pemodelan sem dengan stata - institut tazkia

Disusun oleh: Dr. Indra, S.Si, M.Si ([email protected]/[email protected]) 1

PEMODELAN SEM DENGAN STATA

I. PENGANTAR PEMODELAN SEM

▪ Structural Equation Modeling (SEM) merupakan teknik analisis multivariat yang dikembangkan untuk

menutupi keterbatasan yang dimiliki oleh model-model seperti: analisis regresi, path analysis (analisis

jalur), dan confirmatory factor analysis (analisis faktor konfirmatori) (Hox dan Bechger, 1998).

▪ SEM merupakan teknik statistik yang digunakan untuk membangun dan menguji model statistik yang

umumnya dalam bentuk model hubungan kausalitas. SEM merupakan teknik perpaduan (hybrid) yang

menggabungkan aspek dari analisis regresi, path analysis (analisis jalur), dan confirmatory factor

analysis (analisis faktor konfirmatori).

▪ Beberapa Istilah Dasar. Beberapa istilah umum yang berkaitan dengan SEM Hair et al. (1995):

1) Variabel atau konstrak laten merupakan variabel-variabel yang tidak diobservasi (unobserved

variables). Pengertian konstrak adalah semacam konsep yang membuat peneliti mendefinisikan

ketentuan konseptual, namun tidak secara langsung (bersifat laten), melainkan diukur berdasarkan

perkiraan atas indikator-indkator terukur tertentu. Dengan demikian, konstrak merupakan suatu proses

atau kejadian dari suatu amatan yang diformulasikan dalam bentuk konseptual dan memerlukan

indikator untuk memperjelasnya.

mailto:[email protected]/[email protected]

http://statsdata.blogspot.com/


2) Variabel-variabel yang diobservasi (observed variable), kadang disebut sebagai variabel manifes

(manifest variables) atau variabel referensi (reference variables).

3) Variabel Eksogen, Variabel Endogen, dan Variabel Error.

o Variabel eksogen adalah variabel penyebab atau variabel yang tidak dipengaruhi oleh variabel

lainnya. Variabel eksogen memberikan efek kepada variabel lainnya. Dalam diagram jalur,

variabel eksogen secara eksplisit ditandai sebagai variabel dimana tidak ada panah tunggal

yang menuju ke arahnya.

o Variabel endogen adalah variabel yang dijelaskan oleh variabel eksogen. Variabel endogen

adalah efek dari variabel eksogen. Dalam diagram jalur, variabel endogen secara eksplisit

ditandai oleh kepala panah yang menuju ke arahnya.

o Variabel error didefinisikan sebagai kumpulan variabel-variabel eksogen lainnya yang tidak

dimasukkan dalam model yang dimungkinkan masih memiliki pengaruh terhadap variabel

endogen.

4) Diagram jalur adalah sebuah diagram yang menggambarkan hubungan kausal antar variabel.

Pembangunan diagram jalur dimaksudkan untuk menvisualisasikan keseluruhan alur hubungan

antara variabel. Sebagai contoh, diberikan diagram jalur dari pengaruh Internal dan Eksternal

(variabel eksogen) terhadap Kinerja variabel endogen).



Tanda anak panah (→) menunjukkan pengaruh antara konstrak laten eksogen terhadap konstrak laten

endogen).

5) Koefesien struktural atau jalur. Koefisien jalur adalah suatu koefisien regresi terstandardisasi

(standardized) yang menunjukkan besarnya pengaruh dari suatu variabel eksogen terhadap variabel

endogen dalam diagram jalur. Koefisien jalur disebut juga standardized solution. Standardized

solution yang menghubungkan antara konstrak laten dan variabel indikatornya disebut sebagai loading

factor.

▪ Notasi/simbol dalam Analisis SEM. Secara umum, analisis SEM mengunakan beberapa notasi atau

simbol yang masing-masing memiliki makna tersendiri.

• Untuk mengenalkan notasi-notasi yang sering digunakan dalam SEM, berikut ini akan dijelaskan melalui

diagram jalur sebagai berikut:

Faktor Internal

Faktor Eksternal

Kinerja



Keterangan:

• (KSI) : konstrak/variabel laten eksogen.

• (ETA) : konstrak/variabel laten endogen.

• (GAMMA) : hubungan langsung variabel eksogen terhadap variabel endogen.

• (BETA) : hubungan langsung variabel endogen terhadap variabel endogen.

• (LAMBDA) : hubungan langsung variabel eksogen ataupun endogen terhadap indikatornya



• (PHI) : kovarian/korelasi antara variabel eksogen

• (DELTA) : measurement error (kesalahan pengukuran) dari indikator variabel eksogen

• (EPSILON) : measurement error dari indikator variabel endogen

• (ZETA) : kesalahan dalam persamaan, yaitu antara variabel eksogen/endogen dan variabel

endogen

• (PSI) : kovarian di antara struktural residu

• (THETA-DELTA) : matriks kovarian simetris di antara kesalahan pengukuran pada indikator-

indikator dari variabel eksogen

• (THETA-EPSILON): matriks kovarian simetris di antara kesalahan pengukuran pada indikator-

indikator dari variabel endogen

▪ Persamaan Matematis dalam SEM. Secara umum ada dua persamaan matematis dalam SEM, yakni

persamaan pengkuran (measurement model) dan persamaan struktural (structural model).

▪ Melalui gambar diagram jalur di atas akan diilustrasikan kedua persamaan tersebut:

1) Persamaan model struktural

2) Persamaan model pengukuran variabel eksogen



3) Persamaan model pengukuran variabel endogen

▪ Efek Dekomposisi (Pengaruh Total dan Pengaruh Tak Langsung). Efek dekomposisi terjadi

berdasarkan pembentukan diagram jalur yang dibangun berdasarkan teori. Pengaruh antara konstrak

laten dibagi berdasarkan kompleksitas hubungan variabel, yaitu:

1) pengaruh langsung (direct effects)



2) pengaruh tak langsung (indirect effects)

3) pengaruh total (total effects)

▪ Pengaruh variabel eksogen ( ) terhadap variabel endogen kedua (2), adalah sebagai berikut:

• pengaruh langsung terhadap 2 = r1

• pengaruh tak langsung terhadap 2 = pengaruh langsung terhadap 1 x pengaruh langsung 1

terhadap 2 = r2 x r3

• pengaruh total terhadap 2 = pengaruh langsung terhadap 2 + pengaruh tak langsung terhadap

2 = r1 + (r2 x r3)



II. PEMODELAN SEM DENGAN STATA

▪ Secara umum, command yang digunakan untuk pemodelan SEM dalam STATA adalah sem dan

gsem. Di sini gsem adalah singkatan dari Generalized SEM.

▪ Persamaan dan perbedaan penggunaan antara sem dan gsem dalam STATA.

• Command sem digunakan untuk pemodelan SEM linier standar, sementara gsem digunakan

untuk pemodelan SEM yang lebih umum atau perluasan dari model SEM linier standar.

• Command sem umumnya digunakan untuk data atau respons yang bersifat kontinu, dan

spesifikasi model yang digunakan umumnya adalah regresi linier. Sementara command gsem,

digunakan tidak hanya untuk data atau respons kontinu, tetapi bisa juga biner, ordinal, count, atau

multinomial. Pada gsem, spsesifikasi model yang digunakan adalah regresi linier, regresi gamma,

logit, probit, ordinal logit, ordinal probit, Poisson, binomial negatif, multinomial logit, dan banyak

lagi.

• Command sem umumnya digunakan untuk mengestimasi model dengan single-level data.

Sementara command gsem umumnya digunakan untuk mengestimasi model dengan single-level

data maupun multilevel data. Di sini, variabel laten dapat disertakan di tingkat mana pun.

