1 / 48

S.E.M. STRUCTURAL EQUATION MODELING Oleh : Soemarno PSDL.PDKL.PPSUB.2013

MK. METODE PENELITIAN DALAM KAJIAN LINGKUNGAN. S.E.M. STRUCTURAL EQUATION MODELING Oleh : Soemarno PSDL.PDKL.PPSUB.2013. S.E.M. = Structural Equation Modelling LISREL = Linear Structural Relations SEM = Simultaneous Equation Model . SEM: mrp pendekatan terintegrasi antara :

brenna
Télécharger la présentation

S.E.M. STRUCTURAL EQUATION MODELING Oleh : Soemarno PSDL.PDKL.PPSUB.2013

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. MK. METODE PENELITIAN DALAM KAJIAN LINGKUNGAN S.E.M. STRUCTURAL EQUATION MODELING Oleh: Soemarno PSDL.PDKL.PPSUB.2013

  2. S.E.M. = Structural Equation Modelling LISREL = Linear Structural Relations SEM = Simultaneous Equation Model SEM: mrp pendekatan terintegrasi antara : ANALISIS FAKTOR (Factor Analysis) SISTEM PERSAMAAN SIMULTAN (Model Struktural) SIDIK LINTAS (Path Analysis) S.E.M.= pendekatan terintegrasi antara: Analisis data empirik, dan Pengembangan konsep teoritik S.E.M. : tiga macam analisis sekaligus, yaitu: 1. Uji validitas dan reliabilitas instrumen 2. Uji model hubungan antar variabel & jalurnya 3. Mendapatkan model untuk prakiraan/ estimasi /ekstrapolasi

  3. Factors Analysis Modelling X1 Y1 X2 Ksi1 Eta1 Y2 X3 Ksi2 X4 Y3 Eta2 X5 Ksi3 Y4 X6 X7 X8 Xi dan Yi : VariabelatauFaktor Ksi : variabellaten X Eta : variabellaten Y Segi-empat : Variabel manifest, indikator, observable variable Bulatan oval : Variabellaten, dimensi, construct variable

  4. Structural Equation Modelling X1 Y1 X2 Ksi1 Eta1 Y2 X3 Ksi2 X4 Y3 Eta2 X5 Ksi3 Y4 X6 X7 X8 Analisis Regresi Analisis Jalur Path Analysis Analisis faktor Variabel Endogen Analisis faktor Variabel Eksogen

  5. NOTASI dalam S.E.M. 1 X1 1 Y1 1 1 X2 1 8 Ksi1 1 Eta1 Y2 1 X3 1 Ksi2 2 1 1 4 X4 12 23 Eta2 1 X5 Ksi3 3 10 Y3 1 X6 7 X7 X8  : Ksi, variabel laten X  : Eta, variabel laten Y  : delta, galat pengukuran variabel laten X  : epsilon, galat pengukuran variabel laten Y  : koefisien pengaruh variabel endogen thd variabel endogen lainnya  : koefisien pengaruh variabel eksogen thd variabel endogen  : loading factor  : Zeta, galat model  : Psi, peragam antar galat model

  6. S.E.M. vs. SIDIK LINTAS (Path Analysis) Tujuan SEM adalah mendapatkan model struktural yang dapat digunakan untuk keperluan prediksi. Dalam hal ini, SEM setara dengan REGRESI. SEM juga dapat untuk menguji pengaruh (langsung dan tidak langsung) variabel bebas terhadap variabel tidak-bebas, menentukan variabel dominan, dan jalur-jalur keterkaitan antar variabel. Dalam hal ini, SEM setara dengan SIDIK LINTAS Keunggulan SEM. 1. SEM dapat menguji hubungan kausalita, validitas dan reliabilitas 2. SEM dapat diterapkan untuk Model rekursif dan Resiprokal 3. SEM input datanya dapat berupa data mentah 4. SEM outputnya berupa faktor determinan, model struktural dan model pengukuran

