PLS-SEM DAN CB-SEMDiajukan untuk memenuhi tugas mata kuliah Structural Equation Modelling (SEM)

Oleh:

1. Wirda Rahayu

(140610120009)

2. Intan Fresti Putri

(140610120015)

3. Anne Rahmawati

(140610120037)

4. Siti Maesaroh

(140610120041)

5. Aprilia Kurniharsih

(140610120065)

6. Hilmi Tsuraya Zulfania(140610120075)7. Elsa Saputri

(140610120083)

8. Riana Octomi Yuanas (140610120089)9. Vita Julinda

(140610120105)

10. Annisa Lestari

(140610120119)

Kelas : A

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

JATINANGOR

2015

PLS-SEM dan CB-SEM

Terdapat dua pendekatan untuk mengestimasi hubungan pada model persamaan struktural (Hair et al., 2010, Hair, Ringle, & Sarstedt, 2011; Hair et al., 2012a). Salah satunya dikenal dengan pendekatan CB-SEM dan yang lainnya dikenal dengan pendekatan PLS-SEM. Masing-masing digunakan sesuai pada konteks penelitian yang berbeda. Untuk menjawab pertanyaan kapan menggunakan PLS-SEM atau CB-SEM, peneliti focus pada karakteristik dan objektif yang membedakan kedua metode tersebut ( Hair et al., 2012b).

Estimasi pada PLS-SEM menggunakan Analisis Regresi Chi-Kuadrat dan CB-SEM menggunakan Maximum Likelihood. PLS-SEM menggunakan data yang ada untuk mengestimasi hubungan model dengan tujuan meminimumkan error terms (variansi residual) dari konstruk endogen. PLS-SEM analisis SEM berbasis varians, sedangkan CB-SEM berbasis kovarians. Hal tersebut sebagai alasan PLS-SEM lebih cocok untuk tujuan penelitian bersifat ekploratif dan CB-SEM lebih cocok untuk konfirmasi teori.PLS-SEM mirip dengan regresi PLS tetapi tidak ekuivalen antara keduanya. Regresi PLS didasarkan pada pendekatan regresi yang bersifat eksploratif, hubungan linier multiple veriabel independen dan tunggal atau multiple variabel dependen.

Ada beberapa pertimbangan penting ketika memutuskan untuk menggunakan PLS-SEM atau tidak. Pertimbangan mengarah pada dasar karakteristik metode dan properti algoritma. PLS-SEM memiliki fitur penting yang dihubungkan dengan karakteristik data dan metode yang digunakan. Terdapat 4 critical issue pada aplikasi PLS-SEM (Hair, Ringle, & Sarstedt, 2011; Hair et al., 2012a; Hair et al., 2012b; Ringle, Sarstedt, & Straub, 2012) yaitu data, model properties, algotitma PLS-SEM dan model evaluation issue.PLS-SEM akan lebih effisien jika ukuran sampel kecil, model yang kompleks, dan data tidak harus berasumsi distribusi normal. Selain itu, PLS-SEM bisa menangani model pengukuran reflektif dan model pengukuran formatif. Penjelasan lebih lanjut mengenai karakteristik PLS-SEM akan dijelaskan pada Exhibit 1.5.Exhibit 1.5 Karakteristik dari PLS-SEMKarakteristik data

Ukuran Sampel Ukuran sampel kecil

Umumnya mencapai nilai statistik tertinggi pada saat ukuran sampelnya kecil

Ukuran sampel yang besar akan meningkatkan presisi (konsistensi) dari estimasi parameter

Distribusi Tanpa asumsi distribusi

PLS-SEM menggunakan metode non parametrik

Nilai yang hilang Sangat berpengaruh selama nilai yang hilang masih pada tingkat yang wajar

Skala Pengukuran Menggunakan data metrik, pengukuran dengan kuasi-metrik (skala data ordinal) dan kode biner variabel (dengan batasan-batasan tertentu)

Beberapa batasan digunakan untuk data kategori saat mengukur variabel laten endogen

Karakteristik Model

Banyaknya item yang digunakan pada model pengukuran. Mengukur satu atau lebih item

Hubungan antara konstruk dengan indikatornya Menggunakan model pengukuran reflektif dan formatif

Model yang kompleks Menangani model yang memiliki banyak model structural

Semakin banyak indikator maka semakin mereduksi bias pada PLS-SEM

Susunan model Tidak terdapat hubungan causal loop dalam struktur model. Hanya terdapat model rekursif (hubungan timbal-balik)

