1 / 62

PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel

PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel. Oleh : Deni Wardani. MATERI PELATIHAN. BAGIAN I KONSEP DAN PROSEDUR Konsep SEM Prosedur SEM BAGIAN II STUDI KASUS Penyelesaian Studi Kasus. KONSEP DAN PROSEDUR.

erwin
Télécharger la présentation

PELATIHAN SEM ( STRUCTURAL EQUATION MODEL ) Menggunakan Lisrel

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. PELATIHAN SEM(STRUCTURAL EQUATION MODEL)MenggunakanLisrel Oleh: Deni Wardani

  2. MATERI PELATIHAN • BAGIAN I KONSEP DAN PROSEDUR • Konsep SEM • Prosedur SEM • BAGIAN II STUDI KASUS • PenyelesaianStudiKasus

  3. KONSEP DAN PROSEDUR • Apasebenarnyastructural equation modeling  (SEM) itu? • Terdapat beberapa definisi SEM, diantaranya ialah sebagai berikut: • Structural equation modelingadalahsuatuteknik modeling statistik yang bersifatsangat cross-sectional, linear danumum. Termasukdalam SEM iniialahanalisisfaktor (factor analysis), analisisjalur (path analysis) danregresi (regression ). • structural equation modeling (SEM) adalahteknikanalisismultivariat yang umumdansangatbermanfaat yang meliputiversi-versikhususdalamjumlahmetodeanalisislainnyasebagaikasus-kasuskhusus. • Structural equation modeling (SEM) merupakanteknikstatistik yang digunakanuntukmembangundanmenguji model statistik yang biasanyadalambentuk model-model sebabakibat. • SEM sebenarnyamerupakanteknikhibrida yang meliputiaspek-aspekpenegasan (confirmatory) darianalisisfaktor, analisisjalurdanregresi yang dapatdianggapsebagaikasuskhususdalam SEM.

  4. PERKEMBANGAN SEM

  5. PERKEMBANGAN SEM • Model JKW (Joreskog, 1973; Keesling, 1972; Wiley, 1973), yang terdiri2 bagian: • Model VariabelLaten • Model iniserupadenganpersamaansimultanpadaekonometri, hanyasemuavariabelnyaadalahvariabellaten. • Model Pengukuran • Model inimenunjukkanindikator-indikatorsebagaiefekdarivariabellaten, sepertipadaanalisis-faktoryangbanyakdigunakanpadapsikometridansosiometri.

  6. PERKEMBANGAN SEM • Model JKW merupakancikalbakaldari model LISREL(LInearStructuralRELationship) dandewasainijugadikenalsebagai Structural Equation Model(SEM) • DukunganPerangkatLunakKomputer • Perangkatlunakkomputer(computer software) mendorongperkembangandanpopularitasSEM. PerangkatlunakSEM yang banyakdigunakandi Indonesia: • LISREL • AMOS

  7. SEM VS MULTIVARIAT • SEM mampumemodelkankonsepvariabellaten yang tidakteramatisecaralangsung. (Padamultivariatlainnyasemuavariabelnyaadalahvariabelteramati) • SEM mampu memodelkan hubungan kausal yang kompleks di antara variabel-variabel Persamaan Simultan (Pada multivariat yang lain lazimnya hanya satu persamaan) • Hubungankausal yang komplekstersebutterjadidiantaravariabellatendanbisadiestimasisekaligusatausimultan. (Padamultivariat yang lain, estimasidilakukansatupersamaansetiap kali estimasi)

  8. KOMPONEN DALAM MODEL UMUM SEM • 2 JENIS VARIABEL • VariabelLaten(Latent Variable) • VariabelTeramati(Observed atau Measured Variable) • 2 JENIS MODEL • Model Struktural(Structural Model) • Model Pengukuran(Measurement Model) • 2 JENIS KESALAHAN • KesalahanStruktural (Structural Error) • KesalahanPengukuran (Measurement Error)

  9. VARIABEL DI DALAM SEM • VariabelLaten • Merupakan variabel kunci yang menjadi perhatianpeneliti • Merupakankonsepabstrak. (Contohdalampsikologiadalahperilaku, sikap, perasaan, motivasidllnya) • Hanyadapatdiamatisecaratidaklangsungdantidaksempurnamelaluiefeknyapadavariabel-variabelteramatiatauindikator-indikator

  10. VARIABEL DI DALAM SEM • VariabelLaten • Simbolvariabellatendalam Diagram Lintasan • Simboluntukhubungankausal

  11. VARIABEL DI DALAM SEM • VariabelLaten • VariabelLatenEksogen Dalam Diagram Lintasan, variabellateneksogentidakpernahkenapanah. • VariabelLaten Endogen Dalam Diagram Lintasan, variabel yang terkenapanahsatu kali sajamerupakanvariabellaten endogen

