Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Sesi 5 Model Multi Sampel Model Interaksi Dr. Setyo Hari Wijanto.

Presentasi serupa


Presentasi berjudul: "Sesi 5 Model Multi Sampel Model Interaksi Dr. Setyo Hari Wijanto."— Transcript presentasi:

1 Sesi 5 Model Multi Sampel Model Interaksi Dr. Setyo Hari Wijanto

2 Bab 8 Model Multi Sampel Dr. Setyo Hari Wijanto

3 April 2009Bab 8 Model Multi Sampel 3 VARIABEL MODERASI KSIETA VM ( Variabel moderasi) KSIETA VM ( Variabel moderasi)

4 April 2009Bab 8 Model Multi Sampel 4 VARIABEL MODERASI Teknik untuk merepresentasikan dampak interaksi dan analisisnya sudah merupakan hal yang biasa pada metode regresi dan analisis varian. Dalam SEM kita mempunyai 2 pilihan (Rigdon, Schumacker dan Wothke 1998): Multi sample approach Interaction model approach

5 April 2009Bab 8 Model Multi Sampel 5 MULTI-SAMPLE APPROACH Peneliti biasanya mencari jawaban salah satu dari 5 pertanyaan yaitu: Apakah model pengukuran tidak bervariasi di antara grup-grup (group invariant) ? Apakah model struktural tidak bervariasi di antara grup-grup? Apakah lintasan-lintasan (paths) tertentu yang dispesifikasikan dalam model struktural tidak bervariasi di antara grup-grup? Apakah latent means dari konstruk-konstruk tertentu dalam model tidak bervariasi di antara grup-grup? Apakah muatan-muatan faktor dari model pengukuran tidak bervariasi di antara grup- grup?

6 April 2009Bab 8 Model Multi Sampel 6 MULTI-SAMPLE APPROACH Prosedur 1. Estimasi Model Penelitian 2. Pembagian Sampel Ke dalam Grup- Grup 3. Pembentukan dan Estimasi Model Dasar (Baseline Model) 4. Estimasi Multisample Model dengan Parameter ditetapkan sama 5. Estimasi Multisample Model dengan Parameter berbeda 6. Evaluasi Perbedaan Parameter di antara Grup-Grup

7 April 2009Bab 8 Model Multi Sampel 7 MULTI-SAMPLE APPROACH Prosedur 1. Estimasi Model Penelitian A A B C A B C A B C Pembagian Sampel ke dalam Grup-Grup 3. Estimasi Model Dasar A B C Estimasi Multi-sample  Parameter Sama (Model A) 1 2 A B C ≠ = = = = = 5. Estimasi Multi-sample  Parameter tidak Sama (Model B) 6. Evaluasi Perbedaan Parameter di antara Grup Total Sampel

8 April 2009Bab 8 Model Multi Sampel 8 MULTI-SAMPLE APPROACH Contoh Pendekatan Multi Sample TkarIlmu Adaptabi TkarWira PRODUK PROAKTI IMBAL MINATADAPLVS PLBisnis

9 April 2009Bab 8 Model Multi Sampel 9 MULTI-SAMPLE APPROACH Estimasi Model Penelitian Program SIMPLIS

10 April 2009Bab 8 Model Multi Sampel 10 MULTI-SAMPLE APPROACH Estimasi Model Penelitian Diagram Lintasan

11 April 2009Bab 8 Model Multi Sampel 11 MULTI-SAMPLE APPROACH Estimasi Model Penelitian

12 April 2009Bab 8 Model Multi Sampel 12 MULTI-SAMPLE APPROACH Pembagian Sampel Ke dalam Grup-Grup 2 subsampel: NORM_1. PSF (99 responden); NORM_2.PSF (102 responden) Pembentukan Model Dasar (Baseline Model)

