Isu-isu Terkini Konsep dan Aplikasi SEM dalam Penelitian Bisnis

Willy Abdillah
Workshop Mastering Structural Equation Modeling (SEM) For Management Magister Sains Management Fakultas Ekonomi dan Bisnis Universitas Airlangga Surabaya,12 -14 Oktober 2012

Konten Materi
Tipa-tipa teknik statistika multivariat Perbandingan antarteknik statistika Pertimbangan menggunakan teknik statistika Isu utama dalam SEM Konsep dasar dan aplikasi SEM: SEM berbasis kovarian vs. varian

Perbandingan OLS, CBSEM, dan VBSEM Simulasi dan praktik: SPSS ver. 16, SmartPLS ver. 2.0.M3., AMOS ver. 4.

Tipa-tipa Teknik Statistika Multivariat

Teknis Dependensi: seperangkat variabel dan indikator yang terindentifikasi sebagai variabel independen yang memprediksi atau menjelaskan variabel lain yang menjadi variabel dependen.
o o o o o o o Multiple Regression Multiple Discriminant Analysis Logit/Logistic Regression Multivariate Analysis of Variance (MANOVA) and Covariance Conjoint Analysis Canonical Correlation Structural Equations Modeling (SEM)

 Teknik Interdependensi: analisis simultan terhadap seperangkat variabel-variabel, tanpa membedakan antara variabel dependen dan variabel independen.
Principal Components and Common Factor Analysis Cluster Analysis Multidimensional Scaling (perceptual mapping) Correspondence Analysis

Perbandingan antarteknik statistika inferensial (1)

Variabel independen tunggal dengan dua grup Perbanding atau kategori an Between Within Rata-rata (mean) Independent Paired Samples t test Samples t atau One-way test Anova MannWhitney Wilcoxon Variabel independen tunggal dengan tiga atau lebih grup Between Within One-way Anova GLM Repeate d measur es Anova Friedm an

Skala DV Kontinus

Ordinal

Kelas (rank)

KruskalWalls

Nominal

Kategori (count)

Chi-square

McNemar

Chi-square

Cochran Q test

Sumber: Morgan et al. (2004)

Perbandingan antarteknik statistika inferensial (2)

Variabel dependen tunggal Skala kontinus Skala dikotomus Variabel independen ganda Beberapa normal, Skala normal Seluruh dikotomus beberapa dikotomus Multiple Regression Multiple Regression Multiple Regression
Discriminant Analysis Logistic Regression Logistic Regression

Sumber: Morgan et al. (2004)

Pertimbangan Menggunakan Teknik Statistika

Jenis riset: paradigma, pendekatan, dan desain. Tujuan riset: pengukuran, estimasi vs. prediksi, pengujian hipotesis. Jenis data: metrik vs. non-metrik. Kompleksitas model penelitian: lebih dari satu DV, efek mediasi dan moderasi. Jenis hipotesis: parsial vs. model (straight confirmatory, equivalent, nested dan development model). Konstruk reflektif vs. formatif. Konstruk unidimensional vs. multidimensional.

Isu utama dalam SEM

Pengukuran model reflektif dan formatif; Konstruk unidimensional vs. multidimensional; Ukuran sampel; Kompleksitas model; Kekokohan (robustness) estimasi parameter; Pilihan antara CBSEM vs. VBSEM.

Pengukuran model reflektif dan formatif

CBSEM menspesifikasi ulang indikator-indikator formatif sebagai variabel laten eksogenus dengan indikator tunggal (anchor), loading unit tetap, dan kesalahan pengukuran tetap (Williams, Edwards, & Vandenberg,2003). PLS dapat mengestimasi secara baik konstruk reflektif dan formatif sekaligus. Masalah utama kedua metoda adalah isu multikolineartas antarindikator. Confirmatory tetrad analysis(CTA) dapat menjadi alternatif dalam mengestimasi konstruk formatif (Bollen & Ting,2000) dan PLS menggunakan asumsi yang sama dengan prosedur CTA dalam mengestimasi konstruk formatif (Gudergan, Ringle, Wende, and Will, 2008).

