10 Juli 2016

Identifikasi Model Structural Equation Modeling



Identifikasi model structural equation modeling (SEM) yaitu mengenai kemampuan model untuk menghasilkan serangkaian nilai parameter yang unik dan konsisten terhadap data. Parameter unik yang dihasilkan ini disebut dengan "model identified" sehingga parameter dapat diestimasi dan dapat diuji. Seperti kita ketahui dalam model SEM, input data dapat dilakukan dalam bentuk matrik varians dan kovarians ataupun matrik korelasi. Matrik kovarian berisi nilai varians dan kovarians dari data sample yang kita miliki. Banyaknya nilai varian dan kovarian dalam matrik kovarians ini dinamakan dengan "sample moment" atau "data point". Sekarang mari kita lihat bentuk sample moment atau data point dari model CFA Minat Kunjungan Ulang yang memiliki 5 indikator (X1 -X5).


Sample moment varians kovarians
 
Pada tabel matrik varians kovarians di atas menunjukkan bahwa banyaknya nilai varians adalah 5 dan nilai kovarians ada 10 jadi banyaknya sample moment atau data point : 15. Dapat disimpulkan bahwa dari 5 indikator akan menghasilkan 15 sample moment dalam bentuk matrik varian dan kovarians. Begitu juga apabila input data dalam bentuk matrik korelasi akan mengjasilkan 15 sample moment yang berisi nilai-nilai korelasi antar indikator.
Langkah menghitung sample moment dari 5 indikator (observeb variable) dalam model dapat dilakukan perhitungan dengan rumus sebagai berikut :
Sample moment = p(p+1)/2, dimana p adalah banyaknya indikator. Jika indikator ada 5 maka : 5(5+1)/2 = 15 sample moment (sama seperti contoh di atas).
Jumlah estimasi parameter yang dihasilksan sebagai berikut :

Estimasi parameter
 
Seperti terlihat pada tabel di atas banyaknya estimasi parameter adalah 10 dimana :
  • 4 weight yaitu nilai loading faktor X2, X3, X4 dan X5
  • 6 variances yaitu 1 variance variabel laten "Minat Kunjungan Ulang" dan 5 eror variance e1,e2, e3, e4 dan e5.
Dari hasil perhitungan sample moment dan estimasi parameter maka diperoleh nilai degree of fredom (df) sebagai berikut :
Df = sample moment - parameter yang diestimasi
    = 15 - 10
    = 5

Jadi sebuah model SEM dapat diketahui dalam tiga (3) identifikasi model yaitu :
1. Model Under-identified
Model ini dihasilkan karena jumlah parameter yang diestimasi lebih besar daripada jumlah sample moment atau data point atau varian dan kovarian data. Hal ini terjadi karena informasi yang berasal dari data point atau sample moments yang tidak cukup dan mengakibatkan derajat kebebasan/degree of freedom (df) bernilai negatif. Ketidakcukupan jumlah sample moment ini maka model yang dikembangkan tidak teridentifikasi.
2. Model Just-identified
Model ini jumlah sample moment sama jumlahnya dengan jumlah parameter yang diestimasi. Meskipun model ini menghasilkan solusi yang unik untuk parameter yang diestimasi, karena nilai df sebesar (nol) maka secara statistik model yang dihasilkan tidak dapat teridentifikasi.
3. Model Over-identified
Model ini jumlah sample moment memiliki jumlah yang lebih banyak dibandingkan dengan parameter yang diestimasi. Sehingga nilai degree of freedom (df) adalah positif. Model yang seperti inilah yang memberikan solusi unik dan diharapkan dalam pengujian model sehingga dinamakan "model over-identified" atau model dapat teridentifikasi. Model over-identified seperti contoh di atas (model CFA Minat Kunjungan Ulang).

Baca juga :

Referensi :

Byrne,B.M. (2010). Structural Equation Modeling with AMOS: Basic Concepts, Applications, and Programming 2nd. New York: Rouledge Taylor & Francis 

Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen. Semarang. Badan Penerbit Universitas Diponegoro

Kline,R.B. (2011). Principles and Practice of Structural Equation Modeling 3rd. New York London: Guilford Press

Loehlin,J.C. (2004). Latent Variable Modeling 4th: an Introduction to factor,path, and structural equation analyisis. New Jersey London: Lawrence Erlbaum Association

Maruyama,G.M. (1997). Basics of Structural Equation Modeling. London New York: Sage Publication

Mulaik,S. (2009). Linear Causal Modeling with Structural Equations. London New York: CRC Press

Muller,R.O. (1996). Basic Principles of Structural Equation Modeling : An Introduction of Lisrel and EQS. New York: Springer

Raykov,T and Marcoulides,G.A. (2006). A First Course in Structural Equation Modeling 2nd. New Jersey London: Lawrence Erlbaum Associates

Schumacker,R.E And Lomax, R.J. (2010). A Beginner's Guide Structural Equation Modeling 3rd. New Jersey London:Lawrence Erlbaum Associates