FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

BAB I
PENDAHULUAN

Dalam penelitian ilmu social (social) atau ilmu perilaku (behavioral)

seringkali peneliti melakukan kegiatan penelitian untuk mengukur setiap

karakteristik subjek atau satuan pengamatan yang melibatkan variabel

lebih dari satu. Tidak seperti ilmu eksakta atau teknik, dalam ilmu sosial

atau perilaku untuk aktivitas pengukuran tidak dapat dilakukan secara

langsung, tetapi melalui indikator-indikator yang merupakan refleksi atau

manifest dari konsep atau konstruk yang ingin diukur. Misalnya konsep

kecerdasan , motivasi, prestasi, dan lain sebagainya. Konsep tersebut

merupakan faktor yang tidak dapat diamati secara langsung atau bersifat

laten.

Penelitian mengenai pola hubungan korelasi atau kausalitas

antar variabel sering sekali dilakukan di bidang ekonomi dan sosial.

Misalnya, dilakukan penelitian kualtitatif dalam bidang keternagarkerjaan

untuk melihat hubungan (korelasi) antara lima variabel, yaitu : besarnya

perbedaan pendapat dengan para manajer, besarnya dukungan terhadap

aktifitas buruh, sikap terhadap serikat pekerja, pengalaman kerja di

pabrik tekstil, dan usia. Berdasarkan kerangka pemikiran tujuan analisis

tertentu dibuat diagram jalur sebagai berikut :

#1
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Gambar 1.1

Diagram Jalur Mengenai Sentimen Golongan Pekerja Tekstil

X1 Y3

X2 Y2

Y1

Keterangan :

Y1 = besarnya perbedaan pendapat dengan para

manajer

Y2 = besarnya dukungan terhadap aktifitas buruh

Y3 = sikap terhadap serikat pekerja

X1 = pengalaman di pabrik tekstil

X2 = usia

Secara konseptual peneliti menyatakan secara jelas bagaimana

hubungan/korelasi antar variabel seperti Gambar 1.1. Langkah

selanjutnya dalam analisis jalur adalah menentukan berapa besarnya

pengaruh suatu variabel terhadap variabel lainnya, baik pengaruh

langsung maupun tidak langsung.

#2
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Pada dasarnya analisis jalur digunakan untuk mengetahui apakah

data yang kita analisis mendukung teori yang secara apriori

dihipotesiskan, yang mencakup kaitan struktural antar variabel. Analisis

jalur untuk pertama kali oleh biolog yang bernama Sewall Wrigth (1921)

yang bersifat exploratory dan selanjutnya dikembangkan ke dalam ilmu-

ilmu sosial oleh sosiolog O.D Duncan (1960). Sedangkan analisis jalur

yang bersifat confirmatory memerlukan analisis LISREL (Linear Structural

Relation).

#3
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

BAB II

HUBUNGAN ANTAR VARIABEL

Bab ini akan menjelaskan beberapa tinjauan tentang keterkaitan

antar variabel yang mendukung dalam pembahasan analisis jalur.

Tinjauan yang dibahas diantaranya adalah tentang konsep korelasi data,

dan jenis-jenis ukuran korelasi.

2.1 Konsep Hubungan

Dari suatu pengamatan sering muncul keadaan atau fenomena

yang cenderung maju atau bergerak beriringan dengan kejadian atau

fenomena lainnya. Misalnya pernyataan bahwa semakin makmur suatu

negara maka pendidikan akan semakin baik.

Apabila pernyataan di atas dinyatakan dalam ’bahasa variabel’

maka pernyataan tersebut melibatkan dua variabel yaitu kemakmuran dan

kualitas pendidikan.Nilai dari variabel pertama akan dikaitkan dengan

variabel kedua. Sehingga dapat dikatakan bahwa kedua variabel tersebut

mempunyai hubungan.

Suatu teori dikatakan berhubungan haruslah merupakan

sekumpulan pernyataan yang mengaitkan atau menghubungkan variabel.

Oleh karena itu hubungan antar variabel harus kita formulasikan.

2.2 Jenis-jenis Hubungan

2.2.1 Korelasi dan Kausasi

Kedua bentuk hubungan ini sering disalahartikan oleh sebagian

orang. Suatu bentuk hubungan yang sebenarnya korelasi disebut sebagai

kausasi (kausalitas) dan sebalikanya. Pada dasarnya, suatu fenomena

#4
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

bentuk hubungan disebut bentuk hubungan korelasi bila perubahan dari

nilai-nilai atau skor suatu variabel beriringan searah atau bertolak

belakang dengan perubahan nilai-nilai atau skor variabel lainnya.

Misalnya, banyaknya pemakai kendaraan dengan pemakai

handphone. Bila seseorang mengumpulkan banyak sekali data tentang

variabel tersebut di berbagai daerah maka akan didapat suatu hubungan

yang mengatakan bahwa semakin banyak pemakai kendaraan di suatu

daerah maka akan semakin banyak pemakai handphone. Kedua variabel

ini beriringan searah, tidak mengandung arti bahwa banyaknya pemakai

kendaraan di suatu daerah dipengaruhi oleh banyaknya pemakai

handphone. Bentuk seperti ini disebut korelasi atau hubungan simetris.

Berbeda dengan bentuk hubungan diatas, bila kita perhatikan

hubungan antara banyaknya perokok dengan asap rokok maka kita tahu

dengan benar bahwa asap rokok timbul karena ada yang merokok.

Semakin banyak yang merokok maka akan semakin banyak asap rokok

yang ditimbulkan. Pernyataan ini merupakan pernyataan kausalitas atau

sebab- akibat. Dalam pernyataan kausalitas tersurat bisa juga tersirat

pernyataan ”mengahasilkan (production) atau memaksakan (force)”.

Perubahan dari suatu variabel (penyebab/cause) akan menghasilkan

perubahan dari variabel lain (akibat/the effect). Hubungan seperti ini

tergolong hubungan yang disebut hubungan asimetris atau kausal. Dilain

pihak dalam pernyataan korelasi tidak ada variabel yang menjadi variabel

akibat maupun sebab, dependen atau independen.

#5
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Gambar 2.1

Hubungan Korelatif/Simetris

X Y

Gambar 2.2

Hubungan Kausal/Asimetris

X Y

2.2.2 Spurious

Dalam hubungan kausalitas ataupun korelasi melibatkan dua

variabel, berbeda halnya dengan hubungan spurious. Dalam hubungan

spurious dilibatklan paling sedikit tiga variabel. Dalam hubungan ini

terjadi hubungan korelasi atau kausalitas antar variabel yang disebabkan

oleh kehadiran variabel lainnya.

