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-

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

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

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

dan gangguan dengan δ. sedang variabel-variabel exogenous hanya nampak pada ekor anak panah satu arah. variabel-variabel endogenous dengan y. Anak panah satu arah mewakili parameter-parameter struktural.semua 0. 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). 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. umumnya bentuknya elips. 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. variabel-variabel yang tidak dobservasi hanya merupakan variabel gangguan (disturbances). Variabel-variabel endogenous dibedakan dari variabel-variabel exogenous dengan mempunyai anak panah satu arah menuju kearah variabel-variabel tersebut. Variabel-variabel exogenous diwakili dengan x.   .   Variabel-variabel yang diobservasi secara langsung diletakkan dalam kotak empat persegi panjang.

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

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

Aturan-aturannya kemudian menjadi lebih rumit. Sampel di bawah 100 akan kurang baik hasilnya jika menggunakan SEM. untuk ukuran sampelnya berkisar antara 200 . Satu survei terhadap 72 penelitian yang menggunakan SEM didapatkan median sukuran sampel sebanyak 198. .15.400 untuk modelmodel yang mempunyai indikator antara 10 . 1.3. Secara teori. Prinsip Dasar Dibalik SEM Dalam statistik terdapat generaliasi yang menyatakan bahwa beberapa variabel saling terkait satu dengan yang lain dalam suatu kelompok persamaan linear.peneliti tidak dapat melakukan penghitungan tertentu.  Ukuran Sampel tidak boleh kecil karena SEM bergantung pada pengujian-pengujian yang sensitif terhadap ukuran sampel dan magnitude perbedaan-perbedaan matrices kovarian. Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang lainnya dengan menggunakan diagram jalur. Para ahli statistik telah mengembangkan prosedur – prosedur untuk menguji apakah seperangkat varian dan kovarian dalam suatu matrix cocok dengan struktur tertentu. misalnya inversi matrix karena pembagian dengan 0 akan terjadi. 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. penghitungan-penghitungan menjadi lebih rumit. Cara pemodelan struktural bekerja sebagai berikut: 1. sekalipun demikian dasarnya tetap sama.

Peneliti memulai dengan melakukan spesifikasi suatu model didasarkan pada teori. Oleh karena itu. Masing- . Ujilah apakah semua varian dan kovarian cocok dengan modelnya. 4. 5.  1. yaitu:   Pertama. Langkah pertama diselesaikan dengan melalui analisis faktor penegasan (confirmatory factor analysis). peneliti harus ingat bahwa hanya karena model sudah sesuai dengan data maka secara otomatis model tersebut benar. sedang langkah kedua diselesaikan melalui analisis jalur (path analysis) dengan variabel-variabel laten. Oleh karena itu sebenarnya hubungan-hubungan antar variabel mungkin tidak linear juga. meski proses penghitungan matematis SEM sangat rumit. Konsep-Konsep dan Istilah Dasar Bagian ini akan dibahas beberapa konsep dasar dalam SEM. karena akan ada model lain juga yang akan sesuai dengan data. sebenarnya logika dasarnya sudah tercakup dalam lima langkah di atas Kedua. Suatu model struktural dengan hubungan-hubungan linear hanya dapat mendekati kesesuaian. diantaranya:  Dua tahapan proses SEM: pertama. Akan tetapi model yang sesuai dengan data tidak secara langsung berarti model tersebut benar. peneliti dapat menyatakan jika suatu model sebab akibat itu benar. Laporkan hasil-hasil pengujian statistik. Karena dalam kenyataan sehari hari dunia ini tidak linear. dan juga estimasi-estimasi parameter serta kesalahan-kesalahan standard untuk semua koefisen numerik yang ada dalam persamaan linear. maka akan sesuai degan data yang ada. kita harus ingat adalah sesuatu yang tidak masuk akal jika peneliti mengharapkan model struktural sesuai secara sempurna. Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja dalam kaitannya degan varian – varian dan kovarian-kovariannya beberapa variabel tersebut. Berdasarkan semua informasi di atas. melakukan validasi model pengukuran dan kedua menyesuaikan dengan model struktural. Terdapat beberapa hal yang penting dan sangat mendasar untuk melakukan proses ini. 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. peneliti memutuskan apakah model nampak sesuai dengan data yang dipunyai atau tidak.4.2. 3.

