Multivariate Data Analysis - Compress 621 677.en - Id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Bergerak melampaui dasar-dasarnya
9 Pemodelan persamaan struktural:
Sebuah pengantar
BAGIAN V
10 SeM: Analisis Faktor Konfirmatori
11 menguji Model Persamaan Struktural
12 Topik SeM tingkat lanjut
13 Struktural Kuadrat Terkecil Parsial
Pemodelan Persamaan (PLS-SeM)
ringkasan
B
Peneliti perilaku sering mengajukan model proses teoretis yang menyarankan bagaimana beberapa faktor hipotetis dapat
mempengaruhi, atau “menyebabkan”, faktor hipotetis lainnya. Menguji rangkaian sebab akibat terbukti rumit dan
bab terakhir buku ini membahas pendekatan statistik yang merupakan produk sampingan dari kebutuhan untuk menguji model tersebut.
Bagian ini memberikan pengenalan sederhana dan ringkas tentang teknik mutakhir dalam analisis multivariat—
pemodelan persamaan struktural (SEM)—yang semakin populer selama 40 tahun terakhir sebagai kekuatan komputasi
meningkat seiring dengan teknologi. Kemampuan untuk secara bersamaan memperkirakan hubungan ketergantungan ganda (mirip dengan
persamaan regresi berganda) sekaligus menggabungkan beberapa ukuran untuk setiap konsep (yaitu, mirip dengan faktor
601
Hak Cipta 2019 Cenage Learning. Seluruh hak cipta. Tidak boleh disalin, dipindai, atau diduplikasi, seluruhnya atau sebagian. Karena hak elektronik, beberapa konten pihak ketiga mungkin disembunyikan dari eBook dan/atau eChapter. Tinjauan editorial menganggap bahwa
konten apa pun yang disembunyikan tidak berdampak signifikan terhadap pengalaman belajar secara keseluruhan. Cengage Learning berhak menghapus konten tambahan kapan saja jika pembatasan hak berikutnya mengharuskannya.
602 Bagian V Melampaui Dasarnya
analisis) telah dianut dalam ilmu-ilmu sosial. Bagian ini memberikan pembaca pemahaman umum tentang prosedur,
pengetahuan tentang kapan dan bagaimana penerapannya, dan kemampuan untuk menerapkan teknik ini pada masalah-
masalah dasar.
BAB pada Bagian V

Bagian V berisi empat bab. Bab 9 memberikan gambaran umum tentang analisis struktur kovarians menggunakan
pemodelan persamaan struktural (SEM), sebuah prosedur yang memungkinkan uji omnibus suatu teori yang diwakili oleh
serangkaian persamaan sambil mengakomodasi koreksi kesalahan pengukuran secara langsung dalam estimasi
serangkaian ketergantungan hubungan. Ini adalah prosedur multivariat terbaik untuk menguji validitas konstruk dan
hubungan teoretis antara sekumpulan konsep yang diwakili oleh beberapa variabel terukur. Sebelum diperkenalkannya
SEM, proses ini memerlukan penerapan beberapa alat statistik yang berbeda dan hasilnya adalah pengujian teori yang
kurang memuaskan. Kami tidak ingin meremehkan upaya yang dilakukan, namun tidak ada peneliti yang boleh
menghindari SEM semata-mata karena alasan ini karena prinsip analisis faktor dan regresi berganda menjadi dasar untuk
memahami SEM.
Mengikuti tinjauan dasar, Bab 10 dikhususkan untuk analisis faktor konfirmatori, yang memperluas gagasan yang disajikan
sebelumnya ketika kita membahas analisis faktor eksplorasi. Namun kini, peneliti harus mengambil peran yang lebih aktif dalam
mengembangkan dan menentukan teori yang akan menentukan berapa banyak faktor yang harus ada di antara sekumpulan variabel dan
menentukan variabel mana yang berhubungan dengan faktor-faktor tersebut. Sama pentingnya, teori ini juga menentukan variabel mana
yang tidak berhubungan dengan faktor, satu sama lain, atau istilah varians sisa. Dengan membatasi model untuk menentukan kurangnya
hubungan, analis menekankan bagian struktur SEM dan memisahkan pendekatan statistik dari pendekatan empiris yang memungkinkan
segala sesuatunya saling terkait. SEM memberikan pengujian seberapa cocok teori dengan data dan memberikan hasil terperinci yang
memungkinkan pengguna memeriksa validitas konstruk secara menyeluruh untuk keseluruhan model pengukuran.
Bab 11 dikhususkan untuk pengujian hubungan teoretis antara faktor-faktor yang diwakili oleh banyak variabel. Tujuannya di sini
adalah untuk menguji struktur hubungan antar faktor. Oleh karena itu, secara konseptual hal ini mirip dengan melakukan analisis regresi
menggunakan serangkaian skala penilaian yang dijumlahkan, masing-masing skala penilaian yang dijumlahkan mewakili sebuah faktor
yang dapat dipulihkan dengan analisis faktor. Dengan menggunakan SEM, peneliti dapat menilai kekuatan hubungan antara dua faktor
dengan lebih akurat karena SEM akan mengoreksi hubungan kesalahan pengukuran. Selain itu, uji kesesuaian keseluruhan disediakan
yang memungkinkan peneliti menilai validitas teoritis dari proses yang diwakili oleh model yang dapat dibenarkan secara teoritis. Peneliti
juga sering berteori tentang model proses yang bersaing. Uji kesesuaian relatif memberikan indikasi model mana yang paling valid di
antara serangkaian model yang bersaing.
Bab 12 membahas beberapa topik lanjutan dalam SEM, terutama analisis faktor konfirmasi tingkat tinggi, menguji hubungan
antar kelompok, mengevaluasi hubungan yang memoderasi dan memediasi, hubungan yang bergantung pada waktu, ditambah
pengenalan SEM Bayesian. Masalah-masalah ini memperluas jangkauan pertanyaan konseptual yang dapat diatasi oleh SEM
sambil mempertahankan landasan teori pengukuran.
Bab 13 menjelaskan metode lain dalam mengekstraksi estimasi parameter untuk serangkaian hubungan yang mewakili
aturan korespondensi antara variabel yang diukur dan konstruksi hipotetis dan di antara konstruksi hipotetis. Model persamaan
struktural kuadrat terkecil parsial (PLS-SEM) menggunakan analisis komponen utama dan teknik regresi OLS untuk
mengembangkan estimasi parameter untuk serangkaian pengukuran dan hubungan struktural. Meskipun kedua pendekatan
SEM memberikan perkiraan hubungan, PLS-SEM dan SEM berbasis kovarians tidak dapat dipertukarkan, karena berbeda dalam
tujuan dan penerapannya. Bersama-sama, bab-bab terakhir ini memberikan panduan yang berguna bagi pembaca untuk kedua
pendekatan tersebut.
9 Pemodelan Persamaan Struktural:
Sebuah Pengantar
Tujuan pembelajaran
Setelah menyelesaikan bab ini, Anda seharusnya dapat melakukan hal berikut:
- Memahami ciri khas analisis struktural.
- Membedakan antara variabel dan konstruk.
- Memahami pemodelan persamaan struktural dan bagaimana hal itu dapat dianggap sebagai kombinasi teknik multivariat yang
sudah dikenal.
- Ketahui kondisi dasar kausalitas dan bagaimana SEM dapat membantu membangun hubungan sebab-akibat.
- Jelaskan jenis hubungan yang terlibat dalam SEM.
- Memahami bahwa tujuan SEM adalah untuk menjelaskan kovarians dan menentukan kesesuaian model teoretis.
- Ketahui cara merepresentasikan model SEM secara visual dengan diagram jalur.
- Sebutkan enam tahap pemodelan persamaan struktural dan pahami peran teori dalam proses tersebut.
bab Pratinjau
Salah satu tujuan utama teknik multivariat adalah untuk memperluas kemampuan penjelasan peneliti. Regresi berganda,
analisis faktor eksplorasi, analisis varians multivariat, analisis diskriminan, dan teknik-teknik lain yang dibahas dalam bab-
bab sebelumnya semuanya memberi peneliti alat yang ampuh untuk menjawab berbagai pertanyaan manajerial dan
teoretis. Semuanya juga memiliki satu batasan yang sama: Setiap teknik berfokus pada hubungan individu. Bahkan teknik
yang memungkinkan adanya beberapa variabel dependen, seperti analisis varians multivariat, masih ditafsirkan
berdasarkan hubungan individu antara variabel dependen dan independen.
Namun sering kali, peneliti dihadapkan pada serangkaian generalisasi yang saling terkait yang bersama-sama mewakili suatu
teori. Misalnya, variabel apa yang menentukan citra pengecer? Bagaimana citra tersebut dikombinasikan dengan variabel lain
untuk mempengaruhi keputusan pembelian, nilai belanja, dan kepuasan? Apakah nilai belanja dan kepuasan mendorong loyalitas
jangka panjang pelanggan? Isu-isu seperti ini mengandung kepentingan manajerial dan teoritis. Namun tidak satu pun dari
teknik multivariat yang kami uji sejauh ini memungkinkan kami menjawab semua pertanyaan ini dengan satu teknik
komprehensif. Dengan kata lain, teknik-teknik ini tidak memungkinkan kita menguji keseluruhan teori peneliti dengan teknik
yang mempertimbangkan semua informasi yang mungkin. Untuk alasan ini, kami sekarang mengkaji teknik pemodelan
persamaan struktural (SEM), perpanjangan dari beberapa teknik multivariat yang telah kami pelajari, terutama analisis faktor dan
analisis regresi berganda.
Seperti yang dijelaskan secara singkat di Bab 1, pemodelan persamaan struktural dapat menguji serangkaian hubungan ketergantungan secara
bersamaan. SEM sangat berguna dalam menguji teori yang dapat diwakili oleh beberapa persamaan yang melibatkan hubungan ketergantungan.
Dengan kata lain, jika kita yakin bahwa citra menciptakan loyalitas karena citra pertama-tama menciptakan a
603
pelanggan yang puas, maka kepuasan merupakan variabel dependen dan independen dalam teori yang sama. Dengan demikian,
variabel terikat yang dihipotesiskan menjadi variabel bebas dalam hubungan ketergantungan selanjutnya. Tak satu pun dari
teknik-teknik sebelumnya dalam buku ini yang memungkinkan kita menilai manfaat model teoretis yang dihipotesiskan sekaligus
menilai sifat pengukurannya. SEM memungkinkan peneliti untuk mengatasi masalah penelitian multivariat dan bahkan
multipersamaan dengan analisis tunggal. Perhatikan bahwa bab ini serta Bab 10, 11, dan 12 hanya fokus pada SEM berbasis
kovarians. Pada Bab 13 kami menjelaskan pemodelan persamaan struktural kuadrat terkecil parsial, yang disebut sebagai SEM
berbasis varians.
Istilah-istilah penting
Sebelum memulai bab ini, tinjau istilah-istilah kunci untuk mengembangkan pemahaman tentang konsep dan terminologi yang
digunakan. Sepanjang bab ini, istilah-istilah kunci munculhuruf tebal. Hal-hal lain yang menjadi penekanan dalam bab dan referensi silang
istilah kunci ini adalahdicetak miring.Contoh ilustratif ada dalam teks yang diarsir.
Indeks kecocokan mutlakUkuran keseluruhankesesuaianuntuk keduanyastrukturalDanmodel pengukuransecara kolektif. Tipe ini

ukuran tidak membuat perbandingan apa pun dengan yang ditentukanmodel nol (ukuran kesesuaian tambahan)atau sesuaikan jumlah
parameter dalam model estimasi (ukuran kecocokan yang pelit).
Pendekatan serba tersediaMetode untuk menangani data yang hilang yang menghitung nilai berdasarkan semua observasi valid yang tersedia. Juga
dikenal sebagaipenghapusan berpasangan.
KetidaksesuaianPerspektif alternatif tentangkesesuaiandi mana nilai yang lebih besar menunjukkan kecocokan yang lebih buruk. Contohnya termasuk akarnya
kesalahan perkiraan kuadrat rata-rata atau sisa akar rata-rata kuadrat standar.
kesimpulan kausalHubungan ketergantungandari dua atau lebih variabel yang peneliti secara jelas menetapkan bahwa satu atau lebih variabel tersebut
kemampuan menyebabkan atau menghasilkan suatu hasil yang diwakili oleh setidaknya satu variabel lain. Itu harus memenuhi persyaratan untukhal menyebabkan.
hal menyebabkanPrinsip dimana perubahan pada suatu entitas (variabel bebas/konstruk eksogen) membawa perubahan pada suatu
entitas hasil (tergantung/endogen). Penyimpulan sebab-akibat memerlukan derajat hubungan (kovarians) yang memadai antara dua
variabel, sehingga sebab terjadi sebelum akibat, dan bahwa hubungan yang diamati tidak akan hilang ketika atau jika sebab-sebab
potensial lain muncul. Dukungan teoretis yang kuat meningkatkan dukungan empiris terhadap sebab-akibat.
chi-kuadrat (χ2)Penilaian statistik kesesuaian antaradiamatidan secara teoritis tersiratdiperkirakanmatriks kovarians. Jadi, itu
secara empiris menilai keakuratan struktur teoritis yang diusulkan. Ini adalah ukuran omnibus fit yang memiliki penilaian langsung terhadap
signifikansi statistik, dan menjadi dasar bagi sebagian besar ukuran lainnyakesesuaianindeks.
statistik perbedaan chi-kuadrat (∆χ2)Bersaing, bersarangModel teoritis SEM dapat dibandingkan dengan menggunakan statistik ini, yaitu
perbedaan sederhana antara χ masing-masing model2statistik. Memilikiderajat kebebasansama dengan perbedaan derajat kebebasan
model.
keguyubanJumlah total varians avariabel terukurmemiliki kesamaan dengankonstruksiyang secara teoritis
banyak. Ini mewakili jumlah varians dalam variabel terukur yang dijelaskan oleh faktor yang ditunjukkannya. Kadang-kadang disebut
sebagai korelasi berganda kuadrat atau reliabilitas item. Lihat jugavarians diekstraksidi bab berikutnya.
strategi model bersaingStrategi pemodelan yang membandingkan model yang diusulkan dengan model alternatif yang masuk akal. Ini
Pendekatan ini sangat relevan dalampemodelan persamaan struktural,karena suatu model hanya dapat ditunjukkan memiliki kecocokan yang dapat diterima, namun
kecocokan yang dapat diterima saja tidak menjamin bahwa model lain tidak akan lebih cocok atau sama baiknya.
pendekatan kasus yang lengkapPendekatan untuk menangani data yang hilang yang menghitung nilai berdasarkan data dari kasus yang lengkap saja;
yaitu, kasus-kasus tanpa data yang hilang. Juga dikenal sebagaipenghapusan secara daftar.
analisis konfirmasiPenggunaan teknik multivariat untuk menguji (mengkonfirmasi) struktur atau hubungan yang telah ditentukan sebelumnya. Misalnya,
misalkan kita berhipotesis bahwa X menyebabkan M yang dalam istilah menyebabkan Y. Jika kita menguji secara empiris keseluruhan proses teoretis ini dan
hubungan tersirat serta non-hubungan, pengujian tersebut merupakan analisis konfirmatori. Ini adalah kebalikan darianalisis eksplorasi.
strategi pemodelan konfirmatoriStrategi yang secara statistik menilai model tunggal agar sesuai dengan data yang diamati. Pendekatan ini
sebenarnya kurang ketat dibandingkanstrategi model bersaing,karena tidak mempertimbangkan model alternatif yang mungkin lebih cocok atau sama
baiknya dibandingkan model yang diusulkan.
membangunTidak dapat diamati atauterpendamkonsep yang dapat didefinisikan oleh peneliti dalam istilah konseptual tetapi tidak dapat diukur secara langsung atau
tanpa kesalahan (lihatkesalahan pengukuran).Sebuah konstruk dapat didefinisikan dalam berbagai tingkat kekhususan, mulai dari konsep yang
cukup sempit hingga konsep yang lebih kompleks atau abstrak, seperti kecerdasan atau emosi. Konstruksi laten kira-kira diukur dengan kelipatan
variabel indikator (diukur).
validitas konstrukSejauh mana satu setvariabel yang diukursebenarnya mewakili teorikonstruksi latenmereka dirancang
untuk mengukur. Dibahas secara rinci pada Bab 13.
Derajat kebebasan (df)Dalam model SEM, derajat kebebasan adalah jumlah kovarian/korelasi yang tidak berlebihan
(momen) pada matriks masukan dikurangi jumlah koefisien estimasi. Setiap perkiraan koefisien (gratis) “menghabiskan” satu derajat
Bab 9 Pemodelan Persamaan Struktural: Suatu Pengantar 605
kebebasan. Suatu model tidak akan pernah dapat memperkirakan koefisien yang melebihi jumlah korelasi atau kovarians yang tidak redundan,
yang berarti bahwa nol adalah batas bawah derajat kebebasan model apa pun.
Hubungan ketergantunganJenis hubungan regresi yang diwakili oleh panah berkepala satu yang mengalir dari hubungan independen
variabel ataumembangunke variabel terikat atau konstruk. Hubungan ketergantungan yang khas dalam SEM menghubungkan konstruk dengan
variabel yang diukur dan konstruk prediktor (eksogen) dengan konstruk hasil (endogen). Hubungan ketergantungan menyiratkan kausalitas.
konstruksi endogenTerpendam,multi-item yang setara dengan variabel terikat. Konstruk endogen diwakili oleh a
bervariasivariabel dependen. Dalam hal adiagram jalur,satu atau lebih anak panah mengarah ke konstruksi endogen.
perkiraan matriks kovariansMatriks kovarians terdiri dari estimasi kovarians antara semua modelvariabel indikator
terlibat dalam SEM berdasarkan persamaan yang mewakili model teoritis yang dihipotesiskan. Biasanya disingkat dengan Σ . k
konstruksi eksogenTerpendam,ekuivalen multi-item dari variabel independen. Merekakonstruksiditentukan oleh faktor luar
dari modelnya.
analisis eksplorasiAnalisis berorientasi empiris yang memungkinkan teknik multivariat menemukan kemungkinan hubungan. Itu
lawan darianalisis konfirmasi,peneliti tidak ingin mengkonfirmasi hubungan apa pun yang ditentukan sebelum analisis,
namun membiarkan teknik statistik menentukan sifat hubungan tersebut.
BugarMelihatkesesuaian.
Parameter tetapParameter yang mempunyai nilai yang ditentukan oleh peneliti. Paling sering nilainya ditentukan sebagai nol, menunjukkan tidak
hubungan, dan dalam suatu model, diwakili oleh tidak adanya koneksi.
Parameter gratisParameter diestimasi dengan program persamaan struktural untuk merepresentasikan kekuatan hubungan tertentu.
Parameter ini mungkin terjadi dimodel pengukuran (paling sering menunjukkan pemuatanindikatorkekonstruksi)serta
model struktural (hubungan antar konstruksi).
Kesesuaian (GoF)Ukuran yang menunjukkan seberapa baik struktur model tertentu mereproduksi matriks kovarians di antara model tersebut
indikatorvariabel, alternatifnya, keakuratan teori yang diajukan.
tuduhanProses memperkirakan data yang hilang suatu observasi berdasarkan karakteristik data yang tidak hilang. Satu yang sederhana
metode imputasi adalah mengganti mean variabel menggunakan observasi yang tidak hilang dan menggantinya dengan nilai yang hilang. Lihat
jugasemua tersedia, kasus lengkap,Danpendekatan berbasis modeluntuk data yang hilang.
indeks kecocokan tambahanKesesuaianindeks yang menilai seberapa cocok suatu model tertentu dibandingkan dengan beberapa acuan dasar alternatif
model. Paling umum, model dasar adalah amodel nolmenentukan itu semuavariabel yang diukurtidak berhubungan satu
sama lain. Melengkapi dua jenis ukuran kesesuaian lainnya, yaitusangat cocokDancocok pelitPengukuran.
indikatorNilai yang diamati (disebut juga adiukuratauvariabel manifes)digunakan untuk mencerminkan akonstruksi latenitu tidak bisa diukur
secara langsung. Peneliti harus menentukan indikator mana yang dikaitkan dengan setiap konstruk laten.
Konstruksi latenSuatu fenomena nyata yang tidak dapat diukur secara langsung tetapi dapat diwakilkan atau diukur dengan satu atau lebih
variabel (indikator).Jika digabungkan, indikator-indikator tersebut memberikan ukuran yang cukup akurat mengenai konstruk laten ketika
terdapat sifat psikometrik yang baik.
Faktor latenMelihatkonstruksi laten.
Variabel latenMelihatkonstruksi laten.
LiSReLPerangkat lunak SEM pertama yang banyak digunakan. Nama ini berasal dari LInear Structural RELations.
Notasi LiSReLMetode yang umum digunakan untuk mengekspresikan model SEM yang sesuai dengan matriks yang digunakan oleh LISREL. Matriks-
ces, seperti lambda, beta dan gamma, mewakili komponen spesifik dalam model SEM. Meskipun notasi ini khusus untuk program
LISREL, penggunaan LISREL secara luas telah mempopulerkan terminologi tersebut ketika menjelaskan model dan hasil.
Variabel manifesMelihatvariabel terukur.
Estimasi kemungkinan maksimum (MLe)Metode estimasi kuat yang biasa digunakan dalam model persamaan struktural. Sebuah
Sebagai alternatif dari kuadrat terkecil biasa, MLE adalah prosedur yang menghasilkan estimasi parameter konsisten yang “paling mungkin”
menghasilkan data observasi.
Variabel terukurNilai yang diamati (diukur) untuk suatu item atau pertanyaan tertentu, diperoleh baik dari responden sebagai tanggapan
untuk pertanyaan (seperti dalam kuesioner) atau dari beberapa jenis observasi. Variabel terukur digunakan sebagaiindikatordarikonstruksi laten.
Sama denganvariabel manifes.
Kesalahan pengukuranSejauh mana variabel indikator tidak mewakili secara sempurnakonstruksi latenbunga. Untuk semua
Untuk tujuan praktis, semua konstruk dan semua variabel mempunyai beberapa kesalahan pengukuran. Namun, tujuan peneliti adalah
meminimalkan besarnya kesalahan pengukuran. Estimasi SEM mengoreksi hubungan struktural untuk kesalahan pengukuran guna
memberikan perkiraan yang lebih akurat tentang hubungan antar konstruksi.
Model pengukuranSecara teoritis diturunkanmodel (1) menentukan bagaimanaindikatorsesuai dengan latenkonstruksidan (2)
memungkinkan penilaianvaliditas konstruk.Yang pertama dari dua langkah besar secara lengkapmodel strukturalanalisis dibahas lebih
rinci dalam Bab 13.
Hubungan pengukuranHubungan ketergantungandi antaraindikatoratauvariabel yang diukurdan mereka yang terkaitkonstruksi.
Spesifikasi umum menggambarkan konstruk yang “menyebabkan” atau memunculkan indikator, sehingga panah menunjuk dari
konstruk ke indikator. Spesifikasi alternatif membalikkan hubungan tersebut.
Hilang secara acak (MAR)Klasifikasi data yang hilang berlaku ketika nilai-nilai hilangYbergantung padaX,tapi tidak menyalaY.Kapan
data yang hilang adalah MAR, data observasi untukYadalah sampel yang benar-benar acak untukXnilai-nilai dalam sampel, tetapi bukan sampel acak
seluruhnyaYnilai, karena nilai yang hilangX.
Hilang sepenuhnya secara acak (McAR)Klasifikasi data yang hilang berlaku ketika nilai-nilai hilangYtidak bergantung pada
X.Ketika data yang hilang adalah MCAR, nilai yang diamati adalahYadalah sampel yang benar-benar acak dari semuanyaYnilai-nilai, tanpa proses mendasar yang
memberikan bias pada data yang diamati.
ModelRepresentasi dan operasionalisasi suatu teori. Model konvensional dalam terminologi SEM terdiri dari dua bagian. Itu
bagian pertama adalahmodel pengukuran,yang mewakili teori yang menjelaskan caranyavariabel yang diukurberkumpul untuk
mewakili konstruksi.Bagian kedua adalahmodel struktural,yang mewakili proses di mana konstruksi dikaitkan satu sama lain, sering
kali melibatkan banyak halhubungan ketergantungan.Model tersebut dapat diformalkan dalam adiagram jalur.
Spesifikasi ulang modelModifikasi yang sudah adamodeldengan estimasi parameter untuk mengoreksi kekurangan dalam kesesuaian a
model yang diperkirakan sebelumnya atau untuk membuat amodel yang bersainguntuk perbandingan menggunakan data baru.
Pendekatan berbasis modelPendekatan penggantian data yang hilang dimana nilai data yang hilang diperkirakan berdasarkan semua
data yang tidak hilang untuk responden tertentu. Metode yang paling banyak digunakan adalah estimasi kemungkinan maksimum (ML) dari nilai
yang hilang dan EM, yang melibatkan estimasi kemungkinan maksimum dari mean dan kovarians berdasarkan data yang hilang.
MultikolinearitasSejauh manakonstruksiatau variabel saling tumpang tindih. Ketika multikolinearitas antar prediktor meningkat,
hal ini mempersulit penafsiran efek regresi karena membuat estimasi menjadi bias dan lebih sulit untuk memastikan efek
sebenarnya dari setiap konstruksi.
model bersarangModeldisarangkan dalam model lain jika berisi jumlah yang samakonstruksidan dapat dibentuk dari
model lain dengan mengubah hubungan. Bentuk model bersarang yang paling umum terjadi ketika satu hubungan ditambahkan atau dihapus
dari model lain. Oleh karena itu, model dengan estimasi hubungan yang lebih sedikit dimasukkan ke dalam model yang lebih umum.
model nolStandar dasar atau perbandingan yang digunakan dalamindeks kecocokan tambahan.Model nol dihipotesiskan sebagai model yang paling sederhana
modelyang secara teoritis dapat dibenarkan.
matriks kovarians sampel yang diamatiMatriks masukan tipikal untuk estimasi SEM terdiri dari varians dan kovarian yang diamati.
leluhur untuk masing-masingvariabel terukur.Biasanya disingkat dengan huruf kapital S yang tebal (S).
mengoperasionalkan sebuah konstruksiProses kunci dalammodel pengukuranmelibatkan penentuanvariabel yang diukuritu akan
mewakili amembangundan cara pengukurannya.
Indeks kesesuaian kekikiranUkuran keseluruhankesesuaianmewakili tingkat kesesuaian model per koefisien estimasi. Ini
mengukur upaya untuk mengoreksi setiap overfitting padamodeldan mengevaluasi kekikiran model dibandingkan dengan
kesesuaiannya. Langkah-langkah ini melengkapi dua jenis ukuran good-of-fit lainnya, yaitusangat cocokDankesesuaian tambahan
Pengukuran.
Analisis jalurIstilah umum untuk pendekatan yang menggunakan korelasi bivariat sederhana untuk memperkirakan hubungan dalam SEMmodel.
Analisis jalur berupaya menentukan kekuatan jalur yang ditunjukkan padadiagram jalur.
Diagram jalurRepresentasi visual dari amodeldan rangkaian lengkap hubungan antar modelkonstruksi. Ketergantungan
hubungandigambarkan dengan anak panah lurus, dengan anak panah berasal dari variabel prediktor dan mata panah
menunjuk ke konstruk atau variabel terikat. Panah melengkung mewakili korelasi antar konstruksi atauindikator,tapi tidak hal
menyebabkantersirat.
Persamaan bentuk tereduksiPersamaan yang memprediksi suatu variabel/konstruk endogen dalam suatu persamaan tunggal hanya dengan menggunakan dan semua
konstruksi eksogen (atau variabel independen) yang terlibat dalam analisis sebagai prediktor.
KeandalanUkuran sejauh manaindikatordari akonstruksi latensecara internal konsisten satu sama lain. Individu-
cator yang sangat andalkonstruksisangat saling terkait, menunjukkan bahwa semuanya tampaknya mengukur hal yang sama. Keandalan item individual
dapat dihitung sebagai 1,0 dikurangivarians kesalahan pengukuran.Perhatikan bahwa reliabilitas yang tinggi merupakan syarat yang diperlukan, namun
tidak cukup untuk validitas.
SisaPerbedaan antara nilai aktual dan perkiraan untuk hubungan apa pun. Dalam analisis SEM, residu adalah perbedaannya
diantaradiamatiDanperkiraan matriks kovarians.
Hubungan palsuHubungan yang salah atau menyesatkan. Kejadian umum di mana suatu hubungan bisa menjadi palsu adalah
ketika variabel konstruk yang dihilangkan menjelaskan berkaitan dengan kedua sebab akibat (yaitu, hubungan antara yang aslikonstruksimenjadi tidak
signifikan setelah menambahkan konstruk yang dihilangkan).
Pemodelan persamaan struktural (SeM)Teknik multivariat yang menggabungkan aspek analisis faktor dan regresi berganda itu
memungkinkan peneliti untuk sekaligus mengkaji serangkaian hal yang saling berkaitanhubungan ketergantunganDiantaravariabel yang diukur
Dankonstruksi laten (variasi),serta antara beberapa konstruksi laten.
Model strukturalKumpulan satu atau lebihhubungan ketergantunganmenghubungkan model yang dihipotesiskankonstruksi.Model struktural
paling berguna dalam merepresentasikan keterkaitan variabel antarkonstruksi.
Hubungan strukturalHubungan ketergantungan (tipe regresi) yang ditentukan di antara keduanyakonstruksi laten.hubungan struktural
kapal diwakili dengan panah berkepala tunggal dan menyarankan panah itumembangunbergantung pada yang lain.
Konstruksi eksogentidak dapat bergantung pada konstruk lain.Konstruksi endogenbergantung pada konstruksi eksogen atau
endogen (lihat Bab 11 untuk rincian lebih lanjut).
teoriSeperangkat hubungan sistematis yang memberikan penjelasan fenomena yang konsisten dan komprehensif. Dalam praktiknya, a
teori adalah upaya peneliti untuk menentukan keseluruhan himpunanhubungan ketergantunganmenjelaskan serangkaian hasil tertentu. Sebuah teori merupakan
penjelasan yang beralasan, bukan sekedar prediksi, mengenai korespondensi masing-masing variabel dengan variabel lainnya dalam model.
VariasikanKombinasi linier darivariabel yang diukuryang mewakili akonstruksi laten.
Apa itu Pemodelan Persamaan Struktural?