Sifat Algoritma PLS-SEM

Objektif Meminimalkan varians yang tidak dapat dijelaskan (contoh : nilai R2)

Efisien Menyatu setelah beberapa iterasi dengan solusi optimum (bahkan dalam model yang kompleks atau dalam set data yang besar), sehingga algoritmanya efisien

Skor Konstruk Diperkirakan sebagai kombinasi linear dari indikatornya

Digunakan untuk tujuan prediktif Dapat digunakan sebagai masukan untuk analisis selanjutnya Tidak terpengaruh oleh kekurangan data atau data tidak lengkap

Estimasi Parameter Hubungan Model Struktural umumnya ditaksir terlalu rendah (PLS-SEM bias) Hubungan Model Pengukuran adalah umumnya ditaksir terlalu tinggi (PLS-SEM bias) Konsisten pada umumnya Tinggi tingkat kuasa uji

Model Evaluasi Masalah

Evaluasi Model Umum Tidak ada kriteria uji kecocokan model secara umum.

Evaluasi Model Pengukuran Model pengukuran Reflektif yang digunakan untuk menentukan keandalan dan penilaian validitas oleh beberapa criteria. Model pengukuran formatif yang digunakan untuk menentukan validitas penilaian, signifikansi dan relevansi bobot indikator, kolinearitas indikator.

Evaluasi Model Struktural Kolinearitas antara set konstruk, signifikansi koefisien jalur, koefisien determinasi (R2), ukuran efek (f2), relevansi prediktif (Q2 dan q2 ukuran efek).

Analisis Tambahan Analisis Matriks Dampak-Kinerja Efek Mediasi Model Komponen Hirarkis Analisis Multigroup Mengungkap dan menyelesaikan heterogenitas yang tidak dapat diukur Model Pengukuran Invarian Efek Moderating

Hubungan causal loop antara variabel laten yaitu, ketika model adalah non-recursive (tidak ada hubungan timbal balik. Karena PLS-SEM tidak memiliki pengukuran kecocokan model global yang memadai, penggunaannya untuk pengujian teori dan konfirmasi dibatasi. Studi simulasi menunjukkan bahwa perbedaan antara estimasi CB-SEM dan estimasi PLS-SEM sangat kecil (misalnya, Reinartz, Haenlein, & Henseler, 2009). Dengan demikian, secara ekstensif dibahas PLS-SEM bias tidak relevan untuk sebagian besar aplikasi. Hasil untuk CB-SEM dan PLS-SEM biasanya tidak berbeda banyak, dan estimasi PLS-SEM dapat mewakili dengan baik hasil CB-SEM. Dalam kasus-kasus tertentu, hubungan model struktural atau pengukuran dari konstruk atau ketika penekanannya lebih pada eksplorasi dari konfirmasi, PLS-SEM adalah alternatif yang menarik untuk CB-SEM.

Selanjutnya, ketika asumsi CB-SEM dilanggar berkaitan dengan normalitas distribusi, ukuran sampel minimum, dan maksimum kompleksitas model, atau anomali metodologis terkait, terjadi di proses estimasi model, PLS-SEM adalah metodologi alternatif yang baik untuk menguji teori. Dengan demikian, peneliti harus mempertimbangkan dengan baik ketika memutuskan analisis yang tepat mau menggunakan CB-SEM atau PLS-SEM untuk penilaian model struktural.

Seperti yang bisa dilihat, PLS-SEM tidak dianjurkan sebagai alternatif universal CB-SEM. Kedua metode berbeda dari sudut pandang statistik, sehingga tak satu pun dari teknik umumnya unggul dari yang lain dan tak satu pun dari mereka adalah sesuai untuk semua situasi. Secara umum, kekuatan PLS-SEM merupakan kelemahan CB-SEM, dan sebaliknya. Sesuatu yang penting bahwa ketika peneliti memahami aplikasi yang berbeda, kemudian masing-masing pendekatan itu dikembangkan sesuai kegunaannya. Peneliti perlu menerapkan teknik SEM yang paling sesuai dengan karakteristik tujuan penelitian, data mereka, dan setup Model (lihat Roldan dan Sanchez-Franco [2012]).