  7. Langkah-langkah S.E.M. Pengembangan Model Konsep & Teori Menilai Masalah Identifikasi Konstruksi Diagram Lintasan Evaluasi Goodness of fit Konversi Diagram Lintasan menjadi Model Struktural Interpretasi dan Modifikasi Model Memilih Matriks Input

  8. Pengembangan Model Konsep & Teori Model Hipotetik = Model Konseptual = Model Teoritis Hubungan kausalita sebab-akibat antara variabel eksogen (variabel bebas, independent) dan variabel endogen (variabel tergantung, variabel dependent) Dengan demikian landasan teorinya harus kuat untuk dapat menjelaskan Model Hipotetik tersebut Salah satu aspek kritis dalam hal ini adalah “Spesifikasi variabel”, terutama variabel prediktif Untuk kepentingan praktis analisis data dan interpretasinya, maka seyogyanya banyaknya variabel tidak lebih dari 20.

  9. KONSTRUKSI DIAGRAM LINTASAN Path diagram Diagram ini sangat bermanfaat untuk menunjukkan alur-alur (lintasan) kausalita antar variabel yang secara teoritis layak Hubungan kausalita : Simbol panah satu arah Hubungan korelasional : Simbol panah bolak-balik X1i Y1i X2i Y2i X3i X1: Unobservable variabel Variabel manifes, variabel terukur X1.1 X1.2 X1.3 X1….

  10. KONSTRUKSI DIAGRAM LINTASAN Path diagram  X1 X1.1 Y1.1   Y1  X1.2  X2  X2.1   Y2 X2.2 X3   Y2.2 Y2.1 X3.1 X3.3 X3.2 

  11. KONVERSI menjadi MODEL STRUKTURAL 1 = 2. 2 + 1. 1 + 1 2 = 1. 1 + 2. 2 + 3. 3 + 2 X1.1 = 1. 1 + 1 X1.2 = 2. 1 + 2 …. Dst. 1 X1 X1.1 1 Y1.1 1 1 8 1 Y1 1 2 2 X1.2 2 1 X2 1 3 2 3 X2.1 2 1.2 2 2 4 Y2 3 X2.2 4 X3 3 10 9 5 7 Y2.2 Y2.1 X3.1 6 5 X3.3 3 X3.2 2 7 6

  12. MEMILIH MATRIKS INPUT Input data untuk SEM dapat berupa: 1. Matriks korelasi, atau 2. Matriks peragam, kovarians Matriks korelasi, digunakan kalau: 1. Tujuannya ingin membuktikan hubungan kausalita antar variabel 2. Lintasan mana saja yang pengaruhnya dominan 3. Variabel eksogen mana saja yang pengaruhnya dominan terhadap variabel endogen 4. ... Matriks Peragam, digunakan kalau: 1. Tujuannya menguji model hipotetik yang secarateoritis sudah layak 2. Serupa dengan analisis regresi 3. Model yang diperoleh dapat digunakan untuk prediksi 4. Model yg diperoleh dapat untuk menjelaskan fenomena yang dikaji 5. ….

  13. PROBLEMATIK IDENTIFIKASI Problematik pendugaan parameter: 1. Un-identified atau under identified 2. Over identified Gejala yg muncul akibat dari adanya “masalah identifikasi”: 1. Adanya standard error yang terlalu besar 2. Matriks informasi tidak dapat disajikan sbgm mestinya 3. Nilai penduga parameter tidak dapat diperoleh 4. Muncul angka (nilai) yang aneh 5. Adanya koefisien korelasi yg tinggi (> 0.9) antar koefisien hasil pendugaan Cara mengatasinya: 1. Landasan teori yang digunakan untuk menyusun Model Hipotetik harus benar-benar ‘bagus” 2. Menambah atau mengurangi variabel laten, disesuaikan dengan landasan teorinya 3. Iterasi dalam pendugaan model dengan menetapkan “kendala” pada model, misalnya salah satu atau beberapa parameter model dianggap “fixed”

