P. 1
TEORI-SEM

TEORI-SEM

|Views: 53|Likes:
Published by adurahul

More info:

Published by: adurahul on Aug 12, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

08/12/2012

pdf

text

original

TEORI SEM (STRUCTURAL EQUATION MODEL

)

1.1. Pengertian Structural Equation Modeling (SEM) 1.1.1. Definisi Istilah Apa sebenarnya structural equation modeling (SEM) itu? Terdapat beberapa definisi SEM, diantaranya ialah sebagai berikut: Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM, adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi (regression ). Definisi lain menyebutkan structural equation modeling (SEM) adalah teknik analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus. Definisi berikutnya mengatakan bahwa Structural equation modeling (SEM) merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM. Sedikit berbeda dengan definisi-definisi sebelumnya mengatakan structural equation modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda, sekalipun demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan analisis kovarian

Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk menerangkan.

1.1.2. Pengertian Pada umumnya orang menggunakan SEM lebih berfokus pada konstruk-konstruk laten—yang dimaksud ialah variabel-variabel psikologis abstrak, seperti "kecerdasan" atau "sikap terhadap merek (brand)"—dibandingkan dengan variabel-variabel manifest (indikator) yang digunakan untuk mengukur konstruk-konstruk tersebut. Pengukuran dianggap sulit dan rentan dengan kesalahan. Dengan adanya kesalahan pengukuran modeling yang dapat terjadi secara eksplisit, para pengguna SEM berusaha menurunkan estimasi-estimasi yang tidak bias untuk hubungan antara konstruk laten. Pada akhirnya, SEM memungkinkan pengukuran jamak dihubungkan dengan konstruk laten tunggal. SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai "analisis struktur covariance". Sekali model parameter-parameternya sudah diestimasi, maka model yang dihasilkan – matrik covariance kemudian dapat dibandingkan dengan matrik kovarian yang berasal dari data empiris. Jika kedua matrices konsisten satu dengan lainnya, maka model persamaan struktural tersebut dapat dianggap sebagai eksplanasi yang dapat diterima untuk hubungan-hubungan antara pengukuran-pengukuran tersebut. Salah satu keunggulan SEM ialah kemampuan untuk membuat model konstruk-konstruk sebagai variabel laten atau variabel – variabel yang tidak diukur secara langsung, tetapi diestimasi dalam model dari variabel-variabel yang diukur yang diasumsikan mempunyai hubungan dengan variabel tersebut– variabel latent. Dengan demikian hal ini memungkinkan pembuat model secara eksplisit dapat mengetahui ketidak-reliabilitas suatu pengukuran dalam model yang mana teori mengijinkan relasi – relasi struktural antara variabel-variabel laten yang secara tepat dibuat suatu model. Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda diantaranya ialah 1. Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel; 2. Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten; Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis;

3.

4. Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefesienkoefesien secara sendiri-sendiri; 5. Kelima, kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung;

6. Keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara;

7. Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term); 8. Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek;

9. Kesembilan kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap. Meskipun tidak merupakan hal yang wajib, sangat direkomendasikan untuk mengetahui teknik analisis faktor, jika seorang peneliti ingin menggunakan SEM. Aplikasi utama structural equation modeling meliputi: 1. 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; 2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya; 3. 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; 4. 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; 5. 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; 6. 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. Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas. Prosedur SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur yang bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan sebagai berikut: 1. Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan jika pola varians dan kovarians dalam suatu data bersifat konsisten dengan model jalur struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat model-

Pendekatan model-model alternatif (alternative models approach): maksudnya peneliti dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk menentukan model mana yang paling cocok.model lain yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih baik. Pendekatan pengembangan model (model development approach): Dalam praktiknya. Masalah dengan pendekatan ini ialah bahwa model – model yang ditegaskan dengan menggunakan cara seperti bisa tidak stabil atau tidak akan cocok dengan data yang baru karena sudah di buat didasarkan pada keunikan seperangkat data awal. 1. maka suatu model alternatif kemudian diuji didasarkan pada perubahan-perubahan sebagaimana disarankan dalam indeks-indeks modifikasi SEM. yaitu suatu model diuji dengan menggunakan prosedur-prosedur SEM. pelanggaran asumsi ini menaikkan chi-square sekalipun demikian didalam kondisi tertentu akan menurunkannya. diantaranya ialah:  Distribusi normal indikator – indikator multivariat (Multivariate normal distribution of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal terhadap masing-masing indikator lainnya. Untuk mengatasi hal ini. peneliti memerlukan pengetahuan tentang asumsi-asumsi yang mendasari penggunaannya. banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan yang bersifat konfirmatori dan eksploratori. Dengan mengabaikan pendekatan apapun yang digunakan. Secara umum. pengertian secara teoritis dan penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting. maka model yang diterima model yang diterima hanya berupa model penegasan saja. Asumsi Untuk menggunakan SEM. 3.2. dengan demikian akan melemahkan kegunaannya. Ada banyak pengukuran keselarasan yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti melaporkan 3 atau 4 saja. Beberapa asumsi tersebut. Perlu diperhatikan bahwa normalitas multivariat diperlukan untuk estimasi kemiripan maksimum / maximum . SEM tidak dapat secara otomatis menggambar panah-panah sebab akibat dalam model – model tersebut atau menyelesaikan ambiguitas sebab akibat Oleh karena itu. peneliti dapat menggunakan strategi validasi silang dimana model dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi dengan menggunakan sampel validasi yang independen. Karena permulaan yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square. karena merasa tidak cukup efisien. 2. Selanjutnya penggunaan pengukuran ordinal atau nominal akan menyebabkan adanya pelanggaran normalitas multivariat.

sebagaimana halnya dengan regresi. Sebagai contoh. statistik keselarasan chisquare secara keseluruhan untuk model yang bersangkutan akan bias kearah kesalahan Type I. Kesalahan pemodelan dalam SEM membutuhkan adanya lebih dari satu pengukuran untuk masingmasing variabel laten. yaitu menolak suatu model yang seharusnya diterima. Masing-masing variabel tergantung laten dalam model harus didistribusikan secara normal untuk masing-masing nilai dari masing-masing variabel laten lainnya. MLE membutuhkan variabel-variabel endogenous yang berdistribusi normal. Pelanggaran terhadap normalitas multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan standar mulai dari menengah sampai ke tingkat tinggi. semua variabel dalam model merupakan variabel-variabel laten. yang merupakan metode dominan dalam SEM yang akan digunakan untuk membuat estimasi koefesien .likelihood estimation (MLE). yaitu: semakin tinggi nilai chi-square. Variabel-variabel laten dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut. Perlu diingat bahwa untuk uji keselarasan chi-square dalam model keseluruhan. Secara umum. estimasi-estimasi parameter SEM. atau non-linear lainnya dari suatu variabel asli ke dalam model yang dimaksud. Khususnya. tetapi keselarasan model semakin jelek. sebagaimana ditunjukkan dalam suatu studi-studi simulasi menunjukkan bahwa dalam kondisi – kondisi data yang sangat tidak normal. logaritma. Beberapa indikator harus digunakan untuk mengukur masing-masing variabel laten dalam model. nilai chi-square tidak harus signifikan jika ada keselarasan model yang baik. Linieritas (Linearity). Pengukuran tidak langsung (Indirect measurement): Secara tipikal. SEM mempunyai asumsi adanya hubungan linear antara variabelvariabel indikator dan variabel-variabel laten. dalam suatu model dimana variabel 1 mempengaruhi variabel 2 dan juga mempengaruhi variabel 3. Beberapa indikator (Multiple indicators). Sehingga nilai-nilai chi-square akan meningkat. serta antara variabel-variabel laten sendiri. Regresi dapat dikatakan sebagai kasus khusus dalam SEM dimana hanya ada satu indikator per variabel laten. semakin besar perbedaan model yang diestimasi dan matrices kovarian sesungguhnya. Sekalipun demikian.koefesien (jalur) struktur. Kurangnya normalitas multivariat biasanya menaikkan statistik chi-square. Chi-square yang meninggi dapat mengarahkan peneliti berpikir bahwa model-model yang sudah dibuat memerlukan modifikasi dari apa yang seharusnya.  Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate normal distribution of the latent dependent variables). misalnya estimasi jalur masih dianggap akurat tetapi koefesienkoefesien signifikansi yang bersangkutan akan menjadi terlalu tinggi. dan     . 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. Secara teoritis tidak sedang atau baru saja diidentifikasi (Underidentified). peneliti dimungkinkan untuk menambah transformasi eksponensial. misalnya. Suatu model baru saja teridentifikasi jika ada banyak parameter yang harus diestimasi sebanyak adanya elemen – elemen dalam matriks kovarian.