  12. VARIABEL DI DALAM SEM • VariabelTeramati(Observed Variable) • VariabelTeramatiadalahvariabel yang dapatdiamatiataudapatdiukursecaraempirisdanseringdisebutsebagaiindikator • Variabelteramatimerupakanefekatauukurandarivariabellaten (Reflektif). • Padametodesurvaidenganmenggunakankuesioner, setiappertanyaanpadakuesionerbiasanyamewakilisebuahvariabelteramati.

  13. VARIABEL DI DALAM SEM • VariabelTeramati(Observed Variable) • Simbolvariabelteramatidalam Diagram Lintasan

  14. MODEL DI DALAM SEM • Model Struktural • Menggambarkanhubungan-hubungan yang adadiantaravariabellaten. • Hubungan-hubunganiniumumnya linier, meskipunpadaperluasan SEM hubungan non-linier dimungkinkan. • Sebuahhubungandiantaravariabellatenserupadengansebuahpersamaanregresilinierdiantaravariabellatentersebut. • Beberapapersamaanregresi linier tersebutmembentukpersamaansimultandiantaravariabel-variabellaten (serupapersamaansimultandiekonometri).

  15. MODEL DI DALAM SEM • Model Struktural • Diagram Lintasandari Model Struktural • Persamaan (PersamaanRegresi) • 1. Conduc = Gamma * Strat • 2.Perf = Beta * Conduc Catatan: Gamma dan Beta adalahkoefisienstruktural (yang serupadengankoefisienregresi). Manavariabellateneksogendanmana yang endogen?

  16. MODEL DI DALAM SEM • Model Struktural • Contoh Model Struktural (Recursive) • Persamaan • Eta-1 = Gamma11 * Ksi-1 + Gamma12 * Ksi-2 • Eta-2 = Beta21 * Eta-1 • Eta-3 = Beta31 * Eta-1 + Gamma32 * Ksi-2

  17. MODEL DI DALAM SEM • Model Struktural • Hubungan Reciprocal (Non-Recursive) • Persamaan • Eta-1 = Beta12 * Eta-2 • Eta-2 = Beta21 * Eta-1 • HubunganKovarian atauKorelasi (panahmelengkungduaarah)

  18. MODEL DI DALAM SEM • Model Pengukuran • Setiapvariabellatenbiasanyamempunyaibeberapavariabelteramatiatauindikator. • Dalam model ini, setiapvariabellatendimodelkansebagaisebuahfaktor yang mendasaribeberapavariabelteramatiterkait . • Hubunganantarasebuahvariabellatendenganvariabel-variabelteramatidimodelkandalambentukanalisisfaktor. Olehkarenaitu, model pengukuraniniseringdisebutsebagaiConfirmatory Factor Analysis Modelatau Model CFA.

  19. MODEL DI DALAM SEM • Model Pengukuran • Koefisienhubunganantaravariabellatendanvariabelteramatiterkaitdisebutmuatanfaktoratauloading factor. • Muatanfaktormenunjukkankekuatanvariabelteramatidalammerepresentasikanataumerefleksikanvariabellatenterkait. • Model pengukuran yang paling umumdalamaplikasi SEM adalahmodel pengukurankon-generik (congeneric measurement model), dimanasetiapvariabelteramatihanyaberhubungandenganataumerepresentasikansatuvariabellaten.

  20. MODEL DI DALAM SEM • Model Pengukuran • Diagram Lintasandari model Pengukuran • Persamaan: • MOTIV01 = LF1 * Motivasi • MOTIV02 = LF2 * Motivasi • MOTIV03 = LF3 * Motivasi • Catatan: LF1, LF2, dan LF3 adalahLoading Factor. Untuk Standardized Loading Factor (SLF) nilainyaakanberkisarantara 0 sampai 1 (danbisa -1 sampai 0).

  21. KESALAHAN DALAM SEM • KesalahanStruktural • Sepertipadapersamaanregresi,variabellatenbebastidakdapatsecarasempurnamemprediksivariabellatenterikat, sehinggadalam model strukturalbiasanyaditambahkankomponenkesalahanstruktural(structural error). • Dalam Diagram Lintasan, kesalahanstrukturalbiasanyatidakadasimbolnya (kadang-kadangada yang menggunakansimbollingkaranatauelipskecil) • Penambahankesalahanstrukturalpada model membuat model strukturalmenjadilengkap.

