- Model ‘Just – identified’– : jumlah poin data varian dan kovarian sama dengan jumlah parameter yang harus diestimasi. Model ini secara ilmiah tidak menarik karena tidak ada Degree of Freedom (DF) sehingga model harus selalu diterima / tidak dapat ditolak (Catatan: DF = data – parameter)
- Model ‘Over – identified’– : jumlah poin data varian dan kovarian variabel-variabel yang teramati lebih besar dari jumlah parameter yang harus diestimasi. Dengan demikian terdapat DF positif sehingga memungkinkan penolakan model
- Model ‘Under – identified’– : jumlah poin data varian dan kovarian lebih kecil dibandingkan dengan jumlah parameter yang harus diestimasi. Dengan demikian model akan kekurangan informasi yang cukup untuk mencari pemecahan estimasi parameter karena akan terdapat solusi yang tidak terhingga untuk model yang seperti ini.
- Saturated Model– : mempunyai parameter bebas sebanyak jumlah moments (rata-rata dan varian). Jika dianalisis dengan data yang lengkap, maka model akan selalu cocok dengan data sampel secara sempurna (Chi square = 0.0; DF = 0)
Tuesday, May 21, 2019
KONSEP IDENTIFIKASI MODEL (skripsi dan tesis)
ACUAN INDEKS KECOCOKAN MODEL (skripsi dan tesis)
- Nilai Chi Square : semakin kecil maka model semakin sesuai antara model teori dan data sampel. Nilai ideal sebesar <3
- Rasio Kritis (Critical Ratio) : Rasio deviasi tertentu dari nilai rata-rata standard deviasi. Nilai ini diperoleh dari estimasi parameter dibagi dengan standard error . Besar nilai CR adalah 1,96 untuk pembobotan regresi dengan significance sebesar 0,05 untuk koefesien jalurnya
- Jika nilai CR > 1,96 maka kovarian-kovarian faktor mempunyai hubungan signifikan
- Jika koefesien struktural dibuat standar , misalnya 2; maka var laten tergantung akan meningkat sebesar 2
- Kesalahan pengukuran sebaiknya sebesar 0
- Pembobotan regresi (regression weight): sebesar 1, tidak boleh sama dengan 0, bersifat random jika ada tanda ‘$’
- Spesifikasi model dengan nilai konstan 1
- Maximum Likehood Estimation– akan bekerja dengan baik pada sampel sebesar >2500
- Significance level (probabilitas) sebaiknya <0.05
- Reliabilitas konstruk (construct reliability): minimal sebesar 0,70 untuk faktor loadings
- Varian ekstrak (uji lanjut reliabilitas): nilai minimal 0.5 semakin mendekati 1 semakin reliabel
- Nilai indeks keselarasan (– goodness of fit index) (GFI): mengukur jumlah relatif varian dan kovarian yang besarnya berkisar dari 0 – 1. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik
- Nilai indeks keselarasan yang disesuaikan (– Adjusted Goodness of Fit Index (AGFI): Fungsi sama dengan GFI perbedaan terletak pada penyesuaian nilai DF terhadap model yang dispesifikasi. Nilai AGFI sama dengan atau lebih besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model mempunyai kesesuaian model keseluruhan yang baik
- Fungsi perbedaan sampel minimum (– The minimum sample discrepancy function (CMNF)) yang merupakan nilai statistik Chi Square dibagi dengan nilai derajat kebebasan (degree of freedom (df)) disebut juga Chi Square relatif dengan besaran nilai kurang dari 0,2 dengan toleransi dibawah 0,3 yang merupakan indikator diterimanya suatu kecocokan model dan data
- Indeks Tucker Lewis (Tucker Lewis – Index (TLI)) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0,95. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi
- Indeks Kecocokan Komparatif (– Comparative Fit Index (CFI)) dengan nilai antara 0- 1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0, maka model tidak mempunyai kecocokan yang baik
- Index Parsimony : untuk kecocokan model yang layak nilainya >0,9.
- Root mean square error of approximation– , (RMSEA): berfungsi sebagai kriteria untuk pemodelan struktur kovarian dengan mempertimbangkan kesalahan yg mendekati populasi. Kecocokan model yg cocok dengan matriks kovarian populasi. Model baik jika nilainya lebih kecil atau sama dengan 0,05 ; cukup baik sebesar atau lebih kecil dari 0,08
- Uji Reliabilitas : untuk menghitung reliabilitas model yang menunjukkan adanya indikator-indikator yang mempunyai derajat kesesuaian yang baik dalam satu model satu dimensi. Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0,5. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan
- Parameter dengan nilai 0 mempunyai arti tidak ada hubungan antar variabel yang diobservasi. Parameter dapat secara bebas diestimasi dengan nilai tidak sama dengan 0. Fixed parameter diestimasi tidak berasal dari data, misalnya 1; free parameter diestimasi dari data sampel yang diasumsikan oleh peneliti tidak sama dengan 0.