atau dengan kata lain adalah jika terdapat lebih parameter yang harus diestimasi daripada elemen-elemen dalam matriks kovarian. artinya lebih besar atau lebih kecil daripada estimasi yang lain. 1.  Rekursivitas (Recursivity): Suatu model disebut rekursif jika semua anak panah menuju satu arah. Sederhanakan model dengan cara mengurangi jumlah anak panah. Karakteristik matematis model-model yang sedang diidentifikasi menghalangi penyelesaian parameter yang diestimasi dan dilakukan pengujian keselarasan dalam model. artinya sama dengan estimasi yang lain). misalnya GLS atau ULS sebagai ganti MLE. peneliti dapat menghitung parameter – parameter jalur tetapi untuk melakukannya harus memanfaatkan semua derajat kebebasan yang tersedia (degrees of freedom) dan peneliti tidak dapat menghitung uji keselarasannya. model-model recursive merupakan model-model dimana semua anak panah mempunyai satu arah tanpa putaran umpan balik dan peneliti dapat membuat asumsi kovarian – kovarian gangguan kesalahan .3. 9. yang sama dengan mengendalikan estimasi koefesien jalur sampai 0. Miliki setidak-tidaknya tiga indikator untuk satu variabel laten. Hilangkan pembalikan umpan balik (feedback loops) dan pengaruh-pengaruh sebab akibat (reciprocal effects).variabel 2 juga mempengaruhi variabel 3. Pertimbangkan untuk menggunakan bentuk estimasi yang berbeda. Dalam kasus yang baru saja teridentifikasi. 10. artinya proporsional dengan estimasi yang lain. Pertimbangkan untuk menyederhanakan model dengan cara menghilangkan beberapa variabel. tidak ada pembalikan umpan balik (feedback looping). 2. dan ada tiga unsur kovarian (1. 7. Spesifikasi pada tingkat yang pasti setiap koefesien yang magnitude-nya sudah pasti diketahui. Dengan demikian ada tiga parameter (anak panah) dalam model. Sederhanakan model dengan estimasi jalur (anak panah) dengan cara-cara lain. atau ketidak-sejajaran (inequality). yang harus dilakukan sebelum koleksi data. Tambahkan variabel-variabel exogenous yang sebaiknya dilakukan sebelum pengambilan data. Pemecahan masalah ini ialah dengan cara menambah lagi lebih banyak variabel-variabel exogenous. Jika suatu model disebut underidentified atau baru saja diidentifikasi. bukan pairwise. 5. 8. atau model yang mana jumlah parameternya yang sedang diestimasi lebih besar dari data yang sudah diketahui. 2. 4. Dengan kata lain. Suatu model disebut underidentified. dan faktor gangguan (disturbance terms) atau kesalahan sisaan (residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan. Hilangkan beberapa variabel yang nampaknya mempunyai multicollinear dengan variabel-variabel lainnya. dan perlakuan terhadap data yang hilang sudah dipilih. maka peneliti harus melakukan salah satu atau beberapa langkah-langkah sebagai berikut: 1. yaitu: kesejajaran (equality). 6. Tegaskan opsi untuk the listwise.3). proporsional ( proportionality).2. 3.

Model – model dengan gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-variabel endogenous.   Variabel-variabel yang diobservasi secara langsung diletakkan dalam kotak empat persegi panjang. Variabel-variabel yang tidak diobservasi diletakan dalam lingkaran. yang berarti bahwa semua variabel yang tidak diukur yang merupakan determinan dari variabel-variabel endogenous tidak dikorelasikan satu dengan lainnya sehingga tidak membentuk putaran umpan balik (feedback loops). variabel-variabel endogenous dengan y.   . umumnya bentuknya elips. Anak panah satu arah mewakili parameter-parameter struktural. dan gangguan dengan δ. Contoh bentuk rekursive dapat dilihat dalam contoh di bawah ini yang diambil dari John Fox (2002): Konvensi berikut ini diantaranya menggunakan model makroekonomi dari Klein untuk menggambarkan diagram jalurnya. Dalam model ini. variabel-variabel yang tidak dobservasi hanya merupakan variabel gangguan (disturbances). Variabel-variabel exogenous diwakili dengan x. Variabel-variabel endogenous dibedakan dari variabel-variabel exogenous dengan mempunyai anak panah satu arah menuju kearah variabel-variabel tersebut.semua 0. sedang variabel-variabel exogenous hanya nampak pada ekor anak panah satu arah.

Sebagai akibat dari dua ciri ini. maka semua pembobotan regresi yang dibakukan harus berada dalam cakupan plus atau minus 1.    Tidak dapat diidentifikasi secara empiris karena adanya multikolinearitas tinggi: Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalah-masalah empiris. Anak panah dengan dua arah mewakili kovarian-kovarian bukan penyebab. dan persamaan struktural dapat diestimasi dengan menggunakan regresi OLS. γ digunakan sebagai parameter –parameter struktural yang menghubungkan antara satu variabel endogenous dengan variabel exogenous. maka. Dalam hal tertentu pengurutan variabel-variabel dalam bentuk horisontal berhubungan dengan urutan sebab akibatnya: Dengn demikian. Tanda-tanda multikolinearitas tinggi. pembobotan yang mendekati 1 menunjukkan bahwa dua variabel mendekati untuk sedang diidentifikasil. Jika kedua variabel laten yang hampir identik ini kemudian digunakan sebagai penyebab terhadap variabel laten ketiga. Gangguan berbeda bersifat independent antara satu dengan lainnya. ‗penyebab‘ nampak disebelah kiri dari ‗akibat. maka metode SEM akan mengalami kesulitan dalam proses penghitungan . diantaranya: o Pembobotan regresi yang dibakukan: Karena semua variabel model SEM sudah dikenakan metrik sebesar 1.‘ Persamaan-persamaan struktural model ini dapat dibaca dari diagram jalur sebagai berikut: y1i = γ10 + γ11x1i + γ12x2i + δ1i y2i = γ20 + γ21x1i + γ22x2i + β21y1i + δ2i y3i = γ30 + γ32x2i + β31y1i + β32y2i + δ2i Model-model recursive mempunyai dua karaktareistik sebagai berikut:   Tidak ada jalur arah sebab akibat (reciprocal directed paths) atau feedback loops dalam diagram jalur. Membuat estimasi model recursive hanya merupakan ururtan dari regresi OLS. or atau estimasi jalur (path estimates) mendekati 0 dalam model-model non-recursive. secara potensial tidak bernilai nol. dan kovarian antara variabel-variabel exogenous dan umumnya diantara gangguan-gangguan. Seperti sebelumnya. sedang β digunakan sebagai parameter-parameter struktural yang menghubungkan satu variabel endogenous dengan variabel endogenous lainnya. predictors dalam suatu persamaan struktural dengan model recursive selalu bebas dari kesalahan persamaan tersebut. Apabila ada masalah multikolinearitas. misalnya adanya multikolinearitas tinggi dalam setiap model.

