Penilaian model (model assesment) pada structural Equation Modeling (SEM) difokuskan bahwa sejauh mana sebuah model yang dihipotesiskan sesuai (fit) atau model mampu untuk menjelaskan data sampel yang ada. Penilaian model dengan menguji kecukupan masing-masing parameter estimasi maupun model secara keseluruhan.
Ada 3 kriteria untuk penilaian parameter estimasi model SEM yaitu (1) Feasibility of parameter, (2) Kesesuaian standar eror dan (3) Signifikansi statistikal dari koefisien estimasi parameter.
1. Feasibility estimasi parameter
"The initial step in assesing the fit of individual parameters in a model is to determine the viability of their estimated values. In particular, parameter estimates should exhibit the correct sign and size, and be consistent with the underying theory. Any estimates faling outside the admissible range signal a clear indication that either the model is wrong or the input matrix lack sufficient information (Byrne, 2010)"
Penilaian setiap parameter model yaitu menentukan viabilitas dari nilai-nilai yang telah diestimasi untuk setiap parameter. Penilaian koefisien parameter harus berpedoman pada ukuran atau kriteria yang benar dan konsisten dengan teori dari pengembangan model. Nilai koefisien yang jauh dari kriteria/ukuran dapat menjadi indikasi bahwa model yang dikembangkan adalah salah atau matrik input kekurangan informasi yang dibutuhkan. Misalnya dalam model terjadi nilai korelasi > 1.00, matrik kovarian atau korelasi yang tidak positif atau variance negatif.
2. Kesesuaian standard eror
"Standard error reflect the precision with which a parameter has been estimated with small values suggesting accurate estimation. Thus, another indicator of poor model fit is the presence of standard errors that are exessively large or small. For example, if a standard error approaches zero, the test statistic for its related parameter cannot be defined. Likewise, standard errors that are extremely large indicate parameters that cannot be determined (Byrne, 2010)"
Model yang kurang baik salah satunya adanya standar error yang sangat besar ataupun sangat kecil. Misal standar eror sama dengan nol, maka pengujian statistik untuk parameter yang berhubungan dengan standard eror tersebut tidak dapat dilakukan. Nilai standard eror yang tidak akurat pada umumnya ditemui pada analisis yang menggunakan data matrik korelasi, maka sebaiknya model SEM menggunakan matrik kovarian.
3. Signifikansi statistikal dari koefisien estimasi parameter
"The test statistics as reported in the AMOS output is the critical ratio (CR), which represents the parameter estimate divide by its standard errors, as such , it operates as a z-statistc in testing that the estimate is statistically different from zero (byrne, 2010)"
Pengujian statistik yang digunakan dalam SEM AMOS adalah critical ratio (CR) yang merupakan estimasi parameter dibagi standar erornya sama dengan z-statistik yang menguji bahwa nilai estimasi secara statistik tidak sama dengan nol. Pengujian statistik dengan tingkat signifikansi 5%, nilai CR yang dibutuhkan lebih ±1.96. Jadi parameter yang tidak signifikan menunjukan bahwa variabel tidak memiliki peranan penting dalam pengembangan model sehingga dapat dikeluarkan dari model. Parameter yang tidak signifikan dapat menjadi indikasi bahwa model memiliki sampel yang kecil/kekuranganm sampel.
Baca juga :
1. Cara Mengatasi data tidak Normal dengan Metode Bootstraping
2. Uji Kesesuaian Fit Model SEM
3. Evaluasi Asumsi pada Model SEM
Referensi :
Byrne, B. M. (2016). Structural Equation Modeling with Amos : Basics concepts, Applications, and Programing 3nd. New York : Rouledge
Ferdinand, A. (2014). Structural Equation Modeling Dalam Penelitian Manajemen Edisi 5. Semarang : Badan Penerbit Undip
Haryono, S. ( 2016). Metode SEM untuk Penelitian Manajemen dengan AMOS Lisrel PLS. Bekasi : Intermedia Personalis Utama
Tidak ada komentar:
Posting Komentar