Structural Equation Model

DR. NANDAN LIMAKRISNA., IR.,MM

PELATIHAN
Konsep
SEM (Structural Equation Model) adalah teknik statistik untuk
pengujian rangkaian hubungan yang relatif rumit
Contoh:
X
X3 e3
1
1
X2 e2
1
X1 e1
1
Y
Y3 e6
1
1
Y2 e5
1
Y1 e4
1
d
1
Konsep
Variabel terukur :Variabel yang datanya harus dicari. Dalam
hal ini adalah volume penjualan (x1) , pertumbuhan
pelanggan (x2), dan pertumbuhan penjualan (x3).
Digambarkan dalam bentuk segi empat.
Variabel laten : Variabel bentukan dari variabel terukur,
variabel ini tidak diukur langsung tetapi dibentuk melalui
variabel terukur. Dalam hal adalah kinerja pemasaran (X),
yang dibentuk dari volume penjualan, pertumbuhan
pelanggan, dan pertumbuhan penjualan. Digambarkan
dalam bentuk oval
Garis satu anak panah adalah pengaruh satu variabel
dengan variabel lain
Garis dua anak panah adalah hubungan antara dua variabel
Konsep
Variabel dependen adalah variabel yang dituju satu anak panah.
Misalnya Kinerja Pemasaran
Semua variabel dependen harus mempunyai anak panah dari
lingkaran kecil dengan berlabel e untuk variabel terukur, dan
label d untuk variabel laten
Variabel Independen variabel yang tidak dituju anak panah.
Misalnya Derajat Orientasi Pasar
Confirmatory Factor Analysis: adalah menggunakan yang faktor
diteliti untuk mendefinisikan faktor yang tidak diukur secara
langsung.
Konstruk eksogen adalah konstruk yang tidak diprediksi oleh
variabel lain dalam model. Dalam hal ini adalah konstruk derajat
orientasi pasar
Konstruk endogen adalah konstruk yang diprediksi oleh
beberapa konstruk. Dalam hal ini adalah konstruk kinerja
pemasaran
Asumsi SEM
Sampel minimal adalah 5 x indikator
(pertanyaan observasi) dan harus lebih
dari 100 sampel
Sebaran normal dan linear
Outliers (nilai ekstrem) harus
dihilangkan

Langkah-Langkah SEM
Pengembangan Model Berbasis teori
Pengembangan diagram alur untuk
menunjukkan hubungan kausalitas
Konversi diagram alur ke dalam
serangkaian persamaan struktural dan
spesifikasi model pengukuran
Estimasi model
Pengembangan Model Berbasis Teori

Mencari teori pada setiap diagram alur
kausalitas yang dibuat.
SEM bukan membangun alur kausalitas
tapi membenarkan kausalitas teoritis
melalui uji empiris

Pengembangan diagram alur untuk
menunjukkan hubungan kausalitas

X
X3
e3
1
1
X2
e2
1
X1
e1
1
Y
Y3 e6
1
1
Y2 e5
1
Y1 e4
1
d
1
ESTIMASI ATAS MODEL YANG
DIBANGUN

Estimasi model menggunakan program
komputer seperti Amos dan Lisrel,
Variabel
Variabel Arti
x1 Informasi Pelanggan
x2 Informasi Pesaing
x3 Koordinasi Lintas Fungsi
y1 Volume Penjualan
y2 Pertumbuhan Pelanggan
y3 Pertumbuhan Penjualan
X Derajat Operasi Pasar
Y Kinerja Pemasaran
Penggunaan Lisrel
Membuka Program Lisrel
Mengambil Data
Merubah Data Menjadi Covarians
Membuat Program Simplis
Melihat Hasil
Membuka Lisrel
Membuka Data
Mengambil Data Dari SPSS
Mendefinisikan Variabel
Merubah Data Menjadi Covarians
Membuat Path
Menggambar Path
Membuat Simplis
Title
Observed Variables
Data
Sample Size
Latent Variables
Relationship
Path Diagram
End of Problem

Membuka Simplis
Program Simplis
Isi Program Simplis
Title Latih
Observed Variables
X1 X2 X3 Y1 Y2 Y3
Covariance Matrix From File Datacov
Sample Size = 100
Latent Variables
X Y
Relationship
X1 = 1*X
X2 = X
X3 = X
Y1 = 1*Y
Y2 = Y
Y3 = Y
X ->Y
Path Diagram
End Of Problem
HASIL ESTIMATE
HASIL STANDART
HASIL T HITUNG
OUTPUT