Ukuran sampel dalam SEMlanjutan

CBSEM mensyaratkan ratusan bahkan ribuan observasi karena terdapat masalah non konvergensi dan solusi tidak tepat CBSEM pada sampel kecil, misal 200 (Boomsma dan Hoogland, 2001). PLS dapat digunakan pada sampel kecil, yaitu; Ketika terdapat lebih banyak variabel daripada observasi dan terdapat beberapa data yang mengalami missing completely at random (Tenenhausetal.,2005,p.202). 10 observasi dan 27 variabel manifes (Wold, 1989). 10 kali jumlah indikator pada model formatif atau 10 kali jumlah jalur antarvariabel laten (Ten-times-rule) (Barclay, Higgins, & Thompson, 1995). 20 pada simulasi Monte Carlo (Chin and Newsted, 1999)

Ukuran sampel dalam SEMlanjutan

PLS tidak memberi keunggulan dalam mendeteksi signifikasi secara statistis pada sampel kecil dan tidak ada bukti bahwa bootstrapping PLS memiliki kekuatan statistis lebih besar dibandingkan CBSEM pada sampel kecil (Goodhue, Lewis, and Thompson, 2006). Ten-times-rule tidak mempertimbangkan effect size, reliabilitas, jumlah indikator atau faktor-faktor lain yang mempengaruh kekuatan statistis sehingga ukuran sampel sampel pada PLS bisa menimbulkan salah kaprah (Goodhue, Lewis, and Thompson, 2006). Pemilihan ukuran sampel terbaik tergantung pada kekuatan hubungan dan tingkat kekuatan statistis yang diinginkan. Aplikasi piranti lunak G-Power bisa menjadi alternatif.

Ukuran sampel dalam SEMlanjutan

Peneliti harus mempertimbangkan karakteristik distribusional data, missing data potensial, propertis psikometrik variabel, dan kekuatan hubungan pada konteks penelitian ybs (Marcoulides & Saunders, 2006). PLS bukan peluru perak yang dapat digunakan pada ukuran sampel apa pun sehingga peneliti harus memastikan ukuran sampel cukup besar untuk mendukung simpulan. Rule of thumb PLS mungkin tepat untuk kondisi tertentu tetapi juga berpotensi salah kaprah. Terdapat bukti bahwa dengan pengukuran yang lebih baik dan dasar teoritis yang kuat, lebih mudah menentukan estimator dan ukuran sampel (Boomsma & Hoogland, 2001).

Kompleksitas dalam SEM

Fungsi GFI dan AGFI dalam CBSEM dapat menurun pada model yang kompleks (yaitu: banyak indikator dan konstruk sehingga CBSEM menjadi kurang tepat pada model yang lebih kompleks (Anderson & Gerbing, 1984). Semakin banyak parameter estimasian, semakin tidak konvergen dan tidak tepat solusi CBSEM (Boomsma and Hoogland, 2001) tetapi penambahan jumlah observasi dapat mengurangi masalah tersebut. PLS lebih baik sebagai komplemetari CBSEM dalam pengujian teori pada kasus model yang kompleks (Fornell,1982; Fornell, Lorange, & Roos, 1990).

Kekokohan (robustness) estimasi parameter SEM

Pada model reflektif dengan data simetrik, kualitas kedua metoda SEM menghasilkan estimasian yang sama, terutama estimasi outer loadings (Vilares, Almeida, and Coelho, 2009). PLS cenderung overestimasi outer loading tetapi lebih konservatif pada model struktural, sedangkan CBSEM overestimasi pada model struktural tetapi underestimasi pada indicator loadings (Tenenhaus et al., 2005; Vilares et al., 2009). Pada kasus skewed data, estimasi PLS lebih baik dibandingkan CBSEM karena SBSEM lebih sensitif terhadap potensi defisiensi data dan spesifikasi model (Vilares et al., 2009). Estimasi kedua metoda akan benar secara asimtotis jika terdapat konsistensi besarnya sampel dan jumlah indikator per variabel laten (Joreskog and Wold,1982)

Sumber: Tenenhaus et al. (2005)

Pilihan antara CBSEM vs. VBSEM

CBSEM berorientasi teori dan menekankan pada analisis konfirmatori. VBSEM berorientasi pada analisis kausalprediktif pada situasi kompleksitas model tinggi dan sedikit dukungan teori (Joreskog, 1982).