13 April 2009Bab 8 Model Multi Sampel 13 MULTI-SAMPLE APPROACH Pembentukan Model Dasar (Baseline Model)

14 April 2009Bab 8 Model Multi Sampel 14 MULTI-SAMPLE APPROACH Pembentukan Model Dasar (Baseline Model)

15 April 2009Bab 8 Model Multi Sampel 15 MULTI-SAMPLE APPROACH Pembentukan Model Dasar (Baseline Model)

16 April 2009Bab 8 Model Multi Sampel 16 MULTI-SAMPLE APPROACH Pembentukan Model Dasar (Baseline Model)

17 April 2009Bab 8 Model Multi Sampel 17 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter ditetapkan sama Template [Model A] Group 1: Salah satu Template 1a. s/d 1h* Template 2a atau 2b Group 2: Salah satu Template 1a. s/d 1h Template 3a atau 3b Template 4 * Penjelasan mengenai Template dapat dilihat pada bab SIMPLIS language

18 April 2009Bab 8 Model Multi Sampel 18 MULTI-SAMPLE APPROACH Model A Group1:Persepsi terhadap ketidaktentuan lingkungan rendah System File from File NORM_1.DSF Latent variables TkarWira TkarIlmu Adaptabi Relationships PRODUK PROAKTI = TkarWira IMBALAN MINAT = TkarIlmu ADAPLVS = 1 * Adaptabi TkarWira = TkarIlmu Adaptabi = TkarWira TkarIlmu Set Error Variance of ADAPLVS to 0 Group2:Persepsi terhadap ketidaktentuan lingkungan tinggi System File from File NORM_2.DSF Latent variables TkarWira TkarIlmu Adaptabi Path Diagram End of Problem

19 April 2009Bab 8 Model Multi Sampel 19 MULTI-SAMPLE APPROACH Error Message

20 April 2009Bab 8 Model Multi Sampel 20 MULTI-SAMPLE APPROACH Model A Group1:Persepsi terhadap ketidaktentuan lingkungan rendah System File from File NORM_1.DSF Latent variables TkarWira TkarIlmu Adaptabi Relationships PRODUK PROAKTI = TkarWira IMBALAN MINAT = TkarIlmu ADAPLVS = 1 * Adaptabi TkarWira = TkarIlmu Adaptabi = TkarWira TkarIlmu Set Error Variance of ADAPLVS to 0 Set Error Variance of TkarWira to 0.77 Group2:Persepsi terhadap ketidaktentuan lingkungan tinggi System File from File NORM_2.DSF Latent variables TkarWira TkarIlmu Adaptabi Path Diagram End of Problem

21 April 2009Bab 8 Model Multi Sampel 21 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter ditetapkan sama

22 April 2009Bab 8 Model Multi Sampel 22 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter ditetapkan sama

23 April 2009Bab 8 Model Multi Sampel 23 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter ditetapkan sama

24 April 2009Bab 8 Model Multi Sampel 24 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda Template [Model ….(B, C dstnya)] Group 1: Salah satu Template 1a. s/d 1h* Template 2a atau 2b Group 2: Salah satu Template 1a. s/d 1h Template 2a atau 2b Relationships yang akan dilihat perbedaannya diketik di sini Template 3a atau 3b Template 4

25 April 2009Bab 8 Model Multi Sampel 25 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda Yang ingin diuji: (1) Apakah secara keseluruhan model struktural pada grup1 berbeda dengan grup2? (2) Apakah ada perbedaan nilai koefisien struktural dari (lintasan dari) TkarWira ke Adaptabi antara grup1 dengan grup2?.

