STRUCTURAL EQUATION Konsep Dasar SEM

MODELING
CONTOH
Regresi linear sederhana:

𝑦𝑖 = 𝛾𝑥𝑖 + 𝜁𝑖

Di mana 𝛾 adalah slope dan 𝜁 adalah residual (error)

Regresi Linier berganda :

𝑦𝑖 = 𝛾1 𝑥1𝑖 + 𝛾2 𝑥2𝑖 + 𝜁𝑖
 CONTOH
Regresi multivariate:
𝑦1𝑖 = 𝛾11 𝑥1𝑖 + 𝛾12 𝑥2𝑖 + 𝜁1𝑖
𝑦2𝑖 = 𝛾21 𝑥1𝑖 + 𝛾22 𝑥2𝑖 + 𝜁2𝑖

Dengan lebih banyak variabel dan persamaan, lebih mudah dituliskan dalam bentuk
vector/matriks:
 CONTOH
Model regresi mediasi:
𝑦1𝑖 = 𝛾11 𝑥𝑖 + 𝜁1𝑖
𝑦2𝑖 = 𝛾21 𝑥𝑖 + 𝛾21 𝑦1𝑖 + 𝜁2𝑖

Variabel eksogen : variabel yang berdiri sendiri

Variabel endogen : variabel yang selalu dipengaruhi oleh variabel lainnya.
Variabel 𝑌1 bisa menjadi variabel dependent dan variabel independent
APA ITU SEM?
SEM (Structural Equation Model) adalah model statistika yang memungkinkan peneliti untuk
menginvestigasi beberapa variabel dependent (respon) secara bersamaan dan menganalisis
pengaruh langsung dan tidak langsung dari variabel independent.
SEM dapat digunakan untuk menganalisis kompleks data yang melibatkan beberapa variabel
independent dan beberapa variabel dependent
SEM adalah proses pengujian teori yang dihipotesisikan di awal untuk menjelaskan korelasi (atau
varians dan kovarians) dari semua variabel independent
SEM bisa direpresentasikan dengan menggunakan persamaan simultan atau secara visual
menggunakan diagram jalur (path diagram).

Nama lain dari SEM:

❑Analisis variabel latent
❑Pemodelan LISREL
❑Model structural
❑Model Kausal
KENAPA SEM?
❑Mengakomodasi pengaruh tidak langsung (indirect effect)

❑Kesalahan pengukuran (measurement error) di dalam mengambil variabel

independent yang menyebabkan regresi mengalami atenuasi (attenuation),
yaitu estimasi koefisien regresi menjadi bias.
Z-SCORE
Transformasi variabel dengan mean 0 dan standard deviasi 1

𝑋 − 𝑋ത
𝑧=
𝑆𝑋

Nilai z memiliki arti banyaknya standar deviasi skor data X dari pusat data (mean)
Contoh : 𝑧 = ±2 artinya skor data berada sejauh 2 standard deviasi di sebelah
kanan (kiri) dari mean sampel.
𝑥ҧ = 10 𝑢𝑛𝑖𝑡 , 𝑠 = 2 𝑢𝑛𝑖𝑡, 𝑥 = 14 𝑢𝑛𝑖𝑡
KOVARIANSI
Kovariansi adalah ukuran hubungan antara dua variabel (X dan Y)
Kovariansi antara dua peubah acak X dan Y didefinisikan sebagai:
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸[(𝑋 − 𝐸[𝑋])(𝑌 − 𝐸[𝑌])]
Kovariansi dengan dirinya sendiri disebut variansi
𝐶𝑜𝑣 𝑋, 𝑋 = 𝐸 𝑋 − 𝐸 𝑋 𝑋 − 𝐸 𝑋 = 𝑉𝑎𝑟(𝑋)
Kovariansi yang dihitung pada variabel yang sudah ditransformasi meannya menjadi
0, maka:
𝐶𝑜𝑣 𝑋, 𝑌 = 𝐸[𝑋𝑌]
Kovariansi sampel dapat dihitung dengan:
Σ 𝑋 − 𝑋ത 𝑌 − 𝑌ത
𝑠𝑋𝑌 =
𝑁−1
KORELASI
Korelasi juga mengukur hubungan antara dua variabel (X dan Y) tetapi untuk
variable yang sudah distandarisasi atau dalam bentuk Z-score
Korelasi adalah kovariansi dengan menggunakan data yang sudah dibakukan (𝑧𝑋
dan 𝑧𝑌 )