DATE: 2/ 2/2005
TIME: 14:43


L I S R E L 8.30

BY

Karl G. Jreskog & Dag Srbom



This program is published exclusively by
Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Chicago, IL 60646-1704, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-99
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com

The following lines were read from file D:\LATIH\LATIH.SPJ:

Title Latih
Observed Variables
X1 X2 X3 Y1 Y2 Y3
Covariance Matrix From File Datacov
Sample Size = 100
Latent Variables
X Y
Relationship
X1 = 1*X
X2 = X
X3 = X
Y1 = 1*Y
Y2 = Y
Y3 = Y
X ->Y
Path Diagram
End Of Problem

Sample Size = 100

Latih

Covariance Matrix to be Analyzed

Y1 Y2 Y3 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y1 2.57
Y2 1.26 2.75
Y3 0.79 0.80 1.63
X1 1.38 1.11 0.70 3.28
X2 1.20 0.82 0.28 2.65 3.57
X3 1.42 1.17 0.95 3.15 3.14 4.55



Latih

Number of Iterations = 5

LISREL Estimates (Maximum Likelihood)

Y1 = 1.00*Y, Errorvar.= 1.10 , R = 0.57
(0.30)
3.64

Y2 = 0.87*Y, Errorvar.= 1.65 , R = 0.40
(0.19) (0.31)
4.65 5.26

Y3 = 0.56*Y, Errorvar.= 1.17 , R = 0.28
(0.13) (0.19)
4.16 6.05


X1 = 1.00*X, Errorvar.= 0.56 , R = 0.83
(0.14)
3.93

X2 = 0.98*X, Errorvar.= 0.99 , R = 0.72
(0.083) (0.18)
11.79 5.41

X3 = 1.17*X, Errorvar.= 0.84 , R = 0.81
(0.090) (0.20)
13.05 4.16


Y = 0.45*X, Errorvar.= 0.91 , R = 0.38
(0.090) (0.30)
5.02 2.98

Variances of Independent Variables

X
--------
2.71
(0.47)
5.72


Covariance Matrix of Latent Variables

Y X
-------- --------
Y 1.47
X 1.23 2.71


Goodness of Fit Statistics

Degrees of Freedom = 8
Minimum Fit Function Chi-Square = 17.09 (P = 0.029)
Normal Theory Weighted Least Squares Chi-Square = 16.04 (P = 0.042)
Estimated Non-centrality Parameter (NCP) = 8.04
90 Percent Confidence Interval for NCP = (0.28 ; 23.52)

Minimum Fit Function Value = 0.17
Population Discrepancy Function Value (F0) = 0.081
90 Percent Confidence Interval for F0 = (0.0028 ; 0.24)
Root Mean Square Error of Approximation (RMSEA) = 0.10
90 Percent Confidence Interval for RMSEA = (0.019 ; 0.17)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.11

Expected Cross-Validation Index (ECVI) = 0.42
90 Percent Confidence Interval for ECVI = (0.35 ; 0.58)
ECVI for Saturated Model = 0.42
ECVI for Independence Model = 3.23


Chi-Square for Independence Model with 15 Degrees of Freedom = 307.53
Independence AIC = 319.53
Model AIC = 42.04
Saturated AIC = 42.00
Independence CAIC = 341.16
Model CAIC = 88.91
Saturated CAIC = 117.71

Root Mean Square Residual (RMR) = 0.11
Standardized RMR = 0.044
Goodness of Fit Index (GFI) = 0.95
Adjusted Goodness of Fit Index (AGFI) = 0.87
Parsimony Goodness of Fit Index (PGFI) = 0.36

Normed Fit Index (NFI) = 0.94
Non-Normed Fit Index (NNFI) = 0.94
Parsimony Normed Fit Index (PNFI) = 0.50
Comparative Fit Index (CFI) = 0.97
Incremental Fit Index (IFI) = 0.97
Relative Fit Index (RFI) = 0.90

Critical N (CN) = 117.40


The Modification Indices Suggest to Add an Error Covariance
Between and Decrease in Chi-Square New Estimate
X2 Y3 10.9 -0.42


The Problem used 6632 Bytes (= 0.0% of Available Workspace)

Time used: 0.219 Seconds