Multikolinearitas yang lengkap: multikolinearitas diasumsikan tidak ada. Suatu model yang sesuai akan hanya mempunyai residual – residual kecil. Gangguan kesalahan yang tidak berkorelasi (Uncorrelated error terms) seperti dalam regresi. kesalahan model-model SEM yang eksplisit muncul karena penggunaan data ordinal. jika memang ada dan dispesifikasi secara eksplsit dalam model oleh peneliti. Kesalahan residual yang tidak berkorelasi (Uncorrelated residual error): Kovarian nilai – nilai variabel tergantung yang diprediksi dan residual – residual harus sebesar 0. maka estimasi varian dari variabel ketiga ini akan negatif. Estimasi-estimasi varian: Akibat lain dari sindrom multikolinearitas yang sama adalah estimasi – estimasi varian kesalahan negatif.       Data interval: Sebaiknya data interval digunakan dalam SEM. Kesalahan-kesalahan standar pada pembobotan regresi yang tidak baku: Jika ada dua variabel laten yang hampir mirip. data-data tersebut harus mempunyai jumlah nilai yang besar. tetapi korelasi antara semua variabel bebas dapat dibuat model secara eksplisit dalam SEM. Ketepatan yang tinggi: Apakah data berupa data interval atau ordinal. kesulitan dalam menghitung pembobotan regresi terpisahkan terefleksikan dalam kesalahan-kesalahan satndar yang semakin besar untuk jalur-jalur tersebut dalam suatu model. sebagai contoh. Pada contoh di atas dua variabel laten yang hampir sama mempengaruhi satu variabel laten ketiga.o o o pembobotan-pembobotan regresi yang terpisah untuk dua jalur dari variabelvariabel yang hampir sama dan variabel ketiga. yang merefleksikan multikolinearitas yang tinggi dari kedua variabel yang hampir sama tersebut. tidak seperti pada analisis jalur tradisional. Sekalipun demikian. Residual – residual besar menunjukkan kesalahan spesifikasi model. dan keduanya digunakan sebagai penyebab satu variabel laten ketiga. Penggunaan data ordinal atau nominal akan mengecilkan koefesien matriks korelasi yang digunakan dalam SEM. Variabel-variabel exogenous berupa variabelvariabel dichotomi atau dummy dan variabel dummy kategorikal tidak boleh digunakan dalam variabel-variabel endogenous. beberapa jalur mungkin diperlukan untuk ditambahkan ke dalam model tersebut. maka kesalahan yang berkorelasi (correlated error) dapat diestimasikan dan dibuat modelnya dalam SEM. Jika variabel – variabel mempunyai jumlah nilai yang sangat kecil. maka gangguan kesalahan diasumsikan saja. Kovarian-kovarian estimasi parameter: Kesulitan yang sama dalam penghitungan pembobotan regresi terpisah akan terefleksikan secara jelas dengan tingginya angka kovarian estimasi parameter untuk jalur-jalur tersebut – estimasi lebih tinggi dibandingkan dengan kovarian –kovarian estimasi – estimasi parameter untuk jalur-jalur lain dan model tersebut. Multikolinearitas yang lengkap akan menghasilkan matrices kovarian tunggal. yang merupakan masalah sentral dalam SEM. Residual-residual acak dan kecil: Rata-rata residual – residual atau kovarian hasil pengitungan yang diestimasikan minus harus sebesar 0. maka masalah-masalah metodologi akan muncul pada saat peneliti membandingkan varian dan kovarian. sebagaimana dalam regresi. yang mana . Sebagai hasilnya akan muncul satu pembobotan regresi yang dibakukan lebih besar dari +1 dan satu pembobotan kurang dari -1 untuk kedua jalur tersebut. Sekalipun demikian.

Prinsip Dasar Dibalik SEM Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling terkait satu dengan yang lain dalam suatu kelompok persamaan linear.400 untuk modelmodel yang mempunyai indikator antara 10 .15.3.  Ukuran Sampel tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan magnitude perbedaan-perbedaan matrices kovarian. misalnya inversi matrix karena pembagian dengan 0 akan terjadi. . Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya dengan menggunakan diagram jalur.peneliti tidak dapat melakukan penghitungan tertentu. Aturan-aturannya kemudian menjadi lebih rumit. Secara teori. Cara pemodelan struktural bekerja sebagai berikut: 1. yaitu peneliti dapat menguji apakah variabel-variabel tersebut saling berkaitan satu dengan yang lainnya melalui satu perangkat hubungan-hubungan linear dengan memerksa varian-varian dan kovarian variabel-variabel tersebut. untuk ukuran sampelnya berkisar antara 200 . Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM. sekalipun demikian dasarnya tetap sama. penghitungan-penghitungan menjadi lebih rumit. 1. Para ahli statistik telah mengembangkan prosedur – prosedur untuk menguji apakah seperangkat varian dan kovarian dalam suatu matrix cocok dengan struktur tertentu. Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan median sukuran sampel sebanyak 198.

4. peneliti dapat menyatakan jika suatu model sebab akibat itu benar. Konsep-Konsep dan Istilah Dasar Bagian ini akan dibahas beberapa konsep dasar dalam SEM. meski proses penghitungan matematis SEM sangat rumit. Oleh karena itu. 3. Ujilah apakah semua varian dan kovarian cocok dengan modelnya. Akan tetapi model yang sesuai dengan data tidak secara langsung berarti model tersebut benar. kita harus ingat adalah sesuatu yang tidak masuk akal jika peneliti mengharapkan model struktural sesuai secara sempurna. Laporkan hasil-hasil pengujian statistik. yaitu:   Pertama. dan juga estimasi-estimasi parameter serta kesalahan-kesalahan standard untuk semua koefisen numerik yang ada dalam persamaan linear. Masing- . sebenarnya logika dasarnya sudah tercakup dalam lima langkah di atas Kedua. peneliti memutuskan apakah model nampak sesuai dengan data yang dipunyai atau tidak. 4. Peneliti memulai dengan melakukan spesifikasi suatu model didasarkan pada teori. Suatu model struktural dengan hubungan-hubungan linear hanya dapat mendekati kesesuaian. Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam kaitannya degan varian – varian dan kovarian-kovariannya beberapa variabel tersebut. Karena dalam kenyataan sehari hari dunia ini tidak linear.  1. diantaranya:  Dua tahapan proses SEM: pertama. Terdapat beberapa hal yang penting dan sangat mendasar untuk melakukan proses ini. Oleh karena itu sebenarnya hubungan-hubungan antar variabel mungkin tidak linear juga. Sehingga asumsiasumsi pertanyaannya seharusnya tidak seperti ini: "Apakah model yang dibuat cocok benar?" melainkan sebagai berikut: "Apakah model cukup sesuai mendekati kenyataan dan memberikan keterangan yang masuk akal terhadap kecenderungan data yang dimiliki?‖ Ketiga. melakukan validasi model pengukuran dan kedua menyesuaikan dengan model struktural. karena akan ada model lain juga yang akan sesuai dengan data.2. peneliti harus ingat bahwa hanya karena model sudah sesuai dengan data maka secara otomatis model tersebut benar. Langkah pertama diselesaikan dengan melalui analisis faktor penegasan (confirmatory factor analysis). maka akan sesuai degan data yang ada. 5. sedang langkah kedua diselesaikan melalui analisis jalur (path analysis) dengan variabel-variabel laten. Berdasarkan semua informasi di atas.

analisis faktor digunakan untuk menetapkan bahwa indikator – indikator tersebut yang akan digunakan untuk mengukur variabel-variabel laten yang berhubungan dan yang diwakili dengan beberapa faktor. Dua model atau lebih kemudian dibandingkan dalam kesesuaian modelnya. maka analisis akan bermasalah. Peneliti dapat melanjutkan prosesnya jika model pengukuran sudah divalidasi. AMOS. Variabel-variabel laten mencakup variabel bebas. atau variabel-variabel demografi lainnya untuk membentuk satu variabel laten yang disebut "faktor-faktor latar belakang" akan berakibat tidak benar karena penggabungan tersebut tidak mewakili kontinum yang mendasari makna variabel-variabel yang digabung. kadang disebut sebagai variabel manifest (manifest variables) atau variabel referensi (reference variables). dan EQS merupakan program-program perangkat lunak untuk melakukan analisis SEM. Program-program untuk analisis SEM: LISREL. Model – model yang menggunakan hanya dua indikator per variabel laten akan sulit diidentifikasi (underidentified) dan estimasiestimasi kesalahan akan tidak reliabel. Representasi dari variabel-variabel laten tergantung pada hubungan mereka terhadap variabel-variabel indikator yang diobservasi merupakan salah satu karakteristik SEM. dan merupakan penyebab terhadap variabel-variabel perantara lainnya dan variabel-variabel tergantung. Tiga variabel juga sudah cukup dapat diterima. menggabungkan variabel jender. perantara dan tergantung. Dengan menggunakan sampel yang besar. Langkah analisis faktor konfirmatori dalam SEM merupakan suatu pengujian makna dari variabelvariabel laten dan indikator-indikatornya Sekalipun demikian peneliti juga dapat . sebaiknya di atas 100 (n>100). Indikator merupakan variabel-variabel yang diobservasi (observed variable). maka kesalahan (error) tidak dapat dibuat model. serta dapat berfungsi sebagai variabel-variabel tergantung sebenarnya. Sebaiknya peneliti menggunakan empat variabel atau lebih. Variabel-variabel dalam suatu model dapat bersifat mengalir keatas (upstream) atau kebawah (downstream) tergantung pada apakah variabel-variabel tersebut dianggap sebagai penyebab atau akibat. Variabel-variabel "endogenous"merupakan variabel-variabel perantara yang dapat sebagai efek dari variabel exogenous lainnya atau variabel-variabel perantara. yang mengukur sejauh mana kovarian yang diprediksi oleh model tersebut berhubungan dengan kovarian yang diobservasi dalam data. jika hanya digunakan satu pengukuran. Beberapa indikator dikembangkan untuk masingmasing model. Catatan: Variabel-variabel indikator tidak dapat dikombinasikan secara arbitrer untuk membentuk variabel-variabel laten. Variabel-variabel "exogenous" merupakan variabel bebas dengan tanpa variabel penyebab sebelumnya. Variabel-variabel laten merupakan variabel-variabel yang tidak terobservasi (unobserved variables) atau disebut sebagai konstruk (constructs) atau sebutan lainnya ialah faktor (factors) yang diukur dengan menggunakan indikator-indikator masingmasing. Sebagai contoh. Lisrel dan Amos diproduksi oleh SPSS.   masing variabel dalam model dikonseptualisasikan sebagai variabel laten dan yang diukur dengan beberapa indikator. Berkaitan dengan itu. Untuk masing-masing variabel laten diikuti dengan setidak-tidak tiga indikator setelah dilakukan analisis faktor penegasan. ras. Jika hanya digunakan dua variabel.