Misalnya terdapat kaitan antara harga barang elektronik (TV)

dengan banyaknya orang yag berlibur ke luar negeri. Tetapi, tidak berarti

bahwa naiknya harga barang elektronik menyebabkan menurunnya

jumlah orang berlibur negeri demikian pula sebaliknya. Adanya kaitan

#6
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

tersebut disebabkan karena haedirnya faktot krisis ekonomi. Krisis

ekonomi memberikan pengaruh terhadap harga barang dan juga

memberikan pengaruh terhadap banyaknya orang yang berlibur menjadi

tidak ada. Jadi, bila X dan Y menyatakan dua buah variabel yang

berkaitan, maka keterkaitan antara kedua variabel ini disebabkan oleh

adanya variabel lain,katakanlah Z, dimana Z mempengaruhi X dan Y. Bila

dinyatakan dalam gambar, hubungan spurious dapat diperlihatkan

sebagai berikut :

Gambar 2.3

Hubungan Spurious

X Y

2.2.3 Hubungan Langsung dan Tidak Langsung

Pada bagian sebelumnya telah dijelaskan tentang hubungan

kausalitas (asimetris), yang menyatakan pengaruh dari suatu variabel

terhadap variabel lainnya. Hubungan seperti ini adalah hubungan

langsung, artinya sebuah variabel secara langsung menjadi sebab

terjadinya variabel lain. Disisi lain, ada suatu keadaan dimana sebuah

variabel mempengaruhi variabel lainnya melalui perantara variabel lain

yang sering disebut sebagi variabel intervening. Hubungan kausalitas

seperti ini dinamakan hubungan kausalitas tak langsung.

#7
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Sebagai contoh, terdapat teori yang menyatakan dua pernyataan

sebagai berikut :

1. Kualitas perguruan tinggi menentukan prestasi mahasiswa.

2. Prestasi mahasiswa akan menentukan posisi di tempat kerja.

Teori di atas dapat dinyatakan dengan diagram seperti di bawah

ini:

Gambar 2.4

Hubungan Tidak Langsung

Kualitas Posisi di
Perguruan tempat kerja
Tinggi

Prestasi

Dari gambar di atas, secara teori tidak ada hubungan kausalitas

dari kualitas perguruan tinggi dengan posisi tempat kerja. Jadi

dihipotesiskan tidak terdapat akibat langsung dari kedua variabel

tersebut. Menurut teori terdapat hubungan sebab akibat dari variabel ini,

hanya saja hubungan tersebut ditengahi oleh variabel penghubung yaitu

prestasi mahasiswa, dan oleh karena itu disebut hubungan tak langsung.

Dalam situasi tertentu mungkin terdapat suatu variabel bisa

memberikan pengaruh langsung dan juga tidak langsung. Dalam ilustrasi

di atas, perubahan dari kualitas perguruan tinggi ke posisi di tempat

pekerjaan tidak hanya dapat dinyatakan oleh kedua pernyataan (1) dan

(2), tetapi perlu ditambahkan pernyataan yang dilandaskan pada teori ke-

#8
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

tiga yaitu : kualitas perguruan tinggi menentukan posisi di tempat

pekerjaan. Bila digambarkan bentuknya seperti berikut ini :

Gambar 2.5

Hubungan Langsung dan Tidak Langsung

Kualitas Posisi di
Perguruan tempat kerja
Tinggi

Prestasi

2.2.4 Hubungan Bersyarat

Variabel besyarat adalah variabel yang menentukan derajat

hubungan sebab akibat. Suatu akibat dari sebuah variabel bisa hilang

ketika variabel bersyarat dipertimbangkan. Sebagai contoh perhatikan

ilustrasi berikut ini :

(1) Penyimpangan dari suatu norma yang disepakati oleh suatu

kelompok masyarakat tertentu akan mengakibatkan orang

terisolir.

(2) Isolasi akan mengahasilkan pengetahuan tentang norma.

(3) Pengetahuan tentang norma-norma akan mengurangi

penyimpangan terhadap norma-norma asalkan orang ingin

menjadi anggota kelompok.

Pernyataan terakhir ini dapat digambarkan sebagai berikut :

#9
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Gambar 2.6

Keterkaitan Hubungan Langsung dan Tidak Langsusng disertai

dengan Hubungan Bersyarat

Keinginan Penyimpangan
Menjadi Terhadap Norma
Anggota Kelompok

Pengetahuan Norma Isolasi Sosial

Kelompok

2.3 Konsep Dasar Teori Kausalitas

Setelah menjelaskan mengenai jenis-jenis hubungan di bahasan

sebelumnya, alangkah lebih baik bila kita memahami benar apa yang

dinamakan teori kausalitas. Pernyataan yang bersifat kausalitas

mempunyai dua komponen yaitu sebab (cause) dan akibat (effect). Secara

umum, suatu pernyataan dikatakan bersifat kausalitas jika memenuhi

ketigaa persyaratan berikut ini (Kenny,1979 & Greene,1993):

1. Time precedence

Jika variabel X mempengaruhi Y, maka waktu kejadian variabel

X harus lebih dulu dari variabel Y. Dengan demikian suatu

hubungan bersifat kausalitas adalah asimetris.

2. Relationship

#10
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Hubungan yang bersifat kausalitas ditandai dengan adanya

hubungan fungsional antara sebab dan akibat.

3. Nonspuriousness

Jika variabel ketiga mempengaruhi variabel eksogen dan

endogen, maka hubungan kedua variabel tersebut sebenarnya

tidak ada. Tentang sifat spurious telah dibahas di paparan

sebelumnya.

#11
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

BAB III

DIAGRAM JALUR

3.1 Pendahuluan

Misalnya diketahui seperangkat fungsi linear sebagai berikut:

Y1 = a11 X 11 + a12 X 21 + a13 X 31 + ............... + a1k X q1

Y 2 = a 21 X 12 + a 22 X 22 + a 23 X 32 + .............. + a 2 k X q 2
⋮
Y p = a p1 X 1 p + a p 2 X 2 p + a p 3 X 3 p + .............. + a pk X qp

Yang mengisyaratkan hubungan kausal Y1,Y2,.....Yp, atas X1,X2, ........Xq.

Apabila setiap variabel Y secara unik keadaannya dutentukan atau

disebabkan oleh seperangkat variabel X, maka persamaanya itu disebut

persamaan struktural modelnya disebut model struktural dan gambaran

yang memperlihatkan struktur hubungan kausal antara variabel disebut

diagram jalur (path diagram).

Pada saat menggambarkan diagram jalur ada beberapa ketentuan,

diantaranya :

a. Hubungan antar variabel yang menunjukan kausalitas digambarkan

dengan anak panah yang berkepala tunggal ().

b. Hubungan antar variabel yang menunjukan korelasi digambarkan

dengan anak panah yang berkepala ganda

( ).

c. Variabel lain yang tidak diukur dalam persamaan disebut residu

/error dan diberi simbol dengan ε .

#12
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Sebagai contoh seorang manajer ingin mengetahui hubungan

kausal antara tiga variabel, yaitu : kinerja karyawan( Y), pengalaman kerja

(X1), dan tingkat motivasi (X2). Beradasarkan suatu kerangka pemikiran

tertentu, dihipotesiskan secara konseptual sebagai berikut :

1. Pengalaman kerja berpengaruh terhadap kinerja seorang

karyawan.

2. Pengalaman kerja berpengaruh terhadap motivasi kerja.

3. Motivasi kerja berpengaruh terhadap kinerja karyawan.

Ketiga hipotesis konseptual di atas bila digambarkan maka akan

terlihat sebagai berikut :

Gambar 3.1

Hubungan Struktural Antar Variabel

X1
ε2

ε1
X2 Y

Gambaran hubungan antara variabel-variabel seperti pada

gambar diatas dinamakan dengan diagram jalur. X1 dan X2 disebut

dengan variabel penyebab atau variabel eksogenous untuk Y. X2

juga disebut variabel intervening antar X1 dan Y, sedangkan Y

disebut variabel akibat (endogenous). X1 mempengaruhi X2, akan

tetapi yang mempengaruhi X2 bukan hanya X1 tetapi ada faktor

lain diluar model, yang dinamakan ε 1 . Begitupun dengan Y yang

#13
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

tidak hany dipengaruhi oleh X! dan X2, melainkan ada variabel lain

diluar model yaitu ε 2 .

3.2 Cara Membaca Diagram Jalur

Pada saat membaca diagram jalur terdapat ketentuan yaitu tidak

moleh maju kemudian, tetapi seharusnya mundur dulu baru maju. Artinya

yang pertama kali dibaca adalah variabel akibat baru variabel penyebab.

Perhatikan gambar berikut :

Gambar 3.2

Hubungan Struktural Antar X1,X2, dan Y

X1
pyx1
ε2
px2x1

ε1 pyx2
X2

Cara membaca :

1. Variabel Y dipengaruhi langsung oleh variabel X1 dan X2.

2. Variabel Y dipengaruhi secara tidak langsung oleh X1

melalui X2.

3. pyx1  koefisien jalur X1 terhadap Y.

4. pyx2  koefisien jalur X2 terhadap Y.

#14
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

5. px2x1  koefisien jalur X1 terhadap X2.

3.3 Ilustrasi Analisis Regeresi Korelasi dengan Diagram Jalur

Apabila terdapat model regresi linear multipel yang secara

matematik dinyatakan dalam persamaan berikut ini :

Y1 = β 0 + β YX1 X 1 + β YX 2 X 2 + β YX 3 X 3 + ............... + β YX k X k + ε

Bila diketahui persamaan regresi dengan 3 variabel X1,X2,X3, maka

secara struktural, model regresi dapat digambarkan diagram jalur sebagai

berikut:

Gambar 3.3

Model Regresi dalam Analisis Jalur

X1
pyx1
ε

pyx2
X2

Dari diagram jalur seperti pada gambar di atas, dapat diartikan

sebagai berikut :

1. Hubungan antara X1, X2, dan X3 terhadap Y merupakan hubungan

kasual, karena panahnya berkepala satu

2. Hubungan antar X1, X2, dan X3 merupakan hubungan korelasional,

karena panahnya berkepala dua

#15
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

3. Pengaruh sifatnya langsung artinya dari Y ke X1 kembali ke Y

4. Pengaruh sifatnya langsung artinya dari Y ke X2 kembali ke Y

5. Pengaruh sifatnya langsung artinya dari Y ke X3 kembali ke Y

3.4 Identifikasi Substruktur

Sebuah diagram jalur merupakan sebuah struktur yang lengkap

dari hubungan kasual antar variabel. Struktur yang lengkap ini terdiri dari

sub-sub struktur yang mengidentifikasinya melalui bentuk yang

menyerupai struktur regresi. Berdasarkan substruktur inilah peneliti

menghitung koefisien-koefisien jalur dan mengambil kesimpulan secara

keseluruhan nantinya.

Contoh

Seorang peneliti dalam bidang ekonomi mempunyai empat variabel

yang menurut suatu kerangka kerja konseptual adalah sebagai berikut :

umur (X1), lama bekerja (X2), tingkat pendapatan (X3). Menurut kerangka

konseptual terdapat hubungan sebagai berikut :

1. Tingkat pendapatan ditentukan oleh umur

2. Lamanya bekerja menentukan tingkat pendapatan.

3. Tingkat pendapatan ditentukan oleh umur dan lama bekerja.

Kedua hipotesis konseptual di atas tidak berdiri sendiri, tetapi

saling berkaitan, maka hubungan antar variabel dapat dinyatakan pada

Gambar 3.4.

#16
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Gambar 3.4

Hubungan 4 Variabel

X1 X3
px3x1 ε3

px3x2

px2x1 px4x3

px4x2
ε1
X2 X4

ε2

Dari struktur hubungan seperti pada gambar di atas, maka untuk

menentukan koefisien-koefisien jalur, harus diidentifikasikan ke dalam

sub-sub struktur yaitu :

Substruktur 1

ε
Px2x1
X1 X2

Substruktur ini memperlihatkan hanya sebuah variabel penyebab dan

hanya ada sebuah variabel akibat. Dipandang dari sudut regresi, struktur

ini tidak lain dari struktur linier sederhana. Dalam keadaan seperti ini

maka koefisien jalur tidak lain dari koefisien korelasi.

#17
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Substruktur 2

X1 X3
px3x1 ε3

px3x2

px2x1

ε1
X2

Samahalnya dengan Substruktur 1, Subtruktur 2 ini memperlihatkan

hanya sebuah variabel penyebab, satu buah variabel antara, dan hanya

sebuah variabel akibat.

Substruktur 3

Subtruktur 3 ini memperlihatkan keseluruhan hubungan sebab akibat

antara X1,X2,X3, dan X4 (lihat Gambar 3.4).

#18
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

BAB IV

KOEFISIEN JALUR DAN PENGUJIANNYA

4.1 Koefisien Jalur

Besranya pengaruh dari suatu variabel penyebab ke variabel akibat

disebut dengan koefisien jalur dan diberi simbol dengan pxixj.

Perhatikan gambar berikut ini.

Gambar 4.1

Hubungan kausal Antara Variabel X1,X2,dan X3

X1
ε2

ε1
X2 X3

Pada gambar di atas anak panah yang digunakan menunjukkan

satu arah dari variabel penyebab ke variabel akibat. Hal ini

mengisyaratkan bahwa hubungan antara X1 dengan X3, X2 dengan X3 dan

X1 dengan X2 merupakan hubungan sebab akibat.

Besarnya pengaruh dari X1 terhadap X3 dinyatakan oleh besarnya

nilai numerik koefisien jalur yaitu px3x1, pengaruh dari X2 terhadap X3

dinyatakan dengan px2x1. pengaruh variabel-variabel lain diluar variabel

X1dan X2 terhadap X3 adalah px3 ε .

Koefisien jalur adalah koefisien yang tidak punyai satuan, oleh

karena itu secara relatif sekaligus mengambil kesimpulan bahwa makin

#19
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

besar koefisien jalur mak secara relatif makin besar pengaruh yang

diberikan variabel itu.

4.2 Menghitung Koefisien Jalur

Untuk menentukan berapa besarnya pengaruh dari suatu variabel

terhadap variabel lainnya diperlukan persyaratan :

1. Hubungan antara variabel harus mempunyai hubungan linear dan

aditif.