Σ 𝑍𝑋 − 𝑍𝑋 𝑍𝑌 − 𝑍𝑌 𝑠𝑋𝑌
𝑠𝑧𝑋 𝑧𝑌 = 𝑟𝑋𝑌 = =
𝑁−1 𝑠𝑋 𝑠𝑌

Korelasi dengan dirinya sendiri adalah identic (𝑟𝑋𝑋 = 1)

MATRIKS KOVARIANSI DAN KORELASI
Korelasi (kovariansi) lebih dari 2 variabel dituliskan dalam matriks korelasi
(kovarians)
Matriks korelasi (kovariansi) adalah matriks persegi dan simetris
Contoh matriks korelasi dan kovariansi sampel sampel dari 3 variabel (X, Y, Z)
JENIS VARIABEL : LATENT DAN MANIFEST
1. Variabel latent (unobserved / construct): variabel yang tdiak dapat diukur secara
langsung tetapi dapat diamati mellaui indicator-indikatornya. Dengan kata lain
sehimpunan indicator digunakan untuk mendefinisikan sebauh variabel latent.
Contoh : kepercayaan, motivasi, intelektual, depresi, dll
2. Variabel manifest/teramati (observed) : variabel yang dapat diamati secara
langsung, disebut juga indicator.
Pada metode survey dengan menggunakan kuisioner, setiap pertanyaan mewakili
sebuah variabel teramati.
Dalam diagram dinotasikan dengan lingkaran atau elips. Contoh: Panjang meja,
tinggi badan.
JENIS VARIABEL : EKSOGEN DAN ENDOGEN
1. Variabel eksogen (exogenous) adalah variabel independent yang tidak dipengaruhi oleh
variabel lainnnya di dalam model.
Simbol untuk variabel indicator / manifest : X
Simbol untuk variabel latent : 𝜉 (xi)
2. Variabel endogen (endogenous) adalah variable dependent yang dipengaruhi paling sedikit
satu variabel eksogen. Variabel endogen ditunjukkan dengan adanya paling sedikit satu anak
panah yang menuju variabel tersebut.
Simbol untuk variabel indicator / manifest : Y
Simbol untuk variabel latent : 𝜂 (eta)
DIAGRAM JALUR (PATH DIAGRAM)
Diagram jalur merupakan saran komunikasi yang efektif untuk menyampaikan ide
kondep dasar model SEM
JENIS PERSAMAAN SEM
Model Pengukuran (measurement model)
1. Mengevaluasi seberapa baik variabel latent direpresentasikan oleh variabel
teramati (indicator)
2. Menganalisis penyebab sehimpunan variabel (indicator) saling berkorelasi
3. Metode umum yang digunakan adalah CFA (Confirmatory Factor Analysis)
Model Struktural (structural model)
1. Menganalisis hubungan/ketergantungan di antara variabel latent
2. Metode umum yang digunakan adalah analisis jalur (Path Analysis)
CONTOH SEM : MODEL JALUR
CONTOH CFA
MODEL SEM LENGKAP (MODEL HYBRID)
HIPOTESIS FUNDAMENTAL SEM
Misalkan Σ menyatakan matriks kovariansi populasi dari variabel x dan y, maka:

𝐸(𝑌𝑌 ′ ) 𝐸(𝑋𝑌′)′
𝜮=
𝐸(𝑋𝑌 ′ ) 𝐸(𝑋𝑋 ′ )
Misal : X ada 2, Y ada 2, maka matriks 𝜮𝟒𝒙𝟒