Pemodelan persamaan struktural (SEM)adalah sekumpulan model statistik yang berupaya menjelaskan hubungan di antara
banyak variabel. Dalam melakukannya, SEM memeriksastrukturhubungan timbal balik yang dinyatakan dalam serangkaian
persamaan, mirip dengan serangkaian persamaan regresi berganda. Persamaan ini menggambarkan semua hubungan antar
konstruksi(variabel dependen dan independen) dan variabel yang terlibat dalam analisis. Sama pentingnya, struktur teoretis
menentukan variabel dan konstruksi mana yang kemungkinan besar tidak berhubungan satu sama lain. Konstruksi tidak dapat
diobservasi, ataufaktor laten, diwakili oleh beberapa variabel. Pada bab-bab sebelumnya, setiap teknik multivariat telah
diklasifikasikan sebagai teknik saling ketergantungan atau ketergantungan. SEM dapat dianggap sebagai kombinasi unik dari
kedua jenis teknik tersebut, karena landasan SEM terletak pada dua teknik multivariat yang sudah dikenal: analisis faktor dan
analisis regresi berganda.
SEM dikenal dengan banyak nama: analisis struktur kovarians, analisis variabel laten, dan terkadang pengguna bahkan
menyebutnya dengan nama paket perangkat lunak khusus yang digunakan (misalnya model LISREL atau AMOS). Model SEM
berbeda dari model regresi tradisional karena model ini cenderung melibatkan:
1Estimasi simultan dari hubungan ketergantungan berganda dan saling terkait

2Kemampuan untuk mewakili konsep-konsep yang tidak teramati dalam hubungan ini dan memperhitungkan kesalahan pengukuran dalam
proses estimasi
3Mendefinisikan model teoretis untuk menjelaskan keseluruhan rangkaian hubungan
4Asumsi yang terlalu mengidentifikasi (artinya variabel dijelaskan oleh sekumpulan variabel unik yang tidak menjelaskannya
mencakup semua kemungkinan hubungan)
PERKIRAAN GANDA HUBUNGAN KETERGANTUNGAN YANG INTER TERKAIT

Salah satu perbedaan antara SEM dan teknik multivariat lainnya adalah penggunaan hubungan terpisah untuk masing-masing
kumpulan variabel terikat. Secara sederhana, SEM memperkirakan serangkaian persamaan regresi berganda yang terpisah
namun saling bergantung secara bersamaan dengan menentukanmodel strukturaldigunakan oleh program statistik. Pertama,
peneliti memanfaatkan teori, pengalaman sebelumnya, dan tujuan penelitian untuk membedakan variabel independen mana
yang menjelaskan setiap variabel dependen. Variabel terikat dalam suatu hubungan dapat menjadi variabel bebas dalam
hubungan selanjutnya sehingga menimbulkan sifat model struktural yang saling bergantung. Selain itu, banyak variabel yang
sama mempengaruhi masing-masing variabel dependen, tetapi dengan pengaruh yang berbeda. Model struktural
mengungkapkan hal inihubungan ketergantunganantara variabel independen dan dependen, bahkan ketika variabel dependen
menjadi variabel independen dalam hubungan lainnya.
Hubungan yang diusulkan kemudian diterjemahkan ke dalam serangkaian persamaan struktural (mirip dengan
persamaan regresi) untuk setiap variabel terikat. Fitur ini membedakan SEM dari teknik multivariat lain yang
mengakomodasi beberapa variabel dependen—analisis varians multivariat dan korelasi kanonik—karena teknik ini hanya
mengizinkan satu hubungan antara variabel dependen dan independen.
Persamaan struktural berbeda daripersamaan bentuk tereduksi. Persamaan bentuk tereduksi menyelesaikan satu konstruk
endogen (atau variabel terikat) dalam satu persamaan dengan semua dan hanya konstruksi eksogen (atau variabel bebas) yang
digunakan sebagai prediktor. Selain itu, jika seorang peneliti tertarik pada lebih dari satu konstruk endogen, persamaan bentuk
tereduksi yang terpisah akan diperlukan untuk masing-masing konstruk, yang sekali lagi akan mencakup semua variabel eksogen
saja. Dalam persamaan bentuk tereduksi, konstruk endogen tidak dapat memprediksi konstruk endogen lainnya. Hal ini berbeda
dengan persamaan struktural, yang bersifat pelit dan hanya mencakup prediktor spesifik, endogen atau eksogen, yang secara
teoritis terkait dengan konstruksi hasil. SEM memecahkan persamaan struktural
secara bersamaan, sedangkan persamaan bentuk tereduksi diselesaikan secara individual. Estimasi parameter bentuk tereduksi tidak berkaitan
dengan hubungan atau proses spesifik apa pun di antara konstruksi, seperti dalam model struktural, namun mewakili estimasi total atau gabungan
dampak variabel eksogen terhadap satu variabel dependen. Dalam pengertian ini, persamaan struktural mewakili model yang diturunkan secara
teoritis atau deduktif, sedangkan persamaan bentuk tereduksi mengidentifikasi hubungan secara induktif dengan memasukkan semua prediktor
tanpa memperhatikan teori yang telah ditentukan sebelumnya.
memasukkan VARIABEL LATEN TIDAK DIUKUR SECARA LANGSUNG

SEM juga memiliki kemampuan untuk memasukkan variabel laten ke dalam analisis. Akonstruksi laten(disebut juga a
variabel laten) adalah konsep hipotetis dan tidak teramati yang dapat diwakili oleh variabel yang diamati atau diukur.
Konstruk laten diukur secara tidak langsung dengan memeriksa beberapa halvariabel yang diukur, terkadang disebut
sebagaivariabel manifes, atauindikator. Apa pun namanya, indikator adalah variabel yang menilai secara langsung
suatu aspek atau konsep tertentu. Biasanya, khususnya dalam psikometri, variabel yang diukur adalah respons item
survei individual. Namun semakin banyak variabel terukur yang termasuk dalam SEM diperoleh dari Big Data digital (data
sekunder atau arsip) seperti media sosial, pola penggunaan ponsel, pergerakan geografis (GPS), dan lain sebagainya,
serta dari gudang data dengan informasi organisasi, paling sering disimpan di cloud.
Manfaat Menggunakan Konstruksi LatenNamun mengapa kita ingin menggunakan variabel laten yang tidak dapat kita ukur secara langsung
dibandingkan menggunakan pengukuran langsung yang diberikan oleh responden? Pertama, kita memang dapat merepresentasikan konsep laten
dan teoritis dengan menggunakan beberapa indikator dari sebuah konsep, sehingga mengurangi kesalahan pengukuran dibandingkan hanya
mengandalkan satu indikator saja. Kedua, SEM dapat menjelaskan kesalahan pengukuran yang terkait dengan konstruk laten dan memperbaikinya
agar estimasi statistik hubungan antar konstruk menjadi lebih akurat.
MEWAKILI KONSEP TEORITISKami memperkenalkan di Bab 3 gagasan bahwa sebagian besar konsep memerlukan penilaian ganda untuk
representasi yang memadai. Dari perspektif teoritis, sebagian besar konsep relatif kompleks (misalnya patriotisme, kepercayaan
konsumen, identitas diri) dan memiliki banyak aspek dan/atau dimensi. Dengan kompleksitas, peneliti mencoba merancang item
terbaik untuk mengukur konsep dengan mengetahui bahwa individu dapat menafsirkan item apa pun dengan cara yang
berbeda. Tujuannya adalah agar kumpulan pertanyaan kolektif dapat mewakili konsep lebih baik daripada item apa pun [13].
Selain itu, peneliti juga harus mewaspadai kesalahan pengukuran yang terjadi pada segala bentuk pengukuran. Meskipun kita
mungkin dapat meminimalkannya dengan konsep fisik seperti waktu (misalnya pengukuran dengan jam atom), konsep teoretis
atau abstrak apa pun pasti akan mengalami kesalahan pengukuran. Pada dasarnya, kesalahan pengukuran disebabkan oleh
representasi konsep yang tidak akurat. Namun, yang lebih penting, kesalahan pengukuran terjadi ketika responden mungkin
tidak yakin tentang bagaimana merespons atau menafsirkan pertanyaan dengan cara yang berbeda dari apa yang dimaksudkan
peneliti. Yang terakhir, hal ini dapat disebabkan oleh ketidakkonsistenan alamiah responden ketika kita menggunakan berbagai
perspektif atau item untuk mengukur konsep yang sama. Semua situasi ini menimbulkan kesalahan pengukuran. Jika kita
mengetahui besarnya masalah, kita dapat memasukkan besarnya kesalahan pengukuran ke dalam estimasi statistik dan
meningkatkan model ketergantungan kita.
Bagaimana kita merepresentasikan konsep secara teoritis dan mengukur jumlah kesalahan pengukuran? SEM
mencakup a model pengukuranyang menentukan aturan korespondensi teoretis antara variabel terukur dan variabel
laten (konstruk). Model pengukuran memungkinkan penghitungan ukuran proksi konstruk untuk mewakili konstruk
independen atau dependen apa pun dengan beberapa item. Dengan menguji kesesuaian model pengukuran teoretis
dengan kenyataan, seseorang dapat menilai tingkat kesalahan pengukuran yang ada.
Sebagai contoh, mari kita perhatikan situasi berikut dalam mengembangkan model pengukuran HBAT. HBAT ingin
mengetahui faktor apa saja yang mempengaruhi kepuasan kerja karyawannya. Variabel dependen (hasil) adalah kepuasan kerja,
dan kedua variabel independen adalah bagaimana perasaan mereka terhadap atasannya dan bagaimana mereka menyukai
lingkungan kerjanya. Masing-masing dari ketiga variabel ini dapat didefinisikan sebagai konstruk laten. Setiap konstruk laten
akan diukur dengan beberapa variabel indikator. Misalnya, bagaimana perasaan karyawan terhadap atasannya dapat diukur
dengan tiga variabel indikator berikut: (1) Atasan saya mengenali potensi saya; (2) Atasan saya
membantu saya menyelesaikan masalah di tempat kerja; dan (3) Atasan saya memahami bahwa saya mempunyai
kehidupan yang jauh dari pekerjaan. Peneliti mengidentifikasi variabel indikator spesifik yang terkait dengan setiap
konstruk, biasanya berdasarkan kombinasi penelitian serupa sebelumnya dan situasi yang dihadapi. Ketika SEM
diterapkan, peneliti dapat menilai kontribusi masing-masing variabel indikator dalam mewakili konstruk terkait dan
mengukur seberapa baik gabungan kumpulan variabel indikator mewakili konstruk (reliabilitas dan validitas). Ini adalah
komponen penilaian pengukuran SEM. Setelah konstruk memenuhi standar pengukuran yang disyaratkan, model teoritis
yang mewakili hubungan konstruk satu sama lain dapat dievaluasi. Ini adalah komponen penilaian struktural SEM.
MENINGKATKAN ESTIMASI STATISTIKSemua teknik multivariat yang diulas pada bab sebelumnya mengabaikan kesalahan pengukuran apa
pun yang ada dalam variabel kami. Seperti yang telah dibahas, kita tahu dari sudut pandang praktis dan teoretis bahwa kita tidak
dapat mengukur suatu konsep dan tingkat tertentu secara sempurnakesalahan pengukuranselalu hadir. Misalnya, ketika
menanyakan sesuatu yang sederhana seperti pendapatan rumah tangga, kita tahu bahwa beberapa orang akan menjawab salah,
baik dengan sengaja melebih-lebihkan atau meremehkan jumlahnya, atau hanya tidak mengetahuinya secara tepat. Jawabannya
mengandung kesalahan pengukuran, yang mempengaruhi estimasi koefisien struktural antar konstruk.
Keandalanadalah ukuran sejauh mana suatu himpunanindikatordari akonstruksi latenkonsisten secara internal berdasarkan
seberapa tinggi keterkaitan indikator-indikator tersebut satu sama lain. Dengan kata lain, reliabilitas menunjukkan sejauh mana
semua indikator bertemu. Namun, keandalan tidak menjamin bahwa pengukuran tersebut hanya menunjukkan satu konsep saja.
Kita membahas hal ini lebih lanjut di bab berikutnya. Secara umum, keandalan berbanding terbalik dengan kesalahan
pengukuran. Ketika reliabilitas meningkat, hubungan antara konstruk dan indikator menjadi lebih besar, artinya konstruk
tersebut menjelaskan lebih banyak varians di setiap indikator. Dengan cara ini, keandalan yang tinggi dikaitkan dengan
kesalahan pengukuran yang lebih rendah. Perhatikan bahwa komentar dalam paragraf ini terkait dengan model pengukuran
reflektif, dan bukan model pengukuran formatif, yang keduanya dibahas pada Bab 10 dan 13.
Teori statistik memberitahu kita bahwa koefisien regresi sebenarnya terdiri dari dua elemen: theBENAR
koefisien struktural antara variabel terikat dan bebas serta reliabilitasnya. Dampak kesalahan pengukuran
(dan reliabilitas terkait) dapat diilustrasikan dengan ekspresi koefisien regresi sebagai:
Bkamu.
X 5f (BX*R X
)
Di manaBkamu#Xadalah koefisien regresi yang diamati,BSadalah koefisien struktural sebenarnya, danRXadalah reliabilitas variabel
prediktor. Apa yang dilakukan SEM adalah membuat estimasi koefisien struktural yang sebenarnya1BS2berdasarkan estimasi
koefisien regresi. Ini adalah poin penting, karenakecuali reliabilitasnya 100 persen (yaitu, tidak ada kesalahan pengukuran),
korelasi yang diamati (dan koefisien regresi yang dihasilkan) akan selalu mengecilkan hubungan yang sebenarnya.Jadi SEM
“mengoreksi” atau “memperhitungkan” jumlah kesalahan pengukuran dalam variabel (konstruksi laten) dan memperkirakan
hubungan apa yang akan terjadi jika tidak ada kesalahan pengukuran. Ini adalah perkiraan hubungan sebab akibat dalam model
struktural antar konstruksi. Contoh di atas mengasumsikan kesalahan pengukuran hanya pada prediktor. Pada kenyataannya,
kesalahan pengukuran biasanya terjadi pada hasil dan prediktor.
Oleh karena itu, hubungan yang dapat kita perkirakan melalui model regresi akan selalu menjadi lebih lemah jika terdapat kesalahan
pengukuran (hal ini masuk akal jika kita memikirkannya, karena kesalahan hanya dapat mengurangi hubungan yang sebenarnya).
Persamaan tersebut berarti bahwa hubungan yang diestimasi dengan prosedur multivariat lainnya akan mengecilkan hubungan aktual
atau sebenarnya karena keandalan hanya dapat bernilai antara 0 (artinya tidak ada keandalan) dan 1 (artinya keandalan 100 persen). Jadi,
jika seseorang mengetahui reliabilitas pengukuran dan koefisien regresi yang diamati, hubungan regresi yang sebenarnya dapat
ditemukan sebagai fungsi dari koefisien regresi yang diamati dibagi dengan akar kuadrat dari produk reliabilitas untuk setiap konstruk—
prediktor dan hasil. SEM menawarkan keuntungan dalam menerapkan koreksi tersebut secara otomatis. Estimasi parameter dikoreksi
terhadap redaman akibat kesalahan pengukuran dan harus lebih akurat dibandingkan dengan yang ditemukan saat menggunakan
pendekatan lain. Karena koefisien hubungan SEM dikoreksi dengan cara ini, koefisien tersebut akan cenderung lebih besar daripada
koefisien yang diperoleh ketika regresi berganda digunakan.
Walaupun reliabilitas itu penting, namun reliabilitas yang tinggi tidak menjamin bahwa suatu konstruk diukur secara akurat.
Kesimpulan tersebut melibatkan penilaian validitas, yang akan dibahas pada bab berikutnya. Keandalan merupakan syarat yang perlu,
namun tidak cukup, untuk validitas.
Membedakan Konstruksi Laten Eksogen dan EndogenIngatlah bahwa dalam regresi berganda, berganda
analisis diskriminan, dan MANOVA, penting untuk membedakan antara variabel independen dan dependen. Demikian pula dalam
SEM, pembedaan serupa harus dilakukan. Namun, karena kita sekarang umumnya memprediksi konstruksi laten dengan
konstruksi laten lainnya, maka terminologi yang digunakan berbeda.
Konstruksi eksogenadalah variabel independen yang laten, multi-item, dan setara. Oleh karena itu, mereka menggunakan a
bervariasi ukuran untuk mewakili konstruk, yang bertindak sebagai variabel independen dalam model. Mereka ditentukan oleh
faktor-faktor di luar model (yaitu, mereka tidak dijelaskan oleh konstruk atau variabel lain dalam model), sehingga istilahnya
mandiri.Model SEM sering digambarkan dengan diagram visual. Oleh karena itu, penting untuk mengetahui cara
mengidentifikasi konstruksi eksogen. Mengingat bahwa ia independen terhadap konstruk lain dalam model, secara visual
konstruk eksogen tidak memiliki jalur (panah berkepala tunggal) dari konstruk atau variabel lain yang masuk ke dalamnya. Kami
membahas isu-isu dalam membangun diagram visual di bagian berikutnya.
Konstruksi endogenadalah laten, multi-item yang setara dengan variabel terikat. (yaitu, variasi variabel dependen
individu). Konstruksi ini secara teoritis ditentukan oleh faktor-faktor di dalam model. Dengan demikian, mereka
bergantung pada konstruksi lain, dan ketergantungan ini diwakili secara visual oleh jalur menuju konstruksi endogen dari
konstruksi eksogen (atau dari konstruksi endogen lain, seperti yang akan kita lihat nanti).
MENDEFINISIKAN MODEL
Amodelmerupakan representasi dari suatu teori.Teoridapat dianggap sebagai serangkaian hubungan sistematis yang
menyediakan hubungan yang konsisten dan komprehensifpenjelasanfenomena. Dari definisi ini, kita melihat bahwa teori
bukanlah domain eksklusif akademisi, namun dapat berakar pada pengalaman dan praktik yang diperoleh melalui observasi
perilaku dunia nyata. Model konvensional dalam terminologi SEM sebenarnya terdiri dari dua teori, yaitu model pengukuran
(mewakili bagaimana variabel-variabel yang diukur bersatu untuk mewakili konstruk) dan model struktural (menunjukkan
bagaimana konstruk dikaitkan satu sama lain). Bab 10 dikhususkan untuk bagian pertama SEM, atau model pengukuran,
sedangkan Bab 11 membahas permasalahan di bagian kedua SEM, atau model struktural.
Pentingnya TeoriSebuah model tidak boleh dikembangkan tanpa teori yang mendasarinya. Teori sering kali menjadi tujuan utama
penelitian akademis, namun praktisi dapat mengembangkan atau mengusulkan serangkaian hubungan yang rumit dan saling terkait
seperti teori berbasis akademis mana pun. Dengan demikian, para peneliti baik dari akademisi maupun industri dapat memperoleh
manfaat dari alat analisis unik yang disediakan oleh SEM. Kita akan membahas di bagian selanjutnya isu-isu spesifik dalam membangun
landasan teoritis untuk model SEM Anda, khususnya yang berkaitan dengan membangun kausalitas. Dalam semua kasus, analisis SEM
pertama-tama harus ditentukan oleh dasar teori yang kuat yang menggambarkan bagaimana hal-hal saling berhubungan, dan setidaknya
sama pentingnya, hal-hal apa yang tidak berhubungan.
Penggambaran Visual ModelModel SEM lengkap yang terdiri dari pengukuran dan model struktural bisa jadi cukup
kompleks. Meskipun semua hubungan dapat dinyatakan dalam notasi analisis jalur, banyak peneliti merasa lebih mudah
untuk menggambarkan model dalam bentuk visual, yang dikenal sebagai adiagram jalur. Penggambaran visual dari
hubungan teoritis ini menggunakan konvensi khusus baik untuk konstruksi dan variabel yang diukur serta hubungan dan
independensi di antara mereka.
MENGGAMBARKAN KONSTRUKSI YANG TERLIBAT DALAM MODEL PERSAMAAN STRUKTURKonstruksi laten dihubungkan ke korespondensi
variabel terukur dengan ahubungan pengukuran. Ini adalah jenis hubungan ketergantungan (digambarkan
dengan panah lurus) antara variabel terukur dan konstruksi. Dalam SEM tipikal, panah ditarik dari konstruk laten
ke variabel yang terkait dengan konstruk tersebut. Variabel-variabel ini disebut sebagaiindikator, karena tidak ada
satu variabel pun yang dapat mewakili suatu konstruk secara lengkap, namun dapat digunakan sebagai indikasi
konstruk tersebut. Peneliti harus membenarkan landasan teori indikator, karena SEM hanya menguji karakteristik
empiris variabel. Spesifikasi alternatif dimana anak panah mengarah dari indikator ke konstruk akan dibahas nanti
di bab ini dan lebih rinci di Bab 10. Kita juga akan membahas cara menilai kualitas.
Gambar 9.1
Eksogen X jenis umum Hubungan
(a) Hubungan Antara Konstruk teoretis dalam Model SeM
dan Variabel Terukur atau
endogen Y
X1
(b) Hubungan Antara
Konstruk dan Kelipatan Eksogen X2
Variabel Terukur
X3
(c) Hubungan Ketergantungan

Antara Dua Konstruk Membangun 1 Membangun 2
(hubungan struktural)
Membangun 1
(d) Hubungan Korelasi Antar

Konstruk
Membangun 2
indikator konstruk dalam model SEM. Di sini, kami fokus pada prinsip dasar dalam membangun diagram
model pengukuran:
- Konstruk biasanya diwakili oleh oval atau lingkaran, dan variabel terukur diwakili oleh persegi atau persegi
panjang.
- Untuk membantu membedakan indikator konstruk endogen dan eksogen, biasanya disebut variabel
terukur (indikator) untuk konstruk eksogen.Xvariabel, sedangkan indikator konstruk endogen biasanya
disebut sebagaiYvariabel.
- ItuXdan/atauYvariabel yang diukur dikaitkan dengan konstruknya masing-masing dengan panah lurus
berkepala tunggal dari konstruk ke variabel yang diukur.
Gambar 9.1a mengilustrasikan hubungan pengukuran antara suatu konstruk dan salah satu variabel yang diukurnya. Karena
konstruk kemungkinan besar akan ditunjukkan oleh beberapa variabel terukur, gambaran yang lebih umum adalah seperti pada
Gambar 9.1b. Ingatlah bahwa indikator diberi label sebagai salah satu dari ituXataukamu,tergantung pada apakah mereka terkait
dengan konstruksi eksogen atau endogen.
MENGGAMBARKAN HUBUNGAN STRUKTURALModel struktural melibatkan spesifikasihubungan strukturalantara konstruksi laten.

Menentukan suatu hubungan berarti kita menentukan bahwa suatu hubungan ada dengan menggambar panah, yang jika kita
tidak menentukan nilai untuk membebaskan jalur yang akan diperkirakan, atau kita menentukan bahwa tidak ada hubungan
dengan membatasi jalur ke 0 dengan mengecualikan koneksi apa pun. . Dua jenis hubungan yang mungkin terjadi di antara
konstruksi: hubungan ketergantungan dan hubungan korelasional (kovarians).
Seperti yang telah kita bahas sebelumnya, hubungan pengukuran merupakan salah satu bentuk hubungan ketergantungan
antara konstruk terhadap variabel. Bentuk kedua adalah hubungan ketergantungan antar konstruk. Di sini anak panah menunjuk
dari pendahulunya (variabel bebas) ke akibat atau hasil selanjutnya (variabel terikat). Hubungan ini adalah
digambarkan pada Gambar 9.1c. Pada bagian selanjutnya, kita membahas isu-isu yang terlibat dalam menentukan sebab-akibat, yang merupakan bentuk khusus
dari hubungan ketergantungan.
Spesifikasi hubungan ketergantungan juga menentukan apakah suatu konstruk dianggap eksogen atau endogen. Ingatlah
bahwa konstruk endogen bertindak seperti variabel terikat, dan konstruk apa pun dengan jalur ketergantungan (panah) yang
menunjuk ke sana dianggap endogen. Setiap kali suatu konstruk dihubungkan dengan konstruk atau variabel lain, selain dari
indikatornya sendiri, atau istilah variansi kesalahan, konstruk tersebut sebenarnya bersifat endogen pada tingkat tertentu. Suatu
konstruk eksogen hanya dapat menampilkan hubungan korelasional dengan konstruk eksogen lainnya dan bertindak seperti
variabel bebas dalam hubungan struktural dengan konstruk endogen.
Dalam banyak kasus, seseorang dapat menentukan korelasi sederhana antara konstruksi eksogen. Jenis hubungan ini tidak
menyiratkan ketergantungan dan digambarkan dengan hubungan panah berkepala dua, seperti yang ditunjukkan pada Gambar
9.1d. Konstruk eksogen tidak dapat berbagi jenis hubungan ini dengan konstruk endogen. Hanya hubungan ketergantungan
yang dapat terjadi antara konstruksi eksogen dan endogen.
MENGGABUNGKAN PENGUKURAN DAN HUBUNGAN STRUKTURALGambar 9.2 mengilustrasikan model SEM sederhana yang
menggabungkan pengukuran dan hubungan struktural dari dua konstruk dengan masing-masing empat indikator. Pada
Gambar 9.2a terdapat hubungan korelasional antara kedua konstruk yang ditunjukkan dengan tanda panah
melengkung. Indikatornya (empat pada setiap konstruk) diberi labelX1keX8. Gambar 9.2b menggambarkan hubungan
ketergantungan antara konstruk eksogen dan endogen. Kedua konstruk tersebut tetap mempertahankan indikator yang
sama, namun ada dua perubahan yang membedakannya dari hubungan korelasional. Pertama, indikator konstruk
eksogen dilambangkan dengan X1keX4, sedangkan indikator endogennya adalahY1keY4. Variabel yang diukur sendiri
tidak mengalami perubahan sama sekali, hanya peruntukannya saja dalam model. Kedua, hubungan ketergantungan
tunggal antara konstruk eksogen dan konstruk endogen digambarkan dengan tanda panah lurus antar konstruk
menggantikan tanda panah melengkung.
Gambar 9.2
(a) Hubungan Korelasi
Representasi Visual Hubungan Pengukuran dan Model
Struktural dalam Model SeM Sederhana
Eksogen Eksogen
Membangun Membangun
LX1 LX4 LX5 LX8

LX2 LX3 LX6 LX7
X1 X2 X3 X4 X5 X6 X7 X8
eX1 eX2 eX3 eX4 eX5 eX6 eX7 eX8
(b) Hubungan Ketergantungan
Eksogen endogen
Membangun Membangun
LX1 LX4 LY1 LY4

L X2 L X3 L Y2 LY3
X1 X2 X3 X4 Y1 Y2 Y3 Y4
eX1 eX2 eX3 eX4 eY1 eY2 eY3 eY4
Peneliti menentukan apakah konstruk bersifat eksogen atau endogen berdasarkan teori. Model SEM tunggal kemungkinan
besar akan mengandung hubungan ketergantungan dan korelasional.
Seberapa Cocok Modelnya?Berbeda dengan regresi OLS atau teknik ketergantungan lainnya yang berupaya memprediksi hubungan dalam
persamaan tunggal, tujuan statistik SEM berbasis kovarian adalah untuk mereproduksi matriks kovarians yang diamati dari semua variabel
terukur yang diperlukan untuk menguji suatu teori. Oleh karena itu, ukuran akurasi prediksi untuk teknik lain (yaitu,R2untuk regresi
berganda atau PLS-SEM, akurasi klasifikasi dalam analisis diskriminan, atau signifikansi statistik dalam MANOVA) bukanlah tujuan statistik
utama dari SEM berbasis kovarians. Yang dibutuhkan adalah ukuran kesesuaian atau keakuratan penjelasan yang mencerminkan model
secara keseluruhan, bukan hubungan individual. Peneliti “menerima atau menolak” model teoritis yang diuji dengan CB-SEM dengan
menilai seberapa cocok model teoritis tersebut dengan data observasi.
Karena fokusnya adalah pada keseluruhan model teoritis, CB-SEM mengandalkan matriks kovarians yang diamati di antara variabel-
variabel yang diukur, yang berisi informasi lengkap tentang bagaimana semua variabel berhubungan satu sama lain. Kesesuaian model
ditentukan oleh kesamaan yang dihasilkan antara matriks kovarians yang diamati dan matriks kovarians estimasi yang dihasilkan dari
persamaan yang mewakili model teoritis yang diusulkan. Jika teori yang diusulkan menciptakan persamaan yang mereproduksi secara
tepat korespondensi antara variabel-variabel yang diukur (matriks kovarians yang diamati), maka kita dapat mengatakan bahwa teori
tersebut sesuai dengan kenyataan. Secara praktis, kecocokan juga memungkinkan wawasan mengenai kecocokan relatif, memungkinkan
peneliti mengetahui satu teori lebih cocok daripada teori alternatif. Kami akan membahas proses memperkirakan matriks kovarians dari
model yang diusulkan, beserta sejumlah ukuran kesesuaian, secara lebih rinci di bagian selanjutnya dari bab ini serta di Bab 10 dan 11.
SeM dan teknik Multivariat lainnya

SEM adalah teknik multivariat berdasarkan variasi yang menjelaskan pengukuran dan korespondensi struktural. Dalam model
pengukuran, setiap rangkaian indikator untuk suatu konstruk bertindak secara kolektif (sebagai variate) untuk menentukan
konstruk tersebut. Dalam model struktural, konstruk-konstruk tersebut saling berkaitan satu sama lain dalam hubungan
korelasional dan ketergantungan. SEM paling tepat digunakan ketika peneliti memiliki beberapa konstruk, masing-masing
diwakili oleh beberapa variabel terukur, dan konstruk ini dibedakan berdasarkan apakah konstruk tersebut eksogen atau
endogen. Dalam hal ini, SEM mirip dengan teknik ketergantungan multivariat lainnya, seperti MANOVA dan analisis regresi
berganda. Selain itu, model pengukurannya terlihat mirip bentuk dan fungsinya dengan analisis faktor eksploratori, karena
sebenarnya sangat mirip dengan analisis faktor eksploratori. Kita akan membahas persamaan SEM dengan teknik
ketergantungan dan interdependensi pada bagian berikut.
Kemiripan dengan TEKNIK Ketergantungan

SEM jelas mirip dengan regresi berganda, salah satu teknik ketergantungan yang paling banyak digunakan. Hubungan
setiap konstruk endogen individu dapat dinyatakan dalam persamaan regresi. Konstruk endogen adalah variabel terikat,
dan variabel bebas adalah konstruknya, dengan anak panah menunjuk ke konstruk endogen. Salah satu perbedaan
utama dalam SEM adalah bahwa konstruk yang bertindak sebagai variabel independen dalam suatu hubungan dapat
menjadi variabel dependen dalam hubungan lainnya. SEM kemudian memungkinkan semua hubungan/persamaan
diperkirakan secara bersamaan.
SEM juga dapat digunakan untuk mewakili teknik ketergantungan lainnya. Variasi model SEM standar dapat digunakan untuk
mewakili variabel nonmetrik, kategorikal, dan bahkan model MANOVA dapat diperiksa menggunakan SEM. Hal ini
memungkinkan peneliti untuk memanfaatkan kemampuan SEM untuk mengakomodasi kesalahan pengukuran, misalnya, dalam
konteks MANOVA.
Kemiripan dengan teknik saling ketergantungan

Sekilas, model pengukuran, yang mengaitkan variabel terukur dengan konstruk, tampak identik dengan analisis faktor eksplorasi
yang dijelaskan dalam Bab 3 di mana variabel memuat faktor. Meskipun terdapat banyak kesamaan, seperti interpretasi terhadap
kekuatan hubungan masing-masing variabel terhadap konstruknya (dikenal sebagai amemuatdi dalam
analisis faktor eksplorasi), satu perbedaan sangat penting. Analisis faktor eksplorasi yang dijelaskan dalam Bab 3 adalah
analisis eksplorasiteknik yang mencari struktur antar variabel dengan mendefinisikan faktor-faktor dalam kumpulan
variabel. Akibatnya, setiap variabel memuat setiap faktor.
SEM merupakan prosedur konfirmasi, artinya kebalikan dari teknik eksplorasi. Peneliti secara apriori menentukan variabel
mana yang terkait dengan setiap konstruk dan variabel mana yang tidak terkait dengan suatu konstruk atau dengan variabel lain.
Kemudian pembebanan diperkirakan hanya jika variabel dikaitkan dengan konstruksi. Biasanya, pemuatan silang dibatasi hingga
0 (tidak ada jalur pemuatan silang). Analisis faktor eksplorasi tidak memerlukan spesifikasi seperti itu dari pihak peneliti.
Sebaliknya, SEM memerlukan spesifikasi model pengukuran yang lengkap. Hubungan yang tidak ditentukan tetapi mungkin
membantu mengidentifikasi model secara berlebihan.
Keuntungan menggunakan beberapa ukuran untuk suatu konstruk, yang telah dibahas sebelumnya dan di Bab 3, diwujudkan melalui
model pengukuran dalam SEM. Dengan cara ini, prosedur estimasi model struktural dapat mencakup koreksi langsung terhadap
kesalahan pengukuran, seperti yang dibahas sebelumnya. Dengan demikian, hubungan antar konstruk diperkirakan lebih akurat.
kemunculan SeM
Akar SEM dimulai pada paruh pertama abad ke-20. Perkembangan SEM berawal dari keinginan para peneliti genetika dan
ekonomi untuk dapat membangun hubungan sebab akibat antara variabel yang diamati [8, 19, 55]. Kompleksitas matematis SEM
membatasi penerapannya hingga komputer dan perangkat lunak tersedia secara luas. Mereka memungkinkan dua prosedur
multivariat analisis faktor dan regresi berganda digabungkan. Selama akhir tahun 1960-an dan awal tahun 1970-an, karya
Jöreskog dan Sörbom menghasilkan estimasi kemungkinan maksimum secara simultan dari sebuah teori yang diwakili oleh
hubungan antara konstruksi laten dan variabel indikator yang diukur dan di antara konstruksi laten (dan kurangnya hubungan
yang terkait). Pekerjaan ini mencapai puncaknya pada program SEMLISREL[27, 28, 29, 30]. LISREL adalah perangkat lunak SEM
pertama yang digunakan secara luas.
Pertumbuhan SEM masih relatif lambat selama tahun 1970an dan 1980an, sebagian besar disebabkan oleh kompleksitas yang
dirasakan. Namun pada tahun 1994, lebih dari 150 artikel SEM diterbitkan dalam literatur ilmu sosial akademis. Jumlah tersebut
meningkat menjadi lebih dari 300 pada tahun 2000, dan saat ini SEM adalah “teknik multivariat yang dominan,” diikuti oleh
regresi berganda, analisis cluster dan MANOVA [23].
Peran teori dalam Pemodelan Persamaan Struktural