• Comand gsem, juga dapat memenuhi model dengan efek campuran (mixed-effect), termasuk

random-effect seperti unobserved effect (misal heterogenitas individu yang tidak teramati

(unobserved)), nested effect (misal unobserved effect antara pasien dengan dokter), atau cross

effect (misal unobserved effect antara pekerjaan dan lokasi)



III. STUDI KASUS 1. MEASUREMENT MODEL

▪ Pada studi kasus ini akan diilustrasikan tahapan estimasi model pengukuran (measurement model)

dengan menggunakan STATA.

▪ Spesifikasi model pengukuran:

▪ Path Diagram:



▪ Tahapan estimasi model:

1) Buka StudiKasus1.dta

2) Menyajikan statistik deskriptif variabel. . summarize

Variable | Obs Mean Std. Dev. Min Max

-------------+---------------------------------------------------------

x1 | 500 99.518 14.35402 60 137

x2 | 500 99.954 14.1939 52 140

x3 | 500 99.052 14.26395 59 150

x4 | 500 94.474 70.11603 -113 295

3) Uji Multvariate Normal . mvtest normality x1 x2 x3 x4, univariate stats(all)

Test for univariate normality

---------------------------------------------------------------------

| ------- joint ------

Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

-------------+-------------------------------------------------------

x1 | 0.9260 0.5037 0.46 0.7947

x2 | 0.6652 0.6008 0.46 0.7926

x3 | 0.2869 0.8902 1.16 0.5604

x4 | 0.9667 0.5058 0.45 0.7993

---------------------------------------------------------------------

Test for multivariate normality

Mardia mSkewness = .2078419 chi2(20) = 17.466 Prob>chi2 = 0.6225

Mardia mKurtosis = 23.26195 chi2(1) = 1.419 Prob>chi2 = 0.2336

Henze-Zirkler = .7781454 chi2(1) = 1.989 Prob>chi2 = 0.1584

Doornik-Hansen chi2(8) = 5.468 Prob>chi2 = 0.7066



4) Klik Statistics → SEM → Model Building and Estimation.



5) Klik ikon pada menu bar di samping. Kemudian klik di sembarang tempat pada area

layar.



6) Klik Estimation → estimate

. sem (X -> x1, ) (X -> x2, ) (X -> x3, ) (X -> x4, ), latent(X ) nocapslatent

Endogenous variables

Measurement: x1 x2 x3 x4

Exogenous variables

Latent: X

Fitting target model:

Iteration 0: log likelihood = -8487.5905




Structural equation model Number of obs = 500

Estimation method = ml

Log likelihood = -8487.2337

( 1) [x1]X = 1

------------------------------------------------------------------------------

| OIM



| Coef. Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

Measurement |

x1 |

X | 1 (constrained)

_cons | 99.518 .6412888 155.18 0.000 98.2611 100.7749

-----------+----------------------------------------------------------------

x2 |

X | 1.033249 .0723898 14.27 0.000 .8913676 1.17513

_cons | 99.954 .6341354 157.62 0.000 98.71112 101.1969

-----------+----------------------------------------------------------------

x3 |

X | 1.063876 .0729725 14.58 0.000 .9208526 1.2069

_cons | 99.052 .6372649 155.43 0.000 97.80298 100.301

-----------+----------------------------------------------------------------

x4 |

X | 7.276754 .4277638 17.01 0.000 6.438353 8.115156

_cons | 94.474 3.132547 30.16 0.000 88.33432 100.6137

-------------+----------------------------------------------------------------

var(e.x1)| 115.6865 7.790423 101.3823 132.0089

var(e.x2)| 105.0445 7.38755 91.51873 120.5692

var(e.x3)| 101.2572 7.17635 88.12499 116.3463

var(e.x4)| 144.0406 145.2887 19.94838 1040.069

var(X)| 89.93921 11.07933 70.64676 114.5001

------------------------------------------------------------------------------

LR test of model vs. saturated: chi2(2) = 1.46, Prob > chi2 = 0.4827

• Secara keseluruhan, Goodness of fit model dapat dilihat dari hasil uji LR: Model vs Saturated.

Bentuk Hipotesis Nol dari uji ini adalah tidak adanya perbedaan yang signifikan antara sample

covariance matrix dengan fitted covariance matrix atau model dikatakan fit.

• Nilai Chi Square umumnya diharapkan kecil untuk menghasilkan nilai probabilitas uji yang

tidak signifikan agar hipotesis nol tidak dapat ditolak. Hasil uji di atas menghasilkan nilai uji

Chi Square sebesar 1.46 dan p-value di atas 5%, yang mengindikasikan model fit.



7) Menyajikan output dalam bentuk standardized. Klik View → Standardized Estimate



Bagaimaan jika uji normalitas pada data tidak dapat dipenuhi?

. sem (X -> x1, ) (X -> x2, ) (X -> x3, ) (X -> x4, ), vce(sbentler) latent(X ) nocaps

> latent


Measurement: x1 x2 x3 x4

Exogenous variables

Latent: X


Iteration 0: log pseudolikelihood = -8487.5905






Log pseudolikelihood = -8487.2337

( 1) [x1]X = 1

------------------------------------------------------------------------------

| Satorra-Bentler

| Coef. Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

Measurement |

x1 |

X | 1 (constrained)

_cons | 99.518 .6419311 155.03 0.000 98.25984 100.7762

-----------+----------------------------------------------------------------

x2 |

X | 1.033249 .0767608 13.46 0.000 .8828006 1.183698

_cons | 99.954 .6347705 157.46 0.000 98.70987 101.1981

-----------+----------------------------------------------------------------

x3 |

X | 1.063876 .0751028 14.17 0.000 .9166773 1.211075

_cons | 99.052 .6379032 155.28 0.000 97.80173 100.3023



-----------+----------------------------------------------------------------

x4 |

X | 7.276754 .4386592 16.59 0.000 6.416998 8.13651

_cons | 94.474 3.135684 30.13 0.000 88.32817 100.6198

-------------+----------------------------------------------------------------

var(e.x1)| 115.6865 7.744173 101.4617 131.9055

var(e.x2)| 105.0445 6.499187 93.04833 118.5872

var(e.x3)| 101.2572 7.00047 88.42551 115.9509

var(e.x4)| 144.0406 145.6607 19.84766 1045.347

var(X)| 89.93921 11.2763 70.34416 114.9927

------------------------------------------------------------------------------


Satorra-Bentler scaled test: chi2(2) = 1.59, Prob > chi2 = 0.4526

IV. STUDI KASUS 2. MEMBUAT MATRIKS KOVARIAN

▪ Salah satu kelebihan dari pemodelan SEM adalah proses estimasi dapat dilakukan dengan

menggunakan matriks kovarian dari sekumpulan variabel yang digunakan dalam pemodelan.

Dengan demikian kita dapat melakukan pemodelan tanpa menggunakan dataset dari setiap variabel,

melainkan cukup dengan matriks kovarian yang dihasilkan.

▪ Berikut ini akan diberikan studi kasus membuat matriks kovarian dari dataset variabel yang

digunakan pada Studi Kasus 1.

. ssd build x1 x2 x3 x4

(data in memory now summary statistics data; you can use ssd describe and ssd list

to describe and list results.)

. ssd desc

Summary statistics data

obs: 500



vars: 4

(_dta has notes)

------------------------------------------------------------------------

variable name variable label

------------------------------------------------------------------------

x1 Measure of X, test 1




------------------------------------------------------------------------

. ssd list

Observations = 500

Means:

x1 x2 x3 x4

99.518 99.954 99.052 94.474

Variances implicitly defined; they are the diagonal of the covariance matrix.

Covariances:

x1 x2 x3 x4

206.03775

92.434697 201.46682

91.960986 103.06452 203.46022

656.72392 676.86554 697.55646 4916.2578



V.STUDI KASUS 3. PEMODELAN SEM

▪ Sebagai ilustrasi awal dalam pemodelan SEM, diberikan studi kasus yang mengkaji pengaruh KSI terhadap

ETA1 dan ETA2. Di sini, KSI, ETA1, dan ETA2 adalah variabel laten sembarang yang dapat

mencerminkan hubungan antar variabel dalam konteks penelitian di berbagai aspek.