Di dalam model SEM, dihipotesiskan bahwa matriks kovariansi populasi dapat diekspresikan
sebagai fungsi dari parameter model 𝜃. Jika model benar dan parameter diketahui maka:
Σ = Σ(𝜃)
Σ(𝜃) disebut model kovariansi matris tersirat (model implied covariance matrix)
HIPOTESIS FUNDAMENTAL SEM
Umumnya, matriks kovariansi populasi Σ tidak diketahui. Tetapi bisa
diestimasi dengan matriks kovariansi sampel (𝑆). Asumsikan:
𝑆=Σ 𝜃
Jika model teori benar dan terdefinisi dengan baik, maka matriks
kovariansi tersirat akan mendekati matriks kovariansi sampel 𝑆,
sehingga :
𝑆 − Σ(𝜃)
Akan sangat kecil atau mendekati nol.
Pertanyaan: Apa bentuk dari 𝜮 𝜽 ?
ILUSTRASI MENURUNKAN 𝚺(𝛉)
ILUSTRASI MENURUNKAN 𝚺(𝛉)
TAHAPAN PEMODELAN SEM
1. Spesifikasi model
2. Identifikasi model
3. Estimasi model
4. Uji kecocokan model (goodness-of-fit model)
5. Modifikasi model (optional)
6. Interpretasi Model
ANALISIS JALUR
CONTOH
Analisis jalur untuk union sentiment (McDonald & Clenlland, 1984)
1. Tidak ada variabel latent
2. 𝑋1 dan 𝑋2 adalah variabel endogen – tidak dijelaskan di dalam model
3. 𝑌1 , 𝑌2 , dan 𝑌3 adalah variabel endogen – dijelaskan di dalam model
4. Korelasi antara 𝑋1 dan 𝑋2 digambarkan dengan anak panah dua arah
5. Hubungan kausalitas antara variabel digambarkan dengan anak panah satu arah
6. Residual (𝜁) ditunjukkan dengan anak panah satu arah menuju variabel endogen (𝑌)
CONTOH
Analisis jalur untuk union sentiment (McDOnald & Clelland, 1984)
CONTOH
Gambarkan diagram jalur dari sistem persamaan Berikut:
𝑦1 = 𝛾11 𝑥1 + 𝛾12 𝑥2 + 𝛽12 𝑦2 + 𝜁1
𝑦2 = 𝛾21 𝑥1 + 𝛾22 𝑥2 + 𝛽22 𝑦1 + 𝜁2
CONTOH
Gambarkan diagram jalur dari sistem persamaan Berikut:
𝑦1 = 𝛾11 𝑥1 + 𝛾12 𝑥2 + 𝛽12 𝑦2 + 𝜁1
𝑦2 = 𝛾21 𝑥1 + 𝛾22 𝑥2 + 𝛽22 𝑦1 + 𝜁2
CONTOH
Gambarkan diagram jalur dari system persamaan Berikut:
𝑦1 = 𝛾12 𝑥2 + 𝛽12 𝑦2 + 𝜁1
𝑦2 = 𝛾21 𝑥1 + 𝛾22 𝑥2 + 𝜁2
𝑦3 = 𝛾31 𝑥1 + 𝛾32 𝑥2 + 𝛽31 𝑦1 + 𝛽32 𝑦2 + 𝜁3
CONTOH
Gambarkan diagram jalur dari system persamaan Berikut:
𝑦1 = 𝛾12 𝑥2 + 𝛽12 𝑦2 + 𝜁1
𝑦2 = 𝛾21 𝑥1 + 𝛾22 𝑥2 + 𝜁2
𝑦3 = 𝛾31 𝑥1 + 𝛾32 𝑥2 + 𝛽31 𝑦1 + 𝛽32 𝑦2 + 𝜁3
MODEL ANALISIS JALUR
Bentuk umum model analisis jalur dituliskan dalam persamaan matriks

