Covariance SEM VS Component SEM

Presentasi berjudul: "Covariance SEM VS Component SEM"— Transcript presentasi:

1 Covariance SEM VS Component SEM
Prof. Dr. Imam Ghozali Disampaikan Pada Workshop Analisis Structural Equation Modeling (SEM) Tgl 20 Oktober 2011, Program Studi Akuntansi , Fakultas Ekonomi Universitas Multimedia Nusantara, Tangerang

2 Covariance Based SEM SEM merupakan model yang juga sering disebut dengan covariance structure analysis, latent variable analysis, confirmatory factor analysis atau LISREL analysis (nama software) SEM merupakan evolusi dari multiequation modeling yang dikembangkan di ekonometrik dan digabung dengan pengukuran dari psikologi dan sosiologi

3 Structural Equation Modeling
SEM mempunyai dua karakteristik: Estimation of multiple interrelated dependence relationship. Mampu menggambarkan unobserved concept dalam hubungan di atas dan memperhitungkan kesalahan pengukuran dalam proses estimasi

4 Karakteristik SEM Beda SEM dengan Multivariate analisis
Multivariate menggunakan persamaan terpisah (separate relationship) untuk setiap set variabel dependen SEM mengestimasi beberapa persamaan terpisah, tetapi saling berhubungan, dengan persamaan multiple regresi secara simultan denagn menggunakan model struktural

5 Karakteristik SEM SEM mampu memasukkan variabel laten kedalam analisis. Variabel laten adalah unobserved concept yang diaproximasi dengan variabel ter-observasi atau terukur yang diperoleh dari responden lewat metode pengumpulan data (surveys, tests, observasi) dan sering disebut manifest variable Dalam multivariate diasumsikan tidak ada error didalam variabel, tetapi secara teoritis tidak mungkin mengukur konsep tanpa error. Pertanyaan berapa income saudara, pasti ada jawaban yang tidak tepat mungkin overstated atau understated.

6 Covariance SEM Software
Analysis of moment structured (AMOS 18) Lisrel 8.80 EQS 6.1 MPlus SEPATH

7 Types of SEM Models Path Analysis Models
Confirmatory factory analysis models Structural regression models

8 Path Analysis

9 Confirmatory Factor Analysis

10 Structural Model Analysis

11 Estimasi Model Parameter populasi diestimasi dengan meminimmkan perbedaan antara estimated covariance matrix dengan sample covariance matrix Yaitu meminimumkan fungsi Q Q = (s – s(Q))’W(s – s(Q)) Where s is a vectorized sample covariance marix, s is a vectorized estimated matrix and Q indicates that s is estimated from the parameters and W is a weight matrix

12 Prosedur Estimasi Model
Ada 6 prosedur yang umum digunakan: ULS (unweighted least square) GLS (generalized least square) ML (maximum likelihood) WLS (weighted least square) ADF (Asymtotically distribution free) Satorra-Bentler Scaled Chi-square (corrected ML estimate for non-normality of data)

13 Menilai Model Fit Seberapa baik model fit dengan data?
Lihat nilai Chi-square, prob > alpha Sangat sensitif terhadap jumlah sample GFI, AGFI, CFI, TLI RMSEA

14 Second Order Factor Model

15 SEM and Moderating Variable
Y = a + b1X + b2Z + B3X*Z X x1 y1 Y x2 y2 Z z1 X*Z z2 (x1 + x2) (z1 +z2)

16 Covariance Based SEM Covariance SEM berdasarkan asumsi:
Variabel multivariate normal distribution Data bersifat kontinyu Dipengaruhi jumlah sample. Sample kecil menghasilkan nagative variance (heywood case), hasil parameter dan model statistik tdk baik Variabel laten indikatornya hrs bersifat refleksif Model yg komplek umumnya tdk dapat diestimasi (indeterminacy) Model harus berbasis teori. Jadi menghendaki teori yg kuat, model konfirmasi.

17 Component Based SEM

18 Component SEM Software
VPLS under DOS SmartPLS M2 PLS Graph 3.0 Visual PLS 1.8 PLS GUI XLStat PLSM

19

20

21

22 Reflective and Formative Indicator
Stress Stress Stomach ache Headache tension Divorce Bankcrupt Retired Formative Indicator Reflective Indicator

23

24 Model Evaluation Measurement Model (Outer Model):
Convergent validity> 0.70 Discriminant validity = √AVE> Correlation among construct Composite reliability > 0.60 Average variance extracted (AVE)> 0.50 Structural Model (Inner Model) t statistics test R2

25 Component Based SEM Diwakili software: Smart PLS, PLS Graph, VPLS dan PLS GUI a.Bergeser dari menguji model kausalitas/teori ke predictive model b. Tidak ada asumsi normalitas krn non-parametrik. Data dpt berupa kategori, ordinal dan interval c. Model yg komplek msh dapat diselesaikan dengan jumlah sample kecil d. Mispesifikasi model tdk berpengaruh thd estimasi parameter e. Indikator konstruk dapat berbentuk refleksif dan formatif

26 Refleksif dan Formatif Indikator
Stress Stress Sakit Perut Pusing Lesu Putus Pacar Kematian PHK Formatif Indikator Refleksif Indikator

27 Uji Model Outer model (measurement model): Convergence validity
Discriminant validity Average Variance extracted (AVE) Composite Reliability Inner model (structural model): a. R2, Uji t statistik

28 Component vs Covariance SEM
Kriteria Component SEM Covariance SEM Tujuan Pendekatan Asumsi Indikator Besar sample Implikasi Orientasi prediksi Variance Non-parametrik Reflektif dan formatif 30 – 100 Optimal ketepatan Prediksi Orientasi parameter Covariance Parametrik, Normal Multivariate Reflektif 200 – 800 Ketepatan parameter

29 Generalized Structured Component Analysis (GSCA)
PLS mengestimasi model parameter berdasarkan fixed point (FP) algorithm PLS tdk dapat menyelesaikan masalah global optimization untuk estimasi parameter PLS sulit menilai goodness fit model secara keseluruhan karena tdk ada garansi PLS memberikan solusi yang optimal

30 Generalized Structured Component Analysis (GSCA)
Untuk mengatasi kelemahan PLS, Hwang dan Takane (2004) mengusulkan model baru Generalized Structured Component Analysis (GSCA atau GESCA) GSCA merupakan component based sem GSCA menawarkan criteria global least square optimization yang memberikan ukuran goodness-fit model seperti covariance sem