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
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)