𝐘 = 𝐁𝐘 + 𝚪𝐗 + 𝛇
di mana:
𝒀 adalah vector 𝑝 × 1 dari variabel endogen
𝑿 adalah vector 𝑞 × 1 dari variabel eksogen
𝑩𝑝×𝑝 adalah matriks koefisien regresi variabel endogen yang diregresikan terhadap variabel
endogen lainnya
𝚪𝑞×𝒒 adalah matriks koefisien regresi variabel endogen yang diregresikan terhadap variabel
eksogen.
𝜻𝑝×𝟏 adalah vector dari eror model (residual regresi)
CONTOH
Tuliskan dalam persamaan matriks
𝑦1 = 𝛾11 𝑥1 + 𝛾12 𝑥2 + 𝛽12 𝑦2 + 𝜁1
𝑦2 = 𝛾21 𝑥1 + 𝛾22 𝑥2 + 𝛽22 𝑦2 + 𝜁2
CONTOH
Tuliskan dalam persamaan matriks:
𝑦1 = 𝛾12 𝑥2 + 𝛽12 𝑦2 + 𝜁1
𝑦2 = 𝛾21 𝑥1 + 𝛾22 𝑥2 + 𝜁2
𝑦3 = 𝛾31 𝑥1 + 𝛾32 𝑥2 + 𝛽31 𝑦1 + 𝛽32 𝑦2 + 𝜁3
Melakukan Rata-Rata
Metode merata-ratakan nilai indikator (composite score atau averaging method) bisa
dilakukan, tetapi ada beberapa hal yang perlu diperhatikan sebelum mengubah variabel
laten menjadi variabel observed untuk analisis jalur (Path Analysis). Jika semua indikator
benar-benar mengukur satu konstruk dengan baik, rata-rata indikator akan menjadi
representasi yang cukup baik dari variabel laten.

Method of Succesive Interval (MSI)

