Structural Equation Modelling (SEM) dengan LISREL
Structural Equation Modelling (SEM) merupakan salah satu analisis multivariate yang dapat menganalisis hubungan variabel secara kompleks. Analisis ini pada umumnya digunakan untuk penelitian-penelitian yang menggunakan banyak variabel. Teknik analisis data menggunakan Structural Equation Modelling (SEM), dilakukan untuk menjelaskan secara menyeluruh hubungan antar variabel yang ada dalam penelitian. SEM lebih menekankan pada faktor confirmatory daripada exploratory dalam menganalisis data. Berbeda dengan pengukuran multivariat yang tidak mampu baik menilai atau mengoreksi kesalahan pengukuran (measurement error), SEM dapat menilai dan menyediakan perkiraan eksplisit dari parameter yang diukur. SEM dapat menggabungkan kedua variabel baik yang teramati (unobserved variable) dan variable yang diamati atau variabel manifes (Byrne 1998: 3-4) yang membentuk variable laten. Secara umum SEM dapat diaplikasikan dalam: 1. analisis jalur (path analysis) atau model kausal, yang digunakan untuk menguji hipotesis hubungan kausal antara variabel dan menguji model kausal dengan sistem persamaan linier. Model kausal dapat melibatkan baik variabel manifes, variabel laten, atau keduanya; 2. analisis faktor konfirmatori (confirmatory factor analysis) atau CFA, merupakan analisis faktor di mana hipotesis spesifik tentang struktur pembebanan faktor (factor loading) dan interkorelasi diuji; 3. second order factor analysis, yaitu analisis faktor di mana korelasi matriks faktor umum itu sendiri dianalisa untuk memberikan faktor urutan kedua (2nd order factor); 4. model regresi, merupakan perluasan dari analisis regresi linier di mana bobot regresi dapat dibatasi untuk sama satu sama lain, atau untuk nilai numerik yang ditentukan; 5. model struktur kovarians (covariance structure models), yang berhipotesis bahwa kovarians matriks memiliki bentuk khusus. Sebagai contoh, anda dapat menguji hipotesis bahwa satu set variabel semua memiliki varian yang sama dengan prosedur ini; 6. model struktur korelasi atau correlation structure models, yang berhipotesis bahwa matriks korelasi memiliki bentuk khusus. .
komponen dalam structural equation modelling
Model Struktural : h Bh x z , yang menentukan hubungan kausal antara variabel laten endogen( ) dan eksogen ( ) dan menggambarkan efek kausal . Variabel laten adalah penyebab yang mendasari beberapa variable perilaku yang diamati. Model Pengukuran : h e y y and x d x x , yang menjelaskan ketergantungan variabel laten (hypothetical constructs) atau sejauh mana variabel laten diindikasikan oleh variable observasi (observed variables).
Model Ketiga atau model hibrid, sebagai contoh, mempunyai 2 , 1 y (y? and y2) yang berrhubungan dengan , 3 y (y3 sampai y5) yang berhubungan dengan , dan 3 x yang berhubungan denagn ?
Notasi dalam structural equation modelling
h(eta) a m x 1 random vector of latent dependent, or endogenous, variables x (ksi) a n x 1 random vector of latent independent, or exogenous, variables y a p x1 vector of observed (endogenous) indicators of the dependent latent variables x a q x 1 vector of observed (exogenous) indicators of the independent latent variables e (epsilon) a p x 1 vector of measurement errors in an observed endogenous variable y d (delta) a q x 1 vector of measurement errors in an observed exogenous variable x Ly (lamda y) a p x m coefficients matrix of the regression of y on Lx (lamda x) a q x n coefficients matrix of the regression of x on G (gamma) a m x n coefficients matrix of the in the structural relationship B (beta) a m x m coefficients matrix of the in the structural relationship. (B has zeros in the
diagonal, and I - B required to be non-singular) z (zeta) a m x 1 vector of equation errors (residual) in the structural relationship between and
ASumsi
tidak berkorelasi dengan : Cov( ( tidak berkorelasi dengan : Cov( ( (zeta) tidak berkorelasi dengan : Cov( ( ,dan secara mutual tidak berhubungan dengan lainnya:Cov( ( Cov( ( and Cov(
Matriks kovarians
Cov(y, x) = S, a (p+q) by (p+q) matrix, sigma, yang mengukur s Cov( ) = T ( p x p) theta-epsilon, v-cov matrix untuk pengukuran Cov( Cov( Cov(
measurement error
) = T ( q x q) theta-delta, v-cov matrix untuk pengukuran measurement error ) = ( n x n) phi, variance-covariance matrix dari ) = ( m x m) psi, a variance-covariance matrix dari
sumber
Byrne, Barbara M. 1998. Structural Equation Modeling with LISREL, PRELIS, and SIMPLIS: Basic Concepts, Applications, and Programming. Mahwah, NJ: Lawrence Erlbaum Associates, Inc. TOit, Mathilda du and Stephen du Toit. 2001. Interactive LISREL: Users Guide. SSI (Scientific Software International).