0 untuk menetapkan suatu metrik untuk satu variabel laten. seperti Cronbach's alpha atau melakukan analisis faktor tradisional. Proses analisis hanya dapat dilanjutkan jika model pengukuran valid. Efek-efek variabel berhubungan dengan anak panah – anak panah dalam model tersebut. Analisis faktor konfirmatori (Confirmatory factor analysis (CFA)) boleh digunakan untuk menegaskan bahwa semua indikator mengelompokan sendiri kedalam faktor-faktor yang berkaitan dengan bagaimana peneliti telah menghubungkan indikator-indikator dengan variabel-variabel laten. sedang tidak adanya efek berhubungan dengan ketidak adanya anak panah. bersamaan dengan efek langsung atau arah anak panah langsung yang menghungkannya. Model pengukuran murni disebut model analisis faktor konfirmatori atau confirmatory factor analysis (CFA) dimana terdapat kovarian yang tidak terukur antara masing-masing pasangan variabel-variabel yang memungkinkan. Efek-efek yang sudah pasti biasanya merefleksikan efek-efek yang parameternya sudah ada dalam teori atau yang biasanya ditentukan sebesar 1. CFA mempunyai peranan penting dalam SEM.0. Model spesifikasi ada dua: pertama model parsimony (model yang dibuat sesederhana mungkin). semua kovarian dalam matriks kovarian untuk semua variabel laten yang diasumsikan nol. Terdapat anak panah – anak panah lurus dari faktor kesalahan dan gangguan (error and disturbance terms) kearah variabel-variabel masing-masing. Sekalipun demikian tidak ada pengaruh langsung atau anak panah lurus yang menghubungkan dengan variabel-variabel laten. Model pengukuran biasanya digunakan sebagai model yang tidak mempunyai pengaruh (null model). seperti membuat faktor axis utama  Model pengukuran. Model pengukuran dievaluasi sebagaimana model SEM lainnya dengan menggunakan pengukuran uji keselarasan.mengaplikasikan pengujian tradisional. Model yang tidak mempunyai efek (The null model). Model ini adalah seperangkat variabel exogenous dan endogenous dalam suatu model. dan faktor gangguan untuk semua variabel tersebut. Terdapat anak panah lurus dari variabel-variabel laten kearah indikator-indikator masing-masing. dan kadang juga bervariasi. untuk validasi model multifaktorial. yaitu suatu model dimana tidak adanya efek dibatasi sampai 0 yang akan selalu sesuai dengan data yang ada sekalipun model tersebut tidak mempunyai makna. Model struktural. Model pengukuran adalah bagian dari suatu model SEM yang berhubungan dengan variabel-variabel laten dan indikator-indikatornya. perbedaanperbedaan yang seharusnya signifikan jika model struktural yang diusulkan harus diteliti lebih lanjut.     Spesifikasi model merupakan proses dimana peneliti meyakinkan bahwa efek-efeknya tidak ada (null). dan untuk menentukan efek-efek kelompok pada faktor-faktor. Modelmodel CFA dalam SEM digunakan untuk menilai peranan kesalahan pengukuran dalam model. yang sesuai dengan nilai konstan biasanya sebesar 1. Model struktural dapat dikontraskan dengan model pengukuran. Dalam model ini. .

semua anak panah dapat dihilangkan dari model jika tidak ada alasan teoritis yang digunakan untuk menduga bahwa memang efek atau korelasi ada. untuk menghindari temuan-temuan keselarasan yang hanya disebabkan oleh pengaruh rata-rata. Dimana model-model regresi secara implisit diasumsikan mempunyai kesalahan pengukuran sebesar 0. Hak ini biasanya dilakukan dengan cara membatasi salah satu jalur dari variabel laten yang menuju kearah salah satu dari variabel-variabel indikatornya. Kesalahan dan faktor gangguan (error and disturbance terms). Cara-cara mengurangi kompleksitas model adalah pertama. masing-masing variabel laten yang tidak terobservasi harus dikenakan secara eksplisit suatu metrik. menghilangkan korelasi yang tidak dianalisis atau semua anak-panah dengan dua arah yang berbentuk kurva faktor-faktor kesalahan pengukuran serta antara faktor-faktor gangguan dari variabel-variabel endogenous. dan ketiga. yang merefleksikan varian yang tidak dapat diterangkan dalam variabel – variabel laten endogenous variable disebabkan oleh beberapa penyebab yang tidak diukur. Tindakan ini akan memberikan efek mengurangi secara substansial kolinearitas antara variabel akibat utama dan interaksi serta faktor-faktor polynomial. yang juga disebut sebagai faktor-faktor gangguan (disturbance terms). yang merupakan skala pengukuran. Dengan diberikannya batasan tersebut. diusulkan untuk memfokuskan efek utama terlebih dahulu ketika sedang menambahkan faktorfaktor tersebut. Indikator yang dipilih untuk dibatasi menjadi 1 adalah butir referensi (reference item).    Metrik. Pemfokusan dilakukan dengan cara mengurangi rata-rata dari masing masing nilai. Sekalipun demikian. Faktor-faktor kesalahan secara eksplisit dibuat modelnya dalam SEM dan sebagai hasil dari koefesien-koefesien jalur yang dibuat model dalam SEM. dengan menghilangkan efekefek langsung dari satu variabel laten ke yang lain. Kekurangan parsimony merupakan suatu masalah khusus untuk model-model dengan variabel yang jumlahnya sedikit. kedua. Pada masing-masing kasus. Model spesifikasi kedua disebut sebagai faktor-faktor interaksi dan power polynomials dimana hal tersebut dapat ditambahkan terhadap model struktural sebagaimana biasanya ditambahkan ke dalam regresi berganda. dimana faktor-faktor kesalahan korelasi dapat atau sebaiknya harus secara eksplisit . Faktor-faktor kesalahan yang tidak berkorelasi (uncorrelated error terms) merupakan suatu asumsi regresi. Dalam SEM. jalurjalur berikutnya dapat diestimasi. Faktor-faktor kesalahan yang berkorelasi (correlated error terms) mengacu pada situasi dimana pengetahuan tentang residu satu indikator akan membantu dalam mengetahui residu yang dihubungkan dengan indikator yang lain.Model yang lebih mendekati adalah model yang paling kompleks yang akan menjadi lebih sesuai dengan data. Kesalahan atau error term menunjuk pada faktor kesalahan pengukuran yang dikaitkan dengan indikator yang diberikan. sebagaimana saat memberikan nilai 1 untuk jalur tersebut. Perlu diingat bahwa faktor-faktor kesalahan pengukuran tidak boleh disamakan dengan faktor-faktor kesalahan residual (residual error terms). menghilangkan efek-efek langsung dari variabel-variabel laten yang menuju ke variabel indikator yang sama.

