Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

1 KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM) Drs. Muhammad Jihadi, M.Si.

Presentasi serupa


Presentasi berjudul: "1 KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM) Drs. Muhammad Jihadi, M.Si."— Transcript presentasi:

1 1 KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM) Drs. Muhammad Jihadi, M.Si.

2 2 KONPONEN MODEL UMUM SEM •2 JENIS VARIABEL –Variabel Latent –Variabel Teramati (Observed atau Measured Variable) •2 JENIS MODEL –Model Struktural –Model Pengukuran • 2 JENIS KESALAHAN –Kesalahan Struktural –Kesalahan Pengukuran

3 3 VARIABEL LATEN •Variabel kunci yang menjadi perhatian •Berupa konsep abstrak •Hanya dapat diamati secara tidak langsung melalui efeknya pada variabel-variabel teramati (observed variabel) •Jenis Variabel Laten : –Variabel Laten EKSOGEN (-ksi)  Var. Bebas –Variabel Laten ENDOGEN (-eta)  Var. Terikat •Simbol : Elips atau lingkaran Back Latent Eksogen Latent Endogen

4 4 VARIABEL TERAMATI •Variabel yang dapat diamati atau diukur secara empiris  disebut INDIKATOR •Berupa efek atau ukuran dari variabel laten. • Contoh : pada setiap pertanyaan dalam kuesioner mewakili sebuat variabel teramati.

5 5 MODEL dalam SEM •Model Struktural –Menggambarkan hubungan antar Variabel Latent –Parameter yang menunjukkan regresi Var. Latent Bebas terhadap variabel latent terikat adalah  (“gamma”) –Parameter yang menunjukkan regresi Var. Latent Terikat terhadap variabel terikat lainnya adalah  (“beta”) •Model Pengukuran –Menggambarkan hubungan antara variabel latent dengan variabel teramati. –Factor loading yang menghubungkan variabel latent dan variabel teramati dinotasikan  (“lamda”) Back

6 6 KESALAHAN dalam SEM •Kesalahan Struktural –Variabel Latent Bebas tidak dapat secara sempurna memprediksi Variabel Terikat, sehingga dalam model struktural ditambahkan komponen kesalahan struktural  (“zeta”) •Kesalahan Pengukuran –Variabel-variabel teramati tidak dapat secara sempurna menggambarkan variabel latent, sehingga perlu ditambahkan komponen kesalahan pengukuran. Yang berkaitan Var. Teramati X   (“delta”) Yang berkaitan Var. Teramati Y   (“epsilon”) Back

7  14  24  34  44 4 14 1 11  41 MBP 11 Likuiditas 3131 2121 X3X3 X2X2 X4X4  11  21  31  41 X1X1 1 11 1 11 Y1Y1 Y4Y4 Y3Y3 Y2Y2 1 41 4 2 42 4 3 43 4 4 44 4 Structural Equation Modelling Delta Lamda ksi Eta Gamma Epsilon Zeta

8 8 Rumus-rumus X 1 =  1 1 *  1 +  11 X 2 =  2 1 *  1 +  21 X 3 =  3 1 *  1 +  31 X 4 =  4 1 *  1 +  41 Y 1 =  1 4 * Y 1 =  1 4 *  1 +  11 Y 2 =  2 4 * Y 2 =  2 4 *  1 +  21 Y 3 =  3 4 * Y 3 =  3 4 *  1 +  31 Y 4 =  4 4 * Y 4 =  4 4 *  1 +  41 Persamaan dalam model Pengukuran : Persamaan dalam model Struktural : 1 =  1 +  1 =  41 *  1 +  1 Likuiditas: MBP : Back

9 9 Uji Kecocokan •Ukuran kecocokan absolut : menentukan derajat prediksi model keseluruhan (model) struktural dan pengukuran) terhadap matrik korelasi dan kovarian •Ukuran kecocokan inkremental : membandingkan model yang diusulkan dengan model dasar yang sering disebut sebagai null model atau independence model •Ukuran kecocokan parsimoni : mengkaitkan model dengan jumlahkoefisien yang diestimasi, yakni yang diperlukan untuk mencapai kecocokan pada tingkat tersebut. Parsimoni atau kehematan berarti memperoleh degree of fit setinggi- tingginya untuk setiap degree of freedom.  Parsimoni yang lebih banyak lebih baik.

