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 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. SEM tidak dapat secara otomatis menggambar panah-panah sebab akibat dalam model – model tersebut atau menyelesaikan ambiguitas sebab akibat Oleh karena itu. maka suatu model alternatif kemudian diuji didasarkan pada perubahan-perubahan sebagaimana disarankan dalam indeks-indeks modifikasi SEM. pelanggaran asumsi ini menaikkan chi-square sekalipun demikian didalam kondisi tertentu akan menurunkannya. peneliti dapat menggunakan strategi validasi silang dimana model dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi dengan menggunakan sampel validasi yang independen. banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan yang bersifat konfirmatori dan eksploratori.model lain yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih baik. 3. Ada banyak pengukuran keselarasan yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti melaporkan 3 atau 4 saja. Beberapa asumsi tersebut. pengertian secara teoritis dan penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting. 1. Secara umum. Karena permulaan yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square. Dengan mengabaikan pendekatan apapun yang digunakan. karena merasa tidak cukup efisien. peneliti memerlukan pengetahuan tentang asumsi-asumsi yang mendasari penggunaannya.2. 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. 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. 2. Untuk mengatasi hal ini. Selanjutnya penggunaan pengukuran ordinal atau nominal akan menyebabkan adanya pelanggaran normalitas multivariat. yaitu suatu model diuji dengan menggunakan prosedur-prosedur SEM. Perlu diperhatikan bahwa normalitas multivariat diperlukan untuk estimasi kemiripan maksimum / maximum . dengan demikian akan melemahkan kegunaannya. maka model yang diterima model yang diterima hanya berupa model penegasan saja. Asumsi Untuk menggunakan SEM.

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

10. Tambahkan variabel-variabel exogenous yang sebaiknya dilakukan sebelum pengambilan data. Sederhanakan model dengan cara mengurangi jumlah anak panah. 4. artinya sama dengan estimasi yang lain). misalnya GLS atau ULS sebagai ganti MLE. atau model yang mana jumlah parameternya yang sedang diestimasi lebih besar dari data yang sudah diketahui. Pertimbangkan untuk menggunakan bentuk estimasi yang berbeda. Spesifikasi pada tingkat yang pasti setiap koefesien yang magnitude-nya sudah pasti diketahui. dan perlakuan terhadap data yang hilang sudah dipilih. Dengan demikian ada tiga parameter (anak panah) dalam model. 9. 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 . Jika suatu model disebut underidentified atau baru saja diidentifikasi. Tegaskan opsi untuk the listwise. proporsional ( proportionality). yang sama dengan mengendalikan estimasi koefesien jalur sampai 0. 2. Hilangkan pembalikan umpan balik (feedback loops) dan pengaruh-pengaruh sebab akibat (reciprocal effects). Dengan kata lain. atau ketidak-sejajaran (inequality). 7.variabel 2 juga mempengaruhi variabel 3.2. yang harus dilakukan sebelum koleksi data. artinya lebih besar atau lebih kecil daripada estimasi yang lain. 5. Suatu model disebut underidentified. 6. tidak ada pembalikan umpan balik (feedback looping). dan ada tiga unsur kovarian (1. Hilangkan beberapa variabel yang nampaknya mempunyai multicollinear dengan variabel-variabel lainnya. dan faktor gangguan (disturbance terms) atau kesalahan sisaan (residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan. Dalam kasus yang baru saja teridentifikasi. 8. 1. 2. Sederhanakan model dengan estimasi jalur (anak panah) dengan cara-cara lain. yaitu: kesejajaran (equality). Pemecahan masalah ini ialah dengan cara menambah lagi lebih banyak variabel-variabel exogenous. Karakteristik matematis model-model yang sedang diidentifikasi menghalangi penyelesaian parameter yang diestimasi dan dilakukan pengujian keselarasan dalam model.  Rekursivitas (Recursivity): Suatu model disebut rekursif jika semua anak panah menuju satu arah. artinya proporsional dengan estimasi yang lain. 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. maka peneliti harus melakukan salah satu atau beberapa langkah-langkah sebagai berikut: 1. Miliki setidak-tidaknya tiga indikator untuk satu variabel laten.3). bukan pairwise. 3. Pertimbangkan untuk menyederhanakan model dengan cara menghilangkan beberapa variabel.3. atau dengan kata lain adalah jika terdapat lebih parameter yang harus diestimasi daripada elemen-elemen dalam matriks kovarian.