26 April 2009Bab 8 Model Multi Sampel 26 MULTI-SAMPLE APPROACH Model B Group1:Persepsi terhadap ketidaktentuan lingkungan rendah System File from File NORM_1.DSF Latent variables TkarWira TkarIlmu Adaptabi Relationships PRODUK PROAKTI = TkarWira IMBALAN MINAT = TkarIlmu ADAPLVS = 1 * Adaptabi TkarWira = TkarIlmu Adaptabi = TkarWira TkarIlmu Set Error Variance of ADAPLVS to 0 Set Error Variance of TkarWira to 0.77 Group2:Persepsi terhadap ketidaktentuan lingkungan tinggi System File from File NORM_2.DSF Latent variables TkarWira TkarIlmu Adaptabi Relationships TkarWira = TkarIlmu Adaptabi = TkarWira TkarIlmu Path Diagram End of Problem

27 April 2009Bab 8 Model Multi Sampel 27 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda

28 April 2009Bab 8 Model Multi Sampel 28 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda

29 April 2009Bab 8 Model Multi Sampel 29 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda

30 April 2009Bab 8 Model Multi Sampel 30 MULTI-SAMPLE APPROACH Model C Group1:Persepsi terhadap ketidaktentuan lingkungan rendah System File from File NORM_1.DSF Latent variables TkarWira TkarIlmu Adaptabi Relationships PRODUK PROAKTI = TkarWira IMBALAN MINAT = TkarIlmu ADAPLVS = 1 * Adaptabi TkarWira = TkarIlmu Adaptabi = TkarWira TkarIlmu Set Error Variance of ADAPLVS to 0 Set Error Variance of TkarWira to 0.77 Group2:Persepsi terhadap ketidaktentuan lingkungan tinggi System File from File NORM_2.DSF Latent variables TkarWira TkarIlmu Adaptabi Relationships Adaptabi = TkarWira Path Diagram End of Problem

31 April 2009Bab 8 Model Multi Sampel 31 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda

32 April 2009Bab 8 Model Multi Sampel 32 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda

33 April 2009Bab 8 Model Multi Sampel 33 MULTI-SAMPLE APPROACH Estimasi Multisample Model dengan Parameter berbeda

34 April 2009Bab 8 Model Multi Sampel 34 MULTI-SAMPLE APPROACH EValuasi Perbedaan Parameter di antara Grup Model A: Chi square (χ2) = Degree of Freedom (df) = 18 Model B: χ2 = df = 15 ∆χ2 = χ2 Model A - χ2 Model B = – = 5.35 ∆df = df Model A – df Model B = 18 – 15 = 3 Dari table distribusi χ2 (atau dihitung menggunakan Excel) untuk χ2 = 5.35 dan df = 3 akan diperoleh nilai p = > 0.05  tidak signifikan (α = 0.05) Tidak ada perbedaan model struktural (nilai- nilai koefisien struktural secara keseluruhan) antara grup1 dan grup2.

35 April 2009Bab 8 Model Multi Sampel 35 MULTI-SAMPLE APPROACH EValuasi Perbedaan Parameter di antara Grup Model A: Chi Square (χ2) = Degree of Freedom (df) = 18 Model C: χ2 = df = 17 ∆χ2 = χ2 Model A - χ2 Model C = – = 4.35 ∆df = df Model A – df Model C = 18 – 17 = 1 Dari table distribusi χ2 (atau dihitung menggunakan Excel) untuk χ2 = 4.35 dan df = 1 akan diperoleh nilai p = < 0.05  signifikan pada α = Jadi ada perbedaan nilai koefisien struktural TkarWira ke Adaptabi antara grup1 dengan grup2.

36 April 2009Bab 8 Model Multi Sampel 36 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN Karena sebuah variabel laten tidak teramati, maka variabel laten tidak mempunyai skala yang intrinsic. Demikian juga titik nol dan unit pengukuran tidak terdefinisi. Dalam sebuah populasi, titik nol ditetapkan dengan asumsi bahwa semua variabel teramati diukur dalam deviasi dari reratanya dan rerata dari semua variabel laten adalah nol. Unit pengukuran dari setiap laten variabel biasanya ditetapkan dengan asumsi: Standardized variable dengan varian ditetapkan = 1 (Contoh SIMPLIS: Set Variance of LV to 1) atau Menetapkan sebuah muatan faktor yang tidak nol (non-zero loading) sebagai sebuah variabel referensi. ( contoh SIMPLIS: READING = 1 * Verbal)