MSI untuk mentransformasikan data ordinal menjadi skala interval sebelum melakukan analisis
jalur. [Link]
successive-intervals-untuk-transformasi-data/
CONFIRMATORY FACTOR
ANALYSIS
SUMBER ERROR
Sampling error: kesalahan karena pengambilan sampel, semakin banyak sampel
maka sampling error semakin kecil
Kesalahan spasifikasi (Spesification error): kesalahan merumuskan teori
Kesalahan pengukuran (Measurement error): perbedaan antara nilai yang
sesungguhnya dengan nilai yang diukur pada objek / subjek
MEASUREMENT ERROR
oAnalisis jalur mengasumsikan semua variabel eksogen (x) terukur tanpa kesalahan
(error). Error yang ada adalah residual (𝜁) untuk variabel endogen (y).
oMeasurement error bisa dipastikan hampir benar terjadi untuk variabel seperti tinggi
badan, berat badan, usia, dll
oKemungkinan kesalahan pengukuran lebih besar terjadi untuk variabel di bidang
ilmu sosial atau psikologi seperti intelengensi, depresi, stress, dll.
oKesalahan pengukuran dapat menyebabkan penurunan presisi dan juga bias.
oConfirmatory Factor Analysisi (CFA) dan Stuctural Equation Model (SEM) mengatasi
hal ini dengan memperkenalkan model pengukuran (measurement model), yaitu
menggunakan variabel latent.
 MEASUREMENT ERROR: CONTOH
Hubungan antara kerusakan jantung (y) dan stress (x)
𝑦 = 𝛽0 + 𝛽1 𝑥
Apa yang terjadi jika random error, 𝑁(0, 𝛿 × 𝑆𝐷𝑦 ) untuk
setiap nilai x 𝛿 = 0.75,1.0,1.5 ?
Elips abu-abu dan garis regresi “0” menunjukkan data asli
Bertambahnya kesalahan pengukuran membuat awan data
(elips) semakin besar
Bertambahnya kesalahan pengukuran membuat estimasi 𝛽1
bias menuju 0.
 VARIABEL LATENT
❑Variabel latent adalah variabel yang tidak diamati secara langsung di dalam penelitian
tetapi menjadi bagian tujuan utama penelitian.
❑Idenya adalah nilai dari variabel latent yang menyebabkan orang merespon seperti
teramati melalui indicator-indikatornya.
❑Estimasi variabel latent dilakukan melalui analisis varians dan kovariansi dari.
❑Contoh : Kesehatan adalah variabel latent, tetapi tidak ada sensor atau alat ukur yang
bisa secara langsung mengukur Kesehatan seseorang. Tetapi kita bisa menggunakan
indicator Kesehatan seperti tekanan darah, kolesterol, suhu badan, berat badan, dll untuk
“mengukur” Kesehatan.
VARIABEL LATENT
Kesalahan pengukuran pada variabel teramati diatasi dengan memperkenalkan variabel
(faktor/konstruk) yang bertanggung jawab menghasilkan skor yang diamati (x)
𝑥𝑖 = 𝜆𝜉𝑖 + 𝛿𝑖
𝜉𝑖 (“ksi” atau “xi”) adalah variabel laten yang diukur oleh x
𝜆 adalah koefisien regresi (faktor loading)
𝛿 adalah residual atau kesalahan pengukuran (measurement error)
𝑥 disebut indicator dari variabel latent 𝜉
Umumnya ada beberapa indicator (𝑥1 , 𝑥2 , … ) yang digunakan untuk mengukur suatu variabel
latent.
𝑥1𝑖 = 𝜆1 𝜉𝑖 + 𝛿1𝑖
𝑥2𝑖 = 𝜆2 𝜉𝑖 + 𝛿2𝑖
𝑥3𝑖 = 𝜆3 𝜉𝑖 + 𝛿3𝑖
VARIABEL LATENT
Variabel yang diamati (x) bisa digunakan untuk mengukur dua atau lebih variabel
latent
Variabel latent bisa saling berkorelasi
Residual bisa saling berkorelasi
CFA
Tujuan CFA adalah untuk memahami struktur yang menghasilkan suatu matriks
kovariansi
Struktur ini disebut faktor. Penyebab berkorelasinya sehimpunan variabel/indicator
adalah karena satu faktor yang sama.
Faktor disebut juga variabel latent, tidak dapat diamati atau diukur secara
langsung.
MODEL CFA
Bentuk umum model pengukuran CFA (model matriks)
𝑿 = 𝜦𝝃 + 𝜹
Di mana
𝑿 adalah vector 𝑞 × 1 dari varibael yang diamati
𝜦 adalah matriks 𝑞 × 𝑘 dari faktor loading (𝜆𝑖𝑗 ). Faktor loading mngukur besarnya
suatu faktor yang sama mempengaruhi variabel indicator
𝝃 adalah vector 𝑘 × 1 dari variabel latent
𝜹 adalah vector 𝑞 × 1 dari residual (error measurement)
𝑞 menyatakan banyaknya variable yang diamati dan 𝑘 adalah banyaknya variabel
latent.
HIPOTESIS FUNDAMENTAL CFA
Misalkan Σ menyatakan matriks kovariansi populasi dari variabel x,
maka:
Σ = 𝐸[𝑋𝑋 ′ }
Di dalam model SEM, dihipotesisikan bahwa matriks kovariansi
populasi dapat diekspresikan sebagai fungsi dari parameter
model 𝜃. Jika model benar dan parameter diketahui maka:
Σ = Σ(𝜃)
Σ(𝜃) disebut model kovarinasi matriks tersirat (model implied
covariance matrix)
STRUKTUR KOVARIANSI DARI MODEL CFA
Struktur Kovariansi dari model CFA

𝚺 𝛉 = 𝐄 𝐱𝐱 ′
= 𝐄[ 𝚲 𝐱 𝛏 + 𝛅 𝛏′𝚲 𝐱 ′ + 𝛅′ ]
= 𝚲 𝐱 𝐄 𝛏𝛏′ 𝚲′𝐱 + 𝐄 𝛅𝛅′
= 𝚲 𝐱 𝚽𝚲′𝐱 + 𝚯𝛅