2. Semua variabel residu tidak mempunyai korelasi satu sama lain

3. Pola hubungan antara variabel adalah rekursif

4. Skala pengukuran baik pada ariabel penyebab maupun pada variabel

akibat sekurang-kurangnya interval.

Apabila persyaratan ini dipenuhi, maka koefisien jalur bisa

dihitung dengan langkah-langkah sebagai berikut :

1. Gambarkan diagram jalur untuk hubungan antara variabel secara

lengkap. Dagram jalur ini harus mencerminkan hiporesis

konseptual yang diajukan sehingga tampak dengan jelas yang

mana sebagai variabel penyebab dan yang mana sebagai variabel

akibat.

2. Hitung besarnya pengaruh (parameter struktural) antara suatu

variabel penyebab dengan variabel akibat. Perhitungan ini

didasarkan pada substruktur hubungan antara k buah variabel

penyebab dengan sebuah variabel akibat.

#20
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Untuk menghitung besarnya koefisien jalur tersebut dapat

didasarkan kepada teori yang dinamakan The First Law (Kenny,1979),

yaitu :

k
ρ yz = ∑ p yx ρ x z
i 1
i =1

Perjanjian penulisan simbol yaitu indeks pertama pada koefisien

jalur merupakan variabel yang dipengaruhi, sedangkan indeks yang

kedua merupakan variabel yang mempengaruhi. Pyxi merupakan

koefisien jalur dari variabel xi terhadap y.

ρ x1z merupakan korelasi antara

variabel xi dengan variabel z. Untuk mendapatkan korelasi antara variabel

z dengan variabel endogen y sama dengan jumlah perkalian setiap

parameter (koefisien jalur) untuk setiap variabel yang mempengaruhi y

dengan korelasi setiap variabel tersebut dengan variabel prediktor z.

Perhatikan contoh berikut :

Gambar 4.2

Contoh Diagram Jalur

Korelasi X1 dan X3 dapat dijabarkan sebagai :

#21
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

ρ31=p31ρ11+p32ρ21+p3uρu1

Karena korelasi ρ11=1 dan ρu1=0, maka persamaan diatas dapat

dinyatakan sebagai:

ρ31=p31+p32ρ21

denga cara yang sama diperoleh :

ρ32=p32+p31ρ12

ρ41=p41+p42ρ21+p43ρ31

ρ42=p42+p41ρ12+p43ρ32

ρ43=p43+p42ρ23+p41ρ13

Dalam diagram, koefisien a,b,c,d dan e merupakan p31, p32, p41,p42, dan

p43. Dari contoh diagram jalur, persamaan regresi yang diperoleh adalah :

X3=ax1+bx2+fu

x4=dx2+cx1+ex3+gv

Koefisien parsial regresi diatas merupakan koefisien regresi

unstandardized yang dapat diperoleh dengan mengolah masing-masing

persamaan regresinya.

Contoh numerik

Diketahui bahwa diagram jalur dibawah ini memiliki matriks korelasi

sebagai berikut:

#22
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

X1

e2

X3 Y

X2 e1

Y X1 X2 X3

1 0.507 0.480 0.275

 1 0.224 0.062
R̂ = 
 1 0.577 
 
 1 

Persamaan sub-struktur dari diagram di atas adalah :

1. X3 =p31X1+p32X2+e1

2. Y = py1X1+py2X2+py3X3+e2

Dengan menggunakan The First Law, maka :

r31=p31+p32r21=0.062 (1)

r32=p32+p31r12=0.577 (2)

ry1=py1+py2r21+py3p31+py3p32r21=0.507 (3)

ry2=py2+py1r12+py3p31r12=0.480 (4)

ry3=py3+py1p31+py2p32+py1r12p32+py2p21p31=0.275 (5)

r12=p12=0.224 (6)

Dengan substitusi persamaan (6) terlebih dahulu ke persamaan (2) dan

(1), dan diteruskan ke persamaan lainnya, maka akan diperoleh hasil

perhitungan koefisien jalur sebagai berikut :

P12=0.224

#23
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

P31=-0.071

P32=0.593

Py1=0.423

Py2=0.362

Py3=0.04

Dengan menghitung koefisien determinasi masing-masing regresi (cara

menghitung koefisien determinasi buka lagi bab regresi dan korelasi),

diperoleh nilai 0.34 dan 0.40. Dari nilai ini kita dapat menghitung residu

(e) untuk masing-masing regresi.

p 3e = 1 − 0.34 = 0.81

p ye = 1 − 0..4 = 0.77

Bila semua koefisien jalur yang telah dihitung kita masukan ke dalam

diagram, maka :

X1
0.432 0.77

-0.071 e2

0.224 X3 0.040 Y

0.593

0.362
X2 e1 0.81

4.3 Pengujian dalam Analisis Jalur

4.3.1 Uji Signifikansi Koefesien Jalur

Data yang digunakan untuk menguji hipotesis konseptual yang

dikemukakan dalam suatu penelitian merupakan data yang berasal dari

#24
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

sebuah sampel tertentu. Sebelum mengambil kesimpulan mengenai

hubungan kausal yang telah digambarkan dalam diagram jalur, terlebih

dahulu harus diuji keberartian untuk setiap koefisien jalur yang telah

dihitung. Uji signifikansi untuk koefisien jalur sama dengan uji

signifikansi koefisien regresi klasik dengan menggunakan t-test

(Scumacker dan Lomax,1996).

Hipotesis:

H0 : pyx=0, (koefisien jalur x terhadap y tidak berarti secara nyata)

H1 :pyx≠0, (koefisien jalur x terhadap y berarti secara nyata)

α = 5% (standar penetapan taraf signifikan)

Statistik uji :

p yx
t=
1 − p 2 yx
n−2

Kriteria Uji:

Ho terima

Ho tolak Ho tolak
-t1/2α t1/2α

Tolak H0 bila, nilai t-stat lebih besar dari t1/2 α atau lebih kecil dari

-t1/2 α (berada pada daerah arsiran). Sebaliknya H0 tidak ditolak bila nilai

t-stat ada diantara -t1/2 α dan t1/2 α (berada pada daerah tanpa arsiran).

Lakukan pengujian ini untuk semua koefisien jalur yang ada pada

diagram.

#25
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

4.3.2 Uji Kecocokan Model (Goodness of Fit Test)

Tujuan model persamaan structural seperti analisis jalur adalah

untuk menguji apakah model yang diusulkan dalam diagram jalur (model

teoritis) sesuai, cocok, pas (fit) atau tidak dengan data. Evaluasi terhadap

kinerja model tersebut dilakukan secara menyeluruh (overall test).

Ukuran-ukuran kesesuaian dalam model persamaan structural bisa

dilakukan secara inferensial atau deskriptif. Statistik Chi-Square dapat

digunakan untuk menguji kesesuaian model secara inferensial,

sedangkan ukuran kesesuaian model secara deskriptif dinyatakan dalam

dalam suatu indeks, misalnya yang sering digunakan adalah Goodness of

Fit Indices (GFI), dan Adjusted Goodness of Fit Indices (AGFI).