37 April 2009Bab 8 Model Multi Sampel 37 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN Dalam studi Multigrup, restriksi ini dapat dilonggarkan dengan mengasumsikan bahwa variabel laten mempunyai skala sama pada semua grup. Skala yang sama (Common Scale) bisa didefinisikan dengan: mengasumsikan bahwa rerata dari variabel laten adalah nol di satu grup, dan loadings dari variabel-variabel teramati pada variabel laten terkait adalah invariant pada semua grup, dengan salah satu loading dari setiap variabel laten ditetapkan = 1, sebagai variabel referensi Dengan asumsi di atas, dimungkinkan untuk mengestimasi rerata dan matrik kovarian variabel laten relatif terhadap common scale.

38 April 2009Bab 8 Model Multi Sampel 38 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN Rerangka Konsepsual

39 April 2009Bab 8 Model Multi Sampel 39 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN Rerangka Konsepsual Sebagai tambahan dari 8 Matrik pada SEM ada 4 matrik (atau vektor) baru yaitu

40 April 2009Bab 8 Model Multi Sampel 40 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN Contoh Perbedaan Rerata pada 2 Variabel Diagram Lintasan WRITING5 READING5 READING7 WRITING7 Verbal5 Verbal7 CONSTANT κ2κ2 τ2τ2 τ3τ3 τ4τ4 κ1κ1 τ1τ1 λ 42 λ

41 April 2009Bab 8 Model Multi Sampel 41 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN Beberapa spesifikasi tambahan yang perlu ditambahkan pada Program SIMPLIS: 1. Varian dari ξ diestimasi secara bebas pada setiap grup, demikian juga kovarian di antara mereka (matrik Φ). Hal ini dapat dilakukan dengan statemen SIMPLIS seperti di bawah ini pada grup2 dan grup- grup selanjutnya.. ‘Set the Variances of Free’ ‘Set the Covariance of and Free’

42 April 2009Bab 8 Model Multi Sampel 42 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN 2. Error variances dari model pengukuran (varian dari δ dan ε) dan dari model struktural (varian dari ζ) diestimasi secara bebas pada setiap grup. Contoh statemen SIMPLIS pada grup2 dan grup-grup selanjutnya adalah sebagai berikut: ’Set the error variances of Free’ Set the error variances of Free’

43 April 2009Bab 8 Model Multi Sampel 43 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN 3. Error covariances dari model pengukuran dan model struktural yang diperlukan (tidak semua) bisa diestimasi secara bebas. Contoh statemen SIMPLIS pada semua grup adalah sebagai berikut: ‘Let the error covariance of and Free’

44 April 2009Bab 8 Model Multi Sampel 44 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN 4. Kecuali untuk loading factor yang ditetapkan 1, semua loading factors (λ) dibatasi (constrained) sama untuk semua grup. 5. Semua intersep untuk variabel teramati (τ atau constant) dibatasi sama untuk semua grup. 6. Semua intersep untuk model struktural (κ) dibatasi sama dengan nol pada grup referensi (grup1) dan diestimasi secara bebas pada grup2 dan grup-grup yang lainnya. 7. Varian dari CONSTANT tidak diestimasi tetapi ditetapkan sama dengan 1.

45 April 2009Bab 8 Model Multi Sampel 45 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN

46 April 2009Bab 8 Model Multi Sampel 46 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN

47 April 2009Bab 8 Model Multi Sampel 47 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN TkarIlmu Adaptabi TkarWira PRODUK PROAKTIIMBAL MINATADAPLVS CONSTAN

