Kamis, 02 Mei 2013

Structural Equation Modeling (SEM)

Structural Equation Modeling (SEM) adalah alat statistik yang dipergunakan untuk menyelesaikan model bertingkat secara serempak yang tidak dapat diselesaikan oleh persamaan regresi linear. SEM dapat juga dianggap sebagai gabungan dari analisis regresi dan analisis faktor. SEM dapat dipergunakan untuk menyelesaikan model persamaan dengan variabel terikat lebih dari satu dan juga pengaruh timbal balik (recursive). SEM berbasis pada analisis covarians sehingga memberikan matriks covarians yang lebih akurat dari pada analisis regresi linear. Program-program statistik yang dapat dipergunakan untuk menyelesaikan SEM misalnya Analysis Moment of Structure (AMOS) atau LISREL. 

SEM mampu menyelesaikan model yang rumit yang sering muncul dalam dunia pemasaran atau bidang konsentrasi yang lain. Model yang akan diselesaikan dengan SEM harus mempunyai dasar teori yang kuat, karena SEM tidak dapat digunakan untuk menyelesaikan model kausalitas imaginer. SEM hanyalah untuk mengkonfirmasi apakah observasi sesuai dengan model teoretis yang telah dibentuk berdasarkan telaah teori yang mendalam. Metode lain yang tidak memerlukan telaah teori adalah Partial Least Square (PLS), sebuah metode alternatif yang berdasarkan variance.
Mengapa Menggunakan SEM
Beberapa alasan menggunakan analisis SEM adalah sebagai berikut:
1. Model yang dianalisis bertingkat dan relatif rumit, sehingga akan sangat sulit untuk diselesaikan dengan metode jalur analisis pada regresi linear.
2. Mampu menguji hipotesis-hipotesis yang rumit dan bertingkat secara serempak.
3. Kesalahan (error) pada masing-masing observasi tidak diabaikan tetapi tetap dianalisis, sehingga SEM lebih akurat untuk menganalisis data kuesioner yang melibatkan persepsi.
4. Mampu menganalisis model hubungan timbal balik (recursive) secara serempak, di mana model ini tidak dapat diselesaikan dengan analisis regresi linear secara serempak.
5. Terdapat fasilitas bootstrapping, di mana hal tersebut tidak dapat dilakukan dengan analisis regresi linear.
6. Untuk jumlah sampel yang relatif besar (di atas 2000) terdapat metode asymtot distribution free (ADF) yang tidak memerlukan asumsi normalitas pada data.
7. Peneliti dapat dengan mudah memodifikasi model dengan second order untuk memperbaiki model yang telah disusun agar lebih layak secara statistik.
Tujuh Langkah SEM
Dalam pengujian model SEM terdapat tujuh langkah yang harus ditempuh (Hair dkk, 1998 dalam Ferdinand, 2005), yaitu:
1 Langkah pertama: Pengembangan Model Teoritis.
2 Langkah kedua: Pengembangan Diagram Alur (Path Diagram).
3 Langkah ketiga: Konversi Diagram Alur ke dalam Persamaan Struktural dan Model Pengukuran.
4 Langkah keempat: Memilih Jenis Matrik Input dan Estimasi Model yang Diusulkan.
a. Estimasi Model Pengukuran (Measurement Model).
b. Model Struktur Persamaan (Structure Equation Model).
5 Langkah kelima: Kemungkinan Munculnya Masalah Identifikasi
a. Standard error yang besar untuk satu atau beberapa koefisien.
b. Program tidak mampu menghasilkan matriks informasi yang seharusnya disajikan.
c. Munculnya angka-angka yang aneh seperti adanya varians error yang negatif.
d. Munculnya korelasi yang sangat tinggi antar koefisien estimasi yang didapat (misal ≥ 0,9).
6 Langkah keenam : Evaluasi Kriteria Goodness of Fit
a. Uji Kesesuaian dan Uji Statistik: Likelihood ratio chi-square statistic2), Root Mean Square Error Approximation (RMSEA), Goodness of Fit Index (GFI), Adjusted Goodness of Fit Index (AGFI), The Minimum Sampel Discrepancy Function atau Degree of Freedom (CMIN/DF), Tucker Lewis Index (TLI) dan Comparative Fit Index (CFI).
c. Uji Reliabilitas: Construct Reliability dan Variance extracted.
d. Uji Validitas.
e. Asumsi-asumsi SEM: Ukuran Sampel, Normalitas, Outliers, Multicollinearity dan Singularity.
7 Langkah ketujuh: Menginterpretasikan Hasil Pengujian dan Modifikasi Model.
Sumber : Konsultan Statistik 

1 komentar:

  1. salam,,,
    pak, bagaimana dengan output pada lisrel sperti ini?
    W_A_R_N_I_N_G: Matrix to be analyzed is not positive definite,ridge option taken with ridge constant = 0.100
    apa yang harus dilakukan? bagaimana cara mengatasinya? mohon bantuannya.. trims

    BalasHapus