Variabel-variabel exogenous diwakili dengan x. 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).semua 0. variabel-variabel yang tidak dobservasi hanya merupakan variabel gangguan (disturbances). Anak panah satu arah mewakili parameter-parameter struktural. Variabel-variabel yang tidak diobservasi diletakan dalam lingkaran.   . Model – model dengan gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-variabel endogenous. Dalam model ini. umumnya bentuknya elips. sedang variabel-variabel exogenous hanya nampak pada ekor anak panah satu arah. 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.   Variabel-variabel yang diobservasi secara langsung diletakkan dalam kotak empat persegi panjang. Variabel-variabel endogenous dibedakan dari variabel-variabel exogenous dengan mempunyai anak panah satu arah menuju kearah variabel-variabel tersebut. dan gangguan dengan δ. variabel-variabel endogenous dengan y.

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

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

penghitungan-penghitungan menjadi lebih rumit. Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya dengan menggunakan diagram jalur. misalnya inversi matrix karena pembagian dengan 0 akan terjadi.15. 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 .  Ukuran Sampel tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan magnitude perbedaan-perbedaan matrices kovarian. 1.400 untuk modelmodel yang mempunyai indikator antara 10 . Secara teori.peneliti tidak dapat melakukan penghitungan tertentu. Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM. Aturan-aturannya kemudian menjadi lebih rumit.3. Prinsip Dasar Dibalik SEM Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling terkait satu dengan yang lain dalam suatu kelompok persamaan linear. Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan median sukuran sampel sebanyak 198. Para ahli statistik telah mengembangkan prosedur – prosedur untuk menguji apakah seperangkat varian dan kovarian dalam suatu matrix cocok dengan struktur tertentu. Cara pemodelan struktural bekerja sebagai berikut: 1. . sekalipun demikian dasarnya tetap sama.

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

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

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

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

diantaranya. maka variabel laten tergantung akan meningkat menjadi sebesar 2. Biasanya. peneliti akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan. Estimasi-estimasi yang tidak distandarisasi didasarkan pada data mentah atau matriks-matriks kovarian. GLS dapat bekerja dengan baik untuk sampel besar. Maksudnya. Estimasi yang sudah distandarisasi digunakan untuk pada saat membandingkan efek-efek langsung terhadap satu variabel endogenous yang diberikan dalam suatu studi kelompok tunggal. Koefesien-koefesien struktural (jalur) yang sudah distandarisasi (Standardized structural (path) coefficients). yaitu jika suatu koefesien struktural yang sudah distandarisasi adalah sebesar 2. Pembobotan yang sudah distandarisasi (the standardized weights) digunakan untuk membandingkan tingkat kepentingan relatif dari variabel-variabel bebas. Penafsirannya sama dengan regresi.96. Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio and the significance of factor covariances). Pada saat besarnya rasio krisis (CR) > 1. Rasio Kritis dan signifikansi koefesien-koefesien jalur (The Critical Ratio (CR) and significance of path coefficients). dalam regresi peneliti membuat model variabelvariabel. 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.0 unit –unit standard untuk masing-masing unit meningkat dalam variabel laten bebas . Pada saat sedang membandingkan kelompok-kelompok. Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan menggunakan program estimasi model. yaitu jika mereka mempunyai CR > 1. dan jalur signifikan pada level 0. MLE mengambil estimasi-estimasi yang mempunyai kesempatan terbesar untuk mereproduksi data yang diobservasi. sedang dalam SEM peneliti harus membuat model kesalahan serta variabel – variabel yang bersangkutan. yaitu GLS (generalized least squares) yang merupakan metode kedua yang paling populer setelah MLE.koefesien dalam SEM. dibuat model dalam SEM. Koefesien-koefesien struktural dalam SEM dapat dihitung dengan berbagai cara.96 untuk pembobotan regresi (regression weight). Koefesien-koefesien struktural (jalur) yang tidak distandarisasi (Unstandardized structural (path) coefficients).05. misalnya diatas 2500 (n>2500). 5. Artinya. 1. Estimasi koefesien struktutral yang distandarisasi didasarkan pada data yang sudah distandarisasi yang mencakup matriks-matriks korelasi. Metode tersebut diantaranya ialah:  Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE)) yang merupakan metode yang paling umum. Tipe-tipe estimasi koefisien . Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam situasi-situasi tertentu. maka merka signifikan. . 4. yaitu sebagaimana dalam regresi OLS. maka indikator-indikator dapat  2.0. Signifikansi kovarian-kovarian yang diestimasi diantara variabel-variabel laten dinilai dengan cara yang sama. 3.

