People Innovation Excellence

Pengenalan SEM (Part 3)

Oleh

Haryadi Sarjono, S.T., M.M., M.E. (Dosen Program Management- SoBM, BINUS University)
Winda Julianita (Alumni Pascasarjana Universitas Jenderal Soedirman, Purwokerto)

 

PENGANTAR STRUCTURAL EQUATION MODELING (Bagian 3)

Asumsi-asumsi yang harus dipenuhi dalam SEM.

  1. Secara teoritis tidak sedang atau baru saja diidentifikasi (Underidentified)

Suatu model baru saja teridentifikasi jika ada banyak parameter yang harus diestimasi sebanyak adanya elemen – elemen dalam matriks kovarian. Sebagai contoh,  dalam suatu model dimana variabel 1 mempengaruhi variabel 2 dan juga mempengaruhi variabel 3, dan variabel  2 juga mempengaruhi  variabel 3. Dengan demikian ada tiga parameter (anak panah) dalam model, dan ada tiga unsur kovarian (1,2; 1,3; 2,3). Dalam kasus yang baru saja teridentifikasi, peneliti dapat  menghitung parameter – parameter jalur tetapi untuk melakukannya harus memanfaatkan semua derajat kebebasan yang tersedia (degrees of freedom) dan peneliti tidak dapat menghitung uji keselarasannya.

Suatu model  disebut underidentified, atau model yang mana jumlah parameternya yang sedang diestimasi lebih besar dari data yang sudah diketahui, atau dengan kata lain adalah jika terdapat lebih parameter yang harus diestimasi daripada elemen-elemen dalam matriks kovarian. Karakteristik matematis model-model yang sedang diidentifikasi menghalangi penyelesaian parameter yang diestimasi  dan dilakukan pengujian keselarasan dalam model. Pemecahan masalah ini ialah dengan cara menambah lagi lebih banyak variabel-variabel exogenous, yang harus dilakukan sebelum koleksi data.

Jika suatu model disebut underidentified atau baru saja  diidentifikasi, maka peneliti harus melakukan salah satu atau beberapa langkah-langkah sebagai berikut:

  1. Hilangkan pembalikan umpan balik (feedback loops) dan pengaruh-pengaruh sebab akibat  (reciprocal effects).
  2. Spesifikasi pada tingkat yang pasti setiap koefesien yang magnitude-nya sudah pasti diketahui.
  3. Sederhanakan model dengan cara mengurangi jumlah anak panah, yang sama dengan mengendalikan estimasi koefesien jalur sampai 0.
  4. Sederhanakan model dengan estimasi jalur (anak panah) dengan cara-cara lain, yaitu: kesejajaran (equality), artinya sama dengan  estimasi yang lain), proporsio ( proportionality), artinya  proporsional dengan estimasi yang lain, atau ketidak-sejajaran (inequality), artinya lebih besar atau lebih kecil daripada estimasi yang lain.
  5. Pertimbangkan untuk menyederhanakan model dengan cara menghilangkan beberapa variabel.
  6. Hilangkan beberapa variabel yang nampaknya mempunyai multicollinear dengan variabel-variabel lainnya.
  7. Tambahkan variabel-variabel exogenous yang sebaiknya dilakukan sebelum pengambilan data.
  8. Miliki setidak-tidaknya tiga indikator untuk satu variabel laten.
  9. Tegaskan opsi untuk the listwise, bukan pairwise, dan perlakuan terhadap data yang hilang sudah dipilih.
  10. Pertimbangkan untuk menggunakan bentuk estimasi yang berbeda, misalnya  GLS atau ULS sebagai ganti  MLE.

 

  1. Rekursivitas (Recursivity).

Suatu model disebut  rekursif jika semua anak panah menuju satu arah, tidak ada pembalikan umpan balik (feedback looping), dan faktor gangguan (disturbance terms) atau kesalahan sisaan (residual error) untuk variabel-variabel endogenous yang tidak dikorelasikan. Dengan kata lain, model-model recursive merupakan model-model dimana semua anak panah mempunyai satu arah tanpa putaran umpan balik dan peneliti dapat membuat asumsi kovarian – kovarian gangguan kesalahan semua 0, yang berarti bahwa semua variabel yang tidak diukur yang merupakan  determinan dari variabel-variabel endogenous tidak dikorelasikan satu dengan lainnya sehingga tidak membentuk putaran umpan balik (feedback loops). Model – model dengan gangguan kesalahan yang berkorelasi dapat diperlakukan sebagai model recursive hanya jika tidak ada pengaruh-pengaruh langsung diantara variabel-variabel endogenous.

 

  1. Tidak dapat diidentifikasi secara empiris karena adanya multikolinearitas tinggi

Suatu model dapat secara teoritis diidentififikasi tetapi tidak dapat diselesaikan karena masalah-masalah empiris, misalnya adanya multikolinearitas tinggi dalam setiap model atau estimasi jalur (path estimates) mendekati 0 dalam model-model non-recursive.

Tanda-tanda multikolinearitas tinggi, diantaranya:

  • Pembobotan  regresi yang dibakukan: Karena semua variabel model SEM sudah dikenakan metrik sebesar 1, maka semua pembobotan   regresi yang dibakukan harus berada dalam cakupan plus atau minus 1. Apabila ada masalah multikolinearitas, pembobotan yang mendekati 1 menunjukkan bahwa dua variabel mendekati untuk sedang diidentifikasil. Jika kedua variabel laten yang hampir identik ini kemudian digunakan sebagai penyebab terhadap variabel laten ketiga, maka metode SEM akan mengalami kesulitan dalam proses penghitungan pembobotan-pembobotan regresi yang terpisah untuk dua jalur dari variabel-variabel yang hampir sama dan variabel ketiga. Sebagai hasilnya akan muncul satu pembobotan regresi yang dibakukan lebih besar dari +1 dan satu pembobotan kurang dari -1 untuk kedua jalur tersebut.
  • Kesalahan-kesalahan standar pada pembobotan regresi yang tidak baku: Jika ada dua variabel laten yang hampir mirip, dan keduanya digunakan sebagai penyebab satu variabel laten ketiga, kesulitan dalam menghitung pembobotan regresi terpisahkan terefleksikan  dalam kesalahan-kesalahan satndar yang semakin besar untuk jalur-jalur tersebut dalam suatu model, yang merefleksikan multikolinearitas yang tinggi dari kedua variabel yang hampir sama tersebut.
  • Kovarian-kovarian estimasi parameter: Kesulitan yang sama dalam penghitungan  pembobotan regresi terpisah akan terefleksikan  secara jelas dengan tingginya angka kovarian estimasi parameter untuk jalur-jalur tersebut – estimasi lebih tinggi dibandingkan dengan kovarian –kovarian estimasi – estimasi parameter untuk jalur-jalur lain dan model tersebut.
  • Estimasi-estimasi varian: Akibat lain dari sindrom multikolinearitas yang sama adalah estimasi – estimasi varian kesalahan  negatif. Pada contoh di atas dua variabel laten yang hampir sama mempengaruhi satu variabel laten ketiga, maka estimasi varian dari variabel ketiga ini akan negatif.

Published at :
Written By
Haryadi Sarjono, S.T., M.M., M.E. & Winda Julianita
Dosen Program Manajemen & Alumni Pascasarjana Universitas Jenderal Soedirman, Purwokerto
Leave Your Footprint

    Periksa Browser Anda

    Check Your Browser

    Situs ini tidak lagi mendukung penggunaan browser dengan teknologi tertinggal.

    Apabila Anda melihat pesan ini, berarti Anda masih menggunakan browser Internet Explorer seri 8 / 7 / 6 / ...

    Sebagai informasi, browser yang anda gunakan ini tidaklah aman dan tidak dapat menampilkan teknologi CSS terakhir yang dapat membuat sebuah situs tampil lebih baik. Bahkan Microsoft sebagai pembuatnya, telah merekomendasikan agar menggunakan browser yang lebih modern.

    Untuk tampilan yang lebih baik, gunakan salah satu browser berikut. Download dan Install, seluruhnya gratis untuk digunakan.

    We're Moving Forward.

    This Site Is No Longer Supporting Out-of Date Browser.

    If you are viewing this message, it means that you are currently using Internet Explorer 8 / 7 / 6 / below to access this site. FYI, it is unsafe and unable to render the latest CSS improvements. Even Microsoft, its creator, wants you to install more modern browser.

    Best viewed with one of these browser instead. It is totally free.

    1. Google Chrome
    2. Mozilla Firefox
    3. Opera
    4. Internet Explorer 9
    Close