  14. EVALUASI GOODNESS - OF - FIT Asumsi-asumsi SEM: 1. Asumsi yang berkaitan dengan model 2. Asumsi yang berkaitan dengan pendugaan parameter & pengujian hipotesis Asumsi yang berkaitan dengan model: 1. Semua hubungan berbentuk linier (Lihat diagram pencarnya) 2. Model bersifat adetif, sesuai dengan landasan teorinya Asumsi Pendugaan parameter & Uji hipotesis: 1. Random sampling 2. Tidak boleh ada missing data 3. Tidak ada data pencilan, outliers 4. Untuk pendugaan parameter, jumlah sampel minimum 100

  15. TAHAPAN UJI GOODNESS OF FIT A. Uji Parameter, dengan t-test: 1. Parameter Lamda: validitas instrument 2. Parameter Delta dan Epsilon: Reliabilitas instrumen 3. Parameter Beta dan Gama, dan lainnya 2. Uji Keseluruhan Model Model ini merupakan integrasi antara model struktural dan model pengukuran 3. Uji Model Struktural Menggunakan uji koefisien determinasi, seperti model regresi 4. Uji Model Pengukuran Uji validitas ……… koefisien korelasi Uji reliabilitas ……….. Nilai error

  16. Kriteriauji goodness of fit : Model Overall Goodness of fit Cut-off Keterangan Chi-square Non-signifikanDipakaiuntuk n = 100-200, Model yg baikbilanilai Chi-square tidakjauh berbeda dg derajatbebasnya RMR Kecil Dipakaiuntuk n besar RMSEA < 0.08 Dipakaiuntuk n besar GFI > 0.90 Miripdengankoef. determinasi R2 AGFI >0.90 Miripdgn R2 adjusted CFI >0.94 Tdksensitifthdbesarsampel AIC Kecil Bila model lebihdarisatu, pilihlahyg nilainyakecil

  17. INTERPRETASI & MODIFIKASI MODEL Bilamana Model telah dianggap baik, selanjutnya adalah interpretasi, apabila model belum baik perlu modifikasi Modifikasi Model: Menambah atau mengurangi “Lintasan” yang dianggap layak secara teoritis. INTERPRETASI MODEL: 1. Model Struktural: Interpretasi terhadap fenomena yg sedang dikaji, dan melakukan prediksi 2. Analisis Lintasan: 1. Efek langsung 2. Efek tidak langsung 3. Total efek 4. Faktor dominan 5. Kausalitas antar variabel.

  18. SAMPLE SIZE Dalam SEM, Parameter yang diduga:. 1. Parameter pada Model Pengukuran 2. Parameter pengaruh variabel eksogen thd variabel endogen 3. Parameter pengaruh antar variabel endogen 4. Parameter korelasi antar variabel eksogen 5. Parameter error. Penentuan besarnya sampel: 1. Kalau pendugaan dg metode Maximum likelihood,maka sampel 100-200, minimum absolut 50 2. Jumlah sampel = 5-10 kali banyaknya parameter 3. Jumlah sampel = 5-10 kali jumlah variabel manifest dari keseluruhan variabel laten Sampel untuk LISREL 1. Sampel untuk program LISREL > 400 2. Sample size 10 x banyaknya variabel 3. Banyaknya sampel minimum 10 x banyaknya parameter yang ada dalam model

  19. SEM dalam STUDI MARKETING MODEL HIPOTETIK 1. Harga produk berpengaruh thd image pelanggan, Harga berpengaruh terhadap Promosi 2. Fasilitas berpengaruh thd image pelanggan, juga berpengaruh thd Promosi 3. Produk berpengaruh thd image pelanggan, dan dapat digunakan sebagai sarana Promosi 4. Promosi dapat membantu membentuk Image pelanggan IDENTIFIKASI VARIABEL Variabel Laten (Konstruk) Variabel Manifest (Terukur) Harga (X) X1 = Potongan, atau berbentuk hadiah X2 = Harga yg ditetapkan Promosi (X) X3 = Promosi mampu memberikan informasi yg jelas shg dapat membantu pengambilan keputusan pembelian Fasilitas (X) X4 = Fasilitas PArkir X5 = Fasilitas bermain anak-anak Produk (X) X6 = Kualitas produk X7 = Kelengkapan produk yg ditawarkan Image (Y) Y1 = Citra dan pandangan pelanggan Jumlah Sampel = 140 orang

  20. Diagram Lintasan X1 X3 X2 Harga Promosi X4 Fasilitas X5 Image Produk Y1 X6 X7 No Sampel X1 X2 X3 X4 X5 X6 X7 Y1 1 2 3 4 5 6 7 8 9 . . .

  21. HASIL ANALISIS: Diagram Lintasan Model Pengukuran (standardized) 0.36 X1 0.80 0.18 X2 1.00 Harga 0.91 0.44 X4 0.58 0.75 1.00 Fasilitas 0.10 0.65 X5 0.59 0.27 1.00 Produk 0.82 0.33 X6 0.80 X7 0.36

  22. HASIL ANALISIS: Diagram Lintasan Model Pengukuran (t-values) 3.92 X1 9.19 1.64 unreliable X2 0.00 Harga 10.38 3.80 X4 6.25 7.42 0.00 Fasilitas 1.00 6.39 X5 6.22 2.33 0.00 10.59 Produk 4.68 X6 10.24 X7 5.21

  23. HASIL ANALISIS: Diagram Lintasan Model Keseluruhan (standardized) 0.36 X1 0.80 0.18 X2 0.00 Harga 0.06 0.91 1.00 0.44 X4 -0.18 Promosi X3 0.75 Fasilitas 0.02 0.01 0.65 X5 0.59 0.14 Image 1.00 Y1 0.82 Produk 0.33 X6 0.74 0.36 0.80 X7 0.00 Chi-square = 28.78, df= 12, P-value = 0.00425, RMSEA = 0.100

  24. HASIL ANALISIS Model Strultural (estimate) Chi square = 28.78, df=12, P-value= 0.00425 RMSEA = 0.100 0.00 Harga 0.13 Promosi 3.77 0.92 0.58 0.22 0.00 Fasilitas 0.10 0.01 -0.23 0.27 0.17 Produk Image 0.65 0.00 0.93

  25. HASIL ANALISIS Path Analysis (standardized) Chi square = 28.78, df=12, P-value= 0.00425 RMSEA = 0.100 1.00 Harga 0.06 Promosi 0.76 -0.18 0.41 0.58 0.10 1.00 Fasilitas 0.10 0.01 0.27 0.14 Produk Image 0.40 1.00 0.74

  26. HASIL ANALISIS Model Struktural (t-value) Chi square = 28.78, df=12, P-value= 0.00425 RMSEA = 0.100 0.00 Harga 0.46 Promosi 7.27 signifikan 6.25 2.78 1.02 0.00 Fasilitas 1.00 0.18 -1.84 2.33 1.06 Produk Image 0.40 0.00 8.91

  27. S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Mendua Peran Komitmen organisasional Keinginan untuk Keluar Kelelahan Emosional Kepuasan Kerja Konflik Peran Kinerja Model Konsep : Keadaan yang mendahului dan konsekuensi kelelahan emosional tenaga penjual, Babakus et al. 1999

  28. S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Umpan balik karyawan Kinerja Karyawan Penilaian Kinerja Ukuran Kinerja Standar Kinerja Keputusan SDM Catatan Karyawan Elemen kunci sistem penilaian kinerja, Mangkuprawira, 2002

  29. S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja Identifikasi Kepuasan Kerja Penghargaan Penilaian Kinerja Kelelahan Emosional Komitmen Organisasional Lingkungan Keluarga Keterlibatan Kinerja Konflik Peran Kelelahan emosional Depersonalisasi Kemunduran kepribadian Loyalitas Pengaruh Kelelahan Emosional thd Kepuasan Kerja dan Kinerja dalam pencapaian komitmen organisasi

  30. S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja (X11) Penghargaan (X12) Lingkungan Keluarga (X13) Konflik Peran (X14) Kelelahan Emosional (X1) Penilaian Kinerja (X31) Kepuasan Kerja (X2) Kinerja (X3) Komitmen Organisasional (Y) Kerangka Pemikiran Konseptual Sudah pernah diteliti Diteliti dalam disertassi ini

  31. S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Konstruk (Indikator) DimensiKonstruk (Variabel) SekalaPengukuran. 1. BebanKerja 1. Jumlah MK yang diampu per semester Likert, 5 opsi 2. Penelitian – penelitianilmiah 3. SebagaiPenasehatakademik 4. SebagaiDosenPembimbingskripsi 5. Seminar ilmiah 2. Penghargaan 1. Gaji, HR, tunjangan, InsentifLikert, 5 opsi 2. Kenaikanpangkatdanjabatan 3. Kesempatanpendidikanlanjut 4. Fasilitas yang diterima 3. Lingkungan 1. JumlahanggotakeluargaLikert, 5 opsi Keluarga 2. Status kepemilikanrumah 3. Kondisitempattinggal 4. Keadaanmasyarakatsekitar 4. KonflikPeran 1. PerubahanradikalperkuliahanLikert & skoring 2. Hubungandosen-atasan-staf 3. Hubungandenganmahasiswa 4. Persainganjabatanstruktural 5. Kelelahan 1. PerasaancemassetiapmulaipekerjaanSkoring Emosional 2. Merasakekeringanemosi 3. Merasabergunakembaliketikasenjahari 4. Merasalelahketikabangunpagi 5. Merasafrustasiolehpekerjaan 6. KepuasanKerja 1. Pekerjaansesuai dg keinginanLikert, 5 opsi 2. Gaji, HR, tunjangan 3. Citra PTS tempatmengajar 4. Promosikenaikanpangkat, jabatan, mutasi 7. Kinerja 1, KinerjapekerjaandannkepuasanLikert, 5 opsi 2. Kinerjaselamaini 8. PenilaianKinerja 1. PenilaiankinerjaygproporsionalLikert, 5 opsi 2. Pengukuranprestasikerja 9. Komitmenorganisasi 1. IdentifikasiSkoring 2. Keterlibatan 3. Loyalitas

  32. S.E.M.: STRUCTURAL EQUATION MODELLING MANAJEMEN SDM DOSEN PTS Beban Kerja (X11) Penghargaan (X12) Lingkungan Keluarga (X13) Konflik Peran (X14) -0.338 (S) 0.199 (S) 0.394 (S) -0.093 (TS) Kelelahan Emosional (X1) -0.121 (TS) -0.248 (S) Penilaian Kinerja (X31) Kepuasan Kerja (X2) Kinerja (X3) 0.555 (S) 1 (S) 0.364 (S) 0.265 (TS) Komitmen Organisasional (Y) Diagram hasil akhir hubungan kausal : Pengaruh kelelahan emosional thd kepuasan kerja dan kinerja dalam pencapaian komitmen organisasional dosen PTS

