dasar untuk setiap kelompok
benar. Model ini mewakili model yang paling sesuai dengan data dari
perspektif baik kekikiran dan kebermaknaan substantif. Mengatasi masalah
kombinasi model fit dan model parsimony agak rumit, itu
idealnya mewakili satu yang cocok dengan data dan parameter minimal
spesifikasinya optimal. Setelah menyelesaikan tugas pendahuluan ini,
tes untuk ekuivalensi parameter dilakukan lintas kelompok di
masing-masing dari beberapa level yang semakin ketat. Jöreskog (1971b) berpendapat itu
tes-tes ini harus dimulai dengan pemeriksaan ukuran yang paling tepat.
model. Secara khusus, pola memuat faktor untuk masing-masing yang diamati
mengukur diuji untuk kesetaraannya di seluruh kelompok. Begitu diketahui
yang ukurannya adalah invarian-kelompok, parameter-parameter ini dibatasi
Halaman 221
200
sama sementara pengujian selanjutnya dari parameter struktural dilakukan.
Karena setiap set parameter baru diuji, yang dikenal sebagai invarian kelompok
semut secara kumulatif dibatasi sama. Dengan demikian, proses penentuan
nonequivalence pengukuran dan parameter struktural lintas kelompok
melibatkan pengujian serangkaian hipotesis yang semakin ketat. Kita
sekarang giliran tes invarian yang menarik di bab ini.
Dalam analisis kelompok tunggal pendahuluan saya yang dilaporkan dalam Byrne (1993), saya menemukan
bahwa, untuk setiap kelompok guru, MBI Item 12 dan 16 sangat
lematik; barang-barang ini kemudian dihapus, dan sebuah model diusulkan
di mana hanya 20 item yang tersisa digunakan untuk mengukur yang kurang
konstruksi burnout. 3 Versi 20 item dari MBI ini menyediakan
dasar untuk model hipotesis yang diuji dalam penentuan
model dasar untuk setiap kelompok guru dan disajikan secara skematis dalam
Gambar 7.1. Jika model ini cocok dengan data untuk kedua kelompok guru, itu
akan tetap model hipotesis yang diuji untuk kesetaraan di seluruh
dua kelompok. Di sisi lain, harus model hipotesis MBI
struktur menunjukkan data yang kurang baik untuk SD atau sekunder
guru, itu akan dimodifikasi sesuai dan menjadi dihipotesiskan
model multigroup yang diuji. Sekarang kita beralih ke analisis yang diperlukan ini.
Menetapkan model dasar: Gagasan umum
Karena estimasi model baseline tidak melibatkan antar kelompok
kendala, data dapat dianalisis secara terpisah untuk setiap kelompok. Namun,
dalam pengujian invarian, kendala kesetaraan diberlakukan pada khususnya
parameter dan, dengan demikian, data untuk semua kelompok harus dianalisis secara bersamaan
untuk mendapatkan estimasi yang efisien (Bentler, 2005; Jöreskog & Sörbom,
1996a); pola parameter tetap dan bebas tetap tetap
konsisten dengan spesifikasi model dasar untuk setiap kelompok. 4 Namun demikian
Penting untuk dicatat bahwa karena alat ukur sering kelompok
spesifik dalam cara mereka beroperasi, ada kemungkinan bahwa model dasar ini
mungkin tidak sepenuhnya sama lintas kelompok (lihat Bentler, 2005; Byrne,
Shavelson, & Muthén, 1989). Misalnya, mungkin itu yang paling pas
model untuk satu kelompok menyertakan kovarian kesalahan (lihat, misalnya, Bentler, 2005)
atau cross-loading (lihat, misalnya, Byrne, 1988b, 2004; Reise, Widaman, & Pugh,
1993), sedangkan parameter ini mungkin tidak ditentukan untuk kelompok lain.
Dipresentasikan dengan temuan seperti itu, Byrne et al. (1989) menunjukkan bahwa dengan menerapkan
menemukan kondisi invarian pengukuran parsial , analisis multigroup
masih bisa melanjutkan. Dengan demikian, beberapa tetapi tidak semua parameter pengukuran
dibatasi sama lintas kelompok dalam pengujian kesetaraan struktural
Halaman 222
BARANG 1
ITEM2
1
1
err1
err2
ITEM6
ITEM8
ITEM13
ITEM3
err3
1
1
1
1
1
1
err6
err8
err13
ITEM14
err14
1
ITEM20
1
err20
ITEM10
ITEM11
ITEM15
ITEM5
err5
1
1
1
1
err10
err11
err15
ITEM22
err22
1
Depersonalisasi
F2
1
ITEM4
1
err4
ITEM9
ITEM17
ITEM7
err7
1
1
1
err9
err17
ITEM18
err18
ITEM19
err19
1
1
1
ITEM21
err21
Pribadi
Prestasi
F3
Emosional
Kelelahan
F1
Gambar 7.1. Awalnya dihipotesiskan model struktur MBI 20-item untuk SD
dan guru sekolah menengah.
Halaman 223
202
atau faktor laten berarti perbedaan. Penting untuk dicatat bahwa bagaimanapun juga
tahun-tahun berikutnya, konsep kesetaraan pengukuran parsial telah
memicu perdebatan sederhana dalam literatur teknis (lihat Millsap & Kwok,
2004; Widaman & Reise, 1997). Meskipun demikian, aplikasinya tetap populer
strategi ular dalam menguji kesetaraan multigroup dan terutama begitu dalam
bidang penelitian lintas budaya. Perspektif yang diambil dalam buku ini adalah
konsisten dengan dalil asli kami bahwa pengetahuan a priori utama
perbedaan spesifikasi model sangat penting untuk penerapan invarian-
prosedur pengujian.
Menetapkan model dasar: Dasar dan
guru sekolah menengah
Dalam pengujian untuk validitas skor terkait dengan 20 item MBI yang diusulkan
model untuk setiap kelompok guru, temuan konsisten di seluruh panel di
mengungkapkan kovariansi kesalahan yang sangat besar antara Item 1 dan 2,
dan antara Butir 5 dan 15. Seperti yang telah dibahas dalam Bab 4, kesalahan ini
kovarian dapat mencerminkan konten yang tumpang tindih antara setiap pasangan item.
Meskipun tumpang tindih antara Item 1 dan 2 juga bermasalah dengan
sampel guru laki-laki SD yang lebih sempit (lihat Bab 4), keberadaannya
di sini sehubungan dengan sampel yang jauh lebih besar dari SD dan
Lebih jauh lagi, para guru (tidak ada pemisahan gender) semakin membuktikan sifat bermasalah tersebut
dari dua item MBI ini, keduanya dirancang untuk mengukur emosi
kelelahan. Butir 1 mengungkapkan gagasan perasaan terkuras secara emosional
dari pekerjaan seseorang; Butir 2 berbicara tentang perasaan lelah di penghujung hari.
Jelas, kedua item ini tampaknya mengekspresikan ide yang sama, meskipun
kata-kata telah sedikit dimodifikasi. Dengan cara yang serupa, Butir 5 dan 15,
keduanya dirancang untuk mengukur depersonalisasi, menunjukkan tumpang tindih yang sama
efek ping untuk sampel lengkap bebas-jender dari SD dan SMP
guru. Butir 5 meminta responden untuk merefleksikan sejauh mana ia atau
dia memperlakukan beberapa siswa sebagai objek yang tidak pribadi, sementara Item 15 menyentuh
perasaan tidak peduli apa yang terjadi pada beberapa siswa. 5
Karena banyak pembaca mungkin ingin meniru analisis ini berdasarkan
data yang sama ditemukan di situs Web pendamping buku, saya menganggap itu berharga-
sementara untuk membahas secara singkat temuan terkait dengan masing-masing kelompok guru.
Kami beralih dulu ke guru sekolah dasar. Dengan indeks modifikasi (MI) dari
189.195 dan statistik perubahan parameter yang diharapkan (EPC) dari 0,466, jelas
bahwa kovarians kesalahan antara Item 1 dan 2 mewakili model utama
salah spesifikasi. Demikian juga, situasi yang sama berlaku untuk kesalahan kovari
ance melibatkan Item 5 dan 15 (MI = 56.361; EPC = .284), 6 meskipun agak
kurang dramatis. Selain itu, berdasarkan Model 3 di mana dua sebelumnya
kovariansi kesalahan ditentukan, hasil mengungkapkan nilai MI 44,766 dan
nilai EPC 0,337 yang terkait dengan kovarian kesalahan antara Item 6 dan 5.
Halaman 224
Bab tujuh: Menguji kesetaraan faktorial dari skor instrumen 203
Meskipun nilai-nilai ini relatif tinggi dan mendekati nilai kesalahan
kovarians antara Item 5 dan 15, dukungan untuk spesifikasinya lebih
sulit untuk dipertahankan secara substantif. Item 6, dirancang untuk mengukur Emosional
Keletihan, berkaitan dengan stres akibat bekerja dengan orang sepanjang hari.
Sebaliknya, Item 5 dirancang untuk mengukur Depersonalisasi dan memanfaatkan
perasaan bahwa guru merasa dia memperlakukan beberapa siswa seolah-olah mereka
adalah benda-benda impersonal. Diberi jelas kurangnya koherensi antara ini
dua item, saya anggap paling tepat untuk tidak menambahkan kesalahan kovarians
antara Item 5 dan 6 ke model.
Sekarang mari kita beralih ke hasil untuk guru sekolah menengah. Konsisten dengan
Temuan untuk guru sekolah dasar, tes awal dihipotesiskan
Model mengungkapkan nilai MI (276.497) dan EPC (0,522) yang terlalu besar
membenci kesalahan kovarians antara Item 1 dan 2. Demikian juga, hasilnya
berdasarkan uji Model 2 menghasilkan bukti kesalahan spesifik
tion yang melibatkan kovarians kesalahan antara Item 5 dan 15 (MI = 99.622;
EPC = .414). Berbeda dengan guru sekolah dasar, hasilnya tidak
menyarankan kesalahan spesifikasi antara istilah kesalahan terkait Item 5
dan 6. Meskipun demikian, nilai MI 45,104 terkait dengan kovarians kesalahan
antara Butir 7 dan 21 menyerukan pemeriksaan. Diberikan relatif kecil
nilai EPC (.225), bersama dengan ketidakcocokan konten,
Saya mengabaikan spesifikasi parameter ini dalam model. Kedua item
dirancang untuk mengukur Prestasi Pribadi. Sedangkan Butir 7 menyarankan-
menyatakan bahwa responden menangani masalah siswa secara efektif, Butir 21
menunjukkan bahwa dia berurusan dengan masalah emosional secara efektif.
tenggelam dalam pekerjaan. Meskipun kontennya agak mirip dari yang umum
perspektif, saya berpendapat bahwa kekhususan Item 21 dalam penargetan emosional
masalah berargumentasi dengan spesifikasi parameter ini.
Meskipun modifikasi ini pada model awalnya dihipotesiskan
Struktur MBI menghasilkan model pemasangan yang jauh lebih baik untuk kedua elemen.
guru tary (χ 2
(165) = 638,49; CFI = .92; RMSEA = .06) dan sekunder
guru (χ 2
(165) = 1083,39; CFI = .92; RMSEA = .06), namun demikian cocok
sederhana yang terbaik. Namun, dalam penilaian saya seperti yang dijelaskan di atas, itu
tidak pantas untuk memasukkan perubahan lebih lanjut pada model. Sebagai
selalu, perhatian pada kekikiran adalah yang paling penting dalam SEM, dan ini
terutama berlaku dalam tes untuk kesetaraan multigroup. Semakin banyak
Model yang dihipotesiskan dimodifikasi pada tahap analisis ini
lebih sulit untuk menentukan pengukuran dan kesetaraan struktural.
Statistik Good-of-fit terkait dengan penentuan moda baseline
Elemen untuk setiap kelompok guru dirangkum dalam Tabel 7.1.
Temuan dari pengujian ini untuk model dasar akhirnya menghasilkan
satu yang secara spesifik ditentukan untuk pengajaran dasar dan menengah
ers. Namun, penting untuk menunjukkan itu hanya karena direvisi
model juga ditentukan untuk masing-masing kelompok guru, fakta ini dalam no
Halaman 225
204
T
Sebuah
b
le 7.1
S
kamu
m
m
Sebuah
ry G
Hai
Hai
d
n
e
ss-o
fF
itu S
tatistics dalam D
eterm
di
atio
tidak
fB
Sebuah
selin
e M.
Hai
d
els
Model
χ2
df
CFI
RMSEA
RMSEA 90%
CI
ECVI
Guru sekolah dasar
1. Model tiga faktor yang dihipotesiskan
1149.808
167
0,893
0,071
0,067; 0,075
1.067
2. Model 1 dengan satu kesalahan kovarians
ditentukan (Item 1 dan 2)
939.932
166
0,916
0,063
0,060; 0,067
0,888
878.954
165
0,922
0,061
0,057; 0,065
0.837
Guru sekolah menengah
1. Model tiga faktor yang dihipotesiskan
1500.206
167
0,877
0,076
0,072; 0,080
1.147
1190.005
166
0,906
0,067
0,063; 0,070
0,924
1083.391
165
0,916
0,063
0,060; 0,067
0,848
Halaman 226
cara menjamin kesetaraan pengukuran item dan yang mendasarinya
struktur teoritis; hipotesis ini harus diuji secara statistik. Untuk
Misalnya, meskipun memuat faktor yang ditentukan secara identik, ada kemungkinan bahwa,
dengan pengenaan kendala kesetaraan lintas kelompok, ketahanan
invarian tidak berlaku; yaitu tautan antara item dan targetnya
faktor berbeda di seluruh kelompok. Ekuivalensi yang didalilkan seperti itu, karenanya, harus
diuji secara statistik.
Sebagai konsekuensi dari modifikasi yang dihipotesiskan semula
Struktur MBI 20-item dalam penentuan model baseline, hipotesis
model yang diuji dalam contoh ini adalah MBI 20-item yang direvisi
struktur seperti yang secara skematis digambarkan dalam Gambar 7.2. Yang menjadi masalah adalah luasnya
yang struktur faktorialnya setara di seluruh tingkat dasar dan
guru ondary. Lebih khusus lagi, kami menguji kesetaraan fasilitas.
untuk memuat (invariansi pengukuran) dan korelasi faktor (struktural
invarian) di seluruh panel pengajaran. Selain itu, instruktif untuk menguji
untuk kesetaraan lintas-grup dari dua kovarian kesalahan sebagai informasi ini
tion mencerminkan lebih lanjut tentang validitas item-item khusus ini.
Ketika bekerja dengan analisis struktur kovarian yang melibatkan mul-
Pada kelompok tertentu, data yang terkait dengan masing-masing tentu saja harus diketahui
program. Biasanya, untuk sebagian besar program SEM, data berada dalam beberapa
file eksternal, lokasi yang ditentukan dalam file input. Sebaliknya,
Namun, mengingat bahwa tidak ada file input yang digunakan dengan pendekatan grafis untuk
AMOS menganalisis, 7 nama masing-masing kelompok dan lokasi datanya
file harus dikomunikasikan ke program sebelum analisis yang melibatkan
banyak grup. Prosedur ini mudah dilakukan melalui Kelola
Kotak dialog grup , yang, pada gilirannya, tersedia dengan menarik ke bawah
Menu Model-Fit dan pilih opsi "Kelola Grup" seperti yang ditunjukkan pada
Gambar 7.3. Setelah Anda mengklik opsi ini, Anda akan disajikan dengan
Kelola kotak dialog Grup yang ditunjukkan pada Gambar 7.4. Namun, ketika
dikirim, teks yang akan Anda lihat di kotak dialog akan menjadi Nomor Grup 1 . Untuk
menunjukkan nama grup pertama, klik Baru dan ganti yang pertama
teks dengan nama grup seperti yang ditunjukkan untuk Guru Sekolah Dasar pada Gambar 7.4.
Mengklik New lagi menghasilkan teks Grup Nomor 2 , yang diganti
dengan nama Guru Sekunder . Dengan lebih dari dua grup, setiap klik
menghasilkan nomor grup berikutnya dan proses diulangi sampai semuanya
kelompok telah diidentifikasi.
Setelah nama grup ditetapkan, tugas selanjutnya adalah mengidentifikasi
tify file data untuk masing-masing. Prosedur ini sama dengan yang ditunjukkan
disebutkan sebelumnya dalam buku untuk kelompok tunggal, satu-satunya perbedaan adalah itu
nama file untuk setiap grup harus dipilih. Kotak dialog File Data untuk
Halaman 227
206
BARANG 1
ITEM2
1
1
err1
err2
ITEM6
ITEM8
ITEM13
ITEM3
err3
1
1
1
1
1
1
err6
err8
err13
ITEM14
err14
1
ITEM20
1
err20
ITEM10
ITEM11
ITEM15
ITEM5
err5
1
1
1
1
err10
err11
err15
ITEM22
err22
1
Depersonalisasi
F2
1
ITEM4
1
err4
ITEM9
ITEM17
ITEM7
err7
1
1
1
err9
err17
ITEM18
err18
ITEM19
err19
1
1
1
ITEM21
err21
Pribadi
Prestasi
F3
Emosional
Kelelahan
F1
Gambar 7.2 Model baseline multigroup yang dihipotesiskan dari struktur MBI.
Halaman 228
menyajikan aplikasi yang mencakup informasi yang berkaitan dengan kedua sekolah dasar
( N = 1.159) dan guru menengah ( N = 1.384) ditunjukkan pada Gambar 7.5.
Akhirnya, spesifikasi model multigroup di AMOS Graphics adalah
dipandu oleh beberapa aturan standar dasar. Salah satu defaultnya adalah semua grup
Gambar 7.3 Grafik AMOS: Analisis menu drop-down yang menunjukkan pilihan
Kelola Grup.
Gambar 7.4 Grafik AMOS: Kelola kotak dialog Grup yang menunjukkan pelabelan a
kelompok baru (Guru Sekolah Dasar).
Halaman 229
208
dalam analisis akan memiliki struktur diagram jalur yang identik, kecuali
secara eksplisit dinyatakan sebaliknya. Akibatnya, struktur model perlu
hanya untuk ditarik untuk kelompok pertama; semua grup lain akan memiliki hal yang sama
struktur secara default. Dengan demikian, model multigroup dihipotesiskan ditunjukkan pada
Gambar 7.2 mewakili yang akan diuji untuk invariannya di seluruh elemen-
guru sekunder dan menengah. Di sisi lain, jika moda
Mereka ditunjukkan berbeda dalam beberapa cara untuk setiap kelompok, tindakan pencegahan khusus
yang membahas situasi ini harus diambil (untuk contoh jenis ini
aplikasi, lihat Byrne, 2004).
Model konfigurasi
Setelah memasukkan nama yang dikaitkan dengan setiap grup, bersama dengan
terkait file data, kami sekarang siap untuk melanjutkan dengan analisis. Ini-
Langkah awal dalam pengujian invarian hanya mensyaratkan bahwa jumlah faktor yang sama
tor dan pola pemuatan faktor sama di seluruh kelompok. Karena itu, tidak
kendala kesetaraan dikenakan pada salah satu parameter. Jadi, sama saja
parameter yang diperkirakan dalam model dasar untuk setiap kelompok terpisah
kembali diperkirakan dalam model multigroup ini. Intinya, kalau begitu, Anda
dapat menganggap model yang diuji di sini sebagai representasi multigroup
dari model dasar. Dengan demikian, ia memasukkan model dasar
untuk guru sekolah dasar dan menengah dalam file yang sama. Dalam metode
literatur odologis, model ini biasa disebut model konfigurasi ;
Gambar 7.5 Grafik AMOS: Kotak dialog File Data: Identifikasi file data.
Halaman 230
terkait, kami menguji invarian configural. Impor khusus dalam pengujian
untuk invarian configural adalah bahwa meskipun struktur faktor untuk setiap kelompok
mirip, tidak identik. Karena tidak ada batasan kesetaraan yang dikenakan
parameter apa pun dalam model, tidak ada penentuan perbedaan kelompok terkait
baik item atau faktor kovarian dapat dibuat. Klaim semacam itu berasal
dari tes selanjutnya untuk invarian dijelaskan segera.
Mengingat bahwa kami telah melakukan tes ini di pendirian
dari model dasar, Anda pasti bertanya-tanya mengapa perlu
ulangi prosesnya. Model multigroup ini melayani dua fungsi penting
tions. Pertama , tes invarian memungkinkan untuk dilakukan di kedua
kelompok secara bersamaan . Dengan kata lain, parameter diperkirakan untuk
kedua kelompok secara bersamaan. Kedua , dalam pengujian untuk invarian, fit
model konfigurasi ini memberikan nilai dasar terhadap semua itu
model invarian yang ditentukan kemudian dibandingkan. Meskipun
struktur multi-kelompok model ini dan selanjutnya, menganalisis hasil
hanya satu set statistik kesesuaian untuk kesesuaian model keseluruhan. Saat estimasi ML adalah
digunakan, statistik χ 2 adalah sumatif dan, dengan demikian, nilai keseluruhan χ 2 untuk
model multigroup harus sama dengan jumlah dari nilai χ 2 yang diperoleh
ketika model dasar diuji secara terpisah untuk setiap kelompok pengajaran
ers. 8 Konsisten dengan analisis kelompok tunggal, good-of-fit untuk beberapa
parameterisasi tigroup harus menunjukkan kecocokan yang baik dengan data untuk keduanya
kelompok. Namun secara realistis, statistik kecocokan multigroup ini tidak akan pernah bisa
lebih baik daripada yang ditentukan untuk masing-masing kelompok secara terpisah. Jadi, dalam terang
hanya cocok untuk model dasar untuk kedua elemen.
Untuk guru menengah dan menengah, kita tidak bisa berharap untuk melihat hasil yang lebih baik
model multigroup awal ini.
Sebelum menguji invarian terkait dengan model konfigurasi, I
ditujukan pada peringatan yang dicatat pada catatan 8 (lihat akhir bab) dan periksa
Opsi Emulisrel6 terdaftar pada tab Estimasi dari properti Analisis dia-
kotak log, diilustrasikan pada Gambar 7.6. Karena file output AMOS untuk multi-
model kelompok mungkin tampak sedikit membingungkan pada awalnya, saya sekarang meninjau dipilih
porsi karena mereka berkaitan dengan model awal ini.
Output AMOS yang dipilih: Model konfigurasi
(Tidak ada batasan kesetaraan yang dipaksakan)
Meskipun output ini jelas terkait dengan model multigroup, pro-
gram juga memberikan informasi terpisah untuk setiap grup di bawah
belajar. Karena format output dasar untuk analisis grup tunggal telah
telah dibahas sebelumnya dalam buku ini, saya membatasi ulasan saya di sini untuk Parameter
Ringkasan karena hanya berkaitan dengan guru sekolah dasar. Semua bagian lain dari
keluaran fokus pada hasil untuk dua kelompok dalam kombinasi. Mari berbalik
pertama ke Gambar 7.7.
Halaman 231
210
Dalam meninjau Gambar 7.7, Anda akan melihat pohon output teks biasa di
kolom sempit di sebelah kiri, dari mana Anda dapat memilih bagian dari
output yang ingin Anda tinjau. Tidak ditampilkan di sini karena batasan ruang adalah
kelanjutan kolom vertikal ini di mana nama grup terdaftar. Diberikan
yang saya klik pada Guru Sekolah Dasar sebelum memilih Ringkasan Parameter
dari pohon file output, saya disajikan dengan konten yang ditunjukkan pada
Gambar 7.7; mengklik Guru Sekunder , tentu saja, akan menghasilkan hasil
berkaitan dengan kelompok itu. Di bagian file output ini, AMOS fokus
pada parameter yang ditetapkan dan diperkirakan secara bebas, yang terakhir menjadi klasifikasi lebih lanjut
sified sebagai Berlabel dan berlabel . Parameter berlabel adalah parameter yang ada
dibatasi sama dengan grup atau parameter lain. Menentukan kesetaraan
Gambar 7.7 Grafik AMOS: Ringkasan parameter untuk guru sekolah dasar.
Gambar 7.6 Grafik AMOS: Tab Estimasi kotak dialog Output.
Halaman 232
kendala yang terkait dengan parameter dirinci dalam Bab 5; spesifikasi
untuk kelompok akan dibahas nanti dalam bab ini. Karena tidak ada kendala
telah dikenakan dalam model konfigurasi ini, teks keluaran menunjukkan nol
parameter berlabel. Satu-satunya parameter yang relevan untuk model ini adalah
jalur regresi yang mewakili pemuatan faktor (disebut Bobot ),
ances, dan covariances, yang semuanya diperkirakan secara bebas.
Beralih ke hasil untuk jalur regresi, kami mencatat bahwa 23 sudah diperbaiki,
dan 17 diperkirakan secara bebas. Parameter tetap mewakili 20 regresi-
jalur sion terkait dengan istilah kesalahan, selain tiga faktor
jalur regresi ditetapkan hingga 1,00 untuk tujuan identifikasi model; 17
parameter yang tidak berlabel mewakili estimasi faktor muatan. Melanjutkan
melalui sisa tabel, lima kovarian mewakili
di antara tiga faktor ditambah dua kovarian kesalahan. Akhirnya,
23 varians merujuk ke 20 varians kesalahan selain 3 varians faktor
ances. Secara total, jumlah parameter yang ditentukan untuk dihipotesiskan
model multigroup dari struktur MBI yang ditunjukkan pada Gambar 7.2 adalah 68, di antaranya 23
diperbaiki, dan 45 diperkirakan secara bebas. Namun, ingat bahwa angka ini
hanya untuk satu kelompok — guru sekolah dasar.
Mari kita beralih ke Gambar 7.8, di mana derajat informasi kebebasan
untuk model multigroup dirangkum. Di bawah judul Komputasi
Derajat Kebebasan (Model Anda) , kami menemukan tiga baris informasi. Itu
Gambar 7.8 Grafik AMOS: Catatan ringkasan terkait dengan konfigurasi multigroup
model.
Halaman 233
212
baris pertama berkaitan dengan jumlah momen sampel (yaitu, jumlah elemen
dalam matriks kovarians gabungan). Dalam Bab 2, Anda belajar caranya
hitung angka ini untuk satu grup. Namun, mungkin bermanfaat untuk itu
meninjau perhitungan relatif terhadap aplikasi multigroup. Mengingat bahwa
ada 20 variabel yang diamati (yaitu, 20 item) dalam model hipotesis,
kita tahu bahwa, untuk satu kelompok, ini akan menghasilkan 210 (20 × 21/2) lembar
informasi (atau, dengan kata lain, contoh momen). Jadi, untuk dua kelompok,
jumlah ini adalah 420.
Baris 2 pada Gambar 7.8 berkaitan dengan jumlah parameter yang diestimasi pada
model. Pada Gambar 7.7, kami mengamati bahwa angka ini (untuk SD
guru) berusia 45 (17 + 5 + 23). Dengan mempertimbangkan kedua kelompok, maka, kita
memiliki 90 parameter yang diestimasi. Derajat kebebasan dilaporkan pada baris 3
menjadi 330. Diberikan 420 momen sampel dan 90 estimasi parameter, ini
meninggalkan kita dengan 420 - 90 = 330 derajat kebebasan. (Untuk ulasan dan eksplorasi
bangsa perhitungan ini, lihat Bab 2.)
Penilaian model
Mari kita beralih ke Tabel 7.2, di mana statistik yang sesuai untuk ini
model multigroup dilaporkan. Nilai kunci yang perlu diperhatikan adalah nilai
Tabel 7.2 Statistik Good-of-Fit untuk Model Konfigurasi
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
90
1962.345
330
.000
5.946
Model jenuh
420
.000
0
Kemerdekaan
model
40
20445.418
380
.000
53.804
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Model Anda
0,904
0,889
0,919
0,906
0,919
Model jenuh
1.000
1.000
1.000
Kemerdekaan
model
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,044
0,042
0,046
1.000
Kemerdekaan
model
.144
.142
.146
.000
Halaman 234
χ 2 statistik, CFI, dan RMSEA; nilai ECVI tidak relevan dalam hal ini
konteks.
Hasil yang terkait dengan pengujian model multigroup pertama ini untuk konfigurasi
invarian mengungkapkan nilai χ 2 menjadi 1.962.345 dengan kebebasan 330 derajat.
Nilai CFI dan RMSEA, seperti yang diharapkan, masing-masing adalah 0,919 dan 0,044.
Dari informasi ini, kita dapat menyimpulkan bahwa multigroup dihipotesiskan
model struktur MBI cukup pas di seluruh SD dan
guru ondary.
Setelah menetapkan good-of-fit untuk model konfigurasi, kami
sekarang lanjutkan dalam pengujian untuk invariansi pengukuran faktorial dan
struktur lintas kelompok. Namun, karena Anda perlu tahu caranya tes
untuk invarian ditentukan menggunakan Grafik AMOS sebelum mencoba sepenuhnya
pegang pemahaman tentang proses pengujian invarian dalam dan dari dirinya sendiri,
Saya menyajikan materi ini dalam dua bagian. Pertama, saya perkenalkan kepada Anda dua yang berbeda
pendekatan untuk pengujian invarian multigroup di AMOS— manual versus
otomatis — dan kemudian memandu Anda menjalani ujian untuk invarian hipotesis
esized multigroup model (lihat Gambar 7.2) di seluruh sekolah dasar dan menengah
guru dalam kerangka pendekatan manual. Penerapan
pendekatan otomatis untuk pengujian invarian multigroup dibahas dan
diilustrasikan dalam Bab 8 dan 9.
Pengujian untuk pengukuran dan struktural
invarian: Proses spesifikasi
Dalam pengujian invarian konfigurasi, minat difokuskan pada sejauh mana
dimana jumlah faktor dan pola struktur mereka adalah sama
lar di guru sekolah dasar dan menengah. Sebaliknya, dalam pengujian untuk
pengukuran dan invarian struktural, fokus bunga lebih spesifik
pada sejauh mana parameter dalam pengukuran dan struktur
komponen tural dari model ini setara di kedua kelompok. Ini
proses pengujian dilakukan dengan menetapkan batasan kesetaraan pada
parameter tertentu (yaitu, parameter dibatasi sama lintas
grup). Prosedur beroperasi sedemikian rupa sehingga parameter-parameter ini
diperkirakan hanya untuk grup pertama; perkiraan untuk semua grup yang tersisa adalah
dibatasi sama dengan orang-orang dari kelompok pertama. Dalam AMOS Graphics,
straint dapat ditentukan melalui dua pendekatan: (a) penugasan secara individual
label untuk setiap parameter yang dianggap sama lintas kelompok, pendekatan
diambil dalam edisi awal buku ini (Byrne, 2001); dan (b) menggunakan
model subset parameter otomatis yang terkandung dalam Multiple Group
kotak dialog. Pendekatan yang terakhir ini dikembangkan setelah
likasi edisi pertama. Meskipun ada parameter yang tidak berlabel
akan diperkirakan secara bebas menggunakan pendekatan manual untuk spesimen invarian
Fikasi, diktum ini tidak berlaku untuk pendekatan otomatis. Meskipun
Halaman 235
214
spesifikasi parameter yang dipilih seperti yang diperkirakan secara bebas, parameternya
label yang ditugaskan tetap pada representasi grafis dari model
meskipun parameter terkait diperkirakan secara bebas (JL Arbuckle, per-
komunikasi sonal, 7 Juni 2008). Saya mulai dengan memperkenalkan Anda ke
pendekatan pelabelan manual untuk spesifikasi kendala kesetaraan dan
kemudian ikuti dengan pendekatan otomatis.
Pendekatan multi-kelompok manual
Dalam menguji invarian, preferensi saya adalah mengikuti pendekatan klasik,
yang mensyaratkan pertama menjalankan model di mana hanya memuat faktor
sama dibatasi (yaitu, model pengukuran ). Dilengkapi dengan bukti
kesetaraan grup, parameter pemuatan faktor ini tetap dibatasi dan
Kendala kesetaraan kemudian ditempatkan pada varian faktor dan kovarian
(Yaitu, model struktural ). Meskipun varians kesalahan terkait dengan masing - masing
item variabel yang diamati juga merupakan bagian dari model pengukuran, pengujian untuk
kesetaraan mereka antar kelompok dianggap sangat ketat dan
oleh karena itu jarang diterapkan. Di sisi lain, dalam pengujian kami untuk
validitas MBI, kami menentukan dua yang sangat kuat dan kelompok-konsisten
kovariansi kesalahan. Untuk alasan statistik dan substantif, saya mempertimbangkannya
Penting untuk memasukkan parameter kesalahan khusus ini dalam pengujian kami untuk invari-
model pengukuran. Pertama , setiap kovarian kesalahan ditemukan
terlalu besar di kedua kelompok. Kedua , pemeriksaan item terkait
mengungkapkan konten yang sangat tumpang tindih di setiap pasangan item yang menyimpang. Seperti itu
redundansi dapat mencerminkan dirinya dalam bentuk kovarisasi kesalahan. Mengambil ini
mempertimbangkan dua perspektif, tampaknya bijaksana untuk memastikan apakah keduanya
parameter kovarians kesalahan berlaku di panel pengajaran sebagai bukti seperti itu
berbicara tentang sifat bermasalah dari konten yang terkait dengan item MBI ini.
Spesifikasi kendala kesetaraan dengan menggunakan pendekatan manual mencakup
dua langkah terkait. Dimulai dengan mengklik pertama pada parameter yang ingin Anda beri label
dan kemudian mengklik kanan pada mouse untuk menghasilkan dialog Object Properties
kotak (diilustrasikan dalam bab-bab sebelumnya). Setelah kotak ini dibuka, Parameter
tab diaktifkan, dan kemudian label dimasukkan di ruang yang disediakan di bot-
tom sudut kiri. Proses ini secara grafis ditunjukkan pada Gambar 7.9 yang berkaitan
untuk pelabelan jalur regresi faktor kedua yang mewakili beban-
Item 2 pada Faktor 1 (Kelelahan Emosional). Setelah kursor diklik
pada parameter yang dipilih, yang terakhir mengambil warna merah. Mengklik kanan
mouse selanjutnya membuka kotak dialog Object Properties , di mana Anda bisa
lihat bahwa saya telah memasukkan label L2 di sudut kiri bawah di bawah judul
Berat Regresi . Bagian kedua dari langkah awal ini mengharuskan Anda mengklik
pada kotak Semua Grup (ditunjukkan dalam elips pada Gambar 7.9). Memeriksa ini
kotak memberi tahu program bahwa parameter berlaku untuk kedua grup. 9
Beralih ke Gambar 7.10, Anda akan melihat load faktor dan dua kesalahan
kovarian dari model hipotesis berlabel dan siap untuk statistik
Halaman 236
menguji invarian mereka. Namun, tiga aspek pada Gambar 7.10 diperhatikan.
layak. Pertama , pelabelan parameter yang dipilih adalah murni arbitrer. Dalam
kasus ini, saya memilih untuk memberi label jalur regresi faktor-loading sebagai L. Dengan demikian,
L2, misalnya, merepresentasikan pemuatan Item 2 pada Faktor 1. Kedua , Anda
akan mencatat bahwa nilai 1,00, ditugaskan untuk yang pertama dari setiap set congeneric
variabel indikator, tetap seperti itu dan belum dilabel ulang dengan "L";
mengingat bahwa parameter ini sudah dibatasi sama dengan 1,00, nilainya akan
konstan di kedua kelompok. Akhirnya , pelabelan yang agak tidak menentu
jalur pemuatan faktor yang mungkin terjadi adalah fungsi dari label otomatis
Proses yang disediakan dalam AMOS. Meskipun, secara teknis, itu harus dimungkinkan
untuk memindahkan label-label ini ke lokasi yang lebih tepat menggunakan Parameter Pindahkan
tool (), transisi ini tidak berfungsi dengan baik ketika ada beberapa yang berlabel
parameter terletak berdekatan satu sama lain, seperti halnya di sini.
Kerusakan ini tampaknya terkait dengan penjatahan ruang terbatas
ditugaskan untuk setiap parameter. Untuk menggunakan alat Pindahkan Parameter , klik salah satu
Gambar 7.9 AMOS Graphics: Kotak dialog Object Properties menunjukkan pelabelan
parameter.
Halaman 237
216
BARANG 1
ITEM2
1
1
err1
err2
E1_2
E5_15
L8
L7
L6
L5
L4
L3
L2
ITEM6
ITEM8
ITEM13
ITEM3
err3
1
1
1
1
L10
L11
L12
L13
1
1
err6
err8
err13
ITEM14
err14
1
ITEM20
1
err20
ITEM10
ITEM11
ITEM15
ITEM5
err5
1
1
1
1
err10
err11
err15
ITEM22
err22
1
Depersonalisasi
F2
1
L15
L16
L17
L18
L19
L20
ITEM4
1
err4
ITEM9
ITEM17
ITEM7
err7
1
1
1
err9
err17
ITEM18
err18
ITEM19
err19
1
1
1
ITEM21
err21
Pribadi
Prestasi
F3
Emosional
Kelelahan
F1
Gambar 7.10 Model dasar dengan kendala kesetaraan yang ditentukan untuk semua faktor
pemuatan.
Halaman 238
ikonnya di kotak alat, atau pada namanya dari menu tarik-turun Edit . Sekali
alat ini diaktifkan, arahkan kursor pada parameter yang ingin Anda beri label ulang;
parameter yang dipilih kemudian akan berwarna merah. Memegang mouse kiri
tombol bawah akan menghasilkan garis persegi panjang yang rusak; terus memegang ini
tombol memungkinkan Anda untuk memindahkan persegi panjang ke lokasi lain di prox- dekat
imity ke parameter yang dipilih. Proses ini diilustrasikan dalam Gambar 7.11 sebagai
ini berhubungan dengan faktor loading 8 (L8) yang mewakili Item 20.
Seperti diberi label, model multigroup dihipotesiskan pada Gambar 7.10
dilengkapi dengan parameter berikut yang akan diuji untuk invarian kelompok: (a) 17 fac-
untuk memuat, dan (b) 2 kovarian kesalahan (Item 1 dan 2; Item 5 dan 15).
Karena beberapa pendekatan otomatis untuk menguji kehadiran invarian
Secara otomatis, model ini diberi label penuh (yaitu pelabelan yang terkait dengan fasilitas).
untuk memuat, varian, dan kovarian serta varian kesalahan), I
di samping itu, masukkan model di mana varians faktor dan
riances, serta memuat faktor dan dua kovarian kesalahan, adalah mungkin
dikategorikan sebagai invarian (lihat Gambar 7.12).
Pendekatan multi-grup otomatis
Prosedur ini diaktifkan dengan mengklik ikon Beberapa Grup
(), atau dengan membuka menu Analyze dan mengklik Multiple
Gambar 7.11 Grafik AMOS: Ilustrasi alat Parameter Bergerak dalam aksi.
Halaman 239
218
BARANG 1
ITEM2
1
1
err1
err2
E1_2
E5_15
L8
L7
L6
L5
L4
L3
L2
ITEM6
ITEM8
ITEM13
ITEM3
err3
1
1
1
1
L10
L11
L12
L13
1
1
err6
err8
err13
ITEM14
err14
1
ITEM20
1
err20
ITEM10
ITEM11
ITEM15
ITEM5
err5
1
1
1
1
err10
err11
err15
ITEM22
err22
1
Depersonalisasi
F2
Emosional
Kelelahan
F1
V_1
V_2
V_3
C2_3
C1_2
C1_3
1
L15
L16
L17
L18
L19
L20
ITEM4
1
err4
ITEM9
ITEM17
ITEM7
err7
1
1
1
err9
err17
ITEM18
err18
ITEM19
err19
1
1
1
ITEM21
err21
Pribadi
Prestasi
F3
Gambar 7.12 Model dasar dengan kendala kesetaraan yang ditentukan untuk semua faktor muatan-
ings, varians, dan kovarian.
Halaman 240
Tab grup seperti yang ditunjukkan pada Gambar 7.13. Tindakan mana pun secara otomatis menghasilkan
yang Analysis Group Beberapa kotak dialog yang ditampilkan pada Gambar 7.14.
Di sisi kiri kotak dialog ini, Anda akan melihat daftar sub-parameter
set, dan di sepanjang bagian atas, serangkaian delapan angka, di bawah masing-masing adalah a
kolom kotak kecil. Tanda centang paling gelap yang Anda lihat dalam dialog
kotak adalah standar dan mewakili model tertentu untuk diuji. Ketika dia-
kotak log pertama kali dibuka, Anda akan mengamati tiga model default yang ditunjukkan
pada Gambar 7.14. Tanda centang di kolom pertama (diidentifikasi sebagai "1") menunjukkan
model di mana hanya memuat faktor (yaitu, bobot pengukuran)
sama di semua kelompok (Model 1). Beralih ke Kolom 2 dan 3, kami
lihat tanda centang berwarna gelap dan abu-abu. Tanda centang paling gelap di Kolom
2 menunjukkan model di mana semua estimasi faktor memuat, serta faktor
untuk varian dan kovarian (yaitu, kovarian struktural), dibatasi
sama lintas kelompok (Model 2); mereka yang ada di Kolom 3 mewakili model yang memiliki
semua perkiraan loading faktor, varians faktor, faktor kovarian, dan kesalahan
varians (yaitu, residu pengukuran) dibatasi sama di seluruh kelompok
Gambar 7.13 Grafik AMOS: Analisis menu drop-down yang menunjukkan pilihan
analisis multi-kelompok.
Halaman 241
220
(Model 3). Tanda centang berwarna abu-abu di kedua kolom mewakili parameter
himpunan bagian yang dapat dimasukkan dalam pengujian model tambahan.
Menghubungkan pendekatan ini dengan kotak dialog yang ditunjukkan pada Gambar 7.14
akan sama dengan menguji Model 1 terlebih dahulu, diikuti dengan uji Model
2, sebagaimana dicontohkan dalam Gambar 7.10 dan 7.12 untuk pendekatan manual
invarian Proses ini dapat dilanjutkan dengan penambahan parameter lainnya.
himpunan bagian yang lebih baik, yang dianggap sesuai dalam pengujian multigroup tertentu
model. Namun, poin penting yang perlu diperhatikan dalam menggunakan AMOS Graphics adalah
tanda centang otomatis yang terkait dengan Model 3. Seperti disebutkan sebelumnya, pengukuran-
varians kesalahan jarang dibatasi sama di seluruh kelompok karena ini
parameterisasi dianggap sebagai pengujian ketat
invarian tigroup. Dengan demikian, pengujian Model 3 relatif tidak umum.
Namun, salah satu contoh di mana Model 3 akan menjadi penting adalah ketika a
Peneliti tertarik untuk menguji kesetaraan reliabilitas terkait dengan
skala penilaian lintas kelompok (lihat, misalnya, Byrne, 1988a).
Meskipun disebutkan secara singkat dalam pengantar bagian ini, saya
Oleh karena itu penting untuk mencatat kembali aspek spesifikasi model utama ini
pendekatan otomatis seperti yang saat ini diterapkan dalam AMOS (Versi 17). Sekali
Anda memilih opsi Beberapa Grup , AMOS secara otomatis memberi label semua parameter
Eter dalam model apakah Anda ingin membatasi mereka sama
kelompok. Misalnya, meskipun kami tidak ingin menguji model multigroup
di mana semua varians kesalahan dipostulatkan sebagai invarian di seluruh grup
(Model 3), semua pelabelan pada model grafis sehubungan dengan parameter ini
eters tetap utuh meskipun kami berharap tidak memiliki kendala kesetaraan
Gambar 7.14 Grafik AMOS: Beberapa kotak dialog yang menunjukkan spesifikasi
kendala kesetaraan pada semua pemuatan faktor, varian faktor dan kovarian, dan
varian kesalahan.
Halaman 242
pada parameter ini. Penghapusan tanda centang ini (untuk Model 3) dengan mudah
dicapai dengan hanya mengkliknya. Meskipun varians kesalahan ini
selanjutnya tidak akan diperkirakan, pelabelan parameter ini tidak ada
tetap ada pada model AMOS "behind-the-scenes" yang berfungsi.
Pengujian untuk pengukuran dan struktural
invarian: Penilaian model
Seperti disebutkan sebelumnya, satu fungsi utama dari model konfigurasi adalah
vides baseline terhadap mana semua tes selanjutnya untuk invarian adalah
dibandingkan. Dalam tradisi Jöreskog, pendekatan klasik dalam berdebat
bukti noninvarian didasarkan pada uji difference 2 perbedaan (∆χ 2 ) (lihat Bab
4, catatan 7). Nilai yang terkait dengan tes ini mewakili perbedaan antara
χ 2 nilai untuk model configural dan lainnya di mana kendala kesetaraan
telah dikenakan pada parameter tertentu. Nilai perbedaan ini
dianggap sebagai χ 2 dengan derajat kebebasan sama dengan perbedaan derajat
kebebasan. Bukti noninvarian diklaim jika difference 2 nilai perbedaannya
secara statistik signifikan. Peneliti kemudian menindaklanjuti dengan tambahan
tes yang ditujukan untuk menargetkan parameter mana yang bertanggung jawab untuk
temuan invarian. Prosedur ini ditunjukkan dalam pengujian keduanya
pengukuran dan kesetaraan struktural MBI dalam bab ini.
Lebih dari satu dekade terakhir, para peneliti terapan berpendapat demikian
Perspektif praktis, uji beda represents 2 mewakili kekuatan yang berlebihan.
Gent tes invarian dan terutama mengingat fakta bahwa SEM model di
terbaik hanya perkiraan realitas (Cudeck & Brown 1983; MacCallum,
Roznowski, & Necowitz, 1992). Konsisten dengan perspektif ini, Cheung
dan Rensvold (2002) beralasan bahwa mungkin lebih masuk akal untuk mendasarkan invari-
ance keputusan tentang perbedaan dalam CFI (∆CFI) daripada pada χ 2 nilai. Jadi,
berdasarkan pada penelitian yang ketat dari Monte Carlo tentang beberapa indeks good-of-fit,
Cheung dan Rensvold mengusulkan agar bukti noninvarians didasarkan
perbedaan dalam nilai CFI yang menunjukkan probabilitas <0,01. Meski ini lebih
pendekatan terbaru dan praktis untuk pengujian invarian belum dikabulkan
cap SEM resmi persetujuan sampai saat ini, penggunaannya semakin dilaporkan dalam
literatur — terutama karena sangat praktis untuk melakukannya. Di
meninjau hasil yang berkaitan dengan tes untuk invariansi MBI dalam bab ini,
kami akan memeriksa kedua perbedaan χ 2 dan hasil perbedaan CFI.
Model pengukuran
Sekarang Anda sudah terbiasa dengan langkah-langkah prosedural yang dilakukan dalam pengujian
untuk invarian multigroup, serta dengan dua pendekatan untuk mengimplementasikan
Penyebutan prosedur ini tersedia dalam AMOS Graphics, kita sekarang
Halaman 243
222
beralihlah ke implementasi aktual dari prosedur-prosedur ini sebagaimana diuraikan sebelumnya.
Dalam bab ini, kami fokus hanya pada pendekatan manual untuk uji invarian
ing; Bab 8 dan 9 membahas pendekatan otomatis.
Beralih ke tugas yang dihadapi di sini, kami memeriksa hasil yang terkait dengan
model berlabel ditunjukkan pada Gambar 7.10. Anda akan ingat bahwa model ini, yang
kita akan memanggil Model A untuk membedakannya dari mod yang ditentukan selanjutnya.
dan untuk menyederhanakan perbandingan model, tes untuk kesetaraan semua
memuat faktor plus dua kovarian kesalahan (Item 1 dan 2; Item 5 dan
15). Sekarang mari kita beralih ke hasil ini, yang dirangkum dalam Tabel 7.3.
Penilaian model
Tinjauan atas hasil ini, seperti yang diharapkan, mengungkapkan kecocokan model ini
konsisten dengan model konfigurasi (CFI = .918; RMSEA = .043).
Namun, yang sangat penting dalam pengujian untuk invariansi faktor muatan-
ings dan dua kovarian kesalahan adalah hasil yang terkait dengan perbedaan χ 2 dan
Tes perbedaan CFI. Seperti disebutkan sebelumnya, perhitungan hasil ini melibatkan
mengambil perbedaan mereka dari nilai χ 2 dan CFI yang dilaporkan untuk
model figural (lihat Tabel 7.2), yang menghasilkan yang berikut: ∆χ 2
(19) = 35.912 dan
∆CFI = .001. Tidak mengherankan, mengingat ketatnya statistik, yang χ 2 perbedaan

Tes berpendapat untuk bukti noninvariance, sedangkan tes perbedaan CFI
berpendapat untuk invarian. Bahwa ∆χ 2 tes dikatakan berdebat untuk noninvarians adalah
Tabel 7.3 Statistik Good-of-Fit untuk Model Pengukuran
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
71
1998.257
349
.000
5.726
Model jenuh
420
.000
0
Kemerdekaan
model
40
20445.418
380
.000
53.804
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Model Anda
0,902
0,894
0,918
0,911
0,918
Model jenuh
1.000
1.000
1.000
Kemerdekaan
model
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,043
0,041
0,045
1.000
Kemerdekaan
model
.144
.142
.146
.000
Halaman 244
Bab tujuh: Menguji kesetaraan faktorial dari nilai instrumen 223
berdasarkan pada temuan bahwa nilai χ 2 sebesar 35,912, dengan 19 derajat kebebasan, adalah
ditunjukkan pada tablet distribusi distribution 2 secara statistik signifikan pada probabilitas
nilai ity <.01. Di sisi lain, nilai ∆CFI dari 0,001 menyatakan bahwa
model pengukuran benar-benar invarian karena nilai ini kurang dari
titik potong .01 yang diusulkan oleh Cheung dan Rensvold (2002).
Disajikan dengan temuan yang berbeda ini, keputusan yang mana
menerima adalah murni yang sewenang-wenang dan semata-mata terletak pada masing-masing individu
peneliti. Tampaknya masuk akal untuk berasumsi bahwa keputusan seperti itu mungkin
berdasarkan pada tipe data yang diteliti dan / atau keadaan di
bermain. Namun, untuk tujuan kita di sini, saya menganggap perlu untuk fokus
∆χ 2 hasil karena memberi saya kesempatan untuk memandu Anda
langkah-langkah selanjutnya yang terlibat dalam mengidentifikasi parameter mana dalam
model berkontribusi terhadap temuan non-invarian ini; kita tekan itu
dengan set analisis berikutnya.
Dalam menguji invarian multigroup, perlu untuk membuat logi
strategi terorganisir secara resmi, langkah pertama menjadi ujian untuk invarian semua
loading faktor, yang sekarang telah kita selesaikan. Diberikan temuan
noninvarians pada level ini, kami kemudian melanjutkan untuk menguji invarian
semua pemuatan faktor yang terdiri dari setiap subskala (yaitu, semua pemuatan yang terkait dengan
satu faktor tertentu) secara terpisah. Diberikan bukti non-invarian di
tingkat subskala, kami kemudian menguji invarian dari setiap pemuatan faktor
(terkait dengan faktor yang dimaksud) secara terpisah. Impor dalam proses ini adalah
bahwa, ketika parameter faktor memuat ditemukan tidak berubah antar kelompok,
batasan kesetaraan yang ditentukan dipertahankan, secara kumulatif , melalui
keluar dari sisa proses pengujian invarian.
Setelah menentukan bukti noninvarian ketika semua faktor memuat-
Dalam setiap kelompok diadakan tugas yang sama, tugas kita berikutnya adalah menguji undangan.
an memuat faktor relatif terhadap masing-masing subskala secara terpisah. Tugas ini adalah
mudah dicapai dalam Grafis AMOS melalui modifikasi sederhana dari
model berlabel yang ada ditunjukkan pada Gambar 7.10. Karena itu, kami menghapus semua
label faktor-loading, kecuali yang terkait dengan Kelelahan Emosional
(Faktor 1), cukup dengan mengklik pada setiap label (yang akan dihapus), mengklik kanan
untuk memicu kotak dialog Properti Properties , dan kemudian menghapus
label yang tercantum dalam kotak parameter di kotak dialog (lihat Gambar 7.9).
Proses dengan cara ini memberi kita model berlabel (Model B)
ditampilkan pada Gambar 7.15; semua parameter yang tidak berlabel akan diperkirakan secara bebas
untuk guru sekolah dasar dan menengah.
Beralih ke Tabel 7.4, kita melihat bahwa pengujian Model B menghasilkan a
χ 2 nilai 1969,118 dengan 339 derajat kebebasan. Perbedaan ini 9
derajat kebebasan berasal dari batasan kesetaraan yang ditempatkan pada tujuh
loading faktor (loading pertama sudah diperbaiki ke 1.0) ditambah dua kesalahan
kovarian Perbandingan dengan model konfigurasi menghasilkan ∆χ 2
(9) nilai
6.173, yang tidak signifikan secara statistik.
Halaman 245
224
BARANG 1
ITEM2
1
1
err1
err2
E1_2
E5_15
L8
L7
L6
L5
L4
L3
L2
ITEM6
ITEM8
ITEM13
ITEM3
err3
1
1
1
1
1
1
err6
err8
err13
ITEM14
err14
1
ITEM20
1
err20
ITEM10
ITEM11
ITEM15
ITEM5
err5
1
1
1
1
err10
err11
err15
ITEM22
err22
1
Depersonalisasi
F2
1
ITEM4
1
err4
ITEM9
ITEM17
ITEM7
err7
1
1
1
err9
err17
ITEM18
err18
ITEM19
err19
1
1
1
ITEM21
err21
Pribadi
Prestasi
F3
Emosional
Kelelahan
F1
hanya di EE.
Halaman 246
Temuan ini memberi tahu kami bahwa semua item dirancang untuk mengukur Emosional
Kelelahan beroperasi secara setara di dua kelompok pengajaran
ers. Tugas kita selanjutnya adalah menguji kesetaraan pengukuran item
Depersonalisasi. Oleh karena itu, kami menempatkan kendala kesetaraan pada semua
memuat faktor yang terkait dengan Faktor 2, meskipun pada saat yang sama,
mempertahankan kendala kesetaraan untuk Faktor 1 (Model C). Sekali lagi, spesifikasi ini
berarti modifikasi model yang ditunjukkan pada Gambar 7.15 dalam label itu
sekarang ditambahkan ke empat estimasi faktor muatan untuk Depersonalisasi.
Karena Anda sekarang terbiasa dengan proses yang terlibat dalam pelabelan
model-model ini dan untuk kepentingan ruang, tidak ada angka lebih lanjut atau terpisah
tabel disajikan untuk model yang belum diuji. Hasil untuk sub-ini
Beberapa model dirangkum dalam Tabel 7.5.
Seperti yang dilaporkan dalam Tabel 7.5, uji Model C menghasilkan nilai χ 2 pada 1977,807
dengan 343 derajat kebebasan; tambahan 4 derajat kebebasan berasal
dari kendala kesetaraan ditempatkan pada empat faktor yang diperkirakan memuat
untuk Faktor 2. Oleh karena itu hasil ini menghasilkan ∆χ 2
(13) nilai 15,462, yang
sekali lagi tidak signifikan secara statistik. Dilengkapi dengan informasi ini
Jadi, kita sekarang tahu bahwa item yang bermasalah ditempatkan di subskala
dirancang untuk mengukur Prestasi Pribadi. Dengan demikian, kami melanjutkan
Tabel 7.4 Statistik Good-of-Fit untuk Model Pengukuran (Model 2)
CMIN
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
81
1969.118
339
.000
5.809
Jenuh
model
420
.000
0
Kemerdekaan
model
40
20445.418
380
.000
53.804
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Model Anda
0,904
0,892
0,919
0,909
0,919
Jenuh
model
1.000
1.000
1.000
Kemerdekaan
model
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,044
0,042
0,045
1.000
Kemerdekaan
model
.144
.142
.146
.000
Halaman 247
226
T
Sebuah
b
le 7.5
G
Hai
Hai
d
n
ess-o
fF
itu S
tatistics untuk
rT
ests o
fM
kamu
lig
ro
kamu
p
v
Sebuah
ria
n
ce: AS
kamu
m
m
Sebuah
ry
Deskripsi model
Komparatif
e
model

χ2
df
∆
χ2
∆df
Statistik
makna
CFI
∆CFI
1. Model konfigurasi; tidak ada persamaan
kendala yang dikenakan
-
1962.345
330
-
-
-
0,919
-
2. Model pengukuran
(Model A) Semua pemuatan faktor
dibatasi sama.
2A
lawan 1
1998.257
349
35.912
19
hal
<.001
0,918
0,001
(Model B) Hanya memuat faktor
EE dibatasi sama.
2B lawan 1
1969.118
339
6.173
9
NS
0,919
.000
(Model C) Hanya memuat faktor
EE dan DP
dibatasi sama.
2C versus 1
1977.807
343
15.462
13
NS
0,919
.000
(Model D) Model C dengan faktor
memuat untuk Item 7 (P
SEBUAH)
dibatasi sama.
2D versus 1
1980.466
344
18.121
14
NS
0,918
0,001
(Model E) Model C dengan faktor
memuat untuk Item 7 dan 9 (pada P
A) dibatasi sama.
2E versus 1
1980.487
345
18.142
15
NS
0,918
0,001
(Model F) Model C dengan faktor
memuat untuk Item 7, 9, dan 17 (pada P
A) dibatasi sama.
2F versus 1
1993.232
346
30.887
16
hal
<.01
0,918
0,001
Halaman 248
(Model G) Model C dengan faktor
A) dibatasi sama.
2G versus 1
1989.077
346
26.732
16
hal
<.05
0,918
0,001
(Model H) Model C dengan faktor
A) dibatasi sama.
2H versus 1
1980.705
346
18.360
16
NS
0,919
.000
(Model I) Model C dengan faktor
memuat untuk Item 7, 9, 19, dan 21 (pada P
A) dibatasi sama.
2I lawan 1
1980.956
347
18.611
17
NS
0,919
.000
3. Model struktural
3 lawan 1
1986.048
350
23.703
20
NS
0,918
.000
Model 2.I dengan kovarian
antara EE, DP, dan P
SEBUAH
dibatasi sama.
catatan:
∆
χ2
= perbedaan χ
2
nilai antar model; ∆df = perbedaan jumlah derajat kebebasan antar model; ∆CFI = perbedaan dalam CFI
nilai antar model; EE = Kelelahan Emosional; DP = Depersonalisasi; P
SEBUAH
= Prestasi Pribadi.
Halaman 249
228
dengan memberi label (pada model) dan menguji pemuatan satu faktor pada suatu waktu di dalam
subskala ini. Yang penting, dilengkapi dengan bukti tidak signifikan
terkait dengan pemuatan faktor tunggal, pemuatan invarian ini dibatasi
selama tes selanjutnya dari item yang tersisa. Hasil terkait dengan ini
beban individu dibahas sebagai kelompok dan dilaporkan pada Tabel 7.5.
Dalam meninjau tes-tes ini faktor beban individu mengukur Faktor
3, Pencapaian Pribadi, temuan mengungkapkan bukti non-invarian
terkait dengan dua item — Item 17 ( p <.01) dan Item 18 ( p <.05) (lihat hasil
untuk model pengukuran F dan G). Butir 17 menunjukkan bahwa responden
mampu menciptakan suasana santai dengan murid-muridnya, dan Item
18 menyampaikan gagasan bahwa perasaan gembira muncul setelah bekerja
erat dengan siswa. Dari temuan ini kita mengetahui bahwa, untuk beberapa alasan,
Item 17 dan 18 beroperasi agak berbeda dalam pengukurannya
dari konten yang dimaksudkan untuk guru sekolah dasar dan menengah. Tugas
bagi peneliti dihadapkan dengan temuan-temuan non-invasif ini adalah untuk pro-
vide kemungkinan penjelasan dari fenomena ini.
Sebelum melanjutkan ke tes invarian struktural, saya menganggapnya penting
untuk lebih memperjelas hasil yang dilaporkan pada Tabel 7.5 sehubungan dengan pengukuran
model F, G, dan H. Secara khusus, penting bahwa saya menjelaskan mengapa masing-masing
model memiliki jumlah derajat kebebasan yang sama. Untuk Model F, tentu saja,
16 derajat kebebasan berasal dari kenyataan bahwa kami telah menambahkan kesetaraan
kendala untuk Item 17 melebihi dan di atas kendala yang ditentukan dalam sebelumnya
model (Model E). Model G memiliki 16 derajat kebebasan karena tidak penting
Item 17 sekarang diperkirakan secara bebas dengan Item 18 dibatasi pada tempatnya. Juga,
Model H memiliki 16 derajat kebebasan saat Item 19 menggantikan Item 18 yang tidak invasif,
yang sekarang diperkirakan secara bebas. Semoga penjelasan ini harus jelas
pertanyaan yang mungkin Anda miliki tentang hasil ini.
Model struktural
Sekarang kesetaraan model pengukuran telah ditetapkan,
langkah selanjutnya dalam proses ini adalah untuk menguji invarian yang terkait dengan struktural
bagian dari model. Meskipun tes ini dapat melibatkan varian faktor
serta faktor kovarian, banyak peneliti mempertimbangkan yang terakhir
menjadi yang paling menarik; Saya setuju dengan gagasan ini. Secara khusus, pengujian untuk
invariansi faktor kovarian mengatasi kekhawatiran mengenai luasnya
dimana struktur teoritis yang mendasari MBI (dalam hal ini) adalah
sama lintas kelompok.
Pada bagian ini dari proses pengujian, model menentukan semua beban faktor.
kecuali untuk Item 17 dan 18, selain tiga faktor kovarian
ances dibatasi sama di antara guru sekolah dasar dan menengah. Ini
model akhir disajikan pada Gambar 7.16. Diberi label yang agak buruk
Halaman 250
BARANG 1
ITEM2
1
1
err1
err2
E1_2
E5_15
L8
L7
L6
L5
L4
L3
L2
ITEM6
ITEM8
ITEM13
ITEM3
err3
1
1
1
1
L10
L11
L12
L13
1
1
err6
err8
err13
ITEM14
err14
1
ITEM20
1
err20
ITEM10
ITEM11
ITEM15
ITEM5
err5
1
1
1
1
err10
err11
err15
ITEM22
err22
1
Depersonalisasi
F2
1
L15
L16
L20
ITEM4
1
err4
ITEM9
ITEM17
ITEM7
err7
1
1
1
err9
err17
ITEM18
err18
ITEM19
err19
1
1
1
ITEM21
err21
Pribadi
Prestasi
F3
Emosional
Kelelahan
F1
cov3
cov2
cov1
L19
ings pada EE dan DP, dan mereka yang mewakili Item 7, 9, 19, dan 21 pada PA.
Halaman 251
230
mekanisme untuk model ini, saya menunjukkan dua faktor loading noninvarian
untuk Barang 17 dan 18 terbungkus dalam oval garis terputus; fakta bahwa fasilitas mereka
Untuk memuat jalur regresi tidak diberi label memastikan jalur tersebut bebas
diperkirakan. Hasil untuk tes invarian struktural ini, seperti yang dilaporkan dalam
Tabel 7.5, mengungkapkan faktor kovarian menjadi setara di seluruh elemen-
guru sekunder dan menengah.
Catatan akhir
1. Untuk penjelasan rinci tentang MBI, pembaca dirujuk ke Bab 4 dari
volume saat ini.
2. Guru sekolah menengah terdiri dari kelompok ketiga.
3. Untuk akun analisis lebih rinci yang mengarah ke model 20-item, baca-
Mereka dirujuk ke artikel asli (Byrne, 1993).
4. Dalam pengalaman saya bekerja dengan model multigroup di AMOS, saya telah menemukan
sebaiknya buat tiga file — satu untuk masing-masing analisis grup tunggal
membuat model baseline, dan satu file multigroup yang berisi final
model baseline pas terbaik untuk masing-masing kelompok.
5. Sebagaimana dicatat dalam Bab 4, karena penolakan penerbit uji MBI untuk memberikan hak cipta
izin, saya tidak dapat mencetak ulang item di sini untuk teliti Anda.
6. Ingat bahwa dalam analisis post hoc, spesifikasi parameter tambahan di
AMOS harus dilakukan satu per satu. Dengan demikian, kesalahan kovarians antara
item 5 dan 15 ditentukan berdasarkan Model 2, di mana hanya kesalahan
kovarians antara Item 1 dan 2 telah ditentukan.
7. File input digunakan dalam kasus pemodelan dengan VB.NET atau C #, dua analitik
alternatif yang disediakan dalam program AMOS bagi mereka yang mungkin memilih untuk tidak melakukannya
gunakan pendekatan grafis (untuk detail, lihat Arbuckle, 2007).
8. Meskipun fakta ini selalu benar dengan program LISREL dan EQS, itu
persis benar di AMOS jika, dan hanya jika, tanda centang ditempatkan di sebelah Emulisrel6
pada tab Estimasi kotak dialog Analisis Properti ; jika tidak demikian
hampir, tetapi tidak sepenuhnya tepat, benar (JL Arbuckle, komunikasi pribadi,
6 Juni 2008).
9. Sebelum AMOS 16, kotak Semua Grup diperiksa secara default, yang artinya
pelabelan parameter dalam satu grup secara otomatis menetapkan nama yang sama
parameter yang sesuai di grup lain. Sejak munculnya AMOS 16,
Namun, kotak Semua Grup tidak dicentang secara default (JL Arbuckle, pribadi
komunikasi, 20 Juni 2008).
Halaman 252
231
delapan
bab
Menguji kesetaraan
dari struktur rata-rata laten
Pada tahun-tahun sejak pencetakan buku AMOS pertama saya (Byrne, 2001), di sana
telah menjadi peningkatan yang stabil, namun moderat dalam temuan yang dilaporkan dari tes
untuk kesetaraan multigroup. Namun, tinjauan literatur SEM
mengungkapkan sebagian besar tes untuk invarian didasarkan pada analisis
struktur kovarians (COVS), sebagaimana dicontohkan dalam Bab 7 dan 9 ini
volume. Meskipun Sörbom (1974) memperkenalkan rerata dan kovarians
strategi struktur (MACS) dalam menguji perbedaan rata-rata laten di atas 30
tahun lalu, hanya sejumlah kecil studi yang telah dirancang untuk menguji laten
berarti perbedaan antar kelompok berdasarkan nyata (tidak seperti disimulasikan)
data (lihat, misalnya, Aikin, Stein, & Bentler, 1994; Byrne, 1988b; Cooke, Kosson,
& Michie, 2001; Little, 1997; Marsh & Grayson, 1994; Reise, Widaman, &
Pugh, 1993; Widaman & Reise, 1997). Tujuan bab ini adalah
untuk memperkenalkan Anda dengan konsep dasar yang terkait dengan analisis laten
struktur berarti, dan untuk memandu Anda melalui aplikasi yang menguji
invarian mereka di dua kelompok. Secara khusus, kami menguji perbedaan
dalam laten umum, akademik, bahasa Inggris, dan matematika mandiri
konsep lintas siswa sekolah menengah atas dan lintasan rendah. Ujian-
yang disajikan di sini diambil dari dua makalah yang diterbitkan — yang berfokus
pada masalah metodologis yang berkaitan dengan pengujian untuk kovarians invarian dan
berarti struktur (Byrne et al., 1989), dan satu berorientasi pada substantif
masalah yang berkaitan dengan teori perbandingan sosial (Byrne, 1988b).
Konsep dasar yang mendasari tes
dari struktur rata-rata laten
Dalam analisis univariat atau multivariat yang biasa melibatkan multigroup
perbandingan, orang biasanya tertarik untuk menguji apakah yang diamati
berarti mewakili berbagai kelompok berbeda secara statistik
ent dari satu sama lain. Karena nilai-nilai ini secara langsung dapat dihitung dari
data mentah, mereka dianggap nilai yang diamati . Sebaliknya, artinya
variabel laten (yaitu, konstruk laten) tidak dapat diobservasi ; itulah mereka
Halaman 253
232
tidak diamati secara langsung. Sebaliknya, konstruksi laten ini mendapatkan struktur mereka
secara tidak langsung dari variabel indikatornya, yang, pada gilirannya, secara langsung
diamati dan, karenanya, dapat diukur. Pengujian untuk invariansi rata-rata struk-
Oleh karena itu, tures menyampaikan gagasan bahwa kami bermaksud menguji kesetaraan
berarti terkait dengan setiap konstruk atau faktor yang mendasarinya. Cara lain untuk mengatakan-
Hal yang sama, tentu saja, adalah bahwa kami bermaksud menguji perbedaan dalam
laten berarti (faktor untuk masing-masing kelompok).
Untuk semua contoh yang telah kita bahas sejauh ini, analisis
telah didasarkan pada struktur kovarian . Dengan demikian, hanya parameter yang mewakili
senting koefisien regresi, varians, dan kovariances
bunga. Dengan demikian, struktur kovarians dari variabel yang diamati
merupakan informasi parametrik yang penting; model hipotesis
dengan demikian dapat diperkirakan dan diuji melalui matriks kovarian sampel. Satu
Keterbatasan tingkat invarian ini adalah bahwa sementara unit ukuran-
ment untuk faktor-faktor yang mendasarinya (yaitu, pemuatan faktor) adalah identik
kelompok, asal timbangan (yaitu, intersep) tidak. Sebagai conse-
Karena itu, perbandingan faktor laten berarti tidak mungkin, dengan demikian memimpin
Meredith (1993) mengategorikan tingkat invarian ini sebagai faktorial "lemah"
invarian Batasan ini meskipun, bukti faktor invarian
Meskipun demikian memuat penelitian memungkinkan peneliti untuk melanjutkan dalam pengujian lebih lanjut
untuk kesetaraan varian faktor, faktor kovarian, dan polanya
dari hubungan-hubungan faktorial ini, suatu fokus yang sangat menarik bagi para peneliti
lebih tertarik pada masalah validitas konstruk daripada menguji rata-rata laten
perbedaan. Tes selanjutnya akan terus didasarkan pada
analisis COVS.
Dalam analisis struktur kovarians, secara implisit diasumsikan bahwa
semua variabel yang diamati diukur sebagai penyimpangan dari kemampuannya;
dengan kata lain, artinya sama dengan nol. Akibatnya,
istilah intersep umumnya terkait dengan persamaan regresi tidak
relevan dengan analisis. Namun, ketika diamati berarti mengambil
nilai bukan nol, parameter mencegat harus dipertimbangkan, dengan demikian
memerlukan reparameterisasi model hipotesis. Seperti itu
kasus ketika seseorang tertarik untuk menguji invarian laten
struktur berarti . Untuk membantu Anda dalam memahami konsep mean
struktur, saya menggambar pada karya Bentler (2005) dalam menunjukkan
perbedaan antara kovarian dan struktur rata-rata yang berkaitan dengan a
persamaan regresi bivariat sederhana. Pertimbangkan, pertama, berikut ini
persamaan regresi:
y = α + βx + ε
(1)
di mana α adalah parameter intersepsi. Meskipun mencegat dapat membantu
mendefinisikan rerata y, umumnya tidak sama dengan rerata. Sekarang, jika kita
Halaman 254
Bab delapan: Menguji kesetaraan struktur rerata laten
233
ambil harapan dari kedua sisi persamaan ini, dan asumsikan bahwa mean
dari ε adalah nol, ekspresi di atas menghasilkan:
μ y = α + βμ x
(2)
di mana μ y adalah rata-rata y, dan μ x adalah rata-rata x. Dengan demikian, y dan artinya
sekarang dapat dinyatakan dalam parameter model α, β, dan μ x . ini
dekomposisi rata-rata y ini, variabel dependen, yang mengarah ke
istilah struktur berarti . Lebih khusus lagi, ini berfungsi untuk mengkarakterisasi model
di mana sarana dari variabel dependen dapat diekspresikan atau
Tured ‖dalam hal koefisien struktural dan sarana independen
variabel. Persamaan di atas berfungsi untuk menggambarkan bagaimana penggabungan
struktur rata-rata ke dalam model harus mencakup parameter baru α
dan μ x , rata-rata intersep dan yang diamati (dari x). Jadi, model
dengan sarana terstruktur hanya memperluas konsep dasar yang terkait dengan
analisis struktur kovarian.
Singkatnya, setiap model yang melibatkan struktur rata-rata dapat mencakup
parameter berikut:
Koefisien regresi
!
Varians dan kovarian dari variabel independen
!
Penyadapan variabel dependen
!
Berarti dari variabel independen
!
Sebagai akibatnya, model-model ini melibatkan analisis kedua kovarian
dan struktur rata-rata.
Estimasi variabel laten berarti
Seperti halnya aplikasi invarian yang disajikan dalam Bab 7 dan 9, ini
penerapan model sarana terstruktur melibatkan pengujian secara bersamaan
di dua kelompok. 1 Model multigroup yang diilustrasikan dalam bab ini adalah
digunakan ketika seseorang tertarik untuk menguji perbedaan kelompok dalam cara
konstruksi laten tertentu. Pendekatan ini untuk estimasi laten
struktur rata-rata pertama kali terungkap dalam seminal Sörbom (1974)
perpanjangan model klasik invarian faktorial. Dengan demikian, pengujian
untuk perbedaan rata - rata laten antar kelompok dimungkinkan melalui
pelaksanaan dua strategies- penting identifikasi model dan tor
untuk identifikasi .
Identifikasi model
Diberikan estimasi yang diperlukan dari intersep terkait dengan yang diamati
variabel, selain yang terkait dengan laten yang tidak teramati
Halaman 255
234
konstruksi, jelas bahwa pencapaian model overidentified adalah mungkin.
hanya dengan pengenaan beberapa batasan spesifikasi. Memang,
ini adalah masalah yang merumitkan, dan akhirnya membuat tidak mungkin,
estimasi rata-rata laten dalam analisis kelompok tunggal. Analisis multigroup,
di sisi lain, sediakan mekanisme untuk memaksakan pembatasan berat
pada model sedemikian rupa sehingga estimasi mean laten dimungkinkan. Lebih spesifik
secara spesifik, karena dua (atau lebih) kelompok yang diteliti diuji secara simultan.
Biasanya, evaluasi kriteria identifikasi dipertimbangkan lintas kelompok.
Akibatnya, meskipun model sarana terstruktur mungkin tidak dapat diidentifikasi.
Dalam satu kelompok, bisa jadi ketika dianalisis dalam kerangka kerja
model multigroup. Hasil ini terjadi sebagai fungsi dari
Mereka kendala lintas kelompok. Lebih khusus lagi, kendala kesetaraan ini
berasal dari asumsi yang mendasari bahwa kedua variabel yang diamati
intersep dan pemuatan faktor tidak berbeda antar kelompok.
Identifikasi faktor
Persyaratan ini memaksakan pembatasan yang disadap oleh faktor tersebut
grup diperbaiki menjadi nol; grup ini kemudian beroperasi sebagai grup referensi terhadap
yang berarti laten untuk kelompok lain dibandingkan. Alasan untuk
rekonseptualisasi ini adalah bahwa ketika penyadapan dari variabel yang diukur
kemampuan dibatasi sama lintas kelompok, ini mengarah pada faktor laten
intersep yang tidak memiliki asal yang pasti (yaitu, mereka tidak ditentukan dalam statistik
merasakan). Maka, cara standar untuk memperbaiki asal adalah dengan mengatur faktor
kecuali satu kelompok menjadi nol (lihat Bentler, 2005; Jöreskog & Sörbom, 1996). Sebagai
akibatnya, intersep faktor dapat ditafsirkan hanya dalam arti relatif.
Dengan kata lain, seseorang dapat menguji apakah variabel laten berarti untuk satu kelompok
berbeda dari yang lain, tetapi orang tidak dapat memperkirakan rata-rata dari setiap
Untuk model dalam setiap kelompok. Dengan kata lain, sementara dimungkinkan untuk menguji
perbedaan rata-rata laten antara, katakanlah, remaja laki-laki dan perempuan, ternyata tidak
mungkin untuk memperkirakan, secara bersamaan, rata-rata setiap faktor untuk kedua anak laki-laki
dan perempuan; cara laten untuk satu kelompok harus dibatasi ke nol.
Telah mengkaji landasan konseptual dan statistik dari
berarti model struktur, saya sekarang memperkenalkan Anda ke model hipotesis
sedang dipelajari dalam bab ini.
Aplikasi yang akan diperiksa dalam bab ini membahas kesetaraan
faktor laten berarti terkait dengan empat dimensi konsep diri (SC)
eral, akademik, bahasa Inggris, dan matematika) untuk tinggi ( n = 582) dan rendah ( n =
248) siswa sekolah menengah yang dilacak secara akademis (Byrne, 1988b). Sub-
fokus stantive dari studi awal (Byrne, 1988b) adalah untuk menguji rerata laten
perbedaan dalam SC multidimensi di kedua kelompok kemampuan ini. Ini
Halaman 256
235
Model CFA mengikuti dari studi sebelumnya yang dirancang untuk menguji multidi-
mensionalitas SC (Byrne & Shavelson, 1986), seperti yang digambarkan secara skematis
pada Gambar 8.1.
Seperti yang akan Anda perhatikan pada gambar, kecuali untuk SC akademik, sisanya
dimensi diukur oleh tiga variabel indikator, masing-masing mewakili
membenci skor subskala. Secara khusus, SC umum diukur dengan subskala
SESGSC
SDQGSC
GSC
SCAESC
APIESC
SDQESC
err6
1
1
1
err7
err8
ESC
SCAMSC
APIMSC
SDQMSC
err9
1
1
1
err10
err11
MSC
APIGSC
err1
1
1
1
1
1
1
1
err2
err3
SCAASC
SDQASC
err4
1
1
err5
ASC
Gambar 8.1 Model empat faktor dihipotesiskan dari konsep diri remaja.
Halaman 257
236
skor yang diperoleh dari subskala General SC dari Self Description
Angket III (SDQIII; Marsh, 1992b), Persepsi Afektif
Inventaris (API; Soares & Soares, 1979), dan Skala Harga Diri (SES;
Rosenberg, 1965); variabel indikator ini diberi label sebagai SDQGSC,
APIGSC, dan SESGSC, masing-masing. Bahasa Inggris SC diukur dengan subskala
skor terkait dengan SDQIII (SDQESC), API (APIESC), dan Self
Konsep Skala Kemampuan (SCAS; Brookover, 1962); yang terakhir diberi label sebagai
SCAESC pada Gambar 8.1. Akhirnya, matematika SC diukur dengan skor subskala
berasal dari SDQIII (SDQMSC), API (APIMSC), dan SCAS
(SCAMSC). Dalam kasus SC akademik, temuan dari faktor pendahuluan
analisis API (lihat Byrne & Shavelson, 1986) mengungkapkan beberapa kesalahan.
persamaan dalam pengukuran dimensi SC ini. Jadi, itu dihapus
dari semua analisis selanjutnya dalam studi Byrne dan Shavelson (1986), dan
hal yang sama berlaku di sini. Akibatnya, Akademik SC diukur
oleh skor subskala dari SDQIII (SDQASC) dan SCAS (SCAASC).
Berbeda dengan model CFA yang dibahas pada Bab 7 di mana
item dari alat ukur membentuk unit pengukuran, the
Model CFA yang sedang dipelajari dalam bab ini mensyaratkan skor skala subskala
instrumen suring sebagai unit pengukurannya. Dihipotesiskan bahwa
setiap ukuran subskala akan memiliki pembebanan nol pada faktor SC itu
dirancang untuk mengukur, meskipun memuat nol pada semua faktor lain, dan itu
kesalahan dan keunikan yang terkait dengan masing-masing tindakan yang diamati
tidak berkorelasi. Konsisten dengan teori dan penelitian empiris, empat
Faktor-faktor SC terbukti saling terkait.
Model dasar
Seperti contoh invarian multigroup pada sampel independen
pada Bab 7, good-of-fit terkait dengan model hipotesis (Gambar 8.1)
diuji secara terpisah untuk siswa jalur tinggi dan rendah. Statistik model fit
hanya mengindikasikan model yang pas untuk kedua kelompok (jalur tinggi,
CFI = .923, RMSEA = .128; trek rendah, CFI = .911, RMSEA = .114). Memang, a
tinjauan indeks modifikasi, untuk kedua kelompok, mengungkapkan substansial
bukti kesalahan spesifikasi sebagai konsekuensi dari kesalahan kovarian antara
subskala dari API (ESC dan MSC) dan SCAS. Penemuan ini
varians yang tumpang tindih di antara subskala SCAS tentu tidak jelas
hadiah dan dapat dijelaskan oleh fakta bahwa item pada bahasa Inggris dan
Sub-skala Matematika SC muncul dari mereka yang terdiri dari Akademik
Subskala SC. Lebih khusus, SCAS pada awalnya dirancang untuk
yakin hanya Akademik SC. Namun, dalam upaya mereka untuk mengukur subjek-
aspek spesifik Bahasa Inggris dan Matematika SC, Byrne dan Shavelson (1986) digunakan
item yang sama dari SCAS asli, meskipun memodifikasi konten menjadi
memanfaatkan aspek-aspek yang lebih spesifik dari Bahasa Inggris dan Matematika SC.
Halaman 258
237
Diberikan alasan yang masuk akal dan psikometrik yang masuk akal
untuk memperkirakan tiga parameter tambahan ini, hipotesis awalnya
Model yang dikembangkan diresepkan dan ditaksir kembali sesuai untuk masing-masing kelompok.
Pengujian model yang diresepkan ini menghasilkan kesesuaian yang jauh lebih baik
Model untuk kedua jalur tinggi (CFI = .975; RMSEA = .076) dan jalur rendah
(CFI = .974; RMSEA = .065) siswa. Model dasar akhir ini (yang
ternyata sama untuk setiap kelompok) berfungsi sebagai model yang akan diuji
untuk kesetaraannya di antara siswa jalur tinggi dan rendah; secara skematis
digambarkan pada Gambar 8.2.
SESGSC
SDQGSC
GSC
SCAESC
APIESC
SDQESC
err6
1
1
1
err7
err8
ESC
SCAMSC
APIMSC
SDQMSC
err9
1
1
1
err10
err11
MSC
APIGSC
err1
1
1
1
1
1
1
1
err2
err3
SCAASC
SDQASC
err4
1
1
err5
ASC
Gambar 8.2 Model multigroup yang dihipotesiskan tentang konsep diri remaja.
Halaman 259
238
Model sarana terstruktur
Dalam bekerja dengan AMOS Graphics, estimasi dan pengujian terstruktur
berarti model tidak jauh berbeda dengan pengujian invarian
berdasarkan analisis struktur kovarian. Namun, itu membutuhkan beberapa
langkah tambahan. Seperti halnya aplikasi multigroup yang disajikan pada Bab 7,
model sarana terstruktur membutuhkan sistem pelabelan yang pasti
parameter dibatasi untuk menjadi sama lintas grup, sementara yang lain bebas untuk
mengambil nilai apa pun. Dalam menguji perbedaan dalam faktor laten faktor, untuk ujian
hai, kami ingin tahu bahwa model pengukuran beroperasi di
persis cara yang sama untuk siswa jalur tinggi dan rendah. Secara terstruktur
berarti model, persyaratan ini mencakup intersep variabel yang diamati
selain beban faktor (yaitu, bobot regresi), dan, dengan demikian, keduanya
dibatasi sama di kedua kelompok. Sekarang kita beralih ke yang lebih detail
deskripsi proses ini karena berkaitan dengan pengujian untuk perbedaan rata-rata laten.
Menguji perbedaan rata-rata laten
Model multigroup yang dihipotesiskan
Dalam pengujian untuk perbedaan rata-rata laten menggunakan Grafik AMOS, baseline
model untuk setiap kelompok kemampuan harus diberitahukan kepada program.
Namun, dalam kasus grup yang dilacak secara akademis di bab ini,
model terakhir untuk masing-masing adalah sama. Dengan demikian, model multigroup ditampilkan
pada Gambar 8.2 mewakili kedua kelompok. 2
Langkah-langkah dalam proses pengujian
Setelah model multigroup didirikan, langkah selanjutnya (digambarkan dalam
Bab 7) adalah untuk mengidentifikasi nama masing-masing kelompok (melalui Kelola Grup
kotak dialog), serta lokasi data terkait (melalui File Data
kotak dialog). Untuk ulasan prosedur ini, lihat Bab 7, dan pada par-
Gambar 7.4 dan 7.5. Pada titik ini, AMOS memiliki semua informasi itu
mensyaratkan sehubungan dengan kedua model yang akan diuji dan nama dan
lokasi data yang akan digunakan. Yang dibutuhkan sekarang adalah menentukan
pendekatan analitik mana yang akan digunakan dalam menguji perbedaan laten
faktor berarti di kedua kelompok. Dalam Bab 7, prosedur terkait
dengan hanya pemilihan pendekatan (manual versus otomatis) yang ilus-
dilacak. Detail terkait dengan proses setelah pilihan ini dibuat
terbatas pada strategi multigroup manual sebagaimana diterapkan pada tes
untuk invarian Dalam bab ini, sebaliknya, saya fokus pada detail yang terkait dengan
pendekatan multigroup otomatis.
Halaman 260
239
Menguji invarian konfigurasi
Ingat dari Bab 7 bahwa semua tes untuk invarian dimulai dengan konfigurasi.
ural model yang minatnya berfokus pada sejauh mana hal yang sama
jumlah faktor terbaik mewakili data untuk kedua kelompok. Karena itu, tidak
kendala kesetaraan diberlakukan dan penilaian didasarkan pada kecukupan
hanya dari statistik good-of-fit. Dalam hal ini, model konfigurasi
ditemukan sangat pas dalam perwakilannya
data siswa multigroup (χ 2
(70) = 225.298; CFI = .975; RMSEA = .052).
Untuk membiasakan Anda dengan pohon direktori keluaran AMOS di

analisis multigroup, saya sertakan di sini standar dan standar
estimasi pemuatan faktor yang dibatasi untuk model konfigurasi. Gambar 8.3
berkaitan dengan grup jalur tinggi, sedangkan Gambar 8.4 berkaitan dengan
grup jalur rendah. Dalam meninjau kedua angka ini, saya ingin mengarahkan Anda
memperhatikan empat informasi penting. Pertama , beralih ke
pohon direktori ditunjukkan pada Gambar 8.3, Anda akan mencatat bahwa High Track adalah tinggi
menyala, dengan demikian menunjukkan bahwa semua hasil disajikan dalam file output ini
hanya berkaitan dengan grup ini. Sebaliknya, jika Anda mengklik Low Track ,
hasil yang berkaitan dengan kelompok itu akan dipresentasikan. Kedua , di bawah ini
grup identifikasi bagian dari pohon, Anda akan melihat daftar empat mod
els (satu tidak dibatasi dan tiga dibatasi). Seperti yang ditunjukkan oleh saat ini
sor, hasil yang disajikan di sini (dan pada Gambar 8.4) berhubungan dengan yang tidak dibatasi
model. Ketiga , karena tidak ada batasan yang ditentukan dalam model ini, the
parameter diestimasi secara bebas dan, dengan demikian, bervariasi di trek tinggi dan rendah
siswa. Akhirnya , meskipun kendala kesetaraan tidak ditugaskan untuk
loading faktor, program yang secara otomatis menetapkan label yang bisa
digunakan untuk mengidentifikasi parameter dan kelompok dalam pengujian selanjutnya
untuk invarian Label-label ini muncul di kolom terakhir dari standar
estimasi yang terkait dengan bobot regresi. Misalnya label
ditugaskan untuk pemuatan faktor SESGSC pada GSC adalah a1_1 untuk jalur tinggi
siswa dan a1_2 untuk siswa jalur rendah. 3
Pengujian untuk invarian pengukuran
Setelah model konfigurasi, semua tes untuk invarian memerlukan
pengenaan kendala kesetaraan lintas kelompok. Penerapan ini
proses, menggunakan pendekatan otomatis, dimulai dengan dihipotesiskan
model terbuka diikuti dengan pemilihan tab Analisis Grup Berganda dari
yang Analisis menu drop-down, seperti yang digambarkan dalam Bab 7 (Gambar 7.13).
Mengklik pada pilihan ini akan memberi Anda peringatan yang ditunjukkan pada
Kotak 8.1.
Setelah Anda mengklik tab OK , Anda akan segera disajikan
yang Analysis Group Beberapa kotak dialog di mana default parameter sub
set diperiksa (lihat Gambar 7.14). Namun, seperti yang saya tekankan di Bab 7, dalam
menguji invarian, saya anggap lebih baik untuk menguji invarian terkait
Halaman 261
240
hanya memuat faktor. Dengan cara ini, jika hasilnya menghasilkan bukti
noninvariance, Anda kemudian dapat melakukan analisis tindak lanjut untuk menentukan yang mana
parameter faktor-loading tidak beroperasi dengan cara yang sama lintas grup dan
dapat mengecualikan mereka dari analisis lebih lanjut. Jadi, untuk menguji invarian terkait
hanya untuk memuat faktor, Anda harus menghapus semua tanda centang dari
Gambar 8.3 Grafik AMOS: Perkiraan pemuatan faktor untuk grup jalur tinggi
berdasarkan pada model yang tidak dibatasi.
Halaman 262
241
Gambar 8.4 Grafik AMOS: Estimasi pemuatan faktor untuk grup jalur rendah
berdasarkan pada model yang tidak dibatasi.
KOTAK 8.1
Halaman 263
242
Beberapa kotak dialog Analisis Grup , kecuali yang ada di Kolom 1, yaitu
ditunjukkan pada Gambar 8.5 untuk hanya mewakili "bobot pengukuran."
Setelah Anda mengklik tab OK kotak dialog ini, Anda akan melihat
penugasan label kendala untuk model Anda. Seperti disebutkan dalam Bab 7, satu
Penyimpangan dari versi program saat ini (AMOS 17) adalah bahwa, terlepas dari
di mana tanda centang standar dihapus dari Analisis Grup Berganda
kotak dialog (artinya parameter terkait akan diperkirakan secara bebas), the
Program tetap menambahkan label terkait ke model. Ditampilkan
pada Gambar 8.6 adalah model multigroup kami yang dihipotesiskan dengan faktor yang sesuai.
untuk perkiraan memuat yang berlabel (a2_1 - a6_1), selain yang mewakili
varian faktor (vvv1_1 - vvv4_1), faktor kovarian (ccc1_1 - ccc6_1),
dan varians kesalahan (v1_1 - v11_1) karena berkaitan dengan Grup 1, jalur tinggi
kelompok. Seperti disebutkan sebelumnya, mengklik grup jalur rendah di output AMOS
pohon direktori akan mengalihkan Anda ke model berlabel yang sama, meskipun terkait
ke grup jalur rendah. Dengan demikian, sistem pelabelan menggunakan nomor "2" untuk
menunjukkan relevansinya dengan kelompok siswa ini (misalnya, a2_2; a3_2).
Good-of-fit hasil dari tes ini memuat faktor invarian
lagi-lagi memberikan bukti model yang cocok (χ 2
(77) = 245,571; CFI = .972;
RMSEA = .051). Meskipun perbedaan χ 2 dari model konfigurasi

signifikan secara statis (∆χ 2
(7) = 20.273), perbedaan antara CFI
nilai memenuhi kriteria cutoff yang disarankan yaitu 0,01 (∆CFI = 0,003). Menggunakan
uji perbedaan CFI sebagai kriteria untuk menentukan bukti
invarian, saya menyimpulkan pemuatan faktor untuk beroperasi dengan cara yang sama
lintas siswa jalur tinggi dan jalur rendah.
Gambar 8.5 Grafik AMOS:Kotak dialog Analisis Beberapa Grup dengan persamaan kesetaraan
straints diindikasikan hanya untuk pemuatan faktor.
Halaman 264
243
Menguji perbedaan rata-rata laten
Seperti disebutkan sebelumnya, dalam pengujian untuk perbedaan dalam faktor faktor laten, diperlukan
penting untuk membatasi pemuatan faktor dan variabel yang diamati
memotong sama di seluruh kelompok. Namun, berbeda dengan kasus untuk
loading faktor, yang, jika ditemukan noninvariant, selanjutnya bebas
SESGSC
SDQGSC
GSC
SCAESC
APIESC
SDQESC
err6
1
1
1
err7
err8
ESC
SCAMSC
APIMSC
SDQMSC
err9
1
1
1
err10
err11
MSC
APIGSC
err1
1
1
1
1
1
1
1
err2
err3
SCAASC
SDQASC
err4
1
1
err5
c2_1
c3_1
c1_1
vvv4_1
vvv3_1
vvv2_1
ccc5_1
ccc2_1
ccc3_1
ccc4_1
ccc1_1
ccc6_1
vvv1_1
v3_1
v2_1
a2_1
a1_1
a3_1
a5_1
a4_1
a7_1
a6_1
v1_1
v5_1
v4_1
v8_1
v7_1
v6_1
v11_1
v10_1
v9_1
ASC
Gambar 8.6 Model yang akan diuji untuk invariansi lintas-grup dari pemuatan faktor.
Halaman 265
244
Diperkirakan, intersepsi harus selalu dibatasi di semua grup
meskipun bukti non-invarian. Namun, Cooke et al. (2001) berpendapat
bahwa dari keduanya, pemuatan faktor non-invasif jauh lebih serius.
Mereka lebih lanjut berpendapat bahwa perbedaan kelompok dalam intersep tidak perlu dihindarkan
kegunaan barang-barang ini dalam mengukur konstruksi yang mendasarinya.
Langkah pertama kami dalam menguji untuk perbedaan rata-rata laten, kemudian, adalah untuk
saring penyadapan yang sama lintas kelompok. Tugas ini mudah diselesaikan
dengan mengaktifkan kotak dialog Properti Analisis , baik dengan mengklik pada kotak dialog
ikon terkait atau dengan memilihnya dari menu drop-down Analisis . Setelah itu
Kotak dialog Properties Analisis terbuka, kita klik pada tab Estimasi dan
lalu pilih opsi Estimate Means and Intercepts , seperti yang ditunjukkan pada Gambar 8.7.
Langkah selanjutnya dalam proses ini adalah untuk sekali lagi memilih Beberapa Grup
Opsi analisis dari menu drop-down Analisis . Kali ini,
selain menempatkan tanda centang di Kolom 1 hanya untuk pengukuran
bobot, kami juga memeriksa Kolom 2, yang menggabungkan keduanya
Gambar 8.7 Grafik AMOS:Kotak dialog Properties Properties dengan sarana dan antar
kecuali estimasi yang diminta.
Halaman 266
245
bobot pengukuran dan intersep pengukuran. Sekali ini
pilihan telah dimulai, AMOS secara otomatis menetapkan nol diikuti
dengan koma (0,) untuk setiap faktor. Gambar 8.8 menangkap aksi pelabelan ini oleh
menampilkan kedua opsi yang dicentang dalam dialog Analisis Grup Berganda
kotak, bersama dengan hasil penugasan "0," ke SC umum (GSC)
dan faktor akademik SC (ASC).
Nilai nol tetap yang ditunjukkan pada Gambar 8.8 ditugaskan untuk model
relevan untuk masing-masing kelompok. Namun, seperti yang dibahas di awal ini
bab, dalam menguji perbedaan rata-rata laten, salah satu kelompok bebas
Diperkirakan sementara yang lain dibatasi sama dengan beberapa jumlah yang tetap. Di
kasusnya di sini, AMOS secara otomatis memperbaiki nilai nol ini untuk kedua grup.
Gambar 8.8 Grafik AMOS: Beberapa kotak dialog dengan batasan kesetaraan
diindikasikan untuk pemuatan faktor dan penyadapan.
Halaman 267
246
Dengan demikian, langkah selanjutnya dalam proses ini adalah menghapus nilai-nilai faktor tetap ini
untuk salah satu grup. Keputusan kelompok mana yang akan ditetapkan nol adalah
yang sewenang-wenang dan tidak berpengaruh pada estimasi nilai rata-rata akhir;
terlepas dari kelompok mana yang dipilih, hasilnya akan identik. Dalam
kasus ini, saya memilih untuk menggunakan grup jalur rendah sebagai kelompok referensi
(yaitu, rata-rata laten ditetapkan ke nilai 0,0) dan, dengan demikian, pindah ke
menghilangkan kendala rata-rata untuk grup jalur tinggi. Dengan model
terbuka, proses ini dimulai dengan terlebih dahulu menyoroti faktor yang akan dilabel ulang
dengan klik kiri mouse dan kemudian mengklik kanan pada faktor ini,
yang akan mengaktifkan tab Object Properties seperti yang ditunjukkan pada Gambar 8.9.
Mengklik pada tab ini membuka kotak dialog Object Properties , setelah itu
kita klik pada tab Parameter ; tindakan ini memungkinkan kita untuk menandai ulang mean
parameter. Minat kami di sini adalah menghapus nilai nol tetap yang ditetapkan
untuk masing-masing faktor berarti dan menggantinya dengan label yang memungkinkan
parameter ini diperkirakan secara bebas untuk grup jalur tinggi; Gambar 8.10
menangkap proses ini. Lebih khusus lagi, ketika kotak dialog pertama kali
dibuka, label yang terlihat di ruang di bawah "rata-rata" adalah 0. Saya kemudian
Gambar 8.9 Grafik AMOS: Mengklik padatab Properties Obyek untuk membuka dia-
kotak log.
Halaman 268
247
mengganti nomor ini dengan label yang sesuai (mis., mn_gsc) yang mungkin
dimodifikasi sesuai dengan faktor terkait, seperti yang dapat dilihat pada model
dibelakang. Dilingkari di dalam kotak dialog, Anda dapat melihat penetapan label
untuk ditugaskan ke faktor pertama (GSC). Perhatikan juga bahwa persegi di samping Semua
Grup kosong dan tetap kosong karena kami tidak ingin pelabelan ulang ini
perubahan untuk diterapkan pada kedua kelompok. 4
Model akhir yang akan diuji untuk perbedaan rata-rata laten ditunjukkan pada
Gambar 8.11 yang berhubungan dengan grup jalur tinggi. Namun, mengklik
label jalur-rendah di pohon direktori (lihat Gambar 8.12) menyajikan hal yang sama
model, meskipun dengan nilai nol yang ditetapkan untuk masing-masing faktor. Mini
versi kedua model ditampilkan pada Gambar 8.12.
Output AMOS yang dipilih: Ringkasan model
Yang menjadi perhatian utama dalam analisis yang terkait dengan model sarana terstruktur adalah
(a) estimasi rata-rata laten, dan (b) kebaikan-of-fit di antara
Gambar 8.10 Grafik AMOS: Objek kotak dialog Properti menunjukkan modifikasi dari
protokol pelabelan cara.
Halaman 269
248
model hipotesis dan data multigroup. Sebelum beralih ke ini
hasil untuk analisis kami siswa jalur tinggi dan rendah, mari kita sekali lagi
luangkan beberapa menit untuk meninjau ringkasan model dalam hal
jumlah taksiran parameter dan derajat kebebasan yang dihasilkan. Ini
ringkasan disajikan pada Gambar 8.13.
Seperti yang Anda ketahui sekarang, untuk menghitung derajat kebebasan
terkait dengan uji model, Anda perlu tahu dua buah
informasi: (a) jumlah momen sampel, dan (b) jumlah
SESGSC
SDQGSC
GSC
SCAESC
APIESC
SDQESC
err6
1
1
1
err7
err8
ESC
SCAMSC
APIMSC
SDQMSC
err9
1
1
1
err10
err11
MSC
APIGSC
err1
1
1
1
1
1
1
1
err2
err3
SCAASC
SDQASC
err4
1
1
err5
c2_1
c3_1
c1_1
mn_msc, vvv4_1
mn_esc, vvv3_1
mn_asc, vvv2_1
ccc5_1
ccc2_1
ccc2_1
ccc4_1
ccc1_1
ccc6_1
mn_gsc, vvv1_1
0, v3_1
0, v2_1
a2_1
i3_1
i2_1
a1_1
i1_1
i5_1
a3_1
i4_1
i8_1
a5_1
i7_1
i6_1
i11_1
i10_1
i9_1
a4_1
a7_1
a6_1
0, v1_1
0, v5_1
0, v4_1
0, v8_1
0, v7_1
0, v6_1
0, v11_1
0, v10_1
0, v9_1
ASC
Gambar 8.11 Model sarana terstruktur karena mewakili kelompok jalur tinggi.
Halaman 270
249
taksiran parameter. Pada Gambar 8.13, kita melihat ada 154 perbedaan
contoh momen dan 70 estimasi parameter. Mari kita beralih dulu ke angka
ber momen sampel. Jika Anda telah menghitung jumlah momen dalam
dengan cara yang sama digunakan dengan semua aplikasi lain dalam buku ini, Anda akan melakukannya
tiba di nomor 132 ([11 × 12) / 2] = 66; diberikan dua kelompok, totalnya adalah
132). Mengapa ada perbedaan ini? Jawabannya terletak pada analisis kovarians
versus struktur berarti. Semua aplikasi sebelum bab ini adalah
Gambar 8.12 Grafik AMOS: Tampilan mikro model sarana terstruktur untuk
lacak dan lacak grup rendah.
Gambar 8.13 Grafik AMOS: Informasi ringkasan terkait dengan sarana terstruktur
model.
Halaman 271
250
berdasarkan pada struktur kovarian, dan, dengan demikian, satu-satunya potongan informasi
yang dibutuhkan untuk analisis adalah kovariansi di antara variabel yang diamati.
Namun, dalam analisis model sarana terstruktur, informasi terkait
baik untuk matriks kovarians dan sarana sampel diperlukan. Dengan 11
variabel yang diamati dalam model, akan ada 11 berarti, dan 22 berarti untuk
dua kelompok. Jadi, jumlah momen yang dihasilkan adalah 132 + 22 = 154.
Beralih di sebelah perkiraan 70 parameter yang dilaporkan, mari kita lihat dulu
pada jumlah parameter yang diperkirakan untuk grup jalur tinggi.
Dengan demikian, kami memiliki 7 memuat faktor, 9 kovarian (6 faktor kovarian; 3
kovarian kesalahan), 15 varians (11 varians kesalahan; 4 varians faktor), 11
intersep, dan 4 cara laten, dengan demikian menghasilkan total 46 parameter
untuk diperkirakan. Untuk grup jalur rendah, kami hanya punya
9 kovariansi dan 15 varian, menghasilkan total 24 parameter
diperkirakan; semua parameter lain dibatasi sama dengan parameter
grup jalur tinggi. Di kedua kelompok, ada 70 (46 + 24)
parameter yang akan diestimasi. Dengan 154 momen sampel dan 70 diperkirakan
parameter, jumlah derajat kebebasan akan 84. 5
Output AMOS yang dipilih: Statistik good-of-fit
Untuk memberi Anda dasar perbandingan antara sarana terstruktur
model (Model 2 dalam output) dan kedua model konfigurasi (yaitu, tidak
model tegang) dan model pengukuran yang hanya memuat faktor
adalah kelompok invarian (Model 1 dalam output), terkait statistik good-of-fit
masing-masing dilaporkan dalam Tabel 8.1. Dalam setiap kasus, statistik kecocokan ditunjukkan dengan baik.
model pas. Seperti yang dilaporkan sebelumnya, meskipun perbandingan Model 1 dan 2
dengan hasil model yang tidak dibatasi dalam difference 2 tes perbedaan yang secara statistik
secara signifikan signifikan (p <.01 dan p <.001, masing-masing), tes perbedaan CFI
memenuhi kriteria cutoff <0,01 (dengan pembulatan dalam kasus Model 2). Memang,
terlepas dari kendala kesetaraan yang dikenakan pada faktor pemuatan dan
mengamati penyadapan variabel di kedua kelompok, sarana terstruktur
model memasang data dengan sangat baik (misalnya, CFI = 0,963) dan ditunjukkan
perkiraan yang memadai untuk dua populasi melacak kemampuan remaja
(RMSEA = .057). Dengan adanya temuan ini, maka, kita dapat merasa percaya diri dalam
mendahului perkiraan yang terkait dengan solusi saat ini.
Output AMOS yang dipilih: Estimasi parameter
Siswa jalur tinggi
Kami beralih dulu ke taksiran parameter untuk siswa jalur tinggi, yaitu
dilaporkan pada Tabel 8.2. Untuk kepentingan variasi ruang, faktor, dan kesalahan
tidak termasuk. Pembacaan singkat dari rasio kritis (CR) yang terkait
dengan estimasi ini mengungkapkan semua, kecuali kovarian antara faktor-faktor
ESC dan MSC, secara statistik signifikan. Temuan yang tidak signifikan ini,
Halaman 272
251
Namun, cukup konsisten dengan teori konsep-diri karena berkaitan dengan ini
dua dimensi akademik dan karenanya tidak perlu dikhawatirkan.
Yang menarik di sini adalah estimasi rata-rata laten yang dilaporkan
siswa jalur tinggi karena mereka memberikan kunci untuk pertanyaan apakah
faktor laten rata-rata untuk kelompok ini sangat berbeda dari mereka untuk
siswa jalur rendah. Mengingat bahwa grup jalur rendah ditetapkan sebagai
kelompok referensi dan dengan demikian faktor faktornya ditetapkan nol, nilainya
dilaporkan di sini mewakili perbedaan rata-rata laten antara kedua kelompok.
Meninjau nilai-nilai ini, kita melihat bahwa sedangkan faktor laten berarti
terkait dengan aspek akademik, bahasa Inggris, dan matematika yang lebih spesifik
konsep diri secara statistik signifikan (seperti yang ditunjukkan oleh rasio kritis
nilai> 1,96), ini bukan kasus untuk konsep diri umum (CR = .304).
Mengingat bahwa parameter rata-rata laten diperkirakan untuk jalur tinggi
kelompok, dan bahwa mereka mewakili nilai-nilai positif, kami menafsirkan temuan ini
sebagai menunjukkan bahwa siswa jalur tinggi di sekolah menengah tampaknya memiliki
Tabel 8.1 Statistik Good-of-Fit untuk Model Konfigurasi dan Pengukuran
Model
NPAR
CMIN
DF
P
CMIN / DF
Tidak dibatasi
62
225.298
70
.000
3.219
Model 1
55
245.571
77
.000
3.189
Model 2
70
309.456
84
.000
3.684
Model 3
62
225.298
70
.000
3.219
Model jenuh
132
.000
0
Model kemerdekaan
22
6213.470
110
.000
56.486
Perbandingan dasar
NFI
RFI
JIKA SAYA
TLI
Model
Delta1
rho1
Delta2
rho2
CFI
Tidak dibatasi
0,964
0,943
0,975
0,960
0,975
Model 1
0,960
0,944
0,973
0,961
0,972
Model 2
0,950
0,935
0,963
0,952
0,963
Model 3
0,964
0,943
0,975
0,960
0,975
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Tidak dibatasi
0,052
0,044
0,059
0,338
Model 1
0,051
0,044
0,059
0,361
Model 2
0,057
0,050
.064
0,045
Model 3
0,052
0,044
0,059
0,338
Model kemerdekaan
.259
.253
.264
.000
Halaman 273
252
Tabel 8.2 Output AMOS yang Dipilih: Estimasi Parameter untuk
Means Structures Model — Siswa Jalur Tinggi
Memperkirakan
SE
CR
P
Label
Bobot regresi
SESGSC <--- GSC
.356
0,012
30.458
***
a1_1
APIGSC <--- GSC
0,535
0,022
24.124
***
a2_1
SDQGSC <--- GSC
1.000
SCAASC <--- ASC
0,445
0,018
25.030
***
a3_1
SDQASC <--- ASC
1.000
SCAESC <--- ESC
0,587
0,026
22.252
***
a4_1
APIESC <--- ESC
1.307
0,054
24.158
***
a5_1
SDQESC <--- ESC
1.000
SCAMSC <--- MSC
0,428
0,010
41.502
***
a6_1
APIMSC <--- MSC
0,698
0,014
49.706
***
a7_1
SDQMSC <--- MSC
1.000
Peluang *** <.000
SESGSC <--- GSC
0,913
APIGSC <--- GSC
.738
SDQGSC <--- GSC
0,888
SCAASC <--- ASC
0,826
SDQASC <--- ASC
0,784
SCAESC <--- ESC
.769
APIESC <--- ESC
0,913
SDQESC <--- ESC
0,781
SCAMSC <--- MSC
0,876
APIMSC <--- MSC
0,943
SDQMSC <--- MSC
0,947
Cara
GSC
.296
0,978
0,302
.762
mn_gsc
ASC
10.397
0,781
13.315
***
mn_asc
ESC
3.424
0,571
6.001
***
mn_esc
MSC
7.639
1.062
7.193
***
mn_msc
Peluang *** <.000
Penyadapan
SESGSC
31.317
.291
107.449
***
i1_1
APIGSC
76.653
0,474
161.804
***
i2_1
SDQGSC
75.638
.813
93.086
***
i3_1
( lanjutan )
Halaman 274
253
persepsi diri yang jauh lebih tinggi daripada rekan-rekan mereka yang low-track dengan hormat
untuk mempersepsikan kemampuan matematika dan bahasa Inggris, serta ke sekolah di Indonesia
umum. Di sisi lain, ketika datang ke persepsi global tentang diri, ada
tampaknya ada sedikit perbedaan antara kedua kelompok siswa. Pembaca
tertarik pada diskusi yang lebih rinci tentang hasil ini dari substantif
Perspektif dirujuk ke artikel asli (Byrne, 1988b).
Means Structures Model — Siswa Jalur Tinggi ( Lanjutan )
Memperkirakan
SE
CR
P
Label
Penyadapan
SCAASC
25.424
0,283
89.745
***
i4_1
SDQASC
47.894
0,675
70,991
***
i5_1
SCAESC
26.459
0,289
91.679
***
i6_1
APIESC
57.401
0,606
94.746
***
i7_1
SDQESC
54.382
0,492
110.595
***
i8_1
SCAMSC
22.958
0,364
63.034
***
i9_1
APIMSC
41.851
0,585
71.518
***
i10_1
SDQMSC
41.444
0,829
49.979
***
i11_1
Peluang *** <.000
Kovarian
ASC <--> ESC
37.423
4.020
9.309
***
ccc1_1
GSC <--> ESC
23.971
4.773
5.022
***
ccc2_1
ASC <--> MSC
90.511
8.140
11.119
***
ccc3_1
GSC <--> MSC
54.373
9.556
5.690
***
ccc4_1
GSC <--> ASC
53.028
6.246
8.490
***
ccc5_1
ESC <--> MSC
.359
5.556
0,065
0,948
ccc6_1
err5 <--> err8
5.159
0,588
8.773
***
c1_1
err5 <--> err11
4.546
0,554
8.201
***
c2_1
err7 <--> err10
8.590
1.406
6.111
***
c3_1
Peluang *** <.000
Korelasi
ASC <--> ESC
0,537
GSC <--> ESC
.240
ASC <--> MSC
0,628
GSC <--> MSC
.263
GSC <--> ASC
0,453
ESC <--> MSC
0,003
err5 <--> err8
0,499
err5 <--> err11
0,439
err7 <--> err10
0,487
Halaman 275
254
Siswa jalur rendah
Beralih sekarang ke hasil untuk siswa jalur rendah yang dilaporkan dalam Tabel 8.3,
kami menemukan bahwa, konsisten dengan grup jalur tinggi, semua parameter
pasangan secara statistik signifikan kecuali untuk faktor kovarians
antara Bahasa Inggris dan Matematika SC. Namun, setelah diteliti lebih lanjut, Anda
mungkin berpikir bahwa ada sesuatu yang salah dengan tabel ini sebagai faktor keduanya
beban (yaitu, bobot regresi) dan intersep variabel yang diamati,
serta label terkait, identik dengan yang dilaporkan untuk
grup jalur tinggi. Hasil ini benar, tentu saja, karena parameter ini
ters (untuk grup jalur rendah) dibatasi sama dengan yang diperkirakan
Means Structure Model — Siswa Lintasan Rendah
Bobot regresi
Memperkirakan
SE
CR
P
Label
SESGSC <--- GSC
.356
0,012
30.458
***
a1_1
APIGSC <--- GSC
0,535
0,022
24.124
***
a2_1
SDQGSC <--- GSC
1.000
SCAASC <--- ASC
0,445
0,018
25.030
***
a3_1
SDQASC <--- ASC
1.000
SCAESC <--- ESC
0,587
0,026
22.252
***
a4_1
APIESC <--- ESC
1.307
0,054
24.158
***
a5_1
SDQESC <--- ESC
1.000
SCAMSC <--- MSC
0,428
0,010
41.502
***
a6_1
APIMSC <--- MSC
0,698
0,014
49.706
***
a7_1
SDQMSC <--- MSC
1.000
***
SESGSC <--- GSC
0,854
APIGSC <--- GSC
0,698
SDQGSC <--- GSC
0,880
SCAASC <--- ASC
.767
SDQASC <--- ASC
0,694
SCAESC <--- ESC
0,692
APIESC <--- ESC
.785
SDQESC <--- ESC
.684
SCAMSC <--- MSC
0,851
APIMSC <--- MSC
0,849
SDQMSC <--- MSC
0,892
( lanjutan )
Halaman 276
255
untuk grup jalur tinggi. Akhirnya, penting untuk dicatat bahwa tidak ada perkiraan
pasangan untuk faktor faktor dilaporkan. Meskipun nilai-nilai ini
dibatasi ke nol, AMOS tidak melaporkan nilai-nilai tetap ini di
keluaran.
Means Structure Model — Siswa Low-Track ( Lanjutan )
Memperkirakan
SE
CR
P
Label
Penyadapan
SESGSC
31.317
.291
107.449
***
i1_1
APIGSC
76.653
0,474
161.804
***
i2_1
SDQGSC
75.638
.813
93.086
***
i3_1
SCAASC
25.424
0,283
89.745
***
i4_1
SDQASC
47.894
0,675
70,991
***
i5_1
SCAESC
26.459
0,289
91.679
***
i6_1
APIESC
57.401
0,606
94.746
***
i7_1
SDQESC
54.382
0,492
110.595
***
i8_1
SCAMSC
22.958
0,364
63.034
***
i9_1
APIMSC
41.851
0,585
71.518
***
i10_1
SDQMSC
41.444
0,829
49.979
***
i11_1
***
Kovarian
ASC <--> ESC
31.828
5.002
6.363
***
ccc1_2
GSC <--> ESC
23.400
5.860
3.993
***
ccc2_2
MSC <--> ASC
49.353
8.598
5.740
***
ccc3_2
MSC <--> GSC
49.941
10.717
4.660
***
ccc4_2
GSC <--> ASC
41.082
8.136
5.050
***
ccc5_2
MSC <--> ESC
3.018
5.764
0,524
0,601
ccc6_2
err5 <--> err8
5.051
1.050
4.808
***
c1_2
err5 <--> err11
3.882
0,863
4.499
***
c2_2
err7 <--> err10
17.425
3.273
5.323
***
c3_2
***
Korelasi
ASC <--> ESC
0,620
GSC <--> ESC
0,317
MSC <--> ASC
0,496
MSC <--> GSC
0,349
GSC <--> ASC
0,428
MSC <--> ESC
0,040
Err5 <--> err8
0,432
Err5 <--> err11
0,396
Err7 <--> err10
0,510
Halaman 277
256
Catatan akhir
1. Tentu saja, prosedur juga dapat mencakup lebih dari dua kelompok.
2. Untuk contoh pengujian model multigroup yang melibatkan dua berbeda
model dasar, pembaca disebut oleh Byrne (2004).
3. Pemilihan grup mana yang berfungsi sebagai "Grup 1" adalah murni arbitrer.
4. Meskipun perlu untuk mencentang kotak ini saat menggunakan pendekatan manual
ke invarian (lihat Bab 7), ini tidak diperlukan ketika multi-otomatis
pendekatan kelompok digunakan sebagai program AMOS kendala ini secara otomatis.
5. Penting untuk mencatat kesalahan serius dalam tabel Ringkasan Parameter untuk ini
model (tidak ditampilkan di sini), karena berkaitan dengan grup jalur rendah, saat ini
versi program (AMOS 17). Beralih dulu ke kolom Means , the
nilai yang benar harus melaporkan empat cara tetap , sehingga menghasilkan total empat
cara. Beralih ke tampilan horizontal dari tabel Ringkasan Parameter , the
Baris tetap harus menampilkan total 19 parameter, dan baris Total , a grand
total 61 parameter. Perhitungan nilai-nilai ini akan diperbaiki dalam Versi
18 (JL Arbuckle, komunikasi pribadi, 10 Desember 2008).
Halaman 278
257
sembilan
bab
Menguji kesetaraan
dari struktur sebab akibat
Dalam Bab 4, saya menyoroti beberapa aspek bermasalah dari model post hoc
pas dalam pemodelan persamaan struktural. Satu pendekatan untuk mengatasi masalah
yang terkait dengan pemasangan model post hoc adalah untuk menerapkan beberapa mode lintas
analisis validasi; ini adalah fokus dari bab ini. Dalam bab ini,
kami menguji model persamaan struktural penuh dan menguji kesetaraannya
lintas sampel kalibrasi dan validasi guru sekolah menengah.
Namun, sebelum memandu Anda melalui prosedur ini, mari kita tinjau dulu
beberapa masalah terkait dengan validasi silang.
Validasi silang dalam pemodelan struktur kovarian
Biasanya, dalam aplikasi pemodelan struktur kovarian, peneliti
menguji model hipotesis dan kemudian, dari penilaian berbagai
kriteria goodness-of-fit, menyimpulkan bahwa model pas yang lebih baik secara statistik
dapat dicapai dengan merespek model sedemikian rupa sehingga parameter tertentu
Eter yang sebelumnya dibatasi ke nol diperkirakan secara bebas (Breckler, 1990;
MacCallum, Roznowski, Mar, & Reith, 1994; MacCallum, Roznowski, &
Necowitz, 1992; MacCallum, Wegener, Uchino, & Fabrigar, 1993). Mungkin
sebagai konsekuensi dari kritik terhadap model struktur kovarian
prosedur selama 1980-an dan awal 1990-an (misalnya, Biddle & Marlin,
1987; Breckler; Cliff, 1983), sebagian besar peneliti yang terlibat dalam penelitian ini
Proses tion sekarang umumnya akrab dengan masalah. Secara khusus, mereka
menyadari sifat eksploratif dari prosedur tindak lanjut ini, seperti
serta fakta bahwa parameter tambahan yang ditentukan dalam model harus
secara teoritis dibuktikan.
Pro dan kontra pemasangan model post hoc telah ketat
diperdebatkan dalam literatur. Meskipun beberapa telah sangat mengkritik praktik tersebut.
Tice (misalnya, Cliff, 1983; Cudeck & Browne, 1983), yang lain berpendapat bahwa selama
sebagai peneliti sepenuhnya sadar akan sifat eksplorasi nya
analisis, proses dapat bermakna secara substantif karena praktis
serta signifikansi statistik dapat diperhitungkan (Byrne, Shavelson,
& Muthén, 1989; Tanaka & Huba, 1984). Namun, Jöreskog (1993) telah
sangat jelas dalam menyatakan, ―Jika model ditolak oleh data, masalahnya adalah
Halaman 279
258
untuk menentukan apa yang salah dengan model dan bagaimana model seharusnya
dimodifikasi agar sesuai dengan data yang lebih baik ‖(hlm. 298). Kaum puritan akan membantahnya sekali
model hipotesis ditolak, itulah akhir ceritanya. Lebih realistis-
Namun, sebenarnya, para peneliti lain dalam bidang studi ini mengakui yang jelas
ketidakpraktisan dalam penghentian semua analisis model selanjutnya. Jelas,
untuk kepentingan penelitian di masa depan, peneliti harus menyelidikinya
lebih dalam ke pertanyaan mengapa model malfitting (lihat Tanaka, 1993).
Sebagai konsekuensi dari upaya bersama para ahli statistik dalam kovarian
pemodelan struktur dalam menangani masalah ini, sekarang ada beberapa yang berbeda
pendekatan yang dapat digunakan untuk meningkatkan kesehatan temuan yang diperoleh
dari analisis post hoc ini.
Tidak diragukan lagi, model post hoc cocok dalam analisis kovarians
struktur bermasalah. Dengan beberapa spesifikasi model, ada
risiko kapitalisasi pada faktor-faktor kebetulan karena modifikasi model mungkin
didorong oleh karakteristik sampel tertentu di mana model itu
diuji (misalnya, ukuran sampel, sampel heterogenitas) (MacCallum et al., 1992).
Sebagai konsekuensi dari prosedur pengujian berurutan ini, ada peningkatan
risiko membuat kesalahan Tipe I atau Tipe II, dan pada saat ini,
tidak ada cara langsung untuk menyesuaikan probabilitas kesalahan tersebut. Karena
model struktur kovarians yang dihipotesiskan hanya mewakili perkiraan
realitas, dan karenanya, tidak diharapkan sesuai dengan fenomena dunia nyata
tepatnya (Cudeck & Browne, 1983; MacCallum et al., 1992), sebagian besar penelitian
aplikasi cenderung memerlukan spesifikasi model alternatif
dalam pencarian untuk yang cocok dengan data (Anderson & Gerbing, 1988;
MacCallum, 1986). Sungguh, aspek pemodelan struktur kovarian ini
merupakan batasan serius, dan, hingga saat ini, beberapa strategi alternatif
untuk pengujian model telah diusulkan (lihat, misalnya, Anderson & Gerbing, 1988;
Cudeck & Henly, 1991; MacCallum, 1995; MacCallum et al., 1992, 1993).
Salah satu pendekatan untuk mengatasi masalah yang terkait dengan model post hoc
pas adalah menggunakan strategi validasi silang di mana model akhir
berasal dari analisis post hoc diuji pada industri kedua (atau lebih)
sampel independen dari populasi yang sama. Kecuali ketersediaan
memisahkan sampel data, meskipun sampel yang cukup besar, orang mungkin ingin
secara acak membagi data menjadi dua (atau lebih) bagian, sehingga membuatnya
sible untuk memvalidasi silang temuan (lihat Cudeck & Browne, 1983). Dengan demikian,
Sampel A berfungsi sebagai sampel kalibrasi di mana hipotesis awalnya
model yang diuji diuji, serta setiap analisis post hoc dilakukan di
proses mencapai model yang pas. Setelah model akhir ini ditentukan
ditambang, validitas strukturnya kemudian dapat diuji berdasarkan Sampel B
(sampel validasi). Dengan kata lain, model pas terbaik untuk
sampel kalibrasi menjadi model hipotesis yang diuji untuk
sampel validasi.
Halaman 280
Bab sembilan: Menguji kesetaraan struktur kausal
259
Ada beberapa cara dimana kesamaan struktur model dapat
diuji (lihat, misalnya, Anderson & Gerbing, 1988; Browne & Cudeck, 1989; Cudeck
& Browne, 1983; MacCallum et al., 1994; Whittaker & Stapleton, 2006). Untuk
satu contoh, Cudeck dan Browne menyarankan perhitungan Cross-
Indeks Validasi (CVI) yang mengukur jarak antara yang dibatasi
(yaitu, model-dipaksakan) matriks varians-kovarians untuk sampel kalibrasi
dan matriks varians-kovarians tidak terbatas untuk sampel validasi.
Karena perkiraan validitas prediksi model diukur oleh
kecilnya nilai CVI, evaluasi difasilitasi oleh perbandingan mereka
berdasarkan serangkaian model alternatif. Penting untuk dicatat, bahwa
estimasi CVI mencerminkan perbedaan secara keseluruhan antara ―populasi aktual
matriks kovarians tion, Σ, dan estimasi matriks kovarians populasi
direkonstruksi dari estimasi parameter yang diperoleh dari pemasangan model
to the sample ‖(MacCallum et al., 1994, hlm. 4). Lebih khusus, ini global
indeks perbedaan mewakili efek gabungan yang timbul dari perbedaan
tambahan pendekatan (misalnya, pengaruh nonlinear antara variabel) dan
perbedaan estimasi (misalnya, sampel representatif; ukuran sampel). (Untuk sebuah
diskusi lebih lanjut tentang aspek-aspek perbedaan ini, lihat Browne &
Cudeck, 1989; Cudeck & Henly, 1991; MacCallum et al., 1994.)
Baru-baru ini, Whittaker dan Stapleton (2006), secara komprehensif
Studi simulasi Monte Carlo dari delapan indeks cross-validasi, penentuan
bahwa kondisi tertentu memainkan peran penting dalam mempengaruhi mereka
kinerja. Secara khusus, temuan menunjukkan bahwa sedangkan kinerja
dari indeks ini umumnya membaik dengan meningkatnya faktor pemuatan dan
ukuran sampel, itu cenderung kurang optimal di hadapan peningkatan non-
normalitas. (Untuk perincian terkait dengan temuan-temuan ini, serta delapan
indeks validasi termasuk dalam penelitian ini, lihat Whittaker & Stapleton.)
Dalam bab ini, kami menguji pendekatan lain untuk lintas
validasi. Secara khusus, kami menggunakan strategi pengujian invarian untuk menguji
replikasi model persamaan struktural penuh antar kelompok. Itu
aplikasi yang dipilih mudah dalam menjawab pertanyaan
apakah model yang telah diresepkan dalam satu sampel bereplikasi
sampel independen kedua dari populasi yang sama (untuk yang lain
pendekatan, lihat Byrne & Baron, 1994).
Menguji invarian di seluruh kalibrasi
dan sampel validasi
Contoh yang disajikan dalam bab ini berasal dari studi yang sama secara singkat
dijelaskan dalam Bab 6 (Byrne, 1994a), maksud yang tiga kali lipat: (a)
untuk memvalidasi struktur sebab akibat yang melibatkan dampak organisasi dan
faktor kepribadian pada tiga aspek kejenuhan untuk tingkat dasar, menengah,
Halaman 281
260
dan guru sekolah menengah; (B) untuk memvalidasi silang model ini di inde kedua
sampel independen dalam setiap panel pengajaran; dan (c) untuk menguji invarian
jalur regresi struktural umum (atau kausal) di seluruh panel pengajaran.
Berbeda dengan Bab 6, di sini kita fokus pada (b) dalam menguji model
replikasi melintasi kalibrasi dan validasi sampel guru sekolah menengah.
(Untuk pemeriksaan mendalam tentang prosedur pengujian invarian di dalam dan
antara ketiga kelompok guru, lihat Byrne, 1994a.)
Mungkin penting untuk dicatat bahwa meskipun contoh saat ini
validasi silang didasarkan pada model persamaan struktural penuh, praktiknya adalah
sama sekali tidak terbatas pada aplikasi seperti itu. Memang, validasi silang sama
penting untuk model CFA, dan contoh aplikasi tersebut dapat ditemukan
lintas berbagai disiplin ilmu; untuk mereka yang relevan dengan psikologi, lihat Byrne
(1993, 1994b); Byrne dan Baron (1994); Byrne, Baron, dan Balev (1996, 1998);
Byrne, Baron, dan Campbell (1993, 1994); Byrne, Baron, Larsson, dan Melin
(1995); Byrne, Baron, Melin, dan Larsson (1996); Byrne dan Campbell (1999);
dan Byrne, Stewart, dan Lee (2004). Untuk yang relevan dengan pendidikan, lihat
Benson dan Bandalos (1992) dan Pomplun dan Omar (2003). Dan untuk itu
relevan dengan kedokteran, lihat Francis, Fletcher, dan Rourke (1988), juga
Wang, Wang, dan Hoadley (2007). Sekarang kita beralih ke model yang sedang dipelajari.
Studi asli dari mana contoh ini diambil terdiri
sampel 1.431 guru sekolah menengah. Untuk keperluan validasi silang, ini
sampel secara acak dibagi menjadi dua; Sampel A ( n = 716) digunakan sebagai cal-
kelompok ibration, dan Sampel B ( n = 715) sebagai kelompok validasi. Pendahuluan
analisis yang dilakukan untuk studi asli menentukan dua kasus terpencil
yang dihapus dari semua analisis selanjutnya, dengan demikian render final
ukuran sampel 715 (Sampel A) dan 714 (Sampel B).
Model hipotesis awalnya diuji dan dimodifikasi berdasarkan data
dari sampel kalibrasi (Sampel A) guru sekolah menengah. Akhir
model yang paling pas untuk sampel ini ditunjukkan secara skematis pada Gambar 9.1. Itu
Penting untuk dicatat bahwa, untuk tujuan kejelasan, panah berkepala dua
mewakili korelasi antara faktor-faktor independen dalam model
dan istilah kesalahan pengukuran yang terkait dengan masing-masing variasi indikator
Ables tidak termasuk dalam gambar ini. Meskipun demikian, spesifikasi ini adalah
penting untuk model dan harus ditambahkan sebelum dapat menguji
model; jika tidak, AMOS akan menampilkan pesan kesalahan kepada Anda
pada Gambar 9.2. Dengan demikian, dalam pengujian model persamaan struktural menggunakan AMOS
program, saya sarankan Anda menyimpan dua set file model yang cocok — satu
di mana Anda memiliki angka yang disajikan dengan rapi yang sesuai untuk publikasi
tujuan, dan yang lainnya sebagai file yang berfungsi di mana tidak peduli bagaimana caranya
mungkin gambarnya berantakan (lihat, misalnya, Gambar 9.5).
Halaman 282
261
Depersonali-
lisasi
Kelelahan Emosional
Kelas
Iklim
CC4
CC3
CC2
CC1
1
ELC1
1
ELC2
ELC3
ELC4
ELC5
Diri-
Menghargai
SE3
SE2
SE1
1
Keputusan_
Membuat
DM2
DM1
1
EE1
EE2
EE3
DP2
DP1
1
PA1
1
PA2
PA3
Wewenang
Konflik
RC2
RC1
1
Kerja
Kelebihan
WO2
WO1
1
res3
res5
1
res4
1
res2
1
Teman sebaya
Dukung
PS2
PS1
res1
1
1
1
1
Pribadi
Pencapai
t
Lokus Eksternal
Kontrol
F
IG
kamu
kembali 9
.1
H
y
hal
Hai
th
e
siz
e
dm
Hai
d
el o
fb
kamu
rn
Hai
kamu
untuk
r ca
Lib
perbandingan
n sa
m
hal
le o
fh
IG
h sch
Hai
Hai
aku teh
ch
ers.
Halaman 283
262
Menetapkan model dasar
Karena analisis model hipotesis dalam penelitian asli didasarkan
pada program EQS (Bentler, 2005), yang indeks modifikasinya adalah
diturunkan secara multivariat daripada univariat (seperti pada AMOS), saya pertimbangkan
penting untuk menguji validitasnya dalam menetapkan model dasar di sini
sebelum melakukan tes untuk invariannya di seluruh kalibrasi dan
sampel dation. Pengujian awal model ini (lihat Gambar 9.1) untuk kalibrasi
Sampel tion menghasilkan statistik good-of-fit yang dilaporkan pada Tabel 9.1. Sebagai
ditunjukkan oleh nilai CFI 0,939 (RMSEA = 0,050), model yang didalilkan dari
struktur sebab akibat tampaknya cocok dengan data ini dengan baik. Meskipun demikian, ulasan keduanya
indeks modifikasi dan estimasi parameter menimbulkan dua masalah,
yang saya percaya perlu ditangani. Kami beralih dulu ke modifikasi
indeks dilaporkan pada Tabel 9.2, yang hanya mewakili jalur struktural
model. Di sini Anda akan dengan cepat melihat nilai indikatif besar 43,899
dari jalan yang dihilangkan yang mengalir dari Harga Diri ke Kelelahan Emosional. Sebagai
ditunjukkan oleh Statistik Perubahan Parameter, penambahan parameter ini ke
model akan menghasilkan nilai estimasi –568, yang merupakan substansial.
Tanda negatif, tentu saja, secara substansial sesuai dalam level rendah itu
Gambar 9.2 Grafik AMOS: Pesan kesalahan menyarankan perlunya berkepala dua
panah yang menunjukkan korelasi antara faktor-faktor independen dalam model.
Halaman 284
263
harga diri cenderung memicu tingkat tinggi pengusiran emosi
dan sebaliknya. Mengingat hasil statistik dan substansi
Untuk kebermaknaan jalur regresi struktural ini, saya menganggap ini
parameter harus dimasukkan dalam model, dan model tersebut ditaksir ulang.
Namun, sebelum melihat perkiraan parameter,
Tant bahwa saya menyebutkan indeks modifikasi besar lainnya (42,129),
mewakili jalan yang sama yang disebutkan di atas, meskipun terbalik (dari Emosional
Kelelahan untuk Harga Diri). Mengingat besarnya yang serupa (relatif berbicara
dari kedua indeks ini, saya yakin banyak pembaca akan bertanya mengapa
parameter ini juga tidak dipertimbangkan untuk dimasukkan dalam model. Di dalam
Berkenaan dengan itu, saya menentang inklusi dalam model untuk statistik dan
Tabel 9.1 Output AMOS yang Dipilih: Statistik Good-of-Fit untuk Hipotesis
Struktur sebab-akibat
Model
NPAR
CMIN
DF
P
CMIN / DF
Model default
79
910.697
327
.000
2.785
Model jenuh
406
.000
0
Model kemerdekaan
28
9973.176
378
.000
26.384
Perbandingan dasar
NFI
RFI
JIKA SAYA
TLI
CFI
Model
Delta1
rho1
Delta2
rho2
Model default
0,909
0,894
0,939
0,930
0,939
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
0,050
0,046
0,054
0,493
Model kemerdekaan
.189
.185
.192
.000
Tabel 9.2 Output AMOS yang Dipilih: Indeks Modifikasi
untuk Path Struktural
Bobot regresi
(kalibrasi — model default)
MI
Perubahan par
SE <--- WO
7.286
–.067
SE <--- EE
42.129
–.094
EE <--- SE
43.899
–568
DP <--- SE
9.205
–218
PA <--- PS
9.074
0,099
Halaman 285
264
alasan substantif. Dari perspektif statistik, saya menunjuk ke yang terkait
Parameter Change Statistic, yang menunjukkan nilai diabaikan -.094,
jelas menunjukkan ketidakefektifannya sebagai parameter dalam model. Dari
Perspektif substantif kita perlu mengingat fokus utama
studi asli, yang mengidentifikasi penentu kelelahan guru.
Dalam kerangka kerja ini, spesifikasi jalur mengalir dari Emosional
Keletihan untuk Harga Diri tidak pantas sebagai arah pra-
diksi (dalam hal ini) bertentangan dengan maksud penelitian.
Mari kita beralih ke Tabel 9.3 di mana perkiraan faktor korelasi
tions disajikan. Dilingkari, Anda akan mengamati nilai estimasi 0,886
mewakili korelasi antara Konflik Peran dan Kelebihan Beban Kerja,
dengan demikian menunjukkan tumpang tindih dalam varian sekitar 78%. Penarikan
bahwa kami mencatat korelasi bermasalah yang sama sehubungan dengan analisis
untuk guru sekolah dasar (lihat Bab 6). Seperti dijelaskan dalam Bab 6, Peran
Konflik dan Kelebihan Beban Kerja mewakili dua sub-skala dari ukuran yang sama
instrumen suring (Skala Stres Guru). Dengan demikian, tampak jelas bahwa
konten item terkait kurang optimal dalam pengukuran perilaku
karakteristik yang membedakan antara kedua faktor ini.
Mempertimbangkan indeks modifikasi besar yang mewakili jalur
dari Harga Diri hingga Kelelahan Emosional, bersama dengan perusahaan yang tinggi
hubungan antara faktor - faktor Konflik Peran dan Kelebihan Beban Kerja dan
Kesamaan hasil untuk guru sekolah dasar, saya anggap pantas
respecify model dihipotesiskan sehingga mencakup struktural baru
path (Self-Esteem ® Kelelahan Emosional) dan penghapusan Karya
Faktor kelebihan beban, dengan demikian memungkinkan dua indikatornya memuat pada Peran
Faktor konflik. Model yang dimodifikasi ini disajikan pada Gambar 9.3, dengan tambahan-
Jalur regresi nasional dan indikator-indikator berorientasi peran yang dilingkari konflik.
Tabel 9.3 Output AMOS yang Dipilih: Estimasi untuk
Korelasi Faktor
Memperkirakan
DM <--> CC
.387
DM <--> PS
.662
PS <--> CC
.216
RC <--> DM
–746
RC <--> PS
–.406
RC <--> CC
–.284
CC <--> WO
–.205
DM <--> WO
–.682
RC <--> WO
0,886
PS <--> WO
–395
Halaman 286
265
Depersonali-
lisasi
Kelelahan Emosional
Kelas
Iklim
CC4
CC3
CC2
CC1
1
ELC1
1
ELC2
ELC3
ELC4
ELC5
Diri-
Menghargai
SE3
SE2
SE1
1
Keputusan_
Membuat
DM2
DM1
1
EE1
EE2
EE3
DP2
DP1
1
PA1
1
PA2
PA3
WO2
WO1
res3
res5
1
res4
1
res2
1
Teman sebaya
Dukung
PS2
PS1
res1
1
1
1
1
Pribadi
Pencapai
t
Lokus Eksternal
Kontrol
Wewenang
Konflik
RC2
RC1
1
F
IG
kamu
kembali 9
.3
R
ev
ise
dm
Hai
d
el o
fb
kamu
rn
Hai
kamu
untuk
r ca
Lib
perbandingan
n sa
m
hal
le o
fh
IG
h sch
Hai
Hai
aku teh
ch
ers.
Halaman 287
266
Hasil dari pengujian model yang diresepkan ini mengungkapkan perkiraan
nilai –.719 (SE = .093; CR = –7.747) untuk jalur dari Harga Diri hingga
Kelelahan Emosional, yang agak lebih tinggi dari yang diharapkan
nilai –,568. Hasil statistik Good-of-fit dilaporkan pada Tabel 9.4.
Meskipun nilai CFI 0,942 (RMSEA = 0,049) hanya mewakili sedikit
peningkatan dalam model yang sesuai dengan nilai CFI awal 0,939, namun
kurang mewakili kecocokan data. Dengan demikian, model yang ditunjukkan pada Gambar 9.3
berfungsi sebagai model dasar dari struktur sebab akibat yang sekarang akan diuji
invariannya di seluruh sampel kalibrasi dan validasi.
Pengujian untuk invarian struktur kausal
menggunakan pendekatan otomatis
Dalam Bab 7, saya menguraikan pendekatan umum untuk tes invarian dan
memperkenalkan Anda pada prosedur spesifikasi yang berkaitan dengan kedua manual
dan pendekatan otomatis yang tersedia dalam program AMOS. Sedangkan
aplikasi yang disajikan dalam Bab 7 berfokus pada pendekatan manual, yang satu
diilustrasikan dalam Bab 8 yang berpusat pada pendekatan otomatis. Di bab ini
ter, analisis lagi didasarkan pada prosedur otomatis multi-kelompok.
Tabel 9.4 Output AMOS yang Dipilih: Statistik Good-of-Fit untuk Revisi
Struktur sebab-akibat
Model
NPAR
CMIN
DF
P
CMIN / DF
Model default
76
884.384
330
.000
2.680
Model jenuh
406
.000
0
Model kemerdekaan
28
9973.176
378
.000
26.384
Perbandingan dasar
NFI
RFI
JIKA SAYA
TLI
Model
Delta1
rho1
Delta2
rho2
CFI
Model default
0,911
0,898
0,943
0,934
0,942
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
0,049
0,045
0,052
.733
Model kemerdekaan
.189
.185
.192
.000
Halaman 288
267
Ingatlah bahwa dalam Bab 7, kami menguji secara terpisah untuk validitas
model konfigurasi multigroup, diikuti oleh tes untuk invarian terkait
secara terpisah untuk masing-masing model pengukuran dan struktural. Seperti dicatat
dalam Bab 7 dan diilustrasikan dalam Bab 8, tes ini dapat diuji secara simultan.
taneously menggunakan prosedur otomatis AMOS. Dalam bab ini,
kami memperluas proses pengujian model ini dengan memasukkan kedua struktur tersebut
residual (yaitu, varian error residual yang terkait dengan dependen
faktor dalam model) dan residu pengukuran (yaitu, varian kesalahan
terkait dengan variabel yang diamati). Tinjauan Grup Berganda
Kotak dialog Analisis , ditunjukkan pada Gambar 9.4, merangkum parameter
terlibat dalam pengujian untuk invarian dari lima model ini. Seperti yang ditunjukkan
dengan penambahan kendala secara bertahap, model ini bersifat kumulatif dalam
pengertian bahwa masing-masing lebih membatasi daripada pendahulunya.
Meskipun saya perhatikan dalam Bab 7 bahwa dimasukkannya ini dan
pengukuran residu dalam tes invarian agak jarang dan
monly dianggap terlalu ketat, saya masukkan di sini untuk dua
alasan. Pertama, bekerja dengan set lima model ini memberikan yang sangat baik
kendaraan untuk menunjukkan kepada Anda bagaimana pendekatan otomatis untuk invarian bekerja;
dan, kedua, ini memungkinkan saya untuk menekankan pada Anda pentingnya membangun
ing invarian satu langkah pada satu waktu (yaitu, satu set parameter dibatasi
pada suatu waktu). Ingat notasi saya sebelumnya bahwa, terlepas dari model mana
di mana peneliti mungkin tertarik, AMOS otomatis memberi label semua
parameter dalam model. Misalnya, meskipun Anda mungkin ingin mengaktifkan
hanya model berat pengukuran (Model 1), program akan tetap memberi label
Gambar 9.4 Grafik AMOS: Beberapa kotak dialog Analisis Kelompok menunjukkan standar
model yang akan diuji untuk invarian.
Halaman 289
268
semua parameter dalam model, dan bukan hanya pemuatan faktor. Gambar 9.5,
yang mewakili model multigroup di belakang layar yang berfungsi di bawah
tes untuk invarian, memberikan contoh yang baik dari pelabelan semua-inklusif ini
tindakan.
Beralih di sebelah Gambar 9.6, kami menemukan ringkasan parameter yang terkait
diciptakan dengan serangkaian tes kumulatif untuk lima model ini yang menunjukkan
kerusakan yang berkaitan dengan masing-masing model yang diuji. Intinya, kategorisasi
parameter yang disajikan dalam ringkasan khusus untuk Model 5. Mari sekarang
membedah ringkasan ini agar Anda memiliki pemahaman yang jelas tentang apa
masing-masing angka ini mewakili dan bagaimana masing-masing diturunkan; ingat bahwa a
parameter yang dikategorikan sebagai label mewakili parameter yang dibatasi sama
lintas kelompok. Rincian ringkasan parameter ini adalah sebagai berikut:
Bobot tetap (42): jalur regresi ditetapkan ke nilai 1,0 untuk 28 meter
!
persyaratan kesalahan tambahan, 5 residu struktural, dan 9 faktor beban
Bobot berlabel (33): beban faktor 19 dan 14 jalur struktural
!
Gambar 9.5 AMOS Graphics: Bekerja di belakang layar model yang menunjukkan standar
pelabelan.
Halaman 290
269
Kovarian berlabel (6): 6 kovarian faktor yang terkait dengan
!
4 faktor
Varians berlabel (37): 4 varians faktor (independen), 5 residual
!
varians, dan 28 varians kesalahan
untuk uji perbandingan invarian multigroup
Minat utama dalam pengujian untuk invarian multigroup adalah kebaikan-
statistik of-fit tetapi, yang paling penting, nilai χ 2 dan CFI saat diaktifkan
kami untuk menentukan sejauh mana parameter yang diuji beroperasi
setara di seluruh kelompok. Ketika beberapa tes dilakukan bersamaan
Neous, AMOS menghitung dan melaporkan hasil ini sebagai satu set, yang membuatnya
mudah membandingkan satu model dengan yang lain. Hasil untuk nilai χ 2 dan CFI
terkait dengan seri lima model yang ditunjukkan pada Gambar 9.4 disajikan dalam
Tabel 9.5. Mengingat semakin banyaknya studi multigroup akhir-akhir ini
melaporkan bukti invarian berdasarkan nilai perbedaan CFI (∆CFI)
versus nilai difference 2 perbedaan (∆χ 2 ) yang lebih tradisional , seperti disebutkan dalam Bab 7,
Saya menganggap penting untuk menyajikan kedua set hasil di sini; masing-masing ditinjau
terpisah.
Pendekatan tradisional χ 2 perbedaan
Pertama-tama kita beralih ke temuan berdasarkan nilai χ 2 seperti yang disajikan pada Tabel 9.5.
Seperti yang bisa diharapkan, model pertama dalam kelompok dilaporkan dalam AMOS
output adalah model konfigurasi yang semua parameternya diestimasi
kelompok kalibrasi dan validasi secara bersamaan; itu adalah, tidak ada parame-
ters dibatasi sama lintas kelompok. Model multigroup ini dihasilkan
Gambar 9.6 Grafik AMOS: Ringkasan keluaran status parameter yang terkait dengan pengujian
untuk invarian berdasarkan Model 5.
Halaman 291
270
nilai χ 2 1671,998 dengan 660 derajat kebebasan dan berfungsi sebagai basis-
referensi garis terhadap semua model selanjutnya dibandingkan. Dalam
model kedua diuji (bobot pengukuran), semua memuat faktor
variabel indikator dibatasi sama di semua kelompok. Analisis di sini
mengungkapkan nilai χ 2 dari 1703.631 dengan 679 derajat kebebasan. Komputasi
dari nilai ∆χ 2 antara model ini dan model konfigurasi menghasilkan a
perbedaan 31.633 dengan kebebasan 19 derajat (karena faktor 19
beban untuk grup validasi dibatasi sama dengan yang ada pada
grup kalibrasi). Nilai perbedaan χ 2 ini signifikan secara statistik pada a
probabilitas kurang dari 0,05. Berdasarkan hasil ini, kami menyimpulkan itu
atau lebih dari pemuatan faktor tidak beroperasi secara setara di seluruh
dua kelompok. Demikian juga, nilai related 2 terkait dengan masing-masing semakin banyak
model restriktif yang mengikuti menunjukkan augmentasi yang stabil dari perbedaan ini.
ential. Secara keseluruhan, jika kita menggunakan pendekatan pengujian invariansi tradisional
berdasarkan pada uji beda χ 2 sebagai dasar untuk menentukan bukti
kesetaraan, kita akan menyimpulkan bahwa model persamaan struktural penuh
yang ditunjukkan pada Gambar 9.3 benar-benar tidak setara di seluruh kalibrasi
dan kelompok validasi.
Pada Tabel 9.5, saya mempresentasikan temuan terkait dengan lima model pemeriksaan.
ditandai secara default dalam AMOS 17 terutama untuk tujuan edukatif dari
Tabel 9.5 Output AMOS yang Dipilih: Perbandingan Model χ 2 dan Nilai CFI
Model
CMIN
DF
P
Tidak dibatasi
1671.998
660
.000
Bobot pengukuran
1703.631
679
.000
Bobot struktural
1719.187
693
.000
Kovarian struktural
1730.585
703
.000
Residu struktural
1740.239
708
.000
Pengukuran residu
1773.792
736
.000
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Tidak dibatasi
0,913
0,900
0,946
0,937
0,945
Bobot pengukuran
0,911
0,901
0,945
0,938
0,945
Bobot struktural
0,911
0,903
0,945
0,939
0,945
Kovarian struktural
0,910
0,903
0,945
0,940
0,944
Residu struktural
0,910
0,903
0,944
0,940
0,944
Pengukuran residu
0,908
0,905
0,944
0,942
0,944
Halaman 292
271
menunjukkan kepada Anda bagaimana proses otomatis ini bekerja. Yang penting, bagaimanapun,
dilengkapi dengan bukti bahwa faktor memuat (lihat Model 1 pada Gambar 9.4)
tidak setara di kedua kelompok (∆χ 2
(19) = p <.05), langkah berikutnya, dalam
praktiknya, adalah menentukan faktor mana yang berkontribusi terhadap hal ini
temuan tidak penting. Karena itu, Anda perlu melakukan langkah-langkah ini
secara berurutan menggunakan teknik dan prosedur pelabelan yang diilustrasikan dalam
Bab 7. Model yang dihasilkan dari serangkaian tes ini (satu di mana
semua estimasi faktor muatan setara dengan kelompok) lalu menjadi
model pengukuran yang digunakan dalam pengujian untuk Model 2. Jika hasil dari pengujian-
Model 2 (semua jalur regresi struktural dibatasi sama
kelompok) ditemukan juga untuk menghasilkan bukti non-invarian, tugas selanjutnya adalah
untuk mengidentifikasi jalur yang berkontribusi pada temuan ini, dan demikian pula
Cess diterapkan dalam kasus pemuatan faktor sekali lagi dilaksanakan
di sini untuk Model 2. Demikian juga, setelah model akhir ditetapkan pada tahap ini
(di mana semua pemuatan faktor dan jalur regresi struktural adalah beberapa
setara dengan tigroup), proses diulang untuk setiap model selanjutnya
diuji.
Pendekatan perbedaan CFI praktis
Kami beralih ke pendekatan alternatif berdasarkan hasil ∆CFI. Jika kita
untuk mendasarkan pengambilan keputusan kami tentang kesetaraan dari paten yang dipostulatkan
barang dari struktur sebab akibat pada pendekatan perbedaan yang lebih praktis
dalam nilai CFI (lihat Cheung & Rensvold, 2002; Bab 7, buku ini), kami
akan menarik kesimpulan yang sangat berbeda — bahwa, memang, modelnya
sepenuhnya dan benar-benar berbeda di kedua kelompok. Kesimpulan ini,
tentu saja, didasarkan pada fakta bahwa ∆CFI tidak pernah melebihi nilai 0,001.
Secara ringkas, kesimpulan ini menyarankan agar semua memuat faktor, struktural
jalur, faktor kovarian, varians residu faktor, dan pengukuran
varian kesalahan beroperasi secara setara di seluruh kalibrasi dan validasi-
sampel tion.
Bahwa peneliti mencari bukti terkait kesetaraan multigroup
untuk instrumen penilaian, struktur teoritis, dan / atau pola
hubungan sebab akibat dapat dihadapkan dengan konflik yang bertentangan secara diametral seperti itu.
hanya berdasarkan pada pendekatan statistik yang digunakan dalam menentukan hal ini
informasi sangat membingungkan untuk sedikitnya. Memang, itu untuk
Diharapkan bahwa ahli statistik terlibat dalam penelitian simulasi Monte Carlo
terkait dengan pemodelan persamaan struktural akan berkembang lebih efisien dan
pendekatan alternatif yang berguna untuk proses pengambilan keputusan ini dalam waktu dekat
masa depan. Namun, hingga saat seperti itu, kita harus memilih pendekatannya
yang kami yakini paling sesuai untuk data yang diteliti, atau laporan
hasil yang terkait dengan keduanya.
Halaman 293
Halaman 294
empat
bagian
Aplikasi penting lainnya
10 Pengujian validitas konstruk:
Bab
Model multitrait-multimethod .................................... 275
11 Pengujian untuk perubahan dari waktu ke waktu:
Bab
Pertumbuhan laten
model kurva ................................................ ............................. 303
Halaman 295
Halaman 296
275
sepuluh
bab
Menguji validitas konstruk
Model multitrait-multimethod
Aplikasi yang diilustrasikan dalam bab ini menggunakan prosedur CFA untuk menguji
hipotesis yang bersandar pada validitas konstruk. Secara khusus, hipotesis adalah
diuji dalam kerangka desain multitrait-multimethod (MTMM)
dimana banyak sifat diukur dengan berbagai metode. Berikut
dari karya mani Campbell dan Fiske (1959), membangun validitas
penelitian biasanya berfokus pada sejauh mana data menunjukkan bukti
(A) validitas konvergen, sejauh mana metode penilaian yang berbeda
setuju dalam pengukuran mereka dari sifat yang sama (yaitu, membangun; idealnya, ini
nilai harus cukup tinggi); (B) validitas diskriminan, sejauh
yang metode penilaian independen berbeda dalam pengukuran mereka
sifat yang berbeda (idealnya, nilai-nilai ini harus menunjukkan konversi minimal
gence); dan (c) efek metode, perpanjangan validitas diskriminan
isu. Efek metode merupakan bias yang dapat diturunkan dari penggunaan yang sama
metode dalam penilaian berbagai sifat; korelasi di antara ini
sifat-sifat biasanya lebih tinggi daripada yang diukur dengan metode yang berbeda.
Pada saat sejak awal, desain MTMM asli (Campbell &
Fiske, 1959) telah menjadi sasaran banyak kritik karena para ahli metodologi tidak menemukan
Semakin banyak keterbatasan dalam strategi analitik dasarnya (lihat,
misalnya, Marsh, 1988, 1989; Schmitt & Stults, 1986). Meski beberapa alternatif
Pendekatan MTMM telah diusulkan untuk sementara (untuk tinjauan awal,
lihat Schmitt & Stults), analisis data MTMM dalam kerangka
pemodelan struktur kovarians telah mendapatkan yang paling menonjol. Dalam
konteks analitik ini, beberapa berpendapat untuk keunggulan Korelasi
Model Uniqueness (CU) (Kenny, 1976, 1979; Kenny & Kashy, 1992; Marsh,
1989), sementara yang lain mendukung CFA umum (Conway, Scullen, Lievens, &
Lance, 2004; Lance, Noble, & Scullen, 2002) atau produk langsung komposit
model (Browne, 1984b). Meskipun demikian, ulasan tentang MTMM yang diterapkan
erature mengungkapkan bahwa model CFA umum 1 telah, dan terus menjadi,
metode pilihan (Kenny & Kashy; Marsh & Grayson, 1995), meskipun dengan
semakin banyak dan beragam spesifikasi model ini (lihat, misalnya, Eid et
al., 2008; Hox & Kleiboer, 2007; LaGrange & Cole, 2008). Popularitasnya
pendekatan ini kemungkinan berasal dari makalah Widaman (1985) di
yang ia usulkan taksonomi perbandingan model bersarang. Untuk beragam
Halaman 297
276
perbandingan keunikan berkorelasi, produk langsung komposit, dan
model CFA umum, pembaca dirujuk ke Bagozzi (1993); Bagozzi
dan Yi (1990, 1993); Byrne dan Goffin (1993); Coenders dan Saris (2000);
Hernández dan González-Romá (2002); Lance et al. (2002); Marsh dan
Bailey (1991); Marsh, Byrne, dan Craven (1992); Marsh dan Grayson (1995);
Tomás, Hontangas, dan Oliver (2000); dan Wothke (1996).
Aplikasi ini diambil dari penelitian oleh Byrne dan Bazana
(1996), yang didasarkan pada pendekatan CFA umum untuk analisis MTMM.
Namun, peningkatan minat dalam model CU selama intervensi
tahun, saya juga bekerja melalui analisis berdasarkan pendekatan ini ke MTMM
data. Tujuan utama dari penelitian asli adalah untuk menguji bukti
validitas konvergen, validitas diskriminan, dan efek metode yang terkait dengan
empat aspek kompetensi yang dipersepsikan (sosial, akademik, bahasa Inggris, dan matematika)
ematics) yang diukur dengan penilaian diri, guru, orang tua, dan teman sebaya untuk awal
dan remaja akhir dan remaja di kelas 3, 7, dan 11, masing-masing.
Untuk tujuan kami di sini, bagaimanapun, kami hanya fokus pada data untuk preadoles terlambat-
sen (kelas 7; n = 193). (Untuk elaborasi lebih lanjut dari sampel, instrumen-
tasi, dan strategi analitik, lihat Byrne & Bazana.)
Diulang dalam konteks desain MTMM, model inter-
est dalam bab ini terdiri dari empat sifat (kompetensi sosial, akademik
kompetensi, kompetensi bahasa Inggris, dan kompetensi matematika) dan empat
metode (penilaian diri, penilaian guru, penilaian orang tua, dan penilaian teman sebaya). SEBUAH
penggambaran skematis dari model ini disajikan pada Gambar 10.1.
Sebelum memulai diskusi tentang model ini, saya menganggap itu layak-
sementara untuk membuat sedikit pengalihan agar saya bisa menunjukkan kepada Anda opsi masuk
AMOS Toolbar yang dapat sangat membantu ketika Anda bekerja dengan a
model kompleks yang menempati banyak ruang halaman seperti yang kita miliki di sini. Itu
kesulitan dengan pembangunan model ini adalah bahwa panah berkepala dua
melampaui ruang gambar yang disediakan oleh program. Dalam Gambar 10.2,
Namun, saya menggambarkan bagaimana Anda bisa mengatasi masalah itu hanya dengan mengklik-
ing pada Icon Fit-to-Page diidentifikasi dengan kursor seperti yang ditunjukkan ke kiri dari
model. Mengklik alat ini akan segera mengubah ukuran model agar sesuai
dalam perimeter halaman.
Pendekatan CFA umum untuk analisis MTMM
Dalam menguji bukti validitas konstruk dalam kerangka kerja
model CFA umum, sudah menjadi kebiasaan untuk mengikuti pedoman yang ditetapkan
oleh Widaman (1985). Dengan demikian, model MTMM yang dihipotesiskan dibandingkan
dengan seri bersarang model yang lebih ketat di mana parameter tertentu
baik dihilangkan atau dibatasi sama dengan nol atau 1.0. Perbedaan
dalam χ 2 (∆χ 2 ) memberikan tolok ukur untuk menilai bukti konvergen
dan validitas diskriminan. Meskipun perbandingan evaluatif ini
Halaman 298
Bab sepuluh: Menguji validitas konstruk
277
dibuat hanya pada level matriks, format CFA memungkinkan untuk penilaian
validitas konstruk pada tingkat parameter individual. Ulasan dari
literatur yang menggunakan pendekatan CFA untuk analisis MTMM menunjukkan hal itu
penilaian biasanya dirumuskan baik pada matriks maupun individu
tingkat parameter; kami memeriksa keduanya dalam aplikasi ini.
Model MTMM digambarkan pada Gambar 10.1 mewakili dihipotesiskan
memodelkan dan berfungsi sebagai garis dasar yang dengannya semua alternatif bersarang
,1
Diri
Peringkat
MCSendiri
ECSelf
ACSelf
SCSelf
,1
Guru
Peringkat
MCTch
ECTch
ACTch
SCTch
,1
Induk
Peringkat
MCPar
ECPar
ACPar
SCPar
,1
Teman sebaya
Peringkat
MCPeer
ECPeer
ACPeer
SCPeer
,1
Sosial
Kompetensi
,1
Akademik
Kompetensi
,1
Inggris
Kompetensi
,1
Matematika
Kompetensi
E1
E3
E2
E4
E6
E5
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Gambar 10.1 Model CFA umum MTMM yang dihipotesiskan (Model 1: berkorelasi bebas
sifat-sifat; metode berkorelasi bebas).
Halaman 299
278
model dibandingkan dalam proses menilai bukti konstruk dan
validitas diskriminan. Jelas, model CFA ini merepresentasikan
struktur pleks daripada model CFA yang diteliti sejauh ini dalam buku ini.
Kompleksitas ini muncul terutama dari pemuatan setiap variabel yang diamati
ke kedua sifat dan faktor metode. Selain itu, model mendalilkan bahwa,
meskipun sifat-sifat tersebut berkorelasi di antara mereka sendiri, seperti metode,
setiap korelasi antara sifat dan metode diasumsikan nol. 2
Pengujian untuk bukti konstruk dan validitas diskriminan melibatkan
perbandingan antara model hipotesis (Model 1) dan tiga alternatif.
model MTMM asli. Sekarang kita beralih ke deskripsi empat bersarang ini
model; mereka mewakili yang paling umum dimasukkan dalam CFA MTMM
analisis.
Model 1: Ciri-ciri berkorelasi / metode berkorelasi
Model pertama yang diuji (Model 1) mewakili model yang dihipotesiskan
ditunjukkan pada Gambar 10.1 dan berfungsi sebagai dasar untuk semua alternatif
Gambar 10.2 Grafik AMOS:Ikon ubah ukuran yang menunjukkan model MTMM besar ke
Baik.
Halaman 300
279
Model MTMM dibandingkan. Seperti disebutkan sebelumnya, karena spesifikasinya
termasuk kedua faktor sifat dan metode, dan memungkinkan untuk korelasi di antara
sifat dan di antara metode, model ini biasanya yang paling tidak membatasi. 3
Sebelum bekerja melalui analisis terkait, saya ingin terlebih dahulu mengklarifikasi
nama-nama variabel, dan kemudian tunjukkan dua yang penting dan unik
fitur mengenai spesifikasi varian faktor dan kovariansi
terkait dengan model pertama ini. Sehubungan dengan mekanisme pelabelan,
variabel SCSELF ke SCPEER mewakili Kompetensi Sosial umum (SC)
skor berasal dari peringkat diri, guru, orang tua, dan teman sebaya. Terkait,
untuk masing-masing ciri yang tersisa (Kompetensi Akademik [AC], Bahasa Inggris
Kompetensi [EC], dan Kompetensi Matematika [MC]), ada peringkat sendiri,
guru, orang tua, dan teman sebaya.
Sekarang kita beralih ke dua fitur yang sangat penting dari model ini.
Pertama , dalam melihat Gambar 10.1, Anda akan melihat koma, diikuti oleh "1" (, 1)
di atas masing-masing dari enam faktor dalam model. Spesifikasi ini menunjukkan hal itu
varians untuk masing-masing faktor ini ditetapkan menjadi 1,00. Jika salah satu nomor
(menunjukkan parameter tetap) atau label (menunjukkan estimasi parameter
eter) sebelum tanda koma, tanda-tanda ini akan merujuk pada
untuk rata-rata (lihat, misalnya, Gambar 8.11); tanda suka yang malah mengikuti
koma merujuk ke varian faktor. Pertanyaannya sekarang adalah: Mengapa ini
varians faktor yang ditetapkan sebagai parameter tetap dalam model? Dalam jawaban-
Dalam pertanyaan ini, ingat dari Bab 5 bahwa dalam spesifikasi model
parameter, seseorang dapat memperkirakan pemuatan faktor, atau memperkirakan variasi
karena faktor terkait, tetapi tidak dapat memperkirakan keduanya, alasannya
berbohong peringatan ini terkait dengan masalah identifikasi model. Dalam semua
contoh sebelumnya sejauh ini dalam buku ini, satu faktor memuat dalam setiap set
langkah-langkah umum telah ditetapkan menjadi 1,00 untuk tujuan ini. Namun, dalam
Model MTMM, minat berfokus pada pemuatan faktor dan, dengan demikian, perubahan
pendekatan asli untuk identifikasi model diimplementasikan. Proses dari
memperbaiki varians faktor ke nilai 1,0 mudah dilakukan dalam AMOS
Grafik dengan mengklik kanan terlebih dahulu pada faktor, memilih Obyek Properties ,
mengklik tab Parameter , dan kemudian memasukkan "1" di kotak Variance
seperti yang ditunjukkan pada Gambar 10.3.
Kedua , perhatikan pada Gambar 10.1 bahwa semua sifat (Kompetensi Sosial untuk
Kompetensi Matematika) dan metode (Self-Rating to Peer Rating) cova-
riance diperkirakan secara bebas. Perhatikan, bagaimanapun, bahwa kovarian antar ciri
dan metode belum ditentukan (lihat catatan 2).
Mari kita beralih ke tes sifat-sifat berkorelasi ini / metode berkorelasi
model ods (CTCM). Segera setelah mengklik ikon Hitung (atau
menu drop-down), Anda akan disajikan kotak dialog yang ditunjukkan pada
Gambar 10.4, yang mencantumkan serangkaian parameter kovarian dan memperingatkannya
pasangan-pasangan ini harus tetap tidak berkorelasi. Bahkan, parameter yang tercantum rep
membenci semua kovarian antara faktor sifat dan metode, yang seperti yang saya catat
Halaman 301
280
Gambar 10.3 Grafik AMOS:Kotak dialog Object Properties dengan parameter tab acti-
dinotasikan dan menunjukkan nilai 1 ditugaskan untuk varians faktor.
Gambar 10.4 Grafik AMOS:Kotak dialog peringatan re: trait dan faktor metode
korelasi.
Halaman 302
281
sebelumnya dalam bab ini tidak dapat diperkirakan karena alasan statistik. Demikian kita
dapat melanjutkan dengan mengklik pada tab Lanjutkan Dengan Analisis .
Dalam meninjau hasil untuk analisis awal ini, kami beralih terlebih dahulu ke
Tabel "Ringkasan Parameter", yang ditunjukkan pada Gambar 10.5. Terdaftar pertama dalam
ringkasan ini adalah 48 bobot (yaitu, jalur regresi): 16 bobot tetap juga
terkait dengan ketentuan kesalahan, dan 32 estimasi bobot yang terkait dengan
pemuatan faktor. Selanjutnya, kami memiliki 12 kovarian (6 untuk setiap rangkaian sifat dan
faktor metode) dan 24 varian (8 varian faktor tetap; 16 diperkirakan
varians kesalahan).
Hasil penting berikutnya yang dilaporkan dalam file output adalah
pesan bahwa solusinya tidak dapat diterima, yang dilaporkan pada Gambar 10.6.
Klik kanan mouse pada pernyataan ini (yang disorot dengan warna biru
dalam output) menghasilkan kotak dialog pop-up yang menunjukkan mengapa solusinya
mungkin tidak bisa diterima. Ulasan perkiraan untuk solusi ini menunjukkan
varians yang terkait dengan istilah kesalahan E2 menjadi negatif.
Sekarang diketahui secara luas bahwa estimasi estimasi yang tidak tepat,
seperti ini, adalah kejadian umum dengan aplikasi umum
Model CFA untuk data MTMM. Memang, masalah ini sangat luas
estimasi solusi yang tepat dapat dianggap sebagai penemuan langka (lihat, misalnya,
Kenny & Kashy, 1992; Marsh, 1989; Wothke, 1993). Meskipun hasilnya
dapat dipicu oleh sejumlah faktor, salah satu penyebabnya
Model MTMM adalah overparameterisasi model (lihat Wothke,
1993); kondisi ini kemungkinan terjadi sebagai fungsi dari kompleksitas
fikasi. Dalam mengatasi teka-teki ini, penelitian awal telah menyarankan a
reparameterisasi model dalam format unik- berkorelasi
model ness (CU) (lihat Kenny, 1976, 1979; Kenny & Kashy, 1992; Marsh, 1989;
Marsh & Bailey, 1991; Marsh & Grayson, 1995). Pendekatan alternatif
telah muncul dalam literatur yang lebih baru; ini termasuk penggunaan
indikator tiple (Eid, Lischetzke, Nussbeck, & Trierweiler, 2003; Tomás et
al., 2000), spesifikasi model yang berbeda untuk berbagai jenis metode
ods (Eid et al., 2008), dan spesifikasi kendala kesetaraan dalam
Model CU (Coenders & Saris, 2000; Corten et al., 2002). Karena CU
model telah menjadi topik yang cukup menarik dan menjadi perdebatan
Gambar 10.5 Grafik AMOS: Ringkasan parameter untuk awalnya dihipotesiskan
model.
Halaman 303
282
beberapa tahun terakhir, saya menganggap layak untuk memasukkan model ini juga dalam
bab ini. Namun, mengingat bahwa (a) model CU mewakili khusus
kasus, bukan model bersarang di dalam, kerangka kerja CFA umum,
dan (b) pertama-tama penting untuk bekerja melalui perbandingan model bersarang
dikemukakan oleh Widaman (1985), saya menunda diskusi dan aplikasi ini
model sampai nanti dalam bab ini.
Kembali ke solusi yang tidak dapat diterima, mari kita tinjau estimasi varians
pasangan (ditunjukkan pada Gambar 10.7) di mana kami menemukan asosiasi varians negatif
ated error term E2. Penting untuk hasil ini adalah penelitian oleh Marsh et al.
(1992) menunjukkan bahwa ketika solusi yang tidak tepat terjadi dalam pemodelan CFA
Data MTMM, salah satu pendekatan untuk penyelesaian masalah adalah dengan memaksakan
kendala kesetaraan antara parameter yang memiliki estimasi serupa. Jadi,
dalam upaya untuk menyelesaikan masalah solusi yang tidak dapat diterima, Model 1 adalah
diresepkan dengan varians kesalahan untuk E2 dibatasi sama dengan itu untuk
E1, yang mewakili nilai positif kira-kira dengan ukuran yang sama.
Penugasan kendala ini dilaksanakan melalui label AMOS-
Proses yang diilustrasikan pada Gambar 10.8. (Untuk ulasan tentang proses ini, lihat
Bab 5 dan 7.)
Model yang diresepkan ini menghasilkan solusi yang tepat, ringkasan dari
yang dilaporkan pada Gambar 10.9; estimasi yang berkaitan dengan varian
hanya dilaporkan pada Gambar 10.10. Seperti yang bisa dilihat dari yang terakhir, ini
respecification minor menyelesaikan varian kesalahan negatif yang menghasilkan
kedua parameter memiliki nilai estimasi 0,030.
Gambar 10.6 Grafik AMOS: Peringatan kotak dialog menyarankan tidak dapat diterima
larutan.
Halaman 304
283
Statistik Good-of-fit yang terkait dengan model ini dilaporkan masuk
Tabel 10.1. Sebagaimana dibuktikan dari hasil ini, kesesuaian antara respon ini
fied model CTCM dan datanya hampir sempurna (CFI = .999; RMSEA =
0,011; 90% CI .000, .043). Memang, telah ditambahkan parameter tambahan
Gambar 10.7 Grafik AMOS: File keluaran dengan varians kesalahan yang bermasalah dilingkari.
Gambar 10.8 Grafik AMOS: Tampilan mikro dari istilah kesalahan berlabel dibatasi
sama.
Halaman 305
284
Gambar 10.9. Grafik AMOS: Notasi model menunjukkan hasil yang dapat diterima
larutan.
Gambar 10.10 Grafik AMOS: File keluaran dengan estimasi terbatas
berlampu.
Halaman 306
285
model sebagai hasil dari analisis post hoc, saya akan menyimpulkan itu
hasilnya adalah indikasi model overfitted. Namun, karena ini
itu tidak terjadi, saya hanya dapat menganggap bahwa model sesuai dengan pengecualian data
dengan baik.
Sekarang kita beralih ke tiga model MTMM tambahan yang
Model 1 akan dibandingkan.
Model 2: Tidak ada sifat / metode berkorelasi
Spesifikasi parameter untuk model ini digambarkan secara skematis dalam
Gambar 10.11. Yang paling penting dengan model ini adalah ketiadaan total
faktor sifat. Penting untuk dicatat bahwa untuk tujuan perbandingan
keempat model MTMM, kendala kesetaraan antara kesalahan
istilah E1 dan E2 dipertahankan sepanjang. Good-of-fit untuk model ini
terbukti sangat miskin (χ 2
(99) = 439.027; CFI = .753; RMSEA = .134, 90% CI
.121, .147). Ringkasan perbandingan antara model ini dan Model 1,

serta antara semua model yang tersisa, diajukan setelah ulasan ini
dari masing-masing model MTMM.
Tabel 10.1 Output AMOS yang Dipilih: Statistik Goodness-of-Fit untuk
Ciri-Ciri Berkorelasi / Model Metode yang Berhubungan
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
59
78.721
77
0,424
1.022
Model jenuh
136
.000
0
Kemerdekaan
model
16
1496.312
120
.000
12.469
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Model Anda
0,947
0,918
.999
.998
.999
Model jenuh
1.000
1.000
1.000
Kemerdekaan
model
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,011
.000
0,043
0,987
Kemerdekaan
model
.244
.233
.256
.000
Halaman 307
286
1
Diri
Peringkat
MCSendiri
ECSelf
ACSelf
SCSelf
1
Guru
Peringkat
MCTch
ECTch
ACTch
SCTch
1
Induk
Peringkat
MCPar
ECPar
ACPar
SCPar
1
Teman sebaya
Peringkat
MCPeer
ECPeer
ACPeer
SCPeer
var_a
E1
E3
var_a
E2
E4
E6
E5
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Gambar 10.11 MTMM Model 2 (tanpa sifat; metode berkorelasi).
Halaman 308
287
Model 3: Ciri-ciri yang berkorelasi sempurna / metode yang berkorelasi bebas
Dalam meninjau spesifikasi untuk Model 3 yang ditunjukkan pada Gambar 10.12, kita dapat
lihat bahwa seperti dengan model CTCM yang dihipotesiskan (Model 1), masing-masing diamati
beban variabel pada kedua sifat dan faktor metode. Namun, dalam
Trast ke Model 1, model MTMM ini berpendapat untuk korelasi sifat yang
1
Diri
Peringkat
MCSendiri
ECSelf
ACSelf
SCSelf
1
Guru
Peringkat
MCTch
ECTch
ACTch
SCTch
1
Induk
Peringkat
MCPar
ECPar
ACPar
SCPar
1
Teman sebaya
Peringkat
MCPeer
ECPeer
ACPeer
SCPeer
1
Sosial
Kompetensi
1
Akademik
Kompetensi
1
Inggris
Kompetensi
1
Matematika
Kompetensi
var_a
E1
E3
var_a
E2
E4
E6
E5
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Gambar 10.12 MTMM model 3 (sifat-sifat berkorelasi sempurna; berkorelasi bebas
metode).
Halaman 309
288
sempurna (yaitu, mereka sama dengan 1.0); konsisten dengan kedua Model 1 dan 2,
faktor metode diperkirakan secara bebas. Meskipun hasilnya bagus
untuk model ini jauh lebih baik daripada untuk Model 2, mereka tetap
kurang menunjukkan hanya model yang sedikit pas dan satu yang
agak kurang pas dibandingkan Model 1 (χ 2
(83) = 227.768; CFI = .895;
RMSEA = .011, 90% CI .081, .110).

Model 4: Ciri-ciri berkorelasi bebas / metode tidak berkorelasi
Model MTMM akhir ini digambarkan pada Gambar 10.13 dan berbeda dari
Model 1 hanya dengan tidak adanya korelasi yang ditentukan antara metode
faktor. Hasil good-of-fit untuk model ini mengungkapkan sangat
cocok dengan data (χ 2
(83) = 120.291; CFI = .973; RMSEA = .048, 90% CI =
.027, .067).
Menguji bukti konvergen dan diskriminatif
validitas: analisis level matriks MTMM
Perbandingan model
Sekarang kami telah memeriksa hasil good-of-fit untuk masing-masing MTMM
model, kita dapat beralih ke tugas menentukan bukti konstruksi dan
validitas diskriminan. Di bagian ini, kami memastikan informasi di
tingkat matriks saja, melalui perbandingan pasangan model tertentu. SEBUAH
ringkasan kecocokan terkait dengan keempat model MTMM disajikan pada Tabel 10.2,
dan hasil perbandingan model dirangkum dalam Tabel 10.3.
Bukti validitas konvergen
Seperti disebutkan sebelumnya, satu kriteria validitas konstruk dikenakan pada masalah
validitas konvergen, sejauh mana langkah - langkah independen sama
sifat berkorelasi (misalnya, guru dan penilaian diri kompetensi sosial);
nilai-nilai ini harus substansial dan signifikan secara statistik (Campbell
& Fiske, 1959). Menggunakan paradigma Widaman (1985), bukti konvergen
validitas dapat diuji dengan membandingkan model di mana ciri-ciri ditentukan
(Model 1) dengan yang bukan (Model 2), perbedaan χ 2
antara dua model (∆χ 2 ) memberikan dasar untuk penilaian; sebuah signifikan
tidak dapat perbedaan dalam χ 2 mendukung bukti validitas konvergen. Dalam upaya
untuk memberikan indikator perbandingan model bersarang yang lebih nyata
istic daripada yang didasarkan pada statistik χ 2 , Bagozzi dan Yi (1990), Widaman
(1985), dan yang lainnya telah memeriksa perbedaan dalam nilai CFI. Namun, hingga
karya Cheung dan Rensvold (2002), nilai-nilai FICFI ini telah melayani
hanya dalam arti heuristik sebagai dasar evaluatif untuk menentukan
Halaman 310
289
1
Diri
Peringkat
MCSendiri
ECSelf
ACSelf
SCSelf
1
Guru
Peringkat
MCTch
ECTch
ACTch
SCTch
1
Induk
Peringkat
MCPar
ECPar
ACPar
SCPar
1
Teman sebaya
Peringkat
MCPeer
ECPeer
ACPeer
SCPeer
1
Sosial
Kompetensi
1
Akademik
Kompetensi
1
Inggris
Kompetensi
1
Matematika
Kompetensi
var_a
E1
E3
var_a
E2
E4
E6
E5
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Gambar 10.13 MTMM model 4 (sifat-sifat yang berkorelasi bebas; metode tidak berkorelasi).
Halaman 311
290
bukti validitas konvergen dan diskriminatif. Baru-baru ini, Cheung dan
Rensvold memeriksa sifat-sifat 20 indeks good-of-fit, di dalamnya
konteks pengujian invarian, dan secara sewenang-wenang merekomendasikan ∆CFI
nilai tidak boleh melebihi .01. Meskipun aplikasi ini tidak
termasuk tes untuk invarian, prinsip yang sama berlaku untuk model
perbandingan. Seperti yang ditunjukkan pada Tabel 10.3, ∆χ 2 sangat signifikan (χ 2
(22) =
360,306, p <0,001), dan perbedaan dalam kesesuaian praktis (∆CFI = .246) substansial
ini, dengan demikian memperdebatkan keuletan kriteria ini.
Bukti validitas diskriminan
Validitas diskriminan biasanya dinilai dari segi sifat dan
metode. Dalam menguji bukti validitas sifat diskriminan, salah satunya adalah
Tabel 10.3 Indeks Good-of-Fit Diferensial Diferensial untuk
Perbandingan Model Nested MTMM
Perbedaan dalam
Perbandingan model
χ2
df
CFI
Uji Validitas Konvergen
Model 1 a versus Model 2 (ciri-ciri)
360.306
22
0,246
Uji Validitas Diskriminan
Model 1 a versus Model 3 (ciri)
149.047
6
.104
Model 1 a versus Model 4 (metode)
41.570
6
0,026
aMerupakan model yang diresepkan dengan batasan kesetaraan yang dipaksakan
antara E1 dan E2.
Tabel 10.2 Ringkasan Indeks Good-of-Fit untuk Model MTMM
RMSEA
Model
χ2
df
CFI RMSEA 90% CI PCLOSE
1. Berkorelasi bebas
sifat-sifat; secara bebas
metode berkorelasi
78.721
77
.999
0,011
.000, .043
0,987
2. Tidak ada sifat; dengan bebas
metode berkorelasi
439.027
99
0,753
.134
.121, .147
.000
3. Berkorelasi sempurna
sifat-sifat; dengan bebas
metode berkorelasi
227.768
83
0,895
0,095
.081, .110
.000
4. Berkorelasi bebas
sifat-sifat; tidak berkorelasi
metode
120.291
83
0,973
0,048
.027, .067
.000
a Merupakan model yang diresepkan dengan batasan kesetaraan yang dipaksakan antara E1 dan E2.
Halaman 312
291
tertarik pada sejauh mana langkah - langkah independen dari sifat yang berbeda
berkorelasi; nilai-nilai ini harus diabaikan. Ketika perusahaan
ukuran penyok mewakili metode yang berbeda, korelasi menanggung pada
validitas sifat diskriminan; ketika mereka mewakili metode yang sama,
korelasi ada pada adanya efek metode, aspek lain dari
validitas diskriminan.
Dalam menguji bukti validitas diskriminan di antara sifat-sifat, kami
membandingkan model di mana sifat-sifat berkorelasi bebas (Model 1) dengan satu di
yang mereka berkorelasi sempurna (Model 3); semakin besar perbedaannya
antara nilai χ 2 dan CFI, semakin kuat dukungan untuk bukti
validitas diskriminan. Perbandingan ini menghasilkan nilai ∆χ 2 yang stabil
secara signifikan signifikan (χ 2
(6) = 149.047, p <.001), dan perbedaan praktis
kecocokan cukup besar (∆CFI = .100), dengan demikian hanya menunjukkan bukti sederhana
validitas diskriminan. Seperti yang dicatat untuk sifat-sifat (lihat catatan akhir 3), kami
alternatifnya dapat menentukan model di mana metode berkorelasi sempurna
faktor ditentukan; dengan demikian, minimal ∆χ 2 akan menentang bukti
validitas diskriminan.
Berdasarkan logika yang sama, meskipun secara terbalik, bukti diskriminan
validitas yang terkait dengan efek metode dapat diuji dengan membandingkan model di
faktor-faktor metode mana yang dikorelasikan secara bebas (Model 1) dengan yang mana
faktor-faktor metode ditetapkan sebagai tidak berkorelasi (Model 4). Dalam hal ini, a
besar ∆χ 2 (atau ∆CFI substansial) berpendapat bahwa kurangnya validitas diskriminatif
dan, dengan demikian, untuk bias metode umum di seluruh metode pengukuran. Di
kekuatan kedua statistik (∆χ 2
(6) = 41.570) dan non-statistik (∆CFI =
0,026) kriteria, seperti yang ditunjukkan pada Tabel 10.3, tampaknya masuk akal untuk menyimpulkan itu
bukti validitas diskriminan untuk metode ini secara substansial stabil
ger daripada untuk sifat.
Menguji bukti konvergen dan diskriminatif
validitas: analisis tingkat parameter MTMM
Pemeriksaan parameter
Penilaian varians yang terkait sifat dan metode dapat lebih tepat
dipastikan dengan memeriksa estimasi parameter individu. Secara khusus,
pemuatan faktor dan korelasi faktor dari model yang dihipotesiskan
(Model 1) memberikan fokus di sini. Karena sulit membayangkannya
Pola MTMM memuat faktor dan korelasi dari output saat
lebih dari enam faktor yang terlibat, nilai-nilai ini telah diajukan untuk memfasilitasi
tate penilaian validitas konvergen dan diskriminatif; terstandarisasi
taksiran untuk memuat faktor dirangkum dalam Tabel 10.4, dan untuk
korelasi faktor pada Tabel 10.5. (Untuk diskusi yang lebih luas tentang ini
Temuan MTMM, lihat Byrne & Bazana, 1996.)
Halaman 313
292
Bukti validitas konvergen
Dalam memeriksa parameter individu, validitas konvergen tercermin dalam
besarnya pemuatan sifat. Seperti yang ditunjukkan pada Tabel 10.4, semua sifat memuat-
angka secara statistik signifikan dengan besaran mulai dari 0,276 (rekan
peringkat kompetensi bahasa Inggris) hingga 0,969 (peringkat diri kompetensi sosial).
Namun, dalam perbandingan pemuatan faktor lintas sifat dan metode,
kita melihat bahwa proporsi varians metode melebihi varians sifat
untuk semua kecuali satu dari peringkat guru (kompetensi sosial), hanya satu
dari peringkat orang tua (kompetensi akademik), dan semua peringkat rekan. 4
Jadi, meskipun pada blush on pertama, bukti validitas konvergen tampaknya
cukup baik di tingkat matriks, pemeriksaan yang lebih mendalam di industri
tingkat parameter vidual mengungkapkan pelemahan sifat oleh efek metode
Tabel 10.4 Pemuatan Sifat dan Metode untuk MTMM Model 1
(Correlated Ciri; Metode Correlated) a
SC
AC
EC
MC
SR
TR
PAR PER
Peringkat diri (SR)
Kompetensi sosial
0,969
0,007 b
Kompetensi akademik
0,805
0,511
Kompetensi bahasa Inggris
0,907
- .006 b
Kompetensi matematika
0,773
0,405
Peringkat guru (TR)
Kompetensi sosial
0,361
0,274
Kompetensi akademik
0,312
0,892
0,326
0,758
0,478
0,592
Peringkat orang tua (PAR)
Kompetensi sosial
0,537
0,376
Kompetensi akademik
0,512
0,675
0,609
0,441
.726
0,522
Peringkat rekan (PER)
Kompetensi sosial
0,281
0,396
Kompetensi akademik
0,312
0,883
0,276
.652
0,372
0,669
a Estimasi standar.
b Tidak signifikan secara statistik ( p <0,05).
Halaman 314
293
T
Sebuah
b
le 1
0
.5
T
ra
aku ta
n
dM
et
Hai
dC
Hai
rasio
n
s untuk
rM
T
M.
MM
Hai
d
el 1 (C
Hai
berhubungan
dT
ra
nya; C
Hai
berhubungan
dM
et
Hai
d
s)
Sebuah
T
Raits
Metode
Pengukuran
SC
AC
EC
MC
SR
TR
P
AR
PER
Kompetensi Sosial (SC)
1.000
Kompetensi Akademik (AC)
0,370
1.000
Kompetensi Bahasa Inggris (EC)
.224
0,834
1.000
Kompetensi Matematika (MC)
0,241
0,758
0,474
1.000
Peringkat Mandiri (SR)
1.000
T
Peringkat Eacher (TR)
0,425
1.000
Peringkat Induk (P
AR)
.224
b
0,562
1.000
Peringkat Sebaya (PER)
.263
0,396
.160
b
1.000
Sebuah
Estimasi standar.
b
Tidak signifikan secara statistik (
hal
<.05).
Halaman 315
294
terkait dengan peringkat guru dan teman sebaya, dengan demikian tempering bukti konversi.
gent validity (lihat juga Byrne & Goffin, 1993, berkenaan dengan remaja).
Bukti validitas diskriminan
Validitas diskriminatif yang mendukung sifat-sifat dan metode tertentu ditentukan
ditambang dengan memeriksa matriks korelasi faktor. Meskipun, konsep
pada akhirnya, korelasi di antara sifat-sifat harus diabaikan untuk memuaskan
bukti validitas diskriminan, temuan semacam itu sangat tidak mungkin terjadi di Indonesia
umum, dan berkenaan dengan data psikologis pada khususnya. Meskipun
Temuan ini, seperti yang ditunjukkan pada Tabel 10.5, menunjukkan bahwa hubungan antara
kompetensi akademik yang dirasakan (AC) dan subjek-spesifik yang dirasakan
kompetensi Bahasa Inggris (EC) dan matematika (MC) paling merugikan
Meskipun demikian untuk mencapai validitas sifat yang diskriminatif, mereka tetap demikian
konsisten dengan penelitian validitas konstruk di bidang ini yang terkait dengan keterlambatan
anak-anak pra-remaja (lihat Byrne & Worth Gavin, 1996).
Akhirnya, pemeriksaan korelasi faktor metode pada Tabel 10.5
merefleksikan diskriminasi mereka, dan dengan demikian sejauh mana
metode berbeda secara maksimal; faktor ini merupakan dasar yang penting
asumsi strategi MTMM (lihat Campbell & Fiske, 1959). Diberikan
perbedaan yang jelas antara diri, guru, orang tua, dan penilaian teman sebaya, memang begitu
agak mengejutkan menemukan korelasi .562 antara guru dan
penilaian kompetensi orang tua. Salah satu penjelasan yang mungkin dari temuan ini adalah
bahwa, kecuali untuk perubahan editorial kecil yang diperlukan dalam menyesuaikan instrumen
baik kepada guru atau orang tua sebagai responden, konten substantif
semua item yang sebanding dalam skala penilaian guru dan orang tua diidentifikasi
Sebenarnya, alasan di sini adalah memaksimalkan respons dengan cara berbeda
penilai dari siswa yang sama.
Pendekatan keunikan yang dikorelasikan
untuk analisis MTMM
Seperti disebutkan sebelumnya, model CU mewakili kasus khusus CFA umum
model. Bangunan di atas karya awal Kenny (1976, 1979), Marsh (1988,
1989) mengusulkan model MTMM alternatif ini sebagai jawaban atas banyak
masalah estimasi dan konvergensi yang dihadapi dengan analisis gen-
model CFA eral dan, khususnya, dengan sifat-sifat berkorelasi / berkorelasi
metode model (Model 1 dalam aplikasi ini). Baru-baru ini, bagaimanapun, penelitian
telah menunjukkan bahwa model CU, juga, bukan tanpa masalah sendiri, dan
peneliti telah mengusulkan sejumlah alternatif spesifikasi untuk
model CU umum (lihat, misalnya, Conway et al., 2004; Corten et al., 2002; Lance
et al., 2002). Model CU yang dihipotesiskan diuji di sini, bagaimanapun, didasarkan pada
Halaman 316
295
model CU umum yang awalnya didalilkan (lihat, misalnya, Kenny, 1976, 1979;
Kenny & Kashy, 1992; Marsh, 1989). Representasi skematis dari ini
model ditunjukkan pada Gambar 10.14.
Dalam meninjau model yang digambarkan pada Gambar 10.14, Anda akan mencatatnya
hanya mewujudkan empat faktor sifat yang berkorelasi. Dalam aspek ini saja, itu
konsisten dengan model yang ditunjukkan pada Gambar 10.1. Yang sangat berbeda
fitur tentang model CU, bagaimanapun, adalah bahwa meskipun tidak ada metode
Tors ditentukan per se, efeknya tersirat dari spesifikasi
istilah kesalahan berkorelasi (keunikan) 5 terkait dengan setiap set
variabel yang diamati menggunakan metode yang sama. Misalnya, seperti yang ditunjukkan
pada Gambar 10.14, semua istilah kesalahan terkait dengan ukuran penilaian diri
kompetensi sosial saling terkait; juga, yang terkait dengan
peringkat guru, orang tua, dan rekan kerja saling terkait.
Konsisten dengan sifat berkorelasi / model metode tidak berkorelasi
(Model 4 dalam aplikasi ini), model CU mengasumsikan bahwa efek terkait
dengan satu metode tidak berkorelasi dengan yang terkait dengan yang lain
metode (Marsh & Grayson, 1995). Namun, satu perbedaan penting
ferensi antara model CU dan keduanya berkorelasi / berkorelasi
metode (Model 1) dan ciri-ciri berkorelasi / tidak ada metode (Model 4)
melibatkan asumsi unidimensionality dari faktor-faktor metode. Sedangkan
Model 1 dan 4 secara implisit mengasumsikan bahwa efek metode berhubungan dengan
suatu metode tertentu adalah unidimensional (yaitu, mereka dapat dijelaskan oleh a
faktor metode laten tunggal), model CU tidak membawa asumsi seperti itu
(Marsh & Grayson, 1995). Penulis-penulis ini lebih lanjut mencatat (Marsh & Grayson,
1995, hlm. 185) bahwa ketika model MTMM mencakup lebih dari tiga fitur sifat
Namun, perbedaan penting ini dapat diuji. Namun, kapan jumlahnya
dari sifat sama dengan tiga, model CU secara formal setara dengan dua lainnya
dalam arti bahwa ―jumlah parameter yang diperkirakan dan good-of-fit
sama, dan estimasi parameter dari satu dapat diubah menjadi
yang lain ‖(Marsh & Grayson, 1995, hlm. 185).
Tentu saja, dari perspektif praktis, perbedaan paling penting adalah
antara model CU dan Model 1 dan 4 adalah hasil yang biasanya
dalam solusi yang tepat (Kenny & Kashy, 1992; Marsh, 1989; Marsh & Bailey,
1991). Model 1, di sisi lain, sekarang terkenal karena kecenderungannya
menghasilkan solusi yang tidak dapat diterima, seperti yang kami amati dalam aplikasi ini
tion. Sebagai contoh, Marsh dan Bailey (1991), dalam analisis mereka tentang
435 matriks MTMM berdasarkan data nyata dan simulasi, dilaporkan
itu, sedangkan model sifat berkorelasi / berkorelasi menghasilkan
solusi yang tidak tepat 77% dari waktu, model keunikan berkorelasi
menghasilkan solusi yang tepat hampir setiap waktu (98%). (Untuk ujian tambahan-
ples dari insiden solusi yang tidak tepat sehubungan dengan Model 1, lihat
Kenny & Kashy.) Sekarang kita beralih ke analisis berdasarkan model CU
(Model 5).
Halaman 317
296
MCSendiri
ECSelf
ACSelf
SCSelf
MCTch
ECTch
ACTch
SCTch
MCPar
ECPar
ACPar
SCPar
MCPeer
ECPeer
ACPeer
SCPeer
1
Sosial
Kompetensi
1
Akademik
Kompetensi
1
Inggris
Kompetensi
1
Matematika
Kompetensi
E1
E3
E2
E4
E6
E5
E7
E8
E9
E10
E11
E12
E13
E14
E15
E16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Gambar 10.14 MTMM model 5 (model keunikan berkorelasi).
Halaman 318
297
Model 5: Model keunikan yang terkait
Meninjau, sekali lagi, model yang digambarkan pada Gambar 10.14, kita melihat itu
hanya ada empat faktor sifat, dan bahwa faktor-faktor ini dihipotesiskan
untuk berkorelasi di antara mereka sendiri. Selain itu, kami menemukan kesalahan yang berkorelasi
istilah yang terkait dengan setiap set variabel yang diamati berasal dari yang sama
alat ukur (yaitu, berbagi metode pengukuran yang sama).
Sekarang kita beralih ke bagian terpilih dari file output AMOS yang bersangkutan
untuk model keunikan berkorelasi ini. Dalam meninjau Tabel 10.6, kita melihat itu
model ini mewakili kecocokan yang sangat baik terhadap data (χ 2
(74) = 96.473; CFI = .984;
RMSEA = .040, 90% CI = .009, .060). Selanjutnya konsisten dengan masa lalu
melaporkan hasil (misalnya, Kenny & Kashy, 1992; Marsh & Bailey, 1991), ini
solusi tidak menghasilkan estimasi parameter yang bermasalah.
Penilaian validitas konvergen dan diskriminan terkait dengan CU
Model dapat dicapai dengan cara yang sama seperti untuk CFA umum
memodelkan ketika difokuskan pada tingkat parameter individu. Seperti yang bisa dilihat di
Tabel 10.7, bukti yang terkait dengan validitas konvergen dari sifat-sifat tersebut, tidak terbatas
Prisingly, sangat besar. Meskipun semua parameter serupa dalam hal
substansial untuk yang disajikan untuk Model 1 (lihat Tabel 10.4), ada
perbedaan yang menarik antara kedua model. Secara khusus,
Ferences mengungkapkan semua beban peringkat guru dan teman sebaya lebih tinggi untuk
Model CU daripada untuk Model 1. Demikian juga, penilaian orang tua, karena mereka hanya berhubungan
untuk Kompetensi Sosial, juga lebih tinggi daripada untuk Model 1.
Tabel 10.6 Output AMOS yang Dipilih: Statistik Goodness-of-Fit
untuk Model Keunikan yang Berhubungan
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
62
96.473
74
0,041
1.304
Model jenuh
136
.000
0
Model kemerdekaan
16
1496.312
120
.000
12.469
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Model Anda
0,936
0,895
0,984
0,974
0,984
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,040
0,009
0,060
0,772
Model kemerdekaan
.244
.233
.256
.000
Halaman 319
298
Mari kita lihat sekarang pada korelasi faktor yang relevan dengan sifat-sifat tersebut; ini
estimasi disajikan pada Tabel 10.8. Dalam meninjau nilai-nilai ini, kita melihat
bahwa semua kecuali satu nilai yang diestimasi signifikan secara statistik dan, untuk sebagian besar
bagian, dengan ukuran yang sama di Model 1 dan model CU. The correla-
Hubungan antara Kompetensi Sosial dan Kompetensi Bahasa Inggris tidak ditemukan
menjadi signifikan secara statistik ( p <0,05) untuk model CU.
Efek metode dalam model CU ditentukan oleh derajat ke
yang istilah kesalahannya berkorelasi satu sama lain (Kenny & Kashy,
1992). Berbeda dengan Model 1, tidak ada asumsi bahwa faktor metode
tetap sama untuk semua tindakan yang menggunakan metode yang sama. Sebaliknya, sebagai
Kenny dan Kashy menjelaskan, ―Dalam model Keunikan yang Berhubungan, masing-masing
ukuran diasumsikan memiliki efek metode sendiri, dan kovarian
antara langkah-langkah menggunakan metode yang sama menilai sejauh mana
ada faktor metode umum ‖(p. 169). Dengan kata lain, seperti Kenny dan
Tabel 10.7 Pemuatan Sifat dan Metode untuk MTMM
Model 5 (Keunikan Korelasi) a
SC
AC
EC
MC
Peringkat diri (SR)
Kompetensi sosial
0,757
Kompetensi akademik
0,454
.393
.610
Peringkat guru (TR)
Kompetensi sosial
.464
Kompetensi akademik
0,424
0,447
0,537
Peringkat orang tua (PAR)
Kompetensi sosial
0,679
Kompetensi akademik
.413
0,499
0,695
Peringkat rekan (PER)
Kompetensi sosial
0,362
Kompetensi akademik
0,422
0,419
0,447
a Estimasi standar.
Halaman 320
299
Kashy lebih lanjut mencatat, sedangkan model MTMM CFA umum mengasumsikan
bahwa efek metode tidak berubah-ubah di seluruh sifat, model CU memungkinkan untuk
multidimensi efek metode. (Untuk kritik tentang efek ini, lihat
Conway et al., 2004; Lance et al., 2002. Untuk upaya memahami
substansi dari istilah-istilah kesalahan yang berkorelasi ini, lihat Saris & Aalberts, 2003.) Benar
menarik untuk dilihat pada Tabel 10.9 bahwa efek metode terkuat jelas
terkait dengan peringkat guru dan teman dari tiga kompetensi akademik
Cies, dan dengan penilaian orang tua hanya kompetensi matematika. Memang, dari a
sudut pandang substantif, temuan ini setidaknya untuk guru dan teman sebaya
peringkat tentu tampak sangat masuk akal. Di sisi lain, yang kuat
efek metode yang ditunjukkan untuk penilaian orang tua yang melibatkan hubungan antara
kompetensi demic dan matematika menarik. Satu penjelasan yang mungkin
mungkin terletak pada kenyataan bahwa ketika orang tua berpikir "kompetensi akademik," mereka
pikiran condong ke "kompetensi matematika." Dengan demikian, kompetensi akademik
tampaknya didefinisikan dalam hal seberapa kompeten mereka memandang anak mereka
atau anak perempuan dalam matematika.
Dalam menyimpulkan bab ini, ada baiknya untuk menggarisbawahi Marsh
dan rekomendasi Grayson (1995, hlm. 198) mengenai analisis
Data MTMM. Ketika mereka menekankan, ―data MTMM memiliki
struktur yang disusun yang tidak akan sepenuhnya dijelaskan dalam semua kasus oleh salah satu dari
model atau pendekatan yang biasanya dipertimbangkan. Rupanya tidak
cara 'benar' untuk menganalisis data MTMM yang berfungsi di semua situasi ‖(Marsh
& Grayson, 1995, hlm. 198). Akibatnya, Marsh dan Grayson (1995), mendukung
porting oleh Cudeck (1988), sangat disarankan dalam studi MTMM
data, peneliti harus selalu mempertimbangkan strategi pemodelan alternatif
(lihat, misalnya, Eid et al., 2009). Secara khusus, Marsh dan Grayson (1995) menyarankan
memeriksa pemeriksaan awal data dalam kerangka asli
Pedoman Campbell-Fiske. Analisis ini kemudian harus diikuti oleh
pengujian subset setidaknya empat model CFA (termasuk model CU);
misalnya, lima model yang dipertimbangkan dalam aplikasi ini
merupakan subset yang sesuai. Akhirnya, mengingat bahwa Composite Direct
Tabel 10.8 Korelasi Sifat dan Metode untuk MTMM Model 5
(Keunikan yang Berhubungan) a
Sifat
Pengukuran
SC
AC
EC
MC
Kompetensi sosial (SC)
1.000
Kompetensi akademik (AC)
.356
1.000
Kompetensi bahasa Inggris (EC)
.167 b
.868
1.000
Kompetensi matematika (MC)
0,325
0,800
0,591
1.000
a Estimasi standar.
b Tidak signifikan secara statistik ( p <0,05).
Halaman 321
300
T
Sebuah
b
le 1
0
.9
E
rro
rC
Hai
rasio
n
s untuk
rM
T
M.
MM
Hai
d
el 5 (C
Hai
berhubungan
dU
n
iq
kamu
e
n
e
ss)
S
C
-
Diri
SEBUAH
C-
Diri
EC-Self
MC- Mandiri
SC- Tchr
SEBUAH
C-
Tchr
EC-Tchr
MC - Cih
SC- P
ar
SEBUAH
C-
P
ar
EC-P
ar
MC-P
ar
SC- P
eer
SEBUAH
C-
P
eer
EC-P
eer
MC-P
eer
SCSelf
1.000
ACSelf
0,338
1.000
ECSelf
0,375
0,389
1.000
MCSendiri
0,072
b
0,556
.173
b
1.000
SCT
chr
1.000
BERTINDAK
chr
.238
1.000
ECT
chr
.132
b
.684
1.000
MCT
chr
0,046
b
0,511
.386
1.000
SCPar
1.000
ACPar
.220
1.000
ECPar
.172
b
.250
1.000
MCPar
.176
b
0,467
.160
b
1.000
SCPeer
1.000
ACPeer
0,361
1.000
ECPeer
.280
0,579
1.000
MCPeer
.206
.652
0,434
1.000
Sebuah
Estimasi standar.
b
Tidak signifikan secara statistik (
hal
<.05).
Halaman 322
301
Model Produk 6 dirancang untuk menguji keberadaan multiplikatif
selain efek tambahan, itu juga harus dimasukkan dalam analisis MTMM
strategi pendekatan alternatif , tetapi untuk kritik terhadap pendekatan ini, pembaca
dirujuk ke Corten et al. (2002). Dalam mengevaluasi hasil dari masing - masing
model struktur kovarians dicatat di sini, Marsh dan Grayson (1995)
Disebutkan bahwa, selain pertimbangan teknis seperti konvergensi
untuk solusi yang tepat dan kebaikan, para peneliti harus menempatkan yang berat
penekanan pada interpretasi substantif dan kerangka kerja teoritis.
Catatan akhir
1. Istilah umum digunakan untuk membedakan model CFA generik dari yang lain
kasus khusus, seperti model CU (Marsh, 1989).
2. Sebagai konsekuensi dari masalah yang terkait dengan identifikasi dan estimasi
Dari model CFA, korelasi sifat-metode tidak dapat diperkirakan secara bebas (lihat
Schmitt & Stults, 1986; Widaman, 1985).
3. Atau, kita bisa menentukan model di mana faktor-faktor metode
tidak berkorelasi, menunjukkan nol korelasi mereka. Meskipun keduanya spesifik-
tions memberikan tolok ukur yang sama yang digunakan untuk menentukan diskriminan valid-
Karena itu, interpretasi hasil harus diubah sesuai dengan itu.
4. Varians sifat dan metode, dalam konteks MTMM CFA umum
model, sama dengan loading faktor kuadrat.
5. Sebagaimana dicatat dalam Bab 3, istilah keunikan digunakan dalam arti analitik faktor
berarti gabungan kesalahan pengukuran acak dan pengukuran spesifik -
Kesalahan terkait dengan alat ukur tertentu.
6. Sedangkan model CFA mengasumsikan bahwa skor tes mewakili jumlah sifat dan
komponen metode (yaitu, efek aditif), produk langsung komposit
Model mengasumsikan bahwa mereka berasal dari produk dari sifat dan metode
komponen (yaitu, efek multiplikasi).
Halaman 323
Halaman 324
303
sebelas
bab
Menguji perubahan seiring waktu
Model kurva pertumbuhan laten
Ilmuwan perilaku telah lama tertarik dengan penyelidikan
perubahan. Dari perspektif umum, pertanyaan yang menarik dalam penyelidikan tersebut
mungkin ―Apakah tingkat di mana anak-anak belajar berbeda sesuai dengan
minat mereka pada materi pelajaran? " Dari perspektif yang lebih spesifik,
pertanyaan-pertanyaan seperti itu mungkin termasuk ―Sejauh mana persepsi kemampuan dalam
mata pelajaran sekolah tertentu berubah seiring waktu? ‖ atau "Apakah tingkat di mana
kemampuan persepsi diri dalam matematika dan / atau perubahan sains berbeda untuk remaja
Anak laki-laki dan anak perempuan?" Jawaban atas pertanyaan perubahan seperti ini tentu saja
menuntut pengukuran berulang pada sampel individu di banyak
poin dalam waktu. Fokus bab ini diarahkan pada pengalamatan
jenis pertanyaan terkait perubahan ini.
Aplikasi yang ditunjukkan di sini didasarkan pada penelitian oleh Byrne dan
Crombie (2003) di mana penilaian sendiri kemampuan yang dirasakan dalam matematika, bahasa
ukuran, dan sains diukur untuk 601 remaja selama periode 3 tahun
yang menargetkan nilai 8, 9, dan 10. Dalam bab ini, bagaimanapun, kami fokus
pada skor subskala hanya terkait dengan bidang studi matematika dan sains.
Konsisten dengan sebagian besar penelitian longitudinal, beberapa gesekan subjek terjadi
selama periode 3 tahun; 101 kasus hilang, sehingga menyisakan 500 kasus lengkap.
kasus data. Dalam studi asli, masalah ini hilang ditangani
dengan menggunakan model data-hilang yang banyak sampel yang melibatkan tiga
kelompok waktu tertentu. 1 Namun, karena fokus utama bab ini
adalah untuk memandu Anda melalui pemahaman dasar dan penerapan yang sederhana
model kurva pertumbuhan laten (LGC), contoh saat ini hanya didasarkan pada
grup memiliki data lengkap di ketiga titik waktu. 2 Meskipun demikian,
Saya mendorong Anda untuk membiasakan diri dengan jebakan yang mungkin melibatkan
jika Anda bekerja dengan data yang tidak lengkap dalam analisis model LGC
(lihat Duncan & Duncan, 1994, 1995; Muthén, Kaplan, & Hollis, 1987) dan
untuk mempelajari prosedur yang terlibat dalam bekerja dengan model data yang hilang
(lihat Byrne & Crombie; Duncan & Duncan, 1994, 1995; Duncan, Duncan,
Strycker, Li, & Alpert, 1999). Untuk penjabaran masalah data yang hilang di
umum, lihat Little dan Rubin (1987), Muthén et al. (1987), dan Bab 13 dari
volume ini; dan terkait dengan model longitudinal khususnya, lihat Duncan,
Duncan, dan Strycker (2006) dan Hofer dan Hoffman (2007).
Halaman 325
304
Secara historis, para peneliti secara khusus mendasarkan analisis perubahan
data panel dua-gelombang, sebuah strategi yang dianggap oleh Willett dan Sayer (1994)
tidak memadai karena informasi yang terbatas. Mengatasi kelemahan ini
dalam penelitian longitudinal, Willett (1988) dan lainnya (Bryk & Raudenbush,
1987; Rogosa, Brandt, & Zimowski, 1982; Rogosa & Willett, 1985) diuraikan
metode pemodelan pertumbuhan individu yang, sebaliknya, memanfaatkan
kekayaan data multi-gelombang, dengan demikian memungkinkan untuk pengujian yang lebih efektif
ing perbedaan antarindividu sistematis dalam perubahan. (Untuk perbandingan
Ulasan tentang banyak keuntungan pemodelan LGC dari pendekatan sebelumnya
untuk studi data longitudinal, lihat Tomarken & Waller, 2005.)
Dalam ekstensi unik dari karya sebelumnya ini, para peneliti (misalnya, McArdle
& Epstein, 1987; Meredith & Tisak, 1990; Muthén, 1997) telah menunjukkan caranya
model pertumbuhan individu dapat diuji menggunakan analisis mean dan
struktur kovarian dalam kerangka persamaan struktural mod
eling (SEM). Dianggap dalam konteks ini, sudah menjadi kebiasaan
untuk merujuk ke model seperti model pertumbuhan laten (LGC). Diberikan
banyak fitur menarik (untuk elaborasi, lihat Willett dan Sayer, 1994),
bersama dengan kemudahan dimana peneliti dapat menyesuaikan struktur dasarnya
mendatang untuk digunakan dalam aplikasi inovatif (lihat, misalnya, Cheong, MacKinnon, &
Khoo, 2003; Curran, Bauer, & Willoughby, 2004; Duncan, Duncan, Okut,
Strycker, & Li, 2002; Hancock, Kuo, & Lawrence, 2001; Li et al., 2001), itu
tampaknya jelas bahwa pemodelan LGC memiliki potensi untuk merevolusi anal-
penelitian longitudinal.
Dalam bab ini, saya memperkenalkan Anda dengan topik pemodelan LGC via
tiga gradasi pemahaman konseptual. Pertama , saya menghadirkan seorang jenderal
ikhtisar mengukur perubahan individu dalam persepsi diri matematika
dan kemampuan sains selama periode 3 tahun dari kelas 8 hingga kelas 10
(perubahan intraindividual). Selanjutnya , saya menggambarkan pengujian model LGC
yang mengukur perbedaan dalam perubahan tersebut di semua mata pelajaran (individu
perubahan). Akhirnya , saya menunjukkan penambahan jenis kelamin ke model LGC
sebagai prediktor perubahan-waktu yang mungkin berubah yang dapat menjelaskan apa pun
heterogenitas dalam lintasan pertumbuhan individu (yaitu intersep, kemiringan) dari
kemampuan yang dirasakan dalam matematika dan sains.
Mengukur perubahan dalam pertumbuhan individu
dari waktu ke waktu: Gagasan umum
Dalam menjawab pertanyaan perubahan individu terkait dengan satu atau lebih
domain yang menarik, sampel individu yang representatif harus
diamati secara sistematis dari waktu ke waktu, dan status mereka di setiap domain mengukur
memastikan pada beberapa kesempatan untuk sementara waktu (Willett & Sayer, 1994).
Namun, beberapa kondisi mungkin juga perlu dipenuhi. Pertama , hasilnya
variabel yang mewakili domain yang diminati harus berskala berkelanjutan
Halaman 326
Bab sebelas: Menguji perubahan seiring waktu
305
(tetapi lihat Curran, Edwards, Wirth, Hussong, & Chassin, 2007, dan Duncan
et al., 2006, untuk perkembangan terkini mengatasi masalah ini). Kedua ,
sementara jeda waktu di antara kesempatan bisa merata atau tidak rata
spasi, baik jumlah dan jarak penilaian ini harus
sama untuk semua individu. Ketiga , ketika fokus perubahan individu adalah
terstruktur sebagai model LGC, dengan analisis yang akan dilakukan menggunakan SEM
pendekatan, data harus diperoleh untuk setiap individu pada tiga atau lebih
kesempatan. Akhirnya , ukuran sampel harus cukup besar untuk memungkinkan
deteksi efek tingkat orang (Willett & Sayer, 1994). Dengan demikian, satu
akan mengharapkan ukuran sampel minimum tidak kurang dari 200 setiap kali
point (lihat Boomsma, 1985; Boomsma & Hoogland, 2001).
Model LGC dual-domain yang dihipotesiskan
Willett dan Sayer (1994) telah mencatat bahwa blok bangunan dasar
model LGC terdiri dari dua submodel pendukung yang mereka
telah menyebut model "Level 1" dan "Level 2". Model Level 1 bisa jadi
dianggap sebagai model regresi "dalam-orang" yang mewakili individu
perubahan vidual dari waktu ke waktu sehubungan dengan (dalam contoh ini) dua
variabel hasil tunggal, kemampuan yang dirasakan dalam matematika dan kemampuan yang dirasakan di
sains . Model Level 2 dapat dilihat sebagai model "antara orang"
yang berfokus pada perbedaan antarindividu dalam perubahan sehubungan dengan
variabel hasil ini. Kita beralih ke yang pertama dari dua submod- ini
els, yang membahas masalah perubahan intraindividual.
Pemodelan perubahan intraindividual
Langkah pertama dalam membangun model LGC adalah memeriksa orang dalam
lintasan pertumbuhan. Dalam kasus ini, tugas ini diterjemahkan menjadi
ing, untuk setiap individu, arah dan sejauh mana dia
skor dalam kemampuan persepsi diri dalam perubahan matematika dan sains dari kelas 8
sampai kelas 10. Dari impor kritis dalam menentukan paling tepat dan
menguji model LGC, bagaimanapun, adalah bentuk lintasan pertumbuhan
dikenal apriori. Jika lintasan perubahan dihipotesiskan dipertimbangkan
menjadi linier (asumsi khas yang mendasari pemodelan LGC dalam praktiknya),
maka model yang ditentukan akan mencakup dua parameter pertumbuhan: (a)
kecuali parameter yang mewakili skor individu pada variabel hasil
pada Waktu 1, dan (b) parameter kemiringan yang mewakili laju individu
berubah selama periode waktu yang diinginkan. Dalam konteks pekerjaan kami
di sini, intersep mewakili kemampuan yang dirasakan remaja dalam matematika
dan sains di akhir kelas 8; kemiringan mewakili tingkat perubahan
dalam nilai ini selama transisi 3 tahun dari kelas 8 hingga kelas 10. As
dilaporkan dalam Byrne dan Crombie (2003), asumsi linearitas ini
Halaman 327
306
diuji dan terbukti dapat dipertahankan. 3 (Untuk elaborasi tes yang mendasari
asumsi, lihat Byrne dan Crombie; Willett & Sayer, 1994.)
Dari banyak keuntungan dalam pengujian untuk perubahan individu dalam
kerangka kerja model persamaan struktural atas strategi longitudinal lainnya
gies, dua adalah yang terpenting. Pertama , pendekatan ini didasarkan pada
analisis mean dan struktur kovarian dan, dengan demikian, dapat membedakan
efek kelompok yang diamati dalam rata-rata dari efek individu yang diamati dalam kov-
riance. Kedua , perbedaan dapat dibuat antara yang diamati dan yang tidak
variabel yang dilayani (atau laten) dalam spesifikasi model. Kemampuan ini
memungkinkan untuk pemodelan dan estimasi kesalahan pengukuran. Dengan
konsep-konsep dasar ini di tangan, mari kita beralih ke Gambar 11.1, di mana hipotesis
esized model dual-domain yang akan diuji disajikan secara skematis.
Dalam meninjau model ini, fokus pertama pada enam variabel yang diamati
terlampir dalam persegi panjang di bagian atas diagram jalur. Setiap variabel
melambangkan skor subskala pada satu dari tiga poin waktu, dengan tiga yang pertama
mewakili persepsi kemampuan matematika , dan tiga yang terakhir, mempersepsikan sains
kemampuan . Terkait dengan masing-masing tindakan yang diamati ini adalah kecocokannya
istilah kesalahan pengukuran acak (E1 – E6). Pindah ke bawah ke bawah
diagram, kita melihat dua faktor laten yang terkait dengan masing-masing matematika ini
dan domain sains; faktor-faktor ini mewakili intersepsi dan kemiringan untuk
kemampuan matematika yang dirasakan dan kemampuan sains yang dirasakan , masing-masing.
Sekarang mari kita beralih ke jalur yang dimodelkan dalam diagram. Panah mengarah-
dari masing-masing dari empat faktor ke variabel terkait yang diamati, yaitu
membenci regresi skor yang diamati pada masing-masing dari tiga titik waktu ke
0
Matematika
Kemampuan1
1
0
Matematika
Kemampuan2
1
1
Matematika
Kemampuan3
1
2
0,
E1
Ilmu
Kemampuan1
Ilmu
Kemampuan2
Ilmu
Kemampuan3
1
0
1
1
1
2
1
0
0,
E2
1
0,
E3
01
0
01
01
0,
E4
1
0,
E5
0,
E6
Ilmu
Lereng
Ilmu
Mencegat
Matematika
Lereng
Matematika
Mencegat
Gambar 11.1 Model LGC yang dihipotesiskan.
Halaman 328
307
faktor Intercept dan Slope yang sesuai. Seperti biasa, panah mengarah
dari E's ke variabel yang diamati mewakili pengaruh acak
kesalahan pengukuran. Akhirnya, kovarians model antara masing-masing pasangan
Faktor Intercept dan Slope (untuk kemampuan matematika dan sains) diasumsikan dalam
spesifikasi model LGC.
Nilai numerik yang ditetapkan untuk alur jalur dari Intercept
dan faktor Slope terhadap variabel yang diamati; jalur ini, tentu saja, mewakili
mengirim parameter tetap dalam model. 1 ditentukan untuk jalur alur-
dari faktor Intercept ke masing-masing variabel yang diamati menunjukkan
bahwa masing-masing dibatasi pada nilai 1,0. Batasan ini mencerminkan fakta
bahwa nilai intersep tetap konstan sepanjang waktu untuk setiap individu
(Duncan et al., 1999). Nilai 0, 1, dan 2 ditetapkan untuk parameter slope
eters masing-masing mewakili Tahun 1, 2, dan 3. Kendala ini mengatasi
masalah identifikasi model; mereka juga memastikan bahwa
Untuk dapat diartikan sebagai kemiringan. Tiga poin penting menarik
sehubungan dengan nilai-nilai kemiringan tetap ini: Pertama , secara teknis,
jalur pertama (diberi nilai nol) benar-benar tidak ada dan, karenanya, memiliki
tidak berpengaruh. Meskipun akan kurang membingungkan untuk hanya menghilangkan ini
parameter, sudah menjadi kebiasaan untuk memasukkan jalur ini dalam model,
meskipun dengan nilai nol yang ditetapkan (Bentler, 2005). Kedua , ini
ues mewakili interval waktu yang sama (1 tahun) antara pengukuran; telah
pengumpulan data dilakukan pada interval yang tidak sama, nilainya perlu
dihitung sesuai (misalnya, 6 bulan = 0,5). (Untuk contoh yang dibutuhkan
penyesuaian ke titik waktu, lihat Byrne, Lam, & Fielding, 2008.) Ketiga , the
pilihan nilai tetap yang ditetapkan untuk pemuatan faktor Intercept dan Slope
agak sewenang-wenang, karena setiap transformasi linear dari skala waktu adalah
biasanya diizinkan, dan pengkodean spesifik waktu yang dipilih menentukan
interpretasi kedua faktor. Faktor Intercept terkait dengan suatu waktu
skala (Duncan et al., 1999) karena setiap pergeseran nilai pemuatan tetap pada
faktor Slope tentu akan memodifikasi skala waktu pada
Faktor intersepsi, yang, pada gilirannya, akan mempengaruhi interpretasi (Duncan
et al., 1999). Terkait, varians dan korelasi antara faktor-faktor dalam
model akan berubah tergantung pada pengkodean yang dipilih (lihat, misalnya, Bloxis
& Cho, 2008).
Di bagian ini, fokus kami adalah pada pemodelan intraindividual
perubahan. Dalam kerangka SEM, fokus ini ditangkap oleh Measures
model surement , bagian dari model yang hanya menyertakan tautan
antara variabel yang diamati dan faktor-faktor yang tidak diamati yang mendasarinya.
Seperti yang Anda ketahui sekarang, tentang minat utama dalam pengukuran apa pun
model adalah kekuatan pemuatan faktor atau jalur regresi yang menghubungkan
variabel yang diamati dan tidak teramati. Dengan demikian, satu-satunya bagian dari
model pada Gambar 11.1 yang relevan dalam pemodelan intraindividu
Perubahan aktual adalah jalur regresi yang menghubungkan enam variabel yang diamati
Halaman 329
308
ke empat faktor (dua Inters, dua Lereng), varians faktor dan
kovarian, dan kesalahan pengukuran terkait yang terkait dengannya
variabel yang diamati.
Pada dasarnya, kita dapat menganggap bagian model ini sebagai hal yang biasa
model analisis faktor dengan dua fitur khusus. Pertama , semua pemuatan
diperbaiki — tidak ada pemuatan faktor yang tidak diketahui. Kedua , yang khusus
pola pembebanan tetap ditambah struktur rata-rata memungkinkan kita untuk menafsirkan
faktor-faktor sebagai faktor Intercept dan Slope. Seperti dalam semua model faktor, faktor
kasus sekarang berpendapat bahwa persepsi setiap matematika remaja dan sains
skor kemampuan, pada masing-masing dari tiga titik waktu (Waktu 1 = 0; Waktu 2 = 1; Waktu
3 = 2), adalah fungsi dari tiga komponen berbeda: (a) pemuatan faktor
matriks konstanta (1; 1; 1) dan nilai waktu yang diketahui (0; 1; 2) yang tersisa
invarian di semua individu, dikalikan dengan (b) kurva pertumbuhan laten
vektor yang mengandung faktor individu-spesifik dan tidak dikenal, di sini disebut
parameter pertumbuhan individu (Intercept, Slope), plus (c) vektor individu
kesalahan pengukuran spesifik dan tidak diketahui. Padahal laten
vektor kurva pertumbuhan mewakili dalam-orang yang benar perubahan per-
memperoleh kemampuan matematika dan kemampuan sains yang dirasakan seiring waktu, vektor kesalahan
mewakili suara orang dalam yang berfungsi untuk mengikis perubahan sejati ini
nilai-nilai (Willett & Sayer, 1994).
Dalam mempersiapkan transisi dari pemodelan intraindividual
berubah menjadi pemodelan perubahan antarindividu, penting bagi kita
meninjau secara singkat konsep dasar yang mendasari analisis mean dan
struktur kovarian di SEM. Ketika populasi berarti tidak menarik
dalam suatu model, analisis didasarkan hanya pada parameter struktur kovarian. Sebagai
demikian, semua skor dianggap penyimpangan dari kemampuan mereka, dan,
dengan demikian, istilah konstan (direpresentasikan sebagai α dalam persamaan regresi) sama dengan
nol. Mengingat bahwa nilai rata - rata tidak memainkan bagian dalam spesifikasi
Bagian Level 1 (atau orang dalam) dari model LGC kami, hanya analisisnya
struktur kovarian terlibat. Namun, dalam pindah ke Level 2, the
antara bagian orang dari model, minat berfokus pada nilai rata-rata
terkait dengan faktor Intercept dan Slope; nilai-nilai ini pada gilirannya mempengaruhi
ence sarana variabel yang diamati. Karena kedua level tersebut terlibat
dalam pemodelan perbedaan antarindividu dalam perubahan, analisis sekarang
berdasarkan pada struktur mean dan kovarian.
Pemodelan perbedaan antarindividu dalam perubahan
Level 2 menyatakan bahwa, atas dan di atas perubahan linear hipotesis di per-
Setelah memiliki kemampuan matematika dan kemampuan sains yang dirasakan dari waktu ke waktu, lintasan akan
tentu bervariasi di seluruh remaja sebagai konsekuensi dari interaksi yang berbeda
cept dan lereng. Dalam kerangka SEM, ini bagian dari model
mencerminkan komponen "model struktural" yang, secara umum, menggambarkan
Halaman 330
309
hubungan antara faktor yang tidak teramati dan hubungan yang didalilkan antara
residu yang terkait. Namun dalam model LGC yang lebih spesifik,
struktur ini terbatas pada sarana faktor Intercept dan Slope,
bersama dengan varians terkait mereka, yang pada dasarnya mewakili penyimpangan
dari mean. Sarana membawa informasi tentang mencegat rata-rata dan
nilai kemiringan, sedangkan varians memberikan informasi tentang perbedaan individu
ferences dalam nilai intersep dan slope. Spesifikasi parameter ini
eters, karenanya, memungkinkan estimasi perbedaan antarindividu
dalam perubahan.
Sekarang mari kita periksa kembali Gambar 11.1, meskipun dalam istilah yang lebih spesifik
untuk mengklarifikasi informasi mengenai kemungkinan perbedaan dalam perubahan lintas
waktu. Dalam konteks konstruk pertama, kemampuan yang dirasakan dalam matematika,
minat berfokus pada lima parameter yang merupakan kunci untuk menentukan antara-
perbedaan orang dalam perubahan: dua faktor berarti (Intercept; Slope), dua
varians faktor, dan satu faktor kovarians. Faktor itu berarti mewakili
nilai populasi rata-rata untuk Intercept dan Slope dan jawab
pertanyaan "Apa yang dimaksud dengan titik awal dan peningkatan populasi berarti
ment dalam kemampuan matematika yang dirasakan dari kelas 8 hingga 10? " Variasi faktor
ances mewakili penyimpangan dari Intercept dan Lereng individu dari
populasi mereka berarti, dengan demikian mencerminkan perbedaan antar-populasi
ferensi dalam nilai kemampuan matematika awal (kelas 8) yang dirasakan , dan angka
perubahan skor ini, masing-masing. Mengatasi masalah variabilitas-
ity, parameter kunci ini menjawab pertanyaan ―Apakah ada antarindividu
perbedaan dalam titik awal dan lintasan pertumbuhan matematika yang dirasakan
kemampuan dalam populasi? " Akhirnya, faktor kovarian mewakili
kovarians populasi antara setiap penyimpangan dalam status dan tingkat awal
perubahan dan menjawab pertanyaan ―Apakah siswa yang mulai lebih tinggi (atau
lebih rendah) dalam kemampuan matematika yang dirasakan cenderung tumbuh pada tingkat yang lebih tinggi (atau
lebih rendah) di
kemampuan itu? "
Sekarang Anda memiliki pemahaman dasar tentang pemodelan LGC, di
umum, dan seperti yang dikenakan khusus pada dual-domain kami yang dihipotesiskan
Model yang disajikan pada Gambar 11.1, mari kita mengarahkan perhatian kita sekarang pada keduanya
pemodelan dan pengujian model ini dalam kerangka AMOS
Grafik.
Menguji model kurva pertumbuhan laten:
Model dual-domain
Dalam membangun model LGC menggunakan AMOS Graphics, program menyediakan
apa istilahnya Plug-In , opsi yang berfungsi sebagai starter kit dalam menyediakan
model dasar dan spesifikasi parameter terkait. Untuk menggunakan ini
Halaman 331
310
Plug-In, klik pada menu Plug-In dan pilih Growth Curve Model , seperti yang ditunjukkan
pada Gambar 11.2. Setelah Anda membuat pilihan ini, Anda harus menentukan
sejumlah titik waktu yang terkait dengan data Anda (lihat Gambar 11.3). Tentu saja,
3 adalah nilai default karena mewakili angka minimal yang sesuai untuk
Pemodelan LGC.
Ditampilkan pada Gambar 11.4 adalah model LGC otomatis yang muncul mengikuti
ing dua langkah sebelumnya. Cukup menduplikasi model ini memungkinkan untuk itu
aplikasi untuk model dual-domain yang diuji dalam bab ini. Penting,
Namun, ada beberapa notasi pada model ini yang saya anggap sebagai
Gambar 11.2 Grafik AMOS: Menu drop-down Plug-in dengan model LGC
terpilih.
Gambar 11.3 Grafik AMOS:Kotak dialog LGC Modeling yang meminta informasi tentang
sejumlah titik waktu yang terlibat.
Halaman 332
311
spesifikasi yang tidak sesuai untuk model hipotesis kami. Hasilnya, Anda
akan mencatat ketidakhadiran mereka dari model yang digambarkan dalam Gambar 11.1. (Ini
modifikasi mudah diimplementasikan melalui kotak dialog Object Properties ,
seperti yang telah ditunjukkan di bagian lain dalam buku ini, dan ditunjukkan di bawah ini
dalam Gambar 11.5 dan 11.8.) Pertama , terkait dengan masing-masing dari tiga kesalahan
istilah Anda akan melihat nilai nol, diikuti oleh koma dan huruf Var .
Seperti yang Anda ketahui dari Bab 8, yang pertama mewakili mean, dan
yang kedua, varians dari setiap istilah kesalahan. Sesuai dengan AMOS Graphics nota-
tion, label ini menunjukkan bahwa sarana semua istilah kesalahan dibatasi
ke nol dan varians mereka dibatasi sama sepanjang waktu. Namun,
karena spesifikasi varian kesalahan yang setara akan tidak sesuai-
Dalam pengujian model hipotesis kami, label ini tidak ditentukan
pada Gambar 11.1. Memang, varians kesalahan berkontribusi penting bagi
pretasi parameter model melalui koreksi untuk kesalahan pengukuran
E1
X1
ICEPT
Kovarian
1
1
1
IMean, IVariance
SMean, SVariance
0
0,5
1
1
0
0, Var
E2
X2
1
0
0, Var
E3
X3
1
0
0, Var
LERENG
Gambar 11.4 Grafik AMOS: Model LGC otomatis plug-in.
Halaman 333
312
terkait dengan varian faktor Intercept dan Slope. Di lain
kata-kata, spesifikasi varian kesalahan memungkinkan untuk interpretasi dasar yang sama
parameter model, meskipun dengan koreksi untuk pengukuran acak-
kesalahan ment (Duncan et al., 2006). Kemungkinan besar, alasan yang mendasari
spesifikasi persamaan varians kesalahan dalam model otomatis adalah untuk
mengimbangi sebaliknya kondisi model underidentification untuk single-
model domain yang dihasilkan oleh fitur Plug-In.
Perubahan kedua antara model yang ditunjukkan pada Gambar 11.1 dan itu
Gambar 11.4 melibatkan label yang terkait dengan faktor laten. Di
model otomatis, Anda akan perhatikan label IMean , IVariance , SMean , dan
SVariance masing-masing terkait dengan faktor Intercept dan Slope.
Sekali lagi, label ini memberi sinyal bahwa parameter faktor ini dibatasi
sama lintas waktu. Karena spesifikasi kendala ini tidak
Untuk analisis kami, mereka tidak termasuk dalam model hipotesis.
Ketiga , perhatikan bahwa jalur yang mengarah dari faktor Slope ke yang diamati
variabel untuk setiap titik waktu diberi nomor 0, .50, dan 1, sedangkan ini
parameter jalur dalam model hipotesis kami diberi nomor 0, 1, dan
2 sesuai dengan jeda waktu antara pengumpulan data. Akhirnya,
dari catatan yang relatif kecil adalah perubahan orientasi angka
ditugaskan ke jalur Intercept dan Slope dari miring ke horizontal
(lihat Gambar 11.5).
Sebelum beralih ke analisis untuk bab ini, saya mempertimbangkannya
penting untuk mengingatkan Anda untuk beberapa pertimbangan tambahan terkait
untuk spesifikasi model LGC. Seperti khas untuk model ini,
Anda mungkin ingin mengarahkan pengaturan halaman Anda ke mode lansekap.
Implementasi reorientasi ini dilakukan melalui Antarmuka
Gambar 11.5 Grafis AMOS: Objek kotak dialog Properti menunjukkan pelabelan
orientasi.
Halaman 334
313
Kotak dialog properti seperti yang diilustrasikan pada Gambar 11.6; pemilihannya dilakukan
dari Lihat menu drop-down.
Selain itu, saya juga ingin menarik perhatian Anda ke yang menjengkelkan
pesan kesalahan yang saya temui pada banyak kesempatan menggunakan
Grafik AMOS. Semoga notasi saya di sini akan mencegah Anda
mengalami masalah yang sama. Secara khusus, peringatan kesalahan ini dipicu
direkatkan ketika nama variabel dalam set data berbeda dengan cara apa pun dari
nama variabel yang dicatat dalam kotak dialog Properties Properties ; bahkan perbedaan
melibatkan spasi antar karakter dapat memicu pesan kesalahan ini! Itu
label variabel (yaitu, ditunjukkan pada diagram model), bagaimanapun, dapat berbeda-
ent. Misalnya, variabel yang mewakili skor Waktu 1 untuk yang dirasakan
kemampuan matematika ditampilkan sebagai m_abils dalam file data SPSS, tetapi diberi label sebagai
Kemampuan Matematika dalam model (Gambar 11.1). Pesan kesalahan dan spesifikasi ini
kation penamaan nama / label diilustrasikan dalam Gambar 11.7 dan 11.8,
masing-masing.
Mengikuti ikhtisar penting yang diperluas namun tetap dari
pemodelan dan pengujian model LGC menggunakan AMOS Graphics, kita sekarang
siap memeriksa hasilnya. Kami beralih dulu ke hasil yang terkait dengan inisial
uji model hipotesis kami (lihat Gambar 11.1).
Gambar 11.6 Grafik AMOS:Kotak dialog Properti Antarmuka yang menampilkan orientasi halaman
dengan mode landscape dipilih.
Halaman 335
314
Output AMOS yang dipilih: Model hipotesis
Yang paling penting dalam pengujian model pertama ini adalah sejauh mana itu cocok
data dan sejauh mana mungkin perlu beberapa modifikasi. Kita belok dulu
untuk statistik good-of-fit yang dilaporkan pada Tabel 11.1. Perhatian utama di sini adalah
kecocokan model yang jelas buruk seperti ditunjukkan oleh nilai CFI, 811 dan
nilai RMSEA .172. Jelas model ini tidak ditentukan secara spesifik
cara. Untuk jawaban atas kesalahan spesifikasi yang besar ini, mari kita tinjau modi
indeks fikasi, yang dilaporkan pada Tabel 11.2. Yang menarik adalah
statistik kesalahan spesifikasi yang terkait dengan dua Intercept dan dua Slope
Faktor-faktor, yang telah disorot dalam garis putus-putus.
Dalam meninjau indeks modifikasi ini, kami melihat bahwa tidak termasuk a
kovarians antara kemampuan Kemampuan Matematika dan Kemampuan Sains mencegat
tor merupakan bagian terbesar dari kesalahan spesifikasi. Diberikan secara wajar
Gambar 11.7 Grafik AMOS: Pesan kesalahan yang memberitahukan ketidakcocokan variabel
nama antara data dan file program.
Gambar 11.8 Grafik AMOS: Objek kotak dialog Properti menunjukkan perbedaan
antara nama variabel dan label.
Halaman 336
315
indeks modifikasi substansial terkait dengan tiga sisanya
faktor kovarian, bersama dengan Willet dan Sayer's (1996) menyatakan bahwa, di
model LGC multi-domain, kovariasi di antara parameter pertumbuhan
di seluruh domain harus dipertimbangkan, saya meresepkan model kedua (Model
2) di mana keempat faktor kovarian ditentukan; hasil ini, karena mereka
terkait dengan estimasi parameter, dilaporkan pada Tabel 11.3.
Meskipun hasil good-of-fit yang berkaitan dengan Model 2 secara substansial
ditingkatkan (χ 2
(7) = 32,338; CFI = .971; RMSEA = .085), sebuah tinjauan estimasi
terkait dengan faktor-faktor ini kovarian mengungkapkan hanya tiga yang secara statistik signifikan
penting dan, dengan demikian, layak untuk dimasukkan ke dalam model akhir. Secara khusus,
hasil mengungkapkan kovarians antara Matematika dan Kemampuan Sains
Faktor intersepsi dan faktor Slope yang terkait menjadi parameter penting
dalam model. Selain itu, diberi nilai probabilitas <0,05 untuk kovarians
antara Intercept Kemampuan Matematika dan Kemiringan Kemampuan Sains, saya pertimbangkan
penting juga untuk memasukkan parameter ini dalam model akhir. Yang tersisa
tiga kovarian faktor yang tidak signifikan secara statistik telah dihapus dari
model. Model akhir ini (Model 3) ditunjukkan secara skematis pada Gambar 11.9.
Yang sangat menarik dalam ulasan kami tentang hasil yang berkaitan dengan model ini
adalah apa perbedaan penggabungan dua kovarian faktor tambahan
dapat membuat! Seperti ditunjukkan pada Tabel 11.4, kami sekarang menemukan model yang pas dan bagus
Tabel 11.1 Output AMOS yang Dipilih: Statistik Goodness-of-Fit Terkait
CMIN
Model
NPAR
CMIN
DF
P
CMIN /
DF
Model default
16
173.461
11
.000
15.769
Model jenuh
27
.000
0
Model kemerdekaan
12
875.915
15
.000
58.394
Perbandingan dasar
Model
NFIDelta1 RFI rho1
IFI Delta2
TLI rho2
CFI
Model default
0,802
0,730
.812
.743
0,811
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
.172
.150
.195
.000
Model kemerdekaan
0,339
0,320
.358
.000
Halaman 337
316
Tabel 11.3 Output AMOS yang Dipilih: Estimasi Parameter Terkait Model 2
Memperkirakan
SE
CR
P
Kovarian
Math_Intercept <--> Math_Slope
–228
0,073
–3.107
0,002
Science Intercept <--> Science_Slope
–.055
0,063
–875
.382
Math_Slope
<--> Science_Slope
0,078
0,022
3.544
***
Math_Slope
<--> Ilmu Mencegat
–.070
0,037
–1.877
0,061
Math_Intercept <--> Science_Slope
–.028
0,038
–.754
0,451
Math_Intercept <--> Science Intercept
0,536
0,068
7.857
***
Korelasi
–.442
Science Intercept <--> Science_Slope
–.184
Math_Slope
<--> Science_Slope
0,475
Math_Slope
<--> Ilmu Mencegat
–.181
–0.071
0,573
Tabel 11.2 Output AMOS yang Dipilih: Indeks Modifikasi Terkait dengan
Kovarian
MI
Perubahan Par
Math_Slope
<--> Science_Slope
30.836
0,091
Math_Slope
<--> Ilmu Mencegat
22.333
.131
41.731
.182
110.419
.503
E6
<--> Math_Slope
8.320
0,085
E6
<--> Math_Intercept
10.448
.164
E5
<--> Math_Slope
17.485
.122
E5
<--> Math_Intercept
26.093
.256
E4
<--> Math_Slope
4.634
–.065
E4
<--> Math_Intercept
7.971
.147
E3
<--> Science_Slope
20.103
.146
E3
<--> Ilmu Mencegat
6.172
.137
E3
<--> E6
13.781
.217
E2
<--> Ilmu Mencegat
11.139
.139
E2
<--> E5
28.126
.232
E1
<--> Ilmu Mencegat
15.117
.160
E1
<--> E4
18.549
.193
Halaman 338
317
0
Matematika
Kemampuan1
1
0
Matematika
Kemampuan2
1
1
Matematika
Kemampuan3
1
2
0,
E1
Ilmu
Kemampuan1
Ilmu
Kemampuan2
Ilmu
Kemampuan3
1
0
1
1
1
2
1
0
0,
E2
1
0,
E3
01
0
01
01
0,
E4
1
0,
E5
0,
E6
Ilmu
Lereng
Ilmu
Mencegat
Matematika
Lereng
Matematika
Mencegat
Gambar 11.9 Final model LGC: Tidak ada prediktor.
Tabel 11.4 Output AMOS Terpilih: Statistik Goodness-of-Fit
Terkait dengan Model 3
CMIN
Model
NPAR
CMIN
DF
P
CMIN / DF
Model default
17
36.265
10
.000
3.626
Model jenuh
27
.000
0
Model kemerdekaan
12
875.915
15
.000
58.394
Perbandingan dasar
Model
NFI Delta1 RFI rho1 IFI Delta2 TLI rho2
CFI
Model default
0,959
0,938
0,970
0,954
0,969
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
0,073
0,048
0,099
.064
Model kemerdekaan
0,339
0,320
.358
.000
Halaman 339
318
dengan statistik kecocokan terkait χ 2
(10) = 32.338, CFI = .969, dan RMSEA = .073.
Setelah sekarang menentukan model yang pas, kami siap untuk meninjau
hasil substantif dari analisis. Baik yang tidak standar dan standar
estimasi parameter dardized dilaporkan pada Tabel 11.5.
Memperkirakan
SE
CR
P
Bobot regresi
m_abils1 <--- Math_Intercept
1.000
m_abils1 <--- Math_Slope
.000
1.000
1.000
1.000
2.000
s_abils1 <--- Science Intercept
1.000
s_abils1 <--- Science_Slope
.000
1.000
1.000
1.000
2.000
0,897
.000
0,843
.351
.729
0,606
.656
.000
0,648
.245
0,625
0,474
Cara
Math_Intercept
5.118
0,055
93.529
***
Math_Slope
–.162
0,032
–5.064
***
Ilmu Mencegat
4.763
0,051
93.036
***
Science_Slope
.122
0,030
4.073
***
( lanjutan )
Halaman 340
319
Mengingat bahwa bobot regresi hanya mewakili parameter tetap,
ada sedikit minat di bagian ini. Yang sangat penting,
adalah estimasi yang dilaporkan di bagian tersisa dari file output.
Beralih dulu ke estimasi Berarti, kita melihat bahwa parameter ini untuk
baik Intercepts dan Slope secara statistik signifikan. Secara khusus,
Temuan mengungkapkan skor rata-rata untuk kemampuan sains yang dirasakan (4,763) menjadi
sedikit lebih rendah daripada kemampuan matematika yang dirasakan (5.118). Namun, padahal
Rata-rata skor Kemampuan Matematika yang dirasakan sendiri oleh remaja menurun
periode 3 tahun dari kelas 8 hingga kelas 10 (seperti yang ditunjukkan oleh nilai a
–0,162), mereka yang terkait dengan Kemampuan Sains yang dirasakan sendiri meningkat (0,122).
Mari kita beralih ke faktor kovarian, meninjau dulu domain-dalam
kovarians, yaitu, kovarians antara intersep dan kemiringan
terkait dengan konstruk yang sama. Di sini, kami menemukan perkiraan kovarian antara
faktor Intercept dan Slope untuk Kemampuan Matematika menjadi signifikan secara statistik
(p <0,05). Estimasi negatif –205 menunjukkan bahwa remaja yang mandiri
nilai yang dirasakan dalam kemampuan matematika yang tinggi di kelas 8 menunjukkan lebih rendah
( Lanjutan )
Memperkirakan
SE
CR
P
Kovarian
–.205
0,072
–2.856
0,004
Math_Slope <--> Science_Slope
0,056
0,017
3.217
0,001
0,480
0,054
8.814
***
Korelasi
–403
Math_Slope <--> Science_Slope
0,404
0,548
Variansi
Math_Intercept
1.220
.128
9.517
***
Math_Slope
.211
0,058
3.638
***
Ilmu Mencegat
0,628
.064
9,742
***
Science_Slope
0,090
0,031
2.909
0,004
E2
0,694
0,062
11.124
***
E3
1.053
.135
7.820
***
E4
0,831
0,071
11.768
***
E5
0,779
.064
12.185
***
E6
.619
.102
6.062
***
E1
.295
.104
2.851
0,004
Peluang *** <.000
Halaman 341
320
tingkat peningkatan skor ini selama periode 3 tahun dari kelas 8 hingga
kelas 10 daripada kasus untuk remaja yang kemampuan matematika yang dirasakan sendiri
skor lebih rendah pada Waktu 1. Dengan kata lain, siswa kelas 8 yang mempersepsikan
diri mereka sebagai kurang mampu dalam matematika daripada rekan-rekan mereka membuat lebih besar
keuntungan. Korelasi negatif antara status awal dan kemungkinan perolehan adalah
Fenomena lama dalam psikologi dikenal sebagai hukum nilai awal.
Beralih ke kovarians antar-domain pertama yang ditunjukkan pada output
(Math Slope / Science Slope), kita melihat bahwa meskipun secara statistik signifikan,
nilai yang dilaporkan ini sangat kecil (0,056). Meskipun demikian, review dari
koefisien dardized menunjukkan korelasi ini ( r = 0,404), seperti untuk dua lainnya
kovarian, cukup tinggi. Hasil ini menunjukkan bahwa sebagai pertumbuhan
dalam persepsi remaja tentang kemampuan matematika mereka dari kelas 8 sampai
10 mengalami peningkatan moderat, demikian juga persepsi mereka tentang sains
kemampuan. Akhirnya, korelasi yang cukup kuat antara intersep terkait dengan
kemampuan matematika dan sains ( r = 0,548) menunjukkan bahwa untuk remaja mempersepsikan
diri mereka memiliki kemampuan tinggi dalam matematika, mereka juga memandang diri mereka sendiri
secara komit memiliki kemampuan tinggi dalam sains.
Akhirnya, beralih ke bagian Variance dari file output, kami mencatat bahwa,
penting, semua perkiraan terkait dengan intersepsi dan kemiringan untuk masing-masing dirasakan
domain kemampuan adalah signifikan secara statistik ( p <0,05). Temuan ini mengungkapkan kuat
perbedaan antarindividu dalam kedua skor awal dari kemampuan yang dirasakan di
matematika dan sains pada Waktu 1, dan dalam perubahan mereka dari waktu ke waktu, sebagai remaja
berkembang dari kelas 8 hingga kelas 10. Bukti interindividual semacam itu
perbedaan memberikan dukungan kuat untuk penyelidikan lebih lanjut tentang variabilitas
terkait dengan lintasan pertumbuhan. Secara khusus, penggabungan
tor ke dalam model dapat berfungsi untuk menjelaskan variabilitas mereka. Sedikit kurang
pentingnya secara substantif, meskipun penting secara metodologis, semuanya acak
istilah kesalahan pengukuran juga signifikan secara statistik ( p <0,05).
Menguji model kurva pertumbuhan laten: Jenis Kelamin
sebagai prediktor perubahan waktu yang invarian
Seperti disebutkan sebelumnya, disediakan dengan bukti perbedaan antarindividu
Setelah itu, kita dapat bertanya apakah, dan sejauh mana, satu atau lebih
para diktator mungkin menjelaskan heterogenitas ini. Untuk tujuan kita di sini, kami bertanya
apakah heterogenitas signifikan secara statistik dalam pertumbuhan individu
lintasan (yaitu, mencegat dan kemiringan) kemampuan yang dirasakan dalam matematika dan sains
ence dapat dijelaskan berdasarkan gender sebagai prediktor perubahan waktu yang tidak berubah-ubah.
Dengan demikian, dua pertanyaan yang mungkin kita ajukan adalah ―Lakukan persepsi diri
kemampuan dalam matematika dan sains berbeda untuk remaja putra dan putri pada Waktu 1
(kelas 8)?" dan ―Apakah tingkat kemampuan yang dirasakan diri dalam matematika dan
perubahan sains dari waktu ke waktu berbeda untuk remaja laki-laki dan perempuan? ‖ Untuk menjawab
Halaman 342
321
pertanyaan-pertanyaan ini, variabel prediktor jenis kelamin harus dimasukkan ke dalam
bagian Level 2 (atau struktural) dari model. Model prediktor ini mewakili
mengirimkan ekstensi model domain multipel kami yang terakhir dan paling pas (Model
3) dan ditampilkan secara skematis pada Gambar 11.10.
Impor mengenai diagram jalur yang ditampilkan pada Gambar 11.10 adalah
penambahan empat komponen model baru. Pertama , perhatikan empat regresi-
jalur yang mengalir dari variabel gender ke Intercept dan Slope
faktor yang terkait dengan masing-masing domain kemampuan matematika dan sains.
Jalur regresi ini merupakan minat utama dalam model prediktor ini sebagai
mereka memegang kunci dalam menjawab pertanyaan apakah lintasan
Kemampuan Persepsi dalam Matematika dan Kemampuan Persepsi dalam Sains berbeda untuk dewasa
anak laki-laki dan perempuan lescent. Kedua , sekarang ada sisa laten yang terkait
dengan masing-masing faktor Intercept dan Slope (D1 ke D4). Tambahan ini adalah
persyaratan yang diperlukan karena faktor-faktor ini sekarang menjadi variabel dependen
dalam model karena jalur regresi yang dihasilkan dari prediktor
variabel jenis kelamin . Karena varians variabel dependen tidak bisa
diperkirakan dalam SEM, residu faktor laten berfungsi sebagai proksi untuk
Faktor Intercept dan Slope dalam menangkap varians ini. Residu ini
sekarang mewakili variasi yang tersisa di Intercepts dan Slope
0
Dirasakan
Matematika
Kemampuan1
0
Dirasakan
Matematika
Kemampuan2
1
1
Dirasakan
Matematika
Kemampuan3
1
2
0,
E1
Dirasakan
Ilmu
Kemampuan1
Dirasakan
Ilmu
Kemampuan2
Dirasakan
Ilmu
Kemampuan3
1
0
1
1
1
2
1
Jenis kelamin
1
1
0,
0,
1
1
1
0
0,
E2
1
0
0,
E3
1
0
0,
E4
1
0
0,
E5
1
0
0,
E6
1
D4
0,
D3
D2
0,
D1
Ilmu
Lereng
Ilmu
Mencegat
Matematika
Lereng
Matematika
Mencegat
Gambar 11.10 Model LGC yang dihipotesiskan dengan gender sebagai prediktor.
Halaman 343
322
variabilitas dalam prediksi mereka berdasarkan gender telah dijelaskan (Willett &
Keiley, 2000). Diulang dalam kerangka komparatif, kami mencatat itu
untuk model dual-domain di mana tidak ada prediktor yang ditentukan, the
residu mewakili penyimpangan antara Intercepts faktor dan Lereng,
dan populasi mereka berarti. Sebaliknya, untuk model saat ini di mana
variabel prediktor ditentukan, varian residual mewakili devia-
dari populasi bersyarat mereka berarti. Dengan demikian, residu ini
mewakili nilai yang disesuaikan dari faktor Intersepsi dan Lereng setelah parsial
untuk mengetahui efek linear dari variabel prediktor gender (Willett & Keiley,
2000). Ketiga , mengingat bahwa empat faktor sekarang variabel dependen dalam
model, mereka dan kovariansi mereka tidak lagi merupakan parameter yang dapat diestimasi
model. Dengan demikian, panah berkepala dua mewakili faktor cova-
riance sekarang ditampilkan menghubungkan residu terkait mereka daripada
faktor itu sendiri. Akhirnya , sarana residu ditetapkan menjadi 0,0, seperti
ditunjukkan oleh 0 yang ditugaskan diikuti oleh koma.
Mari sekarang kita beralih ke temuan-temuan yang sesuai dari hasil tes
model prediktor ini sebagaimana dirangkum dalam Tabel 11.6. Menariknya di sini
kami menemukan bukti dari model yang sangat pas yang bahkan lebih cocok
lebih dari model LGC akhir yang tidak memiliki variabel prediktor (χ 2
(12) = 35.887;
CFI = .973; RMSEA = .063).

Estimasi parameter yang terkait dengan model prediktor ini disajikan dalam
Tabel 11.7. Namun, karena kandungan impor utama terkait hal ini
Terkait dengan Model Prediktor
Model
NPAR
CMIN
DF
P
CMIN / DF
Model default
23
35.877
12
.000
2.990
Model jenuh
35
.000
0
Model kemerdekaan
14
903.439
21
.000
43.021
Perbandingan dasar
Model
NFI Delta1 RFI rho1
IFI Delta2 TLI rho2
CFI
Model default
0,960
0,931
0,973
0,953
0,973
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model default
0,063
0,040
0,087
.162
Model kemerdekaan
.290
0,274
0,307
.000
Halaman 344
323
Tabel 11.7 Output AMOS yang Dipilih: Parameter
Perkiraan Terkait Model Prediktor
Perkirakan SE
CR
P
Bobot regresi
Science Intercept <--- sex
.226
.102
2.222
0,026
Science_Slope
<--- seks
0,017
0,060
0,287
0,774
Math_Slope
<--- seks
–.150
.064
–2.345
0,019
Math_Intercept <--- sex
0,563
.107
5.269
***
m_abils1
<--- Math_Slope
.000
m_abils2
<--- Math_Intercept
1.000
m_abils2
<--- Math_Slope
1.000
m_abils3
<--- Math_Intercept
1.000
m_abils3
<--- Math_Slope
2.000
s_abils1
<--- Ilmu Mencegat
1.000
s_abils1
<--- Science_Slope
.000
s_abils2
<--- Ilmu Mencegat
1.000
s_abils2
<--- Science_Slope
1.000
s_abils3
<--- Ilmu Mencegat
1.000
s_abils3
<--- Science_Slope
2.000
m_abils1
<--- Math_Intercept
1.000
Science Intercept <--- Sex
.143
Science_Slope
<--- Seks
0,029
Math_Slope
<--- Seks
–.163
Math_Intercept <--- Seks
.254
m_abils1
<--- Math_Slope
.000
m_abils2
<--- Math_Intercept
0,845
m_abils2
<--- Math_Slope
0,350
m_abils3
<--- Math_Intercept
.732
m_abils3
<--- Math_Slope
0,606
s_abils1
<--- Ilmu Mencegat
.656
s_abils1
<--- Science_Slope
.000
s_abils2
<--- Ilmu Mencegat
.646
s_abils2
<--- Science_Slope
0,246
s_abils3
<--- Ilmu Mencegat
0,623
s_abils3
<--- Science_Slope
0,475
m_abils1
<--- Math_Intercept
0,897
Halaman 345
324
Model berfokus pada variabel gender , hasil yang disajikan relevan
hanya untuk jalur regresi terkait dan bobotnya. 4 Beralih dulu ke
hasil untuk kemampuan matematika yang dirasakan , kita melihat bahwa gender ditemukan menjadi statistik
prediktor signifikan secara statistik dari kedua status awal (0,563) dan tingkat perubahan
(–.150) pada p <0,05. Diberi kode "0" untuk wanita dan "1" untuk pria, ini
Temuan menunjukkan bahwa, sedangkan kemampuan persepsi diri dalam matematika, rata-rata
usia, lebih tinggi untuk anak laki-laki daripada perempuan dengan nilai 0,563 pada Waktu 1, tingkat
perubahan dalam persepsi ini untuk anak laki-laki, dari kelas 8 hingga kelas 10, adalah
lebih lambat dari itu untuk anak perempuan dengan nilai .150. (Koefisien negatif
menunjukkan bahwa anak laki-laki memiliki kemiringan bawah.)
Hasil terkait dengan kemampuan sains yang dirasakan kembali mengungkapkan gender menjadi a
prediktor signifikan kemampuan sains yang dirasakan di kelas 8, dengan anak laki-laki menunjukkan-
Rata-rata skor yang lebih tinggi daripada anak perempuan dengan nilai 0,226 ( p <0,05). Di
di sisi lain, tingkat perubahan ditemukan tidak dapat dibedakan antara
anak laki-laki dan perempuan seperti yang ditunjukkan oleh estimasi yang tidak signifikan.
Untuk menyimpulkan, saya menggambar dari karya Willett dan Sayer (1994, 1996)
dalam menyoroti beberapa fitur penting yang ditangkap oleh mod LGC
eling pendekatan untuk investigasi perubahan. Pertama , metodologi
dapat mengakomodasi di mana saja dari 3 hingga 30 gelombang data longitudinal
sama baiknya. Willett (1988, 1989) telah menunjukkan, bahwa semakin banyak
gelombang data yang dikumpulkan, semakin tepat akan menjadi estimasi pertumbuhan
lintasan dan semakin tinggi akan menjadi keandalan untuk pengukuran
perubahan. Kedua , tidak ada persyaratan bahwa jeda waktu antara
setiap gelombang penilaian setara. Memang, pemodelan LGC bisa
mudah mengakomodasi pengukuran spasi tidak teratur, tetapi dengan
peringatan bahwa semua mata pelajaran diukur pada set kesempatan yang sama.
Ketiga , perubahan individu dapat diwakili oleh linear atau non-linear.
lintasan pertumbuhan linear. Meskipun biasanya pertumbuhan linier diasumsikan
secara default, asumsi ini mudah diuji dan model diresepkan
untuk mengatasi curvilinearity jika perlu. Keempat , berbeda dengan tradisional
metode yang digunakan dalam mengukur perubahan, model LGC tidak hanya memungkinkan untuk
estimasi varians kesalahan pengukuran tetapi juga untuk
korelasi dan fluktuasi lintas waktu dalam hal menguji
asumsi independensi dan homoseksualitas ditemukan
tidak bisa dipertahankan. Kelima , beberapa prediktor perubahan dapat dimasukkan dalam
Model LGC. Mereka mungkin diperbaiki, seperti dalam spesifikasi gender dalam
bab ini, atau mungkin beragam waktu (lihat, misalnya, Byrne, 2008;
Willett & Keiley, 2000). Akhirnya , tiga asumsi statistik utama
terkait dengan aplikasi pemodelan LGC kami (linearitas,
Dence varian pengukuran kesalahan, dan homoscedasticity of mea-
varians kesalahan tambahan), meskipun tidak ditunjukkan dalam bab ini,
dapat dengan mudah diuji melalui perbandingan model bersarang (lihat Byrne &
Crombie, 2003).
Halaman 346
325
Sebagai penutup bab ini tentang pemodelan LGC, saya ingin membuat Anda
menyadari bahwa model bertingkat memberikan cara alternatif untuk mempelajari perubahan
dengan model struktural (lihat, misalnya, Bovaird, 2007; Duncan et al., 2006; Singer
& Willett, 2003).
Catatan akhir
1. Grup 1 ( n = 500) mewakili subjek yang datanya lengkap tersedia
mampu melintasi rentang waktu 3 tahun, Kelompok 2 ( n = 543) mewakili mata pelajaran untuk
siapa data yang tersedia hanya untuk Tahun 2 dan 3, dan Grup 3 ( n = 601)
membenci subyek yang datanya tersedia hanya untuk Tahun 1 penelitian.
2. Namun, dalam kasus ini, pola hasil yang sama mereplikasi yang didasarkan
pada model data yang hilang multigroup.
3. Jika, di sisi lain, lintasan pertumbuhan dianggap nonlinier,
model yang dihipotesiskan kemudian akan menyertakan parameter ketiga yang mewakili
kelengkungan (untuk uraian parameterisasi ini, lihat Byrne & Crombie,
2003; Duncan et al., 1999). Menyesuaikan model nonlinear seperti polinomial
model membutuhkan lebih banyak titik waktu pengukuran (lihat Bentler, 2005).
4. Seperti disebutkan sebelumnya dalam bab ini, penting bahwa nama-nama variabel dalam
set data konsisten dengan yang disebutkan untuk dianalisis oleh program AMOS.
Jadi, meskipun variabel diberi label gender dalam gambar, nama
variabel dalam set data (dan untuk analisis) adalah jenis kelamin .
Halaman 347
Halaman 348
lima
bagian
Topik penting lainnya
12 Bootstrapping sebagai bantuan untuk data yang tidak normal
Bab
...................... 329
13 Mengatasi masalah data yang hilang
Bab
................................. 353
Halaman 349
Halaman 350
329
duabelas
bab
Bootstrap sebagai bantuan
untuk data yang tidak normal
Dua asumsi penting yang terkait dengan persamaan struktural
pemodelan tion (SEM), dalam analisis struktur kovarian dan rata-rata,
adalah persyaratan bahwa data berskala kontinu dan memiliki beberapa
tivariat distribusi normal. Asumsi yang mendasari ini terkait
untuk sampel besar (yaitu, asimptotik) teori di mana SEM tertanam.
Lebih khusus, mereka berasal dari pendekatan yang diambil dalam estimasi
parameter menggunakan metodologi SEM. Biasanya, baik maksimum
kemungkinan (ML) atau teori normal generalised least square (GLS) estimasi
tion digunakan; keduanya menuntut agar data kontinu dan multivarian
normal. Bab ini berfokus pada masalah nonnormalitas multivarian;
pembaca yang tertarik pada masalah variabel tidak kontinu disebut
Bollen (1989a); Byrne (1998); Coenders, Satorra, dan Saris (1997); dan Barat,
Finch, dan Curran (1995).
Meskipun impor untuk semua analisis statistik parametrik, tinjauan
literatur menyediakan banyak bukti penelitian empiris dimana
masalah normalitas distribusi telah diabaikan. Sebagai contoh,
dalam analisis dari 440 set data prestasi dan psikometri, yang semuanya
melebihi ukuran sampel 400, Micceri (1989) melaporkan bahwa mayoritas
dari data ini gagal mengikuti normal univariat atau multivariat
distribusi. Lebih jauh, ia menemukan bahwa sebagian besar peneliti sepertinya
sama sekali tidak menyadari fakta bahwa mereka bahkan telah melanggar statistik ini
asumsi (lihat juga Zhu, 1997). Dalam konteks yang lebih terbatas
Literatur SEM, mudah untuk menemukan bukti dari fenomena yang sama. Sebagai
contohnya, kita dapat beralih ke Breckler (1990), yang mengidentifikasi 72 artikel
muncul dalam jurnal psikologi kepribadian dan sosial antara
tahun 1977 dan 1987 yang menggunakan metodologi SEM. Ulasannya tentang
studi yang dipublikasikan ini mengungkapkan bahwa hanya 19% yang benar-benar mengakui
asumsi teori normal, dan kurang dari 10% diuji secara eksplisit
kemungkinan pelanggaran mereka.
Setelah ulasan studi empiris nonnormalitas di SEM,
West et al. (1995) merangkum empat temuan penting. Pertama , sebagai data
menjadi semakin tidak normal, nilai χ 2 berasal dari kedua ML
dan estimasi GLS menjadi sangat besar. Konsekuensi dari ini
Halaman 351
330
Situasi ini mendorong peneliti untuk mencari modifikasi lebih lanjut
model hipotesis mereka dalam upaya mencapai kecocokan yang memadai dengan data.
Namun, mengingat nilai yang sangat tinggi dari nilai χ 2 , upaya ini
dapat menyebabkan modifikasi yang tidak pantas dan tidak dapat ditiru dengan cara lain
model yang memadai secara teoritis (lihat juga Lei & Lomax, 2005; MacCallum,
Roznowski, & Necowitz, 1992). Kedua , ketika ukuran sampel kecil (datar)
dalam hal normalitas multivariat), baik estimasi ML dan GLS
tor menghasilkan values 2 nilai yang agak meningkat. Selanjutnya sebagai sampel
ukuran berkurang; dan peningkatan nonnormalitas, peneliti dihadapkan dengan a
proporsi analisis yang gagal untuk bertemu, atau yang menghasilkan
solusi yang tidak tepat (lihat Anderson & Gerbing, 1984; Boomsma, 1982). Ketiga ,
ketika data tidak normal, cocok indeks seperti Indeks Tucker-Lewis (TLI;
Tucker & Lewis, 1973) dan Comparative Fit Index (CFI; Bentler, 1990)
nilai hasil yang sedikit diremehkan (lihat juga Marsh, Balla, &
McDonald, 1988). Akhirnya , nonnormalitas dapat menyebabkan status yang sangat rendah.
kesalahan dard, dengan derajat meremehkan mulai dari sedang hingga
berat. Konsekuensi di sini adalah itu, karena kesalahan standar
diremehkan, jalur regresi dan faktor / kesalahan kovarian akan menjadi
signifikan secara statistik, meskipun mereka mungkin tidak demikian dalam populasi.
Mengingat bahwa, dalam praktiknya, sebagian besar data gagal memenuhi asumsi multi
variate normality, West et al. (1995) mencatat peningkatan minat di antara SEM
peneliti dalam (a) membangun kekokohan SEM terhadap pelanggaran
asumsi normalitas, dan (b) mengembangkan strategi reparatori alternatif
bertambah ketika asumsi ini dilanggar. Terutama menyusahkan di SEM
analisis adalah adanya kurtosis yang berlebihan (lihat, misalnya, Bollen & Stine,
1993; West et al.). Dalam ulasan yang disajikan dengan sangat jelas kedua masalah tersebut
ditemui dalam bekerja dengan data nonnormal multivariat di SEM, dan
berbagai opsi perbaikan yang diusulkan untuk resolusi mereka, Barat dan
liga telah menyediakan kerangka kerja yang solid bagi pembaca
untuk memahami kesulitan yang muncul. Saya sangat merekomendasikan buku mereka
bab untuk semua peneliti SEM, meskipun dengan penekanan ganda bagi mereka yang
mungkin baru dalam metodologi ini.
Salah satu pendekatan untuk menangani keberadaan multivariate nonnormal
data menggunakan prosedur yang dikenal sebagai "bootstrap" (West et al., 1995;
Yung & Bentler, 1996; Zhu, 1997). Teknik ini pertama kali terungkap
oleh Efron (1979, 1982) dan kemudian disorot oleh Kotz dan
Johnson (1992) memiliki dampak signifikan pada bidang statistik.
Istilah bootstrap berasal dari ungkapan "untuk menarik diri oleh
bootstraps, ‖dengan demikian mencerminkan gagasan yang diberikan oleh sampel asli
naik ke beberapa tambahan. Dengan demikian, bootstrap berfungsi sebagai suatu resam-
prosedur pling dimana sampel asli dianggap mewakili
populasi. Beberapa sub sampel dengan ukuran yang sama dengan sampel induk
kemudian ditarik secara acak, dengan penggantian , dari populasi ini dan
Halaman 352
Bab dua belas: Bootstrapping sebagai bantuan untuk data yang tidak normal
331
menyediakan data untuk penyelidikan empiris variabilitas parameter
estimasi dan indeks kecocokan. Untuk pengantar yang sangat komprehensif
dasar pemikiran dan operasi bootstrap, pembaca disebut
to Diaconis and Efron (1983), Stine (1990), dan Zhu (1997).
Sebelum munculnya komputer kecepatan tinggi, teknik boot
tegap tidak mungkin ada (Efron, 1979). Faktanya, ini sangat tepat
alasan bootstrap dikategorikan sebagai komputer intensif
prosedur statistik dalam literatur (lihat, misalnya, Diaconis & Efron, 1983;
Noreen, 1989). Teknik intensif komputer berbagi fitur menarik
untuk bebas dari dua asumsi statistik yang membatasi
sekutu yang terkait dengan analisis data: (a) bahwa data biasanya
didistribusikan, dan (b) bahwa peneliti dapat mengeksplorasi lebih rumit
masalah, menggunakan berbagai alat statistik dari sebelumnya
sible (Diaconis & Efron). Sebelum beralih ke contoh aplikasi kita dalam hal ini
bab, mari kita tinjau, pertama, prinsip-prinsip dasar yang terkait dengan boot
teknik pengikat, manfaat utama dan keterbatasannya, dan, akhirnya, beberapa peringatan
Ats bantalan pada penggunaannya dalam SEM.
Prinsip dasar yang mendasari prosedur bootstrap
Gagasan kunci yang mendasari teknik bootstrap adalah memungkinkannya
peneliti untuk membuat beberapa subsampel dari database asli. Itu
pentingnya tindakan ini adalah bahwa kita dapat memeriksa distribusi parameter
Tions relatif terhadap masing-masing sampel melahirkan. Dianggap secara kumulatif,
distribusi ini berfungsi sebagai distribusi sampling bootstrap yang
secara teknis beroperasi dengan cara yang sama seperti distribusi sampling
umumnya dikaitkan dengan statistik inferensial parametrik. Berlawanan dengan
metode statistik tradisional, bagaimanapun, sampling bootstrap
tribution adalah konkret dan memungkinkan untuk perbandingan nilai parametrik berakhir
sampel berulang yang telah diambil (dengan penggantian) dari aslinya
sampel akhir. Dengan prosedur inferensial tradisional, di sisi lain,
perbandingan didasarkan pada jumlah sampel tak terbatas yang ditarik
dari populasi yang diminati. Impor di sini adalah kenyataan bahwa
distribusi sampling dari pendekatan inferensial didasarkan pada ketersediaan
rumus analitik yang terkait dengan asumsi normalitas, sedangkan
distribusi sampling bootstrap diberikan bebas dari pembatasan seperti itu
tions (Zhu, 1997).
Untuk memberi Anda gambaran umum tentang bagaimana strategi bootstrap beroperasi
Saat berlatih, mari kita periksa contoh yang sangat sederhana. Misalkan kita punya
sampel asli sebanyak 350 kasus; mean yang dihitung pada variabel X ditemukan
menjadi 8.0, dengan kesalahan standar 2.5. Kemudian, anggaplah kita memiliki
komputer menghasilkan 200 sampel yang terdiri dari 350 kasus masing-masing secara acak
memilih case dengan penggantian dari sampel asli. Untuk masing-masing
Halaman 353
332
subsamples, komputer akan mencatat nilai rata-rata, menghitung rata-rata
nilai rata-rata di 200 sampel, dan menghitung kesalahan standar.
Dalam kerangka kerja SEM, prosedur yang sama berlaku, meskipun satu
dapat mengevaluasi stabilitas parameter model, dan berbagai macam
jumlah perkiraan lainnya (Kline, 2005; Stine, 1990; Yung & Bentler, 1996).
Selanjutnya, tergantung pada kemampuan bootstrap dari par-
Program komputer tertentu digunakan, orang juga dapat menguji stabilitas
indeks goodness-of-fit relatif terhadap model secara keseluruhan (Bollen & Stine,
1993; Kline, 2005); AMOS dapat memberikan informasi ini. (Untuk evaluasi
tive review aplikasi dan hasil bootstrap ke model SEM,
pembaca dirujuk ke Yung dan Bentler, 1996.)
Manfaat dan keterbatasan prosedur bootstrap
Keuntungan utama dari bootstrap, secara umum, adalah memungkinkan
peneliti untuk menilai stabilitas estimasi parameter dan karenanya
melaporkan nilai-nilai mereka dengan tingkat akurasi yang lebih besar. Seperti Zhu (1997) catat,
dalam referensi tersirat pada pendekatan parametrik tradisional, ―[i] t mungkin
lebih baik untuk menarik kesimpulan tentang parameter populasi secara ketat
dari sampel yang ada ... daripada membuat asumsi yang mungkin tidak realistis-
tentang populasi ‖(hlm. 50). Dalam konteks yang lebih spesifik
SEM, prosedur bootstrap menyediakan mekanisme untuk mengatasi situasi
asi di mana asumsi statistik yang melimpah dari ukuran sampel yang besar
dan normalitas multivarian mungkin tidak berlaku (Yung & Bentler, 1996). Mungkin
keuntungan terkuat dari bootstrap di SEM adalah perbaikan ―otomatisnya‖
ment pada teori asimptotik standar (misalnya, akurasi orde tinggi)
bootstrap dapat diterapkan bahkan untuk sampel dengan tingkat sedang (tetapi tidak
sangat kecil) ukuran ‖(Yung & Bentler, 1996, p. 223).
Meskipun ada manfaat-manfaat ini, prosedur bootstrap tidak
keluar keterbatasan dan kesulitannya. Yang menarik adalah empat batasan tersebut.
tations. Pertama , distribusi sampling bootstrap dihasilkan dari satu
Sampel "asli" yang dianggap mewakili populasi
tion. Jika perwakilan tersebut tidak datang, boot
Prosedur pengikatan akan mengarah pada hasil yang menyesatkan (Zhu, 1997). Kedua , Yung
dan Bentler (1996) telah mencatat bahwa, agar bootstrap berfungsi
dalam kerangka analisis struktur kovarian, asumsi
kemandirian dan distribusi pengamatan yang identik harus dipenuhi.
Mereka berpendapat bahwa asumsi semacam itu adalah intrinsik untuk pembenaran
penggantian sampling dari matriks korelasi yang direproduksi dari boot-
mengikat. Ketiga , keberhasilan analisis bootstrap tergantung pada derajatnya
dimana perilaku sampling dari statistik yang menarik konsisten ketika
sampel diambil dari distribusi empiris, dan kapan mereka
diambil dari populasi asli (Bollen & Stine, 1993). Akhirnya kapan
Halaman 354
333
data multivarian normal, perkiraan kesalahan standar bootstrap miliki
telah ditemukan lebih bias daripada yang berasal dari ML standar
metode (Ichikawa & Konishi, 1995). Sebaliknya, ketika
kontribusi tidak normal, perkiraan bootstrap kurang bias dari mereka
adalah untuk perkiraan ML standar.
Peringatan tentang penggunaan bootstrap di SEM
Meskipun prosedur bootstrap direkomendasikan untuk SEM sebagai pendekatan
untuk berurusan dengan data yang nonnormal multivarian, penting untuk itu
peneliti menyadari keterbatasannya dalam hal ini, serta penggunaannya
dalam mengatasi masalah ukuran sampel kecil dan kurangnya sampel independen
untuk replikasi (Kline, 2005). Temuan dari studi simulasi Monte Carlo
Beberapa prosedur bootstrap membuat para peneliti mengeluarkan beberapa
ats tentang penggunaannya. Yang paling menonjol di antara peringatan semacam itu adalah Yung dan Bentler
(1996) peringatan bahwa bootstrap jelas bukan obat mujarab untuk kecil
sampel. Karena distribusi sampel bootstrap sangat bergantung pada
keakuratan estimasi berdasarkan distribusi induk, tampaknya bukti
penyok yang presisi seperti itu hanya dapat berasal dari sampel yang setidaknya
cukup besar (lihat Ichikawa & Konishi, 1995; Yung & Bentler, 1994).
Peringatan kedua membahas kecukupan kesalahan standar yang diturunkan
dari bootstrap. Yung dan Bentler (1996) mendesak itu, meskipun
prosedur bootstrap sangat membantu dalam memperkirakan kesalahan standar pada wajah
dari data yang tidak normal, itu tidak boleh dianggap sebagai hanya mutlak dan
metode terbaik . Mereka mencatat bahwa para peneliti mungkin ingin mencapai yang khusus
sifat statistik seperti efisiensi, ketahanan, dan sejenisnya, dan dengan demikian
mungkin lebih suka menggunakan prosedur estimasi alternatif.
Sebagai peringatan ketiga, Yung dan Bentler (1996) memperingatkan penelitian-
ers menentang penggunaan prosedur bootstrap dengan keyakinan naif bahwa
hasilnya akan akurat dan dapat dipercaya. Mereka menunjuk ke studi
Bollen dan Stine (1988, 1993) dalam mencatat bahwa memang ada beberapa situasi
di mana bootstrap tidak akan berfungsi. Kesulitan utama di sini,
Namun, adalah bahwa belum ada cara untuk menentukan kapan dan bagaimana
prosedur bootstrap akan gagal. Sementara itu, kita harus menunggu pengembangan lebih lanjut-
opments dalam bidang penelitian SEM ini.
Akhirnya, Arbuckle (2007) mengingatkan bahwa ketika bootstrap digunakan
untuk menghasilkan kesalahan standar empiris untuk parameter yang menarik di SEM, itu
Sangat penting bahwa peneliti membatasi beberapa nilai bukan nol, satu faktor
memuat jalur per faktor, bukan varians faktor dalam proses
menetapkan identifikasi model. Hancock dan Nevitt (1999) telah menunjukkan
yang membatasi varian faktor ke nilai tetap 1,0, sebagai pengganti satu faktor
Untuk memuat per set indikator, mengarah ke standar bootstrap
kesalahan yang sangat meningkat.
Halaman 355
334
Pada titik ini, semoga Anda setidaknya memiliki gagasan umum yang bagus tentang
penggunaan bootstrap dalam kerangka analisis SEM. Dengan ini
informasi latar belakang di tempat, maka, mari kita beralih ke aplikasi yang sebenarnya
dari prosedur bootstrap.
Saat melakukan prosedur bootstrap menggunakan AMOS Graphics, the
Peneliti diberikan satu set estimasi parameter, meskipun dua
set kesalahan standar terkait mereka. Set estimasi pertama adalah bagian dari
output AMOS reguler ketika estimasi ML atau GLS diminta. Itu
perhitungan kesalahan standar ini didasarkan pada formula yang menganggap a
distribusi normal multivariat data. Set estimasi kedua
berasal dari sampel bootstrap dan, dengan demikian, ditentukan secara empiris.
Keuntungan dari bootstrap, seperti yang dibahas di atas, adalah dapat digunakan
untuk menghasilkan perkiraan kesalahan standar untuk banyak statistik yang AMOS
menghitung, meskipun tanpa harus memenuhi asumsi multivariat
normalitas. Dengan fitur yang bermanfaat ini kami meninjau
aplikasi sekarang.
Model yang akan digunakan dalam mendemonstrasikan representasi prosedur bootstrap
mengirim model CFA orde kedua yang mirip dengan yang disajikan pada Bab 5
dalam hal itu juga mewakili Beck Depression Inventory (BDI). Namun,
sedangkan analisis yang dilakukan pada Bab 5 didasarkan pada revisi
versi BDI (Beck, Steer, & Brown, 1996), yang dilakukan dalam hal ini
Bab didasarkan pada versi asli instrumen (Beck, Ward,
Mendelson, Mock, & Erbaugh, 1961). Sampel data yang digunakan dalam
bab sewa mewakili skor barang untuk 1.096 remaja Swedia. Tujuan
pose dari studi asli dari mana aplikasi ini diambil adalah untuk
menunjukkan sejauh mana data skor item dapat bervariasi antar budaya
meskipun model dasar yang (kecuali untuk dua kesalahan berkorelasi) adalah struc-
Setara setara (lihat Byrne & Campbell, 1999). Meskipun data terkait
untuk remaja Kanada ( n = 658) dan Bulgaria ( n = 691) dimasukkan
dalam studi awal, kami memusatkan perhatian hanya pada grup Swedia di Indonesia
bab ini. Secara khusus, kami memeriksa sampel bootstrap terkait
ke model dasar akhir untuk remaja Swedia, yang ditampilkan di
Gambar 12.1. Catatan khusus, melebihi dan di atas pola pemuatan faktor
item BDI tentang Sikap Negatif, Kesulitan Kinerja, dan Somatik
Elemen dalam merumuskan model CFA awalnya dihipotesiskan, adalah
parameterisasi tambahan yang dihasilkan dari pembentukan basis- ini
model garis disajikan di sini. Modifikasi ini termasuk keduanya yang berkorelasi
Halaman 356
335
BDI1
BDI2
BDI3
1
1
1
err1
err2
err3
BDI6
BDI7
BDI8
BDI5
err5
1
1
1
1
1
err6
err7
err8
BDI10
BDI14
BDI9
err9
1
1
1
err10
err14
BDI4
1
err4
Depresi
1
BDI12
BDI13
BDI15
BDI11
err11
1
1
1
1
1
err12
err13
err15
BDI17
err17
1
BDI20
1
err20
BDI18
BDI19
BDI21
BDI16
err16
1
1
1
1
1
1
1
err18
err19
err21
res3
res2
var_a
var_a
1
res1
var_a
Performa
Kesulitan
Somatik
Elemen
Negatif
Sikap
Gambar 12.1 Model akhir struktur BDI untuk remaja Swedia.
Halaman 357
336
kesalahan (Butir 16/17; Butir 18/19) dan kendala kesetaraan pada ketiganya
sisa kesalahan seperti yang ditunjukkan oleh penugasan label yang sama (var_a) untuk
parameter ini.
Karakteristik sampel
Dari impor dalam contoh bootstrap ini adalah bahwa meskipun memadai
ukuran besar sampel Swedia, data sangat tidak normal
dipersembahkan. Nilai skewness (SK) univariat berkisar antara 0,784 hingga 5,381,
dengan rata-rata SK 2,603; nilai-nilai kurtosis (KU) univariat berkisar dari
0.794 hingga 32.971, dengan rata-rata KU 8.537. Dari perspektif multivariat
tive, Mardia (1970, 1974) menormalkan estimasi kurtosis multivariat
ditemukan 549.848. Berdasarkan sampel yang sangat besar yaitu multivari-
makan normal, estimasi ini didistribusikan sebagai varian satuan normal (Bentler,
2005). Jadi, ketika nilai estimasi besar, mereka menunjukkan signifikan
kurtosis positif. Memang, Bentler (2005) telah menyarankan bahwa dalam praktiknya,
nilai> 5.00 adalah indikasi data yang didistribusikan secara tidak normal.
Ingat dari diskusi tentang nonnormalitas di Bab 4 bahwa dalam AMOS,
rasio kritis dapat dianggap mewakili estimasi Mardia yang dinormalisasi.
sobat, meskipun tidak secara eksplisit diberi label seperti itu (JL Arbuckle, pribadi
komunikasi, Maret 2008). Diperkirakan Mardia dinormalisasi diperkirakan
nilai 549.848, maka, tidak ada pertanyaan bahwa data jelas tidak
normal multivarian.
Menerapkan prosedur bootstrap
Aplikasi prosedur bootstrap, menggunakan AMOS, sangat mudah dan
mudah. Dengan model yang ditunjukkan pada Gambar 12.1 terbuka, semua itu
diperlukan adalah untuk mengakses kotak dialog Properti Analisis , baik dari tarik-
menu bawah atau dengan mengklik ikon yang terkait. Setelah kotak dialog ini selesai
telah dibuka, Anda cukup memilih tab Bootstrap yang ditampilkan dikelilingi
Gambar 12.2. Memperhatikan kotak yang dicentang, Anda akan melihat bahwa saya telah meminta
AMOS untuk melakukan bootstrap pada 500 sampel menggunakan estimator ML,
dan untuk memberikan interval kepercayaan bias-dikoreksi untuk masing-masing parameter
perkiraan bootstrap yang lebih baik; level 90% adalah default. Seperti yang bisa Anda lihat dengan mudah
Gambar 12.2, program memberi peneliti beberapa pilihan
mengenai penduga selain opsi yang terkait dengan (a) Monte Carlo
bootstrap, (b) perincian terkait dengan setiap sampel bootstrap, (c) penggunaan
Bootstrap Bollen-Stine, dan (d) menyesuaikan kecepatan bootstrap.
rithm melalui Bootfactor.
Setelah Anda menentukan pilihan pada tab Bootstrap , Anda siap
siap untuk melaksanakan pekerjaan. Memilih Hitung Perkiraan dari Model
Halaman 358
337
Pas menu pull-down atau dengan mengklik ikon set bootstrap
aksi dalam gerakan. Gambar 12.3 menunjukkan pohon direktori file output AMOS
yang muncul setelah eksekusi telah selesai. Dalam meninjau set ini
bagian output, perlu dicatat pemisahan model yang biasa
informasi (bagian atas) dan informasi bootstrap (bagian bawah).
Seperti dapat dilihat pada catatan ringkasan yang disajikan pada Gambar 12.4, ada
tidak ada masalah estimasi (minimum dicapai), dan nilai χ 2 adalah
dilaporkan sebagai 717.169, dengan 186 derajat kebebasan.
Output AMOS yang dipilih
Kami sekarang meninjau berbagai komponen output teks AMOS, berputar
pertama ke ringkasan parameter, yang disajikan pada Gambar 12.5.
Ringkasan parameter
Meskipun, pada saat ini, Anda mungkin tidak akan kesulitan menafsirkan
Ringkasan Parameter , saya ingin menarik perhatian Anda ke tiga
Gambar 12.2 Grafik AMOS: Pilihan bootstrap yang tersedia dalam Analisis
Kotak dialog properti .
Halaman 359
338
parameter berlabel tercantum di kolom Variances . Varians ini berkaitan
untuk tiga kesalahan residual yang, seperti pada Bab 5, dibatasi menjadi
sama. 1 Untuk tindakan aman, mari tinjau kolom terakhir, yang melaporkan
jumlah total parameter tetap, berlabel, dan tidak berlabel dalam model.
Rincian yang terkait dengan sisa ringkasan ini adalah sebagai berikut:
28 parameter tetap: 21 jalur regresi (atau bobot) yang terkait dengan
!
istilah kesalahan pengukuran, 3 yang terkait dengan istilah residual,
dan 3 terkait dengan pemuatan faktor pertama dari setiap rangkaian kongenerik
ukuran indikator; 1 varian diperbaiki ke 1.0 yang terkait dengan
faktor pesanan lebih tinggi
Gambar 12.3 Grafik AMOS:Pohon direktori keluaran .
Halaman 360
339
44 parameter yang tidak berlabel (diperkirakan): 21 pemuatan faktor (18 urutan pertama;
!
3 urutan kedua), 2 kovarian (2 kesalahan berkorelasi), dan 21 varian
(istilah kesalahan pengukuran)
Penilaian normalitas
Mengingat ketidaknormalan ekstrim dari data ini, saya menganggap penting itu
Anda memiliki kesempatan untuk meninjau informasi ini sebagaimana dilaporkan dalam
berkas keluaran. Informasi ini diakses dengan memeriksa Normalitas / Pencilan
Opsi ditemukan pada tab Estimasi kotak dialog Properti Analisis (lihat
Bab 4). Seperti yang ditunjukkan oleh pelabelan opsi ini, AMOS menyajikan
Gambar 12.4 Grafik AMOS: Catatan ringkasan terkait dengan analisis CFA dari hipotesis-
struktur model esized.
Gambar 12.5 Grafik AMOS: Ringkasan parameter terkait dengan model hipotesis
struktur BDI.
Halaman 361
340
informasi yang berkaitan dengan normalitas data dari dua perspektif—
satu indikasi kemiringan dan kurtosis dari setiap parameter, yang lain dari
kehadiran pencilan. Pertama-tama kita beralih ke masalah skewness dan kurtosis.
Bukti statistik nonnormalitas
Meskipun informasi ini dirangkum di atas, hasilnya disajikan
pada Tabel 12.1 memungkinkan Anda untuk meninjau nilai skewness dan kurtosis terkait
untuk setiap item BDI. Seperti disebutkan sebelumnya, nilai multivariat dari 549.848 mewakili
sents Mardia (1970) koefisien kurtosis multivariat, rasio kritis
di antaranya adalah 292.839.
Bukti statistik pencilan
Selain informasi statistik yang berkaitan dengan skewness dan kurtosis,
AMOS memberikan informasi terkait dengan kemungkinan pencilan dalam data. Ini
opsi diberi label pada pohon direktori Output sebagai "Pengamatan terjauh
Tabel 12.1 Output AMOS yang Dipilih: Penilaian Normalitas
Variabel
Min
Maks
Condong
CR
Kurtosis
CR
BDI16
1.000
4.000
1.177
15.903
1.898
12.823
BDI18
1.000
4.000
2.737
36.990
7,876
53.223
BDI19
1.000
4.000
4.139
55.940
19.876
134.313
BDI21
1.000
4.000
5.381
72.722
32.971
222.807
BDI4
1.000
4.000
2.081
28.128
4.939
33.379
BDI11
1.000
4.000
1.708
23.080
2.869
19.385
BDI12
1.000
4.000
4.270
57.710
20.302
137.193
BDI13
1.000
4.000
1.822
24.630
2.652
17.920
BDI15
1.000
4.000
0,943
12.749
0,794
5.363
BDI17
1.000
4.000
1.464
19.781
2.403
16.238
BDI20
1.000
4.000
3.921
52.989
16.567
111.956
BDI1
1.000
4.000
2.328
31.468
5.196
35.116
BDI2
1.000
4.000
2.597
35.099
6,003
40.569
BDI3
1.000
4.000
2.023
27.348
2.815
19.021
BDI5
1.000
4.000
3.340
45.137
11.620
78.527
BDI6
1.000
4.000
2.716
36.712
8.429
56.959
BDI7
1.000
4.000
2.209
29.861
6.238
42.152
BDI8
1.000
4.000
0,784
10.590
–838
–5.666
BDI9
1.000
4.000
3.240
43.785
11.504
77.744
BDI10
1.000
4.000
3.219
43.509
10.040
67.849
BDI14
1.000
4.000
2.569
34.722
5.127
34.646
Multivarian
549.848
292.839
Halaman 362
341
dari centroid (jarak Mahalanobis) ‖(lihat Gambar 12.3). Dengan demikian,
Program mengidentifikasi setiap kasus di mana skor yang diamati sangat berbeda
dari centroid skor untuk semua 1.096 kasus; Mahalanobis d-squared val-
ues digunakan sebagai ukuran jarak, dan mereka dilaporkan dalam pengurangan
urutan peringkat. Informasi ini disajikan pada Tabel 12.2 untuk 11 pertama
dan skor peringkat akhir. Di sini kita melihat bahwa Kasus # 886 adalah yang terjauh dari
centroid dengan nilai Mahalanobis d 2 220,485; nilai ini kemudian diikuti
diturunkan oleh dua kolom, p1 dan p2 . The p1 kolom menunjukkan bahwa, dengan asumsi
normalitas , probabilitas d 2 (untuk Kasus # 886) melebihi nilai 220.485
adalah <.000. The p2 kolom, juga dengan asumsi normalitas , mengungkapkan bahwa masalah.Safe_mode yang
kemampuan masih <0,000 bahwa d terbesar 2 nilai untuk setiap kasus individual akan
melebihi 220.485. Meskipun angka kecil muncul di kolom pertama
( p1 ) diharapkan, angka-angka kecil di kolom kedua ( p2 ) menyarankan
pengamatan yang tidak mungkin jauh dari pusat massa di bawah hipotesis
esis normalitas. Mengingat kesenjangan yang lebar dalam nilai Mahalanobis d 2 antara
Kasus # 886 dan kasus kedua (# 389), relatif terhadap semua kasus lain, saya akan melakukannya
menilai Kasus # 886 sebagai pencilan dan akan mempertimbangkan menghapus kasus ini
dari analisis lebih lanjut. Memang, berdasarkan alasan perbandingan yang sama,
Saya mungkin akan menghapus tiga kasus berikutnya juga.
Tabel 12.2 Output AMOS yang Dipilih: Deteksi Pencilan di antara Kasus
Pengamatan terjauh dari centroid (jarak Mahalanobis)
(Nomor grup 1)
Pengamatan
jumlah
Mahalanobis
d-kuadrat
p1
p2
886
220.485
.000
.000
389
160.701
.000
.000
369
155.071
.000
.000
464
139.782
.000
.000
391
130.636
.000
.000
392
130.636
.000
.000
415
129.104
.000
.000
956
127.226
.000
.000
664
124.657
.000
.000
825
124.656
.000
.000
390
123.972
.000
.000
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
603
52.101
.000
.000
Halaman 363
342
Estimasi parameter dan kesalahan standar
Ketika bootstrap diminta, AMOS menyediakan dua set informasi-
seperti yang dapat dilihat pada direktori pohon Output (lihat Gambar 12.3); ini
termasuk perkiraan parameter ML reguler, bersama dengan standar mereka
kesalahan (ditampilkan di bagian atas pohon), bersama dengan boot- terkait
informasi tali (ditunjukkan di bagian bawah pohon). Kita beralih dulu ke
perkiraan ML reguler, yang disajikan pada Tabel 12.3.
Contoh perkiraan ML dan kesalahan standar
Demi kepentingan ruang, estimasi yang tidak standar dan terstandarisasi
hanya untuk pemuatan faktor (yaitu, bobot regresi urutan pertama dan kedua)
disajikan di sini. Yang menarik adalah kesalahan standar (SE) sebagai
mereka menyediakan dasar untuk menentukan signifikansi statistik yang terkait dengan
estimasi parameter (yaitu, estimasi dibagi dengan kesalahan standar sama dengan
rasio kritis). Yang penting, kemudian, ini kesalahan standar awal
dapat dibandingkan dengan yang dilaporkan untuk sampel bootstrap (lihat
Tabel 12.4). Contoh perkiraan ML, kesalahan standar, dan rasio kritis
dilaporkan pada Tabel 12.3.
Bootstrap kesalahan standar ML
Setelah estimasi parameter ML telah dilaporkan untuk aslinya
contoh kasus, program kemudian beralih ke hasil yang terkait dengan bootstrap
sampel. AMOS menyediakan ringkasan iterasi bootstrap, yang
dapat diakses dari pohon direktori Output . Opsi ini terlihat di
Gambar 12.6, di mana ia muncul di baris terakhir di bagian atas
pohon. Ringkasan melaporkan dua aspek dari proses iterasi: (a) mini-
sejarah iterasi dari jumlah iterasi yang diperlukan agar sesuai dengan hipotesis
mengembangkan model ke sampel bootstrap, dan (b) sejauh mana
proses berhasil. Informasi ini berkaitan dengan data Swedia
ditunjukkan pada Gambar 12.7.
Dalam meninjau Gambar 12.7, Anda akan mencatat empat kolom. Yang pertama, berlabel
Iterations , melaporkan bahwa 19 iterasi diperlukan untuk menyelesaikan 500 bootstrap
sampel. Tiga kolom metode disusun dari kiri ke kanan
dalam hal kecepatan dan keandalannya. Dengan demikian, minimalisasi Metode 0 adalah
paling lambat dan saat ini tidak digunakan dalam AMOS 17; dengan demikian, kolom ini selalu
mengandung 0's. Metode 1 dilaporkan dalam dokumentasi AMOS untuk dihasilkan
sekutu cepat dan dapat diandalkan. Metode 2 merupakan minimalisasi yang paling dapat diandalkan
algoritma dan digunakan sebagai metode tindak lanjut jika Metode 1 gagal selama
proses bootstrap.
Sebagaimana dibuktikan dari informasi yang dilaporkan pada Gambar 12.7, Metode 1
benar-benar berhasil dalam tugasnya bootstrap 500 sampel yang dapat digunakan;
tidak ada yang ditemukan tidak dapat digunakan. Angka-angka yang dimasukkan dalam Metode 1
Halaman 364
343
(
melanjutkan
)
T
ab
le
1
2
.3
S
terpilih A
M.
HAI
BEGITU
kamu
tp
kamu
t: M
Sebuah
x
Aku
kamu
mL
ik
Elih
Hai
Hai
dF
acto
rL
Hai
iklan
di
gE
rangsangan
ates
Memperkirakan
SE
CR
P
Solusi yang tidak standar
TY
<---
DEPRESI
.288
0,014
20.338
***
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,303
0,015
20.465
***
SOMA
TIC_ELEMENTS
<---
DEPRESI
.293
0,021
14.017
***
BDI14
<---
NEGA
TIVE_A
TTITUDE
1.228
0,084
14.701
***
BDI10
<---
NEGA
TIVE_A
TTITUDE
0,928
0,067
13.880
***
BDI9
<---
NEGA
TIVE_A
TTITUDE
1.110
0,057
19.573
***
BDI8
<---
NEGA
TIVE_A
TTITUDE
1.389
0,090
15.406
***
BDI7
<---
NEGA
TIVE_A
TTITUDE
1.115
0,057
19.440
***
BDI6
<---
NEGA
TIVE_A
TTITUDE
0,913
0,056
16.329
***
BDI5
<---
NEGA
TIVE_A
TTITUDE
1.104
0,056
19.674
***
BDI3
<---
NEGA
TIVE_A
TTITUDE
1.390
0,073
18.958
***
BDI2
<---
NEGA
TIVE_A
TTITUDE
1.101
.064
17.077
***
BDI1
<---
NEGA
TIVE_A
TTITUDE
1.000
BDI20
<---
TY
0,695
0,054
12.975
***
BDI17
<---
TY
1.269
0,079
16.087
***
BDI15
<---
TY
1.019
0,068
14.995
***
BDI13
<---
TY
0,942
0,068
13.898
***
BDI12
<---
TY
0,700
0,049
14.277
***
BDI11
<---
TY
.839
0,084
10.008
***
BDI4
<---
TY
1.000
BDI21
<---
SOMA
TIC_ELEMENTS
0,426
0,046
9.355
***
BDI19
<---
SOMA
TIC_ELEMENTS
.358
0,047
7.550
***
BDI18
<---
SOMA
TIC_ELEMENTS
0,690
0,073
9.479
***
BDI16
<---
SOMA
TIC_ELEMENTS
1.000
Peluang *** <.000
Halaman 365
344
T
Sebuah
b
le 1
2
.3
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
t: M
Sebuah
x
Aku
kamu
mL
ik
Elih
Hai
Hai
dF
Sebuah
cto
rL
Hai
Sebuah
d
di
gE
rangsangan
makan
s(
C
ontin
kamu
ed
)
Memperkirakan
SE
CR
P
Solusi terstandarisasi
TY
<---
DEPRESI
0,918
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,925
SOMA
TIC_ELEMENTS
<---
DEPRESI
0,921
BDI14
<---
NEGA
TIVE_A
TTITUDE
0,497
BDI10
<---
NEGA
TIVE_A
TTITUDE
0,467
BDI9
<---
NEGA
TIVE_A
TTITUDE
0,692
BDI8
<---
NEGA
TIVE_A
TTITUDE
0,524
BDI7
<---
NEGA
TIVE_A
TTITUDE
0,687
BDI6
<---
NEGA
TIVE_A
TTITUDE
0,559
BDI5
<---
NEGA
TIVE_A
TTITUDE
0,697
BDI3
<---
NEGA
TIVE_A
TTITUDE
0,666
BDI2
<---
NEGA
TIVE_A
TTITUDE
0,589
BDI1
<---
NEGA
TIVE_A
TTITUDE
.646
BDI20
<---
TY
0,454
BDI17
<---
TY
0,576
BDI15
<---
TY
0,533
BDI13
<---
TY
0,490
BDI12
<---
TY
.505
BDI11
<---
TY
0,343
BDI4
<---
TY
0,660
BDI21
<---
SOMA
TIC_ELEMENTS
.385
BDI19
<---
SOMA
TIC_ELEMENTS
.294
BDI18
<---
SOMA
TIC_ELEMENTS
.393
BDI16
<---
SOMA
TIC_ELEMENTS
0,480
Halaman 366
345
kolom mewakili koordinat antara jumlah sampel bootstrap
dan jumlah iterasi. Misalnya, angka "65" di baris keempat
menunjukkan bahwa untuk 65 sampel bootstrap, Metode 1 mencapai minimum dalam
empat iterasi.
Penting untuk dicatat bahwa, dalam kasus sampel asli yang baik
kecil atau tidak terus menerus didistribusikan (atau keduanya), itu sangat mungkin
bahwa satu atau lebih sampel bootstrap akan memiliki kovarians tunggal
matriks. Dalam hal demikian, AMOS mungkin tidak dapat menemukan solusi untuk beberapa
dari sampel bootstrap. Dengan adanya temuan semacam itu, program melaporkan hal ini
sampel bootstrap gagal dan mengeluarkannya dari analisis bootstrap
(Arbuckle, 2007).
Sebelum beralih ke hasil bootstrap untuk sampel Swedia kami, saya perlu
pertama yang menjelaskan bagaimana cara mendapatkan informasi ini dari pohon output seperti itu
Gambar 12.6 Grafik AMOS:Pohon direktori keluaran yang merinci pengambilan boot-
kesalahan standar tali.
Halaman 367
346
bukanlah proses pengambilan langsung; yaitu, cukup mengklik
yang Perkiraan label dengan yang tercantum di bagian bootstrap akan menghasilkan apa-apa. Ayo
Tinjau prosedur ini dengan kembali ke Gambar 12.6, di mana gangguan dari
output yang dibutuhkan ditangkap. Untuk memulai prosesnya, Anda harus melakukannya
klik dua kali pada Perkiraan di bagian ML atas pohon, yang menghasilkan
yang skalar label. Mengklik dua kali pada Skalar kemudian menghasilkan lima kategori
perkiraan yang ditunjukkan pada Gambar 12.6. Sangat penting bahwa Anda mengklik
salah satu dari lima jenis estimasi ini, yang akan menyoroti salah satu dari
Est; bobot regresi disorot dalam gambar, meskipun
pencahayaan agak pudar. Setelah Anda mengidentifikasi perkiraan minat
(dalam hal ini, bobot regresi), bagian bootstrap kemudian menjadi
diaktifkan. Mengklik Kesalahan Standar Bootstrap menghasilkan standar
informasi kesalahan disajikan pada Tabel 12.4.
Gambar 12.7 Grafik AMOS: Ringkasan iterasi bootstrap.
Halaman 368
347
T
ab
le
1
2
.4
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
t: B
Hai
Hai
tstrap F
Sebuah
cto
rL
Hai
Sebuah
d
di
gS
ta
n
d
Sebuah
rd E
rro
rs
P
arameter
SE
SE-SE
Berarti
Bias
SE-Bias
TY
<---
DEPRESI
0,019
0,001
0,289
0,001
0,001
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,032
0,001
0,303
0,001
0,001
SOMA
TIC_ELEMENTS
<---
DEPRESI
0,023
0,001
.291
–.002
0,001
BDI14
<---
NEGA
TIVE_A
TTITUDE
.150
0,005
1.237
0,009
0,007
BDI10
<---
NEGA
TIVE_A
TTITUDE
.102
0,003
0,915
–.013
0,005
BDI9
<---
NEGA
TIVE_A
TTITUDE
.111
0,004
1.108
–.002
0,005
BDI8
<---
NEGA
TIVE_A
TTITUDE
.164
0,005
1.398
0,009
0,007
BDI7
<---
NEGA
TIVE_A
TTITUDE
.117
0,004
1.118
0,003
0,005
BDI6
<---
NEGA
TIVE_A
TTITUDE
0,088
0,003
0,913
–.001
0,004
BDI5
<---
NEGA
TIVE_A
TTITUDE
.103
0,003
1.101
–.003
0,005
BDI3
<---
NEGA
TIVE_A
TTITUDE
.145
0,005
1.392
0,002
0,006
BDI2
<---
NEGA
TIVE_A
TTITUDE
.105
0,003
1.106
0,005
0,005
BDI1
<---
NEGA
TIVE_A
TTITUDE
.000
.000
1.000
.000
.000
BDI20
<---
TY
0,099
0,003
0,690
–.005
0,004
BDI17
<---
TY
.103
0,003
1.273
0,004
0,005
BDI15
<---
TY
.120
0,004
1.027
0,008
0,005
BDI13
<---
TY
.106
0,003
0,943
0,001
0,005
BDI12
<---
TY
0,097
0,003
0,707
0,007
0,004
BDI11
<---
TY
0,088
0,003
0,832
–.007
0,004
BDI4
<---
TY
.000
.000
1.000
.000
.000
BDI21
<---
SOMA
TIC_ELEMENTS
0,094
0,003
0,422
–.004
0,004
BDI19
<---
SOMA
TIC_ELEMENTS
0,095
0,003
0,362
0,003
0,004
BDI18
<---
SOMA
TIC_ELEMENTS
.110
0,003
0,681
–.008
0,005
BDI16
<---
SOMA
TIC_ELEMENTS
.000
.000
1.000
.000
.000
(
melanjutkan
)
Halaman 369
348
T
ab
le
1
2
.4
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
t: B
Hai
Hai
tstrap F
Sebuah
cto
rL
Hai
Sebuah
d
di
gS
ta
n
d
Sebuah
rd E
rro
rs (
C
ontin
kamu
ed
)
P
arameter
SE
SE-SE
Berarti
Bias
SE-Bias
TY
<---
DEPRESI
0,013
.000
0,919
.000
0,001
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,019
0,001
0,924
–.001
0,001
SOMA
TIC_ELEMENTS
<---
DEPRESI
0,016
.000
0,919
–.001
0,001
BDI14
<---
NEGA
TIVE_A
TTITUDE
0,036
0,001
0,498
0,001
0,002
BDI10
<---
NEGA
TIVE_A
TTITUDE
0,043
0,001
0,461
–.006
0,002
BDI9
<---
NEGA
TIVE_A
TTITUDE
0,033
0,001
0,691
–.001
0,001
BDI8
<---
NEGA
TIVE_A
TTITUDE
0,029
0,001
0,524
.000
0,001
BDI7
<---
NEGA
TIVE_A
TTITUDE
0,032
0,001
0,687
.000
0,001
BDI6
<---
NEGA
TIVE_A
TTITUDE
0,039
0,001
0,558
–.001
0,002
BDI5
<---
NEGA
TIVE_A
TTITUDE
0,029
0,001
0,695
–.002
0,001
BDI3
<---
NEGA
TIVE_A
TTITUDE
0,027
0,001
0,663
–.003
0,001
BDI2
<---
NEGA
TIVE_A
TTITUDE
0,034
0,001
0,589
.000
0,002
BDI1
<---
NEGA
TIVE_A
TTITUDE
0,039
0,001
.647
0,001
0,002
BDI20
<---
TY
0,047
0,001
0,451
–.003
0,002
BDI17
<---
TY
0,030
0,001
0,576
.000
0,001
BDI15
<---
TY
0,042
0,001
0,534
0,001
0,002
BDI13
<---
TY
0,035
0,001
0,490
.000
0,002
BDI12
<---
TY
0,050
0,002
.508
0,003
0,002
BDI11
<---
TY
0,036
0,001
0,340
–.003
0,002
BDI4
<---
TY
0,029
0,001
.659
.000
0,001
BDI21
<---
SOMA
TIC_ELEMENTS
0,065
0,002
0,378
–.007
0,003
BDI19
<---
SOMA
TIC_ELEMENTS
0,068
0,002
.292
–.002
0,003
BDI18
<---
SOMA
TIC_ELEMENTS
0,054
0,002
.387
–.007
0,002
BDI16
<---
SOMA
TIC_ELEMENTS
0,029
0,001
0,478
–.002
0,001
Halaman 370
349
T
ab
le
1
2
.5
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
t: B
besarbesaran
sC
Hai
kembali
cte
dP
erce
n
ubin M
et
Hai
dF
Sebuah
cto
rL
Hai
Sebuah
d
di
gC
Hai
n
fi
d
e
n
ce In
terv
Sebuah
ls
P
arameter
Memperkirakan
Lo
w
er
Atas
P
TY
<---
DEPRESI
.288
.259
0,323
0,004
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,303
.251
.352
0,004
SOMA
TIC_ELEMENTS
<---
DEPRESI
.293
.260
0,333
0,002
BDI14
<---
NEGA
TIVE_A
TTITUDE
1.228
1.021
1.494
0,003
BDI10
<---
NEGA
TIVE_A
TTITUDE
0,928
0,778
1.132
0,002
BDI9
<---
NEGA
TIVE_A
TTITUDE
1.110
0,940
1.303
0,003
BDI8
<---
NEGA
TIVE_A
TTITUDE
1.389
1.168
1.697
0,003
BDI7
<---
NEGA
TIVE_A
TTITUDE
1.115
0,944
1.315
0,004
BDI6
<---
NEGA
TIVE_A
TTITUDE
0,913
.770
1.081
0,003
BDI5
<---
NEGA
TIVE_A
TTITUDE
1.104
0,957
1.304
0,002
BDI3
<---
NEGA
TIVE_A
TTITUDE
1.390
1.200
1.733
0,002
BDI2
<---
NEGA
TIVE_A
TTITUDE
1.101
0,947
1.295
0,003
BDI1
<---
NEGA
TIVE_A
TTITUDE
1.000
1.000
1.000
...
BDI20
<---
TY
0,695
0,542
.864
0,003
BDI17
<---
TY
1.269
1.107
1.446
0,004
BDI15
<---
TY
1.019
.814
1.215
0,006
BDI13
<---
TY
0,942
.765
1.119
0,004
BDI12
<---
TY
0,700
0,541
0,865
0,004
BDI11
<---
TY
.839
0,703
.994
0,002
BDI4
<---
TY
1.000
1.000
1.000
...
BDI21
<---
SOMA
TIC_ELEMENTS
0,426
0,283
0,600
0,003
BDI19
<---
SOMA
TIC_ELEMENTS
.358
.213
.508
0,005
BDI18
<---
SOMA
TIC_ELEMENTS
0,690
0,524
0,899
0,002
BDI16
<---
SOMA
TIC_ELEMENTS
1.000
1.000
1.000
...
(
melanjutkan
)
Halaman 371
350
T
Sebuah
b
le 1
2
.5
S
ele
cte
dA
M.
HAI
BEGITU
kamu
tp
kamu
t: B
besarbesaran
sC
Hai
kembali
cte
dP
erce
n
ubin M
et
Hai
dF
Sebuah
cto
rL
Hai
Sebuah
d
di
gC
Hai
n
fi
d
e
n
ce In
terv
Sebuah
ls (
C
ontin
kamu
ed
)
P
arameter
Memperkirakan
Lo
w
er
Atas
P
TY
<---
DEPRESI
0,918
0,894
0,939
0,006
NEGA
TIVE_A
TTITUDE
<---
DEPRESI
0,925
0,885
0,950
0,005
SOMA
TIC_ELEMENTS
<---
DEPRESI
0,921
0,894
0,943
0,004
BDI14
<---
NEGA
TIVE_A
TTITUDE
0,497
.442
0,555
0,005
BDI10
<---
NEGA
TIVE_A
TTITUDE
0,467
0,390
0,538
0,003
BDI9
<---
NEGA
TIVE_A
TTITUDE
0,692
0,633
.744
0,004
BDI8
<---
NEGA
TIVE_A
TTITUDE
0,524
0,477
0,574
0,004
BDI7
<---
NEGA
TIVE_A
TTITUDE
0,687
.634
.737
0,004
BDI6
<---
NEGA
TIVE_A
TTITUDE
0,559
0,493
.618
0,004
BDI5
<---
NEGA
TIVE_A
TTITUDE
0,697
0,648
.743
0,003
BDI3
<---
NEGA
TIVE_A
TTITUDE
0,666
0,620
.710
0,003
BDI2
<---
NEGA
TIVE_A
TTITUDE
0,589
0,531
.639
0,005
BDI1
<---
NEGA
TIVE_A
TTITUDE
.646
0,571
0,700
0,008
BDI20
<---
TY
0,454
0,370
0,536
0,003
BDI17
<---
TY
0,576
0,519
.622
0,005
BDI15
<---
TY
0,533
0,448
0,596
0,007
BDI13
<---
TY
0,490
0,423
0,542
0,006
BDI12
<---
TY
.505
0,404
0,575
0,008
BDI11
<---
TY
0,343
0,286
0,404
0,003
BDI4
<---
TY
0,660
0,607
0,703
0,006
BDI21
<---
SOMA
TIC_ELEMENTS
.385
0,287
0,498
0,002
BDI19
<---
SOMA
TIC_ELEMENTS
.294
.186
0,406
0,003
BDI18
<---
SOMA
TIC_ELEMENTS
.393
0,310
0,493
0,002
BDI16
<---
SOMA
TIC_ELEMENTS
0,480
0,433
0,530
0,003
Halaman 372
351
Kolom pertama ( SE ) dalam tabel mencantumkan estimasi bootstrap dari
kesalahan standar untuk setiap parameter pemuatan faktor dalam model. Nilai ini
mewakili standar deviasi estimasi parameter yang dihitung
melintasi 500 sampel bootstrap. Nilai-nilai ini harus dibandingkan dengan
perkiraan perkiraan kesalahan standar ML yang disajikan dalam Tabel 12.3. Di
dengan melakukan itu, Anda akan mencatat beberapa perbedaan besar di antara kedua perangkat tersebut
estimasi kesalahan standar. Misalnya, dalam perbandingan standar
kesalahan untuk memuat BDI Item 9 (BDI9) pada faktor Sikap Negatif
melintasi sampel asli (SE = .057) dan bootstrap (SE = .111), kita lihat
diferensial 0,054, yang merupakan peningkatan 95% pada bootstrap
kesalahan standar lebih dari kesalahan ML. Demikian juga dengan standar bootstrap
kesalahan untuk memuat Item 3 (BDI3) pada faktor yang sama adalah 99% lebih besar dari
estimasi ML. Temuan ini menunjukkan bahwa distribusi ini
estimasi parameter tampaknya lebih luas dari yang diharapkan di bawah
asumsi teori normal. Tidak diragukan lagi, hasil ini mencerminkan kehadiran
outlier, serta sifat sangat kurtotik dari data ini.
Kolom kedua, berlabel SESE , memberikan perkiraan perkiraan
kesalahan standar kesalahan standar bootstrap itu sendiri. Seperti yang akan Anda lihat,
ues semuanya sangat kecil, dan memang seharusnya begitu. Kolom 3, label Berarti , daftar
estimasi parameter rata-rata dihitung di 500 sampel bootstrap.
Penting untuk dicatat bahwa rata-rata bootstrap ini tidak harus sama
untuk perkiraan aslinya, dan Arbuckle dan Wothke (1999) telah memperingatkan
itu, pada kenyataannya, seringkali bisa sangat berbeda. Informasi yang disediakan di
Kolom 4 ( Bias ) mewakili perbedaan antara rata-rata bootstrap
taksiran dan taksiran asli. Dalam hal estimasi rata-rata
sampel bootstrap lebih tinggi dari perkiraan semula, maka hasilnya-
Bias akan positif. Akhirnya, kolom terakhir, berlabel SE Bias , melaporkan
perkiraan standar kesalahan estimasi bias.
Interval kepercayaan bootstrap bias diperbaiki
Set informasi terakhir yang akan disajikan di sini terkait dengan 90% (standar)
interval kepercayaan bias dikoreksi untuk yang tidak standar dan
perkiraan pembebanan faktor standar, yang dilaporkan pada Tabel 12.5.
Meskipun AMOS memiliki kemampuan untuk menghasilkan persentil serta bias-
Interval kepercayaan yang terkoreksi, yang terakhir dianggap menghasilkan lebih banyak
nilai-nilai akurat (Efron & Tibshirani, 1993). Nilai untuk BDI item 1, 4, dan 16
diganti dengan titik (...) karena parameter ini dibatasi ke non-
nilai nol untuk keperluan identifikasi model. Bias-koreksi kepercayaan diri
interval ditafsirkan dengan cara yang biasa. Misalnya, memuat
BDI14 pada faktor Sikap Negatif memiliki rentang interval kepercayaan
dari 1,021 hingga 1,494. Karena rentang ini tidak termasuk nol, hipotesis
esis bahwa pemuatan faktor BDI14 sama dengan nol dalam populasi dapat
ditolak. Informasi ini juga dapat diturunkan dari nilai p , yang
Halaman 373
352
menunjukkan seberapa kecil tingkat kepercayaan harus menghasilkan kepercayaan diri
Interval yang akan mencakup nol. Beralih lagi ke parameter BDI14,
kemudian, p -value 0,003 menyiratkan bahwa interval kepercayaan harus
berada di level 99,7% sebelum nilai batas bawah menjadi nol.
Dalam bab ini, saya telah berusaha memberi Anda rasa bagaimana AMOS
memungkinkan Anda untuk melakukan prosedur bootstrap. Karena keterbatasan ruang,
Saya belum berusaha memberi Anda detail atau contoh terkait
penggunaan bootstrap untuk perbandingan model dan / atau estimasi
metode. Namun, bagi pembaca yang mungkin tertarik pada jenis ini
aplikasi, informasi ini disajikan dengan baik dalam manual (Arbuckle,
2007).
Catatan akhir
1. Namun, dalam Bab 5, hanya dua dari tiga varian residual yang
sama tegang.
Halaman 374
353
tigabelas
bab
Mengatasi masalah ini
data yang hilang
Data yang hilang (atau tidak lengkap), kejadian sosial yang hampir tak terelakkan
penelitian sains, dapat dipandang baik sebagai kutukan atau sebagai tambang emas
sumber daya yang belum dimanfaatkan. Seperti halnya peristiwa kehidupan lainnya, sejauh mana mereka
dipandang baik secara positif atau negatif adalah masalah perspektif. Untuk
contoh, McArdle (1994) telah mencatat bahwa meskipun istilah "data hilang"
biasanya memunculkan gambar konsekuensi dan masalah negatif, seperti
Ketidakhadiran dapat memberikan banyak informasi dalam haknya sendiri dan,
memang, sering berfungsi sebagai bagian yang berguna dari analisis eksperimental. (Untuk sebuah
contoh menarik untuk mendukung pernyataan ini, lihat Rosén, 1998.)
Tentu saja masalah terminologi bisa diperdebatkan. Impor adalah sejauh mana
yang, dan polanya, data tidak lengkap, hilang, atau sebaliknya
tidak teramati, dan langkah-langkah yang diambil dalam mengatasi situasi tersebut.
Kehadiran data yang hilang dapat terjadi karena berbagai alasan
yang biasanya di luar kendali peneliti. Beberapa contoh adalah sebagai berikut:
terendah: tidak ada pada hari pengumpulan data, kegagalan untuk menjawab item tertentu
dalam kuesioner, penolakan untuk menjawab hal-hal sensitif yang berkaitan dengan usia seseorang
dan / atau pendapatan, kegagalan peralatan atau kegagalan fungsi, gesekan subyek (misalnya,
keluarga pindah, individu tidak lagi ingin berpartisipasi, atau
subjek mati), dan sebagainya. Sebaliknya, data mungkin tidak lengkap menurut desain, a
situasi di mana peneliti berada dalam kendali penuh. Dua contoh yang disarankan
oleh Kline (1998) termasuk kasus di mana (a) kuesioner terlalu panjang
dan peneliti memutuskan untuk mengelola hanya sebagian dari item untuk masing-masing
beberapa sampel berbeda, dan (b) ukuran yang relatif murah
diberikan ke seluruh sampel, sedangkan tes lain yang lebih mahal adalah
diberikan ke satu set yang lebih kecil dari subyek yang dipilih secara acak. Tak perlu dikatakan,
mungkin ada banyak contoh lagi yang tidak dikutip di sini.
Karena data yang hilang dapat secara serius bias mengambil kesimpulan dari
studi empiris, mereka harus dibenahi, terlepas dari alasan mereka
ketiadaan. Sejauh mana kesimpulan semacam itu bisa bias tergantung
baik pada jumlah dan pola nilai yang hilang. Sayangnya, untuk
sepengetahuan saya, saat ini tidak ada pedoman yang jelas tentang
apa yang merupakan jumlah "besar" dari data yang hilang, meskipun Kline (1998,
hal. 75) telah menyarankan bahwa mereka mungkin harus kurang dari 10% dari
Halaman 375
354
data. Di sisi lain, pedoman terkait dengan pola inovasi
Plete data sekarang banyak dikutip dan berasal dari karya mani
Rubin (1976), Allison (1987), dan Little and Rubin (1987). Untukmu
untuk lebih memahami pendekatan AMOS untuk menangani tidak lengkap
data, perlu bagi kita untuk meninjau, pertama, pola diferensial dari hilang-
diusulkan oleh Rubin dan oleh Little dan Rubin.
Pola dasar data tidak lengkap
Rubin (1976) dan Little and Rubin (1987) membedakan antara tiga prioritas.
mary pola data yang hilang: mereka yang hilang sepenuhnya secara acak (MCAR),
mereka yang hilang secara acak (MAR), dan mereka yang dianggap nonignorable
(Yaitu, sistematis; NMAR). Deskripsi singkat masing-masing sekarang diberikan.
MCAR mewakili asumsi yang paling membatasi dan berpendapat itu
!
hilangnya ini tidak tergantung pada nilai-nilai yang tidak teramati dan
nilai-nilai yang diamati dari semua variabel lain dalam data. Konseptualisasi
kondisi MCAR dari perspektif yang berbeda, Enders (2001) menyarankan
Gested mempertimbangkan nilai-nilai yang tidak teramati ini sebagai mewakili ranah
Dom subsampel dari data hipotetis lengkap. Memang, Muthén,
Kaplan, dan Hollis (1987) mencatat bahwa MCAR biasanya apa yang dimaksud
ketika peneliti menggunakan ungkapan, meskipun tidak tepat, ―hilang
acak."
MAR adalah kondisi yang agak kurang restriktif daripada MCAR dan berpendapat
!
bahwa nilai yang hilang hanya independen dari nilai yang hilang dan
bukan dari nilai-nilai yang diamati dari variabel lain dalam data. Yang ke
katakanlah, meskipun terjadinya nilai-nilai yang hilang, sendiri, mungkin
secara acak, hilangnya mereka dapat dikaitkan dengan nilai-nilai yang diamati
variabel lain dalam data.
NMAR adalah kondisi yang paling tidak membatasi dan mengacu pada hilangnya
!
itu nonrandom, atau bersifat sistematis. Dengan kata lain, ada
ketergantungan yang ada antara variabel-variabel yang nilainya
hilang dan nilai-nilai itu ada. Kondisi ini
Hal ini sangat serius karena (a) tidak ada statistik yang diketahui
berarti untuk meringankan masalah, dan (b) itu dapat secara serius menghambat
generalisasi temuan.
Sebelum mengulas berbagai pendekatan penanganan yang tidak lengkap
data, saya anggap bermanfaat untuk memutar sejenak, untuk memberikan
Anda dengan contoh fiktif sederhana yang dapat membantu membedakan
dua pola utama ketidakhadiran — MCAR dan MAR. Memang, Muthén
et al. (1987) mencatat bahwa sebagian besar peneliti, ketika dihadapkan dengan tidak lengkap
data, biasanya mengasumsikan bahwa yang hilang adalah MCAR ketika, pada kenyataannya, mereka
Halaman 376
Bab tiga belas: Mengatasi masalah data yang hilang
355
sering MAR. Menggambar pada karya-karya Allison (1987) dan Little and
Rubin (1987), dan parafrase Arbuckle (1996), mengira kuesioner
terdiri dari dua item. Satu item menyentuh tahun sekolah; yang lain
memanfaatkan pendapatan. Misalkan, lebih lanjut, bahwa sementara semua responden menjawab
pertanyaan pendidikan, tidak semua orang menjawab pertanyaan penghasilan. Dalam
Kerangka masalah hilangnya, pertanyaannya adalah apakah tidak lengkap
data pada variabel pendapatan adalah MCAR atau MAR. Rubin beralasan bahwa jika a
jawaban responden untuk pertanyaan pendapatan tidak tergantung pada kedua pendapatan
dan pendidikan, maka data yang hilang dapat dianggap sebagai MCAR. Jika, pada
sebaliknya, mereka yang berpendidikan lebih tinggi kemungkinannya lebih atau kurang daripada
yang lain mengungkapkan pendapatan mereka, tetapi di antara mereka yang memiliki tingkat pendidikan yang sama
tion, probabilitas pelaporan pendapatan tidak terkait dengan pendapatan, yang hilang
data adalah MAR. Akhirnya, mengingat itu, bahkan di antara orang-orang dengan tingkat yang sama
pendidikan, individu berpenghasilan tinggi lebih atau kurang mungkin untuk melaporkan
penghasilan mereka, data yang hilang bahkan bukan MAR; pola sistematis dari
jenis ketidakhadiran ini membuat mereka NMAR (lihat Enders, 2001; Jamshidian
& Bentler, 1999). (Untuk penjelasan dan diskusi menyeluruh dari ketiganya
bentuk hilang, pembaca disebut Schafer & Graham, 2002.)
Sekali lagi, untuk memberi Anda pemahaman yang lebih lengkap tentang AMOS
pendekatan untuk pengobatan data yang tidak lengkap, saya anggap bermanfaat
untuk meninjau strategi yang, secara historis, adalah yang paling umum
diterapkan dalam menangani data yang hilang; ini termasuk penghapusan listwise, pair-
penghapusan bijaksana, dan imputasi tunggal. Metode ini dikategorikan sebagai
pendekatan tidak langsung terhadap resolusi data yang hilang.
Pendekatan umum untuk menangani data yang tidak lengkap
Penghapusan Listwise
Sejauh ini, metode paling populer untuk menangani data yang tidak lengkap adalah itu
penghapusan listwise. Popularitas seperti itu kemungkinan besar mulai pada tahun 1980-an,
ketika banyak artikel muncul dalam literatur SEM merinci berbagai
masalah yang dapat terjadi ketika analisis struktur kovarians didasarkan
pada data yang tidak lengkap (lihat, misalnya, Bentler & Chou, 1987; Boomsma, 1985). Karena
Model SEM didasarkan pada premis yang diikuti oleh matriks kovarians
distribusi Wishart (Brown, 1994; Jöreskog, 1969), data lengkapnya adalah
diperlukan untuk kepadatan probabilitas. Dalam memenuhi persyaratan ini, penelitian-
Oleh karena itu, mereka berusaha untuk memodifikasi set data yang tidak lengkap, melalui salah satu dari keduanya
penghapusan kasus atau penggantian nilai bagi mereka yang tidak diobservasi.
Fakta bahwa penghapusan data yang hilang adalah sejauh ini adalah yang tercepat dan simultan.
Plest jawaban atas masalah kemungkinan telah menyebabkan popularitas penggunaannya.
Implementasi penghapusan listwise berarti bahwa semua kasus memiliki
nilai yang hilang untuk salah satu variabel dalam data dikecualikan dari semua
Halaman 377
356
perhitungan. Sebagai konsekuensinya, sampel akhir yang akan digunakan dalam analisis
ses hanya mencakup kasus dengan catatan lengkap. Kerugian yang jelas
pendekatan penghapusan listwise, maka, adalah hilangnya hasil informasi-
dari ukuran sampel yang dikurangi. Akibatnya, dua masalah terkait
secara berurutan muncul: (a) penurunan kekuatan statistik (Raaijmakers, 1999),
dan (b) risiko solusi tidak konvergen, kesalahan standar yang salah, dan
kesulitan lain yang dihadapi dalam SEM ketika ukuran sampel kecil (lihat, misalnya,
Anderson & Gerbing, 1984; Boomsma, 1982; Marsh & Balla, 1994; Rawa,
Balla, & McDonald, 1988). Tentu saja sejauh mana masalah ini
memanifestasikan diri adalah fungsi dari kedua ukuran sampel asli dan
jumlah data yang tidak lengkap. Misalnya, jika hanya beberapa kasus memiliki
nilai-nilai, dan ukuran sampel cukup besar, maka penghapusan ini
kasus kemungkinan merupakan pilihan yang baik. Akhirnya, penggunaan penghapusan listwise mengasumsikan
bahwa
data yang tidak lengkap adalah MCAR (Arbuckle, 1996; Brown, 1994). Diberikan valid-
Dengan asumsi ini, akan ada estimasi yang konsisten dari parameter model.
eters (Bollen, 1989a; Brown, 1994); gagal validitas seperti itu, taksiran akan
sangat bias, terlepas dari ukuran sampel (Schafer & Graham, 2002).
Penghapusan berpasangan
Dalam penerapan penghapusan berpasangan, hanya case yang memiliki nilai yang hilang
pada variabel yang ditandai untuk perhitungan tertentu dikecualikan dari
analisis. Berbeda dengan penghapusan listwise, maka, case tidak sepenuhnya dihapus
dari seluruh rangkaian analisis tetapi, lebih tepatnya, hanya dari analisis tertentu
melibatkan variabel yang ada skornya tidak teramati. Yang kritis
hasil dari pendekatan ini adalah bahwa ukuran sampel tentu bervariasi
variabel dalam set data. Fenomena ini kemudian mengarah pada setidaknya
lima masalah utama. Pertama , matriks kovarians sampel dapat gagal menjadi non-
positif pasti, dengan demikian menghambat pencapaian solusi konvergen
(Arbuckle, 1996; Bollen, 1989a; Brown, 1994; Wothke, 1993; tetapi lihat Marsh,
1998). Kedua , pilihan ukuran sampel yang akan digunakan dalam memperoleh persetujuan
estimasi parameter priate bersifat samar-samar (Bollen, 1989a; Brown, 1994). Ketiga ,
indeks goodness-of fit, berdasarkan pada statistik χ 2 , dapat menjadi bias secara substansial
sebagai hasil interaksi antara persentase data yang hilang dan
ukuran sampel (Marsh, 1998). Keempat , mengingat bahwa parameter diperkirakan
dari set unit yang berbeda, perhitungan kesalahan standar bermasalah
(Schafer & Graham, 2002). Akhirnya , konsisten dengan penghapusan miss-listwise
Dalam data, penghapusan berpasangan mengasumsikan semua nilai yang hilang adalah MCAR.
Imputasi tunggal
Metode ketiga untuk menangani data yang tidak lengkap adalah dengan hanya menyalahkan,
atau, dengan kata lain, ganti skor yang tidak teramati dengan beberapa perkiraan
Halaman 378
357
nilai. Biasanya, satu dari tiga strategi digunakan untuk memberikan perkiraan ini.
Mungkin yang paling umum dari ini adalah imputasi rata - rata , di mana
rata-rata metik diganti dengan nilai yang hilang. Meskipun relatif sederhana
Namun, dari prosedur ini, bisa menimbulkan masalah setidaknya dalam dua cara.
Pertama , karena rata-rata aritmatika mewakili nilai skor yang paling mungkin
untuk variabel apa pun, varians dari variabel tentu akan menyusut; sebagai
Konsekuensinya, korelasi antara variabel yang dipertanyakan dan lainnya
variabel dalam model juga akan berkurang (Brown, 1994). Keseluruhan jaring
Efeknya adalah bahwa kesalahan standar akan menjadi bias, seperti yang akan dilaporkan lainnya
statistik. Kedua , jika imputasi rata-rata dari nilai yang hilang adalah substansial,
distribusi frekuensi dari variabel imputed mungkin menyesatkan
karena terlalu banyak nilai yang terpusat akan memunculkan distribusi leptokurtik
bution (Rovine & Delaney, 1990). Singkatnya, Arbuckle dan Wothke (1999)
memperingatkan itu, karena pemodelan persamaan struktural didasarkan pada varian
dan informasi kovarian, ―berarti imputasi tidak direkomendasikan
pendekatan ‖(lihat juga Brown, 1994). Selain peringatan ini, Schafer dan
Graham (2002) mencatat bahwa substitusi rata-rata menghasilkan estimasi yang bias
di bawah jenis apa pun yang hilang.
Jenis imputasi kedua didasarkan pada prosedur regresi berganda.
Dures. Dengan imputasi regresi , data yang tidak lengkap berfungsi sebagai tanggungan
variabel, sedangkan data lengkap berfungsi sebagai prediktor. Dengan kata lain,
kasus yang memiliki data lengkap digunakan untuk menghasilkan persamaan regresi
yang kemudian digunakan untuk mendalilkan nilai yang hilang untuk kasus-kasus yang ada
data tidak lengkap. Setidaknya tiga kesulitan telah dikaitkan dengan regresi
tuduhan. Pertama , meskipun pendekatan ini memberikan variabilitas yang lebih besar
daripada kasus dengan imputasi rata-rata, namun demikian menderita dari hal yang sama
pembatasan varian yang membatasi secara tidak tepat. Kedua , penggantian
skor yang diprediksi regresi akan secara palsu mengembang kovarian (Schafer
& Olsen, 1998). Akhirnya , Kline (1998) mengingatkan bahwa prosedur ini mungkin tidak
layak dalam kasus di mana variabel yang memiliki nilai yang hilang tidak
kovary, setidaknya cukup, dengan variabel lain dalam data.
Prosedur ketiga untuk nilai imputasi dapat disebut pola-
pencocokan pencocokan . Meskipun penerapan pendekatan ini kurang
mon daripada yang lain yang disebutkan di atas, itu termasuk di sini karena SEM
paket statistik di dalamnya tertanam begitu banyak digunakan (LISREL
8; Jöreskog & Sörbom, 1996a). 1 Dengan imputasi pencocokan pola,
variabel diganti dengan skor yang diamati dari kasus lain di
data yang pola responsnya di semua variabel serupa (Byrne,
1998). Salah satu batasan prosedur ini adalah, jika tidak ada kecocokan
Jika ditentukan, tidak ada imputasi yang dilakukan. Akibatnya,
Peneliti masih dibiarkan dengan proporsi data yang tidak lengkap. Untuk
tanggal, bagaimanapun, saya tidak mengetahui adanya artikel ilmiah yang telah dievaluasi
imputasi pencocokan pola. Akibatnya, sedikit yang belum diketahui
Halaman 379
358
kekuatan dan / atau kelemahan yang terkait dengan pendekatan ini di dalam
konteks SEM (Brown, 1994).
Baru-baru ini, dan tentunya sejak penerbitan edisi pertama
buku ini, ada minat substansial pada bagian statistik
peneliti untuk membangun pendekatan metodologis yang baik untuk menangani
dengan data yang hilang. Memang, banyak kemajuan telah dibuat dalam pengembangan
ment metode berbasis model yang mampu mengatasi banyak keterbatasan
terkait dengan teknik sebelumnya yang dijelaskan di atas. Ini
metode berusaha untuk mengganti skor yang hilang dengan nilai estimasi berdasarkan
pada distribusi prediksi skor yang memodelkan pola yang mendasarinya
data yang hilang. Dengan demikian, dua model didefinisikan — satu mewakili
melengkapi data dan satu mewakili data yang hilang. Berdasarkan penuh
sampel, program perangkat lunak kemudian menghitung estimasi
mean dan varians sedemikian rupa sehingga mereka memenuhi kriteria statistik (Kline,
2005). Dalam SEM, kriteria yang paling banyak digunakan adalah kemungkinan maksimum
(ML) algoritma.
Pada saat ini, tampaknya ada dua model berbasis dominan
strategi — estimasi kemungkinan maksimum informasi lengkap (FIML)
Estimasi maksimalisasi dan ekspektasi (EM), keduanya
berdasarkan pada algoritma ML (Enders, 2001). EM berbeda dari FIML
pendekatan dalam hal itu melibatkan dua langkah dalam mencapai kriteria; itu
yang terakhir mungkin melibatkan beberapa imputasi sebelum kriteria yang memuaskan
tercapai. (Untuk rincian umum dari prosedur ini, pembaca dapat
dirujuk ke Kline, 2005; untuk penjelasan dan diskusi yang lebih luas
tentang data yang hilang saat ditanggung pada analisis SEM, lihat Enders, 2001; Schafer
& Graham, 2002).
Di luar pekerjaan ini, sekarang ada minat besar dalam menyelesaikan banyak hal
masalah bermasalah terkait dengan pelaksanaan SEM berdasarkan tidak lengkap
data. Untuk beberapa nama, masalah-masalah ini termasuk (a) kehadiran non-nasional
mality (Savalei & Bentler, 2005; Yuan & Bentler, 2000; Yuan, Lambert, &
Fouladi, 2004), (b) jumlah imputasi yang dibutuhkan untuk mencapai suatu penilaian
kriteria statistik yang ditetapkan (Bodner, 2008; Hershberger & Fisher, 2003), dan
(C) hilangnya data dalam studi longitudinal (Raykov, 2005).
Pendekatan AMOS untuk menangani data yang hilang
AMOS tidak menyediakan aplikasi metode tidak langsung yang lebih lama
ods dijelaskan sebelumnya (penghapusan listwise dan pairwise, dan impu
tation). Sebaliknya, metode yang digunakan dalam AMOS mewakili pendekatan langsung
berdasarkan estimasi ML dan, dengan demikian, secara teoritis didasarkan (Arbuckle, 1996).
Sebaliknya, metode tidak langsung tidak memiliki alasan teoretis dan
Karena itu harus dianggap sebagai prosedur ad hoc.
Halaman 380
359
Arbuckle (1996) telah menggambarkan sejauh mana estimasi ML, dalam
Kehadiran data yang tidak lengkap, menawarkan beberapa kelebihan penting
baik penghapusan listwise dan pairwise mendekati. Pertama , di mana
nilai yang dilayani adalah MCAR, estimasi listwise dan pairwise konsisten,
tetapi tidak efisien (dalam arti statistik); Perkiraan ML keduanya konsisten
dan efisien. Kedua , di mana nilai yang tidak teramati hanya MAR, keduanya
Estimasi listwise dan pairwise dapat menjadi bias; Estimasi ML adalah asymp-
sama sekali tidak bias. Bahkan, telah disarankan bahwa estimasi ML akan
mengurangi bias bahkan ketika kondisi MAR tidak sepenuhnya puas
(Muthén et al., 1987; Little & Rubin, 1989). Ketiga , estimasi berpasangan, di
berbeda dengan estimasi ML, tidak dapat menghasilkan estimasi kesalahan standar atau
menyediakan metode untuk menguji hipotesis. Akhirnya , ketika nilai hilang
adalah NMAR, semua prosedur dapat menghasilkan hasil yang bias. Namun, dibandingkan
dengan opsi lain, perkiraan ML akan menunjukkan bias paling sedikit (Little &
Rubin, 1989; Muthén et al., 1987; Schafer, 1997). (Untuk diskusi yang lebih luas
Sion dan ilustrasi tentang keuntungan dan kerugian komparatif
melintasi pendekatan listwise, pairwise, dan ML untuk data yang tidak lengkap, lihat
Arbuckle, 1996.)
Dengan latar belakang ini pada masalah utama terkait dengan data yang hilang,
mari kita beralih ke aplikasi aktual estimasi ML dari data yang ada
tidak lengkap.
Strategi dasar yang digunakan oleh AMOS dalam pemasangan model persamaan struktural
dengan data yang hilang berbeda setidaknya dalam dua cara dari prosedur yang diikuti
ketika data lengkap (Arbuckle & Wothke, 1999). Pertama , sebagai tambahan
sesuai dengan model yang dihipotesiskan, program juga harus sesuai sepenuhnya
model jenuh untuk menghitung nilai χ 2 , serta statistik yang diturunkan
Tics seperti AIC dan RMSEA; model kemerdekaan, untuk lengkap
data, juga harus dihitung. Kedua , karena secara substansial lebih
tasi diperlukan dalam penentuan estimasi parameter saat
data hilang, waktu pelaksanaan bisa lebih luas (meskipun saya
pengalaman dengan aplikasi ini mengungkapkan waktu tambahan ini untuk
minimal).
Karena minat utama dalam aplikasi ini berfokus pada sejauh mana
yang estimasi dan indeks good-of-fit bervariasi antara analisis
berdasarkan data lengkap dan satu yang datanya hilang , saya punya
dipilih untuk menggunakan model CFA yang dihipotesiskan sama seperti yang disajikan dalam
Halaman 381
360
Bab 3. Dengan demikian, daripada mereproduksi representasi skematis dari
model ini lagi di sini, pembaca disebut Gambar 3.1.
Meskipun sampel yang sama dari 265 remaja kelas 7 menyediakan
dasar untuk kedua bab, data yang digunakan dalam menguji model hipotesis
dalam Bab 3 sudah lengkap , sedangkan data yang akan digunakan dalam bab ini
memiliki 25% dari titik data yang hilang. Ini diturunkan secara artifisial hilang
titik data dihapus secara acak. AMOS secara otomatis mengenali
peruntukan data yang hilang dari berbagai format berbeda. Dalam kasus
data saat ini, yang dalam format ASCII dengan pembatas koma, dua
pembatas yang berdekatan menunjukkan data yang hilang. Dalam hal ini, maka, dua yang berdekatan
koma (,,) menunjukkan data yang hilang. Untuk tujuan ilustrasi,
lima baris pertama dari kumpulan data tidak lengkap yang digunakan dalam bab ini adalah
ditunjukkan di sini.
SDQ2N01, SDQ2N13, SDQ2N25, SDQ2N37, SDQ2N04,
SDQ2N16, SDQ2N28, SDQ2N40, SDQ2N10, SDQ2N22,
SDQ2N34, SDQ2N46, SDQ2N07, SDQ2N19, SDQ2N31, SDQ2
N436,, 4,, 3,4,, 6,2,6,, 5 ,,,, 66,6,6,, 6,6,6,6,5,, 6,6,6,6,6 , 6
4,6,6,2,6,4,6,3,6,5,4,5,6,6,3,1
5,5,5,6,5,6,5,, 5,6,3,5,6,6,6,5
6,5,, 4,3,4,4,4,4,6,6,5,6,3,4,4,5
Estimasi ML dari model yang dihipotesiskan hanya menimbulkan satu perbedaan dasar.
ketika data tidak lengkap daripada ketika mereka lengkap . Yaitu di
menentukan model untuk analisis berdasarkan data yang tidak lengkap , perlu
untuk mengaktifkan kotak dialog Properti Analisis dan kemudian centang Sarana dan
Intercept pada tab Estimasi . Meskipun kotak dialog ini diilustrasikan dalam
Bab 8 sehubungan dengan model sarana terstruktur, itu direproduksi lagi
di sini di Gambar 13.1.
Setelah informasi input ini telah ditentukan, aslinya
model hipotesis yang ditunjukkan pada Gambar 3.1 berubah menjadi
yang ditunjukkan pada Gambar 13.2. Anda akan dengan cepat mengenali setidaknya satu
kesamaan dengan model yang ditunjukkan pada Gambar 8.11 (tetapi untuk jalur rendah
grup) dan tampilan komparatif singkat pada Gambar 8.12 sehubungan dengan
penugasan 0. untuk masing-masing faktor. Ingatlah bahwa nilai 0. ini
mewakili faktor laten berarti dan menunjukkan kendala mereka ke nol. Di
baik Gambar 8.11 dan 13.2, sarana faktor, serta untuk
istilah kesalahan, ditampilkan dibatasi ke nol. Meski mencegat
istilah diperkirakan untuk model sarana laten dan yang hilang
model data, label terkait tidak muncul pada Gambar 13.2. Alasannya
untuk perbedaan penting ini ada dua: (a) Dalam pengujian rata-rata laten
perbedaan, intersep harus dibatasi sama lintas kelompok; dan
Halaman 382
361
(B) untuk menentukan batasan-batasan ini dalam AMOS Graphics, diperlukan
sary untuk melampirkan label yang cocok dengan parameter dibatasi. Karena
kami bekerja dengan hanya satu kelompok dalam bab ini, intersep
label tidak perlu.
Output AMOS yang dipilih: Parameter dan model
informasi ringkasan
Disajikan pada Tabel 13.1, Anda akan melihat ringkasan parameter dan
informasi ringkasan model yang berkaitan dengan sampel data tidak lengkap kami saat ini
ple. Untuk menunjukkan dengan tepat perbedaan di antara yang tidak lengkap
dan lengkapi sampel data (lihat Tabel 3.3 dan Gambar 3.7), sekarang mari kita bandingkan
informasi ini sehubungan dengan bagian-bagian yang sama dari file output.
Gambar 13.1 Pemilihan opsi Estimate Means and Intercepts pada Estimation
tab kotak dialog Properti Analisis .
Halaman 383
362
SDQ2N01
SDQ2N13
GSC
err01
1
1
1
1
1
1
err13
0,
0,
0,
SDQ2N25
1
err25
0,
SDQ2N37
1
err37
0,
SDQ2N10
SDQ2N22
ESC
err10
1
1
err22
0,
0,
0,
0,
SDQ2N34
1
err34
0,
SDQ2N46
1
err46
0,
SDQ2N07
SDQ2N19
MSC
err07
1
1
err19
0,
0,
SDQ2N31
1
err31
0,
SDQ2N43
1
err43
0,
SDQ2N04
SDQ2N16
ASC
err04
1
1
err16
0,
0,
0,
SDQ2N28
1
err28
0,
SDQ2N40
1
err40
0,
Gambar 13.2 Model hipotesis konsep struktur diri diuji untuk sampel dengan
data tidak lengkap.
Halaman 384
363
Pertama , perhatikan itu, meskipun jumlah parameter tetap dalam model
sama (20) untuk dua sampel, jumlah parameter yang tidak berlabel
(yaitu, estimasi parameter) bervariasi, dengan memiliki kelompok data yang tidak lengkap
54 estimasi parameter, dan sampel data lengkap memiliki 38
Penjelasan perbedaan ini terletak pada estimasi 16 intersepsi untuk
yang tidak lengkap data sampel (tetapi tidak untuk sampel data lengkap). Kedua ,
amati bahwa meskipun jumlah derajat kebebasan (98) tetap ada
sama di sampel data lengkap dan tidak lengkap, perhitungannya adalah
berdasarkan pada jumlah momen sampel yang berbeda (152 versus 136), sebagai
serta jumlah parameter estimasi yang berbeda (54 berbanding 38). Akhirnya,
perhatikan bahwa, meskipun kehilangan 25% dari data untuk satu sampel, kelebihan
semua χ 2 nilai tetap relatif dekat dengan itu untuk sampel data lengkap
(159.650 versus 158.511).
Output AMOS yang dipilih: Estimasi parameter
Mari kita mengalihkan perhatian kita sekarang ke perbandingan estimasi parameter
antara sampel data yang tidak lengkap dan lengkap . Dalam meninjau estimasi ini
pasangan untuk sampel data tidak lengkap (Tabel 13.2) dan untuk data lengkap
sampel (Tabel 3.4), Anda akan melihat bahwa nilainya relatif dekat. Meskipun
perkiraan untuk sampel data yang tidak lengkap kadang-kadang sedikit lebih tinggi
tetapi juga sedikit lebih rendah daripada sampel data lengkap , secara keseluruhan, mereka
tidak jauh berbeda. Memang, mengingat penipisan yang substansial
Tabel 13.1 Output AMOS Terpilih: Parameter dan Ringkasan Model
Informasi (Data Tidak Lengkap)
Ringkasan parameter
Tetap
20
0
0
0
0
20
Berlabel
0
0
0
0
0
0
Tidak berlabel
12
6
20
0
16
54
Total
32
6
20
0
16
74
Ringkasan model
152
Jumlah parameter yang berbeda untuk diestimasi
54
98
Minimal tercapai.
Chi-square
= 159.650
Tingkat probabilitas = .000
Halaman 385
364
data untuk sampel yang digunakan dalam bab ini, tampaknya cukup menakjubkan
perkiraan sedekat mereka!
Dalam membandingkan statistik good-of-fit pada Tabel 13.3 untuk yang tidak lengkap
sampel data, dengan yang dilaporkan pada Tabel 3.5 untuk sampel data lengkap ,
Anda akan mencatat beberapa nilai yang hampir sama (misalnya, χ 2 [seperti yang disebutkan di atas];
RMSEA: .049 lawan .048), sementara yang lain sedikit berbeda pada yang kedua atau ketiga
titik desimal (misalnya, CFI: .941 versus .962). Secara umum, bagaimanapun,
Tabel 13.2 Output AMOS yang Dipilih: Estimasi Parameter (Data Tidak Lengkap)
Memperkirakan
SE
CR
P
Bobot regresi
SDQ2N37 <--- GSC
0,843
.152
5.549
***
SDQ2N25 <--- GSC
0,950
.171
5.565
***
SDQ2N13 <--- GSC
1.103
.192
5.741
***
SDQ2N01 <--- GSC
1.000
SDQ2N40 <--- ASC
1.218
.197
6.191
***
SDQ2N28 <--- ASC
1.439
.212
6.774
***
SDQ2N16 <--- ASC
1.340
.195
6.883
***
SDQ2N04 <--- ASC
1.000
SDQ2N46 <--- ESC
0,837
.149
5.632
***
SDQ2N34 <--- ESC
0,609
.180
3.381
***
SDQ2N22 <--- ESC
.817
.127
6.440
***
SDQ2N10 <--- ESC
1.000
SDQ2N43 <--- MSC
.728
.064
11.358
***
SDQ2N31 <--- MSC
1.037
0,071
14.513
***
SDQ2N19 <--- MSC
.795
0,079
10.104
***
SDQ2N07 <--- MSC
1.000
***
Kovarian
ASC <--> ESC
0,463
0,089
5.182
***
GSC <--> ESC
0,373
0,084
4.418
***
MSC <--> ASC
0,789
.140
5.638
***
MSC <--> GSC
0,633
.127
4.975
***
GSC <--> ASC
.352
0,080
4.406
***
MSC <--> ESC
0,403
.108
3.732
***
***
Halaman 386
365
statistik goodness-of-fit sangat mirip di kedua sampel. Diberikan
sejauh mana estimasi parameter dan good-of-fit
statistik serupa, meskipun kehilangan data 25% untuk satu sampel, temuan ini
ings memberikan bukti pendukung yang kuat untuk efektivitas langsung
Pendekatan ML untuk mengatasi masalah nilai data yang hilang.
Catatan akhir
1. Imputasi sebenarnya dilakukan menggunakan preprocessing pendamping
paket PRELIS (Jöreskog & Sörbom, 1996b).
(Data Tidak Lengkap)
CMIN
Model
NPAR
CMIN
DF
P
CMIN / DF
Model Anda
54
159.650
98
.000
1.629
Model jenuh
152
.000
0
Model kemerdekaan
16
1188.843
136
.000
8.741
Perbandingan dasar
Model
NFI
Delta1
RFI
rho1
JIKA SAYA
Delta2
TLI
rho2
CFI
Model Anda
0,866
.814
0,943
0,919
0,941
Model jenuh
1.000
1.000
1.000
Model kemerdekaan
.000
.000
.000
.000
.000
RMSEA
Model
RMSEA
LO 90
HI 90
PCLOSE
Model Anda
0,049
0,035
0,062
0,541
Model kemerdekaan
.171
.162
.180
.000
Halaman 387
Halaman 388
367
Referensi
Aikin, LS, Stein, JA, & Bentler, PM (1994). Analisis persamaan struktural
perbedaan sub-populasi klinis dan hasil pengobatan komparatif:
Mencirikan kehidupan sehari-hari pecandu narkoba. Jurnal Konsultasi dan Klinis
Psikologi , 62 , 488-499.
Aish, AM, & Jöreskog, KG (1990). Model panel untuk kemanjuran dan respon politik
siveness: Aplikasi LISREL 7 dengan kuadrat terkecil tertimbang. Kualitas dan
Kuantitas , 19 , 716-723.
Akaike, H. (1987). Analisis faktor dan AIC. Psychometrika , 52 , 317–332.
Allison, PD (1987). Estimasi model linier dengan data tidak lengkap. Dalam C. Clogg
(Ed.), Metodologi sosiologis 1987 (hlm. 71–103). San Francisco: Jossey-Bass.
Psikolog Amerika . (1995). [Replies to Cohen (1994)]. Psikolog Amerika , 50 ,
1098–1103.
Anderson, JC, & Gerbing, DW (1984). Pengaruh kesalahan pengambilan sampel pada konversi
Gence, solusi yang tidak tepat, dan indeks kebaikan untuk kesesuaian maksimum
analisis faktor konfirmatori sungkup. Psychometrika , 49 , 155–173.
Anderson, JC, & Gerbing, DW (1988). Pemodelan persamaan struktural dalam praktiknya:
Tinjauan dan pendekatan dua langkah yang direkomendasikan. Buletin Psikologis , 103 ,
411–423.
Arbuckle, JL (1996). Estimasi informasi lengkap di hadapan tidak lengkap
data. Dalam GA Marcoulides & RE Schumacker (Eds.), Advanced struktural
pemodelan persamaan: Masalah dan teknik (hlm. 243–277). Mahwah, NJ: Erlbaum.
Arbuckle, JL (2007). Panduan pengguna Amos TM 16 . Chicago: SPSS.
Arbuckle, JL, & Wothke, W. (1999). Panduan pengguna AMOS 4.0 . Chicago: Smallwaters.
Atkinson, L. (1988). Kontroversi pengukuran-statistik: Analisis faktor dan
data subinterval. Buletin Psychonomic Masyarakat , 26 , 361-364.
Austin, JT, & Calderón, RF (1996). Kontribusi teoritis dan teknis untuk
pemodelan persamaan struktural: Daftar pustaka yang diperbarui. Persamaan Struktural
Pemodelan , 3 , 105–175.
Babakus, E., Ferguson, CE, Jr, & Jöreskog, KG (1987). Sensitivitas konfirmasi
tory maksimum likelihood factor analysis untuk pelanggaran skala pengukuran
dan asumsi distribusi. Jurnal Riset Pemasaran , 24 , 222–228.
Bacharach, SB, Bauer, SC, & Conley, S. (1986). Analisis stres organisasi:
Kasus sekolah dasar dan menengah. Pekerjaan dan Pekerjaan , 13 , 7–32.
Bagozzi, RP (1993). Menilai validitas konstruk dalam penelitian kepribadian:
Aplikasi untuk ukuran harga diri. Jurnal Penelitian dalam Kepribadian , 27 ,
49–87.
Halaman 389
368
Referensi
Bagozzi, RP, & Yi, Y. (1990). Menilai varians metode dalam multitrait-multimethod
matriks: Kasus pengaruh dan persepsi yang dilaporkan sendiri di tempat kerja. Jurnal dari
Psikologi Terapan , 75 , 547-560.
Bagozzi, RP, & Yi, Y. (1993). Matriks multitrait-multimethod dalam konsumen
penelitian: Kritik dan perkembangan baru. Jurnal Psikologi Konsumen ,
2 , 143–170.
Bandalos, DL (1993). Faktor-faktor yang mempengaruhi validasi silang dari faktor konfirmasi
model analisis. Penelitian Perilaku Multivariat , 28 , 351-374.
Bandalos, DL (2002). Efek dari item parceling pada good-of-fit dan parame-
estimasi bias dalam pemodelan persamaan struktural. Pemodelan Persamaan Struktural
Jurnal , 9 , 78-102.
Bandalos, DL, & Finney SJ (2001). Item masalah paket dalam persamaan struktural
pemodelan tion. Di GA Marcoulides & RE Schumacker (Eds.), Pengembangan baru
dan teknik dalam pemodelan persamaan struktural (hal. 269–296). Mahwah,
NJ: Erlbaum.
Beauducel, A., & Wittmann, WW (2005). Studi simulasi pada indeks fit di CFA
berdasarkan data dengan struktur sederhana yang sedikit terdistorsi. Persamaan Struktural
Pemodelan , 12 , 41–75.
Beck, A., Steer, R., & Brown, G. (1996). Manual Inventarisasi Depresi Beck (edisi ke-2).
San Antonio, TX: Asosiasi Psikologis.
Beck, AT, Ward, CH, Mendelson, M., Mock, J., & Erbaugh, J. (1961). Inven-
untuk mengukur depresi. Archives of General Psychiatry , 4 , 561–571.
Benson, J., & Bandalos, DL (1992). Analisis faktor konfirmasi tingkat kedua
dari Reaksi terhadap Skala Pengujian dengan validasi silang. Perilaku Multivariat
Penelitian , 27 , 459–487.
Bentler, PM (1980). Analisis multivarian dengan variabel laten: pemodelan kausal.
Ulasan Tahunan Psikologi , 31 , 419–456.
Bentler, PM (1988). Pemodelan kausal melalui sistem persamaan struktural. Di JR
Nesselroade & RB Cattell (Eds.), Buku Pegangan psiko- eksperimental multivarian
chology (2nd ed., hlm. 317–335). New York: Pleno.
Bentler, PM (1990). Indeks kesesuaian komparatif dalam model struktural. Psikologis
Bulletin , 107 , 238–246.
Bentler, PM (1992). Sesuai model untuk kovarian dan metodologi untuk
Buletin . Buletin Psikologis , 112 , 400-404.
Bentler, PM (2005). Manual program persamaan struktural EQS 6 . Encino, CA:
Perangkat Lunak Multivarian.
Bentler, PM, & Bonett, DG (1980). Tes signifikansi dan goodness of fit in
analisis struktur kovarian. Buletin Psikologis , 88 , 588–606.
Bentler, PM, & Bonett, DG (1987). Kutipan klasik minggu ini. Isi saat ini ,
19 , 16.
Bentler, PM, & Chou, CP. (1987). Masalah praktis dalam pemodelan struktural.
Metode & Penelitian Sosiologis , 16 , 78-117.
Bentler, PM, & Dijkstra, T. (1985). Estimasi efisien melalui linierisasi dalam struktur
model tural. Dalam PR Krishnaiah (Ed.), Multivariate analysis VI (hlm. 9–42).
Amsterdam: Belanda Utara.
Bentler, PM, & Yuan, KH. (1999). Pemodelan persamaan struktural dengan kecil
sampel: Uji statistik. Penelitian Perilaku Multivariat , 34 , 181–197.
Biddle, BJ, & Marlin, MM (1987). Kausalitas, konfirmasi, kredibilitas, dan struktur
pemodelan persamaan tural. Perkembangan Anak , 58 , 4-17.
Halaman 390
Referensi
369
Bloxis, SA, & Cho, YI (2008). Pengodean dan pemusatan waktu dalam moda kurva laten
di hadapan heterogenitas waktu antarindividu. Persamaan Struktural
Pemodelan , 15 , 413-433.
Bodner, TE (2008). Apa yang membaik dengan meningkatnya imputasi data yang hilang?
Pemodelan Persamaan Struktural , 15 , 651-675.
Bollen, KA (1986). Ukuran sampel dan indeks kecocokan yang tidak cacat dari Bentler dan Bonett.
Psychometrika , 51 , 375-377.
Bollen, KA (1989a). Persamaan struktural dengan variabel laten . New York: Wiley.
Bollen, KA (1989b). Indeks kesesuaian inkremental baru untuk model struktural umum.
Metode & Penelitian Sosiologis , 17 , 303–316.
Bollen, KA, & Barb, KH (1981). Pearson's r dan tindakan coursely dikategorikan.
American Sociological Review , 46 , 232–239.
Bollen, KA, & Long, JS (Eds.). (1993). Menguji model persamaan struktural . Newbury
Park, CA: Sage.
Bollen, KA, & Stine, RA (1988, Agustus). Persamaan struktural bootstrap
model tion: Variabilitas efek tidak langsung dan tindakan good-of-fit.
Makalah disajikan pada pertemuan tahunan Asosiasi Sosiologis Amerika,
Atlanta, GA.
Bollen, KA, & Stine, RA (1993). Langkah-langkah good-of-fit bootstrap dalam struktur
pemodelan persamaan tural. Di KA Bollen & JS Long (Eds.), Pengujian struktural
model persamaan (hlm. 111–135). Newbury Park, CA: Sage.
Bolstad, WM (2004). Pengantar statistik Bayesian . Hoboken, NJ: Wiley.
Boomsma, A. (1982). Kekokohan LISREL terhadap ukuran sampel kecil dalam faktor
model analisis. Dalam H. Wold & K. Jöreskog (Eds.), Sistem di bawah pengamatan tidak langsung
vation (pp. 149-173). New York: Elsevier-Belanda Utara.
Boomsma, A. (1985). Nonconvergence, solusi yang tidak tepat, dan nilai awal di
Estimasi kemungkinan maksimum LISREL. Psychometrika , 50 , 229-242.
Boomsma, A., & Hoogland, JJ (2001). Kekokohan pemodelan LISREL diperbarui.
Dalam R. Cudeck, S. DuToit, & D. Sörbom (Eds.), Pemodelan persamaan struktural:
Sekarang dan masa depan . Lincolnwood, IL: Ilmiah Perangkat Lunak Internasional.
Bovaird, JA (2007). Model persamaan struktural bertingkat untuk faktor kontekstual.
Dalam TD Little, JA Bovaird, & Kartu NA (Eds.), Pemodelan efek kontekstual di
studi longitudinal (hlm. 149–182). Mahwah, NJ: Erlbaum.
Bozdogan, H. (1987). Pemilihan model dan kriteria informasi Akaike (AIC): The
teori umum dan ekstensi analitisnya. Psychometrika , 52 , 345–370.
Breckler, SJ (1990). Aplikasi pemodelan struktur kovarian dalam psikologi:
Penyebab kekhawatiran? Buletin Psikologis , 107 , 260-271.
Brookover, WB (1962). Konsep Diri Skala Kemampuan . East Lansing, MI: Pendidikan
Layanan Publikasi.
Brown, RL (1994). Kemanjuran pendekatan tidak langsung untuk memperkirakan struktural
model persamaan dengan data yang hilang: Perbandingan lima metode. Struktural
Pemodelan Persamaan , 1 , 287–316.
Browne, MW (1984a). Metode bebas distribusi asimptotik untuk analisis
struktur kovarians. British Journal of Matematika dan Statistik Psikologi ,
37 , 62–83.
Browne, MW (1984b). Dekomposisi matriks multitrait-multimethod.
British Journal of Matematika dan Statistik Psikologi , 37 , 1–21.
Browne, MW, & Cudeck, R. (1989). Indeks validasi silang sampel tunggal untuk
struktur kovarians. Penelitian Perilaku Multivariat , 24 , 445–455.
Halaman 391
370
Referensi
Browne, MW, & Cudeck, R. (1993). Cara alternatif menilai kecocokan model. Di
KA Bollen & JS Long (Eds.), Menguji model persamaan struktural (136–162).
Newbury Park, CA: Sage.
Bryk, AS, & Raudenbush, SW (1987). Aplikasi model linear hirarkis
untuk menilai perubahan. Buletin Psikologis , 101 , 147–158.
Byrne, BM (1988a). Kuisioner Deskripsi Diri III: Menguji untuk yang setara
validitas faktorial lintas kemampuan. Pengukuran Pendidikan dan Psikologis , 48 ,
397–406.
Byrne, BM (1988b). Konsep diri remaja, pengelompokan kemampuan, dan perbandingan sosial
putra: Mengkaji ulang perbedaan jalur akademik di sekolah menengah. Pemuda dan Masyarakat ,
20 , 46–67.
Byrne, BM (1989). Primer LISREL: Aplikasi dasar dan pemrograman untuk konfigurasi
model analitik faktor matory . New York: Springer-Verlag.
Byrne, BM (1991). Inventarisasi Maslach: Memvalidasi struktur faktorial dan
invarian di antara pendidik menengah, menengah, dan universitas.
Penelitian Perilaku Multivariat , 26 , 583-605.
Byrne, BM (1993). Inventarisasi Maslach: Pengujian untuk validitas faktorial dan
invarian di seluruh guru sekolah dasar, menengah, dan menengah. Jurnal
Psikologi Pekerjaan dan Organisasi , 66 , 197-212.
Byrne, BM (1994a). Burnout: Menguji validitas, replikasi, dan invarian
struktur sebab akibat di guru SD, menengah, dan menengah.
American Educational Research Journal , 31 , 645-673.
Byrne, BM (1994b). Pemodelan persamaan struktural dengan EQS dan EQS / Windows: Basic
konsep, aplikasi, dan pemrograman . Thousand Oaks, CA: Sage.
Byrne, BM (1994c). Menguji validitas faktorial, replikasi, dan invariansi
alat ukur: Aplikasi paradigmatik berdasarkan Maslach
Inventarisasi Kelelahan. Penelitian Perilaku Multivariat , 29 , 289-311.
Byrne, BM (1995). Strategi dalam pengujian untuk faktor faktor urutan kedua yang invarian
mendatang: Perbandingan EQS dan LISREL. Pemodelan Persamaan Struktural , 2 , 53-72.
Byrne, BM (1996). Mengukur konsep diri sepanjang umur: Masalah dan instrumen-
tion . Washington, DC: Asosiasi Psikologis Amerika.
Byrne, BM (1998). Pemodelan persamaan struktural dengan LISREL, PRELIS, dan SIMPLIS:
Konsep dasar, aplikasi, dan pemrograman . Mahwah, NJ: Erlbaum.
Byrne, BM (1999). Jaringan nomologis kelelahan guru: A litera-
Ulasan mendatang dan model yang divalidasi secara empiris. Dalam M. Huberman & R.
Vandenberghe (Eds.), Memahami dan mencegah kelelahan guru: Sumber
buku penelitian dan praktik internasional (hlm. 15–37). London: Cambridge
Press Universitas.
Byrne, BM (2001). Pemodelan persamaan struktural dengan AMOS: Konsep dasar, aplikasi-
tions, dan pemrograman . Mahwah, NJ: Erlbaum.
Byrne, BM (2003). Analisis faktor konfirmasi. Dalam R. Fernández-Ballesteros (Ed.),
Ensiklopedia penilaian psikologis (Vol. 1, hlm. 399-402). Thousand Oaks,
CA: Sage.
Byrne, BM (2004). Pengujian untuk multigroup invarian menggunakan AMOS Graphics: A
jalan yang jarang dilalui. Pemodelan Persamaan Struktural , 11 , 272–300.
Byrne, BM (2005a). Model analitik faktor: Melihat struktur penilaian
instrumen dari tiga perspektif. Jurnal Penilaian Kepribadian ,
85 , 17–30.
Halaman 392
Referensi
371
Byrne, BM (2005b). Analisis faktor: Konfirmasi. Di BS Everitt & DC Howell
(Eds.), Ensiklopedia statistik dalam ilmu perilaku (hal. 599-606). London:
Wiley.
Byrne, BM (2006). Pemodelan persamaan struktural dengan EQS: Konsep dasar, aplikasi-
tions, dan pemrograman (2nd ed.). Mahwah, NJ: Erlbaum.
Byrne, BM (2008). Menguji prediktor self-invariant dan bervariasi-waktu
kemampuan yang dirasakan dalam matematika, bahasa, dan sains: Pandangan pada aspek gender
untuk. Dalam HMG Watt & JS Eccles (Eds.), Gender dan hasil pekerjaan:
Penilaian longitudinal atas pengaruh individu, sosial, dan budaya (hlm. 145–169).
Washington, DC: Asosiasi Psikologis Amerika.
Byrne, BM, & Baron P. (1993). Inventarisasi Depresi Beck: Pengujian dan
memvalidasi silang struktur faktor hierarkis untuk remaja nonklinis.
Pengukuran dan Evaluasi dalam Konseling dan Pengembangan , 26 , 164-178.
Byrne, BM, & Baron, P. (1994). Mengukur depresi remaja: Tes kesetaraan
meminjam struktur faktorial untuk Beck Depression versi bahasa Inggris dan Perancis
Inventaris. Psikologi Terapan: Ulasan Internasional , 43 , 33-47.
Byrne, BM, Baron, P., & Balev, J. (1996). Inventarisasi Depresi Beck: Pengujian
untuk validitas faktorial dan invarian antar gender untuk remaja Bulgaria-
sen. Perbedaan Kepribadian dan Individu , 21 , 641-651.
Byrne, BM, Baron, P., & Balev, J. (1998). Inventarisasi Depresi Beck: A cross-
uji validasi struktur orde dua untuk remaja Bulgaria. Pendidikan
dan Pengukuran Psikologis , 58 , 241–251.
Byrne, BM, Baron, P., & Campbell, TL (1993). Mengukur depresi remaja:
Validitas faktorial dan invarian Inventarisasi Depresi Beck di seluruh
jenis kelamin. Jurnal Penelitian tentang Remaja , 3 , 127–143.
Byrne, BM, Baron, P., & Campbell, TL (1994). Inventarisasi Depresi Beck
(Versi Perancis): Pengujian untuk struktur faktorial invarian gender untuk nonclini-
remaja kal. Journal of Adolescent Research , 9 , 166–179.
Byrne, BM, Baron, P., Larsson, B., & Melin, L. (1995). Depresi Beck
Inventaris: Menguji dan memvalidasi silang struktur faktorial urutan kedua
untuk remaja nonklinis Swedia. Penelitian dan Terapi Perilaku , 33 ,
345–356.
Byrne, BM, Baron, P., Larsson, B., & Melin, L. (1996). Mengukur depresi untuk
Remaja nonklinis Swedia: Validitas faktorial dan kesetaraan
Inventarisasi Depresi Beck. Scandinavian Journal of Psychology , 37 , 37-45.
Byrne, BM, & Bazana, PG (1996). Investigasi pengukuran sosial
dan kompetensi akademik untuk remaja dan remaja awal / akhir:
Analisis multitrait-multimethod. Pengukuran Terapan dalam Pendidikan , 9 ,
113–132.
Byrne, BM, & Campbell, TL (1999). Perbandingan lintas budaya dan pra-
konsumsi pengukuran setara dan struktur teoritis: A look
di bawah permukaan. Jurnal Psikologi Lintas Budaya , 30 , 557–576.
Byrne, BM, & Crombie, G. (2003). Pemodelan dan pengujian berubah seiring waktu: An
pengantar model kurva pertumbuhan laten. Memahami Statistik:
Masalah Statistik dalam Psikologi, Pendidikan, dan Ilmu Sosial , 2 , 177-203.
Byrne, BM, & Goffin, RD (1993). Memodelkan data MTMM dari aditif dan mul
struktur kovarians tiplikatif: Suatu audit konkordansi validitas konstruk.
Halaman 393
372
Referensi
Byrne, BM, Lam, WWT, & Fielding, R. (2008). Mengukur pola perubahan
dalam penilaian kepribadian: Aplikasi kurva pertumbuhan laten yang beranotasi
pemodelan. Jurnal Penilaian Kepribadian , 90 , 1–11.
Byrne, BM, & Shavelson, RJ (1986). Pada struktur konsep diri remaja.
Jurnal Psikologi Pendidikan , 78 , 474-481.
Byrne, BM, & Shavelson, RJ (1996). Pada struktur konsep diri sosial untuk
remaja pra, awal, dan akhir. Jurnal Kepribadian dan Psikologi Sosial ,
70 , 599–613.
Byrne, BM, Shavelson, RJ, & Muthén, B. (1989). Menguji kesetaraan
faktor kovarian dan struktur rata-rata: Masalah pengukuran parsial
invarian Buletin Psikologis , 105 , 456-466.
Byrne, BM, Stewart, SM, & Lee, PWH (2004). Memvalidasi Depresi Beck
Inventaris — II untuk remaja komunitas Hong Kong. Jurnal Internasional
Pengujian , 4 , 199–216.
Byrne, BM, & Worth Gavin, DA (1996). Model Shavelson ditinjau kembali: Pengujian
untuk struktur konsep diri akademik di seluruh remaja pra-, awal, dan akhir-
sen. Jurnal Psikologi Pendidikan , 88 , 215–228.
Campbell, DT, & Fiske, DW (1959). Validasi konvergen dan diskriminatif oleh
matriks multitrait-multimethod. Buletin Psikologis , 56 , 81-105.
Carlson, M., & Mulaik, SA (1993). Peringkat sifat dari deskripsi perilaku sebagai
dimediasi oleh komponen makna. Penelitian Perilaku Multivariat , 28 ,
111–159.
Cheong, JW, MacKinnon, DP, & Khoo, ST (2003). Investigasi mediasional
proses menggunakan proses paralel pemodelan kurva pertumbuhan laten. Struktural
Pemodelan Persamaan , 10 , 238–262.
Cheung, GW, & Rensvold, RB (2002). Mengevaluasi indeks good-of-fit untuk pengujian
invarian pengukuran. Pemodelan Persamaan Struktural: Multidisiplin
Jurnal , 9 , 233–255.
Masyarakat Ilmu Perilaku Cina. (2000). Versi Cina dari Beck
Depression Inventory (edisi ke-2, terjemahan bahasa Mandarin berlisensi, The Psychological
Perusahaan). New York: Harcourt Brace.
Chou, CP., Bentler, PM, & Satorra, A. (1991). Statistik uji berskala dan standar yang kuat
kesalahan dard untuk data tidak normal dalam analisis struktur kovarian: A Monte
Belajar Carlo. British Journal of Matematika dan Statistik Psikologi , 44 ,
347–357.
Cliff, N. (1983). Beberapa peringatan tentang penerapan pemodelan kausal
metode. Penelitian Perilaku Multivariat , 18 , 115-126.
Coenders, G., & Saris, WE (2000). Menguji aditif bersarang, multiplikasi, dan
model multitrait-multimethod umum. Pemodelan Persamaan Struktural , 7 ,
219–250.
Coenders, G., Satorra, A., & Saris, WE (1997). Pendekatan alternatif untuk struktural
pemodelan data ordinal: Studi Monte Carlo. Pemodelan Persamaan Struktural ,
4 , 261–282.
Cohen, J. (1994). Bumi itu bulat ( p <.05). American Psychologist , 49 , 997-1003.
Comrey, AL (1992). Kursus pertama dalam analisis faktor . Hillsdale, NJ: Erlbaum.
Conway, JM, Scullen, SE, Lievens, F., & Lance, CE (2004). Bias di perusahaan
model keunikan terkait untuk data MTMM. Pemodelan Persamaan Struktural , 11 ,
535–559.
Halaman 394
Referensi
373
Cooke, DJ, Kosson, DS, & Michie, C. (2001). Psikopati dan etnis:
Generalisasi Struktural, item, dan tes dari Daftar Periksa Psikopati—
Revisi (PCL-R) pada peserta Kaukasia dan Afrika-Amerika.
Penilaian Psikologis , 13 , 531-542.
Corten, IW, Saris, WE, Coenders, G., van der Veld, W., Aalberts, CE, & Kornelis,
C. (2002). Cocok dengan berbagai model untuk eksperimen multitrait-multimethod.
Cudeck, R. (1989). Analisis matriks korelasi menggunakan struktur kovarian
model. Buletin Psikologis , 105 , 317–327.
Cudeck, R., & Browne, MW (1983). Validasi silang dari struktur kovarian.
Penelitian Perilaku Multivariat , 18 , 147–167.
Cudeck, R., du Toit, S., & Sörbom, D. (2001). Pemodelan persamaan struktural: Sekarang
dan masa depan . Lincolnwood, IL: Ilmiah Perangkat Lunak Internasional.
Cudeck, R., & Henly, SJ (1991). Pemilihan model dalam analisis struktur kovarian
dan "masalah" ukuran sampel: Klarifikasi. Buletin Psikologis , 109 ,
512–519.
Curran, PJ, Bauer, DJ, & Willoughby, MT (2004). Menguji efek utama dan antar
tindakan dalam analisis kurva laten. Metode Psikologis , 9 , 220-237.
Curran, PJ, Edwards, MC, Wirth, RJ, Hussong, AM, & Chassin, L. (2007).
Penggabungan model pengukuran kategorikal dalam analisis industri
pertumbuhan vidual. Dalam TD Little, JA Bovaird, & Kartu NA (Eds.), Modeling
efek kontekstual dalam studi longitudinal (hlm. 89–120). Mahwah, NJ: Erlbaum.
Curran, PJ, West, SG, & Finch, JF (1996). Ketangguhan statistik uji
untuk nonnormalitas dan kesalahan spesifikasi dalam analisis faktor konfirmasi.
Metode Psikologis , 1 , 16-29.
Davey, A., Savla, J., & Luo, Z. (2005). Masalah dalam mengevaluasi model cocok dengan yang hilang
data. Pemodelan Persamaan Struktural , 12 , 578-597.
DeCarlo, LT (1997). Tentang makna dan penggunaan kurtosis. Metode Psikologis ,
2 , 292–307.
Diaconis, P., & Efron, B. (1983). Metode intensif komputer dalam statistik. Ilmiah
Amerika , 248 , 116–130.
DiStefano, C. (2002). Dampak kategorisasi dengan analisis faktor konfirmatori
sis. Pemodelan Persamaan Struktural , 9 , 327-346.
Duncan, TE, & Duncan, SC (1994). Pemodelan sub-longitudinal tidak lengkap
sikap menggunakan data menggunakan metodologi kurva pertumbuhan variabel laten. Multivarian
Penelitian Perilaku , 29 , 313-338.
Duncan, TE, & Duncan, SC (1995). Memodelkan proses pengembangan melalui
metodologi kurva pertumbuhan laten. Pemodelan Persamaan Struktural , 3 , 187-205.
Duncan, TE, Duncan, SC, Okut, H., Stryker, LA, & Li, F. (2002). Sebuah ekstensi
kerangka pemodelan pertumbuhan variabel laten umum untuk empat tingkat
hierarki. Pemodelan Persamaan Struktural , 9 , 303-326.
Duncan, TE, Duncan, SC, & Stryker, LA (2006). Pengantar variabel laten
pemodelan kurva pertumbuhan: Konsep, masalah, dan aplikasi (2nd ed.). Mahwah,
NJ: Erlbaum.
Duncan, TE, Duncan, SC, Stryker, LA, Li, F., & Alpert, A. (1999). Sebuah pengantar-
untuk pemodelan kurva pertumbuhan variabel laten . Mahwah, NJ: Erlbaum.
Efron, B. (1979). Metode bootstrap: Pandangan lain pada jackknife. Catatan sejarah
Statistik , 7 , 1–26.
Halaman 395
374
Referensi
Efron, B. (1982). Jackknife, bootstrap, dan rencana resampling lainnya . Philadelphia:
SIAM.
Efron, B., & Tibshirani, RJ (1993). Pengantar bootstrap . New York:
Chapman dan Hall.
Eid, M., Lischetzke, T., Nussbeck, FW, & Trierweiler, LI (2003). Memisahkan
efek sifat dari efek metode khusus sifat dalam metode multitrait-multimethod
model: Model beberapa indikator CT-C (M-1). Metode Psikologis , 8 ,
38–60.
Idul Fitri, M., Nussbeck, FW, Geiser, C., Cole, DA, Gollwitzer, M., & Lischetzke,
T. (2008). Pemodelan persamaan struktural data multitrait-multimethod:
Model yang berbeda untuk berbagai jenis metode. Metode Psikologis , 13 ,
230–253.
Enders, CK (2001). Primer pada algoritma kemungkinan maksimum tersedia untuk
gunakan dengan data yang hilang. Pemodelan Persamaan Struktural , 8 , 128-141.
Fabrigar, LR, Wegener, DT, MacCallum, RC, & Strahan, EJ (1999). Mengevaluasi
penggunaan analisis faktor eksplorasi dalam penelitian psikologis. Psikologis
Metode , 4 , 272–299.
Fan, X., & Sivo, SA (2005). Sensitivitas indeks kesesuaian terhadap kesalahan spesifikasi struktur atau
komponen model pengukuran: Dasar pemikiran strategi dua indeks ditinjau kembali.
Fan, X., Thompson, B., & Wang, L. (1999). Pengaruh ukuran sampel, metode estimasi
ods, dan spesifikasi model pada pemodelan persamaan struktural pemodelan indeks.
Finch, JF, West, SG, & MacKinnon, DP (1997). Pengaruh ukuran sampel dan non-
normalitas pada estimasi efek yang dimediasi dalam model variabel laten.
Francis, DJ, Fletcher, JM, & Rourke, BP (1988). Validitas diskriminatif atas lat-
tes sensorimotor eral pada anak-anak. Jurnal Klinis dan Eksperimental
Neuropsikologi , 10 , 779-799.
Gelman, A., Carlin, JB, Stern, HS, & Rubin, DB (2004). Analisis data Bayesian
(2nd ed.). Boca Raton, FL: Chapman & Hall / CRC.
Gerbing, DW, & Anderson, JC (1984). Tentang makna faktor dalam
kesalahan pengukuran lated. Jurnal Riset Konsumen , 11 , 572-580.
Gerbing, DW, & Anderson, JC (1993). Monte Carlo evaluasi kebaikan-
indeks of-fit untuk model persamaan struktural. Di KA Bollen & JS Long
(Eds.), Menguji model persamaan struktural (hlm. 40-65). Taman Newbury, CA:
Sage.
Gorsuch, RL (1983). Analisis faktor . Hillsdale, NJ: Erlbaum.
Hijau, SB, Akey, TM, Fleming, KK, Hershberger, SL, & Marquis, JG (1997).
Pengaruh jumlah titik skala pada indeks fit chi-square di konfirmasi
analisis faktor. Pemodelan Persamaan Struktural , 4 , 108-120.
Hagtvet, KA, & Nasser, FM (2004). Seberapa baik item parsel merepresentasikan konsep-
konstruksi laten yang didefinisikan secara manual? Pendekatan dua sisi. Persamaan Struktural
Pemodelan , 11 , 168–193.
Hancock, GR, Kuo, WL., & Lawrence, FR (2001). Ilustrasi orde kedua
model pertumbuhan laten. Pemodelan Persamaan Struktural , 8 , 470–489.
Hancock, GR, & Nevitt, J. (1999). Bootstrap dan identifikasi exog-
enous variabel laten dalam model persamaan struktural. Persamaan Struktural
Pemodelan , 6 , 394–399.
Halaman 396
Referensi
375
Harlow, LL, Mulaik, SA, & Steiger, JH (Eds.). (1997). Bagaimana jika tidak ada
tes signifikansi? Mahwah, NJ: Erlbaum.
Harter, S. (1990). Penyebab, korelasi, dan peran fungsional harga diri global;
Perspektif umur. Dalam RJ Sternberg & J. Kolligian (Eds.), Kompetensi
dipertimbangkan (hal. 67–97). New Haven, CT: Yale University Press.
Hayashi, K., & Marcoulides, GA (2006). Meneliti masalah identifikasi dalam faktor
analisis. Pemodelan Persamaan Struktural , 13 , 631-645.
Hernández, A., & González-Romá, V. (2002). Analisis multitrait-multioccasion
data: Aditif versus model multiplikasi. Penelitian Perilaku Multivariat ,
37 , 59–87.
Hershberger, SL, & Fisher, DG (2003). Catatan tentang menentukan jumlah
imputasi untuk data yang hilang. Pemodelan Persamaan Struktural , 10 , 648-650.
Hoelter, JW (1983). Analisis struktur kovarian: Indeks Good-of-fit.
Metode & Penelitian Sosiologis , 11 , 325–344.
Hofer, SM, & Hoffman, L. (2007). Analisis statistik dengan data tidak lengkap: A
perspektif perkembangan. Dalam TD Little, JA Bovaird, & Kartu NA (Eds.),
Pemodelan efek kontekstual dalam studi longitudinal (hlm. 13-32). Mahwah, NJ:
Erlbaum.
Hox, JJ, & Kleiboer, AM (2007). Pertanyaan retrospektif atau metode buku harian? SEBUAH
analisis multitrait-multimethod dua tingkat. Pemodelan Persamaan Struktural , 14 ,
311–325.
Hoyle, RH (1995a). Pendekatan pemodelan persamaan struktural:
konsep dan masalah mendasar. Dalam RH Hoyle (Ed.), Persamaan struktural
pemodelan: Konsep, masalah, dan aplikasi (hlm. 1–15). Thousand Oaks, CA:
Sage.
Hoyle, RH (Ed.). (1995b). Pemodelan persamaan struktural: Konsep, masalah, dan aplikasi
tions . Thousand Oaks, CA: Sage.
Hu, LT., & Bentler, PM (1995). Mengevaluasi kesesuaian model. Dalam RH Hoyle (Ed.), Struktural
pemodelan persamaan: Konsep, masalah, dan aplikasi (hal. 76-99). Thousand Oaks,
CA: Sage.
Hu, LT., & Bentler, PM (1998). Sesuai indeks dalam pemodelan struktur kovarians:
Sensitivitas terhadap kesalahan spesifikasi model yang underparameter. Psikologis
Metode , 3 , 424–453.
Hu, LT., & Bentler, PM (1999). Kriteria cutoff untuk indeks kecocokan dalam struktur kovarian
analisis: Kriteria konvensional versus alternatif baru. Persamaan Struktural
Pemodelan , 6 , 1–55.
Hu, LT., Bentler, PM, & Kano, Y. (1992). Dapat menguji statistik dalam struktur kovarian
analisis bisa dipercaya? Buletin Psikologis , 112 , 351-362.
Ichikawa, M., & Konishi, S. (1995). Penerapan metode bootstrap dalam faktor
analisis. Psychometrika , 60 , 77-93.
James, LR, Mulaik, SA, & Brett, JM (1982). Analisis sebab akibat: Asumsi, model,
dan data . Beverly Hills, CA: Sage.
Jamshidian, M., & Bentler, PM (1999). Estimasi ML rata-rata dan strata kovarian
mendatang dengan data yang hilang menggunakan rutin data lengkap. Jurnal Pendidikan
dan Statistik Perilaku , 24 , 21-41.
Jöreskog, KG (1969). Pendekatan umum untuk kemungkinan maksimum konfirmasi
analisis faktor. Psychometrika , 34 , 183-202.
Jöreskog, KG (1971a). Analisis statistik dari set tes kongenerik. Psychometrika ,
36 , 109–133.
Halaman 397
376
Referensi
Jöreskog, KG (1971b). Analisis faktor simultan dalam beberapa populasi.
Psychometrika , 36 , 409–426.
Jöreskog, KG (1990). Perkembangan baru dalam LISREL: Analisis variabel ordinal
mampu menggunakan korelasi polikorik dan kuadrat terkecil tertimbang. Kualitas dan
Kuantitas , 24 , 387-404.
Jöreskog, KG (1993). Menguji model persamaan struktural. Di KA Bollen & JS
Long (Eds.), Menguji model persamaan struktural (hlm. 294-316). Taman Newbury,
CA: Sage.
Jöreskog, KG (1994). Pada estimasi korelasi polikorik dan mereka
matriks kovarians asimptotik. Psychometrika , 59 , 381-389.
Jöreskog, KG, & Sörbom, D. (1989). Panduan referensi pengguna LISREL 7 . Chicago:
Perangkat Lunak Ilmiah.
Jöreskog, KG, & Sörbom, D. (1993). LISREL 8: Pemodelan persamaan struktural dengan
Bahasa perintah SIMPLIS . Chicago: Perangkat Lunak Ilmiah Internasional.
Jöreskog, KG, & Sörbom, D. (1996a). LISREL 8: Panduan referensi pengguna . Chicago:
Perangkat Lunak Ilmiah Internasional.
Jöreskog, KG, & Sörbom, D. (1996b). PRELIS: Panduan referensi pengguna . Chicago:
Perangkat Lunak Ilmiah Internasional.
Kaplan, D. (1989). Modifikasi model dalam analisis struktur kovarian: Aplikasi
dari statistik perubahan parameter yang diharapkan. Penelitian Perilaku Multivariat ,
24 , 285–305.
Kenny, DA (1976). Aplikasi empiris analisis faktor konfirmatori untuk
matriks multitrait-multimethod. Jurnal Psikologi Sosial Eksperimental ,
12 , 247–252.
Kenny, DA (1979). Korelasi dan kausalitas . New York: Wiley.
Kenny, DA, & Kashy, DA (1992). Analisis matriks multitrait-multimethod
dengan analisis faktor konfirmasi. Buletin Psikologis , 112 , 165–172.
Kerlinger, FN (1984). Liberalisme dan konservatisme: Sifat dan struktur sosial
sikap . Hillsdale, NJ: Erlbaum.
Kim, S., & Hagtvet, KA (2003). Dampak pemberian item yang salah spesifik pada
mewakili variabel laten dalam pemodelan struktur kovarians: Simulasi
belajar. Pemodelan Persamaan Struktural , 10 , 101-127.
Kirk, RE (1996). Arti penting praktis: Suatu konsep yang waktunya telah tiba. Pendidikan
dan Pengukuran Psikologis , 56 , 746-759.
Kishton, JM, & Widaman, KF (1994). Representasi unidimensional versus domain
penugasan item-item kuesioner: Contoh empiris. Pendidikan
dan Pengukuran Psikologis , 54 , 757-765.
Kline, RB (1998). Prinsip dan praktik pemodelan persamaan struktural . Baru
York: Guilford.
Kline, RB (2005). Prinsip dan praktik pemodelan persamaan struktural (2nd ed.).
New York: Guilford.
Kotz, S., & Johnson, NI (1992). Terobosan dalam statistik (Vol. 1 dan 2). New York:
Springer-Verlag.
La Du, TJ, & Tanaka, JS (1989). Pengaruh ukuran sampel, metode estimasi,
dan spesifikasi model pada penilaian good-of-fit dalam persamaan struktural
pemodelan tion. Jurnal Psikologi Terapan , 74 , 625-636.
LaGrange, B., & Cole, DA (2008). Perluasan model sifat-keadaan-peristiwa:
Akuntansi untuk varians metode bersama. Pemodelan Persamaan Struktural , 15 ,
241–271.
Halaman 398
Referensi
377
Lance, CE, Noble, CL, & Scullen, SE (2002). Sebuah kritik terhadap yang berkorelasi
metode sifat-berkorelasi dan model keunikan berkorelasi untuk multitrait-
data banyak metode. Metode Psikologis , 7 , 228–244.
Lei, M., & Lomax, RG (2005). Pengaruh berbagai tingkat ketidaknormalan pada
pemodelan persamaan struktural. Pemodelan Persamaan Struktural , 12 , 1–17.
Leiter, MP (1991). Pola koping sebagai prediktor burnout: Fungsi kontrol
dan pola koping pelarian. Jurnal Perilaku Organisasi , 12 , 123–144.
Li, F., Duncan, TE, Duncan, SC, McAuley, E., Chaumeton, NR, & Harmer,
P. (2001). Meningkatkan kesejahteraan psikologis orang lanjut usia
melalui latihan tai chi: Analisis kurva pertumbuhan laten. Persamaan Struktural
Pemodelan , 8 , 493–530.
Little, RJA, & Rubin, DB (1987). Analisis statistik dengan data yang hilang . New York:
Wiley.
Little, RJA, & Rubin, DB (1989). Analisis data ilmu sosial dengan
nilai-nilai. Metode dan Penelitian Sosiologis , 18 , 292–326.
Little, TD (1997). Analisis mean dan kovarians struktur (MACS) dari cross-
data budaya: masalah praktis dan teoritis. Penelitian Perilaku Multivariat ,
32 , 53–76.
Little, TD, Cunningham, WA, Shahar, G., & Widaman, KF (2002). Untuk paket atau
untuk tidak membagi: Menjelajahi pertanyaan, menimbang pahala. Persamaan Struktural
Pemodelan , 9 , 151–173.
Little, TD, Lindenberger, U., & Nesselroade, JR (1999). Memilih indikator untuk
pengukuran multivarian dan pemodelan dengan variabel laten: Ketika "baik"
indikator buruk dan indikator ―buruk‖ baik. Metode Psikologis , 4 ,
192–211.
Loehlin, JC (1992). Model variabel laten: Pengantar faktor, jalur, & struktural
analisis . Hillsdale, NJ: Erlbaum.
Long, JS (1983a). Analisis faktor konfirmasi . Beverly Hills, CA: Sage.
Long, JS (1983b). Model struktur kovarian: Pengantar LISREL . Beverly
Hills, CA: Sage.
MacCallum, RC (1986). Pencarian spesifikasi dalam pemodelan struktur kovarian.
Buletin Psikologis , 100 , 107-120.
MacCallum, RC (1995). Spesifikasi model: Prosedur, strategi, dan terkait
masalah. Dalam RH Hoyle (Ed.), Pemodelan persamaan struktural: Konsep, masalah, dan
aplikasi (hlm. 76–99). Newbury Park, CA: Sage.
MacCallum, RC, & Austin, JT (2000). Aplikasi dari persamaan struktural mod-
eling dalam penelitian psikologis. Ulasan Tahunan Psikologi , 51 , 201–226.
MacCallum, RC, Browne, MW, & Sugawara, HM (1996). Analisis daya dan
penentuan ukuran sampel untuk pemodelan struktur kovarian. Psikologis
Metode , 1 , 130–149.
MacCallum, RC, Roznowski, M., Mar, M., & Reith, JV (1994). Alternatif
strategi untuk validasi silang model struktur kovarian. Multivarian
Penelitian Perilaku , 29 , 1–32.
MacCallum, RC, Roznowski, M., & Necowitz, LB (1992). Modifikasi model
dalam analisis struktur kovarians: Masalah kapitalisasi secara kebetulan.
MacCallum, RC, Wegener, DT, Uchino, BN, & Fabrigar, LR (1993). Masalah
lem model setara dalam aplikasi analisis struktur kovarians.
Buletin Psikologis , 114 , 185–199.
Halaman 399
378
Referensi
MacCallum, RC, Widaman, KF, Zhang, S., & Hong, S. (1999). Ukuran sampel dalam
analisis faktor. Metode Psikologis , 4 , 84–99.
Marcoulides, GA, & Schumacker, RE (Eds.) (1996). Persamaan struktural lanjutan
pemodelan: Masalah dan teknik . Mahwah, NJ: Erlbaum.
Mardia, KV (1970). Ukuran skewness dan kurtosis multivarian dengan aplikasi
kation. Biometrika , 57 , 519–530.
Mardia, KV (1974). Penerapan beberapa ukuran kemiringan multivarian dan
kurtosis dalam menguji normalitas dan studi ketahanan. Sankhya , B36 , 115-128.
Marsh, HW (1988). Analisis multitrait-multimethod. Dalam JP Keeves (Ed.),
Metodologi, pengukuran, dan evaluasi penelitian pendidikan: Internasional
buku pegangan (hlm. 570-578). Oxford: Pergamon.
Marsh, HW (1989). Analisis faktor konfirmatori dari data multitrait-multimethod:
Banyak masalah dan beberapa solusi. Pengukuran Psikologis Terapan , 15 ,
47–70.
Marsh, HW (1992a). Self Description Questionnaire (SDQ) II: Teori dan empiris
dasar kal untuk pengukuran berbagai dimensi konsep diri remaja: An
manual tes sementara dan monografi penelitian . Macarthur, NSW, Australia: Fakultas
Pendidikan, Universitas Western Sydney.
Marsh, HW (1992b). Self Description Questionnaire (SDQ) III: A teoritis dan empir-
Dasar ical untuk pengukuran beberapa dimensi konsep diri remaja akhir:
Manual uji sementara dan monografi penelitian . Macarthur, NSW, Australia:
Fakultas Pendidikan, Universitas Western Sydney.
Marsh, HW (1998). Penghapusan berpasangan untuk data yang hilang dalam persamaan struktural
model: Matriks pasti nonpositif, estimasi parameter, goodness of fit,
dan ukuran sampel yang disesuaikan. Pemodelan Persamaan Struktural , 5 , 22-36.
Marsh, HW, & Bailey, M. (1991). Analisis faktor konfirmatori dari
data multimethod: Perbandingan model alternatif. Psikologi Terapan
Pengukuran , 15 , 47–70.
Marsh, HW, & Balla, JR (1994). Indeks kebaikan dalam faktor konfirmasi
analisis: Pengaruh ukuran sampel dan kompleksitas model. Kualitas dan kuantitas ,
28 , 185–217.
Marsh, HW, Balla, JR, & McDonald, RP (1988). Indeks goodness-of-fit di
analisis faktor konfirmatori: Pengaruh ukuran sampel. Buletin Psikologis ,
103 , 391-410.
Marsh, HW, Byrne, BM, & Craven, R. (1992). Mengatasi masalah dalam konfirmasi
analisis faktor matory data MTMM: Model keunikan berkorelasi
dan invarian faktorial. Penelitian Perilaku Multivariat , 27 , 489-507.
Marsh, HW, & Grayson, D. (1994). Stabilitas longitudinal sarana dan individu
ual perbedaan: Pendekatan terpadu. Pemodelan Persamaan Struktural , 1 , 317-359.
Marsh, HW, & Grayson, D. (1995). Model variabel laten dari multitrait-
data banyak metode. Dalam RH Hoyle (Ed.), Pemodelan persamaan struktural: Konsep,
masalah, dan aplikasi (hlm. 177–198). Thousand Oaks, CA: Sage.
Marsh, HW, Hau, KT., Balla, JR, & Grayson, D. (1998). Lebih pernah juga
banyak? Jumlah indikator per faktor dalam analisis faktor konfirmatori.
Maslach, C., & Jackson, SE (1981). Manual Inventarisasi Maslach Burnout . Palo Alto,
CA: Konsultasi Psikolog Pers.
Maslach, C., & Jackson, SE (1986). Manual Inventarisasi Maslach Burnout (edisi kedua).
Palo Alto, CA: Konsultasi Psikolog Pers.
Halaman 400
Referensi
379
McArdle, JJ (1994). Eksperimen analisis faktor struktural dengan data tidak lengkap.
McArdle, JJ, & Epstein, D. (1987). Kurva pertumbuhan laten dalam perkembangan
model persamaan struktural. Perkembangan Anak , 58 , 110–133.
McDonald, RP (1985). Analisis faktor dan metode terkait . Hillsdale, NJ: Erlbaum.
Meredith, W. (1993). Pengukuran invarian, analisis faktor, dan invarian faktorial
Ance. Psychometrika , 58 , 525-543.
Meredith, W., & Tisak, J. (1990). Analisis kurva laten. Psychometrika , 55 , 107-122.
Micceri, T. (1989). Unicorn, kurva normal, dan makhluk mustahil lainnya.
Millsap, RE, & Kwok, OM. (2004). Mengevaluasi dampak equial parsial faktorial
alence pada seleksi dalam dua populasi. Metode Psikologis , 9 , 93-115.
Moustaki, I. (2001). Tinjauan analisis faktor eksplorasi untuk kategori ordinal
data. Dalam R. Cudeck, S. du Toit, & D. Sörbom (Eds.), Model persamaan struktural-
ing: Sekarang dan masa depan (hlm. 461-480). Lincolnwood, IL: Perangkat Lunak Ilmiah.
Mulaik, SA (1972). Dasar-dasar analisis faktor . New York: McGraw-Hill.
Mulaik, SA, James, LR, Van Altine, J., Bennett, N., Lind, S., & Stilwell, CD
(1989). Evaluasi indeks good-of-fit untuk model persamaan struktural.
Muthén, BO (1984). Model persamaan struktural umum dengan dikotomis,
indikator variabel laten yang teratur, dan kontinu. Psychometrika ,
49 , 115–132.
Muthén, BO (1997). Pemodelan variabel laten data longitudinal dan multilevel.
Dalam AE Raftery (Ed.), Metodologi sosiologis 1997 (hlm. 453-481). Washington,
DC: Asosiasi Sosiologis Amerika.
Muthén, B., & Kaplan, D. (1985). Perbandingan beberapa metodologi untuk fasilitas
Untuk analisis variabel Likert yang tidak normal. Jurnal Matematika dan Bahasa Inggris
Psikologi Statistik , 38 , 171–189.
Muthén, B., Kaplan, D., & Hollis, M. (1987). Pada pemodelan persamaan struktural
dengan data yang tidak hilang sepenuhnya secara acak. Psychometrika , 52 ,
431–462.
Muthén, BO, & Muthén, LK (2004). Panduan pengguna Mplus . Muthén & Muthén.
Noreen, EW (1989). Metode intensif komputer untuk menguji hipotesis . Baru
York: Wiley.
O'Brien, RM (1985). Hubungan antara langkah-langkah ordinal dan pemahaman mereka
nilai-nilai kebohongan: Mengapa semua perbedaan pendapat? Kualitas dan Kuantitas , 19 , 265-277.
Pettegrew, LS, & Wolf, GE (1982). Mengesahkan langkah-langkah stres guru. Amerika
Jurnal Penelitian Pendidikan , 19 , 373–396.
Pomplun, M., & Omar, MH (2003). Apakah bagian bacaan perwakilan minoritas
memberikan skor faktual invarian untuk semua siswa? Persamaan Struktural
Pemodelan , 10 , 276–288.
Pengkhotbah, KJ, & MacCallum, RC (2003). Memperbaiki faktor listrik Tom Swift
mesin analisis. Memahami Statistik , 2 , 13–43.
Raaijmakers, QA (1999). Efektivitas berbagai perawatan data yang hilang di
survei dengan data tipe-Likert: Memperkenalkan substitusi rata-rata relatif
pendekatan. Pengukuran Pendidikan dan Psikologis , 59 , 725-748.
Raftery, AE (1993). Pemilihan model Baysian dalam model persamaan struktural. Dalam K.
A. Bollen & JS Long (Eds.), Menguji model persamaan struktural (hlm. 163–180).
Halaman 401
380
Referensi
Raykov, T. (2005). Analisis studi longitudinal dengan data yang hilang menggunakan kovari-
pemodelan struktur ance dengan informasi maksimum kemungkinan maksimum. Struktural
Model Persamaan , 12 , 493-505.
Raykov, T., & Marcoulides, GA (2000). Kursus pertama dalam pemodelan persamaan struktural .
Mahwah, NJ: Erlbaum.
Raykov, T., & Widaman, KF (1995). Masalah dalam pemodelan persamaan struktural
penelitian. Structural Equation Modeling , 2 , 289–318.
Reise, SP, Widaman, KF, & Pugh, PH (1993). Analisis faktor konfirmatori dan
teori respons item: Dua pendekatan untuk mengeksplorasi invariansi pengukuran.
Rindskopf, D., & Rose, T. (1988). Beberapa teori dan aplikasi konfirmasi
analisis faktor orde kedua. Penelitian Perilaku Multivariat , 23 , 51-67.
Rogers, WM, & Schmitt, N. (2004). Pemulihan parameter dan model fit menggunakan multidi-
komposit mensional: Perbandingan empat algoritma parcelling empiris.
Rogosa, DR, Brandt, D., & Zimowski, M. (1982). Pendekatan kurva pertumbuhan ke
pengukuran perubahan. Buletin Psikologis , 90 , 726-748.
Rogosa, DR, & Willett, JB (1985). Memahami korelasi perubahan oleh model-
Perbedaan individu dalam pertumbuhan. Psychometrika , 50 , 203-228.
Rosén, M. (1998). Perbedaan gender dalam dimensi kemampuan yang hierarkis:
Dampak dari data yang hilang. Pemodelan Persamaan Struktural , 5 , 37-62.
Rosenberg, M. (1965). Masyarakat dan citra diri remaja . Princeton, NJ: Princeton
Press Universitas.
Rovine, MJ, & Delaney, M. (1990). Estimasi data tidak ada dalam pengembangan
penelitian. Dalam A. Von Eye (Ed.), Metode statistik dalam penelitian longitudinal: Vol. SAYA.
Prinsip dan perubahan struktur (hlm. 35–79). New York: Academic Press.
Rozeboom, WW (1960). Kesalahan dari uji signifikansi hipotesis nol.
Rubin, DB (1976). Inferensi dan data yang hilang. Biometrika , 63 , 581-592.
Saris, WE, & Aalberts, C. (2003). Penjelasan berbeda untuk gangguan berkorelasi
istilah dalam studi MTMM. Pemodelan Persamaan Struktural , 10 , 193–213.
Saris, WE, Satorra, A., & Sörbom, D. (1987). Deteksi dan koreksi spesifikasi
kesalahan dalam model persamaan struktural. Dalam C. Clogg (Ed.), Sosiologis
metodologi 1987 (hlm. 105–130). San Francisco: Jossey-Bass.
Saris, W., & Stronkhorst, H. (1984). Pemodelan kausal: Penelitian nonexperimental: Sebuah pengantar
mengurangi pendekatan LISREL . Amsterdam: Yayasan Penelitian Sosiometrik.
Satorra, A., & Bentler, PM (1988). Menskalakan koreksi untuk statistik chi-square di
analisis struktur kovarians. Dalam sidang Asosiasi Statistik Amerika 1988
bagian bisnis dan ekonomi (hlm. 308–313). Alexandria, VA: Amerika
Asosiasi Statistik.
Satorra, A., & Bentler, PM (1994). Koreksi untuk menguji statistik dan standar
kesalahan dalam analisis struktur kovarian. Dalam A. von Eye & CC Clogg (Eds.),
Analisis variabel laten: Aplikasi untuk penelitian perkembangan (hal. 399-419).
Thousand Oaks, CA: Sage.
Satorra, A., & Saris, WE (1985). Kekuatan uji rasio kemungkinan dalam kovarians
analisis struktur. Psychometrika , 50 , 83-90.
Savalei, V., & Bentler, PM (2005). Metode ML berpasangan yang dibenarkan secara statistik
untuk data nonnormal tidak lengkap: Perbandingan dengan ML langsung dan berpasangan
ADF. Pemodelan Persamaan Struktural , 12 , 183-214.
Halaman 402
Referensi
381
Schafer, JL (1997). Analisis data multivarian yang tidak lengkap . London: Chapman
Aula.
Schafer, JL, & Graham, JW (2002). Data tidak ada: Pandangan kami tentang keadaan terkini.
Metode Psikologis , 7 , 147–177.
Schafer, JL, & Olsen, MK (1998). Beberapa imputasi untuk hilangnya multivarian
masalah data: Perspektif analis data. Penelitian Perilaku Multivariat ,
33 , 545-571.
Schmidt, FL (1996). Pengujian signifikansi statistik dan pengetahuan kumulatif di Indonesia
psikologi: Implikasi untuk pelatihan para peneliti. Metode Psikologis ,
1 , 115-129.
Schmitt, N., & Stults, DM (1986). Ulasan metodologi: Analisis multitrait-
matriks multimethod. Pengukuran Psikologis Terapan , 10 , 1-22.
Schumacker, RE, & Lomax, RG (2004). Panduan pemula untuk persamaan struktural
pemodelan (2nd ed.). Mahwah, NJ: Erlbaum.
Schwartz, G. (1978). Memperkirakan dimensi model. Annals of Statistics , 6 ,
461–464.
Shavelson, RJ, Hubner, JJ, & Stanton, GC (1976). Konsep diri: Validasi
membangun interpretasi. Tinjauan Penelitian Pendidikan , 46 , 407-441.
Singer, JD, & Willett, JD (2003). Analisis data longitudinal terapan: Perubahan pemodelan
dan kejadian acara . New York: Oxford.
Soares, AT, & Soares, LM (1979). Persediaan Persepsi Afektif: Tingkat Lanjut
tingkat . Trumbell, CT: JUGA.
Sobel, MF, & Bohrnstedt, GW (1985). Penggunaan model nol dalam mengevaluasi kecocokan
model struktur kovarians. Dalam NB Tuma (Ed.), Metodologi sosiologis
1985 (hlm. 152–178). San Francisco: Jossey-Bass.
Sörbom, D. (1974). Metode umum untuk mempelajari perbedaan dalam faktor faktor dan
struktur faktor antar kelompok. Jurnal Matematika dan Statistik Inggris
Psikologi , 27 , 229–239.
Steiger, JH (1990). Evaluasi dan modifikasi model struktural: Interval
pendekatan estimasi. Penelitian Perilaku Multivariat , 25 , 173-180.
Steiger, JH (1998). Catatan tentang beberapa contoh ekstensi indeks kecocokan RMSEA.
Structural Equation Modeling , 5 , 411-419.
Steiger, JH, & Lind, JC (1980, Juni). Tes berbasis statistik untuk jumlah
faktor umum. Makalah disajikan pada pertemuan tahunan Masyarakat Psikometri
ing, Iowa City, IA.
Stine, RA (1990). Pengantar metode bootstrap: Contoh dan ide.
Metode dan Penelitian Sosiologis , 8 , 243–291.
Stoel, RD, Garre, FG, Dolan, C., & van den Wittenboer, WW (2006). Di
Uji kemungkinan rasio dalam pemodelan persamaan struktural ketika parameter
tunduk pada batasan batas. Metode Psikologis , 11 , 439–455.
Sugawara, HM, & MacCallum, RC (1993). Pengaruh metode estimasi terhadap
indeks fit inkremental untuk model struktur kovarian. Psikologi Terapan
Pengukuran , 17 , 365-377.
Tanaka, JS (1993). Konsepsi multifaset cocok dalam model persamaan struktural.
Dalam JA Bollen & JS Long (Eds.), Menguji model persamaan struktural (hal. 10-39).
Tanaka, JS, & Huba, GJ (1984). Analisis faktor hierarki konfirmasi
langkah-langkah tekanan psikologis. Jurnal Kepribadian dan Psikologi Sosial ,
46 , 621–635.
Halaman 403
382
Referensi
Thompson, B. (1996). Kebijakan editorial AERA mengenai signifikansi statistik
pengujian: Tiga reformasi yang disarankan. Peneliti Pendidikan , 25 , 26-30.
Tomarken, AJ, & Waller, NG (2005). Pemodelan persamaan struktural: Kekuatan,
keterbatasan, dan kesalahpahaman. Ulasan Tahunan Psikologi Klinis , 1 ,
2.1–2.35.
Tomás, JM, Hontangas, PM, & Oliver, A. (2000). Model faktor konfirmasi linier
untuk mengevaluasi matriks multitrait-multimethod: Efek dari jumlah indikator
dan korelasi antar metode. Penelitian Perilaku Multivariat , 35 , 469-499.
Tucker, LR, & Lewis, C. (1973). Koefisien reliabilitas untuk kemungkinan maksimum
analisis faktor. Psychometrika , 38 , 1–10.
Vogt, WP (1993). Kamus statistik dan metodologi: Panduan nonteknis untuk
ilmu sosial . Newbury Park, CA: Sage.
Wang, S., Wang, N., & Hoadley, D. (2007). Membangun ekuivalensi nasional
ujian sertifikasi yang menggunakan dua bahasa dan bantuan audio.
International Journal of Testing , 7 , 255–268.
Weng, LJ., & Cheng, CP (1997). Mengapa indeks kecocokan relatif mungkin berbeda
penduga? Pemodelan Persamaan Struktural , 4 , 121-128.
Barat, SG, Finch, JF, & Curran, PJ (1995). Model persamaan struktural dengan
variabel normal: Masalah dan solusi. Dalam RH Hoyle (Ed.), Struktural
pemodelan persamaan: Konsep, masalah, dan aplikasi (hal. 56-75). Ribu
Oaks, CA: Sage.
Wheaton, B. (1987). Penilaian kecocokan pada model yang teridentifikasi secara berlebihan dengan berbagai variasi
ables Metode & Penelitian Sosiologis , 16 , 118–154.
Wheaton, B., Muthén, B., Alwin, DF, & Summers, GF (1977). Menilai keandalan
dan stabilitas dalam model panel. Dalam DR Heise (Ed.), Metodologi sosiologis
1977 (hlm. 84–136). San Francisco: Jossey-Bass.
Widaman, KF (1985). Model struktur kovarians yang diuji secara hierarkis untuk
data multitrait-multimethod. Pengukuran Psikologis Terapan , 9 , 1–26.
Whittaker, TA, & Stapleton, LM (2006). Kinerja validasi silang
indeks yang digunakan untuk memilih di antara model struktur kovarian yang bersaing di bawah
kondisi nonnormalitas multivarian. Penelitian Perilaku Multivariat , 41 ,
295–335.
Widaman, KF, & Reise, SP (1997). Menjelajahi kesetaraan pengukuran
instrumen psikologis: Aplikasi dalam domain penggunaan zat. Di KJ
Bryant, M. Windle, & SG West (Eds.), Ilmu pencegahan (hal. 281-324).
Washington, DC: Asosiasi Psikologis Amerika.
Willett, JB (1988). Pertanyaan dan jawaban dalam pengukuran perubahan. Di
EZ Rothkopf (Ed.), Tinjauan penelitian dalam pendidikan (Vol. 15, hlm. 345-422).
Washington, DC: American Research Research Association.
Willett, JB (1989). Beberapa hasil pada keandalan untuk pengukuran longitudinal
perubahan: Implikasi untuk desain studi pertumbuhan individu.
Pengukuran Pendidikan dan Psikologis , 49 , 587-602.
Willett, JB, & Keiley, MK (2000). Menggunakan analisis struktur kovarian untuk memodelkan
berubah seiring waktu. Di HEA Tinsley & SD Brown (Eds.), Buku Pegangan diterapkan
statistik multivariat dan pemodelan matematika (hal. 665-694). San Diego, CA:
Pers Akademik.
Willett, JB, & Sayer, AG (1994). Menggunakan analisis struktur kovarians untuk mendeteksi perusahaan
menghubungkan dan memprediksi perubahan individu dari waktu ke waktu. Buletin Psikologis ,
116 , 363-381.
Halaman 404
Referensi
383
Willett, JB, & Sayer, AG (1996). Analisis perubahan domain lintas waktu:
Menggabungkan pemodelan pertumbuhan dan analisis struktur kovarian. Dalam GA
Marcoulides & RE Schumacker (Eds.), Pemodelan persamaan struktural lanjutan:
Masalah dan teknik (hlm. 125–157). Mahwah, NJ: Erlbaum.
Williams, LJ, & Holahan, PJ (1994). Indeks kesesuaian berbasis Parsimony untuk multi-
model indikator: Apakah mereka berfungsi? Pemodelan Persamaan Struktural , 1 , 161–189.
Wood, JM, Tataryn, DJ, & Gorsuch, RL (1996). Efek dari under- dan overex-
traksi pada analisis faktor sumbu utama dengan rotasi varimax. Psikologis
Metode , 1 , 354–365.
Wothke, W. (1993). Matriks pasti nonpositif dalam pemodelan struktural. Di KA
Bollen & JS Long (Eds.), Menguji model persamaan struktural (hlm. 256–293).
Wothke, W. (1996). Model untuk analisis matriks multitrait-multimethod. Dalam GA
Marcoulides & RE Schumacker (Eds.), Pemodelan persamaan struktural lanjutan:
Masalah dan teknik (hlm. 7–56). Mahwah, NJ: Erlbaum.
Yuan, K.-H., & Bentler, PM (2000). Tiga metode berbasis kemungkinan untuk mean
dan analisis struktur kovarian dengan data hilang yang tidak normal. Di
Metodologi sosiologis (hlm. 165–200). Washington, DC: Sosiologis Amerika
Asosiasi.
Yuan, K.-H., Lambert, PL, & Fouladi, R.T. (2004). Kurtosis multivariat Mardia
dengan data yang hilang. Penelitian Perilaku Multivariat , 39 , 413-437.
Yung, YF., & Bentler, PM (1994). Statistik pengujian ADF yang bootstrap pada covari-
analisis struktur. British Journal of Matematika dan Statistik Psikologi ,
47 , 63–84.
Yung, YF., & Bentler, PM (1996). Teknik bootstrap dalam analisis mean
dan struktur kovarian. Di GA Marcoulides & RE Schumacker (Eds.),
Pemodelan persamaan struktural lanjutan: Masalah dan teknik (hal. 195–226).
Mahwah, NJ: Erlbaum.
Zhu, W. (1997). Membuat kesimpulan statistik bootstrap: Tutorial. Penelitian Triwulan
untuk Latihan dan Olahraga , 68 , 44–55.
Halaman 405
Halaman 406
385
SEBUAH
Aalberts, CE, 281, 294, 299, 301
Aikin, LS, 231
Aish, AM, 110
Akey, TM, 149
Allison, PD, 354, 355
Alpert, A., 303, 307
Alwin, DF, 77
Anderson, JC, 77, 84, 95, 258,
259, 330, 356
Arbuckle, JL, 4, 9, 17, 49, 75, 83, 102, 104,
151, 152, 153, 154, 155, 160, 214,
230, 333, 336, 345, 351, 352, 355,
356, 357, 358, 359
Atkinson, L., 148
Austin, JT, 80, 84
B
Babakus, E., 148
Bacharach, SB, 163
Bagozzi, RP, 276, 281
Bailey, M., 276, 281, 295, 297
Baley, J., 130, 260
Balla, JR, 77, 163, 330, 356
Bandalos, DL, 82, 83, 163, 164, 260
Barb, KH, 148
Baron, P., 129, 130, 259, 260
Bauer, DJ, 304
Bauer, SC, 163
Bazana, PG, 276, 291
Beauducel, A., 83
Beck, A., 129, 334
Bennett, N., 79
Benson, J., 260
Bentler, PM, 3, 4, 67, 72, 77, 78, 79, 80, 81,
82, 83, 84, 95, 104, 105, 111, 126,
127, 132, 148, 150, 151, 181, 200,
231, 232, 234, 262, 307, 325, 330,
331, 333, 336, 355, 358
Biddle, BJ, 257
Bloxis, SA, 307
Bodner, TE, 358
Bohrnstedt, GW, 84, 95
Bollen, KA, 6, 8, 14, 33, 76, 79, 83, 95, 128,
148, 329, 330, 332, 333, 356
Bolstad, WM, 152
Bonett, DG, 73, 78
Boomsma, A., 83, 95, 148, 330, 355, 356
Bovaird, JA, 325
Bozdogan, H., 82
Brandt, D., 304
Breckler, SJ, 148, 257, 329
Brett, JM, 78, 79
Brookover, WB, 236
Brown, G., 129, 334
Brown, RL, 355, 356, 357, 358
Browne, MW, 71, 73, 76, 79, 80, 81, 82, 83,
95, 105, 127, 151, 221, 257, 258
Bryk, AS, 304
Byrne, BM, 6, 53, 93, 95, 97, 98, 105, 111,
129, 139, 161, 163, 194, 199, 200,
208, 213, 220, 230, 231, 234, 235,
236, 253, 256, 257, 259, 260, 276,
291, 294, 303, 305, 306, 307, 324,
325, 329, 334, 357
C
Calderon, RF, 84
Campbell, DT, 275, 281, 294
Indeks Penulis
Halaman 407
386
Indeks Penulis
Campbell, TL, 129, 260, 334
Carlin, JB, 154
Carlson, M., 95
Chassin, L., 305
Cheong, JW, 304
Cheung, GW, 221, 223, 271, 281, 290
Cho, YI, 307
Chou, C.-P., 84, 105, 111, 128, 148, 355
Cliff, N., 73, 257
Coenders, G., 151, 276, 281, 294, 301, 329
Cohen, J., 71, 72
Cole, DA, 275, 281
Comrey, AL, 6
Conley, S., 163
Conway, JM, 275, 294, 299
Cooke, DJ, 231, 244
Corten, IW, 281, 294, 301
Craven, R., 276
Crombie, G., 303, 305, 306, 324, 325
Cudeck, R., 8, 73, 79, 80, 81, 82, 83, 221,
257, 258, 259
Cunningham, TD, 163, 164
Curran, PJ, 83, 84, 103, 104, 105, 148,
304, 305, 329, 330
D
Davey, A., 83
DeCarlo, LT, 103
Delaney, M., 357
Diaconis, P., 331
Dijkstra, T., 126
DiStephano, C., 149
Dolan, C., 84
du Toit, S., 8
Duncan, SC, 303, 304, 305, 307, 312, 325
Duncan, TE, 303, 304, 305, 307, 312, 325
E
Edwards, MC, 305
Efron, B., 330, 331, 351
Eid, M., 275, 281
Enders, CK, 354, 358
Epstein, D., 304
Erbaugh, J., 129, 334
F
Fabrigar, LR, 6, 8, 257
Kipas, X., 77, 83
Ferguson, CE, Jr., 148
Fielding, R., 307
Finch, JF, 83, 84, 103, 104, 105, 148, 329, 330
Finney, SJ, 163, 164
Fisher, DG, 358
Fiske, DW, 275, 281, 294
Fleming, KK, 149
Fletcher, JM, 260
Fouladi, RT, 358
Francis, DJ, 260
G
Garre, FG, 84
Gavin, DA, 53
Geiser, C., 275, 281
Gelman, A., 154
Gerbing, DW, 77, 83, 95, 258, 259, 330, 356
Goffin, RD, 294
Gollwitzer, M., 275, 281
Gonzalez-Roma, V., 276
Gorsuch, RL, 6
Graham, JW, 257, 356, 358
Grayson, D., 163, 275, 276, 281,
295, 299, 301
Hijau, SB, 149
H
Hagtvet, KA, 163
Hancock, GR, 304, 333
Harlow, LL, 72
Harter, S., 53
Hau, K.-T., 163
Hayashi, K., 33
Henly, SJ, 79, 258, 259
Hernández, A., 276
Hershberger, SL, 149, 358
Hoadley, D., 260
Hoelter, JW, 83
Hofer, SM, 303
Hoffman, L., 303
Holahan, PJ, 78
Hollis, M., 303, 354, 359
Hong, S., 6
Hontangas, PM, 276, 281
Hoogland, JJ, 83, 95
Hox, JJ, 275
Hoyle, RH, 8, 107
Hu, L.-T., 77, 78, 79, 80, 81, 82, 83, 84, 105
Huba, GJ, 130, 257
Hubner, JJ, 53
Hussong, AM, 305
Halaman 408
Indeks Penulis
387
saya
Ichikawa, M., 333
J
Jackson, SE, 97, 98, 116, 166, 198
James, LR, 78, 79
Johnson, NI, 330
Jöreskog, KG, 8, 49, 57, 76, 77, 81, 84,
85, 86, 90, 91, 95, 110, 111, 148,
149, 150, 198, 199, 200, 234, 257,
355, 357, 365
K
Kano, Y., 84, 105
Kaplan, D., 148, 181, 303, 354, 359
Kashy, DA, 275, 281, 295, 297, 298, 299
Keiley, MK, 322, 324
Kenny, DA, 275, 281, 294, 295, 297, 298
Kerlinger, FN, 14
Khoo, ST, 304
Kim, S., 163
Kirk, RE, 72
Kishton, JM, 163
Kleiboer, AM, 275
Kline, RB, 8, 33, 103, 105, 332, 333,
353, 357, 358
Konishi, S., 333
Kornelis, C., 281, 294, 301
Kosson, DS, 231, 244
Kotz, S., 330
Kuo, W.-L., 304
Kwok, O.-M., 202
L.
La Du, TJ, 84
LaGrange, B., 275
Lam, WWT, 307
Lambert, PL, 358
Lance, CE, 275, 294, 299
Larsson, B., 129, 260
Lawrence, FR, 304
Lee, PWH, 260
Lei, M., 84, 330
Leiter, MP, 161
Lewis, C., 79, 330
Li, F., 303
Lievens, F., 275, 294, 299
Lind, JC, 73
Lind, S., 79
Lindenberger, V., 164
Lischetzke, T., 275, 281
Little, KA, 163, 164
Little, PH, 231
Little, RJA, 324, 355, 359
Loehlin, JC, 8
Lomax, RG, 84, 330
Panjang, JS, 6, 8, 14, 33
Luo, Z., 83
M.
MacCallum, RC, 6, 33, 71, 73, 76, 80,
81, 82, 89, 91, 127, 221, 257,
258, 259, 330
MacKinnon, DP, 83, 148, 304
Mar, M., 73, 79, 257, 259
Marcoulides, GA, 8, 33, 103
Mardias, KV, 104
Marlin, MM, 257
Marquis, JG, 149
Marsh, HW, 54, 77, 78, 163, 231, 275,
276, 281, 294, 295, 297, 299,
301, 330, 356
Maslach, C., 97, 98, 116, 166, 198
McArdle, JJ, 304, 353
McAvey, E., 304
McDonald, RP, 6, 77, 330, 356
Melin, L., 129, 260
Mendelson, M., 129, 334
Meredith, W., 232, 304
Micceri, T., 329
Michie, C., 231, 244
Millsap, RE, 202
Mock, J., 129, 334
Moustaki, I., 151
Mulaik, SA, 6, 72, 78, 79, 95
Muthén, B., 77, 148, 150, 200, 231, 257,
303, 354, 359
Muthén, BO, 151, 304
Muthen, LK, 151
N
Nasser, FM, 163
Necowitz, LB, 8, 73, 91, 221, 257, 258, 330
Nesselroads, JR, 164
Nevitt, J., 333
Noble, CL, 275, 294, 299
Noreen, EW, 331
Nussbeck, FW, 275, 281
Halaman 409
388
Indeks Penulis
HAI
O'Brien, RM, 149
Oliver, A., 276, 281
Olsen, MK, 357
Omar, MH, 260
P
Pettegrew, LS, 164
Pomplun, M., 260
Pengkhotbah, KJ, 6
Pugh, PH, 200
R
Raaijmakers, QA, 356
Raferty, AE, 82
Raudenbush, SW, 304
Raykov, T., 8, 84, 103, 358
Reise, SP, 200, 202, 231
Reith, JV, 73, 79, 257, 259
Rensvold, RB, 221, 223, 271, 281, 290
Rindskopf, D., 38, 132, 143
Rogers, JM, 163
Rogosa, DR, 304
Rose, T., 38, 132, 143
Rosen, M., 353
Rosenberg, M., 236
Rourke, BP, 260
Rovine, MJ, 357
Rozeboom, WW, 71
Roznowski, M., 8, 73, 79, 91, 221, 257,
258, 259, 330
Rubin, DB, 154, 354, 355, 359
S
Saris, W., 8, 14, 33, 86, 151, 276, 281, 301
Saris, WE, 79, 281, 294, 299, 329
Satorra, A., 79, 84, 105, 126, 151, 329
Savalei, V., 358
Savla, J., 83
Sayer, AG, 304, 305, 306, 308, 315, 324
Schafer, JL, 356, 357, 358, 359
Schmidt, FL, 72
Schmitt, KF, 163
Schmitt, N., 275, 301
Schumacker, RE, 8
Schwartz, G., 82
Scullen, SE, 275, 294, 299
Shahar, G., 163, 164
Shavelson, RJ, 53, 200, 231, 235, 236, 257
Penyanyi, JD, 325
Sivo, SA, 83
Soares, AT, 236
Soares, LM, 236
Sobel, MF, 84, 95
Sörbom, D., 8, 67, 76, 77, 81, 84, 91, 149,
200, 233, 234, 357, 365
Stanton, GC, 53
Stapleton, LM, 259
Steer, R., 129, 334
Steiger, JH, 72, 73, 79, 80, 81
Stein, JA, 231
Stern, HS, 154
Stewart, SM, 260
Stilwell, CD, 78
Stine, RA, 330, 332, 333
Stoel, RD, 84
Strahan, EJ, 6
Stronkhurst, H., 8, 14, 33
Strycker, LA, 303, 305, 307, 312, 325
Stults, DM, 275, 301
Sugarawa, HM, 71, 73, 76, 80, 82, 127
Musim panas, GF, 77
T
Tanaka, JS, 77, 84, 130, 257, 258
Thompson, B., 72, 77, 83
Tibshirani, RJ, 351
Tisak, J., 304
Tomarken, AJ, 304
Tomas, JM, 276, 281
Trierweiler, LI, 281
Tucker, L.R., 79, 330
U
Uchino, BN, 8, 257
V
Van Altrine, J., 79
van den Wittenbower, WW, 84
van der Veld, W., 281, 294, 301
W
Wallen, NG, 304
Wang, L., 77, 83
Wang, N., 260
Wang, S., 260
Halaman 410
Indeks Penulis
389
Ward, CH, 129, 334
Wegener, DT, 6, 8, 257
Barat, SG, 83, 84, 103, 104, 105, 148,
329, 330
Wheaton, B., 77, 84, 91, 95
Whittaker, TA, 259
Widaman, KF, 6, 84, 163, 164, 200, 202,
231, 275, 276, 281, 301
Willett, JB, 304, 305, 306, 308, 315,
322, 324, 325
William, LJ, 78
Willoughby, MT, 304
Wirth, RJ, 305
Wittmann, WW, 83
Wolf, GE, 164
Layak Gavin, DA, 93, 2914
Layak, BM, 53
Wothke, W., 281, 351, 356, 357, 359
Y
Yi, Y., 276, 281
Yuan, K.-H., 83, 358
Yung, Y.-F., 330, 332, 333
Z
Zhang, S., 6
Zhu, W., 330, 331, 332
Zimowski, M., 304
Halaman 411
Halaman 412
391
SEBUAH
Indeks Good-of-Fit yang Disesuaikan
(AGFI), 77–78
Kriteria Informasi Akaike (AIC), 82
AMOS. Lihat juga AMOS Graphics
variabel kategori, menganalisis ( lihat
variabel kategori)
data yang hilang, berurusan dengan ( lihat data,
hilang)
AMOS C #, 17
Grafik AMOS. Lihat juga output AMOS
file
Properti Analisis, 84–85, 100, 101 f,
103, 152–153, 185, 244
Menu Analisis, 30, 62
Bayesian SEM Toolbox, 155 ( lihat juga
Estimasi Bayesian)
Persediaan Beck Depression II
pemodelan hipotetis ( lihat
Inventarisasi Depresi Beck II
(Versi Cina))
file yang bekerja di belakang layar, 174
Tab Bootstrap, 336–337 ( lihat juga
bootstrap)
Ikon Calculate Estimates, 62
Ikon Perhitungan, 100
memilih sebagai metode AMOS, 17
Papan klip, 64
Tab warna, 39
format koma-delineated, 61-62
Salin, 64
Ikon Covariance, 27, 112
Rasio kritis untuk Diffs, 134
File Data, 60, 61, 166, 167
menentukan lokasi dan pemilihan
file data, 168 f
Menu Diagram, 29
menggambar program, perbandingan dengan, 17
Gambar Ikon Variabel yang Tidak Diamati, 23
meja alat gambar, 20–21 t
Ikon Gandakan, 26, 64
Menu edit, 29, 64
Hapus Ikon, 38
Pesan kesalahan, 40, 101 f, 168 f
perkiraan faktor pemuatan, 241
Menu file, 60
Isi gaya, 39
memfinalisasi file data, 169 f
pemodelan SEM penuh ( lihat SEM penuh)
Menu bantuan, 62, 133
hipotesis model CFA orde pertama
contoh, 22–23
model SEM semu dihipotesiskan
contoh, 41–43, 45
hipotesis struktur satu faktor
contoh model, 93
hipotesis CFA orde kedua
contoh model, 35–38
struktur dua faktor yang dihipotesiskan
contoh model, 91, 92 f, 94 t
Ikon Indikator, 23, 24, 25
memulai, 18
Kotak dialog Properti Antarmuka, 166
Alat pembesar, 59–60
Kelola Grup, 205, 207 f
Inventarisasi Maslach Burnout,
pemodelan ( lihat Maslach Burnout
Inventaris)
model salah spesifikasi, 84–86, 89
Menu Model-Fit, 205
memodelkan prosedur bootstrap ( lihat
bootstrap)
pemodelan model multigroup
( lihat multigroup MBI
model hipotesis)
Indeks Subjek
Halaman 413
392
Indeks Subjek
alat pemodelan, 18–19
indeks modifikasi, 84–85, 86
Ikon Pindahkan, 27
Pindahkan Parameter, 215
Analisis Kelompok Berganda, 244, 245
Ikon Pilihan Berganda, 26, 27
model baru, 23
Properti Obyek, 28, 29, 35, 39, 45, 46,
138 f, 246, 280 f
Tab Output, 100, 185–186
Ikon Oval, 38
Tab parameter, 46, 246
diagram jalur, 9–10, 19, 38–41,
45–46, 48–49
Ikon Path, 39, 116
Ikon Jeda, 155
Kotak dialog Diagnostik Posterior,
155, 156 f
Pilihan putar, 25
Ikon gulir, 56, 59
Cari, 133
Setel tab Default, 39
residu standar, 84-86
model sarana terstruktur ( lihat
model sarana terstruktur)
Ikon Output Teks, 64
Isi transparan, 39, 40
Lihat Data, 60
Lihat menu drop-down, 64
Lihat menu, 30
Lihat ikon Output Path Diagram, 62
Kotak dialog peringatan, 280 f
Ikon Perbesar, 56, 59
File output AMOS
Perkiraan, 68
mengevaluasi kesesuaian model, 83-84
indeks goodness-of-fit, 84. Lihat juga
indeks spesifik
statistik good-of-fit, 70–71, 73,
74–75 t, 75, 77
model kelelahan guru yang dihipotesiskan
( lihat Skala Stres Guru)
model dua faktor yang dihipotesiskan, 83
pencarian spesifikasi, 89–91
Panduan Referensi AMOS, 68, 133, 137, 138 f
AMOS VB.NET, 17
ANOVA, 143
B
Estimasi bayesian
aplikasi dalam AMOS, 152-157
gambaran umum, 151
Plot histogram diagnostik SEM, 158 f
Plot poligon diagnostik SEM, 156 f
Alur jejak diagnostik SEM, 158 f
Pesan kesalahan SEM, 156 f
Jendela SEM, 154 f
versus ML, pemuatan faktor, 159 t
Inventarisasi Depresi Beck II
(Versi Cina)
AMOS Graphics faktorial
struktur, 130, 131 f, 132–134
Output AMOS, 133 t
variabel kategori, menganalisis,
148, 149–151
Metode CRDIFF, 133–134, 135, 141
ringkasan goodness-of-fit, 140–141, 143
pengujian hipotesis menggunakan Bayesian
estimasi, 151–157
hipotesis model orde kedua, 137,
139 f, 140, 144–146 t
status identifikasi, mengonfirmasi, 132
Analisis ML, 152, 155, 157, 159, 160
model maximum likelihood (ML)
perkiraan, 141
indeks modifikasi model, 142-143 t
ikhtisar, 129–130
pendahuluan dihipotesiskan
model, 134–137
model hipotesis orde kedua, 130
Pengukuran perilaku, 4
Bootstrap
menerapkan bootstrap dengan
AMOS, 336–337
manfaat dan keterbatasan, 332–333
keyakinan bias-dikoreksi
interval, 351–352
hati-hati dalam penggunaan, 333-334
faktor memuat kesalahan standar,
347–350 t, 351
pemuatan faktor kemungkinan maksimum
perkiraan, 343-344 t
arti istilah, 330-331
Perkiraan ML, 342
Kesalahan standar ML, 342, 345–346
pemodelan menggunakan AMOS Graphics,
334, 335 f, 336
tidak normal, 340
penilaian normalitas dalam AMOS
output, 338
outlier, 340–341
ringkasan parameter dalam AMOS
output, 337–338
Halaman 414
Indeks Subjek
393
karakteristik sampel, 336
prinsip dasar, 331–332
penggunaan, 330–331
C
Variabel kategorikal
Pendekatan AMOS, 151
strategi analitik, 150–151
tabel frekuensi, memanfaatkan, 150
timbangan, 150
teori analisis, 149–150
Ubah, bagan melalui kurva pertumbuhan laten
model, 303. Lihat juga laten
model kurva pertumbuhan
Kedekatan uji kecocokan (PCLOSE), 81, 108
Comparative Fit Index (CFI), 78, 79
pengujian kesetaraan multigroup, 271
Interval kepercayaan dipengaruhi oleh
ukuran sampel, 81-82
Analisis faktor konfirmasi
analitik faktor konfirmasi orde pertama
(CFA) model ( lihat orde pertama
analitik faktor konfirmasi
(CFA) model)
Analisis faktor konfirmatori (CFA), 5, 6
Pendekatan Bayesian untuk analisis ( lihat
Estimasi Bayesian)
orde pertama ( lihat model orde pertama CFA)
SEM penuh, dari, 164–172
Kriteria Informasi Akaike yang Konsisten
(CAIC), 82
Struktur kovarian, 14–15
model dasar, membangun,
262–264, 265
sampel kalibrasi dan validasi,
menguji, 259–260
validasi silang dalam pemodelan, 257–259
statistik goodness-of-fit, 269
model hipotesis, 260, 261 f, 266 f
pengujian memanfaatkan otomatis
pendekatan, 266-269
versus struktur rata-rata laten, 232-233
Critical N (CN), 83
Perbedaan rasio kritis (CRDIFF)
metode, 133–134, 135, 141
Indeks Validasi Lintas (CVI), 259
D
Data, hilang
Pendekatan AMOS, 358–359
kesimpulan bias yang disebabkan oleh, 353
statistik good-of-fit, 364-365
model hipotesis, 362 f
tak terhindarkan, 353
penghapusan listwise, 355-356
ringkasan model, 361, 363
pemodelan dengan AMOS
Grafik, 359-361
ikhtisar, 353–354
penghapusan berpasangan, 355–356
estimasi parameter, 363-364
ringkasan parameter, 361
pola dalam data tidak lengkap, 354–355
imputasi tunggal, 356-358
E
Variabel laten endogen, 5
Program EQS
statistik parameter, 127
Keunikan galat, 10
Variabel laten eksogen, 5, 10
Indeks Validasi Lintas yang Diharapkan
(ECVI), 82–83
Analisis faktor eksplorasi (EFA), 5-6
F
Model analitik faktor, 5-6
Faktor, 4. Lihat juga variabel laten
Model CFA orde pertama
AMOS Graphics, memanfaatkan, 56, 59-60
hipotesis model empat faktor CFA
Misalnya, 53–54, 56, 57–58 t,
64, 69–70 t
Faktor konfirmasi pesanan pertama
model analitik (CFA)
instrumen penilaian, penerapan
ke, 97–98
Inventarisasi Maslach Burnout, dari ( lihat
Inventarisasi Maslach Burnout)
ikhtisar, 97–98
Faktor urutan pertama, 35, 37
Model variabel laten penuh (LV), 6-7
SEM penuh
Pemodelan Grafis AMOS, 162–164
analisis faktor konfirmasi, 164
model hipotesis terkait dengan
kelelahan guru, 161–162
ikhtisar, 161
skematis, 164, 165 f
Halaman 415
394
Indeks Subjek
G
Indeks Goodness-of-Fit (GFI), 77-78
H
Model LGC domain ganda yang dihipotesiskan
Pemodelan Grafis AMOS, 309–313
Output AMOS, 314–315, 318–320
parameter pertumbuhan, 308
perubahan antarindividu,
pemodelan, 308–309
perubahan intraindividual,
pemodelan, 305–308
model pengukuran, 307
ikhtisar, 305
Model mean laten yang dihipotesiskan,
konsep diri
Ringkasan output AMOS, 247–250
model dasar, 236–237
invarian configural, 239
model empat faktor, 235 f
statistik kebaikan, 250
perbedaan rata-rata laten, 243–247
invariansi pengukuran,
239–240, 242
ikhtisar, 234–236
estimasi parameter, 250–251,
252–253 t, 253–255
ikhtisar proses pengujian, 238–240, 242
saya
Incremental Index of Fit (IFI), 79
J
Model struktural yang baru diidentifikasi, 34
K
Kurtosis, 103, 104, 105
L.
Teori sampel besar, 76
Model kurva pertumbuhan laten
hipotesis dual-domain LGC
model ( lihat hipotesis dua
model domain LGC)
pengukuran pada individu, 304–305
ikhtisar, 303–302
asumsi statistik, 324
pengujian menggunakan invarian waktu
prediktor perubahan
(gender), 320–322, 324–325
Struktur rata-rata laten
konsep dasar, 231–233
estimasi, 233–234
identifikasi faktor, 233, 234
model hipotesis terkait dengan self
konsep ( lihat hipotesis
model mean laten, konsep diri)
identifikasi model, 233–234
Variabel laten, 4-5
Data skala jenis likert, 148
M.
MANOVA, 143
Rantai Markov Monte Carlo (MCMC)
algoritma, 153, 155
Inventarisasi Maslach Burnout, 97
penilaian normalitas, 102-105
model akhir dari struktur faktorial
menggunakan AMOS Graphics,
118, 119 f, 120-124 t, 125
statistik goodness-of-fit, 106-108, 114
model hipotesis CFA, 166
model hipotesis, 98
model multigroup dihipotesiskan
( lihat multigroup MBI
model hipotesis)
ringkasan model, 102
indeks modifikasi, 108, 109–110 t,
110–112, 114, 116
pencilan, multivarian, 105-106
gambaran umum, 98
analisis post hoc, 112
model struktur faktorial yang diresepkan
menggunakan AMOS Graphics, 111–112,
113 f, 114, 115-116 t, 116, 117 f, 118 t
Statistik skala Satorra-Benlter
menganalisis, 125-127
struktur tiga faktor analisis
menggunakan AMOS Graphics, 98,
99 f, 100-101
MBI multigroup model hipotesis
AMOS Diagram jalur grafis, 201 f
penilaian untuk pengukuran dan
invarian struktural, 221
beberapa grup otomatis
pendekatan, 217, 219–221
garis dasar, pembentukan, 200, 201–202, 205
Halaman 416
Indeks Subjek
395
model konfigurasi (AMOS
output), 209–212
kendala kesetaraan, 216 f, 218 f,
224 f, 229 f
statistik good-of-fit, 212–213,
225 t, 226–227 t, 228
statistik goodness-of-fit untuk
garis dasar, 204 t
model pengukuran, 221–223, 225
pemodelan dengan AMOS Graphics, 205,
206 f, 207–208
multigroup invarian, 208–209
ikhtisar, 200
proses spesifikasi, 213–215
model struktural, 228, 230
Model pengukuran, 12-13
Fungsi perbedaan minimum, 80
Identifikasi model, 33–35
Kesetaraan multigroup
Model hipotesis MBI ( lihat MBI
multigroup dihipotesiskan
model)
hipotesis nol, 198
ikhtisar, 197–198
naiknya temuan yang dilaporkan, 231
sampel tunggal, versus, 197
pengujian invarian, 198–199
strategi pengujian, 199-200
Invarian multigroup
Pendekatan CFI, 271
statistik good-of-fit, AMOS
output, 269, 283, 285 t
pengujian manual versus otomatis, 213
MBI multigroup dihipotesiskan
model ( lihat multigroup MBI
model hipotesis)
Pendekatan perbedaan X2, 269-271
Model multitrait-multimethod (MTMM)
Pendekatan CFA ke, 276-278, 282
validitas konvergen dan diskriminan,
analisis tingkat parameter,
291, 292, 294
validitas konvergen dan diskriminan,
pengujian untuk, 288, 290-291
perkiraan kovarian, 279
korelasi kesalahan, 300 t
pemuatan faktor, pentingnya, 279
indeks goodness-of-fit, 290 t
model hipotetis 1,
278–279, 281–283
Model hipotetis 2, tanpa ciri /
metode berkorelasi, 285, 286 f
Model hipotetis 3, sempurna
sifat berkorelasi / bebas
metode berkorelasi, 287, 287 f, 288
Model 4 hipotetis, secara bebas
sifat berkorelasi / tidak berkorelasi
metode, 288, 289 f
Model hipotetis 5, berkorelasi
pendekatan keunikan, 294–295,
296 f, 297–299, 301
ikhtisar, 275–276
Distribusi multivarian, 103, 104, 105
N
Parameter noncentrality (NCP)
perkiraan, 79
Normed Fit Index (NFI), 78
HAI
Variabel yang diamati, 4-5
diagram jalur sampel, 9-10
Pencilan, pendekatan pendeteksian, 105–106
Model struktural yang teridentifikasi, 34
P
Parameter kovarian, 31
Indeks Goodness-of-Fit Parsimony
(PGFI), 78, 79
Invarian pengukuran parsial, 200
PCLOSE, 81, 108
R
Analisis regresi, 85-86
Koefisien regresi, 14
Persamaan regresi, 11-12
Bobot regresi, 184–185 t
Relative Fit Index (RFI), 79
Root berarti kuadrat perkiraan
(RMSEA)
model hipotesis Guru
Skala Stres, 176
Contoh model MBI, 114, 118, 127
alasan penggunaan, 80–81
S
Statistik skala Satorra-Benlter
menganalisis, 125-127
Faktor orde kedua, 36, 37
Halaman 417
396
Indeks Subjek
Aplikasi SPSS, 61
Kesalahan standar, 67
Pemodelan statistik
model alternatif (AM), 8
pembuatan model (MG), 8
proses pemasangan model, 7-8
konfirmasi ketat (SC), 8
kegunaan, 7
Pengujian signifikansi statistik, 71-73
Pemodelan persamaan struktural (SEM)
komposisi dasar, 12-14
Estimasi Bayesian ( lihat
Estimasi Bayesian)
bootstrap ( lihat bootstrap)
mendefinisikan, 3
plot histogram diagnostik, 158 f
plot poligon diagnostik, 156 f
plot jejak diagnostik, 158 f
proses estimasi, 73
SEM penuh ( lihat SEM penuh)
teori sampel besar, 102–203
teori sampel besar, yang mendasarinya
asumsi, 329
komponen pengukuran, 12-14
model pengukuran, 307
model yang sesuai, menganalisis, 66-67
data tidak normal, 329–331
komponen yang tidak terlihat, 12
data ordinal, debat tentang perlakuan sebagai
terus menerus, 143, 147, 148–149
estimasi parameter, 67-68
diagram jalur, 9-11
popularitas, 3–4
analisis post hoc, 89–91
tujuan, 85
Pesan kesalahan SEM, 156 f
komponen struktural, 13
simbol notasi, 9
versus multivariat generasi yang lebih tua
prosedur, 3–4
Model struktural, 13
Model sarana terstruktur, 238
T
Skala Stres Guru, 164
Output AMOS untuk Model CFA, 169 t,
170 t, 171 t, 172 t, 174–175
keluaran AMOS model akhir, 186–187,
188–189 t, 189, 190 t, 191 f, 192–194
ringkasan goodness-of-fit dari
model hipotesis, 176,
178–179, 180, 181, 182, 186–187
faktor konfirmasi hipotesis
model analitik, 167 f
model kekikiran, 183, 185–186
indeks modifikasi dari
model hipotesis, 177–178,
179, 180–181, 181, 182
estimasi parameter, model akhir, 187
analisis post hoc, 178–179
hipotesis yang direvisi
analitik faktor konfirmasi
model, 173 f
Alur waktu-seri, 157
Tucker-Lewis Index (TLI), 79, 80
U
Model struktural yang tidak teridentifikasi, 34
W
Aturan WYSIWYG, 31, 174
Halaman 418

Semsem

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Semsem

Diunggah oleh

Hak Cipta:

Format Tersedia

Halaman 1

Seri Aplikasi Multivarian

Ucapan Terima Kasih

Gambar 2.25 Model persamaan struktural penuh hipotesis.

Gambar 2.29 Memutar istilah kesalahan sisa.

1985). Pada dasarnya, ini berfungsi sebagai ukuran perbedaan antara

(205) = 693.849), untuk

contoh, menghasilkan perbedaan nilai χ 2 (∆χ 2

versus .878) dan nilai RMSEA (.065 versus .072).

(1) = 41.784). Demikian juga, ada peningkatan yang jelas

dari Model 3 sehubungan dengan RMSEA (0,060 versus 0,065) dan

0,055) agak kurang pas dibandingkan dengan yang awalnya dihipotesiskan

untuk jalur dari Iklim Kelas ke Depersonalisasi sedikit

indeks terkait dengan estimasi Model 4 disajikan pada Tabel 6.10.

melebihi nilai estimasi statistik perubahan parameter, juga sta

∆CFI = .001. Tidak mengherankan, mengingat ketatnya statistik, yang χ 2 perbedaan

6.173, yang tidak signifikan secara statistik.

Untuk membiasakan Anda dengan pohon direktori keluaran AMOS di

RMSEA = .051). Meskipun perbedaan χ 2 dari model konfigurasi

.121, .147). Ringkasan perbandingan antara model ini dan Model 1,

RMSEA = .011, 90% CI .081, .110).

CFI = .973; RMSEA = .063).

Anda mungkin juga menyukai