Secara garis besar, ukuran kesesuain model terdiri atas dua yaitu

yang bersifat absolut dan komparatif. Ukuran model yang absolute yaitu

untuk mngukur kemampuan model untuk menghasilkan lagi matriks

kovarians atau korelasi. Sedangkan yang bersifat komparatif yaitu untuk

membandingkan dua atau lebih model (competing models) untuk

menghasilkan nilai kesesuaian yang lebih baik. Ukuran kesesuaian

parsimonious-comparatif didasarkan pada anggapan bahwa tidak ada

model terbaik, melainkan model yang lebih baik.

Suatu persamaan struktural dikatakan sesuai atau fit, memili

pengertian :

a. Cocok secara absolut dengan data

b. Lebih baik relative terhadap model-model lain (misalnya

membandingkan model yang diusulkan dengan hipotesis awal)

c. Lebih sederhana relatif terhadap model-model alternatif.

#26
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

4.3.2.1 Pengujian Secara Inferensial

Hipotesis:

H0 : R=R(θ), ( Matriks korelasi teoritis sama dengan

matriks korelasi empiris)
Model dikatakan Fit

H1 : R≠R(θ), ( Matriks korelasi teoritis berbeda dengan

matriks korelasi empiris)
Model tidak Fit

Statistik uji (Pedzahur 1992):

W=-(n-d)ln(Q)

Dimana :

n = ukuran sampel

d = banyaknya koefisien jalur yang tidak signifikan

1 − R2m
Q=
1− M

M=R2m=1-(1-R12)(1-R22)…(1-Rp2)

R2m = koefisien determinan multipel untuk model yang diusulkan

M = koefisien determinasi multipel untukmodel setelah terdapat

koefisien jalur yang tidak signifikan.

Kriteria Uji:

Statistik W medekati distribusi Chi-Square dengan derajat bebas (df)

sebesar d.

f (χ 2 )

Ho terima

χ 21−α

#27
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Jika nilai W sangat kecil atau mendekati nol, maka hipotesis nol diterima

artinya bahwa model yang diusulkan cocok (fit).

Contoh numerik :

Dengan mengacu pada matiks korelasi contoh soal sebelumnya dengan

nilai taksiran koefisien jalur seperti dibawah ini:

Y X1 X2 X3

1 0.423 0.362 0.040 

 1 0.224 − 0.070
p̂ = 
 1 0.593 
 
 1 

Dari hasil pengujian terdapat dua koefisien jalur yang tidak signifikan

(probability<0.05), yaitu jalur X1 ke X3 dan jalur X3 ke Y. Misalnya

diasumsikan peneliti menyesuaikan kembali kepada teori sebelumnya,

yang logis untuk dikeluarkan dari persamaan adalah koefisien X1 ke X3.

Oleh karena itu koefisien jalur X1 ke X3 dianggap nol, sehingga

persamaan regresi sekarang menjadi :

1. X3 = p32X2+e1

2. Y = py1X1+py2X2+py3X3+e2

Bila diketahui :

n = 100

d =1

dengan koefisien determinasi multipel dari kedua persamaan regresi yang

lama maisng-masing 0.34 dan 0.40. Sehingga R2m=1-(1-0.34)(1-

0.44)=0.604. Sedangkan koefisien determinasi multipel dari kedua

persamaan regresi yang baru (setelah ada koefisien jalur yang tidak

signifikan dikeluarkan) masing-masing 0.33 dan 0.4. Sehingga M=(1-

#28
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

1 − 0.604
0.33)(1-0.40)=0.598 dan Q = = 0.98 . Dengan demikian statistik
1 − 0.598

W= -(100-1)ln(0.98)=2.00. Dari tabel Chi-Square dengan df=1 dan

α = 5% , didapat χ 2 = 3.84 . Karena W=2 < χ 2 = 3.84 maka HO diterima

sehingga dapat disimpulkan model dalam diagram jalur yang ditetapkan

sebelumnya fit dengan data secara empiris.

4.3.2.2 Pengujian Mengunakan Angka Indeks

Evaluasi persamaan struktural tidak hanya melalui statistik

inferensial, juga bisa dievaluasi secara deskriptif yang dikenal dengan

indeks kecocokan Goodness of Fit Indeces (GFI) dan Adjusted Goodness of

Fit Indeces (AGFI). Nilai ukuran ini biasa keluar dalam output software

khusus analisis persamaan struktural seperti LISREL (Linear Structur

Relationship). Secara filosofis rumusan GFI dan AGFI tidak akan dibahas

dalam modul ini.

Kisaran nilai kecocokan GFI dan AGFI antara nol sampai dengan

satu. Nilai indeks tersebut sama dengan nol, maka model dikatakan tidak

terima. Nilai indeks tersebut sam dengan satu, maka model dikatakan

diterima. Untuk keperluan praktis suatu model disimpulkan diterima, jika

nilai indeks lebih dari atau sama dengan 0.9 dan suatu model

disimpulkan diterima jika nilai RMR kurang dari atau sama dengan 0.05

(Raykov&Marcoulides,2000).

Ukuran kesesuaian lain yang bersifat deskriptif adalah normed chi-

square. Ukuran tersebut didasarkan pada taksiran rasio antara nilai

statistik chi-square dengan derajat bebas (df) yaitu χ 2 / df . Hair et.al

#29
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

(1992) merekomendasikan ukuran ini batas bawahnya 1.0 dan batas

atanya 2.0/3.0 atau 5.0 bahwa model dapat dikatakan fit dengan data.

4.3.2.3 Ukuran Kesesuaian Model Komparatif

Sudah dijelaskan sebelumnya bahwa masalah kesesuaian

comparative berkaitan dengan apakah model yang diusulkan lebih baik

daripada beberapa model alternatif (competing models). Misalnya, banyak

indeks kesesuaian comparative didasarkan kepada model baseline,

selanjutnya dibandingkan dengan model-model lain yang diusulkan

(proposed). Model yang dianggap sebagai baseline adalah null atau

independence. Model null umumnya adalah suatu model yang

mengatakan tidak ada hubungan antara variabel yang menyusun suatu

model.

Bentler dan Bonnet (1980) menyarankan suatu ukuran yang disebut

dengan normed fit indeks (NFI). Nilai ukuran NFI ini menunjukan

persentase kenaikan kesesuaian terhadap model baseline. Misalnya

NFI=0.9 memiliki arti bahwa model adalah 90% lebih baik dari model

baseline. Meskipun ukuran ini banyak dipakai dalam penelitian, tetapi

cenderung nilainya underestimate untuk ukuran sampel kecil.

Koreksi terhadap ukuran NNFI apa yang disebut nonnormed fit

indices (NNFI). Nilai NNFI secara teoritis bisa di luar kisaran antar nol

sampai satu. Nilai NNFI 0.90 menunjukan model dikatakan fit. Sedangkan

Bollen (1989) mengusulkan incremental index fix (IIF) yang kisaran

nilainya berada antar nol sampai satu. Semakin tinggi nilai IIF semakin fit

model tersebut dengan data.

