1 / 14

KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM)

KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM). Drs. Muhammad Jihadi, M.Si. jihadi @umm.ac.id mjihadi@yahoo.com. KONPONEN MODEL UMUM SEM. 2 JENIS VARIABEL Variabel Latent Variabel Teramati (Observed atau Measured Variable) 2 JENIS MODEL Model Struktural Model Pengukuran

havard
Télécharger la présentation

KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM)

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. KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM) Drs. Muhammad Jihadi, M.Si. jihadi@umm.ac.id mjihadi@yahoo.com

  2. KONPONEN MODEL UMUM SEM 2 JENIS VARIABEL Variabel Latent Variabel Teramati (Observed atau Measured Variable) 2 JENIS MODEL Model Struktural Model Pengukuran 2 JENIS KESALAHAN Kesalahan Struktural Kesalahan Pengukuran

  3. VARIABEL LATEN Variabel kunci yang menjadi perhatian Berupa konsep abstrak Hanya dapat diamati secara tidak langsung melalui efeknya pada variabel-variabel teramati (observed variabel) Jenis Variabel Laten : Variabel Laten EKSOGEN (-ksi)  Var. Bebas Variabel Laten ENDOGEN (-eta) Var. Terikat Simbol : Elips atau lingkaran Latent Eksogen Latent Endogen Back

  4. VARIABEL TERAMATI Variabel yang dapat diamati atau diukur secara empiris  disebut INDIKATOR Berupa efek atau ukuran dari variabel laten. Contoh : pada setiap pertanyaan dalam kuesioner mewakili sebuat variabel teramati.

  5. MODEL dalam SEM Model Struktural Menggambarkan hubungan antar Variabel Latent Parameter yang menunjukkan regresi Var. Latent Bebas terhadap variabel latent terikat adalah (“gamma”) Parameter yang menunjukkan regresi Var. Latent Terikat terhadap variabel terikat lainnya adalah  (“beta”) Model Pengukuran Menggambarkan hubungan antara variabel latent dengan variabel teramati. Factor loading yang menghubungkan variabel latent dan variabel teramati dinotasikan  (“lamda”) Back

  6. KESALAHAN dalam SEM Kesalahan Struktural Variabel Latent Bebas tidak dapat secara sempurna memprediksi Variabel Terikat, sehingga dalam model struktural ditambahkan komponen kesalahan struktural  (“zeta”) Kesalahan Pengukuran Variabel-variabel teramati tidak dapat secara sempurna menggambarkan variabel latent, sehingga perlu ditambahkan komponen kesalahan pengukuran. Yang berkaitan Var. Teramati X   (“delta”) Yang berkaitan Var. Teramati Y   (“epsilon”) Back

  7. X1 Structural Equation Modelling Epsilon 14 24 34 44 Lamda 11 11 Y4 Y1 Y2 Y3 14 24 21 21 X2 Zeta 34 44 Likuiditas 1 1 31 ksi 41 MBP 31 X3 1 Gamma Eta 41 41 X4 Delta

  8. Rumus-rumus Persamaan dalam model Struktural : 1 = 41 * 1 + 1 Persamaan dalam model Pengukuran : Back Likuiditas: MBP : X1 = 1 1 * 1 + 11 Y1 = 1 4 * 1 + 11 X2 = 2 1 * 1 + 21 Y2 = 2 4 * 1 + 21 X3 = 3 1 * 1 + 31 Y3 = 3 4 * 1 + 31 X4 = 4 1 * 1 + 41 Y4 = 4 4 * 1 + 41

  9. Uji Kecocokan Ukuran kecocokan absolut : menentukan derajat prediksi model keseluruhan (model) struktural dan pengukuran) terhadap matrik korelasi dan kovarian Ukuran kecocokan inkremental : membandingkan model yang diusulkan dengan model dasar yang sering disebut sebagai null model atau independence model Ukuran kecocokan parsimoni : mengkaitkan model dengan jumlahkoefisien yang diestimasi, yakni yang diperlukan untuk mencapai kecocokan pada tingkat tersebut. Parsimoni atau kehematan berarti memperoleh degree of fit setinggi-tingginya untuk setiap degree of freedom.  Parsimoni yang lebih banyak lebih baik.

  10. Uji Kecocokan

  11. Uji Kecocokan UKURAN GOF TINGKAT KECOCOKAN YANG BISA DITERIMA INCREMENTAL-FIT MEASURES Trucker-Lewis Index atau non normed Fit Index (TLI atau NNFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Normed Fit Index (NFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Adjusted Goodness of Fit Index (AGFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Relative Fir Index (RFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Incremental Fit Index (IFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Comparative Fit Index Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal.

  12. Uji Kecocokan

  13. Uji Kecocokan Kecocokan Model Pengukuran EVALUASI VALIDITAS Rigdon dan Ferguson (1991) & Doll, Xia, Torkzadeh (1994) : Variabel dikatakan mempunyai validitas yang baik terhadap variabel latentnya, jika : Nilai t muatan faktornya (factor loading) lebih besar dari nilai kritis (> 1,96 ) Muatan faktor standarnya (standardized factor loadings) lebih besar atau sama dengan 0,70

  14. Uji Kecocokan Kecocokan Model Pengukuran EVALUASI RELIABILITAS Reliabilitas konstruk dikatakan baik, jika : Nilai construct reliability-nya >= 0,70 dan Nilai variance extracted-nya >=0,50

More Related