▪ Secara lebih terinci, permsalahan yang hendak di jawab dalam kajian ini adalah:

1. Bagaimanakah pengaruh KSI terhadap ETA1?

2. Bagaimanakah pengaruh KSI dan ETA 1 dan ETA2?

▪ Kerangka pemikiran dalam kajian ini, disajikan dalam diagram jalur sebagai berikut:



▪ Dari diagram jalur diatas dapat dituliskan dua persamaan model, yakni: model persamaan pengukuran

(measurement model) dan model persamaan struktural.

• Persamaan model pengukuran:

o Pengukuran variabel laten eksogen KSI

1 1

2 2

3 3

1

2

3

X KSI

X KSI

X KSI

= +

= +

= +

o Pengukuran variabel laten endogen ETA1

4 4

5 5

6 6

1 1

2 1

3 1

Y ETA

Y ETA

Y ETA

= +

= +

= +

o Pengukuran variabel laten endogen ETA2

7 7

8 8

9 9

4 2

5 2

6 2

Y ETA

Y ETA

Y ETA

= +

= +

= +

• Persamaan model struktural:

o Model struktural ETA1:

1 11ETA KSI = +

o Model struktural ETA2:



2 22 1ETA KSI ETA = + +

▪ Hipotesis penelitian ini beserta statistik uji yang digunakan dalam penelitian ini dirangkum dalam tabel

berikut:

Model Hipotesis Statistik Uji Kriteria Uji

Overall

Model

Fit

H0: S = : Matriks kovariansi variabel X1 sampai Y6

berdasarkan data sampel tidak berbeda dengan

matriks kovariansi populasi yang diestimasi.

Nilai P-

value,

RMSEA,

dan

CFI

Diharapkan H0

diterima, jika:

P-value > 0,05

RMSEA < 0,08

atau

CFI > 0,90

H1 : S : Matriks kovariansi variabel X1 sampai Y6

berdasarkan data sampel berbeda dengan matriks

kovariansi populasi yang diestimasi.

Model

ETA1

H0: 1= 0 : KSI tidak mempengaruhi ETA1.

H1: 1 > 0: KSI berpengaruh positif terhadap ETA1.

Uji-t Diharapkan H0

Ditolak, jika

nilai

t-hitung >1,96

Model

ETA2

Ho : 2 = = 0: KSI atau ETA1 tidak mempengaruhi

ETA2.

H1 : 2> 0: KSI berpengaruh positif terhadap ETA2.

H1 : > 0: ETA1 berpengaruh positif terhadap ETA2.

Uji-t Diharapkan H0

Ditolak, jika

nilai

t-hitung >1,96

▪ Tahapan estimasi model dengan STATA adalah sebagai berikut:

1) Menyiapkan data matriks kovarian

. ssd init y1 y2 y3 y4 y5 y6 x1 x2 x3

Summary statistics data initialized. Next use, in any order,



ssd set observations (required)

It is best to do this first.

ssd set means (optional)

Default setting is 0.

ssd set variances or ssd set sd (optional)

Use this only if you have set or will set correlations and, even then, this

is optional but highly recommended. Default setting is 1.

ssd set covariances or ssd set correlations (required)

. ssd set obs 100

(value set)

Status:

observations: set

means: unset

variances or sd: unset

covariances or correlations: unset (required to be set)

. ssd set cov 2.5672\ 1.1806 2.7452\ 0.7867 0.8039 1.6278\ 0.1759 0.4987 0.4122

2.3386\ 0.5491 0.6382 0.1042 1.5607 2.3307\ 0.4531 0.6491 0.1747 1.4589

1.5658 2.3080\ 1.3798 1.1590 0.7150 0.1121 0.3509 0.3003 3.2784\ 1.2069

0.8239 0.2754 -0.0960 0.3032 0.2802 2.6512 3.5732\ 1.4242 1.1898 0.9296

0.3185 0.4241 0.4513 3.1494 3.1353 4.5507

(values set)

Status:

observations: set

means: unset

variances or sd: set

covariances or correlations: set



2) Uji Normalitas Data

. mvtest normality y1 y2 y3 y4 y5 y6 x1 x2 x3 , univariate stats(all)


---------------------------------------------------------------------

| ------- joint ------


-------------+-------------------------------------------------------

y1 | 0.2947 0.9575 1.24 0.5378

y2 | 0.0423 0.4884 4.66 0.0973

y3 | 0.3117 0.8253 1.20 0.5474

y4 | 0.3122 0.2893 2.57 0.2770

y5 | 0.3013 0.2926 2.61 0.2714

y6 | 0.2663 0.3332 2.60 0.2721

x1 | 0.6901 0.0344 4.68 0.0963

x2 | 0.5477 0.0446 4.52 0.1045

x3 | 0.3621 0.2251 2.77 0.2502

---------------------------------------------------------------------


Mardia mSkewness = 72 chi2(165) = 165.000 Prob>chi2 = 0.4854

Mardia mKurtosis = 81 chi2(1) = 4.091 Prob>chi2 = 0.0431





3) Membuat Diagram



4) Hasil Estimasi dalam bentuk Standardized

. sem (KSI -> x1, ) (KSI -> x2, ) (KSI -> x3, ) (KSI -> ETA1, ) (KSI -> ETA2, ) (ETA1

> -> y1, ) (ETA1 -> y2, ) (ETA1 -> y3, ) (ETA1 -> ETA2, ) (ETA2 -> y4, ) (ETA2 -> y5,

> ) (ETA2 -> y6, ), standardized latent(KSI ETA1 ETA2 ) nocapslatent


Measurement: x1 x2 x3 y1 y2 y3 y4 y5 y6

Latent: ETA1 ETA2

Exogenous variables

Latent: KSI










( 1) [y1]ETA1 = 1

( 2) [y4]ETA2 = 1

( 3) [x1]KSI = 1

------------------------------------------------------------------------------

| OIM

Standardized | Coef. Std. Err. z P>|z| [95% Conf. Interval]

-------------+----------------------------------------------------------------

Structural |

ETA1 |

KSI | .6315544 .0895749 7.05 0.000 .4559909 .8071179

-----------+----------------------------------------------------------------

ETA2 |

ETA1 | .4161629 .1812472 2.30 0.022 .060925 .7714009

KSI | -.1265192 .1678472 -0.75 0.451 -.4554937 .2024553

-------------+----------------------------------------------------------------



Measurement |

x1 |

KSI | .9111997 .0271385 33.58 0.000 .8580092 .9643903

-----------+----------------------------------------------------------------

x2 |

KSI | .8498162 .0336755 25.24 0.000 .7838135 .9158189

-----------+----------------------------------------------------------------

x3 |

KSI | .9019249 .0279972 32.21 0.000 .8470514 .9567983

-----------+----------------------------------------------------------------

y1 |

ETA1 | .718899 .0794774 9.05 0.000 .5631263 .8746718

-----------+----------------------------------------------------------------

y2 |

ETA1 | .6460855 .0844512 7.65 0.000 .4805641 .8116068

-----------+----------------------------------------------------------------

y3 |

ETA1 | .5321133 .0918729 5.79 0.000 .3520457 .7121808

-----------+----------------------------------------------------------------

y4 |

ETA2 | .784327 .0518489 15.13 0.000 .682705 .8859489

-----------+----------------------------------------------------------------

y5 |

ETA2 | .8500983 .0468639 18.14 0.000 .7582468 .9419498

-----------+----------------------------------------------------------------

y6 |

ETA2 | .7977964 .0510079 15.64 0.000 .6978227 .8977701

-------------+----------------------------------------------------------------

var(e.x1)| .1697151 .0494572 .0958669 .3004498

var(e.x2)| .2778124 .0572359 .1855172 .4160248

var(e.x3)| .1865316 .0505027 .1097218 .3171113

var(e.y1)| .4831842 .1142724 .3039518 .7681052

var(e.y2)| .5825736 .1091254 .403559 .8409972

var(e.y3)| .7168554 .0977736 .5486991 .9365456

var(e.y4)| .3848312 .081333 .2543146 .5823302

var(e.y5)| .2773329 .0796778 .157925 .4870256

var(e.y6)| .3635208 .0813879 .234399 .5637713

var(e.ETA1)| .6011391 .1131428 .4156875 .8693267

var(e.ETA2)| .8773073 .0910713 .7157979 1.075259

var(KSI)| 1 . . .

