structural equation modeling
Embed Size (px)
DESCRIPTION
STRUCTURAL EQUATION MODELING. Oleh: Suliyanto, SE,MM JURUSAN MANAJEMEN FAKULTAS EKONOMI UNIVERSITAS JENDERAL SOEDIRMAN Purwokerto 2009. INTRODUKSI STRUCTURAL EQUATION MODELING (SEM). - PowerPoint PPT PresentationTRANSCRIPT

STRUCTURAL EQUATION MODELING
Oleh: Suliyanto, SE,MM
JURUSAN MANAJEMENFAKULTAS EKONOMI
UNIVERSITAS JENDERAL SOEDIRMANPurwokerto
2009

INTRODUKSI STRUCTURAL EQUATION MODELING (SEM)
Dalam fenomena manajemen (Bisnis) sebuah variabel tergantung dapat dipengaruhi oleh beberapa variabel bebas, demikian juga beberapa variabel bebas mampu mempengaruhi beberapa variabel tergantung.
Sehinga model akan nampak menjadi sangat rumit. Model yang rumit ini pada dasarnya dapat dianalisis dengan
menggunakan analisis regresi maupun analisis jalur, namun dalam prakteknya akan tidak efisien karena masing masing-sub struktur harus dianalisis satu persatu, kemudian baru digabungkan menjadi sebuah model yang utuh.
Permasalahan yang rumit tersebut dapat dianalis dengan menggunakan analisis Structural Equational Modeling (SEM) dengan menggunakan Program AMOS.

LANGKAH-LANGKAH PEMODELAN SEM
1. Pengembangan sebuah model berbasis teori.
2. Pengembangan Path diagram. 3. Konversi path diagram ke dalam
persamaan. Persamaan struktural (Struktural equation) Persamaan spesifikasi model pengukuran
(measurement model)
4. Pemilihan matriks input dan estimasi model

5. Pemilihan matriks input dan estimasi model Matriks input data yang digunakan adalah matriks
varian/kovarian atau matriks korelasi. Ukuran sampel, Hair, et al. (1996) menemukan
bahwa ukuran sampel yang sesuai untuk SEM adalah 100-200.
Estimasi model, yang tersedia dalam program AMOS adalah tehnik.Maximum Likehood Estimation Method, Generalized Least Square Estimation Method, Unweighted Least Square Estimation (ULS), Scale Free Least Square Estimation (SLS) dan Asymptotically Distribution-Free Estimation (SLS).
6. Menilai problem identifikasi

7. Evaluasi criteria Goodness-of-fit a. Evaluasi asumsi SEM
Normalitas, dengan menggunakan criteria nilai kritis sebesar 2,58 pada tingkat signifikansi 0,01.
Outliers, merupakan observasi atau data yang memiliki karakteristik unik, Dengan menggunakan kriteria nilai kritis 3, maka data dinyatakan oulier jika memiliki nilai Z-score lebih tinggi 3 atau lebih rendah dari -3.
Multicollinearity dan Singularity, dimana yang perlu diamati adalah diterminan dari matrik kovarian sampelnya determinan yang kecil atau mendekati nol mengindikasikan adanya multikolinearitas atau singularitas, sehingga data tersebut tidak dapat digunakan untuk penelitian.

b. Uji kesesuaian dan uji statistik 2 – Chi-Square statistic, semakin kecil nilai 2 semakin baik
model itu, dan diterima berdasarkan probabilitas dengan cut-off value sebesar p> 0,05 atau p>0,010.
RMSEA (The Root Mean Square Error of Approximation), merupakan suatu indeks yang digunakan untuk mengkonpensasi chi-square dalam sampel yang besar.
GFI (Goodness of fit Index), merupakan ukuran non statistical yang mempunyai rentang nilai antara 0 sampai dengan 1. Nilai yang tinggi dalam indeks ini menunjukkan sebuah “better fit”.
AGFI (Adjusted Goodness of Fit Index), merupakan kriteria yang memperhitungkan proporsi tertimbang dari varian dalam sebuah matrik kovarian sampel.
CMIN/DF (The Minimum Sample Discrepancy Function Devided with degrre of Freedom), merupakan statistic chisquare X2 dibagi degree of freedom-nya sehingga disebut X2 relative.
TLI (Tucker Lewis Indeex), merupakan incremental index yang membandingkan sebuah model yang diuji terhadap sebuah baseline model .
CFI (Comparative Fit Index), rentang nilai sebesar 0 -1, dimana semakin mendekati 1, mengindikasikan tingkat fit yang paling tinggi.