SEM tidak boleh diterapkan tanpa dasar teori yang kuat untuk spesifikasi pengukuran dan model struktural. Bagian
berikut membahas beberapa peran mendasar yang dimainkan oleh teori dalam SEM: (1) menentukan hubungan yang
mendefinisikan model; (2) menetapkan sebab-akibat, khususnya ketika menggunakan data cross-sectional; dan (3)
pengembangan strategi pemodelan.
SPESIFIKASI HUBUNGAN
Meskipun teori dapat menjadi penting dalam semua prosedur multivariat, teori ini sangat penting untuk SEM, karena dianggap aanalisis
konfirmasi. Artinya, berguna untuk menguji dan berpotensi mengkonfirmasikan teori. Teori diperlukan untuk menentukan apa dan
bagaimana suatu hal berhubungan dan tidak berhubungan satu sama lain baik dalam model pengukuran maupun model struktural. Teori
memberikan pola hubungan dan non-hubungan yang pada akhirnya memaksakan struktur pada data.
Dari perspektif praktis, pendekatan berbasis teori terhadap SEM diperlukan, karena semua potensi hubungan dan
non-hubungan harus ditentukan oleh peneliti sebelum model SEM dapat diperkirakan. Dengan teknik multivariat lainnya,
peneliti mungkin dapat menentukan model dasar dan mengizinkan nilai default dalam program statistik untuk “mengisi”
masalah estimasi yang tersisa. Jadi, ketika kami menekankan perlunya pembenaran teoretis, kami menekankan bahwa
SEM adalah metode konfirmasi yang lebih banyak menguji teori daripada mengeksplorasi hubungan empiris.
Hubungan dalam diagram jalur biasanya melibatkan kombinasi ketergantungan dan hubungan korelasional antara
konstruksi eksogen dan endogen. Setiap konsep yang tidak terhubung diteorikan sebagai konsep independen. Peneliti
dapat menentukan urutan hubungan apa pun yang masuk akal secara teoritis/logis yang diperoleh dari penelitian
pertanyaan. Contoh berikut mengilustrasikan bagaimana rangkaian hubungan dapat melibatkan elemen ketergantungan dan
korelasional, termasuk beberapa variabel yang bertindak sebagai prediktor dan hasil.
Gambar 9.3 menunjukkan tiga contoh hubungan yang digambarkan oleh diagram jalur, beserta persamaannya. Gambar 9.3a
menunjukkan model tiga konstruk sederhana. KeduanyaX1DanX2merupakan konstruk eksogen yang berkaitan dengan konstruk endogenY
1, dan panah melengkung di antaranyaX1DanX2memungkinkan terjadinya interkorelasi (multikolinearitas). Kita dapat menunjukkan model
ini dengan persamaan tunggal denganY1sebagai fungsi dariX1DanX2, sama seperti yang kami lakukan dalam diskusi tentang regresi
berganda.
Pada Gambar 9.3b, kita menambahkan konstruk endogen kedua—Y2. Sekarang, selain model dan persamaan yang ditunjukkan pada
Gambar 9.3a, kami menambahkan persamaan kedua yang menunjukkan hubungan antara keduanyaX2DanY1denganY2. Di sini kita bisa
melihat peran unik yang dimainkan oleh SEM. Kami ingin mengetahui dampaknyaX1padaY1, efek dariX2padaY1, yang akan sama dengan
frame a, namun secara bersamaan kita mempertimbangkan efek dariX2DanY1padaY2.Y1kemudian berfungsi sebagai variabel independen
dan dependen. Pada akhirnya, SEM akan membahas seberapa baik rangkaian hubungan menjelaskan secara lengkap semua informasi
yang menunjukkan hubungan antar variabel. Informasi lengkap tentang semua hubungan timbal balik ditangkap dalam matriks kovarians.
Hubungan tersebut menjadi semakin terjalin pada Gambar 9.3c, dengan tiga konstruk dependen, yang masing-masing terkait
satu sama lain dan juga terkait dengan konstruk independen. Bahkan terjadi hubungan timbal balik (berkepala dua, panah lurus).
Y2DanY3. Hubungan ini ditunjukkan dalam persamaan olehY2muncul sebagai prediktorY3DanY3
muncul sebagai prediktorY2. Tidaklah mungkin untuk menyatakan semua hubungan pada Gambar 9.3b atau 9.3c dalam satu persamaan.
Persamaan terpisah diperlukan untuk setiap konstruk dependen. Kebutuhan akan suatu metode yang dapat mengestimasi seluruh
persamaan secara simultan dapat diatasi dengan SEM.
Contoh-contoh tersebut hanyalah gambaran sekilas tentang jenis-jenis hubungan yang dapat digambarkan dan kemudian diperiksa
secara empiris melalui SEM. Mengingat kemampuan model untuk menjadi kompleks dengan mudah, maka lebih penting lagi untuk
menggunakan teori sebagai faktor panduan untuk spesifikasi model pengukuran dan struktural. Nanti di bab ini, serta di Bab 10 dan 11
kita akan membahas kriteria yang digunakan peneliti untuk menentukan model SEM secara lebih rinci.
MEMBENTUK PENYEBAB
Mungkin jenis inferensi teoretis terkuat yang dapat ditarik oleh seorang peneliti adalah inferensi kausal, yang melibatkan usulan bahwa hubungan
ketergantungan sebenarnya didasarkan padahal menyebabkan. Akesimpulan kausalmelibatkan hubungan sebab-akibat yang dihipotesiskan. Jika
kita memahami urutan sebab akibat antar variabel, maka kita dapat menjelaskan bagaimana beberapa variabel tersebut
Hubungan Sebab-Akibat Diagram Jalur Gambar 9.3

Mewakili Ketergantungan dan Hubungan
Mandiri Bergantung Korelasi melalui Diagram Jalur
Variabel Variabel
X1 X2
X1 X2 Y1
(A) Y1
X1 X2
X1 X2 Y1
X2 Y1 Y2 Y1 Y2
(B)
X1 X2 X3
X1 X2 Y1
X2 X3 Y1 Y3 Y2 Y1 Y2
Y1 Y2 Y3
(C) Y3
sebab menentukan akibat yang diberikan. Dalam praktiknya, dampaknya setidaknya dapat dikelola sebagian dengan tingkat kepastian tertentu. Jadi, hubungan
ketergantungan terkadang secara teoritis dapat dihipotesiskan sebagai hubungan sebab akibat. Namun, hanya berpikir bahwa hubungan ketergantungan
bersifat sebab-akibat tidak berarti demikian. Oleh karena itu, kami menggunakan istilah tersebutmenyebabkandengan sangat hati-hati dalam SEM.
Mari kita perhatikan minat HBAT terhadap kepuasan kerja sebagai contoh. Jika perasaan positif terhadap seorang supervisor terbukti
menghasilkan (menyebabkan) peningkatan kepuasan kerja, maka kita tahu bahwa kepuasan kerja yang lebih tinggi dapat dicapai dengan
meningkatkan perasaan karyawan terhadap atasannya. Dengan demikian, kebijakan dan pelatihan perusahaan dapat fokus pada peningkatan
pendekatan pengawasan. Jika pengawasan berhubungan secara kausal seperti yang dihipotesiskan, maka perbaikan yang dihasilkan akan
meningkatkan kepuasan kerja pegawai.
Desain penelitian kausal secara tradisional melibatkan eksperimen dengan beberapa manipulasi terkontrol (misalnya, variabel
independen kategorikal seperti yang ditemukan dalam MANOVA atau ANOVA). Model SEM biasanya digunakan dalam situasi non-
eksperimental di mana konstruksi eksogen bukan merupakan variabel yang dikontrol secara eksperimental. Hal ini membatasi
kemampuan peneliti untuk menarik kesimpulan sebab akibat, dan SEM saja tidak dapat menetapkan hubungan sebab akibat. Namun, SEM
dapat memperlakukan hubungan ketergantungan sebagai sebab akibat jika empat jenis bukti (kovarian, sequence, nonspurious
covariation, dan dukungan teoritis) tercermin dalam model SEM [26, 45].
KovariasiKarena kausalitas berarti bahwa perubahan suatu sebab menyebabkan perubahan yang sesuai dalam suatu akibat,
kovarian sistematis (korelasi) antara sebab dan akibat diperlukan, namun tidak cukup, untuk menetapkan kausalitas. Sama
seperti yang dilakukan dalam regresi berganda dengan memperkirakan signifikansi statistik dari koefisien variabel independen
yang mempengaruhi variabel dependen, SEM dapat menentukan kovariasi yang sistematis dan signifikan secara statistik antar
konstruk. Dengan demikian, estimasi jalur yang signifikan secara statistik dalam model struktural (yaitu hubungan antar
konstruksi) memberikan bukti bahwa terdapat kovarian. Hubungan struktural antar konstruk biasanya merupakan jalur yang
sesuai dengan hubungan yang dihipotesiskan atau rangkaian hubungan antar konstruk. Selain itu, struktur diterapkan dengan
menghilangkan jalur yang menunjukkan tidak ada hubungan.
UrutanPersyaratan kedua untuk sebab-akibat adalah urutan peristiwa yang bersifat sementara. Kami menggunakan contoh kami sebelumnya
sebagai ilustrasi.
Apabila perbaikan pengawasan mengakibatkan peningkatan kepuasan kerja, maka perubahan pengawasan tidak dapat terjadi setelah
perubahan kepuasan kerja. Jika kita membayangkan banyak kartu domino yang berdiri berjajar, dan kartu domino yang pertama dirobohkan oleh
sebuah bola kecil, hal ini dapat menyebabkan semua kartu domino lainnya terjatuh. Dengan kata lain, bola yang mengenai kartu domino pertama
menyebabkan kartu domino lainnya terjatuh. Jika penyebab efek ini adalah bola, bola harus mengenai domino pertama sebelum yang lain jatuh. Jika
yang lain terjatuh sebelum bola mengenai kartu domino pertama, maka bola tersebut tidak dapat menyebabkan kartu domino tersebut jatuh.
Dengan demikian, sequence in causation artinya perbaikan pengawasan harus terjadi sebelum kepuasan kerja meningkat jika hubungan kedua
variabel tersebut bersifat kausal.
SEM tidak dapat memberikan bukti seperti ini tanpa desain penelitian yang melibatkan eksperimen atau data longitudinal.
Eksperimen dapat memberikan bukti ini, karena peneliti mempertahankan kendali atas variabel sebab akibat melalui manipulasi.
Jadi, penelitian terlebih dahulu memanipulasi suatu variabel dan kemudian mengamati pengaruhnya. Data longitudinal dapat
memberikan bukti ini, karena data memungkinkan kita memperhitungkan periode terjadinya peristiwa. Banyak penelitian ilmu
sosial bergantung pada survei cross-sectional. Mengukur semua variabel pada titik waktu yang sama tidak memberikan cara
untuk memperhitungkan urutan waktu. Dengan demikian, teori harus digunakan untuk berargumentasi bahwa rangkaian efek
terjadi dari satu konstruk ke konstruk lainnya.
Kovarian Tidak PalsuAhubungan palsuadalah salah satu yang salah, menyesatkan, atau karena kurangnya pertimbangan
terhadap dampak lain. Suatu hubungan dianggap palsu jika peristiwa lain, yang tidak termasuk dalam analisis asli, menjelaskan
sebab dan akibat. Sederhananya, ukuran dan sifat hubungan antara penyebab sebenarnya dan akibat yang relevan tidak boleh
terpengaruh dengan memasukkan konstruksi (atau variabel) lain ke dalam model. Banyak anekdot menggambarkan apa yang
bisa terjadi dengan korelasi palsu. Selain itu, bukti yang menunjukkan adanya korelasi sisa yang terkait dengan sebab dan akibat,
yang dapat dinilai menggunakan SEM, juga menunjukkan adanya hubungan palsu.
Sebagai gambaran, korelasi yang signifikan antara konsumsi es krim dan kemungkinan tenggelam dapat diverifikasi secara
empiris. Namun apakah aman untuk mengatakan bahwa makan es krim menyebabkan tenggelam? Jika kita memperhitungkan
beberapa penyebab potensial lainnya (misalnya, suhu dikaitkan dengan peningkatan konsumsi es krim dan lebih banyak
berenang), kita tidak akan menemukan hubungan nyata antara konsumsi es krim dan tenggelam. Oleh karena itu, kita tidak
dapat mengatakan dengan pasti bahwa konsumsi es krim menyebabkan kemungkinan tenggelam, meskipun keduanya
berkorelasi secara signifikan. Memikirkan tentang sisa dari regresi yang memprediksi tenggelam hanya karena konsumsi es krim,
istilah sisa (varians kesalahan) yang terkait dengan tenggelam dan konsumsi es krim akan berkorelasi. Jika memang residu
(varian kesalahan) berkorelasi dan efeknya tidak dimodelkan, maka kecocokan model akan berkurang (kami akan menjelaskan
kecocokan lebih detail nanti). Jika korelasi antar suku sisa dimodelkan, maka kausalitas dipertanyakan. Faktanya, gagasan
penilaian kecenderungan, yang diperkenalkan pada bab sebelumnya, adalah cara lain untuk menentukan tingkat kausalitas
dalam suatu hubungan.
DAMPAK KOLINEARITASKarena kesimpulan kausal didukung ketika kita dapat menunjukkan bahwa beberapa konstruksi lain
tidak mempengaruhi hubungan antara sebab dan akibat, kurangnya kolinearitas di antara para prediktor (lihat Bab 5
tentang multikolinearitas) sangat diharapkan. Ketika kolinearitas tidak ada, peneliti hampir mereproduksi kondisi yang
ada dalam desain eksperimen. Kondisi ini mencakup variabel prediktor eksperimental yang ortogonal atau tidak
berkorelasi.
Sayangnya, sebagian besar model struktural melibatkan beberapa konstruksi prediktor yang munculmultikolinearitas
dengan prediktor lain dan konstruknya. Dalam kasus ini, membuat kesimpulan sebab akibat menjadi kurang pasti. Oleh karena
itu, dalam model SEM yang melibatkan penelitian survei cross-sectional, bukti kausal ditemukan ketika (1) hubungan antara
sebab dan akibat tetap konstan ketika konstruk prediktor lain dimasukkan ke dalam model dan (2) ketika varians kesalahan
konstruk akibat adalah independen (tidak terkait atau menampilkan istilah sisa yang tinggi) [45, 51].
PENGUJIAN UNTUK HUBUNGAN YANG SURATGambar 9.4 menunjukkan contoh pengujian hubungan tidak palsu dengan dua model
SEM. Model pertama menentukan hubungan struktural yang diusulkan antara dua konstruksi. Model kedua
menggabungkan konstruk Penyebab Alternatif sebagai variabel prediktor tambahan. Jika estimasi hubungan antar
konstruk yang ditemukan pada model pertama tetap tidak berubah ketika prediktor tambahan ditambahkan (model
kedua), maka hubungan tersebut dianggap tidak palsu. Namun, jika hubungan struktural menjadi tidak signifikan pada
model kedua karena penambahan prediktor lain, maka hubungan tersebut harus dianggap palsu. Lebih dari satu
konstruksi tambahan dapat ditambahkan dan hubungan struktural sebab akibat yang diprediksi harus tetap konsisten
tidak peduli berapa banyak konstruksi yang ditambahkan.
Gambar 9.4
(a) Hubungan Asli
menguji Hubungan yang tidak palsu Antar konstruksi
. 50
Pengawas
Pekerjaan
Kepuasan
(b) Menguji Penyebab Alternatif
Bekerja
Kondisi
. 00 . 30
pengawasan maaf . 50 Pekerjaan
Kepuasan
Dalam contoh kepuasan kerja karyawan, kami mengusulkan bahwa persepsi supervisor mempengaruhi kepuasan
(Gambar 9.4a). Namun ada yang berpendapat bahwa perasaan karyawan terhadap atasannya tidak terlalu menentukan
tingkat kepuasan mereka terhadap pekerjaan mereka. Penjelasan alternatifnya, misalnya, adalah bahwa kondisi kerja
yang baik berperan sebagai penyebab alternatif bagi peningkatan pengawasan dan kepuasan kerja yang lebih tinggi
(Gambar 9.4b). Jika konstruk kondisi kerja diukur bersama dengan konstruk lainnya, dan ditentukan hubungan antara
kondisi kerja dan pengawasan serta kepuasan kerja, maka model SEM dapat menentukan apakah ada hubungan antar
konstruk tersebut atau tidak. Dalam contoh kita, koefisien estimasi tetap tidak berubah (0,50), yang menunjukkan bahwa
hubungan antara supervisor dan kepuasan kerja adalah tidak palsu. Jika koefisien estimasi menjadi tidak signifikan ketika
kondisi kerja ditambahkan ke dalam model, maka kita akan menganggap hubungan antara supervisor dan kepuasan
kerja adalah palsu.
Dukungan TeoritisKondisi terakhir untuk kausalitas adalah dukungan teoritis, atau alasan yang kuat untuk mendukung hubungan sebab-
akibat. Kondisi ini menekankan fakta bahwa sekadar menguji model SEM dan menganalisis hasilnya saja tidak dapat menentukan
hubungan sebab akibat. Dukungan teoritis menjadi sangat penting dengan data cross-sectional. Model SEM dapat menunjukkan
hubungan antara konstruksi yang berkorelasi (misalnya, konsumsi es krim dan statistik tenggelam). Namun kecuali teori dapat digunakan
untuk menetapkan urutan sebab-akibat dan dasar pemikiran untuk kovarians yang diamati, hubungan-hubungan tersebut tetap
merupakan asosiasi sederhana dan tidak boleh diatribusikan dengan kekuatan sebab-akibat lebih lanjut.
Apakah perasaan karyawan terhadap atasannya menyebabkan kepuasan kerja? Pembenaran teoritis untuk hubungan sebab-akibat mungkin ada
karena ketika karyawan menghabiskan lebih banyak waktu dengan supervisor mereka, mereka menjadi lebih akrab dengan pendekatan pengawasan
mereka, yang meningkatkan pemahaman dan reaksi mereka terhadap supervisor, dan berdasarkan pengalaman ini mereka menjadi lebih puas
dengan situasi pekerjaan mereka. Dengan demikian, dapat dikemukakan bahwa perasaan yang lebih baik terhadap supervisor menyebabkan
peningkatan kepuasan kerja.
Meskipun SEM sering disebut sebagai pemodelan kausal, kesimpulan kausal hanya mungkin terjadi jika bukti konsisten dengan empat
kondisi kausal yang telah disebutkan. SEM dapat memberikan bukti kovariasi sistematis dan dapat membantu menunjukkan bahwa suatu
hubungan tidak palsu. Jika data bersifat longitudinal, SEM juga dapat membantu menetapkan urutan hubungan. Namun, terserah kepada
peneliti untuk membangun dukungan teoritis. Dengan demikian, SEM sangat membantu dalam menetapkan kesimpulan sebab akibat,
namun SEM tidak dapat melakukannya sendiri.
MENGEMBANGKAN STRATEGI PEMODELAN

Salah satu konsep terpenting yang harus dipelajari seorang peneliti mengenai teknik multivariat adalah tidak ada satu
cara pun yang benar untuk menerapkannya. Dalam beberapa kasus, hubungan ditentukan secara ketat, dan tujuannya
adalah konfirmasi hubungan tersebut. Di lain waktu, hubungan tersebut dikenali secara longgar, dan tujuannya adalah
penemuan hubungan. Pada setiap titik ekstrim, maupun titik-titik di antaranya, peneliti harus menerapkan teknik
multivariat sesuai dengan tujuan penelitian.
Penerapan SEM mengikuti prinsip yang sama. Fleksibilitasnya memberikan peneliti alat analisis yang kuat dan sesuai untuk
berbagai tujuan penelitian, yang berfungsi sebagai pedoman dalam strategi pemodelan. Penggunaan istilah tersebut strategi
dirancang untuk menunjukkan rencana tindakan menuju hasil tertentu. Untuk tujuan kami, kami mendefinisikan tiga strategi
berbeda dalam penerapan SEM: strategi pemodelan konfirmasi, strategi model bersaing, dan strategi pengembangan model.
Strategi Pemodelan KonfirmatoriPenerapan paling langsung dari pemodelan persamaan struktural adalah astrategi pemodelan konfirmatori.
Peneliti menentukan model teoritis tertentu yang terdiri dari pola hubungan dan non-hubungan dan kemudian SEM menilai seberapa cocok model
tersebut dengan kenyataan. Pendekatan SEM merupakan kebalikan dari pendekatan eksplorasi seperti regresi bertahap atau analisis komponen
utama. Jika model yang diusulkan mempunyai kesesuaian yang dapat diterima, peneliti telah menemukan dukungan untuk model tersebut. Namun,
seperti yang akan kita bahas nanti, model tersebut hanyalah salah satu dari beberapa model berbeda yang mungkin memiliki kecocokan model yang
dapat diterima. Mungkin pengujian yang lebih mendalam dapat dicapai dengan membandingkan model teoritis alternatif untuk menemukan model
mana yang lebih cocok dibandingkan model lainnya.
Strategi Model BersaingAstrategi model bersaingdidasarkan pada perbandingan satu model estimasi teoritis yang masuk akal dengan teori-teori
alternatif dengan menilai kesesuaian relatif. Pengujian terkuat terhadap model yang diajukan adalah dengan mengidentifikasi dan menguji model-
model bersaing yang mewakili teori-teori yang benar-benar berbeda namun masuk akal. Ketika membandingkan model-model ini, peneliti semakin
mendekati pengujian teori-teori yang bersaing, yang jauh lebih kuat daripada pengujian model tunggal secara terpisah. Secara filosofis, kita mungkin
tidak pernah mengetahui kebenaran absolut, namun kita dapat mengetahui bahwa satu teori lebih benar dibandingkan teori lainnya.
Model yang setaramemberikan perspektif kedua dalam mengembangkan serangkaian model komparatif. Telah ditunjukkan bahwa
untuk model persamaan struktural yang diusulkan, setidaknya ada satu model lain dengan jumlah parameter yang sama tetapi dengan
gambaran hubungan berbeda yang setidaknya cocok dengan model yang diusulkan.
Strategi Pengembangan ModelItustrategi pengembangan modelBerbeda dari dua strategi sebelumnya, meskipun kerangka
model dasar telah diusulkan, tujuan upaya pemodelan adalah untuk memperbaiki kerangka ini melalui modifikasi model
struktural atau pengukuran. Dalam banyak penerapan, teori hanya dapat memberikan titik awal untuk pengembangan model
yang dapat dibenarkan secara teoritis dan dapat didukung secara empiris. Oleh karena itu, peneliti harus menggunakan SEM
tidak hanya untuk menguji model secara empiris, namun juga untuk memberikan wawasan mengenai spesifikasi ulang model
tersebut.
Satu catatan hati-hati harus dibuat. Peneliti harus berhati-hati untuk tidak menggunakan strategi ini sampai model akhir
memiliki kesesuaian yang dapat diterima namun tidak dapat digeneralisasikan ke sampel atau populasi lain. Lebih-lebih lagi,
spesifikasi ulang modelharus selalu dilakukan dengan dukungan teoritis dan bukan hanya pembenaran empiris. Model yang
dikembangkan secara empiris harus diverifikasi dengan sampel independen seperti halnya pendekatan eksplorasi atau prediktif.
Contoh sederhana SeM

Contoh berikut menggambarkan cara kerja SEM. Contohnya melibatkan rangkaian hubungan, beberapa persamaan termasuk persamaan
karena variabel terikat dalam satu persamaan adalah variabel bebas dalam persamaan lain. Kemampuan ini memungkinkan peneliti untuk
memodelkan hubungan yang kompleks dengan cara yang tidak mungkin dilakukan dengan teknik multivariat lain yang dibahas dalam
teks ini. Cara lain yang mungkin lebih akurat untuk memikirkan proses SEM adalah dengan terlebih dahulu membayangkan bahwa setiap
variabel yang diukur berhubungan dengan setiap variabel terukur lainnya. Kemudian, batasan-batasan akan ditambahkan yang mewakili
kasus-kasus independensi, dengan kata lain, ketika hubungan telah ditentukan sebelumnya sebesar 0. Pertanyaannya kemudian adalah
apakah model dapat bekerja dengan baik bahkan ketika menghadapi banyak kendala yang mungkin terjadi.
Untuk mempermudah, setiap konstruksi dalam contoh berikut diperlakukan sebagai variabel tunggal. Dengan demikian, contoh kita
tidak menggambarkan salah satu kekuatan utama SEM—kemampuan untuk menggunakan berbagai ukuran (model pengukuran) untuk
mewakili suatu konstruksi melalui analisis faktor eksplorasi. Bab 10 membahas teori pengukuran dan analisis faktor konfirmatori dan akan
mengilustrasikan pengukuran beberapa item secara rinci. Untuk saat ini, kami hanya fokus pada prinsip dasar konstruksi model dan
memperkirakan banyak hubungan.
teori
Teori harus menjadi landasan bahkan model SEM yang paling sederhana sekalipun. Urutan beberapa variabel dapat
dihubungkan satu sama lain dalam banyak cara. Mungkin beberapa rangkaian hubungan yang mungkin terjadi adalah omong
kosong belaka. Teori harus membuat model menjadi masuk akal. Penekanan pada representasi hubungan ketergantungan
mengharuskan peneliti secara hati-hati merinci tidak hanya jumlah konstruksi yang terlibat, namun juga batasan yang diperlukan
untuk mewakili hanya jalur di mana hubungan harus ada. Dengan konstruksi ini, estimasi model dapat dilanjutkan.
Untuk mendemonstrasikan bagaimana teori dapat digunakan untuk mengembangkan model untuk diuji dengan SEM, mari kita gunakan contoh kepuasan
kerja karyawan, namun perluas dengan menambahkan beberapa konstruksi lagi. Dua pertanyaan penelitian utama adalah: (1) faktor-faktor apa yang
mempengaruhi kepuasan kerja dan (2) apakah kepuasan kerja berhubungan dengan kemungkinan karyawan mencari pekerjaan lain?
(yaitu, berhenti dari pekerjaan mereka saat ini)? Lebih khusus lagi, manajemen HBAT percaya bahwa persepsi yang baik tentang
pengawasan, rekan kerja, dan kondisi kerja akan meningkatkan kepuasan kerja, yang pada gilirannya akan menurunkan kemungkinan
mencari pekerjaan lain.
Dari pengalaman mereka, manajemen mengembangkan serangkaian hubungan yang mereka yakini dapat menjelaskan proses tersebut:
- Peningkatan pengawasan mengarah pada kepuasan kerja yang lebih tinggi.
- Lingkungan kerja yang lebih baik menyebabkan kepuasan kerja yang lebih tinggi.
- Persepsi yang lebih baik terhadap rekan kerja menyebabkan kepuasan kerja yang lebih tinggi.
- Konsekuensinya, kepuasan kerja yang lebih tinggi menyebabkan kemungkinan pencarian kerja yang lebih rendah.
Keempat hubungan ini membentuk dasar bagaimana manajemen HBAT yakin bahwa hal tersebut dapat mengurangi
kemungkinan karyawan mencari pekerjaan lain. Selain itu, teori ini mengusulkan bahwa Pengawasan, Lingkungan Kerja, dan
Rekan Kerja tidak berhubungan langsung dengan pencarian kerja. Manajemen ingin mengurangi aktivitas pencarian kerja karena
biaya perekrutan, perekrutan, dan pelatihan karyawan baru sangat tinggi.
Tim peneliti dapat menggunakan regresi berganda, namun pendekatan tersebut hanya akan menguji sebagian model ini,
karena regresi digunakan untuk menguji hubungan antara beberapa variabel independen dan satu variabel dependen metrik.
Mengingat teori berikut ini melibatkan lebih dari satu variabel terikat, tim peneliti dapat menggunakan teknik lain yang dapat
menguji hubungan dengan lebih dari satu variabel terikat. Selain itu, pendekatan persamaan berganda mengakui bahwa
beberapa dampak terhadap hasil mungkin bersifat tidak langsung dan terjadi melalui konstruksi lain.
MENYIAPKAN MODEL PERSAMAAN STRUKTURAL UNTUK ANALISIS JALUR

Setelah urutan teoritis efek dan non-efek ditentukan, peneliti mulai merepresentasikan model dalam bentuk yang sesuai untuk analisis.
Pertama, konstruksi diidentifikasi sebagai eksogen atau endogen. Kemudian, proses teoritis tersebut dapat digambarkan secara visual
dalam diagram jalur, dimana anak panah lurus menggambarkan dampak suatu konstruk terhadap konstruk lainnya. Jika akibat sebab
akibat disimpulkan, anak panah yang menunjukkan hubungan ketergantungan menunjuk dari sebab ke akibat berikutnya. Sebuah
konstruksi tanpa panah yang memasukinya bersifat eksogen. Sebuah konstruksi dengan panah yang memasukinya bersifat endogen.
Manajemen HBAT mengusulkan model teoretis yang mencakup lima konstruksi: persepsi pengawasan, lingkungan
kerja, dan rekan kerja, serta kepuasan kerja dan pencarian kerja. Langkah awalnya adalah mengidentifikasi konstruk
mana yang dianggap eksogen dan mana yang endogen. Ingatlah bahwa konstruk eksogen seperti variabel bebas,
sedangkan konstruksi endogen seperti variabel terikat.
Konstruk pengawasan, lingkungan kerja, dan rekan kerja diidentifikasi sebagai variabel eksogen karena tidak diprediksi oleh
konstruk dalam model. Pencarian kerja jelas merupakan variabel endogen, karena direpresentasikan sebagai variabel terikat.
Tapi bagaimana dengan kepuasan kerja? Hal ini bergantung pada konstruk supervisi, lingkungan kerja, dan rekan kerja, namun
juga merupakan variabel independen karena terbukti mempengaruhi konstruk pencarian kerja. Ini adalah salah satu karakteristik
SEM yang unik dan jelas bermanfaat—SEM dapat menguji hubungan (model) di mana suatu konstruk beroperasi baik sebagai
variabel independen maupun dependen. Oleh karena itu, dari model hubungan kita, kita dapat mengidentifikasi jenis konstruksi
seperti yang ditunjukkan di bawah ini:
konstruksi eksogen konstruksi endogen

Pengawasan Kepuasan kerja
Lingkungan kerja Pencarian pekerjaan
Rekan kerja
Dengan konstruksi yang ditentukan sebagai eksogen atau endogen, hubungan sekarang dapat direpresentasikan dalam diagram jalur, seperti
yang ditunjukkan pada Gambar 9.5.
Perhatikan bahwa satu jenis hubungan yang juga disajikan pada Gambar 9.5 tidak diungkapkan oleh tim
peneliti HBAT: korelasi antar konstruksi eksogen. Hubungan antara konstruksi eksogen umumnya diasumsikan
kecuali terdapat alasan teoretis yang kuat untuk meyakini bahwa konstruksi eksogen bersifat independen.
Gambar 9.5
Pengawasan Diagram Jalur Model
Struktur Sederhana
Bekerja Pekerjaan
Pencarian pekerjaan
Lingkungan Kepuasan
Rekan kerja
Biasanya, asumsi konstruksi eksogen yang berkorelasi melibatkan fakta bahwa variabel tambahan yang tidak dimasukkan dalam
model berdampak pada variabel eksogen (yaitu, penyebab umum). Dalam kasus variabel eksogen, hal ini dapat dibandingkan
secara langsung dengan merepresentasikan multikolinearitas yang dibahas dalam regresi berganda (lihat Bab 4 untuk lebih
detail). Kami telah menambahkan hubungan korelasional ini ke dalam model teoretis kami karena kami mengharapkan elemen-
elemen terpisah dalam pengelolaan karyawan HBAT (Supervisi, Lingkungan Kerja, dan Rekan Kerja) akan terkoordinasi dan
didasarkan pada perencanaan dan pelaksanaan yang konsisten. Selain itu, memasukkan korelasi antar konstruksi antara variabel-
variabel eksogen sering kali membuat estimasi hubungan dependen menjadi lebih dapat diandalkan. Namun, hubungan dengan
faktor-faktor endogen dianggap tidak ada kecuali dan dibatasi hingga nol kecuali beberapa alasan teoretis menyatakan
sebaliknya. Kami akan membahas alasan lain untuk menambahkan jenis hubungan ini di bab berikutnya. Tim peneliti kini dapat
mengumpulkan data mengenai lima konstruk sebagai dasar untuk mengevaluasi model teoritis yang diusulkan.
DASAR-DASAR ESTIMASI DAN PENILAIAN SEM