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

Pengujian keselarasan (Goodness of fit tests) menentukan jika suatu model sedang diuji harus diterima atau ditolak. 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).50. dimana kesalahan sebesar 1 minus reliabilitas indikator. maka koefesien-koefesien structural (lajur) akan rendah juga. Pengujian keselarasan total ini tidak akan menetapkan jalur-jalur khusus tersebut dalam suatu model untuk dapat menjadi signifikan. yang merrupakan kudrat dari muatan indikator yang distandarisasi. 2. korelasi jamak yang dikuadratkan (R-squared. Dalam kasus-kasus dimana variabel-variabel mempunyai korelasi rendah. maka peneliti kemudian akan melakukan interpretasi terhadap koefesienkoefesien jalur dalam model tersebut. Didasarkan pada konvensi besarnya setidak-tidaknya 0. 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.70 untuk muatan-muatan faktor factor loadings. didasarkan pada konvensi besarnya setidak-tidaknya 0. 1. ini merupakan matriks korelasi-korelasi variabel-variabel laten tergantung dan bebas. Solusi yang distandarisasi secara lengkap: matriks korelasi eta dan KSI (Completely standardized solution: correlation matrix of eta and KSI): Dalam keluaran LISREL. Varian yang diekstrak (Variance extracted). Peneliti harus memberikan keterangan tidak hanya pengukuran keselarasan tetapi juga semua koefesien struktural sehingga kekuatan-kekuatan jalur dalam model dapat dinilai.   R kuadrat. 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.. 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.o o Reliabilitas konstruk (Construct reliability). the squared multiple correlation). maka reliabilitas = [(SUM(sli))2]/[(SUM(sli))2 + SUM(ei))]. Eta merupakan koefesien korelasi nonlinear. 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.  . Jika suatu model diterima. yaitu varian persen yang diterangkan dalam variabel tersebut. Formulanya merupakan variasi pada reliabiltas konstruk sbb: Variance extracted = [(SUM(sli2)]/[(SUM(sli2) + SUM(ei))]. Perlu diketahui bahwa koefesien jalur yang signifikan dalam model-model yang tidak selaras akan tidak mempunyai arti.

