Jumat, 22 Mei 2009

STRUCTURE EQUATION MODEL - SEM

Structural Equation Modeling (SEM), merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang biasanya dalam bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan regresi yang dapat dianggap sebagai kasus khusus dalam SEM.

Structural Equation Modeling (SEM), adalah http://idea-konsultan.com suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum. Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis) dan regresi (regression ).

Definisi lain menyebutkan structural equation modeling (SEM) adalah teknik analisis multivariat yang umum dan sangat bermanfaat yang meliputi versi-versi khusus dalam jumlah metode analisis lainnya sebagai kasus-kasus khusus.

Sedikit berbeda dengan definisi-definisi sebelumnya mengatakan structural equation modeling (SEM) berkembang dan mempunyai fungsi mirip dengan regresi berganda, sekalipun demikian nampaknya SEM menjadi suatu teknik analisis yang lebih kuat karena mempertimbangkan pemodelan interaksi, nonlinearitas, variabel – variabel bebas yang berkorelasi (correlated independents), kesalahan pengukuran, gangguan kesalahan-kesalahan yang berkorelasi (correlated error terms), beberapa variabel bebas laten (multiple latent independents) dimana masing-masing diukur dengan menggunakan banyak indikator, dan satu atau dua variabel tergantung laten yang juga masing-masing diukur dengan beberapa indikator. Dengan demikian menurut definisi ini SEM dapat digunakan alternatif lain yang lebih kuat dibandingkan dengan menggunakan regresi berganda., analisis jalur, analisis faktor, analisis time series, dan analisis kovarian

Dari definisi di atas dapat disimpulkan bahwa http://olahdata-statistik.com SEM mempunyai karakteristik yang bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM untuk menentukan apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk menerangkan.

Pada umumnya orang menggunakan analisis SEM lebih berfokus pada konstruk-konstruk laten—yang dimaksud ialah variabel-variabel psikologis abstrak, seperti "kecerdasan" atau "sikap terhadap merek (brand)"—dibandingkan dengan variabel-variabel manifest (indikator) yang digunakan untuk mengukur konstruk-konstruk tersebut. Pengukuran dianggap sulit dan rentan dengan kesalahan. Dengan adanya kesalahan pengukuran modeling yang dapat terjadi secara eksplisit, para pengguna SEM berusaha menurunkan estimasi-estimasi yang tidak bias untuk hubungan antara konstruk laten. Pada akhirnya, SEM memungkinkan pengukuran jamak dihubungkan dengan konstruk laten tunggal.

SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai "analisis struktur covariance". Sekali model parameter-parameternya sudah diestimasi, maka model yang dihasilkan – matrik covariance kemudian dapat dibandingkan dengan matrik kovarian yang berasal dari data empiris. Jika kedua matrices konsisten satu dengan lainnya, maka model persamaan struktural tersebut dapat dianggap sebagai eksplanasi yang dapat diterima untuk hubungan-hubungan antara pengukuran-pengukuran tersebut.

Salah satu keunggulan SEM ialah kemampuan untuk membuat model konstruk-konstruk sebagai variabel laten atau variabel – variabel yang tidak diukur secara langsung, tetapi diestimasi dalam model dari variabel-variabel yang diukur yang diasumsikan mempunyai hubungan dengan variabel tersebut– variabel latent. Dengan demikian hal ini memungkinkan pembuat model secara eksplisit dapat mengetahui ketidak-reliabilitas suatu pengukuran dalam model yang mana teori mengijinkan relasi – relasi struktural antara variabel-variabel laten yang secara tepat dibuat suatu model.

Kenggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda diantaranya ialah

  • · Pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel;
  • · Kedua, penggunaan analisis faktor penegasan (confirmatory factor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten;
  • · Ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis;
  • · Keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefesien-koefesien secara sendiri-sendiri;
  • · Kelima, kemampuan untuk menguji model – model dengan menggunakan beberapa variabel tergantung;
  • · Keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara;
  • · Ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term);
  • · Kedelapan, kemampuan untuk menguji koefesien-koefesien diluar antara beberapa kelompok subyek;
  • · Kesembilan kemampuan untuk mengatasi data yang sulit, seperti data time series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang tidak lengkap.

Meskipun tidak merupakan hal yang wajib, sangat direkomendasikan untuk mengetahui teknik analisis faktor, jika seorang peneliti ingin menggunakan SEM.

Aplikasi utama structural equation modeling meliputi:

  • § Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis), yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships) diantara variabel - variabel dan menguji model-model sebab akibat (causal models) dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau keduanya;
  • § Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari analisis faktor dimana dilakukan pengujian hipotesis – hipotesis struktur factor loadings dan interkorelasinya;
  • § Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik analisis faktor dimana matriks korelasi dari faktor-faktor tertentu ( common factors) dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
  • § Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi linear dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau dilakukan spesifikasi pada nilai-nilai numeriknya;
  • § Model-model struktur covariance (covariance structure models), yang mana model tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu. Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang mempunyai varian yang sama dengan menggunakan prosedur yang sama;
  • § Model struktur korelasi (correlation structure models), yang mana model tersebut menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik adalah hipotesis yang menyebutkan bahwa matrix korelasi mempunyai struktur circumplex. Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.
  • Prosedur SEM bersifat penegasan (confirmatory) dibandingkan sebagai prosedur yang bersifat eksploratori. Hal ini dikarenakan penggunaan salah satu pendekatan sebagai berikut:
  • § Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan jika pola varians dan kovarians dalam suatu data bersifat konsisten dengan model jalur struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat model-model lain yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih baik, maka model yang diterima model yang diterima hanya berupa model penegasan saja.
  • § Pendekatan model-model alternatif (alternative models approach): maksudnya peneliti dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk menentukan model mana yang paling cocok. Ada banyak pengukuran keselarasan yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti melaporkan 3 atau 4 saja.
  • § Pendekatan pengembangan model (model development approach): Dalam praktiknya, banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan yang bersifat konfirmatori dan eksploratori, yaitu suatu model diuji dengan menggunakan prosedur-prosedur SEM, karena merasa tidak cukup efisien, maka suatu model alternatif kemudian diuji didasarkan pada perubahan-perubahan sebagaimana disarankan dalam indeks-indeks modifikasi SEM. Masalah dengan pendekatan ini ialah bahwa model – model yang ditegaskan dengan menggunakan cara seperti bisa tidak stabil atau tidak akan cocok dengan data yang baru karena sudah di buat didasarkan pada keunikan seperangkat data awal. Untuk mengatasi hal ini, peneliti dapat menggunakan strategi validasi silang dimana model dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi dengan menggunakan sampel validasi yang independen.

Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak dapat secara otomatis menggambar panah-panah sebab akibat dalam model – model tersebut atau menyelesaikan ambiguitas sebab akibat Oleh karena itu, pengertian secara teoritis dan penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang paling penting.

Asumsi Dasar dalam Aplikasi SEM

Untuk menggunakan SEM, peneliti memerlukan pengetahuan tentang asumsi-asumsi yang mendasari penggunaannya. Beberapa asumsi tersebut, diantaranya ialah:

· Distribusi normal indikator – indikator multivariat (Multivariate normal distribution of the indicators): Masing-masing indikator mempunyai nilai yang berdistribusi normal terhadap masing-masing indikator lainnya. Karena permulaan yang kecil normalitas multivariat dapat menuntun kearah perbedaan yang besar dalam pengujian chi-square, dengan demikian akan melemahkan kegunaannya. Secara umum, pelanggaran asumsi ini menaikkan chi-square sekalipun demikian didalam kondisi tertentu akan menurunkannya. Selanjutnya penggunaan pengukuran ordinal atau nominal akan menyebabkan adanya pelanggaran normalitas multivariat. Perlu diperhatikan bahwa normalitas multivariat diperlukan untuk estimasi kemiripan maksimum / maximum likelihood estimation (MLE), yang merupakan metode dominan dalam SEM yang akan digunakan untuk membuat estimasi koefesien - koefesien (jalur) struktur. Khususnya, MLE membutuhkan variabel-variabel endogenous yang berdistribusi normal.

Secara umum, sebagaimana ditunjukkan dalam suatu studi-studi simulasi menunjukkan bahwa dalam kondisi – kondisi data yang sangat tidak normal, estimasi-estimasi parameter SEM, misalnya estimasi jalur masih dianggap akurat tetapi koefesien-koefesien signifikansi yang bersangkutan akan menjadi terlalu tinggi. Sehingga nilai-nilai chi-square akan meningkat. Perlu diingat bahwa untuk uji keselarasan chi-square dalam model keseluruhan, nilai chi-square tidak harus signifikan jika ada keselarasan model yang baik, yaitu: semakin tinggi nilai chi-square, semakin besar perbedaan model yang diestimasi dan matrices kovarian sesungguhnya, tetapi keselarasan model semakin jelek. Chi-square yang meninggi dapat mengarahkan peneliti berpikir bahwa model-model yang sudah dibuat memerlukan modifikasi dari apa yang seharusnya. Kurangnya normalitas multivariat biasanya menaikkan statistik chi-square, misalnya, statistik keselarasan chi-square secara keseluruhan untuk model yang bersangkutan akan bias kearah kesalahan Type I, yaitu menolak suatu model yang seharusnya diterima. Pelanggaran terhadap normalitas multivariat juga cenderung menurunkan (deflate) kesalahan-kesalahan standar mulai dari menengah sampai ke tingkat tinggi. Kesalahan-kesalahan yang lebih kecil dari yang seharusnya terjadi mempunyai makna jalur-jalur regresi dan kovarian-kovarian faktor / kesalahan didapati akan menjadi signifikan secara statistik dibandingkan dengan seharusnya yang terjadi.

· Distribusi normal multivariat variabel-variabel tergantung laten ( Multivariate normal distribution of the latent dependent variables). Masing-masing variabel tergantung laten dalam model harus didistribusikan secara normal untuk masing-masing nilai dari masing-masing variabel laten lainnya. Variabel-variabel laten dichotomi akan melanggar asumsi ini karena alasan-alasan tersebut.

· Linieritas (Linearity). SEM mempunyai asumsi adanya hubungan linear antara variabel-variabel indikator dan variabel-variabel laten, serta antara variabel-variabel laten sendiri. Sekalipun demikian, sebagaimana halnya dengan regresi, peneliti dimungkinkan untuk menambah transformasi eksponensial, logaritma, atau non-linear lainnya dari suatu variabel asli ke dalam model yang dimaksud.

· Pengukuran tidak langsung (Indirect measurement): Secara tipikal, semua variabel dalam model merupakan variabel-variabel laten.

· Beberapa indikator (Multiple indicators). Beberapa indikator harus digunakan untuk mengukur masing-masing variabel laten dalam model. Regresi dapat dikatakan sebagai kasus khusus dalam SEM dimana hanya ada satu indikator per variabel laten. Kesalahan pemodelan dalam SEM membutuhkan adanya lebih dari satu pengukuran untuk masing-masing variabel laten.

· 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:

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

· 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.

0 komentar:

Posting Komentar