Dengan hubungan dan diagram jalur yang ditentukan, peneliti kini dapat menempatkannya dalam format yang sesuai untuk analisis SEM,
memperkirakan kekuatan hubungan, dan menilai seberapa cocok data dengan model. Dalam contoh tersebut, kami mengilustrasikan
prosedur dasar dalam setiap langkah ini saat kami menyelidiki masalah yang ditimbulkan oleh lingkungan kerja karyawan dan kepuasan
kerja serta keinginan mereka untuk terlibat dalam pencarian kerja.
Matriks Kovariansi yang DiamatiSEM berbeda dari analisis regresi berganda karena SEM melakukan analisis struktur kovarians
dan bukan analisis dekomposisi varians. Hasilnya, SEM berfokus pada penjelasan kovariasi di antara seluruh variabel yang diukur,
yang bersama-sama membentuk variabel tersebutmatriks kovarians sampel yang diamati. Meskipun tidak selalu jelas bagi
pengguna, program SEM dapat menghitung solusi menggunakan matriks kovarians atau matriks korelasi sebagai masukan
daripada menggunakan observasi data individual.
Korelasi hanyalah kasus khusus dari kovarians. Matriks korelasi hanyalah matriks kovarians ketika variabel
terstandarisasi digunakan (yaitu matriks kovarians terstandarisasi). Kuncinya pada titik ini adalah menyadari bahwa kita
menghitungdiamatimatriks kovarians dari pengamatan sampel, sama seperti kita menghitung matriks korelasi. Hal ini
tidak diperkirakan, juga tidak bergantung pada model yang dipaksakan oleh peneliti.
Mari kita meninjau kembali contoh kita dan melihat bagaimana para peneliti akan melanjutkan setelah model ditentukan.
Untuk memahami bagaimana data dimasukkan ke dalam SEM, pikirkan matriks kovarians di antara kelima
variabel. Matriks kovarians yang diamati akan berisi 25 nilai. Lima nilai diagonal akan mewakili varians setiap
variabel dengan 10 suku kovarians unik. Karena matriks kovariansnya simetris, 10 suku unik akan terulang di atas
dan di bawah diagonal. Hasilnya, jumlah nilai unik dalam matriks adalah lima nilai diagonal (varians) ditambah 10
nilai unik di luar diagonal (kovarians), sehingga totalnya adalah 15.
Misalnya, sampel melibatkan individu yang diwawancarai menggunakan teknik intersepsi mal. Matriks kovarians yang
dihasilkan terdiri dari nilai-nilai berikut, dengan masing-masing konstruk disingkat S untuk Pengawasan, WE untuk
Lingkungan Kerja, CW untuk Rekan Kerja, SAT untuk Kepuasan Kerja, dan SRCH untuk Pencarian Kerja (seperti pada
Gambar 9.5). Matriks nilai yang tidak diduplikasi adalah sebagai berikut:
S Kami cW Duduk SRcH

Var (S)
Diamati Cov (S, KAMI) Var (KAMI)
Kovarian Cov (S,CW) Cov (KAMI, CW) Var (CW)

Cov (S,SAT) Cov (KAMI,SAT ) Cov (CW,SAT ) Var (SAT)
Cov (S,SRCH) Cov (KAMI, SRCH ) Cov (CW, SRCH) Cov (SAT, SRCH) Var (SRCH)
Nilai sebenarnya untuk contoh ini ditunjukkan pada Tabel 9.1a, matriks kovarians yang diamati.
Memperkirakan dan Menafsirkan HubunganSebelum program SEM digunakan secara luas, para peneliti menemukan solusi untuk
beberapa model persamaan menggunakan proses yang dikenal sebagaianalisis jalur. Analisis jalur menggunakan korelasi bivariat untuk
memperkirakan hubungan dalam sistem persamaan struktural. Proses ini memperkirakan kekuatan setiap hubungan struktural (panah
lurus atau melengkung) dalam diagram jalur. Prosedur matematika sebenarnya dijelaskan secara singkat pada Lampiran 9A.
Prosedur analisis jalur memberikan perkiraan untuk setiap hubungan yang digambarkan (panah) dalam model yang ditunjukkan pada
Gambar 9.6. Estimasi ini diinterpretasikan seperti koefisien regresi jika dua persamaan terpisah digunakan—satu untuk memprediksi
Kepuasan Kerja dan yang kedua untuk memprediksi Pencarian Kerja. Namun SEM tidak memisahkan setiap persamaan, dan semua
estimasi hubungan pada kedua persamaan dihitung pada saat yang sama dengan menggunakan informasi dari seluruh persamaan yang
membentuk model. SEM juga memberikan perkiraan hubungan korelasional antara konstruk eksogen, yang mungkin berguna dalam
interpretasi kita terhadap hasil, serta secara langsung mempengaruhi penilaian kita terhadap validitas konstruk eksogen.
Dengan estimasi untuk setiap jalur, interpretasi dapat dibuat dari setiap hubungan yang direpresentasikan dalam model.
Ketika uji inferensi statistik diterapkan, peneliti dapat menilai probabilitas bahwa estimasi tersebut signifikan (yaitu, tidak sama
dengan nol). Selain itu, estimasi dapat digunakan seperti koefisien regresi untuk membuat estimasi nilai konstruk apa pun dalam
model.
Hubungan (jalur) dalam model yang ditunjukkan pada Gambar 9.6 mewakili pertanyaan penelitian yang diajukan oleh tim peneliti HBAT. Ketika
kita melihat pada tiga hubungan pertama (yaitu, dampak Pengawasan, Lingkungan Kerja dan Rekan Kerja terhadap Kepuasan Kerja), kita dapat
melihat bahwa koefisien yang diperkirakan masing-masing adalah 0,065, 0,219, dan 0,454. Besar kecilnya koefisien tersebut menunjukkan bahwa
Rekan Kerja mempunyai pengaruh yang paling besar terhadap kepuasan kerja, sedangkan Pekerjaan
Gambar 9.6
Perkiraan Model Persamaan Struktural Pencarian Kerja
Pengawasan
. 200 . 065
. 200 Bekerja . 219 Pekerjaan . 500 Pekerjaan
Lingkungan Kepuasan Mencari
. 150 . 454
Rekan kerja
Lingkungan agak kurang dan pengawasan mempunyai dampak paling kecil. Selain itu, Kepuasan Kerja mempunyai dampak besar
terhadap Pencarian Kerja (0,50) dan memberikan bukti hubungan tersebut juga.
Ingatlah bahwa koefisien regresi dapat digunakan untuk menghitung nilai prediksi variabel dependen. Nilai-nilai itu disebut
sebagai ŷ. Jadi, untuk nilai tertentu dari variabel independen, nilai estimasi hasilnya dapat diperoleh. Dalam kasus ini, ketika kita
memperlakukan konstruksi sebagai variabel, mereka akan mewakili nilai prediksi untuk konstruksi endogen, atau hasilnya.
Perbedaan antara nilai aktual yang diamati untuk hasil dan ŷ adalah kesalahan. SEM juga dapat memberikan nilai estimasi untuk
konstruk eksogen ketika beberapa variabel digunakan untuk menunjukkan konstruk tersebut. Proses ini akan menjadi lebih jelas
di bab-bab berikutnya. Sadarilah bahwa beberapa hubungan potensial antar konstruk tidak memiliki jalur yang ditarik, yang
berarti peneliti tidak mengharapkan adanya hubungan langsung antara konstruk tersebut. Misalnya, tidak ada tanda panah yang
ditarik antara Pengawasan dan Pencarian Kerja, Lingkungan Kerja dan Pencarian Kerja, atau Rekan Kerja dan Pencarian Kerja,
yang mempengaruhi persamaan untuk nilai prediksi.
Dalam model kita, jika kita mengambil nilai observasi untuk Pengawasan, Lingkungan Kerja, dan Rekan Kerja, kita dapat
memperkirakan nilai Kepuasan Kerja menggunakan persamaan berikut:
ŷKepuasan kerja5.0651Pengawasan21 .2191Lingkungan kerja21 .4541Rekan kerja2
Demikian pula, nilai prediksi untuk Pencarian Kerja dapat diperoleh:
ŷPencarian pekerjaan5.501Kepuasan kerja2
Hal ini akan mewakili prediksi persamaan berganda, karena Kepuasan Kerja juga bersifat endogen. Dengan mensubstitusikan
persamaan Kepuasan Kerja ke dalam persamaan Pencarian Kerja, diperoleh:
ŷPencarian pekerjaan5.503.0651Pengawasan21 .2191Lingkungan kerja21 .4541Rekan kerja2 4
Oleh karena itu, hal ini menggambarkan bagaimana estimasi jalur pada Gambar 9.6 dapat digunakan untuk menghitung nilai estimasi Kepuasan
Kerja dan Pencarian Kerja. Namun yang hilang adalah pertanyaan besar tentang seberapa baik model teoritis yang diusulkan mewakili kenyataan. Di
sinilah SEM memasuki gambarannya sepenuhnya.
Menilai Kesesuaian Model dengan Matriks Kovarian EstimasiLangkah iklim dalam SEM melibatkan penghitungan an
perkiraan matriks kovariansyang mewakili matriks kovarians jika struktur yang diterapkan, yang diwakili oleh urutan
hubungan dan non-hubungan, adalah benar. Estimasi matriks kovarians diperoleh dari estimasi jalur model. Kemudian,
SEM membandingkan matriks kovarians yang diestimasi dengan matriks kovarians yang diamati untuk menguji
kesesuaian model teoritis. Model yang menghasilkan estimasi matriks kovarians yang berada dalam variasi sampling dari
matriks kovarians yang diamati akan dikatakan fit.
Mari kita lihat satu hubungan (Lingkungan Kerja dan Kepuasan Kerja) untuk menggambarkan apa yang terjadi. Mereka melibatkan
jalur langsung dan tidak langsung:
Jalur langsung:
Lingkungan kerjaSKepuasan kerja5.219
Jalur tidak langsung:
Lingkungan kerjaSPengawasanSKepuasan kerja5.2003.0655.013
Lingkungan kerjaSRekan kerjaSKepuasan kerja5.1503.4545.068
Total:
Langsung1Tidak langsung5.2191 .0131 .0685.300
Jadi, perkiraan kovarians antara Lingkungan Kerja dan Kepuasan Kerja adalah 0,300, yang merupakan jumlah dari jalur
langsung dan tidak langsung. Estimasi matriks kovarians lengkap ditunjukkan pada Tabel 9.1b.
tabel 9.1 diamati, diperkirakan, dan Matriks kovarians sisa

Pengawasan Lingkungan kerja rekan kerja kepuasan kerja pencarian pekerjaan
(A) Matriks kovarians yang Var (SP) — — — —

diamati: (S)
. 20 Var (KAMI) — — —
. 20 . 15 Var (CW) — —
. 20 . 30 . 50 Var (JS) —
2.05 . 25 . 40 . 50 Var(JS)
(B) perkiraan Matriks — — — — —
kovarians: (Σ)
. 20 — — — —
. 20 . 15 — — —
. 20 . 30 . 50 — —
. 10 . 15 . 25 . 50 —
(c) Residu: teramati dikurangi estimasi kovarians
Pengawasan — — — — —
Lingkungan kerja . 00 — — — —
Rekan kerja . 00 . 00 — — —
Kepuasan kerja . 00 . 00 . 00 — —
Pencarian pekerjaan 2.15 . 10 . 15 . 00 —
Contoh ini mengilustrasikan bagaimana teori peneliti menentukan estimasi matriks kovarians (dan pada akhirnya kesesuaian
model) berdasarkan jalur (dan non-jalur) yang ditentukan dalam model. Dalam contoh kita, jika Lingkungan Kerja secara teoritis
tidak independen dari konstruksi Pengawasan atau konstruksi Rekan Kerja, dan dengan demikian setiap jalur yang mungkin
dibatasi hingga nol, maka perkiraan kovariansnya akan berbeda. Oleh karena itu, peneliti harus memperhatikan bahwa setiap
jalur yang ditambahkan atau dibatasi dalam model pada akhirnya mengontrol seberapa baik matriks kovarians yang diamati
dapat diprediksi. Identifikasi jalur langsung dan tidak langsung untuk setiap kovarian dibahas secara lebih rinci dalam lampiran
Statistik Dasar yang tersedia online.
Persoalan terakhir dalam menilai kecocokan adalah konsep residu. Residu dalam model SEM adalah perbedaan antara setiap
kovarians spesifik yang diamati dan estimasi kovarians yang sesuai. Jadi, ketika kita membandingkan matriks kovarians yang
diamati dan matriks kovarians aktual, setiap perbedaan yang kita deteksi adalah residunya. Perbedaan dengan teknik multivariat
lainnya, khususnya regresi berganda, adalah penting. Dalam teknik tersebut, residu mencerminkan kesalahan dalam
memprediksi observasi individu1ŷ–kamu2.Dalam SEM, prediksi observasi individual bukanlah fokus analisis. Ketika program SEM
mengacu pada residu, program ini mengacu pada perbedaan antara kovarians yang diperkirakan dan yang diamati untuk setiap
pasangan variabel yang diukur.
Matriks residu (perbedaan antara matriks kovarians yang diamati dan yang diperkirakan,0S2Sk0)menjadi pendorong
utama dalam menilai kesesuaian model SEM. Penjelasan teoretis yang diwakili oleh model yang diusulkan didukung
sejauh estimasi matriks kovarians1Sk2cukup dekat dengan matriks kovarians yang diamati (S). Semakin kecil residunya,
semakin dekat kecocokannya dan semakin baik model tersebut sesuai dengan kenyataan. Jika pembaca sudah familiar
dengan tabulasi silang, maka tidak mengherankan jika aX2Statistik dapat dihitung berdasarkan selisih kedua matriks.
Nantinya, kita akan menggunakan statistik ini sebagai indikator dasar kesesuaian model teoritis.
Membandingkan matriks kovarians yang diamati dan diperkirakan yang ditunjukkan pada Tabel 9.1, beberapa kovarians
diprediksi secara tepat dan beberapa perbedaan ditemukan. Misalnya, jika Anda melihat kolom angka pertama pada kedua
matriks, Anda akan melihat bahwa hubungan antara Pengawasan dan Lingkungan Kerja, serta Rekan Kerja dan Kepuasan Kerja,
semuanya diprediksi secara tepat. Artinya, semuanya bernilai 0,20 baik dalam matriks yang diamati maupun yang diperkirakan.
Untuk hubungan lainnya, seperti hubungan antara Rekan Kerja dan Kepuasan Kerja, perkiraan kovarians (0,25) sangat berbeda
dari kovarians yang diamati (0,40).
Aturan praktis 9-1

Pengenalan Pemodelan Persamaan Struktural
- Tidak ada model yang dapat dikembangkan untuk digunakan dengan SEM tanpa teori dasar yang masuk akal, yang diperlukan untuk
mengembangkan:
- Spesifikasi model pengukuran

- Spesifikasi model struktural.
- Model teoritis dapat direpresentasikan dengan menggambar diagram jalur yang sesuai:
- Hubungan ketergantungan direpresentasikan dengan panah arah berkepala tunggal.

- Hubungan korelasional (kovarians) direpresentasikan dengan panah berkepala dua.
- Kausal adalah jenis inferensi terkuat yang dibuat dalam penerapan statistik multivariat; oleh karena itu, hal ini hanya
dapat didukung jika terdapat kondisi kausalitas yang tepat:
- Kovarian antara sebab dan akibat
- Penyebabnya harus terjadi sebelum akibat
- Harus ada hubungan yang tidak palsu antara sebab dan akibat
- Dukungan teoritis ada untuk hubungan antara sebab dan akibat.
- Model yang dikembangkan dengan strategi pengembangan model harus divalidasi silang dengan sampel independen.
Hasilnya adalah matriks residu (Tabel 9.1c). Seperti yang telah kita catat, tiga residu bukanlah nol. Khususnya, hanya sisa
hubungan antara tiga konstruksi eksogen dan Pencarian Kerja yang tidak nol (2.15, .10, dan.15). Temuan ini menunjukkan bahwa
model SEM tidak secara sempurna menjelaskan kovarians antara konstruksi-konstruksi ini, dan hal ini dapat menunjukkan bahwa
teori peneliti tidak memadai dalam menjelaskan Pencarian Kerja. Namun kita memerlukan informasi tambahan sebelum menolak
teori yang diajukan.
Perhatikan bahwa variabel terikat dalam satu hubungan dapat dengan mudah menjadi variabel bebas dalam hubungan lain (seperti
Kepuasan Kerja). Tidak peduli seberapa besar diagram jalur atau berapa banyak hubungan yang disertakan, analisis jalur menyediakan
cara untuk menganalisis kumpulan hubungan.
Untungnya, peneliti tidak perlu melakukan semua perhitungan dalam analisis jalur secara manual karena perangkat
lunak akan menanganinya. Peneliti perlu memahami prinsip-prinsip yang mendasari SEM sehingga implikasi
penambahan, pembatasan, atau penghapusan jalur atau koneksi potensial dapat dipahami. Dua bab berikutnya
menjelaskan bagaimana prosedur ini diterapkan masing-masing dalam pengujian pengukuran dan teori struktural.
Enam Tahapan dalam Pemodelan Persamaan Struktural
Para peneliti tertarik pada SEM karena menyediakan cara yang menarik secara konseptual untuk menguji teori. Jika seorang peneliti dapat
mengungkapkan suatu teori dalam kaitannya dengan hubungan antara variabel-variabel yang diukur dan konstruk laten (variat), maka SEM akan
menilai seberapa baik teori tersebut.cocokkenyataan yang diwakili oleh data.
Bagian ini melanjutkan pembahasan SEM dengan menjelaskan proses pengambilan keputusan enam tahap (lihat Gambar 9.7). Proses
ini sedikit berbeda dari yang diperkenalkan pada Bab 1 untuk mencerminkan terminologi dan prosedur SEM yang unik. Keenam tahapan
tersebut adalah sebagai berikut:
Tahap 1:Mendefinisikan konstruksi individu
Tahap 2:Mengembangkan model pengukuran secara keseluruhan
Tahap 3:Merancang suatu penelitian untuk menghasilkan hasil empiris
Tahap 4:Menilai validitas model pengukuran

Tahap 5:Menentukan model struktural
Tahap 6:Menilai validitas model struktural
Gambar 9.7
Proses Enam Tahap untuk Pemodelan Persamaan Struktural
Mendefinisikan Konstruksi Individu Item apa saja

Tahap 1
yang digunakan sebagai variabel terukur?
Mengembangkan dan Menentukan Model Pengukuran

Tahap 2 Buatlah variabel terukur dengan konstruk.
Gambarkan diagram jalur untuk model pengukuran
Merancang Studi untuk Menghasilkan Hasil Empiris

Tahap 3 Menilai kecukupan ukuran sampel Pilih metode
estimasi dan pendekatan data yang hilang
Menilai Validitas Model Pengukuran

Tahap 4
Menilai garis GOF dan membangun validitas model pengukuran
Ulang tidak ada tindakan TIDAK Ya Lanjutkan untuk menguji
dan desain a Model Pengukuran model struktural

studi baru Sah? dengan tahap 5 dan 6
Tentukan Model Struktural

Tahap 5
Ubah model pengukuran menjadi model struktural
Menilai Validitas Model Struktural

Tahap 6 Menilai model dan signifikansinya, arah, dan ukurannya
estimasi parameter struktural
Re ne model dan TIDAK Ya Gambarkan secara substantif
uji dengan yang baru Model Struktural Valid? kesimpulan dan

data rekomendasi
Bagian selanjutnya dari bab ini memberikan gambaran singkat dan pengenalan enam tahap ini, yang juga akan
dibahas secara lebih rinci dalam dua bab berikutnya. Daripada menyertakan contoh HBAT sebagai ilustrasi teknik di bab
ini, contoh tersebut akan diperkenalkan di bab berikutnya. Dua bab berikutnya masing-masing dikhususkan untuk
menguji pengukuran dan model struktural. Banyak analisis SEM melibatkan pengujian teori pengukuran (bagaimana
konstruk direpresentasikan) dan teori struktural (bagaimana konstruk berhubungan satu sama lain). Bab 10 mencakup
empat tahap pertama SEM dan Bab 11 mencakup dua tahap sisanya.
Tahap 1: Mendefinisikan konstruksi individu

Teori pengukuran yang baik merupakan syarat yang diperlukan untuk memperoleh hasil yang berguna dari SEM. Uji hipotesis yang
melibatkan hubungan struktural antar konstruk tidak akan lebih dapat diandalkan atau valid dibandingkan model pengukuran dalam
menjelaskan bagaimana konstruk tersebut dibangun. Para peneliti sering kali memiliki sejumlah skala yang dapat dipilih, yang masing-
masing memiliki variasi kecil dari skala lainnya. Namun dalam situasi lain, peneliti dihadapkan pada kurangnya skala yang ditetapkan dan
harus mengembangkan skala baru atau secara substansial memodifikasi skala yang ada ke dalam konteks baru. Dalam setiap kasus, cara
peneliti memilih item untuk mengukur setiap konstruk menentukan landasan bagi keseluruhan analisis SEM. Peneliti harus
menginvestasikan waktu dan upaya yang signifikan di awal proses penelitian untuk memastikan kualitas pengukuran akan memungkinkan
penarikan kesimpulan yang valid.
OPERASIONALISASI KONSTRUKSI
Prosesnya dimulai dengan definisi teoretis yang baik tentang konstruksi yang terlibat. Definisi ini memberikan dasar
untuk memilih atau merancang masing-masing item indikator. Seorang penelitimengoperasionalkan konstruksi laten
dengan memilih item skala pengukuran dan jenis skalanya. Dalam penelitian survei, operasionalisasi konstruk laten
menghasilkan serangkaian item indikator berskala dalam format umum seperti skala Likert atau skala diferensial
semantik. Definisi dan item berasal dari dua pendekatan umum.
Skala dari Penelitian SebelumnyaDalam banyak kasus, konstruksi dapat didefinisikan dan dioperasionalkan seperti pada penelitian
sebelumnya. Peneliti dapat melakukan pencarian literatur pada konstruksi individu dan mengidentifikasi skala yang sebelumnya
memiliki kinerja yang baik. Seperti yang kita bahas di Bab 3, ringkasan skala sebelumnya tersedia di berbagai disiplin ilmu.
Perkembangan Skala BaruKadang-kadang, penelitian diperlukan untuk mengembangkan dan memvalidasi skala untuk mengukur
konstruksi laten. Perkembangan ini tepat bila seorang peneliti sedang mempelajari sesuatu yang tidak mempunyai sejarah yang
kaya dengan penelitian sebelumnya atau bila skala yang ada tidak sesuai untuk konteks tertentu. Selain itu, banyak penelitian
yang bertujuan mengembangkan skala psikometri yang mampu mewakili konstruksi laten. Istilah psikometri mengacu pada teori
dan penelitian yang diarahkan pada representasi kuantitatif dan valid dari konsep-konsep psikologis laten. Proses umum untuk
mengembangkan item skala panjang dan rinci. Hal-hal penting dari proses ini disorot dalam bab berikutnya, namun pembaca
akan dirujuk ke tempat lain untuk diskusi yang lebih menyeluruh [13, 10, 20, 42].
PRETASTING
Umumnya, ketika pengukuran dikembangkan untuk suatu penelitian atau diambil dari berbagai sumber, beberapa jenis pretest harus
dilakukan. Pretest harus menggunakan responden yang serupa dengan populasi yang akan diteliti sehingga dapat menyaring item untuk
kesesuaian. Pengujian awal sangat penting ketika skala diterapkan dalam konteks tertentu (misalnya, situasi pembelian, industri, atau
kejadian lain yang mengutamakan kekhususan) atau dalam konteks di luar penggunaan normalnya. Pengujian empiris terhadap hasil
pretest dilakukan dengan cara yang sama dengan analisis model akhir (lihat pembahasan pada tahap 4 nanti pada bab ini). Item yang
secara statistik tidak berperilaku seperti yang diharapkan mungkin perlu disempurnakan atau dihapus untuk menghindari masalah ini
ketika model akhir dianalisis.
Tahap 2: Mengembangkan dan Menentukan Model Pengukuran

Dengan item skala yang ditentukan, penelitian sekarang harus menentukan model pengukurannya. Pada tahap ini, setiap
konstruk laten yang akan dimasukkan ke dalam model ditentukan dan variabel indikator (item) yang diukur ditetapkan ke
konstruk laten yang sesuai. Meskipun penugasan ini tercermin dalam persamaan dalam kenyataan, perangkat lunak SEM
memungkinkan representasi yang lebih sederhana dalam bentuk diagram. Gambar 9.8 mewakili model pengukuran dua konstruk
sederhana, dengan empat indikator yang dikaitkan dengan setiap konstruk dan hubungan korelasional antar konstruk.
Covpengawasan, rekan kerja Gambar 9.8

Representasi Visual dari Model Pengukuran
Pengawasan Rekan kerja
LX1 LX4 LX5 LX8

LX2 LX3 LX6 LX7
X1 X2 X3 X4 X5 X6 X7 X8
eX1 eX2 eX3 eX4 eX5 eX6 eX7 eX8
Notasi SeM
Elemen kunci dalam diagram jalur adalah notasi pelabelan untuk indikator, konstruksi, dan hubungan di antara mereka. Setiap program
perangkat lunak menggunakan pendekatan yang agak unik, sebuah konvensi standar yang dikembangkan dengan adopsi LISREL secara
luas yang disebut sebagaiNotasi LISREL. Notasi LISREL terikat dengan penggunaan notasi matriks dalam program, sehingga menjadi sulit
digunakan bagi mereka yang tidak memiliki pengalaman dengan LISREL. Untuk keperluan teks ini, kami akan menyederhanakan notasi
kami agar dapat digeneralisasikan semaksimal mungkin di antara semua program perangkat lunak SEM, termasuk AMOS, yang juga
banyak digunakan saat ini. Namun, mengingat meluasnya penggunaan notasi LISREL, kami telah mengembangkan panduan referensi
untuk notasi LISREL (lihat Lampiran 9B) beserta “konversi” antara notasi ini dan notasi LISREL untuk pembaca yang berminat yang tersedia
secara online. Perangkat lunak lain, seperti M-Plus atau lavaan, alternatif berbasis R, menggunakan kode pemrograman seperti yang
disajikan di sini [32].
Tabel 9.2 mencantumkan notasi yang digunakan dalam teks ini untuk pengukuran dan model struktural. Seperti yang telah
dibahas sebelumnya, ada tiga jenis hubungan: hubungan pengukuran antara indikator/item dan konstruk; hubungan struktural
antar konstruksi; dan hubungan korelasional antar konstruk. Ada juga dua jenis istilah kesalahan, yang satu terkait dengan
indikator individual dan yang lainnya terkait dengan konstruksi endogen.
Spesifikasi model pengukuran lengkap menggunakan (1) hubungan pengukuran item dan konstruk,
(2) hubungan korelasional antar konstruk, dan (3) istilah kesalahan untuk item.
Model pengukuran dasar dapat diilustrasikan seperti ditunjukkan pada Gambar 9.8. Model ini memiliki total 17 parameter estimasi. 17
parameter bebas mencakup delapan estimasi pemuatan, delapan estimasi kesalahan, dan satu estimasi korelasi antar konstruk (dua
varian konstruk ditetapkan pada 1). Estimasi untuk setiap anak panah yang menghubungkan suatu konstruk dengan variabel yang diukur
adalah estimasi pemuatan suatu variabel—sejauh mana item tersebut terkait dengan konstruk tersebut. Tahap SEM ini dapat dianggap
sebagai penetapan variabel individual ke dalam konstruksi. Secara visual, ini menjawab pertanyaan, “Di manakah panah yang
menghubungkan konstruksi ke variabel harus digambar atau dihilangkan?”
tabel 9.2notasi Pengukuran dan Model Struktural

elemen Simbol notasi contoh
Jenis Indikator
Eksogen X Xnomor X1
endogen Y Ynomor Y1
Jenis Hubungan
Pengukuran (Memuat) L Lbarang LX1
Struktural (Koefisien jalur) P Phasil, prediktor PPekerjaan Sabtu, Sup
Korelasi antar Konstruksi Cov Covkonstruk1, konstruk2 CovSup, KAMI

Ketentuan Kesalahan
Indikator e ebarang eX1

Konstruksi E Emembangun EPencarian pekerjaan
Banyak jalur yang mungkin tidak ditentukan. Misalnya, tidak ada jalur yang menunjukkan korelasi antar varian
kesalahan variabel indikator atau pemuatan indikator pada lebih dari satu konstruk (cross-loading). Dalam proses
estimasi, pembebanan yang tidak ditentukan ini ditetapkan (tetap atau dibatasi) bernilai nol, artinya tidak akan
diestimasi.
MEMBUAT MODEL PENGUKURAN

Spesifikasi model pengukuran dapat menjadi proses yang mudah, namun sejumlah permasalahan masih harus diatasi.
Bab 10 memberikan pembahasan lebih rinci mengenai setiap permasalahan. Jenis pertanyaan tercantum di sini:
1Bisakah kita secara empiris mendukung validitas dan unidimensi konstruksi? Poin-poin penting harusnya
terlibat dalam membangun landasan teoritis dari konstruksi dan pengukuran.
2Berapa banyak indikator yang harus digunakan untuk setiap konstruk? Berapa jumlah minimal indikatornya? Disana
maksimal? Apa trade-off untuk menambah atau mengurangi jumlah indikator?
3Apakah ukuran-ukuran tersebut dianggap menggambarkan konstruk (yang berarti menggambarkan konstruk) atau
dipandang sebagai menjelaskan konstruk (sehingga kita menggabungkan indikator ke dalam indeks)? Masing-masing pendekatan membawa serta
penafsiran yang berbeda mengenai apa yang diwakili oleh konstruksi tersebut.
Peneliti, bahkan dengan skala yang sudah mapan, masih harus memastikan validitas dan unidimensionalitas dalam konteks spesifik ini.
Dalam upaya pengembangan skala apa pun, permasalahan mengenai jumlah indikator dan jenis spesifikasi konstruk harus diatasi. Peneliti
harus selalu memastikan bahwa isu-isu tersebut dikaji secara menyeluruh, karena permasalahan yang belum terselesaikan pada tahap ini
dapat mempengaruhi keseluruhan analisis, seringkali dengan cara yang tidak terlihat.
Tahap 3: Merancang Studi untuk Menghasilkan Hasil empiris

Dengan model dasar yang ditentukan dalam bentuk konstruk dan variabel/indikator yang diukur, peneliti harus mengalihkan
perhatian pada isu-isu yang terkait dengan desain dan estimasi penelitian. Diskusi kita akan fokus pada isu-isu yang berkaitan
dengan desain penelitian dan estimasi model. Dalam bidang desain penelitian, kita akan membahas (1) jenis data yang akan
dianalisis, baik kovarians maupun korelasi; (2) dampak dan perbaikan atas data yang hilang; dan (3) dampak ukuran sampel.
Dalam hal estimasi model, kami akan membahas struktur model, berbagai teknik estimasi yang tersedia, dan perangkat lunak
komputer yang saat ini digunakan.
MASALAH DALAM DESAIN PENELITIAN

Seperti halnya teknik multivariat lainnya, SEM memerlukan pertimbangan cermat terhadap faktor-faktor yang
mempengaruhi desain penelitian yang diperlukan agar analisis SEM berhasil. SEM dapat diperkirakan dengan kovarians
atau korelasi. Oleh karena itu, peneliti harus memilih jenis matriks data yang sesuai dengan pertanyaan penelitian yang
ingin dijawab. Meskipun masalah statistik estimasi SEM dibahas di bagian berikutnya, penting untuk dicatat di sini bahwa
ukuran sampel dan data yang hilang dapat berdampak besar pada hasil, apa pun metode yang digunakan.
Data Metrik versus NonmetrikVariabel yang diamati atau diukur secara tradisional diwakili oleh data metrik (interval atau rasio).
Data yang diukur secara metrik dapat langsung digunakan untuk penghitungan kovarian antar item, seperti yang dibahas
sebelumnya. Namun, kemajuan dalam program perangkat lunak kini memungkinkan penggunaan banyak tipe data nonmetrik
(tersensor, biner, ordinal, atau nominal). Jenis variabel yang berbeda bahkan dapat digunakan sebagai item untuk konstruksi
laten yang sama. Peneliti harus berhati-hati dalam menentukan jenis data yang digunakan untuk setiap variabel yang diukur
sehingga ukuran hubungan yang tepat dapat dihitung.
Kovarian versus KorelasiPara peneliti yang melakukan analisis SEM di masa lalu memperdebatkan penggunaan matriks kovarians
versus korelasi sebagai masukan. SEM awalnya dikembangkan menggunakan matriks kovarians (oleh karena itu disebut dengan
nama umumanalisis struktur kovarians).Banyak peneliti menganjurkan penggunaan korelasi sebagai
bentuk analisis yang lebih sederhana dan lebih mudah diinterpretasikan. Masalah ini memiliki signifikansi praktis, karena selama
bertahun-tahun matriks masukan dihitung menggunakan rutinitas statistik di luar program SEM dan kemudian matriks korelasi atau
kovarians digunakan sebagai masukan untuk analisis. Saat ini, sebagian besar program SEM dapat menghitung solusi model langsung dari
data mentah tanpa peneliti menghitung matriks korelasi atau kovarians secara terpisah.
penafsiranKeuntungan utama dari masukan korelasional untuk SEM terletak pada kenyataan bahwa estimasi parameter default telah terstandarisasi,
artinya estimasi tersebut tidak bergantung pada skala. Semua nilai perkiraan harus berada dalam kisaran tersebut21,0 hingga 11.0, membuat
identifikasi estimasi yang tidak sesuai menjadi lebih mudah dibandingkan dengan kovarians, yang tidak memiliki rentang yang ditentukan. Namun,
mudah untuk menghasilkan hasil ini dari masukan kovarians dengan meminta solusi standar. Oleh karena itu, korelasi tidak memiliki keunggulan
nyata dibandingkan hasil standar yang diperoleh dengan menggunakan kovarians.
DAMPAK STATISTIKKeuntungan utama penggunaan kovarians muncul dari pertimbangan statistik. Pertama, penggunaan korelasi sebagai
masukan terkadang dapat menyebabkan kesalahan dalam perhitungan kesalahan standar [12]. Selain itu, setiap kali hipotesis berkaitan
dengan pertanyaan yang berkaitan dengan skala atau besaran nilai (misalnya, membandingkan rata-rata), maka kovarians harus
digunakan, karena informasi ini tidak diperoleh dengan menggunakan korelasi. Terakhir, setiap perbandingan antar sampel memerlukan
kovarians untuk digunakan sebagai masukan. Dengan demikian, kovarians memiliki keunggulan tersendiri dalam hal sifat statistiknya
dibandingkan korelasinya.
MEMILIH ANTARA KOVARISASI DAN KORELASIDalam membandingkan penggunaan korelasi versus kovarians, kami
merekomendasikan penggunaan kovarians bila memungkinkan. Perangkat lunak membuat pemilihan satu tipe versus
tipe lainnya hanya soal memilih tipe data yang dihitung. Matriks kovarians memberi peneliti lebih banyak fleksibilitas
karena kandungan informasi yang dikandungnya relatif lebih besar.
Data HilangSama seperti prosedur multivariat lainnya, peneliti harus membuat beberapa keputusan penting mengenai data yang
hilang. Ada dua pertanyaan yang harus dijawab mengenai data yang hilang untuk mengatasi masalah yang mungkin timbul:
1Apakah data yang hilang cukup dan tidak acak sehingga menimbulkan masalah dalam estimasi atau interpretasi? 2
Jika data yang hilang harus diperbaiki, pendekatan apa yang terbaik?
Pembaca juga dapat dirujuk kembali ke Bab 2, yang berisi pembahasan yang lebih lengkap mengenai metode penilaian tingkat
dan pola data yang hilang serta pendekatan untuk memperbaiki data yang hilang, jika diperlukan. Khususnya untuk data survei,
opsi respons paksa yang tersedia dalam kuesioner elektronik menjadikan data yang hilang relatif jarang terjadi. Meskipun
demikian, jika ada data yang hilang, maka harus ditangani.
LUAS DAN POLA DATA YANG HILANGYang paling penting, data yang hilang harus selalu diatasi jika data yang hilang berada dalam
pola yang tidak acak atau lebih dari 10 persen item data hilang. Data yang hilang dipertimbangkanhilang sepenuhnya
secara acak (MCAR)jika pola data yang hilang untuk suatu variabel tidak bergantung pada variabel lain dalam kumpulan
data atau pada nilai variabel itu sendiri [48]. Jika pola hilangnya data suatu variabel berkaitan dengan variabel lain,
namun tidak berkaitan dengan nilainya sendiri, maka dianggap sebagaihilang secara acak (MAR). Bab 2 memberikan
pembahasan yang lebih rinci mengenai prosedur yang digunakan dalam menilai tingkat dan pola data yang hilang.
PERBAIKAN DATA YANG HILANGEmpat metode dasar tersedia untuk memecahkan masalah data yang hilang: thependekatan kasus yang
lengkap(dikenal sebagaiberdasarkan daftarpenghapusan, dimana pengamatan dihilangkan jika ada data yang hilang pada variabel apa
pun); itu pendekatan semua tersedia(dikenal sebagaiberpasanganpenghapusan, dimana semua data yang tidak hilang digunakan);
tuduhanteknik (misalnya substitusi rata-rata); Danpendekatan berbasis model. Sekali lagi, Bab 2 memberikan pembahasan yang lebih
rinci mengenai masing-masing opsi ini serta kelebihan dan kekurangannya. Seperti kebanyakan situasi data yang hilang, penghapusan
secara listwise dan penghapusan berpasangan merupakan metode yang paling banyak digunakan, namun kedua pendekatan ini memiliki
masalah besar [1]. Pendekatan berbasis model melampaui pendekatan imputasi yang lebih sederhana, yaitu data yang hilang dimasukkan
(diganti) berdasarkan semua data yang tersedia untuk responden tertentu. Pendekatan yang paling umum adalah (1) estimasi
kemungkinan maksimum dari nilai yang hilang (ML), (2) pendekatan EM dan (3) imputasi berganda. Pembahasan metode imputasi ini tidak
disertakan dalam bab ini, namun tersedia di sejumlah sumber [11, 15] dan di Bab 2.
MEMILIH PENDEKATAN DATA yang HilangApa pendekatan terbaik untuk menangani data yang hilang untuk SEM secara umum? Pertama-tama kita
harus mencatat bahwa jika data yang hilang bersifat acak, kurang dari 10 persen observasi, dan pemuatan faktornya relatif tinggi (0,7 atau
lebih besar), maka pendekatan mana pun adalah yang tepat [14]. Ketika data yang hilang lebih bermasalah dari ini, keputusan pertama
yang dihadapi peneliti adalah apakah memperbaiki masalah data yang hilang sebelum proses estimasi atau membiarkan perangkat lunak
SEM melakukan pengolahan data yang hilang.
Tabel 9.3 merangkum kekuatan dan kelemahan masing-masing pendekatan. Ketika menerapkan perbaikan untuk data yang hilang
sebelum estimasi, pendekatan kasus lengkap (penghapusan berdasarkan daftar) menjadi sangat bermasalah ketika sampel dan muatan
faktor kecil. Sebaliknya, keuntungan dari pendekatan berbasis model menjadi jelas ketika ukuran sampel dan muatan faktor secara umum
menjadi lebih kecil dan/atau jumlah data yang hilang menjadi lebih besar. Pendekatan semua tersedia (penghapusan berpasangan) paling
sering digunakan ketika ukuran sampel melebihi 250 dan jumlah total data yang hilang di antara variabel-variabel yang diukur berada di
bawah 10 persen. Dengan pendekatan ini, ukuran sampel (N) harus ditetapkan pada ukuran sampel minimum (terkecil) yang tersedia
untuk dua kovarians mana pun. Pendekatan semua tersedia memiliki banyak sifat baik, namun pengguna harus menyadari potensi inflasi
statistik kecocokan ketika sejumlah kecil atau besar data hilang dan pemuatan faktor besar. Semua pendekatan ini memungkinkan peneliti
untuk secara eksplisit memperbaiki data yang hilang sebelum melakukan estimasi dan memahami implikasi dari pendekatan mana pun
yang diambil. Jadi, jika data yang hilang diperhitungkan, nilai yang diperhitungkan tersebut dimasukkan ke dalam nilai yang hilang dan
disimpan dalam kumpulan data baru, yang darinya, matriks kovarians yang digunakan sebagai masukan ke SEM dihitung [15].
Pilihan lainnya adalah imputasi FIML (kemungkinan maksimum informasi lengkap). Berdasarkan pendekatan kemungkinan maksimum
berbasis regresi, FIML menggunakan semua informasi dalam kumpulan data untuk menggantikan titik data yang hilang untuk setiap
variabel. Beberapa variabel mungkin memerlukan lebih banyak substitusi dibandingkan variabel lainnya. Hasilnya adalah kumpulan data
baru yang tidak memiliki nilai yang hilang, sehingga model SEM dapat diestimasi seolah-olah tidak ada data yang hilang pada awalnya.
Banyak paket statistik komersial, termasuk yang dikhususkan untuk SEM, memfasilitasi data FIML yang hilang
tabel 9.3Beberapa Keuntungan dan Kerugian dari Berbagai Prosedur Data Hilang
metode Keuntungan Kekurangan
2
Kasus lengkap - Xmenunjukkan sedikit bias dalam sebagian besar kondisi.
- Meningkatkan kemungkinan non-konvergensi (program SEM tidak
(daftar) dapat menemukan solusi) kecuali jika muatan faktornya tinggi

- Ukuran sampel efektif diketahui.
(. .6) dan ukuran sampelnya besar (0,250).
- Mudah diimplementasikan menggunakan program apa pun.
- Peningkatan kemungkinan bias pemuatan faktor.
- Meningkatnya kemungkinan bias dalam memperkirakan
hubungan antar faktor.
- 2
Semua tersedia Lebih sedikit masalah dengan konvergensi. - Xbias ke atas ketika jumlah data yang hilang melebihi
(berpasangan) - Perkiraan pemuatan faktor relatif bebas bias. 10%, pemuatan faktor tinggi, dan ukuran sampel tinggi.
- Mudah diimplementasikan menggunakan program apa pun.
- Ukuran sampel efektif tidak pasti.
- Tidak begitu terkenal.
Berbasis model - Lebih sedikit masalah dengan konvergensi. - Tidak tersedia pada program SEM lama.
(ML/EM) - - Ukuran sampel efektif untuk EM tidak pasti.

X2menunjukkan sedikit bias dalam sebagian besar kondisi.
- Bias paling kecil dalam kondisi data hilang secara
acak.
Informasi lengkap - Perbaikan langsung dalam proses estimasi. - Peneliti tidak mempunyai kendali atas bagaimana data yang hilang diperbaiki.
maksimum - Dalam sebagian besar situasi, biasnya lebih kecil dibandingkan - Tidak ada pengetahuan tentang dampak data yang hilang terhadap estimasi.
kemungkinan (FIML) metode lainnya. - Biasanya hanya sebagian dari indeks kecocokan yang tersedia.
Catatan:Lihat Enders dan Bandalos (2001) dan Enders dan Peugh (2004) untuk rincian lebih lanjut. ML/EM telah digabungkan berdasarkan
perbedaan hasil yang dapat diabaikan antara keduanya (Enders dan Peugh, 2004).
substitusi [2,18]. Penelitian telah menunjukkan bahwa pendekatan berbasis model FIML berkinerja baik dibandingkan dengan metode lain
dengan asumsi data hilang secara acak [14], mengkonfirmasikan peningkatan yang ditemukan dalam penggunaan pendekatan berbasis
model di sebagian besar situasi (lihat Bab 2). Oleh karena itu, penggunaan pendekatan berbasis model untuk penanganan data yang
hilang direkomendasikan ketika terdapat lebih dari jumlah data yang hilang.
Ukuran sampelSEM sering dianggap memerlukan sampel yang lebih besar dibandingkan pendekatan multivariat lainnya. Ukuran sampel, seperti
halnya metode statistik lainnya, memberikan dasar untuk memperkirakan kesalahan pengambilan sampel. Mengingat dasar analitik faktor untuk
SEM, pembaca dapat meninjau diskusi ukuran sampel yang diperlukan untuk analisis faktor eksplorasi (Bab 3) [35]. Mengingat sampel yang lebih
besar biasanya lebih memakan waktu dan mahal untuk diperoleh, pertanyaan penting dalam SEM adalah seberapa besar sampel yang diperlukan
untuk menghasilkan hasil yang dapat dipercaya. Yang terpenting, ukuran sampel yang diperlukan untuk setiap statistik tertentu adalah pertanyaan
sekunder dari ukuran sampel yang diperlukan untuk menggeneralisasi dari suatu sampel ke suatu populasi. Di hampir semua kasus, persyaratan
ukuran sampel untuk menyimpulkan suatu populasi melebihi jumlah statistik tertentu.
Lima pertimbangan yang mempengaruhi ukuran sampel yang diperlukan untuk SEM meliputi: (1) normalitas data
multivariat, (2) teknik estimasi, (3) kompleksitas model, (4) jumlah data yang hilang, dan (5) kesalahan rata-rata. varians di
antara indikator reflektif.
NORMALITAS MULTIVARiAKetika data semakin menyimpang dari asumsi normalitas multivariat, maka rasio observasi terhadap
parameter perlu ditingkatkan. Rasio yang berlaku umum untuk meminimalkan masalah penyimpangan dari normalitas adalah 10
responden untuk setiap parameter yang diperkirakan dalam model. Meskipun beberapa prosedur estimasi dirancang khusus
untuk menangani data yang tidak normal (bebas asimptotik), peneliti selalu dianjurkan untuk menyediakan ukuran sampel yang
cukup untuk memungkinkan dampak kesalahan pengambilan sampel diminimalkan, terutama untuk data yang tidak normal [54].
Lebih penting lagi, sampel yang sesuai untuk dapat digeneralisasikan selalu dibutuhkan, apa pun tekniknya.
TEKNIK eStimasiProsedur estimasi SEM yang paling umum adalahestimasi kemungkinan maksimum (MLE). Studi simulasi menunjukkan
bahwa dalam kondisi ideal, MLE memberikan hasil yang valid dan stabil untuk model sederhana dengan ukuran sampel sekecil 50. Ketika
seseorang menjauh dari kondisi dengan pengukuran yang sangat kuat dan tidak ada data yang hilang, ukuran sampel minimum untuk
memastikan solusi MLE yang stabil meningkat ketika dihadapkan dengan kesalahan pengambilan sampel [34]. Sebagai minimum absolut,
SEM dengan estimasi kemungkinan maksimum secara matematis tidak mungkin dilakukan dengan ukuran sampel yang sama atau kurang
dari jumlah variabel yang diukur dalam suatu model.
KOMPLEKSITAS MODELModel yang lebih sederhana dapat diuji dengan sampel yang lebih kecil. Dalam arti yang paling sederhana, lebih banyak variabel terukur atau
indikator memerlukan sampel yang lebih besar. Namun, model bisa menjadi rumit dalam hal lain yang semuanya memerlukan ukuran sampel yang lebih besar:
- Lebih banyak konstruksi yang memerlukan lebih banyak parameter untuk diestimasi.
- Konstruk yang memiliki kurang dari tiga variabel terukur/indikator.

- Analisis multikelompok memerlukan sampel yang memadai untuk setiap kelompok.
Peran ukuran sampel adalah untuk menghasilkan lebih banyak informasi dan stabilitas yang lebih baik. Ketika seorang peneliti telah melampaui
ukuran minimum absolut (satu pengamatan lebih banyak daripada jumlah kovarians yang diamati), sampel yang lebih besar berarti lebih sedikit
variabilitas dan peningkatan stabilitas dalam solusi. Dengan demikian, kompleksitas model menyebabkan kebutuhan sampel yang lebih besar.
VARIANSI KESALAHAN RATA-RATA INDIKATORPenelitian terbaru menunjukkan konsepkeguyuban(lihat Bab 3 untuk rincian lebih lanjut) adalah
cara yang lebih relevan untuk mendekati masalah ukuran sampel. Komunitas mewakili jumlah rata-rata variasi antar variabel
yang diukur/indikator yang dijelaskan oleh model pengukuran. Teori pengukuran standar memungkinkan setiap variabel terukur
dimuat hanya pada satu konstruksi laten. Komunalitas suatu item dapat langsung dihitung sebagai kuadrat dari pembebanan
standar suatu variabel pada konstruknya (lihat Bab 10). Studi menunjukkan bahwa ukuran sampel yang lebih besar diperlukan
karena komunalitas menjadi lebih kecil (yaitu, konstruksi yang tidak teramati tidak dapat menjelaskan banyak variasi dalam item
yang diukur). Model yang berisi beberapa konstruksi dengan komunalitas kurang dari 0,5 (yaitu, estimasi pembebanan standar
kurang dari 0,7) juga memerlukan ukuran yang lebih besar untuk konvergensi dan stabilitas model [14]. Masalahnya jauh lebih
besar ketika model mempunyai konstruksi dengan hanya satu atau dua item.
RINGKASAN UKURAN SAMPELKetika SEM semakin matang dan penelitian tambahan dilakukan mengenai isu-isu desain penelitian utama,
pedoman sebelumnya seperti “selalu maksimalkan ukuran sampel Anda” dan “diperlukan ukuran sampel 300” tidak tepat. Sampel yang
lebih besar umumnya menghasilkan solusi yang lebih stabil, terutama ketika ada masalah data atau pengukuran.
Berdasarkan pembahasan ukuran sampel, saran ukuran sampel minimum berikut ditawarkan berdasarkan
kompleksitas model dan karakteristik model pengukuran dasar:
- Ukuran sampel minimum—100: Model berisi lima konstruksi atau lebih sedikit, masing-masing dengan lebih dari tiga item (variabel yang
diamati), dan dengan komunalitas item yang tinggi (0,6 atau lebih tinggi).
- Ukuran sampel minimum—150: Model dengan tujuh konstruksi atau kurang, setidaknya komunalitas sederhana (0,5), dan tidak ada konstruksi
yang kurang teridentifikasi.

- Ukuran sampel minimum—300: Model dengan tujuh konstruksi atau lebih sedikit, komunalitas yang lebih rendah (di bawah 0,45), dan/atau
beberapa konstruksi yang kurang teridentifikasi (kurang dari tiga).

- Ukuran sampel minimum—500: Model dengan jumlah konstruksi yang besar, beberapa dengan komunalitas yang lebih rendah, dan/
atau memiliki kurang dari tiga item terukur.
Selain karakteristik model yang diestimasi, ukuran sampel harus ditingkatkan dalam keadaan berikut: (1) data
menyimpang secara substansial dari normalitas multivariat, (2) teknik estimasi sampel intensif (misalnya, ADF) digunakan,
atau (3 ) data yang hilang melebihi 10 persen. Juga, ingat bahwa analisis kelompok mengharuskan setiap kelompok
memenuhi persyaratan ukuran sampel yang baru saja dibahas. Terakhir, peneliti harus ingat bahwa masalah ukuran
sampel lebih dari sekadar kemampuan memperkirakan model statistik. Ukuran sampel, seperti halnya inferensi statistik
lainnya, harus memadai untuk mewakili populasi yang diteliti, yang harus menjadi perhatian utama peneliti. Dengan
risiko terjadinya pengulangan, inferensi terhadap populasi merupakan pertimbangan paling penting dalam menentukan
ukuran sampel.
MASALAH DALAM ESTIMASI MODEL

Selain permasalahan desain penelitian yang lebih umum yang dibahas pada bagian sebelumnya, analisis SEM juga memiliki beberapa
permasalahan unik. Permasalahan ini berkaitan dengan struktur model, teknik estimasi yang digunakan, dan program komputer yang
dipilih untuk analisis.
Struktur ModelSalah satu langkah terpenting dalam menyiapkan analisis SEM adalah menentukan dan mengkomunikasikan
struktur model teoretis ke program. Diagram jalur, seperti yang digunakan pada contoh sebelumnya, dapat berguna untuk
tujuan ini. Mengetahui struktur model teoritis, peneliti kemudian dapat menentukan parameter model yang akan diestimasi.
Model ini sering kali menyertakan singkatan SEM umum yang menunjukkan jenis hubungan atau variabel yang dirujuk. Seperti
yang telah dibahas sebelumnya, notasi LISREL banyak digunakan sebagai bentuk notasi.
Seperti yang telah kami sebutkan berkali-kali, peneliti bertanggung jawab untuk menentukan model pengukuran dan
struktural. Untuk setiap parameter yang mungkin (kemungkinan hubungan antar variabel), peneliti harus memutuskan apakah
parameter tersebut bebas atau tetap. Aparameter bebasadalah nilai yang diestimasi dalam model dan nilai dihasilkan oleh
prosedur SEM. Aparameter tetapadalah nilai yang dibatasi pada nilai tertentu oleh peneliti. Seringkali parameter tetap dibatasi
hingga nol, yang menyiratkan independensi antara variabel-variabel tersebut (laten atau teramati). Dalam model grafis, tautan
apa pun yang dapat ditarik tetapi dihilangkan merupakan parameter tetap yang dibatasi nol. Di lain waktu, peneliti dapat
menetapkan parameter ke nilai bukan nol. Kami akan membahas situasi tersebut nanti. Dalam keadaan apa pun, peneliti
menentukan model SEM lengkap dalam kaitannya dengan hubungan bebas dan tetap (terkendala) sebelum memperkirakan
solusi model.
Teknik EstimasiSetelah model ditentukan dan data dikumpulkan, peneliti memilih metode estimasi, algoritma
matematika yang akan digunakan untuk mengidentifikasi estimasi untuk setiap parameter bebas. Beberapa opsi
tersedia untuk mendapatkan solusi SEM.
Upaya awal estimasi model persamaan struktural dilakukan dengan regresi kuadrat terkecil biasa (OLS). Upaya
ini dengan cepat digantikan oleh MLE, yang konsisten, lebih efisien, dan tidak memihak dalam asumsi
normalitas multivariat setidaknya diperkirakan. MLE adalah pendekatan yang fleksibel dan kuat untuk estimasi parameter yang
mengidentifikasi nilai parameter yang “paling mungkin” untuk mencapai kesesuaian model terbaik. Namun, potensi sensitivitas
MLE terhadap ketidaknormalan menciptakan kebutuhan akan teknik estimasi alternatif. Metode seperti kuadrat terkecil
tertimbang (WLS), kuadrat terkecil tergeneralisasi (GLS), dan estimasi bebas distribusi asimtotik (ADF) telah tersedia [21]. Teknik
ADF mendapat perhatian khusus karena ketidakpekaan terhadap ketidaknormalan data, namun persyaratan ukuran sampel yang
agak besar membatasi penggunaannya.
Semua teknik estimasi alternatif telah tersedia secara lebih luas seiring dengan meningkatnya kekuatan komputasi komputer pribadi,
sehingga memungkinkan untuk mengatasi masalah-masalah tertentu. MLE terus menjadi pendekatan yang paling banyak digunakan dan
merupakan default di sebagian besar program SEM. Faktanya, hal ini terbukti cukup kuat terhadap pelanggaran asumsi normalitas. Para
peneliti membandingkan MLE dengan teknik lain, dan menghasilkan hasil yang dapat diandalkan dalam banyak keadaan [43, 44, 49].
Program komputerBeberapa program statistik yang tersedia dapat digunakan untuk melakukan SEM. Secara tradisional, program
yang paling banyak digunakan untuk SEM berbasis kovarians adalah LISREL (LInear Structural RELations) [9, 30]. LISREL adalah
program fleksibel yang dapat diterapkan dalam berbagai situasi (yaitu studi cross-sectional, eksperimental, kuasi-eksperimental,
dan longitudinal) dan pada satu titik menjadi hampir identik dengan pemodelan persamaan struktural. AMOS (Analysis of
Moment Structures) [3] adalah program yang mendapatkan popularitas yang cukup besar karena selain sebagai modul dalam
SPSS, program ini juga merupakan salah satu program SEM pertama yang sangat bergantung pada antarmuka grafis untuk
semua fungsi sehingga peneliti tidak pernah harus menggunakan perintah sintaksis atau kode komputer apa pun. Mplus adalah
program pemodelan dengan berbagai teknik yang juga memiliki antarmuka grafis [41]. EQS (sebenarnya merupakan singkatan
daripersamaan)adalah program lain yang juga dapat melakukan regresi, analisis faktor, dan menguji model struktural [6].
Terakhir, lavaan (analisis variabel laten) adalah salah satu dari beberapa program SEM yang tersedia melalui paket R.
Aturan praktis 9-2

SeM Tahapan 1–3
- Ketika suatu model memiliki skala yang dipinjam atau diadaptasi dari berbagai sumber yang melaporkan penelitian lain, disarankan
untuk melakukan tes awal yang menggunakan responden yang serupa dengan populasi yang akan diteliti untuk menyaring
kesesuaian item.
- Penghapusan kasus yang hilang secara berpasangan (pendekatan semua tersedia) merupakan alternatif yang baik untuk
menangani data yang hilang ketika jumlah data yang hilang kurang dari 10 persen dan ukuran sampel sekitar 250 atau lebih:
- Ketika ukuran sampel menjadi kecil atau ketika data yang hilang melebihi 10 persen, salah satu metode imputasi data
yang hilang seperti FIML menjadi alternatif yang baik untuk menangani data yang hilang.
- Ketika jumlah data yang hilang menjadi sangat tinggi (15% atau lebih), SEM mungkin tidak tepat.
- Matriks kovarians memberi peneliti lebih banyak fleksibilitas karena kandungan informasi yang dikandungnya relatif lebih
besar dan merupakan bentuk masukan yang direkomendasikan untuk model SEM.
- Ukuran sampel minimum untuk model SEM tertentu bergantung pada beberapa faktor, termasuk
kompleksitas model dan komunalitas (varians rata-rata yang diekstraksi antar item) di setiap faktor:
- Model SEM yang berisi lima atau lebih sedikit konstruksi, masing-masing dengan lebih dari tiga item (variabel yang diamati), dan
dengan komunalitas item yang tinggi (0,6 atau lebih tinggi), dapat diestimasi secara memadai dengan sampel sekecil 50. Namun,
ingat lebih banyak observasi daripada jumlahnya variabel terukur selalu diperlukan agar matematika dapat berfungsi.
- Ketika jumlah faktor lebih besar dari enam, beberapa di antaranya memiliki kurang dari tiga item yang diukur sebagai
indikator, terdapat masalah distribusi yang parah, dan terdapat banyak komunalitas rendah, persyaratan ukuran sampel
menjadi jauh lebih besar.
- Ukuran sampel harus cukup untuk memungkinkan model berjalan, namun yang lebih penting, sampel tersebut harus cukup
mewakili populasi yang diteliti.
Pada akhirnya, pemilihan program SEM didasarkan pada preferensi dan ketersediaan peneliti. Untuk sebagian besar aplikasi
standar, program menghasilkan hasil substantif yang serupa, meskipun tidak selalu identik. Lampiran yang tersedia online
memberikan contoh perintah yang diperlukan untuk beberapa program ini.
Tahap 4: Menilai Validitas Model Pengukuran

Dengan model pengukuran yang ditentukan, data yang dikumpulkan cukup, dan keputusan penting seperti teknik estimasi telah
dibuat, peneliti sampai pada peristiwa paling mendasar dalam pengujian SEM: “Apakah model pengukuran valid?” Validitas model
pengukuran bergantung pada (1) penetapan tingkat kesesuaian yang dapat diterima untuk model pengukuran (validitas
kesesuaian) dan (2) penemuan bukti spesifik lainnya mengenai kesesuaian model pengukuran.validitas konstruk. Karena kita
berfokus pada model struktural dalam contoh sederhana ini, kita akan menunda penyelidikan validitas konstruk hingga dibahas
secara menyeluruh di Bab 10. Dasar-dasar kecocokannya tetap sama baik saat menguji komponen pengukuran maupun teori
struktural.
Kesesuaian (GOF)menunjukkan seberapa baik model yang ditentukan pengguna secara matematis mereproduksi matriks
kovarians yang diamati di antara item-item indikator (yaitu kesamaan matriks kovarians yang diamati dan yang diperkirakan).
Goodness of fit menunjukkan seberapa baik struktur teoritis tertentu mewakili realitas sebagaimana diwakili oleh data. Model
harus mampu memperhitungkan semua informasi tentang data, yang berarti tidak hanya variansnya tetapi juga kovarians antar
variabel yang diukur. Pada bagian berikut, pertama-tama kami meninjau beberapa elemen dasar yang mendasari semua
tindakan GOF, diikuti dengan diskusi tentang berbagai heuristik GOF yang mencoba merangkum kualitas kecocokan dalam satu
angka dan bukan dengan uji signifikansi. Pembaca yang tertarik dengan diskusi yang lebih rinci dan berbasis statistik dapat
merujuk pada Lampiran 9C.
DASAR-DASAR KEBAIKAN
Setelah model tertentu diestimasi, model fit membandingkan teori dengan kenyataan dengan menilai kemiripan matriks
kovarians yang diestimasi (teori) dengan kenyataan (diwakili oleh matriks kovarians yang diamati). Jika teori peneliti
sempurna, matriks kovarians yang diamati dan diperkirakan akan sama. Nilai dari setiap ukuran GOF dihasilkan dari
perbandingan matematis kedua matriks ini. Semakin dekat nilai kedua matriks tersebut maka dikatakan semakin baik
model tersebutbugar.
Kita mulai dengan memeriksachi-kuadrat (χ2), ukuran mendasar dari perbedaan statistik antara matriks kovarians yang
diamati dan yang diperkirakan. Kemudian diskusi berfokus pada penghitungan derajat kebebasan, dan terakhir, pada bagaimana
inferensi statistik dipengaruhi oleh ukuran sampel dan dorongan yang memberikan alternatif pengukuran GOF.
Chi-Square(χ2)GOFPerbedaan dalam matriks kovarians yang diamati dan diperkirakan (disebutSDanSk, masing-masing)
adalah nilai kunci dalam menilai GOF model SEM apa pun. Chi-kuadrat1X22uji ini adalah satu-satunya uji statistik yang
sesuai terhadap perbedaan antar matriks dalam SEM dan direpresentasikan secara matematis dengan persamaan
berikut:
X25F3 1N212 1Matriks kovarians sampel yang diamati2Estimasi matriks kovarians SEM2 4
atau:
X25F3 1N212 1S2 Sk2 4
Nadalah ukuran sampel keseluruhan. Perlu dicatat bahwa meskipun perbedaan dalam matriks kovarians (yaitu residu) tetap
konstan,X2nilainya meningkat seiring bertambahnya ukuran sampel. Demikian pula, matriks kovarians yang diestimasi
dipengaruhi oleh banyaknya parameter yang dibatasi (yaitu tetap) dan banyaknya variabel yang diukur dalam model, sehingga
derajat kebebasan model cenderung meningkatkanX2nilai GOF. ItuX2statistik memberikan dasar untuk sebagian besar heuristik
GOF yang dibahas di bawah.
Derajat Kebebasan (df)Seperti prosedur statistik lainnya,derajat kebebasanmewakili jumlah informasi matematika
yang tersedia. Mari kita mulai dengan meninjau berapa jumlahnyadfdihitung. Jumlah derajat kebebasan bersih
untuk model SEM adalah:
1
df53 1P2 1P112 42k
2
Di manaPadalah jumlah total variabel yang diamati dankadalah jumlah parameter estimasi (gratis). Perbedaan mendasar dalam
menentukandfdalam SEM muncul di bagian pertama penghitungan—1/23 1P2 1P112 4—yang mewakili jumlah suku kovarians di
bawah diagonal ditambah varians pada diagonal. Jadi, tidak seperti prosedur lainnya,dfsama sekali tidak berasal dari ukuran
sampel seperti yang kita lihat dalam teknik multivariat lainnya (misalnya, dalam regresi,df adalah ukuran sampel dikurangi jumlah
koefisien estimasi). Dengan demikian, derajat kebebasan dalam SEM didasarkan pada ukuran matriks kovarians, yaitu matriks
persegi dengan jumlah baris (kolom) sama dengan jumlah indikator (variabel terukur) dalam model. Implikasi penting adalah
bahwa peneliti tidak mempengaruhi derajat kebebasan melalui ukuran sampel, namun kita akan melihat nanti bagaimana ukuran
sampel mempengaruhi penggunaan chi-kuadrat sebagai ukuran GOF.
Signifikansi Statistikχ2 Hipotesis nol tersirat dari SEM adalah bahwa sampel yang diamati dan matriks kovarians estimasi
SEM adalah sama, artinya model tersebut sangat cocok. ItuX2nilai meningkat ketika perbedaan (sisa) ditemukan ketika
membandingkan dua matriks. DenganX2pengujian, kami menilai probabilitas statistik bahwa sampel yang diamati dan
matriks kovarians estimasi SEM sebenarnya sama dalam populasi tertentu. Kemungkinan ini adalah yang tradisionalP-
nilai yang terkait dengan uji statistik parametrik. Perhatikan bahwa hampir selalu ada perbedaan dalam kovarians kedua
matriks, namun secara statistik, kecocokan yang baik terjadi ketika perbedaan dalam matriks tidak signifikan secara
statistik.
Perbedaan penting antara SEM dan teknik multivariat lainnya juga terjadi dalam uji statistik GOF ini. Untuk teknik lain biasanya kami
mencari yang lebih kecilP-nilai (kurang dari 0,05) untuk menunjukkan bahwa ada hubungan yang signifikan. Tapi denganX2Tes GOF di SEM,
kami membuat kesimpulan dengan cara yang dalam beberapa hal justru berlawanan. Ketika kita menemukan aP-nilai untukX2uji menjadi
kecil (signifikan secara statistik), hal ini menunjukkan bahwa kedua matriks kovarians berbeda secara statistik dan menunjukkan
kurangnya kecocokan. Jadi di SEM kita mencari yang relatif kecilX2nilai (dan besarnya yang sesuaiP-nilai; . 0,05), menunjukkan tidak ada
perbedaan yang signifikan secara statistik antara kedua matriks, untuk mendukung gagasan bahwa teori yang diajukan sesuai dengan
kenyataan. Relatif kecilX2nilai-nilai mendukung model teoritis yang diusulkan yang sedang diuji.
Kita harus mencatat bahwa chi-kuadrat juga dapat digunakan ketika membandingkan model, karena perbedaan chi-kuadrat antara
dua model dapat diuji signifikansi statistiknya. Jadi, jika peneliti mengharapkan adanya perbedaan antar model (misalnya, perbedaan
dalam dua model yang diperkirakan untuk laki-laki dan perempuan), maka ∆ besarX2nilai perbedaan akan memberikan dukungan bahwa
modelnya berbeda.
Chi-kuadrat1X22adalah ukuran statistik mendasar dalam SEM untuk mengukur perbedaan antara matriks kovarians. Saat
digunakan sebagai ukuran GOF, perbandingannya adalah antara matriks kovarians yang diamati dan yang diprediksi. Padahal
sebenarnya penilaian GOF dengan aX2nilai saja diperumit oleh beberapa faktor yang dibahas di bagian selanjutnya. Untuk
memberikan perspektif alternatif mengenai kesesuaian model, peneliti mengembangkan sejumlah ukuran kesesuaian model
alternatif. Pembahasan selanjutnya menyajikan peran chi-square serta langkah-langkah alternatifnya.
Mutlak Cocok di Dadu