------------------------------------------------------------------------------




5) Hasil Estimasi dalam bentuk Path Diagram



6) Menyajikan Goodness of Fit Model

Convergent and Discriminant Validity Assessment

--------------------------------------------------------------------------------------

Squared correlations (SC) among latent variables

--------------------------------------------------------------------------------------

KSI

KSI 1.000

--------------------------------------------------------------------------------------

Average variance extracted (AVE) by latent variables

--------------------------------------------------------------------------------------

AVE_KSI . No problem with discriminant validity

No problem with convergent validity

--------------------------------------------------------------------------------------

Note: when AVE values >= SC values there is no problem with discriminant validity

when AVE values >= 0.5 there is no problem with convergent validity

. estat eqgof

Equation-level goodness of fit

------------------------------------------------------------------------------

| Variance |

depvars | fitted predicted residual | R-squared mc mc2

-------------+---------------------------------+------------------------------

observed | |

x1 | 3.245616 2.694786 .5508299 | .8302849 .9111997 .8302849

x2 | 3.537468 2.554715 .9827526 | .7221876 .8498162 .7221876

x3 | 4.505193 3.664832 .8403607 | .8134684 .9019249 .8134684

y1 | 2.541528 1.313502 1.228026 | .5168158 .718899 .5168158

y2 | 2.717748 1.13446 1.583288 | .4174264 .6460855 .4174264

y3 | 1.611522 .4562937 1.155228 | .2831446 .5321133 .2831446

y4 | 2.315214 1.424247 .8909666 | .6151688 .784327 .6151688

y5 | 2.307393 1.667477 .639916 | .7226671 .8500983 .7226671

y6 | 2.28492 1.454304 .830616 | .6364792 .7977964 .6364792

latent | |

ETA1 | 1.313502 .5239046 .7895973 | .3988609 .6315544 .3988609

ETA2 | 1.424247 .1747448 1.249503 | .1226927 .3502752 .1226927



-------------+---------------------------------+------------------------------

overall | | .9261151

------------------------------------------------------------------------------

mc = correlation between depvar and its prediction

mc2 = mc^2 is the Bentler-Raykov squared multiple correlation coefficient

. estat gof, stats(all)

----------------------------------------------------------------------------

Fit statistic | Value Description

---------------------+------------------------------------------------------

Likelihood ratio |

chi2_ms(24) | 35.480 model vs. saturated

p > chi2 | 0.062

chi2_bs(36) | 464.746 baseline vs. saturated

p > chi2 | 0.000

---------------------+------------------------------------------------------

Population error |

RMSEA | 0.069 Root mean squared error of approximation

90% CI, lower bound | 0.000

upper bound | 0.115

pclose | 0.242 Probability RMSEA <= 0.05

---------------------+------------------------------------------------------

Information criteria |

AIC | 3052.588 Akaike's information criterion

BIC | 3107.296 Bayesian information criterion

---------------------+------------------------------------------------------

Baseline comparison |

CFI | 0.973 Comparative fit index

TLI | 0.960 Tucker-Lewis index

---------------------+------------------------------------------------------

Size of residuals |

SRMR | 0.050 Standardized root mean squared residual

CD | 0.926 Coefficient of determination

----------------------------------------------------------------------------



. estat stable

Stability analysis of simultaneous equation systems

Eigenvalue stability condition

+----------------------------------------+

| Eigenvalue | Modulus |

|--------------------------+-------------|

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

| 0 | 0 |

+----------------------------------------+

stability index = 0

All the eigenvalues lie inside the unit circle.

SEM satisfies stability condition.



VI. STUDI KASUS 4. PEMODELAN SEM

▪ Berikut akakan diberikan ilustrasi Pemodelan SEM Studi Pengaruh Home Backround (HOME) dan Ability

(ABILITY) terhadap Aspirations of Educations (ASPIRE) dan Achievment (ACHIEVE).

• Permasalahan yang ingin coba dijawab dalam penelitian ini adalah:

• Apakah HOME dan ABILITY mempengaruhi ASPIRE?

• Apakah HOME, ABILITY, dan ASPIRE mempengaruhi ACHIEVE?

• Hubungan antar variabel dalam permasalahan ini disajikan dalam diagram jalur sebagai berikut:

HOME

ABILITY

ASPIRE

ACHIEVE

FAMIINC

FAED

MOED

VERBAB

QUANTAB

EDASP

OCCASP

VERBACH

QUANTACH



• Variabel-variabel di atas dijelaskan sebagai berikut:

Variabel Indikator

Aspirations of Education (HOME) Skala home background dengan indikator skor:

• Family income (FAMINC)

• Father's education (FAED)

• Mother's education (MOED)

Ability (ABILITY) Skala ability dengan indikator skor:

• Verbal ability (VERBAB)

• Quantitative ability (QUANTAB)

Aspirations of Education (ASPIRE) Skala aspirations of education dengan indikator skor:

• Educational aspiration (EDASP)

• Occupational aspiration (ACCASP)

Achievement (ACHIEVE) Skala achievement dengan indikator skor:

• Verbal achievement (VERBACH)

• Quantitative achievement (QUANTACH)



▪ Tahapan estimasi model dengan STATA adalah sebagai berikut:

1) Menyiapkan dataset dalam bentuk matriks kovarian.

. ssd init edasp occasp verbach quantach faminc faed moed verbab quantab

Summary statistics data initialized. Next use, in any order,

ssd set observations (required)

It is best to do this first.

ssd set means (optional)

Default setting is 0.

ssd set variances or ssd set sd (optional)

Use this only if you have set or will set correlations and, even then, this

is optional but highly recommended. Default setting is 1.

ssd set covariances or ssd set correlations (required)

. ssd set obs 200

(value set)

Status:

observations: set

means: unset

variances or sd: unset

covariances or correlations: unset (required to be set)

. ssd set cov 1.024\0.792 1.077\1.027 0.919 1.844\0.756 0.697 1.244 1.286\0.567 0.537 0.876 0.632

0.852\0.445 0.424 0.677 0.526 0.518 0.670\0.434 0.389 0.635 0.498 0.475 0.545 0.716\0.580 0.564 0.893 0.716

0.546 0.422 0.373 0.851\0.491 0.499 0.888 0.646 0.508 0.389 0.339 0.629 0.871

(values set)

Status:

observations: set

means: unset

variances or sd: set

covariances or correlations: set



2) Uji normalitas data

. mvtest normality edasp-quantab



. mvtest normality edasp-quantab, univariate stats(all)


---------------------------------------------------------------------

| ------- joint ------


-------------+-------------------------------------------------------

edasp | 0.6399 0.0830 3.70 0.1574

occasp | 0.4900 0.2502 2.12 0.3459

verbach | 0.0868 0.7219 3.58 0.1672

quantach | 0.2368 0.2853 3.08 0.2144

faminc | 0.2288 0.2427 3.39 0.1833

faed | 0.6192 0.1511 2.78 0.2492

moed | 0.4942 0.3260 1.66 0.4368

verbab | 0.9350 0.3197 1.11 0.5737

quantab | 0.6429 0.2087 2.12 0.3467

---------------------------------------------------------------------


Mardia mSkewness = 72 chi2(165) = 165.000 Prob>chi2 = 0.4854

Mardia mKurtosis = 81 chi2(1) = 4.091 Prob>chi2 = 0.0431





3) Membuat Diagram



4) Hasil Estimasi dalam bentuk Standardized

. sem (home -> faminc, ) (home -> faed, ) (home -> moed, ) (home -> aspire, ) (home ->