Sumber: Henseler et al. (2009)

Pilihan antara CBSEM vs. VBSEM

CBSEM bertujuan menjelaskan kovariasi antarindikator sedangkan VBSEM bertujuan memaksimumkan varian jelasan pada seluruh variabel dependen atau berorientasi prediksi. Jika asumsi CBSEM terlanggar, seperti distribusi data, jumlah sampel, kompleksitas model, dan masalahmasalah metodologis seperti Heywood cases (non konvergensi solusi, parameter diluar estimasi rasional, dan tingkat kesalahan standar tinggi) maka VBSEM dapat menjadi alternatif yang rasional secara metodologis untuk menguji teori (Rindskopf,1984).

Research Paradigm
Radical Change

Radical Humanist Subjective

Radical Structuralist
Objective

Interpretivist

Functionalist

Regulation

Riset Kualitatif
Mengungkap makna Konsep berupa tema, gambaran, dan taksonomi (klasifikasi/kategorisasi)

Riset Kuantitatif
Menguji hipotesis Konsep berupa variabel-variabel yang unik

dikembangkan secara Instrumen dikembangkan secara ad hoc, Instrumen dan terstandar sebelum sistematik spesifik pada setting dan peneliti pengumpulan data Data dalam bentuk kata-kata atau kesan Data dalam bentuk angka dari yang bersumber dari dokumen, pengukuran dengan presisi tinggi observasi, dan transkrip Bersifat induktif Bersifat deduktif

Prosedur riset sangat khas dan sangat jarang direplikasi

Analisis bertujuan mengekstraksi tema dari temuan-temuan riset

Prosedur riset terstandar dan dapat perlu direplikasi

Analisis menggunakan statistika dan dikaitkan dengan pengujian hipotesis

Jenis Data dan Skala Pengukuran

Data

Nonmetric or Qualitative

Metric or Quantitative

Nominal Scale

Ordinal Scale

Interval Scale

Ratio Scale

Model Kompleks
X Z Y

Z X

STRAIGHT CONFIRMATORY MODELING STRATEGY

E
B D

EQUIVALENT MODEL
A C
E B D A C E B A C E D

NESTED MODEL
A C E

C
E

MODEL DEVELOPMENT STRATEGY

A C E

Fakta empiris terkait isu konstruk formatif

Peneliti lebih sering berfokus pada hubungan struktural antarkonstruk dibandingkan hubungan antara konstruk dan pengukurnya (Edwards dan Bagozzi 2000; MacKenzie 2001). Fokus pada hubungan antara konstruk dan pengukur sama pentingnya dengan pengujian hubungan struktural karena dapat mencegah masalah-masalah pengukuran (Edwards dan Bagozzi 2000). 29 persen studi-studi pemasaran yang dipublikasi di 4 jurnal utama selama 24 tahun, melakukan mis-spesifikasi konstruk formatif dan reflektif (Jarvis et al.,2003). Studi-studi empiris cenderung lebih sering melakukan misspesifikasi konstruk formatif sebagai reflektif, dibandingkan konstruk reflektif sebagai formatif (Jarvis et al. 2003).

Fakta empiris terkait isu konstruk formatif

Mis-spesifikasi dapat menyebabkan kesalahan pengukuran (measurement error), yang berpengaruh pada model struktural (Jarvis et al. 2003; MacKenzie et al. 2005). Mis-spesifikasi meningkatkan potensi Type I error dan Type II error yang kemudian berpengaruh pada pengembangan teori dan menghambat peneliti menguji teori secara penuh makna (Edwards dan Bagozzi 2000). Peneliti-peneliti yang memahami konstruk formatif, cenderung menghindari menggunakannya dalam model teoritis. Terdapat persepsi bahwa konstruk formatif lebih rumit dan sedikit memberi nilai pada model teoritis dibandingkan konstruk reflektif (Howell et al. 2007). Peneliti kemudian memilih model dekomposisian atau mengukurnya secara reflektif.

