MODEL PERSAMAAN STRUKTURAL II

“A Flexible Structural Equation Modeling Approach

for Analyzing Means”

Buku Handbook of Structural Equation Modeling

Dosen Pengampu :
Dian Handayani, M.Si.

Disusun Oleh :
Fatma Ramadianti 1314619020
Zakiah Nurul Aulia 1314619031
Faradila Agustin 1314619038
Liswatun Naimah 1314619039

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI JAKARTA
JAKARTA
2022
Pendekatan Structural Equation Modeling yang Flekxible untuk Menganalisis Means
Ilmuwan sosial sering melakukan tes untuk menilai perbedaan cara (Aiken, West, &
Millsap, 2008; Keselman, Algina, Lix, Wilcox, & Deering, 2008). Tes ini dilakukan untuk
mengevaluasi hipotesis untuk analisis varians satu arah dan lebih tinggi (ANOVA) dan desain
analisis varians multivariat (MANOVA), dengan dan tanpa kovariat. Terlalu sering tes ini
diterapkan dalam mode buku masak tanpa mengevaluasi secara kritis apakah hipotesis yang diuji
secara maksimal konsisten dengan hipotesis peneliti, atau mempertimbangkan apakah asumsi yang
mendasari tes statistik terpenuhi. Masalah-masalah potensial ini dapat, untuk sebagian besar,
dihindari dengan mendekati pengujian perbedaan rata-rata ini menggunakan pemodelan
persamaan struktural (SEM). Keuntungan penting dari mengevaluasi hipotesis dalam kerangka
SEM, seperti yang mengenai perbedaan cara, mungkin adopsi pendekatan umum untuk pemodelan
yang menekankan spesifikasi serangkaian model alternatif yang secara hati-hati disesuaikan
dengan teori substantif dan metode yang digunakan dalam suatu belajar (misalnya, Fan &
Hancock, 2012; Green & Thompson, 2006; Hancock, 2010; Rodgers, 2010). Estimasi model
alternatif ini disertai dengan penilaian yang cermat terhadap kecocokan model dengan data yang
diamati untuk memberikan bukti untuk mencapai kesimpulan. Selain itu, sebagai kerangka kerja
pemodelan umum, SEM menawarkan keuntungan karena sangat fleksibel, memungkinkan
pengujian sarana pada laten, serta variabel dependen yang diamati, untuk berbagai desain.
Keuntungan kritis dari fleksibilitas SEM adalah bahwa dengan membuat pilihan berdasarkan
informasi mengenai spesifikasi model dan metode estimasi, sebagian besar asumsi yang
diperlukan oleh metode regresi kuadrat terkecil biasa (OLS) standar dapat ditiadakan. Data yang
hilang bahkan dapat diakomodasi, dengan asumsi pola data yang hilang memenuhi kriteria
tertentu.

Pemodelan Means dalam SEM

Bab kami menggabungkan beberapa perspektif pemodelan yang dianjurkan sebelumnya
dalam literatur. Pertama, kami menggunakan pendekatan perbandingan model untuk mengevaluasi
model alternatif (misalnya, Judd & McClelland, 1989; Maxwell & Delaney, 2004; Namboodiri,
Carter, & Blalock, 1975; Thompson & Green, 2006). Selain itu, kami bergabung dengan orang
lain dalam menggunakan SEM sebagai kerangka kerja untuk sarana pemodelan (misalnya,
Bagozzi, 1977; Bollen, 1989; Green & Thompson, 2003, 2006; Hancock, 1997, 2004, 2010; Kano,
2001; Thompson & Green, 2006). Hancock (2010) menguraikan pendekatan umum untuk
memikirkan kembali analisis ANOVA/MANOVA menggunakan kerangka kerja berbasis
kemungkinan SEM di mana kriteria informasi digunakan untuk perbandingan model. Pendekatan
kami berbagi argumen Hancock bahwa kendala yang diterapkan harus didasarkan pada hipotesis
peneliti dan karakteristik data daripada seperangkat asumsi restriktif yang diperlukan untuk
menerapkan teknik ANOVA tradisional. Selain itu, kami umumnya mendukung perspektif
Rodgers (2010) bahwa SEM menawarkan kontribusi penting untuk apa yang dia gambarkan
sebagai "revolusi pemodelan", yang melibatkan evaluasi berbasis teori dari model yang bersaing.
Kami adalah peserta nonradikal dalam revolusi pemodelan ini karena kami menyertakan pengujian
hipotesis sebagai bagian dari proses pengambilan keputusan statistik.
 Keunggulan SEM dibandingkan teknik ANOVA tradisional dalam mengakomodasi
berbagai sifat distribusi tidak boleh diminimalkan. Ada kepercayaan populer bahwa tes yang
dilakukan dengan metode ANOVA tradisional umumnya kuat terhadap pelanggaran asumsi
normalitas skor dalam populasi dan, pada tingkat yang lebih rendah, homogenitas varian populasi.
Seperti yang dibahas dalam beberapa tinjauan literatur kekokohan, perspektif ini berakar pada
studi awal yang berfokus pada tingkat kesalahan Tipe I di bawah pelanggaran asumsi normalitas
atau homogenitas-of-varian tetapi jarang mempertimbangkan kekuatan atau pelanggaran simultan
dari kedua asumsi ini (ErcegHurn & Mirosevich, 2008; Glass, Peckham, & Sanders, 1972; Lix,
Keselman, & Keselman, 1996; Wilcox, 1995, 2005). Misalnya, meskipun ANOVA dapat dianggap
relatif kuat untuk melanggar asumsi normalitas, ada kemungkinan bahwa ketidaknormalan, dan
khususnya leptokurtosis, akan menghasilkan kesalahan standar rata-rata sampel yang lebih besar
dan menghasilkan efek buruk pada kekuatan untuk pengujian perbedaan rata-rata. (Glass et al.,
1972; Wilcox, 1995, 2005). Juga, pelanggaran asumsi varians normalitas dan homogen secara
simultan dapat menyebabkan tingkat kesalahan Tipe I yang tidak akurat, bahkan jika ukuran
sampelnya sama (Zimmerman, 2004). Meskipun prosedur pengujian alternatif yang
direkomendasikan diarahkan untuk mengatasi pelanggaran tertentu dari asumsi OLS standar, tidak
satu pun dari metode ini yang berkinerja terbaik secara seragam, terutama ketika distribusi
populasi tidak normal dan menampilkan varian yang heterogen (mis., Fan & Hancock, 2012; Lix
et al. , 1996). SEM menawarkan janji sebagai alternatif yang layak karena dapat memungkinkan
terjadinya bersama varian populasi heterogen dan non-normalitas.
Fleksibilitas SEM mendukung analisis perbedaan rata-rata pada variabel dependen yang
diamati atau laten. Peneliti lebih cenderung membuat pilihan yang disengaja mengenai apakah
analisis harus dilakukan pada variabel dependen yang diamati atau laten jika metode pemodelan
menawarkan kapasitas untuk menangani kedua jenis tersebut. Misalnya, kita mungkin memiliki
enam skala yang menilai emosi positif dan negatif sebagai ukuran hasil dalam desain untuk
membandingkan keefektifan tiga metode untuk mengatasi kematian pasangan. Ketiga metode
koping tersebut adalah (1) menghubungi dua atau lebih teman dekat atau kerabat yang setuju untuk
mendengarkan dan berbicara tentang kehilangan setidaknya sekali seminggu selama 15 minggu;
(2) berpartisipasi dalam kelompok dukungan duka online setidaknya sekali seminggu selama 15
minggu; dan (3) membuat program individual yang melibatkan langkah-langkah untuk
memastikan dukungan emosional selama 15 minggu, serta menentukan rutinitas hidup baru.
Dalam konteks penelitian ini, kami berpendapat bahwa peneliti akan lebih mungkin untuk secara
aktif terlibat dalam pilihan di antara metode statistik jika mereka mendekati analisis dari kerangka
kerja SEM. Strategi alternatif mungkin termasuk menganalisis perbedaan cara pada (1) masing-
masing dari enam skala emosi; (2) satu indeks emosi negatif yang merupakan jumlah dari skala
emosi negatif dikurangi jumlah dari skala emosi positif (setelah standarisasi); (3) indeks emosi
negatif yang merupakan penjumlahan dari skala emosi negatif, dan indeks emosi positif yang
merupakan penjumlahan dari skala emosi positif; atau (4) dua variabel laten yang mewakili emosi
negatif dan positif, atau mungkin struktur variabel laten alternatif jika hipotesis unidimensi apriori
tidak didukung secara empiris. Sejumlah kesulitan mungkin dihadapi jika analisis skala individu
dilakukan dengan menggunakan strategi 1. Misalnya, tidak jelas bagaimana menginterpretasikan
hasil jika satu skala emosi positif dan dua skala emosi negatif sangat terkait dengan faktor koping,
tetapi yang lain tiga skala tidak. Strategi 2 dan 3 bermasalah jika indeks yang dibuat tidak mewakili
dimensi yang mendasari enam skala untuk populasi yang diminati. Strategi 1, 2, dan 3 juga
bermasalah karena tidak secara langsung memperhitungkan ketidakandalan variabel dependen.
Strategi 4, yang melibatkan variabel laten, lebih disukai daripada tiga opsi lainnya karena
memungkinkan peneliti untuk menilai secara empiris pilihan variabel dependen dalam konteks
studi penelitian, serta memperhitungkan skala yang tidak dapat diandalkan. Seperti yang akan kita
bahas nanti, para peneliti mungkin masih menghadapi masalah analitik ketika mereka menilai
perbedaan rata-rata pada variabel laten. Mereka harus mampu mendukung struktur variabel laten
yang memiliki arti secara statistik dan konseptual lintas kelompok sebelum menguji perbedaan
rata-rata variabel laten.