  33. Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated measures study Emmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S Vokonas and Helen H Suh Environmental Health 2013, 12:81  Analisisdilakukanuntukmengetahuimeneliti hubungan antara polusi lalu lintas laten dan nada parasimpatis laten ; dan antara polusi lalu lintas laten dengan penanda nada simpatik, LF / HF, menggunakan SEM. SEM terdiri dari dua komponen kunci, model struktural yang menunjukkan hubungan antara dua konstruk laten, antara konstruk laten dan variabel yang diukur ; atau antara dua variabel yang diukur, dan model pengukuran yang menunjukkan hubungan antara konstruk laten dan indikator nya. HF, SDNN, rMSSD, dan LF / HF ditransformasikebentuklogaritmauntuk memenuhi asumsi SEM , bahwa semua variabel kontinyu mempunyaidistribusi normal. AnalisisStatistik deskriptif dan korelasi jugadilakukanantara penandaHRV, polutan lalu lintas dan kovariatnya. .SUMBER: .DIUNDUH DARI: http://www.ehjournal.net/content/12/1/81

  34. Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated measures study Emmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S Vokonas and Helen H Suh Environmental Health 2013, 12:81  Diagram jalur dari SEM. (A) Efek polusi lalu lintas thdnada parasimpatis. (B) Efek polusi lalu lintas thd penanda nada simpatik, LF / HF. Elips digunakan untuk menunjukkan laten konstruksi, persegi panjang digunakan untuk menunjukkan variabel yang diamati dan mempengaruhi konstruks ini, dan panah tunggal berkepala digunakan untuk menunjukkan hubungan arah, dari prediktor terhadap outcome. .SUMBER: .DIUNDUH DARI: http://www.ehjournal.net/content/12/1/81

  35. Structural equation modeling of parasympathetic and sympathetic response to traffic air pollution in a repeated measures study Emmanuel S Baja, Joel D Schwartz, Brent A Coull, Gregory A Wellenius, Pantel S Vokonas and Helen H Suh Environmental Health 2013, 12:81  Model pengukuran lalu lintas dan nada parasimpatis. Hubungan variabel laten (A: Lalu Lintas) dan (B: nada parasimpatik)denganvariabel penandasebagai nilai loading factor. Data rata-rata 24 jam pengukuran polusi udara ambient dari November 2000 sampai Desember 2009. .SUMBER: .DIUNDUH DARI: http://www.ehjournal.net/content/12/1/81

  36. Structural Equation Modeling of the Relationships Between Participation in Leisure Activities and Community Environments by People With Mobility Impairments Holly Hollingsworth dan David B. Gray Archives of Physical Medicine and Rehabilitation. Vol. 91, Issue 8 , Pages 1174-1181, August 2010 Penelitiandilakukan untuk menguji hubungan antara konstruk partisipasi dan lingkungan padaserangkaian kegiatan rekreasi (menghadiri konser, menghadiri film, menghadiri acara olahraga).Survei Self-laporan pengaruh lingkungan terhadap partisipasi dianalisis menggunakan model SEM. Aspek Temporal, evaluatif, dan kesehatan yang berhubungan dengan kegiatan rekreasi dipilih sebagai variabel laten yang terkait dengan partisipasi. Konstrukslingkungan terdiri dari variabel laten yang berpengaruh terhadap partisipasi lingkunganalami, interpersonal, terbangun, latar belakang, dan lingkungan yang mendukung. Pemodelan SEM dapat menjadi alat penting untuk memeriksa secara empiris kontribusi dari variabel laten partisipasi dan lingkungan. .SUMBER: .DIUNDUH DARI: http://www.archives-pmr.org/article/S0003-9993%2810%2900250-9/abstract…

  37. Application of Structural Equation Model for Exploring the influence of Environmental Factors on Phytoplankton in Bohai Bay Xiao Fu Xu, Jian Hua Tao. 2011. Advanced Materials Research, 347-353, 1832 Model persamaan struktural ( SEM ) digunakan untuk mengeksplorasi pengaruh faktor lingkungan pesisir thdfitoplankton di Teluk Bohai . SEM adalah metode statistik multivariat dan dengan menggunakannya , peneliti dapat membangun konsep teoritis , uji reliabilitas pengukurannya , berhipotesis dan mengevaluasi jaringan hubungan antara variabel . Dalam penelitian ini model hipotesisnyaadalahpengaruh lingkungan fisik ( suhu, salinitas , dan PH ) dan nitrogen ( nitrogen total terlarut anorganik , jumlah fosfat anorganik terlarut , dan silikat ) terhadap total biomassa fitoplankton . Dengan model ini , diketahuibahwa haramemiliki efek lebih besar thdbiomassa fitoplankton dan ada korelasi yang kuat antara haradengan lingkungan fisik . Selain itu , salinitas berpengaruh positif terbesar thdfitoplankton , sedangkan jumlah N-anorganik terlarut memiliki efek negatif terbesar . Umumnya, SEM memberikan hasil yang logisdan memungkinkan identifikasi peran faktor abiotik terhadapfitoplankton . .SUMBER: .DIUNDUH DARI: …http://www.scientific.net/AMR.347-353.1832

  38. Application of Structural Equation Models for Elucidating the Ecological Drivers of Anopheles sinensis in the Three Gorges Reservoir Wang Duo-quan, Tang Lin-hua mail, Liu Heng-hui, Gu Zhen-cheng, Zheng Xiang PLoS ONE 8(7): e68766. Penelitiandilakukan untuk mengidentifikasi driver ekologi utama terhadapkepadatan vektor malaria dengan menggunakan model persamaan struktural ( SEM ) di lokasiThree Gorges Reservoir . Sebuah surveilans selama11 - tahun vektor malaria serta faktor ekologi yang terkait dilakukan di Three Gorges Reservoir . Metode Delphi digunakan untuk mengidentifikasi faktor-faktor ekologis terkait . Model persamaan struktural (SEM) berulang kali diperbaiki dengan indeks terkoreksi , dikombinasikan dengan situasi aktual . Model akhir yang ditentukan relatif sederhana , terbaik danpraktis . Model akhir menunjukkan bahwa efek langsung dari suhu , ternak , kelembaban, dan breedingthdvektor adalah 0,015 , -0,228 , 0.450 , 0.516, total pengaruhnya terhadap vektor adalah 0,359 , -0,112 , 0.850 , dan 0.043 melalui jalur yang berbeda . SEM adalah efektif dan nyaman dalam menjelaskan mekanisme bagaimanadinamika vektor malaria bekerja. Model ini mengidentifikasi bahwa peternakan memiliki pengaruh langsung tertinggi thdvektor dan memainkan peran penting untuk mediasipengaruh suhu dan kelembaban . .SUMBER: .DIUNDUH DARI: http://www.plosone.org/article/info:doi/10.1371/journal.pone.0068766…

  39. Structural Equation Modeling for Ecology & Evolutionary Biology Jarrett E. K. Byrnes (University of Massachusetts Boston ) http://jarrettbyrnes.info/sem …… . .SUMBER: .

  40. SEM adalah bentuk Modeling Grafis Struktur di SEM menyiratkan kausalitas

  41. .. SEM: Penggunaan dua atau lebih persamaan struktural untuk mengevaluasi efek langsung dan tidak langsung dalam suatu sistem Ide sederhana untuk SolusiSistem Kompleks

  42. SEM sebagaiSatuKesatuanProses Teori Spesifikasi Model Pengukuran & Samping Estimasi Modifikasi Model Pendugaan Fit Interpretasi .SUMBER: .

  43. Mediation in SEM .SUMBER: .

  44. ...Model denganDua Mediator… Pestisida Caprellids Gammarids Apakah Caprellids menjelaskan efek pestisida yang tersisa? Epifit Macro-algae Eelgrass .SUMBER: .

  45. ...Model denganDua Mediator… Pestisida Caprellidsmenjelaskanefekpestisida (yang tersisa). -0.40 Gammaridslebihtepatdikendalikandenganpestisida -0.75 ε 0.38 Caprellids Gammarids ε Makroalga memfasilitasisemua amphipods dansecara tidak langsung mempromosikanherbivora, melindungieelgrass. 0.46 -0.33 -0.64 0.42 Epifit Macro-algae Eelgrass ε -0.14 Kerapatan eelgrass yang lebihtinggiberhubungandnegankerapatanepifit yang lebihtinggi

  46. Environmental and Ecological Statistics. March 2000, Vol 7, Issue 1, pp 93-111 Using structural equation modeling to investigate relationships among ecological variables Ziad A. Malaeb, J. Kevin Summers, Bruce H. Pugesek Pemodelan SEM adalah proses statistik multivariat canggih yang manapeneliti dapat membangun konsep teoritis , uji reliabilitas pengukurannya , hipotesa dan menguji sebuah teori tentang hubungan, memperhitungkan kesalahan pengukuran, dan mempertimbangkan dampak langsung dan tidak langsung dari satuvariabel terhadaplainnya. Variabel laten adalah konsep teoritis yang menyatukan fenomena menjadiistilah tunggal , misalnya , kesehatan ekosistem , kondisi lingkungan , dan polusi . Variabel laten yang tidak diukur secara langsung tetapi dapat dinyatakan dalam satu atau lebih variabel langsung terukur disebut indikator . Seorangpeneliti dapat mendefinisikan , membangun , dan menguji validitas variabel laten sebagaitugas akhirnya . Penelitilain dapatmenguji hubungan hipotetikantarvariabel laten. Penelitianinimenganalisis matriks korelasi sebelas variabel lingkungan dari US Environmental Protection Agency ( USEPA ) Pemantauan Lingkungan dan Program Penilaian untuk Estuaries ( EMAP - E ) dengan menggunakan model SEM. Model konseptual nyamenggambarkan saling ketergantungan antara empat variabel laten kontaminasi sedimen , variabilitas alam , keanekaragaman hayati , dan potensi pertumbuhan . Secara khusus , penelitimengukur dampak langsung, tidak langsung , dan jumlah kontaminasi sedimen dan variabilitas alam keanekaragaman hayati dan potensi pertumbuhan . Model SEM sesuai dengan data dan menyumbang 81 % dari variabilitas keanekaragaman hayati dan 69 % dari variabilitas potensi pertumbuhan . Model ini mengungkapkan efek total positif variabilitas alami terhadappotensi pertumbuhan. Variabilitas alami memiliki efek negatif langsung terhadap potensi pertumbuhan besarnya -0,3251 dan pengaruh tidak langsung positif dimediasi melalui keanekaragaman hayati besarnya 0,4509 , menghasilkan efek total positif bersih dari 0,1258 . Variabilitas alami memiliki efek langsung yang positif terhadap keanekaragaman hayati besarnya 0,5347 dan pengaruh tidak langsung negatif dimediasi melalui potensi pertumbuhan besarnya -0,1105 menghasilkan total efek positif dari besarnya 0,4242 . Kontaminasi sedimen memiliki efek negatif langsung terhadap keanekaragaman hayati besarnya -0,1956 dan efek tidak langsung negatif terhadap potensi pertumbuhan melalui keanekaragaman hayati besarnya -0,067 . Keanekaragaman memiliki efek positif pada potensi pertumbuhan sebesar 0,8432 , dan potensi pertumbuhan memiliki efek positif terhadap keanekaragaman hayati besarnya 0,3398 . Korelasi antara keanekaragaman hayati dan potensi pertumbuhan diperkirakan 0,7658 dan bahwa antara kontaminasi sedimen dan variabilitas alam pada -0,3769 . .SUMBER: .

  47. Spatial and Temporal Analysis of Surface Ozone in Urban Area: A Multilevel and Structural Equation Model Approach S. B. Nugroho, A. Fujiwara and J. Zhang Air Pollutants Interactions Model for Jakarta City

  48. …… . .SUMBER: .DIUNDUH DARI: …

More Related