Di mana
𝚽 adalah matriks varians kovariansi 𝑘 × 𝑘 dari variabel latent
𝚯𝛅 adalah matrisk varinasi kovariansi 𝑞 × 𝑞 dari residual
CONTOH 1
MODEL IDENTIFIKASI: CONTOH
Model dapat diidentifikasi jika secara teori memungkinkan untuk mendapatkan solusi tunggal (nilai
penduga) untuk setiap parameter
Model tidak dapat diidentifikasi jika memiliki tak hingga banyaknya solusi
Identifikasi model berkaitan dengan perhitungan nilai derajat kebebasan atau df (degree of
freedom):
𝑑𝑓 = 𝑝 − 𝑞
𝑝 𝑘 𝑘+1
Dimana , 𝑝 adalah banyaknya parameter variansi-kovarinasi di dalam matriks kovarinasi
2
dan 𝑘 adalah banyaknya variabel, 𝑞 adalah banyaknya parameter bebas di dalam model CFA.
Jika 𝑑𝑓 < 0, model dikatakan under-identified (tidak ada solusi tunggal)
Jika 𝑑𝑓 = 0, model dikatakan just-identified (tidak bisa menghitung goodness of fit)
Jika 𝑑𝑓 > 0, model dikatakan over identified (bisa menghitung goodness of fit)
MODEL IDENTIFIKASI: CONTOH
❑Model 1 faktor, 2 indicator (𝒌 = 𝟐)
2×3
Banyaknya parameter variansi-kovariansi, 𝑝 = =3
2
Banykanya parameter bebas, 𝑞 = 4 (2 parameter 𝜦 dan 2 parameter 𝜹)
𝑑𝑓 = 3 − 4 (under-identified)
❑Model 1 faktor, 3 indikator (𝒌 = 𝟑)
3×4
Banyaknya parameter variansi-kovariansi, 𝑝 = =6
2
Banykanya parameter bebas, 𝑞 = 6 (3 parameter 𝜦 dan 3 parameter 𝜹)
𝑑𝑓 = 6 − 6 (just-identified)
❑Untuk model 1 faktor, minimal 4 indicator untuk dapat diidentifikasi
MODEL IDENTIFIKASI: CONTOH
❑Model 1 faktor dengan 3 indicator bisa diidentifikasi (over-identified) jika dibuat constraint
Asumsikan semua faktor loading sama
Banyaknya parameter variansi-kovariansi, 𝑝 = 6
Banyaknya parameter bebas, 𝑞 = 4 (1 parameter 𝜦 dan 3 parameter 𝜹)
𝑑𝑓 = 6 − 4 = 2 (over-identified)
❑Model 1 faktor dengan 2 indicator bisa diindetifikasi (over-identified) jika dibuat constraint
Asumsikan semua faktor loading sama dan residual juga sama
Banyaknya parameter variansi-kovariansi, 𝑝 = 3
Banyaknya parameter bebas, 𝑞 = 2 (1 parameter 𝜦 dan 1 parameter 𝜹)
𝑑𝑓 = 3 − 2 = 1 (over-identified)
CONTOH MODEL CFA 2 FAKTOR
 CONTOH MODEL CFA 2 FAKTOR
Model struktur kovariansi

Model ini belum terindetifikasi karena skala variabel latent belum ditentukan!
CONTOH MODEL CFA 2 FAKTOR
Meminjam skala indicator