> achieve, ) (ability -> verbab, ) (ability -> quantab, ) (ability -> aspire, ) (abil

> ity -> achieve, ) (aspire -> edasp, ) (aspire -> occasp, ) (aspire -> achieve, ) (ac

> hieve -> verbach, ) (achieve -> quantach, ), covstruct(_lexogenous, diagonal) standa

> rdized latent(home ability aspire achieve ) nocapslatent


Measurement: faminc faed moed verbab quantab edasp occasp verbach quantach

Latent: aspire achieve

Exogenous variables

Latent: home ability











( 1) [edasp]aspire = 1

( 2) [verbach]achieve = 1

( 3) [faminc]home = 1

( 4) [verbab]ability = 1

--------------------------------------------------------------------------------

| OIM


---------------+----------------------------------------------------------------

Structural |

aspire |

home | .4175084 .0849721 4.91 0.000 .2509662 .5840506



ability | .5749619 .0801156 7.18 0.000 .4179382 .7319856

-------------+----------------------------------------------------------------

achieve |

aspire | .4124486 .0764183 5.40 0.000 .2626715 .5622258

home | .2308143 .0704332 3.28 0.001 .0927679 .3688608

ability | .5186624 .0771056 6.73 0.000 .3675381 .6697867

---------------+----------------------------------------------------------------

Measurement |

faminc |

home | .7472384 .0364223 20.52 0.000 .6758519 .8186248

-------------+----------------------------------------------------------------

faed |

home | .917876 .0226953 40.44 0.000 .873394 .9623581

-------------+----------------------------------------------------------------

moed |

home | .8488434 .0265828 31.93 0.000 .796742 .9009447

-------------+----------------------------------------------------------------

verbab |

ability | .8738324 .0307141 28.45 0.000 .8136339 .9340308

-------------+----------------------------------------------------------------

quantab |

ability | .8360816 .032568 25.67 0.000 .7722495 .8999136

-------------+----------------------------------------------------------------

edasp |

aspire | .9007962 .0281454 32.01 0.000 .8456323 .9559602

-------------+----------------------------------------------------------------

occasp |

aspire | .7881665 .0319218 24.69 0.000 .7256008 .8507321

-------------+----------------------------------------------------------------

verbach |

achieve | .9263459 .0198632 46.64 0.000 .8874147 .965277

-------------+----------------------------------------------------------------

quantach |

achieve | .8214097 .02555 32.15 0.000 .7713326 .8714868

---------------+----------------------------------------------------------------

var(e.faminc)| .4416348 .0544323 .3468575 .5623096

var(e.faed)| .1575036 .041663 .0937842 .2645156

var(e.moed)| .2794649 .0451293 .2036439 .3835158

var(e.verbab)| .236417 .0536779 .151501 .3689282

var(e.quantab)| .3009676 .054459 .2111047 .4290831

var(e.edasp)| .1885661 .0507066 .1113193 .3194161

var(e.occasp)| .3787936 .0503194 .2919631 .4914478



var(e.verbach)| .1418833 .0368004 .0853404 .2358893

var(e.quantach)| .3252862 .0419741 .2525974 .4188923

var(e.aspire)| .4951055 .0630957 .385675 .6355856

var(e.achieve)| .1821139 .0433261 .1142448 .2903016

var(home)| 1 . . .

var(ability)| 1 . . .

--------------------------------------------------------------------------------


5) Hasil Estimasi dalam bentuk Path Diagram



6) Menyajikan Goodness of Fit Model


----------------------------------------------------------------------------


---------------------+------------------------------------------------------

Likelihood ratio |


p > chi2 | 0.000


p > chi2 | 0.000

---------------------+------------------------------------------------------

Population error |



upper bound | 0.201


---------------------+------------------------------------------------------




---------------------+------------------------------------------------------




---------------------+------------------------------------------------------

Size of residuals |



----------------------------------------------------------------------------

7) Memperbaiki model dengan informasi Modification Indices

. estat mindices

Modification indices

-----------------------------------------------------------------------



| Standard

| MI df P>MI EPC EPC

------------------------+----------------------------------------------

Structural |

aspire |

faminc | 5.974 1 0.01 .2183548 .2432504

verbab | 4.543 1 0.03 .4774207 .5315412

quantab | 4.543 1 0.03 -.3546798 -.3994997

----------------------+----------------------------------------------

achieve |

verbab | 4.543 1 0.03 -.5774205 -.4794934

quantab | 4.543 1 0.03 .4289705 .3603812

------------------------+----------------------------------------------

Measurement |

faminc |

moed | 5.357 1 0.02 -.4938034 -.4526795

verbab | 24.112 1 0.00 .2466853 .2465405

quantab | 21.525 1 0.00 .2303805 .2329352

edasp | 20.358 1 0.00 .2510349 .2501594

occasp | 17.542 1 0.00 .2169202 .2263453

verbach | 33.561 1 0.00 .2464692 .3202167

quantach | 16.481 1 0.00 .1974226 .2194224

aspire | 28.460 1 0.00 .3634645 .3262656

achieve | 34.883 1 0.00 .2885936 .3473291

ability | 31.117 1 0.00 .3431561 .2996849

----------------------+----------------------------------------------

faed |

moed | 9.310 1 0.00 .9167559 .9477043

----------------------+----------------------------------------------

moed |

faminc | 5.357 1 0.02 -.2625981 -.2864539

faed | 9.310 1 0.00 1.738316 1.68155

----------------------+----------------------------------------------

verbab |

faminc | 12.245 1 0.00 .1636819 .163778

faed | 16.492 1 0.00 .2199733 .1951833

moed | 11.324 1 0.00 .1745402 .1600985

edasp | 13.161 1 0.00 .2504617 .2497348

occasp | 10.335 1 0.00 .1843567 .1924799

verbach | 4.335 1 0.04 .1866009 .2425773

quantach | 13.436 1 0.00 .2685767 .2986809

aspire | 19.553 1 0.00 .4162918 .3739058



achieve | 17.624 1 0.00 .4397051 .5295063

home | 17.538 1 0.00 .2847413 .2128946

----------------------+----------------------------------------------

quantab |

faed | 5.026 1 0.02 .1231016 .1079672

verbach | 10.181 1 0.00 .2887298 .3710083

achieve | 4.737 1 0.03 .2306148 .2745064

home | 4.786 1 0.03 .1504819 .1112127

----------------------+----------------------------------------------

edasp |

quantab | 4.545 1 0.03 -.1417093 -.1437822

------------------------+----------------------------------------------

cov(e.faminc,e.moed)| 5.357 1 0.02 -.0983145 -.3600997

cov(e.faminc,e.verbach)| 5.035 1 0.02 .0668431 .2424459

cov(e.faminc,e.aspire)| 5.974 1 0.01 .0817502 .2297398

cov(e.faed,e.moed)| 9.310 1 0.00 .1825228 1.262383

cov(e.verbab,e.verbach)| 8.273 1 0.00 -.0996683 -.4943821

cov(e.verbab,e.aspire)| 4.543 1 0.03 .0955724 .3673055

cov(e.verbab,e.achieve)| 4.543 1 0.03 -.1155909 -.5463243

cov(e.quantab,e.edasp)| 5.102 1 0.02 -.0576928 -.2835274

cov(e.quantab,e.verbach)| 6.352 1 0.01 .0876025 .3806777

cov(e.quantab,e.aspire)| 4.543 1 0.03 -.0925119 -.311478

cov(e.quantab,e.achieve)| 4.543 1 0.03 .1118893 .4632874

cov(home,ability)| 76.265 1 0.00 .390776 .7063711

-----------------------------------------------------------------------

EPC = expected parameter change



8) Proses model dengan informasi Modification Indices







> rdized latent(home ability aspire achieve ) cov( home*ability) nocapslatent




Exogenous variables















----------------------------------------------------------------------------------

| OIM


-----------------+----------------------------------------------------------------