Karakteristik Data

Persyaratan Ukuran Sampel Minimum

Karakteristik data seperti ukuran sampel minimum, non-normal data, dan skala pengukuran (yaitu, penggunaan jenis skala yang berbeda) adalah salah satu alasan yang paling sering disebutkan untuk menerapkan PLS-SEM (Rambut et al, 2012b.; Henseler et al., 2009).Exhibit 1.6 Rules of Thumb dalam Memilih Antara PLS-SEM dan CB-SEMPLS SEM Tujuan PLS adalah untuk memprediksi konstruk yang merupakan target utama dalam model atau mengidentifikasi konstruk yang paling berpengaruh dalam model.

Konstruk yang diukur secara formatif adalah bagian dari model struktural. Pengukuran formatif dapat digunakan juga pada CB-SEM, tetapi membutuhkan modifikasi dalam spesifikasi konstruk (konstruk harus sudah termasuk indikator formatif dan reflektif untuk memenuhi identifikasi). Model struktural kompleks (terdapat banyak konstruk dan indikator). Ukuran sampelnya kecil dan tidak berdistribusi normal. Mengguakan skor variabel laten dalam analisisnya.CB-SEM

Tujuannya untuk menguji teori, mengonfirmasi teori, atau membandingkan teori.

Eror membutuhkan spesifikasi tambahan (mis. Kovarians)

Model struktural mempunyai hubungan non-recursive Penelitiannya membutuhkan kriteria goodness of fit.Ukuran sampel kecil sering dijadikan alasan yang salah untuk menggunakan PLS-SEM. Hasil misinterpretasi ini kadang membuat publik menjadi skeptis terhadap penggunaan metode PLS-SEM. Kompleksnya model struktural mempunyai sedikit pengaruh terhadap ukuran sampel. Hal ini dikarenakan algoritma PLS-SEM tidak menghitung seluruh hubungan di dalam model secara bersamaan, tetapi menggunakan regresi OLS untuk menaksir regresi Parsial. Ukuran sampel di PLS secara mendasar dibangun dari regresi OLS.Dalam penelitian sebelumnya seperti penelitian Renarzt (2009) yang telah menerapkan metode PLS-SEM dengan ukuran sampel kecil didapatkan kesimpulan bahwa hasilnya baik dan mengindikasikan bahwa PLS-SEM merupakan pilihan yang baik ketika ukuran sampelnya kecil. PLS-SEM juga mempunyai tingkatan kuasa uji statistik yang lebih tinggi daripada CB-SEM

Pada 10 times rule menyatakan bahwa ukuran sampel setidaknya harus lebih besar dari 10 kali banyak anak panah terbanyak yang menunjukkan hubungan antara variabel laten ( konstruk) dengan indikatornya. Namun, perlu diketahui juga latar belakang model dan karakteristik data untuk mempertimbangkannya dalam pemilihan ukuran sampel minimum. Dan secara spesifik, ukuran sampel yang dibutuhkan harus ditentukan oleh rata-rata dari power analisis berdasarkan bagian model dengan jumlah prediktor terbanyak.Rekomendasi Ukuran Sampel pada PLS-SEM untuk Statistical Power 80% dapat dilihat pada exhibit 1.7. Misalnya: pada sebuah penelitian memiliki tiga variabel laten, pada variabel laten pertama memiliki tiga indikator, variabel laten kedua dengan lima indikator dan variabel laten ketiga memiliki tujuh indikator, berarti jumlah tanda panah antara variabel konstruk dengan indikatornya yang paling banyak adalah tujuh. Pada penelitian tersebut ditentukan taraf signifikan 5% dengan minimum R2 sebesar 0.75 makan ukuran sampel minimumnya adalah 41 sampel.Exhibit 1.7 Rekomendasi Ukuran Sampel pada PLS-SEM untuk Statistical Power 80%

Jumlah maksimum tanda panah pada variabel konstruk dengan indikatornyaTaraf Signifikansi

1%5%10%

Minimum R2Minimum R2Minimum R2

0.100.250.500.750.100.250.500.750.100.250.500.75

215875473811052332688412621

3176845342124593830100483025

4191915846137654233111533427

5205986250147704536120583730

62171036653157754839128624032

72281096956166805141136664235

82381147359174845444143694537

92471197662181885746150734739

102561217964189915948156764941

Sumber: Cohen, J. A power primer, Psychological bulletin, 112, 155-519.Distribusi Data dan Skala Pengukuran

Data hilang bisa ditanggulangi dengan menggunakan PLS-SEM dengan batasan-batasan tertentu (contohnya kurang dari 5% data hilang per indikator), treatment untuk data hilang seperti mean replacement (pergantian rata-rata, EM (expectation maximization algorithm) dan nearest neighbor menunjukkan sedikit perbedaan estimasi dengan PLS-SEM. Alternatifnya peneliti bisa mengambil pilihan untuk menghapus semua observasi dengan data hilang tetapi dapat menyebabkan penurunan variasi pada data dan bias ketika kelompok observasi telah dihapus secara sistematis.