yaitu GLS (generalized least squares) yang merupakan metode kedua yang paling populer setelah MLE. Koefesien-koefesien struktural (jalur) yang tidak distandarisasi (Unstandardized structural (path) coefficients). diantaranya.koefesien dalam SEM. sedang dalam SEM peneliti harus membuat model kesalahan serta variabel – variabel yang bersangkutan. Metode tersebut diantaranya ialah:  Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE)) yang merupakan metode yang paling umum. Estimasi koefesien struktutral yang distandarisasi didasarkan pada data yang sudah distandarisasi yang mencakup matriks-matriks korelasi. dibuat model dalam SEM. maka merka signifikan. dalam regresi peneliti membuat model variabelvariabel. GLS dapat bekerja dengan baik untuk sampel besar. 5. Artinya. Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam situasi-situasi tertentu. maka indikator-indikator dapat  2. 4. Penafsirannya sama dengan regresi. Biasanya. dan jalur signifikan pada level 0.0 unit –unit standard untuk masing-masing unit meningkat dalam variabel laten bebas . Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio and the significance of factor covariances). yaitu jika suatu koefesien struktural yang sudah distandarisasi adalah sebesar 2.96.05.0. MLE mengambil estimasi-estimasi yang mempunyai kesempatan terbesar untuk mereproduksi data yang diobservasi. yaitu sebagaimana dalam regresi OLS. Estimasi-estimasi yang tidak distandarisasi didasarkan pada data mentah atau matriks-matriks kovarian. yaitu jika mereka mempunyai CR > 1. MLE membuat estimasi didasarkan pada tindakan memaksimalkan probabilitas (likelihood) bahwa kovarian-kovarian yang diobservasi ditarik dari suatu populasi yang diasumsikan sama seperti yang direfleksikan dalam estimasi-estimasi koefisien. Koefesien-koefesien struktural dalam SEM dapat dihitung dengan berbagai cara. 3. Tipe-tipe estimasi koefisien . 1. Koefesien-koefesien struktural (jalur) yang sudah distandarisasi (Standardized structural (path) coefficients). peneliti akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan. Maksudnya. misalnya diatas 2500 (n>2500). Pembobotan yang sudah distandarisasi (the standardized weights) digunakan untuk membandingkan tingkat kepentingan relatif dari variabel-variabel bebas.96 untuk pembobotan regresi (regression weight). Estimasi yang sudah distandarisasi digunakan untuk pada saat membandingkan efek-efek langsung terhadap satu variabel endogenous yang diberikan dalam suatu studi kelompok tunggal. Rasio Kritis dan signifikansi koefesien-koefesien jalur (The Critical Ratio (CR) and significance of path coefficients). Pada saat besarnya rasio krisis (CR) > 1. Pada saat sedang membandingkan kelompok-kelompok. Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan menggunakan program estimasi model. maka variabel laten tergantung akan meningkat menjadi sebesar 2. . Signifikansi kovarian-kovarian yang diestimasi diantara variabel-variabel laten dinilai dengan cara yang sama.

seperti juga pada variabel-variabel laten. maka perbandingan yang tidak distandarisasi akan lebih disukai. Prosedur ini sama dengan pengujian untuk pengukuran invariance. Sebaliknya. Jika kelompok-kelompok mempunyai varianvarian yang berbeda. koefesien-koefesien yang sama mempunyai makna efek-efek yang sama terhadap y relatif terhadap perbedaan-perbedaan dalam rata-rata dan varian. Jumlah muatan yang dikuadratkan untuk semua indikator sama dengan korelasi jamak yang dikuadratkan untuk variabel-variabel laten Y atau X. oleh karena itu pada model tersebut sebaiknya dilakukan validasi silang. Sedang estimasi-estimasi yang distandarisai. maka hal tersebut disimpulkan bahwa model struktural bersifat invariant antara sampel kalibrasi dan validasi. faktor-faktor kesalahan pengukuran (measurement error terms). Untuk estimasi-estimasi yang tidak distandarisasi. Pengujian-pengujian seperti ini dilakukan dengan menghubungkan semua anak panah yang saling berhubungan dalam variabel variabel laten satu dengan lainnya digambar secara benar dengan cara yang sama bagi masing-masing kelompok dalam suatu analisis. dan variabel-variabel indikator juga mempunyai muatan (loadings) pada variabel-variabel laten masing-masing. Jika model-model dasar dan yang dibatasi secara signifikan tidak berbeda. Muatan juga digunakan untuk menilai reliabilitas variabel-variabel laten sebagaimana diterangkan di bagian berikut ini: o Pengujian untuk invariance pengukuran dalam lintas kelompok Testing for measurement invariance across groups (multigroup modeling). o . muatanmuatan tersebut dapat digunakan untuk memahami makna dari faktor-faktor atau variabel-variabel laten. Peneliti sering menginginkan dapat menentukan seandainya model SEM dapat diaplikasikan kedalam lintas kelompok. maka memungkinkan juga bagi peneliti untuk melakukan pengujian terhadap invariance struktural dalam lintas kelompok. Jika statistik pembeda chi-square tidak membeberkan adanya perbedaan yang signifikan antara model asli dengan model sama yang. oleh karena it modelnya dapat diaplikasikan dalam lintas kelompok. koefesien-koefesien yang sama mempunyai makna efek-efek absolut yang sama terhadap y. Pengujian untuk invariance struktural dalam lintas kelompok (Testing for Structural Invariance across Groups). Muatan (Loadings): Variabel-variabel laten dalam SEM sama dengan faktor-faktor dalam analisis faktor. Seperti dalam analisis faktor. Jika orang mendemonstrasikan invariance model pengukuran pada lintas kelompok sudah biasa. maka peneliti menyimpulkan bahwa model mempunyai invariance pengukuran lintas kelompok. kemudian untuk suatu model dimana parameter-parameter tertentu dibatasi menjadi sama diantara kelompok-kelompok tersebut. Pengujian perbedaan chi-square dapat dilakukan. mempunyai varian-varian yang berbeda. dan faktor-faktor gangguan (disturbance terms). Prosedur umum adalah melakukan pengujian untuk invariance pengukuran antara model yang tidak dibatasi untuk semua kelompok yang dikombinasikan. peneliti dapat membut kesimpulan bahwa ada efek moderasi pada hubungan sebab akibat dalam model dan efek bervariasi didasarkan kelompok masing-masing. Jika model-model dasar dan yang dibatasi secara signifikan berbeda.

Formulanya merupakan variasi pada reliabiltas konstruk sbb: Variance extracted = [(SUM(sli2)]/[(SUM(sli2) + SUM(ei))]. Jika suatu model diterima. Misalnya sli merupakan muatan-muatan yang distandarisasi (the standardized loadings) untuk semua indikator dalam variabel laten tertentu dan ei merupakan faktor kesalahan yang berkorepondensi (corresponding error terms). maka peneliti kemudian akan melakukan interpretasi terhadap koefesienkoefesien jalur dalam model tersebut. maka koefesien-koefesien structural (lajur) akan rendah juga. Peneliti harus memberikan keterangan tidak hanya pengukuran keselarasan tetapi juga semua koefesien struktural sehingga kekuatan-kekuatan jalur dalam model dapat dinilai. ini merupakan matriks korelasi-korelasi variabel-variabel laten tergantung dan bebas.. Ada satu R kuadrat atau disebut juga sebagai korelasi jamak yang dikuadratkan (squared multiple correlation (SMC)) untuk masing-masing variabel endogenous dalam suatu model tertentu. Korelasi jamak yang dikuadratkan untuk persamaan-persamaan struktural: Ini merupakan bagian dari keluaran LISREL yang memberikan persen varian dalam variabel (variabel ) laten tergantung yang berfungsi untuk menerangkan variabel-variabel laten bebas. Didasarkan pada konvensi besarnya setidak-tidaknya 0. Dalam kasus-kasus dimana variabel-variabel mempunyai korelasi rendah. Varian yang diekstrak (Variance extracted). Korelasi jamak yang dikuadratkan untuk variabel X: Ini merupakan bagian dari keluaran LISREL yang memberikan persen varian dalam indikator-indikator variabel tergantung yang dikenakan pada variabel (variabel) laten bebas terhadap kesalahan pengukuran 3.50.o o Reliabilitas konstruk (Construct reliability). 2. Pengujian keselarasan total ini tidak akan menetapkan jalur-jalur khusus tersebut dalam suatu model untuk dapat menjadi signifikan. didasarkan pada konvensi besarnya setidak-tidaknya 0. Perlu diketahui bahwa koefesien jalur yang signifikan dalam model-model yang tidak selaras akan tidak mempunyai arti. Eta merupakan koefesien korelasi nonlinear. dimana kesalahan sebesar 1 minus reliabilitas indikator. yaitu varian persen yang diterangkan dalam variabel tersebut.70 untuk muatan-muatan faktor factor loadings. maka reliabilitas = [(SUM(sli))2]/[(SUM(sli))2 + SUM(ei))].   R kuadrat. Korelasi jamak yang dikuadratkan untuk variabel Y: Ini merupakan bagian dari keluaran LISREL yang memberikan persen varian dalam indikator-indikator variabel tergantung yang dikenakan pada variabel (variabel) laten tergantung terhadap kesalahan pengukuran. the squared multiple correlation). Pengujian keselarasan (Goodness of fit tests) menentukan jika suatu model sedang diuji harus diterima atau ditolak.  . Solusi yang distandarisasi secara lengkap: matriks korelasi eta dan KSI (Completely standardized solution: correlation matrix of eta and KSI): Dalam keluaran LISREL. yang merrupakan kudrat dari muatan indikator yang distandarisasi. 1. korelasi jamak yang dikuadratkan (R-squared.

