Pengantar SEM - Analisis Data Multivariate

Document Sample
Pengantar SEM - Analisis Data Multivariate Powered By Docstoc
					                           Pengantar SEM
Teori Statistik – www.suchaini.net – 2012




                             Udin Suchaini / suchaini@gmail.com
                           Analisis Data Multivariate


       Penggunaan SEM didasarkan pada model teoritis yang kuat dimana konstruksi
laten didefinisikan (model pengukuran) dan konstruksi ini berhubungan satu sama lain
melalui serangkaian hubungan ketergantungan (model struktural). Penekanan pada
dukungan teoritis yang kuat untuk setiap model yang diusulkan mendasari sifat
konfirmasi dari aplikasi SEM.
        Tapi berkali-kali diabaikan adalah persis bagaimana model struktural yang
diusulkan diterjemahkan ke dalam hubungan struktural dan bagaimana estimasi mereka
saling terkait. Analisis jalur adalah proses dimana hubungan struktural yang dinyatakan
sebagai efek langsung dan tidak langsung dalam rangka memfasilitasi estimasi.
Pentingnya memahami proses ini tidak begitu bahwa penelitian dapat memahami
proses estimasi, melainkan untuk memahami bagaimana model spesifikasi (dan
respecification) dampak set hubungan struktural keseluruhan. Pertama-tama kita akan
menggambarkan proses menggunakan analisis jalur untuk memperkirakan hubungan
dalam analisis SEM. Kemudian kita akan membahas peran yang memiliki spesifikasi
model dalam mendefinisikan efek langsung dan tidak langsung dan klasifikasi efek
sebagai kausal dibandingkan palsu. Kita akan melihat bagaimana penetapan ini
berdampak pada estimasi model struktural.
       Tujuan dari pengembangan path diagram merupakan dasar untuk analisis jalur,
prosedur untuk estimasi empiris kekuatan setiap hubungan (path) digambarkan dalam
diagram jalur. Analisis jalur menghitung kekuatan hubungan hanya menggunakan
korelasi atau matriks kovarians sebagai masukan.
       Langkahnya adalah mengidentifikasi semua hubungan yang menghubungkan dua
dimensi. Analisis jalur memungkinkan kita untuk menguraikan korelasi (bivariat)
sederhana antara dua variabel dalam jumlah jalur senyawa menghubungkan titik-titik.
Jumlah dan jenis jalur senyawa antara dua variabel secara ketat fungsi dari model yang
diajukan oleh peneliti.
      Sebuah jalur senyawa adalah jalan sepanjang panah dari diagram jalur yang
mengikuti tiga aturan:
   1. Setelah maju pada panah, jalan tidak bisa mundur lagi, tetapi jalan bisa pergi ke
      belakang sebanyak yang diperlukan sebelum maju.
   2. Jalan tidak bisa pergi melalui variabel yang sama lebih dari sekali.
   3. Jalan dapat mencakup hanya satu panah melengkung (pasangan variabel
      berkorelasi).




                                                                                 1
Teori Statistik – www.suchaini.net – 2012


        Ketika menerapkan aturan ini, setiap jalur atau panah mewakili jalan. Jika hanya
satu panah menghubungkan dua konstruksi (analisis jalur juga dapat dilakukan dengan
variabel), maka hubungan antara kedua sama dengan estimasi parameter antara kedua
konstruksi. Untuk saat ini, hubungan ini dapat disebut hubungan langsung. Jika ada
beberapa panah menghubungkan satu membangun yang lain seperti di X  Y  Z, maka
efek dari X pada Z tampaknya cukup rumit tapi contoh membuatnya mudah untuk
diikuti:
      Model jalur bawah menggambarkan model sederhana dengan dua konstruksi
eksogen (X1 dan X2) kausal berkaitan dengan konstruk endogen (Y1). jalan korelasional
A X1 berkorelasi dengan X2. jalur B adalah efek dari X1 memprediksi Y1, dan C jalur
menunjukkan efek X2 memprediksi Y1.




       Nilai untuk Y1 dapat dinyatakan dengan persamaan seperti:



       Sekarang dapat mengidentifikasi jalur langsung (direct effect) dan tidak langsung
(indirect effect) dalam model kami. Untuk memudahkan dalam mengacu pada jalur, jalur
kausal diberi label A, B, dan C.