Goodness of Fit Index
Goodness of Fit Index
Cut off Value
X2-Chi Square Diharapkan Kecil
Significance Probability ≥ 0,05
RMSEA ≤ 0,08
GFI ≥ 0,90
AGFI ≥ 0,90
CMIN/DF ≤ 2,00
TLI ≥ 0,95
CFI ≥ 0,95

c. Uji Reliability dan Varience Extract. Uji reliabilitas, dimana nilai reliabilitas yang diterima adalah
0,70 Uji reliabilitas dalam SEM dapat diperoleh melalui rumus sebagai berikut :
Variance Extract, dimana nilai yang dapat diterima adalah 0,50 rumus yang digunakan adalah sebagai berikut :
jStdLoading
LoadingStd
.
).(y ReliabilitConstruct 2
2
jLoadingStd
LoadingStdExtractVariance
..
.2
2

8. Interprestasi dan Modifikasi Model Langkah terakhir adalah menginterprestasikan
model dan memodifikasikan model bagi model-model yang tidak memenuhi syarat pengujian yang dilakukan. Cut-off value sebesar 2,58 (Hair at al. 1995; Joreskog, 1993, dalam Ferdinand;p97 ) dapat digunakan untuk menilai signifikansi tidaknya residual yang dihasilkan oleh model. Nilai residual values yang lebih besar atau sama dengan 2.58 diinterprestasikan sebagai signifikan secara statistik pada tingkat 5%.

PETUNJUK OPERASIPROGRAM AMOS

Cara Membuka Program AMOS

Cara Merubah Tampilan Potrait menjadi Lanscape

Cara Memunculkan Toolbar pada Lembar Kerja

Cara Menggambar Model


Cara Mengakses Data

Cara Memerintahkan Program AMOS untuk Melakukan Analisis

Cara Melihat Output Program AMOS

Cara Memberi Judul dalam Lembar Kerja

Memunculkan Nilai-Nilai Output

APLIKASI PEMODELAN STRUCTURAL
EQUATIONAL MODEL

Langkah 1. Pengembangan Model Berbasis Teori
Tujuan dari analisis ini adalah untuk mengetahui bagaimana interkasi antara harga, fasilitas, produk, promosi dan harga. Penelitian ini menguji pengaruh harga, fasilitas dan produk terhadap promosi serta pengaruh harga, fasilitas, produk dan promosi terhadap image

Langkah 2. Menyusun Pathdiagram


Langkah 4. Memilih Matriks Input dan Teknik Estimasi
Setelah model dispesifikasi secara lengkap langkah selanjutnya adalah memilih jenis input. Apakah menggunakan input kovarian atau input korelasi. Jika yang diuji adalah hubungan kausalitas maka disarankan input yang digunakan adalah kovarian (Hair ddk, 1995 dalam Ferdinand, 2005).

Langkah ke 5. Menilai kemungkinan
munculnya indentfication problem
Jika terdapat identification problem program Amos akan memberikan warning, sehingga pengguna akan melakukan langkah-langkah perbaikan. Tetapi jika program Amos dapat dijalankan menunjukkan bahwa besaran standart error, varian error serta korelasi antar koefisien estimasi berada dalam rentang nilai yang tidak menunjukkan adanya problem identifikasi.

Langkah ke 6. Evaluasi Kriteria Goodness of Fit

Evaluasi atas Outlier data
1). Uji Outlier Data secara Univariate
Descriptive Statistics
140 -2.34817 1.89484 -1.6E-15 1.0000000
140 -1.82545 1.48663 1.12E-15 1.0000000
140 -1.45483 1.47214 4.42E-16 1.0000000
140 -2.15910 1.67333 1.20E-15 1.0000000
140 -1.97027 1.83987 6.33E-16 1.0000000
140 -1.83440 1.62259 4.00E-16 1.0000000
140 -2.29523 1.77616 8.53E-16 1.0000000
140 -2.15760 1.79923 -1.0E-15 1.0000000
140
Zscore(X1)
Zscore(X2)
Zscore(X3)
Zscore(X4)
Zscore(X5)
Zscore(X6)
Zscore(X7)
Zscore(Y1)
Valid N (listwise)
N Minimum Maximum Mean Std. Deviation

Uji Outlier Data secara Multivariate

Evaluasi Multicollinearrity dan Singularity

Evaluasi Kriteria Goodness of Fit

Langkah 7. Analisis Direct Effect, Indirect Effect, dan Total Effect
Pengaruh Langsung

Pengaruh Tidak Langsung

Pengaruh Total

Langkah 8. Interpretasi dan Modifikasi Model

Perbaikan Model

Langkah 9. Uji Validitas Dan Reliabilitas


jStdLoading
LoadingStdliabilityContruct
.
).(Re
2
2



Output Structural Equational Model Unstandardized

Output Structural Equational Model Standardized