Fungsi ini merefleksikan perbedaan antara matriks kovarian dan matriks yang diprediksi dengan menggunakan model tersebut. yang mempunyai arti membandingkan matriks kovarian yang diobservasi dengan matriks yang diestimasi dengan asumsi bahwa model yang sedang diuji benar. Jika tidak model yang dispesifikasi. semakin meyakinkan peneliti bahwa semua variabel bebas benar-benar memberikan kontribusi terhadap model lebih dari sekedar jumlah yang acak. 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.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. Suatu kecocokan yang baik juga tidak berarti bahwa semua variable exogenous menjadi penyebab terhadap variablevariabel endogenous . Fungsi tersebut sbb: Kesamaan log dasar (Baseline log likelihood) merupakan kesamaan ketika tidak ada variabel bebas dan hanya ada konstan dalam persamaan tersebut. 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.  Fungsi kesamaan maksimal (maximum likelihood function. 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. Pengukuran-pengukuran ini. yang merupakan model dimana semua variabel diasumsikan tidak berkorelasi dengan variabel (variabel) tergantung. Kondisi ini akan baik jika ada model kedua. observed covariances): Pengukuran seperangkat keselarasan ini didasarkan pada kecocokan model terhadap momen-.  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. dengan demikian.  Pengujian-pengujian keselarasan tes didasarkan pada kovarian yang diprediksi versus kovarian yang diobservasi tetapi terdapat kerugian karena kekurangan parsimoni atau .momen sampel. LL) bukan merupakan pengujian keselarasan itu sendiri tetapi digunakan sebagai satu komponen dari yang lainnya. Semakin besar perbedaan LL dasar minus LL model. Model bebas adalah model nol. menggunakan apa yang disebut dengan fungsi keterbedaan konvensional (conventional discrepancy function).

perangkat pengukuran ini kurang umum dalam literatur. observed covariances but penalizing for lack of parsimony): Pengkuran parsimoni tidak memberikan manfaat karena kurangnya masalah kesederhanaan model. 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. PNFI).  Kuantil (Quantile or Q-Plots) menyusun residual yang distandarisasi dengan menggunakan ukuran serta poin – poin persentase dalam distribusi sampel yang dihitung. Sebagai suatu kelompok.kesederhaan model (Goodness-of-fit tests based on predicted vs. Penemuan yang terbaru. 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. sekalipun demikian terus berubah. PGFI). Kesalahan kuadrat rata-rata akar (Root mean square error of approximation. 3. Saat membandingkan model. Indeks parsimoni (parsimony index) merupakan rasio parsimoni dikalikan dengan BBI.05. besarnya adalah harus > 0.  Indeks kecocokan komparatif parsimoni (The parsimony comparative fit index. 4. disebut juga RMS atau RMSE dan juga perbedaan per derajat kebebasan (degree of freedom). (the Bentler/Bonnett index). PCFI). Indeks kecocokan standar parsimoni (The parsimony normed fit index. Hu dan Bentler (1999) menyarankan besarnya RMSEA <= 0. Indeks keselarasan parsimoni (The parsimony goodness of fit index.08.9 untuk mengasumsikan kecocokan yang baik. 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). Beberapa macam parsimoni. sama dengan PRATIO dikalikan dengan CFI. ada kecocokan model yang baik jika RMSEA besarnya lebih kecil atau sama dengan 0. Kemudian residual dibagi dengan deviasi normal yang berhubungan dengan poin-poin . 5. Didasarkan pada konvensi. diantaranya: 1. sama dengan PRATIO dikalikan dengan NFI. 6. ada kecocokan model yang cukup jika besarnya RMSEA kurang dari atau sama dengan 0. semakin tinggi pengukuran parsimoni akan mewakili kecocokan yang semakin baik. RMSEA). Hal ini dikarenakan semakin kompleksnya suatu model maka akan menimbulkan kecocokan yang lebih baik daripada model-model yang kurang kompleks.06 merupakan titik potong untuk sebuah kecocokan model yang baik. 2.