Kerangka Pemahaman Analisis Perbedaan Rata - Rata dengan SEM

Dalam bab ini kami mengambil pendekatan blok bangunan untuk analisis rata-rata
menggunakan SEM. Kami awalnya mempertimbangkan tes perbedaan rata-rata pada tindakan
yang diamati. Kami mendemonstrasikan bagaimana melakukan analisis pada langkah-langkah
untuk desain ANOVA satu arah dan kemudian untuk desain yang lebih kompleks. Untuk setiap
desain, kami membahas pendekatan menggunakan analisis regresi OLS sebelum menyajikan
pengujian hipotesis yang sama menggunakan SEM dengan estimasi kemungkinan maksimum
(ML). Penyajian metode OLS sangat membantu dalam memahami metode SEM dari sejumlah
perspektif: (1) Kendala sarana yang digunakan dengan model OLS dapat dibandingkan dengan
model persamaan struktural; (2) meyakinkan untuk mengetahui bahwa estimasi parameter OLS
dan SEM dapat dibandingkan; (3) memungkinkan pengenalan dan diskusi tentang perbedaan nilai-
p yang diperoleh dengan metode regresi OLS dan metode SEM; dan (4) mendorong diskusi tentang
keterbatasan metode regresi OLS dalam hal asumsi yang mendasari dan, sebaliknya, fleksibilitas
metode SEM. Sehubungan dengan poin terakhir ini, kami menunjukkan mengapa tidak perlu
membuat asumsi parametrik restriktif menggunakan metode SEM (misalnya, Fan & Hancock,
2012; Green & Thompson, 2006).
Kami menghabiskan banyak waktu untuk mengembangkan metode untuk menilai
perbedaan rata-rata pada variabel yang diamati karena metode tersebut digeneralisasi untuk
mengevaluasi perbedaan rata-rata pada variabel laten. Kendala yang sama dikenakan pada model
untuk analisis yang melibatkan variabel dependen yang diamati dan laten dalam desain satu arah
dan multi arah, dengan dan tanpa kovariat; Namun, efek langsung dari variabel pengelompokan
lebih pada variabel laten daripada variabel yang diamati. Dalam membahas metode untuk
menganalisis perbedaan rata-rata pada variabel laten, kami fokus terutama pada desain satu arah
karena metode yang dibahas untuk desain multiway dengan variabel yang diamati
digeneralisasikan ke desain yang lebih kompleks dengan variabel laten. Kami menekankan
fleksibilitas metode variabel laten dan mendiskusikan masalah potensial yang mungkin dihadapi
peneliti, dalam arti tertentu, sebagai fungsi dari fleksibilitas ini. Meskipun ruang yang cukup besar
dikhususkan untuk perbedaan rata-rata pada variabel yang diamati karena kami mengambil
pendekatan blok bangunan, kami percaya metode SEM untuk menilai perbedaan rata-rata laten
kurang dimanfaatkan dalam praktik dan, melalui bab ini, ingin mendorong penggunaan yang lebih
besar dari metode ini oleh para peneliti di bidang substantif.

Uji Univariat Perbedaan Rata-Rata pada Pengukuran yang Diamati

Sebelum mempertimbangkan metode untuk menilai perbedaan rata-rata pada pengukuran
yang diamati, ada tiga komentar yang perlu diperhatikan. Pertama, kami membatasi kata faktor
berarti variabel independen dalam desain ANOVA/MANOVA dan menggunakan istilah seperti
variabel laten dan dimensi untuk mewakili konstruksi yang mendasari serangkaian tindakan.
Kedua, kami menggunakan sistem notasi yang sangat sederhana yang menurut kami paling
memungkinkan untuk memahami kesamaan dan perbedaan antara metode OLS dan SEM untuk
menilai perbedaan rata-rata. X dan Y masing-masing mewakili variabel observasi independen dan
dependen. F adalah variabel laten, dan E dan D masing-masing adalah variabel residual untuk Y
dan F. Juga, dengan menggunakan sistem a–b–c yang diperkenalkan oleh Hancock dan Mueller
(2006), kami menunjukkan parameter model persamaan struktural sebagai berikut: a adalah
intersep; b adalah pengaruh satu variabel terhadap variabel lain, dan c adalah varians atau
kovarians. Ketiga, sintaks dan keluaran SAS dan Mplus untuk semua analisis yang dijelaskan
dalam bab ini tersedia di situs web buku pegangan (handbookofsem.com).
Ada dua pendekatan umum yang terkenal untuk menguji perbedaan rata-rata pada tindakan
yang diamati: model regresi, yang mencakup prediktor kode (misalnya, variabel indikator) untuk
faktor, serta intersep (Cohen, Cohen, West, & Aiken, 2008 ; Pedhazur, 1997), dan model linear
umum overparameterized (misalnya, Green, Marquis, Hershberger, Thompson, & McCollam,
1999; Searle, 1971). Sebuah alternatif untuk pendekatan ini adalah model rata-rata sel (e.g., Kirk,
1995; Searle, 1987). Meskipun model rata-rata sel tidak begitu dikenal, kendala yang diperlukan
untuk melakukan pengujian dengan model ini lebih transparan daripada dua pendekatan lainnya,
dan lebih mudah diterapkan dan dipahami. Selain itu, seperti yang akan kita lihat, model rata-rata
sel menggeneralisasi dengan mudah ke metode SEM untuk sarana pengujian.
Dengan model rata-rata sel, variabel indikator dibuat untuk setiap sel, yang merupakan
kombinasi dari level faktor antar subjek. Untuk salah satu variabel indikator, 1 ditugaskan untuk
semua individu dalam sel dan 0 untuk semua individu lainnya. Sel berarti model mencakup semua
variabel indikator tetapi tidak ada intersep.
Dengan model ini, koefisien OLS untuk variabel indikator adalah rata-rata sel. Untuk
menilai hipotesis, model kedua diperkirakan di mana koefisien variabel indikator (yaitu rata-rata
sel) dibatasi agar konsisten dengan hipotesis yang diminati. Kecocokan model pertama (yaitu,
model [LC] yang kurang dibatasi) dibandingkan dengan kesesuaian model kedua (yaitu, model
[MC] yang lebih dibatasi), dengan mempertimbangkan derajat kebebasan kedua model, untuk
mengevaluasi hipotesis yang menarik.
Kami mengilustrasikan uji rata-rata univariat pada variabel terukur menggunakan
pendekatan model regresi rata-rata sel dan mendemonstrasikan generalisasinya pada analisis SEM.
Pada Tabel 24.1, kami menyajikan data dari studi fiktif. Dalam konteks studi longitudinal yang
sedang berlangsung, seorang peneliti melakukan survei hubungan dan mengidentifikasi 12 pria
dan 12 wanita yang mengalami pemutusan hubungan berkomitmen dalam 2 bulan sebelumnya
karena pasangan mereka telah bertemu dengan orang lain yang ingin mereka kencani. Tidak ada
responden yang saling kenal. Pada survei yang sama, responden menunjukkan pendekatan yang
paling sering mereka gunakan untuk mengatasi stresor ini: tidak ada strategi, diskusi dengan orang
terdekat, dan olahraga. Peserta studi juga diberikan ukuran kepuasan hidup baik 6 bulan sebelum
dan 6 bulan setelah menyelesaikan survei hubungan. Tujuan dari penelitian ini adalah untuk
menilai hubungan antara pilihan metode koping dan kepuasan hidup.

ANOVA Satu Arah

Kami awalnya melakukan analisis untuk desain ANOVA satu arah, dengan metode koping
sebagai faktor dan ukuran postatisfaction sebagai variabel dependen. Untuk analisis ini, kami
mengabaikan jenis kelamin peserta penelitian dan ukuran prakepuasan. Jika kami melaporkan
analisis ini di bagian Hasil, kemungkinan besar analisis tersebut akan ditampilkan sebagai analisis
awal. Pada bagian ini, kami menjelaskan model rata-rata sel menggunakan regresi OLS dan ML
SEM. Hasil parsial dari analisis tersebut disajikan pada Tabel 24.2.

Metode Regresi OLS

Untuk model yang kurang dibatasi, kami membuat tiga variabel indikator (X1, X2, dan
X3), satu untuk masing-masing dari tiga sel (yaitu, tidak ada strategi, diskusi, atau latihan). Tiga
variabel indikator adalah prediktor dalam persamaan regresi, dan ukuran postatisfaction, Y, adalah
variabel hasil:
𝑌 = 𝑏𝑌𝑋1 𝑋1 + 𝑏𝑌𝑋2 𝑋2 + 𝑏𝑌𝑋3 𝑋3 + 𝐸𝐿𝐶 (24.1)
Catatan. Hasil untuk metode SEM multiple indicator variable (MIV) sebanding dengan hasil untuk
metode multiple group (MG). Namun, rata-rata diwakili oleh parameter yang berbeda untuk model
MIV. Selain itu, walaupun nilai uji beda chi-square sama untuk model MIV dan MG, nilai chi-
square untuk model LC MIV sama dengan 0, dan chi-square untuk model MC MIV sama. ke 11.53.

di mana 𝑏𝑌𝑋1 , 𝑏𝑌𝑋2 , dan 𝑏𝑌𝑋3 adalah koefisien untuk ketiga variabel indikator, dan ELC
merepresentasikan kesalahan dalam prediksi untuk model yang kurang dibatasi. Perlu dicatat
bahwa berbeda dengan persamaan regresi tipikal, kami belum memasukkan intersep.
 Seperti yang ditunjukkan pada Tabel 24.2, koefisien yang meminimalkan jumlah kesalahan
kuadrat (SSE) adalah rata-rata sel 24.33, 26.00, dan 31.33. Dengan demikian, skor prediksi untuk
seorang individu dalam satu sel mana pun adalah rata-rata sel di mana seorang individu memiliki
skor 1 pada variabel indikator yang terkait dengan sel tersebut dan skor 0 pada semua variabel
indikator lainnya dalam model. Mengingat skor yang diprediksi adalah rata-rata sel, SSE di sekitar
rata-rata sel ini (𝑆𝑆𝐸𝐿𝐶 ) adalah 382, dan kesalahan kuadrat rata-rata (𝑀𝑀𝐸𝐿𝐶 ) adalah 18,19.
Selanjutnya, kami menentukan model yang lebih dibatasi, di mana ketiga parameter
dibatasi agar sama dengan koefisien umum, 𝑏𝑌𝑋 :
𝑌 = 𝑏𝑌𝑋 𝑋1 + 𝑏𝑌𝑋 𝑋2 + 𝑏𝑌𝑋 𝑋3 + 𝐸𝑀𝐶

Model yang lebih dibatasi juga dapat dinyatakan sebagai

𝑌 = 𝑏𝑌𝑋 (𝑋1 + 𝑋2 + 𝑋3 ) + 𝐸𝑀𝐶 = 𝑏𝑌𝑋 (1) + 𝐸𝑀𝐶 (24.2)

Koefisien byYX untuk model ini adalah grand mean, 27,375. Untuk model yang lebih
dibatasi, SSEMC adalah 617,62, dan MSEMC adalah 26,85
Ketika kita membandingkan model dengan kendala lebih sedikit dan lebih banyak, kita
mengevaluasi apakah rata-rata sel sama karena satu-satunya perbedaan antara model LC dan MC
adalah pengenaan kendala kesetaraan. Uji persamaan rata-rata sel populasi dilakukan dengan
membandingkan kesalahan dari model yang kurang dan lebih dibatasi:

(𝑆𝑆𝐸𝑀𝐶 − 𝑆𝑆𝐸𝐿𝐶 ) (24.3)

⁄(𝐷𝐹𝐸 − 𝐷𝐹𝐸 )
𝑀𝐶 𝐿𝐶
𝐹(2,21) =
(𝑆𝑆𝐸𝐿𝐶 )
⁄(𝐷𝐹𝐸 )
𝐿𝐶

(617.625 − 382)
⁄(23 − 21)
=
(382)
⁄(21)

Berdasarkan uji ini, hipotesis nol bahwa rata-rata populasi adalah sama ditolak pada tingkat
0,05, p = 0,006.
Dalam perspektif analitik data umum, kita dapat mencapai salah satu dari dua kesimpulan
berdasarkan pengujian hipotesis: (1) Jika hipotesis nol ditolak, kita menyimpulkan bahwa faktor
tersebut terkait sampai batas tertentu dengan variabel dependen dalam populasi; atau (2) jika
hipotesis nol tidak ditolak, kami menahan penilaian tentang hubungan populasi antara faktor dan
variabel dependen. Terlepas dari kesimpulan yang kita capai berdasarkan uji hipotesis, kita harus
memberikan informasi tambahan dengan menghitung 𝑅 2 sebagai perkiraan seberapa kuat
hubungan antara faktor dan variabel dependen dalam sampel. Salah satu interpretasi 𝑅 2 adalah
pengurangan proporsi SSE dengan model LC relatif terhadap model MC:

𝑆𝑆𝐸𝑀𝐶 − 𝑆𝑆𝐸𝐿𝐶 (24.4)

𝐹(2,21) =
𝑆𝑆𝐸𝑀𝐶

617.625 − 382
=
617.625

Tes kesetaraan rata-rata sel populasi, serta koefisien dan indeks kecocokan untuk model
LC, dapat dihitung dengan PROC REG di SAS(c):
PROC REG;
MODEL Y=X1 X2
X3/NOINT;
TEST X1 – X2=0, X2 –
X3=0;

Koefisien dan indeks kecocokan untuk model yang lebih dibatasi dapat dihitung dengan
SAS dengan mengganti pernyataan TEST dengan pernyataan RESTRICT.

Metode SEM Multiple-Group

Untuk analisis ini, masing-masing dari tiga level faktor koping adalah kelompok yang
berbeda. LC, model multi-grup ditunjukkan pada panel atas Gambar 24.1. Untuk salah satu grup
g, ukuran postatisfaction (Y) adalah fungsi dari unit prediktor, yang memiliki nilai 1 untuk semua
individu :
𝑌 = 𝑎𝑌𝑔 (1) + 𝐸𝐿𝐶 (24.5)

Pada Gambar 24.1, prediktor unit diwakili oleh segitiga yang berisi 1. Koefisien prediktor unit
adalah intersep 𝑎𝑌𝑔 , dan, seperti yang ditunjukkan oleh subskripnya, diperbolehkan untuk
bervariasi di antara ketiga kelompok (dan seperti yang ditunjukkan pada Gambar 24.1 sebagai
𝑎𝑌𝑔1 , 𝑎𝑌𝑔2 , dan 𝑎𝑌𝑔3 untuk tiga kelompok koping). Karena Y hanya dipengaruhi oleh prediktor
unit, perkiraan ML dari perpotongan ini adalah rata-rata, lebih khusus lagi, rata-rata Y untuk tiga
kelompok penanggulangan (yaitu, 𝜇̂ 𝑌𝐺1 , 𝜇̂ 𝑌𝐺2 , dan 𝜇̂ 𝑌𝐺3 ). Agar konsisten dengan asumsi
homogenitas varian kesalahan untuk model OLS, kami membatasi varian kesalahan agar sama di
seluruh kelompok. Kami mewakili varians kesalahan sebagai panah melengkung berkepala dua
dalam diagram jalur, tetapi tidak menyertakan c untuk menunjukkan varians ini untuk
meminimalkan kekacauan. Chi-kuadrat untuk model yang kurang dibatasi signifikan pada tingkat
0,05: 𝜒 2 (2) = 7,99, p = 0,018. Kurangnya kecocokan disebabkan oleh heterogenitas di antara
ketiga varian kesalahan. Seperti yang akan kita diskusikan nanti, kita tidak harus mengasumsikan
homogenitas varians kesalahan menggunakan pendekatan SEM dan dapat memungkinkan varians
ini untuk diestimasi secara bebas.

Model yang lebih terkendala identik dengan model yang kurang terkendala kecuali intersep
dibatasi sama dengan nilai umum 𝑎𝑌 :

𝑌 = 𝑎𝑌 (1) + 𝐸𝑀𝐶 (24.6)

di mana 𝑎𝑌 adalah rata-rata utama dari Y, yaitu 27,38. Chi-kuadrat untuk model ini adalah 𝜒 2 (4)
= 19,52, p < 0,001. Dengan membandingkan model MC dan LC, kami menilai apakah rata-rata
populasi untuk ketiga metode koping adalah sama, 𝜒 2 (2) = 19.52 – 7.99 = 11.53, p =.003.
Persamaan model setara untuk pendekatan kelompok ganda SEM dan regresi OLS (yaitu,
Persamaan 24.5 dan 24.6 relatif terhadap Persamaan 24.1 dan 24.2), dan koefisien untuk
persamaan ini identik. Di sisi lain, varian kesalahan untuk kedua model berbeda. Estimasi varians
ML tidak memperhitungkan derajat kebebasan. Lebih khusus lagi, varians error dihitung dengan
membagi jumlah error kuadrat dengan total ukuran sampel (N) untuk estimasi ML daripada N
dikurangi jumlah rata-rata estimasi nonredundan untuk estimasi kuadrat terkecil (dalam contoh
kita, N – 3 untuk model LC dan N – 1 untuk model MC). Untuk estimasi SEM, varian error adalah
15,92 (= 382/24) untuk 𝑀𝐿𝐶 dan 25,73 (= 617,62/24) untuk 𝑀𝑀𝐶 . Karena SSE mudah dihitung dari
hasil SEM, 𝑅 2 juga dapat dihitung menggunakan Persamaan 24.4.
Perbedaan utama dalam hasil antara OLS dan ML berkaitan dengan uji signifikansi. Nilai
p-value untuk uji perbedaan chi-kuadrat antara 𝑀𝐿𝐶 dan 𝑀𝑀𝐶 yaitu 0,003 dibandingkan dengan
0,006 untuk uji dengan OLS. Dari sudut pandang kami, sangat mengejutkan bahwa p-value sama
seperti sebelumnya, mengingat statistik uji untuk analisis SEM hanya kira-kira terdistribusi
sebagai chi-square dalam sampel besar. Kami membahas nanti ketahanan tes SEM sarana dengan
kecil untuk ukuran sampel sedang. Metode tambahan dapat digunakan untuk menilai kecocokan
dan membuat pilihan di antara model, seperti statistik informasi (Hancock, 2010).
Gambar 24. 1 Model yang kurang dibatasi untuk data ANOVA satu arah. Untuk model multi-grup yang lebih dibatasi, perpotongan
a dibatasi agar sama satu sama lain. Untuk model multi-indikator yang lebih dibatasi, koefisien b dibatasi agar sama satu sama
lain. Varian kesalahan untuk model multi-grup LC dan MC dibatasi untuk sama di seluruh grup untuk menunjukkan kesamaan
hasil dengan yang didasarkan pada metode regresi OLS

Metode Variabel Indikator Ganda SEM

Dengan SEM, kita juga dapat menilai perbedaan rata-rata dengan mengembangkan model
dengan beberapa indikator. Kami menyebut model ini sebagai model SEM multiple indicator
variable (MIV). Bentuknya setara dengan model regresi OLS (Persamaan 24.1 dan 24.2). Model
MIV yang kurang dibatasi mencakup tiga variabel indikator, tetapi tidak ada istilah intersep untuk
memprediksi ukuran pasca kepuasan :
𝑌 = 𝑏𝑌𝑋1 𝑋1 + 𝑏𝑌𝑋2 𝑋2 + 𝑏𝑌𝑋3 𝑋3 + 𝐸𝐿𝐶
Model ditampilkan dalam diagram jalur di bagian bawah Gambar 24.1. Seperti yang
ditunjukkan dalam diagram, kami mengizinkan varians (yaitu, panah melengkung berkepala dua
ke X) dan kovarians (yaitu, panah melengkung berkepala dua di antara X) di antara tiga variabel
indikator, serta untuk rata-rata bukan nol (yaitu , panah dari angka 1 segitiga ke X).
 Untuk model yang lebih terbatas, koefisien untuk ketiga variabel indikator dibatasi agar
sama dengan koefisien umum 𝑏𝑌𝑋 :
𝑌 = 𝑏𝑌𝑋 𝑋1 + 𝑏𝑌𝑋 𝑋2 + 𝑏𝑌𝑋 𝑋3 + 𝐸𝑀𝐶
Model ekuivalen secara matematis hanya menyertakan istilah intersep untuk skor yang
diprediksi (lihat Persamaan 24.2). Namun, kami memilih untuk memaksakan batasan kesetaraan
pada koefisien untuk model MIV yang lebih terbatas dalam analisis kami dengan Mplus.
Untuk model LC dan MC, estimasi koefisien untuk model MIV sama dengan estimasi
intersep untuk model multiple-group. Selain itu, hasil uji signifikansi identik di kedua metode
SEM. Perlu dicatat bahwa model LC MIV baru saja diidentifikasi (yaitu, model memiliki 0 df dan
harus pas); oleh karena itu, pengujian pada model MIV yang lebih dibatasi setara dengan pengujian
yang membandingkan model MC dan LC MIV dan mengevaluasi hipotesis nol bahwa rata-rata
populasi adalah sama antar kelompok. Seperti yang akan kita bahas nanti, satu-satunya kelemahan
model MIV relatif terhadap pendekatan multi-grup adalah kurang fleksibel. Misalnya, model MIV
tidak memungkinkan varians yang tidak sama antar kelompok.
Model MIV, seperti yang telah kami jelaskan, tidak dapat diperkirakan dengan semua
packages perangkat lunak SEM. Karena variabel indikator disertakan dalam model untuk semua
sel, matriks kovarians di antara prediktor adalah tunggal, dan tidak ada hasil yang disajikan untuk
beberapa packages. Namun, Mplus memberikan hasil yang sesuai (jika Type = RANDOM
disertakan di bagian ANALISIS), dengan satu pengecualian. Mplus menambahkan satu df ke
model MIV untuk memperhitungkan redundansi yang dirasakan dalam matriks kovarians di antara
variabel indikator. Dengan demikian, df untuk model LC dan MC dapat dikoreksi dengan
mengurangkan satu dari df yang dilaporkan. Hipotesis nol ANOVA kemudian dapat dievaluasi
berdasarkan chisquare dan df yang dikoreksi untuk model MC. Sebagai alternatif, hipotesis dapat
dievaluasi dengan menghitung uji perbedaan chi-kuadrat antara model MC dan LC (dengan df
yang tidak dikoreksi) dimana chi-kuadrat yang dilaporkan untuk kedua model memiliki terlalu
banyak df. Metode koreksi-df yang sama dapat diterapkan untuk semua model MIV univariat.
Kami membahas metode koreksi untuk model MIV multivariat nanti.

One-Way ANCOVA

Metode untuk melakukan ANOVA satu arah dapat dengan mudah diperluas untuk
menganalisis data menggunakan analisis kovarians satu arah (ANCOVA). Kami mengilustrasikan
secara singkat bagaimana melakukan ANCOVA satu arah dengan menggunakan data contoh kami
(lihat Tabel 24.1). Kovariat untuk contoh kita adalah ukuran kepuasan hidup yang diperoleh
sebelum stressor (ukuran presatisfaction), sedangkan variabel dependen adalah ukuran
postatisfaction. Faktor jenis kelamin diabaikan untuk analisis ANCOVA satu arah. Hasil parsial
untuk ANCOVA satu arah berdasarkan berbagai metode disajikan pada Tabel 24.3.
Metode Regresi OLS

Untuk metode ini, kami memasukkan dalam model LC dan MC tidak hanya tiga variabel
indikator (𝑋1, 𝑋2, dan 𝑋3), yang mewakili tiga pendekatan koping, tetapi juga kovariat, ukuran
prakepuasan (X4), yang berpusat pada rata-rata besar (yaitu, mengurangkan rata-rata ukuran
prapuas dari semua skor pada ukuran tersebut) :
𝑌 = 𝑏𝑌𝑋1 𝑋1 + 𝑏𝑌𝑋2 𝑋2 + 𝑏𝑌𝑋3 𝑋3 + 𝑏𝑌𝑋4 𝑋4 + 𝐸𝐿𝐶 (24.7)
Untuk model LC, estimasi koefisien untuk variabel indikator adalah rata-rata estimasi
variabel dependen untuk individu yang memiliki skor nol pada kovariat, seperti yang diberikan
pada Tabel 24.3. Karena kovariat adalah grand mean-centered, koefisien-koefisien ini adalah rata-
rata perkiraan pada ukuran pasca kepuasan untuk subjek yang berada pada ukuran rata-rata
prapuas.

Menggunakan jargon ANCOVA, koefisien adalah rata-rata yang disesuaikan pada variabel
dependen. Untuk menilai apakah rata-rata yang disesuaikan ini sama dalam populasi, koefisien
yang terkait dengan variabel indikator dibatasi agar sama dengan koefisien umum 𝑏𝑌𝑋 dalam
model yang lebih terbatas :
𝑌 = 𝑏𝑌𝑋 𝑋1 + 𝑏𝑌𝑋 𝑋2 + 𝑏𝑌𝑋 𝑋3 + 𝑏𝑌𝑋4 𝑋4 + 𝐸𝑀𝐶 = 𝑏𝑌𝑋 (1) + 𝑏𝑌𝑋4 𝑋4 + 𝐸𝑀𝐶 (24.8)
Koefisien terkendala, 𝑏𝑌𝑋 , adalah rata-rata ukuran pascakepuasan pada rata-rata ukuran
prapuas (mengabaikan kelompok).
Uji-F kemudian dapat dihitung berdasarkan kesalahan prediksi untuk model LC dan MC,
seperti yang ditunjukkan pada Tabel 24.3. Uji-F yang dihasilkan tidak signifikan pada tingkat
0,05 (p = 0,256). Kita juga dapat menghitung 𝑅 2 parsial, proporsi variansi ukuran pascakepuasan
yang diperhitungkan dengan pendekatan koping, mengendalikan ukuran prakepuasan (yaitu ,
 2
𝑅𝑌𝑋1𝑋2𝑋3∙𝑋4 ). Dalam hal model LC dan MC, 𝑅 2 parsial ini adalah pengurangan proporsi SSE
dengan model LC relatif terhadap model MC :
2 𝑆𝑆𝐸𝑀𝐶 −𝑆𝑆𝐸𝐿𝐶 262.74−229.31
𝑅𝑌𝑋1𝑋2𝑋3∙𝑋4 = = = .127 (24.9)
𝑆𝑆𝐸𝑀𝐶 262.74

Metode SEM Multiple-Group

Model yang mirip dengan model regresi OLS ditentukan saat menerapkan metode
kelompok ganda SEM. Untuk setiap kelompok, kovariat grand mean-centered dimasukkan sebagai
prediktor dalam model LC selain konstanta (yaitu intersep) :
𝑌 = 𝑎𝑌𝐺 (1) + 𝑏𝑌𝑋4 𝑋4 + 𝐸𝐿𝐶 (24.10)
Koefisien untuk kovariat dibatasi agar sama antar kelompok agar konsisten dengan asumsi standar
homogenitas lereng; akibatnya, kami tidak menyertakan subskrip untuk grup untuk koefisien
kovariat. Selain itu, kami membatasi varian kesalahan agar sama di seluruh grup. Estimasi intersep
untuk model LC SEM identik dengan estimasi koefisien OLS untuk variabel indikator; yaitu,
mereka adalah sarana yang disesuaikan pada ukuran pascakepuasan
Untuk menilai hipotesis ANCOVA, intersep untuk ketiga kelompok dibatasi agar sama :
𝑌 = 𝑎𝑌 (1) + 𝑏𝑌𝑋4 𝑋4 + 𝐸𝑀𝐶 (24.11)
Chi-kuadrat untuk model MC dibandingkan dengan chi-kuadrat untuk model LC. SEM ANCOVA
tidak signifikan pada tingkat 0,05 (p = 0,195). Perlu dicatat bahwa jika varian residual untuk kedua
model dikalikan dengan N (yaitu, 24), jumlah kuadrat untuk model MC dan LC diperoleh, dan
kemudian persamaan untuk menghitung 𝑅 2 parsial sekarang dapat diterapkan menggunakan
Persamaan 24.9.

Pendekatan SEM MIV

Hasil yang identik dapat diperoleh dengan pendekatan model MIV seperti yang ditemukan
dengan pendekatan multi-group SEM. Persamaan untuk model LC dan MC pada dasarnya
sebanding dengan yang digunakan untuk analisis regresi OLS (Persamaan 24.7 dan 24.8). Estimasi
parameter untuk model LC dan MC MIV setara dengan analisis multi-group. Selain itu, uji
signifikansi untuk pendekatan MIV dan multi-group sama setelah derajat kebebasan dikoreksi
(kurangi 1 dari df yang diberikan oleh Mplus) untuk model MIV.

Two-Way ANOVA

Pada bagian ini, kami mendemonstrasikan analisis untuk melakukan ANOVA dua arah.
Metode yang dibahas di bagian ini dan bagian sebelumnya tentang ANCOVA satu arah dengan
mudah digeneralisasikan ke desain ANOVA dan ANCOVA yang lebih tinggi. Kami
mendemonstrasikan cara melakukan ANOVA dua arah dengan menggunakan data contoh kami
(lihat Tabel 24.1). Kami memasukkan jenis kelamin serta koping sebagai faktor dan ukuran pasca
kepuasan sebagai variabel dependen. Gender dan faktor koping berkorelasi untuk contoh kita (V
Cramer = .29). Pria lebih cenderung tidak menggunakan strategi untuk menghadapi putus cinta,
sedangkan wanita lebih cenderung menggunakan olahraga.
Sebelum mempertimbangkan metode yang berbeda untuk melakukan ANOVA dua arah,
kita membahas secara singkat pilihan yang perlu kita buat ketika faktor-faktor berkorelasi dalam
mendefinisikan sarana marjinal dan dengan demikian efek utama yang mengevaluasi sarana
marjinal ini (lihat Maxwell & Delaney, 2004, untuk informasi lebih lanjut). diskusi lengkap
tentang topik ini). Seperti yang diilustrasikan pada Tabel 24.4 dengan contoh data kami, kami
mempertimbangkan dua cara standar untuk mendefinisikan rata-rata marjinal: rata-rata tidak
tertimbang dan tertimbang.
Dengan rata-rata tak berbobot, rata-rata marjinal baris (atau kolom) dihitung dengan
menambahkan semua rata-rata sel dalam satu baris (atau kolom) dan membaginya dengan jumlah
sel. Perbedaan rata-rata tak tertimbang dinilai menggunakan pendekatan model linier umum
(GLM) dengan mengevaluasi efek dari satu faktor pada variabel dependen, membagi efek faktor
lain dan interaksi antar faktor (yaitu, jumlah kuadrat tipe III). Sebagai contoh, uji sarana tak
tertimbang untuk efek utama koping mengevaluasi perbedaan rata-rata populasi untuk kepuasan
di antara strategi koping, mengingat bahwa setiap strategi digunakan secara setara oleh pria dan
wanita.

Dengan rata-rata tertimbang, rata-rata marjinal baris (atau kolom) dihitung dengan
membobot rata-rata sel dengan frekuensi selnya dalam satu baris (atau kolom) dan membaginya
dengan jumlah frekuensi sel. Perbedaan rata-rata tertimbang dievaluasi dengan pendekatan GLM
dengan menilai efek dari satu faktor pada variabel dependen, mengabaikan efek dari faktor lain
dan interaksi antar faktor (yaitu, jumlah kuadrat Tipe I dengan faktor fokus yang dimasukkan
terlebih dahulu ke dalam model). Untuk contoh kami, uji rata-rata tertimbang untuk efek utama
koping mengevaluasi perbedaan rata-rata populasi untuk kepuasan di antara strategi koping,
mengingat bahwa setiap strategi digunakan dengan proporsi pria dan wanita yang ditemukan
dalam sampel. Sejauh proporsi sampel tidak mewakili proporsi populasi, pendekatan ini tidak
tepat.
Penting untuk dicatat bahwa pilihan antara rata-rata tertimbang dan tidak tertimbang
ditentukan oleh pertanyaan peneliti. Untuk mempermudah, kami menyajikan pada Tabel 24.5 hasil
regresi OLS dan ML SEM hanya untuk mengatasi efek utama berdasarkan rata-rata tertimbang.

Metode Regresi OLS

Model rata-rata sel sangat membantu dalam merumuskan hipotesis mengenai desain
ANOVA dua arah. Dengan desain ini, variabel indikator tidak merepresentasikan perbedaan di
antara level faktor, melainkan perbedaan di antara kombinasi level faktor antarsubjek, yaitu sel-
sel dari sebuah desain. Sebagai contoh, model LC mencakup enam variabel indikator untuk enam
sel ANOVA 2x3 (tetapi tidak ada intersep):

𝑌 = 𝑏𝑌𝑋1 𝑋1 + 𝑏𝑌𝑋2 𝑋2 + 𝑏𝑌𝑋3 𝑋3 + 𝑏𝑌𝑋4 𝑋4 + 𝑏𝑌𝑋5 𝑋5 + 𝑏𝑌𝑋6 𝑋6 + 𝐸𝐿𝐶 (24.12)

X1 sampai X3 merupakan variabel indikator dari ketiga strategi coping pada pria, dan X4 sampai
X6 merupakan variabel indikator dari ketiga level coping pada wanita.
Koefisien untuk prediktor dalam model ini diestimasi secara bebas dan menghasilkan rata-rata sel.

Hipotesis utama dan interaksi, serta yang lainnya, dapat dievaluasi dengan menerapkan
kendala pada parameter variabel indikator yang konsisten dengan hipotesis nol yang diminati.
Misalnya, dengan menggunakan bobot yang mencerminkan proporsi pria dan wanita yang
menggunakan masing-masing strategi koping dalam contoh kita, hipotesis nol untuk efek utama
koping berdasarkan mean tertimbang adalah

(2/3)𝜇𝑌𝐺1 + (1/3)𝜇𝑌𝐺4 = (1/2)𝜇𝑌𝐺2 + (1/2)𝜇𝑌𝐺5 = (1/3)𝜇𝑌𝐺3 + (2/3)𝜇𝑌𝐺6

Mengingat bahwa koefisien untuk model LC mewakili rata-rata sel, batasan persamaan berikut
konsisten dengan hipotesis ini dan dikenakan pada koefisien regresi:

(2/3)𝑏𝑌𝑋1 + (1/3)𝑏𝑌𝑋4 = (1/2)𝑏𝑌𝑋2 + (1/2)𝑏𝑌𝑋5

(1/2)𝑏𝑌𝑋2 + (1/2)𝑏𝑌𝑋5 = (1/3)𝑏𝑌𝑋3 + (2/3)𝑏𝑌𝑋6

Pada Tabel 24.5, kami memberikan estimasi koefisien untuk model MC. Koefisien yang
dihasilkan dapat dilihat sebagai perkiraan terbaik dari rata-rata sel mengingat kendala yang
dikenakan. Kami kemudian membandingkan kesalahan dalam prediksi untuk model LC dan MC
untuk menguji efek utama koping untuk rata-rata tertimbang (ditunjukkan pada Tabel 24.5), serta
untuk menghitung R2 parsial (tidak ditampilkan).

Prosedur yang sama diterapkan untuk menilai efek utama untuk koping berdasarkan sarana
yang tidak tertimbang, efek utama untuk jenis kelamin berdasarkan sarana yang tidak tertimbang
dan tertimbang, dan interaksinya. Misalnya, kami menilai hipotesis interaksi dengan
membandingkan kesalahan dalam prediksi untuk model LC (Persamaan 24.12) dengan model MC
dengan batasan persamaan berikut:

𝑏𝑌𝑋1 − 𝑏𝑌𝑋4 = 𝑏𝑌𝑋2 − 𝑏𝑌𝑋5

𝑏𝑌𝑋2 − 𝑏𝑌𝑋5 = 𝑏𝑌𝑋3 − 𝑏𝑌𝑋6

Metode SEM Multi-grup

Beberapa grup untuk metode ini mewakili sel dalam desain jalur tinggi. Jadi, dalam contoh
kita, grupnya adalah enam sel yang dibuat oleh ANOVA 2 × 3 kita. Model LC pada dasarnya
identik dengan model ANOVA satu arah, kecuali dengan enam kelompok (yaitu, 𝑌 = 𝑎𝑌𝑔 (1) +
𝐸𝐿𝐶 ). Dengan demikian, penyadapan, 𝑎𝑌𝑔 , memperkirakan rata-rata sel. Untuk model yang lebih
dibatasi kami memberlakukan kendala untuk menilai hipotesis yang menarik. Kendala yang
dikenakan sebanding dengan yang untuk analisis regresi OLS, kecuali mereka dikenakan pada
penyadapan daripada koefisien variabel indikator. Untuk model persamaan struktural LC dan MC,
kami mensyaratkan varian untuk enam kelompok sama satu sama lain untuk mendapatkan hasil
yang setara dengan regresi OLS. Seperti dengan desain ANOVA dan ANCOVA, analisis multi-
kelompok SEM menghasilkan hasil yang sebanding dengan yang didasarkan pada regresi OLS,
kecuali sehubungan dengan nilai-p untuk uji hipotesis. Seperti yang diilustrasikan pada Tabel 24.5
dengan uji coping main effects untuk weighted mean, nilai-p untuk uji chi-square dengan analisis
kelompok ganda SEM lebih kecil daripada nilai-p berdasarkan analisis regresi OLS.

Pendekatan SEM MIV

Model MIV sebanding dengan model regresi OLS. Untuk model LC, koefisien untuk enam
variabel indikator yang terkait dengan enam sel adalah rata-rata sel. Kendala dikenakan pada
parameter ini untuk menilai hipotesis bunga. Kendalanya setara dengan yang dibahas dengan
regresi OLS dan pendekatan multi-grup SEM.

MANOVA Satu Arah

Prosedur untuk melakukan desain ANOVA dan ANCOVA dengan mudah

digeneralisasikan ke desain analisis multivariat varians (MANOVA) dan analisis multivariat
kovarians (MANCOVA). Namun, karena keterbatasan ruang, kami akan mempertimbangkan
analisis hanya untuk MANOVA satu arah. Untuk mengilustrasikan MANOVA satu arah (serta
analisis perbedaan rata-rata faktor), kami membuat kumpulan data baru. Dalam penelitian fiktif
ini, 200 wanita yang rutin berolahraga menulis esai tentang bagaimana mereka mengatasi stres
yang melibatkan hubungan dengan teman dekat dan pasangan kencan. Berdasarkan esai, para
peserta diklasifikasikan sebagai tidak menggunakan strategi koping yang terdefinisi dengan baik
(𝑛1 = 60), strategi yang melibatkan diskusi tentang pemicu stres dengan orang terdekat (𝑛2 =
60), atau strategi latihan untuk meningkatkan keadaan suasana hati emosional yang positif. (𝑛3 =
80). Semua 200 wanita juga menyelesaikan empat ukuran kepuasan: kepuasan dengan status
emosional, kepuasan dengan hubungan romantis, kepuasan dengan persahabatan, dan kepuasan
dengan pencapaian diri. Hasil untuk MANOVA satu arah menggunakan regresi OLS dan
pendekatan SEM ditunjukkan pada Tabel 24.6.

Dihadapkan dengan data contoh kami, banyak peneliti akan melakukan MANOVA satu
arah, seperti yang kami lakukan selanjutnya. Namun, mereka juga dapat mengevaluasi perbedaan
rata-rata pada variabel laten yang mendasari empat ukuran dependen. Ketika dihadapkan dengan
desain dengan beberapa variabel dependen, penting bagi peneliti untuk mempertimbangkan
apakah akan lebih baik untuk menilai perbedaan rata-rata pada variabel yang diamati atau laten.
Isu-isu ini dibahas kemudian dalam bab ini.

Metode Regresi Multivariat OLS

Untuk metode ini, model LC mencakup tiga variabel indikator yang memprediksi masing-masing
variabel dependen. Model dapat direpresentasikan sebagai berikut untuk data kami:
 𝑌1 = 𝑏𝑌1𝑋1 𝑋1 + 𝑏𝑌1𝑋2 𝑋2 + 𝑏𝑌1𝑋3 𝑋3 + 𝐸𝑌1𝐿𝐶

𝑌2 = 𝑏𝑌2𝑋1 𝑋1 + 𝑏𝑌2𝑋2 𝑋2 + 𝑏𝑌2𝑋3 𝑋3 + 𝐸𝑌2𝐿𝐶

𝑌3 = 𝑏𝑌3𝑋1 𝑋1 + 𝑏𝑌3𝑋2 𝑋2 + 𝑏𝑌3𝑋3 𝑋3 + 𝐸𝑌3𝐿𝐶

𝑌4 = 𝑏𝑌4𝑋1 𝑋1 + 𝑏𝑌4𝑋2 𝑋2 + 𝑏𝑌4𝑋3 𝑋3 + 𝐸𝑌4𝐿𝐶

Model MANOVA mengasumsikan bahwa matriks kovarians populasi di antara kesalahan

adalah sama pada ketiga level faktor. Model MC juga ditentukan tetapi membatasi koefisien yang
terkait dengan tiga variabel indikator agar sama satu sama lain untuk setiap variabel dependen,
yang disederhanakan menjadi model berikut:

𝑌1 = 𝑏𝑌1𝑋 𝑋(1) + 𝐸𝑌1𝑀𝐶

𝑌2 = 𝑏𝑌2𝑋 𝑋(1) + 𝐸𝑌2𝑀𝐶

𝑌3 = 𝑏𝑌3𝑋 𝑋(1) + 𝐸𝑌3𝑀𝐶

𝑌4 = 𝑏𝑌4𝑋 𝑋(1) + 𝐸𝑌4𝑀𝐶

Seperti yang ditunjukkan pada Tabel 24.6, estimasi parameter untuk variabel indikator
yang terkait dengan masing-masing variabel dependen adalah rerata kelompok untuk model LC
dan rerata besar untuk model MC. Berdasarkan model ini, error sums of squares and cross-products
(SSCP) matriks dihitung. Lambda Wilks (L) adalah fungsi determinan dari kedua matriks tersebut.
Statistik ukuran efek dapat dihitung dari lambda Wilks (mis., 1 - L), serta uji-F untuk menilai
hipotesis bahwa rata-rata populasi untuk semua variabel dependen sama di seluruh kelompok.
Sebagai contoh kita, L = 0,887; oleh karena itu, proporsi varian umum yang diperhitungkan adalah
0,113.
Hipotesis nol dari populasi yang sama berarti di tiga kelompok koping untuk keempat tanggungan
variabel ditolak pada tingkat 0,05, p = 0,003.

Metode SEM Multi-grup

Beberapa kelompok untuk metode ini mewakili tingkat faktor. Sebagai contoh kita, ada tiga tingkat
faktor koping, seperti yang ditunjukkan pada model jalur di panel atas Gambar 24.2. Model yang
kurang dibatasi memungkinkan penyadapan (rata-rata) pada variabel dependen berbeda di seluruh
kelompok:

𝑌1 = 𝑎𝑌1𝑔 + 𝐸𝑌1𝐿𝐶

𝑌2 = 𝑎𝑌2𝑔 + 𝐸𝑌2𝐿𝐶

𝑌3 = 𝑎𝑌3𝑔 + 𝐸𝑌3𝐿𝐶

𝑌4 = 𝑎𝑌4𝑔 + 𝐸𝑌4𝐿𝐶

Model yang lebih terbatas membatasi rata-rata ini untuk menjadi sama di seluruh kelompok. Untuk
menjaga keterbandingan dengan model regresi multivariat OLS, kami membatasi varian dan
kovarian di antara variabel dependen agar sama di ketiga kelompok untuk model LC dan MC.

Hasil yang sebanding diperoleh dengan model kelompok ganda SEM dan pendekatan regresi
multivariat OLS, kecuali yang terkait dengan uji hipotesis. Seperti analisis sebelumnya, nilai-p
untuk uji chi-square SEM lebih kecil dari nilai-p untuk uji-F. Nilai-nilai dalam matriks kesalahan
SSCP direproduksi secara sempurna dengan mengalikan varians dan kovarians dalam keluaran
SEM dengan ukuran total sampel.

Pendekatan Model SEM MIV

Model untuk metode ini ditentukan dengan cara yang identik dengan pendekatan regresi OLS.
Model LC MIV untuk MANOVA melibatkan prediksi masing-masing variabel dependen dari tiga
variabel indikator dengan koefisien estimasi bebas, seperti yang ditunjukkan pada panel bawah
Gambar 24.2, sedangkan koefisien untuk variabel indikator dibatasi sama di seluruh kelompok
untuk setiap variabel dependen untuk model MC. Hasil untuk metode model SEM MIV identik
dengan hasil untuk pendekatan multi-grup SEM.

Perlu dicatat bahwa koreksi df untuk model MIV sedikit berbeda dengan analisis MANOVA.
Untuk analisis ANOVA/ANCOVA, Mplus menambahkan 1 ke df untuk model MIV untuk
memperhitungkan redundansi yang dirasakan dalam matriks kovarians di antara variabel indikator
untuk memprediksi variabel dependen. Untuk analisis MANOVA/MANCOVA, ada beberapa
variabel dependen dan, karenanya, Mplus menambahkan 1 df untuk mengoreksi redundansi
prediktor yang dirasakan untuk setiap variabel dependen. Jadi, untuk analisis MANOVA, df untuk
model MIV harus dikoreksi dengan mengurangkan jumlah variabel dependen dari df yang
dilaporkan oleh Mplus. Hipotesis nol MANOVA dapat dievaluasi berdasarkan chi-kuadrat dan df
yang dikoreksi untuk model MC. Alternatifnya, hipotesis dapat dievaluasi dengan menghitung uji
perbedaan chi-kuadrat antara model MC dan LC (dengan df yang tidak dikoreksi) di mana chi-
kuadrat yang dilaporkan untuk kedua model tidak benar dengan jumlah df yang sama.

UJI PERBEDAAN DALAM SARANA PADA TINDAKAN YANG DIAMATI DENGAN

MENGABAIKAN ASUMSI LAIN

Pada poin ini, kami telah mendemonstrasikan bahwa regresi OLS dan pendekatan SEM untuk
desain ANOVA/MANOVA ditentukan dengan cara yang sama, dan meskipun ada perbedaan
dalam metode estimasi, menghasilkan hasil yang sebanding, dengan pengecualian bahwa nilai p
dari tes berbeda. Faktanya, metode OLS tampak lebih unggul karena uji-F tepat jika asumsi
dasarnya terpenuhi, sedangkan uji chi-kuadrat mendekati dan umumnya terlalu sering menolak
hipotesis nol untuk ukuran sampel yang kecil (Boomsma, 1983. Selain itu, metode SEM lebih
fleksibel daripada metode OLS karena tidak memerlukan asumsi distribusi. Sejauh argumen ini
valid, OLS ANOVA/MANOVA harus ditinggalkan untuk metode SEM atau pendekatan lain yang
menawarkan keunggulan serupa, seperti metode bootstrap (Keselman, Wilcox, & Lix, 2003;
Keselman et al., 2008).

Kita mulai dengan mempertimbangkan keakuratan tingkat kesalahan Tipe I untuk hipotesis
ANOVA/MANOVA menggunakan SEM. Kami tidak dapat menemukan studi Monte Carlo yang
menyelidiki kekokohan tes ini dengan ukuran sampel yang sangat kecil; Oleh karena itu, kami
melakukan penelitian terbatas untuk mengeksplorasi masalah ini menggunakan Mplus.
Semua data dihasilkan untuk memenuhi asumsi ANOVA/MANOVA dan konsisten dengan
hipotesis nol untuk pengujian ini. Selain itu, kami membatasi penyelidikan kami untuk
menganalisis dengan tiga kelompok dan salah satu variabel dependen (ANOVA) atau empat
variabel dependen (MANOVA). Korelasi populasi di antara semua variabel dependen dalam
kelompok adalah 0,30. Kami memvariasikan jumlah subjek dari 24 menjadi 384 untuk ANOVA
dan dari 48 menjadi 384 untuk MANOVA. Dalam semua kondisi, jumlah subjek dibagi rata di
antara ketiga kelompok. Semua data dianalisis menggunakan pendekatan multi-kelompok, dan uji
perbedaan chi-kuadrat dievaluasi pada tingkat 0,05. Laju kesalahan Empiris Tipe I untuk pengujian
ini dihitung berdasarkan 10.000 ulangan dan disajikan pada Tabel 24.7.

Konsisten dengan penelitian sebelumnya (Anderson & Gerbing, 1984; Boomsma, 1983),
hasil menunjukkan bahwa hipotesis nol terlalu sering ditolak ketika ukuran sampel kecil. Namun
demikian, kami mengharapkan uji chi-square untuk analisis multi-kelompok SEM berkinerja lebih
buruk. Tingkat kesalahan Empiris Tipe I yang jatuh antara 0,025 dan 0,075 memenuhi kriteria
liberal Bradley (Bradley, 1978) ketika alfa nominal adalah 0,05. Tingkat kesalahan Tipe I empiris
memenuhi kriteria liberal Bradley bahkan untuk ukuran sampel serendah 24 (yaitu, delapan subjek
per kelompok). Sebaliknya, ukuran sampel yang lebih besar dibutuhkan untuk model MANOVA
yang lebih kompleks.

Tingkat kesalahan Empiris Tipe I berdasarkan ukuran sampel 96 atau lebih memenuhi
kriteria liberal Bradley. Berdasarkan hasil kami yang terbatas, akan tampak bahwa tingkat
kesalahan Tipe I sebenarnya untuk uji chi-kuadrat cenderung relatif dekat dengan alfa nominal
untuk sebagian besar penelitian yang dirancang dengan kekuatan yang memadai. Kondisi
tambahan perlu dieksplorasi dengan lebih dari tiga tingkat faktor, lebih dari empat variabel
dependen, ukuran sampel yang tidak sama, dan struktur korelasi alternatif antara variabel
dependen.

Untuk mengilustrasikan keuntungan dari pendekatan multi-grup SEM, mari

pertimbangkan kembali analisis kami terhadap data MANOVA. Kami menentukan model MC dan
LC kami dengan cara yang persis sama, kecuali sekarang kami tidak membatasi varians dan
kovarians dari variabel dependen agar setara di seluruh grup. Setelah batasan kesetaraan
dihilangkan, model LC baru saja diidentifikasi dan hanya model MC yang perlu dievaluasi. Selain
mengubah spesifikasi model, kita bisa menggunakan metode kemungkinan maksimum yang kuat
(MLM di Mplus; Satorra & Bentler, 1994) untuk mengoreksi uji chi-kuadrat untuk
ketidaknormalan. Ketika varians dan kovarians di antara kesalahan diizinkan untuk berbeda antar
kelompok, model LC diidentifikasi danmodel MC secara langsung menilai hipotesis MANOVA,
2 (8) = 23.33, 𝑝 = .003.
𝑋𝑅𝑜𝑏𝑢𝑠𝑡

Dapat dikatakan bahwa sebelum melakukan uji chi-square ini, akan menguntungkan untuk
menentukan apakah kendala varians-kovarians dan asumsi normalitas tidak sesuai. Dengan
demikian, seseorang dapat membandingkan kecocokan model dengan varians dan kovarians yang
tidak dibatasi antar kelompok dengan kecocokan model dengan varians dan kovarians yang
dibatasi. Untuk menghindari kendala dan asumsi yang tidak perlu, tidak ada kendala yang perlu
dikenakan pada sarana lintas kelompok untuk salah satu dari dua model, dan ML yang kuat dapat
digunakan. Dengan data contoh kami, uji homogenitas matriks kovarians tidak ditolak, 𝑋 2 (20) =
16.68, 𝑝 = .674, menunjukkan bahwa varians sampel dan kovarians tidak berbeda secara dramatis
antar kelompok. Untuk menilai asumsi normalitas, kita bisa menilai plot residual dan menghitung
skewness dan kurtosis pada skor residual dalam kelompok. Sangat informatif untuk melakukan
analisis ini, dan hasilnya mungkin memiliki makna substantif dalam konteks penelitian. Namun,
tidak jelas apakah analisis data ini bermanfaat dalam menentukan bagaimana melanjutkan uji
perbedaan rata-rata. Sampai studi dilakukan untuk mengatasi masalah ini, kami menyarankan
bahwa peneliti cenderung untuk mendapatkan hasil yang baik atau lebih baik dengan melakukan
uji rata-rata dengan varian dan kovarian yang tidak dibatasi, dan dengan metode yang tidak
memerlukan normalitas. Rekomendasi ini analog dengan menggunakan pendekatan Welch-
Satterthwaite untuk menguji perbedaan antara dua rata-rata independen tanpa terlebih dahulu
menilai asumsi homogenitas varians.
Tes untuk menilai perbedaan pada Variabel Laten

Untuk mengilustrasikan analisis SEM untuk menilai perbedaan dalam variabel laten, akan
digunakan data yang sama digunakan untuk menggambarkan MANOVA. Disini dianggap satu
variabel laten mendasari serangkaian tindakan dan menganggap ketiga kelompok koping invariant
sehubungan dengan pemuatan dan intersep variabel laten dari ukuran tergantung.

Metode SEM Multiple-Group

Dalam melakukan analisis kelompok ganda, kami menentukan satu atau lebih variabel laten yang
mendasari langkah-langkah dependen di masing-masing kelompok. Struktur yang mendasari
langkah-langkah dependen harus serupa di seluruh kelompok untuk menilai perbedaan kelompok
secara laten. Kami biasanya menentukan rata-rata variabel laten menjadi nol dalam satu grup untuk
memiliki model yang teridentifikasi.

Sebagai contoh dimulai dari menentukan model LC untuk menguji perbedaan kelompok pada
variabel laten. Langkah-langkah tersebut ditetapkan sebagai fungsi dari model faktor tunggal:

(Persamaan 24.16)

𝑌1 = 𝑎𝑌1 + 𝑏𝑌1𝐹1 𝐹1 + 𝐸𝑌1𝐿𝐶

𝑌2 = 𝑎𝑌2 + 𝑏𝑌2𝐹1 𝐹1 + 𝐸𝑌2𝐿𝐶

𝑌3 = 𝑎𝑌3 + 𝑏𝑌3𝐹1 𝐹1 + 𝐸𝑌3𝐿𝐶

𝑌4 = 𝑎𝑌4 + 𝑏𝑌4𝐹1 𝐹1 + 𝐸𝑌4𝐿𝐶

Sederhananya, kami membutuhkan invarian untuk parameter pengukuran; yaitu, perpotongan

variabel yang diamati dan koefisien untuk 𝐹1 adalah dibatasi untuk menjadi sama di seluruh
kelompok, serta varian kesalahan dan kovarians. Selain itu, kami menentukan variabel laten, 𝐹1 ,
menjadi fungsi dari intersep ditambah sumber residual, 𝐷1 :

(Persamaan 24.17)

𝐹1 = 𝑎𝐹1𝑔 + 𝐷1𝐿𝐶
GAMBAR 24.3. Model variabel laten LC dengan varian error homogen. Untuk model multi-grup
MC, perpotongan a dibatasi sama dengan nol dan dengan demikian satu sama lain. Untuk model
variabel multi indikator MC, b koefisien dibatasi sama dengan nol dan dengan demikian satu sama
lain. Untuk memungkinkan perbandingan dengan hasil MANOVA, varian kesalahan untuk model
multi-grup LC dan MC dibatasi agar sama di seluruh grup.
 Hasil parsial membandingkan model MC dan LC ditunjukkan pada baris pertama Tabel
24.8. Model LC cukup pas, yaitu, 𝜒 2 (28) = 28.72, 𝑝 = 0.428, indeks kecocokan perbandingan
(CFI) = 0,997, indeks Tucker–Lewis (TLI) = 0,998, root mean square error of approximation
(RMSEA) = 0.020, interval kepercayaan 90% (CI) [0.000, 0.097], menunjukkan bahwa model
variabel laten tunggal konsisten dengan data. Dengan kata lain, kita tidak punya alasan empiris
untuk menolak variabel laten tunggal kami model. Sebaliknya, model MC disamakan dengan laten
berarti variabel kurang cocok: 𝜒 2 (30) = 41.82, 𝑝 = 0.074, 𝐶𝐹𝐼 = 0.947, 𝑇𝐿𝐼 = 0.968,
𝑅𝑀𝑆𝐸𝐴 = 0.077, 90% CI [0.000, 0.128]. Berdasarkan perbandingan antara kurang dan lebih
model dibatasi, kami menolak hipotesis bahwa rata-rata populasi terhadap kepuasan (variabel
laten) setara di ketiga kelompok 𝜒 2 (2) = 13.11, 𝑝 = 0.001. Kita juga dapat menghitung statistik
ukuran efek standar untuk menilai perbedaan variabel laten antara dua kelompok dengan membagi
perbedaan antara rata-rata laten dengan akar kuadrat dari varian variabel laten dalam kelompok
(Hancock, 2001). Dengan demikian, ukuran efek untuk perbandingan antara tanpa strategi dan
0.664−0
kelompok diskusi adalah = 23, sedangkan perbedaan antara kelompok tanpa strategi dan
√8.135
(1.945−0)
kelompok latihan adalah = 68.
√8.135
Metode Model SEM MIV

Untuk model LC MIV, dan seperti yang ditunjukkan pada panel bawah Gambar 24.3, kami
memasukkan tiga variabel indikator untuk mewakili tiga kelompok koping. Seperti model SEM
MIV lainnya yang dibahas dalam bab ini, variabel indikator memiliki efek langsung pada variabel
dependen, dan koefisiennya adalah rata-rata pada variabel dependen untuk kelompok yang
berbeda. Dengan model variabel laten, variabel indikator dihipotesiskan untuk mempengaruhi
variabel laten yang mendasari variabel yang diukur, sebagai contoh:

(Persamaan 24.18)

𝐹1 = 𝑏𝐹1𝑋1 𝑋1 + 𝑏𝐹1𝑋2 𝑋2 + 𝑏𝐹1𝑋3 𝑋3 + 𝐷1𝐿𝐶

Karena rata-rata variabel laten adalah arbitrer, kami tentukan rata-rata kelompok pertama menjadi
nol dengan membatasi koefisien untuk variabel indikator pertama (yaitu, 𝑏𝐹1𝑋1 ) menjadi nol.
Koefisien yang tersisa mewakili rata-rata variabel laten untuk kelompok kedua dan ketiga.
Alternatifnya, karena rata-rata 𝐹1 adalah nol, koefisien ini adalah selisih rata-rata 𝐹1 antara
kelompok pertama dan kedua dan antara kelompok kedua dan ketiga. Untuk model LC, model
pengukuran untuk 𝐹1 ditentukan dengan cara yang mirip dengan model pengukuran untuk analisis
multi-kelompok:

(Persamaan 24.19)

𝑌1 = 𝑎𝑌1 + 𝑏𝑌1𝐹1 𝐹1 + 𝐸𝑌1𝐿𝐶

𝑌2 = 𝑎𝑌2 + 𝑏𝑌2𝐹1 𝐹1 + 𝐸𝑌2𝐿𝐶

𝑌3 = 𝑎𝑌3 + 𝑏𝑌3𝐹1 𝐹1 + 𝐸𝑌3𝐿𝐶

𝑌4 = 𝑎𝑌4 + (1)𝐹1 + 𝐸𝑌4𝐿𝐶

Model MC ditentukan serupa dengan model LC kecuali bahwa koefisien untuk variabel indikator
kedua dan ketiga (yaitu, 𝑏𝐹1𝑋2 𝑑𝑎𝑛 𝑏𝐹1𝑋3 ) dibatasi untuk nol, menyiratkan tidak ada perbedaan
rata-rata di antara kelompok pada variabel laten. Hasil untuk model MIV perbandingan disajikan
pada Tabel 24.8 dan identik dengan metode multi-grup. Harus mencatat bahwa kami tidak
menemukan masalah df untuk ini Analisis MIV bahwa kami telah membatasi koefisien yang terkait
dengan salah satu variabel indikator menjadi sama dengan nol, sehingga menghilangkan
redundansi dalam variabel indikator. Seperti halnya analisis multi-kelompok, kami akan
melakukan tes tindak lanjut jika tes hipotesis omnibus yang melibatkan lebih dari dua kelompok
ditolak.

Model Lebih Kompleks

Sebagai contoh sederhana, kami menentukan satu model variabel laten yang mendasari empat
ukuran kepuasan. Dalam banyak aplikasi, model pengukuran yang lebih kompleks perlu
ditentukan agar memiliki kecocokan yang memadai dengan data, seperti model dengan beberapa
variabel laten berkorelasi atau dengan struktur hierarkis dan dapat menghasilkan hasil yang
provokatif sehubungan dengan analisis yang melibatkan perbedaan. dalam variabel laten berarti.
Untuk model bifaktor sederhana, dua jenis variabel laten ditentukan untuk mendasari serangkaian
tindakan: variabel laten umum, yang mempengaruhi semua tindakan, dan variabel laten kelompok,
yang hanya mempengaruhi sebagian dari tindakan. Kovarian antara variabel laten umum dan
kelompok dibatasi hingga nol. Dengan model ini, seorang peneliti yang melakukan percobaan akan
berada dalam posisi untuk menyimpulkan bahwa perlakuan menghasilkan efek secara umum pada
konstruk yang ditargetkan (misalnya, depresi) dan, di atas dan di luar efek umum ini, pada
komponen spesifik dari konstruk kompleks ini. (misalnya, depresi somatik).

Tes Perbedaan yang Lebih Fleksibel dalam menilai perbedaan pada Variabel Laten

Ada 3 syarat minimal untuk invarian parsial untuk menilai perbedaan rata-rata laten.

• Bentuk model yang sama harus ditentukan untuk semua kelompok. Sebagai contoh kami,
kami menentukan satu variabel laten (yaitu, kepuasan) untuk mendasari empat langkah (Y1
hingga Y4), seperti yang ditunjukkan di atas panel Gambar 24.3. Kami tidak dapat menilai
perbedaan rata-rata variabel laten jika kami tentukan, untuk contoh, model unidimensi
untuk satu kelompok dan model multidimensi untuk kelompok lain.
• Setidaknya satu pemuatan variabel laten (panah antara variabel laten dan ukuran) harus
dibatasi untuk menjadi sama antara dua kelompok. Sebagai contoh kami, kami membatasi
semua pemuatan menjadi setara di antara tiga kelompok (tidak ditampilkan dalam Gambar
24.3).
 • Setidaknya satu intersep untuk variabel terukur (panah antara segitiga dan ukuran) harus
dibatasi agar sama antara dua grup. Secara umum, jika memuat variabel laten untuk ukuran
diperbolehkan untuk bervariasi, intersep untuk ukuran yang sama juga diperbolehkan
untuk bervariasi. Untuk contoh kami, kami membatasi semua penyadapan menjadi setara
di antara tiga kelompok (tidak ditunjukkan pada Gambar 24.3).

Kesimpulan

Ketika mengevaluasi perbedaan rata-rata antar kelompok, peneliti biasanya menggunakan

ANOVA/MANOVA standar metode OLS. Penggunaan cara-cara tersebut dapat mengakibatkan
wawasan yang terlewatkan yang dapat diperoleh dengan SEM. Manfaat dalam menggunakan SEM
adalah kemampuannya mengevaluasi perbedaan rata-rata dalam variabel laten. Selain itu, analisis
SEM dapat mengamati atau variabel dependen laten dilakukan dengan desain satu arah atau lebih
tinggi, dengan atau tanpa kovariat, dan tidak memerlukan normalitas anggapan. Kami juga
berpendapat bahwa kami berpikir demikian dalam kebanyakan situasi, pengujian hipotesis
menggunakan SEM seharusnya menghasilkan nilai-p yang relatif akurat jika ukuran sampel cukup
besar untuk memiliki daya yang memadai masalah ini perlu penelitian lebih lanjut. Singkatnya,
metode SEM lebih baik dibandingkan analisis regresi OLS.