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

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

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

0. yaitu jika mereka mempunyai CR > 1. diantaranya. dalam regresi peneliti membuat model variabelvariabel. Signifikansi kovarian-kovarian yang diestimasi diantara variabel-variabel laten dinilai dengan cara yang sama. Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan menggunakan program estimasi model. GLS dapat bekerja dengan baik untuk sampel besar. yaitu GLS (generalized least squares) yang merupakan metode kedua yang paling populer setelah MLE. Biasanya. Metode tersebut diantaranya ialah:  Estimasi kesamaan maksimum (Maximum likelihood estimation (MLE)) yang merupakan metode yang paling umum.96. Estimasi yang sudah distandarisasi digunakan untuk pada saat membandingkan efek-efek langsung terhadap satu variabel endogenous yang diberikan dalam suatu studi kelompok tunggal. yaitu sebagaimana dalam regresi OLS. MLE mengambil estimasi-estimasi yang mempunyai kesempatan terbesar untuk mereproduksi data yang diobservasi. 5.0 unit –unit standard untuk masing-masing unit meningkat dalam variabel laten bebas . Koefesien-koefesien struktural dalam SEM dapat dihitung dengan berbagai cara. Tipe-tipe estimasi koefisien .koefesien dalam SEM. Koefesien-koefesien struktural (jalur) yang sudah distandarisasi (Standardized structural (path) coefficients).96 untuk pembobotan regresi (regression weight). maka variabel laten tergantung akan meningkat menjadi sebesar 2. Estimasi koefesien struktutral yang distandarisasi didasarkan pada data yang sudah distandarisasi yang mencakup matriks-matriks korelasi. Artinya. Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam situasi-situasi tertentu. Koefesien-koefesien struktural (jalur) yang tidak distandarisasi (Unstandardized structural (path) coefficients). sedang dalam SEM peneliti harus membuat model kesalahan serta variabel – variabel yang bersangkutan. Penafsirannya sama dengan regresi. dan jalur signifikan pada level 0. Estimasi-estimasi yang tidak distandarisasi didasarkan pada data mentah atau matriks-matriks kovarian. maka merka signifikan. Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio and the significance of factor covariances). . Rasio Kritis dan signifikansi koefesien-koefesien jalur (The Critical Ratio (CR) and significance of path coefficients). 1. peneliti akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan. yaitu jika suatu koefesien struktural yang sudah distandarisasi adalah sebesar 2. 4.05. misalnya diatas 2500 (n>2500). 3. Maksudnya. dibuat model dalam SEM. maka indikator-indikator dapat  2. Pada saat sedang membandingkan kelompok-kelompok. Pada saat besarnya rasio krisis (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. Pembobotan yang sudah distandarisasi (the standardized weights) digunakan untuk membandingkan tingkat kepentingan relatif dari variabel-variabel bebas.

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

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

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

besarnya adalah harus > 0.08. Hu dan Bentler (1999) menyarankan besarnya RMSEA <= 0. sekalipun demikian terus berubah. 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.05. sama dengan PRATIO dikalikan dengan CFI. Indeks kecocokan standar parsimoni (The parsimony normed fit index.06 merupakan titik potong untuk sebuah kecocokan model yang baik. Indeks parsimoni (parsimony index) merupakan rasio parsimoni dikalikan dengan BBI. Indeks keselarasan parsimoni (The parsimony goodness of fit index. RMSEA). 3. Sebagai suatu kelompok. 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. PNFI). sama dengan PRATIO dikalikan dengan NFI. 4. ada kecocokan model yang baik jika RMSEA besarnya lebih kecil atau sama dengan 0.9 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). 5. semakin tinggi pengukuran parsimoni akan mewakili kecocokan yang semakin baik. observed covariances but penalizing for lack of parsimony): Pengkuran parsimoni tidak memberikan manfaat karena kurangnya masalah kesederhanaan model. PGFI). 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. Saat membandingkan model.  Indeks kecocokan komparatif parsimoni (The parsimony comparative fit index. Penemuan yang terbaru. ada kecocokan model yang cukup jika besarnya RMSEA kurang dari atau sama dengan 0. (the Bentler/Bonnett index). disebut juga RMS atau RMSE dan juga perbedaan per derajat kebebasan (degree of freedom). 2. Kesalahan kuadrat rata-rata akar (Root mean square error of approximation. Didasarkan pada konvensi.kesederhaan model (Goodness-of-fit tests based on predicted vs. Beberapa macam parsimoni. PCFI). Hal ini dikarenakan semakin kompleksnya suatu model maka akan menimbulkan kecocokan yang lebih baik daripada model-model yang kurang kompleks. perangkat pengukuran ini kurang umum dalam literatur. diantaranya: 1. 6.