observed covariances): Pengukuran seperangkat keselarasan ini didasarkan pada kecocokan model terhadap momen-.  Fungsi kesamaan maksimal (maximum likelihood function. semakin meyakinkan peneliti bahwa semua variabel bebas benar-benar memberikan kontribusi terhadap model lebih dari sekedar jumlah yang acak. Jika tidak model yang dispesifikasi.  Pengujian-pengujian keselarasan tes didasarkan pada kovarian yang diprediksi versus kovarian yang diobservasi tetapi terdapat kerugian karena kekurangan parsimoni atau . Suatu model dengan indikator-indikator yang lebih sedikit untuk setiap satu faktor akan mempunyai penampakan kecocokan yang tinggi daripada sebuah model dengan lebih banyak indikator untuk setiap faktornya.Kecocokan yang bagus tidak berarti bahwa masing-masing bagian model tertentu mempunyai kecocokan atau keselarasan secara baik. Pengujian-pengujian keselarasan didasarkan pada kovarian yang diprediksi dan yang diobservasi (Goodness-of-fit tests based on predicted vs. Fungsi ini merefleksikan perbedaan antara matriks kovarian dan matriks yang diprediksi dengan menggunakan model tersebut.  o  Pengujian-pengujian keselarasan dengan membandingkan model yang diberikan dan model alternatif (Goodness-of-fit tests comparing the given model with an alternative model): Pengukuran-pengukuran keselarasan ini membandingkan model yang dibuat oleh peneliti untuk dicocokkan dengan model yang lain. Pengukuran-pengukuran ini. Semakin besar perbedaan LL dasar minus LL model. Suatu kecocokan yang baik juga tidak berarti bahwa semua variable exogenous menjadi penyebab terhadap variablevariabel endogenous .momen sampel. Model bebas adalah model nol. Fungsi tersebut sbb: Kesamaan log dasar (Baseline log likelihood) merupakan kesamaan ketika tidak ada variabel bebas dan hanya ada konstan dalam persamaan tersebut. maka paket-paket statistik biasanya menggunakan standar (default) untuk membandingkan model yang sudah dibuat dengan model yang independen. o Kesamaan log model (Model log likelihood) merupakan kesamaan log ketika variabel bebas disertakan dalam model juga. menggunakan apa yang disebut dengan fungsi keterbedaan konvensional (conventional discrepancy function). yang merupakan model dimana semua variabel diasumsikan tidak berkorelasi dengan variabel (variabel) tergantung. Perlu diingat juga bahwa peneliti dapat vmemperoleh kecocokan yang tidak baik bukan karena model strukturalnya yang salah tetapi karena disebabkan oleh model pengukuran yang salah. LL) bukan merupakan pengujian keselarasan itu sendiri tetapi digunakan sebagai satu komponen dari yang lainnya. Kondisi ini akan baik jika ada model kedua. yang mempunyai arti membandingkan matriks kovarian yang diobservasi dengan matriks yang diestimasi dengan asumsi bahwa model yang sedang diuji benar. dengan demikian.

semakin tinggi pengukuran parsimoni akan mewakili kecocokan yang semakin baik.08. Beberapa macam parsimoni. Saat membandingkan model.05. sama dengan PRATIO dikalikan dengan CFI. besarnya adalah harus > 0. Hal ini dikarenakan semakin kompleksnya suatu model maka akan menimbulkan kecocokan yang lebih baik daripada model-model yang kurang kompleks. ada kecocokan model yang cukup jika besarnya RMSEA kurang dari atau sama dengan 0. PCFI). Indeks kecocokan standar parsimoni (The parsimony normed fit index. sekalipun demikian terus berubah. Rasio parsimoni (parsimony ratio (PRATIO)) merupakan rasio derajat kebebasan (degree of freedom) dalam model yang dibuat oleh peneliti terhadap derajat kebebasan dalam model independent (nol). RMSEA). PGFI merupakan varian dari GFI yng dikalikan dengan rasio yang diperoleh melalui derajat kebebasan dalam model yang dibuat oleh peneliti dibagi dengan derajat kebebasan dalam model yang independen. disebut juga RMS atau RMSE dan juga perbedaan per derajat kebebasan (degree of freedom). Kesalahan kuadrat rata-rata akar (Root mean square error of approximation. 4. Kemudian residual dibagi dengan deviasi normal yang berhubungan dengan poin-poin .  Kuantil (Quantile or Q-Plots) menyusun residual yang distandarisasi dengan menggunakan ukuran serta poin – poin persentase dalam distribusi sampel yang dihitung. Indeks keselarasan parsimoni (The parsimony goodness of fit index. Sebagai suatu kelompok.9 untuk mengasumsikan kecocokan yang baik. (the Bentler/Bonnett index). PNFI).kesederhaan model (Goodness-of-fit tests based on predicted vs. perangkat pengukuran ini kurang umum dalam literatur. Penemuan yang terbaru. Hu dan Bentler (1999) menyarankan besarnya RMSEA <= 0. PGFI). Didasarkan pada konvensi. Indeks parsimoni (parsimony index) merupakan rasio parsimoni dikalikan dengan BBI. sama dengan PRATIO dikalikan dengan NFI. 5. observed covariances but penalizing for lack of parsimony): Pengkuran parsimoni tidak memberikan manfaat karena kurangnya masalah kesederhanaan model. ada kecocokan model yang baik jika RMSEA besarnya lebih kecil atau sama dengan 0. diantaranya: 1. 3. 2.  Indeks kecocokan komparatif parsimoni (The parsimony comparative fit index. 6.06 merupakan titik potong untuk sebuah kecocokan model yang baik. Pengukuran keselarasan didasarkan pada teori informasi (Goodness of fit measures based on information theory) Pengukuran ini cocok jika peneliti membandingkan model-model yang sudah diestimasikan dengan menggunakan estimasi kesamaan maksimal.

2001:22). Pemilihan matriks input (masukan) dan teknik estimasi terhadap model yang dibuat 5.5. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. Konversi diagram alur kedalam serangkaian persamaan struktural dan spesifikasi model pengukuran. 3. persentase ini yang disebut kuantil normal. menurut Agusty Ferdinand. Sedang untuk pertanyaan penelitian yang mendasar ialah:‖Apakah data yang diobservasi sesuai dan konsisten dengan teori atau model yang akan diuji?‖. Ukuran efek interaksi (Interaction effect size. Untuk melakukan pembuatan model diperlukan data yang akan diolah dan dianalisis. IES merupakan chi-square persen dikurangi dengan menambahkan variabel interaksi terhadap model yang dimaksud. 2) melakukan pengujian kesesuaian / ketepatan suatu model tertentu didasarkan pada data empiris yang ada. Menilai problem identifikasi 6. IES merupakan kriteria yang sama didasarkan pada keselarasan chi-square. Model Dalam SEM Pendekatan dalam pembuatan model SEM menggunakan pengembangan model pengukuran (measurement model) dan model struktural (structural model). Pengembangan berbasis teori 2. Oleh karena itu. dibuat melalui tahapan sbb: 1. Mengevaluasi model 7. Perlu diingat bahwa semakin kecil nilai chisquare. Stem-and-leaf plots residual yang distandarisasi juga disediakan dalam program LISREL. Jika model yang dibuat dapat memperoleh dukungan empiris yang memadai. 4. Dalam SEM. dan 3) melalukan pengujian kesesuain model serta menganalisis hubungan sebab akibat (causal relationship) antar faktor yang dibangun dalam model tersebut. maka pertanyaan selanjutnya ialah berapa besar pengaruh antar variabel yang dibangun didasarkan pada model teoritis tersebut?‖ (Ferdinand. Model pertama menghasilkan validitas konvergen (convergent validity) dan validitas diskriminan (discriminant validity) sedang model kedua menghasilkan validitas prediktif (predictive validity). SEM akan cocok digunakan dalam: 1) melakukan konfirmasi unideminsionalitas berbagai indikator untuk konstruk/konsep/faktor. Selanjutnya pemodelan SEM. IES): IES merupakan suatu pengukuran magnitude dari efek interaksi. menurut Augusty Ferdinand. maka semakin baik kecocokan mode. 1. Pertanyaan mendasar yang muncul dalam SEM ialah ―Apakah model menghasilkan sebuah matriks kovarian populasi yang diestimasi yang konsisten dengan matriks kovarian sampel yang diteliti‖. Melakukan interpretasi dan modifikasi model . Selanjutnya data ini akan dijadikan sebagai dasar untuk menghasilkan matriks kovarian estimasi populasi. Data tersebut berupa matriks kovarian dari data hasil penelitian empiris.

Muthén. teori yang digunakan akan berfungsi sebagai justifikasi model yang akan dikembangkan. and Summers. maka kemungkinan besar model yang dibuat akan salah... Dengan kata lain. Di bawah ini diberikan contoh model dengan menggunakan diagram jalur.. Tahap kedua berhubungan dengan pembuatan diagram jalur untuk mengambarkan model teori yang sudah dibuat.Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai pengesahan model yang dibuat oleh peneliti. D. Jika tidak ada teori yang sesuai. peneliti akan lebih mudah melihat hubungan antar variabel yang sedang diobservasi. Pengukuran dilakukan secara dua tahap dengan selang waktu 4 tahun. B. tetapi digunakan sebagai pembenaran adanya hubungan kausalitas secara empiris dengan menggunakan data yang diobservasi. B.. . Dengan menggunakan diagram jalur. SEM pada hakikatnya tidak ditujukan untuk membuat hubungan kausalitas. Alwin. Penelitian dilakukan oleh Wheaton. G. 1977 untuk melakukan pengujian model terhadap stabilitas keterasingan (alienation) dari waktu ke waktu yang diukur dengan menggunakan faktor anomia dan perasaan tidak berdaya serta tingkat pendidikan dan indeks sosioekonomi.

seperti alienation67 diberi simbol dengan lingkaran atau atau oval. kemungkinan selalu ada kesalahan pengukuran yang harus dipertimbangkan. B. seperti variabel anomia67 diwakili dengan kotak-kotak segi empat.. ataupun konstruk laten yang lain yang benar secara sempurna.. variabel-variabel manifest yang diukur. Tahap ketiga peneliti melakukan konversi spesifikasi model dalam bentuk rangkaian persamaan sebagai berikut: persamaan struktural yang dirumuskan sebagai sarana untuk menyatakan adanya hubungan kasualitas antar berbagai konstruk dengan menggunakan pedoman sebagai berikut: Variabel endogen = Variabel Eskogen + Variabel Endogen + Error Persamaan berikutnya ialah persamaan spesifikasi model pengukuran yang akan digunakan untuk menentukan variabel mana mengukur konstruk mana dan menentukan matriks-matriks yang akan menunjukkan hubungan-hubungan yang sudah dibuat dalam hipotesis antar konstruk dan variabel. D.. Sebaliknya variabel-variabel yang dipengaruhi oleh variabel-variabel lain disebut sebagai endogenous atau variabel-variabel downstream. G. dengan kepala anak panah menunjuk kearah variabel yang sedang dipengaruhi oleh variabel kedua. Anak panah – anak panah tunggal mewakili dampak sebab akibat dari satu variabel terhadap variabel lainnya..Tidak ada pengukuran manifest terhadap variabel-variabel alienation. Kesalahan pengukuran untuk masing-masing variabel diwakili dengan anak panah – anak panah tunggal yang menuju kearah variabel. Dalam kasus di atas. . misalnya ialah hubungan antara kesalahan-kesalahan pada variabel anomia67 dan variabel anomia71. Muthén. tidak ada pernyataan mengenai adanya hubungan sebab dan akibat yang terjadi. Pertama. variabel alienation71 mempengaruhi atau menimbulkan tanggapan terhadap butir-butir survei yang tercakup dalam variabel anomia71 yang diukur. powerlessness. sedang konstruk-konstruk laten yang tidak diukur. (1977) Gambar di atas menunjukkan beberapa karakteristik umum dalam model-model persamaan struktural. Yang ada hanya suatu hubungan yang didiskusikan. Variabelvariabel yang berada pada bagian atas atau kiri dalam model tersebut dan yang menyebabkan dampak sebab akibat terhadap variabel-variabel lainnya disebut variabel exogenous atau variabel upstream. Sebagai contoh. Anak panah – anak panah dengan dua arah menunjuk pada hubungan-hubungan korelasi tunggal dan jamak. B. tetapi tidak dengan variabel yang berhubungan pada ujung lain anak panah menimbulkan pengaruh sebab akibat. Alwin.sumber: Wheaton. and Summers..

d) hindari munculnya multikolinieritas dan singularitas karena data tidak mempunyai kombinasi linear dalam variabelvariabel yang diteliti. b) matriks yang seharusnya disajikan tidak dapat dimunculkan oleh program.9. c) angka-angka aneh akan muncul. Asumsi-asumsi yang harus dipenuhi dalam SEM diantarnya ialah: a) ukuran sampel sebaiknya di atas 100. maka setiap data individual hasil observasi yang dimasukkan kedalam program akan diubah dalam bentuk matriks kovarian atau matriks korelasi terlebih dahulu baru kemudian dilakukan estimasi. dan d) korelasi sangat tinggi muncul dalam koefesien estimasi. Dikarenakan fokus SEM bukan pada data individual hasil observasi. diantaranya:  Untuk pengujian model dilakukan dengan menggunakan Chi Square dengan ketentuan semakin kecil nilai Chi Square. b) sudah dilakukan uji normalitas dengan menggunakan histogram dan linearitas data dengan menggunakan mengamati scatterplots. diantaranya ialah angka varian error yang negatif.Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan untuk membuat model dan estimasinya. c) hindari outliers dengan nilai-nilai ekstrim muncul secara univariat dan multivariat. Tahap kelima peneliti menghadapi masalah identifikasi yang menyangkut masalah model yang sudah dikembangkan ternyata tidak mampu menghasilkan estimasi yang unik. maka peneliti menentukan kriteria untuk melakukan evaluasi model. maka semakin baik model yang dibuat. Setelah memenuhi semua krietria SEM di atas. Menurut Augusty Ferdinand ( 2001: 46) masalah identifikasi akan muncul melalui gejala-gejala sebagai berikut: a) besarnya standar error untuk satu atau beberapa koefesien. . Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria keselarasan (goodness of fit). Penekanan SEM ialah pola hubungan antar responden. Uji kesesuaian model (model fit) dan uji statistik yang dalam SEM tidak ada alat uji statistik tunggal untuk mengukur ataupun menguji hipotesis model yang dibuat. Dalam SEM data yang akan dimasukkan untuk diolah hanya matrik varian / kovarian atau disebut juga matriks korelasi sebagai data untuk pembuatan model dan estimasi yang akan dikembangkan. yaitu: 1. misalnya > 0. Adanya multikolinieritas dan singularitas dapat dideteksi dengan melihat kecilnya angka determinan matriks kovarian. Pertama kali yang harus dilakukan oleh peneliti ialah melakukan evaluasi bahwa data yang akan digunakan untuk pembuatan model dan estimasi dapat memenuhi asumsiasumsi dalam SEM.

Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0. Uji Reliabilitas. Indeks Kecocokan Komparatif (Comparative Fit Index (CFI)) dengan nilai antara 0. Uji berikutnya ialah penilaian terhadap unidimensionalitas dan reliabilitas.5.      2. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik. maka model tidak mempunyai kecocokan yang baik. Jika nilai lebih besar dari 0. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan.9. Yang pertama asumsi yang dipergunakan untuk menghitung reliabilitas model yang menunjukkan adanya indikator-indikator yang mempunyai derajat kesesuaian yang baik dalam satu model satu dimensi. Root Mean Square Error of Approximation (RMSEA) jika nilai RMSEA sebesar 0. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi. Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih besar dari 0. Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0.1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0.95.3 yang merupakan indikator diterimanya suatu kecocokan model dan data. 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. Nilai indeks keselarasan (goodness of fit index) yang besarnya berkisar dari 0 – 1. Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang umum. Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan mengubah modelmodel yang belum memenuhi persyaratan.2 dengan toleransi dibawah 0. Kesimpulannya ialah model yang diestimasi .08 atau lebih kecil maka nilai tersebut menunjukkan indeks untuk dapat diterimanya model yang dibuat.9 maka model mempunyai kesesuaian model keseluruhan yang baik.

parameter mana yang akan digunakan untuk membandingkan diagram yang dihipotesiskan dengan varian populasi yang diambil (the sample population variance) serta matriks koovarian dalam pengujian model pada tahap berikutnya. Parameter. Manipulasi model 1. Parameter. Spesifikasi model 2. terkecuali diberi nilai 0 dengan sendirinya tidak ada jalur yang akan dibuat dalam diagram SEM. Oleh karena itu.parameter yang tetap dan yang bebas dalam SEM sangat penting karena hal itu akan menentukan parameter. Spesifkasi Model merupakan latihan secara formal menyatakan suatu model.parameter bebas (free parameters) diestimasikan dari data yang diobservasi dan dipercaya oleh peneliti bukan 0. Pemilihan ini mewakili hipotesis a priori peneliti mengenai jalur-jalur mana (pathways) dalam suatu sistem menjadi penting dalam . Jalur-jalur parameter.parameter tetap diberi label secara numerik. Estimasi model 4. Tahap ini merupaka langkah dimana parameter. Penentuan parameterparameter mana merupakan parameter.mempunyai residual yang kecil atau mendekati nol serta distribusi frekuensi kovarian matriksnya bersifat simetrik.parameter mana yang dianggap bebas dan tetap dalam suatu model sepenuhnya terserah peneliti. Pemilihan parameter.parameter tetap (fixed parameters) tidak diestimasi dari data dan biasanya tetap pada besaran 0 yang mempunyai arti tidak ada hubungan antar variabel yang diobservasi. Pengujian keocokan model 5. Identifikasi model 3. menurut Stoelting ada lima langkah menyangkut penyusunan SEM. yaitu 1.parameter bebas.parameter ditentukan untuk bersifat tetap (fixed) atau bebas (free). Tanda asteris dalam diagram SEM menandai jalur-jalur parameter. Sedang menurut Ricka Stoelting tahapan dalam SEM sebagai berikut: Tujuan membuat suatu diagram jalur atau model persamaan struktural lainnya ialah untuk membuat suatu model yang cocok dengan data secara baik yang berfungsi sebagai representasi realitas yang memberikan manfaat serta memberikan keterangan parsimoni data.