10 10 Uji Kecocokan UKURAN GOF` TINGKAT KECOCOKAN YANG BISA DITERIMA ABSOLUTE-FIT MEASURES Statistik Chi Square (X 2 ) Mengikuti uji statistik yang berkaitan dengan persyaratan signifikan. Semaikn kecil semakin baik. Non-Centrality Parameter (NCP) Dinyatakan dalam bentuk spesifikasi ulang dari Chi Square. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil semakin baik. Scaled NCP (SNCP) NCP yang dinyatakan dalam bentuk rata-rata perbedaan setiap observasi dalam rangka perbandingan antar model. Semakin kecil semakin baik. Goodness of Fit Index (GFI) Nilai berkisar antara 0-1 dengan nilai lebih tinggi adalah lebih baik. GFI >= 0,9 adalah good fit, sedang 0,8 = 0,9 adalah good fit, sedang 0,8 <= GFI < 0,9 adalah marginal fir Root Mean Square Residual (RMSR) Residual rata-rata antara matrix (korelasi atau kovarian) teramati dan hasil estimasi RMSR <= 0,05 adalah good fit Root Mean Square Error of Approximation (RMSEA) Rata-rata perbedaan per degree of freedom yang diharapkan terjadi dalam populasi dan bukan dalam sampel. RMSEA <= 0,08 adalah good fit, sedang RMSEA < 0,05 adalah close fit Expected Cross Validation Index (ECVI) GOF yang diharapkan pada sampel yang lain dengan ukuran sama. Penilaian didasarkan atas perbandingan antar model. Semakin kecil semakin baik.

11 11 Uji Kecocokan Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 =0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Comparative Fit Index Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 =0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Incremental Fit Index (IFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 =0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Relative Fir Index (RFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 =0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Adjusted Goodness of Fit Index (AGFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 =0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Normed Fit Index (NFI) Nilai berkisar antara 0-1, dengan nilai lebih tinggi adalah lebih baik. GFI>=0.09 adalah good-fit, sedang 0.08 =0.09 adalah good-fit, sedang 0.08 <=GFI<0.09 adalah marginal. Trucker-Lewis Index atau non normed Fit Index (TLI atau NNFI) INCREMENTAL-FIT MEASURES TINGKAT KECOCOKAN YANG BISA DITERIMA UKURAN GOF

12 12 Uji Kecocokan UKURAN GOF TINGKAT KECOCOKAN YANG BISA DITERIMA PARSIMONIOUS FIT OF MEASURES Parsimonious Goodness of Fit (PGFI) Spesifikasi ulang dari GFI, dimana nilai lebih tinggi menunjukkan parsimoni yang lebih besar. Untuk ini digunakan untuk perbandingan dianatar model-model. Normed Chi Square Rasio antara Chi Square dibagi degree of freedom. Nilai yang disarankan: batas bawah : 1,0 ; batas atas 2,0 atau 3,0dan yang lebih longgar 5,0 Parsimonious Normed Fit Index (PNFI) Nilai tinggi menunjukkan kecocokan lebih baik; hanya digunakan untuk perbandingan antara model Akaike Information Criterion (AIC) Nilai positif lebih kecil menunjukkan parsimoni lebih baik ; digunakan untuk perbandingan antar model. Consistent Akaike Information Criterion (CAIC) Nilai positif lebih kecil menunjukkan parsimoni lebih baik ; digunakan untuk perbandingan antar model.

13 13 Uji Kecocokan Kecocokan Model Pengukuran EVALUASI VALIDITAS •Rigdon dan Ferguson (1991) & Doll, Xia, Torkzadeh (1994) : Variabel dikatakan mempunyai validitas yang baik terhadap variabel latentnya, jika : •Nilai t muatan faktornya (factor loading) lebih besar dari nilai kritis (> 1,96 ) •Muatan faktor standarnya (standardized factor loadings) lebih besar atau sama dengan 0,70

14 14 Uji Kecocokan Kecocokan Model Pengukuran EVALUASI RELIABILITAS Reliabilitas konstruk dikatakan baik, jika : –Nilai construct reliability-nya >= 0,70 dan –Nilai variance extracted-nya >=0,50


Download ppt "1 KONSEP DASAR STRUCTURAL EQUATION MODEL (SEM) Drs. Muhammad Jihadi, M.Si."

Presentasi serupa


Iklan oleh Google