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

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

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

9. . maka semakin baik 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. diantaranya ialah angka varian error yang negatif. dan d) korelasi sangat tinggi muncul dalam koefesien estimasi. 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. 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. Tahap keenam peneliti melakukan evaluasi model dengan menggunakan kriteria keselarasan (goodness of fit). yaitu: 1. Dikarenakan fokus SEM bukan pada data individual hasil observasi. 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. 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. Setelah memenuhi semua krietria SEM di atas. c) angka-angka aneh akan muncul.Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan untuk membuat model dan estimasinya. misalnya > 0. 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. Adanya multikolinieritas dan singularitas dapat dideteksi dengan melihat kecilnya angka determinan matriks kovarian. Menurut Augusty Ferdinand ( 2001: 46) masalah identifikasi akan muncul melalui gejala-gejala sebagai berikut: a) besarnya standar error untuk satu atau beberapa koefesien. maka peneliti menentukan kriteria untuk melakukan evaluasi model. Tahap kelima peneliti menghadapi masalah identifikasi yang menyangkut masalah model yang sudah dikembangkan ternyata tidak mampu menghasilkan estimasi yang unik. 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. Penekanan SEM ialah pola hubungan antar responden.

Jika nilai mendekati 1 maka model tersebut menunjukkan kecocokan yang sangat tinggi. Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-indikator sudah mewakili secara benar konstruk laten yang dikembangkan. Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan ketentuan sebagai penerimaan sebuah model sebesar sama dengan atau lebih besar dari 0. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau sama dengan 0.5. Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of Fit Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau lebih besar dari 0.95.1 dengan ketentuan jika nilai mendekati angka 1 maka model yand dibuat mempunyai kecocokan yang sangat tinggi sedang jika nilai mendekati 0.9 maka model mempunyai kesesuaian model keseluruhan yang baik. Kesimpulannya ialah model yang diestimasi .2 dengan toleransi dibawah 0.      2.08 atau lebih kecil maka nilai tersebut menunjukkan indeks untuk dapat diterimanya model yang dibuat. 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.9. Nilai indeks keselarasan (goodness of fit index) yang besarnya berkisar dari 0 – 1. maka model tidak mempunyai kecocokan yang baik. Root Mean Square Error of Approximation (RMSEA) jika nilai RMSEA sebesar 0. Indeks Kecocokan Komparatif (Comparative Fit Index (CFI)) dengan nilai antara 0. Uji Reliabilitas. Uji berikutnya ialah penilaian terhadap unidimensionalitas dan reliabilitas.3 yang merupakan indikator diterimanya suatu kecocokan model dan data. Jika nilai lebih besar dari 0. 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. Jika nilai besarnya mendekati 0 maka model mempunyai kecocokan yang rendah sedang nilai mendekati 1 maka model mempunyai kecocokan yang baik. 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.

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

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

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.

dari model tersebut. 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. persamaan model pengukuran untuk variabel x 3. Pilihan metode dituntun dengan karakteristik-karakteristik data termasuk ukuran sampel dan distribusi. Berbagai metode dapat digunakan untuk menghasilkan (). Estimasi Dalam tahap ini. S. Sebagian besar proses digunakan secara iteratif.Bagian kedua. atau dari analisis regresi jamak. Bentuk umum dari fungsi minimasi ialah: . 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. persamaan model pengukuran untuk variabel y Bagian ketiga.

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

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

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

Sign up to vote on this title
UsefulNot useful