Kendala peneliti terhadap konstruk formatif

Perlu perubahan dalam pasca pengumpulan data untuk menganalisis model konstruk formatif ketika menggunakan SEM (MacCallum dan Browne 1993). Peneliti ditempatkan pada posisi tidak nyaman ketika harus menginterpretasi ulang model dan hasil dan mengintegrasinya dengan teori awal. Adanya keterbatasan petunjuk dalam menguji validitas konstruk formatif (Diamantopoulos dan Winklhofer 2001). Selain memvalidasi konstruk formatif menggunakan teknik validasian konstruk reflektif, peneliti harus memvalidasi konstruk formatif menggunakan penjelasan teoritis.

Kendala peneliti terhadap konstruk formatif

Konstruk formatif secara statistis sulit teridentifikasi karena masalah indeterminasi yang berhubungan dengan skala pengukuran konstruk laten dan error term konstruk (Jarvis et al., 2003). Untuk mengidentifikasi model (mencapai model solusian), konstruk formatif harus diukur menggunakan model yang lebih besar (Diamantopoulos and Winklhofer 2001). Namun, bahkan dalam model yang lebih besar, masih sering sulit mengidentifikasi seluruh paramater.

Fokus utama konstruk reflektif vs. formatif

Spesifikasi model (model specification); Identifikasi model (model identification); Validasi (Validation).

Spesifikasi model konstruk reflektif

Indikator merupakan manifestasi atau indikator efek

(effects indicators);
Arah kausalitas dari konstruk ke indikator pengukuran sehingga konstruk menjelaskan varian pengukurannya; Perubahan konstruk laten direfleksikan oleh perubahan indikator-indikatornya; Eksistensi konstruk laten direfleksikan oleh variansi umum (common variance) indikator;

Spesifikasi model konstruk reflektiflanjutan

Indikator-indikator saling berkorelasi kuat; Indikator-indikator dapat saling menggantikan sehingga membuang salah satu indikator tidak akan mengurangi makna konstruk secara teoritis; Berasumsi bahwa kovarian di antara indikator dijelaskan oleh varian yang merupakan manifestasi dari konstruk latennya; Kesalahan pengukuran dikenakan pada indikator.

Spesifikasi model konstruk formatif

Makna konstruk ditentukan oleh indikator; Model tidak membutuhkan korelasi di antara indikatornya (completely uncorrelated); Konstruk merupakan komposit dari seluruh indikator pembentuknya (McKenzi et al., 2005); Konsekuensi mereduksi indikator formatif, berpotensi mengubah makna konstruk secara teoritis; Kesalahan pengukuran ditunjukkan pada level konstruk bukan pada level dimensi/indikator.

Identifikasi model konstruk reflektif

Identifikasi model konstruk formatif

Identifikasi model konstruk formatif

MIMIC Model

Validasi konstruk
Reflektif
Confirmatory Factor Analysis (CFA): convergent dan discriminat validity. Reliability: Cronbachs Alpha.

Formatif
Kekuatan dan signifikansi jalur antara indikator dan konstruk.

Validitas konstruk formatif

Definisikan secara jelas definisi konseptual konstruk; Definisikan domain kontekstual konstruk; Antisipasi multikolinearitas antarindikator; Pertimbangkan nomological validity dan criterionrelated validity.

Ringkasan Perbedaan Konstruk Reflektif vs. Formatif

Sumber: Freeze dan Raschke (2008)

Petunjuk praktis isu kesalahan spesifikasi model

Peneliti perlu mendefinisi secara jelas definisi konseptual dan domain kontekstual konstruk (content validity). Perhatikan secara teliti hubungan direksional antara konstruk dan pengukur-pengukurnya. Ingat. JANGAN BERASUMSI BAHWA SEMUA KONSTRUK ADALAH REFLEKTIF. Ketika peneliti menggunakan konstruk dari studi terdahulu, pastikan bahwa penjelasan teoritis konstruk didefinisi secara jelas.

Petunjuk praktis isu identifikasi model

Untuk model reflektif, pertimbangkan jumlah indikator (rule of three); Untuk model formatif, harus tersedia dua jalur (path) dalam bentuk measurement relations dan/atau structural relations.

Petunjuk praktis isu validasi

Untuk model reflektif, gunakan CFA (convergent and discriminant validity) dan reliabilitas. Untuk model formatif, gunakan metoda nomological validity. Ukur kekuatan koefisien jalur indikator-konstruk dengan teknik regresi. Uji multikolinearitas dengan mengukur Variance Inflation Factor ( 3,3).