#30
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Bentler (1990) mengajukan suatu indeks yang disebut comparative

fit index (CFI) yang didasarkan pada distribusi Chi-Square. Kisaran nilai

CFI antara nol dan satu, nilai CFI>0.90 menunjukan model fit dengan

data. Marsh dan kolehanya (1988) mengusulkan relative fit index (RFI)

yang juga kisaran nilainya antara nol sampai satu. Ukuran lainya adalah

Akaike Information Criterion (AIC) dan Consistent Information Criterion

(CIC). Kedua indeks tersebut bila semakin kecil maka model dikatkan

semakin fit.

#31
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

BAB V

APLIKASI SOFTWARE

Misalnya, dilakukan penelitian kualtitatif dalam bidang

keternagarkerjaan untuk melihat hubungan (korelasi) antara lima

variabel, yaitu : besarnya perbedaan pendapat dengan para manajer,

besarnya dukungan terhadap aktifitas buruh, sikap terhadap serikat

pekerja, pengalaman kerja di pabrik tekstil, dan usia. Berdasarkan

kerangka pemikiran tujuan analisis tertentu dibuat diagram jalur sebagai

berikut :

Gambar 1.1

Diagram Jalur Mengenai Sentimen Golongan Pekerja Tekstil

X1 Y3

X2 Y2

Y1

Keterangan :

Y1 = besarnya perbedaan pendapat dengan para

manajer

Y2 = besarnya dukungan terhadap aktifitas buruh

#32
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Y3 = sikap terhadap serikat pekerja

X1 = pengalaman di pabrik tekstil

X2 = usia

Data dari hasil pengamatan untuk setiap variabel yang dilakukan

terhadap sampel sebanyak 173 buruh, diperoleh matriks kovarians

sebagai berikut:

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 14.61
Y2 -5.25 11.02
Y3 -8.06 11.09 31.97
X1 -0.48 0.68 1.56 1.02
X2 -18.86 17.86 28.25 7.14 215.66

Catatan:

Dalam mengerjakan analisis jalur, peneliti bisa menggunakan matriks

kovarians, matriks korelasi, atau data mentahnya sebagai input pada

program LISREL. Pemilihan mana yag akan dijadikan input tergantung

dari kepentingan penelitian. Bila dipilih matriks kovarians, peneliti ingin

mengetahui variasi dari semua variabel yang dianalisis. Sedangkan jika

memilih matriks korelasi, peneliti bertujuan untuk mengeragamkan data

termasuk satuan pengukuran dari variabel yang dianalisis. Sedangkan

jika dipilih data mentah maka peneliti hanya berdasarkan aspek

kemudahan saja, tidak mengolah dulu menjadi matriks kovarians atau

korelasi.

#33
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Perintah :

1. Cari koefisien jalur dari model tersebut.

2. Lakukan uji sigbifikansi koefisien jalur ( uji-t).

3. Lakukan uji kecocokan model (goodness of fit).

4. Cari besarnya pengaruh langsung dan tidak langsung.

Prosedur LISREL

1.Pilih New pada menu file, selanjutnya pilih Path Diagram dan akhirnya

klik OK.

2. LISREL akan secara otomatis berpindah ke kotak dialog Save as.

Kemudian pada kotak isian File name, isikan nama file yang

#34
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

diinginkan (*.pth). Untuk latihan, gunakan nama file KASUS1.PTH,

selanjutnya klik OK.

3. Pada menu Setup, pilih Variables untuk mendapatkan kotak dialog

Labels.

4. Secara default LISREL akan menggunakan 2 variabel observasi dengan

nama VAR1 dan VAR2. Karena kita akan menggunakan 5 variabel

observasi yaitu Y1,Y2,Y3,X1, dan X2, maka terlebih dahulu gantilah

kedua variabel tersebut dengan YI dan Y2. Caranya adalah dengan

memilih variabel tersebut kemudian ketik nama variabel baru.Untuk

latihan gantilah VAR1 dengan Y1 dan VAR2 dengan Y2.

#35
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

5.Kemudian kita harus menambah lagi 3 variabel yiatu Y3,X1, dan X2. Klik

Add/Read Variables untuk mendapatkan kotak dialog Add/Read

Variables. Klik pilihan Add list of variables dan ketik variabel X1-X3

untuk mendapatkan 3 variabel sekaligus. Kemudian ganti X1 dengan

Y3, X2 dengan X1, dan X3 dengan X2.

6. Akhirnya kita akan mendapatkan kotak dialog seperti berikut ini.

#36
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

7. Klik pilihan Next, untuk berpindah ke kotak dialog Data. Pada tombol

daftar pilihan File type, pilih External ASCII Data, dan pilih New jika

data belum dimasukan dan pilih Browse jika data sudah ada. Karena

data tersebut belum ada maka klik New untuk mendapatkan kotak

dialog Save As, simpan data tersebut (misalnya KASUS1.COV).

Kemudian masukan data matriks kovarians pada tabel yang tersedia

berikut ini.

Klik tombol Close untuk menutup data dan klik OK untuk konfirmasi

menyimpan file.

#37
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

8. Kembali pada dialog Data, isi Number of Observations dengan

ukuran sampel, untuk kasus ini banyaknya sampel sebesar 173 dan

pilih Covariance pada Matrix to be analyzed dan selanjutnya klik OK.

9. Klik pilihna Y pada variabel Y1, Y2, dan Y3 sehingga ketiga variabel

tersebut ditandai dengan .

10. Kemudian drag seluruh variabel observasi secara satu persatu ke

dalam lembar kerja path diagram. Klik tombol atau klik menu

Draw dan pilih One-way path. Dilanjutkan dengan menghubungkan

antar variabel observasi tersebut sesuai dengan path diagram yang

#38
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

diingikan. Untuk mebuat korelasi kekeliruan antar variabel, yang

dalam hal inin membuat kekeliruan antar variabel, yang dalam hal ini

adalah korelasi kekeliruan dari X1 dan X2, maka klik tombol atau

klik menu Draw dan pilih Error Covariance or Factor Correlation.

Dilanjutkan dengan menghubungkan kekeliruan dari kedua variabel

tersebut.

11. Klik menu Output untuk memilih keluaran yang diinginkan, LISREL

output atau SIMPLIS output, kemudian Selections... maka LISREL

akan menampilkan kotak dialog Selections. Pilih Residual,..., Total

Effect..., Standardized..., Completely,... seperti gambar berikut

kemudian klik OK. Kotak dialog ini memberikan pilihan kepada kita

untuk memilih output apa saja yang kita diinginkan.

#39
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

12. Pada menu Setup, pilih Build LISREL Syntax (F4) dan akan tampak

program LISREL seperti berikut .

Atau jika kita ingin melihat syntax SIMPLOS, maka kita pilih SIMPLIS,

maka pilih Build SIMPLIS Syntax (F8) dan akan tampak program SIMPLIS

seperti berikut.

#40
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

13. Setelah memilih salah satu syntax, yaitu LISREL atau SIMPLIS,

selanjutnya kita eksekusi syntax tersebut dengan meng-klik tombol

#41
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

OUTPUT PROGRAM LISREL

DATE: 12/28/2006
TIME: 21:10

L I S R E L 8.30

BY

Karl G. Jöreskog & Dag Sörbom

This program is published exclusively by

Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Chicago, IL 60646-1704, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-99
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com

The following lines were read from file

D:\POENYA~1\MATERI~1\PATHAN~1\TRY.LPJ:

TI
DA NI=5 NO=173 NG=1 MA=CM
LA
Y1 Y2 Y3 X1 X2
CM FI=D:\POENYA~1\MATERI~1\PATHAN~1\KASUS1.COV SY
SE
12345/
MO NX=2 NY=3 BE=FU,FI GA=FU,FI PH=SY,FR PS=DI,FR
FR BE(2,1) BE(3,1) BE(3,2) GA(1,2) GA(2,2) GA(3,1)
PD
OU ME=ML PC RS EF FS SS SC IT=250

TI

Number of Input Variables 5

Number of Y - Variables 3
Number of X - Variables 2
Number of ETA - Variables 3
Number of KSI - Variables 2
Number of Observations 173

#42
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

TI

Covariance Matrix to be Analyzed

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 14.61
Y2 -5.25 11.02
Y3 -8.06 11.09 31.97
X1 -0.48 0.68 1.56 1.02
X2 -18.86 17.86 28.25 7.14 215.66

TI

Parameter Specifications
Parameter specification menunjukan jumlah
BETA parameter yang dihasilkan dari analsis jalur.
Beta= parameter yang menghubungkan kontruk
Y1 Y2 Y3 endogen.
-------- Gamma=parameter yang menghubungkan
-------- --------
Y1 0 0 0 kontruk endogen dan eksogen.
Phi=korelasi antara konstruk eksogen.
Y2 1 0 0
Psi=korelasi konstruk endogen.
Y3 2 3 0 Dari output disamping terlihat bahwa jumlah
parameter dari analsis jalur ini sebanyak 12
GAMMA .parameter

X1 X2
-------- --------
Y1 0 4
Y2 0 5
Y3 6 0

PHI

X1 X2
-------- --------
X1 7
X2 8 9

PSI
Note: This matrix is diagonal.

Y1 Y2 Y3
-------- -------- --------
10 11 12

TI

Number of Iterations = 8

#43
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

LISREL Estimates (Maximum Likelihood)

BETA

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --

Y2 -0.28 -- --
(0.06)
-4.58

Y3 -0.22 0.85 --
(0.10) (0.11)
-2.23 7.53

GAMMA

X1 X2
-------- --------
Y1 -- -0.09
(0.02)
-4.65

Y2 -- 0.06
(0.02)
3.59

Y3 0.86 --
(0.34)
2.52

Covariance Matrix of Y and X

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 14.61
Y2 -5.25 11.02
Y3 -8.18 11.01 31.90
X1 -0.62 0.59 1.52 1.02
X2 -18.86 17.86 25.43 7.14 215.66

PHI

X1 X2
-------- --------
X1 1.02
(0.11)
9.22

#44
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

X2 7.14 215.66
(1.26) (23.39)
5.65 9.22

PSI
Note: This matrix is diagonal.

Y1 Y2 Y3
-------- -------- --------
12.96 8.49 19.45
(1.41) (0.92) (2.11)
9.22 9.22 9.22

Squared Multiple Correlations for Structural Equations

Y1 Y2 Y3
-------- -------- --------
0.11 0.23 0.39

Goodness of Fit Statistics

Degrees of Freedom = 3
Minimum Fit Function Chi-Square = 1.25 (P = 0.74)
Normal Theory Weighted Least Squares Chi-Square = 1.25 (P = 0.74)
Estimated Non-centrality Parameter (NCP) = 0.0
90 Percent Confidence Interval for NCP = (0.0 ; 4.20)

Minimum Fit Function Value = 0.0073

Population Discrepancy Function Value (F0) = 0.0
90 Percent Confidence Interval for F0 = (0.0 ; 0.025)
Root Mean Square Error of Approximation (RMSEA) = 0.0
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.091)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.84

Expected Cross-Validation Index (ECVI) = 0.16

90 Percent Confidence Interval for ECVI = (0.16 ; 0.18)
ECVI for Saturated Model = 0.18
ECVI for Independence Model = 1.22

Chi-Square for Independence Model with 10 Degrees of Freedom =

197.42
Independence AIC = 207.42
Model AIC = 25.25
Saturated AIC = 30.00
Independence CAIC = 228.19
Model CAIC = 75.09
Saturated CAIC = 92.30

#45
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Root Mean Square Residual (RMR) = 0.73

Standardized RMR = 0.015
Goodness of Fit Index (GFI) = 1.00
Adjusted Goodness of Fit Index (AGFI) = 0.99
Parsimony Goodness of Fit Index (PGFI) = 0.20

Normed Fit Index (NFI) = 0.99

Non-Normed Fit Index (NNFI) = 1.03
Parsimony Normed Fit Index (PNFI) = 0.30
Comparative Fit Index (CFI) = 1.00
Incremental Fit Index (IFI) = 1.01
Relative Fit Index (RFI) = 0.98

Critical N (CN) = 1560.66

TI

Fitted Covariance Matrix

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 14.61
Y2 -5.25 11.02
Y3 -8.18 11.01 31.90
X1 -0.62 0.59 1.52 1.02
X2 -18.86 17.86 25.43 7.14 215.66

Fitted Residuals

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 --
Y2 0.00 0.00
Y3 0.12 0.07 0.07
X1 0.14 0.09 0.04 --
X2 -- 0.00 2.82 -- --

Summary Statistics for Fitted Residuals

Smallest Fitted Residual = 0.00

Median Fitted Residual = 0.00
Largest Fitted Residual = 2.82

Stemleaf Plot

- 0|000000000
0|11111
1|
2|8

Standardized Residuals

#46
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 --
Y2 -- --
Y3 0.58 0.41 0.21
X1 0.58 0.41 0.21 --
X2 -- -- 0.70 -- --

Summary Statistics for Standardized Residuals

Smallest Standardized Residual = 0.00

Median Standardized Residual = 0.00
Largest Standardized Residual = 0.70

Stemleaf Plot

0|00000000
2|11
4|1188
6|0
Qplot of Standardized
TI Residuals yang linear
memperlihatkan bahwa
Qplot of Standardized Residuals asumsi-asumsi pada
model ini terpenuhi .
3.5..........................................................................
. ..
. ..
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
N . x . .
o . . .
r . . .
m . x. .
a . . .
l . .x .
. . .
Q . . x .
u . . .
a . . .
n . . x .
t . . .

#47
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

i . . x .
l . . .
e . . .
s . . x .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
.. .
-3.5..........................................................................
-3.5 3.5
Standardized Residuals

TI

Standardized Solution

BETA

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --
Y2 -0.33 -- --
Y3 -0.15 0.50 --

GAMMA

X1 X2
-------- --------
Y1 -- -0.34
Y2 -- 0.26
Y3 0.15 --

Correlation Matrix of Y and X

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 1.00
Y2 -0.41 1.00
Y3 -0.38 0.59 1.00
X1 -0.16 0.18 0.27 1.00
X2 -0.34 0.37 0.31 0.48 1.00

PSI

#48
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Note: This matrix is diagonal.