       Dengan jalur langsung dan tidak langsung dapat mewakili korelasi antara
Estimasi Hubungan


masing-masing konstruk sebagai jumlah dari jalur langsung dan tidak langsung. Tiga
korelasi yang unik antara konstruksi dapat terbukti terdiri dari jalur langsung dan tidak
langsung sebagai berikut:




                                                                                   2
Teori Statistik – www.suchaini.net – 2012




       Pertama, korelasi X1 dan X2 hanya sama dengan A. korelasi X1 dan Y1 (CorrX1, Y1)
dapat direpresentasikan sebagai dua jalur: B dan AC. Simbol B merupakan jalur
langsung dari X1 menjadi Y1, dan jalan lain (jalan senyawa) mengikuti panah
melengkung dari X1 ke X2 dan kemudian menjadi Y1. Demikian pula, korelasi X2 dan Y1
dapat ditampilkan yang terdiri dari dua jalur kausal: C dan AB.
        Setelah semua korelasi didefinisikan dalam hal jalur, nilai-nilai korelasi yang
diamati dapat diganti dan persamaan diselesaikan untuk setiap jalur yang terpisah. Jalur
kemudian mewakili baik hubungan kausal antara konstruk (mirip dengan koefisien
regresi) atau perkiraan korelasional.
       Sementara analisis jalur memainkan peran kunci dalam memperkirakan efek
diwakili dalam model struktural, juga memberikan wawasan tambahan ke dalam tidak
hanya efek langsung dari satu konstruk versus lain, tetapi semua set segudang efek tidak
langsung antara dua konstruksi. Sementara efek langsung selalu dapat dianggap kausal
jika hubungan ketergantungan yang ditentukan, efek tidak langsung memerlukan
pemeriksaan lebih lanjut untuk menentukan apakah mereka kausal (langsung terkait
dengan hubungan ketergantungan) atau non-kausal (yang berarti bahwa mereka
mewakili hubungan antara konstruksi, tetapi tidak bisa dikaitkan dengan proses kausal
tertentu).




       Dampak respecification Model pada kedua perkiraan parameter dan efek kausal /
Dampak Respecification Model


nonkausal dapat dilihat dalam contoh kita juga. Lihat kembali hubungan C3 Æ C4. Apa
yang terjadi jika kita menghilangkan C1 Æ C4 hubungan? Apakah itu mempengaruhi C3
C4 Æ hubungan dengan cara apapun? Jika kita melihat kembali efek tidak langsung, kita
dapat melihat bahwa dua dari empat efek tanpa sebab akan dihilangkan (B4, 1 x B3, B4
dan 1, 1 x B2, B3 1 x, 2). Bagaimana akan dampak ini model? Jika efek yang substansial
tetapi dihilangkan ketika C1 Æ C4 jalan telah dieliminasi, maka kemungkinan besar C3
C4 Æ hubungan akan dianggap remeh, sehingga dalam sisa lebih besar untuk ini
kovarians dan model fit secara keseluruhan miskin. Plus, sejumlah efek lain yang
menggunakan jalan ini akan dihilangkan juga. Ini menggambarkan bagaimana
penghapusan atau penambahan jalur dalam model struktural dapat berdampak tidak
hanya itu hubungan langsung (misalnya, C1 Æ C4), tetapi hubungan lain juga.
       Kebanyakan program SEM saat ini menyediakan pengguna dengan banyak indeks
fit yang berbeda. Dalam teks kita lebih terfokus erat pada orang-orang yang paling
banyak digunakan. Pada bagian ini, kita secara singkat menyentuh pada beberapa
indeks lainnya cocok mutlak yang kadang-kadang dilaporkan:


                                                                                  3
Teori Statistik – www.suchaini.net – 2012




•     The expected cross‐validation index (ECVI) adalah perkiraan kebaikan-of-fit model
Fit Indices Absolute Lainnya


      diperkirakan akan mencapai di lain sampel dengan ukuran yang sama.
      Berdasarkan matriks kovarians sampel, memperhitungkan ukuran sampel yang
      sebenarnya dan perbedaan yang dapat diharapkan dalam sampel lain. The ECVI
      juga memperhitungkan jumlah parameter estimasi untuk model tertentu. Hal ini
      paling berguna dalam membandingkan kinerja dari satu model ke model lain.
•     The actual cross‐validation index (CVI) dapat dibentuk dengan menggunakan
      matriks kovariansi dihitung berasal dari model dalam satu sampel untuk
      memprediksi matriks kovarians diamati diambil dari sampel validasi. Mengingat
      sampel yang cukup besar (yaitu, N> 500 untuk sebagian besar aplikasi), peneliti
      dapat membuat sampel validasi dengan memisahkan pengamatan asli secara acak
      menjadi dua kelompok.
•     Gamma Hat juga berusaha untuk mengoreksi baik ukuran sampel dan
      kompleksitas model dengan masing-masing termasuk dalam perhitungan nya.
      Nilai Gamma Khas Hat berkisar antara .9 dan 1,0. Keuntungan utamanya adalah
      bahwa ia memiliki distribusi yang dikenal [10].




_____. SEM Basics: Multivariate Data Analysis. Pearson Prentice Hall Publishing
Referensi




                                                                                  4

				
DOCUMENT INFO
Shared By:
Categories:
Stats:
views:24
posted:12/8/2012
language:Latin
pages:4