PLS-SEM adalah metode yang dapat digunakan ketika data tidak berdistribusi normal. PLS-SEM lebih flexible, soft modeling, namun soft maksudnya hanya untuk asumsi distribusi bukan untuk konsep, model atau teknik estimasi. PLS-SEM adalah alat statistika yang menyediakan model estimasi robust dengan data normal dan tidak normal.

Alghoritma PLS-SEM umumnya memerlukan data metrik untuk indikator model pengukuran, tapi metode ini juga bekerja dengan baik untuk skala ordinal dengan titik data berjarak sama dan dengan data biner. Penggunaan data biner sering dijadikan variabel control kategori atau moderator dalam model PLS-SEM. Singkatnya indikator dummy dapat termasuk dalam model PLS-SEM tetapi membutuhkan perhatian khusus. Ketika menggunakan kedua metric dan dummy variabel peneliti harus mempertimbangkan pran dummy variabl dalam model. Exhibit 1.8 merangkum pertimbangan utama terkait dengan katrakteristik ini.

PLS-SEM sangat fleksibel dalam sifat modeling-nya. Algoritma dalam PLS-SEM mengharuskan semua model menjadi rekursif yang berarti adanya hubungan siklis atau hubungan timbal balik antara variabel laten yang seharusnya tidak diperbolehkan dalam model struktural. Saat spesifikasi model, dalam PLS-SEM tidak memerlukan asumsi distribusi, sedangkan dalam CB-SEM hal tersebut harus terpenuhi. Kesulitan dalam model pengukuran adalah modelnya yang kompleks yang berarti banyaknya variabel laten atau variabel observed dalam model, hal ini akan sulit jika kita menggunakan CB-SEM. Sebaliknya, PLS-SEM dapat digunakan dalam situasi tersebut, karena tidak dibatasi oleh identifikasi dan masalah teknis lainnya.

Exhibit 1.8 Pertimbangan Data saat Menggunakan PLS-SEM

Secara garis besar, ukuran sampel minimum dalam PLS-SEM

(1) 10 kali jumlah terbesar indikator formatif yang digunakan untuk mengukur satu konstruk atau

(2) 10 kali jumlah terbesar jalur struktural yang diarahkan.

Bagaimanapun peneliti harus mengikuti rekomendasi lain seperti yang disediakan oleh Cohen (1992) bahwa kuasa uji dan ukuran sampel perlu diperhitungkan.

Dengan set data yang lebih besar (N = 250 +), hasil CB-SEM dan PLS-SEM sangat mirip ketika jumlah yang sesuai dari variabel indikator (4+) yang digunakan untuk mengukur masing-masing konstruk (konsistensi pada umumnya). PLS-SEM dapat menangani data yang sangat non-normal (mislnya, tingkat kemiringan yang tinggi). banyaknya nilai yang hilang dalam prosedur (misalnya, pengganti rata-rata, penghapusan berpasangan, EM, dan hal-hal terkait lainnya) dapat digunakan dengan masuk akal. Tingkat data yang hilang (kurang dari 5% yang hilang per indikator) dengan efek terbatas pada hasil analisis. PLS-SEM bekerja dengan matrik, kuasi-matrik, dan kategoris (misalnya, dummy-kode) skala data, meskipun dengan keterbatasan tertentu.

Dalam SEM, model pengukuran reflektif dan formatif harus dipertimbangkan. PLS-SEM dapat dengan mudah menangani keduanya, sedangkan CB-SEM hanya menangani model pengukuran reflektif saja. Pada PLS-SEM perlu pertimbangan pendekatan primer ketika hipotesis model menggunakan model pengukuran formatif. CB-SEM dapat mengakomodasi model pengukuran formatif, tetapi harus mengikuti aturan spesifikasi yang berbeda ketika tahap identifikasi model ( Diamatopoulos & Riefler, 2011). CB-SEM memerlukan asumsi-asumsi khusus, sedangkan PLS-SEM tidak.