Y1 Y2 Y3
-------- -------- --------
0.89 0.77 0.61

Regression Matrix Y on X (Standardized)

X1 X2
-------- --------
Y1 -- -0.34
Y2 -- 0.37
Y3 0.15 0.23

TI

Total and Indirect Effects

Total Effects of X on Y

X1 X2
-------- --------
Y1 -- -0.09
(0.02)
-4.65

Y2 -- 0.08
(0.02)
5.13

Y3 0.86 0.09
(0.34) (0.02)
2.52 4.86

Indirect Effects of X on Y

X1 X2
-------- --------
Y1 -- --

Y2 -- 0.02
(0.01)
3.26

Y3 -- 0.09
(0.02)
4.86

Total Effects of Y on Y

#49
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --

Y2 -0.28 -- --
(0.06)
-4.58

Y3 -0.46 0.85 --
(0.10) (0.11)
-4.41 7.53

Largest Eigenvalue of B*B' (Stability Index) is 0.775

Indirect Effects of Y on Y

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --

Y2 -- -- --

Y3 -0.24 -- --
(0.06)
-3.92

TI

Standardized Total and Indirect Effects

Standardized Total Effects of X on Y

X1 X2
-------- --------
Y1 -- -0.34
Y2 -- 0.37
Y3 0.15 0.23

Standardized Indirect Effects of X on Y

X1 X2
-------- --------
Y1 -- --
Y2 -- 0.11
Y3 -- 0.23

Standardized Total Effects of Y on Y

Y1 Y2 Y3
-------- -------- --------

#50
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Y1 -- -- --
Y2 -0.33 -- --
Y3 -0.31 0.50 --

Standardized Indirect Effects of Y on Y

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --
Y2 -- -- --
Y3 -0.16 -- --

The Problem used 7040 Bytes (= 0.0% of Available Workspace)

Time used: 0.016 Seconds

#51
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Jawaban :

1. Koefisien jalur

Untuk bisa mendapatkan besaran koefisien jalur, kita pilih output

LISREL Estimates(Maximum Likelihood) seperti dibawah ini :

LISREL Estimates (Maximum Likelihood)

BETA

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --

Y2 -0.28 -- --
(0.06)
-4.58

Y3 -0.22 0.85 --
(0.10) (0.11)
-2.23 7.53

GAMMA

X1 X2
-------- --------
Y1 -- -0.09
(0.02)
-4.65

Y2 -- 0.06
(0.02)
3.59

Y3 0.86 --
(0.34)
2.52

PSI
Note: This matrix is diagonal.

Y1 Y2 Y3
-------- -------- --------
12.96 8.49 19.45
(1.41) (0.92) (2.11)
9.22 9.22 9.22
Squared Multiple Correlations for Structural Equations

#52
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Y1 Y2 Y3
-------- -------- --------
0.11 0.23 0.39

Dari output diatas kita dapatkan persamaan regresi :

Y1 = -0.087*X2, Errorvar=12,96,R2=0.11

Y2 = -0.28*Y1 + 0.058*X2, Errorvar=8.49, R2=0.23

Y3 = -0.22*Y1 + 0.85*Y2 +0.86*X1, Errorvar=19,45,R2=0.39

Bila LISREL diminta menggambarkan kembali diagram jalur beserta

koefisien jalur yang telah diperoleh maka akan terlihat seperti

berikut:

Koefisien jalur Unstandardized:

X1 terhadap Y3 = 0.86

X1 dan X2=korelasi=7.14

X2 terhadap Y1= -0.09

#53
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

X2 terhadap Y2= 0.06

Y1 terhadap Y2= -0.28

Y1 terhadap Y3= -0.22

Y2 terhadap Y3= 0.85

Catatan :

Koefisien jalur diatas merupakan koefisien jalur Unstandardized , yaitu

hasil yang belum mengeragambakan satuan pengukuran dan variasi data.

Supaya hasil yang diperoleh lebih bagus, kita lihat hasil estimasi yang

Standardize seperti berikut :

Standardized Solution

BETA

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --
Y2 -0.33 -- --
Y3 -0.15 0.50 --

GAMMA

X1 X2
-------- --------
Y1 -- -0.34
Y2 -- 0.26
Y3 0.15 --

Correlation Matrix of Y and X

Y1 Y2 Y3 X1 X2
-------- -------- -------- -------- --------
Y1 1.00
Y2 -0.41 1.00
Y3 -0.38 0.59 1.00
X1 -0.16 0.18 0.27 1.00
X2 -0.34 0.37 0.31 0.48 1.00

PSI
Note: This matrix is diagonal.

Y1 Y2 Y3
-------- -------- --------
0.89 0.77 0.61

#54
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Regression Matrix Y on X (Standardized)

X1 X2
-------- --------
Y1 -- -0.34
Y2 -- 0.37
Y3 0.15 0.23

Bila LISREL diminta menggambarkan kembali diagram jalur beserta

koefisien jalur yang telah diperoleh maka akan terlihat seperti

berikut:

Koefisien jalur Standardized:

X1 terhadap Y3 = 0.15

X1 dan X2=korelasi=0.48

X2 terhadap Y1= -0.34

X2 terhadap Y2= 0.26

Y1 terhadap Y2= -0.33

Y1 terhadap Y3= -0.15

#55
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

Y2 terhadap Y3= 0.50

2. Uji signifikansi koefisien jalur ( uji-t)

Dari diagram T-values diatas kita bisa melihat nilai t-stat

untuk masing-masing koefisien jalur dalam model. Dengan taraf

signifikansi 5%, nilai kritis antara -1.96 dan 1.96. Koefisien jalur

dikatakan signifikan bila kurang dari -1.96 dan lebih dari 1.96. Maka

dapat disimpulkan bahwa semua koefisien jalur signifikan.

3. Uji kecocokan model (goodness of fit)

Dari ouput Goodness of Fit dapat dilihat bahwa kinerja model

dengan nilai Chi-Square 1,25, derajat bebas sama dengan 3, dan

p-level=0.74. Ukuran deskriptif GFI=1.00 dan AGFI=0.99. Dengan

demikian dapat disimpulkan bahwa model tersebut sudah fit

dengan data.

#56
FE UNPAD Pengantar Statistika Ekonomi dan Bisnis

4. Besarnya pengaruh langsung dan tidak langsung

Dengan melihat output yang Standardized, besarnya pengaruh

langsung variabel Y1 terhadap Y2 adalah

(-0.33)2=0.1089=10.89%, variabel Y2 terhadap Y3 adalah

(0.50)2=0.025=2.50%, dan variabel Y1 terhadap Y3 adalah

(0.15)2=0.0225=2.25%. Sedangkan pengaruh tidak langsung X2

terhadap Y3 melalui Y2 sebesar (0.26)2 (0.50)2 = 1.69%. Pengaruh

tidak langsung X2 terhadap Y3 melalui Y1 sebesar (0.34)2

(0.15)2=0.26%

#57