Konstruk Multidimensional
Kinerja Sistem Informasi Kepuasan Pengguna KP1 KP2 KP3 e e e

Kualitas Sistem

Kualitas Informasi

Kualitas Layanan

KS 1 e

KS 2 e

KS KI 3 1 e e

KI 2 e

KI 3 e

KL 1 e

KL 2 e

KL 3 e

Pertimbangan menggunakan konstruk multidimensional

the generality or specificity of ones theoretical interest (MacKenzie et al., 2005, p. 713). Pengembangan konstruk multidimensional yang memiliki hubungan formatif antarkonstruk dan dimensi hanya terjadi ketika banyak dimensi dan pengukur-pengukurnya diperlukan untuk menjelaskan secara utuh domain suatu konstruk. Praktik umum pengukuran konstruk multidimensional adalah mereduksi seluruh indikator-indikator di dimensi ke dalam satu konstruk unidimensional. Namun, praktik ini perlu mempertimbangkan imbas validitas pengukuran.

Konsep Dasar SEM

Structural equation modeling (SEM) adalah teknik statistika untuk menguji dan mengestimasi hubungan kausal dengan mengintegrasi analisis faktor dan analisis jalur Wright (1921), Haavelmo (1943) dan Herbert Simon (1953). SEM adalah pengembangan dari general linear model (GLM) dengan regresi berganda sebagai bagian utama. Proses pemodelan SEM terdiri atas dua tahapan utama, yaitu validasi model pengukuran dan model struktural.

Jenis Metoda SEM

SEM berbasis kovarian (Covariance-based SEM) SEM berbasis varian (Variance-based SEM)

Perbandingan PLS, LISREL/AMOS dan OLS

Perbandingan PLS, LISREL/AMOS dan OLS

Perbandingan PLS, LISREL/AMOS dan OLS

Perbandingan PLS, LISREL/AMOS dan OLS

Perbandingan PLS, LISREL/AMOS dan OLS

SEM Berbasis Kovarian (LISREL/AMOS)

SEM: Covariance structure analysis Analysis of moment structure Confirmatory factor analysis Latent variable analysis Characteristics of SEM: Estimation of interrelated dependence relationships The ability to represent unobserved concepts in these relationships Account for measurement error in the estimation process Representing theoretical concepts

Pertimbangan Menggunakan AMOS/LISREL

LISREL /AMOS Pros: canggih, powerful. Cons: rumit, mensyaratkan set data besar, asumsi normalitas, indikator reflektif, dan model recursive. LISREL/AMOS tepat untuk model estimasi, butuh dasar teori yang kuat dan mempertimbangkan asumsi klasik. LISREL/AMOS lebih kuat secara dasar statistis karena kaya informasi estimasi model dan parameter dan lebih robust dalam analisis faktor Maximum Likelihood. AMOS/LISREL lebih kuat secara dasar matematis karena mampu mengekstraksi skor loading sesungguhnya melalui proses iterasi matrik indikator. AMOS/LISREL lemah secara praktis karena tidak efisien dalam proses eksekusi. Semakin banyak jumlah indikator, semakin banyak waktu yang dibutuhkan untuk eksekusi.

Indikator Goodness-of-Fit Index

Goodness-of-Fit Chi square (2) Significance Probability RMSEA GFI AGFI Normed Chi Square (CMIN/ DF) TLI RMR CFI Sumber : Byrne ( 2001 ) Control off Value Diharapkan kecil 0,05 0,08 0,90 0,90 2,00 5,00 0,95 0 0,90 Keterangan Baik Baik Baik Baik Baik Baik Baik Diharapkan kecil Baik

Definisi PLS
Istilah PLS secara spesifik berarti adanya penghitungan optimal least squares fit terhadap korelasi atau matrik varian (McIntosh et al., 2004; Wold, 1982). Korelasi atau varian menghasilkan fit melalui cross-block korelasi antara variabel independen dan variabel dependen. PLS mengukur varian antara dua atau lebih blok variabel dan menghasilkan seperangkat variabel yang optimal bagi varian maksimum (bukan korelasi maksimal) dengan menggunakan beberapa dimensi (McIntosh et al., 1996). Soft modeling merelaksasi asumsi dalam teknik OLS dan SEM berbasis kovarian. PLS digunakan sebagai teknik prediksi bukan sebagai teknik interpretatif/estimatif.