  22. KESALAHAN DALAM SEM • KesalahanStruktural • KesalahanStrukturaldalam Model Struktural • Persamaan • Eta-1 = Gamma11 * Ksi-1 + Gamma12 * Ksi-2 + Zeta1 • Eta-2 = Beta21 * Eta-1 + Zeta2 • Eta-3 = Beta31 * Eta-1 + Gamma32 * Ksi-2 + Zeta3

  23. KESALAHAN DALAM SEM • KesalahanPengukuran • Dalam SEM, variabel-variabelteramatitidakdapatsecarasempurnamerefleksikan/menggambarkanvariabellatenterkait.Untukmemodelkanketidak-sempurnaanini, dilakukanpenambahankomponenkesalahanpengukuran(measurement error) kedalam model. • Persamaan • MOTIV01 = LF1 * Motivasi + DELTA1 • MOTIV02 = LF2 * Motivasi + DELTA2 • MOTIV03 = LF3 * Motivasi + DELTA3

  24. KESALAHAN DALAM SEM • KesalahanPengukuran • Model PengukurandenganIndikator Tunggal (single Indicator) • Asumsi : MOTIVLVS 100% mereleksikan Motivasi (Kesalahan = 0)  • MOTIVLVS = 1 * Motivasi + 0 • TANGI02 tidak 100% merefleksikan Tangible (Kesalahan = EPSILON2) • TANGI02 = 1 * Tangible + EPSILON2

  25. MODEL LENGKAP SEM

  26. MODEL LENGKAP SEM • Persamaan • PersamaanStruktural • Eta-1 = Gamma11 * Ksi-1 + Gamma12 * Ksi-2 + Zeta1 • Eta-2 = Beta21 * Eta-1 + Zeta2 • Eta-3 = Beta31 * Eta-1 + Gamma32 * Ksi-2 + Zeta3 • Persamaan Model PengukuranVariabelLateneksogen X1 = Lx11 * Ksi1 + Delta1 X4 = Lx42 * Ksi2 + Delta4 X2 = Lx21 * Ksi1 + Delta2 X5 = Lx52 * Ksi2 + Delta5 X3 = Lx3 1* Ksi1 + Delta3 • Persamaan Model PengukuranVariabelLaten endogen Y1 = Ly11 * Eta1 + Epsilon1 Y7 = Ly73 * Eta3 + Epsilon7 Y2 = Ly21 * Eta1 + Epsilon2 Y8 = Ly83 * Eta3 + Epsilon8 Y3 = Ly3 1* Eta1 + Epsilon3 Y6 = Ly93 * Eta3 + Epsilon9 Y4 = Ly42 * Eta2 + Epsilon4 Y5 = Ly52 * Eta2 + Epsilon5 Y6 = Ly62 * Eta2 + Epsilon6

  27. NOTASI MATEMATIK SEM • VariabelLatendanVariabelTeramati • VariabelLatenEksogen: ‘ ξ(Ksi)’ • VariabelLaten Endogen: ‘ η(Eta)’ • VariabelTeramati (Indikator) untukVariabelLatenEksogenadalah ‘x’, sedangkanuntukVariabellaten Endogen adalah ‘y’.

  28. NOTASI MATEMATIK SEM • Model StrukturaldanPengukuran • Model Struktural • Koefisiendaripathantaraξdanηadalah ‘γ(gamma)’ sedangkanantaraηdenganηadalah ‘β(beta)’ • Model Pengukuran • Loading factor antara x denganξadalah ‘λx(lambda x)’ sedangkanantara y denganηadalah ‘λy(lambda y)’

  29. NOTASI MATEMATIK SEM • KesalahanStrukturaldanPengukuran • KesalahanStruktural • KesalahanStrukturaldiberinotasi ‘ζ(Zeta)’ • KesalahanPengukuran • KesalahanPengukuranuntukvariabellateneksogenadalah ‘δ(delta)’ danauntukvariabellaten endogen adalah ‘ε(epsilon)’

  30. NOTASI MATEMATIK SEM

  31. NOTASI MATEMATIK SEM • Persamaan • Persamaan Model Struktural • η1= γ11ξ1+ γ12ξ2+ ζ1 • η2= β21η1+ζ2 • η3= β31+ γ32ξ2+ ζ3 • DalamBentukMatrik • η = Βη+ Γξ+ ζ

  32. NOTASI MATEMATIK SEM • Persamaan • Persamaan Model PengukuranVariabelLatenEksogen • x1= λx11ξ1+ δ1 • x2= λx21ξ1+ δ2 • x3= λx31ξ1+ δ3 • x4= λx42ξ2+ δ4 • x5= λx52ξ2+ δ5 • DalamBentukMatrik x = Λxξ+ δ