48 April 2009Bab 8 Model Multi Sampel 48 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN

49 April 2009Bab 8 Model Multi Sampel 49 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN

50 April 2009Bab 8 Model Multi Sampel 50 ESTIMASI DARI RERATA (MEAN) VARIABEL LATEN

51 Bab 9 Model Interaksi Dr. Setyo Hari Wijanto

52 April 2009Bab 8 Model Multi Sampel 52 INTERACTION MODEL APPROACH Ketika variabel moderasi adalah kontinu dan variabel yang dimoderasi juga kontinu, maka pendekatan yang kita gunakan untuk permasalahan ini adalah pendekatan model interaksi (interaction model approach). Kenny dan Judd (1984) memformulasikan sebuah model yang mengandung efek interaksi antara 2 variabel laten dan mengusulkan menggunakan perkalian variabel-variabel tersebut untuk mengestimasi model. Kenny dan Judd (1984) memformulasikan modelnya menggunakan regresi non-linier seperti di bawah ini. Dalam notasi SEM (Rigdon et.al. 1998; dimana ξ 3 = ξ 1* ξ 2 )

53 April 2009Bab 8 Model Multi Sampel 53 INTERACTION MODEL APPROACH Alternatif Pendekatan Model Interaksi Multiple Indicators Model Kenny dan Judd Model Yang Jonsson Single Indicator Model Ping Model Jöreskog (Model dengan Latent Variabel Score/LVS)

54 April 2009Bab 8 Model Multi Sampel 54 INTERACTION MODEL APPROACH Contoh menggunakan model BEA (Bagozzi et.al. 1992)

55 April 2009Bab 8 Model Multi Sampel 55 INTERACTION MODEL APPROACH Contoh menggunakan model BEA (Bagozzi et.al. 1992)

56 April 2009Bab 8 Model Multi Sampel 56 INTERACTION MODEL APPROACH Contoh menggunakan model BEA (Bagozzi et.al. 1992)

57 April 2009Bab 8 Model Multi Sampel 57 INTERACTION MODEL APPROACH Contoh menggunakan model BEA (Bagozzi et.al. 1992)

58 April 2009Bab 8 Model Multi Sampel 58 INTERACTION MODEL APPROACH Contoh menggunakan model BEA (Bagozzi et.al. 1992)

59 April 2009Bab 8 Model Multi Sampel 59 INTERACTION MODEL APPROACH Model Kenny dan Judd menggunakan model BEA (Bagozzi et.al. 1992)

60 April 2009Bab 8 Model Multi Sampel 60 INTERACTION MODEL APPROACH Model Kenny dan Judd menggunakan model BEA (Bagozzi et.al. 1992)

61 April 2009Bab 8 Model Multi Sampel 61 INTERACTION MODEL APPROACH Model Kenny dan Judd menggunakan model BEA (Bagozzi et.al. 1992)

62 April 2009Bab 8 Model Multi Sampel 62 INTERACTION MODEL APPROACH Model Yang Jonsson menggunakan model BEA (Bagozzi et.al. 1992)

63 April 2009Bab 8 Model Multi Sampel 63 INTERACTION MODEL APPROACH Model Yang Jonsson menggunakan model BEA (Bagozzi et.al. 1992)

64 April 2009Bab 8 Model Multi Sampel 64 INTERACTION MODEL APPROACH Model Yang Jonsson menggunakan model BEA (Bagozzi et.al. 1992)

65 April 2009Bab 8 Model Multi Sampel 65 INTERACTION MODEL APPROACH Model Ping Model Interaksi dengan indikator tunggal (single indicator) Dalam model Ping, data asli dari variabel- variabel teramati ditranslasikan dengan mean centering, sebelum diproses. Contoh: X 1 (baru) = X 1 (asli) - mean X 1.