Pengembangan berbasis teori 2. Mengevaluasi model 7. Jika model yang dibuat dapat memperoleh dukungan empiris yang memadai. menurut Augusty Ferdinand. Selanjutnya data ini akan dijadikan sebagai dasar untuk menghasilkan matriks kovarian estimasi populasi. 4. Melakukan interpretasi dan modifikasi model . maka semakin baik kecocokan mode. Stem-and-leaf plots residual yang distandarisasi juga disediakan dalam program LISREL.5. Sedang untuk pertanyaan penelitian yang mendasar ialah:‖Apakah data yang diobservasi sesuai dan konsisten dengan teori atau model yang akan diuji?‖. Untuk melakukan pembuatan model diperlukan data yang akan diolah dan dianalisis. Data tersebut berupa matriks kovarian dari data hasil penelitian empiris. persentase ini yang disebut kuantil normal. 2) melakukan pengujian kesesuaian / ketepatan suatu model tertentu didasarkan pada data empiris yang ada. SEM akan cocok digunakan dalam: 1) melakukan konfirmasi unideminsionalitas berbagai indikator untuk konstruk/konsep/faktor. Konversi diagram alur kedalam serangkaian persamaan struktural dan spesifikasi model pengukuran. 2001:22). Pemilihan matriks input (masukan) dan teknik estimasi terhadap model yang dibuat 5. Ukuran efek interaksi (Interaction effect size. Model Dalam SEM Pendekatan dalam pembuatan model SEM menggunakan pengembangan model pengukuran (measurement model) dan model struktural (structural model). dibuat melalui tahapan sbb: 1. IES): IES merupakan suatu pengukuran magnitude dari efek interaksi. Pengembangan diagram alur untuk menunjukkan hubungan kausalitas. maka pertanyaan selanjutnya ialah berapa besar pengaruh antar variabel yang dibangun didasarkan pada model teoritis tersebut?‖ (Ferdinand. Selanjutnya pemodelan SEM. 1. dan 3) melalukan pengujian kesesuain model serta menganalisis hubungan sebab akibat ( causal relationship) antar faktor yang dibangun dalam model tersebut. IES merupakan chi-square persen dikurangi dengan menambahkan variabel interaksi terhadap model yang dimaksud. 3. Menilai problem identifikasi 6. Dalam SEM. Perlu diingat bahwa semakin kecil nilai chisquare. menurut Agusty Ferdinand. IES merupakan kriteria yang sama didasarkan pada keselarasan chi-square. Oleh karena itu. Model pertama menghasilkan validitas konvergen (convergent validity) dan validitas diskriminan (discriminant validity) sedang model kedua menghasilkan validitas prediktif (predictive validity). Pertanyaan mendasar yang muncul dalam SEM ialah ―Apakah model menghasilkan sebuah matriks kovarian populasi yang diestimasi yang konsisten dengan matriks kovarian sampel yang diteliti‖.

B. Di bawah ini diberikan contoh model dengan menggunakan diagram jalur. 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. Penelitian dilakukan oleh Wheaton. Muthén.. SEM pada hakikatnya tidak ditujukan untuk membuat hubungan kausalitas. Alwin. G. . Pengukuran dilakukan secara dua tahap dengan selang waktu 4 tahun. Dengan kata lain. peneliti akan lebih mudah melihat hubungan antar variabel yang sedang diobservasi. tetapi digunakan sebagai pembenaran adanya hubungan kausalitas secara empiris dengan menggunakan data yang diobservasi. Dengan menggunakan diagram jalur. Jika tidak ada teori yang sesuai.Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai pengesahan model yang dibuat oleh peneliti. Tahap kedua berhubungan dengan pembuatan diagram jalur untuk mengambarkan model teori yang sudah dibuat. teori yang digunakan akan berfungsi sebagai justifikasi model yang akan dikembangkan. maka kemungkinan besar model yang dibuat akan salah... D. and Summers. B..