- Root Mean Square Residual (RMR) : nilai rata-rata semua residual yang Nilai RMR berkisar mulai 0 – 1, suatu model yang cocok mempunyai nilai RMR < 0.05.
- Parsimony Based Indexes of Fit (PGFI)– : Parsimony model yang berfungsi untuk mempertimbangkan kekompleksitasan model yang dihipotesiskan dalam kaitannya dengan kecocokan model secara menyeluruh. Nilai kecocokan ideal adalah 0.9
- Normed Fit Index (NFI) : Nilai NFI mulai 0 – 1 diturunkan dari perbandingan antara model yang dihipotesiskan dengan suatu model independen tertentu. Model mempunyai kecocokan tinggi jika nilai mendekati 1
- Relative Fit Index (RFI) : merupakan turunan dari NFI dengan nilai 0 -1. Model mempunyai kecocokan yang ideal dengan nilai 0.95
- First Fit Index (PRATIO) : berkaitan dengan model parsimony
- Noncentrality Parameter (NCP) : parameter tetap yang berhubungan dengan DF yang berfungsi untuk mengukur perbedaan antara matriks kovarian populasi dengan matriks kovarian observasi. Dengan Confidence Interval 90% maka NCP berkisar antara 29,983 – 98,953
- The Expected Cross Validation Index (ECVI) : mengukur perbedaan antara matriks kovarian yang dicocokkan dalam sampel yg dianalisis dengan matriks kovarian yang diharapkan yang akan diperoleh dari sampel lain dengan ukuran yang sama. Nilai ECVI dapat berapa saja dan tidak ada kisarannya. Jika model mempunyai nilai ECVI terkecil, maka model tersebut dapat direplikasi.
- Hoelter’s Critical N (CN) : berfungsi untuk melihat kecukupan ukuran sampel yang digunakan dalam riset. CN mempunyai ketentuan suatu model mempunyai ukuran sampel yang cukup jika nilai CN > 200.
- Residual– : perbedaan antara matriks kovarian model dengan matriks kovarian sampel, semakin kecil perbedaan maka model semakin baik
ASUMSI DASAR STRUCTURAL EQUATION MODEL (SEM) (skripsi dan tesis)
- Distribusi normal indikator – indikator multivariate (Multivariate normal distribution of the indicators)
Secara umum, sebagaimana ditunjukkan dalam suatu studi-studi simulasi menunjukkan, bahwa dalam kondisi – kondisi data yang sangat tidak normal, estimasi-estimasi parameter SEM, misalnya estimasi jalur masih dianggap akurat tetapi koefesien-koefesien signifikansi yang bersangkutan akan menjadi terlalu tinggi sehingga nilai-nilai chi-square akan meningkat. Perlu diingat bahwa untuk uji keselarasan chi-square dalam model keseluruhan, nilai chi-square tidak harus signifikan jika ada keselarasan model yang baik, yaitu: semakin tinggi nilai chi-square, semakin besar perbedaan model yang diestimasi dan matrices kovarian sesungguhnya, tetapi keselarasan model semakin buruk. Chi-square yang meninggi dapat mengarahkan peneliti berpikir bahwa model-model yang sudah dibuat memerlukan modifikasi dari apa yang seharusnya. Kurangnya normalitas multivariat biasanya menaikkan statistik chi-square, misalnya, statistik keselarasan chi-square secara keseluruhan untuk model yang bersangkutan akan bias kearah kesalahan Type I, yaitu menolak suatu model yang seharusnya diterima. Pelanggaran terhadap normalitas multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan standar mulai dari menengah sampai ke tingkat tinggi. Kesalahan-kesalahan yang lebih kecil dari yang seharusnya terjadi mempunyai makna jalur-jalur regresi dan kovarian-kovarian faktor / kesalahan didapati akan menjadi signifikan secara statistik dibandingkan dengan seharusnya yang terjadi.
- Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate normal distribution of the latent dependent variables).
- Linieritas (Linearity).
- Pengukuran tidak langsung (Indirect measurement):
- Beberapa indikator (Multiple indicators).
- Rekursivitas (Recursivity):
- Data interval:
- Ketepatan yang tinggi:
- Residual-residual acak dan kecil:
- Gangguan kesalahan yang tidak berkorelasi (Uncorrelated error terms)
- Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0.
- Multikolinearitas yang lengkap: • multikolinearitas diasumsikan tidak ada, tetapi korelasi antara semua variabel bebas dapat dibuat model secara eksplisit dalam SEM. Multikolinearitas yang lengkap akan menghasilkan matriks - matriks kovarian tunggal, yang mana peneliti tidak dapat melakukan penghitungan tertentu, misalnya inversi matrix.