66 April 2009Bab 8 Model Multi Sampel 66 INTERACTION MODEL APPROACH Model Ping Menghitung parameter pada Model Ping

67 April 2009Bab 8 Model Multi Sampel 67 INTERACTION MODEL APPROACH Model Ping menggunakan model BEA (Bagozzi et.al. 1992)

68 April 2009Bab 8 Model Multi Sampel 68 INTERACTION MODEL APPROACH Model Ping menggunakan model BEA (Bagozzi et.al. 1992) Menghitung parameter pada Model Ping

69 April 2009Bab 8 Model Multi Sampel 69 INTERACTION MODEL APPROACH Model Ping menggunakan model BEA (Bagozzi et.al. 1992) Menghitung parameter pada Model Ping

70 April 2009Bab 8 Model Multi Sampel 70 INTERACTION MODEL APPROACH Model Ping menggunakan model BEA (Bagozzi et.al. 1992) Menghitung parameter pada Model Ping

71 April 2009Bab 8 Model Multi Sampel 71 INTERACTION MODEL APPROACH Model Jöreskog (LVS) menggunakan model BEA (Bagozzi et.al. 1992) Menghitung Laten Variabel Score (LVS)  BeLVS dan VlLVS

72 April 2009Bab 8 Model Multi Sampel 72 INTERACTION MODEL APPROACH Model Jöreskog (LVS) menggunakan model BEA (Bagozzi et.al. 1992) BE*VL = BeLVS * VlLVS

73 April 2009Bab 8 Model Multi Sampel 73 INTERACTION MODEL APPROACH Model Jöreskog (LVS) menggunakan model BEA (Bagozzi et.al. 1992)

74 April 2009Bab 8 Model Multi Sampel 74 INTERACTION MODEL APPROACH Model Jöreskog (LVS) menggunakan model BEA (Bagozzi et.al. 1992)

75 April 2009Bab 8 Model Multi Sampel 75 INTERACTION MODEL APPROACH Perbandingan Pendekatan Model Interaksi

76 April 2009Bab 8 Model Multi Sampel 76 CONTOH PENYEDERHANAAN MODEL Model dari Lubis (2007)  Penyederhanaan model dan model interaksi CEO 1 CEO 6 MPC 1 MPC 4 COMPANY CULTURE NEW PRODUCT DEVELOPMENT TEAM ROLE OF SUPPLIER N P D PERFORMANCE Product Performance Process Performance CEO Commitment Management Policy PRF 1 PRF 2 PDF 1 PDF 2 H1H1 H3H3 H2H2 ISH 1 RES 1 Information Sharing Resources Sharing Knowledge Transfer Product & Process Technology KWT 1 PPT 1 ISH 3 RES 2 KWT 2 PPT 4 H4H4 Effective Communication ECM 1 ECM 2 Good Coordination Timely Conflict Resolution Creative Problem Solving Effective Decision Implementation GCO 1 GCO 2 TCR 1 TCR 2 CPS 1 CPS 2 EDI 1 EDI 2

77 April 2009Bab 8 Model Multi Sampel 77 CONTOH PENYEDERHANAAN MODEL Model dari Lubis (2007)  Penyederhanaan model dan model interaksi COMPANY CULTURE NEW PRODUCT DEVELOPMENT TEAM ROLE OF SUPPLIER N P D PERFORMANCE H1H1 H3H3 H2H2 H4H4 Effective Communication Good Coordination Timely Conflict Resolution Creative Problem Solving Effective Decision Implementation Information Sharing Resources Sharing Knowledge Transfer Product & Process Technology CEO Commitment Management Policy Product Performance Process Performance

78 April 2009Bab 8 Model Multi Sampel 78 CONTOH PENYEDERHANAAN MODEL Model dari Lubis (2007)  Penyederhanaan model dan model interaksi COMPANY CULTURE NEW PRODUCT DEVELOPMENT TEAM ROLE OF SUPPLIER N P D PERFORMANCE H1H1 H3H3 H2H2 H4H4 Effective Communication Good Coordination Timely Conflict Resolution Creative Problem Solving Effective Decision Implementation Information Sharing Resources Sharing Knowledge Transfer Product & Process Technology CEO Commitment Management Policy Product Performance Process Performance Role of Supplier * Company Culture (ROS*CCLVS) ROSXCC


Download ppt "Sesi 5 Model Multi Sampel Model Interaksi Dr. Setyo Hari Wijanto."

Presentasi serupa


Iklan oleh Google