Structural |

aspire |

home | .3218167 .0965197 3.33 0.001 .1326415 .5109919

ability | .516915 .0956452 5.40 0.000 .3294539 .7043761

---------------+----------------------------------------------------------------

achieve |

aspire | .3976658 .0765917 5.19 0.000 .2475489 .5477828



home | .1381605 .0730718 1.89 0.059 -.0050577 .2813786

ability | .4774988 .085068 5.61 0.000 .3107686 .6442291

-----------------+----------------------------------------------------------------

Measurement |

faminc |

home | .7904294 .03446 22.94 0.000 .7228891 .8579698

---------------+----------------------------------------------------------------

faed |

home | .8977966 .0236671 37.93 0.000 .85141 .9441832

---------------+----------------------------------------------------------------

moed |

home | .8308087 .0281366 29.53 0.000 .7756621 .8859553

---------------+----------------------------------------------------------------

verbab |

ability | .8827228 .0256478 34.42 0.000 .832454 .9329916

---------------+----------------------------------------------------------------

quantab |

ability | .8276609 .0293267 28.22 0.000 .7701816 .8851403

---------------+----------------------------------------------------------------

edasp |

aspire | .9185566 .0234102 39.24 0.000 .8726735 .9644398

---------------+----------------------------------------------------------------

occasp |

aspire | .8210345 .0295191 27.81 0.000 .7631782 .8788909

---------------+----------------------------------------------------------------

verbach |

achieve | .9427998 .0156268 60.33 0.000 .9121718 .9734277

---------------+----------------------------------------------------------------

quantach |

achieve | .8568405 .0224502 38.17 0.000 .812839 .9008419

-----------------+----------------------------------------------------------------

var(e.faminc)| .3752213 .0544764 .2822968 .498734

var(e.faed)| .1939612 .0424964 .1262463 .2979964

var(e.moed)| .3097569 .0467522 .2304346 .4163844

var(e.verbab)| .2208005 .0452798 .1477213 .3300327

var(e.quantab)| .3149774 .0485452 .2328573 .4260581

var(e.edasp)| .1562537 .0430072 .0911058 .2679875

var(e.occasp)| .3259023 .0484724 .2434926 .4362034

var(e.verbach)| .1111286 .0294659 .0660889 .1868628

var(e.quantach)| .2658244 .0384724 .2001712 .3530109

var(e.aspire)| .3875595 .0601281 .2859424 .5252891

var(e.achieve)| .1372188 .0345873 .083726 .2248885



var(home)| 1 . . .


-----------------+----------------------------------------------------------------

cov(home,ability)| .7263921 .0476731 15.24 0.000 .6329546 .8198295

----------------------------------------------------------------------------------


. estat mindices

Modification indices

-----------------------------------------------------------------------

| Standard

| MI df P>MI EPC EPC

------------------------+----------------------------------------------

Structural |

aspire |

faminc | 5.175 1 0.02 .2296598 .2280599

----------------------+----------------------------------------------

achieve |

verbab | 4.007 1 0.05 -.4554521 -.3281766

quantab | 4.007 1 0.05 .2959015 .2157031

------------------------+----------------------------------------------

Measurement |

faminc |

faed | 7.929 1 0.00 -.6977387 -.6187431

moed | 10.552 1 0.00 -.4449144 -.4078619

verbab | 22.250 1 0.00 .3223561 .3221669

quantab | 17.398 1 0.00 .264972 .2679102

edasp | 14.202 1 0.00 .2350482 .2576838

occasp | 11.317 1 0.00 .1853222 .2083606

verbach | 30.942 1 0.00 .2997435 .4409714

quantach | 9.890 1 0.00 .1770939 .2175726

aspire | 23.039 1 0.00 .4006307 .4034413

achieve | 35.954 1 0.00 .4125705 .5722402

ability | 35.635 1 0.00 .6201628 .5471105

----------------------+----------------------------------------------

faed |

faminc | 7.929 1 0.00 -.2836318 -.3198433

moed | 40.378 1 0.00 .9245283 .955739



edasp | 5.669 1 0.02 -.1277926 -.1579859

verbach | 8.585 1 0.00 -.1425147 -.2364301

aspire | 7.342 1 0.01 -.2029286 -.2304421

achieve | 10.041 1 0.00 -.2058037 -.3218961

ability | 5.797 1 0.02 -.2288601 -.2276784

----------------------+----------------------------------------------

moed |

faminc | 10.552 1 0.00 -.308662 -.3367026

faed | 40.378 1 0.00 1.577846 1.526319

verbab | 6.618 1 0.01 -.1568568 -.1710061

quantab | 6.263 1 0.01 -.1407219 -.155208

verbach | 4.899 1 0.03 -.1084669 -.1740689

achieve | 6.269 1 0.01 -.1589567 -.240504

ability | 9.878 1 0.00 -.297911 -.2866943

----------------------+----------------------------------------------

verbab |

verbach | 6.480 1 0.01 -.3344116 -.4922627

aspire | 4.120 1 0.04 .2689298 .2709755

----------------------+----------------------------------------------

quantab |

edasp | 5.530 1 0.02 -.1826227 -.1980139

verbach | 5.134 1 0.02 .2977285 .4332034

aspire | 4.120 1 0.04 -.2551005 -.2540728

----------------------+----------------------------------------------

edasp |

quantab | 5.872 1 0.02 -.1819019 -.1677631

----------------------+----------------------------------------------

verbach |

verbab | 5.580 1 0.02 -.291198 -.1978211

------------------------+----------------------------------------------

cov(e.faminc,e.faed)| 7.929 1 0.00 -.0902205 -.4448603

cov(e.faminc,e.moed)| 10.552 1 0.00 -.0981823 -.3705781

cov(e.faminc,e.verbach)| 5.028 1 0.02 .0637494 .2503202

cov(e.faminc,e.aspire)| 5.175 1 0.02 .0730525 .2244003

cov(e.faed,e.moed)| 40.378 1 0.00 .2040221 1.207792

cov(e.verbab,e.verbach)| 7.705 1 0.01 -.0858602 -.4397551

cov(e.verbab,e.achieve)| 4.007 1 0.05 -.0851521 -.4162946

cov(e.quantab,e.edasp)| 4.977 1 0.03 -.0560661 -.2689451

cov(e.quantab,e.verbach)| 6.203 1 0.01 .0785418 .3329166

cov(e.quantab,e.achieve)| 4.007 1 0.05 .0807733 .3268054

-----------------------------------------------------------------------

EPC = expected parameter change







> rdized latent(home ability aspire achieve ) cov( home*ability e.faed*e.moed) nocapsl

> atent






Exogenous variables
















-----------------------------------------------------------------------------------

| OIM


------------------+----------------------------------------------------------------

Structural |

aspire |

home | .4428709 .1280987 3.46 0.001 .1918021 .6939397

ability | .3915325 .1285507 3.05 0.002 .1395778 .6434872

----------------+----------------------------------------------------------------

achieve |

aspire | .3799922 .078289 4.85 0.000 .2265486 .5334358

home | .1910696 .1014238 1.88 0.060 -.0077174 .3898567

ability | .4340808 .0983848 4.41 0.000 .2412501 .6269114

------------------+----------------------------------------------------------------

Measurement |

faminc |



home | .8813234 .0283077 31.13 0.000 .8258413 .9368055

----------------+----------------------------------------------------------------

faed |

home | .7773148 .0351298 22.13 0.000 .7084617 .8461679

----------------+----------------------------------------------------------------

moed |

home | .6918227 .0436489 15.85 0.000 .6062725 .7773729

----------------+----------------------------------------------------------------

verbab |

ability | .8824514 .0253081 34.87 0.000 .8328484 .9320543

----------------+----------------------------------------------------------------

quantab |

ability | .8279155 .0290346 28.51 0.000 .7710087 .8848223

----------------+----------------------------------------------------------------

edasp |

aspire | .9180499 .0233404 39.33 0.000 .8723036 .9637962

----------------+----------------------------------------------------------------

occasp |

aspire | .8214877 .0294266 27.92 0.000 .7638127 .8791628

----------------+----------------------------------------------------------------

verbach |

achieve | .9463121 .0153722 61.56 0.000 .9161832 .976441

----------------+----------------------------------------------------------------

quantach |

achieve | .8536602 .022711 37.59 0.000 .8091474 .898173

------------------+----------------------------------------------------------------

var(e.faminc)| .2232691 .0498965 .144079 .3459844

var(e.faed)| .3957817 .0546138 .3019943 .5186958

var(e.moed)| .5213814 .0603945 .4154856 .654267

var(e.verbab)| .2212796 .0446663 .148978 .3286702

var(e.quantab)| .314556 .0480764 .2331316 .4244189

var(e.edasp)| .1571844 .0428552 .0921161 .2682154

var(e.occasp)| .3251579 .0483471 .2429577 .435169

var(e.verbach)| .1044934 .0290937 .0605468 .1803375

var(e.quantach)| .2712643 .038775 .2049841 .3589756

var(e.aspire)| .3691189 .0594812 .2691538 .5062115

var(e.achieve)| .1378646 .0341446 .0848472 .2240102

var(home)| 1 . . .


------------------+----------------------------------------------------------------

cov(e.faed,e.moed)| .5483746 .0577886 9.49 0.000 .435111 .6616381

cov(home,ability)| .8115672 .0407974 19.89 0.000 .7316056 .8915287



-----------------------------------------------------------------------------------



----------------------------------------------------------------------------


---------------------+------------------------------------------------------

Likelihood ratio |


p > chi2 | 0.505


p > chi2 | 0.000

---------------------+------------------------------------------------------

Population error |



upper bound | 0.058


---------------------+------------------------------------------------------




---------------------+------------------------------------------------------




---------------------+------------------------------------------------------

Size of residuals |



----------------------------------------------------------------------------



. estat teffects, standardized

Direct effects

------------------------------------------------------------------------------

| OIM

| Coef. Std. Err. z P>|z| Std. Coef.

-------------+----------------------------------------------------------------

Measurement |

faminc |

home | 1 (constrained) .8813234

-----------+----------------------------------------------------------------

faed |



home | .7821305 .0640357 12.21 0.000 .7773148

-----------+----------------------------------------------------------------

moed |

home | .7196084 .0694513 10.36 0.000 .6918227

-----------+----------------------------------------------------------------

verbab |

ability | 1 (constrained) .8824514

-----------+----------------------------------------------------------------

quantab |

ability | .9491602 .0677554 14.01 0.000 .8279155

-----------+----------------------------------------------------------------

edasp |

aspire | 1 (constrained) .9180499

home | 0 (no path) 0

ability | 0 (no path) 0

-----------+----------------------------------------------------------------

occasp |

aspire | .917683 .0641823 14.30 0.000 .8214877



-----------+----------------------------------------------------------------

verbach |

aspire | 0 (no path) 0

achieve | 1 (constrained) .9463121



-----------+----------------------------------------------------------------

quantach |


achieve | .7533394 .0415301 18.14 0.000 .8536602



-------------+----------------------------------------------------------------

Structural |

aspire |

home | .5057528 .1541702 3.28 0.001 .4428709

ability | .4468158 .1494357 2.99 0.003 .3915325

-----------+----------------------------------------------------------------

achieve |

aspire | .5256217 .1131072 4.65 0.000 .3799922

home | .3018224 .1625909 1.86 0.063 .1910696

ability | .6852197 .1641088 4.18 0.000 .4340808



------------------------------------------------------------------------------

Indirect effects

------------------------------------------------------------------------------

| OIM


-------------+----------------------------------------------------------------

Measurement |

faminc |


-----------+----------------------------------------------------------------

faed |


-----------+----------------------------------------------------------------

moed |


-----------+----------------------------------------------------------------

verbab |


-----------+----------------------------------------------------------------

quantab |


-----------+----------------------------------------------------------------

edasp |


home | .5057528 .1541702 3.28 0.001 .4065775

ability | .4468158 .1494357 2.99 0.003 .3594464

-----------+----------------------------------------------------------------

occasp |


home | .4641207 .1423248 3.26 0.001 .363813

ability | .4100353 .1395913 2.94 0.003 .3216392

-----------+----------------------------------------------------------------

verbach |

aspire | .5256217 .1131072 4.65 0.000 .3595912

achieve | 0 (no path) 0

home | .567657 .1759505 3.23 0.001 .340064

ability | .9200758 .1785483 5.15 0.000 .5515675

-----------+----------------------------------------------------------------

quantach |

aspire | .3959715 .0864075 4.58 0.000 .3243842



achieve | 0 (no path) 0

home | .4276384 .1332787 3.21 0.001 .3067689

ability | .6931293 .1377876 5.03 0.000 .4975644

-------------+----------------------------------------------------------------

Structural |

aspire |



-----------+----------------------------------------------------------------

achieve |


home | .2658346 .0997929 2.66 0.008 .1682875

ability | .2348561 .0896786 2.62 0.009 .1487793

------------------------------------------------------------------------------

Total effects

------------------------------------------------------------------------------

| OIM


-------------+----------------------------------------------------------------

Measurement |

faminc |

home | 1 (constrained) .8813234

-----------+----------------------------------------------------------------

faed |

home | .7821305 .0640357 12.21 0.000 .7773148

-----------+----------------------------------------------------------------

moed |

home | .7196084 .0694513 10.36 0.000 .6918227

-----------+----------------------------------------------------------------

verbab |

ability | 1 (constrained) .8824514

-----------+----------------------------------------------------------------

quantab |

ability | .9491602 .0677554 14.01 0.000 .8279155

-----------+----------------------------------------------------------------

edasp |

aspire | 1 (constrained) .9180499

home | .5057528 .1541702 3.28 0.001 .4065775

ability | .4468158 .1494357 2.99 0.003 .3594464

-----------+----------------------------------------------------------------



occasp |

aspire | .917683 .0641823 14.30 0.000 .8214877

home | .4641207 .1423248 3.26 0.001 .363813

ability | .4100353 .1395913 2.94 0.003 .3216392

-----------+----------------------------------------------------------------

verbach |

aspire | .5256217 .1131072 4.65 0.000 .3595912

achieve | 1 (constrained) .9463121

home | .567657 .1759505 3.23 0.001 .340064

ability | .9200758 .1785483 5.15 0.000 .5515675

-----------+----------------------------------------------------------------

quantach |

aspire | .3959715 .0864075 4.58 0.000 .3243842

achieve | .7533394 .0415301 18.14 0.000 .8536602

home | .4276384 .1332787 3.21 0.001 .3067689

ability | .6931293 .1377876 5.03 0.000 .4975644

-------------+----------------------------------------------------------------

Structural |

aspire |

home | .5057528 .1541702 3.28 0.001 .4428709

ability | .4468158 .1494357 2.99 0.003 .3915325

-----------+----------------------------------------------------------------

achieve |

aspire | .5256217 .1131072 4.65 0.000 .3799922

home | .567657 .1759505 3.23 0.001 .3593571

ability | .9200758 .1785483 5.15 0.000 .5828601

------------------------------------------------------------------------------



VII. MODEL PLS SEM

▪ Umumnya terdapat dua jenis pemodelan SEM yang dapat digunakan untuk menganalisis hubungan antara

variabel laten, yaitu Covariance-Based SEM (CB-SEM) yang dikembangkan oleh Jöreskog (1969) dan

Partial Least Squares SEM (PLS-SEM) yang dikembangkan oleh Wold (1974).

▪ Model CB-SEM sering disebut hard modeling karena memerlukan beberapa asumsi yang ketat, seperti

normalitas dan menggunakan sampel berukuran besar. Di sisi lain, PLS-SEM sering disebut soft modeling

karena menggunakan asumsi yang lebih lunak dan dapat menggunakan ukuran sampel yang kecil.

▪ Kelemahan lain dalam pemodelan CB-SEM adalah bahwa variabel manifes (indikator) hanya

dimungkinkan bersifat reflektif, yaitu variabel laten menjelaskan (merefleksikan) variabel manifes, dan

tidak dapat bersifat formatif di mana variabel manifes menjelaskan variabel laten. PLS-SEM dapat

mengatasi kelemahan ini karena dimungkinkan untuk menggunakan indikator yang reflektif atau formatif.

▪ PLS-SEM dikembangkan untuk menguji teori yang lemah dan data yang lemah, seperti ukuran sampel

kecil atau masalah dengan normalitas data (Wold, 1985). Selain digunakan untuk menjelaskan ada atau

tidak adanya hubungan antara variabel laten, PLS-SEM juga dapat digunakan untuk mengkonfirmasi teori

(Chin & Newsted, 1999).

▪ Prosedur Estimasi SEM-PLS

1) Merancang spesifikasi model. Tahap ini melibatkan spesifikasi teoretis dari hubungan antara variabel

laten dan bagaimana masing-masing variabel laten akan diukur. Spesifikasi model dapat dicapai



berdasarkan pengalaman di bidang tertentu, tinjauan teori dan literatur. Dalam penelitian ini, spesifikasi

model dikembangkan mengadopsi berbagai literatur secara terpisah.

2) Menggambar diagram jalur.

3) Mengestimasi parameter model.

Metode pendugaan parameter (estimasi) dalam PLS adalah metode kuadrat terkecil (least square

methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah

mencapai kondisi konvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu

• Estimasi bobot (weight estimate) untuk membuat bobot atau menciptakan skor (score factor) pada

variabel laten.

• Estimasi jalur (path estimate) dilakukan untuk menghubungkan antar variabel laten (koefisien

jalur) yaitu koefisien beta (β) dan gamma (γ) dan antara variabel laten dengan indikatornya yaitu

estimasi loading factor yang merupakan koefisien outer model yaitu lambda (λ).

• Estimasi rata-rata (mean) dan parameter lokasi (nilai konstanta regresi) untuk indikator dan

variabel laten. Estimasi dilakukan dengan algoritma PLS yang berlangsung dalam tiga tahap.

• Langkah pertama dalam estimasi PLS terdiri dari prosedur iterasi regresi sederhana atau regresi

berganda dengan memperhitungkan hubungan model struktural/inner model, model

pengukuran/outer model dan estimasi bobot/weight relation.



• Kemudian hasil dari estimasi satu set bobot digunakan untuk menghitung nilai skor variabel laten,

yang mana merupakan kombinasi linier dari variabel indikator/manifest.

• Setelah estimasi skor variabel laten diperoleh, maka langkah kedua dan ketiga melibatkan estimasi

koefisien model struktural (inner model) dan koefisien dari masing-masing model pengukuran

(outer model). Pada dasarnya algoritma PLS merupakan serangkaian regresi sederhana dan

berganda dengan estimasi ordinary least square (Tenenhaus, 2005).

4) Mengevaluasi model. Evaluasi model dalam PLS-SEM mencakup evaluasi terhadap outer model dan

inner model.



VIII. STUDI KASUS 5. PEMODELAN PLS SEM

▪ Pada studi kasus ini akan diilustrasikan pemodelan dengan hubungan struktural sebagai berikut:



▪ Estimasi parameter model.

. plssem (Attractive > face fit) (Appearance > body appear attract) (Muscle > muscle s

> trength endur) (Weight > lweight calories cweight), structural(Appearance Attractive

> , Muscle Appearance, Weight Appearance)

Iteration 1: outer weights rel. diff. = 6.31e-01







Partial least squares path modeling Number of obs = 187

Average R-squared = 0.15795

Weighting scheme: path Average communality = 0.79165

Tolerance: 1.00e-07 GoF = 0.35361

Initialization: indsum Average redundancy = 0.11941

Measurement model - Standardized loadings

--------------------------------------------------------------------------

| Reflective: Reflective: Reflective: Reflective:

| Attractive Appearance Muscle Weight

--------------+-----------------------------------------------------------

face | 0.908

fit | 0.919

body | 0.899

appear | 0.949

attract | 0.923

muscle | 0.886

strength | 0.873

endur | 0.623

lweight | 0.916

calories | 0.937

cweight | 0.911

--------------+-----------------------------------------------------------

Cronbach | 0.801 0.914 0.734 0.912

DG | 0.909 0.946 0.842 0.944

rho_A | 0.803 0.917 0.849 0.931

--------------------------------------------------------------------------



Discriminant validity - Squared interfactor correlation vs. Average variance extracted

> (AVE)

--------------------------------------------------------------------------


--------------+-----------------------------------------------------------

Attractive | 1.000 0.080 0.021 0.002

Appearance | 0.080 1.000 0.217 0.177

Muscle | 0.021 0.217 1.000 0.041

Weight | 0.002 0.177 0.041 1.000

--------------+-----------------------------------------------------------

AVE | 0.834 0.854 0.645 0.849

--------------------------------------------------------------------------

Structural model - Standardized path coefficients

-----------------------------------------------------------

Variable | Appearance Muscle Weight

--------------+--------------------------------------------

Attractive | 0.283

| (0.000)

Appearance | 0.466 0.420

| (0.000) (0.000)

--------------+--------------------------------------------

r2_a | 0.075 0.213 0.172

-----------------------------------------------------------

p-values in parentheses



▪ Plot Inner model

. plssemplot, innermodel



. plssemplot, crossloadings

Cross loadings

----------------------------------------------------

| Attra~e Appea~e Muscle Weight

------------+---------------------------------------

face | 0.9077 0.2504 0.1515 -0.0167

fit | 0.9186 0.2660 0.1118 -0.0576

body | 0.3434 0.8989 0.4354 0.3642

appear | 0.1901 0.9492 0.4386 0.4593

attract | 0.2490 0.9230 0.4152 0.3364

muscle | 0.1645 0.4941 0.8856 0.1253

strength | 0.1222 0.3320 0.8730 0.1033

endur | 0.0096 0.2190 0.6225 0.3620

lweight | -0.1211 0.4148 0.2122 0.9156

calories | 0.0544 0.4191 0.1947 0.9366

cweight | -0.0523 0.3086 0.1439 0.9111

----------------------------------------------------



. estat indirect, effects(Muscle Appearance Attractive, Weight Appearance Attractive)

Significance testing of (standardized) indirect effects

--------------------------------------------------------------

| Muscle <- | Weight <-

Statistics | Appearance <- | Appearance <-

| Attractive | Attractive

------------------------+------------------+------------------

Indirect effect | 0.132 | 0.119

Standard error | 0.038 | 0.035

Z statistic | 3.501 | 3.385

P-value | 0.000 | 0.001

Conf. interval | (0.058, 0.206) | (0.050, 0.188)

--------------------------------------------------------------

confidence level: 95%

. estat total

Direct, Indirect (overall) and Total Effects

-----------------------------------------------------------------

Effect | Direct Indirect Total

--------------------------+--------------------------------------

Attractive -> Appearance | 0.283 0.283

Attractive -> Muscle | 0.132 0.132

Attractive -> Weight | 0.119 0.119

Appearance -> Muscle | 0.466 0.466

Appearance -> Weight | 0.420 0.420

----------------------------------------------------------------

. estat vif

Structural model - Multicollinearity check (VIFs)

-----------------------------------------------------

Variable | Appearance Muscle Weight

--------------+--------------------------------------

Attractive | 1.000

Appearance | 1.000 1.000

-----------------------------------------------------


pemodelan sem dengan stata - institut tazkia

Documents