  33. NOTASI MATEMATIK SEM • Persamaan • Persamaan Model PengukuranVariabelLaten Endogen • y1= λy11η1+ ε1 • y2= λy21η1+ ε2 • y3= λy31η1+ ε3 • y4= λy42η2+ ε4 • y5= λy52η2+ ε5 • y6= λy62η2+ ε6 • y7= λy73η3+ ε7 • y8= λy83η3+ ε8 • y9= λy93η3+ ε9 • DalamBentukMatrik y = Λyη+ ε

  34. NOTASI MATEMATIK SEM • Persamaan SEM η = Βη+ Γξ+ ζ x = Λx ξ+ δ y = Λyη+ ε

  35. PROSEDUR SEM • PENDAHULUAN • Penerapan SEM danStatistikuntukPenelitian • PenerapanStatistik • Didasarkan atas pengamatanatauobservasi secara individual. • Residual merupakanperbedaanantaranilai yang dicocokkan (fitted) dengannilai yang diamatiuntuksetiapkasus yang adadalamsampel. • Fungsi yang diminimumkanadalahperbedaanantaranilai yang diamatidengannilai yang diprediksi. • Penerapan SEM • Didasarkan atas kovarian dari nilai-nilai yang ada di dalam sampel • Residual merupakan perbedaan antara kovarian yang diprediksi/dicocokkan dengan kovarian yang diamati. • Fungsi yang diminimumkanadalahperbedaanantarakovariansampeldengankovarian yang diprediksioleh model

  36. PROSEDUR SEM • ProsesPencocokan Model

  37. PROSEDUR SEM • ProsesPencocokan Model Data = Model + Residual • Data: mewakilinilaipengukuran yang berkaitandenganvariabel-variabelteramatidanmembentuksampelpenelitian • Model: mewakili model yang dihipotesiskan/ dispesifikasikanolehpeneliti • Residual: Perbedaanantara model yang dihipotesiskandengan data yang diamati. • TujuanPencocokan Model: MinimisasiResidualatau Residual 0

  38. PROSEDUR SEM • Hipotesis Fundamental • HipotesisNol • ∑= ∑() • Di mana: • ∑ adalahmatrikkovarianpopulasidarivariabel-variabelteramati • ∑()adalahmatrikkovariandari model yang dispesifikasikan/dihipotesiskan • Jikapadastatistikbiasanya yang dipentingkanadalahsignifikansiatau yang dicariadalahpenolakanterhadap H0 (sepertipadaregresiberganda), pada SEM yang diusahakanadalah agar H0 tidakditolakatau Ho diterima.

  39. PROSEDUR SEM • Prosedur SEM secaraumum (Bollen and Long, 1993) • Spesifikasi Model (Model Specification) • Identifikasi (Identification) • Estimasi (Estimation) • UjiKecocokan (Testing Fit) • Respesifikasi (Re-specification)

  40. SPESIFIKASI MODEL • Pembentukan model awalpersamaanstruktural, sebelumdilakukanestimasi. • Model awalinidiformulasikanberdasarkansuatuteoriataupenelitiansebelumnya. • Path Diagram (Diagram Lintasan)

  41. IDENTIFIKASI • Langkahiniditujukanuntukmenjaga agar model yang dispesifikasikanbukanmerupakan model yang under-identifiedatau unidentified. • Identifikasidalampersamaansimultan: • Under-Identified • Just Identified • Over Identified • Contoh sederhana dari Under-Identified (Contoh 1) • X + Y = 6 1 persamaan (data) dengan 2 bilangan tidak diketahui (parameter yang diestimasi)  Tidakadasolusi yang Unik

  42. IDENTIFIKASI • ContohsederhanadariJust-Identified(Contoh 2) • X + Y = 6 • 2X +Y = 10 2 persamaandengan 2 bilangantidakdiketahuiHanyaada 1 solusiyaitu X = 4 dan Y = 2 Contoh sederhana dari Over-Identified(Contoh 3) • X + Y = 6 • 2X + Y= 10 • 3X + Y = 12 3 persamaandengan 2 bilangantidadiketahuiSolusidiperolehmelaluiestimasiiteratif, dan yang cukupmendekatiadalah x = 3.0 dan Y = 3.3

  43. IDENTIFIKASI • Identifikasididalam SEM dan Degree of Freedom (df) • Under-Identifiedmodeladalah model dimanajumlah parameter yang diestimasilebihbesardarijumlah data yang diketahui (variance dan covariance darivariabel-variabelteramati) • df = Jumlah data -Jumlah parameter yang diestimasi; • df (contoh 1) = 1 -2 = -1 dfnegatif • Just –Identified modeladalah model dimanajumlah parameter yang diestimasisamadengan data yang diketahui. • df (contoh 2) = 2 -2 = 0 df =0 • Over-Identified modeladalah model dimanajumlah parameter yang diestimasilebihkecildarijumlah data yang diketahui. df (contoh 3)=3 -2 =1 dfpositif.

  44. ESTIMASI • Langkahiniditujukanuntukmemperolehestimasisetiap parameter yang dispesifikasikandalam model yang membentukmatrik ∑() , sedemikiansehingganilai parameter sedekatmungkindengannilai yang adadalammatrik S (matrikkovariandarivariabelteramati/ sampel). • Karena matrik kovarian populasi ∑ tidak diketahui maka ∑ ini diwakili oleh matrik kovarian sampel S. • Dengandemikian, berdasarkanhipotesisnol, makadiusahakan agar S - ∑()mendekatiatausamadengan nol. Hal inidapatdilaksanakandenganmeminimilasikansuatufungsi F(S, ∑() melaluiiterasi.

  45. ESTIMASI • Estimasiterhadap model dapatdilakukanmenggunakansalahsatudarimetodeestimasi yang tersedia: • Two Stage Least Square (TSLS) • Unweighted Least Squares (ULS) • Generalized Least Squares (GLS) • Maximum Likelihood (ML) • Robust ML • Generally Weighted Least Squares (WLS) • Diagonally Weighted Least Squares (DWLS) • Metodeestimasi yang paling banyakdigunakanadalahML, Robust MLdan WLS (ADF= Arbitrary Distribution Function)

  46. ESTIMASI • Untukestimasimenggunakan ML, fungsi yang diminimalisasikanadalah: • Sedangkanuntukestimasi WLS, fungsitersebut: • Minimisasifungsitersebutdapatdilakukanmelaluiiterasi (dimulaidengan initial value) sampaidiperolehnilai yang kecilatau minimal. Beberapaalgoritmauntukiterasitersedia (Loehlin 1992): • Fletcher-Powell (variant-nyadigunakanpada LISREL) • Gauss – Newton (digunakandi EQS) • Newton – Rhapson • Dan lain-lainnya

  47. ESTIMASI • Offending Estimates (Hair et.al. 1998) • negative error variances (Heywood Cases) ataunonsignificant error variances untukkonstruk-konstruk yang ada, • standardized coefficients melebihiatausangatdekatdengan 1, atau • standard errors yang berhubungandengankoefisien-koefisien yang diestimasimempunyainilaisangatbesar • Untukmengatasinya • Negative error variances error variancesditetapkan = nilaipositifkecil, misalnya 0.005 atau 0.01. • Nilaikoefisiendan errors standar yang besarmungkinkarenamisspecification dari model periksamodelnya (danubahkalauperlu)

  48. UJI KECOCOKAN • LangkahiniditujukanuntukmengevaluasiderajatkecocokanatauGoodness Of Fit(GOF) antara data dan model. • Langkahujikecocokaninimerupakanlangkah yang banyakmengundangperdebatandankontroversi (Bollendan Long, 1993). • Menurut Hair et.al. (1995) evaluasiterhadap GOF model dilakukanmelaluibeberapatingkatan, yaitu: • Kecocokankeseluruhan model (overall model fit) • AnalisisatauKecocokan model pengukuran (measurement model fit) • AnalisisatauKecocokan model struktural (structural model fit)

  49. UJI KECOCOKAN • TahappengujiankecocokanGoodness Of Fit (GOF) antara model dengan data, validitas, danreliabilitas model pengukuran, • Pengujiansignifikasikoefisien-koefisiendari model struktural.

  50. UJI KECOCOKAN • evaluasiterhadaptingkatkecocokan data dengan model dilakukanmelaluibeberapatahapan, yaitu: • Kecocokankeseluruhan model (overall model fit) • mengelompokkan GOFI yang adamenjadi 3 bagianyaitu: • absolute fit measures (ukurankecocokanabsolut) • incremental fit measures (ukurankecocokaninkremental) • parsimonious fit measures (ukurankecocokanparsimoni). • Kecocokan model pengukuran (measurement model fit) • Evaluasiterhadapvaliditas (validity) dari model pengukuran • Evaluasiterhadapreliabilitas (reliability) dari model pengukuran • Kecocokan model struktural (structural model fit)

More Related