kemungkinan selalu ada kesalahan pengukuran yang harus dipertimbangkan.. variabel-variabel manifest yang diukur. Sebaliknya variabel-variabel yang dipengaruhi oleh variabel-variabel lain disebut sebagai endogenous atau variabel-variabel downstream. 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.. 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. Dalam kasus di atas.. (1977) Gambar di atas menunjukkan beberapa karakteristik umum dalam model-model persamaan struktural. Alwin. variabel alienation71 mempengaruhi atau menimbulkan tanggapan terhadap butir-butir survei yang tercakup dalam variabel anomia71 yang diukur. D. powerlessness. misalnya ialah hubungan antara kesalahan-kesalahan pada variabel anomia67 dan variabel anomia71. B. 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.. seperti alienation67 diberi simbol dengan lingkaran atau atau oval. Kesalahan pengukuran untuk masing-masing variabel diwakili dengan anak panah – anak panah tunggal yang menuju kearah variabel.sumber: Wheaton. seperti variabel anomia67 diwakili dengan kotak-kotak segi empat. Anak panah – anak panah dengan dua arah menunjuk pada hubungan-hubungan korelasi tunggal dan jamak. . B. Pertama. tetapi tidak dengan variabel yang berhubungan pada ujung lain anak panah menimbulkan pengaruh sebab akibat. G. and Summers. Yang ada hanya suatu hubungan yang didiskusikan.Tidak ada pengukuran manifest terhadap variabel-variabel alienation. Sebagai contoh. sedang konstruk-konstruk laten yang tidak diukur.. ataupun konstruk laten yang lain yang benar secara sempurna. Muthén. tidak ada pernyataan mengenai adanya hubungan sebab dan akibat yang terjadi.

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

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. Root Mean Square Error of Approximation (RMSEA) jika nilai RMSEA sebesar 0. Kesimpulannya ialah model yang diestimasi .08 atau lebih kecil maka nilai tersebut menunjukkan indeks untuk dapat diterimanya model yang dibuat. 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.95. maka model tidak mempunyai kecocokan yang baik.1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0. Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih besar dari 0.5.      2. Uji berikutnya ialah penilaian terhadap unidimensionalitas dan reliabilitas. Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi.2 dengan toleransi dibawah 0. Jika nilai lebih besar dari 0. Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan mengubah modelmodel yang belum memenuhi persyaratan. Nilai indeks keselarasan (goodness of fit index) yang besarnya berkisar dari 0 – 1. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik. Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0.9.3 yang merupakan indikator diterimanya suatu kecocokan model dan data. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan.9 maka model mempunyai kesesuaian model keseluruhan yang baik. Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut menunjukkan sebuah konstruk laten yang umum. Indeks Kecocokan Komparatif (Comparative Fit Index (CFI)) dengan nilai antara 0. Uji Reliabilitas.

Spesifikasi model 2. Tanda asteris dalam diagram SEM menandai jalur-jalur parameter. Pengujian keocokan model 5. Spesifkasi Model merupakan latihan secara formal menyatakan suatu model. 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. yaitu 1.parameter tetap (fixed parameters) tidak diestimasi dari data dan biasanya tetap pada besaran 0 yang mempunyai arti tidak ada hubungan antar variabel yang diobservasi.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. terkecuali diberi nilai 0 dengan sendirinya tidak ada jalur yang akan dibuat dalam diagram SEM. Jalur-jalur parameter.parameter bebas (free parameters) diestimasikan dari data yang diobservasi dan dipercaya oleh peneliti bukan 0.parameter ditentukan untuk bersifat tetap (fixed) atau bebas (free). menurut Stoelting ada lima langkah menyangkut penyusunan SEM. Manipulasi model 1.parameter mana yang dianggap bebas dan tetap dalam suatu model sepenuhnya terserah peneliti.mempunyai residual yang kecil atau mendekati nol serta distribusi frekuensi kovarian matriksnya bersifat simetrik. Parameter. Estimasi model 4. Penentuan parameterparameter mana merupakan parameter.parameter yang tetap dan yang bebas dalam SEM sangat penting karena hal itu akan menentukan parameter. Pemilihan ini mewakili hipotesis a priori peneliti mengenai jalur-jalur mana (pathways) dalam suatu sistem menjadi penting dalam . Tahap ini merupaka langkah dimana parameter. Oleh karena itu.parameter bebas.parameter tetap diberi label secara numerik. Identifikasi model 3. Pemilihan parameter.

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful