Transcript KONSEP STRUCTURAL EQUATION MODEL (SEM)
Slide 1
KONSEP DASAR
STRUCTURAL
EQUATION MODEL
(SEM)
Drs. Muhammad Jihadi,
M.Si.
[email protected]
[email protected]
1
Slide 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
2
Slide 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 :
Back
– Variabel Laten EKSOGEN (-ksi) Var. Bebas
– Variabel Laten ENDOGEN (-eta) Var. Terikat
• Simbol : Elips atau lingkaran
Latent
Eksogen
Latent
Endogen
3
Slide 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.
4
Slide 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 adalahBack
(“beta”)
• Model Pengukuran
– Menggambarkan hubungan antara variabel latent
dengan variabel teramati.
– Factor loading yang menghubungkan variabel
latent dan variabel teramati dinotasikan
5
Slide 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”)
Back
• 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”)6
Slide 7
Structural Equation Modelling
Epsilon
1 4
2 4
3 4
Y1
Y2
Y3
4 4
Lamda
11
21
1 1
X1
X2
2
1
3
31
X3
1
Delta
X4
1
ksi
14 24
1
41
Gamma
4 1
41
Likuiditas
Zeta
1
MBP
Eta
Y4
34 44
Slide 8
Rumus-rumus
Persamaan dalam model Struktural :
1 = 41 * 1 + 1
Persamaan dalam model Pengukuran :
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
Back
8
Slide 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 setinggitingginya untuk setiap degree of freedom.
9
Slide 10
Uji Kecocokan
UKURAN
GOF`
TINGKAT KECOCOKAN YANG BISA DITERIMA
ABSOLUTE-FIT MEASURES
Statistik Chi
Square (X2)
Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan.
Semaikn kecil semakin baik.
Non-Centrality
Parameter
(NCP)
Dinyatakan dalam bentuk spesifikasi ulang dari Chi Square. Penilaian
didasarkan atas perbandingan dengan model lain. Semakin kecil
semakin baik.
Scaled NCP
(SNCP)
NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap
observasi dalam rangka perbandingan antar model. Semakin kecil
semakin baik.
Goodness of
Fit Index (GFI)
Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik. GFI
>= 0,9 adalah good fit, sedang 0,8 <= GFI < 0,9 adalah marginal fir
Root Mean
Square
Residual
(RMSR)
Residual rata-rata antara matrix (korelasi atau kovarian) teramati dan
hasil estimasi RMSR <= 0,05 adalah good fit
Root Mean
Rata-rata perbedaan per degree of freedom yang diharapkan terjadi
Square Error of dalam populasi dan bukan dalam sampel. RMSEA <= 0,08 adalah good
Approximation fit, sedang RMSEA < 0,05 adalah close fit
10
(RMSEA)
Slide 11
Uji Kecocokan
UKURAN GOF
TINGKAT KECOCOKAN YANG BISA DITERIMA
INCREMENTAL-FIT MEASURES
Trucker-Lewis
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik.
Index atau non
GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal.
normed Fit Index
(TLI atau NNFI)
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 Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik.
(RFI)
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.
11
Slide 12
Uji Kecocokan
UKURAN GOF
TINGKAT KECOCOKAN YANG BISA DITERIMA
PARSIMONIOUS FIT OF MEASURES
Parsimonious
Goodness of Fit
(PGFI)
Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan
parsimoni yang lebih besar. Untuk ini digunakan untuk perbandingan
dianatar model-model.
Normed Chi
Square
Rasio antara Chi Square dibagi degree of freedom. Nilai yang
disarankan: batas bawah : 1,0 ; batas atas 2,0 atau 3,0dan yang
lebih longgar 5,0
Parsimonious
Normed Fit Index
(PNFI)
Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan
untuk perbandingan antara model
Akaike Information
Criterion (AIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik ; digunakan
untuk perbandingan antar model.
Consistent Akaike
Information
Criterion (CAIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik ; digunakan
untuk perbandingan antar model.
12
Slide 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
13
Slide 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
14
KONSEP DASAR
STRUCTURAL
EQUATION MODEL
(SEM)
Drs. Muhammad Jihadi,
M.Si.
[email protected]
[email protected]
1
Slide 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
2
Slide 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 :
Back
– Variabel Laten EKSOGEN (-ksi) Var. Bebas
– Variabel Laten ENDOGEN (-eta) Var. Terikat
• Simbol : Elips atau lingkaran
Latent
Eksogen
Latent
Endogen
3
Slide 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.
4
Slide 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 adalahBack
(“beta”)
• Model Pengukuran
– Menggambarkan hubungan antara variabel latent
dengan variabel teramati.
– Factor loading yang menghubungkan variabel
latent dan variabel teramati dinotasikan
5
Slide 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”)
Back
• 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”)6
Slide 7
Structural Equation Modelling
Epsilon
1 4
2 4
3 4
Y1
Y2
Y3
4 4
Lamda
11
21
1 1
X1
X2
2
1
3
31
X3
1
Delta
X4
1
ksi
14 24
1
41
Gamma
4 1
41
Likuiditas
Zeta
1
MBP
Eta
Y4
34 44
Slide 8
Rumus-rumus
Persamaan dalam model Struktural :
1 = 41 * 1 + 1
Persamaan dalam model Pengukuran :
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
Back
8
Slide 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 setinggitingginya untuk setiap degree of freedom.
9
Slide 10
Uji Kecocokan
UKURAN
GOF`
TINGKAT KECOCOKAN YANG BISA DITERIMA
ABSOLUTE-FIT MEASURES
Statistik Chi
Square (X2)
Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan.
Semaikn kecil semakin baik.
Non-Centrality
Parameter
(NCP)
Dinyatakan dalam bentuk spesifikasi ulang dari Chi Square. Penilaian
didasarkan atas perbandingan dengan model lain. Semakin kecil
semakin baik.
Scaled NCP
(SNCP)
NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap
observasi dalam rangka perbandingan antar model. Semakin kecil
semakin baik.
Goodness of
Fit Index (GFI)
Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik. GFI
>= 0,9 adalah good fit, sedang 0,8 <= GFI < 0,9 adalah marginal fir
Root Mean
Square
Residual
(RMSR)
Residual rata-rata antara matrix (korelasi atau kovarian) teramati dan
hasil estimasi RMSR <= 0,05 adalah good fit
Root Mean
Rata-rata perbedaan per degree of freedom yang diharapkan terjadi
Square Error of dalam populasi dan bukan dalam sampel. RMSEA <= 0,08 adalah good
Approximation fit, sedang RMSEA < 0,05 adalah close fit
10
(RMSEA)
Slide 11
Uji Kecocokan
UKURAN GOF
TINGKAT KECOCOKAN YANG BISA DITERIMA
INCREMENTAL-FIT MEASURES
Trucker-Lewis
Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik.
Index atau non
GFI>=0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal.
normed Fit Index
(TLI atau NNFI)
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 Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik.
(RFI)
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.
11
Slide 12
Uji Kecocokan
UKURAN GOF
TINGKAT KECOCOKAN YANG BISA DITERIMA
PARSIMONIOUS FIT OF MEASURES
Parsimonious
Goodness of Fit
(PGFI)
Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan
parsimoni yang lebih besar. Untuk ini digunakan untuk perbandingan
dianatar model-model.
Normed Chi
Square
Rasio antara Chi Square dibagi degree of freedom. Nilai yang
disarankan: batas bawah : 1,0 ; batas atas 2,0 atau 3,0dan yang
lebih longgar 5,0
Parsimonious
Normed Fit Index
(PNFI)
Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan
untuk perbandingan antara model
Akaike Information
Criterion (AIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik ; digunakan
untuk perbandingan antar model.
Consistent Akaike
Information
Criterion (CAIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik ; digunakan
untuk perbandingan antar model.
12
Slide 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
13
Slide 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
14