- Multikolinearitas yang lengkap:
- Ukuran Sampel
APLIKASI UTAMA SEM (skripsi dan tesis)
- Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships) diantara variabel - variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau keduanya;
- Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya;
- Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik analisis faktor, dimana matriks korelasi dari faktor-faktor tertentu (common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
- Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi linear, dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai numeriknya;
- Model-model struktur covariance (covariance structure models), yang mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai varian yang sama dengan menggunakan prosedur yang sama;
- Model struktur korelasi (correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur circumplex.
Sunday, May 19, 2019
Asumsi-asumsi SEM (skripsi dan tesis)
o Ukuran Sampel. Disarankan lebih dari 100 atau minimal 5 kali jumlah observasi.
o Normalitas. Normalitas univariate dilihat dengan nilai critical ratio (cr) pada skewness dan kurtosis dengan nilai batas di bawah + 2,58. Normalitas multivariate dilihat pada assessment of normality baris bawah kanan, dan mempunyai nilai batas + 2,58.
o Outliers. Outliers multivariate dilihat pada mahalanobis distance dan asumsi outliers multivariate terpenuhi jika nilai mahalanobis d-squared tertinggi di bawah nilai kritis. Nilai kritis sebenarnya adalah nilai chi-square pada degree of freedom sebesar jumlah sampel pada taraf signifikansi sebesar 0,001. Nilainya dapat dicari dengan Microsoft Excel seperti telah disampaikan di atas. Univariate outliers dilihat dengan mentransformasikan data observasi ke dalam bentuk Z-score. Transformasi dapat dilakukan dengan Program SPSS dan asumsi terpenuhi jika tidak terdapat observasi yang mempunyai nilai Z-score di atas + 3 atau 4.
o Multicollinearity. Multikolinearitas dilihat pada determinant matriks kovarians. Nilai yang terlalu kecil menandakan adanya multikolinearitas atau singularitas.
IDENTIFIKASI MASALAH DALAM SEM(skripsi dan tesis)
- Standard error yang besar untuk satu atau beberapa koefisien.
Jika program tidak mampu menghasilkan suatu solusi yang unik, maka output tidak akan keluar. Hal ini bisa disebabkan oleh beberapa hal, misalnya sampel terlalu sedikit atau iterasi yang dilakukan tidak konvergen.
- Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
- Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misal ≥ 0,9).
Jenis Skala Pengukuran (skripsi dan tesis)
Skala Nominal
Skala pengukuran nominal merupakan skala pengukuran yang paling sederhana. Skala ini digunakan untuk mengklasifikasikan objek-objek ke dalam kelompok yang terpisah untuk menunjukkan kesamaan atau perbedaan ciri-ciri tertentu dari objek yang diamati. Dengan skala pengukuran nominal, hasil pengukuran yang diperoleh bisa dibedakan tetapi tidak bisa diurutkan mana yang lebih tinggi, atau mana yang lebih
utama. Contoh data dengan skala nominal adalah data jenis kelamin.
Skala Ordinal
Ukuran yang ada pada skala ordinal tidak memberikan nilai absolut pada objek,
tetapi hanya memberikan urutan (ranking) relatif saja. Jarak antara golongan satu dengan golongan dua tidak perlu harus sama dengan jarak antara golongan dua dan tiga, begitu juga seterusnya. Contoh data dengan skala ordinal adalah jenjang karir, jabatan, dan kelas
sosial.
Skala Interval
Skala interval adalah suatu pemberian angka kepada kelompok dari objek-objek yang mempunyai sifat skala nominal dan ordinal ditambah dengan satu sifat lain yaitu jarak yang sama dari suatu peringkat dengan peringkat di atasnya atau di bawahnya. Suatu ciri penting dari skala interval adalah datanya bisa ditambah, dikurangi, digandakan, dan dibagi tanpa mempengaruhi jarak relatif di antara skor-skornya. Karakteristik penting lainnya adalah skala ini tidak memiliki nilai nol mutlak. Contoh data dengan skala interval adalah data nilai, orang yang memiliki nilai 80 bukan berarti dua kali lebih cerdas dibandingkan orang yang memiliki nilai 40.
Skala Rasio
Skala rasio adalah skala pengukuran yang mempunyai semua sifat skala interval ditambah satu sifat lain yaitu memberikan keterangan tentang nilai absolut dari objek yang diukur. Skala rasio menggunakan titik baku mutlak. Angka pada skala rasio menunjukkan nilai yang sebenarnya dari objek yang diukur. Contoh data dengan skala rasio adalah data umur, tinggi badan, ukuran berat, dll (Sugiarto,dkk, 2001:18).
Subscribe to:
Posts (Atom)