Pertimbangan Menggunakan PLS

Pros: output lebih sederhana, sampel kecil, robust pada kondisi deviasi normalitas, mengestimasi konstruk reflektif dan formatif, dan model recursive. Cons: pengembangan piranti lunak terbatas, butuh bantuan tambangan piranti lunak lain untuk menghasilkan output tertentu. PLS tepat untuk model prediksi, dasar teori lemah (membangun teori baru), mengabaikan asumsi klasik. PLS lemah secara dasar statistis karena miskin informasi estimasi model dan parameter. PLS lemah secara dasar matematis karena terjadi deviasi loading faktor (tidak mencerminkan nilai sesungguhnya), tetapi direpresentasi oleh nilai komunalitas. Maka, jumlah indikator akan berpengaruh terhadap skor loading. PLS lebih kuat secara praktis karena lebih efisien dalam proses eksekusi.

Keunggulan PLS
PLS dapat mengukur model konstruk reflektif dan formatif (Diamantopoulos & Winklhofer, 2001). PLS mampu mengestimasi model dengan sampel kecil (Chin & Newsted, 1999). PLS mampu mengukur model kompleks (yaitu: model dengan banyak variabel laten dan indikator) tanpa mengalami masalah estimasi (Wold, 1985). PLS lebih unggul secara metodologis daripada CBSEM ketika terjadi masalah non konvergen dan solusi tidak tepat terjadi dalam CBSEM, seperti Heywood cases (Krijnen, Dijkstra, & Gill,1998). PLS dapat digunakan ketika data terdistribusi skewed (Bagozzi,1994), atau independen observasi tidak pasti.

Keunggulan PLSlanjutan
PLS dapat menguji model pengukuran dan model struktural secara simultan. CBSEM fokus pada pencapaian best fit model penelitian, sedangkan PLS bertujuan memaksimumkan varian terjelaskan pada variabel depeden (Gefen et al. 2000). PLS berguna ketika model empiris dibangun dengan dasar teori dan data yang lemah (Wold 1985). PLS tidak mengalami masalah identifikasi statistis pada proses estimasi konstruk formatif (Chin 1998).

Komponen PLS
Pengujian outer model: validitas dan reliabilitas konstruk reflektif, dan validitas konstruk formatif. Pengujian inner model: varian terjelaskan pada variabel dependen, effect sizes, dan predictive relevance.

Prosedur dasar PLS

Analisis model pengukuran (algorithm):
1. uji validitas (validitas konvergen: skor/outer loading, AVE dan Communality, dan validitas diskriminan: akar AVE > korelasi laten variabel atau cross loading); uji reliabilitas (cronbachs alpha dan composite reliability).

2.

Untuk konstruk formatif, membandingkan nilai T statistis pada outerweight. Analisis model struktural (bootstrapping):
1.

2.

B regresi (uji tanda/sign test) t-statistic (uji signifikansi parsial).

R2 untuk Kelaikan model prediksi (GOF). Blindfolding

Kriteria Model Pengukuran PLS

Uji validitas konstruk formatif dalam PLS

Menggunakan rasional teoritik dan opini pakar atau validitas konten (Rossiter, 2002); Analisis statistis pada dua level, yaitu pada level konstruk dan pada level indikator. Pada level konstruk; Nomological validity: hubungan yang signifikan antara indeks formatif dan konstruk-konstruk lain dalam riset terdahulu. Error term konstruk rendah dengan meregresi indeks formatif dengan pengukur-pengukur reflektif pada konstruk yang sama (MIMIC model). Pada level indikator; Validitas tampang dan validitas konten: indikator-indikator berkontribusi dalam membentuk konstruk laten. Estimasi bobot indikator dengan bootstraping Estimasi multikolinearitas dengan VIF atau tolerance values

Uji validitas konstruk formatif dalam PLS

Kriteria Model Struktural PLS

Simulasi
SPSS ver. 16; SmartPLS versi 2.0 M3; AMOS ver.4.