Indeks kecocokan mutlakadalah ukuran langsung seberapa baik model yang ditentukan oleh peneliti mereproduksi data yang diamati
[31]. Dengan demikian, mereka memberikan penilaian paling mendasar tentang seberapa cocok teori peneliti dengan data sampel.
Mereka tidak secara eksplisit membandingkan GOF model tertentu dengan model lainnya. Sebaliknya setiap model dievaluasi secara
independen terhadap kemungkinan model lainnya.
χ2StatistikIndeks kecocokan absolut yang paling mendasar adalahX2statistik. Ini adalah satu-satunya ukuran kecocokan SEM yang berbasis statistik
[9] dan pada dasarnya sama dengan ukuran kecocokan SEMX2statistik yang digunakan dalam analisis klasifikasi silang antara dua nonmetrik
Pengukuran. Namun, satu perbedaan penting adalah ketika digunakan sebagai ukuran GOF, peneliti tidak menginterpretasikan
perbedaan antar matriks (yaitu, nilai rendah).X2nilai-nilai) sebagai pendukung model sebagai representasi data.
ItuX2Statistik GOF memiliki dua sifat matematika yang bermasalah dalam interpretasinya sebagai ukuran GOF. Pertama,
ingatlah bahwaX2statistik adalah fungsi matematika dari ukuran sampel (N)dan perbedaan antara matriks kovarians yang diamati
dan yang diperkirakan. SebagaiNmeningkat, begitu pulaX2nilainya, meskipun perbedaan antar matriks tidak berubah. Kedua,
meskipun mungkin tidak begitu jelas,X2statistik juga cenderung lebih besar ketika jumlah variabel yang diamati meningkat. Oleh
karena itu, jika semua hal lainnya sama, hanya menambahkan indikator ke model saja akan menyebabkan hal tersebutX2nilai-nilai
untuk meningkat dan membuatnya lebih sulit untuk mencapai model fit.
walaupunX2Uji ini memberikan uji signifikansi statistik, sifat matematis ini menghadirkan pengorbanan bagi peneliti. Meskipun ukuran
sampel yang lebih besar sering kali diinginkan, peningkatan ukuran sampel saja akan mempersulit model tersebut untuk mencapai GOF
yang tidak signifikan secara statistik. Selain itu, semakin banyak indikator yang ditambahkan ke dalam model, baik karena jumlah konstruk
yang lebih banyak atau pengukuran konstruk yang lebih baik, hal ini akan mempersulit perolehan indikator yang tidak signifikan.X2. Ada
yang berpendapat bahwa jika diperlukan lebih banyak variabel untuk mewakili realitas, maka variabel tersebut harus mencerminkan
kesesuaian yang lebih baik, bukan kesesuaian yang lebih buruk, selama variabel tersebut menghasilkan ukuran yang valid. Jadi, dalam
beberapa hal sifat matematika dariX2Uji GOF mengurangi kesesuaian suatu model untuk hal-hal yang tidak boleh merugikan validitasnya
secara keseluruhan.
Untuk alasan ini,X2Tes GOF seringkali tidak digunakan sebagai satu-satunya ukuran GOF [52]. Para peneliti telah mengembangkan
banyak ukuran heuristik yang sesuai untuk mengoreksi bias terhadap sampel besar dan meningkatkan kompleksitas model. Beberapa
indeks GOF disajikan berikut ini. Namun, ituX2Masalah ini juga berdampak pada banyak indeks tambahan ini, khususnya beberapa indeks
yang benar-benar sesuai. Ini mengatakan, ituX2nilai suatu model merangkum kesesuaian suatu model dengan cukup baik dan dengan
pengalaman peneliti dapat membuat penilaian yang tepat tentang model berdasarkan hasil ini. Singkatnya, uji statistik atau hasilP-Nilai ini
menjadi kurang bermakna khususnya ketika ukuran sampel menjadi besar atau jumlah variabel yang diamati menjadi besar.
Indeks Kesesuaian (GFI)GFI merupakan upaya awal untuk menghasilkan statistik kecocokan yang kurang sensitif terhadap ukuran sampel. MeskipunN
tidak dimasukkan dalam rumus, statistik ini masih sensitif terhadap ukuran sampel karena pengaruhN pada distribusi pengambilan sampel [36].
Tidak ada uji statistik yang dikaitkan dengan GFI, hanya pedoman yang sesuai [53]. Kisaran nilai GFI yang mungkin adalah 0 hingga 1, dengan nilai
yang lebih tinggi menunjukkan kesesuaian yang lebih baik. Di masa lalu, nilai GFI yang lebih besar dari 0,90 biasanya dianggap baik. Peneliti lain
berpendapat bahwa 0,95 harus digunakan [24]. Pengembangan indeks kecocokan lainnya telah menyebabkan penurunan penggunaan GFI.
Kesalahan Pendekatan Root Mean Square (RMSEA)Salah satu ukuran yang paling banyak digunakan dalam upaya mengoreksi kecenderunganX
2Statistik uji GOF untuk menolak model dengan sampel yang besar atau jumlah variabel observasi yang besar adalah root mean square
error of approximation (RMSEA). Ukuran ini lebih mewakili seberapa cocok suatu model dengan suatu populasi, bukan hanya sampel yang
digunakan untuk estimasi [25]. Ini secara eksplisit mencoba mengoreksi kompleksitas model dan ukuran sampel dengan memasukkan
masing-masing ke dalam perhitungannya. Nilai RMSEA yang lebih rendah menunjukkan kesesuaian yang lebih baik.
Pertanyaan mengenai nilai RMSEA yang “baik” masih bisa diperdebatkan. Meskipun penelitian sebelumnya kadang-kadang
menunjukkan nilai batas 0,05 atau 0,08, penelitian yang lebih baru menunjukkan fakta bahwa menarik batas mutlak untuk RMSEA tidak
disarankan [17]. Pemeriksaan empiris terhadap beberapa ukuran menemukan bahwa RMSEA paling cocok untuk digunakan dalam strategi
model konfirmatori atau bersaing ketika sampel menjadi lebih besar [47]. Sampel yang besar dapat dianggap terdiri dari lebih dari 500
responden. Salah satu keuntungan utama RMSEA adalah interval kepercayaan dapat dibangun dengan memberikan kisaran nilai RMSEA
untuk tingkat kepercayaan tertentu. Oleh karena itu, hal ini memungkinkan kami untuk melaporkan bahwa RMSEA adalah antara 0,03 dan
0,08, misalnya, dengan tingkat keyakinan 95 persen.
Root Mean Square Residual (RMR) dan Standardized Root Mean Residual (SRMR)Seperti yang dibahas sebelumnya,
kesalahan dalam prediksi untuk setiap istilah kovarians menciptakan residu. Ketika kovarians digunakan sebagai masukan,
residunya dinyatakan dalam bentuk kovarians, sehingga sulit untuk diinterpretasikan karena dipengaruhi oleh skala kovarians.
indikator. Tetapiresidu terstandar(SR) dapat dibandingkan secara langsung. Nilai rata-rata SR adalah 0, artinya dapat terjadi residu positif
dan negatif. Jadi, kovarians yang diprediksi lebih rendah dari nilai yang diamati akan menghasilkan residu positif, sedangkan kovarians
yang diprediksi lebih besar dari nilai yang diamati akan menghasilkan residu negatif. Aturan umumnya adalah dengan hati-hati memeriksa
setiap kelebihan sisa standar04.00 (di bawah24.0 atau lebih tinggi dari 4.0). SR individual memungkinkan peneliti menemukan potensi
masalah dengan model pengukuran.
Residual terstandarisasi adalah penyimpangan dari ketentuan kovarians individu dan tidak mencerminkan kesesuaian model secara
keseluruhan. Yang dibutuhkan adalah nilai sisa “keseluruhan”, dan dua langkah telah muncul dalam hal ini. Yang pertama adalah root
mean square residual (RMR), yang merupakan akar kuadrat dari rata-rata residu kuadrat ini: rata-rata dari residu. Namun RMR memiliki
masalah yang sama dengan residu, yaitu terkait dengan skala kovarians. Statistik alternatif adalah standardized root mean residual
(SRMR). Nilai RMR yang terstandarisasi (yaitu, rata-rata residu terstandar) berguna untuk membandingkan kecocokan antar model.
Meskipun tidak ada tingkat ambang batas statistik yang dapat ditetapkan, peneliti dapat menilai signifikansi praktis dari besaran SRMR
mengingat tujuan penelitian dan kovarians atau korelasi yang diamati atau aktual [4]. Nilai RMR dan SRMR yang lebih rendah
menunjukkan kesesuaian yang lebih baik dan nilai yang lebih tinggi menunjukkan kesesuaian yang lebih buruk, sehingga menempatkan
RMR, SRMR, dan RMSEA ke dalam kategori indeks yang terkadang dikenal sebagaiketidaksesuaianlangkah-langkah di mana nilai yang
tinggi menunjukkan ketidakcocokan. Aturan praktisnya adalah bahwa SRMR di atas 0,1 menunjukkan adanya masalah pada kecocokan,
meskipun ada kondisi yang membuat SRMR tidak sesuai yang akan dibahas di bagian selanjutnya.
Norma Chi-KuadratUkuran GOF ini adalah rasio sederhanaX2dengan derajat kebebasan suatu model. Umumnya,X2:df rasio pada
urutan 3:1 atau kurang dikaitkan dengan model yang lebih sesuai, kecuali dalam keadaan dengan sampel yang lebih besar (lebih
besar dari 750) atau keadaan lain yang meringankan, seperti tingkat kompleksitas model yang tinggi. Chi-kuadrat bernorma
bukanlah pengganti pelaporan nilai dan jumlah chi-kuadrat sebenarnyadf.
Indeks Absolut LainnyaKebanyakan program SEM menyediakan banyak indeks kesesuaian yang berbeda kepada pengguna. Dalam diskusi
sebelumnya, kami fokus lebih dekat pada hal-hal yang paling banyak digunakan. Namun ini bukanlah daftar yang lengkap. Untuk
informasi lebih lanjut, pembaca dapat merujuk pada diskusi panjang mengenai langkah-langkah ini secara online, serta dokumentasi yang
terkait dengan program SEM spesifik yang digunakan.
PENINGKATAN KESESUAIAN DALAM DADU
Indeks kecocokan tambahanBerbeda dengan indeks kecocokan absolut karena indeks tersebut menilai seberapa cocok model yang diestimasi
dibandingkan dengan beberapa model dasar alternatif. Model dasar yang paling umum disebut sebagai amodel nol, yang mengasumsikan semua
variabel yang diamati tidak berkorelasi. Hal ini menyiratkan bahwa tidak ada spesifikasi model yang mungkin dapat menyempurnakan model
tersebut, karena model tersebut tidak mengandung faktor multi-item (lihat Bab 3) atau hubungan di antara keduanya. Indeks kecocokan kelas ini
mewakili peningkatan kecocokan berdasarkan spesifikasi konstruksi multi-item terkait.
Sebagian besar program SEM menyediakan beberapa indeks kesesuaian tambahan sebagai keluaran standar. Namun, program yang berbeda memberikan
statistik kecocokan yang berbeda, sehingga Anda mungkin tidak menemukan semua ini dalam keluaran SEM tertentu. Selain itu, indeks ini terkadang disebut
sebagai indeks kesesuaian komparatif karena alasan yang jelas. Di bawah ini tercantum beberapa ukuran penyesuaian tambahan yang paling banyak digunakan,
namun TLI dan CFI adalah yang paling banyak dilaporkan.
Indeks Kesesuaian Norma (NFI)NFI adalah salah satu indeks kecocokan tambahan yang asli. Ini adalah rasio perbedaannyaX2
nilai untuk model yang dipasang dan model nol dibagi denganX2nilai untuk model nol. Nilainya berkisar antara 0 dan 1, dan model yang memiliki
kecocokan sempurna akan menghasilkan NFI sebesar 1. Salah satu kelemahannya adalah model yang lebih kompleks akan memiliki nilai indeks yang
lebih tinggi dan secara artifisial meningkatkan estimasi kecocokan model. Akibatnya, saat ini ukuran ini lebih sedikit digunakan dalam kaitannya
dengan salah satu ukuran kesesuaian tambahan berikut.
Indeks Tucker Lewis (TLI)TLI secara konseptual mirip dengan NFI, namun berbeda karena TLI sebenarnya merupakan perbandingan nilai
chi-kuadrat bernorma untuk model nol dan model tertentu, yang pada tingkat tertentu memperhitungkan kompleksitas model. Namun,
TLI tidak bernorma, sehingga nilainya bisa berada di bawah 0 atau di atas 1. Namun biasanya, model
dengan kecocokan yang baik memiliki nilai yang mendekati 1, dan model dengan nilai yang lebih tinggi menunjukkan kecocokan yang lebih baik dibandingkan model dengan nilai yang lebih
rendah.
Indeks Kesesuaian Komparatif (CFI)CFI adalah indeks kecocokan tambahan yang merupakan versi perbaikan dari indeks kecocokan bernorma
(NFI) [5, 7, 25]. CFI dinormalisasi sehingga nilainya berkisar antara 0 dan 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian yang
lebih baik. Karena CFI memiliki banyak sifat yang diinginkan, termasuk ketidakpekaan relatifnya, namun tidak lengkap, terhadap
kompleksitas model. Faktanya, Keuangan telah menjadi indeks yang paling banyak dilaporkan sebagai pelengkapX2Dandf.
Indeks Non-sentralitas Relatif (RNI)RNI juga membandingkan kecocokan yang diamati yang dihasilkan dari pengujian model tertentu dengan
model nol. Seperti indeks kesesuaian tambahan lainnya, nilai yang lebih tinggi menunjukkan kesesuaian yang lebih baik, dan nilai yang
mungkin umumnya berkisar antara 0 dan 1.
PARSiMonY Cocok dengan Dadu

Kelompok indeks ketiga dirancang khusus untuk memberikan informasi tentang model mana di antara serangkaian model yang bersaing yang terbaik, dengan
mempertimbangkan kesesuaiannya dibandingkan dengan kompleksitasnya. Akekikiran cocokukuran ditingkatkan baik dengan kesesuaian yang lebih baik atau
dengan model yang lebih sederhana. Dalam hal ini, model yang lebih sederhana adalah model dengan jalur parameter estimasi yang lebih sedikit. Rasio
parsimoni adalah dasar dari pengukuran ini dan dihitung sebagai rasio derajat kebebasan yang digunakan oleh suatu model terhadap total derajat kebebasan
yang tersedia [37].
Indeks kecocokan parsimoni secara konseptual mirip dengan gagasan penyesuaianR2(dibahas dalam Bab 4) dalam arti bahwa mereka
menghubungkan kesesuaian model dengan kompleksitas model. Model yang lebih kompleks diharapkan dapat menyesuaikan data dengan lebih
baik, sehingga ukuran kesesuaian harus relatif terhadap kompleksitas model sebelum perbandingan antar model dapat dilakukan. Indeks tidak
berguna dalam menilai kesesuaian suatu model, namun cukup berguna dalam membandingkan kesesuaian dua model, yang satu lebih kompleks
dibandingkan yang lain.
Penggunaan indeks parsimony fit masih kontroversial. Beberapa peneliti berpendapat bahwa perbandingan indeks kesesuaian
inkremental model pesaing memberikan bukti serupa dan kita dapat mempertimbangkan kekikiran lebih jauh dengan cara lain. Jelas
dikatakan bahwa indeks kekikiran dapat memberikan informasi yang berguna dalam mengevaluasi model-model yang bersaing, namun
indeks ini tidak boleh diandalkan sebagai satu-satunya ukuran yang tepat. Secara teori, indeks parsimoni adalah ide yang bagus. Dalam
praktiknya, mereka cenderung lebih menyukai model yang lebih pelit. Saat digunakan, PNFI adalah indeks parsimony fit yang paling
banyak diterapkan.
Indeks Kebaikan Kesesuaian yang Disesuaikan (AGFI)Indeks kesesuaian yang disesuaikan (AGFI) mencoba memperhitungkan tingkat
kompleksitas model yang berbeda-beda. Hal ini dilakukan dengan menyesuaikan GFI dengan rasio derajat kebebasan yang digunakan
dalam model terhadap total derajat kebebasan yang tersedia. AGFI menghukum model yang lebih kompleks dan lebih memilih model
yang memiliki jumlah jalur bebas minimum. Nilai AGFI biasanya lebih rendah daripada nilai GFI sebanding dengan kompleksitas model.
Tidak ada uji statistik yang dikaitkan dengan AGFI, hanya pedoman yang sesuai [53]. Namun, seperti halnya GFI, AGFI lebih jarang
digunakan dibandingkan indeks lain yang tidak terlalu terpengaruh oleh ukuran sampel dan kompleksitas model.
Indeks Kesesuaian Norma Parsimoni (PNFI)PNFI menyesuaikan indeks kecocokan norma (NFI) dengan mengalikannya dikalikan dengan rasio
kekikiran [40]. Nilai yang relatif tinggi menunjukkan kecocokan yang relatif lebih baik, sehingga dapat digunakan dengan cara yang sama seperti NFI.
PNFI mengambil beberapa karakteristik tambahan dari indeks kesesuaian tambahan dibandingkan dengan indeks kesesuaian absolut selain lebih
memilih model yang tidak terlalu rumit. Sekali lagi, nilai PNFI dimaksudkan untuk digunakan dalam membandingkan satu model dengan model
lainnya, dengan nilai PNFI tertinggi yang paling didukung sehubungan dengan kriteria yang terdapat dalam indeks ini.
MASALAH YANG TERKAIT DENGAN PENGGUNAAN INDICE Fit

Pada akhirnya, indeks kecocokan digunakan untuk menetapkan penerimaan model SEM apa pun. Mungkin tidak ada topik SEM
yang lebih diperdebatkan selain apa yang dianggap sesuai atau sesuai. Meningkatnya koleksi indeks kesesuaian dan kurangnya
pedoman yang konsisten dapat menggoda peneliti untuk “memilih” indeks yang memberikan bukti paling sesuai dalam
satu analisis tertentu dan indeks yang berbeda dalam analisis lain. Peneliti dihadapkan pada dua pertanyaan dasar dalam
memilih ukuran kesesuaian model:
1Indeks kecocokan apa yang paling tepat untuk mencerminkan kesesuaian model secara objektif?
2Berapakah nilai batas obyektif yang menunjukkan kesesuaian model yang baik untuk indeks kesesuaian tertentu?
Sayangnya, jawaban atas kedua pertanyaan tersebut tidaklah sederhana dan lugas. Beberapa peneliti menyamakan pencarian jawaban
atas pertanyaan-pertanyaan ini dengan “Bulu Emas yang mistis, pencarian sumber awet muda, dan pencarian kebenaran dan keindahan
mutlak” [38]. Memang banyak masalah yang terkait dengan upaya mengejar kesesuaian. Berikut adalah ringkasan singkat permasalahan
utama yang ditemukan pada berbagai indeks kecocokan.
Masalah denganχ2TesMungkin bukti yang paling jelas dan meyakinkan bahwa kesesuaian suatu model sudah memadai adalah aX2
nilai dengan aP-nilai yang menunjukkan tidak ada perbedaan signifikan antara matriks kovarians yang diamati dan yang
diperkirakan. Misalnya, jika seorang peneliti menggunakan tingkat kesalahan lima persen, maka aP-Nilai yang lebih besar dari
0,05 menunjukkan bahwa model peneliti mampu mereproduksi matriks kovarians variabel yang diamati—model yang “baik”.
Namun seperti yang telah kita bahas sebelumnya, banyak sekali faktor yang mempengaruhinyaX2uji signifikansi sehingga secara praktis hasil apa
pun dapat dipertanyakan. Apakah tidak signifikanX2nilai selalu memungkinkan peneliti untuk mengatakan: “Kasus sudah ditutup, kami memiliki
kecocokan yang baik”? Tidak terlalu! Model yang sangat sederhana dengan sampel yang kecil mempunyai bias ke arah yang tidak signifikanX2
meskipun tidak memenuhi standar validitas dan kesesuaian lainnya. Demikian pula, ada hukuman yang melekat di dalamnyaX2untuk ukuran sampel
yang lebih besar dan jumlah variabel indikator yang lebih besar [5]. Hasilnya adalah banyak model saat ini yang lebih kompleks dan memiliki ukuran
sampel yang sesuaiX2uji signifikansi kurang berguna sebagai ukuran GOF yang jelas yang selalu memisahkan model yang baik dari model yang
buruk. Jadi, apapun yang terjadiX2hasil tes, peneliti harus melengkapinya dengan indeks GOF lainnya. Namun yang sama pentingnya adalahX2nilai itu
sendiri dan derajat kebebasan model harus selalu dilaporkan [22, 49].
Nilai Batas untuk Indeks Kesesuaian: Ajaibnya 0,90, atau Apakah itu 0,95?Meskipun kami tahu kami perlu melengkapinyaX2
dengan tambahan indeks kecocokan, satu pertanyaan masih tetap ada, apa pun indeks yang dipilih: Berapa nilai batas yang sesuai untuk
indeks tersebut? Untuk sebagian besar statistik kecocokan tambahan, menerima model yang menghasilkan nilai 0,90 menjadi praktik
standar di awal tahun 1990an. Namun, beberapa ahli menyimpulkan bahwa 0,90 terlalu rendah dan dapat menyebabkan kesimpulan yang
salah, dan pada akhir dekade ini 0,95 telah menjadi standar yang direkomendasikan untuk indeks seperti TLI dan CFI [25]. Secara umum,
0,95 entah bagaimana menjadi angka ajaib yang menunjukkan model yang cocok, meskipun tidak ada bukti empiris yang mendukung
perkembangan tersebut.
Penelitian telah menantang penggunaan nilai batas tunggal untuk indeks GOF, dan malah menemukan bahwa serangkaian faktor tambahan
dapat mempengaruhi nilai indeks yang terkait dengan kesesuaian yang dapat diterima. Pertama, penelitian yang menggunakan data simulasi (yang
kesesuaian sebenarnya diketahui) memberikan argumen tandingan terhadap nilai batas ini dan tidak mendukung 0,90 sebagai aturan praktis yang
dapat diterima secara umum [25]. Hal ini menunjukkan bahwa kadang-kadang bahkan indeks kesesuaian tambahan di atas 0,90 masih akan dikaitkan
dengan model yang sangat salah spesifikasi. Hal ini menunjukkan bahwa nilai batas harus ditetapkan lebih tinggi dari 0,90. Kedua, penelitian terus
mendukung gagasan bahwa kompleksitas model terlalu mempengaruhi indeks GOF, bahkan dengan sesuatu yang sederhana seperti lebih banyak
indikator per konstruk [31]. Terakhir, distribusi data yang mendasarinya dapat mempengaruhi indeks kecocokan [16]. Khususnya, ketika data menjadi
kurang sesuai untuk teknik estimasi tertentu yang dipilih, kemampuan indeks kecocokan untuk mencerminkan kesalahan spesifikasi secara akurat
dapat bervariasi. Masalah ini tampaknya lebih memengaruhi indeks kesesuaian tambahan dibandingkan indeks kesesuaian absolut.
Yang menjadi jelas adalah bahwa tidak ada satu pun nilai “ajaib” yang selalu membedakan model yang baik dari model yang
buruk. GOF harus ditafsirkan berdasarkan karakteristik penelitian. Menarik untuk membandingkan masalah-masalah ini di SEM
dengan kurangnya perhatian umum untuk membangun keajaibanR2angka dalam regresi berganda. Jika minimum ajaibR2
jika nilai 0,5 pernah diterapkan, maka hal tersebut hanya merupakan batasan sewenang-wenang yang akan mengecualikan penelitian yang
berpotensi bermakna. Jadi kita harus berhati-hati dalam menerapkan satu ukuran untuk semua standar. Hal ini tidak praktis untuk menerapkan satu
set aturan cut-off yang berlaku untuk semua model SEM jenis apa pun.
SPESIFIKASI MODEL YANG TIDAK DAPAT DITERIMA UNTUK MENCAPAI KESESUAIAN
Peneliti terkadang menguji teori dan terkadang mencari kecocokan. Keinginan untuk mencapai kecocokan yang baik tidak boleh mengkompromikan
teori yang sedang diuji. Namun, dalam praktiknya, upaya untuk meningkatkan kesesuaian model dapat menyebabkan beberapa praktik buruk dalam
spesifikasi model [31, 33, 39]. Dalam setiap kasus berikut ini, seorang peneliti mungkin dapat meningkatkan kecocokannya, namun hanya dengan
cara yang dapat mengkompromikan pengujian teorinya. Meskipun masing-masing tindakan ini mungkin diperlukan dalam kasus yang sangat
spesifik, tindakan tersebut harus dihindari sebisa mungkin, karena masing-masing tindakan berpotensi membatasi kemampuan SEM untuk
memberikan pengujian model yang sebenarnya. Lebih jauh lagi, peneliti belajar tidak hanya dari teori yang sudah terkonfirmasi, namun juga dari
area dimana ekspektasi teoritisnya tidak terkonfirmasi.
Salah satu bidang praktik buruk melibatkan jumlah item per konstruksi. Kesalahan umum adalah mengurangi jumlah item per
konstruk menjadi hanya dua atau tiga. Meskipun hal ini dapat meningkatkan kesesuaian model dengan mengurangi jumlah total indikator,
hal ini kemungkinan besar akan mengurangi domain teoritis konstruk dan pada akhirnya validitasnya. Konsep pengukuran berganda
adalah memasukkan sebanyak mungkin item yang dapat mengukur konstruk, bukan membatasinya pada subset yang sangat kecil dari
item-item tersebut. Tindakan yang lebih ekstrem lagi adalah menggunakan satu item untuk mewakili suatu konstruksi, sehingga
memerlukan spesifikasi kesalahan pengukuran yang sewenang-wenang. Di sini peneliti menghindari tujuan model pengukuran dengan
memberikan nilai untuk indikator. Item tunggal hanya boleh digunakan ketika konstruknya benar-benar ada dan dapat diukur dengan satu
item (misalnya, variabel biner, seperti pembelian/tidak membeli, berhasil/gagal, atau ya/tidak). Terakhir, pengujian model pengukuran
harus dilakukan dengan item yang lengkap. Pembagian item, dimana keseluruhan variabel indikator (misalnya, 15 indikator untuk sebuah
konstruk) dibagi menjadi sejumlah kecil indikator gabungan (misalnya, tiga gabungan yang masing-masing terdiri dari lima item), dapat
mengurangi kompleksitas model namun dapat mengaburkan kualitasnya. item individu. Oleh karena itu, jika pembagian barang
dilakukan, maka pembagian tersebut harus dilakukan setelah keseluruhan rangkaian telah dievaluasi.
Praktik buruk lainnya adalah menilai kesesuaian model pengukuran melalui analisis terpisah untuk setiap konstruk, bukan satu analisis
untuk keseluruhan model dengan semua konstruk. Ini merupakan penggunaan indeks GOF yang tidak tepat, karena perlu memeriksa
seluruh model pada saat yang sama, bukan satu konstruk dalam satu waktu. Hasilnya bukan hanya pengujian model keseluruhan yang
tidak lengkap, namun juga bias terhadap konfirmasi, karena lebih mudah bagi setiap konstruksi untuk memenuhi indeks kesesuaian
dibandingkan keseluruhan rangkaian untuk mencapai kesesuaian yang dapat diterima. Terlebih lagi, pengujian validitas diskriminan dan
cross-loading item potensial (lihat Bab 10) tidak mungkin dilakukan kecuali seluruh konstruk diuji secara kolektif.
Terakhir, banyak indeks kesesuaian model terlihat lebih disukai dengan sampel yang relatif kecil. Meskipun seseorang mungkin tergoda untuk
menggunakan sampel kecil untuk meningkatkan tampilan kesesuaian, pembenaran atas sampel kecil bertentangan dengan kebutuhan untuk
menggunakan sampel sebesar mungkin atau layak untuk memastikan keterwakilan dan generalisasi. Selain itu, sampel yang sangat kecil
meningkatkan kemungkinan menghadapi masalah statistik dengan konvergensi model dan memberikan kekuatan statistik yang lebih rendah.
Kadang-kadang, peneliti mungkin menemukan manfaat dalam memeriksa CFA hanya dengan satu faktor atau terpaksa mengandalkan
sampel kecil. Namun, peningkatan kesesuaian bukanlah pembenaran yang tepat untuk langkah-langkah ini. Selalu ingat bahwa prosedur
ini dapat mengganggu pengujian keseluruhan model pengukuran (atau struktural), dan dengan demikian teori tersebut tetap belum teruji
sampai semua variabel dan konstruksi yang diukur dimasukkan dalam satu pengujian.
PEDOMAN PEMBENTUKAN KESESUAIAN YANG DAPAT DITERIMA DAN TIDAK DAPAT DITERIMA
Batasan tunggal untuk nilai indeks kesesuaian yang membedakan model yang baik dari model yang buruk di semua situasi tidak dapat ditawarkan. Oleh karena
itu, kami menawarkan inipanduan penggunaan, bukan aturan yang menjamin model yang benar.Oleh karena itu, tidak ada nilai spesifik pada indeks apa pun
yang dapat memisahkan model menjadi kecocokan yang dapat diterima dan tidak dapat diterima. Pedoman ini memungkinkan fleksibilitas analis dalam
penerapan kriteria kesesuaian dan meskipun untuk kesederhanaan, seseorang mungkin menginginkan jawaban ya atau tidak, analis terbaik tetap menerapkan
alasan dalam mengevaluasi manfaat suatu model.
Gunakan Beberapa Indeks dengan Jenis BerbedaBiasanya, penggunaan tiga hingga empat indeks kecocokan memberikan bukti kecocokan
model yang memadai. Penelitian saat ini menunjukkan bahwa sekumpulan indeks yang cukup umum memiliki kinerja yang memadai di
berbagai situasi, dan peneliti tidak perlu melaporkan semua indeks GOF, karena indeks tersebut sering kali berlebihan. Namun, peneliti
harus melaporkan setidaknya satu indeks tambahan dan satu indeks absolut, sebagai tambahanX2nilai dan derajat kebebasan yang
terkait, karena menggunakan indeks GOF tunggal, bahkan dengan nilai batas yang relatif tinggi, tidak cukup
melengkapiX2Tes GOF saja [38]. Jadi, melaporkanX2nilai dan derajat kebebasan, CFI, dan RMSEA sering kali memberikan informasi unik
yang cukup untuk mengevaluasi suatu model. SRMR dapat menggantikan RMSEA untuk juga mewakili buruknya kesesuaian (nilai yang
lebih tinggi berarti kesesuaian yang relatif lebih buruk), sedangkan SRMR lainnya mewakili kesesuaian yang baik (nilai yang lebih tinggi
menunjukkan kesesuaian yang relatif lebih baik).
Sesuaikan Nilai Batas Indeks Berdasarkan Karakteristik ModelTabel 9.4 memberikan pedoman untuk menilai kesesuaian
indeks dalam situasi yang berbeda. Pedoman ini terutama didasarkan pada penelitian simulasi yang mempertimbangkan ukuran sampel yang
berbeda, kompleksitas model, dan tingkat kesalahan dalam spesifikasi model untuk memeriksa seberapa akurat kinerja berbagai indeks kecocokan
[25, 38]. Salah satu poin penting dalam hasil ini adalah hal tersebutmodel yang lebih sederhanaDansampel yang lebih kecilharus tunduk padaevaluasi
yang lebih ketatdaripada lebihmodel yang kompleksdengansampel yang lebih besar.Demikian pula lebih banyak lagimodel yang kompleks dengan
sampel yang lebih kecilmungkin memerlukanagak kurang ketatkriteria untuk evaluasi dengan beberapa indeks kecocokan [50].
Misalnya, berdasarkan sampel sebanyak 100 responden dan model empat konstruk dengan total hanya 12 variabel indikator,
bukti kecocokan yang relatif baik akan mencakup variabel yang tidak signifikan.X2nilai, CFI minimal 0,99, dan RMSEA 0,08 atau
lebih rendah. Namun, sangatlah tidak realistis untuk menerapkan pedoman yang sama pada model delapan konstruk dengan 50
variabel indikator yang diuji dengan sampel 2.000 responden.
Ingatlah bahwa Tabel 9.4 disajikan lebih untuk memberikan gambaran kepada peneliti tentang bagaimana indeks kecocokan dapat digunakan secara praktis
daripada untuk menyarankan aturan absolut yang memisahkan kecocokan baik dan buruk. Selain itu, perlu diulangi bahwa model yang memiliki kesesuaian yang
baik pun masih harus memenuhi kriteria validitas lain yang dibahas pada bab berikutnya.
Bandingkan Model Kapanpun MemungkinkanMeskipun sulit untuk menentukan secara pasti apakah suatu model baik atau buruk, jauh lebih mudah
untuk menentukan apakah suatu model lebih baik daripada model lainnya. Indeks pada Tabel 9.4 berkinerja baik dalam membedakan keunggulan
relatif suatu model dibandingkan model lainnya. CFI sebesar 0,96, misalnya, menunjukkan kesesuaian yang lebih baik dibandingkan model serupa
dengan CFI sebesar 0,88. Pembahasan yang lebih mendalam mengenai model-model yang bersaing dijelaskan pada Tahap 6.
Mengejar Kesesuaian yang Lebih Baik dengan Mengorbankan Pengujian Model yang Sebenarnya Bukanlah Sebuah Pertukaran yang BaikBanyak spesifikasi model
dapat mempengaruhi kesesuaian model. Oleh karena itu, peneliti harus yakin bahwa semua spesifikasi model dilakukan untuk mendekati teori yang
akan diuji dan bukannya berharap untuk meningkatkan kecocokan model. Ingat, idenya adalah untuk menguji teori secara akurat, bukan
memutarbalikkan teori agar sesuai dengan hasilnya.
tabel 9.4karakteristik indeks Kesesuaian Berbeda yang Mendemonstrasikan Kesesuaian pada Situasi Model Berbeda
TIDAK. dari Stat. N*250 N+250

vars. (M) M"12 12*M*30 M#30 M*12 12*M*30 M#30
X2 Tidak signifikan Penting Penting Tidak signifikan Penting Penting
P-nilai yang diharapkan P-nilai bahkan dengan P-nilai P-nilai genap P-nilai yang diharapkan P-nilai
kecocokan yang baik mengharapkan dengan kecocokan yang baik mengharapkan
Keuangan atau TLI . 99 atau lebih baik . 97 atau lebih baik Di atas 0,93 . 96 atau lebih baik Di atas 0,94 Di atas 0,92
RNI Mungkin tidak mendiagnosis . 97 atau lebih baik Di atas 0,93 . 96 atau lebih baik, Di atas 0,94, Di atas 0,92,
kesalahan spesifikasi tidak digunakan dengan tidak digunakan dengan tidak digunakan dengan
Sehat N.1.000 N.1.000 N.1.000