Standarisasi variabel latent

 SKALA VARIABEL LATENT
Skala dari variabel latent belum ditentukan, akibatnya faktor loading dan variansi
bisa berupa nilai berapapun kecuali skala variabel latent sudah ditentukan
Berikan model konstrain untuk mendapatkan skala yang berarti
Ada dua jenis kosntrain untuk menentukan skala variabel latent:
-Pinjam skala dari skala satu variabel yang diamati atau menetapkan nilai faktor
loading 1 dari setiap faktor ke salah satu variabel yang diamati
-Standarisasi variabel latent dengan cara menentapkan varinasi variabel latent sama
dengan 1
SKALA VARIABEL LATENT
Menetapkan skala variabel latent dengan meminjam skala x
6×7
-Banyaknya parameter varinasi-kovarinasi, 𝑝 = 2
= 21
-Banyaknya parameter bebeas, 𝑞 = 13 (4 parameter 𝜦 + 6 parameter 𝜹 + 3 parameter 𝚽)
-𝑑𝑓 = 21 − 13 = 8 (over-identified)
SKALA VARIABEL LATENT
Menetapkan skala variabel latent dengan menstandarisasi variabel latent
6×7
-Banyaknya parameter varinasi-kovarinasi, 𝑝 = 2
= 21
-Banyaknya parameter bebeas, 𝑞 = 13 (6 parameter 𝜦 + 6 parameter 𝜹 + 1 parameter 𝚽)
-𝑑𝑓 = 21 − 13 = 8 (over-identified)
ANALISIS JALUR
Analisis jalur memungkinkan memodelkan beberapa persamaan secara bersamaan
untuk variabel yang diamati

Model yang diberikan relative sederhana dimana pengaruh 𝑥 terhadap 𝑦2

dimediasi oleh 𝑦1
Model ini masih memilihi kelemahan karena dapat menghasilkan bias karena
mengabaikan kesalahan pengukuran pada variabel yang diamati
CFA
CFA menganalisis mengapa sehimpunan variabel yang diamati saling berkorelasi

Model ini belum menguji bentuk structural dari model yang ingin diteliti
 SEM
Model SEM lengkap terdiri dari dua bagian (model hybrid)
-Model pengukuran (CFA) dan
-Model structural (analisis jalur)

Hubungan structural diestimasi diantara variabel latent yang tidak bias karena sudah
dikoreksi kesalahan pengukurannya.
SEM DENGAN EKSOGEN TETAP
Variabel eksogen tetap juga bisa dimasukkan ke dalam model, seperti jenis kelamin,
status, dll. Dalam hal ini variabel eksogen diasumsikan diukur tanpa kesalahan
pengukuran.
SEM DENGAN ENDOGEN TETAP
Model SEM juga memungkinkan untuk meliatkan variabel manifest sebagai variabel
dependet.
Contoh variabel dependent perilaku membeli, merokok
SPESIFIKASI MODEL
Spesifikasi model awal harus berdasarkan teori
-Variabel mana yang merupakan eksogen, endogen, mediator?
-Variabel mana yang memiliki pengaruh kausal dan mana yang hanya menunjukkan
asosiasi?

Model SEM bisa dideskripsikan dengan menggunakan diagram jalur atau

sehimpunan system persamaan
SPESIFIKASI MODEL
SPESIFIKASI MODEL
SPESIFIKASI MODEL
SPESIFIKASI MODEL
SPESIFIKASI MODEL
Bentuk umum model SEM:

Model ini memungkinkan:

-Beberapa variabel latent menyebabkan suatu indicator
-Indikator tunggal untuk suatu variabel latent
-Loop (diagonal matriks 𝐵)
HIPOTESIS FUNDAMENTAL SEM
Misalkan Σ menyatakan matriks kovariansi populasi dari variabel x dan y, maka:
𝐸(𝑌𝑌 ′ ) 𝐸(𝑋𝑌′)′
Σ=
𝐸(𝑋𝑌 ′ ) 𝐸(𝑋𝑋 ′ )
Di dalam model SEM, dihipotesiskan bahwa matriks kovariansi populasi dapat
diekspresikan sebagai fungsi dari parameter model 𝜃 . Jika model benar dan
parameter diketahui maka:
Σ = Σ(𝜃)
Σ(𝜃) disebut model kovariansi matris tersirat (model implied covariance matrix)

Bagaimana bentuk Σ(𝜃) dari SEM?