Identifikasi Model menyangkut apakah nilai unik untuk masing-masing dan setiap parameter bebas dapat diperoleh dari data yang diobservasi. 2. achievement motivation measure 2 (x2). Untuk variabel task-specific self esteem motivation ( 2) dihipotesiskan dibentuk didasarkan pada faktor-faktor task-specific self esteem motivation measure 1 (x4). Abbas Ghozali (2001) dengan kasus menganalisis hubungan antara kepuasan kerja dengan kinerja studi di sebuah perusahaan. task-specific self esteem motivation measure 2 (x5). misalnya varian sampel yang diobservasi dan matriks kovarian. Model dalam contoh ini diambil dari tulisan Dr.parameter tetap dan dibatasi serta parameter. Matriks Kovarians untuk Variabel Variabel Indikator . Variabel achievement motivation ( 1) dihipotesiskan dibentuk didasarkan pada faktor-faktor achievement motivation measure 1 (x1). Sedang variabel Performance ( 2) dihipotesiskan dibentuk didasarkan pada faktor-faktor performance measure 1 (y3) dan performance measure 1 (y4). task-specific self esteem.model harus di identifikasi secara menyeluruh (overidentified) supaya dapat diestimasi serta untuk melakukan pengujian hipotesis menyangkut hubungan antar variabel. Model . dan achievement motivation measure 3 (x3). dan verbal intelligence terhadap job satisfcation dan performance. Secara lebih detil variabel-variabel yang akan dianalisis ialah pengaruh achievement motivation.parameter bebas. dan achievement motivation measure 3 (x3). Sementara itu untuk variabel job satisfcation motivation ( 1) dihipotesiskan dibentuk didasarkan pada faktorfaktor job satisfcation motivation measure 1 (y1) dan job satisfcation motivation measure 2 (y2). Sedangkan variabel verbal intelligence dihipotesiskan dibentuk didasarkan pada faktor-faktor verbal intelligence measure 1 (x4) dan verbal intelligence measure 1 (x6) dan verbal intelligence measure 1 (x7).memunculkan struktur relasional sistem yang diobservasi. Data yang akan dianalisis berupa data matriks kovarian untuk kesebelas variabel indikator terlihat di bawah ini: Tabel . Kondisi yang diwajibkan untuk melakukan overidentification addalah bahwa poin-poin data (jumlah varian dan kovarian) kurang dari jumlah variabel yang diobservasi dalam model. Suatu parameter dibatasi ketika parameter tersebut dibuat sama dengan parameter lain. Semua itu tergantung pada pilihan model serta spesifikasi parameter.

Gambar SEM tentang hubungan antara variabel kepuasan kerja dan kinerja Sumber: Ghozali (2001) Dengan mengacu pada model diatas. maka persamaan-persamaan menjadi: Bagian pertama. persamaan model jalur .Model dalam bentuk diagram jalur yang mencerminkan hubungan antar variabel dapat dilihat di bawah ini.

Nilai awal dapat dipilih oleh peneliti dari informasi sebelumnya dengan menggunakan program-program komputer yang digunakan untuk membangun model dalam SEM. S. (). Tujuan estimasi ialah untuk menghasilkan () yang berkonvergensi pada matriks kovarian populasi yang diobservasi. nilai parameter-parameter awal yang bebas dipilih untuk memunculkan matriks kovarian populasi yang diestimasi. Estimasi Dalam tahap ini.Bagian kedua. persamaan model pengukuran untuk variabel x 3. dari model tersebut. persamaan model pengukuran untuk variabel y Bagian ketiga. Pilihan metode dituntun dengan karakteristik-karakteristik data termasuk ukuran sampel dan distribusi. atau dari analisis regresi jamak. Berbagai metode dapat digunakan untuk menghasilkan (). Sebagian besar proses digunakan secara iteratif. dengan matriks residu (perbedaan () dan S) dapat diperkecil. Bentuk umum dari fungsi minimasi ialah: .

distribusi faktor. tr = trace operator.())’W(s . W.Q = (s . Performansi X2 dipengaruhi oleh ukuran sampel .()) dimana. bentuk pilihan umum ialah S-1 .()]W-1)2] dimana. dan asumsi bahwa faktor . W dipilih untuk memperkecil Q. distribusi kesalahan. berkorespondensi dengan metode estimasi yang dipilih. dalam fungsi di atas. harus dipilih oleh peneliti. mengambil sejumlah element pada diagonal pokok suatu matriks W-1 = optimal weight matrix. dalam sebagian besar kasus statistik distribusi X2 (distributed statistic).faktor dan kesalahan-kesalahan bersifat independen. Beberapa metode estimasi yang biasanya digunakan ialah:  Generalized Least Squares (GLS) FGLS = ½ tr[([S . dan Q(N-1) memberikan fungsi kecocokan. s = vektor berisi varian dan kovarian variabel-variabel yang diobservasi () = vektor berisi varian dan kovarian yang berkorespondensi sebagaimana diprediksi dengan model tersebut W = matriks pembobotan Matriks pembobotan (weight matrix).

Jika matriks kovarian/varian yang di estimasi oleh model tidak dapat mereproduksi matriks kovarian/varian sampel secara memadai. Maximum Likelihood (ML) FML = log|| . dalam fungsi ini. berisi elemen -elemen yang mepertimbangkan kurtosis. hasil proses estimasi yang diinginkan ialah untuk mendapatkan fungsi kecocokan yang mendekati 0. LM akan mempertanyakan apakah penambahan parameter-parameter bebas meningkatkan kecocokan model. Dengan kata lain.log|S| + tr(S-1) .()]’W-1[S . 4.p Dalam hal ini. Apapun fungsi yang dipilih. Pengujian ini menggunakan logika sama dengan metode . maka hipotesis-hipotesis dapat disesuaikan dan model dapat diuji ulang. W = -1 dan p = jumlah variabel yang diukur  Asymptotically Distribution Free (ADF) Estimator FADF = [S . Modifikasi Model . Prosedur-prosedur umum yang digunakan untuk modifikasi model adalah Lagrange Multiplier Index (LM) dan Wald test.()] W. Untuk menyesuaikan model. Nilai fungsi kecocokan sebesar 0 mempunyai arti bahwa matriks kovarian model yang diestimasi dan matriks kovarian sampel asli setara. parameter-parameter diubah dari tetap ke bebas atau sebaliknya. Kedua pengujian ini melaporkan perubahan dalam nilai X2 manakala jalur-jalur disesuaikan. jalur-jalur baru ditambahkan dan yang lama dihilangkan.

5. Ratio pengujian ini harus diatas +/-1. . Pengujian Wald mengikuti logika backward stepwise dalam regresi.96 agar hubungan bersifat signifikan. maka estimasi parameter dibakukan untuk presentasi model akhir. Setelah hubungan-hubungan individual dalam model dinilai. Sedang pengujian Wald mempertanyakan apakah penghapusan parameter-parameter bebas akan meningkatkan kecocokan model. dengan menggunakan statistik distribusi z-. Presentasi Akhir Model: Pada saat model telah menghasilkan kecocokan yang dapat diterima.forward stepwise dalam regresi. estimasi-estimasi individual bagi parameter-parameter bebas dapat dinilai. Parameter-parameter bebas dibandingkan dengan nilai nol. maka estimasi tersebut dapat diinterpretasi sebagai referensi untuk parameter-parameter lainnya dalam model serta kekuatan relatif jalur dalam model tersebut dapat dibandingkan. Ketika estimasi-estimasi parameter dibakukan. Statistik z diperoleh dengan membagi estimasi parameter dengan menggunakan standard error estimasi tersebut.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->