SRMR Bias ke atas, gunakan . 08 atau kurang Kurang dari Bias ke atas; . 08 atau kurang (dengan . 08 atau kurang
indeks lainnya (dengan CFI 0,95 atau . 09 (dengan Keuangan gunakan indeks lain CFI di atas 0,94) (dengan Keuangan
lebih tinggi) di atas 0,93) di atas 0,92)
RMSEA Nilai , 0,08 dengan CFI Nilai, 0,08 Nilai, 0,08 Nilai, 0,07 Nilai, 0,07 Nilai, 0,07
sebesar5.99 atau lebih dengan Keuangan 0,97 atau dengan Keuangan dengan Keuangan sebesar 0,96 dengan Keuangan 0,94 atau dengan Keuangan dari
tinggi lebih tinggi di atas 0,93 atau lebih tinggi lebih tinggi . 92 atau lebih tinggi
Catatan: m5jumlah variabel yang diamati;Nberlaku untuk jumlah observasi per kelompok ketika menerapkan CFA ke beberapa kelompok secara bersamaan.
Tahap 5: Menentukan Model Struktural

Menentukan model pengukuran (yaitu, menetapkan variabel indikator ke dalam konstruksi yang harus diwakilinya) merupakan langkah
penting dalam mengembangkan model SEM. Kegiatan ini diselesaikan pada Tahap 2. Tahap 5 melibatkan penentuan model struktural
dengan menetapkan hubungan dari satu konstruk ke konstruk lainnya berdasarkan model teoritis yang diusulkan. Spesifikasi model
struktural berfokus pada penggunaan panah arah berkepala tunggal seperti yang ditunjukkan pada Gambar 9.1c untuk menunjukkan
hubungan ketergantungan yang mewakili hipotesis struktural model peneliti. Dengan kata lain, peneliti mengidentifikasi hubungan
ketergantungan yang dihipotesiskan ada di antara konstruk, dan setiap hipotesis mewakili hubungan spesifik yang harus ditentukan.
Hubungan tersebut menunjukkan bagaimana suatu konstruksi mempengaruhi konstruksi lainnya dan mungkin bersifat langsung atau
tidak langsung. Dengan demikian, model menampilkan seluruh hubungan ketergantungan yang ada antar konstruk. Kadang-kadang,
demi kenyamanan, peneliti menentukan setiap hubungan tertentu sebagai hipotesis, meskipun tujuan SEM adalah untuk menguji teori
dan bukan hubungan individu.
Sekarang kita kembali ke model Pencarian Kerja yang dibahas sebelumnya dalam bab ini. Kita dapat menentukan model
pengukuran penuh, seperti yang ditunjukkan pada Gambar 9.9, di mana tidak ada hubungan struktural antar konstruk. Semua
konstruksi dianggap eksogen dan berkorelasi. Hal ini juga dikenal sebagai model analisis faktor konfirmatori (CFA).
Dalam menentukan model struktural, peneliti sekarang dengan hati-hati memilih apa yang diyakini sebagai faktor kunci yang
mempengaruhi Pencarian Kerja. Dari pengalaman dan penilaian mereka, tim manajemen HBAT yakin terdapat alasan kuat untuk
mencurigai bahwa persepsi pengawasan, lingkungan kerja, dan rekan kerja mempengaruhi kepuasan kerja, yang pada gilirannya
mempengaruhi pencarian kerja. Berdasarkan teori, tim mengusulkan bahwa karakteristik lingkungan mempengaruhi kepuasan
kerja, dan melalui kepuasan kerja, perilaku pencarian karyawan ditentukan. Teori tersebut dapat diungkapkan dengan hubungan
struktural langsung berikut:
H1: Persepsi Pengawasan berhubungan positif dengan Kepuasan Kerja.
H2: Persepsi Lingkungan Kerja berhubungan positif dengan pangsa
pelanggan.
H3: Persepsi rekan kerja berhubungan positif dengan pangsa pelanggan.
H4: Kepuasan Kerja berhubungan negatif dengan Pencarian Kerja.
Hubungan struktural ini ditunjukkan pada Gambar 9.10.H1ditentukan dengan panah yang menghubungkan
pengawasan dan kepuasan kerja. Dengan cara yang serupaH2,H3, DanH4ditentukan. Panah berkepala tunggal yang
menunjukkan hubungan ketergantungan antar konstruksi mewakili bagian struktural model. Konstruksinya
menampilkan struktur pengukuran tertentu (hubungan ke variabel indikator) yang sudah diuji pada tahap analisis faktor
konfirmatori. Setiap hubungan antar konstruksi eksogen diperhitungkan dengan hubungan korelasional
Gambar 9.9
Diagram Jalur yang Menampilkan Spesifikasi Model Pengukuran yang Dihipotesiskan (Model cFA)
Bekerja
Pengawasan Rekan kerja
Pekerjaan
Pencarian pekerjaan
Lingkungan Kepuasan
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 X20
eX1 eX 2 eX3 eX4 eX5 eX6 eX7 eX8 eX9 eX10 eX11 eX12 eX13 eX14 eX15 eX16 eX17 eX18 eX19 eX20
Gambar 9.10
Diagram Jalur yang Menampilkan Hubungan Struktural yang Dihipotesiskan dan
Spesifikasi Pengukurannya
eX1 eX2 eX3 eX4
X1 X2 X3 X4
Pengawasan
eX5 X5
H1
eX6 X6
Bekerja H2 Pekerjaan
H4
Pencarian pekerjaan
Lingkungan Kepuasan
eX7 X7
H3
eX8 X8
Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8
Rekan kerja
eY1 eY2 eY3 eY4 eY5 eY6 eY7 eY8
X9 X10 X11 X12
eX9 eX10 eX11 eX12
(panah melengkung, berkepala dua). Dengan demikian, ketiga hubungan antara dua konstruk eksogen dispesifikasikan seperti
halnya dalam model pengukuran.
Cara lain untuk melihat model struktural adalah dengan menambahkan “kendala” pada model pengukuran. Artinya, jalur
struktural tertentu menggantikan korelasi antar konstruksi untuk setiap hubungan yang dihipotesiskan. Selain itu, setiap tempat
di mana tidak ada hubungan yang dihipotesiskan akan mewakili hubungan yang dibatasi hingga nol. Dengan pengecualian
hubungan korelasional antara konstruksi eksogen, tidak ada jalur yang ditarik antara dua konstruksi kecuali hubungan
ketergantungan langsung dihipotesiskan. Dengan demikian, semua hubungan yang tidak ditampilkan dalam model struktural
“dibatasi” menjadi sama dengan nol.
Meskipun fokus pada tahap ini adalah pada model struktural, estimasi model SEM memerlukan spesifikasi
pengukuran yang disertakan juga. Dengan cara ini, diagram jalur mewakili pengukuran dan bagian struktural SEM dalam
satu model keseluruhan. Dengan demikian, diagram jalur pada Gambar 9.10 tidak hanya menunjukkan rangkaian
lengkap konstruk dan indikator dalam model pengukuran, namun juga menunjukkan hubungan struktural antar
konstruk. Model sekarang siap untuk estimasi. Hal ini menjadi ujian bagi keseluruhan teori, termasuk hubungan
pengukuran indikator dengan konstruk, serta hubungan struktural yang dihipotesiskan antar konstruk.
Tahap 6: Menilai Validitas Model Struktural

Tahap terakhir melibatkan upaya untuk menguji validitas model struktural teoritis yang diusulkan dan menguji hubungan teoritis yang
tertanam dalam teori tersebut (misalnya,H1-H4dalam contoh sederhana kami). Sadarilah bahwa jika model pengukuran belum lolos uji
kesesuaian dan aspek validitas lainnya pada Tahap 4, Tahap 5 dan 6 tidak disarankan karena hasilnya menunjukkan bahwa teori
pengukuran yang diajukan memiliki kelemahan. Jika seseorang tidak mencapai kecocokan yang dapat diterima untuk model pengukuran,
kecocokan model tidak akan membaik ketika batasan ditambahkan untuk mewakili struktur teoritis
model. Hanya ketika model pengukuran pertama kali divalidasi dan mencapai kesesuaian model yang dapat diterima, barulah kita dapat
mengalihkan perhatian kita pada pengujian hubungan struktural.
Dua perbedaan utama muncul dalam pengujian kecocokan model struktural relatif terhadap model pengukuran. Pertama, meskipun
kesesuaian model keseluruhan yang dapat diterima harus ditetapkan lagi, model-model teoritis alternatif atau yang bersaing didorong
untuk mendukung keunggulan model. Kedua, estimasi parameter untuk hubungan struktural menjadi fokus jika kecocokan sudah cukup
karena memberikan bukti empiris langsung berkaitan dengan hubungan yang dihipotesiskan yang tersirat dalam model teoritis yang
diusulkan.
Model Struktural GOFProses penetapan validitas model struktural mengikuti pedoman umum yang diuraikan pada Tahap
4. Data observasi masih diwakili oleh matriks kovarians sampel yang diamati. Itu tidak dan tidak seharusnya berubah.
Namun, matriks kovarians estimasi SEM baru dihitung berdasarkan batasan yang ditambahkan ke model pengukuran
yang diperlukan untuk mengubahnya menjadi model struktural yang diusulkan. Misalnya, beberapa konstruksi yang
dianggap berkorelasi dalam model pengukuran dapat dianggap independen secara teoritis. Dengan demikian, hubungan
antara keduanya akan dibatasi hingga nol dan tidak ada jalur yang menghubungkan keduanya. Perbedaan ini merupakan
akibat dari hubungan struktural dalam model struktural. Oleh karena itu, untuk model SEM konvensional,X2Statistik GOF
untuk model pengukuran akan lebih kecil dariX2GOF untuk model struktural.
Kesesuaian keseluruhan dapat dinilai dengan menggunakan kriteria yang sama dengan model pengukuran:
menggunakanX2nilai untuk model struktural dan setidaknya satu indeks absolut dan satu indeks tambahan. Langkah-
langkah ini menetapkan validitas model struktural, namun perbandingan antara kesesuaian keseluruhan juga harus
dilakukan dengan model pengukuran. Secara umum, semakin dekat GOF model struktural dengan model pengukuran,
semakin baik kecocokan model strukturalnya, karena kecocokan model pengukuran memberikan batas atas GOF model
struktural konvensional.
KESESUAIAN KOMPETISI
Penilaian model bersaing penting dalam SEM. Tujuan utamanya adalah untuk memastikan bahwa model yang diusulkan tidak hanya memiliki
kesesuaian model yang dapat diterima, namun juga menilai apakah suatu model memiliki kinerja yang lebih baik daripada model alternatif yang
masuk akal. Jika tidak, maka model teori alternatif didukung. Membandingkan model dapat dilakukan dengan menilai perbedaan dalam indeks
kesesuaian inkremental atau kekikiran beserta perbedaannyaX2Nilai GOF untuk setiap model.
Membandingkan Model BersarangPengujian yang ampuh terhadap model alternatif adalah dengan membandingkan model dengan
kompleksitas serupa, namun mewakili hubungan teoretis yang berbeda-beda. Pendekatan yang umum dilakukan adalah melaluimodel
bersarang, dimana suatu model disarangkan ke dalam model lain jika model tersebut berisi jumlah variabel yang sama dan dapat
dibentuk dari model lain dengan mengubah hubungan, seperti menambah atau menghapus jalur. Umumnya, model SEM bersarang yang
bersaing dibandingkan berdasarkan astatistik perbedaan chi-kuadrat1Dx22.ItuX2nilai dari beberapa model dasar (B) dikurangkan dariX2
nilai model bersarang alternatif dengan batasan lebih rendah (A). Demikian pula, ditemukan perbedaan derajat kebebasan, dengan
berkurangnya satu derajat kebebasan untuk setiap jalur tambahan yang diperkirakan. Persamaan berikut digunakan untuk perhitungan:
2
Dx2DDF5x2 df1B22xdf1A2
Ddf5df1B22df1A2
Karena perbedaan keduanyaX2nilai-nilai itu sendiriX2terdistribusi, kita dapat menguji signifikansi statistik yang diberikan aDx2
perbedaan nilai dan perbedaan derajat kebebasan1Ddf2.Misalnya, untuk model dengan perbedaan derajat kebebasan satu (Ddf51, seperti
ketika satu jalur tambahan ditambahkan pada model A), aDx2sebesar 3,84 atau lebih baik akan menjadi signifikan pada tingkat 0,05.
Peneliti akan menyimpulkan bahwa model dengan satu jalur tambahan (sebagai alternatif, model tersebut dapat dianggap memiliki satu
batasan yang lebih sedikit) memberikan kesesuaian yang lebih baik berdasarkan pengurangan signifikan dalamX2GOF.
Contoh model bersarang pada Gambar 9.10 mungkin berupa penambahan jalur struktural dari konstruksi
Pengawasan langsung ke konstruksi Pencarian Kerja. Jalur tambahan ini akan mengurangi satu derajat kebebasan. Model
baru akan diestimasi ulang danDx2dihitung. Jika lebih besar dari 3,84, maka peneliti akan menyimpulkan bahwa model
alternatif lebih cocok secara signifikan. Namun, sebelum jalur tersebut ditambahkan, harus ada dukungan teoritis untuk
hubungan baru tersebut.
Perbandingan dengan Model PengukuranSalah satu perbandingan model yang berguna adalah antara CFA dan kesesuaian model
struktural. Model struktural terdiri dari jaringan teoritis hubungan antar konstruksi. Dalam CFA konvensional (seperti yang akan dijelaskan
secara rinci pada bab berikutnya), semua konstruksi diasumsikan terkait dengan semua konstruksi lainnya. Seperti yang telah dibahas
sebelumnya, model struktural umumnya akan menentukan lebih sedikit hubungan antar konstruk, karena tidak setiap konstruk akan
dihipotesiskan memiliki hubungan langsung dengan setiap konstruk lainnya. Dalam pengertian ini, model struktural lebih dibatasi
(teridentifikasi berlebihan) dibandingkan model pengukuran, karena lebih banyak hubungan yang ditetapkan ke nol dan tidak dapat
diestimasi secara bebas. Cara memikirkannya adalah model struktural dibentuk dari model pengukuran dengan menambahkan batasan.
Menambahkan batasan tidak dapat mengurangi nilai chi-kuadrat. Paling-paling, jika hubungan antara konstruksi benar-benar nol, dan
peneliti membatasi hubungan tersebut ke nol dengan tidak menentukannya dalam model struktural, nilai chi-kuadrat sebenarnya tidak
akan berubah dengan menambahkan batasan tersebut. Jika kedua konstruk tersebut benar-benar berhubungan, penambahan batasan
akan meningkatkan nilai chi-kuadrat sebenarnya. Sebaliknya, melonggarkan batasan dengan memasukkan suatu hubungan ke dalam
model akan mengurangi nilai chi-kuadrat atau menjaganya tetap sama.
Seperti yang baru saja dijelaskan, menambahkan atau menghapus jalur (yaitu, menambahkan jalur berarti batasan telah dilonggarkan
dan menghapus jalur berarti batasan telah ditambahkan) akan mengubah derajat kebebasan. Menambah satu batasan berarti uji beda chi-
kuadrat mempunyai satu derajat kebebasan, menambahkan dua berarti pengujian mempunyai dua derajat kebebasan, dan seterusnya.
Jika suatu model pengukuran dan model struktural mempunyai nilai chi-kuadrat yang kurang lebih sama, hal ini berarti bahwa batasan-
batasan yang ditambahkan untuk membentuk model struktural tidak menambah nilai chi-kuadrat secara signifikan.X2nilai.
Secara keseluruhanX2Model pengukuran contoh GOF untuk Pencarian Kerja dapat dibandingkan dengan keseluruhanX2GOF
untuk contoh model struktural ditunjukkan pada Gambar 9.10. ADx2tes dapat digunakan untuk membandingkan kedua model ini.
Tes itu akan terjadiDdf53, karena tiga hubungan yang akan diestimasi dalam CFA (pengujian model pengukuran) dibatasi hingga
nol (yaitu, tidak dimodelkan) dalam model struktural. Secara khusus, tidak ada hubungan langsung dari konstruk eksogen
(Pengawasan, Lingkungan Kerja, atau Rekan Kerja) ke konstruk endogen paling kanan (Pencarian Kerja) yang dimodelkan dalam
teori peneliti ini. JikaDx2pengujian dengan tiga derajat kebebasan tidak signifikan, hal ini berarti bahwa membatasi model
pengukuran (yang mencakup semua kovarian antarkonstruksi) dengan tidak membiarkan ketiga hubungan langsung ini tidak
memperburuk kecocokan secara signifikan. Tidak signifikanDx2pengujian antara model pengukuran dan model struktural
umumnya akan memberikan bukti pendukung untuk model teoritis yang diusulkan.
Baru-baru ini, indeks kecocokan teoretis yang disesuaikan (ATFI)telah diusulkan untuk mengukur perbandingan pengukuran
dan kesesuaian model struktural. Logika dasar indeks, yang secara matematis membandingkan kesesuaian pengukuran dan
model teoritis, digambarkan dalam persamaan ini [20]:
KeuanganCFA2KeuanganTM DFTM
ATFI5 ¢ ≤3
KeuanganCFA DFCFA
Persamaan tersebut mengambil selisih model pengukuran (CFA) dan CFI model teoritis sebagai rasio kesesuaian model
pengukuran dan disesuaikan dengan rasio derajat kebebasan. Nilai yang lebih kecil menunjukkan kesesuaian yang relatif lebih
baik dan nilai 0 berarti kesesuaian pengukuran dan teoritis adalah sama.
Model SetaraStatistik kecocokan yang baik tidak membuktikan bahwa model teoretis tertentu adalah cara terbaik untuk menjelaskan matriks
kovarians sampel yang diamati. Seperti dijelaskan sebelumnya, mungkin terdapat sejumlah model ekuivalen yang menawarkan kesesuaian yang
sama atau lebih baik terhadap matriks kovarians yang diestimasi sama. Oleh karena itu, model apa pun, bahkan dengan kesesuaian yang baik,
hanyalah salah satu penjelasan potensial. Artinya, kecocokan empiris yang baik tidak membuktikan bahwa model tertentu adalah yang terbaik
penjelasan yang “hanya” benar. Statistik kecocokan yang menguntungkan sangat diinginkan, namun banyak model alternatif yang dapat memberikan kecocokan
yang setara [46].
Persoalan ini semakin memperkuat perlunya membangun model pengukuran berdasarkan teori yang solid. Situasi yang kompleks
dapat menghasilkan banyak model yang setara. Namun, banyak model yang diturunkan secara empiris mungkin tidak masuk akal
mengingat sifat konseptual dari variabel penelitian. Dengan demikian, pada akhirnya hasil empiris memberikan beberapa bukti validitas,
namun peneliti harus memberikan bukti teoritis yang tidak kalah pentingnya dalam memvalidasi suatu model.
MENGUJI HUBUNGAN STRUKTURAL

Kesesuaian model yang baik diperlukan namun tidak cukup untuk mendukung semua penjelasan yang diwakili oleh teori
struktural. Peneliti juga harus memeriksa estimasi parameter individual yang mewakili setiap link atau “jalur.” Jalur tak
dibatasi model teoretis dianggap valid sejauh estimasi parameternya adalah:
1Signifikan secara statistik dan sesuai dengan arah prediksi.Artinya, mereka lebih besar dari nol untuk hubungan positif.
kapal dan kurang dari nol untuk hubungan negatif.
2Tidak sepele.Ukuran efek harus diperiksa signifikansi praktisnya dengan menggunakan pembebanan yang sepenuhnya terstandarisasi
perkiraan. Pedoman di sini sama dengan teknik multivariat lainnya. Koefisien dapat menjadi signifikan secara statistik
namun secara praktis tidak berarti, terutama ketika sampel menjadi besar.
Oleh karena itu, model struktural yang ditunjukkan pada Gambar 9.10 dianggap dapat diterima hanya jika model tersebut
menunjukkan kesesuaian model yang dapat diterimaDanperkiraan jalur yang mewakili masing-masing dari empat hipotesis ditafsirkan.
Peneliti juga dapat menguji estimasi varians yang dijelaskan untuk konstruksi endogen yang analog dengan analisisR2
dilakukan dalam regresi berganda. Rincian lebih lanjut mengenai prosedur yang digunakan dalam tahap ini akan dijelaskan pada
Bab 10 dan khususnya pada Bab 11, termasuk pembahasan mengenai tindakan diagnostik untuk pengukuran dan model
struktural.
Aturan praktis 9-3

Tahapan SeM 4–6
- Ketika model menjadi lebih kompleks, kemungkinan model alternatif dengan kesesuaian setara meningkat
- Beberapa indeks kecocokan harus digunakan untuk menilai kesesuaian model dan harus mencakup:
- ItuX2nilai dan yang terkaitdf.

- Satu indeks kecocokan absolut (yaitu GFI, RMSEA, atau SRMR).
- Satu indeks kesesuaian tambahan (misalnya CFI atau TLI).
- Satu indeks kesesuaian (GFI, CFI, TLI, dll.).

- Satu indeks badness-of-fit (RMSEA, SRMR, dll.).
- ATFI memberikan gambaran yang berguna tentang kesesuaian relatif model struktural dan pengukuran teoritis.
- Tidak ada nilai “ajaib” tunggal untuk indeks kesesuaian yang dapat membedakan model yang baik dan model yang buruk, dan tidak praktis untuk
menerapkan satu set aturan batas pada semua model pengukuran dan, dalam hal ini, pada semua model SEM jenis apa pun.
- Kualitas kecocokan sangat bergantung pada karakteristik model, termasuk ukuran sampel dan kompleksitas model:
- Model sederhana dengan sampel kecil harus memenuhi standar kesesuaian yang ketat; bahkan tidak signifikanP-nilai untuk model
sederhana mungkin tidak berarti.
- Model yang lebih kompleks dengan sampel yang lebih besar tidak boleh menggunakan standar ketat yang sama,
sehingga ketika sampel berukuran besar dan model berisi sejumlah besar variabel terukur dan estimasi parameter, nilai
batas universal sebesar 0,95 pada ukuran utama GOF tidak realistis. .
Ringkasan
Beberapa tujuan pembelajaran utama disediakan untuk bab ini. Tujuan pembelajaran ini bersama-sama memberikan gambaran
dasar tentang SEM. Ikhtisar dasar harus memungkinkan pemahaman yang lebih baik tentang ilustrasi yang lebih spesifik pada
bab-bab berikutnya.
Memahami karakteristik pembeda SEM.SEM adalah pendekatan yang fleksibel untuk memeriksa bagaimana segala sesuatunya
berhubungan satu sama lain. Oleh karena itu, aplikasi SEM dapat tampil sangat berbeda. Namun, tiga karakteristik utama SEM berbasis
kovarians adalah (1) estimasi hubungan ketergantungan yang berganda dan saling terkait dan seberapa cocok model secara keseluruhan,
(2) kemampuan untuk mewakili konsep-konsep yang tidak teramati dalam hubungan ini dan mengoreksi kesalahan pengukuran dalam
estimasi. proses, (3) fokus pada penjelasan kovarians antara item yang diukur.
Membedakan antara variabel dan konstruk.Model yang biasanya diuji menggunakan SEM melibatkan model pengukuran
dan model struktural. Sebagian besar pendekatan multivariat yang dibahas pada bab sebelumnya berfokus pada analisis variabel
secara langsung. Variabel adalah item aktual yang diukur dengan menggunakan survei, observasi, atau alat pengukuran lainnya.
Variabel dianggap dapat diamati dalam arti bahwa kita dapat memperoleh pengukuran langsung terhadap variabel tersebut.
Konstruk adalah faktor yang tidak dapat diobservasi atau laten yang diwakili oleh suatu variate yang terdiri dari beberapa
variabel. Sederhananya, beberapa variabel digabungkan secara matematis untuk mewakili proksi suatu konstruksi. Konstruksinya
bisa eksogen atau endogen. Konstruk eksogen adalah variabel independen yang bersifat laten dan multi-item. Mereka adalah
konstruksi yang ditentukan oleh faktor-faktor di luar model. Konstruk endogen adalah variabel dependen yang bersifat laten dan
multi-item.
Memahami pemodelan persamaan struktural dan bagaimana hal itu dapat dianggap sebagai kombinasi teknik
multivariat yang sudah dikenal.SEM dapat dianggap sebagai kombinasi analisis faktor eksplorasi dan analisis regresi berganda.
Bagian model pengukuran mirip dengan analisis faktor eksploratif yang juga menunjukkan bagaimana variabel yang diukur
memuat sejumlah kecil faktor (yaitu, konstruk). Terdapat beberapa analogi regresi yang berbeda, namun kuncinya adalah fakta
bahwa konstruksi endogen (hasil) diprediksi menggunakan beberapa konstruksi lain dengan cara yang sama seperti variabel
independen memprediksi variabel dependen dalam regresi berganda.
Ketahui kondisi dasar kausalitas dan bagaimana SEM dapat membantu membangun hubungan sebab-akibat.Teori dapat
didefinisikan sebagai serangkaian hubungan sistematis yang memberikan penjelasan yang konsisten dan komprehensif tentang suatu
fenomena. SEM telah menjadi alat multivariat yang paling menonjol untuk menguji teori perilaku. Sejarah SEM tumbuh dari keinginan
untuk menguji model sebab akibat. Secara teoritis, empat kondisi harus ada untuk membangun kausalitas: (1) kovariasi, (2) urutan
temporal, (3) asosiasi non-palsu, dan (4) dukungan teoritis. SEM dapat menetapkan bukti kovariasi melalui pengujian hubungan yang
diwakili oleh suatu model. SEM tidak dapat, sebagai suatu peraturan, menunjukkan bahwa sebab terjadi sebelum akibat, karena data
cross-sectional paling sering digunakan dalam SEM. Model SEM yang menggunakan data longitudinal dapat membantu menunjukkan
urutan waktu. Bukti adanya hubungan palsu antara sebab dan akibat dapat diberikan, setidaknya sebagian, oleh SEM. Apabila
penambahan sebab-sebab alternatif lain tidak menghilangkan hubungan antara sebab dan akibat, maka penyimpulan sebab-akibat
menjadi lebih kuat. Pada akhirnya, dukungan teoretis hanya dapat diberikan melalui nalar. Temuan empiris saja tidak dapat menjadikan
suatu hubungan masuk akal. Dengan demikian, SEM dapat berguna dalam menetapkan kausalitas, namun hanya dengan menggunakan
SEM pada data tertentu tidak berarti bahwa kesimpulan sebab akibat dapat dibuat.
Jelaskan tipe dasar hubungan yang terlibat dalam SEM.Empat tipe hubungan teoretis utama dalam model SEM dijelaskan pada
Gambar 9.1, yang juga menunjukkan representasi grafis konvensional dari setiap tipe. Yang pertama menunjukkan hubungan antara
konstruksi laten dan variabel terukur. Konstruksi laten direpresentasikan dengan oval dan variabel terukur direpresentasikan dengan
persegi panjang. Yang kedua menunjukkan kovariasi atau korelasi sederhana antar konstruksi. Ini tidak menyiratkan urutan sebab akibat
apa pun, dan tidak membedakan antara konstruksi eksogen dan endogen. Dua tipe hubungan pertama ini merupakan hal mendasar
dalam membentuk model pengukuran. Tipe hubungan yang ketiga menunjukkan bagaimana konstruk eksogen berhubungan dengan
konstruk endogen dan dapat merepresentasikan suatu inferensi kausal dimana konstruk eksogen merupakan sebab dan konstruk
endogen merupakan akibat. Tipe hubungan keempat menunjukkan bagaimana satu konstruk endogen berhubungan dengan konstruk
lainnya. Ia juga dapat mewakili urutan sebab akibat dari satu konstruksi endogen ke konstruksi endogen lainnya.
Pahami bahwa tujuan SEM adalah untuk menjelaskan kovarians dan bagaimana hal itu diterjemahkan ke dalam kesesuaian
model. SEM kadang-kadang dikenal sebagai analisis struktur kovarians. Algoritma yang melakukan estimasi SEM memiliki
tujuan menjelaskan matriks kovarians variabel yang diamati,S, menggunakan matriks kovarians yang diperkirakan,Sk, dihitung
menggunakan persamaan regresi yang mewakili model peneliti. Dengan kata lain, SEM mencari sekumpulan estimasi parameter yang
menghasilkan estimasi nilai kovarians yang paling mendekati nilai kovarians yang diamati. Semakin dekat nilai-nilai ini, semakin baik
model tersebut dikatakan fit. Kesesuaian menunjukkan seberapa baik model tertentu mereproduksi matriks kovarians di antara item yang
diukur. Statistik kecocokan SEM dasar adalahX2statistik. Namun, kepekaannya terhadap ukuran sampel dan kompleksitas model
menyebabkan berkembangnya banyak indeks kecocokan lainnya. Kecocokan paling baik dinilai dengan menggunakan beberapa indeks
kecocokan. Penting juga untuk menyadari bahwa tidak ada nilai ajaib yang menentukan kapan suatu model terbukti paling cocok.
Sebaliknya, konteks model harus diperhitungkan dalam menilai kesesuaian. Model sederhana dengan sampel kecil harus memiliki standar
yang berbeda dibandingkan model yang lebih kompleks yang diuji dengan sampel lebih besar.
Ketahui cara merepresentasikan model secara visual menggunakan diagram jalur.Seluruh rangkaian hubungan yang
membentuk model SEM dapat direpresentasikan secara visual menggunakan diagram jalur. Setiap jenis hubungan secara
konvensional direpresentasikan dengan jenis panah yang berbeda dan disingkat dengan karakter yang berbeda. Gambar 9.10
menggambarkan diagram jalur yang menunjukkan pengukuran dan model struktural. Bagian dalam mewakili model struktural.
Bagian luar mewakili model pengukuran.
Sebutkan enam tahap pemodelan persamaan struktural dan pahami peran teori dalam proses tersebut.Gambar 9.7 mencantumkan enam
tahapan dalam proses SEM. Dimulai dengan memilih variabel yang akan diukur. Hal ini diakhiri dengan menilai kesesuaian model struktural secara
keseluruhan. Perlu juga ditekankan bahwa teori memainkan peran kunci dalam setiap langkah proses. Tujuan dari SEM adalah untuk memberikan
pengujian terhadap suatu teori. Dengan demikian, tanpa teori, pengujian SEM yang sebenarnya tidak dapat dilakukan.
Seperti disebutkan sebelumnya, bab ini tidak menyertakan contoh HBAT yang diperluas. Sebaliknya, contoh HBAT baru akan diperkenalkan pada
bab berikutnya. Selama tiga bab berikutnya, bab ini akan mengilustrasikan penggunaan SEM secara lengkap untuk menguji hubungan yang akan
membantu manajemen HBAT membuat keputusan penting.
Pertanyaan
1Apa perbedaan antara konstruksi laten dan 7Apa korelasi palsu itu? Bagaimana mungkin
variabel terukur? diungkapkan menggunakan SEM?
2Apa ciri-ciri yang membedakan kovarian? 8Apa yang cocok?

SEM berbasis ance?
9Apa perbedaan antara mutlak dan a
3Jelaskan bagaimana estimasi matriks kovarians di indeks kecocokan relatif?
Analisis CB-SEM1Sk2dapat dihitung. Mengapa kita

10Bagaimana ukuran sampel mempengaruhi persamaan struktural
membandingkannya denganS?
pemodelan?
4Bagaimana pemodelan persamaan struktural mirip dengan
11Mengapa tidak ada nilai ajaib yang dapat dibedakan
teknik multivariat lain yang dibahas di bab
cocok dan tidak cocok di semua situasi?
sebelumnya?
12Gambarlah diagram jalur dengan dua konstruksi eksogen
5Jelaskan apa yang dimaksud dengan “kendala” dalam SEM dan sertakan a
dan satu konstruksi endogen. Konstruk eksogen masing-
diskusi tentang bagaimana kendala digambarkan dalam SEM
masing diukur dengan lima item dan konstruk endogen
grafis.
diukur dengan empat item. Kedua konstruk eksogen
6Apa itu teori? Bagaimana suatu teori direpresentasikan dalam a tersebut diperkirakan berhubungan negatif dengan
Kerangka SEM? konstruk endogen.
Bacaan yang Disarankan dan Sumber Daya online
Untuk panduan lebih lanjut tentang cara melaporkan hasil kuantitatif, termasuk hasil dari SEM, dalam makalah akademis, lihat
Applebaum dkk. (2018), “Standar Pelaporan Artikel Jurnal untuk Penelitian Kuantitatif dalam Psikologi:
Laporan Satuan Tugas Dewan Publikasi dan Komunikasi APA,”Psikolog Amerika,73 (1), 3–25. Daftar
bacaan yang disarankan dan materi lain yang berkaitan dengan teknik dalam bab ini tersedia di sumber
online di situs web teks (Cengage Brain atau www.mvstats.com).
Lampiran 9A
Memperkirakan Hubungan Menggunakan Analisis Jalur
Apa tujuan mengembangkan diagram jalur? Diagram jalur merupakan dasar analisis jalur, yaitu prosedur estimasi empiris
terhadap kekuatan setiap hubungan (jalur) yang digambarkan dalam diagram jalur. Analisis jalur menghitung kekuatan
hubungan hanya dengan menggunakan matriks korelasi atau kovarians sebagai masukan. Kami akan menjelaskan proses dasar
di bagian berikut, dengan menggunakan contoh sederhana untuk mengilustrasikan bagaimana estimasi sebenarnya dihitung.
mengidentifikasi Jalur
Langkah pertama adalah mengidentifikasi semua hubungan yang menghubungkan dua konstruksi. Analisis jalur memungkinkan
kita menguraikan korelasi sederhana (bivariat) antara dua variabel menjadi jumlah jalur gabungan yang menghubungkan titik-
titik tersebut. Jumlah dan jenis jalur gabungan antara dua variabel sepenuhnya merupakan fungsi model yang diusulkan oleh
peneliti.
Jalur gabungan adalah jalur sepanjang panah diagram jalur yang mengikuti tiga aturan:
1Setelah maju dengan anak panah, jalannya tidak bisa mundur lagi; tapi jalannya bisa mundur sebanyak-banyaknya
kali seperlunya sebelum melanjutkan.
2Jalur tidak dapat melewati variabel yang sama lebih dari satu kali. 3Jalur hanya
dapat mencakup satu panah melengkung (pasangan variabel berkorelasi).
Saat menerapkan aturan ini, setiap jalur atau panah mewakili sebuah jalur. Jika hanya ada satu anak panah yang menghubungkan dua
konstruk (analisis jalur juga dapat dilakukan dengan variabel), maka hubungan keduanya sama dengan estimasi parameter antara kedua
konstruk tersebut. Untuk saat ini hubungan tersebut bisa disebut hubungan langsung. Jika ada beberapa panah yang menghubungkan
satu konstruksi ke konstruksi lainnya seperti padaX→Y→Z,lalu efek dariXpadaZsama dengan hasil kali estimasi parameter untuk setiap
panah dan disebut hubungan tidak langsung. Konsep ini mungkin tampak cukup rumit namun sebuah contoh membuatnya mudah untuk
diikuti:
Gambar 9A.1 menggambarkan model sederhana dengan dua konstruksi eksogen (XDanX
1
)berhubungan
2
secara kausal dengan
konstruksi endogen
1
(kamu).Jalur korelasional A adalahXberhubungan
1
denganX
2
,jalur B adalah efek dariXmemprediksikamu
1 1
,dan jalur C
menunjukkan pengaruhXmemprediksikamu.Nilai
2 1
untukYdapat1dinyatakan secara sederhana dengan persamaan seperti regresi:
Y15B1X11B2X2
Kami sekarang dapat mengidentifikasi jalur langsung dan tidak langsung dalam model kami. Untuk memudahkan dalam merujuk pada jalur tersebut, jalur sebab
akibat diberi label A, B, dan C.
Jalur Langsung Jalur Tidak Langsung
A5X 1
keX2
B5X 1
keY1 AC5X 1
keY1
C5X 2
keY1 AB5X 2
keY1
Gambar 9A.1
menghitung koefisien Struktural dengan Path Analysis
Diagram Jalur Korelasi Bivariat
X1 X2 Y1
X1
Teman sekerja
X1 1.0
Sikap
B
X2 . 50 1.0
Y1 . 60 . 70 1.0
Y1
A Pekerjaan
Kepuasan
X2
Bekerja
C
Lingkungan
Korelasi sebagai Jalur Majemuk Menyelesaikan Koefisien Struktural
KorX1X 2
= A . 50 = A
KorX1Y1 = B+AC . 60 = B+AC
KorX2Y1 = C + AB . 70 = C + AB
Mengganti A = 0,50
. 60 = B + 0,50C
. 70 = C + 0,50B
Menyelesaikan B dan C
B = . 33
C = . 53
memperkirakan Hubungan
Dengan jalur langsung dan tidak langsung yang sekarang ditentukan, kita dapat merepresentasikan korelasi antara masing-masing konstruksi sebagai jumlah
dari jalur langsung dan tidak langsung.
Tiga korelasi unik antar konstruksi dapat ditunjukkan terdiri dari jalur langsung dan tidak langsung sebagai
berikut:
KorX1X2 5A
KorX1Y5B1A
1
C
KorX 2Y 15CA 1B
Pertama, korelasiXDanXsama
1
dengan
2
A. Korelasi dariXDankamu (Corr , ) dapat
1
direpresentasikan
1 X1Y1
sebagai dua
jalur: B dan AC. Simbol B mewakili jalur langsung dariXkekamu ,dan jalur lainnya
1 1
(jalur gabungan) mengikuti
panah melengkung dariXkeXdan kemudian
1
kekamu.Demikian
2 1
pula korelasinyaXDanYdapat
2
ditunjukkan
1
terdiri dari
dua jalur sebab akibat: C dan AB.
Setelah semua korelasi didefinisikan dalam bentuk jalur, nilai korelasi yang diamati dapat disubstitusikan dan
persamaan diselesaikan untuk setiap jalur yang terpisah. Jalur tersebut kemudian mewakili hubungan sebab akibat
antara konstruksi (mirip dengan koefisien regresi) atau perkiraan korelasional.
Dengan menggunakan korelasi seperti yang ditunjukkan pada Gambar 9A.1, kita dapat menyelesaikan persamaan untuk setiap korelasi (lihat
Gambar 9A.1) dan memperkirakan hubungan sebab akibat yang diwakili oleh koefisien b dan b.
1 2
Kita tahu bahwa A sama dengan 0,50, jadi kita bisa mensubstitusikan nilai ini ke persamaan lainnya. Dengan menyelesaikan kedua
persamaan ini, kita mendapatkan
1
nilai B(b ) = .33 dan
2
C(b ) = .53. Perhitungan sebenarnya ditunjukkan pada Gambar 9A.1. Pendekatan ini
memungkinkan analisis jalur untuk menyelesaikan hubungan sebab akibat hanya berdasarkan korelasi antara konstruksi dan model sebab
akibat yang ditentukan.
Seperti yang dapat Anda lihat dari contoh sederhana ini, jika kita mengubah model jalur dengan cara tertentu, hubungan sebab akibat juga akan berubah.
Perubahan tersebut memberikan dasar untuk memodifikasi model untuk mencapai kesesuaian yang lebih baik, jika secara teoritis dapat dibenarkan.
Dengan aturan sederhana ini, model yang lebih besar kini dapat dimodelkan secara bersamaan, menggunakan korelasi atau kovarians sebagai
data masukan. Kita harus mencatat bahwa ketika digunakan dalam model yang lebih besar, kita dapat menyelesaikan sejumlah persamaan yang
saling terkait. Dengan demikian, variabel terikat dalam suatu hubungan dapat dengan mudah menjadi variabel bebas dalam hubungan lainnya. Tidak
peduli seberapa besar diagram jalur atau berapa banyak hubungan yang disertakan, analisis jalur menyediakan cara untuk menganalisis kumpulan
hubungan.
Lampiran 9B
Singkatan SEM
Panduan berikut akan membantu pengucapan dan pemahaman singkatan SEM yang umum. Terminologi SEM sering
disingkat dengan kombinasi karakter Yunani dan karakter Romawi untuk membantu membedakan bagian-bagian
berbeda dari model SEM.
Simbol Pengucapan Arti
ξ xi (KSI atau KZI) Sebuah konstruksi yang terkait dengan pengukuranXvariabel
λX lambda “x” Jalur yang mewakili pemuatan faktor antara konstruksi laten dan yang
diukurXvariabel
λkamu lambda “kamu” Jalur yang mewakili pemuatan faktor antara konstruksi laten dan yang
diukurkamuvariabel
Λ ibukota lambda Suatu cara untuk merujuk pada sekumpulan perkiraan pembebanan yang
direpresentasikan dalam matriks di mana baris mewakili variabel terukur dan
kolom mewakili konstruksi laten
η eta (“delapan-ta”) Sebuah konstruksi yang terkait dengan pengukuranYvariabel
φ phi (fi) Jalur yang diwakili oleh panah melengkung berkepala dua yang
mewakili kovariasi antara satu ξ dan ξ lainnya
Φ modal phi Suatu cara untuk merujuk pada kovarians atau matriks korelasi antara
sekumpulan konstruksi ξ
γ gamma Jalur yang mewakili hubungan sebab akibat (koefisien
regresi) dari ξ ke η
Γ skala modal Suatu cara untuk merujuk pada seluruh rangkaian hubungan γ untuk model tertentu
β beta (“bay-ta”) Jalur yang mewakili hubungan sebab akibat (koefisien regresi)
dari satu konstruk η ke konstruk η lainnya
Β modal beta Suatu cara untuk merujuk pada seluruh rangkaian hubungan β untuk model
δ delta tertentu. Istilah kesalahan terkait dengan perkiraan, pengukuranXvariabel
θδ delta theta (“mereka-ta”) Suatu cara untuk merujuk pada varian dan kovarian sisa yang terkait dengan
Xperkiraan; item varians kesalahan adalah diagonal
« epsilon Istilah kesalahan yang terkait dengan perkiraan, diukurkamuvariabel
θ« theta-epsilon Suatu cara untuk merujuk pada varian dan kovarian sisa yang terkait dengan
kamuperkiraan; item varians kesalahan adalah diagonal
ζ zeta (“zay-ta”) Suatu cara untuk menangkap kovariasi antara kesalahan konstruk η
τ tau (berima dengan “sekarang”) Istilah intersep untuk memperkirakan variabel yang diukur
κ kappa Istilah intersep untuk memperkirakan konstruksi laten
χ2 chi (ki) -kuadrat Rasio kemungkinan
Lampiran 9C
Detail tentang Indeks GOF Terpilih
Bab ini menjelaskan bagaimana peneliti mengembangkan banyak indeks kecocokan berbeda yang mewakili GOF model SEM dengan cara
berbeda. Di sini, sedikit lebih detail diberikan tentang beberapa indeks utama dalam upaya memberikan pemahaman yang lebih baik
tentang informasi apa yang terkandung di masing-masing indeks.
Indeks Kesesuaian (GFi)

Jika kita memikirkanFsebagai
k
fungsi kecocokan minimum setelah model SEM diestimasi menggunakankderajat kebebasan (S– Σ ),dan kami
memikirkanFsebagai
k
fungsi fit yang
0
akan dihasilkan jika semua parameter bernilai nol (semuanya tidak berhubungan satu sama lain; tidak
ada hubungan teoretis), maka kita dapat mendefinisikan GFI secara sederhana sebagai:
F
GFI512k
F0
Model yang cocok menghasilkan rasioF /Fitu kcukup

0
kecil. Sebaliknya, model yang tidak cocok menghasilkan
produkF /Fitu
k 0
relatif besar karenaFtidak akan berbeda
k
jauh dariF .Rasio ini berfungsi
0
seperti rasio SSE/SST yang
dibahas di Bab 4. Secara ekstrem, jika model gagal menjelaskan kovarians sebenarnya antara variabel yang
diukur,F /Fakan menjadi
k 0
1, artinya GFI akan menjadi 0.
Kesalahan Pendekatan Root Mean Squared (RMSeA)

Perhitungan RMSEA cukup mudah dan disediakan di sini untuk menunjukkan bagaimana statistik mencoba memperbaiki
masalah penggunaan χ2statistik saja.
1X22dfk2
RMSEA5
A 1N212
Perhatikan bahwadfdikurangkan dari pembilangnya dalam upaya menangkap kompleksitas model. Ukuran sampel digunakan dalam
penyebut untuk memperhitungkannya. Untuk menghindari nilai RMSEA negatif, pembilangnya diatur ke 0 jikadfkmelebihi χ2.
indeks Fit komparatif (cFi)

Bentuk komputasi umum dari Keuangan adalah:
1Xk22dfk2
Keuangan51 2
1XN22dfN2
Di sini, subskripnyakmewakili nilai-nilai yang terkait dengan model atau teori yang ditentukan peneliti, yaitu kesesuaian yang dihasilkank
derajat kebebasan. SubskripNmenunjukkan nilai yang terkait dengan model nol statistik. Selain itu, persamaan tersebut dinormalisasi
dengan nilai antara 0 dan 1—dengan nilai yang lebih tinggi menunjukkan kesesuaian yang lebih baik—dengan mensubstitusi nilai yang
sesuai (yaitu, 0) jika χ2nilainya kurang dari derajat kebebasan yang bersangkutan.
indeks tucker-Lewis (tLi)

Persamaan TLI disediakan di sini untuk tujuan perbandingan:
X2 X2
caNB2A kbd
dfN dfk
TLI5
X2
caNB21D
dfN
Sekali lagi,NDankmengacu pada model null dan model tertentu. TLI tidak bernorma sehingga nilainya bisa berada di bawah 0
atau di atas 1. TLI menghasilkan nilai yang mirip dengan CFI di sebagian besar situasi.
Rasio Parsimoni (PR)

Rasio parsimony (PR) menjadi dasar langkah-langkah parsimony GOF [31]:
df
PR5k
dfT
Seperti dapat dilihat dari rumusnya, ini adalah rasio derajat kebebasan yang digunakan suatu model terhadap total derajat kebebasan yang tersedia.
Dengan demikian, indeks lainnya disesuaikan oleh PR untuk membentuk indeks parsimony fit. Walaupun indeks parsimony fit dapat bermanfaat,
namun indeks ini cenderung lebih mendukung ukuran yang lebih pelit. Langkah-langkah ini sudah ada sejak lama namun masih belum diterapkan
secara luas.
Referensi
1 Allison, PD 2003. Teknik Data Hilang untuk Model Model Persamaan Struktural,”Metode & Penelitian
Persamaan Struktural.Jurnal Psikologi Abnormal 112 Sosiologis,36 (4), 462–94.
(November): 545–56. 18 Graham, JW (2003), “Menambahkan Variabel Relevan Data
2 Arbuckle, JL (1996). Estimasi informasi lengkap dengan yang Hilang ke Model Persamaan Struktural Berbasis
adanya data yang tidak lengkap. Dalam GA Marcoulides dan FIML,” Pemodelan Persamaan Struktural10 (1), 80–100.
RE Schumacker (Eds.).Pemodelan Persamaan Struktural 19 Habelmo, T. 1943. Implikasi Statistik Sistem Persamaan
Tingkat Lanjut.Mahwah, NJ: Penerbit Lawrence Erlbaum. Simultan.Ekonometria11: 1–12. Rambut, JF, BJ Babin, dan
3 Arbuckle, JL (2014).Panduan Pengguna Amos 7.0.Chicago, 20 N. Krey (2017). Pemodelan Persamaan Struktural Berbasis
Illinois: SPSS Inc. Kovarian dalam Jurnal Periklanan: Review dan
4 Bagozzi, RP, dan Y. Yi. 1988. Tentang Penggunaan Model Rekomendasi.Jurnal Periklanan,46 (1): 163–177.
Persamaan Struktural dalam Desain Eksperimental.Jurnal
Riset Pemasaran26 (Agustus): 271–84. 21 Hayduk, LA 1996.Masalah, Debat dan Strategi
5 Bentler, PM 1990. Indeks Kesesuaian Komparatif dalam LISREL.Baltimore: Pers Universitas Johns
Model Struktural.Buletin Psikologis107: 238–46. Bentler, Hopkins.
6 PM 2008.Manual Program Persamaan Struktural EQS6. 22 Hayduck, L., G. Cummings, K. Boadu, HP Robinson, dan S.
Temple City, CA: Multivariate Software, Inc. Bentler, PM, Boulianne (2007), “Pengujian! Pengujian! Satu, Dua, Tiga—
7 dan DG Bonnett. 1980. Uji Signifikansi dan Goodness of Menguji Teori dalam Model Persamaan Struktural!”
Fit dalam Analisis Struktur Kovarian.Buletin Psikologis88: Perbedaan Kepribadian dan Individu,42: 841–50.
588–606. Blalock, HM 1962. Model Kausal Empat Variabel
8 dan Korelasi Parsial.Jurnal Sosiologi Amerika68: 182–94. 23 Hershberger, SL 2003. Pertumbuhan Pemodelan Persamaan
Struktural: 1994–2001.Pemodelan Persamaan Struktural 10(1):
35–46.
9 Byrne, B.1998.Pemodelan Persamaan Struktural dengan 24 Hoelter, JW 1983. Analisis Struktur Kovarian:
LISREL, PRELIS dan SIMPLIS: Konsep Dasar, Aplikasi dan Indeks Goodness-of-Fit.Metode dan Penelitian
Pemrograman.Mahwah, NJ: Rekan Lawrence Erlbaum. Sosiologis11: 324–44.
10 Churchill, GA 1979. Sebuah Paradigma untuk 25 Hu, L., dan PM Bentler. 1999. Analisis Struktur
Mengembangkan Ukuran Konstruksi Pemasaran yang Lebih Kovarian: Kriteria Konvensional Versus Alternatif
Baik.Jurnal Riset Pemasaran16 (Februari): 64–73. Baru.Pemodelan Persamaan Struktural6(1): 1–55.
11 Collins, LM, JL Schafer, dan CM Kam. 2001. 26 Berburu, SD 2002.Landasan Teori Pemasaran:
Perbandingan Strategi Inklusif dan Restriktif dalam Menuju Teori Umum Pemasaran.Armonk, NY:
Prosedur Data Hilang Modern.Metode Psikologis6: SAYA Sharpe.
352–70. 27 Jöreskog, KG 1970. Metode Umum Analisis
12 Cudeck, R. 1989. Analisis Matriks Korelasi Struktur Kovarian.Biometrika57: 239–51. Jöreskog,
Menggunakan Model Struktur Kovarian.Buletin 28 KG 1981. Masalah Dasar Penerapan LISREL.Data1:
Psikologis105: 317–27. 1–6.
13 DeVellis, Robert. 1991.Pengembangan Skala: Teori 29 Jöreskog, KG, dan D. Sörbom. 1976.LISREL III: Estimasi
dan Aplikasi.Thousand Oaks, CA: Sage. Sistem Persamaan Struktur Linier dengan Metode
14 Enders, CK, dan DL Bandalos. 2001. Kinerja Relatif Estimasi Kemungkinan Maksimum.Chicago: Sumber Daya
Kemungkinan Maksimum Informasi Lengkap untuk Data Pendidikan Nasional, Inc.
yang Hilang dalam Model Persamaan Struktural.Pemodelan 30 Jöreskog, KG, dan D. Sörbom. (2015).LISREL 9.20 untuk
Persamaan Struktural8(3): 430–59. Enders, CK, dan JL Peugh. Windows.Skokie, IL: Perangkat Lunak Ilmiah International,
15 2004. Menggunakan Matriks Kovariansi EM untuk Inc.
Memperkirakan Model Persamaan Struktural dengan Data 31 Kenny, DA, dan DB McCoach. 2003. Pengaruh Jumlah
yang Hilang: Memilih Ukuran Sampel yang Disesuaikan untuk Variabel terhadap Ukuran Fit dalam Structural
Meningkatkan Akurasi Inferensi.Pemodelan Persamaan Equations Modeling.Pemodelan Persamaan Struktural
Struktural11(1): 1–19. 10(3): 333–51.
16 Fan, X., B. Thompson, dan L. Wang. 1999. Pengaruh Ukuran 32 Kline, RB (1998), Program Perangkat Lunak untuk
Sampel, Metode Estimasi, dan Spesifikasi Model pada Indeks Pemodelan Persamaan Struktural: AMOS, EQS, dan LISREL.”
Kesesuaian Structural Equation Modeling.Pemodelan Jurnal Penilaian Psikoedukasi,16: 302–23. Little, TD, WA
Persamaan Struktural6: 56–83. 33 Cunningham, G. Shahar, dan KF Widaman. 2002. To Parcel or
17 Feinian, C., PJ Curran, KA Bollen, J. Kirby, dan P. Not to Parcel: Menjelajahi Pertanyaan, Menimbang
Paxton (2008), “Evaluasi Empiris Penggunaan Titik Manfaatnya.Pemodelan Persamaan Struktural9: 151–73.
Batas Tetap dalam Statistik Uji RMSEA di
34 MacCallum, RC 2003. Bekerja dengan Model Tidak dalam Pemodelan Persamaan Struktural Dalam Kondisi
Sempurna.Penelitian Perilaku Multivariat38(1): 113–39. Misspesifikasi dan Nonnormalitas.Pemodelan Persamaan
35 MacCallum, RC, KF Widaman, KJ Preach, dan Struktural7: 557–95.
S.Hong. 2001. Ukuran Sampel dalam Analisis Faktor: 45 Pearl, J. 1998. Grafik, Kausalitas dan Model Persamaan
Peran Model Error.Penelitian Perilaku Multivariat36(4): Struktural.Metode & Penelitian Sosiologis27 (November):
611–37. 226–84.
36 Maiti, SS, dan BN Mukherjee. 1991. Dua Indeks 46 Raykov, T., dan GA Marcoulides. 2001. Bisakah Ada
Kesesuaian Baru untuk Matriks Kovarian dengan Banyak Model yang Setara dengan Model Struktur
Struktur Linier.Jurnal Psikologi Matematika dan Kovarian Tertentu?Pemodelan Persamaan Struktural
Statistik Inggris44: 153–80. 8(1); 142–49.
37 Marsh, HW, dan J. Balla. 1994. Goodness-of-Fit dalam 47 Rigdon, EE 1996. CFI versus RMSEA: Perbandingan Dua
CFA: Pengaruh Ukuran Sampel dan Kekikiran Model. Indeks Kesesuaian untuk Pemodelan Persamaan Struktural.
Kualitas kuantitas28 (Mei): 185–217. Pemodelan Persamaan Struktural3(4): 369–79.
38 Marsh, HW, KT Hau, dan Z. Wen. 2004. Mencari Aturan Emas: 48 Rubin, DB 1976. Inferensi dan Data Hilang.
Mengomentari Pendekatan Pengujian Hipotesis untuk Psikometria63: 581–92.
Menetapkan Nilai Batas untuk Indeks Kesesuaian dan Bahaya 49 Savalei, V. (2008), Apakah ML Chi-Square Kuat terhadap
dalam Menggeneralisasikan Temuan Hu dan Bentler (1999) Nonnormalitas? Catatan Perhatian dengan Data yang
secara berlebihan.Pemodelan Persamaan Struktural11(3): Hilang, Pemodelan Persamaan Struktural,15 (1): 1–22.
39 320–41. Marsh, HW, KT Hau, JR Balla, dan D. Grayson. 1988. 50 Sharma, S., SS Mukherjee, A. Kumar, dan WR Dillon. 2005.
Apakah Lebih Banyak Terlalu Banyak? Jumlah Indikator per Studi Simulasi untuk Menyelidiki Penggunaan Nilai Cutoff
Faktor dalam Analisis Faktor Konfirmatori.Penelitian Perilaku untuk Menilai Kesesuaian Model dalam Model Struktur
Multivariat33: 181–222. Kovarian.Jurnal Riset Bisnis58 (Juli): 935–43.
40 Mulaik, SA, LR James, J. Val Alstine, N. Bennett, S.
Lind, dan CD Stilwell. 1989. Evaluasi Indeks 51 Sobel, ME 1998. Kesimpulan Kausal dalam Model Statistik
Goodnessof-Fit untuk Model Persamaan Struktural. Proses Pencapaian Sosial Ekonomi.Metode & Penelitian
Buletin Psikologis105 (Maret): 430–45. Sosiologis27 (November): 318–48. Tanaka, J. 1993. Konsep
41 Muthén, LK, dan BO Muthén. 2017.Panduan Pengguna 52 Kesesuaian Beraneka Ragam dalam Model Persamaan
Mplus.Edisi Kedelapan. Los Angeles, CA: Muthén & Struktural. Dalam KA Bollen dan JS Long (eds.),Menguji Model
Muthén. Persamaan Struktural. Taman Newbury, CA: Sage.
42 Netemeyer, RG, WO Bearden, dan S. Sharma. 2003.
Prosedur Penskalaan: Masalah dan Penerapan.Thousand 53 Tanaka, JS, dan GJ Huba. 1985. Indeks Kesesuaian untuk
Oaks, CA: Sage. Model Struktur Kovarian Berdasarkan Estimasi GLS
43 Olsson, UH, T. Foss, dan E. Breivik. 2004. Dua Fungsi Sewenang-wenang.Jurnal Matematika dan Statistik Inggris42:
Perbedaan Ekuivalen untuk Estimasi Kemungkinan 233–39.
Maksimum: Apakah Statistik Pengujiannya Mengikuti 54 Wang, LL, X. Fan, dan VL Wilson. 1996. Pengaruh Data
Distribusi CM-kuadrat Nonsentral Berdasarkan Kesalahan Nonnormal terhadap Estimasi Parameter Model dengan
Spesifikasi Model?Metode & Penelitian Sosiologis32 (Mei): Variabel Laten dan Manifes: Studi Empiris. Pemodelan
453–510. Persamaan Struktural3(3): 228–47. Wright, S. 1921.
44 Olsson, UH, T.Foss, SV Troye, dan RD Howell. 2000. 55 Korelasi dan Sebab-Akibat.Jurnal Penelitian Pertanian20:
Kinerja Estimasi ML, GLS dan WLS 557–85.

Multivariate Data Analysis - Compress 621 677.en - Id

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

Multivariate Data Analysis - Compress 621 677.en - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Bergerak melampaui dasar-dasarnya

9 Pemodelan persamaan struktural:

13 Struktural Kuadrat Terkecil Parsial

Pemodelan Persamaan (PLS-SeM)

BAB pada Bagian V

- Memahami ciri khas analisis struktural.

- Membedakan antara variabel dan konstruk.

- Jelaskan jenis hubungan yang terlibat dalam SEM.

Indeks kecocokan mutlakUkuran keseluruhankesesuaianuntuk keduanyastrukturalDanmodel pengukuransecara kolektif. Tipe ini

VariasikanKombinasi linier darivariabel yang diukuryang mewakili akonstruksi laten.

Apa itu Pemodelan Persamaan Struktural?

1Estimasi simultan dari hubungan ketergantungan berganda dan saling terkait

PERKIRAAN GANDA HUBUNGAN KETERGANTUNGAN YANG INTER TERKAIT

tanpa memperhatikan teori yang telah ditentukan sebelumnya.

memasukkan VARIABEL LATEN TIDAK DIUKUR SECARA LANGSUNG

agar estimasi statistik hubungan antar konstruk menjadi lebih akurat.

(c) Hubungan Ketergantungan

(d) Hubungan Korelasi Antar

MENGGAMBARKAN HUBUNGAN STRUKTURALModel struktural melibatkan spesifikasihubungan strukturalantara konstruksi laten.

dari hubungan ketergantungan.

LX1 LX4 LX5 LX8

eX1 eX2 eX3 eX4 eX5 eX6 eX7 eX8

(b) Hubungan Ketergantungan

LX1 LX4 LY1 LY4

eX1 eX2 eX3 eX4 eY1 eY2 eY3 eY4

SeM dan teknik Multivariat lainnya

Kemiripan dengan TEKNIK Ketergantungan

Kemiripan dengan teknik saling ketergantungan

Peran teori dalam Pemodelan Persamaan Struktural

Hubungan Sebab-Akibat Diagram Jalur Gambar 9.3

meningkatkan kepuasan kerja pegawai.

variabel tersebut bersifat kausal.

(b) Menguji Penyebab Alternatif

pengawasan maaf . 50 Pekerjaan

peningkatan kepuasan kerja.

MENGEMBANGKAN STRATEGI PEMODELAN

mana yang lebih cocok dibandingkan model lainnya.

Contoh sederhana SeM

- Peningkatan pengawasan mengarah pada kepuasan kerja yang lebih tinggi.

MENYIAPKAN MODEL PERSAMAAN STRUKTURAL UNTUK ANALISIS JALUR

konstruksi eksogen konstruksi endogen

yang ditunjukkan pada Gambar 9.5.

DASAR-DASAR ESTIMASI DAN PENILAIAN SEM

S Kami cW Duduk SRcH

Kovarian Cov (S,CW) Cov (KAMI, CW) Var (CW)

. 200 Bekerja . 219 Pekerjaan . 500 Pekerjaan

Lingkungan Kepuasan Mencari

ŷKepuasan kerja5.0651Pengawasan21 .2191Lingkungan kerja21 .4541Rekan kerja2

Demikian pula, nilai prediksi untuk Pencarian Kerja dapat diperoleh:

ŷPencarian pekerjaan5.501Kepuasan kerja2

ŷPencarian pekerjaan5.503.0651Pengawasan21 .2191Lingkungan kerja21 .4541Rekan kerja2 4

sinilah SEM memasuki gambarannya sepenuhnya.

Lingkungan kerjaSKepuasan kerja5.219

Jalur tidak langsung:

Lingkungan kerjaSPengawasanSKepuasan kerja5.2003.0655.013

Lingkungan kerjaSRekan kerjaSKepuasan kerja5.1503.4545.068

Langsung1Tidak langsung5.2191 .0131 .0685.300

tabel 9.1 diamati, diperkirakan, dan Matriks kovarians sisa

(A) Matriks kovarians yang Var (SP) — — — —

Aturan praktis 9-1

- Spesifikasi model pengukuran

- Hubungan ketergantungan direpresentasikan dengan panah arah berkepala tunggal.