DEKOMPOSISI KOVARIANSI-VARIANSI
𝐶𝑜𝑣 𝒙, 𝒙 = 𝐸 𝒙𝒙𝑻
= 𝐸[ 𝜦𝑥 𝝃 + 𝜹 𝜦𝒙 𝝃 + 𝜹 𝑇 ]
= 𝐸[ 𝜦𝑥 𝝃 + 𝜹 (𝝃𝑻 𝜦𝑻𝒙 + 𝜹𝑇 )]
= 𝐸[ 𝜦𝑥 𝝃𝝃𝑇 𝜦𝑻𝒙 + 𝜹𝝃𝑇 𝜦𝑻𝒙 + 𝜦𝑥 𝝃𝜹𝑇 + 𝜹𝜹𝑇
= 𝜦𝑥 𝑬 𝝃𝝃𝑇 𝜦𝑻𝒙 + [𝑬 𝜹𝝃𝑇 ]𝜦𝑻𝒙 + 𝜦𝑥 [𝑬(𝝃𝜹𝑇 )] + 𝐸(𝜹𝜹𝑇 )
= 𝜦𝑥 𝚽 𝜦𝑻𝒙 + 𝑪𝒐𝒗 𝜹, 𝝃 𝜦𝑻𝒙 + 𝜦𝑥 𝑪𝒐𝒗(𝝃, 𝜹)] + 𝜣𝜹

Residual dari indicator diasumsikan independent terhadap variabel eksogen, sehingga:

𝐶𝑜𝑣 𝒙, 𝒙 = 𝜦𝑥 𝚽 𝜦𝑻𝒙 + 𝜣𝜹
DEKOMPOSISI KOVARIANSI-VARIANSI
𝐶𝑜𝑣 𝒚, 𝒚 = 𝐸 𝒚𝒚𝑻
𝑇
= 𝐸[ 𝜦𝑦 𝜼 + 𝝐 𝜦𝑦 𝜼 + 𝝐 ]
= 𝐸[ 𝜦𝑦 𝜼 + 𝝐 (𝜼𝑻 𝜦𝑻𝒚 + 𝝐𝑇 )]
= 𝐸[ 𝜦𝑦 𝜼𝜼𝑇 𝜦𝑻𝒚 + 𝝐𝜼𝑇 𝜦𝑻𝒚 + 𝜦𝑦 𝜼𝝐𝑇 + 𝝐𝝐𝑇
= 𝜦𝑦 𝑬 𝜼𝜼 𝜦𝑻𝒚 + [𝑬 𝜖𝜼𝑇 ]𝜦𝑻𝒚 + 𝜦𝑦 [𝑬(𝜼𝝐𝑇 )] + 𝐸(𝝐𝝐𝑇 )
= 𝜦𝑦 𝑪𝒐𝒗(𝜼, 𝜼)𝜦𝑻𝒚 + 𝑪𝒐𝒗 𝝐, 𝜼𝑻 𝜦𝑻𝒚 + 𝜦𝑦 𝑪𝒐𝒗(𝜼, 𝜖 𝑇 )] + 𝜣𝝐

Residual dari indicator diasumsikan independent terhadap variabel endogen, sehingga:

𝐶𝑜𝑣 𝒚, 𝒚 = 𝜦𝑦 𝑪𝒐𝒗(𝜼, 𝜼)𝜦𝑻𝒚 + 𝜣𝝐
DEKOMPOSISI KOVARIANSI-VARIANSI
Solusi dari persamaan structural untuk 𝜼
𝜼 = 𝑩𝜼 + 𝚪𝝃 + 𝜻
𝜼 − 𝑩𝜼 = 𝚪𝝃 + 𝜻
𝑰 − 𝑩 𝜼 = 𝚪𝝃 + 𝜻
𝜼 = 𝑰 − 𝑩 −𝟏 (𝚪𝝃 + 𝜻)