Kelemahan pada PLS-SEM yaitu akan timbul masalah ketika ada kolinieritas yang tinggi antar variabel indikator pada model pengukuran formatif. PLS-SEM dapat mengestimasi model yang kompleks, asalkan model tersebut didukung oleh asumsi teoritis dan data yang cukup memadai dengan ukuran sampel minimalnya. PLS-SEM juga dapat menangani single-item model pengukuran yaitu dimana pada satu variabel laten hanya memiliki satu indikator.Exhibit 1.9 Pertimbangan Model ketika Menggunakan PLS-SEM Persyaratan-persyaratan model pengukuran untuk PLS-SEM sangat mudah disesuaikan. PLS-SEM dapat menangani model pengukuran reflektif dan formatif beserta single-item model pegukuran tanpa ada tambahan persyaratan atau batasan lainnya.

Kompleksitas model biasanya tidak menjadi masalah pada PLS-SEM. PLS-SEM tidak membatasi ketepatan data dengan ukuran sampel minimal dan kompleksitas dari model strukturalnya.CRITICAL THINKING QUESTION1. Kapan SEM lebih menguntungkan untuk memahami hubungan antar variabel?

Jawab : SEM lebih menguntungkan untuk memahami hubungan antar variabel ketika antar variabel memiliki hubungan sebab-akibat (kausalitas) yang harus dilandasi teori. Hubungan sebab-akibat (kausalitas) adalah perubahan dari suatu variable (penyebab) akan menghasilkan perubahan pada variable lain (akibat).2. Apa yang menjadi pertimbangan terpenting dalam memutuskan penggunakan CB-SEM atau PLS-SEM?

Jawab : Pertimbangan terpenting dalam memutuskan penggunakan CB-SEM atau PLS-SEM adalah dari karakteristik data, seperti ukuran sampel minimum, distribusi data (berdistribusi normal atau tidak berdistribusi normal), kompleksitas model dan skala pengukuran serta objektif yang membedakan kedua metode tersebut yaitu untuk ekplorasi atau konfirmasi teori.

3. Dalam keadaan apa PLS-SEM lebih dipilih daripada CB-SEM?

Jawab : PLS-SEM lebih dipilih daripada CB-SEM ketika jumlah sampel kecil, data tidak berdistribusi normal, untuk memprediksi kontruk mana yang berpengaruh terhadap model, tujuan analisis hanya untuk eksplorasi data, model pengukuran bisa formatif dan reflektif, modelnya lebih kompleks, dan model strukturalnya terjadi hubungan timbal balik (rekursif).

4. Mengapa pemahaman teori penting saat memutuskan akan menggunakan PLS-SEM atau CB-SEM?

Jawab : Pemahaman teori merupakan hal yang penting saat memutuskan akan menggunakan PLS-SEM atau CB-SEM karena untuk menentukan metode mana yang akan digunakan. Pada PLS-SEM untuk mengembangkan teori, sedangkan CB-SEM digunakan untuk konfirmasi atau pengujian teori yang sudah ada. PLS-SEM menggunakan data yang ada untuk mengestimasi hubungan model dengan tujuan meminimumkan error terms (variansi residual) dari konstruk endogen. PLS-SEM analisis SEM berbasis varians, sedangkan CB-SEM berbasis kovarians. Hal tersebut sebagai alasan PLS-SEM lebih cocok untuk tujuan penelitian bersifat ekploratif dan CB-SEM lebih cocok untuk konfirmasi teori. Dan juga pemahaman teori ini digunakan untuk mengetahui karakteristik data dan variabel-variabel yang digunakan, serta hubungan antar variabel.

5. Mengapa dalam penelitian yang berkaitan dengan ilmu sosial lebih mempertimbangkan menggunakan SEM daripada regresi multiple?

Jawab : Dalam penelitian yang berkaitan dengan sosial lebih mempertimbangkan menggunakan SEM daripada regresi multiple karena dalam SEM, antar variabelnya memiliki hubungan sebab-akibat (kausalitas), dimana hubungan kausalitas lebih banyak diaplikasikan dalam ilmu social. Dan juga, SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinieritas, variabel-variabel bebas yang berkorelasi (correlated independen), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel laten (multiple latent independen) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator.