TUGAS MATA KULIAH STATISTIK MULTIVARIAT

Dosen
Perengki Susanto, S.E. MSc. Ph.D

Materi : Bab 9

Oleh

Nama : Rika Mitaliani

NIM : 20081034
Semester :2
Program Studi : Magister Manajemen

MAGISTER MANAJEMEN
UNIVERSITAS NEGERI PADANG
2021
Bab 9 (Pertanyaan Halaman 649)
1. Apa perbedaan antara konstruksi laten dan variabel terukur

Konstruksi laten adalah variabel yang tidak dapat diukur secara langsung (konstruksi,
faktor, sub-skala) untuk analisisnya digunakan Structural Equation Modeling (SEM). Konstruksi
laten pada dasarnya sangat subyektif dan itu membuatnya sulit untuk digunakan dalam studi
penelitian. Pikiran subyektif ini tidak dapat diukur pada skala statistik. Konstruk harus
dikonversi menjadi variabel sehingga dapat diukur, meskipun pada skala yang berbeda variabel
yang sama akan memiliki ketepatan yang berbeda. Konstruk dapat didefinisikan secara
konseptual karena mereka memiliki makna dalam istilah teoritis. Mereka bisa abstrak dan tidak
perlu diamati secara langsung. Contoh konstruk adalah Pemberdayaan Psikologis atau Modal
Psikologis . berbeda dengan Variabel terukur, suatu Variabel harus dapat diukur, dengan tingkat
akurasi yang bervariasi. Terukur adalah perbedaan utama antara konstruk dan variabel. Suatu
variabel dapat diukur baik dengan menggunakan metode kasar atau halus atau menggunakan
metode subjektif atau objektif. Ada berbagai skala dan variabel dapat diukur pada salah satu
skala tersebut. Variabel statistik dapat diukur pada skala nominal, ordinal, rasio atau interval.
Kemampuan variabel ini membawa objektivitas dalam temuan penelitian.
Jika peneliti menggunakan beberapa konstruk dalam penelitiannya, ia perlu mengetahui
beberapa indikator yang mencerminkan konsep-konsep. Indikator-indikator ini dapat dipilih
secara subjektif oleh peneliti tetapi indikator tersebut harus memiliki hubungan logis dengan
konsep tersebut. Indikator kemudian dapat dikonversi menjadi variabel. Nama lain dari variabel
adalah observed/ measured variables, variabel manifest, items atau indikator. 

2. Apa ciri-ciri pembeda Covariance- berbasis SEM

Covariance atau Kovarians merupakan Perubahan dalam satu hal berkaitan secara
proporsional untuk perubahan dalam hal lain. untuk merekonstruksi korelasi atau kovarians
antara variabel-variabel yang diukur mengikuti aturan analisis jalur (path analysis). Atau,
estimasi parameter dapat digunakan untuk membangun nilai-nilai yang diprediksi untuk setiap
observasi mirip dengan cara nilai-nilai diprediksi yang ditemukan dalam analisis regresi
berganda.
Kemudian, matriks kovarians yang diperkirakan dapat dihasilkan dengan menghitung
kovarians diantara item yang diukur. Dalam beberapa kasus, matriks kovarian estimasi dihitung
sehingga dapat dibandingkan dengan yang diamati. Semakin dekat  matriks kovarians, fit akan 
semakin baik. SEM algorithms dirancang untuk menemukan estimasi parameter yang akan
meminimalkan perbedaan antara kedua item yang diberikan spesifikasi yang sesuai dengan
model peneliti
Perbedaan dalam matriks kovarians (S - Σk) adalah nilai kunci dalam SEM. Memang,
prosedur estimasi SEM seperti maximum likelihood menghasilkan perkiraan parameter yang
secara matematis meminimalkan perbedaan untuk model tertentu. Sebuah pengujian Ch-square
(χ2) menyediakan pengujian statistik untuk menghasilkan  perbedaan.
3. Jelaskan bagaimana matriks kovarian yang diperkirakan masuk Analisis CB-SEM (∑k) dapat
dihitung. Mengapa kami membandingkannya dengan S
SEM memiliki banyak kesamaan dengan regresi berganda dan analisis faktor. Regresi
berganda juga digunakan untuk menguji hubungan ketergantungan. Namun, itu tidak dapat
menilai hubungan untuk beberapa variabel dependen secara bersamaan. Persamaan untuk SEM
dan analisis regresi berganda serupa dalam bentuk.Estimasi matriks kovarians dapat dihitung
dengan menggunakan estimasi parameter yang disediakan oleh SEM untuk merekonstruksi
korelasi atau kovarian antara variabel yang diukur mengikuti aturan analisis jalur.
Perbedaan dalam matriks kovarians (S - Σk) adalah nilai kunci dalam SEM. Memang,
prosedur estimasi SEM seperti maximum likelihood menghasilkan perkiraan parameter yang
secara matematis meminimalkan perbedaan untuk model tertentu. Sebuah pengujian Ch-square
(χ2) menyediakan pengujian statistik untuk menghasilkan  perbedaan.
Covariance-based SEM (CB-SEM) dapat dihitung dengan Lisrel, AMOS, EQS, Mplus,
dan sebagainya. Estimasi dengan CB-SEM membutuhkan serangkaian asumsi yang harus
terpenuhi seperti normalitas data secara multivariat, ukuran sampel minimum, homoskedastisitas,
dan sebagainya. Jika asumsi-asumsi tersebut tidak terpenuhi atau tujuan penelitian adalah
prediksi dan bukan konfirmasi hubungan struktural, maka SEM-PLS dapat menjadi pilihan
Jika data memenuhi asumsi-asumsi CB-SEM secara tepat seperti minimal ukuran sampel
dan distribusi normal maka pilih CB-SEM. Jika tidak memenuhi, pilih SEM-PLS. Jika ukuran
sampel relatif kecil, pilih SEM-PLS. Dengan data yang besar, hasil CB-SEM dan SEM-PLS
relatif sama. Jika data tidak terdistribusi secara normal pada tingkatan tertentu, pilih SEMPLS.
Dalam kondisi distribusi normal, hasil CB-SEM dan SEM-PLS relatif sama, namun hasil
estimasi CB-SEM sedikit lebih tepat. Pada SEM-PLS, untuk ukuran sampel besar (>250) dapat
meningkatkan ketepatan dan konsistensi hasil estimasi SEM-PLS, dan dalam SEM-PLS tidak
mensyaratkan asumsi distribusi data. SEM-PLS merupakan pendekatan nonparametrik; dapat
bekerja dengan baik bahkan untuk data tidak normal secara ekstrim.
Strategi estimasi SEM umumnya menggunakan two step approach, Metode dengan
mengestimasi awal model pengukuran (CFA) secara simultan lalu mengevaluasi model
pengukuran tersebut. Jika model memperoleh hasil kecocokkan yang baik pada model
pengukuran maka dilanjutkan dengan pengujian model struktural. Salah satu tujuan utama
confirmatory factor analysis (CFA) adalah menguji tingkat validitas variabel laten/konstrak dari
teori model pengukuran yang diajukan. Ada dua pemeriksaan validitas konstrak yaitu:
Convergent Validity dan Discriminant Validity.

4. Bagaimana pemodelan persamaan struktural mirip dengan teknik multivariat lain yang
dibahas di bab sebelumnya
Estimasi dengan CB-SEM membutuhkan serangkaian asumsi yang harus terpenuhi
seperti normalitas data secara multivariat, ukuran sampel minimum, homoskedastisitas, dan
sebagainya. Covariance-based Structural Equation Modeling (CB-SEM) merupakan Suatu teknik
lanjutan dari analisis regresi linear dimana bobot regresi dibatasi agar menjadi sama satu dengan
lainnya. Jadi model persamaan strukturalnya mirip atau hamper sama dengan teknik multivariate
lainnya. Jika asumsi-asumsi tersebut tidak terpenuhi atau tujuan penelitian adalah prediksi dan
bukan konfirmasi hubungan struktural, maka SEM-PLS dapat menjadi pilihan. Analisis CB-SEM
terdiri dari dua tahap sehingga dikenal sebagai two-steps approach, yaitu: Melakukan konfimasi
model pengukuran (confirmatory factor analysis) dan tahap Mengevaluasi model struktural
(structural model). model pengukuran biasa disebut confirmatory factor analysis model (model
CFA). manfaat utama dari confirmatory factor analysis (CFA) adalah kemampuan menilai
validitas konstruk dari measurement theory yang diusulkan. Validitas konstruk mengukur sampai
seberapa jauh ukuran indikator mampu merefleksikan konstruk laten teoritisnya. Jadi validitas
konstruk memberikan kepercayaan bahwa ukuran indikator yang diambil dari sampel
menggambarkan skor sesungguhnya di dalam populasi. Ada empat ukuran validitas konstruk,
yaitu convergent validity, variance extracted, reliability, dan discriminant validity. Analisis CB-
SEM terdiri dari dua tahap sehingga dikenal sebagai two-steps approach, yaitu Melakukan
konfimasi model pengukuran (confirmatory factor analysis) dan tahap Mengevaluasi model
struktural (structural model).

5. Jelaskan apa yang dimaksud dengan "constraint" dalam SEM dan sertakan sebuah diskusi
tentang bagaimana kendala digambarkan dalam SEM grafis.

Menggunakan model indikator formatif dalam CB-SEM akan menghasilkan model yang
unidentified yang berarti terdapat covariance bernilai nol diantara beberapa indikator. Teori
dalam analisis CB-SEM berperan sangat penting. Hubungan kausalitas model struktural
dibangun atas teori dan CB-SEM hanya ingin mengkonfirmasi apakah model berdasarkan teori
tidak berbeda dengan model empirisnya. CB-SEM memiliki beberapa keterbatasan diantaranya
jumlah sampel yang harus besar, data harus terdistribusi secara multivariat normal, indikator
harus bersifat reflektif, model harus berdasarkan teori, adanya indeterminasi. Untuk mengatasi
keterbatasan-keterbatasan itu maka dikembangkanlah SEM berbasis komponen atau varian yang
disebut Partial Least Square (PLS).
Masalah unidentified ini dapat diatasi dengan konstrain model. setiap perubahan pada
suatu model harus dapat dijustifikasi secara teoritis. Kita tidak boleh menambah konstrain hanya
untuk memastikan bahwa model persamaan kita dapat diidentifikasi. Hayduk (1987) menyatakan
bahwa lebih baik memiliki model yang benar meskipun koefisien estimasinya tidak dapat
diperoleh, dari pada mengestimasi dan mengidentifikasi model yang salah.
contoh kita memperoleh beberapa solusi untuk memecahkan persamaan A x B = 60.
Namun bagaimana jika nilai A ditentukan menjadi 10?, tentu saja dengan mudah kita menjawab
bahwa nilai A = 6. Dalam SEM kita dapat mengatasinya dengan contraint. Constraint dalam
AMOS 18.00 dapat dilakukan dengan : 1. Menambah indikator (variabel manifest) kedalam
model 2. Dengan menentukan (fix) parameter tambahan menjadi 0 (nol). Metode ini yang paling
sering digunakan. 3. Mengasumsikan bahwa parameter yang satu dengan parameter yang lain
memiliki nilai yang sama. Perlu diperhatikan bahwa

6. Apakah teori itu? Bagaimana teori direpresentasikan dalam sebuah kerangka SEM

CB-SEM berkembang pada tahun 1970-an dipelopori oleh Karl Joreskog sebagai
pengembang software Lisrel. Sementara SEM-PLS berkembang setelah CB-SEM dan dipelopori
oleh Herman Wold (pembimbing akademik Karl Joreskog). CB-SEM lebih popular dengan nama
softwarenya seperti:
- Lisrel,
- AMOS,
- EQS,
- Mplus, dan sebagainya.
 SEM-PLS, meskipun relatif baru, namun perkembangannya cukup signifikan dalam
dekade terakhir (Hair dkk., 2013; Kock, 2013). Saat ini cukup banyak software SEM-PLS yang
tersedia seperti:
- PLS-Graph,
- Smart-PLS,
- Visual-PLS,
- WarpPLS, dan sebagainya.
Strategi estimasi SEM umumnya menggunakan two step approach berdasarkan
rekomendasi Anderson dan Gerbing (1988). Metode ini adalah mengestimasi awal model
pengukuran (CFA) secara simultan lalu mengevaluasi model pengukuran tersebut. Jika model
memperoleh hasil kecocokkan yang baik pada model pengukuran maka dilanjutkan dengan
pengujian model struktural.

7. Apa korelasi palsu itu? Bagaimana mungkin terungkap menggunakan SEM

Korelasi palsu (spurious correlation) adalah korelasi yang bermasalah, dimana hasil
regresi yang signifikan dari data yang tidak berhubungan. Error Correction Model (ECM) adalah
suatu model yang digunakan untuk melihat pengaruh jangka pendek dan jangka panjang dari
masing-masing variabel bebas terhadap variabel terikat 
Variabel terikat dan variabel bebas yang digunakan tidak stasioner. Variabel tidak
berkorelasi secara substansi. Sebagai contoh : Variabel terikat Yt adalah konsumsi susu yang
terus meningkat, dan variabel bebas Xt adalah jumlah kendaraan roda dua yang juga terus
meningkat. Model yang dihasilkan baik, dengan koefisien determinasi tinggi, Uji hipotesis yang
signifikan, dan sebagainya. Tapi secara substansi?itulah yang dianalisa sebagai korelasi palsu.

8. Apa yang cocok

9. Apa perbedaan antara absolut dan sebuah indeks kecocokan relatif
10. Bagaimana ukuran sampel mempengaruhi persamaan struktural permodelan
11. Mengapa tidak ada nilai magis yang tersedia untuk dibedakan cocok dari yang buruk di
semua situasi
12. Gambarlah diagram jalur dengan dua konstruksi eksogen dan satu konstruksi endogen.
Konstruk eksogen masing-masing diukur dengan lima item dan konstruk endogen diukur
dengan empat item. Kedua konstruk eksogen diharapkan berhubungan negatif dengan
konstruk endogen.